Handbook Cell

UIT-D
Comisión de Estudio 2
Cuestión 16/2
MANUAL
"SOBRE INGENIERÍA DE TELETRÁFICO"
Ginebra, diciembre de 2002

- ii -
PREFACIO
La primera edición del Manual sobre Ingeniería de Teletráfico ha siso realizada conjuntamente por:
• La Unión Internacional de Telecomunicaciones <http://www.itu.int> y los
• Congresos Internacionales de Teletráfico <http://www.i-teletraffic.org>.
Este Manual aborda la teoría básica de la ingeniería de teletráfico. El conocimiento general de
matemáticas que se requiere es de cálculo elemental de probabilidades. El propósito del presente
Manual es permitir a los ingenieros comprender las Recomendaciones del UIT-T sobre ingeniería
de tráfico, evaluar las herramientas y los métodos disponibles y mantenerse actualizados con
respecto a las nuevas prácticas. Comprende las siguientes partes:
• Introducción: Capítulos 1 y 2,
• Nociones generales de matemáticas: Capítulos 3 a 6,
• Modelos de pérdidas en las telecomunicaciones: Capítulos 7 a 11,
• Modelos de retraso de comunicación de datos: Capítulos 12 a 14,
• Mediciones: Capítulo 15.
El propósito de este libro es servir tanto de Manual como de libro de texto. Ello significa que el
lector podrá, por ejemplo, estudiar los capítulos sobre modelos de pérdida sin haber leído
previamente los capítulos sobre las nociones generales de matemáticas.
El Manual se basa en la experiencia de su editor, Villy B. Iversen, acumulada en los numerosos
años de enseñanza del tema en la Universidad Técnica de Dinamarca y en los cursos de
capacitación de la UIT organizados en los países en desarrollo. La Comisión de Estudio 2
del UIT-T (Grupo de Trabajo 3/2) examinó las Recomendaciones sobre ingeniería de tráfico.
Numerosos ingenieros de la comunidad internacional del teletráfico, y también estudiantes,
aportaron sus ideas para la realización del Manual. En el sitio <http://www.com.dtu.dk/teletraffic>,
abierto a los comentarios y las ideas que se nos puedan aportar, el lector encontrará material de
apoyo, como programas informáticos, ejercicios, documentación técnica avanzada y estudios de
casos.
El Manual, realizado por iniciativa de la Comisión 3 (Países en desarrollo y asuntos relativos a
la UIT), de los Congresos Internacionales de Teletráfico (TIC) fue examinado y adoptado por la
Comisión de Estudio 2 del UIT-D en 2001. La Oficina de Desarrollo de las Telecomunicaciones
agradece a los Congresos Internacionales de Teletráfico, así como a todos los Estados Miembros,
Miembros de Sector y Expertos que contribuyeron a la presente publicación.
Hamadoun I. Touré
Director
Oficina de Desarrollo de las Telecomunicaciones
Unión Internacional de Telecomunicaciones
C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

MANUAL
SOBRE INGENIERÍA DE TELETRÁFICO
Comisión de Estudio 2/16 del UIT-D y Congresos

Internacionales de Teletráfico
Diríjase a:
Villy B. Iversen
COM Center
Technical University of Denmark
Building 343, DK-2800 Lyngby
Tel.: 4525 3648 Fax.: 4593 6581
correo-e: vbi@com.dtu.dk
www.tele.dtu.dk/teletraffic
-2-
NOTACIONES
α Tráfico transportado por fuente o por canal
A Tráfico ofrecido = Ao
Ac Tráfico transportado = Y
Al Tráfico perdido
B Congestión de llamadas
B Carácter de la ráfaga
c Constante
C Congestión de tráfico = congestión de carga
Cn Número de Catalán
d Dimensión del segmento en tráfico de velocidad múltiple
D Probabilidad de retardo o llegada determinística o proceso de servicio
E Congestión temporal
E1,n(A) = E1 Fórmula B de Erlang = fórmula 1 de Erlang
E2,n(A) = E2 Fórmula C de Erlang = fórmula 2 de Erlang
f Función de mejora
g Número de grupos
h Intervalo de tiempo constante o tiempo de servicio
H(k) Fórmula de Palm-Jacobæus
I Congestión temporal inversa I = 1/E
Jv(z) Función de Bessel modificada de orden v
k Accesibilidad = capacidad de búsqueda.
Número máximo de clientes en un sistema de fila de espera
K Número de enlaces en una red de telecomunicación o número de nodos en una
red de fila de espera
L Longitud media de fila de espera
Lkφ Longitud media de fila de espera cuando la fila de espera es mayor que cero
L Variable estocástica para longitud de fila de espera
m Valor medio (promedio) = m1
mi i-ésimo momento (no central)
m'i i-ésimo momento central
mr Tiempo de vida residual medio
M Proceso de llegada de Poisson
n Número de servidores (canales)
N Número de trenes de tráfico o tipos de tráfico
p(i) Probabilidades de estado, promedios de tiempo

-3-
p {i, t | j, t0} Probabilidad de estado i en el tiempo t, dado el estado j en el tiempo t0

P(i)
∑
i
Probabilidades de estado acumuladas P(i) = x = −∞
p ( x)
q(i) Probabilidades de estado relativas (no normalizadas)
Q(i)
∑
i
Valores acumulados de q(i): Q(i) = x = −∞
p ( x)
Q Constante de normalización
r Parámetro de reserva (reserva línea de enlace)
R Tiempo de respuesta medio
s Tiempo de servicio medio
S Número de fuentes de tráfico
t Instante de tiempo
T Variable estocástica para un instante de tiempo
U Función de carga
v Varianza
V Tiempo de espera virtual
ω Tiempo medio de espera para clientes con demora
W Tiempo medio de espera para todos los clientes
W Variable estocástica para tiempo de espera
y Velocidad de llegada. Proceso de Poisson: y = λ
Y Tráfico transportado
Z Grado de curtosis (factor de irregularidad)
α Tráfico ofrecido por fuente
β Tráfico ofrecido por fuente en reposo
γ Velocidad de llegada para una fuente en reposo
ε Factor de forma de Palm
ν Multiplicador de Lagrange
κi i-ésimo acumulante
λ Velocidad de llegada de un proceso de Poisson
Λ Velocidad de llegada total a un sistema
μ Velocidad de servicio, tiempo de servicio medio inverso
π(i) Probabilidades de estado, valores medios de llegada de cliente
Ψ(i) Probabilidades de estado, valores medios de salida de cliente
ρ Relación de servicio
2
σ Varianza, σ = desviación normal
τ Intervalo de retardo constante o intervalo de tiempo constante

-4-
ÍNDICE
Página
CAPÍTULO 1 - Introducción a la Ingeniería de Teletráfico.................................................... 11
1.1 Modelados de sistemas de telecomunicación ............................................................... 11
1.1.1 Estructura del sistema ................................................................................................... 12
1.1.2 Estrategia operativa ...................................................................................................... 13
1.1.3 Propiedades estadística del tráfico................................................................................ 13
1.1.4 Modelos ........................................................................................................................ 15
1.2 Sistemas telefónicos convencionales............................................................................ 16
1.2.1 Estructura del sistema ................................................................................................... 16
1.2.2 Comportamiento del usuario......................................................................................... 17
1.2.3 Estrategia de la operación............................................................................................. 18
1.3 Redes de comunicación ................................................................................................ 19
1.3.1 Red telefónica ............................................................................................................... 19
1.3.2 Redes de datos .............................................................................................................. 21
1.3.3 Redes de área local ....................................................................................................... 22
1.4 Sistemas de comunicación móviles .............................................................................. 23
1.4.1 Sistemas celulares......................................................................................................... 23
1.5 Recomendaciones de la UIT sobre ingeniería de tráfico .............................................. 25
1.5.1 Ingeniería de tráfico en la UIT...................................................................................... 26
1.5.2 Caracterización de la demanda de tráfico..................................................................... 26
1.5.3 Objetivos de grado de servicio ..................................................................................... 32
1.5.4 Controles de tráfico y dimensionamiento ..................................................................... 37
1.5.5 Supervisión de la calidad de funcionamiento ............................................................... 44
1.5.6 Otras Recomendaciones................................................................................................ 45
1.5.7 Programa de trabajo para el Periodo de Estudios 2001-2004....................................... 45
1.5.8 Conclusiones................................................................................................................. 46
CAPÍTULO 2 - Conceptos de tráfico y de grado de servicio .................................................. 47
2.1 Concepto de tráfico y unidad [erlang] .......................................................................... 47
2.2 Variaciones de tráfico y concepto de hora cargada ...................................................... 50
2.3 Concepto de bloqueo .................................................................................................... 55
2.4 Generación de tráfico y reacción de los abonados........................................................ 57
2.5 Introducción al grado de servicio ................................................................................. 63
2.5.1 Comparación de GoS y QoS......................................................................................... 65
2.5.2 Características especiales de la QoS............................................................................. 65
2.5.3 Calidad de funcionamiento de la red ............................................................................ 66
2.5.4 Configuraciones de referencia ...................................................................................... 66
CAPÍTULO 3 - Teoría de las probabilidades y estadísticas .................................................... 69
3.1 Funciones de distribución ............................................................................................. 69
3.1.1 Caracterización de las distribuciones............................................................................ 69
3.1.2 Tiempo de vida residual................................................................................................ 71

-5-
Página
3.1.3 Cargas de tráfico basadas en tiempos de ocupación inferiores a x............................... 74
3.1.4 Tiempo de recurrencia hacia adelante .......................................................................... 75
3.1.5 Distribución de la j-ésima variable estocástica k más grande....................................... 77
3.2 Combinación de variables estocásticas......................................................................... 77
3.2.1 Variables estocásticas en serie...................................................................................... 78
3.2.2 Variables estocásticas en paralelo ................................................................................ 79
3.3 Suma estocástica........................................................................................................... 79
CAPÍTULO 4 - Distribuciones de los intervalos de tiempo .................................................... 83
4.1 Distribución exponencial .............................................................................................. 83
4.1.1 Mínimo de k variables aleatorias distribuidas exponencialmente ................................ 84
4.1.2 Combinación de distribuciones exponenciales............................................................. 85
4.2 Distribuciones pronunciadas......................................................................................... 86
4.3 Distribuciones planas.................................................................................................... 88
4.3.1 Distribución hiperexponencial...................................................................................... 88
4.4 Distribuciones de Cox .................................................................................................. 90
4.4.1 Prueba polinomial......................................................................................................... 92
4.4.2 Principios de descomposición ..................................................................................... 93
4.4.3 Importancia de la distribución de Cox.......................................................................... 95
4.5 Otras distribuciones temporales.................................................................................... 95
4.5.1 Distribuciones con gran densidad en los extremos....................................................... 96
4.6 Observaciones de la distribución de tiempo de vida .................................................... 96
CAPÍTULO 5 - Procesos de llegada ........................................................................................ 99
5.1 Descripción de procesos puntuales............................................................................... 99
5.1.1 Propiedades básicas de la representación del número .................................................. 100
5.1.2 Propiedades básicas de la representación del intervalo ................................................ 101
5.2 Características del proceso puntual .............................................................................. 103
5.2.1 Condición de estacionario (Homogeneidad del tiempo) .............................................. 103
5.2.2 Independencia ............................................................................................................... 103
5.2.3 Regularidad................................................................................................................... 104
5.3 Teorema de Little.......................................................................................................... 104
CAPÍTULO 6 - El proceso de Poisson .................................................................................... 107
6.1 Características del proceso de Poisson ......................................................................... 107
6.2 Distribuciones del proceso de Poisson ......................................................................... 107
6.2.1 Distribución exponencial .............................................................................................. 108
6.2.2 Distribución de Erlang-k............................................................................................... 110
6.2.3 Distribución de Poisson ................................................................................................ 111
6.2.4 Derivación estática de las distribuciones del proceso de Poisson ................................ 114
6.3 Propiedades del proceso de Poisson ............................................................................. 116
6.3.1 Teorema de Palm (Teorema de la superposición) ........................................................ 116
6.3.2 Teorema de Raikov (Teorema de la descomposición) ................................................. 117

-6-
Página
6.3.3 Distribución uniforme – una propiedad condicional .................................................... 118
6.4 Generalización del proceso de Poisson estacionario .................................................... 118
6.4.1 Proceso de Poisson interrumpido.................................................................................. 118
CAPÍTULO 7 - Sistemas de pérdidas de Erlang, fórmula B ................................................... 123
7.1 Introducción.................................................................................................................. 123
7.2 Distribución de Poisson ................................................................................................ 124
7.2.1 Diagrama de transición de estado ................................................................................. 124
7.2.2 Obtención de las probabilidades de estado................................................................... 125
7.2.3 Características de tráfico de la distribución de Poisson................................................ 126
7.3 Distribución de Poisson truncada ................................................................................. 127
7.3.1 Probabilidades de estado............................................................................................... 127
7.3.2 Características de tráfico de la fórmula B de Erlang .................................................... 128
7.3.3 Generalización de la fórmula B de Erlang.................................................................... 130
7.4 Procedimientos normales para diagramas de transición de estado............................... 134
7.4.1 Evaluación numérica .................................................................................................... 135
7.4.2 Evaluación de la fórmula B de Erlang.......................................................................... 136
7.5 Principios de dimensionamiento................................................................................... 138
7.5.1 Dimensionamiento con probabilidad de bloqueo fija................................................... 138
7.5.2 Principios de mejora (principio de Moe) ...................................................................... 139
CAPÍTULO 8 - Sistemas de pérdidas con accesibilidad completa.......................................... 143
8.1 Introducción.................................................................................................................. 143
8.2 Distribución binomial ................................................................................................... 145
8.2.1 Ecuaciones de equilibrio............................................................................................... 146
8.2.2 Características del tráfico binomial .............................................................................. 148
8.3 Distribución de Engset.................................................................................................. 150
8.3.1 Probabilidades de estado............................................................................................... 150
8.3.2 Características del tráfico del sistema Engset............................................................... 150
8.4 Evaluación de la fórmula de Engset ............................................................................. 154
8.4.1 Fórmula de recursión en n ............................................................................................ 154
8.4.2 Fórmula de recursión en S ............................................................................................ 154
8.4.3 Fórmula de recursión en n y S ...................................................................................... 155
8.5 Relaciones entre E, B, y C ............................................................................................ 156
8.6 Distribución de Pascal (Binomial negativa) ................................................................. 158
8.7 Distribución de Pascal truncada.................................................................................... 159
CAPÍTULO 9 - Teoría de desbordamiento.............................................................................. 163
9.1 Teoría de desbordamiento............................................................................................. 164
9.1.1 Probabilidad de estado de sistemas de desbordamiento ............................................... 164
9.2 Método equivalente de Wilkinson-Bretschneider ........................................................ 167
9.2.1 Análisis preliminar........................................................................................................ 167
9.2.2 Aspectos numéricos ...................................................................................................... 169

-7-
Página
9.2.3 Probabilidades de bloqueo de paquetes ........................................................................ 170
9.3 Método de equivalencia de Fredericks y Hayward....................................................... 171
9.3.1 Separación del tráfico ................................................................................................... 173
9.4 Otros métodos basados en espacio de estados.............................................................. 174
9.4.1 Modelos de tráfico BPP ................................................................................................ 174
9.4.2 Método de Sander ......................................................................................................... 174
9.4.3 Método de Berkeley...................................................................................................... 175
9.5 Procesos de llegada generalizados................................................................................ 175
9.5.1 Proceso de Poisson interrumpido.................................................................................. 175
9.5.2 Proceso de llegada Cox-2 ............................................................................................. 177
CAPÍTULO 10 - Sistemas de pérdidas multidimensionales.................................................... 179
10.1 Fórmula de Erlang-B multidimensional ....................................................................... 179
10.2 Procesos de Markov reversibles ................................................................................... 182
10.3 Sistemas de pérdidas multidimensionales .................................................................... 184
10.3.1 Limitación de clase ....................................................................................................... 184
10.3.2 Procesos de tráfico generalizados................................................................................. 186
10.3.3 Tráfico multisegmento.................................................................................................. 186
10.4 Algoritmo de convolución para sistemas de pérdidas .................................................. 189
10.4.1 El algoritmo .................................................................................................................. 190
10.4.2 Otros algoritmos ........................................................................................................... 199
CAPÍTULO 11 - Dimensionamiento de las redes de telecomunicaciones .............................. 201
11.1 Matrices de tráfico ........................................................................................................ 201
11.1.1 Método de factor doble de Kruithof ............................................................................. 202
11.2 Topologías .................................................................................................................... 204
11.3 Principios de encaminamiento...................................................................................... 204
11.4 Métodos de cálculo de extremo a extremo aproximados.............................................. 204
11.4.1 Método del punto fijo ................................................................................................... 204
11.5 Métodos de cálculo exactos de extremo a extremo ...................................................... 205
11.5.1 Algoritmo de convolución ............................................................................................ 205
11.6 Control de carga y protección de servicio .................................................................... 205
11.6.1 Reserva de líneas de enlace .......................................................................................... 206
11.6.2 Protección del canal virtual .......................................................................................... 207
11.7 Principio de Moe .......................................................................................................... 207
11.7.1 Equilibrio de los costos marginales de equilibrado ...................................................... 207
11.7.2 Tráfico transportado óptimo ......................................................................................... 208
CAPÍTULO 12 - Sistemas de espera ....................................................................................... 211
12.1 Sistema de espera de Erlang M/M/n............................................................................. 211
12.2 Características del tráfico de sistemas de demora ........................................................ 213
12.2.1 Fórmula C de Erlang..................................................................................................... 213
12.2.2 Longitudes media de puesta en fila .............................................................................. 215

-8-
Página
12.2.3 Tiempos de espera medios............................................................................................ 217
12.2.4 Funciones mejora para M/M/n...................................................................................... 218
12.3 Principio de Moe para sistemas de espera .................................................................... 219
12.4 Distribución del tiempo medio de espera para M/M/n, FCFS...................................... 220
12.4.1 Tiempo de respuesta con un solo servidor.................................................................... 222
12.5 Modelo máquina - reparador de Palm .......................................................................... 223
12.5.1 Sistemas terminales ...................................................................................................... 224
12.5.2 Probabilidades en régimen permanente con servidor único ......................................... 226
12.5.3 Estados de los terminales y características del tráfico.................................................. 228
12.5.4 Modelo máquina – reparador con n servidores............................................................. 230
12.6 Optimización del modelo de máquina - reparador ....................................................... 232
CAPÍTULO 13 - Teoría aplicada de puesta en fila de espera.................................................. 235
13.1 Clasificación de modelos de filas de espera ................................................................. 235
13.1.1 Descripción del tráfico y la estructura .......................................................................... 235
13.1.2 Estrategia de las filas de espera: tipos y organización.................................................. 236
13.1.3 Prioridad de los clientes................................................................................................ 237
13.2 Resultados generales en la teoría de puesta en fila de espera....................................... 238
13.3 Fórmula de Pollaczek-Khintchine para M/G/1............................................................. 239
13.3.1 Deducción de la fórmula Pollaczek-Khintchine ........................................................... 239
13.3.2 Periodo de ocupado para M/G/1 ................................................................................... 240
13.3.3 Tiempo de espera para M/G/1 ...................................................................................... 241
13.3.4 Longitud de la fila de espera limitada: M/G/1/k........................................................... 242
13.4 Sistemas prioritarios de puesta en fila de espera: M/G/1 ............................................. 242
13.4.1 Combinación de diversas clase de clientes................................................................... 242
13.4.2 Tipos de filas de espera que conservan la utilización de un circuito............................ 244
13.4.3 Tipos de puesta en fila de espera no preferentes .......................................................... 245
13.4.4 Criterio de puesta en fila SJF........................................................................................ 248
13.4.5 M/M/n con prioridad sin apropiación ........................................................................... 249
13.4.6 Criterio de puesta en fila con derecho preferente ......................................................... 250
13.5 Sistemas de puesta en fila con tiempos de utilización constante.................................. 252
13.5.1 Antecedentes del sistema M/D/n .................................................................................. 252
13.5.2 Probabilidades de estado y tiempos medios de espera: M/D/1..................................... 253
13.5.3 Tiempos medios de espera y periodo ocupado: M/D/1 ................................................ 254
13.5.4 Distribución del tiempo de espera: M/D/1, FCFS ........................................................ 255
13.5.5 Probabilidades de estado: M/D/n.................................................................................. 257
13.5.6 Distribución del tiempo de espera: M/D/n, FCFS ........................................................ 257
13.5.7 Proceso de llegada de Erlang-k: Ek/D/r......................................................................... 258
13.5.8 Sistema de puesta en fila finito: M/D/1/k ..................................................................... 259
13.6 Sistema de puesta en fila con un solo servidor: GI/G/1................................................ 260
13.6.1 Resultados generales..................................................................................................... 260

-9-
Página
13.6.2 Probabilidades de estado: GI/M/1................................................................................. 261
13.6.3 Características del sistema GI/M/1 ............................................................................... 262
13.6.4 Distribución del tiempo de espera: GI/M/1, FCFS ....................................................... 263
13.7 Sistema de puesta en fila con retorno al punto de origen y compartición
de procesador ................................................................................................................ 263
CAPÍTULO 14 - Redes de filas de espera ............................................................................... 267
14.1 Introducción a las redes de puesta en fila de espera ..................................................... 267
14.2 Sistemas simétricos de puesta en fila de espera............................................................ 268
14.3 Teorema de Jackson...................................................................................................... 269
14.3.1 Suposición de independencia de Kleinrock.................................................................. 272
14.4 Redes de puesta en fila de una sola cadena .................................................................. 272
14.4.1 Algoritmo de convolución para una red de puesta en fila cerrada ............................... 272
14.4.2 Algoritmo de valor medio............................................................................................. 277
14.5 Redes de puesta en fila BCMP...................................................................................... 280
14.6 Redes de puesta en fila multidimensionales ................................................................. 281
14.6.1 Sistema de puesta en fila de un solo servidor M/M/1 ................................................... 281
14.6.2 Sistema de puesta en fila M/M/n................................................................................... 283
14.7 Redes cerradas de puesta en fila con múltiples cadenas............................................... 283
14.7.1 Algoritmo de convolución ............................................................................................ 284
14.8 Otros algoritmos para redes de puesta en fila............................................................... 287
14.9 Complejidad.................................................................................................................. 287
14.10 Atribución de la capacidad óptima ............................................................................... 287
CAPÍTULO 15 - Mediciones de tráfico................................................................................... 291
15.1 Principios y métodos de medición................................................................................ 291
15.1.1 Mediciones continuas ................................................................................................... 292
15.1.2 Mediciones discretas..................................................................................................... 292
15.2 Teoría del muestreo ...................................................................................................... 293
15.3 Mediciones continuas en un periodo ilimitado............................................................. 295
15.4 Métodos de exploración en un periodo ilimitado ......................................................... 299
15.5 Ejemplo numérico......................................................................................................... 301

- 10 -
CAPÍTULO 1
Introducción a la Ingeniería de Teletráfico
La teoría de teletráfico se define como la aplicación de la teoría de las probabilidades a la solución

de problemas concernientes a la planificación, evaluación de la calidad de funcionamiento,
operación y mantenimiento de sistemas de telecomunicación. En forma más general, la teoría de
teletráfico se puede considerar como una disciplina de planificación en la que los medios (procesos
estocásticos, teoría de puesta en fila y simulación numérica) se toman de la investigación de las
operaciones.
El término teletráfico abarca todo tipo de tráfico de comunicación de datos y de tráfico de
telecomunicaciones. La teoría estará primordialmente ilustrada con ejemplos de sistemas de
comunicación telefónica y datos. Sin embargo, los medios formulados son independientes de la
tecnología y aplicables en otras áreas como tráfico de caminos, tráfico aéreo, cintas de fabricación y
montaje, distribución, gestión de talleres y almacenamiento, y toda clase de sistemas de servicio.
El objetivo de la teoría del teletráfico puede formularse así:
Lograr calcular el tráfico en unidades bien definidas mediante modelos matemáticos y
determinar la relación existente entre calidad de servicio y capacidad del sistema, de
tal manera que la teoría se convierta en una herramienta útil para la planificación de
las inversiones.
El cometido de la ingeniería de teletráfico es diseñar del modo más rentable posible sistemas cuya
calidad de servicio se hayan definido previamente cuando se conoce la demanda de tráfico y la
capacidad de los elementos del sistema. Asimismo, la teoría del teletráfico ha de establecer métodos
específicos para controlar que la calidad de servicio en un momento dado cumple los requisitos, y
determinar qué acciones de emergencia concretas se han de tomar cuando los sistemas se
encuentran sobrecargados o se producen fallos técnicos. Para ello se precisan métodos de previsión
de la demanda (por ejemplo, a partir de mediciones de tráfico) y métodos para calcular la capacidad
de los sistemas, y la especificación de los parámetros cuantitativos para medir la calidad de servicio.
Cuando se pasa de la teoría a la práctica, surge una serie de problemas respecto a las decisiones que
han de adaptarse a corto y largo plazo.
Las decisiones a corto plazo engloban, por ejemplo, la determinación del número de circuitos en un
grupo de enlace, el número de empleados en consolas de conmutación, la cantidad de sendas
abiertas en un supermercado y la atribución de prioridades a trabajos de un sistema informático.
Las decisiones a largo plazo abarcan, por ejemplo, decisiones relativas a la creación y ampliación
de redes de datos y de telecomunicaciones, la adquisición de cables, sistemas de transmisión, etc.
La aplicación de la teoría en relación con la concepción de nuevos sistemas puede ayudar a
comparar distintas soluciones eliminando así las menos acertadas en una fase inicial sin tener que
elaborar prototipos.
1.1 Modelados de sistemas de telecomunicación

Para el análisis de un sistema de telecomunicación, se debe establecer un modelo para describir la
totalidad (o parte) del sistema. Este proceso de modelado es fundamental especialmente para nuevas
aplicaciones de la teoría del telegráfico pues se requiere conocimiento tanto del sistema técnico
como de las herramientas matemáticas y la aplicación del modelo en un medio informático.

- 11 -
Figura 1.1
Los sistemas de telecomunicación son sistemas complejos hombre/máquina. El cometido

de la teoría de teletráfico es el de configurar sistemas óptimos para
conocimiento de las necesidades y hábitos del usuario
Leyendas de la figura 1.1

1) HOMBRE
Estocástica
2) Tráfico
Demandas del usuario
3) MÁQUINA
Determinística
4) Estructura
Soporte físico
5) Estrategia
Soporte lógico
Este modelo contiene tres elementos principales (véase la figura 1.1):
• la estructura del sistema,
• la estrategia operacional, y
• las propiedades estadísticas del tráfico.
1.1.1 Estructura del sistema
Esta parte se determina técnicamente y, en principio, es posible obtener algún nivel de detalles en la
descripción, por ejemplo en el nivel de componente. Los aspectos de viabilidad son estocásticos
pues los errores se producen al azar y estarán considerados como tráfico de alta prioridad. La
estructura del sistema viene dado por el sistema físico o lógico que normalmente se presenta en
manuales. En sistemas de tráfico de caminos, las carreteras, las señales de tránsito, rotondas, etc.,
configuran la estructura.

- 12 -
1.1.2 Estrategia operativa

Un sistema físico determinado (por ejemplo un sistema de tráfico vial que utiliza rotondas de
distribución) se puede utilizar de diferentes maneras para adaptar el sistema de tráfico a la demanda.
En ingeniería vial, se aplica con reglas y estrategias de tránsito que podrían ser distintas para el
tráfico de la mañana y el tráfico de las primeras horas de la noche.
En una computadora, esta adaptación tiene lugar mediante el sistema de operación y por
intervención del operador. En un sistema de telecomunicación las estrategias se aplican a fin de dar
prioridad a las tentativas de llamada con el objeto de encaminar el tráfico a su destino. En centrales
telefónicas con control de programa almacenado (SPC, stored program control), las tareas
asignadas al procesador central se dividen en clases con diferentes prioridades. La prioridad más
elevada se asigna a las llamadas aceptadas seguida de nuevas tentativas de llamada mientras que el
control de rutina del equipo tiene baja prioridad. Los sistemas telefónicos clásicos utilizaban lógica
por conexión alámbrica para introducir estrategias mientras que en los sistemas modernos éstos se
efectúan por soporte lógico, que permiten el empleo de estrategias más flexibles y adaptativas.
1.1.3 Propiedades estadística del tráfico
Las demandas del usuario están modeladas por las propiedades estadísticas del tráfico. Sólo
efectuando mediciones sobre sistemas reales es posible determinar que el modelado teórico está de
acuerdo con la realidad. Este proceso debe ser necesariamente de naturaleza iterativa (véase la
figura 1.2). El modelo matemático se establece a partir de un profundo conocimiento del tráfico. Se
calculan entonces las propiedades del modelo y se las comparan con los datos medidos. Si no están
en conformidad satisfactoria entre sí, se deberá efectuar una nueva iteración del proceso.
Parece natural dividir la descripción de las propiedades de tráfico en procesos estocásticos para la
llegada de tentativas de llamada y procesos que describen tiempos (de ocupación) del servicio. Se
supone normalmente que estos dos procesos son independientes entre sí, lo cual significa que la
duración de una llamada es independiente del tiempo de llegada de la llamada. Existen modelos que
describen el compartimiento del usuario que experimenta bloqueo, es decir, que se lo rechaza el
servicio y puede efectuar una nueva tentativa de llamada un poco más tarde (intentos de llamada
repetidos). En la figura 1.3 se ilustra la terminología aplicada generalmente en la teoría de
teletráfico.

- 13 -
Figura 1.2
La teoría de teletráfico es una disciplina inductiva. Para observaciones de sistemas reales

se establecen modelos teóricos, de los que se derivan parámetros, que pueden ser
comparados con observaciones correspondientes del sistema real. Si están de
acuerdo, el modelo se convalida. En caso contrario, se debe elaborar el
modelo en mayor grado. Este método científico de trabajo
se denomina espiral de experimentación

1) Observación
2) Modelo
3) Deducción
4) Datos
5) Verificación

- 14 -
Figura 1.3
Ilustración de la terminología aplicada para un proceso de tráfico. Nótese la diferencia entre

intervalos de tiempo e instantes de tiempo. Los términos llegada y llamada se utilizan
como sinónimos. El tiempo entre llegadas y el tiempo entre salidas, son los
intervalos de tiempo entre llegadas o salidas, respectivamente

1) Tiempo entre llegadas
2) Ocupado
3) Tiempo de ocupación
4) Tiempo de reposo
5) Reposo
6) Tiempo de llegada
7) Tiempo de salida
8) Tiempo
1.1.4 Modelos
Los requisitos generales de un modelo son:
1) Debe ser posible verificar el modelo sin mayor dificultad, como así también determinar los
parámetros del modelo a partir de los datos observados.
2) Debe ser viable presentar el modelo para dimensionamiento práctico.
Se está buscando una descripción de, por ejemplo, las variaciones observadas en la cantidad de
llamadas establecidas en curso en una central telefónica, que varían incesantemente debido a que las
llamadas son establecidas y terminadas. Aun cuando por hábitos comunes, las variaciones diarias
siguen un diagrama predecible para el comportamiento del abonado, es imposible prever las
tentativas de llamadas individuales o la duración de las llamadas establecidas. En la descripción, es
por tanto necesario métodos estadísticos. Se dice que los eventos de tentativas de llamada tienen
lugar conforme a un proceso estocástico, y el tiempo de llegada entre tentativas de llamada se
describe a través de las distribuciones de probabilidad que caracterizan el proceso estocástico.
Una alternativa al modelo matemático es un modelo de simulación o un modelo físico (prototipo).
En un modelo de simulación de computadora es común utilizar directamente los datos recopilados o

- 15 -
bien utilizar distribuciones estadísticas. Sin embargo, hay más demanda de recursos para trabajar
con simulación pues el modelo de simulación no es general. Cada caso individual debe ser
simulado. La elaboración de un prototipo llevará aún más tiempo que un modelo de simulación.
En general, se prefieren los modelos matemáticos pero a menudo es necesario aplicar simulación
para desarrollar el modelo matemático. A veces se elaboran prototipos para efectuar la prueba final.
1.2 Sistemas telefónicos convencionales

En esta sección se da una breve descripción sobre qué sucede cuando una central telefónica
tradicional recibe una llamada. La descripción se dividirá en tres partes: Estructura, estrategia y
tráfico. Es muy común distinguir entre centrales de abonados (conmutadores de acceso, centrales
locales, (LEX) y centrales de tránsito (TEX)) debido a la estructura jerárquica conforme a la cual se
diseñan la mayoría de las redes telefónicas nacionales. Los abonados se conectan a centrales locales
o a conmutadores de acceso (concentradores) que se conectan a centrales locales. Por último, los
conmutadores de tránsito se utilizan para interconectar centrales locales o para aumentar la
disponibilidad y fiabilidad.
1.2.1 Estructura del sistema
Se examinará aquí una central telefónica del tipo de barras cruzadas. Si bien este tipo se encuentra,
en la actualidad, fuera de servicio una descripción de su funcionamiento permite una buena
ilustración sobre las tareas que son necesarias efectuar en una central digital. El equipo en una
central telefónica convencional comprende trayectos de señales vocales y trayectos de control.
(Véase la figura 1.4.)
Figura 1.4
Estructura fundamental de un sistema de conmutación

1) Trayectos de señales vocales
2) Abonado
3) Etapa de abonado
4) Selector de grupo

- 16 -
5) Conjuntor
6) Procesador
7) Trayectos de control
8) Registrador
Los trayectos de señales vocales están ocupados durante el tiempo total de la llamada (3 minutos de
promedio) mientras que los trayectos de control sólo están ocupados durante la fase de
establecimiento de la llamada (entre 0,1 a 1 s). El número de trayectos de señales vocales es, por
tanto, considerablemente más grande que el número de trayectos de control. El trayecto de una
señal vocal es una conexión de una determinada entrada (abonado) a una determinada salida. En un
sistema con división en el espacio los trayectos de señal vocal están integrados por componentes
pasivos (como relés, diodos o circuitos VLSI). En un sistema con división en el tiempo los trayectos
de señales vocales se componen de uno o varios segmentos de tiempo específicos dentro de una
trama. Los trayectos de control son responsables del establecimiento de la conexión. Normalmente,
esto sucede en una cantidad de etapas en la que cada una de ellas es llevada a cabo por un
dispositivo de control: un microprocesador, o un registrador.
Las tareas del dispositivo de control son las siguientes:
• Identificación del abonado originante (quien desea efectuar una conexión (acceso de
entrada)).
• Recepción de la información digital (dirección, acceso de salida).
• Búsqueda de una conexión en estado de reposo entre los accesos de entrada y de salida.
• Establecimiento de la conexión.
• Liberación de la conexión (efectuada a veces por el propio trayecto de la señal vocal).
Asimismo, se debe tener en cuenta la tarificación de las llamadas. En centrales convencionales el
trayecto de control se establece sobre relés o dispositivos electrónicos y las operaciones lógicas
vienen dadas por un dispositivo lógico cableado. Las modificaciones en las funciones requieren
cambios físicos que son difíciles y costosos.
En centrales digitales los dispositivos de control son procesadores. Las funciones lógicas se llevan a
cabo mediante programas, y las modificaciones se consideran más sencillas de aplicar. Las
restricciones están mucho menos limitadas, así como la complejidad de las operaciones lógicas
comparadas con la lógica cableada. Las centrales controladas por soporte lógico también se
denominan sistemas con control de programa almacenado (SPC, stored program control).
1.2.2 Comportamiento del usuario
Considérese un sistema telefónico convencional. Cuando el abonado A inicia una llamada el gancho
conmutador se levanta y el par de hilos del abonado se pone en cortocircuito. Esta operación activa
un relé en la central. El relé identifica al abonado y un microprocesador en el circuito de abonado
elige un cordón sin conexión. El abonado y el conductor se conectan a través de un circuito
conmutador. Esta terminología se originó en el tiempo en el que un operador manual por medio de
un cordón se conectaba con el abonado. El operador manual corresponde al registrador. El cordón
tiene tres salidas.
El registrador se acopla al cordón a través de otro circuito conmutador. Por tanto, el abonado se
conecta al registrador (selector de registro) a través del cordón. Esta fase tiene efecto en menos de
un segundo.

- 17 -
El registrador envía al abonado el tono de invitación a marcar, quien marca el número de teléfono
deseado del abonado B, el cual es recibido y mantenido por el registrador. La duración de esta fase
depende del abonado.
Un microprocesador analiza la información de cifras y por medio de un selector de grupo establece
una conexión con el abonado deseado, que puede pertenecer a la misma central, a una central vecina
o a una central remota. Por otra parte, es común distinguir entre centrales con las que existe enlace
directo, y aquéllas que no lo tienen. En este último caso debe haber una conexión a través de una
central en un nivel superior de jerarquía. La información de cifras se entrega por medio de un
transmisor codificado a un receptor codificado de la central deseada que transmite entonces la
información a los registradores de la central.
El registrador ha cumplido entonces su cometido y se libera de modo tal que queda en reposo para
otras tentativas de llamada. Los microprocesadores trabajan muy rápido (alrededor de 1 - 10 ms) e
independientes de los abonados. El cordón está ocupado durante la totalidad de la llamada y se hace
cargo del control de la llamada cuando el registrador se libera. Se ocupa de, por ejemplo, diferentes
tipos de señales (ocupado, referencia, etc.), impulsos para tarificación, y liberación de la conexión
cuando la llamada se suprime.
Puede suceder que una llamada no pasa como está previsto. El abonado puede efectuar un error,
colgar repentinamente, etc. Asimismo, existen límites de capacidad en el sistema. Esto se tratará en
el Capítulo 2. Las tentativas de llamada hacia un abonado tienen lugar aproximadamente de la
misma manera. Un receptor codificado en la central del abonado B recibe las cifras y se establece
una conexión a través del circuito de conmutación de grupo y al circuito de conmutación local a
través del abonado B con utilización de los registradores de la central receptora.
1.2.3 Estrategia de la operación
El trayecto de las señales vocales funciona normalmente como sistemas de pérdidas mientras que el
trayecto de control funciona como sistemas de espera (véase el Capítulo 2).
Si no hay cordón disponible ni registrador en reposo el abonado no tendrá tono de marcación sin
importar cuánto tiempo se encuentra a la espera. Si la central no tiene salida disponible para el
abonado B deseado, se emitirá un tono de ocupado al abonado A llamante. Independientemente de
cualquier espera adicional no se establecerá ninguna conexión.
Si un microprocesador (o todos los microprocesadores de un tipo específico cuando haya varios)
está ocupado, la llamada esperará entonces hasta que el microprocesador esté desocupado. Debido
al tiempo de retención muy corto el tiempo de espera es a menudo tan breve que los abonados no lo
notan. Si varios abonados se encuentran esperando el mismo microprocesador, obtendrán
normalmente el servicio en ordenamiento aleatorio independiente del tiempo de llegada.
El modo por el cual los dispositivos de control del mismo tipo y los cordones comparten el trabajo
es a menudo cíclico, tal que presentan aproximadamente el mismo número de tentativas de llamada.
Esto constituye una ventaja pues asegura la misma cantidad de uso y en razón que el abonado muy
raramente tendrá otra vez un trayecto de control o cordón con defectos si la tentativa de llamada se
repite.
Si un trayecto de control está ocupado durante más de un tiempo determinado, se efectuará una
desconexión forzada de la llamada. Esto hace imposible que una simple llamada bloquee partes
vitales de la central, como por ejemplo un registrador. Asimismo, sólo es posible generar durante un
tiempo limitado el tono de llamada al abonado B y con ello bloquear momentáneamente este
teléfono en cada tentativa de llamada. Una central debe funcionar y operar independientemente del
comportamiento del abonado.

- 18 -
La cooperación entre las diferentes partes tiene lugar conforme a reglas estrictas y bien definidas,
denominadas protocolos, que en sistemas convencionales se determina por la lógica de conexiones
y en sistemas de control de soporte lógico por lógicas de programas.
Los sistemas digitales (por ejemplo, la RDSI = Red digital de servicios integrados), en el que el
sistema telefónico completo está digitalizado de abonado a abonado (2 · B + D = 2 × 64 + 16 kbit/s
por abonado), (RDSI-BE = RDSI de banda estrecha) por supuesto funciona diferentemente que los
sistemas convencionales descritos anteriormente. Sin embargo, las herramientas fundamentales de
teletráfico para la evaluación son las mismas en ambos sistemas. Lo mismo también abarca los
futuros sistemas de banda ancha (RDSI-BA) que estarán basados en el modo de transferencia
asíncrono (ATM).
1.3 Redes de comunicación

Existen diferentes clases de redes de comunicaciones: redes telefónicas, redes de télex, redes de
datos, Internet, etc. Actualmente la red telefónica sigue siendo la más extendida y a menudo otras
redes están integradas físicamente en la red telefónica. En futuras redes digitales se planifica
integrar una numerosa cantidad de servicios en la misma red (RDSI, RDSI-BA).
1.3.1 Red telefónica
La red telefónica ha sido tradicionalmente construida como un sistema jerárquico. Cada abonado se
conecta a un preselector o a veces a una central local (LEX). Esta parte de la red se denomina red
de acceso. El preselector de abonado se conecta a una central local principal específica que a su vez
se conecta a una central de tránsito (TEX) en la cual hay normalmente una, como mínimo, para
cada código de área. Las centrales de tránsito están normalmente conectadas en una estructura
poligonal (véase la figura 1.5). Las conexiones entre las centrales de tránsito conforman una red de
tránsito jerárquica. Existen otras conexiones entre dos centrales locales (o preselectores de
abonado) que pertenecen a diferentes centrales de tránsito (centrales locales) si la demanda de
tráfico es suficiente para justificarla.
Figura 1.5
Existen tres estructuras de redes básicas: poligonal, en estrella y en anillo. Las redes
poligonales se aplican cuando hay algunas centrales grandes (parte superior de la jerarquía,
también denominadas redes en malla), mientras que las redes en estrella son adecuadas
cuando hay numerosas centrales pequeñas (parte inferior de la jerarquía). Las redes en anillo
se aplican, por ejemplo, en sistemas de fibra óptica

1) Red poligonal

- 19 -
2) Red en estrella
3) Red en anillo
Una conexión entre dos abonados en diferentes zonas de tránsito pasará normalmente por las
siguientes centrales:
USUARIO → LEX → TEX → TEX → LEX → USUARIO
Los grupos de enlace de tránsito individuales se basan en sistemas de transmisión analógicas o
digitales, y, a menudo, se utilizan equipos de multiplexación.
Doce canales analógicos de 3 kHz cada uno conforman un sistema de frecuencia portadora de
primer orden (múltiplex en frecuencia), mientras que 32 canales digitales de 64 kbit/s cada uno
integran un sistema MIC de primer orden de 2,048 Mbit/s. (Múltiplex por impulsos codificados,
múltiplex en el tiempo.)
La anchura de 64 kbit/s se obtiene de una muestra de la señal analógica a una velocidad de 8 kHz y
una exactitud de amplitud de 8 bits. Dos de los 32 canales en un sistema MIC se utilizan para
señalización y control.
Figura 1.6
En una red de telecomunicación todas las centrales se disponen típicamente en una jerarquía
de tres niveles. Las centrales locales o centrales de abonado (L), a las que los usuarios se
conectan, están vinculados con centrales principales (T), que a su vez se conectan a
centrales interurbanas (I). Una zona interurbana integra así una red en estrella.
Las centrales interurbanas se interconectan en una red poligonal. En la práctica
las dos estructuras de red están mezcladas, pues cuando hay suficiente tráfico
se establecen grupos de enlace directos entre dos centrales cualesquiera.
En la red danesa futura sólo habrá dos niveles, pues
las centrales T e I se fusionarán
Por razones de seguridad y viabilidad se dispondrá casi siempre de dos trayectos no consecutivos
mínimo entre dos centrales cualesquiera y la estrategia será utilizar primero las conexiones más
económicas. La jerarquía en la red digital danesa se reduce a sólo dos niveles. El nivel superior con
centrales de tránsito comprende una red poligonal totalmente conectada mientras que las centrales
locales y los preselectores de abonados se conectan a tres centrales de tránsito diferentes por
razones de seguridad y viabilidad.

- 20 -
La red telefónica se caracteriza por el hecho de que antes que dos abonados cualesquiera se puedan
comunicar, se debe crear un vínculo bilateral completo (dúplex completo), y que la conexión exista
durante el tiempo total de la comunicación. Esta propiedad se conoce como red telefónica con
conexión en contraste con, por ejemplo Internet que es sin conexión. Cualquier red que presenta,
por ejemplo, conmutación de líneas o conmutación de circuitos es con conexión. En la disciplina de
planificación de red, el objetivo es optimizar las estructuras de red y el encaminamiento del tráfico
conforme a las demandas del mismo, los requisitos de viabilidad y servicio, etc.
Ejemplo 1.3.1: Las redes VSAT (Maral, 1995 [77])
Las redes VSAT (Maral, 1995 [77]) es utilizada por ejemplo por organizaciones multinacionales
para la transmisión de señales vocales y datos entre diferentes divisiones de noticias de
radiodifusión, en situaciones de catástrofe, etc. Estas pueden ser conexiones punto a punto o
conexiones de punto a multipunto (distribución y difusión). El terminal de muy pequeña abertura
(VSAT, very small aperture terminal) (estación terrena) es una antena con un diámetro de 1,6
a 1,8 metros. El terminal es económico y portátil. Es así posible prescindir de la red telefónica
pública. Debido a condiciones reglamentarias restrictivas, esta tecnología tiene hasta el momento
una difusión muy limitada en toda Europa. Las señales se transmiten desde un terminal VSAT a
otro terminal VSAT a través de un satélite. El satélite está en una posición fija a 35 786 km sobre el
ecuador y, por tanto, las señales experimentan un retardo de propagación de unos 125 ms por salto.
La anchura de banda disponible se divide por lo general en canales de 64 kbit/s, y las conexiones
pueden ser unidireccionales o bidireccionales.
En su versión más simple, todos los terminales transmiten directamente a los otros, y el resultado es
una red global en malla. La anchura de banda disponible se puede asignar de antemano (asignación
fija) o en forma dinámica (asignación por demanda). La asignación dinámica permite mejor
utilización pero requiere mayor control.
Debido a la pequeña parábola (antena) y a la atenuación típica de unos 200 dB en cada sentido, es
prácticamente imposible evitar el error de transmisión, por lo que se utilizan códigos de corrección
de errores y esquemas de retransmisión posibles. Un sistema más fiable se obtiene mediante la
introducción de un terminal principal (concentración de llamadas) con una antena de 4 a 11 metros
de diámetro. La comunicación tiene lugar a través del terminal principal. Luego, ambos saltos
(VSAT → terminal principal y terminal principal → VSAT) se tornan más fiables pues el terminal
principal puede recibir las señales débiles y amplificarlas de modo que el VSAT en recepción
obtiene una señal más fuerte. El inconveniente de este procedimiento es que el retardo de
propagación es ahora de 500 ms. La solución del terminal principal permite también centralizar el
control y supervisión del sistema. En razón que toda la comunicación pasa a través del terminal
principal, la estructura de red constituye una topología en estrella.
1.3.2 Redes de datos
La red de datos se diseña conforme al mismo principio excepto que la duración de la fase de
establecimiento de la conexión es más breve. Otra clase de red de datos viene dada en las
denominadas redes de distribución de paquetes, que funcionan conforme al principio de
almacenamiento y retransmisión (véase la figura 1.7). Los datos que han de ser transmitidos no se
enviarán directamente del transmisor al receptor sino que efectuará por pasos de central a central.
Esto puede crear demoras pues las centrales que son computadoras funcionan como sistemas de
retardo (transmisión sin conexión).
Si el paquete tiene una longitud fija máxima, la red tiene la indicación conmutación de paquetes
(por ejemplo, protocolo X.25). En X.25 un mensaje se divide en un número de paquetes que no
necesariamente sigue el mismo trayecto a través de la red. El encabezamiento de protocolo del
paquete contiene un número de secuencias tal que los paquetes se pueden disponer en correcto

- 21 -
orden en el receptor. Asimismo, se utilizan códigos de corrección de errores y se verifica la

corrección de cada paquete en el receptor. Si el paquete es correcto se devuelve un acuse de recibo
al nodo precedente, el cual, en ese momento, puede suprimir su copia del paquete. Si el nodo
precedente no recibe un acuse de recibo en un intervalo de tiempo determinado, se retransmite una
nueva copia del paquete (o de un conjunto completo de paquetes). Por último, hay un control
completo de todo el mensaje de transmisor a receptor. De esta manera se obtiene una transmisión
muy fiable. Si el mensaje completo se envía en un solo paquete, se denomina conmutación de
mensajes.
Figura 1.7
Red datagrama: Principio de almacenamiento y retransmisión para una red

de datos con conmutación de paquetes
Leyenda de la figura 1.7

1) NODO CENTRAL
En razón que las centrales en una red de datos son computadoras, es viable introducir estrategias
avanzadas para el encaminamiento del tráfico.
1.3.3 Redes de área local
Las redes de área local (LAN, local area network) son un tipo muy especial e importante de redes
de datos en el que todos los usuarios de un sistema informático están vinculados al mismo sistema
de transmisión digital, por ejemplo un cable coaxial. Por lo general, sólo un usuario por vez puede
utilizar el medio de transmisión y obtener algunos datos transmitidos a otro usuario. Como el
sistema de transmisión tiene una capacidad amplia comparada con la demanda de los usuarios, cada
uno de ellos tiene la sensación de ser el único usuario del sistema. Existen diversas clases de redes
de área local. Con la aplicación de estrategias adecuadas para el principio de control de acceso al

- 22 -
medio se tiene en cuenta la asignación de capacidad en el caso de muchos usuarios que compiten
por la transmisión. Existen dos tipos principales de redes de área local: la red de acceso múltiple en
sentido portador/detección de colisión (CSMA/CD, carrier sense multiple access/collision
detection) (Ethernet) y las redes testigo. La red CSMA/CD es una de las más ampliamente
utilizadas. Todos los terminales están haciendo escucha permanente al medio de transmisión y
tienen conocimiento cuando está libre y cuando está ocupado. Al mismo tiempo, un terminal puede
ver qué paquetes están dirigidos a su propio terminal y necesitan, por tanto, ser almacenados. Un
terminal que desea transmitir un paquete lo hará si el medio está desocupado. Si el medio estuviera
ocupado el terminal espera un tiempo aleatorio antes de efectuar un nuevo intento. Debido a la
velocidad de propagación finita es posible que dos (o aún más) terminales inicien la transmisión
dentro de un intervalo breve, de modo tal que dos o más mensajes pueden chocar en el medio de
transmisión. Este fenómeno se conoce como colisión. Teniendo en cuenta que los terminales están
haciendo escucha en todo momento, pueden detectar inmediatamente que la información
transmitida es diferente de la recibida y deducir que se ha producido una colisión. Los terminales
que intervienen detienen inmediatamente la transmisión y efectuarán más tarde un nuevo intento en
un intervalo aleatorio.
En una red de área local del tipo testigo, sólo podrá transmitir información el terminal que en ese
momento posea el testigo. El testigo estará rotando entre los terminales conforme a reglas
predefinidas.
Las redes de área local también funcionan con técnicas basadas en ATM (modo de transferencia
asíncrono). Asimismo, las LAN inalámbricas se están convirtiendo en sistemas de uso común. Las
condiciones de propagación en redes de zona local no son importantes debido a las pequeñas
distancias geográficas entre los usuarios. En una red de datos de satélite, por ejemplo, el retardo de
propagación es grande comparado con la longitud de los mensajes y en esas aplicaciones se utilizan
otras estrategias que las empleadas en redes de zona local.
1.4 Sistemas de comunicación móviles

En estos últimos años se ha visto una enorme expansión de los sistemas de comunicación móviles
cuyos medios de transmisión son canales radioeléctricos (inalámbricos) analógicos o digitales en
contraste con los sistemas de cable convencionales. El espectro de frecuencias electromagnéticas se
divide en diversas bandas reservadas para fines específicos. Para comunicaciones móviles se asigna
un subconjunto de esas bandas. Cada banda corresponde a un número limitado de canales
radiotelefónicos, y es aquí donde surge el recurso limitado en los sistemas de comunicación
móviles. La utilización óptima de este recurso es un aspecto esencial en la tecnología celular. En los
puntos siguientes se describe un sistema representativo.
1.4.1 Sistemas celulares
Estructura. Cuando una determinada zona geográfica ha de ser cubierta con telefonía móvil, se debe
instalar en ella una adecuada cantidad de estaciones de base. Una estación de base está constituida
por una antena y un equipo transmisor/receptor o un enlace radioeléctrico con una central telefónica
móvil (MTX), que es parte de la red telefónica tradicional. Una central telefónica móvil es común a
todas las estaciones de base en una determinada zona de tráfico. Las ondas radioeléctricas se
amortiguan cuando se propagan en la atmósfera y, por tanto, una estación de base sólo puede cubrir
una zona geográfica limitada que se denomina célula (no se debe confundir con las células ATM).
Mediante la transmisión de las ondas radioeléctricas con una potencia adecuada es posible adaptar
la zona de cobertura de modo tal que todas estaciones de base cubran exactamente la zona de tráfico
planificada sin demasiada superposición entre estaciones vecinas. No es posible utilizar la misma
frecuencia radioeléctrica en dos estaciones de base vecinas pero si en dos estaciones de base sin una
frontera común, permitiendo entonces la reutilización de canales.

- 23 -
Figura 1.8
Sistema de comunicación móvil celular. Dividiendo las frecuencias en 3 grupos

(A, B y C) se pueden reutilizar los canales como se muestra en la figura
En la figura 1.8 se muestra un ejemplo. Se puede disponer de un determinado número de canales

por célula conforme al volumen de tráfico dado. La dimensión de la célula depende del volumen de
tráfico. En zonas densamente pobladas como grandes ciudades, las células serán pequeñas mientras
que en zonas escasamente pobladas las células serán grandes.
La atribución de canales es un problema muy difícil. Además de las restricciones indicadas
anteriormente existen también otras. Por ejemplo, debe haber cierta distancia entre los canales en la
misma estación de base (restricción de canal vecino) y hay otras limitaciones para evitar
interferencia.
Estrategia. En sistemas de telefonía móvil debe existir una base de datos con información relativa a
todos los abonados. Cualquier abonado puede tener un papel activo o pasivo en el circuito según
esté encendido o apagado su radioteléfono. Cuando el abonado enciende el radioteléfono, se le
asigna automáticamente un canal de control y se produce su identificación. El canal de control es
una canal radioeléctrico utilizado por la estación de base para fines de verificación. El resto de los
canales son canales de tráfico de usuario.
Una petición de llamada a un abonado móvil (abonado B) se produce de la siguiente manera. La
central telefónica móvil recibe la llamada del otro abonado (abonado A, fijo o móvil). Si el
abonado B tiene su radioteléfono apagado, se informa al abonado A que el abonado B no está
disponible. Si el abonado B tiene el equipo encendido, el número se presenta entonces en todos los
canales de control en la zona de tráfico. El abonado B reconoce su propio número e informa, a
través del canal de control, en qué célula (estación de base) se encuentra. Si hay un canal de usuario
desocupado se asigna y la MTX pasa la llamada.
Una petición de llamada de un abonado móvil (abonado A) se inicia por la operación de
desplazamiento del abonado del canal de control a un canal de tráfico de usuario cuando se
establece la llamada. La primera fase que comprende la lectura de las cifras y la comprobación de
disponibilidad del abonado B es, en algunos casos, establecida por el canal de control (señalización
de canal común).

- 24 -
Un abonado tiene la facultad de poder trasladarse libremente dentro de su propia zona de tráfico.
Cuando se aleja de la estación de base es detectado por la central telefónica móvil (MTX) que
supervisa constantemente la relación señal/ruido y puede trasladar la llamada a otra estación de base
y a otro canal de usuario cuando se requiere mejor calidad. Esta es una cooperación entre la MTX y
el equipo de abonado que se produce automáticamente sin que sea notado por el abonado. Esta
operación se denomina traspaso a transferencia de llamadas, y, por supuesto, requiere la existencia
de un canal de usuario libre en la nueva célula. En razón que es inadecuado tener que interrumpir
una llamada existente, el traspaso de llamadas tiene mayor prioridad que las nuevas. Esta estrategia
se puede efectuar dejando en reserva uno o dos canales desocupados para el traspaso de llamadas.
Cuando un abonado sale de su zona de tráfico se produce la denomina de itinerancia. La MTX en la
nueva zona puede conocer la MTX original a partir de la identidad del abonado. Se envía entonces
un mensaje a la MTX de origen con información sobre la nueva posición. Las llamadas de llegada
al abonado entran siempre a la MTX de origen la que encamina la llamada a la nueva MTX. Las
llamadas salientes serán tratadas de la manera usual.
Un sistema inalámbrico digital difundido es el GSM, que se puede utilizar en toda Europa
Occidental. La Unión Internacional de Telecomunicaciones está elaborando un sistema móvil global
sobre comunicaciones personales universales (UPC, universal personal communication), en el que
los abonados se comunican con cualquier parte del mundo (IMT-2000).
Los sistemas de búsqueda de personas son sistemas primitivos unilaterales. El teléfono digital sin
cordón europeo (DECT, digital european cordless telephone), es una norma para teléfonos
inalámbricos. Se pueden conectar localmente en compañías, centros comerciales, etc. En el futuro,
surgirán equipos que pueden ser aplicados a los sistemas DECT y GSM. El sistema DECT está
constituido por células muy pequeñas mientras que el GSM es un sistema con células más grandes.
Se han diseñado también sistemas de comunicación por satélite en el que la estación de satélite se
comunica con una estación de base. El primer sistema de este tipo fue Iridium que estaba integrado
por 66 satélites de tal modo que siempre había más de un satélite disponible en una determinada
ubicación dentro del alcance geográfico del sistema. Los satélites tienen órbitas de sólo unos pocos
centenares de kilómetros por encima de la Tierra. El sistema Iridium no tuvo éxito, pero surgieron
sistemas más modernos como Inmarsat.
1.5 Recomendaciones de la UIT sobre ingeniería de tráfico

La siguiente sección está basada en el documento (Villen, 2002 [101]). La Unión Internacional de
Telecomunicaciones (UIT) es una organización patrocinada por las Naciones Unidas para promover
las telecomunicaciones internacionales. Tiene tres Sectores básicos:
• el Sector de Normalización de las Telecomunicaciones (UIT-T),
• el Sector de Radiocomunicaciones (UIT-R) y
• el Sector de Desarrollo de las Telecomunicaciones (UIT-D).
La función principal del Sector UIT-T es elaborar normas internacionales para telecomunicaciones.
Estas normas se denominan Recomendaciones. Si bien la tarea original del UIT-T estaba limitada a
facilitar el interfuncionamiento internacional, su alcance ha sido ampliado para incluir redes
nacionales, y las Recomendaciones del UIT-T se emplean ampliamente en la actualidad como
normas nacionales de hecho y como referencias.
El objetivo de la mayoría de las Recomendaciones es asegurar el interfuncionamiento compatible de
los equipos de telecomunicaciones en un entorno multioperacional y de vendedores múltiples.
Asimismo, hay Recomendaciones sobre la buena práctica para la explotación de las redes. En este
grupo están las Recomendaciones sobre ingeniería de tráfico.

- 25 -
El Sector UIT-T está dividido en Comisiones de Estudio. La Comisión de Estudio 2 (CE2) se ocupa
de los aspectos operacionales de la prestación de servicios, redes y calidad de funcionamiento. Cada
Comisión de Estudio se divide en Grupos de Trabajo. El Grupo de Trabajo 3 de la Comisión de
Estudio 2 (GT 3/2) es responsable de la ingeniería de tráfico.
1.5.1 Ingeniería de tráfico en la UIT
Si bien el Grupo de Trabajo 3/2 tiene la responsabilidad global de la ingeniería de tráfico, algunas
Recomendaciones sobre este tema o relacionados con el mismo fueron elaboradas (o se están
elaborando) por otras Comisiones. La Comisión de Estudio 7 se ocupa de la serie X de
Recomendaciones con ingeniería de tráfico para redes de comunicación de datos, la Comisión de
Estudio 11 ha elaborado algunas Recomendaciones (Serie Q) sobre los aspectos de tráfico
relacionados con el diseño de sistemas de conmutación y señalización digitales, y algunas
Recomendaciones de la Serie I, elaboradas por la Comisión de Estudio 13, tratan sobre aspectos de
tráfico relacionados con la arquitectura de red de la RDSI-BA y RDSI-BE así como de redes
basadas en el protocolo Internet (IP). Dentro de la Comisión de Estudio 2, el Grupo de Trabajo 1 es
responsable de las Recomendaciones sobre encaminamiento y el Grupo de Trabajo 2 de las
Recomendaciones sobre gestión de tráfico de red.
Esta sección se centrará en las Recomendaciones producidas por el Grupo de Trabajo 3/2. Están
comprendidas en la Serie E (numeradas entre E.490 y E.799) y constituyen el cuerpo principal de
las Recomendaciones del UIT-T sobre ingeniería de tráfico.
Estas Recomendaciones se pueden clasificar conforme a las cuatro tareas de ingeniería de tráfico
principales:
• caracterización de la demanda de tráfico;
• objetivos de grado de servicio (GoS);
• controles y dimensionamiento de tráfico;
• supervisión de calidad de funcionamiento.
En la figura 1 se ilustra la interrelación entre esas cuatro tareas. La primera tarea en ingeniería de
tráfico es caracterizar la demanda de tráfico y especificar los objetivos de GoS (o calidad de
funcionamiento). El resultado de esas dos tareas son el elemento de partida para dimensionar los
recursos de red y establecer los controles de tráfico apropiados. Por último, se requiere la
supervisión de la calidad de funcionamiento para verificar si los objetivos de GoS que se han
alcanzado son utilizados como realimentación de todo el proceso.
En los § 1.5.2, 1.5.3, 1.5.4 y 1.5.5 se describirán en detalle las cuatro tareas mencionadas. Cada
sección proporciona un panorama general de la tarea y resume las Recomendaciones conexas. En el
§ 1.5.6 se hace un resumen de algunas otras Recomendaciones, en el § 1.5.7 se describe el programa
de trabajo actual y en el § 1.5.8 se formulan algunas conclusiones.
1.5.2 Caracterización de la demanda de tráfico
La caracterización de tráfico se efectúa por medio de modelos que se aproximan al comportamiento
estadístico de tráfico de red en una gran población de usuarios. Los modelos de tráfico adoptan
hipótesis simplificadas referentes a los procesos de tráfico complicados. Utilizando esos modelos la
demanda de tráfico se caracteriza por un conjunto de parámetros limitado (valor medio, varianza,
índice de dispersión de cuentas, etc.). El modelado de tráfico consiste básicamente en identificar
qué simplificación de hipótesis se pueden efectuar y qué parámetros son pertinentes desde el punto
de vista de las repercusiones de la demanda de tráfico sobre la calidad de funcionamiento de la red.
Las mediciones de tráfico se efectúan para confirmar esos modelos, efectuando las modificaciones
que sean necesarias. No obstante, como no es necesario que los modelos sean modificados

- 26 -
frecuentemente, el propósito más usual de mediciones de tráfico es estimar los valores que toman
los parámetros definidos en los modelos de tráfico en cada segmento de red durante cada periodo de
tiempo.
Como complemento a la modelización del tráfico y mediciones de tráfico, se requiere también la
previsión de tráfico dado que, para fines de planificación y dimensionamiento, no es suficiente
caracterizar la demanda presente de tráfico, sino que es necesario también predecir las demandas de
tráfico para el periodo de tiempo previsto en el proceso de planificación.
Figura 1.9
Tareas de ingeniería de tráfico

1) Caracterización de la demanda de tráfico
2) Objetivos de grado de servicio
3) Modelado de tráfico
4) Medición de tráfico
5) Requisito de QoS

- 27 -
6) Objetivos de GoS de extremo a extremo

7) Previsión de tráfico
8) Asignación a componentes de red
9) Controles de tráfico y dimensionamiento
10) Controles de tráfico
11) Dimensionamiento
12) Supervisión de calidad de funcionamiento
De esta manera, las Recomendaciones de la UIT abarcan estos tres aspectos de caracterización de
tráfico: Modelado de tráfico, mediciones de tráfico y previsión de tráfico.
Modelado de tráfico
Las Recomendaciones sobre modelado de tráfico se enumeran en el Cuadro 1.1. No son
Recomendaciones específicas sobre modelado de tráfico para la red telefónica con conmutación de
circuitos clásica. El único servicio proporcionado por esta red es telefonía. Otros servicios, como
fax, no tienen repercusión importante sobre la demanda de tráfico total. Cada llamada se basa en
una sola conexión simétrica bidireccional punto a punto a 64 kibt/s el tráfico se caracteriza por el
régimen de llamadas y el tiempo medio de ocupación en cada par origen-destino. El proceso de
llegada de la llamada de Poisson (para rutas diferentes) y la distribución exponencial negativa de la
duración de la llamada son las únicas premisas necesarias. Estas hipótesis se explican directamente
en las Recomendaciones sobre direccionamiento.
Cuadro 1. 1 − Recomendaciones sobre modelado de tráfico

Rec. Fecha Título
E.711 10/92 Modelado de la demanda de los usuarios
E.712 10/92 Modelado del tráfico del plano de usuario
E.713 10/92 Modelado del tráfico del plano de control
E.716 10/96 Modelado de la demanda de usuario en la RDSI-BA
E.760 03/00 Modelado de tráfico de movilidad de los terminales
En la RDSI-BA y RDSI-BE así como en la red basada en el IP el problema es mucho más complejo.
Hay una gran variedad de servicios, cada uno de los cuales con diferentes características, distintos
diagramas de llamada y diferentes requisitos de QoS. Las Recomendaciones E.711 y E.716
explican cómo se debe caracterizar una llamada, en la RDSI-BE y RDSI-BA, por un conjunto de
características de conexión (o atributos de llamada) y por un diagrama de llamada.
Las características de conexión son, por ejemplo, las siguientes: modo de transferencia de la
información (conmutación de circuitos o conmutación de paquetes), configuración de la
comunicación (punto a punto, multipunto, difusión), régimen de transferencia, simetría
(unidireccional, bidireccional simétrica o bidireccional asimétrica), requisitos de QoS, etc.
El diagrama de llamada se define en términos de la secuencia de eventos ocurridos en la llamada y
en los tiempos entre esos eventos. Se describe por un conjunto de variables de tráfico, que se
expresan como variables estadísticas, es decir, como momentos o cuantiles de distribuciones de
variables aleatorias que indican la cantidad de eventos o tiempos entre eventos. Las variables de

- 28 -
tráfico se pueden clasificar en variables de tráfico de nivel de llamada (o nivel de conexión) y

variables de tráfico de nivel de paquete (o nivel de transacción o, en ATM, nivel de célula).
Las variables de tráfico de nivel de llamada se relacionan con los eventos que ocurren durante el
establecimiento de la llamada y la fase de liberación. Se pueden dar como ejemplo el número medio
de nuevas tentativas de llamada si la comunicación no se estableció, y el tiempo medio de retención
de llamada.
Las variables de tráfico de nivel de paquete se relacionan con eventos que ocurren durante la fase de
transferencia de la información y describen el proceso de llegada del paquete y la longitud del
mismo. La Recomendación E.716 describe una serie de métodos para definir las variables de tráfico
de nivel de paquete.
Una vez que cada tipo de llamada haya sido modelada, se caracteriza la demanda del usuario
conforme a las Recomendaciones E.711 y E.716, mediante el proceso de llegada de las llamadas de
cada tipo. Basada en la caracterización de la demanda de usuario efectuada en las Recomendaciones
E.711 y E.716, las Recomendaciones E.712 y E.713 explican cómo modelar el tráfico ofrecido a
un grupo de recursos en el plano de usuario y en el plano de control, respectivamente.
Por último, la Recomendación E.760 se ocupa del problema del modelado de tráfico en redes
móviles donde no sólo la demanda de tráfico por usuario es aleatoria sino también el número de
usuarios que está servido en cada momento por una estación de base o por una central local. La
Recomendación proporciona métodos para estimar la demanda de tráfico en la zona de cobertura de
cada estación de base y modelos de movilidad para estimar el traspaso de llamadas y la rapidez de
actualización de las ubicaciones.
Mediciones de tráfico
Las Recomendaciones sobre mediciones de tráfico se enumeran en el cuadro 1.2. Como se indica en
el mismo, muchas Recomendaciones se ocupan de las mediciones de tráfico y de calidad de
funcionamiento. Estas Recomendaciones se pueden clasificar en aquéllas que tratan aspectos
generales y operacionales (E.490, E.491, E.502 y E.503), las que se ocupan de aspectos técnicos
(E.500 y E.501) y las que incluyen los requisitos de medición para redes específicas (E.502, E.505
y E.745). La Recomendación E.743 está relacionada con estas últimas, en particular con la
Recomendación E.505.
Se examinarán en primer lugar las Recomendaciones sobre aspectos generales y de funcionamiento.
La Recomendación E.490 es una introducción a la serie sobre mediciones de tráfico y de calidad
de funcionamiento. Incluye una visión general de todas esas Recomendaciones y explica la
utilización de mediciones para corto plazo (acciones de gestión de tráfico de red), plazo medio
(mantenimiento y reconfiguración) y largo plazo (ampliaciones de la red).
La Recomendación E.491 destaca la utilidad de las medidas de tráfico por destino para fines de
planificación de la red y describe dos métodos complementarios para obtenerlas: registro detallado
de llamadas y mediciones directas.
La Recomendación E.504 describe los procedimientos operativos necesarios para efectuar
mediciones: tareas que efectuará el operador (por ejemplo, definir el encaminamiento de salida y la
programación de los resultados medidos) y las funciones que proporcionará el sistema que soporta
la interfaz hombre-máquina.
Una vez que las mediciones se hayan realizado tendrán que ser analizadas. La
Recomendación E.503 presenta un panorama general de la posible aplicación de las mediciones y
describe los procedimientos operacionales necesarios para el análisis.

- 29 -
Referente a las Recomendaciones E.500 y E.501 sobre aspectos técnicos generales se señala que la
Recomendación E.500 establece los principios de medida de la intensidad de tráfico. El concepto
tradicional de hora cargada, que fue utilizado en redes telefónicas, no se puede extender a las redes
modernas multiservicios. Así, la Recomendación E.500 proporciona los criterios para seleccionar la
longitud y el periodo de lectura para cada aplicación. Estos criterios se pueden resumir como sigue:
Cuadro 1.2 − Recomendaciones sobre mediciones de tráfico. Las Recomendaciones

marcadas * incluyen mediciones de tráfico y de calidad de funcionamiento
Rec. Fecha Título
E.490* 06/92 Medidas y evaluación del tráfico - Examen general
E.491 05/97 Medidas de tráfico por destino
E.500 11/98 Principios de medida de la intensidad de tráfico
E.501 05/97 Estimación del tráfico ofrecido en la red
E.502* 02/01 Requisitos de las medidas de tráfico para las centrales digitales de
telecomunicación
E.503* 06/92 Análisis de datos de las medidas de tráfico
E.504* 11/88 Administración de las medidas de tráfico
E.505* 06/92 Medidas de la calidad de funcionamiento de la red de señalización por
canal común
E.743 04/95 Medidas de tráfico para el dimensionamiento y la planificación del sistema
de señalización Nº 7
E.745* 03/00 Requisitos de las mediciones en el nivel de célula para la red digital de
servicios integrados de banda ancha
a) Ser lo suficientemente grande para obtener mediciones confiables: la intensidad media de

tráfico en un periodo (t1, t2) se puede considerar una variable aleatoria con el valor esperado
A. La intensidad de tráfico medida A (t1, t2) es una muestra de esta variable aleatoria. En la
medida que (t2 − t1) aumenta, A(t1, t2) converge a A. Así, la longitud del periodo de
lectura t2 − t1 debe ser suficientemente grande de modo tal que A(t1, t2) esté situada dentro
de un intervalo de confianza estrecho respecto a A. Otra razón para escoger periodos de
lectura extensos es que puede no ser útil para recursos dimensionales en intervalos de cresta
de tráfico muy breves.
b) Ser lo suficientemente breve de modo tal que el proceso de intensidad de tráfico sea
aproximadamente estacionario durante el periodo, es decir que el proceso de intensidad de
tráfico real se puede aproximar a un modelo de intensidad de tráfico estacionario. Cabe
señalar que en el caso de tráfico en ráfagas si se utiliza un modelo de tráfico simple (por
ejemplo Poisson), el criterio (b) puede conducir a un periodo de lectura excesivamente
corto incompatible con el criterio (a). En estos casos se deben utilizar modelos alternativos
que permitan periodos de lectura más largos.
La Recomendación E.500 indica también cómo obtener la intensidad diaria de la cresta de tráfico
sobre los periodos de lectura medidos, proporciona el método para calcular las intensidades de
tráfico de carga normal y de carga elevada para cada mes y, en base a ellas los valores
representativos anuales para cargas normales y elevadas.
Teniendo en cuenta que el tráfico ofrecido es el que se requiere para dimensionamiento y que el
tráfico transportado es el que se obtiene mediante mediciones, la Recomendación E.501

- 30 -
proporciona los métodos para estimar el tráfico ofrecido para un grupo de circuitos y la demanda de
tráfico de origen-destino basado en mediciones de grupo de circuitos. Para el tráfico ofrecido a un
grupo de circuitos, la Recomendación contempla que éstos sean de trayecto único, así como que
pertenezcan a una disposición de grupo de circuitos de explotación intensa/final. En la estimación
se tiene en cuenta el fenómeno de tentativas de llamada repetidas. Si bien en la Recomendación sólo
se refiere a redes de conmutación de circuitos con conexiones de régimen única, algunos de los
métodos proporcionados se pueden extender a otros tipos de redes. Aunque el problema puede ser
mucho más complejo en redes de servicios múltiples, las centrales modernas proporcionan, además
de grupos de circuitos, mediciones de tráfico (como el número de tentativas de llamadas total,
bloqueadas, completas y satisfactorias por servicio y por par origen-destino) que pueden ayudar a
estimar el tráfico ofrecido.
El tercer grupo de Recomendaciones sobre mediciones está formado por las Recomendaciones
E.502, E.505 y E.745 que especifican los requisitos de mediciones de tráfico y de calidad de
funcionamiento en centrales de la RTPC y RDSI-BE (E.502), centrales de la RDSI-BA (E.745) y
nodos de redes de señalización de canal común del SS Nº 7 (E.505).
Por último, la Recomendación E.743 es complementaria de la Recomendación E.505 en la misma
se identifica el subconjunto de las mediciones especificadas en la Recomendación E.505 que son
útiles para el dimensionamiento y planificación del SS Nº 7, y explica cómo obtener la entrada
requerida para esos fines mediante las mediciones efectuadas.
Previsión del tráfico
La previsión del tráfico es necesaria para los estudios estratégicos como, por ejemplo, decidir sobre
la introducción de un nuevo servicio, así como para la planificación de la red, es decir, para la
planificación del equipo y la provisión del circuito y de las inversiones de la planta. Las
Recomendaciones sobre previsiones del tráfico se enumeran en el cuadro 1.3. Si bien el título de las
dos primeras de ellas se refieren al tráfico internacional, también se aplica al tráfico dentro de las
fronteras de un país.
Las Recomendaciones E.506 y E.507 tratan de la previsión de los servicios tradicionales para los
cuales hay datos históricos. La Recomendación E.506 formula directrices sobre los requisitos
previos para la previsión: datos de base, no sólo datos de tráfico y de llamadas sino también datos
económicos, sociales y demográficos que son de vital importancia. Como la serie de datos puede ser
incompleta, se recomiendan estrategias para tratar los datos faltantes. Se presentan diversos
métodos de predicción: métodos directos, basados en el tráfico medido en el periodo de referencia,
frente a métodos compuestos basados en actas de contabilidad, y procedimientos descendentes
frente a procedimientos ascendentes.
La Recomendación E.507 proporciona una visión general de las técnicas matemáticas existentes
para la previsión: modelos de ajuste de curvas, modelos de auto-regresión, auto-regresión integrada
con media móvil (ARIMA), modelos de espacio de estado con filtro Kalman, modelos de regresión
y modelos econométricos. Asimismo, describe métodos para la evaluación de los modelos de
previsión y para la elección del más apropiado en cada caso, que depende de los datos disponibles,
la longitud del periodo de previsión, etc.

- 31 -
Cuadro 1.3 − Recomendaciones sobre previsión de tráfico

Rec. Fecha Título
E.506 06/92 Previsiones del tráfico internacional
E.507 11/88 Modelos para la previsión del tráfico internacional
E.508 10/92 Previsiones para nuevos servicios de telecomunicación
La Recomendación E.508 se ocupa de la previsión de nuevos servicios de telecomunicación de los

cuales no hay datos históricos. Se describen técnicas tales como investigación de mercado, opinión
de expertos y econometría sectorial. Asimismo, aconseja cómo combinar las previsiones obtenidas
de diversas técnicas, cómo verificar las previsiones y cómo ajustarlas cuando se inicia la aplicación
del servicio y se efectúan las primeras mediciones.
1.5.3 Objetivos de grado de servicio
El grado de servicio (GoS) se define en las Recomendaciones E.600 y E.720 como un número de
parámetros de ingeniería de tráfico para proporcionar una medida de suficiencia de la planta bajo
condiciones especificadas; estos parámetros de GoS se pueden expresar como probabilidad de
bloqueo, probabilidad de retardo, etc. El bloqueo y el retardo se producen en razón que la capacidad
de tratamiento de tráfico de una red o de un componente de red es finito y la demanda de tráfico es
estocástica por naturaleza.
El GoS es la parte conexa de tráfico de calidad de funcionamiento de la red (NP, network
performance) definido como la capacidad de una red o parte de una red para proporcionar las
funciones conexas a comunicaciones entre usuarios. La calidad de funcionamiento de la red no sólo
comprende el GoS (denominado también calidad de funcionamiento de la capacidad de tráfico) sino
también otros aspectos relacionados con el tráfico como seguridad de servicio, calidad de
funcionamiento de transmisión y tasación.
Los objetivos de la NP y, en particular, los objetivos del GoS, se derivan de los requisitos de calidad
de servicio (QoS), como se indica en la figura 1.9. La calidad de servicio es un conjunto de
características que determinan el grado de satisfacción del usuario de un servicio. Los parámetros
QoS están orientados al usuario y se describen en términos independientes de la red. Los parámetros
NP, derivados de ellos, están orientados a la red, es decir utilizable en la especificación de los
requisitos de calidad de funcionamiento para redes particulares pero, si bien determinan finalmente
la QoS (observada por el usuario) no describen necesariamente la calidad en modo significativo
para los usuarios.
Los requisitos de QoS determinan los objetivos de GoS de extremo a extremo. A partir de los
objetivos de extremo a extremo, una división proporciona los objetivos de GoS para cada etapa o
componente de la red. Esta división depende de la estrategia del operador de la red. Así, la
Recomendaciones de la UIT sólo especifican la división y asignación de los objetivos de GoS a las
distintas redes que pueden tener que cooperar para establecer una llamada (por ejemplo, red
nacional de origen, red internacional y red nacional de terminación en una llamada internacional).
Para obtener una visión general de la red en estudio y para facilitar la segmentación del GoS, las
Recomendaciones de la UIT proporcionan las denominadas conexiones de referencia. Una conexión
de referencia está constituida por uno o más diagramas simplificados del trayecto que una llamada
(o conexión) pueda tener en la red, incluidos los puntos de referencia apropiados donde se definen
las interfaces entre entidades. En algunos casos un punto de referencia define una interfaz entre dos
operadores. Las Recomendaciones dedicadas a proporcionar conexiones de referencia se enumeran
en el cuadro 1.4. La Recomendación E.701 proporciona conexiones de referencia para

- 32 -
la RDSI-BE, la Recomendación E.751 para redes móviles terrestres, la Recomendación E.752

para sistemas marítimos y aeronáuticos, la Recomendación E.755 para servicios UPT, y la
Recomendación E.651 para redes basadas en el IP. En esta última, se proporcionan conexiones de
referencia generales para las conexiones de extremo a extremo y más detalladas para la red de
acceso en el caso de sistemas híbridos de fibra óptica/cable coaxial (HFC). A título de ejemplo, en
la figura 1.10 (tomada de la figura 6.2 de la Recomendación E. 651) se presenta la conexión de
referencia para una llamada IP a la RTPC/RDSI o de la RTPC/RDSI a IP.
Cuadro 1.4 − Recomendaciones sobre conexiones de referencia

Rec. Fecha Título
E.701 10/92 Conexiones de referencia para ingeniería de tráfico
E.751 02/96 Conexiones de referencia para la ingeniería de tráfico de las redes móviles
terrestres
E.752 10/96 Conexiones de referencia para ingeniería de tráfico de sistemas móviles
marítimos y aeronáuticos.
E.755 02/96 Conexiones de referencia para determinar la calidad de funcionamiento y el
grado de servicio del tráfico de la telecomunicación personal universal
E.651 03/00 Conexiones de referencia para ingeniería de tráfico de redes de acceso con
protocolo Internet.
El criterio explicado anteriormente para definir los objetivos de GoS comenzó a ampliarse en la
elaboración de la Recomendación E.720, dedicada a la RDSI-BE. Las Recomendaciones sobre
objetivos de GoS para la RTPC, que son generalmente más antiguos, siguen un criterio diferente y
se pueden considerar actualmente como una excepción dentro del conjunto de Recomendaciones
de GoS. Se iniciará este panorama general con las nuevas Recomendaciones que están enumeradas
en el cuadro 1.5. Las Recomendaciones E.720 y E.721 están dedicadas a servicios con
conmutación de circuitos en la RDSI-BE. La Recomendación E.720 proporciona directrices
generales y la Recomendación E.721 presenta parámetros y valores objetivo de grado de servicio.
Los parámetros de grado de servicio de extremo a extremo recomendados son:
• Retardo de preselección
• Retardo de selección ulterior
• Retardo de la señal de respuesta
• Retardo de liberación de llamada
• Probabilidad de bloqueo de extremo a extremo.

- 33 -
Figura 1.10
Conexión de referencia IP a RTPC/RDSI o RTPC/RDSI a IP

1) Red de acceso IP
2) Pasarela RTPC/RDSI
3) RTPC/RDSI
4) a) Interfuncionamiento directo con RTPC/RDSI
5) Red núcleo IP
6) b) Interfuncionamiento con RTPC/RDSI a través de la red de núcleo IP
Después de definir estos parámetros, la Recomendación E.721 proporciona valores objetivo para
carga normal y elevada, como se define en la Recomendación E.500. Para los parámetros de retardo
se indican los valores objetivo para el retardo medio y para el 95% del cuartil. Para los parámetros
que dependen de la longitud de la conexión, se recomiendan diferentes conjuntos de valores
objetivo para las conexiones locales, interurbanas e internacionales. La Recomendación proporciona
conexiones de referencia, caracterizadas por una gama típica del número de nodos de conmutación,
para los tres tipos de conexiones.
Basado en los parámetros de GoS relacionados con el retardo y los valores objetivo que figuran en
la Recomendación E.721, la Recomendación E.723 identifica los parámetros y valores objetivo de
grado de servicio para redes del sistema de señalización N° 7. Los parámetros identificados
constituyen los retardos incurridos por el mensaje de dirección inicial (IAM) y por el mensaje de
respuesta (ANM). Los valores objetivo compatibles con los indicados en la Recomendación E.721
vienen dados para las conexiones locales, interurbanas e internacionales. El número típico de nodos
de conexión de las conexiones de referencia proporcionadas en la Recomendación E.721 se
complementan en la Recomendación E.723 con el número típico de puntos de transferencia de la
señal.
Los valores objetivo proporcionados en la Recomendación E.721 se refieren a llamadas que no
invocan servicios de la red inteligente (RI). La Recomendación E.724 especifica los retardos
incrementales que se permiten cuando éstos se invocan. Se proporcionan topologías de referencia
para las clases de servicio más destacadas, tales como indagación de base de datos,
redireccionamiento de llamada, tentativas de establecimiento múltiples, etc. Se proporcionan
valores objetivo del retardo incremental para el procesamiento de un servicio RI único para algunas

- 34 -
clases de servicio así como el retardo total de la selección ulterior incremental para procesamiento
de todos los servicios RI.
Cuadro 1.5 − Recomendaciones sobre objetivos de GoS (excepto para la RTPC)

Rec. Fecha Título
E.720 11/98 Concepto de grado de servicio en la RDSI
E.721 05/99 Parámetros y valores objetivo de grado de servicio de red para servicios con
conmutación de circuitos en la RDSI en evolución
E.723 06/92 Parámetros de grado de servicio para redes del sistema de señalización N° 7
E.724 02/96 Parámetros y objetivos de grado de servicio en los servicios de red inteligente
E.726 03/00 Parámetro y valores objetivo de grado de servicio para la RDSI-BA
E.728 03/98 Parámetros de grado de servicio para la señalización de la RDSI-BA
E.770 03/93 Concepto de grado de servicio de tráfico en la interconexión de redes móviles
terrestres y fijas
E.771 10/96 Parámetros de grado de servicio de la red y valores objetivo para los servicios
móviles terrestres públicos con conmutación de circuitos
E.773 10/96 Concepto de grado de servicio en sistemas móviles marítimos y aeronáuticos
E.774 10/96 Parámetros de grado de servicio de red y valores objetivo en los servicios
móviles marítimos y aeronáuticos
E.775 02/96 Concepto de grado de servicio en telecomunicaciones personales universales
E.776 10/96 Parámetros de grado de servicio de red para las telecomunicaciones personales
universales
E.671 03/00 Retardo posterior a la selección en redes telefónicas públicas conmutadas y
redes digitales de servicios integrados que utilizan telefonía por Internet para
una porción de la conexión
La Recomendación E.726 es el equivalente a la Recomendación E.721 pero referido a

la RDSI-BA. Como la RDSI-BA es una red con conmutación de paquetes, se distinguen los
parámetros de GoS de nivel de llamada y de nivel de paquete (en este nivel de célula). Los
parámetros de GoS en nivel de llamada son análogos a los que se definen en la
Recomendación E.721. Los parámetros de GoS en nivel de célula de extremo a extremo son:
• Retardo de transferencia de célula
• Variación de retardo de célula
• Relación de bloques de células con muchos errores
• Relación de pérdida de célula
• Retardo de transmisión de trama
• Relación de descarte de trama
Mientras que los requisitos de QoS en nivel de llamada puede ser similar para todos los servicios
(quizá con la excepción de los servicios de emergencia), los requisitos de QoS en nivel de célula
pueden ser diferentes en función del tipo de servicio: los requisitos de demora para servicios de
señales vocales y de vídeo son muchos más rigurosos que para servicios de datos. Así, los valores
objetivo para el nivel de célula deben ser dependientes del servicio. Estos valores objetivo se dejan

- 35 -
para ulterior estudio y se proporcionan los valores objetivo para los parámetros de GoS en nivel de
llamada para conexiones locales, interurbanas e internacionales.
La Recomendación E.728, que se refiere a la señalización de la RDSI-BA, se basa en los
parámetros en nivel de llamada relacionados con el retardo que figuran en la Recomendación E.726.
La Recomendación E.728 es análoga a la Recomendación E.723 y su relación con la
Recomendación E.726 es también análoga a la Recomendación E.723 y a la Recomendación E.721.
En la serie de redes móviles hay tres pares de Recomendaciones análogas al par E.720/E.721: Las
Recomendaciones E.770 y E.771 para redes móviles terrestres, las Recomendaciones E.773
y E.774 para sistemas marítimos y aeronáuticos y las Recomendaciones E.775 y E.776 para
servicios UPT. Todas ellas se refieren a servicios con conmutación de circuitos. En las mismas se
analizan las características de los servicios correspondientes que hace necesario especificar valores
objetivo menos rigurosos para los parámetros de GoS definidos en la Recomendación E.721 y,
asimismo, define otros parámetros de GoS que son específicos para esos servicios. Por ejemplo, en
las Recomendaciones E.770 y E.771 sobre redes móviles terrestres, las razones para disponer de
parámetros menos rigurosos son: las limitaciones de la interfaz radioeléctrica, la necesidad de
autenticación de terminales y búsqueda del usuario llamado, y la necesidad de interrogar el punto de
partida y (en el caso de itinerancia) las bases de datos de la red visitada para obtener el número de
encaminamiento. Un parámetro de GoS adicional en redes móviles terrestres es la probabilidad de
traspaso de llamadas no satisfactorias. Los valores objetivo se indican para llamadas fijas a móviles,
móviles a fijas y móviles a móviles considerando las conexiones locales, interurbanas e
internacionales.
La elaboración de Recomendaciones sobre parámetros y valores objetivo de grado de servicio para
redes basadas en el protocolo Internet se ha iniciado recientemente. La Recomendación E.671 sólo
abarca un aspecto que fue necesario proporcionar asesoramiento urgente. Se trataba de la
especificación de valores objetivo para el retardo posterior a la selección en redes telefónicas
públicas conmutadas y redes digitales de servicios integrados cuando una porción de la conexión
con conmutación de circuitos se reemplaza por telefonía IP y el usuario no nota este cambio. La
Recomendación E.671 determina que el retardo de extremo a extremo debe ser en este caso igual al
especificado en la Recomendación E.721.
Por ultimo, se examinarán las Recomendaciones de GoS dedicadas a la RTPC, que figuran en el
cuadro 1.6. La Recomendaciones E.540, E.541 y E.543 se pueden considerar como el complemento
de la Recomendación E.721 sobre redes telefónicas públicas conmutadas pero organizada de
distinta manera como se indicó anteriormente. Están centradas en conexiones internacionales como
era usual en la antigua Recomendación de la UIT. La Recomendación E.540 especifica la
probabilidad de bloqueo de la parte internacional de una conexión internacional, la
Recomendación E.541 la probabilidad de bloqueo de extremo a extremo de una conexión
internacional, y la Recomendación E.543 la probabilidad de pérdida interna y retardos de una
central telefónica internacional. Es necesario revisar esas Recomendaciones para decidir si deben
suprimidas, y ampliar a la vez el alcance de la Recomendación E.721 para incluir redes telefónicas
públicas conmutadas.

- 36 -
Cuadro 1.6 − Recomendaciones sobre objetivos de GoS en la RTPC

Rec. Fecha Título
E.540 11/98 Grado de servicio global de la parte internacional de una conexión internacional
E.541 11/88 Grado de servicio global en las conexiones internacionales (de abonado a
abonado)
E.543 11/88 Grado de servicio en las centrales telefónicas internacionales digitales
E.550 03/93 Grado de servicio y nuevos criterios de calidad de funcionamiento en las
centrales telefónicas internacionales en condiciones de fallo
Los valores objetivo de los parámetros especificados en todas las Recomendaciones de GoS
suponen que la red y sus componentes son plenamente operacionales. Por otra parte las
Recomendaciones sobre disponibilidad se ocupan de la intensidad de fallos y la duración de las
averías de componentes de red, sin considerar la fracción de tentativas de llamada que está
bloqueada debido al fallo. La Recomendación E.550 combina conceptos de los aspectos de
disponibilidad y congestión de tráfico y define nuevos parámetros de calidad de funcionamiento y
valores objetivo que tienen en cuenta ambos efectos en una central telefónica.
1.5.4 Controles de tráfico y dimensionamiento
Una vez que la demanda de tráfico haya sido caracterizada y se hayan establecido los objetivos de
GoS, la ingeniería de tráfico debe proporcionar un diseño eficaz en función de los costos y una
explotación de la red que satisfaga la demanda de tráfico, así como el cumplimiento de los objetivos
de GoS. La contribución de la ingeniería de tráfico en el diseño y explotación de las redes es el
dimensionamiento de la red así como los controles de tráfico. El dimensionamiento de la red
asegura que ésta tenga los recursos suficientes como para atender la demanda de tráfico. Incluye el
dimensionamiento de los elementos físicos de la red y de los elementos lógicos como, por ejemplo,
los trayectos virtuales de una red ATM. Los controles de tráfico son también necesarios para
asegurar que se satisfacen los objetivos de GoS. Entre los controles de tráfico se pueden distinguir:
• Encaminamiento de tráfico: Los diagramas de encaminamiento describen la ruta fijada y
las reglas de selección de ruta para cada par origen-destino. Puede ser jerárquicas o no
jerárquicas, fijas o dinámicas. Los procedimientos dinámicos incluyen métodos de
encaminamiento dependientes del tiempo, en los cuales el diagrama de encaminamiento se
altera en un tiempo fijo sobre una base previamente planificada y un encaminamiento
dependiente del estado o dependiente del evento, al cual la red alterna automáticamente el
diagrama de encaminamiento basado en las condiciones de red presente. En el UIT-T, el
encaminamiento está bajo la responsabilidad del Grupo de Trabajo 1/2. Las
Recomendaciones E.170 a E.177 y E.350 a E.353, que tratan aspectos de encaminamiento,
están fuera del alcance de esta sección. No obstante, en las Recomendaciones sobre
ingeniería de tráfico presentadas se hace referencia continua al tema de encaminamiento.
El diseño de encaminamiento está basado, por una parte, en consideraciones de ingeniería
de tráfico: por ejemplo, los esquemas de encaminamiento alternativo se basan en
consideraciones de eficacia en función de los costos, los métodos de encaminamiento
dinámicos están basados en consideraciones de resistencia frente a sobrecargas
concentradas o condiciones de fallo, o referente a errores de previsión de tráfico. Por otra
parte, el dimensionamiento de la red se efectúa teniendo en cuenta los métodos y
diagramas de encaminamiento.
• Controles de gestión del tráfico de red: Estos controles aseguran que se mantiene la
capacidad de la red bajo cualquier sobrecarga o condición de fallo. Los controles de gestión
de tráfico pueden ser de protección o de expansión. Los controles de protección, tal como

- 37 -
bloqueo de código o espaciamiento de llamadas, asegura que la red no consume recursos en

procesar llamadas que serán fallidas o limita el flujo de llamadas que requiere muchos
recursos de red (rebasamiento de llamadas). Los controles de expansión reencaminan el
tráfico hacia aquellas partes de la red que no están sobrecargadas. La gestión de tráfico se
efectúa, por lo general, en centros de gestión de tráfico donde la supervisión de la calidad
de funcionamiento de la red en tiempo real se lleva a cabo por compilación y presentación
del tráfico y datos de calidad de funcionamiento en tiempo real. Los controles usualmente
son activados por un operador sobre una base previamente planificada (cuando se prevé un
evento especial) o en tiempo real. En el UIT-T, la gestión de tráfico de la red está bajo la
responsabilidad del Grupo de Trabajo 2/2. Las Recomendaciones E.410 a E.417, que tratan
de este tema, están fuera del alcance de esta sección. No obstante, en las Recomendaciones
sobre ingeniería de tráfico se hace referencia a la gestión del tráfico. Por ejemplo, los
requisitos de medición especificados en las Recomendaciones sobre medición de tráfico y
calidad de funcionamiento incluyen mediciones en tiempo real requeridas para la gestión de
tráfico de la red.
• Métodos de protección del servicio: Son controles de tráfico en el nivel de llamada que
supervisan el grado de servicio para determinados flujos de tráfico mediante una restricción
discriminatoria del acceso a grupos de circuitos con baja capacidad de línea desocupada. La
protección de servicio se utiliza para proporcionar estabilidad en redes con esquemas de
encaminamiento no jerárquicos limitando el tráfico de desbordamiento a una ruta
alternativa que se comparte con el tráfico preferente. Se utiliza también para equilibrar el
GoS entre flujos de tráfico que requieren diferentes anchuras de banda o para dar servicio
prioritario a un tipo de tráfico.
• Controles de tráfico en el nivel de paquete: Estos controles aseguran que se satisfacen los
objetivos de GoS en el nivel de paquete de las llamadas aceptadas bajo cualquier condición
de la red y que se efectúa una diferenciación del grado de servicio eficaz en función de los
costos entre servicios con diferentes requisitos de QoS en el nivel de paquete.
• Señalización y controles de la red inteligente (RI): En razón que estas redes constituyen
el sistema nervioso de la totalidad de la red, un objetivo clave en el diseño y explotación de
las mismas es maximizar su resistencia, es decir, su capacidad para soportar sobrecargas de
tráfico y fallos de elementos de la red. Esto se lleva a cabo por medio de redundancia de
elementos de red y por un conjunto de controles de congestión y sobrecarga, como se
explica en la Recomendación E.744 que se comentará más adelante.
Las Recomendaciones sobre dimensionamiento y controles de tráfico se pueden clasificar conforme
se trata de redes con conmutación circuitos, redes con conmutación de paquetes o señalización y
redes con estructura de RI.
Redes con conmutación de circuitos
Las Recomendaciones sobre controles de tráfico y dimensionamiento de redes con conmutación de
circuitos se enumeran en el cuadro 1.7. Estas Recomendaciones se ocupan de los métodos de
dimensionamiento y protección del servicio teniendo en cuenta los métodos de encaminamiento de
tráfico.

- 38 -
Cuadro 1.7 − Recomendaciones sobre controles y dimensionamiento de tráfico

de redes con conmutación de circuitos
Rec. Fecha Título
E.510 10/45 Determinación del número de circuitos necesarios en explotación manual
E.520 11/88 Determinación del número de circuitos necesarios en explotación automática y
semiautomática, sin posibilidad de desbordamiento
E.521 11/88 Cálculo del número de circuito de un haz utilizado para cursar el tráfico de
desbordamiento
E.522 11/88 Número de circuitos de un haz de gran utilización
E.524 05/99 Aproximaciones del tráfico de desbordamiento para flujos de tráfico no
aleatorios
E.525 06/92 Diseño de redes para controlar el grado de servicio
E.526 03/93 Dimensionamiento de haces de circuitos con servicios portadores
multiintervalo y sin entradas de desbordamiento
E.527 03/00 Dimensionamiento de un haz de circuitos con servicios portadores
multiintervalo y tráfico de desbordamiento
E.528 02/96 Dimensionamiento de los sistemas de equipos de multiplicación de circuitos
digitales
E.529 05/97 Dimensionamiento de redes que utilizan objetivos de GoS de extremo a
extremo
E.731 10/92 Métodos para dimensionar recursos que funcionan en el modo conmutación de
circuitos
Con excepción de la Recomendación E.510 que sólo tiene valor histórico, las Recomendaciones
E.520, E.521, E.522 y E.524 abordan aspectos de dimensionamiento de grupos de circuitos o
combinaciones de grupos finales/ de gran utilización que llevan conexiones de régimen único (o
segmento único). Los métodos de protección del servicio no se consideran en esas
Recomendaciones.
• La Recomendación E.520 se ocupa del dimensionamiento de grupos de circuitos de
trayecto único (véase la figura 1.11a)).
Figura 1.11 − Ejemplos de disposiciones de grupos de circuitos.

- 39 -
• Las Recomendaciones E.521 y E.522 proporcionan métodos para el dimensionamiento de

disposiciones de encaminamientos alternativas simples como se muestra en la figura 1.11b),
donde sólo existen rutas de primera y segunda selección y donde la totalidad del
rebasamiento de tráfico de un grupo de circuitos se ofrece al mismo grupo de circuitos. La
Recomendación E.521 proporciona métodos para el dimensionamiento del grupo final que
satisface los requisitos de GoS para determinados tamaños de los grupos de circuitos de
gran utilización y la Recomendación E.522 aconseja cómo dimensionar los grupos de gran
utilización para reducir al mínimo el costo total de la instalación.
• La Recomendación E.524 proporciona aproximaciones de desbordamientos para flujos de
tráfico no aleatorios que permiten el dimensionamiento de disposiciones más complejas (es
decir, sin las limitaciones previamente mencionadas) como se muestra en la figura 1.11c).
Se describen y comparan diversos métodos en lo que se refiere a exactitud y complejidad.
La Recomendación E.525 presenta métodos de protección del servicio para redes que llevan
conexiones de régimen único. Describe las aplicaciones y los métodos disponibles: división de
grupos de circuitos, reserva de circuitos (denominado también reserva de líneas de enlace o, en
redes con conmutación de paquetes, reserva de anchura de banda) y circuitos virtuales. Las
Recomendaciones proporcionan métodos para evaluar la probabilidad de bloqueo de cada flujo de
tráfico para grupos de circuitos de trayecto único y para conexiones de encaminamiento alternativo
que tienen en cuenta el dimensionamiento de los grupos de circuitos y el umbral que define los
métodos de protección. Se efectúa una comparación de los métodos de protección de servicio
disponibles en lo que se refiere a la eficacia, protección contra sobrecargas, resistencia y
repercusión del factor de curtosis.
Las Recomendaciones E.526 y E.527 se ocupan del dimensionamiento de grupos de circuitos que
llevan conexiones multiintervalos (o de tarifas múltiples). En ambas Recomendaciones se
consideran métodos de protección de servicio. La Recomendación E.526 examina grupos de
circuitos de trayecto único mientras que la Recomendación E.527 se ocupa de esquemas de
encaminamiento alternativo.
En el cuadro 1.8 se resumen los elementos contemplados en cada una de las Recomendaciones
mencionadas anteriormente. La Recomendación E.528 abarca el dimensionamiento de un tipo de
grupo de circuitos particular pero muy importante donde se utiliza el equipo de multiplicación de
circuitos digitales (DCME, digital circuit multiplication equipment) para obtener ganancias de
multiplexación estadística. El DCME en comunicaciones por satélite ahorra circuitos mediante la
interpolación de ráfagas de señales vocales de diferentes canales aprovechando los silencios
existentes en una conversación. Se presentan métodos de dimensionamiento para grupos de
circuitos que proporcionan integración de tráfico que contiene voz, facsímil y datos en banda
telefónica.
Cuadro 1.8 − Elementos considerados en las Recomendaciones E.520 a E.527 sobre

dimensionamiento de grupos de circuitos. * Solo circuitos simples
Recomendación E.520 E.521 E.522 E.524 E.525 E.526 E.527
Encaminamiento alternativo No Sí* Sí* Sí Sí No Sí
Protección de servicio No No No No Sí Sí Sí
Conexiones multiintervalo No No No No No Sí Sí

- 40 -
La Recomendación E.731 se dedica también al dimensionamiento de grupos de circuitos y presenta

características especiales de la RDSI-BE que pueden tener repercusiones en ingeniería de tráfico.
Además de las conexiones multiintervalo y los métodos de protección de servicio, la
Recomendación estudia la repercusión de la negociación de atributos (de atributos que afectan la
elección de grupos de circuitos o del número de circuitos requerido), de reserva de servicio (reserva
de recursos exclusivos o de recursos compartidos con servicios según demanda) y de conexiones de
punto a multipunto.
La Recomendación E.529 recopila todos los métodos sobre dimensionamiento de grupos de
circuitos o conexión de encaminamiento alternativo que figuran en las Recomendaciones descritas
anteriormente para dar directrices sobre dimensionamiento de toda la red empleando objetivos de
GoS de extremo a extremo. Se describen métodos de dimensionamiento para redes con
encaminamiento de tráfico fijo, dependiente del tiempo, dependiente del estado o dependiente del
evento. Se indican los principios para la descomposición de las redes en bloques que pueden ser
considerados estadísticamente independientes, y se describe el procedimiento iterativo requerido
para la optimización de la red.
Redes con conmutación de paquetes
En el cuadro 1.9 se enumeran las Recomendaciones sobre los controles de tráfico y
dimensionamiento de redes con conmutación de paquetes. Se examinan las redes digitales de
servicios integrados de banda ancha que utilizan la tecnología ATM pero la mayoría de los métodos
descritos se aplican a otras redes con conmutación de paquetes, como por ejemplo redes basadas en
el protocolo Internet en las que se controla la admisión de conexiones.
El control de admisión de conexiones (CAC, connection admission control) establece una división
entre el nivel de paquete y el nivel de conexión. Cuando un usuario solicita la instalación de una
nueva conexión , el CAC decide si ésta puede ser admitida mientras se satisface el GoS en el nivel
de paquete de las conexiones nueva y existente. Esta decisión se efectúa generalmente mediante la
asignación de recursos (típicamente anchura de banda) a cada conexión y se rechazan nuevos
pedidos cuando los recursos no son suficientes.
Cuadro 1.9 − Recomendaciones sobre controles de tráfico y dimensionamiento
de redes con conmutación de paquetes
Rec. Fecha Título
E.735 05/97 Marco para el control del tráfico y dimensionamiento en la RDSI-BA
E.736 05/97 Métodos para el control de tráfico en el nivel de célula en la RDSI-BA
E.737 05/97 Métodos de dimensionamiento en la RDSI-BA
Así:
• Perspectiva a nivel de paquete: como el CAC asegura que los objetivos de GoS en el nivel
de paquete se satisfacen independientemente del régimen de conexiones ofrecido a la red, el
nivel de paquete se hace independiente del tráfico ofrecido a nivel de conexión y del
dimensionamiento de la red.
• Perspectiva a nivel de conexión: como el CAC, al decidir la aceptación de una conexión,
tiene en cuenta todos los controles aplicado en el nivel de paquete, resume todos los
controles en el nivel de paquete en una cantidad de recursos requerido por una conexión.
Permite que el nivel de conexión de una red con conmutación de paquetes sea similar a la
de una red con conmutación de circuitos: la cantidad de recursos requeridos por una
conexión denominada anchura de banda efectiva o equivalente (o, en ATM, velocidad de
célula equivalente) es igual al número de intervalos requerido por una conexión de

- 41 -
intervalos múltiples en una red con conmutación de circuitos. Los controles de tráfico en el
nivel de conexión y el dimensionamiento de la red deben asegurar que los requisitos de
GoS a nivel de conexión, típicamente las probabilidades de bloqueo de conexión
especificadas, se satisfacen teniendo en cuenta la anchura de banda efectiva que se debe
asignar a cada conexión.
En la práctica, esta separación entre nivel de paquete y nivel de conexión no es tan completa como
se describió anteriormente: la anchura de banda efectiva de una conexión depende de la capacidad
del enlace físico o lógico en el que está transportada (con excepción de las características de tráfico
en el nivel de paquete de la conexión) mientras que a su vez, la capacidad de los enlaces se debe
dimensionar teniendo en cuenta la anchura de banda efectiva de las conexiones. Se hace necesario
un proceso iterativo entre el nivel de conexión y el nivel de paquete para el dimensionamiento de
la red.
La Recomendación E.735 es el marco para el control de tráfico y el dimensionamiento en la
RDSI-BA. Presenta los conceptos descritos anteriormente, define qué es una conexión y qué es un
recurso y analiza estrategias para la configuración lógica de la red.
La Recomendación 736 se centra en el nivel de paquete. Proporciona métodos para la evaluación
de la calidad de funcionamiento en el nivel de paquete, propone estrategias de multiplexación
posibles (asignación de velocidad máxima, multiplexación de la envolvente de velocidad y
compartición de velocidad estadística) y analiza las repercusiones y aplicación de cada una de ellas.
Basado en este análisis, la Recomendación proporciona métodos para controles en el nivel de
paquete. Se debe destacar la importancia de los métodos para el control de admisión de la conexión
y para la integración (o segregación) de servicios con requisitos de QoS diferentes sea por recursos
exclusivos o por compartición de los mismos recursos e implantación de prioridades de pérdidas y/o
retardos. Estudia también las técnicas adaptativas de gestión de recursos para controlar el flujo de
paquetes de servicios con requisitos de retardo no rigurosos.
La Recomendación E.737 proporciona métodos para el dimensionamiento de la red y grupos de
circuitos y examina los controles de tráfico en el nivel de conexión, en particular los métodos de
protección del servicio. Asimismo, se tienen en cuenta los métodos de encaminamiento de tráfico.
Como la anchura de banda efectiva de una conexión se modela conforme al número de intervalos de
una conexión de intervalos múltiples, esta Recomendación no es muy diferentes de las que se
ocupan del dimensionamiento de redes con conmutación de circuitos. No obstante, la
Recomendación aborda algunas características que son particulares de las redes con conmutación de
paquetes; la iteración mencionada anteriormente entre el dimensionamiento de la red y la anchura
de banda efectiva; la discretización de la anchura de banda requerida en múltiplos de una unidad de
cuantificación de la anchura de banda, dado que los modelos de intervalos múltiples sólo utilizan
números enteros de intervalos; y las repercusiones sobre el dimensionamiento de servicios con
diferentes requerimientos de QoS en el nivel de paquete. En el cuadro 1.10 se enumeran las
Recomendaciones sobre controles de tráfico y dimensionamiento de redes de señalización y redes
inteligentes (RI). Las Recomendaciones E.733 y E.734 abordan el dimensionamiento y la
Recomendación E.744 los controles de tráfico.

- 42 -
Cuadro 1.10 − Recomendaciones sobre controles de tráfico y dimensionamiento

de señalización y redes con estructura de red inteligente
Rec. Fecha Título
E.733 11/98 Métodos de dimensionado de recursos de las redes con sistemas de
señalización N° 7
E.734 10/96 Métodos de asignación y dimensionado de los recursos de red inteligente (RI)
E.744 10/96 Requisitos de control del tráfico y de congestión en redes del sistema de
señalización N° 7 y redes con estructura de red inteligente
La Recomendación E.733 proporciona una metodología para la planificación y dimensionamiento

de redes del sistema de señalización N° 7. La metodología tiene en cuenta que la eficacia de los
enlaces de señalización no debe ser el factor de consideración principal pues la calidad de
funcionamiento de la red en condiciones de fallo y sobrecarga de tráfico tiene mayor importancia.
La Recomendación describe el tráfico y el periodo de referencia que, conforme con las
Recomendaciones E.492 y E.500, se deben utilizar para dimensionar el número de enlaces de
señalización y para asegurar que no se supere la capacidad de los elementos de conmutación de la
red. Describe los factores para determinar la máxima utilización del enlace que asegure el
cumplimiento de los objetivos de retardo de extremo a extremo descritos en la Recomendación
E.723. Se describen los valores iniciales utilizados y se dan los métodos para determinar el número
de enlaces de señalización y la capacidad de conmutación requerida.
La Recomendación E.734 describe los métodos de asignación y dimensionamiento para redes
inteligentes. Examina los nuevos factores de ingeniería de tráfico que se han de considerar:
servicios con periodos de referencia fuera del horario laboral normal, situaciones de las llamadas
masivas producidas por algunos servicios, rápida implantación de nuevos servicios con predicción
incierta. Este último factor hace necesario aplicar procedimientos de asignación y
dimensionamiento suficientemente flexibles para proporcionar, los más rápidamente posible, los
recursos requeridos cuando se implantan nuevos servicios o las modificaciones solicitadas por el
usuario. La Recomendación proporciona criterios para la asignación de recursos tanto para la
ubicación de los elementos específicos de la RI como para la segmentación de la funcionalidad de la
red inteligente (tal como lógica de servicio) entre esos elementos. Asimismo, proporciona métodos
para el dimensionamiento de los nodos de la RI y del soporte de la subred de señalización y analiza
la repercusión sobre el dimensionamiento de la red con conmutación de circuitos.
Los procedimientos de control de congestión y tráfico para el sistema de señalización N° 7 y redes
con estructura de RI se especifican en las Recomendaciones de la serie Q y de la serie E.410. Estos
procedimientos dejan, por lo general, que los valores de los parámetros clave se especifiquen como
parte de la aplicación. Dado que la solidez es un requisito fundamental de la señalización y de las
redes con estructura de RI es esencial una correcta aplicación de esos controles.
La Recomendación E.744 proporciona directrices para esta aplicación, indicando cómo se deben
ajustar los parámetros de control en diferentes tipos de redes. Esta Recomendación también presta
asesoramiento sobre los requisitos que se han de establecer en nodos de señalización y nodos RI
referentes a las necesidades para controles de sobrecarga en el nivel de nodo y cómo se deben
interrelacionar estos controles con los controles en el nivel de red. Por último, la Recomendación
establece los principios básicos para mantener armonizados diferentes sistemas y controles a fin de
permitir la interconexión de productos de distintos fabricantes y realizaciones de la red con un alto
grado de confianza que los procedimientos de control funcionen correctamente.

- 43 -
1.5.5 Supervisión de la calidad de funcionamiento

Una vez que la red sea operacional, se requiere la supervisión continua del GoS. Aunque la red esté
correctamente dimensionada, hay situaciones de sobrecarga y fallo no consideradas en el
dimensionamiento donde las operaciones de gestión de tráfico de la red han de ser tomadas en breve
tiempo (minutos, horas). En situaciones consideradas en el dimensionado, los errores de previsión
de tráfico o aproximaciones efectuadas en los modelos de dimensionamiento pueden conducir a un
GoS diferente del previsto. Para detectar estos problemas y para producir la realimentación
necesaria para la caracterización del tráfico y diseño de la red es necesario efectuar la supervisión
del grado de servicio. En función de los problemas detectados, las reconfiguraciones de red,
modificaciones de los diagramas de encaminamiento o ajuste de los parámetros de control de tráfico
se pueden efectuar a plazo medio (semanas, meses). Se puede evaluar también la urgencia de la
planificación de ampliaciones de la red a largo plazo. Las Recomendaciones E.490, E.491, E.502,
E.503, E.504, E.505 y E.745, comentadas en el § 4.2, se refieren a las mediciones de tráfico y de
calidad de funcionamiento. En esta sección se comentarán las Recomendaciones E.492 y E.493
indicadas en el cuadro 1.11, que son las únicas relacionadas con mediciones de calidad de
funcionamiento.
Cuadro 1.11 − Recomendaciones sobre mediciones de calidad de funcionamiento

(para Recomendaciones que se refieren a mediciones de tráfico
y de calidad de funcionamiento, véase el cuadro 1.2)
Rec. Fecha Título
E.492 02/96 Periodo de referencia del tráfico
E.493 02/96 Supervisión del grado de servicio
La Recomendación E.492 proporciona la definición de periodos de referencia de tráfico a los fines

de recoger mediciones para la supervisión del grado de servicio en redes y componentes de redes.
Esta Recomendación está estrechamente relacionada con la Recomendación E.500, que define los
periodos de lectura para las mediciones de intensidad de tráfico requeridas para el
dimensionamiento de la red. Estos periodos de lectura deben ser compatibles con los utilizados para
supervisión de calidad de funcionamiento una vez que la red sea operacional. La
Recomendación E.492 define también los periodos de carga normal y elevada que son
representativas de cada mes. El propósito de estas definiciones, también compatibles con las que
figuran en la Recomendación E.500, es identificar el día y el periodo de lectura que se ha de utilizar
para comparar el GoS supervisado con los valores objetivos de GoS especificados para carga
normal y elevada.
La Recomendación E.493 expone cómo efectuar la supervisión de GoS de extremo a extremo
teniendo en cuenta las limitaciones prácticas. La medición de las probabilidades de bloqueo o de
mala operación es directa. Sin embargo, como en una supervisión continua no son factibles las
mediciones directas de los retardos de extremo a extremo, la Recomendación propone métodos de
aproximación de los retardos de extremo a extremo (valor es medio y 95% del cuantil) por medios
de mediciones locales tomadas en modo autónomo en cada elemento de red. Los métodos
propuestos no requieren coordinación entre los elementos de red para tomar las mediciones. La
Recomendación explica también cómo aplicar los métodos propuestos a la supervisión de cada
parámetro de GoS a nivel de conexión definidos en las Recomendaciones sobre objetivos de grado
de servicio.

- 44 -
1.5.6 Otras Recomendaciones

Hay pocas Recomendaciones cuyo alcance no se agrupa en algunos de los temas considerados en la
clasificación efectuada. Estas Recomendaciones se enumeran en el cuadro 1.12.
La Recomendación E.600 proporciona una lista de los términos y definiciones de ingeniería de
tráfico utilizados en todo el conjunto de Recomendaciones sobre este tema.
Las Recomendaciones E.700 y E.750 son Recomendaciones introductorias a las Recomendaciones
de la serie E.700/749 sobre ingeniería de tráfico para la RDSI-BA y RDSI-BE y a las
Recomendaciones de la serie E.750/799 sobre ingeniería de tráfico para redes móviles,
respectivamente.
Cuadro 1.12 − Recomendaciones que no se agrupan en ninguna de las

divisiones consideradas en la clasificación
Rec. Fecha Título
E.523 11/88 Perfiles típicos de distribución de tráfico para corrientes de tráfico internacional
E.600 03/93 Términos y definiciones de ingeniería de tráfico
E.700 10/92 Marco de las Recomendaciones de E.700
E.750 03/00 Introducción a las Recomendaciones de la E.750 sobre aspectos de ingeniería
de tráfico de las redes que soportan servicios de telecomunicaciones personales
La Recomendación E.523 proporciona perfiles de tráfico de 24 horas normalizado para los flujos
de tráfico entre países en diferentes ubicaciones de tiempo relativas. Esta información basada en la
medición puede ser útil para los países que no disponen de mediciones. Los perfiles se refieren al
tráfico telefónico y no se deben utilizar para tráficos de datos pues los perfiles pueden ser muy
diferentes.
1.5.7 Programa de trabajo para el Periodo de Estudios 2001-2004
Los trabajos de la UIT se planifican en periodos de cuatro años llamados periodos de estudios. En el
pasado, las Recomendaciones elaboradas durante un periodo de estudios eran aprobadas y
publicadas al final del mismo. Actualmente, los métodos de trabajo son más dinámicos: las
Recomendaciones se pueden aprobar y publicar en cualquier momento, el programa de trabajo
preparado para un periodo de estudios se puede actualizar a lo largo del mismo de acuerdo con las
necesidades.
El programa de trabajos para el periodo 2001-2004 pone de relieve la ingeniería de tráfico para
comunicaciones personales, redes IP y señalización. Se han definido tres Cuestiones (es decir temas
de estudio), una para cada asunto. Los títulos de las Cuestiones son:
• Ingeniería de tráfico para comunicaciones personales
• Ingeniería de tráfico para redes de señalización basadas en el protocolo Internet y en el
sistema de señalización N° 7
• Ingeniería de tráfico para redes que soportan servicios basados en el protocolo Internet.
Para cada Cuestión se ha formado un Grupo de Expertos. El Grupo de Expertos, coordinado por un
Relator se encarga de la elaboración de las Recomendaciones relacionadas con la Cuestión.
La estructura de los Grupos de Trabajo y el programa de trabajos para el Periodo de
Estudios 2001-2004 figura en el anexo 1.

- 45 -
1.5.8 Conclusiones
Se ha dado un panorama general de las Recomendaciones sobre ingeniería de tráfico elaboradas por
la UIT. Detrás de este amplio conjunto de Recomendaciones hay una gran cantidad de trabajo
efectuado por especialistas del todo el mundo sobre ingeniería de tráfico. Este conjunto de
Recomendaciones tiene la intención de constituir una valiosa ayuda para los ingenieros a cargo del
diseño y operaciones de redes de telecomunicaciones. No obstante, el grupo de Recomendaciones
sobre ingeniería de tráfico no puede ser nunca un conjunto completo, pues continuamente aparecen
nuevas tecnologías, nuevos servicios y nuevos métodos de teletráfico que necesitan ser
incorporados a las Recomendaciones.
El autor desea alentar a los expertos en teletráfico a contribuir a la preparación de nuevas
Recomendaciones y a la revisión de las antiguas. Las Recomendaciones de la UIT se pueden
considerar como un puente entre la actividad de investigación de teletráfico y la práctica diaria de
ingeniería de tráfico efectuada por los operadores. Un método innovador tiene gran posibilidad de
ser utilizado en la práctica si figura en una Recomendación de la UIT. Es muy valioso que el
investigador contribuya con la UIT a fin de ampliar sus ideas. La práctica operativa diaria obtendrá
también beneficios de esta contribución. Los métodos de trabajos actuales como, por ejemplo, el
uso extensivo del correo electrónico facilita la cooperación informal de los investigadores con el
trabajo de la UIT.

- 46 -
CAPÍTULO 2
Conceptos de tráfico y de grado de servicio
Los costos de un sistema telefónico se pueden dividir en costos que dependen de la cantidad de
abonados y costos que dependen de la cantidad de tráfico en el sistema.
A la hora de planificar un sistema de telecomunicaciones, el objetivo es ajustar el volumen de los
equipos de manera que pueda darse respuesta a las variaciones en el tráfico sin que surjan
problemas importantes, manteniendo los costos de las instalaciones en el nivel más bajo posible.
Los equipos han de utilizarse con la mayor eficacia posible.
La ingeniería de teletráfico se centra en la optimización de la estructura de la red y en el ajuste del
volumen del equipo, que depende del volumen de tráfico.
En las páginas siguientes se introducirán conceptos fundamentales y se ilustrarán algunos ejemplos
que indican cómo se comporta el tráfico en sistemas reales. Todos los ejemplos proceden del sector
de telecomunicaciones.
2.1 Concepto de tráfico y unidad [erlang]

En teoría de teletráfico se utiliza normalmente el término tráfico para indicar la intensidad de
tráfico, es decir tráfico por unidad de tiempo. Este término proviene del italiano y significa
comercio. Conforme a la Recomendación UIT-T B.18, 1993 [36] se tiene la siguiente definición:
Definición de intensidad de tráfico: La intensidad de tráfico instantánea en un conjunto de
órganos es el número de órganos ocupados en un instante dado.
El conjunto de órganos puede ser un grupo de servidores, por ejemplo líneas de enlace. Los
momentos estadísticos de la intensidad de tráfico se pueden calcular para un periodo de tiempo T
dado. Para la intensidad de tráfico media se tiene:
1 T
T ∫0
Y(T )=⋅ n( t )dt . (2.1)
donde n(t) indica el número de dispositivos ocupados en el tiempo t.

Tráfico transportado Y = Ac: Este es el tráfico transportado por el grupo de servidores durante el
intervalo de tiempo T (véase la figura 2.1). En aplicaciones, el término intensidad de tráfico tiene,
por lo general, el significado de intensidad de tráfico media.

- 47 -
Figura 2.1 − (Intensidad del) tráfico transportado (= número de dispositivos ocupados)

en función del tiempo (curva C). Para fines de dimensionamiento se utiliza la
intensidad de tráfico media durante un periodo de tiempo T (curva D)

1) n(t) número de enlaces ocupados
2) Tiempo
La Recomendación del UIT-T también indica que la unidad generalmente utilizada para la
intensidad de tráfico es el erlang (símbolo E). Este nombre fue dado a la unidad de tráfico en 1946
por el CCIF (predecesor del CCITT y del UIT-T), en honor del matemático danés A.K. Erlang
(1878-1929), que fue el fundador de la teoría del tráfico en telefonía. Esta unidad es adimensional.
El total de tráfico transportado en un periodo de tiempo T es el volumen de tráfico, y se mide en
erlang-hora (Eh). Es igual a la suma de todos los tiempos de ocupación dentro del periodo T.
Conforme a las normas ISO la unidad normalizada debe estar expresada en erlang/segundos, pero
por lo general la medición de erlang/hora tiene un orden de dimensión más natural.
El tráfico transportado nunca debe exceder el número de canales (líneas). Un canal puede
transportar como máximo un erlang. Los ingresos son a menudo proporcionales al tráfico
transportado.
Tráfico ofrecido A: En modelos teóricos se utiliza el concepto de tráfico ofrecido; es decir el
tráfico que sería transportado si no se rechazaran llamadas debido a la falta de capacidad por
ejemplo, si el número de servidores fuera ilimitado. El tráfico ofrecido es un valor teórico y no
puede ser medido. Sólo es posible estimar el tráfico ofrecido conforme al tráfico transportado.
Teóricamente se trabaja con la intensidad de llamada λ, que es el número de llamadas medio
ofrecido por unidad de tiempo, y tiempo de servicio medio s. El tráfico ofrecido es igual a:
A = λ⋅s (2.2)
Esta ecuación permite comprobar que la unidad de tráfico no tiene dimensión. Esta definición
supone que conforme a la definición anterior hay un número ilimitado de servidores. Si se utiliza la
definición para un sistema con capacidad limitada se obtendrá una definición que depende de la

- 48 -
capacidad del sistema. Esta última definición se ha utilizado durante muchos años (por ejemplo para
el caso Engset, Capítulo 8), pero no es apropiada pues el tráfico ofrecido debe ser independiente del
sistema.
Tráfico perdido o rechazado Al: La diferencia entre tráfico ofrecido y tráfico transportado es igual
al tráfico rechazado. El valor de este parámetro se puede reducir aumentando la capacidad del
sistema.
Ejemplo 2.1.1: Definición de tráfico
Si la intensidad de llamada es de 5 llamadas por minuto, y el tiempo de servicio medio es
de 3 minutos, el tráfico ofrecido será entonces de 15 erlang. El volumen de tráfico ofrecido durante
un día laborable de 8 horas es entonces de 120 erlang/hora.
Ejemplo 2.1.2: Unidades de tráfico
Anteriormente se utilizaban otras unidades de tráfico. Las más comunes que se emplean aún son:
SM = Minutos de conversación
1 SM = 1/60 Eh.
CCS = Centenar de segundos de llamada:
1 CCS = 1/36 Eh.
Esta unidad se basa en un tiempo de retención medio de 100 segundos y aún se
puede encontrar, por ejemplo, en Estados Unidos.
EBHC = Llamada reducida en las horas más cargadas:
1 EBHC = 1/30 Eh.
Esta unidad se basa en un tiempo de ocupación medio de 120 segundos.
Se puede comprender de inmediato que el erlang es la unidad natural para la intensidad de tráfico
debido a que esta unidad es independiente de la unidad de tiempo escogida.
El tráfico ofrecido es un parámetro teórico utilizado en fórmulas de dimensionamiento teóricas. Sin
embargo, el único parámetro mensurable es, en realidad, el tráfico transportado, que a menudo
depende del sistema real.
En sistemas de transmisiones de datos no se habla de tiempo de servicio sino de necesidades de
transmisión. Una tarea puede ser por ejemplo la transferencia de s unidades (por ejemplo, bits o
bytes). La capacidad del sistema ϕ, velocidad de señalización de datos, se mide en unidades por
segundos (por ejemplo, bits/segundo). Por tanto, el tiempo de servicio para dicha tarea, es decir el
tiempo de transmisión, es s/ϕ unidades de tiempo (por ejemplo segundos), lo cual significa que
depende de ϕ. Si en promedio las tareas λ llegan por unidad de tiempo, la utilización ρ del sistema
es entonces:
λ⋅ s
ρ= (2.3)
ϕ
la utilización observada estará siempre dentro del intervalo 0 ≤ ρ ≤ 1.
Tráfico de múltiple: Si se tienen llamadas que ocupan más de un canal, y otras del tipo i que
ocupan di canales, el tráfico ofrecido expresado en cantidad de canales ocupados se calcula con la
siguiente ecuación:
N
A = ∑ λi ⋅ si ⋅ d i (2.4)
i =0

- 49 -
donde N es el número de tipos de tráfico, y λi y si indican el régimen de llegada y el tiempo de

ocupación medio del tipo i.
Tráfico potencial: En la planificación y demanda de modelos se utiliza el término tráfico potencial
que equivaldría al de tráfico ofrecido si no hubiera limitaciones en la utilización del teléfono por
razones económicas o de disponibilidad (siempre está disponible un teléfono gratuito).
2.2 Variaciones de tráfico y concepto de hora cargada

El teletráfico varía conforme a la actividad en la sociedad. El tráfico está generado por una sola
fuente, los abonados, que normalmente efectúan llamadas telefónicas independientes entre sí.
Una investigación de las variaciones del tráfico indica que es parcialmente de naturaleza estocástica
y parcialmente de naturaleza determinística. En la figura 2.2 se muestra la variación de la cantidad
de llamadas en la mañana de un lunes. Mediante la comparación de diversos días se puede
distinguir una curva determinística con variaciones estocásticas superpuestas.
Durante un periodo de 24 horas el tráfico presenta una contribución como la que se indica en la
figura 2.3. El primer punto de máxima está producido por abonados de oficinas comerciales al
comenzar las horas laborables de la mañana, posiblemente llamadas diferidas del día anterior.
Alrededor de las 12 es hora de almorzar y por la tarde hay nuevamente cierta actividad.
Alrededor de las 19 horas hay de nuevo un punto de máxima causado por llamadas privadas y una
posible reducción de las tasas a partir de las 19.30 horas. El tamaño recíproco de las crestas depende
entre otras cosas que la central esté ubicada en una zona residencial típica o en una zona comercial.
También depende del tipo de tráfico deseado. Si se considera el tráfico entre Europa y, por ejemplo,
Estados Unidos la mayoría de las llamadas tendrá lugar en horas avanzadas de la tarde debido a la
diferencia horaria.
Figura 2.2 − Cantidad de llamada por minuto a una central de conmutación un

lunes por la mañana. Las variaciones regulares de 24 horas están
superpuestas por variaciones estocásticas.
(Iversen, 1973 [37])

- 50 -

1) Llamadas/minuto
2) Tiempo
Figura 2.3 − Número medio de llamadas por minuto para una central de conmutación tomada
como promedio para periodos de 15 minutos durante 10 días laborales
(lunes a viernes). En el tiempo de las mediciones no había tasas
reducidas fuera de las horas de trabajo. (Iversen, 1973 [37])

1) Llamadas/minuto
2) Tiempo
Las variaciones se pueden dividir en variaciones de intensidad de la llamada y variaciones en el
tiempo de servicio. En la figura 2.4 se muestran las variaciones en el tiempo medio de servicio para
tiempos de ocupación de líneas de enlace durante 24 horas. Durante las horas de trabajo es
constante, un poco menos de 3 minutos. Por la tarde es mayor que 4 minutos y durante la noche es
muy pequeña, alrededor de 1 minuto.
Hora cargada: La mayor cantidad de tráfico no se produce todos los días a la misma hora. Se
define el concepto de hora cargada media repetitiva (TCBH, time consistent busy tour) como
los 60 minutos (determinado con una exactitud de 15 minutos) que durante un largo periodo sobre
el promedio tiene el tráfico más elevado.
Algunos días puede suceder que el tráfico durante la hora más cargada sea mayor que la TCBH,
pero en el promedio de varios días el tráfico en la hora cargada será el mayor.
Se ha de distinguir también entre hora cargada para el sistema global de telecomunicación, una
central, y para un solo grupo de servidores, por ejemplo un grupo de enlace. Determinados grupos
de enlace pueden tener una hora de mayor tráfico fuera de la hora cargada para la central (por
ejemplo, grupos de enlace para llamadas a los Estados Unidos).

- 51 -
En la práctica, para mediciones de tráfico, dimensionamiento y otros aspectos es conveniente tener

una hora cargada bien definida y predeterminada.
Las variaciones determinísticas en teletráfico se pueden dividir en:
A) Variaciones de 24 horas (véanse las figuras 2.3 y 2.4).
B) Variaciones semanales (véase la figura 2.5). Normalmente el tráfico más denso se produce
los lunes, luego los viernes, martes, miércoles y jueves. Los sábados y en especial los
domingos tienen un nivel de tráfico muy bajo. Una regla empírica indica que el tráfico
de 24 horas es igual a 8 veces el tráfico de la hora cargada (véase la figura 2.5), es decir
sólo se utiliza un tercio de la capacidad del sistema telefónico. Ésta es la razón de las tasas
reducidas fuera de las horas cargadas.
C) Variación durante un año. Hay una elevada afluencia de tráfico al comienzo de un mes,
después de una temporada festiva, y luego que comienza un periodo trimestral. Si Pascua
cae cerca del 1 de abril se observa un tráfico muy elevado hasta después de las vacaciones.
D) El tráfico aumenta cada año debido al desarrollo tecnológico y el factor económico de la
sociedad.
Hasta ahora se ha considerado el tráfico telefónico tradicional. Otros servicios y tipos de tráfico
tienen distintos diagramas de variación. En la figura 2.6 se muestra la variación de la cantidad de
llamadas en 15 minutos a un conjunto compartido de módem para establecer las llamadas de
Internet. En la figura 2.7 se ilustra el tiempo medio de ocupación en función de la hora del día.

- 52 -
Figura 2.4 − Tiempo de ocupación medio para líneas de enlace en función de la hora
del día. (Iversen, 1973 [37]). Las mediciones excluyen las llamadas locales

1) Tiempo de ocupación medio [s]
2) Hora

- 53 -
Figura 2.5 − Cantidad de llamadas en 24 horas a un centro de conmutación (escala izquierda).

La escala de la derecha indica la cantidad de llamadas durante la hora cargada
para fines de comparación. Se observa que el tráfico de 24 horas es
aproximadamente 8 veces el tráfico de la hora cargada.
Este factor se denomina concentración
de tráfico. (Iversen, 1973 [37])

1) Cantidad de llamadas
2) Dom Lun Mar Mie Jue Vie Sáb Dom Lun Mar Mie Jue Vie Sáb

- 54 -
Figura 2.6 − Número de llamadas durante 15 minutos a un conjunto compartido

de módem de Tele Danmark Internet. Martes 19.01.1999

1) Llegadas
2) Hora del día
La telefonía móvil celular tiene un perfil diferente con valores máximos en horas avanzadas de la
tarde, con un tiempo de ocupación medio más breve que para llamadas por líneas alámbricas.
Mediante la integración de las diversas formas de tráfico en la misma red se puede obtener entonces
una mejor utilización de los recursos.
2.3 Concepto de bloqueo

El sistema telefónico no está dimensionado para que todos los abonados se puedan conectar al
mismo tiempo. Numerosos abonados comparten los costosos equipos de las centrales. La
concentración tiene lugar del abonado a la central. El equipo que está separado para cada abonado
se debe hacer lo más económico posible.
En general, se espera que del 5 al 8% aproximadamente de los abonados pueda efectuar llamadas al
mismo tiempo en la hora cargada (cada teléfono se utiliza de 10 a 16% del tiempo). Para llamadas
internacionales menos del 1% de los abonados efectúa llamadas simultáneamente. De esta manera,
se aprovechan las ventajas de la multiplexación estadística. Cada abonado debe sentir que tiene
acceso irrestricto a todos los recursos de sistemas de telecomunicaciones aun cuando lo comparta
con muchos otros abonados.
La cantidad de equipos está limitada por razones económicas y, por tanto, es posible que un
abonado no pueda establecer una llamada, sino que tenga que esperar o quedar bloqueado (por
ejemplo, el abonado recibe el tono de ocupado y deba efectuar una nueva tentativa de llamada).
Ambos son inconvenientes para el abonado.

- 55 -
Figura 2.7 − Tiempo de ocupación medio en segundos en función de la hora del día para
llamadas que se reciben dentro del periodo considerado. Tele Danmark Internet.
Martes 19.01.1999

1) Tiempo de servicio (s)
2) Hora del día
De acuerdo con el funcionamiento del sistema se puede distinguir entre sistemas de pérdidas (por
ejemplo, grupos de enlace) y sistemas de tiempo de espera (por ejemplo, unidades de control común
y sistemas de computación) o una mezcla de éstos si el número de posiciones de espera (memoria
intermedia) es limitado.
El inconveniente en sistemas de pérdidas debido a la insuficiencia de equipos se puede expresar de
tres maneras (medidas de calidad de funcionamiento de la red):
Congestión de llamadas (B): Fracción de las tentativas de llamada que observan los
servidores ocupados (molestia que experimenta el abonado).
Congestión temporal (E): Fracción de tiempo cuando todos los servidores están
ocupados. La congestión temporal puede ser medida, por
ejemplo, en la central (= congestión virtual).
Congestión de tráfico (C): Fracción del tráfico ofrecido que no es transportado,
posiblemente a pesar de diversos intentos.
Estas medidas cuantitativas pueden ser utilizadas, por ejemplo, para establecer normas de
dimensionamiento para grupos de enlace.
En pequeños valores de congestión es posible tratar la congestión con buena aproximación en las
distintas partes del sistema como independiente recíproca. La congestión para un determinado
encaminamiento es entonces aproximadamente igual a la suma de la congestión de cada enlace del

- 56 -
encaminamiento. Durante la hora cargada se permitirá normalmente una congestión de un pequeño

porcentaje entre dos abonados.
Estos sistemas no pueden tratar cada situación sin inconveniente para los abonados. El propósito de
la teoría de teletráfico es encontrar relaciones entre calidad de servicio y costos de los equipos. El
equipo existente debe poder funcionar a plena capacidad durante situaciones de tráfico anormales
(por ejemplo un incremento repentino de llamadas telefónicas), es decir el equipo debe continuar
funcionando y efectuar conexiones útiles.
El inconveniente en sistemas de espera (sistemas de puesta en fila) se miden como un tiempo de
retardo. No sólo el tiempo de espera medio es de interés sino también la distribución del tiempo de
espera. Podría ser que un pequeño retardo no constituya ningún inconveniente, de modo que puede
no haber una relación lineal entre inconveniente y tiempo de espera.
En sistemas telefónicos se define a menudo un límite superior para el tiempo de espera aceptable. Si
este límite se rebasa se interrumpirá la conexión (desconexión forzada).
2.4 Generación de tráfico y reacción de los abonados

Si el abonado A desea hablar con el abonado B se producirá una llamada satisfactoria o bien una
tentativa de llamada fracasada. En el último caso, A puede repetir más tarde la intención de llamada
e iniciar así una serie de tentativas de llamada sin éxito. Las estadísticas de llamada se presentan
generalmente como se muestra en el cuadro 2.1, donde los errores se han agrupado en varias clases
típicas. Se observa que los únicos errores que pueden ser influenciados directamente por el operador
son los errores técnicos y bloqueo. Esta clase usualmente es pequeña pues representa un escaso
porcentaje durante la hora cargada. Asimismo, se observa que la cantidad de llamadas que
experimentan B ocupado dependen del número de errores de A y errores técnicos y bloqueo. Por
consiguiente, las estadísticas que figuran en el cuadro 2.1 no son apropiadas. Para obtener las
probabilidades pertinentes, que se muestran en la figura 2.8, sólo se considerarán las llamadas que
llegan a la etapa considerada cuando se calculan probabilidades. Aplicando la notación en la
figura 2.8 se hallan las siguientes probabilidades para un intento de llamada (suponiendo
independencia):
p{error de A} = pe (2.5)
p{congestión y errores técnicos} = (1 − pe) . ps (2.6)
p{B no contesta} = (1 − pe) . (1 − ps) . pn (2.7)
Cuadro 2.1 − Resultado típico de un gran número de tentativas de llamada durante

la hora cargada para países industrializados o países en desarrollo
Resultado País I País D
Error de A: 15 20%
Errores técnicos y bloqueo: 5% 35%
B no contesta antes de que A cuelgue: 10% 5%
B ocupado: 10% 20%
B contesta = conversación 60% 20%
Sin conversación 40% 80%

- 57 -
Figura 2.8 − Cuando se calculan las probabilidades de eventos para un determinado número
de intentos de llamadas se deben considerar las probabilidades condicionales

1) Error de A
2) Errores técnicos y bloqueo
3) Sin respuesta
4) B ocupado
5) B contesta
Cuadro 2.2 − Las probabilidades pertinentes para los resultados individuales

de las tentativas de llamada calculadas para el cuadro 2.1
País I País D
15 20
pe = = 15% pe = = 20%
100 100
5 35
ps = = 6% ps = =
85 80
44%
10 5
pn = = pn = =
80 45
13% 11%
10 20
pb = = pb = =
80 45
13% 44%
60 20
pa = = pa = =
80 45
75% 44%
p{B ocupado} = (1 − pe) . (1 − ps) . pb (2.8)

p{B contesta} = (1 − pe) . (1 − ps) . pa (2.9)
Utilizando los valores del cuadro 2.1 se hallan las cifras que se muestran en el cuadro 2.2.
Conforme a esta información se puede observar que aun si el abonado A se comporta correctamente
y el sistema telefónico es perfecto, sólo el 75% de los intentos de llamada en los países I, y el 45%
en los países D, respectivamente, dan por resultado una conversación.
Se puede distinguir entre el tiempo de servicio, que incluye el tiempo desde el instante en que se
ocupa un servidor hasta que éste se desocupa nuevamente (por ejemplo, establecimiento de la
llamada, duración de la conversación y terminación de la llamada), y duración de la conversación,

- 58 -
que es el periodo de tiempo en el que A conversa con B. En razón de las tentativas de llamada
fracasadas el tiempo de servicio medio es a menudo menor que la duración media de la llamada si
se incluyen todas las tentativas de llamada. En la figura 29 se muestra un ejemplo con tiempos de
ocupación observados.
Ejemplo 2.4.1: Tiempo medio de ocupación
Se supone que el tiempo medio de ocupación de las llamadas que son interrumpidas antes que B
conteste (error de A, congestión, errores técnicos) es de 20 segundos y que el tiempo medio de
ocupación de llamadas que llegan al abonado B (no contesta, ocupado, contesta) es de 180
segundos. El tiempo medio de ocupación del abonado A se calcula utilizando los valores que
figuran en el cuadro 2.1:
20 80
País I: ma = ⋅ 20 + ⋅180 = 148 segundos
100 100
55 45
País D: ma = ⋅ 20 + ⋅180 = 92 segundos
100 100
Se puede observar que el tiempo medio de ocupación aumenta de 148 s (92 s, respectivamente) en
el abonado A a 180 s en el abonado B. Si una tentativa de llamada implica más intenciones de
llamada repetidos (véase también el ejemplo 2.4), el tráfico transportado puede ser mayor que el
tráfico ofrecido.
Si se conoce el tiempo medio de servicio de las fases individuales de una tentativa de llamada, se
puede calcular la proporción de las intenciones de llamada que se pierden durante las fases
individuales. Esto se puede aprovechar para analizar sistemas electromecánicos utilizando sistemas
SPC para recopilar datos.
Cada tentativa de llamada carga los grupos de control en la central (por ejemplo, una computadora o
una unidad de control) con una carga casi constante mientras que la carga de la red es proporcional
a la duración de la llamada. Por esta razón muchas tentativas de llamada fracasados pueden
sobrecargar los dispositivos de control mientras que la red aún dispone de capacidad libre. Las
tentativas de llamada repetidas no son necesariamente motivadas por errores en el sistema
telefónico, sino que también pueden ser causadas, por ejemplo, por un abonado B ocupado. Este
problema fue tratado por primera vez por Fr. Johannsen en su libro "Busy" (ocupado) publicado
en 1908 (Johannsen, 1908 [52]. En las figuras 2.10 y 2.11 se muestran algunos ejemplos de
mediciones del comportamiento del abonado.
Los estudios de la respuesta de los abonados con relación, por ejemplo, al tono de ocupado, es de
vital importancia para el dimensionamiento del sistema telefónico. En realidad, los factores
humanos ( = comportamiento del abonado) constituyen una parte de la teoría de teletráfico que es
de gran interés.
Durante la hora cargada α = 10 a 16% de los abonados están ocupados utilizando las líneas para
llamadas entrantes o salientes. Por consiguiente, se supondría que el α% de las tentativas de
llamada indicarían que el abonado B está ocupado. Sin embargo, esto es erróneo pues los abonados
tienen diferentes niveles de tráfico. Algunos abonados no reciben tentativas de llamada entrantes,
mientras que otros reciben mayor cantidad de tentativas de llamadas que la media. Los abonados A
tienen inclinación en elegir los abonados B más ocupados, y en la práctica se observa que la
probabilidad que el abonado B esté ocupado es de unos 4 · α, si no se toman medidas. Para
abonados residenciales es difícil mejorar la situación, pero para grandes abonados comerciales que
tienen una central automática privada (PABX) con un grupo de números, la cantidad suficiente de
líneas eliminará la condición de ocupado de B. Por consiguiente, en países industrializados la

- 59 -
probabilidad total de abonado B ocupado toma el mismo orden de magnitud de α (véase el

cuadro 2.1). Para países en desarrollo el tráfico se centra más sobre números individuales y a
menudo los abonados comerciales no disponen de numeración de grupo y, por tanto, se observa una
alta probabilidad de abonado B ocupado (40 a 50%).
Conforme a las mediciones de Ordrup el 4% aproximadamente de las llamadas eran tentativas de
llamadas repetidas. Si un abonado presenta una indicación bloqueo u ocupado, hay un 70% de
probabilidad que la llamada se repita dentro de una hora. Véase el cuadro 2.3.
Un clásico ejemplo de la importancia de la reacción de los abonados se observó cuando la fábrica
de gas industrial de Valby (en Copenhague) explotó a mediados de la década de los 60. Los
abonados en Copenhague generaron una gran cantidad de tentativas de llamada y ocuparon los
dispositivos de control en las centrales de la zona de Copenhague. Los abonados de Esbjerg (parte
occidental de Dinamarca) que llamaban a Copenhague tenían que esperar debido a que los números
no podían ser transferidos inmediatamente a Copenhague. Por tanto, el equipo en Esbjerg se
mantuvo ocupado en espera, y los abonados que efectuaban llamadas locales en Esbjerg no
pudieron completar las tentativas de llamada.
Esto es un ejemplo de cómo se propaga una situación de sobrecarga con una reacción en cadena
por toda la red. Cuando más ajustada se ha dimensionado una red, habrá más posibilidad que se
produzca una reacción en cadena. Una central siempre ha de ser construida de modo que mantenga
su capacidad total de funcionamiento durante situaciones de sobrecarga.
Figura 2.9 − Función de frecuencia para tiempos de ocupación de enlaces en

un centro de conmutación local

- 60 -

1) Número de observaciones
2) Minutos
3) 135164 observaciones
4) μ = 142,86
5) ε = 3,83
6) Exponencial
7) Hiperexponencial
Cuadro 2.3 − Secuencia observada de tentativas de llamada repetidas (llamadas nacionales,

"mediciones de Ordrup"). La probabilidad de éxito disminuye con la cantidad
de tentativas de llamada, mientras que la persistencia aumenta. Aquí un
intento de llamada repetido es una llamada repetida al mismo
abonado B dentro de una hora
Número de observaciones
Tentativa N° Satisfactorio Continua Desiste p{éxito} Persistencia
75,389
1 56,935 7,512 10,942 0,76 0,41
2 3,252 2,378 1,882 0,43 0,56
3 925 951 502 0,39 0,66
4 293 476 182 0,31 0,72
5 139 248 89 0,29 0,74
>5 134 114
Total 61,678 13,711
En una central moderna se tiene la posibilidad de dar prioridad a un grupo de abonados en una
situación de emergencia, por ejemplo, médicos y policía (tráfico preferencial).
En sistemas informáticos similares condiciones influenciarán la calidad de funcionamiento. Por
ejemplo, si es difícil obtener libre ingreso a un sistema terminal, el usuario dispone no
desconectarse sino mantener conectado el terminal, es decir aumentar el tiempo de servicio. Si un
sistema funciona como sistema de tiempo de espera, el tiempo de espera medio aumentará entonces
con el tercer orden del tiempo de medio servicio (véase el Capítulo 13). En esas condiciones el
sistema se saturará muy rápido, es decir estará sobrecargado. En países con redes de
telecomunicación sobrecargadas (por ejemplo, países en desarrollo) un gran porcentaje de intentos
de llamadas serán tentativas de llamadas repetidas.
Ejemplo 2.4.2: Tentativa de llamada repetida
Este es un ejemplo de un modelo simple de tentativa de llamada repetida. Sea la siguiente notación:
b = persistencia (2.10)
B = p {no completada} (2.11)
La persistencia b es la probabilidad que se repita una tentativa de llamada infructuosa, y
p{completada} = {1 − B} es la probabilidad que el abonado (parte llamada) responda. Para una
tentativa de llamada se obtiene la siguiente reseña:

- 61 -
Las siguientes probabilidades se obtienen para una tentativa de llamada:

(1 − B)
p{completada} = (2.12)
(1 − B ⋅ b)
Figura 2.10 − Histograma para el intervalo de tiempo desde la ocupación del registro
(tono de marcar) a la respuesta de B para llamadas completadas.
El valor medio es 13,60 s

1) Segundos
Cuadro 2.4 − Una sola intención de llamada produce una serie de tentativas de llamadas.
La distribución de la cantidad de tentativas se dispone geométricamente
Tentativa Nº p{B responde} p{continúa} p{desiste}

0
1 (1 − B) B.b B . (1 − b)
2
2 (1 − B) . (B . b) (B . b) B . (1 − b) . (B . b)
2 3 2
3 (1 − B) . (B . b) (B . b) B . (1 − b) . (B . b)
3 4 3
4 (1 − B) . (B . b) (B . b) B . (1 − b) . (B . b)
... … … …
Total (1 − B) 1 B ⋅ (1 − b)
(1 − B ⋅ b) (1 − B ⋅ b) (1 − B ⋅ b)

- 62 -
B ⋅ (1 − b)
p{no completada} = (2.13)
(1 − B ⋅ b)
1
Número de tentativas de llamada por intención de llamada = (2.14)
(1 − B ⋅ b)
Sean los tiempos medios de ocupación siguientes:
sc = tiempo medio de ocupación de llamadas completadas
sn = 0 = tiempo medio de ocupación de llamadas no completadas
Se obtienen entonces las siguientes relaciones entre el tráfico transportado Y y el tráfico ofrecido A:
1− B
Y = A⋅ (2.15)
1− B ⋅b
1− B ⋅b
A=Y ⋅ (2.16)
1− B
Esto es similar al resultado que figura en la Recomendación UIT-T E.502.
En la práctica, la persistencia b y la probabilidad de compleción 1 – B dependerá del número de
veces que la llamada ha sido repetida (consúltese el cuadro 2.3). Si las llamadas infructuosas tienen
un tiempo medio de ocupación positivo, el tráfico transportado puede ser mayor que el tráfico
ofrecido.
2.5 Introducción al grado de servicio

La siguiente sección tiene como base la publicación: Proposed grade of service chapter for
handbook. ITU-T Study Group, Veirø, B. (2001) [100]. El operador de la red debe decidir qué
servicios ha de prestar ésta al usuario final y el nivel de calidad de servicio que el usuario debe
experimentar. Esto es así para toda red de telecomunicaciones sea con conmutación de circuitos o
con conmutación de paquetes, alámbrica o inalámbrica, óptica o de alambre de cobre, y es
independiente de la tecnología de transmisión aplicada. Otras decisiones que se han de efectuar
pueden incluir el tipo e instalación de la infraestructura de la red para soportar los servicios, y la
elección de las técnicas que se han de utilizar para tratar el transporte de la información. Estas
decisiones ulteriores pueden ser diferentes, según si el operador ya está presente en el mercado o si
comienza a prestar servicios en una situación de nuevo concurrente (es decir, una situación donde
no hay una red heredada para considerar).

- 63 -
Figura 2.11 − Histograma para todas las tentativas de llamada repetidas en

el término de 5 minutos, cuando la parte llamada está ocupada

1) Segundos
En la Recomendación UIT-T E.800 se define el concepto de calidad de servicio (QoS) como: el
efecto colectivo de calidad de funcionamiento del servicio que determina el grado de satisfacción de
un usuario del servicio. La QoS comprende un conjunto de parámetros que pertenece a la calidad de
funcionamiento del tráfico de la red, pero además de esto, la QoS también incluye una serie de otros
conceptos, que se resumen como sigue:
• logística del servicio;
• facilidad de utilización del servicio;
• servibilidad del servicio; y
• seguridad del servicio.
Las definiciones detalladas de esos términos figuran en la Recomendación E.800. Cuanto mejor
calidad de servicio ofrece un operador al usuario final, mayor será la posibilidad de obtener nuevos
clientes y mantener los clientes actuales. Pero una mejor calidad de servicio significa también que la
instalación de la red sea más costosa y esto, normalmente, tendrá relación con el precio del servicio.
La selección de una determinada calidad de servicio dependerá, por tanto, de las decisiones políticas
tomadas por el operador y esto no será tratado en el presente estudio.
Cuando se establece la decisión de calidad se puede iniciar la planificación de la red pertinente.
Esto incluye la decisión de una tecnología de red de transporte y su topología, así como los aspectos
de fiabilidad en el caso en que uno o más elementos de red tengan mal funcionamiento. Es también
en ese momento que se determina la estrategia de encaminamiento.

- 64 -
Éste es el instante en que es necesario considerar el grado de servicio (GoS). Esto se define en la
Recomendación UIT-T E.600 como: un conjunto de variables de ingeniería de tráfico utilizadas
para tener una medida de aptitud de un grupo de órganos en condiciones especificadas. Estas
variables del grado de servicio pueden expresarse como la probabilidad de pérdida, la demora del
tono de invitación a marcar, etc. A esta definición la Recomendación proporciona además las
siguientes notas:
• Los valores de parámetro asignados como objetivos para el grado de servicio se denominan
normas de grado de servicio.
• Los valores de los parámetros de grado de servicio obtenidos en condiciones reales se
denominan resultados del grado de servicio.
El punto básico para resolver en la determinación de las normas de GoS es aplicar los valores a cada
elemento de red de modo tal que se obtenga el objetivo de QoS de extremo a extremo.
2.5.1 Comparación de GoS y QoS
No es tarea sencilla encontrar las normas de GoS necesarias para soportar una determinada QoS.
Esto se debe al hecho de que los conceptos de GoS y QoS tienen distintos puntos de vista. Mientras
que la QoS considera la situación desde el punto de vista del cliente, el GoS tiene en consideración
la red. Esto se ilustra con los siguientes ejemplos:
Ejemplo 2.5.1:
Supóngase que se desea fijar la probabilidad de bloqueo de llamada de extremo a extremo al 1% en
una red telefónica. Un cliente puede interpretar que esta cantidad significa que podrá alcanzar el
destino deseado en un promedio de 99 sobre 100 casos. Al fijar este objetivo de diseño, el operador
aplicó una determinada probabilidad de bloqueo a cada uno de los elementos de red que una
llamada de referencia podría satisfacer. Para asegurar que este objetivo se cumpla se debe
supervisar la red. Pero esta supervisión normalmente tiene lugar en toda la red y sólo se puede
asegurar que la red puede satisfacer, en promedio, los valores objetivo. Si se considera una
determinada línea de acceso, su GoS objetivo puede bien ser superado, pero el promedio para todas
las líneas de acceso debe por cierto satisfacer el objetivo.
El GoS está referido a parámetros que se pueden verificar mediante la calidad de funcionamiento de
la red (aptitud de una red o parte de la red para ofrecer las funciones correspondientes a las
comunicaciones entre usuarios) y los parámetros sólo se aplican en promedio para la red. Aún si
sólo se limita a considerar la parte de la QoS que está relacionada con el tráfico, el ejemplo ilustra
que si bien el objetivo de GoS se satisface esto no es el caso para la QoS.
2.5.2 Características especiales de la QoS
Como consecuencia de todas las dificultades mencionadas anteriormente en la comparación de GoS
y QoS, y en la definición de lo que realmente es la percepción del usuario, se ha formado un grupo
para tratar estos problemas. Se denomina Grupo de Desarrollo sobre Calidad de Servicio y trabaja
conjuntamente con el Grupo de Estudio 2 del UIT-T. Sus temas de estudio incluyen nuevas
definiciones y mejoramiento de la Recomendación UIT-T E.800.
Debido a los diferentes criterios para definir el GoS y la QoS, el Grupo de Desarrollo sobre Calidad
de Servicio propuso una solución para resolver el problema. Esta solución se denomina acuerdo a
nivel de servicio (SLA, service level agreement). Esto es en realidad un contrato entre el usuario y
el operador de la red. En el mismo se define el significado real de los parámetros en cuestión. Se
supone que las definiciones están dadas de modo tal que sean interpretadas de la misma manera por
el cliente y por el operador de la red. Asimismo, el SLA define qué sucede en el caso de la violación
de los términos del contrato. Algunos operadores han decidido emitir un SLA para todas las

- 65 -
relaciones que tienen (al menos en principio) con el cliente, mientras que otros sólo lo hacen con
grandes clientes que conocen lo que realmente significan los términos del SLA.
2.5.3 Calidad de funcionamiento de la red
Como se mencionó anteriormente la calidad de funcionamiento de la red se refiere a la aptitud de
una red o parte de la misma para ofrecer las funciones correspondientes a las comunicaciones entre
usuarios. Para establecer cómo funciona una determinada red, es necesario realizar mediciones que
abarquen todos los aspectos de los parámetros de comportamiento funcional (es decir capacidad de
tráfico, seguridad de funcionamiento, transmisión y tarificación).
Asimismo, los aspectos de calidad de funcionamiento de la red en el concepto de GoS sólo
corresponden a los factores relacionados con el rendimiento funcional de la capacidad de tráfico en
la terminología de QoS. Asimismo, en el marco de la calidad de servicio el término "Calidad de
funcionamiento de la red" también incluye los siguientes conceptos:
• seguridad de funcionamiento,
• calidad de transmisión, y
• precisión de la tasación.
No es suficiente efectuar sólo mediciones, sino que es también necesario tener una organización que
pueda proporcionar la supervisión adecuada y tomar las medidas que correspondan cuando surjan
los problemas. A medida que aumenta la complejidad de la red el número de parámetros que será
necesario tener en cuenta será mayor. Esto significa que se requerirán medios automáticos para que
el panorama general de los parámetros más importantes que se deben examinar sea más sencillo.
2.5.4 Configuraciones de referencia
Para obtener una visión general de la red en estudio es a menudo conveniente presentar un diagrama
denominado configuración de referencia. Este diagrama comprende uno o más esquemas
simplificados del trayecto que una llamada (o conexión) puede tomar en la red incluido los puntos
de referencia apropiados, donde se definen las interfaces entre las entidades. En algunos casos los
puntos de referencia definen una interfaz entre dos operadores y es, por tanto, importante observar
cuidadosamente qué sucede en ese punto. En lo que se refiere al grado de servicio la importancia de
la configuración de referencia es la segmentación del GoS como se describe a continuación.
Considérese una red telefónica con terminales, conmutadores de abonado y conmutadores de
tránsito. En el ejemplo se ignora la red de señalización. Supóngase que las llamadas se pueden
encaminar por unas de las tres disposiciones siguientes:
1) terminal → conmutador de abonado → terminal
Esto se puede representar como la configuración de referencia que se muestra en la figura 2.12.
2) terminal → conmutador de abonado → conmutador de tránsito → conmutador de abonado
→ terminal
Esto se puede representar como la configuración de referencia que se muestra en la figura 2.13
3) terminal → conmutador de abonado → conmutador de tránsito → conmutador de tránsito
→ conmutador de abonado → terminal
Esto se puede representar como la configuración de referencia que se muestra en la figura 2.14.

- 66 -
Figura 2.12 − Configuración de referencia para el caso 1

1) Punto de ref. A

1) Punto de ref. A
2) Punto de ref. B

1) Punto de ref. A
2 Punto de ref. B
3) Punto de ref. C
Basado en un determinado conjunto de requisitos de QoS, se selecciona y define un conjunto de
parámetros de GoS de una base de extremo a extremo dentro de la frontera de red, para cada
categoría de servicio principal proporcionadas por la red. Los parámetros de GoS seleccionados se
especifican de modo tal que el GoS se puede obtener en puntos de referencia bien definidos, es
decir puntos de tráfico importantes. Este procedimiento se utiliza para permitir la segmentación de
los objetivos de GoS de extremo a extremo para que sea posible obtenerlos en cada etapa o
componente de red, sobre la base de algunas conexiones de referencia bien definidas.
Como se define la Recomendación E.600, referente a los términos de ingeniería de tráfico, una
conexión es una asociación de órganos que proporciona los medios para una comunicación entre
dos o más dispositivos pertenecientes a una red de telecomunicaciones, o acoplados a ella. Puede
haber diferentes tipos de conexiones pues el número y los tipos de recursos en las mismas pueden
variar. Por tanto, el concepto de conexión de referencia se utiliza para identificar casos

- 67 -
representativos de distintos tipos de conexiones sin incluir los detalles de sus realizaciones reales
por diferentes medios físicos.
En el trayecto de una conexión intervienen, por lo general, diversos segmentos de red. Por ejemplo,
una conexión puede ser local, nacional o internacional. Las conexiones de referencia se utilizan para
aclarar y especificar asuntos de calidad de funcionamiento del tráfico en diversas interfaces entre
distintos dominios de red. Cada dominio puede estar constituido por una o más redes del proveedor
del servicio. La Recomendación I.380/Y.1540 define los parámetros de calidad de funcionamiento
para la transferencia de paquetes de protocolo de Internet; el proyecto de Recomendación Y.1541
especifica las atribuciones y objetivos de calidad de funcionamiento correspondientes. La
Recomendación E.651 especifica las conexiones de referencia para redes de acceso con protocolo
Internet. Se van a elaborar otras conexiones de referencia.
De los objetivos de QoS, se obtiene un conjunto de parámetros GoS de extremo a extremo y sus
objetivos para distintas conexiones de referencia. Por ejemplo, la probabilidad de bloqueo de la
conexión de extremo a extremo y el retardo de transferencia de paquete de extremo a extremo
pueden ser parámetros de GoS pertinentes. Los objetivos de GoS se deben especificar con
referencia a las condiciones de carga del tráfico, tal como en condiciones de carga normal y
elevada. Los objetivos de GoS de extremo a extremo se asignan entonces a componentes de
recursos de las conexiones de referencia para fines de dimensionamiento. En una red operacional, se
requieren mediciones y supervisión de la calidad de funcionamiento para asegurar que los objetivos
de GoS se hayan cumplido.
En redes basadas en el protocolo Internet, la asignación de calidad de funcionamiento se efectúa
generalmente en una nube, es decir el conjunto de encaminadores y enlaces bajo una
responsabilidad jurisdiccional única (o en colaboración), tal como una ISP. Una nube se conecta a
otra nube mediante un enlace, es decir un encaminador de pasarela en una nube se conecta a través
de un enlace a un encaminador de pasarela en otra nube. La comunicación de extremo a extremo
entre sistemas centrales se conduce por un trayecto que comprende una secuencia de nubes y
enlaces de interconexión. Esta secuencia se conoce como trayecto ficticio de referencia para fines
de asignación de calidad de funcionamiento.

- 68 -
CAPÍTULO 3
Teoría de las probabilidades y estadísticas
Todos los intervalos de tiempo que se consideran en este Manual no son negativos y, por tanto,
pueden ser expresados por variables estocásticas no negativas. Los intervalos de tiempo de interés
son, por ejemplo, tiempos de servicio, duración de la congestión (periodos de bloqueo, periodos de
ocupado), tiempos de espera, tiempos de ocupación, tiempos de CPU ocupado, periodos entre las
llegadas a destino de las llamadas, etc. En este Capítulo se examinan la teoría básica de las
probabilidades y las estadísticas en lo que respecta a la teoría del teletráfico.
3.1 Funciones de distribución

Un intervalo de tiempo puede ser descrito por una variable estocástica T, que se caracteriza por una
función de distribución F(t):
t
F (t ) = ∫ dF (u ) para 0 ≤ t < ∞, (3.1)
0−
F (t ) = 0 para t < 0
En la ecuación (3.1) se integra desde 0 – para mantener el registro de una posible discontinuidad
en t = 0. Cuando se consideran los sistemas de tiempo de espera, hay siempre una probabilidad
positiva de tener tiempos de espera iguales a cero, es decir F(0) ≠ 0. Por otra parte cuando se
observan los periodos entre las llegadas a destino de las llamadas, se supone generalmente
que F(0) = 0 (véase el § 5.2.3).
La probabilidad que la duración de un intervalo de tiempo sea menor o igual a t resulta:
p(T ≤ t) = F(t).
A veces es más sencillo considerar la función de distribución complementaria.
Fc(t) = 1 – F(t).
Esto también se denomina función de distribución de supervivencia.
Se supone a menudo que F(t) es diferenciable y que existe la siguiente función de densidad f(t):
dF(t) = f(t) . dt = p{t < T ≤ t + dt}, t ≥ 0. (3.2)
Normalmente, se supone que el tiempo de servicio es independiente del proceso de llegada, y que
un tiempo de servicio es independiente de otros tiempos de servicio. En forma analítica, se pueden
efectuar muchos cálculos para cualquier distribución de tiempo. En general, siempre se supone que
existe el valor medio.
3.1.1 Caracterización de las distribuciones
Las distribuciones temporales que sólo suponen argumentos positivos poseen algunas propiedades
ventajosas. Para el i-ésimo momento no central, que generalmente indica i-ésimo momento, se
puede indicar que la identidad de Palm es válida:

- 69 -
La identidad de Palm (Ec. 3.3), que es válida para las distribuciones de tiempo de vida (sólo
definidas para argumentos no negativos), se aprobó por primera vez en (Palm, 1943,[81]) como
sigue:
El orden de integración se puede invertir pues el integrando no es negativo.

Así, se puede comprobar (Ec. 3.3) lo siguiente:
La siguiente prueba simplificada es correcta pues se supone que los momentos existen:
Ejemplo 3.1.1: Distribución exponencial

Para la distribución exponencial se tiene:
Sería muy sorprendente que las dos integrales sean idénticas. Los dos integrandos pueden, aparte de
ser constantes, ser transformados en una función de densidad Erlang-3 o Erlang-2, respectivamente
(4.8), que tiene la masa de probabilidad total:
En especial, se tienen los primeros dos momentos bajo la hipótesis que existen:

- 70 -
El valor medio (expectativa) es el primer momento:
El i-ésimo momento central se define como:
La varianza es idéntica al segundo momento central:
Por lo general una distribución viene definida unívocamente por todos sus momentos. Una medida
normalizada para la (dispersión de) irregularidad de una distribución es el coeficiente de variación.
Se define como la relación entre la desviación normalizada y el valor medio:
σ
CV = coeficiente de variación = (3.9)
m
Esta cantidad no tiene dimensión y luego se aplicará para caracterizar las distribuciones discretas
(probabilidades de estado). Otra medición de irregularidad es el factor de forma de Palm ε, que se
expresa como sigue:
(3.10)
El factor de forma ε así como σ/m son independientes de la elección de la escala de tiempo, y
aparecerá en muchas fórmulas en los textos siguientes.
Cuando mayor sea el factor de forma, más irregular es la distribución temporal, y mayor será, por
ejemplo, el tiempo de espera medio en un sistema de tiempo de espera. El factor de forma toma el
valor mínimo igual a uno para intervalos de tiempo constantes (σ = 0).
Para estimar una distribución a partir de las observaciones, se está a menudo satisfecho al conocer
los primeros dos momentos (m y σ o ε) pues los momentos de orden superior requieren gran
cantidad de observaciones para obtener estimaciones fiables. Las distribuciones temporales también
se pueden caracterizar de otras maneras, cuyas más importantes se analizarán más adelante.
3.1.2 Tiempo de vida residual
Se desea hallar la distribución del tiempo de vida residual, dado que ya ha sido obtenida una
determinada edad x ≥ 0.
La distribución condicional F(t+x⎜x) se define como sigue (suponiendo que p{T > x} > 0 y t ≥ 0:

- 71 -
y así
La figura 3.1 ilustra los cálculos gráficamente.

El valor medio m1,r del tiempo de vida residual se puede expresar como (3.4):
El índice de mortalidad en el tiempo x, es decir la probabilidad de que la vida útil considerada

termina dentro de un intervalo (x,x + dx), bajo la condición que la edad x haya sido alcanzada, se
obtiene con la expresión (3.11) en la condición t = dx:
La función de densidad condicional μ(x) también se denomina función obstáculo. Si se da esta

función, se puede obtener entonces F(x) como solución a la siguiente ecuación diferencial:

- 72 -
Figura 3.1 − Función densidad del tiempo de vida residual condicionada para
una edad x dada (3.11). El ejemplo se basa en una distribución de
Weibull We(2,5) donde x = 3 y F(3) = 0,3023.
que tiene la siguiente solución (suponiendo F(0) = 0):
El índice de mortalidad μ(t) es constante si, y solo sí, la vida útil se distribuye en forma exponencial
(Capítulo 4). Esto es una característica fundamental de la distribución exponencial que se denomina
propiedad de Markovian (falta de memoria (edad)): La probabilidad de terminación es
independiente de la edad real (historia) (véase el § 4.1).
Cabría esperar que la vida útil residual media m1,r(x) disminuya cuando aumenta x, así como la vida
útil residual esperada disminuya cuando la edad x aumenta. Esto no siempre es el caso. Para una
distribución exponencial con factor de forma ε = 2 (véase el § 5.1), se tiene m1,r = m. Para
distribuciones pronunciadas (1 ≤ ε ≤ 2) se tiene m1,r < m (véase el § 4.2), mientras que para
distribuciones planas (2 < ε < ∞), se tiene m1,r ≥ m (véase el § 4.3).

- 73 -
Ejemplo 3.1.2: Distribución del tiempo de espera

La distribución del tiempo de espera Ws(t) para un cliente aleatorio tiene usualmente una masa
(atómica) de probabilidad positiva en t = 0, en razón que algunos de los clientes toman el servicio
inmediatamente sin espera. Se tiene así Ws(0) > 0. Aplicando la ecuación (3.11) la distribución del
tiempo de espera W+(t) para clientes que tienen tiempos de espera positivos será:
o si se indica la probabilidad de un tiempo de espera positivo {1 – Ws(0)} por D (probabilidad de

demora):
Para la función de densidad, aplicando la ecuación (3.11), se tiene:
Para valores medios se obtiene:
donde el valor medio para todos los clientes viene indicado por W y el valor medio para los clientes
demorados se indica con w.
3.1.3 Cargas de tráfico basadas en tiempos de ocupación inferiores a x
Hasta ahora, se ha atribuido la misma importancia a todos los tiempos de vida independientes de su
duración. La importancia de un tiempo de vida es a menudo proporcional a su duración, por
ejemplo cuando se considera la carga del sistema de puesta en fila, la tarificación de los tiempos
CPU, conversaciones telefónicas, etc.
Si se atribuye un factor ponderado a un tiempo de vida proporcional a su duración, el promedio de
ponderación de todos los intervalos de tiempo se hace igual al valor medio:
donde f(t) dt es la probabilidad de una observación dentro del intervalo (t, t + dt), y t es la
ponderación de esta observación.
En un proceso de tráfico habrá interés en calcular qué proporción del tráfico total se debe a tiempos
de ocupación de duraciones menores que x:
(Esta expresión es la misma que la proporción del valor medio debido a contribuciones de tiempos
de vida menores que x.)
A menudo, pocos tiempos de servicio integran una proporción relativa grande de la carga de tráfico
total. En la figura 3.2 se puede observar que el factor de forma ε es 5, luego el 75% de los tiempos
de servicio sólo contribuyen con el 30% de la carga total (regla de Vilfred Pareto). Este hecho se
puede utilizar para dar prioridad a tareas breves sin demorar mucho las tareas más largas (véase el
Capítulo 13).

- 74 -
3.1.4 Tiempo de recurrencia hacia adelante

El tiempo de vida residual de un punto aleatorio en el tiempo se denomina tiempo de recurrencia
hacia adelante. En esta sección se establecerán algunas fórmulas importantes. Para formular el
problema se ha de considerar un ejemplo: Se desea investigar la distribución de vida útil de
automóviles, y solicitar a propietarios escogidos al azar acerca del año de fabricación de su
automóvil. Como el punto en el tiempo se escoge al azar, la probabilidad de elegir un automóvil es
proporcional a la vida útil total del mismo. La distribución de la vida útil residual futura será
entonces idéntica al tiempo de vida ya obtenido.
De esta manera al escoger una muestra, la probabilidad de elegir un automóvil es proporcional a la
vida útil del mismo, es decir se escogerán preferiblemente automóviles con vidas útiles largas
(muestras con propensión a la duración). La probabilidad de elegir un automóvil que tenga una vida
útil total x viene dada por (refiérase en estadística a momento de una distribución) (véase también la
fórmula (3.22)):
Como se considera un punto aleatorio en el tiempo, la distribución del tiempo de vida restante se
efectuará uniformemente en (0, x]:

- 75 -
Figura 3.2 − Ejemplo de la carga de tráfico relativa de tiempos de ocupación menores

que un valor dado obtenido por el percentil de la distribución de tiempo de
ocupación (3.22). Aquí ε = 2 corresponde a una distribución
exponencial y ε = 5 corresponde a la distribución de Pareto.
Se observa que el 10% de tiempo de ocupación más
largo contribuye con el 33% (47%, respectivamente)
de la carga (véase promedios de cliente y promedios
de tiempo en el Capítulo 5)

1) Carga relativa
2) Percentil/100
Luego, la función de densidad del tiempo de vida restante en un punto aleatorio en el tiempo es la
siguiente:
donde F(t) es la función de distribución del tiempo de vida total y m es el valor medio.

- 76 -
Mediante la aplicación de las identidades (Ec. 3.3), se observa que el i-ésimo momento de v(t) viene
dado por el (i + 1) –ésimo momento de f(t):
Se obtiene el valor medio:
donde ε es el factor de forma de la distribución de tiempos de vida. Estas fórmulas también son
válidas para distribuciones temporales discretas.
3.1.5 Distribución de la j-ésima variable estocástica k más grande
Supóngase que las variables estocásticas {T1, T2 . . . , Tk} están distribuidas idéntica e
independientemente con la función de distribución F(t). La distribución de la j-ésima variable más
grande viene dada por la siguiente expresión:
pues a la suma de las variables j-1 pueden ser mayores que t. La más pequeña (o k-ésima más
grande, j = k) tiene la función de distribución siguiente:
y la mayor (j = 1) tiene la siguiente función de distribución:
Si las variables estocásticas tienen funciones Fi(t) individuales, se tendrá una expresión más
compleja que la dada en la ecuación (3.26). Para la más pequeña y la más grande se tendrá:
3.2 Combinación de variables estocásticas

Se pueden combinar tiempos de vida disponiéndolos en serie o en paralelo o mediante una
combinación de ambos.

- 77 -
3.2.1 Variables estocásticas en serie

Un enlace en serie de k intervalos de tiempos independientes corresponde a la adición de k variables
estocásticas independientes, es decir convolución de las variables estocásticas.
Si el valor medio y la varianza del i-ésimo intervalo de tiempo se representa por m1,i, σ i2 ,
respectivamente, la suma de las variables estocásticas tendrán el valor medio y varianza siguientes:
En general, se deberían agregar los denominados acumulantes. Los tres primeros acumulantes son
idénticos a los primeros tres momentos centrales.
La función de distribución de las sumas se obtiene por la convolución:
donde ⊗ es el operador de convolución (véase el § 6.2.2).

Ejemplo 3.2.1: Distribución binomial y ensayo de Bernoulli
Supóngase que la probabilidad de éxito en una prueba (por ejemplo tirar un dado) sea igual a p y la
probabilidad de fracaso sea igual 1 − p. El número de éxitos en una sola prueba estará entonces
dada por la distribución de Bernoulli:
Si se efectúa un total de S pruebas, la distribución de la cantidad de éxitos tiene distribución

binomial:
la que se obtiene, por tanto, mediante la convolución de S distribuciones de Bernoulli. Si se ejecuta

una prueba adicional, la distribución del número total de éxitos se obtiene mediante la convolución
de la distribución binomial (3.35) y la distribución de Bernoulli (3.34):

- 78 -
3.2.2 Variables estocásticas en paralelo

Mediante la ponderación de l variables estocásticas independientes, donde la i-ésima variable
aparece con el factor de ponderación pi, (valor medio m1,i y varianza σ i2 ), la variable estocástica de
la suma tiene el valor medio y varianza siguientes:
En este caso se deben ponderar los momentos no centrales. Para el ν-ésimo momento se tiene:
donde mν,i es el ν-ésimo momento no central de la distribución del i-ésimo intervalo.

La función de distribución (distribución compuesta) es la siguiente:
Una fórmula similar es válida para la función de densidad.
3.3 Suma estocástica

Por suma estocástica se entiende la suma de un número estocástico de variables estocásticas
(Feller, 1950[29]). Considérese un grupo de enlace sin congestión, donde el proceso de llegada y los
tiempos de ocupación son independientes desde el punto de vista estocástico. Si se considera un
intervalo de tiempo fijo T, el número de llegadas es una variable estocástica N, que viene
caracterizada por:
N: función de densidad p(i),
valor medio m1,n (3.40)
varianza σ n2 ,
El número de llamada de llegada i tiene el tiempo de ocupación Ti. Todos los Ti tienen la misma
distribución, y cada llegada (petición) contribuirá con un determinado número de unidades de
tiempo (tiempos de ocupación) que es una variable estocástica caracterizada por.
T: función de densidad f(t),
valor medio m1,t (3.41)
varianza σ 2 ,
t
El volumen de tráfico total generado por todas las (peticiones de) llegadas que se reciben dentro del
intervalo T considerado es entonces una variable estocástica propiamente dicha:
ST = T1 + T2 + . . . + TN. (3.42)

- 79 -
El siguiente diagrama se supone que Ti y N son estadísticamente independientes. Esto se cumplirá

cuando la congestión es cero.
Figura 3.3 − Una suma estocástica se puede interpretar con una combinación
serie/paralelo de una variable estocástica aleatoria
Los siguientes cálculos son válidos para variables estocásticas discretas y continuas (la suma se
remplaza por la integración o viceversa).
La suma estocástica se convierte en una combinación de variables estocásticas en serie y en paralelo
como se ilustra en la figura 3.3 y se trata en el § 3.2. Para una derivación dada i se tiene (véase la
figura 3.3):
Sumando todos los valores (bifurcaciones) i posibles se obtiene:

- 80 -
Así, la suma estocástica ST tiene una probabilidad de función generadora igual a la función de
generación compuesta, y se puede hallar el valor medio y la varianza de la suma estocástica
mediante su diferenciación.
Se observa que hay dos contribuciones a la varianza total: un término en función del número de
llamadas y es la variable estocástica ( σ n2 ), y otro término en función de la duración de las llamadas
que es la variable estocástica ( σ 2 ).
t
Ejemplo 3.3.1: Caso especial 1: N = n = constante (mn = n)
Esto corresponde al conteo del número de llamadas al mismo tiempo en que se mide el volumen de
tráfico, de modo tal que se puede estimar el tiempo de ocupación media.
Ejemplo 3.3.2: Caso especial 2: T = t = constante (mt t)
Si se cambia la escala de 1 am1,t, el valor medio se ha de multiplicar por m1,t, y la varianza

por m m 12, t . El valor medio m1,t = 1 corresponde al conteo de números de llamada, por ejemplo un
problema de cómputo.
Ejemplo 3.3.3: Suma estocástica
Como ejemplo distinto al teletráfico N puede indicar la cantidad de chaparrones durante un mes y Ti
la precipitación debido al i-ésimo chubasco. ST es entonces una variable estocástica que describe la
precipitación total durante un mes. N, también puede indicar para un determinado intervalo de
tiempo la cantidad de accidentes registrados por una compañía de seguros y Ti indica la
compensación para el i-ésimo accidente. ST es entonces la cantidad total pagada por la compañía
durante el periodo considerado.

- 81 -

- 82 -
CAPÍTULO 4
Distribuciones de los intervalos de tiempo
La distribución exponencial es la distribución temporal más importante de la teoría del teletráfico.

La distribución temporal se trata en el § 4.1.
Al combinar en serie intervalos temporales distribuidos exponencialmente, se obtiene una clase de
distribuciones denominadas distribuciones de Erlang (véase el § 4.2). Al combinarlos en paralelo, se
obtiene una distribución hiperexponencial (véase el § 4.3). Al combinar las distribuciones
exponenciales en serie y en paralelo, posiblemente con retroalimentación, se obtienen distribuciones
de tipo fase, lo que constituye una clase muy general de distribuciones. Las distribuciones de Cox
son una sub categoría importante de las distribuciones de tipo fase (véase el § 4.4). Se observa que
una distribución arbitraria se puede expresar mediante una distribución Cox, lo que puede utilizarse
en modelos analíticos en forma relativamente sencilla. Por último, también se estudian otras
distribuciones temporales que se emplean en la teoría del teletráfico (véase el § 4.5). Se ofrecen
algunos ejemplos de observaciones de tiempos de vida (véase el § 4.6).
4.1 Distribución exponencial

En la teoría de teletráfico esta distribución también se denomina distribución exponencial negativa.
En el § 3.1.2 esto ya ha sido mencionado y aparecerá nuevamente en el § 6.2.1.
En principio, se puede utilizar cualquier función de distribución con valores no negativos para
modelar un tiempo de vida. Sin embargo, la distribución exponencial tiene algunas características
propias que hacen que esta distribución se califique para utilización analítica y práctica. La
distribución exponencial desempeña un papel fundamental entre todas las distribuciones de tiempo
de vida.
Esta distribución se caracteriza por un parámetro único, la intensidad o régimen λ:
La función gamma viene defina por:
Si se reemplaza t por λt y se obtiene el ν-ésimo momento, se tiene:
1
Valor medio: m = m1 = ,
λ
2
Segundo momento: m2 = ,
λ2
2 1
Varianza: σ = ,
λ2
Factor de forma: ε = 2,

- 83 -
Figura 4.1 − En diagramas de fase todo intervalo de tiempo distribuido exponencialmente

se ilustra como una casilla con la intensidad. La casilla significa así que un
cliente que llega a la misma sufre el retardo de un intervalo de tiempo
distribuido exponencialmente antes de dejar la casilla
La distribución exponencial es muy apropiada para describir intervalos de tiempo físicos (véase la
figura 6.2). La característica más importante de la distribución exponencial es su falta de memoria.
La distribución del tiempo residual de una conversación telefónica es independiente de la duración
real de la conversación, y es igual a la distribución del tiempo de vida total (3.11):
Si se quita la masa de probabilidad del intervalo (0, x) a partir de la función densidad y se normaliza
la masa residual en (x, ∞) a la unidad, la nueva función de densidad se hace congruente con la
función de densidad original. La única función de distribución continua que tiene esta propiedad es
la distribución exponencial, mientras que la distribución geométrica es la única distribución discreta
que tiene esta propiedad. En la figura 3.1 se muestra un ejemplo con la distribución de Weibull en la
que esta propiedad no es válida. Para k = 1 la distribución de Weibull se hace idéntica a que la
distribución exponencial. Por tanto, el valor medio del tiempo de vida residual es m1,r = m y la
probabilidad de observar un tiempo de vida en el intervalo (t,t + dt), teniendo en cuenta que se
produzca después de t, viene dado por:
es decir es independiente del tiempo real t.

4.1.1 Mínimo de k variables aleatorias distribuidas exponencialmente
Se supone que dos variables aleatorias X1 y X2 son mutuamente independientes y están distribuidas
exponencialmente con intensidades λ1 y λ2, respectivamente. Una nueva variable aleatoria X se
define como:
La función de distribución de X es:

- 84 -
Esta función de distribución propiamente dicha es también una distribución exponencial con
intensidad (λ1 y λ2).
Con la hipótesis que el primer evento (más pequeño) sucede en el tiempo t, la probabilidad que la
variable aleatoria X1 se realice primero viene dada por:
es decir independiente de t. (No es necesario integrar todos los valores de t.)

Esos resultados pueden ser generalizados a k variables e integrar el principio básico de la
simulación técnica denominada método de la ruleta, una metodología de simulación de
Monte Carlo.
4.1.2 Combinación de distribuciones exponenciales
Si una distribución exponencial (es decir, un parámetro) no puede describir los intervalos de tiempo
con detalle suficiente, se ha de tener que utilizar entonces una combinación de dos o más
distribuciones exponenciales. Conny Palm introdujo dos clases de distribuciones: pronunciada y
plana.
Una distribución pronunciada corresponde a un conjunto de distribuciones estocásticas con
exponencial independiente dispuestos en serie (véase la figura 4.2), y una distribución plana
corresponde a distribuciones exponenciales dispuestas en paralelo (véase la figura 4.4). Esta
estructura corresponde naturalmente a la configuración de procesos de tráfico en redes de
telecomunicación y datos.
Mediante la combinación de distribuciones pronunciada y planas se obtiene una aproximación
arbitrariamente buena para cualquier función de distribución (véase la figura 4.7 y el § 4.4). Los
diagramas de las figuras 4.2 y 4.4 se denominan diagramas de fase.
Figura 4.2 - Mediante la combinación de k distribuciones exponenciales en serie

se obtiene una distribución pronunciada (ε ≤ 2). Si todas las distribuciones k
son idénticas (λ1 = λ), se obtiene entonces una distribución Erlang-k

- 85 -
Figura 4.3 − Distribuciones Erlang-k con valor medio igual a uno. El caso k = 1
corresponde a una distribución exponencial (funciones de densidad)

1) Distribuciones Erlang-k
4.2 Distribuciones pronunciadas

Las distribuciones pronunciadas también se denominan distribuciones hiperexponenciales o
distribuciones Erlang generalizadas con un factor de forma en el intervalo 1 < ε ≤ 2. Esta función de
distribución generalizada se obtiene convolucionando distribuciones exponenciales k (véase la
figura 4.2). Aquí sólo se considera el caso en el que todas las distribuciones exponenciales k son
idénticas. Se obtiene entonces la siguiente función de densidad que se denomina distribución
Erlang-k.

- 86 -
(véase el § 6.1) (4.10)

Mediante las ecuaciones (3.31) y (3.32) se pueden obtener los momentos siguientes;
El i-ésimo momento no central es:
La función de densidad se calcula en el § 6.2.2. El tiempo de vida residual medio m1,r(x) para x ≥ 0
será menor que el valor medio:
Con esta distribución se tiene dos parámetros (λ , k) disponibles para ser estimados por observación.
El valor medio se mantiene a menudo fijo. Para estudiar la influencia del parámetro k en la función
de distribución, se normalizan todas las distribuciones Erlang-k al mismo valor medio como la
distribución Erlang-1, es decir la distribución exponencial con 1/λ medio, reemplazando t por kt o λ
por kλ:
Se observa que el factor de forma es independiente de la escala de tiempos. La función de densidad

(4.15) se ilustra en la figura 4.3 para diferentes valores de k con λ = 1. El caso k = 1 corresponde a
la distribución exponencial. Cuando k → ∞ se obtiene en un intervalo de tiempo constante (ε = 1).
Resolviendo la ecuación f' (t) se halla el valor máximo con la siguiente expresión:

- 87 -
Las distribuciones pronunciadas se denominan así debido a que las funciones de distribución
aumenta de 0 a 1 más rápidamente que la distribución exponencial. En teoría de teletráfico se utiliza
a veces el nombre distribución de Erlang para la distribución de Poisson truncada (véase el § 7.3).
4.3 Distribuciones planas

La función de distribución general es en este caso una suma ponderada de distribuciones
exponenciales (distribución compuesta) con un factor de forma ε ≥ 2:
donde la función de ponderación puede ser discreta o continua (integral de Stieltjes). Esta clase de
distribución corresponde a una combinación en paralelo de las distribuciones exponenciales (véase
la figura 4.4). La función de densidad se denomina función monótona completa debido a los signos
alternados (Palm, 1957 [84]).
Figura 4.4 − Mediante la combinación de distribuciones exponenciales k en paralelo y

seleccionando la derivación número i con la probabilidad pi, se obtendrá una
distribución hiperexponencial, que es una distribución plana (ε ≥ 2)
El tiempo de vida residual medio m1,r(x) para toda x ≥ 0 es mayor que el valor medio:
4.3.1 Distribución hiperexponencial

En este caso, W(λ) es un valor discreto. Supóngase que se tengan los siguientes valores dados:
λ1, λ2, ... , λk,
y que W(λ) tenga incrementos positivos:
p1, p2, ... , pk
donde

- 88 -
Para cualquier otro valor, W(λ) es constante. En este caso (4.20) resulta:
Los valores medio y el factor de forma se pueden hallar con las ecuaciones (3.36) y (3.37)
(σi = m1,i = 1/λi):
Si n = 1 o todas las λi son iguales, se tendrá una distribución exponencial.

Esta clase de distribución se denomina distribución hiperexponencial y se puede obtener
combinando n distribuciones exponenciales en paralelo, donde la probabilidad de elegir la i-ésima
distribución viene dada por pi. La distribución se denomina plana pues su función de distribución
de 0 a 1 aumenta más lentamente que la distribución exponencial.
En la práctica, es difícil estimar más que uno o dos parámetros. El caso más importante es
para n = 2 (p1 = p, p2 = 1 – p):
Los problemas estadísticos surgen aun cuando se tratan tres parámetros. Por consiguiente, para
aplicaciones prácticas se escoge usualmente λi= 2λpi y se reduce así la cantidad de parámetros a
sólo dos:
El valor medio y el factor de forma resultan:
Para esta elección de parámetros las dos derivaciones tiene la misma contribución para el valor
medio. En la figura 4.5 se ilustra un ejemplo.

- 89 -
4.4 Distribuciones de Cox
Mediante la combinación de distribuciones planas y pronunciadas se obtiene una clase de

distribución general (distribuciones de tipo de fase) que se pueden describir con fase exponencial
tanto en serie como en paralelo (por ejemplo una matriz k × l). Para analizar un modelo con esta
clase de distribuciones, se puede aplicar la teoría de los procesos de Markov, de la que se tienen
herramientas eficaces como el método de fase. En el caso más general se puede permitir la
realimentación entre las fases.
Sólo se considerarán distribuciones de Cox como las que se muestran en la figura 4.6
(Cox, 1955 [18]). Estas distribuciones también aparecen con el nombre de distribución de Erlang
con derivaciones.
Figura 4.5 − Función de la (frecuencia de) densidad para tiempos de ocupación

observándose líneas en una central local durante las horas cargadas.
(Central 0163, 27/5-6/6 1975.)

- 90 -

2) Tiempo
m = 171,85 s
factor de forma = 3,30
Figura 4.6 − Distribución de Cox en una distribución Erlang generaliza que tiene
distribuciones exponenciales tanto en serie como en paralelo.
El diagrama de fase es equivalente a la figura 4.7
Figura 4.7 − Diagrama de fase de una distribución de Cox (véase la figura 4.6)
El valor medio y la varianza de esta distribución de Cox (véase la figura 4.7) se encuentran en las
fórmulas que figuran en el § 3.2:
donde:

- 91 -
El término qi(1 – ai) es la probabilidad de salir después de alcanzar la i-ésima fase. El valor medio
se puede calcular con la simple expresión siguiente:
donde m1,i = qi/λi, es el i-ésimo valor medio relacionado con la fase. La varianza es:
que se puede expresar así:
La adición de dos variables aleatorias con distribución Cox produce otra variable con distribución
Cox, es decir esta clase es cerrada de acuerdo con la operación de adición.
La función de una distribución de Cox se puede expresar como la suma de funciones exponenciales:
donde
4.4.1 Prueba polinomial

Las siguientes propiedades tienen importancia para aplicaciones posteriores. Si se considera un
punto en el tiempo escogido al azar dentro de un intervalo de tiempo con distribución de Cox, la
probabilidad que este punto esté dentro de la fase i viene dada por:
Si este experimento se repite y veces (independientemente), la probabilidad que la fase i se observa

yi veces está dada por la distribución multinomial ( = distribución polinomial):
donde

- 92 -
Estas expresiones (4.38) se denominan coeficientes multinomiales. Por la propiedad de "falta de

memoria" de las distribuciones (fases) exponenciales se tiene plena información acerca del tiempo
de vida residual, cuando se conoce el número de la fase real.
4.4.2 Principios de descomposición
Figura 4.8 − Una distribución exponencial con intensidad λ es equivalente a

la distribución de Cox mostrada (Teorema 4.1)
Los diagramas de fase constituyen una herramienta útil para analizar las distribuciones de Cox. La
siguiente es una característica fundamental de la distribución exponencial (Iversen y
Nielsen, 1985 [43]):
Teorema 4.1 Una distribución exponencial con intensidad λ se puede descomponer en una
distribución Cox de dos fases, donde la primera tiene una intensidad m > λ y la segunda una
intensidad λ (véase la figura 4.8).
El Teorema 4.1 muestra que una distribución exponencial es equivalente a una distribución de Cox
homogénea (homogénea significa que tiene iguales intensidades en todas las fases) con
intensidad m y un número infinito de fases (véase la figura 4.8). Se observa que las probabilidades
de derivaciones son constantes. La figura 4.9 corresponde a una suma ponderada de distribuciones
Erlang-k donde los factores de ponderación están geométricamente distribuidos.

- 93 -
Figura 4.9 − Una distribución exponencial con régimen λ se transforma por

descomposición sucesiva en una distribución compuesta de
distribuciones Erlang-k homogéneas con los parámetros μ > λ,
donde los factores de ponderación siguen una distribución
geométrica (cociente p = λ/m)
Figura 4.10 − Con una distribución hiperexponencial con dos fases λ1 > λ2 puede
ser transformada a una distribución de Cox-2 (véase el § 4.4.2)
Conforme al Teorema 4.1 una distribución hiperexponencial con l fases es equivalente a una
distribución de Cox con el mismo número de fases. El caso l = 2 se muestra en la figura 4.10.
Se tiene otra propiedad de las distribuciones de Cox (Iversen y Nielsen, 1985 [43]):
Teorema 4.2 En cualquier distribución de Cox se pueden ordenar las fases, tal como λi ≥ λi+1.
Mediante el empleo de los diagramas de fase es sencillo ver que cualquier intervalo de tiempo
exponencial (λ) se puede descomponer en distribuciones de tipo de fase (λi), donde λi ≥ λ.
Referente a la figura 4.11 se observa que el régimen fuera de los estados macro (rectángulo en línea
de trazos) es independiente de λ del estado micro. Cuando el número de fase k es finito y no hay
realimentación la fase final debe tener régimen λ.

- 94 -
Figura 4.11 − Esta distribución de tipo de fase es equivalente a un exponente

único cuando pi . λi = λ. Así λi ≥ λ como 0 < pi ≤ 1
4.4.3 Importancia de la distribución de Cox

Las distribuciones de Cox han atraído la atención durante los últimos años pues son de gran
importancia debido a las siguientes propiedades:
a) La distribución de Cox se puede analizar utilizando el método de fases.
b) Se puede tener una distribución arbitraria aproximadamente bien con una distribución de
Cox. Si una propiedad es válida para una distribución de Cox será también válida para
cualquier distribución de interés práctico.
Con las distribuciones de Cox se pueden obtener resultados con métodos elementales que
previamente requerían matemáticas muy avanzadas.
En la conexión con aplicaciones prácticas de la teoría, se han utilizado los métodos para estimar los
parámetros de la distribución de Cox. En general, hay 2k parámetros en un problema estadístico sin
resolver. Normalmente, se puede elegir una distribución de Cox especial (por ejemplo, distribución
Erlang-k o hiperexponencial) y aproximarse al primer momento.
Por simulación numérica en computadoras utilizando el método de la ruleta, se obtienen
automáticamente las observaciones de los intervalos de tiempo como distribución de Cox con las
mismas intensidades en todas las fases.
4.5 Otras distribuciones temporales

En principio, cada distribución que tiene valores no negativos, se puede utilizar como distribución
temporal para describir los intervalos de tiempo. Pero en la práctica, se trabaja principalmente con
las distribuciones mencionadas anteriormente.
Se supone que el parámetro k en la distribución de Erlang-k (Ec. 4.8) toma valores reales no
negativos y obtiene la distribución gamma:
El valor medio y la varianza vienen dados por las ecuaciones (4.11) y (4.12).
Otro ejemplo de una distribución también conocida en la teoría de teletráfico es la distribución de
Weibull:

- 95 -
Con esta distribución se puede, por ejemplo, obtener la intensidad de fin de vida dependiente del
tiempo (3.14):
Esta distribución tiene su origen en la teoría de la fiabilidad. Para k = 1 se tiene la distribución

exponencial.
Más adelante, se tratará un conjunto de distribuciones discretas que también describe el tiempo de
vida, tal como la distribución geométrica, distribución de Pascal, distribución binomial, distribución
de Westerberg, etc. En la práctica, los parámetros de distribuciones no son siempre constantes.
Los tiempos (de ocupación) del servicio se pueden relacionar físicamente con el estado del sistema.
En sistemas hombre-máquina el tiempo del servicio cambia en razón de la actividad (disminuye) o
inactividad (aumenta). De la misma manera, los sistemas electromecánicos funcionan más
lentamente durante periodos de carga elevada en razón que la tensión diminuye.
Las técnicas de modelado no serán tratadas en este Manual.
Para algunas distribuciones que se aplican ampliamente en la teoría de puesta en fila, se utilizan las
siguientes notaciones abreviadas (véase también el § 13.1):
M ∼ Distribución exponencial (Markov),

Ek ∼ Distribución de Erlang-k,
Hn ∼ Distribución hiperexponencial de orden n,
D ∼ Constante (Determinística),
Cox ∼ Distribución de Cox,
G ∼ General = atribución arbitraria.
4.5.1 Distribuciones con gran densidad en los extremos
Distribuciones Log-normal y Pareto.
Se publicarán.
4.6 Observaciones de la distribución de tiempo de vida

En la figura 4.5 se muestra un ejemplo de los tiempos de ocupación observados desde una central
telefónica local. El tiempo de ocupación comprende el tiempo de señalización y, si la llamada se
responde, el tiempo de conversación. En la figura 6.2 se muestra la observación y los periodos entre
llegadas de llamadas a una central telefónica de tránsito durante una hora.
Desde sus comienzos, la teoría de teletráfico ha sido caracterizada por una fuerte interacción entre
teoría y práctica, y han habido excelentes posibilidades para efectuar mediciones.
Erlang [12] presentó en 1920 un informe sobre los resultados de una medición en las que se
registraron 2 461 tiempos de conversación en una central telefónica de Copenhague (1916). Palm
(1943 [81]) analizó el campo de mediciones de tráfico, de manera teórica y práctica, y efectuó
amplias mediciones en Suecia.

- 96 -
Mediante la utilización de la tecnología informática se pudo recopilar una gran cantidad de datos.
La primera medición asistida por computador se describe en (Iversen, 1973 [37]). La importancia de
utilizar valores de tiempo discretos cuando se observan valores será tratado en el Capítulo 15.
Bolotin (1994, [7] ha medido y modelado tiempos de ocupación de telecomunicaciones.
Se han llevado a cabo numerosas mediciones en sistemas de computación. Mientras que en sistemas
telefónicos rara vez se tiene un factor de forma mayor que 6, en tráfico de datos se observan
factores de forma mayores que 100. Este es el caso, por ejemplo para transmisión de datos, donde se
envían algunos caracteres o bien una gran cantidad de datos. Las mediciones extensas más recientes
han sido efectuadas y modeladas utilizando modelos de tráfico similares (Jerkins y
otros, 1999 [51]).

- 98 -

- 99 -
CAPÍTULO 5
Procesos de llegada
Los procesos de llegada, tal como llamadas telefónicas que llegan a una central, se describen
matemáticamente como procesos estocásticos puntuales. Para un proceso puntual, se pueden
distinguir dos llegadas entre sí. Las informaciones concernientes a una llegada (tiempo de servicio,
número de cliente) se ignoran. De modo que la información sólo se puede utilizar para determinar si
una llegada pertenece al proceso o no.
La teoría matemática para el proceso puntual fue presentada y desarrollada por el sueco Conny
Palm en el decenio de 1940. Esta teoría ha sido ampliamente aplicada en diversos temas. Fue
matemáticamente perfeccionada por Khintchine (1968, [63]), y se ha aplicado considerablemente en
muchos libros de textos.
5.1 Descripción de procesos puntuales

En el texto siguiente sólo se considerarán procesos puntuales regulares, es decir se excluyen las
llegadas dobles. Para llamadas telefónicas esto se puede realizar utilizando una escala temporal
suficientemente detallada.
Considérense tiempos de llegada en los que la i-ésima llamada llega en el tiempo Ti:
0 = T0 < T1 < T2 < . . . < Ti < Ti+1 < . . . . (5.1)
La primera observación tiene lugar en el tiempo T0 = 0.
El número de llamadas en el semiintervalo abierto [0, t] se indica como Nt. El valor Nt es una
variable aleatoria con parámetros de tiempo continuo y espacio discreto. Cuando t aumenta, Nt
nunca disminuye.
Figura 5.1 − Proceso de llegada de la llamada en las líneas de entrada

de una central de tránsito

- 100 -

1) Número acumulado de llamadas
2) Tiempo [s]
La distancia temporal entre dos llegadas es:
Xi = Ti – Ti–1, i = 1, 2; . . . . (5.2)
Esto se denomina tiempo entre llegadas y la distribución de este proceso es la distribución del
tiempo entre llegadas.
Correspondiente a las dos variables aleatorias Nt y Xi, los dos procesos se pueden caracterizar de dos
maneras:
1) Representación del número Nt: el intervalo de tiempo t se mantiene constante y se observa
la variable aleatoria Nt para el número de llamadas en t.
2) Representación del intervalo Ti: el número de llamadas entrantes se mantiene constante y se
observa la variable aleatoria Ti para el intervalo de tiempo hasta que se hayan producido n
llegadas (en especial T1 = X1).
La reacción fundamental entre las dos representaciones viene dada por la siguiente relación simple:
si y sólo si
Esto se expresa por la identidad de Feller-Jensen:
El análisis del proceso puntual se puede basar en ambas representaciones. En principio estas
representaciones son equivalentes. La representación de intervalos corresponde a los análisis
usuales en serie del tiempo (si, por ejemplo i = 1), se obtienen promedios de llamada, es decir
estadísticas basadas en las llamadas entrantes.
La representación del número de llamadas no tiene comparación en el análisis en serie del tiempo.
Las estadísticas están calculadas por unidad de tiempo y se obtienen promedios de tiempo.
(Confróntese la diferencia entre congestión de llamadas y congestión temporal.)
Las estadísticas de interés cuando se estudian procesos puntuales, se pueden dividir conforme a las
dos representaciones.
5.1.1 Propiedades básicas de la representación del número
Hay dos propiedades que son de interés teórico:
1) El número de llamadas entrantes total en el intervalo [t1, t2] es igual a Nt2 - Nt1.
El número de llamadas promedio en el mismo intervalo se denomina función de renovación H:
H (t1, t2) = E{Nt2 – Nt1} (5.5)
2) La densidad de las llamadas entrantes en el tiempo t (valor medio del tiempo) es:
Se supone que λt existe y es un valor finito. Se puede interpretar que λt es la intensidad, con la que
se producen las llegadas en el tiempo t (véase el § 3.1.2).

- 101 -
Para procesos puntuales regulares, se tiene:

p {Nt+Δt – Nt ≥ 2} = o(Δt), (5.7)
p {Nt+Δt – Nt = 1} = λtΔt + o(Δt), (5.8)
p {Nt+Δt – Nt = 0} = 1 – λtΔt + o(Δt), (5.9)
donde, por definición:
3) Índice de dispersión para conteo

Para describir propiedades de segundo orden de la representación del número de llamadas se utiliza
el índice de dispersión para conteo (IDC, index of dispersion for counts). Este índice describe las
variaciones de los procesos de llegada durante un intervalo de tiempo t y se define como:
Mediante la división del intervalo de tiempo t en x intervalos de duración t/x y observando el

número de eventos durante esos intervalos se obtiene una estimación del IDC(t). Para el proceso de
Poisson IDC se pone igual a uno. IDC es igual al "grado de curtosis", que se tratará más adelante
para caracterizar el número de canales ocupados en un proceso de tráfico (7.7).
5.1.2 Propiedades básicas de la representación del intervalo
4) La distribución f(t) de intervalos de tiempo Xi (5.2) (y por convolución la distribución en sí
i–1 veces la distribución del tiempo hasta la i-ésima llegada).
Fi(t) = p {Xi ≤ t}, (5.12)
E {Xi} = m1,i. (5.13)
El valor medio es el promedio de llamadas entrantes que se obtiene para cada llamada. Un proceso
de renovación es un proceso puntual en el que los tiempos entre llamadas son estocásticos
independientes entre sí y tienen la misma distribución (excepto para X1), es decir mi = m. (IID =
Idéntica e independientemente distribuidas).
5) La distribución V(t) del intervalo de tiempo desde un periodo aleatorio hasta que se
produzca la primera llegada. El valor medio de V(t) es un promedio de tiempos que se
calcula por unidad de tiempo.
6) Índice de dispersión por intervalos.
Para describir propiedades de segundo orden para la representación de intervalos se utiliza el índice
de dispersión para intervalos (IDI, index of dispersion for intervals). Esto se define:
donde Xi es el tiempo entre llegadas. Para el proceso de Poisson que tiene tiempos de servicio
distribuidos exponencialmente, el IDI se pone igual a uno. El IDI es igual al factor de forma de
Palm menos uno (3.10). En general, el IDI es más difícil de obtener por observación que el IDC, y
es más sensible a la exactitud de medición y regularización del proceso de tráfico. La tecnología
digital es más adecuada para la observación del IDC, mientras que complica la observación del IDI
(véase el Capítulo 15).

- 102 -
Cuál de las dos representaciones se debe utilizar en la práctica depende realmente del caso
particular. Esto se puede ilustrar con los siguientes ejemplos.
Ejemplo 5.1.1: Principios de medición
Las medidas del comportamiento del teletráfico se llevan a cabo por uno de los dos principios
básicos siguientes:
1) Medidas pasivas. El equipo de medición registra en intervalos de tiempo regulares el
número de llegadas desde la última registrada. Equivale al método de exploración, que es
apropiado para computadoras. Y corresponde a la representación del número cuando el
intervalo de tiempo es fijo.
2) Medidas activas. El equipo de medición registra un evento en el instante que se produce. Se
mantiene el número de evento fijo y se observa el intervalo de medición. Un ejemplo de
esto está dado por los instrumentos de registro. Esto corresponde a la representación del
intervalo donde se obtienen estadísticas para cada llamada simple.
Ejemplo 5.1.2: Llamadas de prueba
Investigación de la calidad de tráfico. En la práctica esto se efectúa de dos maneras:
1) La calidad de tráfico se estima recopilando estadísticas de los resultados de las llamadas de
prueba efectuadas a abonados específicos o ficticios. Las llamadas se generan durante la
hora cargada independientemente del tráfico real. El equipo de prueba registra el número de
las llamadas bloqueadas, etc. Las estadísticas obtenidas corresponden a los promedios de
tiempo de la medida de rendimiento. Lamentablemente, este método aumenta la carga
ofrecida en el sistema. Teóricamente, las medidas de rendimiento obtenidas deferirán de los
valores correctos.
2) Los datos recopilados de los equipos de prueba a partir del número de
llamada N, 2N, 3N, . . . , por ejemplo N = 1 000. El proceso de tráfico no cambia y la
estadística de rendimiento es un promedio de llamada.
Ejemplo 5.1.3: Estadísticas de llamadas
Un abonado evalúa la calidad por una fracción de llamadas que están bloqueadas, por ejemplo
promedio de llamadas.
El operador evalúa la calidad mediante la proporción de tiempo cuando todas las líneas de enlace
están ocupadas, es decir promedio de tiempo.
Los dos tipos de valores promedio (tiempo/llamada) están a menudo mezclados, causando aparentes
estados contrarios.
Ejemplo 5.1.4: Parte llamada ocupada (B ocupado)
En una central telefónica el 10% de los abonados está ocupado, pero el 20% de las tentativas de
llamada están bloqueadas debido a que B está ocupado (parte llamada ocupada). Este fenómeno se
puede explicar por el hecho que la mitad de los abonados están en estado pasivo (es decir no
efectúan ni reciben llamadas), mientras que el 20% de los abonados restantes están ocupados.
G. Lind (1976 [74]) analizó el problema bajo la hipótesis de que cada abonado en promedio tiene el
mismo número de llamadas entrantes y salientes. Si el valor medio y el factor de forma de la
distribución de tráfico por abonado es b y ε, respectivamente, la probabilidad que una tentativa de
llamada encuentre al abonado B ocupado es b . ε.

- 103 -
5.2 Características del proceso puntual

Se ha tratado anteriormente una estructura muy general para procesos puntuales. Para aplicaciones
específicas habrá que examinar otras propiedades. Sólo se considerará la representación del número
pero se podría hacer lo mismo basado en la representación del intervalo.
5.2.1 Condición de estacionario (Homogeneidad del tiempo)
Esta propiedad se puede describir sin considerar la posición en el eje del tiempo. Las distribuciones
de probabilidad que describen el proceso puntual son entonces independientes del instante de
tiempo. La siguiente definición es útil en la práctica:
Definición: Para una relación t2 > 0 arbitraria y toda κ ≥ 0, la probabilidad que haya κ llegadas
en [t1, t1 + t2] es independiente de t1, es decir para todos los t, κ se tiene:
p {Nt1+t2 – Nt1 = κ} = p {Nt1+t2+t – Nt1+t = κ} (5.15)
Hay muchas otras definiciones de la condición de estacionario, algunas más estrictas y otras más
amplias.
La condición de estacionario también se puede definir por representación de intervalos requiriendo
que todas las Xi sean independientes e idénticamente distribuidas. Una definición amplia es aquella
que todos los momentos de primero y segundo orden (por ejemplo el valor medio y la varianza) de
un proceso puntual deben ser constantes con respecto a desplazamientos en el tiempo.
Erlang introdujo el concepto de equilibrio estadístico, que requiere que las derivadas del proceso
con respecto al tiempo sean cero.
5.2.2 Independencia
Esta propiedad se puede expresar como la necesidad que la evolución futura del proceso sólo
dependa del estado presente.
Definición: La probabilidad que los eventos k (k es entero y ≥ 0) se produzcan en [t1, t1 + t2] es
independiente de los eventos antes del tiempo t1:
p {Nt2 – Nt1 = k|Nt1 – Nt0 = n} = p {Nt2 – Nt1 = k} (5.16)
Si esto es válido para todos los tiempos t, se tendrá un proceso Markov en el que la evolución futura
sólo depende del estado presente pero es independiente de cómo ha sido obtenida. Esta es la
propiedad denominada falta de memoria. Si esta propiedad sólo es válida para determinados puntos
en el tiempo (por ejemplo, tiempos de llegada), estos puntos se denominan puntos de equilibrio o
puntos de regeneración. El proceso entonces tiene una memoria limitada y sólo es necesario
mantener el registro de los últimos puntos de regeneración.
Ejemplo 5.2.1: Puntos de equilibrio = puntos de regeneración
Ejemplos de procesos puntuales con puntos de equilibrio.
a) El proceso de Poisson (como se verá en el Capítulo siguiente) no tiene memoria, y todos
los puntos de los ejes de tiempo son puntos de equilibrio.
b) Un proceso de exploración, en el que las exploraciones se producen en un ciclo regular,
tiene memoria limitada. El último instante de exploración tiene plena información sobre el
proceso explorador y, por tanto, todos los puntos de exploración son puntos de equilibrio.
c) Si se superponen el proceso de Poisson y el proceso de exploración (por ejemplo, mediante
la investigación de los procesos de llegada en un sistema informático), los únicos puntos de
equilibrio en el proceso compuesto son los instantes de exploración.

- 104 -
d) Considérese un sistema de puesta en fila con procesos de llegada de Poisson, tiempo de

servicio constante y servidor único. El número de posiciones en la fila puede ser finito o
infinito. Defínase un proceso puntual por los instantes de tiempo cuando comienza el
servicio. Todos los intervalos de tiempo cuando el sistema está en reposo, serán puntos de
equilibrio. Durante los periodos en que el sistema está ocupado los puntos en el tiempo para
aceptar nuevas llamadas de servicio dependen del instante en que la primera llamada del
periodo ocupado inicia el servicio.
5.2.3 Regularidad
Se ha indicado ya que se excluyen los procesos con múltiples llegadas.
Definición: Se dice que un proceso puntual es regular, si la probabilidad que haya más de un evento
en un punto dado es cero:
p {Nt+Δt – Nt ≥ 2} = o(Δt). (5.17)
Con la representación del intervalo, la distribución del tiempo entre llegadas a destino de las
llamadas no debe tener una probabilidad de masa (atómica) en cero, es decir, la distribución es
continua en cero (3.1):
F (0+) = 0 (5.18)
Ejemplo 5.2.2: Eventos múltiples
Los puntos temporales de accidentes de tráfico formarán un proceso regular. La cantidad de
vehículos dañados o personas fallecidas será un proceso puntual y regular con eventos múltiples.
5.3 Teorema de Little

Este es el único resultado general que es válido para todos los sistemas de puesta en fila y fue
publicado por primera vez por Little (1961 [76]). La prueba se muestra por aplicación de la teoría
del proceso estocástico en (Eilon, 1969 [25]).
Se considera un sistema de puesta en fila donde los clientes llegan conforme a un proceso
estocástico. Los clientes ingresan al sistema en un tiempo aleatorio y esperan hasta obtener el
servicio; una vez servidos dejan el sistema.
En la figura 4.3 los procesos de llegada y salida se consideran como procesos estocásticos con el
número de clientes acumulado en ordenadas.
Considérese un tiempo T y supóngase que el sistema está en equilibrio estadístico en el tiempo
inicial t = 0. Se tienen las siguientes notaciones (véase la figura 4.3):
N(T) = número de llegadas en el periodo T.
A(T) = tiempo de servicio total de todos los clientes en el periodo T.
= zona sombreada entre curvas.
= volumen de tráfico transportado.
λ(T) = N(T) = intensidad promedio de la llamada en el periodo T.
T
W(T) = A(T) = tiempo de ocupación medio en sistemas por llamada en el periodo T.
N(T)
L(T) = A(T) = número de llamadas promedio en el sistema en el periodo T.
T

- 105 -
Se tiene la relación importante entre esas variables:
Si los límites de λ = limT→∞ λ(T) y W = limTT→∞ W(T) existen, existirá también el valor limitado
de L(T) y
L = λ . W (Teorema de Little) (5.20)
Esta fórmula simple es válida para todos los sistemas generales de puesta en fila. La prueba ha sido
perfeccionada durante varios años. La fórmula, que se ha probado aquí por una consideración muy
simple del proceso estocástico, es más útil de lo que parece. Esta fórmula se utilizará en los
Capítulos 12 a 14.
Ejemplo 5.3.1: Fórmula de Little
Sólo se considerarán las posiciones de espera, la fórmula muestra
"la longitud media de la fila es igual a la intensidad de la llamada multiplicado por
el tiempo de espera medio."
Considérense ahora los lugares del servicio, la fórmula muestra
"el tráfico transportado es igual a la intensidad de llegada multiplicado por el tiempo del
servicio medio (A = y . s = λ/μ.)." Véase el § 2.1.

- 106 -
Figura 5.2 − Sistema de puesta en fila con llegada y salida de clientes.

La distancia vertical entre las dos curvas es igual al número real de
clientes que están servidos. Los clientes en general no salen en el
mismo orden en que llegan, de modo tal que la distancia
horizontal entre las curvas no describe el
tiempo real en el sistema de un cliente

1) Número de eventos
2) Proceso de salida
3) Proceso de partida
4) Tiempo

- 107 -
CAPÍTULO 6
El proceso de Poisson
El proceso de Poisson es el proceso puntual más importante. Más adelante se podrá ver que su
función en los procesos puntuales es tan vital como la función de la distribución Normal en las
distribuciones estadísticas. Según el teorema del límite central, al añadir variables estocásticas se
obtiene la distribución Normal. De manera similar al multiplicar variables estocásticas se obtiene la
distribución exponencial.
Todos los demás procesos puntuales aplicados son generalizaciones o modificaciones del proceso
de Poisson. Este proceso ofrece una descripción sorprendentemente acertada de numerosos procesos
de la vida real debido a que se trata del proceso más aleatorio. Cuanto más complejo sea un proceso
mejor, en general, será su modelado mediante un proceso de Poisson.
Dado que se trata de un proceso de gran importancia en la práctica, en este Capítulo se estudia en
forma pormenorizada. En primer lugar (§ 6.2) este estudio se basa en un modelo físico, haciendo
especial en las distribuciones asociadas al proceso, y a continuación se consideran algunas
propiedades destacadas del proceso de Poisson (§ 6.3). El proceso de Poisson puede generalizarse
de diversas formas (§ 6.4).
6.1 Características del proceso de Poisson

Las propiedades fundamentales del proceso de Poisson se definen en el § 5.2:
a) condición de estacionario,
b) independencia en todos los puntos temporales (épocas), y
c) regularidad.
b) y c) son propiedades fundamentales, mientras que a) es innecesario. Así, se puede permitir un
proceso de Poisson que tenga una intensidad dependiente del tiempo. A partir de las propiedades
precedentes se pueden deducir otras propiedades que son suficientes para definir el proceso de
Poisson. Las dos más importantes son:
• Representación del número: El número de eventos dentro de un intervalo de tiempo de
longitud fija tiene distribución de Poisson. Por consiguiente, el proceso se denomina
proceso de Poisson.
• Representación del intervalo: La distancia temporal Ti entre eventos consecutivos tiene
distribución exponencial.
En este caso, la fórmula (5.4) muestra la relación fundamental entre la distribución de Poisson
acumulada y la distribución de Erlang (véase el § 6.2.2) (identidad de Feller-Jensen's):
Esta fórmula se puede obtener también por integración parcial repetida.
6.2 Distribuciones del proceso de Poisson

En esta sección se examinará el proceso de Poisson en un aspecto dinámico y físico (Fry, 1928 [32])
y (Arne Jensen, 1954 [12]). Las derivaciones se basan en un modelo físico simple y hacen hincapié
a las distribuciones de probabilidad asociadas con el proceso de Poisson.
El modelo físico es el siguiente: los eventos (llegadas) se ubican al azar sobre el eje real de modo tal
que cada evento se coloca independientemente de todos los otros eventos.

- 108 -
La densidad media se forma como λ eventos (llegadas) por unidad de tiempo. Si se considera el eje
como un eje de tiempo se tendrá como promedio λ llegadas por unidad de tiempo. La probabilidad
que un determinado diagrama de llegada se produzca dentro de un intervalo de tiempo es
independiente de la ubicación del intervalo en el eje de tiempo.
Figura 6.1 − Cuando se aplica el proceso de Poisson, se consideran llegadas dentro de

intervalos de tiempo no superpuestos de duración t1 y t2, respectivamente
Leyenda de la figura 6.1: Tiempo

La notación p(ν, t) representa la probabilidad que se produzcan ν eventos dentro de un intervalo de
tiempo de duración t. La formulación matemática del modelo anterior es la siguiente:
1) Independencia: Si t1 y t2 son dos intervalos no superpuestos (véase la figura 6.1), se tiene en
razón de la hipótesis de independencia:
p (0; t1) . p (0, t2) = p (0, t1 + t2) (6.2)
2) El valor medio del intervalo de tiempo entre dos llegadas sucesivas es 1/λ (Ec. 3.4):
donde p(0, t) es la probabilidad que haya llegadas dentro del intervalo de tiempo (0;t), que es
también idéntico a la probabilidad que el tiempo hasta el primer evento sea mayor que t (la
distribución complementaria). El valor medio (6.3) se obtiene directamente de la ecuación (3.4). La
fórmula (6.3) también se puede interpretar como la superficie debajo de la curva p(0,t), que es una
función que nunca aumenta, disminuyendo a 1 a 0.
3) Se observa que la ecuación (6.2) implica que seguramente se producirá el evento "sin
llegadas dentro del intervalo de longitud 0":
p(0, 0) = 1 (6.4)
4) Se observa también que la ecuación (6.3) implica que la probabilidad que "no haya
llegadas dentro de un intervalo de tiempo de longitud ∞" es cero y nunca tendrá lugar:
p(0, ∞) = 0 (6.5)
6.2.1 Distribución exponencial
El paso fundamental para el siguiente cálculo de la distribución de Poisson es derivar p(0, t) que es
la probabilidad que en un intervalo de tiempo de longitud t no se producen llegadas, es decir la
probabilidad que la primera llegada aparezca después del tiempo t. Se demostrará que {1 – p(0, t)}
es una distribución exponencial (véase el § 4.1).
Conforme a la ecuación (6.2) se tiene:
ln p(01, t1) + ln p (0, t2) = ln p (0, t1 + t2) (6.6)
Si ln p(0, t) = f(t), la ecuación (6.6) se puede expresar como sigue:
f (t1) + f (t2) = f (t1 + t2) (6.7)
Por diferenciación con respecto a, por ejemplo, t2 se tiene:
F'(t2) = f't2 (t1 + t2)

- 109 -
De esto se observa que f'(t) debe ser una constante y por tanto:
f(t) = a + b . t (6.8)
Intercalando la ecuación (6.8) en la (6.7), se obtiene a = 0. Por tanto p(0, t) tiene la forma:
p(0, t) = ebt
De la ecuación (6.3) se obtiene b:
o:
b = –λ
Se demuestra así, en base a los puntos 1) y 2) anteriores que:
p(0, t) = e—λt (6.9)
Si se considera que p(0, t) como a la probabilidad que el evento siguiente llegue después del tiempo
t, el tiempo que transcurre hasta la próxima llegada está distribuido exponencialmente:
Se obtienen así el valor medio y la varianza siguientes (4.4):

m1 = 1
λ
σ2 = 1
λ2 (6.12)
La probabilidad que la siguiente llegada aparezca dentro del intervalo (t, t + dt) se puede expresar
como:
f(t) . dt = λe–λt . dt
= p(0, t) . λdt (6.13)
Es decir la probabilidad que una llegada aparezca dentro del intervalo (t, t + dt) es igual a λdt,
independiente de t y proporcional a dt (véase la ecuación (3.17)).
En razón que λ es independiente del tiempo real t, la distribución exponencial no tiene memoria
(véanse los § 4.1 y 3.1.2). El proceso no depende del tiempo.
El parámetro λ se denomina intensidad o régimen de la distribución exponencial y del proceso de
Poisson relacionado y corresponde a la intensidad en la ecuación (5.6). La distribución exponencial
es, en general, un modelo muy satisfactorio de tiempos entre llegadas cuando el tráfico es generado
por elementos humanos (véase la figura 6.2).

- 110 -
Figura 6.2 − Distribución del tiempo entre llegadas de las llamadas en una
central de tránsito. Los valores teóricos se basan en la hipótesis de
tiempos entre llegadas distribuidos exponencialmente. Debido al
principio de medición (métodos de exploración) la distribución
exponencial continua se transforma en una distribución
de Westerberg discreta (Ec. 15.14) (prueba X2 = 18,86
con 19 grados de libertad, percentil = 53)

2) 5 916 observaciones
3) ⊙ = Teoría
4) Tiempo entre llegadas (exploración = 0,2 s)
6.2.2 Distribución de Erlang-k
De lo anterior se deduce que el tiempo hasta que hayan aparecido κ llegadas exactamente es una
suma de k variables estocásticas IID distribuidas exponencialmente.
La distribución de esta suma se denomina distribución Erlang-k (véase el § 4.2) y la densidad viene
dada por la ecuación (4.8):

- 111 -
Para k = 1 se obtendrá por supuesto la distribución exponencial. La distribución gk+1(t) , k > 0; se

obtiene por convolución de gk (t) y g1(t). Si se supone que la expresión (6.14) es válida para gk (t),
se tiene entonces:
Como la expresión es válida para k = 1, se ha demostrado por inducción que es válida para
cualquier k. La distribución de Erlang-k es, desde el punto de vista estadístico, una distribución
gamma especial.
El valor medio y la varianza se obtienen con la ecuación (6.12)
m1 = k
λ
σ2 = k
λ2 (6.15)
ε = 1+ 1
k
Ejemplo 6.2.1: Estadísticas de llamadas para un sistema SPC (véase el ejemplo 5.1.2)
Sea una serie de llamadas que llegan a una central telefónica con programa de control almacenado
(sistema SPC) conforme a un proceso de Poisson. La central recopila automáticamente toda la
información al respecto cada 1 000 llamadas. Los tiempos entre llamadas entre dos registros tendrá
entonces distribución Erlang-1000 y el factor de forma ε = 1.001, es decir los registros se
efectuarán muy regularmente.
6.2.3 Distribución de Poisson
Se indicará ahora que el número de llegadas en un intervalo de longitud fija t presenta una
distribución de Poisson con un valor medio λt. Cuando se conoce la distribución exponencial
mencionada anteriormente y la distribución de Erlang, la derivación de la distribución de Poisson se
obtiene con sólo aplicar combinaciones simples. La prueba se puede llevar a cabo por inducción.
Se desea extraer p(i, t) = probabilidad de i llegadas dentro del un intervalo de tiempo t.
Supóngase que:
Esto es correcto para i = 0 (6.9). El intervalo (0, t) se divide en tres intervalos no superpuestos (0,
t1); (t1, t1 + dt1) y (t1 + dt1, t). Desde la primera hipótesis de independencia se sabe que los eventos
dentro de un intervalo son independientes de eventos en los otros intervalos en razón que éstos no
están superpuestos. Mediante el ajuste de t1 de modo tal que la última llegada dentro de (0, t) se

- 112 -
produzca en el intervalo (t1, t1 + dt1), se obtiene la probabilidad p(i, t) mediante la integración de

todos los valores posibles de t1 como producto de las tres probabilidades siguientes:
a) La probabilidad que (i – 1) llegadas se produzcan dentro del intervalo de tiempo (0; t1):
b) La probabilidad que haya una sola llegada dentro del intervalo de tiempo de t1 a t1+dt1:
λ . dt1
c) La probabilidad que no se produzcan llegadas en el intervalo de t1 + dt1 a t:
e–λ(t-t1)
El producto de las primeras dos probabilidades es la probabilidad que la i-ésima llegada aparezca en
el intervalo (t1, t1 + dt1), es decir la distribución de Erlang de la sección anterior:
Por integración se tiene:
Ésta es la distribución de Poisson que se obtiene por inducción a partir de la ecuación (6.9).
El valor medio y la varianza son:
La distribución de Poisson es, en general, un modelo muy conveniente para el número de llamadas
en un sistema de telecomunicación (véase la figura 6.3) o tareas en un sistema informático.
Ejemplo 6.2.2: Sistema de satélite Aloha con segmentos de tiempo
Considérese el sistema digital de comunicación por satélite Aloha segmentado con longitud de
paquete constante h. El satélite está en una órbita geoestacionaria a unos 36 000 km por encima del
ecuador de modo que la demora circular es de unos 280 ms. Los ejes de tiempo se dividen en
segmentos de duración fija que corresponden a la longitud del paquete h. El terminal individual
(estación terrena) transmite los paquetes de forma tal que estén sincronizados con los segmentos de
tiempo. Todos los paquetes generados durante un segmento de tiempo se transmiten en el segmento
de tiempo siguiente. La transmisión de un paquete sólo es correcta si es el único paquete que ha de
ser transmitido en el segmento de tiempo. Si en un segmento de tiempo se transmiten
simultáneamente más paquetes, se tendrá una colisión y todos los paquetes se pierden y han de ser
retransmitidos. Las estaciones terrenas reciben todos los paquetes y pueden entonces decidir si un
paquete está transmitido correctamente. Debido al retardo de tiempo, las estaciones terrenas
transmiten paquetes independientemente. Si el proceso de llegada total es un proceso de Poisson

- 113 -
(régimen λ), se obtiene entonces un número de paquetes distribuidos de Poisson en cada segmento
de tiempo.
La probabilidad de una transmisión correcta es:

P(1) = λh . e—λh. (6.20)
Esto corresponde a la proporción de los ejes de tiempo que se utilizan eficazmente. Esta función,
que se muestra en la figura 6.4 tiene un valor óptimo para λh = 1, pues la derivada con respecto a
λh es cero para este valor:
P'λh(1) = e—λh . (1 – λh) (6.21)
Max{p(1)} = e—1 = 0,3679 (6.22)
Figura 6.3 − Número de llamadas por segundo en Internet por conexión telefónica.
Los valores teóricos se basan en la hipótesis de una distribución de Poisson.
Una prueba estadística acepta la hipótesis de una distribución de Poisson

3) λa = 6,39 llamadas/s
4) ⊙ = Valor teórico

- 114 -
5) Número de llamadas/s
Se tiene así una utilización máxima del canal en 0,3679, cuando en promedio se transmite un
paquete por segmento de tiempo. Un resultado similar se tiene cuando hay un número limitado de
terminales y la cantidad de paquetes por segmento de tiempo tiene distribución binomial.
Figura 6.4 − El tráfico transportado en un sistema Aloha segmentado

tiene un máximo (véase el ejemplo 6.2.2). El protocolo de
Aloha simple se trata en el ejemplo 7.3.1

1) Tráfico transportado
2) Ideal
3) Aloha segmentado
4) Aloha simple
5) Tráfico ofrecido
6.2.4 Derivación estática de las distribuciones del proceso de Poisson
Como se conoce en estadística, estas distribuciones también se pueden obtener del proceso binomial
permitiendo que el número de intentos n (por ejemplo tiradas de un dado) se incremente al infinito
y, al mismo tiempo permitir que la probabilidad de éxito en una tentativa simple p converja a cero
de modo tal que el número promedio de probabilidades de éxito n . p es constante.
Este enfoque es estático y no pone de relieve las propiedades fundamentales del proceso de Poisson,
que tiene una existencia independiente dinámica, sino que muestra la relación entre los dos procesos
como se ilustra en el cuadro 6.1.
La distribución exponencial es la única distribución de probabilidad continua con falta de memoria,
así como la distribución geométrica es la única distribución de probabilidad discreta con falta de

- 115 -
memoria. Por ejemplo, el resultado siguiente de la tirada de un dado es independiente del resultado
anterior. Las distribuciones de los dos procesos se muestran en el cuadro 6.1.
Cuadro 6.1 - Correspondencia entre las distribuciones del proceso binomial y el proceso
de Poisson. Un resultado satisfactorio corresponde al evento de una llegada en un
proceso puntual m1 = valor medio, σ2 = varianza. Para la distribución geométrica
se puede comenzar con una clase cero. El valor medio se reduce entonces en uno
mientras que la varianza no se modifica
PROCESO BINOMIAL PROCESO DE POISSON

Tiempo discreto Tiempo continuo
Probabilidad de resultado satisfactorio Intensidad satisfactoria
p0<p<1 λ, λ > 0
Número de intentos desde el resultado Intervalo entre dos resultados
satisfactorio previo o desde un intento aleatorio satisfactorios o desde un punto aleatorio
para obtener un resultado satisfactorio hasta el siguiente resultado satisfactorio
DISTRIBUCIÓN GEOMÉTRICA DISTRIBUCIÓN EXPONENCIAL
Número de intentos para obtener k resultados Intervalo de tiempo hasta el k-ésimo

satisfactorios resultado satisfactorio
DISTRIBUCIÓN DE PASCAL = DISTRIBUCIÓN DE ERLANG-κ
DISTRIBUCIÓN BINOMIAL NEGATIVA
Número de resultados satisfactorios en n intentos Número de resultados satisfactorios en

un intervalo de tiempo t
DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN DE POISSON

- 116 -
6.3 Propiedades del proceso de Poisson

En este punto se tratarán algunas propiedades fundamentales del proceso de Poisson. Del modelo
físico tratado en el § 6.2 se puede ver que el proceso de Poisson es el proceso puntual más aleatorio
que se puede encontrar ("Proceso de irregularidad máxima"). Permite una buena descripción de los
procesos físicos cuando numerosos factores están detrás del proceso total.
6.3.1 Teorema de Palm (Teorema de la superposición)
Las propiedades fundamentales del proceso de Poisson entre todos los otros procesos puntuales fue
tratado por primera vez por el sueco Conny Palm. Palm demostró que la distribución exponencial
desempeña el mismo papel para procesos puntuales estocásticos (por ejemplo, distribuciones de
tiempo entre llegadas), donde la superposición se efectúa por multiplicación, como lo hace la
distribución normal cuando se efectúa superposición por adición (teorema del límite central).
Figura 6.5 − Por superposición de n procesos puntuales se obtiene bajo

ciertas premisas un proceso que localmente es un proceso de Poisson

1) Proceso 1
2) Proceso 2
3) Proceso n
4) Proceso total
5) Punto aleatorio en el tiempo
6) Tiempo
Teorema 6.1 Teorema de Palm: Por superposición de numerosos procesos puntuales
independientes el proceso total resultante será localmente un proceso de Poisson.
El término "localmente" significa que se consideran intervalos de tiempo que son tan breves que
cada proceso contribuye a lo sumo con un evento durante este intervalo. Este es un requisito natural

- 117 -
pues ningún proceso puede dominar el proceso total (se suponen condiciones similares para el
teorema de límite central). El teorema sólo es válido para procesos puntuales regulares.
Si se considera un punto aleatorio en el tiempo en un determinado proceso, el tiempo hasta la
llegada siguiente viene dado por la ecuación (3.23).
Se superponen n procesos en un proceso total. Mediante la elección apropiada de la unidad de
tiempo, la distancia media entre llegadas en el proceso total se mantiene constante, independiente
de n. El tiempo desde un punto aleatorio al evento siguiente en el proceso total viene dado entonces
por la ecuación (3.23):
Si todos los subprocesos son idénticos, se tiene:
De las ecuaciones (3.23) y (5.18) resulta (suponiendo μ = 1)
y entonces:
Por consiguiente, de la ecuación (6.24) se obtiene, suponiendo que el número de subprocesos

aumenta al infinito:
que es la distribución exponencial. Se ha demostrado que por superposición de procesos idénticos

se obtendrá localmente un proceso de Poisson. De manera similar, se pueden superponer procesos
no idénticos y obtener localmente un proceso de Poisson.
6.3.2 Teorema de Raikov (Teorema de la descomposición)
Un teorema similar, el teorema de la descomposición, es válido cuando se divide un proceso
puntual en subprocesos y que esto se efectúa en forma aleatoria. Si en un proceso hay n veces
menos eventos, es natural entonces disminuir los ejes de tiempo en un factor n.
Teorema 6.2 Teorema de Raikov: Mediante la descomposición aleatoria de un proceso puntual
en subprocesos, cada uno de ellos converge a un proceso de Poisson cuando la probabilidad que
un evento pertenezca a un subproceso tienda a cero.
Además de superposición y descomposición (fusión y división, o unión y bifurcación), se puede
efectuar otra operación en un proceso puntual, denominada translación (desplazamiento) de los
eventos particulares. Cuando esta translación para cada evento es una variable estocástica,
independiente de otros eventos, un proceso puntual arbitrario convergerá nuevamente a un proceso
de Poisson.

- 118 -
Con referencia a los procesos puntuales que se producen en la vida real, se puede esperar conforme
a lo indicado anteriormente, que hay procesos de Poisson cuando se satisface una serie de
condiciones independientes suficientemente amplias para que se produzca un evento. Ésta es la
razón que muestra que el proceso de Poisson es una buena descripción de, por ejemplo, los procesos
de llegada de todos los abonados a una central telefónica.
Como ejemplo de las limitaciones en el teorema de Palm (Teorema 6.1) se puede indicar que la
superposición de dos procesos independientes produce un proceso de Poisson exacto sólo si ambos
subprocesos son procesos de Poisson.
6.3.3 Distribución uniforme – una propiedad condicional
En el § 6.2 se ha visto que "una distribución uniforme en un intervalo muy amplio corresponde a un
proceso de Poisson. Se podrá ver que la propiedad inversa es también válida:
Teorema 6.3 Si para un proceso de Poisson se tiene n llegadas dentro de un intervalo de
duración t, esas llegadas están distribuidas uniformemente dentro de ese intervalo.
Puede en sí mismo ser una variable estocástica si es independiente del proceso de Poisson. Éste es,
por ejemplo, el caso en mediciones de tráfico con intervalos de medida variables (véase el
Capítulo 15). Esto se puede demostrar con la distribución de Poisson (representación del número) o
bien con la distribución exponencial (representación del intervalo).
6.4 Generalización del proceso de Poisson estacionario

El proceso de Poisson ha sido generalizado de diversas maneras. En esta sección sólo se considerará
el proceso de Poisson interrumpido. Otras generalizaciones pueden ser los procesos de Poisson
modulados de Markov (MMPP) y los procesos de llegada de Harkov (MAP).
6.4.1 Proceso de Poisson interrumpido
Debido a la falta de memoria el proceso de Poisson es muy sencillo de aplicar. Sin embargo, en
algunos casos el proceso de Poisson no es suficiente para describir un proceso de llegada real.
Kuczura (1973 [71]) propuso una generalización que ha sido ampliamente utilizada.
La idea de generalización proviene del problema de sobrecarga de tráfico (véase el § 9.2 y la
figura 6.6). Los clientes que llegan al sistema tratarán de ser servidos en un sistema primario con
capacidad limitada (n servidores). Si el sistema primario está ocupado, los clientes de llegada serán
servidos por el sistema de desbordamiento. Los clientes que llegan se encaminan al sistema de
rebasamiento sólo cuando el sistema primario está ocupado. En los periodos de ocupado los clientes
llegan al sistema de rebasamiento conforme al proceso de Poisson con intensidad λ. Durante el
tiempo restante no aparecen llegadas en el sistema de rebasamiento es decir la intensidad de llegada
es cero. Así, se puede considerar el proceso de llegada al sistema de rebasamiento como un proceso
de Poisson que está "activado" o bien "desactivado" (véase la figura 6.7).

- 119 -
Figura 6.6 − Sistema de rebasamiento con proceso de llegada de Poisson

(intensidad λ). Normalmente, las llamadas llegan al grupo primario.
Durante los periodos en que todas las n líneas de enlace en el
grupo primario están ocupadas, todas las llamadas
se ofrecen al grupo de rebasamiento

1) Canales 2) Tráfico total [erlang]
3) Enlace de desbordamiento 4) Enlace primario
5) Encendido 6) Apagado

- 120 -
Figura 6.7 − Ilustración del proceso de Poisson interrumpido (IPP, interrupted

Poisson process)(véase la figura 6.6). La posición de la llave conmutadora
está controlada por un proceso de Harkov de dos estados

1) Proceso de Poisson
2) Conmutador
3) activado
4) desactivado
5) Proceso de llegada IPP
6) Llegadas ignoradas
Como modelo simplificado para describir los intervalos activado(desactivado), Kuczura utilizó
intervalos de tiempo distribuidos exponencialmente con intensidad γ (ω). Demostró así que esto
corresponde a tiempos entre llegadas con distribución hiperexponencial, lo cual se ilustra el
diagrama de fase de la figura 6.8. Los parámetros se estiman de la siguiente manera:
Figura 6.8 − El proceso de Poisson interrumpido es equivalente a

un proceso de llegada hiperexponencial (6.27)

- 121 -
En razón que la distribución hiperexponencial con dos fases se puede descomponer en una
distribución Cox-2 (véase el § 4.4.2), se encuentra que el proceso de Poisson interrumpido es
equivalente a una distribución Cox-2 como se ilustra en la figura 4.10. De esta manera, hay tres
parámetros disponibles mientras que el proceso de Poisson sólo tiene uno. Esto permite que sea más
flexible para datos empíricos de modelado.

- 122 -

- 123 -
CAPÍTULO 7
Sistemas de pérdidas de Erlang, fórmula B

En este Capítulo y en los siguientes se examina la teoría de teletráfico clásica formulada por Erlang,
Engset y Fry y Molina, que ha sido aplicada satisfactoriamente durante más de 80 años. En este
Capítulo sólo se examina la fórmula de Erlang B fundamental. En el § 7.1 se consideran las
hipótesis para el modelo. En el § 7.2 se trata el caso con capacidad infinita, lo que da lugar a un
números de canales ocupados distribuidos según un proceso de Poisson. En el § 7.3 se considera un
número limitado de canales y se obtiene una distribución de Poisson interrumpida y una fórmula de
Erlang B. En el § 7.4 se describe un procedimiento tipo en lo que a los diagramas de transición de
estado se refiere. Esta es la clave de la teoría clásica del teletráfico. Asimismo, se obtiene una
fórmula recurrente exacta para la evaluación numérica de la fórmula B de Erlang. Por último, en
el § 7.5 se estudian los principios básicos de dimensionamiento, en donde se equilibran el grado de
servicio y los costos del sistema.
7.1 Introducción
La fórmula B de Erlang está basada en el modelo siguiente, descrito por los elementos estructura,
estrategia y tráfico.
a) Estructura: se considera un sistema de n canales idénticos (servidores, líneas de enlace,
segmentos de tiempo) que funcionan en paralelo. Esto se denomina grupo homogéneo.
b) Estrategia: una llamada que llega al sistema se acepta para servicio si algún canal está
desocupado. (Cada llamada necesita sólo un canal.) Se dice que el grupo tiene plena
accesibilidad. A menudo se utiliza el término plena disponibilidad, pero esta terminología
se utilizará sólo en relación con aspectos de fiabilidad. Si todos los canales están ocupados
se pierde la tentativa de llamada y ésta desaparece sin ningún efecto secundario (la tentativa
de llamada rechazada puede ser aceptada por un trayecto alternativo). Esta estrategia es la
más importante y ha sido aplicada con éxito durante muchos años. Se denomina modelo de
pérdidas de Erlang o modelo de llamada perdida eliminada (LCC, lost call cleared).
c) Tráfico: Se supone que los tiempos de servicio están distribuidos exponencialmente
(intensidad μ) y que el proceso de llegada es un proceso de Poisson con régimen λ. Este
tipo de tráfico se denomina puramente tráfico aleatorio tipo uno, PCT-I. El proceso de
tráfico se transforma entonces en un proceso teórico de renovación, un proceso de Markov
simple que es sencillo de formular matemáticamente.
Definición de tráfico ofrecido: Es el tráfico transportado cuando el número de canales (la
capacidad) es infinito (2.2). En el modelo de pérdidas de Erlang con proceso de llegada de Poisson
esta definición de tráfico ofrecido es equivalente al número promedio de tentativas de llamada por
tiempo de ocupación medio:
Se consideran dos casos:

1) n = ∞: Distribución de Poisson (véase el § 7.2).
2) n < ∞: Distribución de Poisson truncada (véase el § 7.3)
Más adelante se verá que el modelo es indiferente a la distribución del tiempo de ocupación, es
decir sólo el tiempo medio de ocupación es importante para las probabilidades de estados. El tipo de
distribución no tiene importancia para las probabilidades de estado.

- 124 -
Mediciones de calidad de funcionamiento: Las mediciones más importantes de grado de servicio

para sistemas de pérdidas son la congestión temporal E, la congestión de llamadas B y la congestión
de (carga de) tráfico C. Son todas idénticas para el modelo de pérdidas de Erlang debido al proceso
de llegada de Poisson (propiedad PASTA, véase el § 6.3).
7.2 Distribución de Poisson

Se supone que el proceso de llegada es un proceso de Poisson y que los tiempos de ocupación están
distribuidos exponencialmente, es decir se considera el tráfico PCT-I. Se supone que el número de
canales es infinito, en el que nunca se observará congestión (bloqueo).
7.2.1 Diagrama de transición de estado
El estado del sistema, [i], se define como el número de canales ocupados i (i = 0, 1, 2, ...). En la
figura 7.1 todos los estados del sistema se indican con círculos, y las variaciones por las cuales el
proceso de tráfico cambia de un estado a otro se ilustran con arcos de flechas entre los estados.
Como el proceso es irregular, sólo se tienen transiciones a estados vecinos. Si se supone que el
sistema está en equilibrio estadístico, durante la proporción p(i) del tiempo estará en el estado [i],
donde p(i) es la probabilidad de observación del sistema en estado [i] en un punto aleatorio del
tiempo, es decir un promedio del tiempo. Cuando el proceso está en el estado [i] pasará al estado
[i + 1] λ veces por unidad de tiempo y al estado [i — 1] i μ veces por unidad de tiempo (por
supuesto, el proceso dejará el estado [i] en el momento que hay una transición de estado.
Figura 7.1 − Distribución de Poisson. Diagrama de transición de estado para

un sistema con infinitos canales, proceso de llegada de Poisson (λ),
y tiempos de ocupación con distribución exponencial (μ)
Las ecuaciones que describen el estado de los sistemas bajo la hipótesis de equilibrio estadístico se
pueden establecer de dos maneras, ambas basadas en el principio de compensación global:
a) Ecuaciones de nodo
En equilibrio estadístico el número de transiciones por unidad de tiempo en el estado [i] es
igual al número de transiciones fuera del estado [i]. La probabilidad de estado de equilibrio
p(i) indica la proporción de tiempo (tiempo total por unidad de tiempo) que el proceso está
en el estado [i]. El número medio de saltos del estado [0] al estado [1] es λ p(0) por unidad
de tiempo, y el número de saltos del estado [1] al estado [0] es μ p(1) por unidad de tiempo.
Para el estado [1] se obtiene la ecuación de equilibrio o compensación siguientes:
Las ecuaciones de nodo son siempre aplicables aun para diagramas de transición de estado
de diversas dimensiones. Este tema será tratado más adelante.

- 125 -
b) Ecuaciones de corte
En muchos casos se puede explotar una estructura simple del diagrama de transición de
estado. Si se efectúa un corte ficticio, por ejemplo entre los estados [i—1] e [i] (que
corresponde a un corte global entre los estados [0], [1], ... [i—1]), en equilibrio estadístico
el proceso de tráfico cambia entonces del estado [i—1] a [i] la misma cantidad de veces que
cambia del estado [i] a [i—1]. En equilibrio estadístico se tiene entonces, por unidad de
tiempo:
Las ecuaciones de corte se utilizan principalmente para diagramas de transición de estado

unidimensionales, mientras que las ecuaciones de nodo se aplican a cualquier tipo de diagrama.
Como el sistema siempre estará en algún estado, se tiene la restricción de normalización:
Se observa que las ecuaciones de nodo (7.3) conllevan tres probabilidades de estado, mientras que
las ecuaciones de corte (7.4) sólo implican dos. Por consiguiente, es más sencillo resolver
ecuaciones de corte. Los sistemas de pérdidas siempre podrán presentar equilibrio estadístico si el
proceso de llegada es independiente del estado del sistema. En este capítulo no se considerarán las
condiciones matemáticas para el equilibrio estadístico.
7.2.2 Obtención de las probabilidades de estado
Para diagramas de transición de estado de una dimensión la aplicación de las ecuaciones de corte es
el método más apropiado. De la figura 7.1 se obtienen las siguientes ecuaciones de equilibrio:
Expresando todas las probabilidades de estado por p(0), se obtiene, conforme al tráfico ofrecido
A =λ/μ:

- 126 -
La restricción de normalización (7.5) implica:
obteniéndose la distribución de Poisson:
La cantidad de canales ocupados en un punto aleatorio en el tiempo tiene, por tanto, distribución de
Poisson con el valor medio (6.17) y la varianza (6.18) iguales a A. Se ha visto anteriormente que el
número de llamadas en un intervalo de tiempo fijo tiene también distribución de Poisson (6.16).
Así, la distribución de Poisson es válida tanto en el tiempo como en el espacio. Por supuesto, se
obtendría la misma solución utilizando ecuaciones de nodo.
7.2.3 Características de tráfico de la distribución de Poisson
Desde un punto de vista dimensional, el sistema con capacidad ilimitada no es muy interesante. Se
resumen las características de tráfico importantes del sistema de pérdidas:
Congestión temporal: E = 0,
Congestión de llamadas: B = 0,
⎛ ∞ ⎞
Tráfico transportado: ⎜ Y = ∑ i ⋅ p(i ) = A, ⎟
⎜ ⎟
⎝ i =1 ⎠
Tráfico perdido: Al = A – Y = 0,
Congestión del tráfico: C = 0.

- 127 -
El tráfico transportado por la i-ésima línea de enlace que supone búsqueda secuencial se indicará
más adelante con la ecuación (7.13).
El grado de curtosis se define como la relación entre la varianza y el valor medio de la distribución
de las propiedades de estado (véase el índice de dispersión para conteo, ecuación 5.11). Para la
distribución de Poisson se tiene, conforme a las ecuaciones (6.17) y (6.18):
El grado de curtosis (o factor de irregularidad) tiene dimensión [número de canales] y es diferente

del coeficiente de variación que no tiene dimensión (3.9).
Duración del estado [i]:
En el estado [i] el proceso tiene la intensidad total (λ + i μ) fuera del estado. Por consiguiente, el
tiempo hasta la primera transición (transición de estado i+1 ó i –1) está distribuido
exponencialmente (véase el § 4.1.1):
7.3 Distribución de Poisson truncada

En el § 7.2 se presentó la hipótesis del tráfico puramente aleatorio tipo I (PCT-I). El número de
canales es ahora limitado, de modo que n es un valor finito. El número de estados resulta n + 1, y el
diagrama de transición de estado se muestra en la figura 7.2.
Figura 7.2 − Distribución de Poisson truncada. Diagrama de transición de estado

para un sistema con un número de canales (n) limitado, proceso de
llegada de Poisson (λ), y tiempos de servicio exponenciales (μ)
7.3.1 Probabilidades de estado

Se obtienen ecuaciones de corte similares que para el caso de Poisson, pero el número de estados
está limitado y la condición de normalización (7.5) resulta ahora:
Se obtiene así la denominada distribución de Poisson truncada (primera fórmula de Erlang):

- 128 -
El nombre truncado significa interrumpido y es debido al hecho que la solución se puede interpretar
como una distribución de Poisson condicional p(i⏐i≤ n). Esto se ve fácilmente multiplicando el
numerador y el denominador por e–A. No es un hecho de poca importancia que para este modelo de
tráfico se permita interrumpir la distribución de Poisson de modo tal que las relaciones relativas
entre las probabilidades de estados permanece inalteradas. En la antigua literatura sobre la teoría de
teletráfico la distribución de Poisson truncada se denominaba también distribución de Erlang. Para
evitar confusiones, este nombre sólo se ha de utilizar para una suma de κ distribuciones
exponenciales como se describe en el § 4.2.
7.3.2 Características de tráfico de la fórmula B de Erlang
Al conocer las probabilidades de estados se pueden hallar las medidas de calidad de funcionamiento
definidas por probabilidades de estado.
Congestión temporal:
La probabilidad que todos los canales n están ocupados en un punto aleatorio del tiempo es igual a
la proporción de tiempo en que todos los canales están ocupados (promedio temporal). Esto se
obtiene con la ecuación (7.8) para i = n.
Ésta es la famosa fórmula B de Erlang (1917 [12]). Se simboliza por En(A) = E1,n(A), donde el
índice "uno" se refiere al nombre alternativo de la primera fórmula de Erlang.
Congestión de llamadas:
La probabilidad que una llamada aleatoria se pierda es igual a la proporción de tentativas de
llamadas bloqueadas. Si se considera una unidad de tiempo, se encuentra que B = Bn(A):
Tráfico transportado:
Si se utiliza la ecuación de corte para el corte entre los estados [i–1] e [i] se tiene:
donde A es el tráfico ofrecido. El tráfico transportado será menor que A y n.

Tráfico perdido:
Congestión de tráfico:

- 129 -
Es decir, se tiene que E = B = C, porque la intensidad de la llamada es independiente del estado.

Esta es la propiedad PASTA que es válida para todos los sistemas con procesos de llegada
conforme a la distribución de Poisson. En todos los otros casos al menos dos de las tres mediciones
de congestión son diferentes. La fórmula B de Erlang se muestra gráficamente en la figura 7.3 para
algunos valores seleccionados de los parámetros.
Tráfico transportado por la i-ésima línea de enlace (utilización de ai):
1) Búsqueda aleatoria: En este caso todos los canales transportan el mismo promedio de
tráfico. El tráfico total transportado es independiente de la estrategia de búsqueda y la
utilización resulta:
Esta función se muestra en la figura 7.4, y se observa que para una congestión E se obtiene la mayor
utilización para grandes grupos de canales (economía de escala).
2) Búsqueda ordenada = búsqueda secuencial: El tráfico transportado por el canal i es la
diferencia entre el tráfico perdido de i –1 canales y el tráfico perdido de i canales:
Se debe observar que el tráfico transportado por el canal i es independiente del número total de
canales. Así los canales después del canal i no tienen influencia en el tráfico transportado por el
canal i . No hay realimentación.
Función mejora:
Esta función indica el incremento del tráfico transportado cuando se aumenta en uno el número de
canales de n a n + 1.
Se tiene:
Los valores límites son los siguientes:
La función mejora Fn(A) está tabulada en el "Principio de Moe" (Arne Jensen, 1950 [50]) y se
muestra en la figura 7.5. En el § 7.5.2 se examinará la aplicación de este principio para
dimensionamiento económico óptimo.

- 130 -
Grado de curtosis:
Se define como la relación entre la varianza y el valor medio de la distribución del número de
canales ocupados, véase el IDC (5.11). La distribución de Poisson truncada se obtendrá utilizando
la ecuación (7.13):
La dimensión es [número de canales]. En un grupo con búsqueda ordenada se puede así estimar el
grado de curtosis del tráfico transportado por el último canal.
Duración del estado [i]:
La intensidad total para dejar el estado [i] es constante e igual a (λ + i μ) y, por tanto, el intervalo
del tiempo en el estado [i] está distribuido exponencialmente con la función de densidad:
7.3.3 Generalización de la fórmula B de Erlang

La literatura sobre la fórmula B es muy amplia. Se mencionarán aquí un par de propiedades
importantes.
Insensibilidad:
Se puede demostrar que la fórmula B de Erlang, que anteriormente fue obtenida con la hipótesis de
tiempos de ocupación distribuidos exponencialmente, es válida para distribuciones de tiempo de
ocupación arbitrarias. Las probabilidades de estado para la distribución de Poisson (7.6) y la
distribución de Poisson truncada (7.8) sólo depende del tiempo de ocupación a través del valor
medio que aparece en el tráfico ofrecido A. Se debe señalar que todos los sistemas de pérdidas
clásicos con plena accesibilidad son indiferentes a la distribución del tiempo de ocupación.
La hipótesis fundamental para la validez de la fórmula B de Erlang es así un proceso de llegada de
Poisson. Conforme al teorema de Palm esto se satisface cuando el tráfico es originado por muchas
fuentes independientes. Esto se cumple en sistemas telefónicos ordinarios en condiciones de tráfico
normales. La fórmula es así muy amplia. El proceso de llegada así como el proceso de tiempo de
servicio se describen por un sólo parámetro A. Esto explica la amplia aplicación de la fórmula B en
el pasado y en la actualidad.
Número de canales continuo:

La fórmula B de Erlang se puede generalizar matemáticamente a un número de canales no entero
(incluido un número negativo de canales). Esto es útil cuando, por ejemplo, se desea hallar el
número de canales n para un determinado tráfico ofrecido A y una probabilidad de bloqueo E. En el
Capítulo 9 esto se utilizará también para tratar el tráfico de desbordamiento.
Ejemplo 7.3.1: Protocolo Aloha simple

En el ejemplo 6.2.2 se examinó el protocolo Aloha segmentado, en el que los ejes de tiempo fueron
divididos en segmentos temporales. Se estudiará ahora el mismo protocolo en tiempo continuo. Se
supone que los paquetes se reciben conforme a un proceso de Poisson y que tienen la longitud
constante h. El sistema se ajusta a la distribución de Poisson que también es válida para tiempos de

- 131 -
ocupación constantes (véase el § 7.2). Las probabilidades de estado vienen dadas por la distribución
de Poisson (7.6), donde A = λ h. Un paquete sólo se transmite correctamente si (a) el sistema está
en el estado [0] en el tiempo de llegada y (b) no se recibe ningún otro paquete durante el tiempo de
servicio h. Por tanto, se tiene:
Pcorrecto =
Figura 7.3 − Probabilidad de bloqueo En (A) en función del tráfico ofrecido A

para diversos valores del número de canales n (7.8)

1) Probabilidad de bloqueo En (A)
2) Tráfico ofrecido A

- 132 -
Figura 7.4 − Utilización media por canal a (7.12) en función del número
de canales n para determinados valores de la congestión E

1) Utilización a
2) Número de canales n

- 133 -
Figura 7.5 − Función mejora Fn(A) (7.15) de la fórmula B de Erlang. Por búsqueda
secuencial, Fn(A) es igual al tráfico an+1 transportado en el canal número (n + 1)

1) Función mejora F1,n(A) = an+1
2) Número de canales n
El tráfico transmitido correctamente se puede expresar así:
-2A
Acorrecto = A · P correcto = A · e .
Ésta es la proporción del eje de los tiempos que se utiliza eficazmente. Tiene un valor óptimo
para λh = A = ½, donde la derivada con respecto a A es igual a cero:

- 134 -
Se obtiene así una utilización máxima igual a 0,1839 cuando se ofrece 0,5 Erlang. Esta es la mitad
del valor que se ha obtenido para un sistema segmentado, sincronizando los transmisores de satélite.
En la figura 6.4 se comparan los modelos.
7.4 Procedimientos normales para diagramas de transición de estado

La herramienta más importante en teoría de teletráfico es la formulación y solución de modelos por
medio de diagramas de transición de estado. Conforme a las secciones se identificó al
procedimiento normal para diagramas de transición de estado que se describe a continuación. Este
procedimiento comprende de una serie de pasos y está formulado en términos generales. Asimismo,
es aplicable para diagramas de transición de estado multidimensionales, que se examinarán más
adelante. Se efectúan siempre los siguientes pasos:
a) Construcción del diagrama de transición de estado.
− definir los estados del sistema en un modo unívoco;
− representar gráficamente los estados como círculos;
− considerar los estados uno por vez y trazar todas las flechas posibles para transiciones
fuera del estado debido al:
* proceso de llegada (nueva llegada o desplazamiento de fase en el proceso de
llegada),
* proceso de partida (el tiempo de servicio termina o se desplaza la fase).
De esta manera se obtiene el diagrama de transición de estado completo.
b) Formular las ecuaciones que describen el sistema.
− Si se satisfacen las condiciones para el equilibrio estadísticos, las ecuaciones de estado
permanente se pueden obtener de:
* las ecuaciones de nodo;
* las ecuaciones de corte.
− Las ecuaciones diferenciales se pueden obtener directamente del diagrama.
c) Resolver las ecuaciones de equilibrio suponiendo un equilibrio estático.
− Expresar todas las probabilidades de estado, por ejemplo la probabilidad de estado
[0], p(0).
− Hallar p(0) por normalización.
d) Calcular las mediciones de calidad de funcionamiento expresadas por las probabilidades de
estado.
En la práctica, el valor no normalizado de la probabilidad de estado q(0) se pone a uno, y se
calculan los valores relativos q(i), (i = 1, 2, ...). Por normalización se tiene:
donde

- 135 -
La congestión temporal resulta:
7.4.1 Evaluación numérica

Si q(i) llega a ser muy grande (por ejemplo 1010), se tendrán que multiplicar entonces todos los
valores relativos q(i) por la misma constante (por ejemplo 10-10), pues se sabe que todas las
probabilidades están dentro del intervalo [0,1]. De esta manera se evitan problemas numéricos.
Si q(i) llega a ser muy pequeño, se puede interrumpir entonces el espacio de estado pues la función
densidad de p(i) tiene a menudo forma de campana (unimodal) y, por tanto, tiene un valor máximo.
En muchos casos, se puede controlar teóricamente el error introducido por la interrupción del
espacio de estado (Stepanov, 1989 [96]).
Por supuesto, también se puede normalizar después de cada paso, pero esto implica mayores
cálculos. Si sólo hay interés en el valor absoluto de p(n), es decir para obtener la congestión
temporal E = p(n), se puede efectuar esto en una manera más simple. Supóngase que se tiene la
siguiente fórmula de recursión, (basada en las ecuaciones de corte) para las probabilidades de
estado no normalizadas:
y que se desea hallar las probabilidades de estado normalizadas, dado x canales: px(i), i = 0, 1, . . . x.
El índice x indica que es la probabilidad de estado para un sistema con un total de x canales.
Se supone que ya se han obtenido las probabilidades de estado normalizadas para x-1 canales.
Los valores relativos de las probabilidades de estado no cambian cuando se le agrega uno o más
canales, de modo que se tiene:
se calcula con la siguiente expresión:
La nueva constante de normalización resulta:
pues en el paso previo se normalizó la suma de los términos de 0 a x–1 de modo que se agregan a 1.
Se obtiene así:

- 136 -
El valor inicial para la recursión es Q0 = po(0) = po(0). Aplicando la ecuación (7.22) y utilizando la
notación Ex = px(x) (congestión temporal) se obtiene:
Introduciendo la probabilidad de congestión temporal inversa Ix = Ex-1 se obtiene:
Esta es una fórmula de recursión general para calcular la congestión temporal de todos los sistemas
con régimen de llegada dependiente del estado λ1 y servidores homogéneos.
Ejemplo 7.4.1: Cálculo de probabilidades de la distribución de Poisson
Si se desea calcular la distribución de Poisson (7.6) para valores medios muy grandes m1 = A = λ/μ,
es conveniente entonces hacer que q(m) = 1, donde m es igual a la parte entera de (m1 + 1). Los
valores relativos de q(i) tanto para los valores decrecientes i = m− 1, m− 2, ..., 0 como para los
valores crecientes i = m+1, m− 2, ... estarán disminuyendo y se pueden detener los cálculos cuando,
−20
por ejemplo, q(i) < 10 y normalizar q(i). En la práctica no habrá problemas para normalizar las
probabilidades.
7.4.2 Evaluación de la fórmula B de Erlang
Para cálculos numéricos, la fórmula (7.9) no es muy apropiada puesto que n! y An aumentan
rápidamente de modo tal que se producirá el rebasamiento del ordenador. Si se aplica la
ecuación (7.25), se obtendrá entonces la fórmula de recursión:
Desde el punto de vista numérico, la forma lineal (7.26) es la más estable:
donde In(A) = 1/En(A). Esta fórmula de recursión es exacta, y aun para grandes valores de (n, A) no
hay errores de redondeo. Esta es la fórmula básica para numerosas tablas de la fórmula B de Erlang,
es decir la tabla clásica (Palm, 1947 [83]). Para valores de n muy grandes hay algoritmos más
eficaces. Se debe señalar que una fórmula recursiva, que es exacta para índices crecientes,
usualmente no lo es para índices decrecientes y viceversa.
Ejemplo 7.4.2: Sistemas de pérdidas de Erlang
Considérese un sistema de pérdidas Erlang-B con n = 6 canales, régimen de llegada λ = 2 llamadas
por unidad de tiempo, y régimen de salida μ = 1 salida por unidad de tiempo, de modo que el tráfico
ofrecido es A = 2 erlang. Si las probabilidades de estado relativas no normalizadas se representan
por q(i), se obtendrán, al establecer el diagrama de transición de estado, los valores mostrados en el
siguiente cuadro:

- 137 -
Se obtiene las siguientes probabilidades de bloqueo:
Se observa que E = B = C debido a la propiedad PASTA.
Aplicando la fórmula de recursión (7.27) se obtendrán, por supuesto, los mismos resultados:
Ejemplo 7.4.3: Cálculo de Ex(A) para valores de x grandes

Por aplicación recursiva de la ecuación (7.28) se obtiene:

- 138 -
la cual, por supuesto, es la probabilidad de bloqueo inversa de la fórmula B. Para grandes valores
de x y A esta fórmula se puede aplicar para el cálculo rápido de la fórmula B, pues se puede
interrumpir la suma cuando los términos se hacen muy pequeños.
7.5 Principios de dimensionamiento

Cuando se dimensionan los sistemas de servicio se deben compensar las necesidades de grado de
servicio frente a las restricciones económicas. En este Capítulo ser verá cómo se puede llevar esto a
cabo sobre una base racional. En sistema de telecomunicaciones hay diversas medidas que
caracterizan el servicio ofrecido. La medida más importante es la calidad de servicio (QoS, quality
of service), que comprende todos los aspectos de una conexión tales como calidad vocal, retardo,
pérdida, fiabilidad, etc. Se considerará un subconjunto de estos aspectos, es decir el grado de
servicio (GoS, grade of service) o rendimiento funcional de la red, que sólo incluye aspectos
relacionados con la capacidad de la red.
Por la publicación de las fórmulas de Erlang había ya antes de 1920 una relación funcional entre la
cantidad de servidores, tráfico ofrecido y grado de servicio (probabilidad de bloqueo) y así una
medida para la calidad del tráfico. Al mismo tiempo, había conexiones directas entre todas las
centrales en la zona de Copenhague que produjeron numerosos grupos pequeños de línea de enlace.
Si la fórmula B de Erlang se aplica con una probabilidad de bloqueo fija para dimensionamiento, la
utilización resulta deficiente.
Kai Moe (1893-1949), que fue ingeniero en jefe en la Compañía Telefónica de Copenhague, efectuó
algunas evaluaciones económicas cuantitativas y publicó diversos documentos donde presentó
consideraciones marginales, como se conocen actualmente en economía matemática. P. A
Samuelson, en su famoso libro publicado en 1947, efectuó consideraciones similares. Sobre la base
de los trabajos de Moe se formularon los principios fundamentales para sistemas de
telecomunicación. Principio de Moe (Jensen, 1950 [50]).
7.5.1 Dimensionamiento con probabilidad de bloqueo fija
Para el funcionamiento correcto, un sistema de pérdidas debe ser dimensionado para una
probabilidad de bloqueo baja. En la práctica, se debe elegir el número de canales n de modo tal
que E1,n (A) sea de 1% para evitar la sobrecarga debida a numerosas tentativas de llamada repetidas
y no completadas que además causan incomodidades a los abonados.
El cuadro 7.1 indica el tráfico ofrecido para una probabilidad de bloqueo fija E = 1% para algunos
valores de n.

- 139 -
Cuadro 7.1 − Parte superior: Para un valor fijo de la probabilidad de bloqueo E = 1%

se puede ofrecer el tráfico A a través de n líneas de enlace. El promedio de
utilización de las líneas de enlace es a y la función mejora es F1,n(A) (7.15).
Parte inferior: Se obtienen los valores de E, a y F1,n(A) para una
sobrecarga de 20%
El cuadro también indica la utilización de canales media, que es más elevada para grandes grupos.
Si se aumenta el tráfico ofrecido un 20% a A1 = 1,2 . A, se observa que la probabilidad de bloqueo
aumenta para todos los valores de n, pero más aún para grandes valores.
En el cuadro 7.1 se observan dos características:
a) La utilización a por canal es, para una determinada probabilidad de bloqueo, las más
elevada en grandes grupos (véase la figura 7.4). Un canal puede, con una probabilidad de
bloqueo E = 1%, ser utilizado en promedio 36 segundos por hora.
b) Los grandes grupos de canales son más sensibles a un determinado porcentaje de
sobrecarga que los pequeños grupos de canales. Esto se explica por la reducida utilización
de pequeños grupos, los cuales, en consecuencia, tienen una mayor capacidad de reserva
(elasticidad).
Así, cuando se dimensiona un grupo de canales, surgen dos factores de importancia contrarios entre
sí: se debe elegir entre alta sensibilidad a la sobrecarga o una baja utilización de canales.
7.5.2 Principios de mejora (principio de Moe)
Como se indicó en el § 7.5.1 una probabilidad de bloqueo fija produce baja utilización (mala
economía) de pequeños grupos de canales. Si se reemplaza la necesidad de una probabilidad de
bloqueo fija por una necesidad económica, la función mejora F1,n(A) (7.15) debe tomar un valor
fijo de modo tal que la extensión de un grupo con un canal adicional aumenta el tráfico transportado
en la misma cantidad para todos los grupos.
En el cuadro 7.2 se muestran los valores para F = 0,05. Del mismo se observa que la utilización de
pequeños grupos resulta mejor cuando corresponde a un elevado aumento de la probabilidad de
bloqueo. Por otra parte la congestión en grandes grupos disminuye a un valor pequeño. (Véase
también la figura 7.7.) Si se tiene un sistema telefónico con grupos de enlace como en el cuadro, no
se podrá aumentar el tráfico transportado reordenando los canales entre los grupos.

- 140 -
Cuadro 7.2 − Para un valor fijo de la función mejora se han

calculado los mismos valores que en el cuadro 7.1
Con este criterio de servicio se atribuirá, en comparación con el § 7.5.1 más canales a grupos
grandes y menos canales a grupos pequeños, que es la tendencia que se estaba buscando.
La función mejora es igual al cociente diferencia del tráfico transportado con respecto al número de
canales n. Cuando el dimensionamiento se efectúa conforme al principio de mejora se debe
establecer un punto de operación en la curva del tráfico transportado en función del número de
canales cuya pendiente sea la misma para todos los grupos (ΔA / Δn = constante). Un incremento
marginal del número de canales aumenta el tráfico transportado en la misma cantidad para todos los
grupos.
Es sencillo establecer un modelo económico simple para la determinación de F1,n (A). Considérese
un determinado intervalo de tiempo (por ejemplo una unidad de tiempo). Sea g el ingreso por erlang
transportado por unidad de tiempo. Se supone que el costo de un cable con n canales es una función
lineal:
cn = c0 + cּ n (7.29)
Los costos totales para un determinado número de canales es entonces a) a costo del cable y b)
costo debido al tráfico perdido (ingreso perdido):
Cn = g ּ AE1,n(A) +c0 + c ּ n, (7.30)
siendo A el tráfico ofrecido, es decir la demanda posible de tráfico en el grupo considerado. Los
costos debido al tráfico perdido disminuirán con el incremento de n, mientras que los gastos debidos
al cable aumentan con n. Los costos totales pueden tener un mínimo para un determinado valor
de n. En la práctica n es un entero y se busca un valor de n para el cual se tiene (véase la figura 7.6):

- 141 -
Figure 7.6 − Los costos totales se componen de costos para cable e ingresos perdidos
debido al tráfico bloqueado (7.30). El valor mínimo de los costos totales se
obtiene cuando se satisface la expresión (7.31), es decir cuando las dos
funciones de costos tienen la misma pendiente con signos opuestos
(cociente de diferencias). (FB = 0,35, A = 25 erlang)
B
El mínimo se obtiene para n = 30 líneas de enlace

1) Costos
2) Costos totales
3) Tráfico bloqueado
4) Cable
5) Número de líneas de enlace n
Cn− 1 > Cn y Cn ≤ Cn+1.
Como E1,n(A) = En(A) se tiene:
c
A{En−1(A) − En(A)} > ≥ A {En(A) − En+1((A)}, (7.31)
g
o:
donde:
c Costo por canal extra
FB = = (7.33)
g Ingreso por canal extra

- 142 -
FB se denomina valor mejora. Se observa que c0 no aparece en la condición para mínimo.

Determina si es conveniente transportar el tráfico en su totalidad. Se debe requerir que para algún
valor positivo de n se tenga:
gּ A {1 − En(A)} > c0 + cּ n (7.34)
La figura 7.7 muestra probabilidades de bloqueo para algunos valores de FB. Se observa que la
B
demanda económica precedente para obtener beneficios produce un determinado valor de la función
mejora. En la práctica, se toma un valor de FB independientemente de la función costo.
B
En Dinamarca se han utilizado los siguientes valores:

FB = 0,35 para grupos de enlace primarios.
FB = 0,20 para grupos primarios que protegen el servicio. (7.35)
FB = 0,05 para grupos sin ruta alternativa.
Figura 7.7 − Cuando se efectúa el dimensionamiento con un valor fijo del valor
mejora FB las probabilidades de bloqueo para valores pequeños del
tráfico ofrecido se hace grande (véase el cuadro 7.2)
Leyendas de la figura 7.7:
1) Probabilidad de bloqueo E [%]

- 143 -
CAPÍTULO 8
Sistemas de pérdidas con accesibilidad completa

En este Capítulo se generaliza el sistema clásico de pérdidas de Erlang a los procesos Poisson de
llegadas dependientes del estado, entre ellos los denominados modelos de tráfico BPP:
• Caso binomial: modelo de Engset,
• Caso Poisson: modelo de Erlang, y
• Caso Pascal (Binomial negativo): modelo de Palm-Wallström.
Después de una introducción en el § 8.1 se examina la teoría clásica básica en los § 8.2 a 8.7. En el
§ 8.2 se considera el caso binomial, en el que el número de fuentes S (abonados, clientes, tareas) es
limitado y el número de canales n siempre es suficiente (S ≤ n). Este sistema se aborda mediante
ecuaciones de equilibrio del mismo modo que en caso Poisson (véase el § 7.2). Ante todo, se
examina la estrategia de las llamadas perdidas eliminadas (LCC, lost-calls-cleared). En el § 8.3 se
limita el número de canales de manera que pase a ser inferior al número de fuentes (n < S). Se tiene
entonces la posibilidad de bloqueo y se obtiene la distribución binomial truncada que se denomina
distribución de Engset. La probabilidad de congestión temporal E viene dada por la fórmula de
Engset, con un número de fuentes, la congestión temporal, la congestión de llamadas y la
congestión de tráfico se vuelven diferentes, y la denominada propiedad PASTA es sustituida por el
teorema general de llegada, según el cual el estado del sistema observado por un cliente (promedio
de llamada), es igual a la probabilidad del estado del sistema sin este cliente (promedio temporal).
La fórmula de Engest se calcula numéricamente mediante una fórmula recursiva en el número de
canales n obtenida del mismo modo que la fórmula B de Erlang. Asimismo, se establecen fórmulas
recursivas en el número de fuentes s, así como en n y s.
En el § 8.6 se examina el caso binomial negativo, también denominado caso Pascal, donde la
intensidad de llegada aumenta linealmente con el estado del sistema. Si el número de canales es
limitado se obtiene entonces la distribución binomial negativa truncada (véase el § 8.7).
Figure 8.1 − Sistema de pérdidas de accesibilidad completo con S fuentes, que genera
tráfico a n canales. El sistema se muestra a través del denominado chicko-gram.
El pequeño apéndice que se ilustra en la fuente simboliza un selector que
apunta hacia los canales (servidores) entre los cuales se
puede escoger la fuente

1) S fuentes
2) n canales
8.1 Introducción
Considérese un sistema con la misma estructura (grupo de accesibilidad completa) y estrategia
(llamadas perdidas eliminadas) como en el Capítulo 7 pero con más procesos generales de tráfico.
En el texto siguiente se supone que los tiempos de servicios están distribuidos exponencialmente

- 144 -
(intensidad μ), el proceso de tráfico resulta entonces un proceso de renovación, es decir un proceso
de marco especial, que es sencillo de tratar matemáticamente. Generalmente se define el estado del
sistema como el número de canales ocupados. Como se verá más adelante todos los procesos
considerados no son sensibles, es decir sólo el tiempo de servicio medio es de importancia para las
probabilidades de estado, la distribución de tiempo de servicio propiamente dicha no tiene
influencia.
Definición de tráfico ofrecido: En el § 2.1 el tráfico ofrecido A se ha definido como el tráfico
transportado cuando el número de servidores es ilimitado. Sólo para procesos de renovación
estacionarios como el proceso de llegada de Poisson en el caso Erlang esta definición es equivalente
al promedio de la cantidad de tentativas de llamada por tiempo medio de servicio. En los casos de
Engset y Pascal no hay proceso de renovación de llegada y esta definición se utiliza para el caso
Engset y para el caso Pascal.
El grado de Curtosis se define como la relación entre la varianza y el valor medio de las
probabilidades de estado. Para el tráfico ofrecido el grado de curtosis se considera un número
infinito de canales.
Considérense los procesos de llegadas siguientes, donde el primer caso ya ha sido tratado en el
Capítulo 7:
1) Caso Erlang (P − Caso de Poisson):
El proceso de llegada es un proceso de Poisson con intensidad λ. Este tipo de tráfico se
denomina aleatorio o tráfico puramente aleatorio tipo uno, PCT−I. Se consideran dos casos:
a) n = ∞: Distribución de Poisson (véase § 7.2).
El grado de curtosis es en este caso igual a uno (Z = 1).
b) n < ∞: Distribución de Poisson truncada (véase el § 7.3).
2) Caso Engset (B − caso binomial):
Hay un número limitado de fuentes S. La fuente individual tiene cuando está en reposo una
intensidad (de llegada) de llamada constante γ. Cuando está ocupado la intensidad de
llamada es cero. El proceso de llegada es así dependiente del estado. Si en un punto del
tiempo dado, i fuentes están ocupadas, la intensidad de llegada es igual a (S − i) γ.
Este tipo de tráfico se denomina tráfico aleatorio o tráfico puramente aleatorio tipo dos,
PCT-II. Se consideran los dos casos siguientes:
a) n ≥ S: Distribución binomial (véase el § 8.2).
El grado de curtosis es en este caso menor que uno: (Z < 1).
b) n < S: Distribución binomial truncada (véase el § 8.3).
3) Caso Palm - Wallstön (P- Caso Pascal):
Hay un número de fuentes (clientes) S limitado. Si en un instante dado se tiene i fuentes
ocupadas, la intensidad de llegada es igual a (S + i)γ. Aquí nuevamente surgen dos casos:
a) n = ∞: Distribución de Pascal = distribución binomial negativa (véase § 8.6).
En este caso el grado de curtosis es mayor que uno (Z > 1).
b) n < ∞: Distribución de Pascal truncada (distribución binomial negativa (véase el § 8.7).
Como el proceso de Poisson se puede obtener por un número infinito de fuentes con una intensidad
de llegada total λ, el caso Erlang se puede considerar como un caso especial de los otros dos casos:

- 145 -
Para cualquier estado finito i hay entonces una intensidad de llegada constante:
Los tres tipos de tráfico están referidos como tráfico BPP conformes a las abreviaturas que
corresponden a (Binomial, Poisson y Pascal). Como esos modelos incluyen todos los valores de
curtosis Z > 0, puede ser utilizados para modelar tráfico con dos parámetros: Valor medio A y
curtosis Z. Para valores arbitrarios de Z el número de fuentes S resulta, en general, no entero.
Mediciones de rendimiento funcional: Las características de tráfico más importantes para sistemas
de pérdidas son: congestión temporal E , congestión de llamadas B, congestión de tráfico C, y la
utilización de los canales. Esas mediciones se obtienen para cada uno de los modelos mencionados.
8.2 Distribución binomial

Se examinará ahora un sistema con un número limitado de fuentes S (abonados). La fuente
individual se conmuta entre estados en reposo y ocupado. Una fuente está en reposo durante un
intervalo de tiempo que está distribuido exponencialmente con intensidad γ, y la fuente está
ocupada durante un intervalo de tiempo distribuido exponencialmente (tiempo de servicio, tiempo
de ocupación) con intensidad μ (véase la figura 8.2). Este tipo de fuente se denomina fuente
esporádica o fuente activada/desactivada. Este tipo de tráfico se denomina tráfico puramente
aleatorio tipo dos (PCT-II) o tráfico seudoaleatorio.
Se supone que en esta sección el número total de canales/líneas de enlace n será mayor o igual al
número de fuentes (n ≥ S), de modo tal que no habrá llamadas perdidas. Se supone que n y S son
valores enteros, pero es posible tratar con valores no enteros (Iversen y Sanders, 2001 [45].
Figura 8.2 − Cada fuente está ocupada o en reposo y se comporta en forma

independiente de todas las otras fuentes

1) Estado
2) Ocupado
3) En reposo
4) Tiempo
5) llegada
6) salida

- 146 -
8.2.1 Ecuaciones de equilibrio
Figura 8.3 − Diagrama de transición de estado para el caso binomial

(véase el § 8.2). El número de fuentes S es menor que el
número de circuitos n (n ≥ S)
Sólo hay interés en las probabilidades de estado estacionario p(i), que es la proporción de tiempo en
que el proceso se encuentra en el estado [i]. Los cálculos estarán basados en el diagrama de
transición de están de la figura 8.3. Se consideran cortes entre los estados vecinos y se obtiene:
Todas las probabilidades de estado se expresan por p(0):
El valor total de todas las probabilidades debe ser igual a uno:

- 147 -
donde se ha utilizado la expansión binomial.

Si β = γ/μ, se obtiene:
El parámetro β es el tráfico ofrecido por fuente en reposo (número de tentativas de llamada por
unidad de tiempo para una fuente en reposo) (el tráfico ofrecido desde una fuente ocupada es cero),
y resulta:
donde
En este caso, cuando una tentativa de llamada procedente de una fuente en reposo nunca se bloquea,
α es igual al tráfico transportado a por fuente (a = α), que es equivalente a la probabilidad que una
fuente esté ocupada en un instante aleatorio (la proporción del tiempo en que la fuente está
ocupada). Esto también se observa en la figura 8.2, pues todos los puntos de llegada y de salida en
el eje del tiempo son puntos de regeneración (puntos de equilibrio). Un ciclo que va desde el
comienzo de un estado ocupado (llegada) hasta el comienzo del estado ocupado siguiente es
representativo de la totalidad de los ejes de tiempo, y los tiempos medios se obtienen promediando
un ciclo completo. Se debe señalar que para sistemas con bloqueo se tiene a ≠ α (véase el § 8.3).
La fórmula (8.4) representa la distribución binomial. En la teoría de teletráfico también se
denomina distribución de Bernoulli, pero esto se debe evitar pues en estadística este nombre se
utiliza para una distribución de dos puntos.
La fórmula (8.4) se puede obtener por consideraciones elementales. Todos los abonados se pueden
dividir en dos grupos: abonados ocupados y abonados desocupados. La probabilidad que un
abonado pertenezca a la clase "ocupado" es a = α, que es independiente del estado de todos los
otros abonados pues el sistema no tiene bloqueo y siempre se aceptan tentativas de llamada. Hay en
total S abonados (fuentes) y la probabilidad p(i) que i fuentes estén ocupadas en un instante
arbitrario viene dado por la distribución binomial (8.4) y por el cuadro 6.1.

- 148 -
8.2.2 Características del tráfico binomial

Se han visto las siguientes definiciones de los parámetros:
γ = intensidad de la llamada por fuente desocupada, (8.5)
1/μ = tiempo de servicio (ocupación) medio, (8.6)
β = γ/μ = tráfico ofrecido por fuente desocupada. (8.7)
El tráfico ofrecido por fuente desocupada es un concepto complejo pues la porción de tiempo que
una fuente está desocupada depende de la congestión. El número de llamadas ofrecido por una
fuente resulta dependiente del número de canales: una elevada congestión ocasiones más tiempo
libre para una fuente y, por tanto, más tentativas de llamada. Por definición, el tráfico ofrecido de
una fuente es igual al tráfico transportado en un sistema sin congestión, donde la fuente varía
libremente entre los estados ocupado y desocupado. Por tanto, se tiene la siguiente definición de
tráfico ofrecido.
β
α= = tráfico ofrecido por fuente, (8.8)
1+ β
A=S.α = tráfico ofrecido total, (8.9)
a = tráfico transportado por fuente, (8.10)
Y=S.a = tráfico transportado. (8.11)
E=0 S <n;
n
E = p(n) = α S = n. (8.12)
Tráfico transportado:
que es el valor medio de la distribución binomial (8.4). En este caso sin bloqueo se tiene entonces
α = a.
Número de tentativas de llamada por unidad de tiempo:

- 149 -
La expresión (S a μ) es el número de llamadas transportadas por unidad de tiempo, y se obtiene así:

B=0 (8.16)
Tráfico transportado por canal ν:
Búsqueda aleatoria:
Búsqueda secuencial: expresión compleja deducida por L.A. Joys (1971 [56]).
Función mejora:
Fn(A) = Yn+1 − Yn = 0 (8.18)
Grado de curtosis: (Cuadro 6.1)
Se observa que el grado de curtosis Z es independiente del número de fuentes de tráfico y es

siempre menor que uno, de modo tal que corresponde al tráfico regularizado. Como A = αS, se
obtiene entonces la siguiente relación simple entre A, S y Z:
Duración del estado i: Está distribuido exponencialmente con el régimen:

- 150 -
8.3 Distribución de Engset

La única diferencia en comparación con el § 8.2 es que el número de fuentes S es ahora mayor que
el número de líneas de enlace (canales) (n < S). Por tanto, las tentativas de llamada pueden sufrir
congestión.
Figura 8.4 − Diagrama de transición de estado para el caso Engset con S > n,
donde S es el número de fuente de tráfico y n es el número de canales
8.3.1 Probabilidades de estado

Las ecuaciones de corte son idénticas a la ecuación (8.1), pero sólo existen para 0 ≤ i ≤ n (véase la
figura 8.4). La ecuación de normalización (8.2) resulta:
y suponiendo que β = γ/μ, las probabilidades de estado son:
Del mismo modo, utilizando la ecuación (8.8), se puede volver a formular esta expresión en una
forma que es análoga a la ecuación (8.4):
de la que se puede observar directamente porque se denomina distribución binomial truncada

(véase la distribución de Poisson truncada (7.9)).
Las distribuciones (8.25) y (8.26) se denominan distribución de Engset. T. Engset (1865-1943) de
nacionalidad noruega publicó por primera vez el modelo con un número de fuentes finito
(1918 [27]).
8.3.2 Características del tráfico del sistema Engset
La distribución de Engset da por resultado cálculos más complicados que el sistema de pérdidas de
Erlang. La cuestión esencial es conocer cómo encontrar las medidas de rendimiento funcional de las
probabilidades de estado utilizando las definiciones. El sistema Engset está caracterizado por los
parámetros B = γ/μ = tráfico ofrecido por fuente desocupada, S = número de fuentes y n = número
de canales.

- 151 -
Congestión temporal E: es por definición igual a la porción de tiempo en que el sistema está
bloqueado para nuevas tentativas de llamada, es decir p(n) (8.25):
Congestión de llamadas B: por definición es igual a la proporción de tentativas de llamada que se

pierden. Sólo las tentativas de llamada que llegan al sistema en estado n se bloquean. Durante una
unidad de tiempo se obtiene la relación siguiente entre el número de tentativas de llamadas
bloqueadas y el número total de tentativas de llamadas:
utilizando
se obtiene:
Este resultado se puede interpretar de la siguiente manera: La probabilidad que una tentativa de
llamada procedente de una fuente aleatoria (abonado) se rechace, es igual a la probabilidad que las
fuentes de tráfico S−1 restantes ocupen la totalidad de los n canales. Este es el teorema de llegada y
se puede probar que es válido para sistemas de pérdidas y de espera) con un número limitado de
fuentes de tráfico. El resultado se basa en el producto entre fuentes y la convolución de fuentes.
Como E aumenta cuando se incrementa S, se tiene:
Teorema 8.1 Teorema de llegada: Para todos los sistemas con un número de fuentes limitado, una
fuente de tráfico aleatorio observará según llegada el estado del sistema como si la propia fuente no
fuera parte del sistema.
Tráfico transportado: Aplicando la ecuación de corte entre el estado i−1 y el estado i se obtiene:

- 152 -
pues E = En,S(β) = p(n). Esto se resuelve con respecto a Y:
El tráfico ofrecido viene dado por la ecuación (8.9), y así se obtiene:

Congestión de tráfico C = Cn;S (A). Esta es la medición de congestión más importante.
Esto permite una relación simple entre C y E.

También se puede hallar el tráfico transportado si se conoce la congestión de llamadas B. La
cantidad de tentativas de llamada aceptadas por fuente desocupada por tiempo medio de servicio es
γ (1-B), y el tráfico transportado por fuente resulta
.
El tráfico transportado total viene dado por:
De las ecuaciones (8.33) y (8.35) se obtiene una relación simple entre E y B que es idéntica a las
ecuaciones (8.54) y (8.55).
Números de tentativas de llamadas por unidad de tiempo:

- 153 -
donde Y es el tráfico transportado. Así (S−Y) es el número medio de fuentes desocupadas.

Históricamente, el tráfico ofrecido había sido definido como la relación Λ/μ. Sin embargo, esto no
es correcto debido a que a cada tentativa de llamada repetida no se le puede asignar un tiempo de
ocupación medio 1/μ. Además, esto ha causado mucha confusión pues el tráfico ofrecido por esta
definición depende del sistema (número de canales).
Tráfico perdido:
Duración del estado i: Está distribuido exponencialmente con la intensidad:
Función mejora:
Ejemplo 8.3.1: Promedio de llamadas y tiempo medio

Se han definido anteriormente las probabilidades de estado p(i) bajo la hipótesis de equilibrio
estadístico como la porción de tiempo que el sistema permanece en el estado i, es decir como
promedio de tiempo. Se debe también estudiar cómo se muestra el estado del sistema cuando es
observado por una fuente (usuario) de llegada o salida (promedio de llamadas). Si se considera una
.
unidad de tiempo, las fuentes (S − i) γ p(i) medias observarán el sistema en el estado i, justo antes
del momento de llegada y si son aceptados llevarán el sistema al estado [i + 1]. Las fuentes que
observan el sistema en el estado n están bloqueadas y permanecen en estado desocupado. Por tanto,
las fuentes de llegada observan el sistema en estado i con la probabilidad siguiente:
De modo análogo la derivación de la ecuación (8.28) se puede demostrar que de conformidad con el
teorema de llegada (Teorema 8.1) se tiene lo siguiente:
Cuando las fuentes que dejan el sistema miran hacia atrás observarán el sistema en estado ψ:

- 154 -
Mediante la aplicación de ecuaciones de corte se determina inmediatamente que ésta es idéntica a la

ecuación (8.40), si se incluyen los clientes bloqueados. En términos medios, los clientes salen del
sistema en el mismo estado en que llegan. El proceso reversible es diferente a la distribución
temporal del servicio. Si el sistema se filmara, no se podría determinar si funciona hacia adelante o
hacia atrás.
8.4 Evaluación de la fórmula de Engset

Si se trata de calcular los valores numéricos de la fórmula de Engset (8.27) (congestión temporal E),
se presentarán problemas numéricos para grandes valores de S y n. En el texto siguiente se
deducirán diversas fórmulas recursivas numéricamente estables y su recíproca I = 1/E. Cuando se
conoce la congestión temporal E, es sencillo obtener la congestión de llamadas B y la congestión de
tráfico C utilizando las fórmulas (8.55) y (8.34). Numéricamente es también fácil calcular
cualquiera de los cuatro parámetros n, S, β, E cuando se conocen tres de ellos. Se puede suponer
que n y posiblemente S no son enteros.
8.4.1 Fórmula de recursión en n
De la fórmula general (7.25) recursiva en n se obtiene utilizando γx = (S - x) γ y β = γ/μ:
Introduciendo la congestión temporal recíproca In,S(β) = 1/E n,S(β), se obtiene la fórmula de

recursión:
Las ecuaciones (8.44) y (8.45) son analíticamente exactas y numéricamente estables y permiten
calcular recursiones precisas para valores crecientes de n. Sin embargo, para valores crecientes de n
se acumulan errores numéricos y las recursiones no son exactas. El número de iteraciones es n.
8.4.2 Fórmula de recursión en S
Si las probabilidades de estado normalizadas para un sistema de n canales y S -1 fuentes se
simbolizan con pn,S-1(i), se obtienen entonces probabilidades de estado para un sistema con S fuentes
y n canales mediante la convolución de esas probabilidades de estado con la probabilidad de estado
de una fuente simple {p1,1(0) =1 - α, p1,1(1) = α:} truncamiento del espacio de estado en n, y la
normalización de las probabilidades de estado (véase el ejemplo 3.2.1) (p(-1) = 0):

- 155 -
Las probabilidades de estado qn,S(i) no están normalizadas, pues se corta en el estado [n] y se
excluye el último término qn,S(n + 1) = αpn,S-1(n) (estado [n + 1]) donde una tentativa de llamada se
bloquea. Las probabilidades de estado normalizadas pn,S(i) para un sistema con S fuentes y n canales
se obtienen así de las probabilidades de estado normalizadas pi,S−1(i) para un sistema con S−1
fuentes mediante:
La congestión temporal En,S(β) para un sistema con S fuentes se puede expresar mediante la
congestión temporal En,S-1(β) para un sistema con S−1 fuentes utilizando las ecuaciones (8.47)
y (8.46):
donde se ha utilizado la ecuación de equilibrio entre el estado [n – 1, S -1] y el estado [n, S -1].
Remplazando α con la ecuación (8.8), se tiene:
obteniéndose así la siguiente fórmula recursiva:
El valor inicial se obtiene con la ecuación (8.12). Empleando la probabilidad de bloqueo recíproca
I = 1/E, se obtiene:
Para incrementos de S el número de iteraciones es S-n. Sin embargo, los errores numéricos
acumulados debido a la normalización, donde se divide por un número menor que uno (8.47) y la
aplicabilidad es limitada. Por consiguiente, para incrementos de S se recomienda utilizar la ecuación
(8.53). Para el decrecimiento de S la fórmula es analíticamente exacta, numéricamente estable y
precisa. Sin embargo, el valor inicial debe ser conocido de antemano.
8.4.3 Fórmula de recursión en n y S
Si se aplica la ecuación (8.44) en la ecuación (8.50), y la (8.45) en la (8.51), respectivamente,
resulta:

- 156 -
que son recursivas tanto en el número de servidores como en la cantidad de fuentes. Ambas
recursiones son numéricamente exactas para índices crecientes y el número de iteraciones es n
(Joys, 1967 [54],).
De las expresiones anteriores se obtienen las siguientes conclusiones para fórmulas de recursión que
se aplican a la fórmula de Engset. Para valores crecientes del parámetro, las fórmulas de recursión
(8.44) y (8.45) son las mejores aunque también son convenientes las fórmulas (8.52) y (8.53). Las
ecuaciones de recursión (8.50) y (8.51) son numéricamente inestables para valores crecientes, pero,
a diferencia de las otras, son estables para valores decrecientes. En general, se tiene que una
recursión, que es estable en un sentido, será inestable en el sentido opuesto.
8.5 Relaciones entre E, B, y C

De la ecuación (8.50) se obtiene la siguiente relación entre E = En,S(β) y B = Bn,S(β) = En,S-1(β)
B
utilizando la ecuación (8.28):
Las expresiones de la derecha son lineales en las probabilidades de bloqueo recíprocas. En la

ecuación (8.34) se obtiene la siguiente relación:
Si en la ecuación (8.56) se expresa E por B (8.54), se obtendrá entonces C expresado por B:
De las ecuaciones (8.58) y (8.28) se obtiene:
Ejemplo 8.5.1: Sistema de pérdidas de Engset

Se considerará un sistema de pérdida de Engset que posee n = 3 canales y S = 4 fuentes. El
coeficiente de llamadas por fuente desocupada es γ = 1/3 llamadas por unidad de tiempo y el tiempo
medio de servicio (1/μ) es una unidad de tiempo. Se calculan entonces los siguientes parámetros:

- 157 -
β= erlang (trafico ofrecido por fuente en reposo),
α= erlang (tráfico ofrecido por fuente),
A= (tráfico ofrecido),
Z= (grado de curtosis).
Del diagrama de transición de estado se obtiene el siguiente cuadro:
Se calculan las siguiente probabilidades de bloqueo:
Se observa que E >B>C, que es un resultado general para el caso Engset ((8.60) y figura 8.5). Por
aplicación de la fórmula de recursión (8.45) se obtendrán, por supuesto, los mismos resultados.
Ejemplo 8.5.2: Número limitados de fuentes

La influencia a partir de la limitación del número de fuentes se puede estimar considerando la
congestión temporal, la congestión de llamadas o la congestión de tráfico. Los valores de
congestión se muestran en la figura 8.5 para un número de canales n fijo, tráfico ofrecido A fijo, y
un valor creciente del grado de curtosis Z correspondiente a un número de fuentes S que viene dado
por S = A/1 – Z) (8.23). El tráfico ofrecido se define como el tráfico transportado en un sistema sin

- 158 -
bloqueo (n = ∞). Aquí Z = 1 corresponde a un proceso de llegada de Poisson (fórmula B de Erlang,

E = B = C). Para Z < 1 se obtiene el caso Engset, y para este caso la congestión temporal E es mayor
que la congestión de llamadas B que a su vez es mayor que la congestión de tráfico C. Para Z > 1 se
obtiene el caso Pascal (véanse los § 8.6 y 8.7 y el ejemplo 8.7.1).
8.6 Distribución de Pascal (Binomial negativa)
En el caso binomial la intensidad de llegada disminuye la linealidad con un número creciente de
fuentes ocupadas. Palm y Wallström introdujeron un modelo en el que la intensidad de llegada
aumenta linealmente con el número de fuentes (servidores) ocupados (Wallström, 1964 [102]). La
intensidad de llegada en el estado i viene dada por la siguiente expresión:
Donde γ.y S son constantes positivas. El tiempo de ocupación se supone aún que está distribuido
exponencialmente con la intensidad μ
Figura 8.5 − Congestión temporal E, congestión de llamadas B y congestión de

tráfico C en función del grado de curtosis Z para tráfico BPP en un sistema
con n = 20 líneas de enlace y un tráfico ofrecido A = 15 erlang. En los
ejemplos 8.5.2 y 8.7.1 hay más información sobre este tema. Para
aplicaciones, la congestión de tráfico es la más importante, pues
es casi una función lineal del grado de curtosis
Leyendas de la figura 8.5:

1) Probabilidad de congestión [%]

- 159 -
2) Grado de curtosis Z
En esta sección se supone que el número de canales es infinito. Se establece entonces un diagrama
de transición de estado (véase la figura 8.6 con n infinito y se calculan las probabilidades en
régimen permanente que existen sólo para γ < μ se obtiene:
donde
La fórmula (8.62) es la distribución binomial negativa (véase la distribución de Pascal, cuadro 6.1).
Las características de tráfico de este modelo se obtienen mediante una sustitución apropiada de los
parámetros de la distribución binomial. Esto se trata en la sección siguiente, que aborda un caso más
realista.
8.7 Distribución de Pascal truncada

Se considera el mismo proceso de tráfico que en el § 8.6 pero se restringe ahora la cantidad de
servidores a un número n limitado. La restricción (γ < μ) es superflua pues siempre se obtendrá
equilibrio estadístico con un número de estados finito. El diagrama de transición de estado se
muestra en la figura 8.6, y las probabilidades de estado vienen dadas por la siguiente expresión:
Ésta es la distribución (de Pascal) binomial negativa truncada. Formalmente se obtiene del caso
Bernoulli/Engset con las sustituciones siguientes:
S se reemplaza por –S, (8.65)
γ se reemplaza por -γ. (8.66)
Mediante estas sustituciones son válidas todas las fórmulas correspondientes a los casos
Bernoulli/Engset para la distribución de Pascal truncada.
Se ha de señalar que la ecuación (8.64) es válida para la distribución arbitraria del tiempo de
ocupación (Iversen, 1980 [40]). Suponiendo tiempos de ocupación distribuidos exponencialmente,
este modelo tiene las mismas probabilidades de estado que la primera forma normal de Palm, es
decir un sistema con un proceso de llegada de Poisson y una intensidad que sigue una distribución
gamma (los tiempos entre llegadas siguen una distribución de Pareto). Esta configuración se utiliza
para modelar tráfico de desbordamiento que tiene un coeficiente de curtosis (factor de irregularidad)
mayor que uno.

- 160 -
Figura 8.6 − Diagrama de transición de estado para el caso Pascal

(distribución binomial negativa truncada)
Ejemplo 8.7.1: Curtosis: ejemplo numérico

Manténgase el número de canales n y el tráfico ofrecido A fijo de la figura 8.5, y calcúlense las
probabilidades de bloqueo para el grado de curtosis Z creciente. Para Z > 1 se obtiene el caso
Pascal. Para este caso la congestión temporal E es menor que la congestión de llamadas B que, a su
vez, es menor que la congestión de tráfico C. Se debe observar que tanto la congestión temporal
como la congestión de llamadas tienen un valor máximo. Sólo la congestión de tráfico presenta una
descripción razonable del rendimiento del sistema.
Ejemplo 8.7.2: Sistemas de pérdidas de Pascal
Considérese un sistema de pérdidas de Pascal con n = 4 canales y S = –2 fuentes. El régimen de
llegada es γ = 1/3 llamadas/unidad de tiempo por fuente desocupada, y el tiempo de ocupación
medio (1/μ) es de 1 unidad de tiempo. Se hallan los siguientes parámetros los cuales, para el caso
Engset, reemplazan S por –S (8.65) y γ por –γ (8.65):
Utilizando el diagrama de transición de estado se obtienen los siguientes parámetros:

- 161 -
Se hallan las siguientes probabilidades de bloqueo:
Se observa que E < B < C, que es un resultado general para el caso Pascal. Utilizando la misma
fórmula de recursión que para el caso Engest (Ec. 8.44) se obtendrán, por supuesto, los mismos
resultados:

- 162 -

- 163 -
CAPÍTULO 9
Teoría de desbordamiento
En este Capítulo se examinan sistemas con accesibilidad restringida, es decir, sistemas en los que
un abonado o un flujo de tráfico sólo tienen acceso a k canales específicos de un total de n (k ≤ n)
canales. Si todos los canales k están ocupados, una tentativa de llamada se puede bloquear incluso si
hay canales en estado de reposo entre los canales (n–k) restantes. En la figura 9.1 se muestra un
ejemplo donde se considera una red jerárquica con tráfico de A a B y de A a C. Para el tráfico de A
a B hay una ruta directa (primaria) con n1 canales. Si están todos ocupados, la llamada se dirige al
encaminamiento alternativo (secundario) de T a B. De modo similar, el tráfico de A a C tiene como
primera elección la ruta AC y una ruta alternativa ATC. Si se supone que la ruta TB y TC no están
bloqueadas, se obtiene entonces el esquema de accesibilidad mostrado a la derecha de la figura 9.1.
A partir de esto se observa que el número total de canales es (n1 + n2 + n12) y que el tráfico AB sólo
tiene acceso a (n1 + n12) de ellos. En este caso, se debe aplicar búsqueda secuencial entre las rutas
de modo tal que se encamine sólo una llamada a través del grupo n12, cuando todos los canales
primarios n1 están ocupados.
Figura 9.1 − Red de telecomunicación con encaminamiento alternado y el

correspondiente esquema de accesibilidad, que se denomina gradación
de O'Dell. Se supone que los enlaces entre la central de tránsito T y
las centrales B y C no están bloqueados. Los canales n12 son
comunes para ambos flujos de tráfico
Generalmente las redes con accesibilidad limitada tienen protección de servicio intrínseca.
Independiente de la dimensión del tráfico de A a C nunca tendrá acceso a los canales n1. Por otra
parte, es posible que las conexiones se bloqueen incluso si hay canales en reposo, por lo que la
utilización siempre será más baja que en los sistemas con accesibilidad total. Sin embargo, la
utilización será mayor que para sistemas separados con la misma cantidad total de canales. Los
canales comunes permiten una determinada compensación de tráfico entre los dos grupos.
Históricamente, era necesario considerar accesibilidad restringida pues los sistemas
electromecánicos tenían inteligencia muy reducida y capacidad de selector limitada (accesibilidad).
En sistemas digitales no se tienen estas restricciones, pero aún la teoría de accesibilidad restringida
es importante para las redes y para garantizar el grado de servicio.

- 164 -
9.1 Teoría de desbordamiento

Los modelos de tráficos clásicos suponen que el tráfico ofrecido a un sistema es un tráfico
puramente aleatorio puro tipo uno o dos, PCT-I o PCT-II. En redes de comunicaciones con
encaminamiento de tráfico alternativo, el tráfico que se pierde del grupo primario se presenta a un
grupo de desbordamiento, que tiene propiedades diferentes del tráfico PCT (véase el § 6.4). Por
consiguiente, para evaluar probabilidades de bloqueo de tráfico de desbordamiento no se pueden
utilizar los modelos clásicos.
Ejemplo 9.1.1: Grupo dividido en dos
Sea un grupo con 16 canales donde se presenta tráfico PCT-I de 10 erlang. Empleando la fórmula B
de Erlang se obtiene la probabilidad de bloqueo E = 2,23% y el tráfico perdido 0,2230 erlang.
Se aplica ahora la búsqueda secuencial y los 16 canales se dividen en un grupo primario y un grupo
de desbordamiento, con un total de 8 canales cada uno. Mediante la fórmula B de Erlang se
encuentra que el tráfico de desbordamiento del grupo primario es igual a 3,3832 Erlang. Este tráfico
se presenta al grupo de desbordamiento. Nuevamente, mediante la fórmula B de erlang se obtiene el
tráfico perdido que se encuentra en el grupo de desbordamiento: Al = 3,3832 . Es(3,3832) = 0,0493
[erlang]. De esta manera, la probabilidad de bloqueo total es de 0,493%, que es un valor mucho
menor que el resultado correcto de 2,23%. Se ha efectuado un error al aplicar la fórmula B al tráfico
de desbordamiento, que no es tráfico PCT-I, sino que se desencadena repentinamente (en forma de
ráfagas).
En el texto siguiente se describirán dos clases de modelos para tráfico de desbordamiento. En
principio, se puede estudiar el proceso de tráfico vertical u horizontalmente. Por estudios verticales
se calculan las probabilidades de estado (véanse los § 9.1.1 a 9.4.3). Por estudios horizontales se
analiza la distancia entre las llegadas de las llamadas, es decir la distribución temporal entre
llamadas (§ 9.5).
9.1.1 Probabilidad de estado de sistemas de desbordamiento
Considérese un grupo totalmente accesible con búsqueda (secuencial) ordenada. El grupo se divide
en un grupo primario limitado con n canales y un grupo de desbordamiento con capacidad infinita.
Figura 9.2 − Sistemas de desbordamiento que figuran en la literatura

1) Sistema de Kosten
2) Sistema de Brockmeyer
3) Sistema generalizado

- 165 -
Se supone que el tráfico ofrecido A es el tipo PCT-I. Este sistema de desbordamiento se denomina
sistema de Kosten (véase la figura 9.2). El estado del sistema se describe por medio de un vector
bidimensional:
que es la probabilidad que en un punto aleatorio del tiempo i canales estén ocupados en el grupo
primario y j canales en el grupo de desbordamiento. Es diagrama de transición de estado se muestra
en la figura 9.3. Kosten (1937 [68]) analizó este modelo y calculó las siguientes probabilidades de
estado marginales:
Riordan (1956 [89]) estableció los momentos de las distribuciones marginales. El valor medio y el
grado de curtosis (relación varianza/valor medio) de las distribuciones marginales, es decir el tráfico
transportado por los dos grupos resultan:
Grupo primario:
donde Fn–1(A) es la función mejora de la fórmula B de Erlang.

Grupo de desbordamiento:

- 166 -
Figura 9.3 − Diagrama de transición de estado para el sistema Kosten que tiene un
grupo primario con n canales y un grupo de desbordamiento ilimitado.
Los estados se simbolizan por (i, j), donde i es el número de canales
ocupados en el grupo primario, y j es el número de canales
ocupados en el grupo de desbordamiento
La experiencia demuestra que el grado de curtosis Z es una buena medida de la probabilidad de

bloqueo relativa que está sujeto un flujo de tráfico con un valor medio determinado. En la figura 9.4
se observa que el grado de curtosis del tráfico de desbordamiento tiene un máximo para un tráfico
fijo y un número de canales en aumento. El coeficiente de curtosis o factor de irregularidad se
obtiene en función del número de canales y se aplica para cálculos teóricos pero su valor es difícil
de estimar con precisión mediante observaciones prácticas.
Para el tráfico PCT-I el grado de curtosis es igual a uno, y el bloqueo se calcula utilizando la
fórmula Erlang B si el grado de curtosis es menor que uno (9.5), el tráfico se denomina
regularizado y experimenta menos bloqueo que el tráfico PCT-I. Si el grado de curtosis es mayor
que uno, el tráfico presenta características de incremento repentino y experimenta un bloqueo
mayor que el tráfico PCT-I. El tráfico de desbordamiento viene generalmente en ráfagas (9.7).
Brockmeyer (1954 [11]) calculó los momentos y probabilidades de estado de un sistema con un
grupo de desbordamiento limitado (véase la figura 9.2), el cual se denomina sistema Brockmeyer.
Bech (1954 [6]) hizo lo mismo utilizando ecuaciones matriciales, y obtuvo expresiones más
generales y complicadas. El sistema Brockmeyer fue generalizado ulteriormente por Schehrer que
también calculó los momentos de orden superior para grupos de desbordamiento finitos.
Wallström (1966 [103]) calculó los momentos y probabilidades de estado para el tráfico de
desbordamiento de un sistema Kosten generalizado, donde la intensidad de llegada depende del
número total de llamadas en el sistema o del número de llamadas en el grupo primario.

- 167 -
Figura 9.4 − Grado de curtosis Z del tráfico de desbordamiento en función del

número de canales para un valor fijo del tráfico ofrecido. Obsérvese que Z tiene un valor
máximo. Cuando n llega a tener un valor grande, las tentativas de llamadas rara vez están
bloqueadas y los intentos bloqueados serán mutuamente independientes. Por consiguiente, el
proceso de desbordamiento de llamadas converge a un proceso de Poisson (véase el capítulo 6)
9.2 Método equivalente de Wilkinson-Bretschneider

El método equivalente usualmente se denomina método de Wilkinson (Wilkinson, 1955 [104]). Al
mismo tiempo, Bretschneider (1956 [9]) publicó independientemente estos estudios en Alemania.
También se denomina método de tráfico aleatorio equivalente (ERT, equivalent random traffic) y
desempeña un papel fundamental cuando se dimensionan redes de telecomunicaciones.
9.2.1 Análisis preliminar

Considérese un grupo con l canales donde se presentan g flujos de tráfico (véase la figura 9.5). Los
flujos de tráfico pueden ser, por ejemplo, tráfico perdido de grupos de canal directos y, por tanto, no
pueden ser descritos por modelos de tráficos clásicos. De esta manera no se conocen las
distribuciones (probabilidades de estado) de los flujos de tráfico, pero se considera satisfactorio (y
esto sucede a menudo en aplicaciones de estadística) con la caracterización del i-ésimo flujo de
tráfico con su valor medio mi y varianza νi. Con esta simplificación se considerarán dos flujos de
tráfico equivalentes, si tienen el mismo valor medio y varianza.

- 168 -
Figura 9.5 − Aplicación del método ERT a un sistema que tiene g flujos de tráfico
independientes presentados a un grupo común de l canales. El proceso de desbordamiento
combinado de los g flujos de tráfico se dice que son equivalentes al tráfico que desborda de un
grupo accesible completo con el mismo valor medio y varianza del tráfico de desbordamiento.
Véanse las ecuaciones (9.8) y (9.9)
El flujo de tráfico total al grupo con l canales tiene el valor medio conforme a la siguiente expresión
Se supone que los flujos de tráfico son independientes (no correlacionados) y así la varianza del
flujo de tráfico total resulta:
El tráfico total se caracteriza por m y ν. Se considera ahora que este tráfico es equivalente a un
volumen de tráfico que se perdió de un grupo accesible completo y que tiene el mismo valor medio
m y varianza ν. En la figura 9.5 el sistema superior se remplaza por el sistema equivalente en la
parte inferior de la misma, que es un sistema accesible completo con ( nx + l) canales que ofrecen el
tráfico Ax. Por tanto, se resolverán las ecuaciones (9.6) y (9.7) con respecto a n y A para
determinados valores de m y ν. Cabe indicar que existe una sola solución que se simboliza por
(nx, Ax).
El tráfico perdido se encuentra con la fórmula B de Erlang:

- 169 -
Como el tráfico ofrecido es m, la probabilidad de bloqueo del sistema viene dada por:
NOTA – La probabilidad de bloqueo no es Enx+l(Ax). Se debe recordar el último paso (9.11), donde
se relaciona el tráfico perdido con el tráfico ofrecido originalmente.
Cabe señalar que si el tráfico de desbordamiento procede de un solo grupo primario con tráfico
PCT-I, el método es exacto. En el caso general con más flujos de tráfico el método es aproximado,
y no produce la probabilidad media de bloqueo exacta.
Ejemplo 9.2.1: Paradoja
En el § 6.3 se determinó el teorema de Palm en el que se formula que por superposición de
numerosos procesos de llegada independientes, se puede obtener localmente un proceso de Poisson.
Esto no es contradictorio con las ecuaciones (9.8) y (9.9) pues estas fórmulas son válidas
globalmente.
9.2.2 Aspectos numéricos
Por aplicación del método ERT es necesario calcular (m, ν) para determinados valores de (A, n) y
viceversa. Es sencillo obtener (m, ν) para valores (A, n) dados. Para obtener (A, n) para valores
(m, ν) dados, se deben resolver dos ecuaciones con dos incógnitas. Esto requiere un procedimiento
iterativo, pues En(A) no puede ser resuelto explícitamente con respecto a n ni A (véase el § 7.4.2).
Sin embargo, se puede resolver la ecuación (9.7) con respecto a n con la expresión siguiente:
conociéndose así n para el valor A. De esta manera, A es la única variable independiente. Para
resolver la ecuación restante se puede utilizar el método de iteración de Newton-Raphson
introduciendo la función:
Para un valor inicial A0 adecuado, se ha de mejorar esto iterativamente hasta que los valores
resultantes de m y ν/m estén suficientemente cerca de los valores conocidos.
Yngvé Rapp has propuesto una buena solución de aproximación para A, que se puede usar como
valor inicial A0 en la iteración:
Con el valor de A se obtiene n, utilizando la ecuación (9.12). La aproximación de Rapp es

suficientemente exacta para aplicaciones prácticas, excepto cuando Ax es muy pequeña. El grado de
curtosis Z = ν/m tiene un máximo, obtenido cuando n es ligeramente mayor que A (véase la
figura 9.4). Para algunas combinaciones de m y ν/m la convergencia es crítica, pero cuando se
utilizan ordenadores se puede encontrar siempre la solución correcta.
Con el empleo de ordenadores se puede operar con un número no entero de canales y sólo al final
de los cálculos se elige un número entero de canales igual o mayor a los resultados obtenidos

- 170 -
(típicamente un módulo de un determinado número de canales (8 en GSM, 30 en MIC, etc.).

Cuando se utilizan tablas de la fórmula B de Erlang se debe elegir en cada paso el número de
canales de modo tal que el bloqueo sea el caso más desfavorable.
El método mencionado presupone que ν/m es mayor que uno, y esto sólo es válido para el tráfico en
ráfagas. En la figura 9.5 se permite que los flujos de tráfico individuales tengan una
relación νi/mi < 1, siempre que el flujo de tráfico total combinado sea en ráfagas. Bretschneider
([10], 1973) ha extendido el método para incluir un número negativo de canales durante los
cálculos. De esta manera es posible encarar tráfico regularizado con el método EERT extendido
(EERT, extended ERT).
9.2.3 Probabilidades de bloqueo de paquetes
En la figura 9.5 los flujos de tráfico individuales no tienen el mismo valor medio ni la misma
varianza y, por tanto, no experimentan igual probabilidad de bloqueo en el grupo de
desbordamiento común con l canales. De lo anterior se calcula el bloqueo medio (9.11) para todos
los flujos de tráfico combinados. La experiencia señala que la probabilidad de bloqueo observada es
proporcional al grado de curtosis Z = ν/m del flujo. El tráfico perdido total se puede dividir en
paquetes de tráfico perdido individuales suponiendo que el tráfico perdido para el flujo de tráfico i,
es proporcional al valor medio mi y al grado de curtosis Zi = vi/mi. Por tanto, se obtiene:
de la cual se halla la constante c = 1/ν.

La probabilidad de bloqueo para el flujo de tráfico i, que se denomina probabilidad de bloqueo de
paquete para el flujo i, resulta entonces:
Asimismo, se puede dividir el bloqueo entre grupos individuales (primario, secundario, etc.).
Considerando el grupo equivalente en la parte inferior de la figura 9.5 con nx canales primarios
y l canales secundarios (de desbordamiento), se puede calcular la probabilidad de bloqueo debido a
los nx canales primarios, y la probabilidad de bloqueo debido a los l canales secundarios. La
probabilidad que el tráfico se pierda por los n canales es igual a la probabilidad que el tráfico se
pierda por nx + l canales, con la condición que el tráfico se ofrece a los l canales:
La probabilidad de pérdida total se puede relacionar, por tanto, a los dos grupos:
Utilizando esta expresión se puede encontrar el bloqueo para cada grupo de canal y obtener
entonces, por ejemplo, información sobre qué grupo debe ser aumentado agregando más canales.

- 171 -
Ejemplo 9.2.2: continuación del Ejemplo 9.1.1

En el ejemplo 9.1.1 la probabilidad de bloqueo del grupo primario de 8 canales es E8(10) = 0,3383.
El bloqueo del grupo de desbordamiento es:
El bloqueo total del sistema es:

E16(10) = E8(10) . H(8) = 0,3383 . 0,06592 = 0,02231
Ejemplo 9.2.3: Sistema celular jerárquico
Se considera un sistema celular HCS que abarca tres áreas. El tráfico ofrecido en las áreas es
de 12, 8 y 4 erlang, respectivamente. En las primera dos células se introducen microcélulas
con 16 (8, respectivamente), y una macrocélula común que abarca las tres áreas tiene atribuida 8
canales. Se permite el desbordamiento de las microcélulas en las macrocélulas, pero no se
reordenan las llamadas de las macro a las microcélulas cuando un canal se desocupa. Además, no se
tiene en cuenta el traspaso de tráfico. Mediante las ecuaciones (9.6) y (9.7) se hallan el valor medio
y la varianza del tráfico ofrecido a la macrocélula:
Célula Tráfico Número de Desbordamiento Varianza de Grado de

ofrecido canales medio desbordamiento curtosis
I Ai ni(j) m1,i vi Zi
1 12 16 0,7250 1,7190 2,3711
2 8 8 1,8846 3,5596 1,8888
3 4 0 4,0000 4,0000 1,0000
Total 24 6,6095 9,2786 1,4038
El tráfico total ofrecido a la macrocélula tiene un valor medio de 6,61 erlang y una varianza de 9,28.
Esto corresponde a un tráfico de desbordamiento de un sistema equivalente con 10,78 erlang
ofrecidos a 4,72 canales. Así, se termina con un sistema de 12,72 canales con 10,78 erlang
ofrecidos. Empleando la fórmula de Erlang B, se halla el tráfico perdido de 1,3049 erlang.
Originalmente se ofrecieron 24 erlang, de modo tal que la probabilidad de bloqueo de tráfico total
resulta B = 5,437%.
Las tres áreas tienen probabilidades de bloqueo particulares. Empleando la ecuación (9.14) se
encuentra que el tráfico perdido aproximado de las áreas es de 0,2434 erlang, 0,5042 erlang,
y 0,5664 erlang, respectivamente. Así, las probabilidades de bloqueo de tráfico llegan a ser
del 2,03%, 6,30% y 14,16%, respectivamente. Una simulación por medios informáticos
de 100 millones de llamadas da como probabilidad de bloqueo 1,77%, 5,72%, y 15,05%,
respectivamente. Esto corresponde a un tráfico perdido total igual a 1,273 erlang y una probabilidad
de bloqueo del 5,30%. La exactitud del método de este capítulo es suficiente para aplicaciones
reales.
9.3 Método de equivalencia de Fredericks y Hayward

Fredericks (1980 [31]) propuso un método que es más simple de aplicar que el método de
Wilkinson-Bretschneider. La motivación del método fue expuesta por primera vez
por W.S. Hayward.

- 172 -
El método de equivalencia de Fredericks y Hayward también caracteriza el tráfico por el valor

medio A y el grado de curtosis Z (0 < Z < ∞) (Z = 0 es un caso trivial con tráfico constante). El
grado de curtosis (7.7) es la relación entre la varianza ν y el valor medio m de las probabilidades de
estado, y tiene la unidad [canales]. Para tráfico aleatorio (PCT-I) se tiene Z = 1 y se puede aplicar la
fórmula de Erlang B. Para grados de curtosis Z ≠ 1 el método de Fredericks y Hayward iguala el
sistema considerado con un sistema que tiene n/Z canales, tráfico ofrecido A/Z y grado de
curtosis Z=1:
Cuando Z = 1 se supone que el tráfico es PCT-I y se aplica la fórmula de Erlang B para calcular la
congestión. Cuando se utiliza el método se obtiene congestión de tráfico (véase el § 9.3.1). Para
valor fijo del bloqueo en la fórmula de Erlang B se sabe (véase la figura 7.4) que la utilización
aumenta cuando también se incrementa el número de canales: cuanto mayor es el sistema tendrá
mejor utilización para bloqueo fijo. El método de Fredericks y Hayward expresa así que si el tráfico
tiene un grado de curtosis Z mayor que el tráfico PCT-I, que tiene Z=1, se tendrá una menor
utilización que la obtenida utilizando la fórmula B de Erlang. Si el grado de curtosis Z < 1, se
obtendrá una mejor utilización.
Se evitará resolver las ecuaciones (9.6) y (9.7) con respecto a A y n para determinados valores de m
y ν. El método se puede aplicar fácilmente para tráfico cargado y regularizado. En general, se
obtiene un número de canales no entero y así se necesita evaluar la fórmula de Erlang B para un
número continuo de canales.
Basharin y Kurenkov han ampliado el método para incluir tráfico de intervalos múltiples
(intensidad múltiple), donde una llamada requiere d canales desde el comienzo a su término. Si una
llamada utiliza d canales en lugar de uno (cambio de escala), el valor medio resulta entonces d
veces más grande y la varianza d2 veces mayor. Por tanto, el grado de curtosis resulta d veces
superior. En lugar de reducir el número de canales por el factor Z, se puede fijar el número de
canales y hacer que el tamaño del intervalo sea Z veces mayor:
Si hay más flujos de tráfico ofrecidos al mismo grupo, puede ser conveniente mantener fijo el
número de canales, pero entonces se puede tener el problema que c . Z, en general, no será entero.
Ejemplo 9.3.1: Método de Fredericks y Hayward
Si el método de Fredericks y Hayward se aplica al ejemplo 9.2.3, las macrocélulas tienen (8/1,4038)
canales y se ofrecen (6,6095/1,4038) erlang. La probabilidad de bloqueo se obtiene con la fórmula
B de Erlang y resulta 0,19470. El tráfico perdido se calcula a partir, del tráfico ofrecido
originalmente (6,6095 erlang) y llega a ser 1,2871 erlang. La probabilidad de bloqueo del sistema
resulta E = 1,2871/24 = 5,36%. Este valor es muy cercano al resultado obtenido por el método ERT.
Ejemplo 9.3.2: Tráfico de intervalos múltiples
Se examinará el sistema de servicios integrados con tráfico de régimen múltiple (intervalos
múltiples). En el ejemplo 10.4.3 se considera un grupo de líneas de enlace con 1 536 canales
y 24 flujos de tráfico ofrecidos con dimensión de intervalo y grado de curtosis individuales. La
congestión de tráfico total exacta es igual a 5,950%. Si se calcula el grado de curtosis del tráfico
ofrecido adicionando todos los flujos de tráfico, se encontrará un grado de curtosis Z = 9,8125 y un
valor medio total igual a 1 536 erlang. El método de Fredericks y Hayward produce una congestión

- 173 -
de tráfico total igual a 6,114%, que se encuentra dentro del margen de seguridad (caso más
desfavorable).
9.3.1 Separación del tráfico
En el siguiente texto se dará una interpretación natural del método de Fredericks y Hayward y, al
mismo tiempo, se examinará la separación de flujos de tráfico. Se considera un flujo de tráfico con
valor medio A, varianza ν, y grado de curtosis Z = ν/A. Este flujo de tráfico se separa en g
subdivisiones idénticas. Cada subdivisión tiene el valor medio A/g y el grado de curtosis Z/g pues el
valor medio se reduce por un factor g y la varianza por un factor g2. Si el número de subdivisiones
g es igual a Z se tendrá un grado de curtosis Z=1 para cada una de las subdivisiones de flujo de
tráfico.
Supóngase que el flujo de tráfico original se ofrece a n canales. Si también se separan los n canales
en g subgrupos (uno para cada subdivisión de flujo) cada subgrupo tendrá n/g canales. Cada
subgrupo tendrá la misma probabilidad de bloqueo que el sistema total original. Si se toma g = Z se
obtiene un grado de curtosis Z=1 en las subdivisiones de flujo, y se puede utilizar
(aproximadamente) la fórmula B de Erlang para calcular la probabilidad de bloqueo.
Ésta es una interpretación natural del método de Fredericks y Hayward. Se puede ampliar
fácilmente para que incluya tráfico de intervalos múltiples. Si cada llamada requiere d canales
durante el tiempo de conexión completo, la separación del tráfico en d subdivisiones cada llamada
utilizará un canal simple en cada uno de los d subgrupos y se obtendrán d sistemas idénticos con
tráfico de intervalo único.
La separación del tráfico efectuada en g flujos de tráficos idénticos indica que la probabilidad de
bloqueo obtenida con el método de Fredericks-Hayward es la congestión de tráfico. La separación
uniforme del tráfico en cualquier punto del tiempo implica que los g de tráfico son todos iguales y
tienen una correlación mutua. En realidad, no se puede separar tráfico con conmutación de circuitos
en subdivisiones de flujo idénticas. Si se tiene g=2 flujos y hay canales ocupados en un punto del
tiempo dado, se utilizarán entonces, por ejemplo, dos canales en una subdivisión y uno en la otra,
pero de todas maneras se obtendrá la misma utilización óptima que en el sistema total, pues siempre
se tendrá acceso a un canal desocupado en cualquier subgrupo (plena accesibilidad). La correlación
entre las subdivisiones del flujo del tráfico se hace menor que uno. El anterior es un ejemplo en el
que se utilizan estrategias más inteligentes, donde se mantiene la accesibilidad completa óptima.
En el § 6.3.2 se estudió la división del proceso de llegada cuando se efectúa en un modo aleatorio
(teorema de Raikov 6.2). Mediante esta división no se reduce la variación del proceso cuando es un
proceso de Poisson o más regular. Las subdivisiones de flujo de tráfico resultantes convergen a
procesos de Poisson. En esta sección se ha considerado la división del proceso de tráfico, que
incluye el proceso de llegada y los tiempos de ocupación. El proceso de división depende del
estado. En un subproceso, un tiempo de ocupación grande de una sola llamada producirá algunas
nuevas llamadas en este subproceso durante el intervalo del tiempo siguiente, y el proceso de
llegada ya no será un proceso de renovación.
Muchos intentos de mejorar el método de equivalencia de Fredericks y Hayward están basados en
reducir la correlación entre las subdivisiones de flujo de tráfico pues los procesos de llegada para
una sola subdivisión se considera como un proceso de renovación, y se supone que los tiempos de
ocupación están distribuidos exponencialmente. De esto se desprende que estos esquemas no se
consideran satisfactorios pues no producen una división de tráfico óptima. En el siguiente ejemplo
se verá que la separación óptima se puede aplicar para tráfico con conmutación de paquetes con
tamaño de paquete constante.

- 174 -
Ejemplo 9.3.3: Multiplexación inversa

Si en una red es necesario tener más capacidad que la que corresponde a un canal simple, se podrá
combinar entonces más canales en paralelo. En el extremo de origen se puede distribuir el tráfico
(paquetes o células en ATM) en un modo cíclico sobre los canales individuales, y en el destino se
reconstruye la información original. De esta manera se tiene acceso a mayores anchuras de banda
sin arrendar canales de banda ancha fijos, que son muy costosos. Si los paquete de tráfico son de
tamaño constante, el proceso de tráfico se divide en un número de flujos de tráfico idénticos, de
modo tal que se obtiene la misma utilización que en un sistema simple con la capacidad total. Este
principio fue experimentado por primera vez en un equipo danés (Johansen y Johansen y
Rasmussen, 1991 [53]) para combinar hasta 30 conexiones RDSI a 64 kbit/s individuales para
transferir tráfico de vídeo para el mantenimiento de aeronaves.
Actualmente, se emplean equipos similares para combinar un número de conexiones a 2 Mbit/s que
serán utilizadas por conexiones ATM con mayor anchura de banda (IMA = Inverse Multiplexing
for ATM) (multiplexación inversa para ATM) (Techguide, 2001 [98]), (Postigo-Boix, García-Haro
y Aguilar-Igartua, 2001 [86]).
9.4 Otros métodos basados en espacio de estados
Desde el punto de vista de bloqueo, el valor medio y la varianza no caracterizan necesariamente el
tráfico de manera óptima, sino que existen otros parámetros que pueden describir mejor el tráfico.
Cuando se calcula el bloqueo con el método ERT se tienen dos ecuaciones con dos incógnitas (9.6)
y (9.7). El sistema de pérdidas de Erlang se define unívocamente por el número de canales y el
tráfico ofrecido Ax. Por consiguiente, no es posible generalizar el método para tener en cuenta más
de dos momentos (valor medio y varianza).
9.4.1 Modelos de tráfico BPP
Los modelos de tráfico BPP describen el tráfico mediante dos parámetros, valor medio y grado de
curtosis y constituyen así los candidatos naturales para modelar tráfico con dos parámetros. Sin
embargo, históricamente el concepto y definición de congestión de tráfico ha sido confundido con
congestión de llamadas debido a las primeras definiciones de tráfico ofrecido. Como se ilustra en
la figura 8.5 sólo la congestión de tráfico tiene sentido para efectuar cálculos de desbordamiento.
Mediante la aplicación correcta de la congestión de tráfico, el modelo BPP es muy aplicable.
Ejemplo 9.4.1: Modelo de tráfico BPP
Si en el ejemplo 9.2.3 se aplica el modelo BBP al tráfico de desbordamiento se tiene que A = 6,6095
y Z = 1,4038. Esto corresponde a un tráfico de Pascal con S = 16,37 fuentes y β = 02876. La
congestión de tráfico resulta 20,52% que corresponde a un tráfico perdido de 1,3563 erlang, o una
probabilidad de bloqueo para el sistema E = 1,3563/24 = 5,65%. Este resultado es totalmente
exacto.
9.4.2 Método de Sander
Sanders y Haemers y Wilcke (1983 [95]) han propuesto otro método equivalente interesante y
simple también basado en el espacio de estados que se conoce como método de Sanders. Al igual
que el método de Fredericks-Hayward se basa en un cambio de escala de modo tal que el grado de
curtosis se hace igual a uno. El método transforma un tráfico que no tiene distribución de Poisson
con (valor medio, varianza) = (m, ν) en un flujo de tráfico con grado de curtosis uno añadiendo un
flujo de tráfico constante (varianza cero) con un valor medio ν–m de modo que el tráfico total tiene
un valor medio igual a la varianza ν. El flujo de tráfico constante ocupa ν–m canales
permanentemente (sin pérdidas) y se aumenta el número de canales en esa cantidad. De esta manera
se obtiene un sistema con n+(ν–m) que ofrecen el tráfico m +(ν–m) = ν erlang. El grado de curtosis

- 175 -
resulta uno, y la probabilidad de bloqueo se obtiene utilizando la fórmula B de Erlang. La

probabilidad de bloqueo tiene relación con el tráfico m ofrecido originalmente. El método se aplica
para tráfico con distribución uniforme m > ν como así también el tráfico en ráfagas m < ν y sólo
requiere la evaluación de la fórmula de Erlang B con un número continuo de canales.
Ejemplo 9.4.2: Método de Sanders
Si al ejemplo 9.2.3 se le aplica el método de Sanders se aumenta el número de canales y el tráfico
ofrecido por ν –m = 2,6691 (canales/erlang) y así se tiene 9,2786 erlang ofrecidos a 10,6691
canales. Aplicando la formula B de Erlang se encuentra el tráfico perdido de 1,3690, que está en el
margen de seguridad, pero cercano a los resultados obtenidos anteriormente. Corresponde a una
probabilidad de bloqueo E = 1,3690/24 = 5,70%.
9.4.3 Método de Berkeley
Para obtener un método ERT basado en un solo parámetro se puede, en principio, mantener
fijo n o A. La experiencia demuestra que los mejores resultados se obtienen manteniendo el número
de canales fijos nx = n. En la posición actual sólo se puede asegurar que el valor medio del tráfico de
desbordamiento es correcto. Este método se denomina método de equivalencia de Berkeley (1934).
El método de Wilkinson-Bretschneider requiere una cierta cantidad de cálculos informáticos,
mientras que el método de Berkeley sólo se basa en la fórmula B de Erlang. El método de Berkeley
se aplica solo para sistemas en el que los grupos primarios tienen el mismo número de canales.
Ejemplo 9.4.3: Grupo divididos en subgrupos primario y de desbordamiento.
Si el método de Berkeley se aplica al grupo dividido en dos que figura en el ejemplo 9.1.1, se
obtendrá la solución exacta y de este caso especial se origina la idea del método.
Ejemplo 9.4.4: Método de Berkeley
Se considerará nuevamente el ejemplo 9.2.3. Para aplicar correctamente el método de Berkeley se
debe tener la misma cantidad de canales en las tres microcélulas. Supóngase que todas las
microcélulas tienen ocho canales (y no 16, 8, 0, respectivamente). Para obtener el tráfico de
desbordamiento de 6,6095 erlang el tráfico ofrecido equivalente es 13,72 erlang para los 8 canales
primarios. El sistema equivalente tiene un tráfico de 13,72 erlang ofrecidos a (8+8 =) 16 canales. El
tráfico perdido que se obtiene con la fórmula de Erlang B resulta 1,4588 erlang correspondiente a
una probabilidad de bloque de 6,08% que es un valor ligeramente superior al valor correcto. En
general, el método de Berkeley tiene margen de seguridad.
9.5 Procesos de llegada generalizados

Los modelos que figuran en los Capítulos 7 y 8 están caracterizados por un proceso de llegada de
Poisson, con estado dependiente de la intensidad, mientras que los tiempos de servicio están
distribuidos exponencialmente con igual valor medio para todos los servidores (homogéneos).
Como dichos modelos son independientes de la distribución del tiempo de servicio (indiferente, es
decir las probabilidades de estado sólo dependen del valor medio de la distribución del tiempo de
servicio), sólo se los puede generalizar considerando más procesos de llegadas generales. Con la
utilización de procesos de llegada generales se pierde la propiedad de insensibilidad y la
distribución del tiempo de servicio se hace importante. Como sólo se tiene un proceso de llegada,
pero muchos procesos de servicios (uno para cada uno de los n servidores), en general se suponen
tiempos de servicios exponenciales para evitar modelos complejos.
9.5.1 Proceso de Poisson interrumpido
En el § 6.4 se consideró el proceso de Poisson interrumpido (IPP) de Kuczura (Kuczura, 1977 [72]),
que se caracteriza por tres parámetros y ha sido ampliamente utilizado para modelar tráfico de

- 176 -
desbordamiento. Si se considera un grupo plenamente accesible con n servidores, que son llamadas
ofrecidas que llegan conforme a un IPP (véase la figura 6.7) con tiempos de servicios distribuidos
exponencialmente, se puede construir entonces un diagrama de transición de estados como se
muestra en la figura 9.6. El diagrama es bidimensional. El estado (i, j) indica que hay i llamadas a
las que se les está dando servicio (i = 0, 1, . . . , n), y que el proceso de llegada está en la fase j
(j = a: proceso de llegada activado; j = b : proceso de llegada desactivado). Mediante las ecuaciones
de compensación de nodo se encuentran las probabilidades de estado de equilibrio p(i, j).
Figura 9.6 − Diagrama de transición de estado para un sistemas de pérdidas

accesible completo con n servidores, proceso de llegada IPP (véase la
figura 6.7) y tiempos de servicios distribuidos exponencialmente (μ)
La congestión temporal E se calcula con la siguiente expresión:
La congestión de llamadas B resulta:
La congestión de tráfico C se define como la proporción que se pierda del tráfico ofrecido. Es
igual a:
Leyendas de la ecuación:
on (activado)
off (desactivo)
El tráfico transportado es:
De esta expresión se obtiene C = (A – Y)/A.

- 177 -
9.5.2 Proceso de llegada Cox-2

En el § 6.4 se indicó que el proceso de llegada Cox-2 tiene características más generales que un IPP
(Kuczura, 1977 [72]). Si se consideran procesos de llegada Cox-2 como se indica en la figura 4.10
se obtendrá el diagrama de transición de estado que se muestra en la figura 9.7. De la misma, se
determinan, bajo la hipótesis de equilibrio estadístico, las probabilidades de estado y las siguientes
medidas de calidad de funcionamiento.
Congestión temporal E: (9.22)
Congestión de llamadas B: (9.23)
Figura 9.7 − Diagrama de transición de estado para un sistema de pérdidas totalmente

accesible con n servidores, procesos de llegada Cox-2 (véase la figura 4.10)
y tiempo de servicio con distribución exponencial (μ)
Congestión de tráfico C. El tráfico ofrecido es el promedio del número de tentativas de llamada por
tiempo medio de servicio. El tiempo medio entre llamadas es:
−1
El tráfico ofrecido resulta entonces A = (ma . μ) . El tráfico transportado viene dado por la
ecuación (9.21) aplicada a la figura 9.7 y se encuentra así la congestión de tráfico C.
Si se generaliza el proceso de llegada a un proceso de llegada Cox-k el diagrama de transición de
estado es aún bidimensional. Por aplicación de distribuciones de Cox se puede, en principio, tener
en consideración cualquier número de parámetros.
Si se generaliza el tiempo de servicio a una distribución Cox-k el diagrama de transición de estado
llega a ser mucho más complejo para n > 1, pues se tiene un proceso de servicio para cada servidor,
pero sólo un proceso de llegada. Por consiguiente, siempre se generaliza el proceso de llegada y se
suponen tiempos de servicio con distribución exponencial.

- 178 -
C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S3.DOC (133000)

- 179 -
CAPÍTULO 10
Sistemas de pérdidas multidimensionales
En este Capítulo se generaliza la teoría clásica del teletráfico y se pasa a los sistemas de servicio
integrados (RDSI y RDSI-BA). Cada tipo de servicio corresponde a un flujo de tráfico. Se ofrecen
varios flujos de tráfico al mismo grupo de enlace.
En el § 10.1 se considera la clásica fórmula multidimensional de pérdidas de Erlang-B. Se trata de
un tipo de proceso de Markov reversible que se analizará en mayor detalle en el § 10.2. En el § 10.3
se examinan modelos de pérdidas y estrategias más generales, entre ellos la protección de servicios
(asignación máxima) y tráfico BPP multisegmento. Por sus características, de todos estos modelos
se pueden obtener resultados y pueden evaluarse muy simplemente mediante el algoritmo de
convolución para sistemas de pérdidas, implantado en la herramienta ATMOS (véase el § 10.4). En
el § 10.4.2 se examinan otros algoritmos para el mismo problema.
Los modelos considerados están basados en una asignación de canal/segmento flexible. Pueden
estar generalizados a redes arbitrarias con conmutación de circuitos y encaminamiento directo,
donde se calculan las probabilidades de bloqueo de extremo a extremo (véase el Capítulo 11). Los
modelos considerados son indiferentes a la distribución del tiempo de servicio y, por tanto, son
resistentes a las aplicaciones. Al final del Capítulo se examinan otros algoritmos.
10.1 Fórmula de Erlang-B multidimensional
Considérese un grupo de n líneas de enlace (canales, segmentos), que se le ofrecen dos flujos de
tráfico PCT-I independientes: (λ1, μ1) y (λ2, μ2). El tráfico ofrecido resulta A1 = λ1/μ1 y A2 = λ2/μ2,
respectivamente.
Sea (i, j) la representación del estado del sistema, es decir i es el número de llamadas del flujo 1 y j
es el número de llamadas del flujo 2. Se tienen las siguientes restricciones:
0 ≤ i ≤ n,
0 ≤ j ≤ n, (10.1)
0 ≤ i + j ≤ n.
El diagrama de transición de estado se muestra en la figura 10.1. Bajo la hipótesis de equilibrio
estadístico se obtienen las probabilidades de estado resolviendo las ecuaciones de equilibrio global
para cada nodo(ecuaciones de nodo), en total (n + 1)(n + 2)/2 ecuaciones.
Como se verá en la sección siguiente este diagrama corresponde a un proceso de Markov reversible,
que tiene equilibrio local y, asimismo, la solución tiene forma de producto. Se puede verificar
fácilmente que las ecuaciones de equilibrio global se satisfacen por las siguientes probabilidades de
estado que se pueden expresar en forma de producto.
donde p(i) y p(j) son distribuciones de Poisson truncadas unidimensionales, Q es una constante de
normalización, e (i, j) cumple con las restricciones indicadas anteriormente (10.1). Como hay
proceso de llegada de Poisson que disponen de la propiedad PASTA (Poisson Arrivals See Time

- 180 -
Averages), la congestión temporal, congestión de llamadas y congestión de tráfico son iguales para
ambos flujos de tráfico, equivalen a P(i + j = n).
Por expansión binomial o por la convolución de dos distribuciones de Poisson se determinan las
siguientes probabilidades de estado combinadas, donde Q se obtiene por normalización:
Esta es la distribución de Poisson truncada (7.8) con el tráfico ofrecido:

A = A1 + A2 (10.5)
Se puede también interpretar este modelo como un sistema de pérdidas de Erlang con un proceso de
llegada de Poisson y tiempos de ocupación con distribución hiperexponencial de la siguiente
manera. El proceso de llegada total es una superposición de dos procesos de Poisson con el régimen
de llegada total:
λ = λ1 + λ2 (10.6)

- 181 -
Figura 10.1 − Diagrama de transición de estado bidimensional para un sistema de

pérdidas con n canales que son ofrecidos dos flujos de tráfico PCT-I. Esto es
equivalente a un diagrama de transición de estado para el sistema de
pérdidas M/H2/n, donde la distribución hiperexponencial H2 viene
dada por la ecuación (10.7)
y la distribución del tiempo de ocupación tiene características hiperexponenciales:
Se asignan valores a las dos distribuciones exponenciales conforme al número relativo de llamadas
por unidad de tiempo. El tiempo medio de servicio es:

- 182 -
que está de acuerdo con el tráfico ofrecido.

Se ha mostrado así que el modelo de pérdidas de Erlang es válido para tiempos de ocupación con
distribución hiperexponencial. Este es un caso especial de la propiedad general de insensibilidad de
la fórmula B de Erlang.
El modelo anterior se puede generalizar a flujos de tráfico N:
que es la fórmula de Erlang B multidimensional general. Por una generalización de la

ecuación (10.3) se observa que las probabilidades globales de estado se pueden calcular mediante la
recursión siguiente donde q(x) representa las probabilidades de estado relativas, y p(x) las
probabilidades de estado absolutas:
Si se utiliza recursión con normalización (véase el § 7.4), se obtendrá entonces la fórmula de

recursión para Erlang-B. La fórmula (10.10) es similar a las ecuaciones de equilibrio para el caso
Poisson cuando:
La congestión temporal es E = p(n), y mientras la propiedad PASTA es válida, es también igual a la

congestión de llamadas y la congestión de tráfico. La evaluación numérica se trata en detalle en
el § 10.4.
10.2 Procesos de Markov reversibles
En las secciones anteriores se examinó un diagrama de transición de estado bidimensional. Para un
número creciente de flujos de tráfico el número de estados (así como las ecuaciones) aumenta muy
rápidamente. Sin embargo, se puede simplificar el problema aprovechando la estructura de
diagrama de transición de estado. Considérese el diagrama de transición de estado bidimensional
que se muestra en la figura 10.2. El proceso es reversible si no hay flujo de circulación en el
diagrama. Así, se consideran cuatro estados vecinos, el flujo en sentido horario debe ser igual al
flujo en el sentido opuesto (Kingman, 1969 [64]), (Sutton, 1980 [97]). De la figura 10.2 se
desprende:

- 183 -
En el sentido de las agujas del reloj:
En el sentido contrario de las agujas del reloj:
Se pueden reducir ambas expresiones por las probabilidades de estado y obtener así la condición
dada por la ecuación (10.12). Se puede ver que una condición necesaria y suficiente para la
reversibilidad es que las dos expresiones sean iguales:
Si esta condición se satisface habrá entonces equilibrio local o detallado. Una condición necesaria
para la reversibilidad si hay un flujo (una flecha) del estado i al estado j, habrá también un flujo
(una flecha) de j a i. Se pueden aplicar localmente ecuaciones de corte entre dos estados conectados
cualesquiera. Así, de la figura 10.2 se tiene:
Se puede expresar cualquier probabilidad de estado p(i, j) por la probabilidad de estado p(0, 0)
eligiendo cualquier trayecto entre los dos estados (criterio de Kolmogorov). Se puede, por ejemplo,
elegir el trayecto:
y se obtendrá la siguiente ecuación de equilibrio:
Por normalización de la masa de probabilidad total se obtiene p(0, 0).

La condición de reversibilidad se satisface en muchos casos, por ejemplo para:

- 184 -
Figura 10.2 − Criterio de Kolmogorov: una condición necesaria y suficiente para la

reversibilidad de un proceso de Markov bidimensional es que el flujo de
circulación entre cuatro estados vecinos en un cuadrado sea cero:
Flujo en sentido horario = flujo en sentido contrahorario (10.12)
Si se considera un sistema de pérdidas multidimensional con N flujos de tráfico, cada uno de ellos
puede constituir entonces un proceso de Poisson dependiente del estado, en particular flujos de
tráfico BPP (Bernoulli, Poisson, Pascal). Para N sistemas dimensionales las condiciones de
reversibilidad son análogas a la ecuación (10.12). Para todos los trayectos posibles se debe
satisfacer el criterio de Kolmogorov. En la práctica, no se observan problemas pues la solución
obtenida bajo la hipótesis de reversibilidad será la solución correcta sí (y sólo si) se satisfacen las
ecuaciones de equilibrio de nodo. En la sección siguiente se utilizará esto como base para la
introducción de un modelo de tráfico multidimensional muy general.
10.3 Sistemas de pérdidas multidimensionales

En esta sección se examinan generalizaciones de la teoría de teletráfico clásica que tratan de
diversos flujos de tráfico ofrecidos a un canal simple/grupo de enlace. Cada flujo de tráfico puede
tener parámetros individuales y pueden ser procesos de llegada de Poisson dependientes del estado
con tráfico de segmentos múltiples y limitaciones de clase. Esta clase general de modelos es
insensible a la distribución del tiempo de ocupación, que puede ser dependiente de la clase con
parámetros individuales para cada clase. Las generalizaciones se introducirán una por vez y
presentarán un pequeño estudio de caso para ilustrar las ideas básicas.
10.3.1 Limitación de clase
En comparación con el caso considerado en el § 10.1 se restringe ahora el número de llamadas
simultáneas para cada (clase de) flujo de tráfico. De esta manera, no se tendrá plena accesibilidad
pero, a diferencia de los sistemas de rebasamiento donde sólo se tendrá acceso físico a canales
específicos, se tendrá ahora acceso a todos los canales, pero en cada instante sólo se podrá ocupar

- 185 -
un número limitado. Esto se puede utilizar con fines de protección del servicio (protección del
circuito virtual = limitación de clase = principio de prioridad umbral). Se introducen restricciones al
número de llamadas simultáneas en clase j como sigue:
donde
Si no se cumple esta última restricción, se tendrán grupos separados que corresponden a N sistemas
ordinarios de pérdidas unidimensionales independientes. Debido a las restricciones el diagrama de
transición de estado es truncado. Esto se muestra en la figura 10.3 para dos flujos de tráfico.
Figura 10.3 − Estructura del diagrama de transición de estado para procesos de tráfico
bidimensionales con limitaciones de clase (10.18). Cuando se calculan probabilidades de
equilibrio, el estado (i, j) se puede expresar por
el estado (i, j −1) y recursivamente por el estado (i, 0), (i −1, 0), y
finalmente por (0, 0) (10.15)

1) Bloqueo para el flujo 1
2) Bloqueo para el flujo 2
Cabe señalar que el diagrama de transición de estado truncado es aún reversible y que el valor de
p(i, j) relativo al valor p(0, 0) no se modifica por el corte (truncamiento). Sólo se modifica la
constante de normalización. En efecto, debido a la propiedad de equilibrio local se puede eliminar
cualquier estado sin modificar las propiedades precedentes. Se pueden considerar limitaciones de
clase más generales a conjuntos de flujo de tráfico de modo tal que cualesquiera de ellos tiene un
número de canales asignados (garantizados) mínimo.

- 186 -
10.3.2 Procesos de tráfico generalizados

El estudio no se ha limitar a considerar el tráfico PCT-I solamente como en el § 10.1. Cada flujo de
tráfico puede ser un proceso de llegada de Poisson dependiente del estado con un régimen de
extinción (partida) lineal dependiente del estado (véase las ecuaciones (10.16) y (10.17)). El sistema
satisface aún las condiciones de reversibilidad dadas por la ecuación (10.12). De esta manera, se
conserva la forma de producto para los flujos de tráfico BPP y los procesos de Poisson más
generales que dependen del estado. Si todos lo flujos de tráfico son procesos (binomiales) de
Engset, se obtendrá entonces la fórmula de Engset multidimensional (Jensen, 1948 [49]). Como se
indicara anteriormente el sistema es insensible a las distribuciones del tiempo de ocupación. Cada
flujo de tráfico puede tener su propia distribución del tiempo de ocupación.
10.3.3 Tráfico multisegmento
En sistemas de servicios integrados la anchura de banda requerida puede depender del tipo de
servicio. Así, la telefonía de señales vocales puede requerir un solo canal (segmento), mientras que,
por ejemplo, un servicio de vídeo puede requerir d canales simultáneamente. Se deben observar las
restricciones adicionales siguientes:
donde ij es el número real de llamadas tipo j. El diagrama de transición de estado resultante será aún
reversible y se presenta en forma de producto. Las restricciones corresponden, por ejemplo, al
modelo físico ilustrado en la figura 10.5.
Ejemplo 10.3.1: Modelo de Rönnblom
El primer ejemplo de un modelo de tráfico de segmentos múltiples fue publicado por Rönnblom
(1958 [94]). El documento examina el tráfico externo (de entrada y de salida) y el tráfico interno en
una central telefónica PABX con canales en ambos sentido. El tráfico externo ocupa sólo un canal
por llamada. El tráfico interno ocupa un canal de salida y un canal de entrada y requiere así dos
canales simultáneamente. Rönnblom demostró que este modelo tiene forma de producto.
Ejemplo 10.3.2: Dos flujos de tráfico
Los modelos indicados anteriormente se ilustrarán con un pequeño estudio de caso. Considérese un
grupo de enlace de 6 canales que se le ofrecen los dos flujos de tráfico especificados en el
cuadro 10.1. Se observa que el segundo flujo de tráfico es de segmentos múltiples. En el sistema se
puede tener a lo sumo tres llamadas tipo 2. Sólo es necesario especificar el tráfico ofrecido y no los
valores absolutos del régimen de llegada y velocidad del servicio. El tráfico ofrecido se define, por
lo general, como el tráfico transportado por un grupo de enlace infinito.
Se tiene el diagrama de transición de estado bidimensional que se muestra en la figura 10.4. La
suma total de todas las probabilidades de estado relativas es igual 20,1704. De modo tal que por
normalización se obtiene p(0, 0) = 0,0496 y de esta manera las probabilidades de estado siguientes
. .
y las probabilidades de estado marginales p(i, ) y p( , j).

- 187 -
Figura 10.4 − Ejemplo 10.3.2: Se trata de seis canales a los que se les ofrece un flujo de
tráfico de Poisson (PCT-I) (estados horizontales) y un flujo de tráfico de
Engset (PCT-II) (estados verticales). Los parámetros se especifican en
el cuadro 10.1. Si al estado (0, 0) se le asigna el valor relativo uno, se
obtendrá mediante el equilibrio local las probabilidades de estado
relativas q(i, j) que se muestran más abajo
Flujo 1: Tráfico PCT-I Flujo 2: Tráfico PCT-II
λ1 = 2 llamadas/unidad de tiempo Sa= 4 fuentes

γ2 = 1/3 llamadas/unidad de tiempo/fuente desocupada
−1
μ2 = 1 (unidades de tiempo )
−1
μ1 = 1 (unidades de tiempo ) β2 = γ2/μ2 = 1/3 erlang por fuente desocupada
Z2 = 1/(1 + β2) 3/4 (curtosis)
Z1 = 1 (curtosis)
d2 = 2 canales/llamada
d1 = 1 canal/llamada
A2 = S2 . β2/(1 + β2) = 1 erlang
A1 = λ1/μ1 = 2 erlang
n2= 6 = n
n1 = 6 = n

- 188 -
Cuadro 10.1 − Dos flujos de tráfico: se ofrece al mismo grupo troncal un proceso de
tráfico de Poisson (ejemplo 7.4.2) y un proceso de tráfico binomial (ejemplo 8.5.1)
p(i, j) i=0 i=1 i=2 i=3 i=4 i=5 i=6 .

p( ,j)
j=3 0,0073 0,0073

j=2 0,0331 0,0661 0,0661 0,1653
j=1 0,0661 0,1322 0,1322 0,0881 0,0441 0,4627
j=0 0,0496 0,0992 0,0992 0,0661 0,0331 0,0132 0,0044 0,3647
.
p(i, ) 0,1561 0,2975 0,2975 0,1542 0,0771 0,0132 0,0044 1,000
Las probabilidades de estado global resultan:
p(0) = p(0, 0) = 0,0496

p(1) = p(1, 0) = 0,0992
p(2) = p(0, 2) + p(2, 0) = 0,1653
p(3) = p(1, 2) + p(3, 0) = 0,1983
p(4) = p(0, 4) + p(2, 2) + p(4, 0) = 0,1983
p(5) = p(1, 4) + p(3, 2) + p(5, 0) = 0,1675
p(6) = p(0, 6) + p(2, 4) + p(4, 2) + p(6, 0) = 0,1219
Medida de calidad de funcionamiento para el flujo de tráfico 1:

Debido a la propiedad PASTA la congestión temporal (E1), la congestión de llamadas (B1), y la
congestión de tráfico (C1) son idénticas. La congestión temporal E1 se obtiene de la siguiente
manera:
E1 = p(6, 0) + p(4, 2) + p(2, 4) + p(0, 6)
= p(6),
E1 = B1 = C1 = 0,1219,
B
Y1 = 1,7562:
Medidas de calidad de funcionamiento para el flujo de tráfico 2:
Congestión temporal E2 (intervalo de tiempo en que el sistema se bloquea para el flujo de tráfico 2):
E2 = p(0, 6) + p(1, 4) + p(2, 4) + p(3, 2) + p(4, 2) + p(5, 0) + p(6, 0)
= p(5) + p(6),
E2 = 0,2894:
Congestión de llamadas B2 (proporción de tentativas de llamada bloqueadas para el flujo de
B
tráfico 2):
El número total de tentativas de llamada por unidad de tiempo se obtiene de la distribución
marginal:

- 189 -
El número de tentativas de llamadas bloqueadas por unidad de tiempo resulta:
Por consiguiente:
Congestión de tráfico C2 (proporción del tráfico ofrecido bloqueado):

El tráfico transportado, medido en la unidad [canal], se obtiene de la distribución marginal:
El tráfico ofrecido, medido en la unidad [canal] es d2 . A2 = 2 erlang (cuadro 10.1). Por consiguiente
se obtiene:
En el ejemplo anterior sólo hay 2 flujos y 6 canales y el número total de estados es igual a 14 (véase
la figura 10.4). Cuando el número de canales y flujos de tráfico aumenta, el número de estados se
incrementa entonces muy rápido y no se podrá evaluar el sistema mediante el cálculo de las
probabilidades de estado individuales. En la sección siguiente se presentará el algoritmo de
convolución para sistemas de pérdidas, que elimina este problema mediante el agregado de estados.
10.4 Algoritmo de convolución para sistemas de pérdidas

Se examinará ahora un grupo de enlace con un total de n líneas de enlaces homogéneas. El término
homogéneo significa que tiene el mismo régimen de servicio. Al grupo troncal se le ofrecen n tipo
diferentes de llamadas denominado también flujos, o clases. Un tipo de llamada i requiere di líneas
de enlace (canales, segmentos) durante el tiempo de servicio completo, es decir los di canales se
ocupan y liberan simultáneamente. Los procesos de llegada son generalmente del tipo Poisson
dependientes del estado. Para el i-ésimo proceso de llegada, la intensidad de llegada en el estado
xi . di, es decir, cuando se está dando servicio a xi llamadas del tipo i, es λi(xi). Se debe limitar el
número xi de llamadas simultáneas del tipo i, de modo que:
.
0 ≤ xi di ≤ ni ≤ n
Será natural requerir que ni sea un múltiplo entero de di. Este modelo describe, por ejemplo, el
sistema que se ilustra en la figura 10.5.

- 190 -
Figura 10.5 − Generalización del modelo de teletráfico clásico para tráfico BPP y
tráfico multisegmento. Los parámetros λi y Zi describen el tráfico BPP,
mientras que di simboliza el número de segmentos requerido

1) Centrales locales
2) Central de tránsito
3) Central de destino
El sistema mencionado anteriormente se puede evaluar de manera eficaz por el algoritmo de
convolución presentado en (Iversen, 1987 [42]). En el mismo se describe el algoritmo y luego se
explica en mayor detalle con un ejemplo. El algoritmo de convolución está estrechamente
relacionado con la forma de producto.
10.4.1 El algoritmo
El algoritmo se describe por medio de los tres pasos siguientes.
• Paso 1: Calcular las probabilidades de estado de cada flujo de tráfico como si estuviera sólo
en el sistema, es decir se consideran los sistemas de pérdidas clásicos como se describen en
los Capítulos 7 y 8. Para el flujo de tráfico i se obtiene:
Sólo los valores relativos de pi(x) son de importancia, de modo tal que se puede seleccionar
qi(0) = 1 y calcular los valores de qi(x) relativos a qi(0). Si un término qi(x) llega a ser
10
mayor que K (por ejemplo 10 ), se pueden dividir todos los valores qi(j), 0 ≤ j ≤ x, por K.
Para evitar cualquier problema numérico en los cálculos siguientes es conveniente
normalizar las probabilidades de estado relativas de modo que:
Como se describe en el § 7.4 se puede normalizar en cada paso para evitar cualquier
problema numérico.

- 191 -
• Paso 2: Calcular por convoluciones sucesivas (operador de convolución *) las

probabilidades de estado agregadas para el sistema total con excepción del número de flujo
de tráfico i:
Se efectúa primero la operación de convolución de P1 y P2 y se obtiene P12 que se pone en

convolución con P3, etc. Para el operador de convolución, definido en el modo usual (véase
el § 3.2) son válidas las leyes de conmutación y de asociación:
donde
Cabe señalar que el espacio de estado se interrumpe en el estado n. Aun si P3 y Pj están

normalizados, el resultado de una convolución, en general, no está normalizado debido a la
interrupción (truncamiento). Se recomienda efectuar la normalización después de cada
operación de convolución para evitar problemas numéricos tanto en este paso como en el
siguiente.
• Paso 3: Calcular la congestión temporal Ei, la congestión de llamadas Bi, y la congestión de
B
tráfico Ci del flujo i. Esto se efectúa durante la convolución:
Esta convolución da por resultado:
donde para pxi(j), i representa el flujo de tráfico, j el número total de canales ocupados, y x
el número de canales ocupados por el número de flujo i. Los Pasos 2 y 3 se repiten para
cada flujo de tráfico. A continuación se extraen las fórmulas para determinar los valores
de Ei, Bi, y Ci.
B
La congestión temporal Ei para el flujo de tráfico i resulta:
donde
La sumatoria se extiende a todos los estados SEi donde las llamadas que pertenecen a la clase i se
bloquean: el conjunto {x > ni − di} corresponde a los estados donde el flujo de tráfico i ha utilizado
su cuota, y (j > n − di) corresponde a los estados con menos de di canales desocupados. Q es la
constante de normalización:

- 192 -
(En esta fase de desarrollo se han normalizado, por lo general, las probabilidades de estado, de
modo que Q = 1).
La congestión de llamadas Bi para el flujo de tráfico i es el cociente entre el número de tentativas de
llamada bloqueadas y el número total de tentativas de llamada, ambos para el flujo de tráfico i, y,
por ejemplo, por unidad de tiempo. Resulta entonces:
Congestión de tráfico Ci: El tráfico ofrecido se define habitualmente como el tráfico transportado
por un grupo de enlace infinito. El tráfico transportado para el flujo de tráfico i es:
Se obtiene así:
Cuadro 10.2 − El flujo de tráfico de Pascal (Ejemplo 8.7.2) se ofrece a la misma

línea de enlace que los dos flujos de tráfico del cuadro 10.1
Flujo 3: Tráfico de Pascal (binomial negativo)
S3 = −2 fuentes
γ3 = −γ3/μ3 llamadas/unidad de tiempo
−1
μ3 = 1 (unidad de tiempo )
β3 = 3/γ3 = −1/3 erlang por fuente desocupada
Z3 = 1/(1 + β3) = 3/2
d3 = 1 canales/llamada
A3 = S3 . (1 −Z3) = 1 erlang
n3 = 4 (N° máximo de llamadas simultáneas)
El algoritmo se aplica en la herramienta PC "ATMOS" (Listov-Saabye y Iversen, 1989 [75]). El

requisito de almacenamiento es proporcional a n pues se puede calcular las probabilidades de estado
de un flujo de tráfico cuando sea necesario. En la práctica se utiliza un almacenamiento
.
proporcional con n N, pues se ahorra la necesidad de obtener resultados intermedios de las
convoluciones para reutilización posterior. Se puede ver (Iversen y Stepanov, 1997 [44]) que
cuando se calculan las características de tráfico para los n flujos de tráfico es necesario efectuar
(4 . N −6) convoluciones. Así, el tiempo de cálculo es lineal en N y cuadrático en n.
Ejemplo 10.4.1: Desconvolución
En principio, se puede obtener QN/i a partir de QN por un proceso de desconvolución y,
posteriormente, durante una nueva operación de convolución de Pi calcular las medidas de calidad

- 193 -
de funcionamiento. De esta manera no es necesario repetir todas las convoluciones (10.22) para
cada flujo de tráfico. Sin embargo, cuando se aplica este método se producen problemas numéricos.
La convolución es muy estable desde el punto de vista numérico y, por tanto, en algunos casos se
puede aplicar el proceso de desconvolución por ejemplo, cuando las fuentes de tráfico son del tipo
activado/desactivado.
Ejemplo 10.4.2: Tres flujos de tráfico
Se ilustra primero el algoritmo con un pequeño ejemplo y luego se efectúan los cálculos en detalle.
Se considera un sistema con 6 canales y 3 flujos de tráfico. Además de los dos flujos que figuran en
el Ejemplo 10.3.2 se agrega un flujo de Pascal con limitación de clase como se muestra en el
cuadro 10.2 (véase el Ejemplo 8.7.2). Se desea calcular las medidas de calidad de funcionamiento
del flujo de tráfico 3.
• Paso 1: Calcular las probabilidades de estado pi(j) de cada flujo de tráfico
i (i = 1, 2, 3, j = 1, 2, . . ., ni) como si estuviera solo. Los resultados se indican en el
cuadro 10.3.
• Paso 2: Evaluar la convolución de p1(j) con p2(k), p1 * p2, interrumpir el espacio de estado
en n = 6 (truncamiento), y normalizar las probabilidades de modo que se obtenga el valor
de p12 que figura en el cuadro 10.3. Cabe señalar que este es resultado obtenido en el
Ejemplo 10.3.2.
• Paso 3: Efectuar la operación de convolución de p12(j) con p3(k), la operación de
truncamiento en n, y obtener q123(j) como figura en el cuadro 10.3.
Cuadro 10.3 − Algoritmo de convolución aplicable al Ejemplo 10.4.2.

Las probabilidades de estado para los flujos de tráfico individuales
se han calculado en los ejemplos 7.4.2, 8.5.1 y 8.7.2
Estado Probabilidades q12(j) Normalizado Prob. q123(j) Normalizado
j p1(j) p2(j) p1 * p2 p12(j) p3(j) p12 * p3 p123(j)

0 0,1360 0,3176 0,0432 0,0496 0,4525 0,0224 0,025 855
1 0,2719 0,0000 0,0864 0,0992 0,3017 0,0599 0,068 946
2 0,2719 0,4235 0,1440 0,1653 0,1508 0,1122 0,129 275
3 0,1813 0,0000 0,1727 0,1983 0,0670 0,1579 0,181 942
4 0,0906 0,2118 0,1727 0,1983 0,0279 0,1825 0,210 350
5 0,0363 0,0000 0,1459 0,1675 0,0000 0,1794 0,206 712
6 0,0121 0,0471 0,1062 0,1219 0,0000 0,1535 0,176 920
Total 1,0000 1,0000 0,8711 1,0000 1,0000 0,8678 1,000 000
La congestión temporal E3 se obtiene de las probabilidades de estado detalladas. El flujo de

tráfico 3 (tráfico de un solo segmento) experimenta la congestión temporal cuando los 6 canales
están ocupados y cuando el flujo de tráfico ocupa 4 canales (asignación máxima). De las
probabilidades de estado detalladas se obtiene:

- 194 -
Cabe señalar que el estado {p3(4) . p12(2)} esta incluido en el estado q123(6). El tráfico transportado
para el flujo de tráfico 3 se obtiene durante la convolución de p3(i) p12(j) y resulta:
Como el tráfico ofrecido es A3 = 1, se obtiene:

La congestión de llamadas resulta:
donde xl es el número llamadas perdidas por unidad de tiempo, y xt es el número total de tentativas
de llamada por unidad de tiempo. Utilizando las probabilidades normalizadas que figuran en el
cuadro 10.3 se obtiene {λ3(i) = (S3 −i) γ3}:

- 195 -
Se obtiene así:
De manera similar intercambiando el orden de los flujos de tráfico convolucionados se obtienen las
medidas de calidad de funcionamiento de los flujos 1 y 2. El número total de microestados en este
ejemplo es 47. Por el método de convolución se reduce el número de estados de modo tal que nunca
es necesario utilizar más de dos vectores de cada n + 1 estados, es decir 14 estados.
Mediante la utilización de la herramienta ATMOS se obtienen los siguientes resultados que figuran
en el cuadro 10.4. La congestión total se puede dividir en congestión debida a la limitación de clase
(ni), y congestión debida al número de canales limitado (n).
Cuadro 10.4 − Datos de entrada para ATMOS para el ejemplo 10.4.2 con tres
flujos de tráfico. tmo significa tiempo medio de ocupación
Entrada Número total de canales n = 6
Tráfico Curtosis Núm. Segmentos/llamada tmo Fuentes beta

ofrecido Máx
i Ai Zi ni di μi−1 Si βi
1 2,0000 1,0000 6 1 1,0000 ∞ 0
2 2,0000 0,7500 6 2 1,0000 4 0,3333

3 1,0000 1,5000 4 1 1,0000 -2 -0,5000

- 196 -
Cuadro 10.5 − Datos de salida de ATMOS para los datos de entrada en el cuadro 10.4.1
Salida Congestión de Congestión de Congestión Tráfico

llamada tráfico temporal transportado
i Bi Ci Ei Yi
1 1,769 200E-01 1,769 200E-01 1,769 200E-01 1,646 160
2 3,346 853E-01 2,739 344E-01 3,836 316E-01 1,452 131
3 2,127 890E-01 2,884 898E-01 1,817 079E-01 0,711 510
Total 2,380 397E-01 3,809 801
Ejemplo 10.4.3: Ejemplo a gran escala

Para ilustrar la herramienta ATMOS se considerará en los cuadros 10.6 y 10.7 un ejemplo con 1536
líneas de enlace y 24 flujos de tráfico. Se debe señalar que la congestión temporal es independiente
del grado de curtosis Zi y proporcional al tamaño del segmento di, pues a menudo se tiene:
Esto es obvio pues la congestión temporal sólo depende de las probabilidades de estado globales. La
congestión de llamadas es casi igual a la congestión temporal. Depende en escasa medida del
tamaño del segmento. Esto también se ha de aguardar pues la congestión de llamadas es igual a la
congestión temporal con una fuente suprimida (teorema de llegada). En el cuadro con los datos de
salida se indica en la última columna de la derecha la congestión de tráfico relativa dividida por
.
(di Zi), utilizando el tráfico de Poisson de un segmento como valor de referencia ( di = Zi = 1). Se
debe señalar que la congestión de tráfico es proporcional a di . Zi, que es la hipótesis usual cuando
se utiliza el método de tráfico aleatorio equivalente (ERT) (véase el Capítulo 9). El valor medio de
tráfico ofrecido aumenta la linealidad con el tamaño del segmento, mientras que la varianza se
incrementa con el cuadrado del tamaño del segmento. La relación de curtosis (varianza/valor
medio) para el tráfico de segmentos múltiples aumenta así la linealidad con el tamaño del segmento.
Se observa que la congestión de tráfico es mucho más trascendente que la congestión temporal y la
congestión de llamada, para caracterizar la calidad de funcionamiento del sistema. Si la congestión
de tráfico total se calcula utilizando el método de Fredericks y Hayward (véase el § 9.2), se tendrá
una congestión de tráfico total igual a 6,114% (véase el Ejemplo 9.3.2 y el cuadro 10.7). El valor
exacto es 5,950 %.

- 197 -
Cuadro 10.6 − Datos de entrada para el Ejemplo 10.4.3 con 24 flujos de tráfico y 1536 canales.
El número de llamadas simultáneas máximo de tipo i(ni) es,
en este ejemplo, n = 1536 (accesibilidad total), y tmo es la
abreviatura de tiempo medio de ocupación
Entrada Número total de canales n = 1536
Tráfico Curtosis Nº Máx Canales/ tmo Fuentes

ofrecido sim. llamada
i Ai Zi ni di μi S β
1 64,000 0,200 1536 1 1,000 80,000 4,000

2 64,000 0,500 1536 1 1,000 128,000 1,000
3 64,000 1,000 1536 1 1,000 ∞ 0,000
4 64,000 2,000 1536 1 1,000 -64,000 -0,500

5 64,000 4,000 1536 1 1,000 -21,333 -0,750
6 64,000 8,000 1536 1 1,000 -9,143 -0,875
7 32,000 0,200 1536 2 1,000 40,000 4,000
8 32,000 0,500 1536 2 1,000 64,000 1,000
9 32,000 1,000 1536 2 1,000 ∞ 0,000
10 32.000 2,000 1536 2 1,000 -32,000 -0,500
11 32,000 4,000 1536 2 1,000 -10,667 -0,750
12 32,000 8,000 1536 2 1,000 -4,571 -0,875
13 16,000 0,200 1536 4 1,000 20,000 4,000
14 16,000 0,500 1536 4 1,000 32,000 1,000
15 16,000 1,000 1536 4 1,000 ∞ 0,000
16 16,000 2,000 1536 4 1,000 -16,000 -0,500

17 16,000 4,000 1536 4 1,000 -5,333 -0,750
18 16,000 8,000 1536 4 1,000 -2,286 -0,875
19 8,000 0,200 1536 8 1,000 10,000 4,000
20 8,000 0,500 1536 8 1,000 16,000 1,000
21 8,000 1,000 1536 8 1,000 ∞ 0,000
22 8,000 2,000 1536 8 1,000 -8,000 -0,500

23 8,000 4,000 1536 8 1,000 -2,667 -0,750
24 8,000 8,000 1536 8 1,000 -1,143 -0,875

- 198 -
Cuadro 10.7 − Salida para el ejemplo 10.4.3 con datos de entrada que figuran en el
cuadro 10.6. Como se mencionó en el ejemplo 9.3.2, el método de
Fredericks y Hayward produce una congestión total igual
a 6,114 %. La congestión de tráfico total 5,950 % se obtiene
del tráfico transportado total y el tráfico ofrecido
Salida Congestión de Congestión de Congestión Tráfico Valor relativo

llamada tráfico temporal transportado
i Bi Ci Ei Yi Ci(diZi)
1 6,187 744E-03 1,243 705E-03 6,227 392E-03 63,920 403 0,9986
2 6,202 616E-03 3,110 956E-03 6,227 392E-03 63,800 899 0,9991
3 6,227 392E-03 6,227 392E-03 6,227 392E-03 63,601 447 1,0000
4 6.276 886E-03 1,247 546E-02 6,227 392E-03 63,201 570 1,0017
5 6,375 517E-03 2,502 346E-02 6,227 392E-03 62,398 499 1,0046
6 6,570 378E-03 5,025 181E-02 6,227 392E-03 60,783 884 1,0087
7 1,230 795E-02 2,486 068E-03 1,246 554E-02 63,840 892 0,9980
8 1,236 708E-02 6,222 014E-03 1,246 554E-02 63,601 791 0,9991
9 1,246 554E-02 1,246 554E-02 1,246 554E-02 63,202 205 1,0009
10 1,266 184E-02 2,500 705E-02 1,246 554E-02 62,399 549 1,0039
11 1,305 003E-02 5,023 347E-02 1,246 554E-02 60,785 058 1,0083
12 1,379 446E-02 1,006 379E-01 1,246 554E-02 57,559 172 1,0100
13 2,434 998E-02 4,966 747E-03 2,497 245E-02 63,682128 0,9970
14 2,458 374E-02 1,244 484E-02 2,497 245E-02 63,203 530 0,9992
15 2,497 245E-02 2,497 245E-02 2,497 245E-02 62,401 763 1,0025
16 2,574 255E-02 5,019 301E-02 2,497 245E-02 60,787 647 1,0075
17 2,722 449E-02 1,006 755E-01 2,497 245E-02 57,556 771 1,0104
18 2,980 277E-02 1,972 682E-01 2,497 245E-02 51,374 835 0,9899
19 4,766 901E-02 9,911 790E-03 5,009 699E-02 63,365 645 0,9948
20 4,858 283E-02 2,489 618E-02 5,009 699E-02 62,406 645 0,9995
21 5,009 699E-02 5,009 699E-02 5,009 699E-02 60,793 792 1,0056
22 5,303 142E-02 1,007 214E-01 5,009 699E-02 57,553 828 1,0109
23 5,818 489E-02 1,981 513E-01 5,009 699E-02 51,318 316 0,9942
24 6,525 455E-02 3,583 491E-01 5,009 699E-02 41,065 660 0,8991
Total 5,950 135E-02 1444,605

- 199 -
10.4.2 Otros algoritmos

El algoritmo de convolución para sistemas de pérdidas se publicó por primera vez en (Iversen, 1987
[42]). Un método similar a un modelo menos generalizado fue publicado en dos documentos por
Ross y Tsang (1990 [92]), (1990 [93]) sin referencia al documento original de 1987 si bien estaba
en conocimiento de los autores. En el caso de los procesos de llegada de Poisson los algoritmos
resultan muy simples, y se encuentra el algoritmo de Fortet y Grandjean (Fortet y
Grandjean, 1964 [30]):
El algoritmo se conoce generalmente por algoritmo de Kaufman y Roberts pues fue redescubierto
por esos autores en 1981 (Kaufman, 1981 [58]) (Roberts, 1981 [90]). El mismo modelo con tráfico
BPP y sin limitación de clase ha sido tratado por diversos autores.
El algoritmo de Delbrouck (Delbrouck, 1983 [23]) es el primero y más general de ellos:
donde ⎣y⎦ representa la parte entera de y. Las probabilidades de estado relativas q(i) están
normalizadas para obtener las probabilidades de estado absolutas:
Para evitar problemas numéricos se puede normalizar después de cada paso en la iteración como se
describe a continuación (véase el § 7.4). El algoritmo de Delbrouck se puede formular como sigue,
observando que la sumatoria interna es una ponderación geométrica de probabilidades de estado
previas:
δi(x) = 0 siempre que x<di, (10.34)
q(x) = 0 siempre que x < 0 (10.36)

Para los procesos de llegada Poisson se tiene β = 0. Este algoritmo modificado sólo requiere un
número limitado de probabilidades de estado previas. Esta es una generalización del procedimiento
obtenido por la ecuación (7.26) para calcular la congestión temporal de manera simple.
Kraimeche y Schwartz (1983 [69]) publicaron un algoritmo similar. Basado en la teoría para redes
en fila de espera (véase el Capítulo 14) Pinsky y Conway (1992 [85]) publicaron un algoritmo
similar, que calcula la constante de normalización.
Los algoritmos mencionados anteriormente requieren en el caso general el mismo número de
operaciones que el algoritmo de convolución. El algoritmo de Delbrouck sólo es más efectivo que el
algoritmo de convolución para el caso de Poisson. Los algoritmos mencionados en esta sección no
se pueden aplicar a procesos de Poisson generales que dependen del estado, sólo a modelos de
tráfico BPP. En principio, se pueden aplicar los algoritmos de Delbrouck para tráfico BPP para
calcular las probabilidades de estado globales para los primeros (N −1) flujo de tráfico y luego

- 200 -
utilizar el algoritmo de convolución para calcular las medidas de calidad de funcionamiento para el
N-ésimo flujo de tráfico. Esto es sólo más efectivo si hay más de un flujos de tráfico de Poisson.
Para un estudio detallado del algoritmo de Delbrouck se puede también obtener congestión de
llamadas y congestión de tráfico.
Ejemplo 10.4.4: Algoritmo de Delbrouck
Se aplicará ahora el algoritmo de Delbrouck (10.31) al Ejemplo 10.3.2. Se debe señalar que para el
flujo de tráfico de Poisson la sumatoria interna en la ecuación (10.31) llega a ser sólo un estado
(véase la ecuación (10.30)) si se conoce el tráfico ofrecido total. Por aplicación directa del
algoritmo se obtienen las mismas probabilidades de estado globales como anteriormente.
Las probabilidades de estado relativas se añaden a 2723 . Las probabilidades de estado globales
135
absolutas llegan a ser idénticas con los resultados obtenidos anteriormente:
La congestión temporal se obtiene directamente de las probabilidades de estado globales, y la

congestión de llamadas se puede obtener para un flujo de tráfico binomial-Pascal llevando a término
los mismos cálculos con una fuente menos.

- 201 -

- 202 -
CAPÍTULO 11
Dimensionamiento de las redes de telecomunicaciones
La planificación de redes abarca el diseño, la optimización y el funcionamiento de las redes de
telecomunicaciones. En este Capítulo se tratarán los aspectos relacionados con la ingeniería de
tráfico de la planificación de redes. En el § 11.1 se introducen las matrices de tráfico y el método
fundamental de factor doble (método de Kruithof) para actualizar las matrices de tráfico siguiendo
las previsiones. La matriz de tráfico contiene la información básica necesaria para seleccionar la
topología (§ 11.2) y el encaminamiento del tráfico (§ 11.3).
En el § 11.4 se analiza el cálculo aproximado de las probabilidades de bloqueo de extremo a
extremo y se describe el método de Erlang del punto fijo (método de carga reducida). En el § 11.5
se generaliza el algoritmo de convolución presentado en el Capítulo 10 a redes con cálculo exacto
de bloqueo de extremo a extremo en redes con conmutación de circuitos virtuales y
encaminamiento directo. El modelo permite el tráfico BPP multisegmento con asignación mínima y
máxima. El mismo modelo puede aplicarse a las redes jerárquicas celulares inalámbricas con
células superpuestas y a las redes ópticas con multiplexación por división de longitud de
onda (WDM). En el § 11.6 se examinan los mecanismos de protección del servicio.
Por último, en el § 11.7 se analiza la optimización de las redes de telecomunicación mediante la
aplicación del principio de Moe.
11.1 Matrices de tráfico
Para especificar la demanda de tráfico en una zona con centrales K se deben conocer los valores de
2
tráfico de K Aij(i, j = 1, . . ., K), como se indica en el siguiente esquema que se denomina matriz de
tráfico.
Aij es el tráfico de i a j.
Aii es el tráfico interno en la central i.
O(i) es el tráfico de salida total originado en i.
T(j) es el tráfico de entrada (terminación) total a j.
Leyendas de la ecuación
1) DE
2) A

- 203 -
La matriz de tráfico supone que se conoce la ubicación de las centrales. Conociendo la matriz de
tráfico la tarea es:
1 decidir la topología de la red (¿qué centrales deben estar interconectadas?)
2 decidir el encaminamiento de tráfico (¿cómo se puede aprovechar una topología dada?
Las dos tareas son interdependientes.
11.1.1 Método de factor doble de Kruithof
Supóngase que se conoce la matriz de tráfico real y que se tiene una previsión para las sumas de las
filas O(i) y las sumas de las columnas T(i) y futuras, es decir el tráfico de entrada y salida total para
cada central. Este pronóstico de tráfico se puede obtener de las previsiones de abonado para cada
una de las centrales. Por medio del método de factor doble (Kruithof, 1937 [70]) se puede estimar
cada valor futuro Aij de la matriz de tráfico. El procedimiento es ajustar cada valor Aij, de modo tal
que concuerden con las nuevas sumas de fila/columna:
donde S0 es la suma real y S1 es la nueva suma de la fila/columna considerada.

Si se comienza ajustando Aij con respecto a la nueva suma de fila Si, las sumas de las filas estarán
de acuerdo pero las sumas de las columnas pueden no concordar con los valores deseados. Por
tanto, el próximo paso es ajustar los valores obtenidos Aij con respecto a las sumas de columnas de
modo que éstas concuerden, pero esto implica que las sumas de filas ya no estarán de acuerdo.
Mediante el ajuste alternativo de las sumas de filas y columnas los valores obtenidos convergirán,
luego de algunas iteraciones, hacia valores únicos. El procedimiento se ilustra mejor con el ejemplo
dado a continuación.
Ejemplo 11.1.1: Aplicación del método de factor doble de Kruithof
Se examina una red de telecomunicación que tiene dos centrales. La presente matriz de tráfico está
dada como:
1 2 Suma
1 10 20 30
2 30 40 70
Suma 40 60 100
El pronóstico de tráfico de origen de terminación total para cada central es:
1 2 Suma
1 45
2 105
Suma 50 100 100
La tarea es entonces estimar cada valor de la matriz mediante el método de factor doble.

- 204 -
Iteración 1: Ajustar las sumas de las filas. Se multiplica la primera fila por (45/30) y la segunda fila
por (105/70) y se obtiene:
1 2 Suma
1 15 30 45
2 45 60 105
Suma 60 90 150
Las sumas de las filas son ahora correctas, pero las sumas de las columnas no lo son.
Iteración 2: Ajustar las sumas de las columnas:
1 2 Suma
1 12,50 33,33 45,83
2 37,50 66,67 104,17
Suma 50,00 100 150,00
Tenemos ahora las sumas correctas de las columnas, mientras que las sumas de las filas presentan
valores algo desviados. se continúa ajustando alternativamente las sumas de filas y columnas:
Iteración 3:
1 2 Suma
1 12,27 32,73 45,00
2 37,80 67,20 105,00
Suma 50,07 99,93 150,00
Iteración 4:
1 2 Suma
1 12,25 32,75 45,00
2 37,75 67,25 105,00
Suma 50,00 100,00 150,00
Después de cuatro iteraciones las sumas de las filas y de las columnas concuerdan con dos
decimales.
Existen otros métodos para estimar los valores de tráfico individuales futuros Aij, pero el método de
factor doble de Kruithof tiene propiedades importantes (Bear, 1988 [5]):
• Unicidad. Para una determinada previsión hay una sola solución.
• Reversibilidad. La matriz resultante se puede invertir a la matriz inicial con el mismo
procedimiento.

- 205 -
• Transitividad. La matriz resultante es la misma independientemente si fue obtenida en un

paso o a través de una serie de transformaciones intermedias, (por ejemplo una previsión de
cinco años o cinco previsiones de un año).
• Invarianza con referencia a la numeración de las centrales. Se puede cambiar la numeración
de las centrales sin influencia en el resultado.
• Fraccionamiento. Las centrales se pueden dividir en subcentrales o se pueden añadir a
centrales más grandes sin influenciar el resultado. Esta propiedad no se satisface
exactamente con el método de factor doble de Kruithof, pero las desviaciones son
pequeñas.
11.2 Topologías
En el Capítulo 1 se han descrito las topologías básicas como red en estrella, red poligonal, red en
anillo, red jerárquica y red no jerárquica.
11.3 Principios de encaminamiento
Este es un tema extenso que incluye entre otros el encaminamiento de tráfico alternativo,
repartición de las cargas, etc. En (Ash, 1998 [3]) figura una descripción detallada sobre este tema.
11.4 Métodos de cálculo de extremo a extremo aproximados
Si se supone que los enlaces de una red son independientes, es fácil entonces calcular la
probabilidad de bloqueo de extremo a extremo. Por medio de las fórmulas clásicas se calcula la
probabilidad de bloqueo de cada enlace. Si la probabilidad de bloqueo del enlace i se simboliza
por Ei se obtiene entonces la probabilidad de bloqueo de extremo a extremo para una tentativa de
llamada sobre la ruta j como sigue:
donde R es el conjunto de enlaces incluido en la ruta de la llamada. Este valor será el caso más
desfavorable pues el tráfico está regularizado por el bloqueo de cada enlace y, por tanto,
experimenta menos congestión en el último vínculo de una ruta.
11.4.1 Método del punto fijo
Una llamada ocupa generalmente canales en más enlaces y en general el tráfico estará
correlacionado con cada uno de los enlaces de una red. La probabilidad de bloqueo experimentada
por una tentativa de llamada en cada uno de los enlaces también estarán correlacionada. El método
Erlang del punto fijo es una tentativa para tomar esto en cuenta.
11.5 Métodos de cálculo exactos de extremo a extremo
Las redes de telecomunicación con conmutación de circuitos y encaminamiento directo tienen la
misma complejidad que las redes de fila de espera con muchas cadenas (véase el § 14.9 y el
cuadro 14.3). Es necesario contabilizar el número de canales ocupados en cada enlace. Por tanto, el
número de estados máximo resulta:

- 206 -
Cuadro 11.1 – En una red de telecomunicación con conmutación de circuitos y

encaminamiento directo dxy representa el tamaño del segmento (demanda de
anchura de banda) de la ruta x por el vínculo y (véase el cuadro 14.3)
Enlace Ruta Número de

canales
1 2 ... N
1 C11 C21 ... CN1 n1

2 C12 C22 CN2
... n2
.
. . . .
…
... ... ... ...
.
. . . .
K C1k C2k ... CNK nK
11.5.1 Algoritmo de convolución

El algoritmo de convolución descrito en el Capítulo 10 se puede aplicar a redes con
encaminamiento directo pues hay una forma de producto entre las rutas. La convolución se hace
multidimensional, siendo la dimensión el número de enlaces en la red. La interrupción del espacio
de estado se hace más compleja y el número de estados aumenta considerablemente.
11.6 Control de carga y protección de servicio
En una red de telecomunicación con muchos usuarios que compiten por los mismos recursos
(acceso múltiple) es importante especificar las demandas de los servicios de los usuarios y asegurar
que el GoS se cumple en condiciones normales de servicio. En la mayoría de los sistemas se puede
asegurar que los abonados preferenciales (policía, servicios médicos, etc.) tienen mayor prioridad
que los abonados comunes cuando efectúan tentativas de llamada. Durante las condiciones
normales de tráfico se debe garantizar que todos los abonados para todo tipo de llamadas (locales,
nacionales, internacionales) tienen aproximadamente el mismo nivel de servicio, por ejemplo el 1 %
de bloqueo. Durante situaciones de sobrecarga las tentativas de llamada de algunos grupos de
abonados no debe estar completamente bloqueada mientras que al mismo tiempo otros grupos
experimenten bajos porcentajes de bloqueo.
Históricamente, esto se ha satisfecho debido a la estructura descentralizada y la aplicación de
accesibilidad limitada (distribución del tráfico), que desde el punto de vista de protección del
servicio son aún aplicables y útiles.
Los sistemas y redes digitales tienen una complejidad creciente y sin medidas preventivas el tráfico
transportado en función del tráfico ofrecido tendrá típicamente una forma similar a las del sistema
Aloha (véase la figura 6.4). Para asegurar que un sistema continúe funcionando a máxima capacidad
durante sobrecarga se aplican diversas estrategias. En sistemas (centrales) se puede introducir
separación entre llamadas y asignar prioridades a las tareas (véase el Capítulo 13). En redes de
telecomunicación son comunes dos estrategias: reservas de líneas de enlace y protección virtual de
canales.

- 207 -
Figura 11.1 − Encaminamiento de tráfico alternativo (véase el ejemplo 11.6.2).

El tráfico de A a B se transporta en parte por la ruta directa
(ruta primaria = ruta de explotación intensa), y parte por la ruta
secundaria a través de la central de tránsito T

1) Ruta de protección del servicio
2) Ruta de última elección
3) Ruta de elección única
4) Ruta primaria = ruta de explotación intensa
11.6.1 Reserva de líneas de enlace
En redes de telecomunicación jerárquica con encaminamiento alternativo se desea proteger el
tráfico primario frente al tráfico de desbordamiento. Si se considera parte de una red (véase la
figura 11.1), el tráfico directo AT competirá con el tráfico de desbordamiento de AB para canales
desocupados en el grupo de enlace AT. Como el tráfico AB tiene ya una ruta directa, se desea dar al
tráfico AT prioridad a los canales en el enlace AT. Esto se puede efectuar introduciendo una reserva
de líneas de enlace (canales). Se permite al tráfico AB tener acceso a los canales AT sólo si hay más
de r canales desocupados en AT (r = parámetro de reserva). De esta manera, el tráfico AT tendrá
mayor prioridad a los canales en el enlace AT. Si todas las llamadas tienen el mismo tiempo medio
de ocupación ( μ1 = μ2 = μ) y tráfico PCT-I con tráfico de segmento único, se puede establecer
fácilmente un diagrama de transición de estado y calcular la probabilidad de bloqueo.
Si cada flujo de tráfico tiene tiempos medios de ocupación diferentes, o si se considera el tráfico
binomial y Pascal, se tendrá que establecer entonces un diagrama de transición de estado de
N dimensiones que no será reversible. De esta manera no se pueden aplicar los algoritmos
formulados en el Capítulo 10.
Un inconveniente esencial en las reservas de línea de enlace es que se trata de una estrategia local,
que sólo considera un grupo de enlace troncal, y no la totalidad de conexión de extremo a extremo.
Asimismo, es un mecanismo unidireccional que protege un flujo de tráfico frente a otro, pero no el
caso contrario. Por consiguiente, esto se puede aplicar para la protección mutua de conexiones y
servicios en redes RDSI-BA.

- 208 -
Ejemplo 11.6.1
En un sistema de comunicación móvil celular se puede asegurar menor probabilidad de bloqueo
para el traspaso de llamadas que el observado por nuevas tentativas de llamada mediante la reserva
del último canal desocupado (denominado canal de guarda) para traspasar llamadas.
11.6.2 Protección del canal virtual
En un sistema de servicios integrados es necesario proteger mutuamente todos los servicios y
garantizar un determinado grado de servicio. Esto se puede obtener por a) una determinada
asignación de anchura de banda mínima que asegura un determinado servicio mínimo, y b) una
atribución máxima que permite aprovechar las ventajas de la multiplexión estadística y asegura que
no predomina un solo servicio. Esta estrategia tiene la forma de producto básica y las
probabilidades de estado son insensibles a la distribución del tiempo de servicio. Además, el GoS
está garantizado no sólo sobre la base de un enlace, sino de extremo a extremo.
11.7 Principio de Moe
Teorema 11.1 Principio de Moe: la asignación del recurso óptimo se obtiene por el equilibrio
simultáneo de ingresos marginales y costos marginales sobre todo los sectores.
En esta sección se presentan los principios básicos publicados por Moe en 1924. Se considera un
sistema con algunos sectores que consumen recursos (equipos) para elementos de producción
(tráfico). El problema se puede dividir en dos partes:
a) Dado que se dispone de una cantidad limitada de recursos, ¿cómo se deben distribuir estos
recursos entre los sectores?
b) ¿Cuántos recursos se deben asignar en total?
Los principios se aplican en general para toda clase de producciones. En este caso los recursos
corresponden a cables y equipos de conmutación y la producción comprende tráfico transportado.
Un sector puede ser un enlace a una central. El problema puede ser el dimensionamiento de enlaces
entre una determinada central y sus centrales vecinas en las cuales hay conexiones directas. El
problema es, entonces:
a) ¿Cuánto tráfico se puede conducir en cada enlace cuando se transporta una cantidad de
tráfico fija total?
b) ¿Cuánto tráfico se debe transportar en total?
La cuestión a) se resuelve en el § 11.7.1 y la cuestión b) en el § 11.7.2. Se pueden efectuar
deducciones similares para variables discretas correspondientes a un número de canales (Principio
de Moe, (Jensen, 1950 [50])).
11.7.1 Equilibrio de los costos marginales de equilibrado
Supóngase tener conexiones directas de una determinada central a otras k centrales. El costo de una
conexión a una central i se supone que es una función lineal de número de canales:
El costo total de cables resulta entonces:
donde C0 es una constante.

- 209 -
El tráfico transportado total es una función del número de canales:
Como siempre se opera con recursos limitados se tendrá:
En un sistema de pérdidas puro Dil corresponde a la función mejora, que siempre es positiva para un
número finito de canales en razón de la convexidad de la fórmula B de Erlang.
Se desea minimizar C para un determinado tráfico transportado total Y :
.
Por aplicación del multiplicador de Lagrange ϑ, donde se introduce G = C −ϑ f, esto es equivalente
a:
Una condición necesaria para la solución mínima es:
Una condición necesaria para la solución óptima es que el incremento marginal del tráfico
transportado cuando aumenta el número de canales (función mejora) dividido por el costo para un
canal debe ser idéntico para todos los grupos de enlace (7.31).
Por medio de derivadas de segundo orden es posible determinar un conjunto de condiciones
necesarias para establecer condiciones suficientes que está dado en el Principio de Moe
(Jensen, 1950 [50]). La funciones de mejora que se tratan cumplen siempre estas condiciones.
Si también hay diferentes ingresos gi para cada grupo de enlace (direcciones), se debe incluir
entonces un factor de ponderación adicional, y en los resultados de la ecuación (11.12) se debe
reemplazar ci por ci/gi.
11.7.2 Tráfico transportado óptimo
Supóngase el caso en que el tráfico transportado, que es una función del número de canales (11.7),
es Y. Si los ingresos se simbolizan con R(Y) y los costos con C(Y) (11.6), los beneficios resultan
entonces:
Una condición necesaria para el beneficio óptimo es:

- 210 -
es decir el ingreso marginal debe ser igual al costo marginal.

Empleando:
se obtiene la solución óptima para:
que mediante la utilización de la ecuación (11.12) resulta:
El factor ϑ dado por la ecuación (11.12) es el cociente entre el costo de un canal y el tráfico que se
puede transportar adicionalmente si el enlace se extiende por un canal. Así, se agregarán canales al
enlace hasta que el ingreso marginal sea igual al costo marginal ϑ (7.33).
Ejemplo 11.7.1: Asignación de la capacidad óptima
Se consideran dos enlaces (grupos de enlace) donde el tráfico ofrecido es 3 erlang y 15 erlang,
respectivamente. Los canales para los dos sistemas tienen el mismo costo y hay un total
de 25 canales disponibles. ¿Cómo se deben distribuir los 25 canales entre los dos enlaces?
De la ecuación (11.12) se observa que las funciones de mejora deben tener los mismos valores para
los dos sentidos. Por tanto, se prosigue utilizando una tabla:
A1 = 3 erlang A2 = 15 erlang
n1 F1,n(A1) n2 F1,n(A2)
3 0,4201 17 0,4048
4 0,2882 18 0,3371
5 0,1737 19 0,2715
6 0,0909 20 0,2108
7 0,0412 21 0,1573
Para n1 = 5 y n2 = 20 se utilizan los 25 canales. Esto produce una congestión del 11,0%, y 4,6%,
respectivamente, es decir alta congestión para el grupo de enlace más pequeño.
Ejemplo 11.7.2: Optimización del triángulo
Esta es una optimización clásica de una red en triángulo que utiliza encaminamiento de tráfico
alternativo (véase la figura 11.1). De A a B se tiene una demanda de tráfico igual a A erlang. El
tráfico es transportado parcialmente por la ruta directa (ruta primaria) de A a B, y parcialmente por
la ruta alternativa (ruta secundaria) A → T → B, donde T es una central de tránsito. No hay otras
posibilidades de encaminamiento. El costo de una conexión directa es cd, y para una conexión
secundaria ct.

- 211 -
¿Qué cantidad de tráfico se debe transportar en cada una de las dos direcciones? La ruta A → T → B
transporta ya tráfico hacia y desde otros destinos, y la utilización marginal para un canal en esta ruta
se simboliza por a. Se supone que es independiente del tráfico adicional que está bloqueado
de A → B.
Conforme a la ecuación (11.12), las condiciones mínimas resultan:
Donde n es aquí el número de canales en la ruta primaria. Esto significa que los costos deben ser los
mismos cuando se encamina una llamada "adicional" a través de una ruta directa y a través de la
ruta alternativa. Si una ruta fuera menos costosa que la otra se encaminaría entonces más tráfico en
la dirección más económica.
Como los valores de tráfico aplicados como base para el dimensionamiento se obtienen por
mediciones de tráfico, presentan falta de fiabilidad debido a una muestra limitada, periodo de
medición limitado, principio de medición, etc. Como se muestra en el Capítulo 15 la falta de
fiabilidad es aproximadamente proporcional al volumen de tráfico medido. Con la medición del
mismo periodo de tiempo en todos los enlaces, se obtiene el grado más alto de incertidumbre para
pequeños enlaces (grupos de enlace), que están parcialmente compensados por la sensibilidad de
sobrecarga mencionada anteriormente, que es la menor para pequeños grupos de enlace. Como
valor representativo se elige típicamente el valor medio más la desviación estándar multiplicada por
una constante, por ejemplo 1.0.
Para asegurarse, se deberá destacar aún más que se dimensiona la red para el tráfico que será
transportado 1-2 años desde ahora. El valor utilizado para dimensionamiento es así afectado
adicionalmente por una incertidumbre de previsión. No se ha incluido el hecho de que parte del
equipo puede estar fuera de operación debido a errores técnicos.
El UIT-T recomienda que el tráfico se mida durante todas las horas cargadas del año, y que el valor
de n se seleccione de modo tal que utilizando el valor medio de las 30 observaciones
(5 observaciones) más grande, se obtienen las siguientes probabilidades de bloqueo:
Los criterios de servicio precedentes se pueden aplicar directamente a cada grupo de enlace. En la
práctica, se propone una probabilidad de bloqueo del abonado A al abonado B que sea la misma
para todo tipo de llamadas.
Con las centrales controladas por programa almacenado la tendencia es una supervisión continua
del tráfico en todas las rutas costosas e internacionales.
En conclusión, se puede decir que el valor del tráfico utilizado para dimensionamiento está afectado
por incertidumbre. En grandes grupos de enlace la aplicación de un valor de tráfico no
representativo puede producir serias consecuencias para el nivel de grado de servicio.
Durante los últimos años ha habido un interés creciente para el encaminamiento controlado del
tráfico adaptable (gestión de la red de tráfico), que puede ser introducido en sistemas digitales de
control por programa almacenado. Mediante esta tecnología se puede seleccionar en principio la
estrategia óptima para el encaminamiento de tráfico durante cualquier escenario de tráfico.

- 212 -
CAPÍTULO 12
Sistemas de espera
En este Capítulo se estudia el tráfico hacia un sistema con n servidores idénticos, accesibilidad
completa, y un número infinito de posiciones de espera. Cuando los n servidores están ocupados en
su totalidad, el cliente que llega se pone en fila de espera hasta que un servidor quede en estado
libre. Ningún cliente puede estar en fila de espera cuando hay un servidor está en estado libre
(accesibilidad completa).
Se consideran los dos mismos casos de tráfico que los Capítulos 7 y 8.
1) Proceso de llegada de Poisson (un número ilimitado de fuentes) y tiempos de servicios
distribuidos exponencialmente (PCT-I). Este es el sistema de puesta en fila más importante,
denominado sistema de espera de Erlang. Utilizando la notación indicada en el § 13.1, este
sistema viene representado por M/M/n. En el § 12.2 se aborda la probabilidad de un tiempo
de espera positivo, las longitudes medias de puesta en fila, los tiempos medios de espera, el
tráfico cruzado por canal, y las funciones de mejora. En el § 12.3 se aplica el Principio de
Moe para la optimización del sistema. En el § 12.4 se calcula la distribución del tiempo de
espera para la disciplina básica de servicio "primero en llegar primero en estar servido"
(FCFS, first come first served).
2) Un número limitado de fuentes de tráfico y tiempos de servicio con distribución
exponencial (PCT-II ). Este es el modelo de reparación de máquina de Palm (el problema
de interferencia de la máquina) que se trata en el § 12.5. Este modelo ha venido aplicándose
de forma generalizada para el dimensionamiento de los sistemas informáticos, sistemas
terminales y, por ejemplo, sistemas de fabricación flexibles. El modelo de reparación de
maquinaria de Palm se optimiza en el § 12.6.
12.1 Sistema de espera de Erlang M/M/n
Sea un sistema de puesta en fila M/M/n con proceso de llegada de Poisson (M), tiempos de servicio
exponenciales (M), n servidores y un número infinito de posiciones de espera. El estado del sistema
se define como el número total de clientes (estén servidos o puestos en fila). Se examinarán las
probabilidades en régimen permanente del sistema. Mediante el procedimiento descrito en el § 7.4
se construye el diagrama de transición de estado que se muestra en la figura 12.1. Suponiendo
equilibrio estático, las ecuaciones de corte dan por resultado:
Figura 12.1 − Diagrama de transición de estado del sistema de espera M/M/n

que tiene n servidores y un número ilimitado de posiciones de espera

- 213 -
Como A = λ/μ es el tráfico ofrecido, se tiene:
Por normalización de las probabilidades de estado se obtiene p(0):
Los paréntesis internos tienen una progresión geométrica con el cociente A=n. La condición de
normalización sólo se puede satisfacer para:
A < n: (12.3)
El equilibrio estadístico solo se tiene para A < n. De otra manera, la fila de espera continuará
aumentando hasta el infinito.
Se obtiene:
Las ecuaciones (12.2) y (12.4) calculan las probabilidades en régimen permanente.

- 214 -
12.2 Características del tráfico de sistemas de demora

Para evaluar la capacidad y rendimiento funcional del sistema, se deben examinar diversas
características, que estarán expresadas por las probabilidades en régimen permanente.
12.2.1 Fórmula C de Erlang
Cuando el proceso de llegada de Poisson es independiente del estado del sistema, la probabilidad
que un cliente de llegada arbitrario deba ponerse en fila de espera es igual a la proporción del
segmento de tiempo que todos los servidores estén ocupados (propiedad PASTA: Poisson arrivals
See Time Average - llegada de Poisson, véase promedio temporal).
El tiempo de espera es una variable estocástica por W. Para un cliente de llegada arbitrario se tiene:
Fórmula C de Erlang:
Esta probabilidad de espera depende sólo de A como producto de λ y s, y no de los parámetros λ y

s individualmente.
Esta fórmula tiene diversos nombres: fórmula C de Erlang, segunda fórmula de Erlang, o fórmula
de Erlang para sistemas de tiempo de espera. En los textos especializados presentan las siguientes
notaciones:
Como los clientes tienen la posibilidad de ser servidos inmediatamente o puestos en fila de espera,
la probabilidad que un cliente sea servido inmediatamente resulta:
El tráfico transportado Y equivale al tráfico ofrecido A, pues ningún cliente es rechazado y el

proceso de llegada es un proceso de Poisson.

- 215 -
donde se han aplicado las ecuaciones de compensación de corte.

La longitud de la fila de espera es una variable estocástica L. La probabilidad de tener clientes en
fila de espera en un punto aleatorio del tiempo es:
donde se ha aplicado la ecuación (12.5).

Evaluación numérica:
La ecuación es similar a la fórmula B de Erlang (7.9) salvo para el factor n/(n - A) en el último
término. Como se dispone de fórmulas recursivas muy exactas para la evaluación numérica de la
fórmula B de Erlang (7.27) se utilizará la siguiente relación para obtener valores numéricos de la
fórmula C.
Se observa que:
pues el término A {1 – E1,n(A)}/n es el promedio de tráfico transportado por canal en el sistema de

pérdidas correspondiente. Para A ≥ n, se tiene E2,n(A) = 1 pues es una probabilidad que todos los
clientes estén en espera.
La fórmula C de Erlang se puede expresar de manera apropiada por la fórmula B como fue
observado por B-Sanders:
donde I es la probabilidad inversa (7.28):

- 216 -
La formula C de Erlang fue recogida en el principio de Moe (Jensen, 1950 [50]) y se muestra en la
figura 12.2.
12.2.2 Longitudes media de puesta en fila
Se debe distinguir entre longitudes de puesta en fila en un punto arbitrario del tiempo y la longitud
de puesta en fila cuando hay clientes que esperan en la fila.
Longitud media de puesta en fila en un punto arbitrario del tiempo:
La longitud de puesta en fila L en un punto arbitrario del tiempo se denomina longitud virtual de
puesta en fila. Esta es la longitud de puesta en fila observada por un cliente arbitrario pues la
propiedad PASTA es válida al proceso de llegada de Poisson (promedio de tiempo = promedio de
llamadas). Se obtiene así la longitud media de puesta en fila Ln = E{L} en un punto arbitrario del
tiempo:

- 217 -
Figura 12.2 − Fórmula C de Erlang para el sistema de espera M/M/n. La probabilidad E2,n(A)
para un tiempo de espera positivo se muestra en función del tráfico ofrecido A
para valores del número de servidores n

1) Probabilidad de espera E2,n(A)
Mientras A/n ≤ c < 1, la serie es uniformemente convergente, y el operador de diferenciación se
puede expresar fuera de la suma:
La longitud de media de puesta en fila se puede interpretar como el tráfico transportado por las
posiciones de puesta en fila y, por tanto, también se denomina tráfico de tiempo de espera.

- 218 -
Longitud media de puesta en fila dado una puesta en fila mayor que cero:
El promedio de tiempo es también, en este caso, igual al promedio de llamadas. La longitud de
puesta en fila media condicional resulta:
Con la aplicación de las ecuaciones (12.8) y (12.12) este resultado es, por supuesto, el mismo que:
donde L es la variable estocástica para la longitudes de puesta en fila.

12.2.3 Tiempos de espera medios
Aquí también hay dos elementos de interés: el tiempo medio de espera W para todos los clientes y el
tiempo medio de espera w para clientes que experimentan un tiempo de espera positivo. El primero
es un indicador para el nivel de servicio de todo el sistema, mientras que el segundo es de
importancia para los clientes que se encuentran en fila de espera. Los promedios temporales serán
iguales a los promedios de llamadas en razón de la propiedad PASTA.
Tiempo medio de espera W para todos los clientes:
Indica que la longitud media de puesta en fila es igual a la intensidad de llegada multiplicada por el
tiempo de medio de espera, es decir:
donde Ln = Ln(A), y Wn = Wn(A). De la ecuación (12.12) se obtiene considerando el proceso de

llegada:
Como A = λs, donde s es el tiempo medio de servicio, se obtiene:
Tiempo medio de espera w para clientes con demora:

El tiempo de espera total es constante y puede ser promediado con todos los clientes (Wn) o sólo con
clientes que experimentan tiempos de espera positivos (wn) (3.20):

- 219 -
Ejemplo 12.2.1: Sistema servidor de puesta en fila simple M/M/1

Este es el sistema que aparece más frecuentemente en los textos. Las probabilidades de estado
(véase 12.2) vienen dada por una serie geométrica:
siendo p(0) = 1-A. La probabilidad de espera resulta:
La longitud media de puesta en fila Ln (12.12) y el tiempo medio de espera para todos los clientes
Wn (12.15) se calculan con las siguientes expresiones:
De esto se observa que un aumento del tráfico ofrecido produce un aumento de Ln a la tercera
potencia independientemente si éste se debe a un número superior de clientes (λ) o a un tiempo de
servicio superior (s). El tiempo medio de servicio Wn aumenta a la tercera potencia de s, pero sólo a
la segunda potencia de λ. El tiempo medio de espera Wn para clientes en espera se incrementa con la
segunda potencia de s y la primera potencia de λ. Un aumento de la carga debido a la mayor
cantidad de clientes es así mejor que un incremento de la misma debido a tiempos de servicios
mayores. Por tanto, es importante que los tiempos de servicio de un sistema no aumenten durante
las sobrecargas.
Ejemplo 12.2.2: Tiempo medio de espera w cuando a A → 0
Se observa que mientras A → 0, se obtendrá la igualdad wn = s/n (12.17). Si un cliente experimenta
tiempo de espera (que rara vez sucede cuando A → 0), este cliente será el único en la fila de espera.
El cliente debe esperar hasta que un servidor esté en estado libre. Esto sucede después de un
intervalo de tiempo distribuido exponencialmente con valor medio s/n. De modo tal que wn nunca
resulta menor que s/n.
12.2.4 Funciones mejora para M/M/n
La mejora marginal del tráfico transportado cuando se agrega un servidor se puede expresar de
diversas maneras. La disminución en la proporción del tráfico total (es decir, la proporción de todos
los clientes) que experimenta demora viene dado por:
La disminución de las longitudes media de puesta en fila (es decir, el tráfico transportado por las
posiciones de espera) resulta, aplicando la ley de Little (12.14):

- 220 -
donde Wn(A) es el tiempo medio de espera para todos los clientes cuando el tráfico ofrecido es A y
el número de servidores es n (12.15). Las ecuaciones (12.21) y (12.22) están tabuladas en el
Principio de Moe (Jensen, 1950 [50]) y son simples de calcular con medios informáticos.
12.3 Principio de Moe para sistemas de espera
Moe fue el primero en establecer un principio para los sistemas de puesta en fila. Estudio los
tiempos de espera de los abonados como operador en centrales manuales de la compañía telefónica
de Copenhague.
Considérense k sistemas de puesta en fila independientes. Un cliente servido en todos los k sistemas
tiene el tiempo medio de espera total ∑i Wi, donde Wi es el tiempo medio de espera del i-ésimo
sistema que tiene ni servidores y que ofrece el tráfico Ai. El costo de un canal es Ci, posiblemente
más un costo constante, que se incluye en la constante Co indicada a continuación. Así, el costo total
para canales resulta:
Si el tiempo de espera también se considera como costo, el costo total que se ha de minimizar
resulta f = f(n1; n2, . . . , nk). Esto se debe minimizar en función del número de canales n1 en los
sistemas individuales. Si el tiempo medio de espera total es W, la atribución de canales a los
sistemas individuales se determina por:
donde ν (letra griega theta) es el multiplicador de Lagrange.

Como ni es entero, condición necesaria para el valor mínimo, que en este caso también se puede
mostrar con una condición suficiente, resulta:
que corresponde a:
donde Wni(Ai) viene dado por la ecuación (12.15).

Expresado por la función mejora para el tiempo de espera FW,n(A) (12.22) la solución óptima
resulta:
La función FW,n(A) está tabulada según el principio de Moe (Jensen, 1950 [50]). Para otras
funciones de mejora se pueden efectuar optimizaciones similares.
Ejemplo 12.3.1: Sistema de espera
Se consideran dos sistemas de puesta en fila M/M/n el primero tiene un tiempo medio de servicio
de 100 s y el tráfico ofrecido es 20 erlang. La relación de costo c1/ν es igual a 0,01. El segundo

- 221 -
sistema tiene un sistema medio de servicio igual a 10 s y el tráfico ofrecido es 2 erlang. La relación
de costos es c2/ν = 0,1.
Una tabla de la función mejora FW,n(A) indica:
n1 = 32 canales y
n2 = 5 canales.
Los tiempos medios de espera son:
W1 = 0,075 s.
W2 = 0,199 s.
Esto muestra que un cliente, que está servido en ambos sistemas, experimenta un tiempo medio de
espera total igual a 0,274 s, y que el sistema con menos canales contribuye más al tiempo medio de
espera.
El costo de espera está referido a la relación de costos. Mediante la inversión de una unidad
monetaria más en el sistema anterior, se reducen los costos en la misma cantidad
independientemente de saber en qué sistema de puesta en fila se incrementa la inversión. Se debe
continuar invirtiendo en la medida que se obtengan ganancias. Las investigaciones de Moe durante
el decenio de 1920 demostraron que el tiempo medio de espera de los abonados en pequeñas
centrales con pocos operadores sería mayor que el tiempo medio de espera en centrales más grande
con muchos operadores.
12.4 Distribución del tiempo medio de espera para M/M/n, FCFS

Los sistemas de puesta en fila, donde la disciplina de servicio sólo depende de los tiempos de
llegada, tienen todos los mismos tiempos medios de espera. En este caso la estrategia sólo tiene
influencia frente a la distribución de los tiempos de espera para el cliente individual. La derivación
de la distribución del tiempo de espera es simple en el caso de fila de espera ordenada, FCFS
(primero en llegar, primero en estar servido). Esta disciplina también se denomina FIFO (primero
en llegar, primero en salir). Los clientes que llegan primero al sistema serán servidos primero, pero
si hay servidores múltiples no pueden necesariamente dejar el primer servidor. De modo tal que
FIFO se refiere al tiempo de salir de la fila de espera e iniciar el servicio.
Sea un cliente arbitrario. A su llegada al sistema, el cliente es servido inmediatamente o se pone en
fila de espera (12.6).
Se supone ahora que el cliente considerado debe esperar en la fila, es decir el sistema puede estar en
estado [n+ k], (k = 0, 1, 2, . . .), donde k es el número de posiciones de espera ocupadas en el
momento de la llegada del cliente.
El cliente considerado debe esperar hasta los clientes que k + 1 hayan completado su servicio antes
que un servidor en estado libre sea accesible. Cuando todos los n servidores están funcionando, el
sistema completa los clientes con una intensidad constante nμ, es decir el proceso de salida es un
proceso de Poisson con esta intensidad.
Se aprovecha la relación entre la representación de número y la representación de intervalo ( 5.4):
La probabilidad p{W ≤ t} = F(t) de experimentar un tiempo de espera positivo igual o menor a t es
igual a la probabilidad que en un proceso de llegada de Poisson con intensidad (nμ) lleguen al
menos (k+1) clientes durante el intervalo t (6.1):
F(t | k de espera) = (12.28)

- 222 -
La expresión anterior está basada en la hipótesis que el cliente considerado debe esperar en la fila.
La probabilidad condicional que el cliente considerado cuando llega observa todos los n servidores
ocupados y k clientes en espera (k = 0, 1, 2; . . . ) es:
Esta es una distribución geométrica que incluye la clase cero (véase el cuadro 6.1). La distribución
del tiempo de espera incondicional resulta entonces:
pues se pueden intercambiar las dos sumas cuando todos los términos son probabilidades positivas.
La suma interior es una progresión geométrica:
Aplicando esto se obtiene:

- 223 -
es decir, una distribución exponencial.

Aparentemente se tiene una paradoja: cuando se llega a un sistema con todos los servidores
ocupados se puede:
1) Contar el número k de clientes en espera que están delante. El tiempo de espera total tendrá
entonces distribución de Erlang (k+1).
2) Hacer caso omiso. El tiempo de espera resulta entonces distribuido exponencialmente.
La interpretación de esto es que una suma ponderada de distribuciones de Erlang con factores
ponderados distribuidos geométricamente es equivalente a una distribución exponencial. En la
figura 12.3 se muestra el diagrama de fase para la ecuación (12.30), y se observa inmediatamente
que puede ser reducido a una distribución exponencial simple (véase el § 4.4.2 y la figura 4.9). La
ecuación (12.31) confirma que el tiempo medio de espera wn para los clientes que deben ponerse en
fila de espera se torna como se indica en la ecuación (12.17).
La distribución del tiempo de espera para todos (un cliente arbitrario) resulta (3.19):
y el valor medio de esta distribución es Wn conforme a la ecuación (12.15). Los resultados se

pueden calcular de un modo más simple por medio de funciones de generación.
Figure 12.3 − La distribución del tiempo de espera para M/M/n - FCFS resulta distribuida
exponencialmente con la intensidad (nμ-λ). El diagrama de fase a la izquierda
corresponde a una suma ponderada de distribuciones Erlang-k (véase § 4.4.2)
pues el régimen de todas las fases es (1-A/n) = nμ-λ
12.4.1 Tiempo de respuesta con un solo servidor

Cuando sólo hay un servidor, las probabilidades de estado (12.2) vienen dadas por una serie
.
geométrica (12.18), es decir p(i) = p(0) Ai para todas las i ≥ 0. Cada cliente emplea un intervalo de
tiempo distribuido exponencialmente con intensidad μ en cualquier estado. El cliente que encuentra
el sistema en el estado [i] permanecerá en el sistema un intervalo de tiempo con distribución Erlang-
(i + 1). Por tanto, el tiempo de permanencia total en el sistema (tiempo de espera + tiempo de
servicio), es decir el tiempo de respuesta, está distribuido en forma exponencial con la
intensidad (μ-λ) (véase la figura 4.9):
Esta expresión es idéntica a la distribución del tiempo de espera de cliente con demora.

- 224 -
12.5 Modelo máquina - reparador de Palm

Este modelo pertenece a la clase de sistemas cíclicos de puesta en fila y corresponde a un sistema
de demora puro con un número limitado de clientes (véase el caso Engset para sistemas de
pérdidas).
Este modelo fue examinado por primera vez por Gnedenko en 1933 y publicado en 1934, y fue
ampliamente conocido cuando C. Palm publicó un documento (1947 [81]) en conexión con un
análisis teórico de asignación de mano de obra para reparación de máquinas automáticas. S
máquinas, que por lo general funcionan automáticamente, son reparadas por n técnico. Las
máquinas se pueden descomponer y luego serán reparadas por personal técnico para ponerlas
nuevamente en funcionamiento. El problema es ajustar la cantidad de reparadores a la cantidad de
máquinas de modo que los costos totales se reduzcan al mínimo (o se mejoren las ganancias). Las
máquinas pueden ser maquinarias textiles que se detienen cuando se acaba el hilo; el reparador debe
entonces reemplazar la bobina vacía de la máquina por otra llena.
El modelo de máquina - reparador o modelo de interferencia de máquina fue también analizado en
(Feller, 1950 [29]). El modelo corresponde a una red de puesta en fila cerrada simple y ha sido
aplicada satisfactoriamente para resolver problemas de ingeniería de tráfico en sistemas
informáticos. Mediante la notación de Kendall (véase el Capítulo 13) el sistema de puesta en fila se
identifica por M/M/n/S/S, donde S es el número de clientes, y n el número de servidores.

- 225 -
Figura 12.4 − Función de densidad para la distribución del tiempo de espera para la
disciplina de puesta en fila FCFS, LCFS, y SIRO (ALEATORIO). Para los tres
casos el tiempo de espera medio para llamadas demoradas es de 5 unidades
de tiempo. El factor de forma es 2 para FCFS, 3,33 para LCFS, y 10 para SIRO.
El número de servidores es 10 y el tráfico ofrecido de 8 erlang.
El tiempo medio de servicio es s = 10 unidades de tiempo
1) Función de frecuencia
2) Tiempo de espera
En terminales informáticos las máquinas corresponden a los terminales y el reparador al ordenador
que controla los servidores. En un sistema de computación la máquina puede corresponder a un
almacenamiento de disco y el reparador a los canales de entrada/salida (I/O).
En el texto siguiente se examinará un sistema terminal informático como la base para el desarrollo
de la teoría.
12.5.1 Sistemas terminales
La división de tiempo es una ayuda para ofrecer un servicio óptimo a un considerable grupo de
clientes utilizando, por ejemplo, terminales conectados a una unidad de procesamiento central. Cada
usuario se debe sentir como si fuera el único del sistema informático (véase la figura 12.5)

- 226 -
Figure 12.5 − Modelo máquina – reparador de Palm. Un sistema informático con S

terminales (sistema interactivo) corresponde a un sistema de tiempo de
espera con un número de fuentes limitado (véase el caso Engset para
el caso de sistemas de pérdidas)

1) Terminales
2) Fila de espera
3) Computadora
4) Sistema de puesta en fila
El terminal individual varía todo el tiempo entre dos estados (interactivo) (véase la figura 12.6):
• el usuario está pensando (trabajando), o
• el usuario está esperando (una respuesta de la computadora).
El intervalo de tiempo cuando el usuario está pensando (trabajando) se denomina tiempo entre
llegadas Tt, y el valor medio se simboliza mt.
El intervalo de tiempo cuando el usuario está esperando la respuesta de la computadora, se
denomina tiempo de respuesta R. Esto incluye el intervalo de tiempo Tw(valor medio mw), donde la
tarea está esperando obtener el acceso a la computadora, y el propio tiempo de servicio Ts (valor
medio ms).
Tt + R se denomina tiempo de circulación (véase la figura 12.6). Al término de este intervalo de
tiempo un terminal retorna al mismo estado que se dejó al comienzo del intervalo (evento
recurrente).
En el texto siguiente se dará especial importancia a los valores medios, y las derivaciones son
válidas para todos los tipos de puesta en fila de espera prácticos (véase el Capitulo 13).

- 227 -
Figura 12.6 − Los terminales puede tener tres estados. El usuario trabaja
activamente en el terminal o bien está a la espera de la respuesta de
la computadora. El último intervalo de tiempo (tiempo de
respuesta) se divide en dos fases. Una fase de espera
y una fase de servicio

1) Estado terminal
2) Trabajo activo
3) Espera
4) Servicio
5) Tiempo
12.5.2 Probabilidades en régimen permanente con servidor único
Se estudiará ahora un sistema con una computadora que se conecta a S terminales. Se ha supuesto
hasta ahora que los tiempos entre llegadas para cada terminal en estado activo tengan distribución
exponencial con la intensidad γ = 1mt, y el tiempo de ejecución (del servicio) ms en la computadora
se supone también que está distribuido exponencialmente con intensidad μ= 1/ms. Cuando en la
computadora hay fila de espera, los terminales deben esperar el servicio. Los terminales que están
en servicio o en fila de espera tienen intensidad de llegada nula.
El estado [i] se define como aquél donde hay i terminales en el sistema de fila de espera (véase la
figura 12.5), es decir la computadora está en reposo (i = 0) o bien en estado activo (i > 0), y los (i-1)
terminales están en espera.
El sistema de puesta en fila de espera puede ser modelado por un proceso de renovación pura, y el
diagrama de transición de estado se muestra en la figura 12.7. El equilibrio estadístico siempre
existe (sistema ergódico). La intensidad de llegada decrece a medida que la longitud de la fila de
espera se incrementa y se hace cero cuando todos los terminales están dentro del sistema de fila de
espera.

- 228 -
Figure 12.7 − Diagrama de transición de estado para el sistema de puesta en fila

de espera mostrado en la figura 12.5. El estado [i] representa el número
de terminales que están servidos o en espera, es decir S-i representa el
número de terminales en estado activo
Las probabilidades en régimen permanente se encuentran utilizando ecuaciones de corte (véase la

figura 12.7), y expresando todos los estados en términos del estado S:
Considerando la limitación adicional que la suma de todas las probabilidades debe ser igual a uno se
encuentra, introduciendo ρ =μ/γ:
que es la distribución de Poisson truncada (7.8).

El sistema se puede interpretar como sigue: un grupo de enlace con S conexiones (los terminales)
ofrece llamadas de la computadora con los tiempos entre llegadas (intensidad μ)distribuidos
exponencialmente. Cuando todas las S conexiones están ocupadas (es decir, se encuentran en estado
activo), la computadora está en reposo y la intensidad de llegada es cero, pero se podría también
suponer que genera llamadas que se pierden o desbordan a otro grupo de enlace (la distribución
exponencial no tiene memoria).
La computadora ofrece así el tráfico ρ =μ/γ, y se tiene la ecuación (12.37). La fórmula B de Erlang
es válida para tiempos de ocupación arbitrarios y, por tanto, se tienen:
Las probabilidades de estado del modelo máquina – reparador (12.37) con una computadora y S
terminales son válidas para tiempos arbitrarios en estado activo cuando los tiempos de servicio de la
computadora se distribuyen exponencialmente.
La relación ρ =μ/γ se denomina relación de servicio, que es la razón entre el tiempo en que un
terminal en promedio está en estado activo y el tiempo en que la computadora en promedio sirve a
un terminal.
La relación de servicio corresponde al tráfico ofrecido A en la fórmula B de Erlang. Las
probabilidades de estado se determinan así por el número de terminales S y la relación de servicio ρ.
La evaluación numérica de la ecuación (12.37) es, por supuesto, en cuanto a la fórmula B de Erlang
(7.27).
Ejemplo 12.5.1: Sistema de información
Considérese un sistema de información que esté organizado de la siguiente manera: toda la
información se mantiene en seis discos que se conectan al mismo terminal de datos entrada/salida,
un canal multiplexor. El tiempo de búsqueda medio (colocación del elemento de búsqueda) es

- 229 -
de 3 ms y el tiempo medio de espera para localizar el archivo es 1 ms que corresponde a un tiempo

de rotación de 2 ms. El tiempo de lectura de un archivo está distribuido exponencialmente con el
valor medio 0,8 ms. El almacenamiento de disco se basa en la detección de la ubicación rotacional,
de modo tal que el canal está ocupado sólo durante la lectura. Se desea determinar la máxima
capacidad del sistema (número de pedidos por segundos).
El tiempo en estado activo es 4 ms y el tiempo de servicio es 9,8 ms. La relación de servicio resulta
así 5, y mediante la fórmula B de Erlang se obtiene el valor siguiente.
Esto corresponde a γmáx= 0,8082/0,0008 = 1 010 pedidos por segundo.

12.5.3 Estados de los terminales y características del tráfico
Las medidas de rendimiento funcional se obtiene fácilmente a partir de la analogía con el sistema de
pérdidas clásico de Erlang. La computadora funciona con la probabilidad (1 - p(0)). Se tiene
entonces que el número medio de terminales que está servido viene dado por:
El número medio de terminales en estado activo corresponde al tráfico transportado en el sistema de

pérdida de Erlang:
El número medio de terminales en espera resulta:
Si se considera un terminal aleatorio en un punto arbitrario en el tiempo se tiene:
p {terminal servido} = (12.41)
p {terminal en estado activo} = (12.42)
p {terminal en espera} = (12.43)

Aplicando el teorema de Little W = λW a los terminales, a las posiciones en espera y a la
computadora, respectivamente, se obtiene (λ es la velocidad de circulación del tráfico):

- 230 -
⎧n m
Empleando las ecuaciones (12.38) y (12.44) ⎨ t = t se obtiene:
⎩ ns ms
De esta manera el tiempo de respuesta es independiente de las distribuciones del tiempo pues está
basado en las ecuaciones (12.38) y (12.44) (Ley de Little). Sin embargo, p(0) dependerá de los tipos
de distribución al igual que en la fórmula B de Erlang. Si el tiempo de servicio de la computadora
tiene distribución exponencial (valor medio ms = 1/μ), entonces p(0) viene dado por la ecuación
(12.37). En la figura 12.8 se muestra el tiempo de respuesta en función del número de terminales en
este caso.
Figura 12.8 − Tiempo de respuesta medio en función del número de terminales.

El factor de servicio es ρ = 30. El tiempo de respuesta converge a una línea
recta, cortando el eje x en S = 30 terminales. La curva se calcula
utilizando la fórmula B de Erlang

1) Tiempo de respuesta [μ-1]
2) Número de terminales S
Si todos los intervalos de tiempo son constantes, la computadora puede servir a K sin tiempo de
espera donde:

- 231 -
K es, por tanto, un parámetro adecuado para describir el punto de saturación del sistema. El tiempo
de espera medio para un terminal arbitrario se obtiene empleando la ecuación (12.45):
mv= R − ms
Ejemplo 12.5.2: Computadora de compartición en el tiempo
En un sistema terminal la computadora queda a veces en reposo, (a la espera de terminales) y a
veces los terminales esperan que la computadora quede libre. Pocos terminales producen baja
utilización de la computadora, mientras que muchos terminales conectados consumen el tiempo de
los usuarios.
En la figura 12.9 se muestra el tráfico de tiempo de espera en erlang, para la computadora y para un
terminal simple. El costo total del tiempo de espera se obtiene mediante la ponderación apropiada
de costos y sumas de tiempos de espera de la computadora y de todos los terminales.
Para el ejemplo, en la figura 12.9 se obtienen los costos mínimos de la espera total para unos 45
terminales aun cuando el costo por el tiempo de espera correspondiente a la computadora es cien
veces mayor que el costo de un terminal. En 31 terminales, la computadora y cada uno de ellos
consume el 11,4% del tiempo de espera. La relación de costos es 31 y este será el número óptimo de
terminales. Sin embargo, hay otros factores que se han de tener en consideración.
12.5.4 Modelo máquina – reparador con n servidores
El modelo anterior es fácilmente generalizado a n computadoras. El diagrama de transición se
muestra en la figura 12.10.
Las probabilidades en régimen permanente resultan:
donde se tiene la limitación de normalización usual:
Se debe señalar que las probabilidades de estado son indiferentes a la distribución de tiempo en
estado activo como es el caso con una computadora (se tiene un proceso de llegada de Poisson que
depende del estado).
Un terminal arbitrario es un punto arbitrario del tiempo en unos de los tres estados posibles:

- 232 -
Figura 12.9 − Tráfico en tiempo de espera (proporción del tiempo transcurrido

durante la espera) medido en erlang para la computadora y los terminales,
respectivamente, en un sistema de fila de espera interactivo
(factor de servicio ρ = 30)

1) Tráfico en tiempo de espera [erlang]
2) Computadora
3) Por terminal
Figura 12.10 − Diagrama de transición de estado para el modelo de

máquina – reparador con S terminales y n computadoras
ps = p {el terminal está servido por una computadora},

pw = p {el terminal está esperando servicio},
pt = p {el terminal está en estado activo}.

- 233 -
Se tiene:
La utilización media de las computadoras resulta:
El tiempo de medio de espera para un terminal es:
A veces pw se denomina coeficiente de pérdidas de los terminales y de manera similar (1–A) se

denomina coeficiente de pérdidas de las computadoras (véase la figura 12.9)
Ejemplo 12.5.3: Ejemplo numérico de la escala de economía
Los siguientes ejemplos numéricos indican que la mejor utilización se obtiene para grandes valores
de n (y S). Sea un sistema S/n = 30 y μ/γ = 30 para un número creciente de computadoras (en este
caso pt = a).
12.6 Optimización del modelo de máquina - reparador

En esta sección se optimizará el modelo máquina - reparación del mismo modo que lo encaró Palm
en 1947. Se ha observado que el modelo para un solo reparador es idéntico al sistema de pérdidas
de Erlang que fue optimizado en el Capítulo 7. Se verá así que el mismo modelo se puede optimizar
de diversas maneras:
Se considera un sistema terminal con una computadora y S terminales y se desea hallar un valor
óptimo de S. Se supone la siguiente estructura de costos:
ct = costo por terminal por unidad de tiempo en el que el terminal está activo,
cw = costo por terminal por unidad de tiempo en el que un terminal está en espera,
cs = costo por terminal por unidad de tiempo en el que el terminal es servido,
ca = costo de la computadora por unidad de tiempo.

- 234 -
El costo de la computadora se supone que es independiente de la utilización y se distribuye

uniformemente en todos los terminales.
El resultado (producto) del proceso es un determinado tiempo en estado activo en los terminales
(tiempo de producción).
Los costos totales c0 por unidad de tiempo en que un terminal está en estado activo (en producción)
resulta:
Se desea minimizar el costo c0. La relación de servicio ρ = mt/ms es igual a pt/ps. Introduciendo la
relación de costos r = cw/ca, se obtiene:
que se deben minimizar en función de S. Sólo el último término depende del número de terminales
y se obtiene:
Figura 12.11 − Modelo máquina - reparador. Los costos totales calculados con
la ecuación (12.57) se muestran en función del número de terminales
para una relación de servicio ρ = 25 y una relación
de costos r = 1/25 (véase la figura 7.6)
1) Costos totales C0 [× 100]

- 235 -
donde p(0) viene dado por la fórmula B de Erlang (12.36).

Se observa que el mínimo es independiente de ct y cs, y que sólo aparece la relación r = cw / ca. El
numerador corresponde a la ecuación (7.29), mientras que el denominador corresponde al tráfico
transportado en el sistema de pérdidas correspondiente. En la figura 12.11 se muestra un ejemplo.
Se observa que el resultado difiere del obtenido con el Principio de Moe para el sistema de pérdidas
de Erlang (véase la figura 7.6), donde el beneficio se optimiza.

- 236 -
CAPÍTULO 13
Teoría aplicada de puesta en fila de espera
Hasta el momento, se han examinado sistemas clásicos de filas de espera, donde todos los procesos
de tráfico son procesos de renovación. La teoría de los sistemas de pérdidas se ha aplicado con éxito
durante muchos años en el campo de la telefonía, mientras que la teoría de los sistemas de espera
sólo se ha aplicado en los últimos años en el terreno de la ciencia informática. Los clásicos sistemas
de espera desempeñan una función primordial en la teoría de la puesta en fila de espera. Por lo
general, se da por supuesto que la distribución del tiempo entre las llegadas a destino de las
llamadas o la distribución del tiempo de servicio son exponenciales. Por razones teóricas y físicas, a
menudo se utilizan sistemas de fila de espera con un solo servidor.
Este Capítulo se centra en la fila de un solo servidor y se analiza este sistema para distribuciones
generales de tiempo de servicio, diferentes tipos de fila de espera y clientes con propiedades de
atención preferentes.
13.1 Clasificación de modelos de filas de espera
En esta sección se introducirán notaciones compactas para sistemas de puesta en fila de espera,
denominada notación de Kendall.
13.1.1 Descripción del tráfico y la estructura
D.G. Kendall (1951 [60]) introdujo la siguiente notación para modelos de puesta en fila de espera:
A/B/n
donde
A = proceso de llegada,
B = distribución del tiempo de servicio,
n = número de servidores.
Para procesos de tráfico se utilizan las siguientes notaciones normalizadas (véase el § 4.5):
M ~ Markovian. Intervalo de tiempo exponencial (proceso de llegada de Poisson, tiempos de
servicios distribuidos exponencialmente).
D ~ Determinístico. Intervalos de tiempo constante.
Ek ~ Intervalos de tiempo con distribución de Erlang-k (E1 = M).
Hn ~ Hiperexponencial de intervalos de tiempo distribuidos de orden n.
Cox ~ Intervalos de tiempo distribuidos de Cox.
Ph ~ Intervalos de tiempo distribuidos de tipo fase.
GI ~ Intervalos de tiempo independiente general, renovación de proceso de llegada.
G ~ General. Distribución arbitraria de intervalo de tiempo (puede incluir correlación).
Ejemplo 13.1.1: Modelos comunes de puesta en fila
M/M/n es un sistema de espera puro con proceso de llegada Poisson, tiempos de servicio de
distribución exponencial y n servidores. Es el clásico sistema de espera de Erlang (véase el
Capítulo 12).
GI/G/1 es un sistema de espera general con un solo servidor.

- 237 -
La notación indicada anteriormente es ampliamente utilizada en la literatura especializada. Para

obtener la especificación completa de un sistema de puesta en fila se requiere más información:
A/B/n/K/S/X
donde:
K= es la capacidad total del sistema, alternativamente sólo el número de posiciones de espera,
S= es el tamaño de la población (número de clientes),
X= es el tipo de fila de espera (véase el § 13.1.2),
K= n corresponde a un sistema de pérdidas, que a menudo se simboliza como A/B/n-pérdidas.
Un superíndice b sobre A, respectivamente B, indica llegada de grupo (llegada a granel, llegada de
lote), grupo de servicio, respectivamente. C (reloj) puede indicar que el sistema funciona en tiempo
discreto.
Generalmente se supone plena accesibilidad.
13.1.2 Estrategia de las filas de espera: tipos y organización
Los clientes puestos en fila de espera para ser atendidos son seleccionados conforme a diversos
principios. Se considerará primero los tres tipos clásicos de puesta en fila de espera:
FCFS, (first come - first served). Primero en llegar - primero en ser servido
Se denomina también fila de espera ordenada o fila de espera justa, y este tipo se prefiere a
menudo en la vida real cuando los clientes son seres humanos. También se denomina FIFO:
(first in - first out) primero en entrar - primero en salir. Se debe señalar que FIFO se
refiere sólo a fila de espera y no al sistema total. Si se tiene más de un servidor, un cliente
con un tiempo de servicio breve puede dar alcance a un cliente con un tiempo de espera
mayor aun si tiene fila de espera FIFO.
LCFS: (last come - first served). Último en llegar - primero en ser servido
Esto corresponde al principio de disposición apilada. Se utiliza por ejemplo en
almacenamiento de datos, en anaqueles de establecimientos comerciales y, en general, en
memorias de retención temporal. Esta técnica también se denomina LIFO: (last in -
first out) último en entrar, primero en salir.
SIRO: (service in random order). Servicio en orden aleatorio
Todos los clientes puestos en fila de espera tienen la misma probabilidad de ser escogidos
para tener el servicio. Esto también se denomina RANDOM o RS (random selection)
selección aleatoria.
Los dos primeros tipos de puesta en fila de espera sólo toman en consideración los tiempos de
llegada, mientras que el tercer tipo no considera ningún criterio y, por tanto, no requiere ninguna
memoria (contrariamente a los dos anteriores).
Los tres tipos detallados se pueden aplicar en sistemas técnicos simples. En una central telefónica
electromecánica se utiliza a menudo el tipo de fila de espera SIRO pues (casi) corresponde a
búsqueda secuencial sin reposición.
Para los tres tipos mencionados anteriormente el tiempo total de espera de todos los clientes es el
mismo. El tipo de puesta en fila sólo decide qué tiempo de espera se atribuye a cada uno de los
clientes. Esto se puede efectuar utilizando el tiempo de servicio como criterio. En un sistema de fila
de espera con control por programa habría disciplinas de fila de espera más complejas. En general,

- 238 -
en la teoría de fila de espera asumimos que el tráfico total ofrecido es independiente de la disciplina
de fila de espera.
En el caso de sistemas informáticos a menudo tendemos a reducir el tiempo total de espera.
SJF: (shortest job first). Tarea más breve primero, SJN: (shortest job next) tarea más corta
después, SPF: (shortest processing time first) tiempo de tratamiento más corto primero.
Esta técnica supone que se conoce el tiempo de servicio por adelantado y reduce al mínimo
el tiempo total de espera de todos los clientes.
Las técnicas mencionadas tienen en cuenta los tiempos de llegadas o los tiempos de servicio. Se
obtiene un compromiso entre esas disciplinas mediante las siguientes técnicas:
RR (round robin) Retorno al origen.
A un cliente servido se le da a lo sumo un tiempo de servicio fijo (segmento de tiempo). Si
el servicio no se completa durante ese intervalo el cliente vuelve a la fila de espera que es
del tipo FCFS.
PS (processor sharing) Compartición del procesador.
Todos los clientes comparten la capacidad del servicio en igual medida.
FB (foreground - background) Primer plano - segundo plano.
Esta técnica trata de aplicar el criterio SJF sin conocer de antemano los tiempos de servicio.
El servidor ofrecerá servicio al cliente que hasta ese momento ha recibido la menor
cantidad de servicio. Cuando todos los clientes han obtenido la misma cantidad de servicio,
FB se hace idéntico a PS.
Las últimas técnicas indicadas son dinámicas pues los criterios de puesta en fila de espera dependen
de la cantidad de tiempo empleado en la fila.
13.1.3 Prioridad de los clientes
En condiciones reales los clientes se dividen a menudo en N clases prioritarias, en la que un cliente
que pertenece a la clase p tiene mayor prioridad que un cliente que pertenece a la clase p+1.
Se ha de distinguir entre dos tipos de prioridades:
No preferente = Cabecera de línea
Un nuevo cliente de llegada con prioridad más alta que está siendo servido espera hasta que
un servidor esté desocupado (y todos los clientes con alta prioridad hayan sido servidos).
Este criterio también se denomina HOL,(head-of-the-line) cabecera de línea.
Preferente:
Un cliente al que se está dando servicio tiene prioridad inferior que un nuevo cliente que
llega, es interrumpido.
Se distingue entre:
− Reanudar preferencia:
El servicio continúa desde donde fue interrumpido.
− Preferencia sin remuestreo:
El servicio se reinicia desde el comienzo con el mismo tiempo de servicio, y
− Preferencia con remuestreo:
El servicio se inicia nuevamente con un nuevo tiempo de servicio.
La dos últimas técnicas se aplican, por ejemplo, en fabricación de sistemas y seguridad del servicio.
Dentro de una clase única, se disponen de las técnicas mencionadas en el § 13.1.2.

- 239 -
En la literatura relativa a la puesta de fila de espera aparecen muchas otras estrategias y símbolos.
Las siglas GD representan una disciplina de puesta en fila de espera arbitraria (disciplina general).
El comportamiento de los clientes también está sujeto a modelos:
− Tentativa inconclusa: se refiere a sistemas de puesta en fila de espera en el que el cliente
con una probabilidad que depende de la fila puede desistir de permanecer en la misma.
− Renuncia: se refiere a sistemas con clientes impacientes que salen de la fila de espera sin
haber sido servidos.
− Cambio de fila: se refiere a los sistemas en el que los clientes pueden pasar de una fila de
espera (por ejemplo larga) a otra fila más corta.
Así, hay muchos modelos posibles. En este Capítulo sólo se tratarán los más importantes. Por lo
general, sólo se consideran sistemas con un servidor.
Ejemplo 13.1.2: Sistema de conmutación de programa almacenado controlado
En sistemas de programa almacenado controlado las tareas de los procesadores se dividen, por
ejemplo, en diez clases de prioridades. La prioridad se actualiza, cada quinto de milisegundo. Los
mensajes de error que provienen de un procesador tienen la más alta prioridad, mientras que las
tareas de control de rutina tiene la prioridad más baja. Dar servicio a las llamadas aceptadas tiene
mayor prioridad que la detección de nuevas tentativas de llamada.
13.2 Resultados generales en la teoría de puesta en fila de espera
Como se indicó anteriormente hay muchos modelos de puesta en fila de espera pero,
lamentablemente, hay sólo algunos resultados generales en la teoría de puesta en fila. La literatura
es muy extensa pues muchos casos especiales son importantes en la práctica. En esta sección se
examinarán los resultados generales más importantes.
El teorema de Little presentando en el § 5.3 es el resultado más general que es válido para un
sistema de puesta en fila de espera arbitrario. El teorema es fácil de aplicar y muy útil en muchos
casos.
En general, sólo los sistemas de puesta en fila con procesos de llegada de Poisson son simples de
abordar. Referente a sistemas de puesta en fila en serie y redes de fila de espera (por ejemplo redes
informáticas) es importante conocer casos en el que el proceso de partida de un sistema de puesta en
fila es un proceso de Poisson. Los sistemas de fila de espera se denominan sistemas de puesta en
fila de espera simétricos, pues son simétricos en el tiempo, ya que el proceso de llegada y el
proceso de salida son del mismo tipo. Si se filmara el desarrollo del tiempo, no se podría decidir si
la película pasa hacia adelante o hacia atrás (véase reversibilidad) (Kelly, 1979 [59]).
Los modelos clásicos de puesta en fila desempeñan un papel principal en la teoría de fila de espera,
pues otros sistemas convergirán a menudo hacia ellos cuando el número de servidores aumenta
(teorema de Palm 6.1 en el § 6.4).
Los sistemas que más se apartan de los modelos clásicos son los que tienen un solo servidor. Sin
embargo, esos sistemas son los más simples de abordar.
En sistemas de tiempo de espera se distingue también entre promedios de llamadas y promedios
temporales. El tiempo de espera virtual es el tiempo que un cliente experimenta si llega a un punto
aleatorio del tiempo (promedio temporal). El tiempo de espera real es el tiempo que experimenta el
cliente real (promedio de llamada). Si el proceso de llegada es un proceso de Poisson los dos
promedios son entonces idénticos.

- 240 -
13.3 Fórmula de Pollaczek-Khintchine para M/G/1

Se ha establecido anteriormente el tiempo medio de espera para M/M/1 (véase el § 12.2.3) y más
adelante se examinará M/D/1 (véase el § 13.5). En general, el tiempo medio de espera para M/G/1
viene dado por:
Teorema 13.1 Fórmula de Pollaczek-Khintchine (1930-32):
pues
donde W es el tiempo medio de espera para todos los clientes, s es el tiempo medio de servicio, A es
el tráfico ofrecido, y ε es el factor de forma de la distribución del tiempo de ocupación (3.10).
Cuanto más regular es el proceso de servicio, menor será el tiempo medio de espera. En el § 13.6 se
estudian los resultados correspondientes para el proceso de llegada. En tráfico telefónico real el
factor de forma será de 4 a 6, y en tráfico de datos de 10 a 100.
La ecuación (13.2) es uno de los resultados más importantes en la teoría de puesta en fila de espera
y se estudiará con mayor profundidad.
13.3.1 Deducción de la fórmula Pollaczek-Khintchine
Se examina el sistema de puesta en fila M/G/1 y se desea encontrar el tiempo medio de espera para
un cliente aleatorio. Es independiente del criterio de puesta en fila y, por tanto, se puede suponer
que es del tipo FCFS. Debido al proceso de llegada de Poisson (propiedad PASTA) el tiempo de
espera real de un cliente es igual al tiempo virtual de espera.
El tiempo medio de espera W para un cliente arbitrario se puede dividir en dos partes.
1) El tiempo tomado por un cliente para completar el servicio. Cuando el nuevo cliente
considerado llega a un punto del tiempo aleatorio, el tiempo de servicio medio residual
viene dado por la ecuación (3.25):
Donde s y ε tienen el mismo significado que en la ecuación (13.2). Cuando el proceso de

llegada es un proceso de Poisson, la probabilidad de encontrar un cliente que se le está
dando servicio es igual a A (tráfico ofrecido = tráfico transportado)
La contribución al tiempo medio de espera de un cliente en servicio resulta entonces:
2) El tiempo de espera debido a clientes puestos en fila (FCFS). Por término medio la longitud
de la fila de espera es L. Por el teorema de Little se tiene

- 241 -
donde L es el número medio de clientes en la fila de espera en un punto arbitrario del

tiempo, λ es la intensidad de llegada, y W es el tiempo medio de espera que se busca. Para
cada cliente puesto en fila se tendrá una espera media de s unidades de tiempo. El tiempo
medio de espera debido a los clientes puestos en fila resulta por tanto:
Se tiene así el tiempo de espera total ((13.4) + (13.5)):
que es la fórmula de Pollaczek-Khintchine (13.2). W representa el tiempo medio de espera para

todos los clientes, mientras que el tiempo medio de espera puestos en fila w resulta (A = D =
probabilidad de demora) (3.20):
La deducción anterior es correcta pues el promedio temporal es igual al promedio de llamadas

cuando el proceso de llegada es un proceso Poisson (propiedad PASTA). Es interesante ver cómo ε
se introduce en la fórmula.
13.3.2 Periodo de ocupado para M/G/1
Un periodo de ocupado de un sistema de puesta en fila es el intervalo de tiempo desde el instante
que todos los servidores están en estado ocupado hasta que un servidor vuelve al estado libre. Para
M/G/1 es fácil calcular el valor medio del periodo de ocupado.
En el instante en que el sistema de puesta en fila de espera queda vacío, pierde su memoria debido
al proceso de llegada de Poisson. Estos instantes son puntos de regeneración (puntos de equilibrio),
y el evento siguiente se produce conforme a un proceso de Poisson con intensidad λ.
Sólo se necesita considerar el ciclo desde el instante en que el servidor cambia el estado de libre a
ocupado hasta la próxima vez que vuelve a cambiar el estado de libre a ocupado. Este ciclo incluye
un periodo de ocupado de duración T1 y un periodo de desocupado de duración T0. En la figura 13.1
se muestra un ejemplo con tiempo de servicio constante. La porción de tiempo en que el sistema
está ocupado resulta entonces:

- 242 -
Figura 13.1 − Ejemplo de una secuencia de eventos para el sistema M/D/1 con
el periodo en estado ocupado T1 y el periodo en estado libre T0

1) Estado
2) Ocupado
3) Libre
4) Llegadas
5) Tiempo
Siendo mTo = 1/λ se obtiene
Un periodo en estado ocupado puede comprender muchos clientes (un proceso de ramificación).
13.3.3 Tiempo de espera para M/G/1
Si sólo se consideran clientes que están espera, se podrán encontrar los momentos de la distribución
del tiempo de espera para las técnicas de puesta en fila clásicas (Abate y Whitt, 1997 [1]).
FCFS: Al indicar el i-ésimo momento de la distribución de tiempo de servicio mediante m1, se
puede hallar el k-ésimo momento de la distribución de tiempo de espera por la fórmula de recursión
siguiente, donde el tiempo medio de servicio se toma como unidad de tiempo (m1 = s = 1):
LCFS: De los momentos precedentes mk,F de la distribución del tiempo de espera FCFS, se pueden
hallar los momentos mk,L de la distribución del tiempo de espera LCFS. Los tres primeros momentos
resultan:

- 243 -
13.3.4 Longitud de la fila de espera limitada: M/G/1/k

En sistemas reales la longitud de la fila de espera será finita, por ejemplo, la dimensión de la
memoria intermedia. Existe una relación simple entre las probabilidades de estado p(i)
(i = 0, 1, 2,. . .) del sistema infinito M/G/1 y las probabilidades de estado pk(i), (i = 0, 1, 2; . . ., k) de
M/G/1/k, donde el número total de posiciones para clientes es k, incluido el cliente que se le da el
servicio (Keilson, 1966 [59]):
donde A <1 es el tráfico ofrecido, y:
Existen algoritmos para calcular p(i) para distribuciones del tiempo de ocupación arbitrarios. Se
debe señalar que lo anterior sólo es válido para A <1, pero para una memoria intermedia finita
también se obtiene equilibrio estadístico para A >1.
13.4 Sistemas prioritarios de puesta en fila de espera: M/G/1
El periodo de tiempo que un cliente espera significa, por lo general, un inconveniente o gasto para
el mismo. Por diversas estrategias para organizar la fila de espera, los tiempos de espera se pueden
distribuir entre los clientes conforme a las preferencias.
13.4.1 Combinación de diversas clase de clientes
Los clientes se dividen en N clases (flujos de tráfico). Se supone que los clientes de clase i llegan
conforme a un proceso de Poisson con intensidad λi [clientes por unidad de tiempo] y el tiempo
medio de servicio es si [unidades de tiempo]. El segundo momento de la distribución del tiempo de
servicio se representa como m2i, y el tráfico ofrecido es Ai = λi . si.
En lugar de considerar los procesos de llegada individuales, se debe examinar el proceso de llegada
total que también es un proceso de llegada de Poisson con intensidad:
La distribución de tiempo de servicio resultante se transforma ahora en una suma ponderada de

distribuciones de tiempo de servicio de las clases individuales (véase el § 3.2, combinación en
paralelo). El tiempo de servicio medio total resulta:
y el segundo momento total es:

- 244 -
El tráfico ofrecido total es:
El tiempo medio de servicio restante en un punto aleatorio en el tiempo resulta (13.4):

- 245 -
Figura 13.2 − Función de carga U(t) para el sistema de puesta en fila de

espera GI/G/1. Si el tiempo entre llegadas Ti+1 − Ti se representa por ai,
se tiene entonces Ui+1 = máx {0; Ui + si − ai}, donde Ui es
el valor de la función de carga en el tiempo Ti

1) Función de carga U(t)
2) Tiempo
13.4.2 Tipos de filas de espera que conservan la utilización de un circuito
En el texto siguiente se supone que el tiempo de servicio de un cliente es independiente del tipo de
puesta en fila de espera. La capacidad del servidor es así constante e independiente de, por ejemplo,
la longitud de la fila. El tipo de puesta en fila de espera debe conservar la utilización de un circuito.
En la práctica, esto no es siempre el caso. Si el servidor es un ser humano y no una máquina, la tasa
de servicio se incrementará a menudo con la longitud de la fila, y si después de algún tiempo el
servidor queda evacuado, la tasa de servicio disminuye.
Se introducirán dos funciones que son ampliamente aplicadas en la teoría de puesta en fila.
Función de carga U(t): Indica el tiempo que se requerirá para dar servicio a los clientes que han
llegado al sistema en el tiempo t (véase la figura 13.2). En un tiempo de llegada, U(t) aumenta con
un salto igual al tiempo de servicio del cliente que llega, y entre llegadas U(t) disminuye
linealmente con la pendiente −1 a 0, donde permanece hasta el siguiente tiempo de llegada. El valor
medio de la función de carga se expresa mediante U = E {U(t)}. En un sistema de puesta en fila
GI/G/1, la función de carga U(t) será independiente del criterio de puesta en fila, si éste conserva la
utilización de un circuito.
Tiempo de espera virtual W(t): Indica el tiempo de espera de un cliente, si éste llega en el tiempo t.
El tiempo de espera virtual W(t) depende de la organización de la fila. El valor medio se expresa por
W = E {W(t)}. Si el criterio de fila de espera es FCFS, entonces U(t) = W(t). Cuando se considera el

- 246 -
proceso de llegada de Poisson, el tiempo de espera virtual será igual al tiempo de espera real
(promedio temporal = promedio de llamadas).
Se estudiará ahora la función de carga en un punto aleatorio del tiempo t. Está constituida por una
contribución V del tiempo de servicio restante de un cliente que se le da servicio, si lo hubiera, y
una contribución de los clientes que esperan en la fila. El valor medio U = E {U(t)} resulta:
Donde Li es la longitud de la fila para clientes de tipo i. Aplicando la ley de Little se obtiene:
Como se indicó anteriormente U es la variable independiente del criterio de fila de espera (se
supone que el sistema es del tipo conservador de utilización de circuito), y V viene dado por la
ecuación (13.17) para tipos de puesta en fila no preferentes. El valor de U se obtiene suponiendo el
tiempo de servicio FCFS, pues entonces se tiene Wi = U:
Con estas hipótesis generales se obtiene, aplicando la ecuación (13.22) en la ecuación (13.20), la ley
de conservación de Kleinrock (1964 [64]):
Teorema 13.2 Ley de conservación de Kleinrock:
El tiempo medio de espera para todas las clases ponderadas por la (carga) de tráfico de la clase
mencionada, es independiente del criterio de fila de espera.
Se debe señalar que lo anterior sólo es válido para tipos de puesta en fila de espera no preferentes.
Se puede dar así a una pequeña proporción del tráfico un tiempo medio de espera muy bajo, sin
aumentar mucho el promedio del tiempo de espera de los clientes restantes. Mediante diversas
estrategias se pueden atribuir los tiempos de espera a cada cliente conforme a sus preferencias.
13.4.3 Tipos de puesta en fila de espera no preferentes
Más adelante se examinarán los sistemas de puesta en fila prioritarios M/G/1 donde los clientes se
dividen en N clases prioritarias de modo tal que quien tenga prioridad p tiene derecho prioritario
sobre clientes con prioridad p + 1. En un sistema sin derecho preferencial un servicio en curso no
puede ser interrumpido.

- 247 -
Se supone que los clientes de clase p tienen el tiempo medio de servicio sp y la intensidad de
llegada λp. En el § 13.4.1 se obtuvieron los parámetros para el proceso total.
El tiempo de espera medio total Wp de un cliente clase p se puede obtener directamente
considerando las tres contribuciones siguientes:
a) El tiempo de servicio residual V para el cliente en servicio.
b) El tiempo de espera, debido a los clientes en la fila con prioridad p o mayor que ya están
puestos en espera (teorema de Little):
c) El tiempo de espera debido a clientes con prioridad superior, que superan al cliente
considerado cuando éste está en espera:
En total, se obtiene:
Para clientes de clase 1, que tienen la más alta prioridad se obtiene, con la hipótesis de FCFS:
donde V es el tiempo de servicio residual para el cliente en servicio cuando llega el cliente
considerado (13.18):
donde m2i es el segundo momento de la distribución del tiempo de servicio de la i-ésima clase.
Para clientes de clase 2 se tiene:
Aplicando W1(13.25), se obtiene:

- 248 -
En general, se hallan (Cobham, 1954 [15]):
donde:
La estructura de la ecuación (13.30) se puede interpretar directamente. Independientemente de la

clase todo cliente debe esperar hasta que se complete el servicio en curso (V). El tiempo de espera
se debe a clientes que ya han llegado y tienen al menos la misma prioridad (A′p), y clientes con
prioridad más alta que llegan durante el tiempo de espera (A′p−1).
Ejemplo 13.4.1: Sistema SPC
Se considera una computadora que sirve a dos tipos de clientes. El primer tipo tiene un tiempo de
servicio constante de 0,1 s, y la intensidad de llegada es de 1 cliente/segundo. El otro tipo tiene el
tiempo de servicio distribuido exponencialmente con el valor medio de 1,6 s y la intensidad de
llegada es 0,5 cliente/segundo.
La carga de los dos tipos de clientes es entonces A1 = 0,1 erlang y A2 = 0,8 erlang, respectivamente.
De la ecuación (13.27) se obtiene:
Sin ninguna prioridad el tiempo medio de espera, utilizando la ecuación (13.2) de Pollaczek-
Khintchine, resulta:
Con prioridad sin apropiación se tiene:

Propiedad superior Tipo 1:
Prioridad superior Tipo 2:
Esto indica que se puede mejorar el Tipo 1 casi sin influenciar el Tipo 2. Sin embargo, la inversa no
corresponde. La constante en la ley de conservación (13.23) resulta la misma sin prioridad como
con prioridad sin apropiación
0,9 · 12,85 = 0,1 · 1,43 + 0,8 · 14,28 = 0,8 · 6,43 + 0,1 · 64,25 = 11,57.

- 249 -
13.4.4 Criterio de puesta en fila SJF

Con el criterio de puesta en fila SJF cuanto menor es el tiempo de servicio de un cliente, mayor es
la prioridad. Mediante la introducción de un número infinito de clases de prioridad, se obtiene con
la ecuación (13.30) que un cliente con el tiempo de servicio t tiene el tiempo medio de espera Wt
(Phipps 1956):
donde At es la carga de los clientes con tiempo de servicio menor o igual que t:
El criterio SJF produce el tiempo de espera total más bajo posible.
Si esas diferentes clases de prioridad tienen costos por unidad de tiempo distintos en estado de
espera, los clientes de clase j tienen el tiempo medio de servicio sj y abonan una tasa de cj por
unidad de tiempo cuando están en espera, la estrategia óptima de costo mínimo es entonces asignar
prioridades 1, 2, . . . conforme a la relación de incremento sj/cj.
Ejemplo 13.4.2: M/M/1 con criterio de puesta en fila SJF
Se considera el caso de tiempos de ocupación distribuidos exponencialmente con el valor medio 1/μ
que se toma como unidad de tiempo (M/M/1). Si bien hay pocos tiempos de servicio muy largos,
éstos contribuyen considerablemente al tráfico total. (Véase la figura 3.2).
La contribución al tráfico total A por parte de clientes con tiempo de servicio ≤ t es {(3.22)
multiplicado por A = λ . μ}.
Aplicando esta expresión en la ecuación (13.32) se obtiene Wt como se ilustra en la figura 13.3,
donde la estrategia FCFS (igual tiempo medio de espera que LCFS y SIRO) se muestra para
comparación como función del tiempo de ocupación real. La estrategia con retorno al punto de
origen fija un tiempo de espera que es proporcional al tiempo de servicio. El tiempo medio de
espera para todos los clientes con SJF es menor que con FCFS, pero no es evidente en la figura. El
tiempo medio de espera para SJF resulta:
que no es simple de calcular.

- 250 -
13.4.5 M/M/n con prioridad sin apropiación

Se puede también generalizar el sistema de tiempo de espera clásico de Erlang M/M/n con criterios
de puesta en fila de espera sin apropiación cuando todas las clases de clientes tienen la misma
1
distribución exponencial del tiempo de servicio con valor medio s = μ- .
Figura 13.3 − El tiempo medio de espera Wt es función del tiempo de servicio real en un
sistema M/M/1 para criterios SJF y FCFS, respectivamente. El tráfico ofrecido es
de 0,9 erlang y se tomó el tiempo medio de servicio como unidad de tiempo.
Se ha de señalar que para SJF el promedio de tiempo de espera mínimo
es de 0,9 unidades de tiempo, en razón que se da servicio a una eventual
operación primero debe finalizar. El tiempo medio de espera máximo
es de 90 unidades de tiempo. En comparación con el criterio FCFS
si se utiliza SJF en 93,6% de las operaciones tienen tiempo medio
de espera más breve. Esto corresponde a operaciones con un
tiempo de servicio menor que 2,747 tiempos de servicio
medio (unidades de tiempo). El tráfico ofrecido puede
ser mayor que 1 erlang, pero entonces sólo las
operaciones más breves tienen un
tiempo de espera finito

-1
1) Tiempo medio de espera Wt {s }
-1
2) Tiempo de servicio real t {s }

- 251 -
Representando la intensidad de llegada para la clase i por λi, se obtiene el tiempo medio de
espera Wp para la clase p:
A es el tráfico ofrecido total para todas las clases. La probabilidad E2,n(A) para el tiempo de espera
viene dadas por la fórmula C de Erlang, y el servicio del cliente termina con el tiempo medio entre
partidas s/n cuando todos los servidores están ocupados. Para la clase de prioridad más
elevada p = 1 se obtiene:
Para p = 2 de manera similar se halla:
En general, se encuentra (Cobham, 1954 [15]):
El caso de sistemas con derecho preferente es más difícil de tratar pues los clientes con prioridad
superior que llegan durante un tiempo de servicio no interrumpen necesariamente a un cliente que
está servido, en razón que hay muchos servidores. El tiempo medio de espera se puede obtener
considerando primero la clase uno solamente, y luego la clase uno y dos en conjunto, que implica el
tiempo de espera para la clase dos, etc. Esto sólo será correcto cuando el tiempo de servicio está
distribuido exponencialmente.
13.4.6 Criterio de puesta en fila con derecho preferente
Supóngase ahora que un servicio en curso se interrumpe por la llegada de un cliente con prioridad
superior. El servicio continuará más tarde a partir de donde fue interrumpido. Esta situación es
típica para sistemas informáticos. Para un cliente con prioridad p no habrá cliente con prioridad
inferior. El tiempo medio de espera Wp para un cliente de clase p está compuesto por dos
contribuciones.
a) Tiempo de espera debido a los clientes con prioridad igual o superior, que ya se encuentran
en el sistema de puesta en fila. Este es el tiempo de espera experimentado por un cliente en
un sistema sin prioridad donde sólo existen las primeras clases p.

- 252 -
donde
es el tiempo de servicio restante esperado debido a clientes con prioridad igual o mayor y A'p viene
dado por la ecuación (13.31).
b) El tiempo de espera debido a clientes con prioridad superior que llegan durante el tiempo de
espera o tiempo de servicio y dan alcance al cliente considerado:
Se tiene así:
Esto se puede expresar como sigue:
que resulta:
Al igual que en el § 13.4.4 se puede expresar la fórmula para el tiempo de espera medio para el
criterio de puesta en fila SJF con derecho preferente. El tiempo de respuesta total es:
Ejemplo 13.4.3: Sistema SPC (véase el ejemplo 13.4.1)

Se supone ahora que el sistema informático del ejemplo 13.4.1 funciona con el criterio de derecho
preferente y se obtiene:

- 253 -
Esto muestra que elevando el tipo 1 a la más alta prioridad, se puede permitir que esos clientes
tengan un tiempo de espera breve, sin perturbar a los clientes tipo 2, pero el caso inverso no es
posible.
La ley de conservación es sólo válida para sistemas de puesta en fila con derecho preferente si los
tiempos de servicio preferencial están distribuidos exponencialmente. En el caso general, una
operación puede ser tomada varias veces con derecho prioritario y, por tanto, el tiempo de servicio
restante no estará dado por V.
13.5 Sistemas de puesta en fila con tiempos de utilización constante
Esta sección se centra en el sistema de puesta en fila M/D/n, FCFS. Los sistemas con tiempos de
servicio constante tienen la propiedad particular que los clientes dejan los servidores en el mismo
orden que fueron aceptados para darles servicio.
13.5.1 Antecedentes del sistema M/D/n
Los sistemas de puesta en fila de espera con proceso de llegada de Poisson y tiempos de servicio
constantes fueron los primeros criterios que se han analizado. En principio, cabe pensar que es más
sencillo tratar tiempos de servicio constantes que tiempos de servicios distribuidos
exponencialmente, pero en realidad es todo lo contrario. La distribución exponencial es fácil de
tratar debido a su falta de memoria: el tiempo de vida restante tiene la misma distribución que el
tiempo de vida total (véase el § 4.1), y, por tanto, se puede olvidar de la época (punto en el tiempo)
en que se inició el tiempo de servicio. Los tiempos de ocupación constantes requieren que se
recuerde el tiempo de inicio exacto.
Erlang fue el primero en analizar el sistema de puesta en fila M/D/n, FCFS (Brockmeyer y
otros 1948 [12]):
Erlang: 1909 n = 1 errores para n >1,
Erlang: 1917 n = 1, 2, 3 sin prueba,
Erlang: 1920 n soluciones explícitas arbitrarias para n = 1, 2, 3.
Erlang estableció la distribución del tiempo de espera, pero no consideró las probabilidades de
estado. Fry (1928 [32]) analizó también el criterio M/D/1 y estableció las probabilidades de estado
(ecuaciones de estado de Fry) utilizando el principio de equilibrio estadístico de Erlang mientras
que el propio Erlang aplicó métodos más teóricos.
Crommelin (1932 [21], 1934 [22]), un ingeniero inglés especializado en telefonía, presentó una
solución general para el criterio M/D/n. Generalizó las ecuaciones de estado de Fry a una N
arbitraria y estableció la distribución del tiempo de espera, conocida ahora como distribución de
Crommelin.
Pollaczek (1930-34) presentó una solución muy general dependiente del tiempo para distribuciones
de tiempos de servicio arbitrarios. Con la hipótesis de equilibrio estadístico se pueden obtener
soluciones explícitas para tiempos de servicios constante y distribución exponencial. También
Khintchine (1932 [63]) analizó el criterio M/D/n y estableció la distribución del tiempo de espera.

- 253 -
13.5.2 Probabilidades de estado y tiempos medios de espera: M/D/1

Con la hipótesis de equilibrio estadístico se calculan ahora las probabilidades para M/D/1 de manera
simple. La intensidad de llegada se representa por λ y el tiempo de ocupación constante por h.
Como se considera un sistema de tiempo de espera puro con un solo servidor, se tiene:
Tráfico ofrecido = Tráfico transportado = λ · h < 1, (13.39)
es decir
pues en cada estado con excepción de cero el tráfico transportado es igual a un erlang.
Se consideran dos épocas (puntos en el tiempo) t y t +h a una distancia de h. Todo cliente que es
servido en época t (no más de uno) ha dejado el servidor en época t +h. Los clientes que llegan
durante el intervalo (t, t + h) están aún en el sistema de puesta en fila en época t +h (en espera o en
servicio).
El proceso de llegada es un proceso de Poisson. Por tanto, para el intervalo de tiempo (t, t +h), se
tiene
p (j, h) =p {j llamadas en h} = Poisson distribuido (13.40)
La probabilidad que en un determinado estado se encuentre en época t +h se obtiene del estado en
época t teniendo en cuenta todas las llegadas y salidas durante (t; t +h). Mediante observación en
esas épocas se obtiene una cadena Markov incorporada en el proceso de tráfico original (véase la
figura 13.4).
Se obtiene las ecuaciones de estado de Fry para n = 1 (Fry, 1928 [32]):
Además, se obtuvo:
.
p(0) = 1 A

- 254 -
Figura 13.4 − Ilustración de las ecuaciones de estado de

Fry para el sistema de puesta en fila M/D/1

1) Estado
2) Llegadas en (t, t+h)
3) Llegada
4) Salida
5) Tiempo
y con la hipótesis de equilibrio estadístico pt(i) = pt+h(i), se halla sucesivamente:
y en general:
iA
El último término correspondiente a j = i siempre equivale a e , pues (−1)! ≡ ∞. En principio p(0)
también se puede obtener requiriendo que todas las probabilidades de estado se deben añadir a uno.
13.5.3 Tiempos medios de espera y periodo ocupado: M/D/1
Para un proceso de llegada de Poisson la probabilidad D de retardo experimentando es igual a la
probabilidad de no estar en estado cero (propiedad PASTA):
D = A = 1 − p(0) (13.43)
W representa el tiempo medio de espera para todos los clientes y w el tiempo medio de espera para
los clientes que experimentan un tiempo de espera positivo.

- 255 -
Se tiene siempre (3.20):

W
w= , (13.44)
D
donde para todos los valores de n (más adelante se verá n >1):
W y w se obtiene fácilmente considerando un periodo ocupado (véase la figura 13.1).

En la época (punto en el tiempo) en el que el sistema se pone vació, se dice que este perdió su
memoria (punto de regeneración = punto de equilibrio), y el siguiente cliente llega conforme a un
proceso de Poisson con intensidad λ (véase el ejemplo 6.2.1).
Sólo es necesario considerar un ciclo desde una época en el que el sistema se pone en reposo hasta
la siguiente época en que vuelve a tomar ese estado. El ciclo comprende un periodo de reposo de
duración T0 y un periodo de ocupado de duración T1 (véase la figura 13.1).
La proporción de tiempo en que el sistema está ocupado resulta entonces (13.7):
Un periodo de ocupado se compone de un número de llamadas uniformemente distribuidas (proceso

de ramificación) durante el periodo de ocupado. (Paradoja: nótese que no hay llegadas durante el
último tiempo de servicio de un periodo de ocupado). En promedio estos clientes, que experimentan
un tiempo de espera positivo > 0, tienen los siguientes tiempos medios de espera:
Estos resultados también se obtienen utilizando la fórmula de Pollaczek-Khintchine. La distribución

del número de clientes que llegan durante un periodo de ocupado se puede demostrar que viene
dado por una distribución de Borél:
13.5.4 Distribución del tiempo de espera: M/D/1, FCFS

Se puede obtener mediante la siguiente expresión:
donde h = 1 se toma como unidad de tiempo, t = T + τ, T es un entero, y 0 ≤ τ <1.

- 256 -
Figura 13.5 − Distribución del tiempo complementario para todos los clientes en
el sistema de puesta en fila M/M/1 y M/D/1 para filas ordenadas (FCFS).
Unidad de tiempo = tiempo medio de servicio. Se señala que el tiempo
medio de servicio para M/D/1 es menor que para M/M/1

1) Distribución del tiempo de espera p(W > t)
El gráfico de la distribución del tiempo de espera presenta una irregularidad cada vez que el tiempo
de espera supera un múltiplo entero del tiempo de ocupación constante. En la figura 13.5 se muestra
un ejemplo. La fórmula (13.49) no es adecuada para la evaluación numérica. Puede mostrar
(Iversen, 1982 [41]) que el tiempo de espera se puede expresar en forma cerrada, como fue señalado
por Erlang in 1909:
que es apropiado para la evaluación numérica de pequeños tiempos de espera.

Para tiempos de espera más largo se utilizará, por lo general, sólo valores enteros de t. Se puede
mostrar (Iversen, 1982 [41]) que para un valor entero de t se tiene
Las probabilidades de estado p(i) se calculan con mayor precisión utilizando una fórmula recursiva
basada en las ecuaciones de estado de Fry (13.42):

- 257 -
Para tiempos de espera no enteros se puede expresar la distribución del tiempo de espera en
términos de tiempos de espera enteros. Si se toma h = i, la ecuación (13.50) puede ser entonces un
desarrollo binomial expresado en potencias de τ, donde:
t = T + τ, T entero, 0 ≤ τ < 1
Se obtiene entonces:
donde p {W ≤ T − τ} viene dado por la ecuación (13.51).

La evaluación numérica es muy precisa cuando se utilizan las ecuaciones (13.51), (13.52) y (13.53).
13.5.5 Probabilidades de estado: M/D/n
Cuando se aplican las ecuaciones de estado de Fry (13.41) se obtienen más combinaciones:
Con la hipótesis de equilibrio estadístico (A <n) se puede hacer caso omiso de los puntos absolutos
en el tiempo:
El sistema de ecuaciones (13.55) sólo se puede resolver por sustitución, si se conoce

p(0), p(1), . . .; p(n−1). En la práctica, se pueden obtener valores numéricos suponiendo un conjunto
aproximado de valores para p(0), p(1), . . ., p(n−1), y luego sustituirlos en la fórmula de recursión
(13.55) y obtener nuevos valores. Luego de algunas aproximaciones se obtienen los valores exactos.
La solución matemática explícita se obtiene mediante funciones generatrices (The Erlang book,
páginas 81 a 83).
13.5.6 Distribución del tiempo de espera: M/D/n, FCFS
La distribución del tiempo de espera viene dada por la distribución de Crommelin:
donde A es el tráfico ofrecido y
La fórmula (13.56) se puede expresar en forma cerrada a semejanza de la ecuación (13.50):
Para valores enteros del tiempo de espera t se tiene:

- 258 -
El tiempo medio de espera exacto de todos los clientes W es difícil de calcular. Se puede obtener
una aproximación por medio de la expresión de Molina:
Para tiempos de espera no enteros t = T + τ, T entero, 0 ≤ τ < 1, se puede expresar la distribución

del tiempo de espera en términos de tiempos de espera enteros en cuanto a M/D/1:
donde k = n(T + 1)−1 y p(i) es la probabilidad de estado (13.55).

13.5.7 Proceso de llegada de Erlang-k: Ek/D/r
.
Sea un sistema de puesta en fila de espera con n = r k (siendo r y k valores enteros), proceso
general de llegada GI, tiempo de servicio constante y criterio de puesta en fila ordenada (FCFS).
Los clientes que llegan durante periodos de reposo buscan servidores en orden cíclico
1; 2, . . ., n − 1, n,1, 2, . . .
Un determinado servidor dará servicio entonces a los n-ésimos clientes, pues los clientes debido al
tiempo de servicio constante dejan los servidores en el mismo orden en que llegaron a los mismos.
Ningún cliente puede superar a otro cliente.
Un grupo de servidores constituidos por:
. .
X, x + k, x + 2 k, . . ., x + (r − 1) k, 0<x≤k (13.62)
darán servicio al k-ésimo cliente. Si se consideran los servidores conforme a la agrupación (13.62),
k*
se estudian entonces como un solo grupo equivalente al sistema de puesta en fila GI /D/r, donde el
k*
proceso de llegada GI es una convolución de k veces la distribución del tiempo de llegada.
Lo mismo sucede para los otros sistemas k − 1. El tráfico en estos sistemas k está mutuamente
correlacionado, pero si sólo se considera un sistema por vez, este es entonces un proceso de
k*
llegada GI /D/n, sistema de puesta en fila FCFS.
La hipótesis de búsqueda cíclica de los servidores no es necesaria con los sistemas individuales
(13.62). Las probabilidades de estado, tiempos medios de espera, etc. son independientes del
criterio de puesta en fila, que tiene importancia sólo para la distribución del tiempo de espera.
k*
Si el proceso de llegada GI fuera un proceso de Poisson, GI resulta entonces un proceso de llegada
Erlang-k. Se encuentra así que los siguientes sistemas son equivalentes con respecto a la
distribución del tiempo de espera:
M/D/r · k, FCFS ≡ Ek/D/r, FCFS
por tanto, Ek/D/r se puede obtener mediante tablas para M/D/n.
Ejemplo 13.5.1: Procesos de llegada regulares
En general, se sabe que para un determinado tráfico por servidor el tiempo medio de espera
disminuye cuando aumenta el número de servidores (economía de escala, convexidad). Por la
misma razón, el tiempo medio de espera disminuye cuando el proceso de llegada se hace más

- 259 -
regular. Esto se puede ver directamente de la equivalencia anterior, donde el proceso de llegada
para Ek/D/r se hace más regular para incrementos de k (siendo r constante). Para A = 0,9 erlang por
servidor (L = longitud media de fila de espera) se tiene:
E4/E1/2: L = 4,5174,
E4/E2/2: L = 2,6607,
E4/E3/2: L = 2,0493,
E4/D/2: L = 0,8100.
13.5.8 Sistema de puesta en fila finito: M/D/1/k
En sistemas reales siempre se tiene una fila de espera finita. En sistemas informáticos la capacidad
de almacenamiento es finita y en sistemas ATM hay memorias intermedias finitas. Lo mismo se
aplica para posiciones de espera en sistemas de fabricación flexibles FMS, flexible manufacturing
systems). En un sistema con un solo servidor y (k −1) posiciones de fila de espera se tienen (k +1)
estados (0, 1, . . . , k).
Las ecuaciones de equilibrio para los estados 0, 1, . . ., k −2 se pueden aplicar del mismo modo que
las ecuaciones de estado de Fry, pero no es posible formular ecuaciones simples independientes del
tiempo para los estados k −1 y k. Pero las primeras ecuaciones (k −2) (13.53) junto con el requisito
de normalización
y el hecho que el tráfico ofrecido es igual al tráfico transportado más el tráfico rechazado
(propiedad PASTA):
.
A = 1 -p(0) + A p(k)
dan por resultado (k +1) ecuaciones lineales independientes, que son sencillas de resolver
numéricamente.
Se obtienen tiempos de espera enteros de las probabilidades de estado y tiempos de espera no
enteros de los tiempos de espera enteros, como se indicó anteriormente.
Ejemplo 13.5.2: Cubo no estanco
El cubo no estanco es un mecanismo para controlar los procesos de llegada de células (paquetes) de
un usuario (fuente de tráfico) en un sistema ATM. El mecanismo corresponde a un sistema de
puesta en fila de espera con tiempo de servicio constante (dimensión de la célula) y una memoria
intermedia finita. Si el proceso de llegada es un proceso de Poisson, se tendrá un sistema M/D/1/k.
La magnitud de la fuga corresponde a la intensidad de llegada aceptable del promedio a largo plazo
mientras que el tamaño del cubo describe el exceso (incremento repentino permitido). El
mecanismo funciona como un sistema de puesta en fila virtual en el que las células se aceptan
inmediatamente o bien son rechazadas conforme al valor de un contador que es el valor entero de la
función de carga (véase la figura 13.2). En un contrato entre el usuario y la red se celebra un
acuerdo sobre la magnitud de la "fuga" y la dimensión del "cubo". Sobre esta base la red puede
garantizar una determinada calidad de servicio.

- 260 -
13.6 Sistema de puesta en fila con un solo servidor: GI/G/1

En el § 13.3 se indicó que el tiempo medio de espera para todos los clientes en un sistema de puesta
en fila M/G/1 viene dado por la fórmula de Pollaczek-Khintchine:
donde ε es el factor de forma de la distribución del tiempo de ocupación.

Se han analizado anteriormente los siguientes casos:
M/M/1 (§ 12.2.3): ε = 2
M/M/1 (§ 13.5.3): ε = 1
Esto indica que cuanta mayor regularidad haya en la distribución del tiempo de ocupación, menor
será el tráfico del tiempo de espera. (Para sistemas de pérdidas con accesibilidad limitada es el caso
opuesto: cuanto mayor sea el factor de forma menor será la congestión.)
En sistema con llegadas que no siguen el proceso de Poisson, los momentos de orden superior
también tendrán influencia en el tiempo medio de espera.
13.6.1 Resultados generales
Hasta este momento se ha tomado como hipótesis general que el proceso de llegada es un proceso
de Poisson. Para otros procesos de llegada raramente es posible encontrar una expresión exacta para
el tiempo medio de espera excepto en el caso en el que los tiempos de ocupación tienen distribución
exponencial. En general, se puede requerir que el proceso de llegada o el bien el proceso de servicio
sea tipo Markovian. Hasta el presente no hay fórmulas de uso general para, por ejemplo, M/G/n.
Para GI/G/1 es posible determinar los límites superiores teóricos para el tiempo medio de espera.
Representando la varianza de los tiempos entre llegadas por va y la varianza de la distribución del
tiempo de ocupación por vd, la desigualdad de Kingman (1961) indica un límite superior para el
tiempo medio de espera:
La fórmula muestra que son las variaciones estocásticas que producen los tiempos de espera.
La fórmula (13.66) permite determinar el límite teórico superior. Una estimación razonable del
tiempo medio de espera real se puede obtener mediante la aproximación de Marchal
(Marchal, 1976 [78]):
donde a es el tiempo medio entre llegadas(A = s/a).

Esta aproximación es un factor de ajuste de la desigualdad de Kingman de modo que concuerda con
la fórmula de Pollaczek-Khintchine para el caso M/G/1.

- 261 -
Como ejemplo del proceso de llegada distinto del proceso de Poisson se analizará el sistema de
puesta en fila GI/M/1, donde la distribución de los tiempos entre llegadas es una distribución
general dada por la función de densidad f(t).
13.6.2 Probabilidades de estado: GI/M/1
Si el sistema se considera como un punto arbitrario en el tiempo, las probabilidades de estado no se
describirán entonces por un proceso de Markov, pues la probabilidad de una llegada dependerá del
intervalo de tiempo desde la última llegada.
Sin embargo, si el sistema es considerado inmediatamente antes (o después) de una época de
llegada, habrá entonces independencia en el proceso de tráfico pues los tiempos entre llegada son
estocásticos independiente de los tiempos de ocupación distribuidos exponencialmente. Las épocas
de llegada son puntos de equilibrio (puntos de regeneración) (véase el § 5.2.2), y se analizará la
denominada cadena de Markov incorporada.
La probabilidad que inmediatamente antes de una época de llegada se observe el sistema en estado j
se representa por π(j). En equilibrio estadístico se puede demostrar que se tendrá el siguiente
resultado (D.G. Kendall, 1953 [62]):
donde α es la raíz real positiva que satisface la ecuación:
Las probabilidades en régimen permanente se pueden obtener examinando dos épocas de llegada
sucesivas t1 y t2 (similar a las ecuaciones de estado de Fry, véase el § 13.5.5).
Como el proceso de salida es un proceso de Poisson con intensidad constante μ, cuando hay clientes
en el sistema, la probabilidad p(j) que j clientes completen el servicio entre dos épocas de llegada se
puede expresar por el número de eventos en un proceso de Poisson durante un intervalo estocástico
(tiempo entre llegadas). Se pueden formular las siguientes ecuaciones de estado:
La condición de normalización es como siempre:
Se puede demostrar que la distribución geométrica indicada anteriormente es la única solución a

este sistema de ecuaciones (Kendall, 1953 [62]).

- 262 -
En principio, el sistema de puesta en fila de espera GI/M/n se puede resolver de la misma manera.
La probabilidad p(j) resulta más complicada pues la velocidad de salida depende del número de
canales ocupados.
Se debe señalar que π(i) no es la probabilidad de encontrar al sistema en el estado i en un punto
arbitrario del tiempo (promedio de tiempo), sino la probabilidad de encontrar el sistema en el
estado i inmediatamente antes de una llegada (promedio de llamadas).
13.6.3 Características del sistema GI/M/1
La probabilidad de servicio inmediato resulta:
p {inmediato} = π (0) = 1 − α (13.72)
La probabilidad correspondiente de estar en espera resulta:
D = p {espera}= α (13.73)
El promedio del número de servidores ocupados en un punto aleatorio del tiempo (promedio
temporal) es igual al tráfico transportado (= al tráfico ofrecido A < 1).
El promedio del número de clientes en espera, inmediatamente antes de la llegada de un cliente, se
obtiene a través de las probabilidades de estado:
El tiempo medio de espera para todos los clientes:

El promedio del número de clientes en el sistema antes de una época de llegada es:
El promedio del tiempo de espera para todos los clientes resulta entonces:
El promedio de la longitud de la fila de espera tomado en todo el eje del tiempo (longitud de fila de
espera virtual) resulta entonces (teorema Little):
El tiempo medio de espera para los clientes, que obtienen tiempos de espera, resulta:

- 263 -
Ejemplo 13.6.1: Tiempos medios de espera GI/M/1

Para M/M/1 se encuentra que α = αm = A. Para D/M/1 α = αd se obtiene de la ecuación:
donde αd debe estar entre (0,1). Se puede demostrar que 0 < αd < αm < 1 . Así, el sistema de puesta
en fila de espera D/M/1 tendrá siempre menos tiempo medio de espera que M/M/1.
Para A = 0,5 erlang se obtienen los siguientes tiempos medios de espera para todos los clientes
(13.76):
M/M/1: α = 0,5, W = 1, w = 2.
D/M/1: α = 0,2032, W = 0,2550, w = 1,3423.
donde el tiempo medio de ocupación se utiliza como unidad de tiempo (μ = 1). El tiempo medio de
espera está lejos de ser proporcional con el factor de forma de la distribución del tiempo entre
llegadas.
13.6.4 Distribución del tiempo de espera: GI/M/1, FCFS
Cuando un cliente llega a un sistema de fila de espera, el número de clientes en el sistema está
distribuido geométricamente, y el cliente, por tanto, bajo la hipótesis que tiene un tiempo de espera
positivo, debe esperar un número de fases exponenciales distribuidas geométricamente. Esto dará
por resultado un tiempo de espera con un parámetro dado en la ecuación (13.78), cuando el criterio
de puesta en fila es FCFS (véase el § 12.4 y la figura 4.9).
13.7 Sistema de puesta en fila con retorno al punto de origen y compartición de procesador
El modelo de puesta en fila con retorno al punto de origen (RR, round robin) (véase la figura 13.6)
se utiliza para un sistema informático de compartición en el tiempo en el que se requiere un tiempo
de respuesta rápido para las operaciones más cortas. Este criterio de puesta en fila también se
denomina fila de espera adecuada pues los recursos disponibles están distribuidos por igual entre
las operaciones (clientes) en el sistema.
Figura 13.6 − Sistema de puesta en fila de espera con retorno al punto de origen.
Se atribuye un segmento de tiempo Δs (como máximo) a una operación cada
vez que está servida. Si la operación no concluye durante este segmento de
tiempo, retorna a una fila FCFS, que espera en términos iguales con
nuevas operaciones. Si se permite que Δs disminuya a cero se
obtiene el criterio de puesta en fila PS
(Compartición de procesador)

- 264 -

1) Operaciones no concluidas
2) Nuevas operaciones
3) Fila de espera
4) Operaciones concluidas
Las nuevas operaciones se ponen en una fila de espera FCFS, en las que esperan hasta que obtengan
servicios dentro de un segmento de tiempo Δs que es el mismo para todas las operaciones. Si una
operación no concluye dentro de un segmento de tiempo, el servicio se interrumpe y la operación se
coloca al final de la fila de espera FCFS. Esto continúa hasta que se satisface el tiempo de servicio
total requerido.
Se supone que la fila de espera es ilimitada, y que llegan nuevas operaciones conforme al proceso
de Poisson (λ). La distribución del tiempo de servicio puede ser general con el valor medio s.
El intervalo de tiempo puede variar. Si resulta infinito, todas las operaciones estarán completadas la
primera vez, y se tendrá simplemente un sistema de puesta en fila M/G/1 con criterio FCFS. Si se
permite que el segmento de tiempo disminuya a cero, se obtendrá el modelo PS = compartición de
procesador, que tiene una diversidad de propiedades analíticas precisas. El PS fue introducido por
Kleinrock (1967) y se tratan en detalle en (Kleinrock, 1976 [67]).
El modelo de compartición de procesador se puede interpretar un sistema como de puesta en fila de
espera donde todas las operaciones están servidas continuamente por el servidor (compartición de
tiempo). Si en el sistema hay i operaciones, cada una de ellas obtiene la fracción 1/i de la capacidad
de la computadora. De modo que no hay fila de espera y el criterio de puesta en fila no tiene
importancia.
Cuando el tráfico ofrecido A = λ . s es menor que uno se puede comprobar que las probabilidades en
régimen permanente vienen dada por:
es decir una distribución geométrica con el valor medio A/(1 − A). El tiempo medio de ocupación
(promedio del tiempo de respuesta) para las operaciones con duración t resulta:
Si esta operación fuera la única del sistema, su tiempo de ocupación sería t. Como no hay fila de
espera, se puede hablar de un retardo de tiempo medio para operaciones con duración t.
Los valores medios correspondientes para una operación aleatoria resultan naturalmente:

- 265 -
Esto indica que se obtienen exactamente los mismos valores medios que para M/M/1 (véase
el § 13.2). Pero el tiempo medio de espera real resulta proporcional a la duración de la operación
que a menudo es una propiedad conveniente. No se formularán hipótesis acerca de la duración de la
operación.
El tiempo medio de espera resulta proporcional al tiempo medio de servicio. La proporcionalidad
no debe ser interpretada como que dos operaciones de la misma duración tienen el mismo tiempo de
espera; sólo es válida en promedio. En comparación con los valores para M/G/1 (mediante la
aplicación de la fórmula (13.2) de Pollaczek-Khintchine) obtenidos anteriormente, los resultados
pueden sorprender.
Una propiedad muy útil del modelo de compartición de procesador es que el proceso de salida es
del tipo Poisson como el proceso de llegada (véase el § 13.2). Esto se puede explicar por el hecho
que el proceso de salida tiene origen en el proceso de llegada mediante un desplazamiento
estocástico de las épocas de llegada. El desplazamiento en el tiempo es igual al tiempo de respuesta
con un valor medio dado por la ecuación (13.80) (véase el § 6.3.1, teorema de Palm).
El modelo de compartición de procesador es muy útil para analizar sistemas de compartición del
tiempo y para modelar redes de puesta en fila de espera (véase el Capítulo 14).

- 266 -

- 267 -
CAPÍTULO 14
Redes de filas de espera
Muchos sistemas se pueden modelar de manera que un cliente obtenga servicios a partir de varios
nodos sucesivos, es decir, una vez que un cliente ha finalizado el servicio en un nodo pasa a otro.
La demanda total de servicios se compone de demandas de servicios en distintos nodos. Por
consiguiente, el sistema es una red de puesta fila de espera en la que cada una de las filas se
denomina nodo. Como ejemplos de redes de puesta fila de espera cabe citar los sistemas de
telecomunicaciones, los sistemas informáticos, las redes de conmutación de paquetes y los sistemas
de fabricación flexibles. En las redes de puesta en fila de espera se define la longitud de la fila en un
nodo como el número total de clientes en el nodo, incluidos los clientes que están servidos.
Este Capítulo tiene por objeto introducir la teoría fundamental de las redes de puesta en fila de
espera, ilustrada por aplicaciones. Por lo general, se considera que la teoría es bastante complicada,
lo que se debe principalmente a la complejidad de la notación. Ahora bien, en este Capítulo se
introducirán de manera simple los modelos generales analíticos de redes de puesta en fila de espera
sobre la base de formas de producto, el algoritmo de convolución, el algoritmo MDA y los ejemplos
pertinentes.
La teoría de las redes de puesta en fila de espera es análoga a la teoría de los sistemas
multidimensionales (véanse los Capítulos 10 y 11). En el Capítulo 10 se examinaron los sistemas de
pérdidas multidimensionales mientras que en este Capítulo se tratarán las redes de sistemas de
puesta en fila de espera.
14.1 Introducción a las redes de puesta en fila de espera
Las redes de puesta en fila de espera se clasifican en abiertas y cerradas. En redes de puesta en fila
cerradas la cantidad de clientes es fija mientras que en redes de puesta en fila abiertas la cantidad
de clientes varía. En principio, una red abierta se puede transformar en una red cerrada agregando
un nodo extra.
El sistema de espera clásico de Erlang, M/N/n, es un ejemplo de un sistema de puesta en fila abierto,
mientras que el modelo máquina/reparación de Palm con S terminales es una red cerrada. Si hay
más que un tipo de clientes, la red puede ser una mezcla de red abierta y cerrada. En razón que el
proceso de salida en un nodo es el proceso de llegada en otro, se deberá prestar especial atención al
proceso de salida, en particular cuando se puede modelar como proceso de Poisson. Esto se
examinará en el § 14.2 (Sistemas simétricos de puesta en fila).
El estado de una red de puesta en fila se define como la distribución simultánea del número de
clientes en cada nodo. Si K representa el número total de nodos, el estado se describe entonces
mediante un vector p (i1, i2, . . . iK) donde iK es el número de clientes en el nodo k (k = 1, 2 . . . k).
Con frecuencia el espacio de estado es muy amplio y las probabilidades de estado mediante la
resolución de ecuaciones de equilibrio de nodos son difíciles de calcular. Si cada nodo es un sistema
simétrico de puesta en fila, por ejemplo red de Jackson (véase el § 14.3), se tendrá entonces una
forma de producto. Las probabilidades de estado de redes con forma de producto se pueden agregar
y obtener utilizando el algoritmo de convolución (véase el § 14.4.1) o el algoritmo MVA
(véase el § 14.4.2)
Las redes de Jackson pueden ser generalizadas en redes BCMP (véase el § 14.5), donde hay N tipos
de clientes. Los clientes de un tipo específico pertenecen a una denominada cadena. En la
figura 14.1 se ilustra un ejemplo de una red de puesta en fila con cuatro cadenas. Cuando el número
de cadenas aumenta el espacio de estado se incrementa en consecuencia, y sólo los sistemas con un
pequeño número de cadenas se pueden calcular exactamente. En el caso de una red multicadena, el

- 268 -
estado de cada nodo resulta multidimensional (véase el § 14.6). La forma de producto entre nodos
se mantienen, y son aplicables los algoritmos de convolución y MVA (véase el § 14.7). La cantidad
aproximada de algoritmos para grandes redes se puede encontrar en la literatura.
Figura 14.1 − Ejemplo de una red de puesta en fila con cuatro cadenas abiertas
14.2 Sistemas simétricos de puesta en fila de espera

Para analizar los sistemas de puesta en fila es importante conocer cuándo el proceso de salida de un
sistema de fila de espera es un proceso de Poisson. Se conocen cuatro modelos de puesta en fila que
tienen esta propiedad.
1) M/M/n. Este es el teorema de Burke (1956 [13]), que expresa que el proceso de salida de
un sistema M/M/n es un proceso de Poisson. Las probabilidades de espacio de estado están
dadas por la ecuación (12.2):
donde A = λ/μ
2) M/G/∞. Esto corresponde al caso de Poisson (véase el § 7.2). Del § 6.3 se sabe que una
traslación aleatoria de los eventos de un proceso de Poisson produce un nuevo proceso de
Poisson. Este modelo se representa a veces como un sistema con criterio de puesta en fila
IS, número infinito de servidores. Las probabilidades de estado vienen dadas por la
distribución de Poisson (7.6):
3) M/G/1-PS. Este es un sistema de puesta en fila de un solo servidor con una distribución
general del tiempo de servicio y compartición de procesador. Las probabilidades de estado
son similares al caso M/M/1 (13.79):
i
p(i) = (1 − A) . A , i= 0, 1, 2, . . . . (14.4)
4) M/G/1-LCFS-PR (PR = con derecho prioritario). Este sistema también tiene las mismas
probabilidades de espacio de estado que el modelo M/M/1 (14.4).

- 269 -
En la teoría de redes de puesta en fila sólo se consideran, por lo general, estos cuatro criterios de fila
de espera. Sin embargo, aun para el sistema de pérdidas de Erlang, el proceso de salida será un
proceso de Poisson si se incluyen clientes bloqueados.
Estos cuatro sistemas se conocen como sistemas simétricos de puesta en fila de espera, pues son
simétricos en el tiempo. Tanto el proceso de llegada como el de salida son procesos de Poisson y los
sistemas son reversibles (Kelly, 1979 [60]). El proceso se denomina reversible pues tiene el mismo
aspecto que cuando se invierte el tiempo (por ejemplo, se dice que una película es reversible cuando
su reproducción hacia delante o hacia atrás parecen iguales). Con excepción del modelo M/M/n
estos sistemas simétricos de puesta en fila tienen como característica común que el cliente es
servido inmediatamente a partir de su llegada. A continuación se tratarán básicamente los nodos
M/M/n pero el modelo M/M/1 también incluye M/G/1-PS y M/G/1-LCFS-PR.
14.3 Teorema de Jackson
En 1957, Jackson, que trabajaba con sistemas de fabricación y planeamiento de la producción,
publicó un documento con un teorema que se denomina ahora teorema de Jackson (Jackson, 1957
[46]). En dicho teorema demostró que una red de puesta en fila de espera de nodos M/M/n tiene
forma de producto. Sus conclusiones fueron inspiradas por el resultado obtenido por Burke el año
anterior (Burke, 1956 [13]).
Teorema 14.1. Teorema de Jackson: Considérese una red de puesta en fila de espera abierta con K
nodos que satisfacen las siguientes condiciones
a) Cada nodo es un sistema de puesta en fila M/M/n. El nodo k tiene nk servidores y el
promedio del tiempo de servicio es 1=μk.
b) Los clientes llegan desde fuera del sistema al nodo k conforme a un proceso de Poisson con
intensidad λk. Pueden llegar también clientes de otros nodos al nodo k.
c) Un cliente, que acaba de finalizar su servicio en el nodo j, se transfiere inmediatamente al
nodo k con probabilidad pjk o sale de la red con probabilidad:
Un cliente puede visitar varias veces el mismo nodo si pkk > 0.

El promedio de la intensidad de llegada Λk en el nodo k se obtiene empleando las ecuaciones de
equilibrio de flujo:
Sea p(i1, i2, . . ., iK) la representación de las probabilidades de espacio de estado conforme a la
hipótesis de equilibrio estadístico, es decir la probabilidad que haya ik clientes en el nodo k.
Asimismo, se supone que
Las probabilidades de espacio de estado vienen dadas entonces en forma de producto:

- 270 -
Aquí para el nodo k, pk(ik) es la probabilidad de estado de un sistema de puesta en fila M/M/n con
intensidad de llegadas Λk y velocidad de servicio μk (14.1). El tráfico ofrecido Λc/μk =_k al nodo k
debe ser menor que la capacidad nk del nodo para entrar en equilibrio estadístico (14.6).
El punto fundamental del teorema de Jackson es que cada nodo puede ser considerado
independientemente de los otros y que las probabilidades de estado vienen dadas por las fórmula C
de Erlang. Esto simplifica considerablemente el cálculo de las probabilidades de espacio de estado.
La prueba del teorema fue obtenida por Jackson en 1957 demostrando que la solución satisface las
ecuaciones de equilibrio para el equilibrio estadístico.
En el último modelo de Jackson (Jackson, 1963 [47] la intensidad de llegada proveniente del
exterior:
puede depender del número corriente de clientes en la red. Asimismo, μk puede depender del
número de clientes en el nodo k. De esta manera, se pueden modelar redes de puesta en fila que
sean cerradas, abiertas o mixtas. En los tres casos, las probabilidades de estado tienen forma de
producto.
El modelo de Gordon y Newell (1967 [33]), que se cita a menudo en la literatura, puede ser tratado
como un caso especial del segundo modelo de Jackson.
Figura 14.2 − Diagrama de transición de estado de una red de puesta en

fila abierta constituida por dos sistemas M/M/1 en serie
Ejemplo 14.3.1: Dos nodos M/M/1 en serie

La figura 14.2 muestra una red de puesta en fila abierta de dos nodos M/M/1 en serie. El diagrama
de transición de estado correspondiente se ilustra en la figura 14.3. Evidentemente, el diagrama de
transición de estado no es reversible: entre dos estados vecinos sólo hay flujo en un sentido (véase
el § 10.2) y aparentemente no hay forma de producto. Si se resuelven las ecuaciones de equilibrio
para obtener las probabilidades de estado se encuentra que la solución se puede expresar en forma
de producto:
donde A1 = λ/μ1 y A2 = λ/μ2. Las probabilidades de estado se pueden expresar en forma de producto
p(i, j) = p(i) . p(j), donde p(i) es la probabilidad de estado para un sistema M/M/1 con tráfico
ofrecido A1 y p(j) es la probabilidad de estado para un sistema M/M/1 con tráfico ofrecido A2. Las
probabilidades de estado indicadas en la figura 14.3 son idénticas a las de la figura 14.4 que tiene
equilibrio local y forma de producto. Es posible así encontrar un sistema que es reversible y tenga
las mismas probabilidades de estado que el sistema no reversible. En la figura 14.3 hay equilibrio
regional y no local. Si se considera un cuadrado de cuatro estados habrá equilibrio para el mundo
exterior pero, internamente, habrá circulación a través de la diagonal de desplazamiento de estado.

- 271 -
En redes de fila de espera los clientes a menudo son puestos en operación bucle, de modo tal que un
cliente puede visitar varias veces el mismo nodo. Si se tiene una red de puesta en fila con clientes en
bucle, donde los nodos son sistemas M/M/n, los procesos de llegada a cada uno de los nodos ya no
son procesos de Poisson. De cualquier modo se pueden calcular las probabilidades de estado como
si los nodos fueran sistemas M/M/n independientes. Esto se explica en el siguiente ejemplo.
Ejemplo 14.3.2: Redes con retroalimentación
El concepto de retroalimentación se introdujo en el ejemplo 14.3.1 en el que un cliente, que acaba
de concluir su servicio en el nodo 2, retorno al nodo 1 con probabilidad p21. El cliente deja el
sistema con probabilidad con 1 - p21. La ecuación (14.5) de equilibrio de flujo permite calcular la
intensidad de llegada total a cada nodo y la probabilidad p21 se debe elegir de modo tal que las
relaciones Λ1=μ1 y Λ2=μ2 sean menor que uno. Si λ1 → 0 y p21 → 1 se comprenderá que los procesos
de llegada no son procesos de Poisson. Rara vez llegará un nuevo cliente, pero una vez que ha
ingresado al sistema circulará durante un tiempo relativamente largo. El número de circulaciones
estará distribuido geométricamente y el tiempo entre llegadas es la suma de los dos tiempos de
servicio; es decir, cuando en el sistema hay uno o más clientes, la velocidad de llegada a cada nodo
será relativamente alta, mientras que si en el sistema no hay clientes la velocidad será muy baja. El
proceso de llegada será en ráfagas.
La situación es similar a la descomposición de una distribución exponencial en una suma ponderada
de distribuciones de Erlang-k, con factores geométricos ponderados (véase el § 4.4). En lugar de
considerar una distribución entre llegadas exponencial simple se puede descomponer esto en k fases
(véase la figura 4.9) y considerar cada fase como una llegada. En consecuencia, el proceso de
llegada ha sido transformado de un proceso de Poisson a un proceso con llegadas en ráfagas.
Figura 14.3 − Diagrama de transición de estado para la red de puesta en fila

abierta que se ilustra en la figura 14.2. El diagrama no es reversible

- 272 -
Figura 14.4 − Diagrama de transición de estado para dos sistemas de puesta en

fila M/M/1 independientes con idéntica intensidad de llegada, pero tiempos
medios de servicio individuales. El diagrama es reversible
14.3.1 Suposición de independencia de Kleinrock

Si se considera una red de datos de vida real, los paquetes tendrán la misma longitud constante y,
por tanto, el mismo tiempo de servicio en todos los enlaces y nodos de igual velocidad. La teoría de
redes de puesta en fila supone que un paquete (un cliente) toma muestras de un nuevo tiempo de
servicio en cada nodo. Esta es una suposición necesaria para la forma de producto.
Kleinrock (1964 [65]), investigó por primera vez esta suposición y resultó ser una buena
aproximación en la práctica.
14.4 Redes de puesta en fila de una sola cadena
Se examinarán principalmente las probabilidades de estado definidas por
p(i1, i2; . . . , ik, . . . , iK), donde ik es la cantidad de clientes en el nodo k (1 ≤ k ≤ K). Cuando se
trata de sistemas abiertos, las operaciones son más sencillas de efectuar. Se resuelve primero la
ecuación (14.5) de equilibrio de flujo y se obtiene la intensidad de llegada agregada a cada nodo
(Λk). Mediante la combinación de las intensidades de llegada con la distribución del tiempo de
servicio (μk) se obtiene el tráfico ofrecido Ak en cada nodo y entonces, considerando el sistema de
espera de Erlang, se obtienen las probabilidades de estado para cada nodo.
14.4.1 Algoritmo de convolución para una red de puesta en fila cerrada
Cuando se tratan redes de puesta en fila cerradas las operaciones son mucho más complicadas. En
este caso, solo se conoce la carga relativa en cada nodo y no la carga absoluta, es decir, se conoce
c Λj, pero no se conoce c. Se pueden obtener probabilidades de estado relativas no normalizadas.
.
Por último, se obtiene la normalización de las probabilidades de estado. Lamentablemente,

normalización implica que se deben sumar todas las probabilidades de estado, es decir se debe
calcular cada una de las probabilidades de estado (no normalizadas). El número de estados aumenta
rápidamente cuando se incrementa el número de nodos y/o clientes. En general, la complejidad es
similar a la correspondiente a sistemas de pérdidas multidimensionales (véase el Capítulo 10).

- 273 -
Se puede mostrar ahora cómo se puede aplicar el algoritmo de convolución a las redes de puesta en
fila. El mecanismo de la operación corresponde al algoritmo de convolución para sistemas con
pérdidas (véase el Capítulo 10). Se considera una red de puesta en fila con K nodos y una sola
cadena con S clientes. Se supone que los sistemas de puesta en fila en cada nodo son simétricos
(véase el § 14.2). El algoritmo tiene tres pasos:
• Paso 1. Sea la intensidad de llegada a un nodo arbitrario igual a uno y se obtiene entonces
las intensidades relativas restantes λk. Mediante la resolución de la ecuación (14.5) de
equilibrio de flujo para la red cerrada se obtiene las velocidades de llegada relativas (Λk, 1 ≤
k ≤ K) para cada nodo. Por último, se obtiene el tráfico ofrecido relativo αk = Λk/μk.
• Paso 2. Considérese cada nodo como si estuviera aislado y tuviera el tráfico ofrecido αk
(1 ≤ k ≤ K). Dependiendo del sistema de puesta en fila simétrico real en el nodo k, se
extraen las probabilidades de estado relativas qk(i) en el nodo k. El espacio de estado estará
limitado por la cantidad total de clientes S, es decir 0 ≤ i ≤ S.
• Paso 3. Repliéguese recurrentemente las probabilidades de estado para cada nodo. Por
ejemplo, para los primeros dos nodos se tienen:
donde:
Cuando todos los nodos han sido replegados se obtiene:
En razón que la cantidad total de clientes es fija (S) sólo existe en el sistema combinado el
estado q1,2. . . ,K(S) y, por tanto, este macroestado debe tener la probabilidad uno. Se pueden entonces
normalizar todas las probabilidades de microestado.
Cuando se efectúa la última convolución se pueden obtener las medidas de calidad de
funcionamiento para el último nodo. Variando el orden de convolución de los nodos se pueden
obtener las medidas de calidad de funcionamiento de todos ellos.

- 274 -
Figura 14.5 – Modelo máquina – Reparador como redes de puesta en fila cerradas con dos
nodos. Los terminales corresponden a un nodo IS, en razón que las
operaciones encuentran siempre un terminal en reposo,
mientras que la CPU corresponde a un nodo M/M/1
Ejemplo 14.4.1: Modelo máquina – Reparador de Palm

Se examinará ahora el modelo máquina – reparador de Palm introducido en el § 12.5 como red de
fila de espera cerrada (véase la figura 14.5). Hay S clientes y terminales. El tiempo de activación
medio es μ1-1 y el tiempo de servicio medio en la CPU que es μ2-1. En la terminología de redes de
fila de espera hay dos nodos: En el nodo 1 están los terminales, es decir un sistema M/G/∞ (en
realidad es un sistema M/G/S, pero en razón que la cantidad de clientes se limita a S, corresponde a
un sistema M/G/∞), y el nodo 2 es la CPU, es decir un sistema M/M/1 con intensidad de servicio μ2.
Los flujos a los nodos son iguales (λ1 = λ2 = λ) y la carga relativa en el nodo 1 y nodo 2 son
α1 = λ/μ1 y α2 = λ/μ2,
respectivamente. Si se considera cada nodo por separado se obtienen las probabilidades de estado
de cada uno de ellos, q1(i) y q2(j), y por convolución de q1(i) y q2(j) se obtiene q12(x), (0 ≤ x ≤ S),
como se muestra en el cuadro 14.1. El último término con S clientes (probabilidad no normalizada)
q12(S) está compuesto por:
Por simple transposición resulta:
donde
La probabilidad de que todos los terminales estén "activados" se identifica con el ultimo término
(normalizado por la suma) (S terminales en el nodo 1, cero terminales en el nodo 2):

- 275 -
que es la fórmula B de Erlang. Así, el resultado está de acuerdo con el obtenido en el § 12.5. Se
observa que λ aparece con la misma potencia en todos los términos de q1,2(S) y así corresponde a
una constante que desaparece cuando se normaliza.
Cuadro 14.1 − Algoritmo de convolución aplicado al modelo máquina – Reparador

de Palm. El nodo 1 es un sistema IS mientras que el nodo 2 es un
sistema M/M/1 (véase el ejemplo 14.4.1)
Estado Nodo 1 Nodo 2 Red de puesta en fila

i q1(i) q2(i) q12 = q1 * q2
Ejemplo 14.4.2: Servidor central

En 1971 J.P. Buzen introdujo el modelo de servidor central que se ilustra en la figura 14.6 para
modelar un sistema informático multiprogramado con una CPU y un número de canales de
entrada/salida (unidades periféricas). El grado de multiprogramación S describe la cantidad de
operaciones procesadas simultáneamente. El número de unidades periféricas se representa por K − 1
como se muestra en la figura 14.6, que también indica las probabilidades de transición.
Típicamente una operación requiere servicios cientos de veces, ya sea por la unidad central o bien
por uno de los periféricos. Se supone que la operación una vez finalizada es inmediatamente
remplazada por otra; por tanto S es constante. Los tiempos de servicios están todos distribuidos
exponencialmente con intensidad μi (i = 1, . . . ,K).
Buzen formuló un esquema para evaluar este sistema. El esquema es un caso especial del algoritmo
de convolución. Sea un caso con S = 4 clientes y K = 3 nodos, y:

- 276 -
Figura 14.6 – Sistema de puesta en fila de servidor central constituido por un

servidor central (CPU) y (K−1) canales de entrada/salida. En el sistema
circula un número fijo de operaciones S

1) S operaciones de circulación
3) Canales entrada/salida
Las cargas relativas resultan:
Si se aplica el algoritmo de convolución se obtienen los resultados que figuran en el cuadro 14.2. El
término q123(4) está compuesto por:
El nodo 3 sirve a los clientes en todos los estados con excepción del estado q3(0) . q12(4) = 5. La
utilización del nodo 3 es por tanto a3 = 52/57. Basado en las cargas relativas se obtienen ahora las
cargas exactas:
El promedio del número de clientes en el nodo 3 es:
Cambiando el orden de convolución se obtiene el promedio de longitudes de fila de espera L1 y L2 y

concluye con:

- 277 -
Cuadro 14.2 – Algoritmo de convolución aplicado al

sistema del servidor central
Estado Nodo 1 Nodo 2 Nodo 1*2 Nodo 3 Red de puesta en fila
i q1(i) q2(i) q12 = q1 * q2 q3 q123 = (q1 * q2) * q3

0 1 1 1 1 1
1 1 1 2 2 4
2 1 1 3 4 11
3 1 1 4 8 26
4 1 1 5 16 57
La suma de todos los promedios de longitudes de filas de espera es, por supuesto, igual al número
de clientes S. Se debe señalar que en redes de puesta en fila se define la longitud de la fila de espera
como la cantidad total de clientes en el nodo, incluidos los que están recibiendo un servicio. De los
tiempos medios de servicio y de utilización se obtiene el promedio de número de clientes que
concluyen el servicio por unidad de tiempo en cada nodo:
Aplicando el resultado de Little se obtiene finalmente el tiempo medio de estado: Wk = Lk /λk:
14.4.2 Algoritmo de valor medio

El algoritmo de valor medio (MVA, mean value algorithm) es un mecanismo para calcular medidas
de calidad de funcionamiento de redes de puesta en fila de espera. Combina de excelente manera
dos resultados principales de la teoría de puesta en fila de espera: el teorema de llegada (§ 8.28) y la
ley de Little (§ 5.20). El algoritmo fue publicado por primera vez por Lavenberg y
Reiser (1980 [73]).
En el mismo se considera una red de puesta en fila con K nodos y S clientes (todos pertenecientes a
una sola cadena). Las cargas relativas de los nodos se simbolizan por αk (k = 1, 2, . . . ,K). El
algoritmo es recurrente en el número de clientes, es decir, una red con x clientes se evalúa a partir
de una red con x−1 clientes.
Supóngase que el promedio de la cantidad de clientes en el nodo k es Lk(x) donde x es el número de
clientes total en la red. Obviamente:

- 278 -
El algoritmo actúa recurrentemente en dos pasos:

Paso 1:
Aumentar el número de clientes de x a (x + 1). Conforme al teorema de llegada, el
(x + 1)-ésimo cliente verá el sistema como si éste tuviera x clientes en equilibrio estadístico. Por
tanto, el promedio de tiempo de ocupación (tiempo de espera, + tiempo en servicio) en el nodo k es:
• Para M/M/1, M/G/1−PS, M/G/1, y LCFS−PR:
• para M/G/∞:
donde sk es el promedio del tiempo de servicio en el nodo k que tiene nk servidores. En razón que
solo se calcula el tiempo medio de espera, se puede suponer el criterio de fila de espera FCFS.
Paso 2:
Se aplica la ley de Little (L = λ .W), que es válida para todos los sistemas en equilibrio estadístico.
Para el nodo k se tiene Lk = λk . Wk, donde λk es la velocidad de llegada relativa al nodo k. Se tiene
La constante c se obtiene del número total de clientes:
Mediante estos dos pasos se ha efectuado la recursión de x a (x + 1) clientes. Para x = 1 no habrá

tiempo de espera en el sistema y Wk(1) es igual al promedio del tiempo de servicio sk.
El algoritmo MVA se indica a continuación para nodos de un solo servidor, pero es bastante sencillo
generalizarlo a nodos con criterios de múltiples servidores, o bien infinitos servidores.
Ejemplo 14.4.3: Modelo de servidor central
Se aplica el algoritmo MVA al modelo de servidor central (véase el ejemplo 14.4.2). Las
velocidades de llegada relativa son:

- 279 -
Nodo 1 Nodo 2 Nodo 3
Naturalmente, el resultado es idéntico al obtenido con el algoritmo de convolución. El tiempo de

permanencia en cada nodo (utilizando la unidad de tiempo original) es el siguiente:
W1(4) = 1,6154 . 28 = 45,23,
W2(4) = 1,6154 . 40 = 64,62,
W3(4) = 2,7693 . 280 = 775,38,
Ejemplo 14.4.4: Algoritmo MVA aplicado al modelo máquina - reparador
Se examina el modelo máquina - reparación con S fuentes, tiempo de activación del terminal A y
tiempo de servicio−CPU igual a una unidad de tiempo. Como se indicó en el § 12.5.2 esto es
equivalente a un sistema de pérdidas de Erlang con S servidores y tráfico ofrecido A. Es también
una red de puesta en fila cerrada con dos nodos y S clientes en una cadena. Si se aplica el algoritmo
MVA a este sistema se obtendrá entonces la fórmula de recursión para la fórmula B de Erlang (véase
el § 7.27). Las velocidades de visita relativa son idénticas, pues un cliente visita alternativamente el
nodo 1 y el nodo 2: λ1 = λ2 = 1.
Nodo 1 Nodo 2

- 280 -
Se sabe que la longitud de la fila de espera en los terminales (nodo 1) es igual al tráfico transportado
en el sistema B de Erlang equivalente y que todos los otros clientes se quedan en la CPU (nodo 2).
Así tenemos en general:
Nodo 1 Nodo 2
De esto se obtiene la constante de normalización c = 1 − Ex(A) y se calcula para el (x+1)-ésimo

cliente:
pues se sabe que c = 1- Ex+1. Esta es la formula de recursión para la fórmula B de Erlang.
14.5 Redes de puesta en fila BCMP
En 1975 el modelo de Jackson fue ulteriormente generalizado por Baskett, Chandy, Muntz y
Palacios (1975 [4]). Se demostró que las redes de puesta en fila con más de un tipo de clientes
también tienen forma de producto, siempre que:
a) Cada nodo es un sistema de puesta en fila simétrico (véase el § 14.2: proceso de llegada de
Poisson ⇒ proceso de salida de Poisson).
b) Los clientes se clasifican en N canales. Cada canal se caracteriza por su propio tiempo de
servicio medio si y por las probabilidades de transición pij. Además, un cliente puede
cambiar de un canal a otro con una determinada probabilidad después de haber terminado el
servicio en un nodo. Si el criterio de puesta en fila en un nodo es M/M/n (incluido M/M/1)
se aplica una restricción: el promedio del tiempo de servicio debe ser idéntico para todos
los canales en un nodo.
Las redes BCMP pueden ser evaluadas con el algoritmo de convolución multidimensional así como
con el algoritmo MVA multidimensional. Estos dos algoritmos se describirán más adelante. Las
redes de puesta en fila mixtas (abiertas y cerradas) se proyectan calculando primero la carga de
tráfico en cada nodo de las cadenas abiertas. Este tráfico debe ser transportado para que entren en
equilibrio estadístico. La capacidad de los nodos está reducida por este tráfico, y la red de puesta en
fila cerrada se calcula por la capacidad reducida. Por tanto, el problema principal es calcular redes
cerradas.
Para ello, se utilizarán más algoritmos entre los cuales los más importantes son el algoritmo de
convolución y el algoritmo MVA.

- 281 -
14.6 Redes de puesta en fila multidimensionales

En esta sección se estudiarán redes de puesta en fila con más de un tipo de clientes. Los clientes del
mismo tipo pertenecen a una clase o canal específico. En el Capítulo 10 se analizaron sistemas de
pérdidas con diversos tipos de clientes (servicios) y se observó que se mantuvo la forma de
producto y que se podía aplicar el algoritmo de convolución.
14.6.1 Sistema de puesta en fila de un solo servidor M/M/1
Figura 14.7 – Sistema de puesta en fila M/M/1 con dos tipos (de cadenas) de clientes
La figura 14.7 ilustra un sistema de puesta en fila de un solo servidor con N = 2 tipos de clientes
(cadenas). Los clientes llegan al sistema conforme a un proceso de llegada de Poisson con
intensidad λj (j = 1, 2). El estado (i, j) se define como un estado con i clientes tipo 1 y j clientes
tipo 2. La intensidad de servicio μi,j en el estado (i, j) se puede seleccionar pues ésta depende del
estado, por ejemplo:
La velocidad del servicio se puede interpretar de diversas maneras conforme al sistema simétrico de
puesta en fila de un solo servidor. Una interpretación corresponde a la compartición del procesador,
es decir, todos los (i + j) clientes comparten el servidor y la capacidad de éste es constante. La
dependencia del estado es debida a la diferencia en velocidades de servicio entre los dos tipos de
clientes; es decir, el número de clientes que ha terminado su operación por unidad de tiempo
depende de los tipos de clientes a los que se le está dando servicio.
Otra interpretación corresponde a un sistema M/M/1. Si se supone μ1 = μ2, se puede determinar que
el cliente se le da servicio con probabilidad i/(i+j) de tipo 1, y con probabilidad j/(i+j) de tipo 2.
Esto es independiente del criterio de servicio.

- 282 -
Figura 14.8 – Diagrama de transición de estado para un sistema M/M/1

multidimensional con compartición de procesador
En la figura 14.8 se ilustra parte del diagrama de transición de estado. El diagrama es reversible,
pues el flujo que circula en sentido horario es igual al flujo que circula en sentido antihorario. Por lo
tanto, hay equilibrio local y todas las probabilidades de estado se pueden expresar por p(0, 0):
Normalizando la expresión se tiene que p(0, 0):
En comparación con la fórmula B de Erlang multidimensional se tiene ahora el factor adicional

(i+j)!. El producto entre cadenas (dentro de un nodo) se pierde, pero el producto entre nodos se
mantendrá aún.
Si hay N tipos de clientes (cadenas) diferentes, las probabilidades de estado para un solo nodo
resulta:
Esto se puede expresar por la distribución polinómica (4.37):

- 283 -
Para un número ilimitado de posiciones de puesta en fila las probabilidades de estado del número
total de clientes son:
Si μi = μ, el sistema es idéntico a un sistema M/M/1 con velocidad de llegada λ = Σi λi:
Para obtener este resultado se utiliza la expansión binomial. El diagrama de transición de estado de
la figura 14.8 también se puede interpretar como el diagrama de transición de estado de un sistema
M/G/1, LCFS-PR (con derecho prioritario). Es obvio que este sistema sea reversible pues el proceso
sigue exactamente el mismo trayecto en el diagrama de transición de estado fuera del estado cero y
retorno a dicho estado.
El diagrama de transición de estado se puede mostrar diferente a la distribución del tiempo de
servicio, de modo que es válido para el sistema de puesta en fila M/G/1. La figura 14.8 corresponde
a un diagrama de transición de estado para un sistema de puesta en fila de un solo servidor con
tiempos de servicios distribuidos hiperexponencialmente (véase (10.7)), por ejemplo M/H2/1-LCFS-
PR o PS.
Cabe señalar que para el sistema M/M/1 (FCFS, LCFS, SIRO) es necesario suponer que todos los
clientes tienen el mismo tiempo medio de servicio, que debe estar distribuido en forma exponencial.
De otro modo, el cliente a quien se le está dando servicio no será del tipo aleatorio que se encuentra
entre los (i + j) clientes en el sistema.
En conclusión, los sistemas de puesta en fila de un solo servidor con más tipos de clientes sólo
tendrá forma de producto cuando el nodo es un sistema de puesta en fila simétrico: M/G/1-PS,
M/G/1-LCFS PR, o M/M/1 con el mismo tiempo de servicio para todos los clientes.
14.6.2 Sistema de puesta en fila M/M/n
El tráfico anterior se puede transportar a través de un sistema con n servidores. Para (i + j) ≤ n se
tiene las mismas probabilidades de estado relativas que para la fórmula B de Erlang
multidimensional. Para (i + j) > n sólo se obtiene una interpretación simple cuando μi = μ, es decir,
cuando todos los tipos de clientes (cadenas) tienen el mismo tiempo medio de ocupación. Se calcula
entonces las probabilidades de estado aplicando la ecuación (14.1), y el sistema tiene forma de
producto. El sistema M/M/∞ se puede considerar como un caso especial de M/M/n y ya ha sido
tratado en relación con sistemas de pérdidas (véase el Capítulo 12).
14.7 Redes cerradas de puesta en fila con múltiples cadenas
El tratamiento de redes de puesta en fila con múltiples cadenas es análogo al caso con una sola
cadena. La única diferencia es que las fórmulas y algoritmos clásicos están reemplazados por las
fórmulas multidimensionales pertinentes.

- 284 -

El algoritmo es esencialmente el mismo que en el caso de una sola cadena:
• Paso 1. Considérese cada canal como si fuera el único de la red. Obténgase la carga relativa
en cada nodo resolviendo la ecuación (14.5) de equilibrio de flujo. En un nodo de
referencia arbitrario se supone que la carga es igual a uno. Para cada cadena se puede
determinar un nodo diferente como nodo de referencia. Para la cadena j en el nodo k se
obtiene la intensidad de llegada relativa λkj (el índice superior indica la cadena) mediante la
siguiente expresión:
donde:
K = cantidad de nodos,
N = cantidad de cadenas,
pikj = probabilidad que un cliente de la cadena j pase del nodo i al nodo k.
Se determina un nodo arbitrario como nodo de referencia, por ejemplo nodo 1, es decir λ1j = 1. La
carga relativa en el nodo k debido a clientes de la cadena j es entonces:
donde skj es el tiempo medio de servicio en el nodo k para clientes de la cadena j. Cabe señalar que
j es un índice superior y no una potencia.
• Paso 2. Basado en las cargas relativas halladas en el paso 1, obténganse las probabilidades
de estado multidimensionales para cada nodo. Cada nodo se considera aislado y se corta el
espacio del estado conforme al número de clientes en cada cadena. Por ejemplo para el
nodo k (1 ≤ k ≤ K):
pk = pk(i1, i2, . . . ,iN), 0 ≤ ij ≤ Sj, j = 1, 2, . . . N,
donde Sj es el número de clientes en la cadena j.
• Paso 3. Para hallar las probabilidades de estado de toda la red, las probabilidades de estado
de cada nodo se plantean de forma similar al caso de una sola cadena. La única diferencia
es que la convolución es multidimensional. Cuando se efectúa la última convolución se
pueden obtener las medidas de calidad de funcionamiento desde la última cadena.
Nuevamente, al cambiar el orden de los nodos, se pueden obtener las medidas de calidad de
funcionamiento de todos los nodos.
La cantidad de estados aumenta rápidamente. Por ejemplo, si la cadena j tiene Sj, el número total de
estados en cada nodo será:
La cantidad de modos en que N cadenas con Sj clientes en la cadena j pueden ser distribuidos en una
red de puesta en fila con K nodos se calcula con la siguiente expresión:

- 285 -
donde kj (1 ≤ kj < k) es el número de nodos visitados por la cadena j y:
El algoritmo se ilustra mejor con un ejemplo.

Ejemplo 14.7.1: Modelo máquina – reparador de Palm con dos tipos de clientes
Como se vio en el ejemplo 14.4.1, este sistema se puede modelar con una red de puesta en fila con
dos nodos. El nodo 1 corresponde a los terminales (máquinas) mientras que el nodo 2 es la CPU
(reparador). El nodo 2 es un sistema de servidor único mientras que el nodo 1 está modelado como
sistema de servidor infinito. El número de clientes en las cadenas son (S1 = 2; S2 = 3) y el tiempo
medio de servicio en el nodo k es skj . La carga relativa de la cadena 1 se representa por α1 en el
nodo 1 y por α2 en el nodo 2. En forma similar, la carga de la cadena 2 se simboliza por β1 y β2,
respectivamente. Aplicando el algoritmo de convolución se tiene:
• Paso 1.
Cadena 1: S1 = 2 clientes
Carga relativa: α2 = λ1. s11 , α2 = λ1 . s12 .
Carga relativa: β1 = λ2 . s12 , β2 = λ2 . s22 .

• Paso 2.
Para el nodo 1 (IS) las probabilidades de estado relativas son (véase 14.1):

- 286 -
Para el nodo 2 (servidor único) (véase 14.15) resulta:
• Paso 3.
Se ponen los dos nodos en convolución. Se sabe que el número total de clientes es (2, 3), es decir,
sólo hay interés en el estado (2, 3):
Utilizando los valores reales se tiene:
Se debe señalar que α1 y α2 juntos (cadena 1) siempre aparecen en la segunda potencia mientras
que β1 y β2 (cadena 2) aparecen en la tercera potencia correspondiente al número de clientes en
cada cadena. Debido a esto, sólo las cargas relativas son pertinentes, y las probabilidades absolutas
se obtienen por proceso de normalización dividiendo todos los términos por q12(2, 3). Las
probabilidades de estado detalladas son ahora fáciles de obtener. Sólo en el estado con el término
( α12 β13 )/12 está la CPU (reparador) inactiva. Si los dos tipos de clientes son idénticos el ejemplo
.
se simplifica al modelo de máquina - reparador de Palm con cinco terminales. En este caso se tiene:

- 287 -
Si α1 = β1 = α y α2 = β2 = 1, resulta:
es decir, se espera la fórmula B de Erlang.

14.8 Otros algoritmos para redes de puesta en fila
El algoritmo MVA es también aplicable a redes de puesta en fila con más cadenas, pero no se
describirá en el presente Manual. Durante el último decenio se han publicado diversos algoritmos.
Un panorama general se puede encontrar en (Conway y Georganas, 1989 [16]). En general, los
algoritmos exactos no son aplicables para redes amplias. Por tanto, se han elaborado muchos
algoritmos aproximados para ser aplicados en redes de puesta en fila de dimensiones realistas.
14.9 Complejidad
Las redes de puesta en fila tienen la misma complejidad que las redes de circuito conmutados con
encaminamiento directo (véase el § 11.5 y el cuadro 11.1). El espacio de estado de la red que figura
en el cuadro 14.3 tiene el siguiente número de estados para cada nodo:
El caso más desfavorable se produce cuando cada cadena está constituido por un cliente. El número
S
de estado entonces resulta 2 , donde S es el número de cliente.
Cuadro 14.3 – Parámetros de una red de puesta en fila con N cadenas,

K nodos y Σi Si clientes. El parámetro αjk indica la carga de
la cadena j en el nodo k (véase el cuadro 11.1)
Cadena Nodo Dimensión de la
población
14.10 Atribución de la capacidad óptima

Se considera ahora un sistema de transmisión de datos con K nodos, que son sistemas
independientes de puesta en fila de un solo servidor M/M/1 (sistema de demora de Erlang con un
servidor). El proceso de llegada al nodo k es un proceso de Poisson con mensajes de intensidad λk

- 288 -
(clientes) por unidad de tiempo, y el tamaño del mensaje está distribuido exponencialmente con el
valor medio 1/μk [bits]. La capacidad del nodo k es ϕk [bits por unidad de tiempo].
Se introduce en la capacidad total la restricción lineal siguiente:
Para cada atribución de capacidad que satisface la ecuación (14.21), se tiene el tiempo medio de
permanencia (promedio de llamada) siguiente (véase el § 12.4.1, combinación en paralelo):
donde:
Definiendo:
se obtiene la ley de Kleinrock para atribución de capacidad óptima (Kleinrock, 1964 [65]).
Teorema 14.2 ley de las raíces cuadradas de Kleinrock: La atribución de capacidad óptima que
reduce T al mínimo (y así el número total de mensajes en todos los nodos) es:
con la condición que:
Con esta atribución óptima resulta:
En esta expresión se indica que a todos los nodos se atribuye primero la capacidad mínima
necesaria λi/μi. La capacidad restante:
se atribuye entre los nodos en forma proporcional a la raíz cuadrada del flujo medio λk/μk.

- 289 -
Esto se puede determinar introduciendo el multiplicador de Lagrange ϑ y considerar:
El valor mínimo de G se obtiene calculando ϕk conforme a la ecuación (14.26). Si todos los

mensajes tienen el mismo valor medio μk=μ, (se puede considerar entonces diferentes costos en los
nodos conforme a la restricción que se disponga de un monto fijo (Kleinrock, 1964 [65]).

- 290 -

- 291 -
CAPÍTULO 15
Mediciones de tráfico
Se realizan mediciones de tráfico con el fin de obtener información cuantitativa sobre la carga de un
sistema y así poder dimensionarlo. Por mediciones de tráfico se entiende cualquier tipo de
compilación de datos sobre la carga de tráfico de un sistema. El sistema examinado puede ser un
sistema físico, por ejemplo una computadora, un sistema telefónico, o el laboratorio central de un
hospital. También puede ser un sistema ficticio. La compilación de datos de un modelo informático
de simulación corresponde a las medidas de tráfico. La tarificación de las llamadas telefónicas
corresponde también a las mediciones de tráfico cuando la unidad de medición utilizada es una
suma de dinero.
La extensión y el tipo de mediciones, así como los parámetros (características de tráfico) medidos
en cada caso se han de elegir de conformidad con las demandas, y de tal manera que un mínimo de
esfuerzos técnicos y administrativos procure un máximo de información y de beneficios. Según la
naturaleza del tráfico, una medición efectuada durante un intervalo de tiempo limitado corresponde
a un registro de determinada realización del proceso de tráfico. Así pues, la medición es una
muestra de una o más variables estocásticas. Al repetir la medición, se suele obtener un valor
diferente y, por lo general, sólo se puede afirmar que el parámetro desconocido (el parámetro de
población, por ejemplo el valor medio del tráfico cursado), con una probabilidad determinada, se
encuentra dentro de un determinado intervalo, denominado intervalo de confianza. La información
es igual a la función de distribución del parámetro. Por razones prácticas es, en general, suficiente
conocer el valor medio y la varianza, es decir, la distribución en sí no reviste gran importancia.
Este Capítulo se centrará en las bases estadísticas para estimar la fiabilidad de una medición, y en
menor grado se examinarán los antecedentes técnicos. Los siguientes análisis suponen sólo
conocimientos elementales de la teoría de las probabilidades. Como se mencionó anteriormente, la
teoría también se aplica a los modelos estocásticos de simulación informática.
15.1 Principios y métodos de medición
Las posibilidades técnicas de medición son decisivas para determinar qué se mide y cómo se
efectúan las mediciones. El primer equipo de medición por programa controlado fue elaborado en la
Universidad técnica de Dinamarca, y se describe en (Andersen y Hansen e Iversen, 1971 [2]. Se
puede, en principio, efectuar cualquier medición de tráfico conforme a un proceso de tráfico, cuyo
estado es discreto y el tiempo es continuo, combinando dos operaciones fundamentales:
1) Número de eventos: esto puede ser, por ejemplo el número de errores, número de tentativas
de llamada, número de errores en un programa, cantidad de tareas que ejecutará un centro
de computación, etc. (véase el § 5.1.1).
2) Intervalos de tiempo: por ejemplo, tiempos de conversación, tiempo de ejecución de tareas
en una computadora, tiempo de espera, etc. (véase el § 5.1.2).
Por medio de la combinación de esas dos operaciones se puede obtener cualquier característica de
un proceso de tráfico. La característica más importante es el volumen de tráfico (transportado), es
decir la adición de todos los (intervalos de) tiempos de ocupación en un determinado periodo de
medición.
Desde un punto de vista funcional todos los métodos de medición de tráfico se pueden dividir en las
dos clases siguientes:
1) Métodos de medición continuos.
2) Métodos de medición discretos.

- 292 -
15.1.1 Mediciones continuas

En este caso el punto de medida activa al equipo de medición en el instante del evento. Aun cuando
el método de medición sea continuo el resultado puede ser discreto.
Ejemplo 15.1.1: Equipo de medición: tiempo continuo
Los equipos que funcionan conforme al principio continuo pueden ser, por ejemplo, los siguientes:
a) Contadores electromecánicos cuyo conteo se aumenta en uno en el instante de un evento.
b) Trazadores x−y de registro conectados a un punto que se activa durante una conexión.
c) Medidores de amperios/hora, que integran el consumo de potencia durante un periodo de
medición. Cuando se aplica en antiguas centrales electromecánicas para mediciones del
volumen de tráfico, cada línea de enlace se conecta a través de un resistor de 9,6 kΩ, el cual
durante la ocupación se conecta entre −48V y tierra y consume 5 mA.
d) Contadores del caudal de agua que miden el consumo de agua de un hogar.
15.1.2 Mediciones discretas
En este caso el punto de medición es pasivo y el equipo de medición debe probar (determinar) por sí
mismo si se han producido cambios en los puntos de medición (normalmente binarios,
activado-desactivados). Este procedimiento se denomina método de exploración, cuyo barrido se
hace generalmente en instantes regulares (constante = intervalos de tiempos determinísticos). Todos
los eventos que se han producido entre dos instantes de exploración consecutivos están referidos en
los que hace al tiempo al instante del último barrido, y se consideran como producidos en este
instante.
Ejemplo 15.1.2: Equipo de medición: tiempo discreto
Los equipos que funcionan conforme al principio de tiempo discreto pueden ser, por ejemplo, los
siguientes:
a) Tarificación de llamada conforme al principio de Karlsson, donde los impulsos de tasación
se emiten en tiempos regulares (la distancia depende del costo por unidad de tiempo) al
medidor del abonado que ha iniciado la llamada. Cada unidad registrada (intervalo)
corresponde a una determinada cantidad de dinero. Si se mide la duración de una llamada
por su costo, se observa entonces una distribución discreta (0, 1, 2, . . . unidades). El
método lleva el nombre en honor al matemático finlandés S.A. Karlsson (Karlsson, 1937
[57]. En comparación con la mayoría de los otros métodos, requiere un mínimo de
administración.
b) El tráfico transportado por un grupo de líneas de enlace de una central electromecánica se
mide en la práctica conforme al principio de exploración. Durante una hora se observa
100 veces (cada 36 segundos) el número de líneas de enlace ocupadas y este número se
añade a un contador mecánico que indica así el tráfico medio transportado con dos
decimales. Contando asimismo la cantidad de llamadas se puede estimar el tiempo medio
de ocupación.
c) El principio de exploración es particularmente apropiado para su aplicación en sistemas
digitales. Por ejemplo, el equipo controlado por procesador elaborado en 1969 en la
Universidad Técnica de Dinamarca tenía la capacidad de probar 1024 puntos de medida
(por ejemplo, relés en una central electromecánica, líneas de enlace o canales) en un tiempo
de 5ms. Los estados de cada punto de medición (desocupado/ocupado o
desactivado/activado) en los dos últimos barridos se almacenan en la memoria de una
computadora y, por comparación de las lecturas, se pueden detectar los cambios de estado.

- 293 -
Un cambio de estado 0 → 1 corresponde al inicio de una ocupación y 1 → 0 al término de

ocupación (principio de última observación). Las exploraciones están controladas por un
reloj. Por tanto, se puede supervisar cada canal durante un tiempo y medir sus intervalos,
observándose así las distribuciones en el tiempo. Mientras que el equipo clásico (medidores
de erlangs) mencionado anteriormente observa el proceso de tráfico en el espacio de estado
(vertical, representación del número), el equipo de programa controlado observa el proceso
de tráfico en el espacio de tiempo (horizontal, representación del intervalo), en tiempo
discreto. La cantidad de información es casi independiente del intervalo de exploración
pues sólo se almacenan los cambios de estado (el tiempo de un barrido se mide en un
número entero de intervalos de exploración).
Los métodos de medición han tenido influencia decisiva en la manera de pensar y en el modo de
formular y analizar los problemas estadísticos. El equipo clásico que funciona en el espacio de
estado ha indicado que los análisis estadísticos se han basado en probabilidades de estado, es decir
básicamente en procesos de renovación. Desde el punto de vista matemático estos modelos han sido
bastante complejos (mediciones verticales).
Los siguientes cálculos son, en comparación muy elementales y aún más generales, y se basan en el
funcionamiento en espacio temporal del equipo de programa controlado. (Iversen, 1976 [38])
(mediciones horizontales).
15.2 Teoría del muestreo

Supóngase que se tiene una muestra de n observaciones independiente e idénticamente distribuidas
{X1, X2,. . . ,Xn} de una variable estocástica con el valor finito medio desconocido m1 y varianza
2
finita ....σ (parámetros de población).
El valor medio y la varianza de la muestra se definen como sigue:
2
Los parámetros X y s son funciones de una variable estocástica y, por lo tanto, son también
variables estocásticas definidas por una distribución denominada distribución de muestreo. El
parámetro X es un estimador central del valor medio de población desconocido m1, es decir:
2
Asimismo, s /n es un estimador central de la varianza desconocida del valor medio de la muestra
X , es decir:
Se describe la exactitud de la estimación de un parámetro de muestreo por medio de un intervalo de

confianza, con al cual una determinada probabilidad especifica cómo la estimación se ubica en
relación con el valor teórico desconocido. En este caso el intervalo de confianza del valor medio
resulta:

- 294 -
donde: tn-1,1−α/2 es el percentil (1−α/2) superior de la distribución t con n−1 grados de libertad. La
probabilidad de que el intervalo de confianza incluya el valor medio teórico desconocido es igual a
(1 −α) y se denomina nivel de confianza. En el cuadro 15.1 figuran algunos valores de la
distribución t. Cuando n se hace grande, la distribución t converge a la distribución normal y se
puede utilizar el percentil de esta distribución. La hipótesis de independencia se satisface para
mediciones tomadas en diferentes días pero no, por ejemplo, para mediciones sucesivas por el
método de exploración en un intervalo de tiempo limitado, pues la cantidad de canales ocupados en
un instante dado estará correlacionada con el número de circuitos ocupados en la exploración previa
y en la siguiente. En las secciones próximas se calculará el valor medio y la varianza de las
mediciones de tráfico durante, por ejemplo, una hora. Este valor agregado para un determinado día
puede ser utilizado entonces como simple observación en las fórmulas precedentes, donde la
cantidad de observaciones será típicamente el número de días que se mide.
Figura 15.1 – Observación de un proceso de tráfico por un método de medición continua y por
el método de exploración con intervalos de barrido regulares. El método de exploración es
suficiente para observar los cambios de estado

- 295 -

1) Proceso de tráfico continuo
2) Tiempo
3) Proceso de tráfico discreto
4) Barrido
5) Método de exploración
Cuadro 15.1 – Percentiles de la distribución t con n grados de libertad. Un valor específico de

α corresponde a una masa de probabilidad α/2 en ambos extremos de la distribución t.
Cuando n es grande, se pueden utilizar los percentiles de la distribución normal
n α = 10% α = 5% α = 1%
1 6,314 12,706 63,657
2 2,920 4,303 9,925
5 2,015 2,571 4,032
10 1,812 2,228 3,169
20 1,725 2,086 2,845
40 1,684 2,021 2,704
∞ 1,645 1,960 2,576
Ejemplo 15.2.1: Intervalo de confianza para congestión de llamadas

En un grupo troncal de 30 líneas de enlace (canales) se observa el resultado de 500 tentativas de
llamada. Esta medición se repite 11 veces y se obtienen los siguientes valores de congestión de
llamadas (en porcentaje):
9,2; 3,6; 3,6; 2,0; 7,4; 2,2; 5,2; 5,4; 3,4; 2,0; 1,4
La suma total de las observaciones es 45,4 y el total de los cuadrados de las observaciones
es 247,88 . Aplicando la ecuación (15.1) X = 4,1273 % y con la ecuación (15.2)
2 2
s = 6,0502 (%) 2 . Al nivel de 95% el intervalo de confianza resulta, utilizando los valores t del
cuadro 15.1: (2,47−5,78). Cabe señalar que las observaciones se obtienen simulando un tráfico
PCT−I de 25 erlang, que se ofrece a 30 canales. Conforme a la fórmula B de Erlang la probabilidad
teórica de bloqueo es de 5,2603 %. Este valor se encuentra dentro del intervalo de confianza. Si se
desea reducir el intervalo de confianza en un factor de 10, se deberán efectuar 100
observaciones veces más (véase la fórmula 15.5), es decir 50 000 por mediciones (subejecución). Se
lleva a cabo esta simulación y se observa una congestión de llamadas igual a 5,245 % y un intervalo
de confianza (5,093 - 5,398). Esta simulación requiere unos 10 segundos en un puesto de trabajo.
15.3 Mediciones continuas en un periodo ilimitado
Las mediciones de intervalos de tiempo a través de métodos de medida continuos sin interrupciones
son fáciles de efectuar mediante la teoría de muestreo descrita en el § 15.2

- 296 -
Para la medición del volumen de tráfico o de la intensidad de tráfico se pueden aplicar las fórmulas
(3.46) y (3.48) para una suma estocástica. Esto es en términos generales, siendo la única restricción
la independencia estocástica entre X y N. En la práctica, esto significa que los sistemas no deben
tener congestión. En general se tendrán bajos porcentajes de congestión y aun en el caso más
desfavorable puede suponer independencia. Sin duda, el caso más importante es un proceso de
llegada de Poisson con intensidad λ. Se tendrá entonces una suma estocástica (véase el § 3.3). Para
el proceso de llegada de Poisson, cuando se considera un intervalo de tiempo T, se tendrá:
y, por tanto, resulta:
donde m2,t es el segundo momento (no central) de la distribución de tiempo de ocupación, y εt es el

factor de forma de Palm de la misma distribución:

- 297 -
Figura 15.2 – Cuando se analizan las mediciones de tráfico se pueden distinguir dos casos:
a) Mediciones en un periodo de tiempo ilimitado. Toda llamada iniciada durante
el periodo de medición contribuye con su duración total. b) Mediciones en
un periodo de tiempo limitado. Cada llamada contribuye con su tiempo de
ocupación que puede estar establecido dentro del periodo de medición.
Los segmentos que identifican los tiempos de ocupación que
contribuyen con las mediciones se indican
en la figura en línea llena

1) a: Periodo de medición ilimitado
2) Tiempo
3) b: Periodo de medición limitado
La distribución de ST será en este caso una distribución de Poisson compuesta (Feller, 1950 [29]).
La fórmula corresponde a un volumen de tráfico (por ejemplo, erlang-horas). Para muchas
aplicaciones, tales como dimensionamiento, es importante determinar la cantidad media de canales
ocupados, es decir intensidad (régimen) de tráfico = tráfico por unidad de tiempo (m1,t = 1, λ = A),
cuando se establece el tiempo medio de ocupación como unidad de tiempo:

- 298 -
Estas ecuaciones son válidas para distribuciones arbitrarias del tiempo de ocupación. Las
ecuaciones (15.8) y (15.9) fueron deducidas originalmente por C. Palm (1941 [80]). En
(Rabe, 1949 [88]) se publicaron las fórmulas para los casos especiales εt = 1 (tiempo de ocupación
constante) y εt = 2 (tiempo de ocupación distribuidos exponencialmente).
Las ecuaciones anteriores se utilizan para todas las llamadas que llegan dentro de intervalo T
cuando se mide la duración total de todos los tiempos de ocupación sin importar el tiempo de
permanencia (véase la figura 15.2a).
Ejemplo 15.3.1: Exactitud de una medición
Se hace notar que siempre se obtiene el valor medio correcto de la intensidad de tráfico (15.8). La
varianza, sin embargo, es proporcional al factor de forma εt. Para algunos casos comunes de
distribuciones del tiempo de ocupación se obtiene la siguiente varianza de la intensidad de tráfico
medida.
Constante:
Distribución exponencial:
Observada (figura 4.3):

Observando el tráfico telefónico, se encuentra a menudo que εt es considerablemente más grande
que el valor 2 (distribución exponencial), que se presume que es válido en muchos modelos clásicos
de teletráfico (véase la figura 4.3). Por tanto, la exactitud de una medición es menor que la que
figura en muchos cuadros. Sin embargo, esto se compensa por la hipótesis que los sistemas son no
bloqueantes. En un sistema con bloqueo la varianza resulta menor debido a la correlación negativa
entre los tiempos de ocupación y el número de llamadas.
Ejemplo 15.3.2: Exactitud relativa de una medición
La exactitud relativa de una medición viene dada por la siguiente relación:
coeficiente de variación
De la misma se observa que si εt = 4, se deberá medir dos veces en un periodo para obtener la
misma fiabilidad de una medición como para el caso de tiempos de ocupación con distribución
exponencial.
Para un determinado intervalo de tiempo se observa que la exactitud de la intensidad de tráfico
cuando se mide un pequeño grupo de enlace es mucho mayor que cuando se mide un grupo de
enlace grande, en razón que la exactitud sólo depende de la intensidad de tráfico A. Cuando se
dimensiona un pequeño grupo de enlace, un error en la estimación del tráfico del 10% tiene mucho
menos influencia que el mismo porcentaje de error en un grupo de enlace grande (véase el § 7.5.1).
Por tanto, se medirá el mismo intervalo de tiempo en todos los grupos de enlace. En la figura 15.5 la
exactitud relativa para una medición continua se indica con la recta h = 0.

- 299 -
15.4 Métodos de exploración en un periodo ilimitado

En esta sección sólo se considerarán intervalos de exploración regulares (constantes). El método de
exploración se aplica, por ejemplo, a mediciones de tráfico, tarificación de llamadas, simulaciones
numéricas, y control de procesador. Por el método de exploración se observa una distribución de
tiempo discreta para el tiempo de ocupación que, en tiempo real, es generalmente continuo.
En la práctica, se determina por lo general una distancia constante h entre los instantes de
exploración, y se encontrará la siguiente relación entre el intervalo observado y el tiempo real
(véase la figura 15.3):
Tiempo observado Tiempo real
0h 0 h − 1h
1h 0 h − 2h
2h 1 h − 3h
3h 2 h − 4h
... ...
Se observa que hay una superposición entre los intervalos continuos, de modo tal que la distribución
discreta no se puede obtener por la simple integración de un intervalo continuo sobre un intervalo
fijo de longitud h. Si los tiempos reales de ocupación tienen una función de distribución F(t), se
observará la distribución discreta siguiente (Iversen, 1976 [38]):
Figura 15.3 – Con el método de exploración un intervalo continuo se transforma

en un intervalo discreto. La transformación no es única (véase el § 15.4)

1) Número de barridos observado
2) Intervalo para el tiempo real (barrido)

- 300 -
Interpretación: Se supone que el tiempo de llegada de la llamada es independiente del proceso de

exploración. Por tanto, la función de densidad del intervalo desde el instante de llegada de la
llamada al tiempo de la primera exploración está distribuido uniformemente y es igual a (1/h)
(véase el § 6.3.3). La probabilidad de observar instantes de barrido cero durante el tiempo de
ocupación de la llamada se representa por p(0) y es igual a la probabilidad que la llamada termine
antes del tiempo del barrido siguiente. Para un valor fijo del tiempo de ocupación t esta
probabilidad es igual a F(t)/h, y para obtener la probabilidad total se integran todos los valores t
posibles (0 ≤ t < h) y se aplica la ecuación (15.10). De manera similar se extrae p(k) con la
ecuación (15.11).
Por integración parcial se puede determinar que para cualquier función de distribución F(t) se
observará siempre el valor medio correcto:
Cuando se utiliza la tarificación de Karlsson se llegará tasará siempre el monto correcto.

μt
Para intervalos de ocupación con distribución exponencial, F(t) = 1−e- , se observará una
distribución discreta denominada distribución de Westerberg (Iversen, 1976 [38]):
Esta distribución puede tener el valor medio y el factor de forma siguientes:
El factor de forma ε es igual a uno más el cuadrado de la exactitud relativa de la medición. Para una
medición continua el factor de forma es 2. La contribución ε −2 es debida a la influencia del
principio de medición.
El factor de forma es una medida de la exactitud de las mediciones. La figura 15.4 ilustra cómo
depende el factor de forma del tiempo de ocupación con distribución exponencial observado en la
duración del intervalo de exploración (15.16). Con mediciones continuas se obtiene una muestra
ordinaria y por el método de exploración se obtiene una muestra de una muestra, de modo tal que
hay incertidumbre en razón del método de medición así como del tamaño limitado de la muestra.
La figura 5.2 muestra un ejemplo de la distribución de Westerberg. Es en particular la clase cero
que se aparta de lo que se podría esperar de una distribución exponencial continua. Si en la
expresión para σ s2 (15.9) se inserta el factor de forma, se obtiene entonces, fijando el tiempo medio
de ocupación como unidad de tiempo m1,t = 1/μ = 1, las siguientes estimaciones de la intensidad de
tráfico cuando se emplea el método de exploración:

- 301 -
Con el método de medición continuo la varianza es 2A/T. Esto también se obtiene dejando h → 0.
En La figura 15.5 se muestra la exactitud relativa del volumen de tráfico medido para una medición
continua (15.8) y (15.9), así como para el método de exploración (15.17). La ecuación (15.17) fue
formulada por (Palm, 1941 [80]), pero recién resultó conocida cuando fue divulgada por
W.S. Hayward Jr. (1952 [35]).
Ejemplo 15.4.1: Principios de tarificación
Para la tarificación de llamadas se aplican varios principios. Además, el régimen de tasación varía,
por lo general, durante las 24 horas para influenciar los hábitos del abonado. Entre los principios se
puede mencionar:
a) Tasa fija por llamada. Este principio se aplica a menudo en sistemas manuales para
llamadas locales (tarifa única)
b) Tarificación de Karlsson. Esto corresponde al principio de medición que se trata en esta
sección debido que el tiempo de ocupación se fija al azar conforme a los impulsos de
tasación regulares. Este principio ha sido aplicado en Dinamarca en centrales de tipo de
barras cruzadas.
c) Tarificación de Karlsson modificada. Se puede, por ejemplo, añadir un impulso adicional al
comienzo de la llamada. En sistemas digitales en Dinamarca se aplica una tasa fija por
llamada además de una tasa proporcional a la duración de la llamada.
d) El comienzo del tiempo de ocupación se sincroniza con el proceso de exploración. Esto se
aplica, por ejemplo, para llamadas atendidas por operador y en teléfonos de alcancía.
15.5 Ejemplo numérico

Para una medición específica se calcula m1,i y σ i2 . La desviación de la intensidad de tráfico
observada con relación al valor teórico correcto tiene una distribución aproximadamente normal.
Por tanto, el valor teórico medio desconocido estará dentro del 95% de los intervalos de confianza
calculados (véase el § 15.2):
La varianza σ i2 es entonces decisiva para la exactitud de una medición. Para estudiar qué factores
son de mayor importancia se efectuarán cálculos numéricos de algunos ejemplos. Todas las
fórmulas se pueden calcular fácilmente con un calculador de bolsillo.
Ambos ejemplos suponen tráfico PCT−I, (es decir, proceso de llegada de Poisson y tiempos de
ocupación con distribución exponencial), intensidad de tráfico = 10 erlang, y tiempo medio de
ocupación = 180 segundos, que se fija como unidad de tiempo.
Ejemplo a: Corresponde a una medición de tráfico clásica:
Periodo de medición = 3600 s = 20 unidades de tiempo = T.
Intervalo de exploración = 36 s = 0,2 unidades de tiempo = h = 1/λs.
(100 observaciones)

- 302 -
Ejemplo b: En este caso sólo se explora una vez por tiempo de ocupación medio
Periodo de medición = 720 s = 4 unidades de tiempo = T.
Intervalo de exploración = 180 s = 1 unidad de tiempo = h = 1/λs.
(4 observaciones)
Del cuadro 15.5 se pueden extraer algunas conclusiones generales:
• Por el método de exploración se obtiene muy poca información comparada con una
medición continua ya que el intervalo de exploración es menor que el tiempo medio de
ocupación (véase la figura 15.4). La medición continua se puede considerar como una
referencia óptima para cualquier método discreto.
Figura 15.4 – Factor de forma para tiempos de ocupación con distribución exponencial
observados por intervalos de exploración con distribución Erlang-k en un periodo de
medición ilimitado. El caso k = ∞ corresponde a intervalos de exploración regulares
(constantes) que transforman la distribución exponencial en distribución de
Westerberg. El caso k = 1 corresponde a intervalos de exploración con
distribución exponencial(véase el método de simulación de la ruleta).
El caso h = 0 corresponde a una medición continua. Se observa que
con intervalos de exploración regulares casi no hay información
si el intervalo de exploración es menor que el tiempo medio de
ocupación (fijado como unidad de tiempo)

- 303 -

1) Factor de forma ε
−1
2) Intervalo de exploración [s ]
Figura 15.5 – Con una escala logarítmica doble se obtiene una relación lineal entre la
.
exactitud relativa de la intensidad de tráfico A y el volumen de tráfico medido A T cuando se
efectúa en un periodo ilimitado. El intervalo de exploración h = 0 corresponde a una medición
continua y h > 0 corresponde al método de exploración. La influencia de un método
de medición limitado se representa en línea punteada para el caso A = 1
erlang y una medición continua teniendo en cuenta el intervalo de medición
limitado. El intervalo T se mide en tiempos medios de ocupación

1) Exactitud relativa de A
2) Volumen de tráfico [s]
• El conocimiento que se obtiene en relación con un periodo de medición limitado produce
más información para una medición breve (T <5), mientras que se obtiene muy poca
información adicional para T >10. (En el proceso de tráfico hay correlación; la primera
parte de un periodo de medición produce más información que las partes siguientes.)
• Utilizando el método de la ruleta se obtiene mayor información que con el método de
exploración (Iversen 1976, [38], 1977 [39]).

- 304 -
Todos los factores mencionados anteriormente tienen mucho menos influencia que el hecho que los
tiempos de ocupación reales se desvían a menudo del esquema de distribución exponencial. En la
práctica, se observa con frecuencia un factor de forma cercano a 4−6.
La conclusión que se pueda hacer de los ejemplos anteriores es que para aplicaciones prácticas es
más pertinente aplicar la fórmula elemental (15.8) con un factor de forma correcto que tomara en
cuenta el método y el periodo de medición.
Cuadro 15.2 – Comparación numérica de diversos principios de

medición en diferentes intervalos de tiempo
Ejemplo a Ejemplo b
σ i2 σi σ i2 σi
Método continuo
Ilimitado (15.8) 1,0000 1,0000 5,0000 2,2361
Limitado 0,9500 0,9747 3,7729 1,9424
Método de exploración
Ilimitado (15.17) 1,0033 1,0016 5,4099 2,3259
Limitado 0,9535 0,9765 4,2801 2,0688
Método de la ruleta
Ilimitado 1,1000 1,0488 7,5000 2,7386
Limitado 1,0500 1,0247 6,2729 2,5046
La teoría anterior es exacta cuando se consideran tarificación de llamadas y medición de intervalos

de tiempo. Para simulaciones estocásticas de computadora el proceso de tráfico es generalmente
estacionario y la teoría se puede aplicar para estimación de la fiabilidad de los resultados. Sin
embargo, los resultados son aproximados ya que las hipótesis teóricas acerca de sistemas libres y
congestión pocas veces son de interés.
En mediciones reales en sistemas de trabajo se tienen variaciones de tráfico durante el día, errores
técnicos, errores de medición, etc. Algunos de estos factores se compensan mutuamente y los
resultados que se han calculado dan una buena estimación de la fiabilidad, y constituyen una buena
base para comparar medidas y principios de medición.

- 305 -
BIBLIOGRAFÍA
[1] Abate, J. & Whitt, W. (1997): Limits and approximations for the M/G/1 LIFO waiting−time
distribution. Operations Research Letters, Vol. 20 (1997): 5, 199−206.
[2] Andersen, B. & Hansen, N.H. & og Iversen, V.B. (1971): Use of minicomputer for
telephone traffic measurements. Teleteknik (Edición inglesa) Vol. 15 (1971): 2, 33−46.
[3] Ash, G.R. (1998): Dynamic routing in telecommunications networks. McGraw-Hill 1998.
746 pp.
[4] Baskett, F. & Chandy, K.M. & Muntz, R.R. & Palacios, F.G. (1975): Open, Closed and
Mixed Networks of Queues with Different Classes of Customers. Journ. of the ACM,
abril 1975, pp. 248−260. (BCMP queueing networks).
[5] Bear, D. (1988): Principles of telecommunication traffic engineering. Revised 3rd Edition.
Peter Peregrinus Ltd, Stevenage 1988. 250 pp.
[6] Bech, N.I. (1954): Metode til Beregning af Spærring i Alternativ Trunking- og Grade-
ringssystemer. Teleteknik, Vol. 5 (1954) : 4, pp. 435−448.
[7] Bolotin, V.A. (1994): Telephone circuit holding time distributions. ITC 14, 14th
International Teletraffic Congress. Antibes Juan-les-Pins, France, junio 6-10. 1994.
Proceedings pp. 125−134. Elsevier 1994.
[8] Boots, N.K. & Tijms, H. (1999): A multiserver queueing system with impatient customers.
Management Science, Vol. 45 (1999) : 3, 444−448.
[9] Bretschneider, G. (1956): Bie Berechnung von Leitungsgruppen für überfließenden
Verkehr. Nachrichtentechnische Zeitschrift, NTZ, Vol. 9 (1956) : 11, 533−540.
[10] Bretschneider, G. (1973): Extension of the equivalent random method to smooth traffics.
ITC−7, Seventh International Teletraffic Congress, Estocolmo, junio 1973. Paper 411. 9 pp.
[11] Brockmeyer, E. (1954): The simple overffow problem in the theory of telephone traffic.
Teleteknik 1954, pp. 361-374. En Danés. Traducido al inglés por la Copenhagen Telephone
Company, abril 1955. 15 pp.
[12] Brockmeyer, E. & Halstrøm, H.L. & Jensen, Arne (1948): The life and works of A.K.
Erlang. Transactions of the Danish Academy of Technical Sciences, 1948, No. 2, 277 pp.
Copenhague 1948.
[13] Burke, P.J. (1956): The Output of a Queueing System. Operations Research, Vol. 4 (1956),
699−704.
[14] Christensen, P.V. (1914): The number of selectors in automatic telephone systems. The
Post Office Electrical Engineers Journal, Vol. 7 (1914) 271-281.
[15] Cobham, A. (1954): Priority assignment in waiting line problems. Operations Research,
Vol. 2 (1954), 70−76.
[16] Conway, A.E. & Georganas, N.D. (1989): Queueing Networks −- Exact Computational
Algorithms: A Unified Theory Based on Decomposition and Aggregation. The MIT Press
1989. 234 pp.
[17] Cooper, R.B. (1972): Introduction to Queueing Theory. Nueva York 1972. 277 pp.
[18] Cox, D.R. (1955): A Use of Complex Probabilities in the Theory of Stochastic Processes.
Proc. Camb. Phil. Soc., Vol. 51 (1955), pp. 313−319.

- 306 -
[19] Cox, D.R. & Miller, H.D. (1965): The Theory of Stochastic Processes. Methuen & Co.
Londres 1965. 398 pp.
[20] Cox, D.R.& Isham, V. (1980): Point Processes. Chapman and Hall. 1980. 188 pp.
[21] Crommelin, C.D. (1932): Delay Probability Formulae When the Holding Times are
Constant. Post Office Electrical Engineers Journal, Vol. 25 (1932), pp. 41−50.
[22] Crommelin, C.D. (1934): Delay Probability Formulae. Post Office Electrical Engineers
Journal, Vol. 26 (1934), pp. 266−274.
[23] Delbrouck, L.E.N. (1983): On the steady−state distribution in a service facility carrying
mixtures of traffic with different peakedness factor and capacity requirements. IEEE
Transactions on Communications, Vol. COM-31 (1983): 11, 1209−1211.
[24] Dickmeiss, A. & Larsen, M. (1993): Spærringsberegninger i telenet. Master's thesis.
Institut for Telekommunikation, Danmarks Tekniske Højskole, 1993. 141 pp.
[25] Eilon, S. (1969): A simpler proof of L = λW. Operations Research, Vol. 17 (1969),
pp. 915−917.
[26] Elldin, A., and G. Lind (1964): Elementary Telephone Traffic Theory. Chapter 4. L.M.
Ericsson AB, Estocolmo 1964. 46 pp.
[27] Engset, T.O. (1918): Die Wahrscheinlichkeitsrechnung zur Bestimmung der Wählerzahl in
automatischen Fernsprechämtern. Elektrotechnische Zeitschrift, 1918, Heft 31. Traducido
al inglés por Telektronikk (Noruega), junio 1991, 4pp.
[28] Eslamdoust, C. (1995): Design of large communication networks. Master's thesis.
Department of Telecommunication, Technical University of Denmark, 1995. 108 + 133 pp.
[29] Feller, W. (1950): An introduction to probability theory and its applications. Vol. 1, Nueva
York 1950. 461 pp.
[30] Fortet, R. & Grandjean, Ch. (1964): Congestion in a loss system when some calls want
several devices simultaneously. Electrical Communications, Vol. 39 (1964) : 4, 513−526.
Documento presentado al ITC−4, Cuarto Congreso Internacional de Teletráfico, Londres,
Inglaterra 15−21 julio 1964.
[31] Fredericks, A.A. (1980): Congestion in blocking systems − a simple approximation
technique. The Bell System Technical Journal, Vol. 59 (1980): 6, 805−827.
[32] Fry, T.C. (1928): Probability and its engineering uses. Nueva York 1928, 470 pp.
[33] Gordon, W.J, and & Newell, G.F. (1967): Closed queueing systems with exponential
servers. Operations Research, Vol. 15 (1967), pp. 254−265.
[34] Grillo, D. & Skoog, R.A. & Chia, S. & Leung, K.K. (1998): Teletraffic engineering for
mobile personal communications in ITU−T work: the need to match theory to practice.
IEEE Personal Communications, Vol. 5 (1998): 6, 38−58.
[35] Hayward, W.S. Jr. (1952): The reliability of telephone traffic load measurements by switch
counts. The Bell System Technical Journal, Vol. 31 (1952): 2, 357−377.
[36] ITU-T (UIT-T) (1993): Unidad de intensidad de tráfico. Recomendación UIT-T B.18. 1993.
1 p.
[37] Iversen, V.B. (1973): Analysis of real teletraffic processes based on computerized
measurements. Ericsson Technics, No. 1, 1973, pp. 1−64. "Holbæk measurements".

- 307 -
[38] Iversen, V.B. (1976): On the accuracy in measurements of time intervals and traffic
intensities with application to teletraffic and simulation. Ph.D.−thesis. IMSOR, Technical
University of Denmark 1976. 202 pp.
[39] Iversen, V.B. (1976): On General Point Processes in Teletraffic Theory with Applications
to Measurements and Simulation. ITC-8, Eighth International Teletraffic Congress, paper
312/1−8. Melbourne 1976. Publicado en Teleteknik (Edición inglesa) 1977 : 2, pp. 59−70.
[40] Iversen, V.B. (1980): The A-formula. Teleteknik (Edición inglesa), Vol. 23 (1980) : 2,
64−79.
[41] Iversen, V.B. (1982): Exact Calculation of Waiting Time Distributions in Queueing
Systems with Constant Holding Times. Fjerde Nordiske Teletrafik Seminar (NTS-4),
Fourth Nordic Teletraffic Seminar, Helsinki 1982. 31 pp.
[42] Iversen, V.B. (1987): The exact evaluation of multi−service loss system with access
control. Teleteknik, Edición inglesa, Vol 31 (1987) : 2, 56-61. NTS−7, Seventh Nordic
Teletraffic Seminar, Lund, Suecia, 25−27 de agosto, 1987, 22 pp.
[43] Iversen, V.B. & Nielsen, B.F. (1985): Some properties of Coxian distributions with
applications, pp. 61−66 in Proceedings of the International Conference on Modelling
Techniques and Tools for Performance Analysis. 5-7 de junio, 1985, Valbonne, Francia.
North−Holland Publ. Co. 1985. 365 pp. (Editor N. Abu El Ata).
[44] Iversen, V.B. & Stepanov, S.N. (1997): The usage of convolution algorithm with truncation
for estimation of individual blocking probabilities in circuit-switched telecommunication
networks. Proceedings of the 15th International Teletraffic Congress, ITC 15, Washington,
DC, USA, 22-27 de junio 1997. 1327−1336.
[45] Iversen, V.B. & Sanders, B. (2001): Engset formulæ with continuous parameters − theory
and applications. AEÜ, International Journal of Electronics and Communications, Vol. 55
(2001): 1, 3-9.
[46] Jackson, J.R. (1957): Networks of waiting lines. Operations Research, Vol. 5 (1957), pp.
518−521.
[47] Jackson, J.R. (1963): Jobshop-like queueing systems. Management Science, Vol. 10
(1963), No. 1, pp. 131−142.
[48] Jensen, Arne (1948): An Elucidation of A.K. Erlang's Statistical Works through the Theory
of Stochastic Processes. Published in "The Erlangbook": E. Brockmeyer, H.L. Halstrøm
and A. Jensen: The Life and Works of A.K. Erlang. København 1948, pp. 23−100.
[49] Jensen, Arne (1948): Truncated multidimensional distributions. Pages 58−70 in "The Life
and Works of A.K. Erlang". Ref. Brockmeyer et al., 1948.
[50] Jensen, Arne (1950): Moe's Principle − An econometric investigation intended as an aid in
dimensioning and managing telephone plant. Theory and Tables. Copenhague 1950.
165 pp.
[51] Jerkins, J.L. & Neidhardt, A.L. & Wang, J.L. & Erramilli A. (1999): Operations
measurement for engineering support of high-speed networks with self-similar traffic.
ITC-16, 16th International Teletraffic Congress, Edinburgo, 7-11 de junio, 1999.
[52] Johannsen, Fr. (1908): "Busy". Copenhague 1908. 4 pp.

- 308 -
[53] Johansen, K. & Johansen, J. & Rasmussen, C. (1991): The broadband multiplexer,
"transMux 1001". Teleteknik, Edición inglesa, Vol. 34 (1991) : 1, 57−65.
[54] Joys, L.A.: Variations of the Erlang, Engset and Jacobæus Formulæ, Proceedings of the
Fifth International Teletraffic Congress (ITC-5), Nueva York, USA, 1967, 107−111.
También publicado en: Teleteknik, (Edición inglesa), 11 (1967), No. 1, 42−48.
[55] Joys, L.A. (1968): Engsets Formler for Sannsynlighetstetthet og dens Rekursionsformler.
(Fórmulas de Engset para probabilidad y sus fórmulas recursivas, en noruego).
Telektronikk 1968 No 1−2, pp. 54−63.
[56] Joys, L.A. (1971): Comments on the Engset and Erlang formulae for telephone traffic
losses. Thesis. Report TF No. 25,/71, Research Establishment, The Norwegian
Telecommunications Administration. 1971. 127 pp.
[57] Karlsson, S.A. (1937): Tekniska anordninger fö samtalsdebitering enligt tid. Helsingfors
Telefonförening, Tekniska Meddelanden 1937, No. 2, pp. 32−48.
[58] Kaufman, J.S. (1981): Blocking in a shared resource environment. IEEE Transactions on
Communications, Vol. COM-29 (1981) : 10, 1474−1481.
[59] Keilson, J. (1966): The ergodic queue length distribution for queueing systems with finite
capacity. Journal of Royal Statistical Society, Series B, Vol. 28 (1966), 190−201.
[60] Kelly, F.P. (1979): Reversibility and Stochastic Networks. John Wiley & Sons, 1979.
230 pp.
[61] Kendall, D.G. (1951): Some problems in the theory of queues. Journal of Royal Statistical
Society, Series B, Vol. 13 (1951) : 2, 151−173.
[62] Kendall, D.G. (1953): Stochastic processes occuring in the theory of queues and their
analysis by the method of the imbedded Markov chain. Ann. Math. Stat., Vol. 24 (1953),
338−354.
[63] Khintchine, A.Y. (1955): Mathematical Methods in the Theory of Queueing. Londres 1960.
124 pp. (Original en Ruso, 1955).
[64] Kingman, J.F.C. (1969): Markov population processes. J. Appl. Prob., Vol. 6 (1969), 1−18.
[65] Kleinrock, L. (1964): Communication Nets: Stochastic Message Flow and Delay.
McGraw−Hill 1964. Reimpreso por Dover Publications 1972. 209 pp.
[66] Kleinrock, L. (1975): Queueing Systems. Vol. I: Theory. Nueva York 1975. 417 pp.
[67] Kleinrock, L. (1976): Queueing Systems. Vol. II: Computer Applications. Nueva York
1976. 549 pp.
[68] Kosten, L. (1937): Über Sperrungswahrscheinlichkeiten bei Staffelschaltungen. Elek.
Nachr. Techn., Vol. 14 (1937) 5−12.
[69] Kraimeche, B. & Schwartz, M. (1983): Circuit Access Control Strategies in integrated
digital networks. IEEE INFOCOM, 9-12 de abril, 1984, San Francisco, USA, Proceedings
pp. 230−235.
[70] Kruithof, J. (1937): Telefoonverkehrsrekening. De Ingenieur, Vol. 52 (1937) : E15−E25.
[71] Kuczura, A. (1973): The interrupted Poisson process as anflover ow process. The Bell
System Technical Journal, Vol. 52 (1973) : 3, pp. 437−448.

- 309 -
[72] Kuczura, A. (1977): A method of moments for the analysis of a switched communication
network's performance. IEEE Transactions on Communications, Vol. Com−25 (1977):
2, 185−193.
[73] Lavenberg, S.S. & Reiser, M. (1980): Mean−value analysis of closed multichain queueing
networks. Journal of the Association for Computing Machinery, Vol. 27 (1980):
2, 313−322.
[74] Lind, G. (1976): Studies on the probability of a called subscriber being busy. ITC−8,
Melbourne, noviembre de 1976. Paper 631. 8 pp.
[75] Listov−Saabye, H. & Iversen V.B. (1989): ATMOS, a PC−based tool for evaluating
multi−service telephone systems. IMSOR, Technical University of Denmark 1989, 75 pp.
(en danés).
[76] Little, J.D.C. (1961): A proof for the queueing formula L = λW. Operations Research, Vol.
9 (1961) : 383−387.
[77] Maral, G. (1995): VSAT Networks. John Wiley & Sons, 1995. 282 pp.
[78] Marchal, W.G. (1976): An approximate formula for waiting time in single server queues.
AIIE Transactions, diciembre de 1976, 473−474.
[79] Nguyen, Than-Bang: Trafikplanlægningssystemet TES under Windows. Master's thesis.
Department of Telecommunication, Technical University of Denmark 1995. 74 + 93 pp.
[80] Palm, C. (1941): Mättnoggrannhet vid bestämning af trafikmängd enligt genomsök-
ningsförfarandet (Exactitud de las mediciones en la determinación de volúmenes de tráfico
por el método de barrido). Tekn. Medd. K. Telegr. Styr., 1941, No. 7−9, pp. 97−115.
[81] Palm, C. (1943): Intensitätsschwankungen im Fernsprechverkehr. Ericsson Technics, No.
44, 1943, 189 pp. Traducción al inglés por Chr. Jacobæus: Intensity Variations in
Telephone Traffic. North−Holland Publ. Co. 1987.
[82] Palm, C. (1947): The assignment of workers in servicing automatic machines. Journal of
Industrial Engineering, Vol. 9 (1958) : 28−42. Primera publicación en Suecia en 1947.
[83] Palm, C. (1947): Table of the Erlang Loss Formula. Telefonaktiebolaget L M Ericsson,
Estocolmo 1947. 23 pp.
[84] Palm, C. (1957): Some propositions regarding flat and steep distribution functions, pp.
3−17 in TELE (Edición inglesa), No. 1, 1957.
[85] Pinsky, E. & Conway, A.E. (1992): Computational algorithms for blocking probabilities in
circuit−switched networks. Annals of Operations Research, Vol. 35 (1992) 31−41.
[86] Postigo−Boix, M. & García−Haro, J. & Aguilar-Igartua, M. (2001): IMA: technical
foundations, application and performance analysis. Computer Networks, Vol. 35 (2001)
165−183.
[87] Press, W.H. & Teukolsky, S.A. & Vetterling, W.T. & Flannery, B.P. (1995): Numerical
recipes in C, the art of scientific computing. 2nd edition. Cambridge University Press, 1995.
994 pp.
[88] Rabe, F.W. (1949): Variations of telephone traffic. Electrical Communications, Vol. 26
(1949) 243−248.
[89] Riordan, J. (1956): Derivation of moments of overflow traffic. Appendix 1 (pp. 507−514)
in (Wilkinson, 1956 [104]).

- 310 -
[90] Roberts, J.W. (1981): A service system with heterogeneous user requirements −
applications to multi−service telecommunication systems. Pages 423−431 in Performance
of data communication systems and their applications. G. Pujolle (editor), North−Holland
Publ. Co. 1981.
[91] Roberts, J.W. (2001): Traffic theory and the Internet. IEEE Communications Magazine
Vol. 39 (2001) : 1, 94−99.
[92] Ross, K.W. & Tsang, D. (1990): Teletraffic engineering for product−form circuit−switched
networks. Adv. Appl. Prob., Vol. 22 (1990) 657−675.
[93] Ross, K.W. & Tsang, D. (1990): Algorithms to determine exact blocking probabilities for
multirate tree networks. IEEE Transactions on Communications. Vol. 38 (1990) : 8,
1266−1271.
[94] Rönnblom, N. (1958): Traffic loss of a circuit group consisting of both−way circuits which
is accessible for the internal and external traffic of a subscriber group. TELE (Edición
inglesa), 1959: 2, 79−92.
[95] Sanders, B. & Haemers, W.H. & Wilcke, R. (1983): Simple approximate techniques for
congestion functions for smooth and peaked traffic. ITC−10, Tenth International Teletraffic
Congress, Montreal, junio de 1983. Paper 4.4b−1. 7 pp.
[96] Stepanov, S.S. (1989): Optimization of numerical estimation of characteristics of multiflow
models with repeated calls. Problems of Information Transmission, Vol. 25 (1989):
2, 67−78.
[97] Sutton, D.J. (1980): The application of reversible Markovp opulation processes to
teletraffic. A.T.R. Vol. 13 (1980): 2, 3−8.
[98] Techguide (2001): Inverse Multiplexing − scalable bandwidth solutions for the WAN.
Techguide (The Technologu Guide Series), 2001, 46 pp. <www.techguide.com>
[99] Vaulot, É. & Chaveau, J. (1949): Extension de la formule d'Erlang au cas ou le traffic est
fonction du nombre d'abonnés occupés. Annales de Télécommunications, Vol. 4 (1949)
319−324.
[100] Veirø, B. (2002): Proposed Grade of Service chapter for handbook. Comisión de Estudio 2
del UIT-T, GT 3/2. Septiembre de 2001. 5 páginas.
[101] Villén, M. (2002): Overview of ITU Recommendations on traffic engineering. UIT−T
Comisión de Estudio 2, COM 2-KS 48/2-E. Mayo de 2002. 21 pp.
[102] Wallström, B. (1964): A distribution model for telephone traffic with varying call intensity,
including overflow traffic. Ericsson Technics, 1964, No. 2, pp. 183−202.
[103] Wallström, B. (1966): Congestion studies in telephone systems with overflow facilities.
Ericsson Technics, No. 3, 1966, pp. 187−351.
[104] Wilkinson, R.I. (1956): Theories for toll traffic engineering in the U.S.A. The Bell System
Technical Journal, Vol. 35 (1956) 421−514.

- 311 -
ÍNDICE DE AUTORES
Abate, J. Fortet, R.
Aguilar−Igartua, M. Fredericks, A.A.
Andersen, B. Fry, T.C.
Ash, G.R. García−Haro, J.
Baskett, F. Georganas, N.D.
Bear, D. Gordon, W.J.
Bech, N.I. Grandjean, Ch.
Bolotin, V.A. Grillo, D.
Boots, N.K. Haemers, W.H.
Bretschneider, G. Halstrøm, H.L.
Brockmeyer, E. Hansen, N.H.,
Burke, P.J. Hayward, W.S. Jr.
Buzen, J.P. Isham, V.
Chandy, K.M. Iversen, V.B.
Chaveau, J. Jackson, J.R.
Chia, S. Jensen, A.
Christensen, P.V. Jensen, Arne
Cobham, A. Jerkins, J.L.
Conway, A.E. Johannsen, F.
Cooper, R.B. Johansen, J.
Cox, D.R. Johansen, K.
Crommelin, C.D. Joys, L.A.
Delbrouck, L.E.N. Karlsson, S.A.
Dickmeiss, A. Kaufman, J.S.
Eilon, S. Keilson, J.
Elldin, A. Kelly, F.P.
Engset, T.O. Kendall, D.G.
Erlang, A.K. Khintchine, A.Y.
Erramilli A. Kingman, J.F.C.
Eslamdoust, C. Kleinrock, L.
Feller, W. Kosten, L.
Flannery, B.P. Kraimeche, B.

- 312 -
Kruithof, J. Schwartz, M.
Kuczura, A. Skoog, R.A.
Larsen, M. Stepanov, S.N.
Lavenberg, S.S. Sutton, D.J.
Leung, K.K. Techguide
Lind, G. Teukolsky, S.A.
Listov-Saabye, H. Tijms, H
Little, J.D.C. Tsang, D.
Maral, G. UIT-T
Marchal, W.G. Vaulot, E.
Miller, H.D. Veirœ, B.
Moe, K. Veirø, B.
Muntz, R.R. Vetterling, W.T.
Neidhardt, A.L. Villén, M.
Newell, G.F. Wallström, B.
Nguyen, Thanh-Bang Wang, J.L.
Nielsen, B.F. Whitt, W.
Palacios, F.G. Wilcke, R.
Palm, C. Wilkinson, R.I.
Pinsky, E.
Postigo−Boix, M.
Press, W.H.
Rönnblom, N.
Rabe, F.W.
Raikov, D.A.
Rasmussen, C.
Reiser, M.
Riordan, J.
Roberts, J.W.
Ross, K.W.
Samuelson, P.A.
Sanders, B.

- 313 -
ÍNDICE TEMÁTICO
abonado A, caso Engset,
abonado B, caso Erlang,
accesibilidad total caso Palm-Wallström,
sistema de retardo caso Pascal,
sistema de pérdidas, caso Poisson,
activado/desactivado, CCS,
algoritmo de Buzen, central de tránsito,
algoritmo de convolución, central local,
cadenas múltiples, clasificación de O'Dell,
cadena simple, coeficiente de variación,
sistema de pérdidas, compartición de procesador,
algoritmo de Delbrouck, comportamiento del abonado,
algoritmo de Fortet y Grandjean, comunicación móvil,
algoritmo de Kaufman y Roberts, concentración de tráfico,
algoritmo MVA concentración,
cadena simple concepto de bloqueo,
almacenamiento y retransmisión, congestión
aproximación de Marchal, de llamada,
aproximación de Rapp de tiempo,
asignación de tráfico,
demanda, conmutación de circuitos,
fija conmutación de líneas,
atribución de canal, conmutación de mensajes,
atribución de capacidad, conmutación de paquetes,
bloqueo de paquete, conservación de trabajo,
búsqueda cíclica, cordón,
cadena, criterio de Kolmogorov,
cadenas, CSMA,
calidad de servicio, cuadro,
cambio de fila, fórmula B de Erlang
canal de control, cubo con fugas,
canales de usuario, curtosis,
caso Binomial negativo,
caso Binomial,

- 314 -
D/M/1, distribución exponencial,

DECT, distribución geométrica,
derecho preferente, distribución polinomial,
desconexión forzada, distribuciones de tiempo,
desconvolución, división de tráfico,
desigualdad de Kingman, división en el tiempo,
desviación normalizada, duración de la llamada,
diagrama de transición de estado, EBHC,
sistema de retardo de Erlang ecuación flujo-equilibrio,
dimensionamiento, ecuaciones de corte,
bloqueo fijo ecuaciones de equilibrio,
principio de mejora, ecuaciones de nodo,
disponibilidad, Ek/D/r,
véase accesibilidad,
encaminamiento alternativo,
distribución Binomial negativa,
equilibrio estadístico,
distribución Binomial,
equilibrio,
característica del tráfico,
global,
truncado,
local,
distribución compuesta,
detallado,
distribución de Poisson,
erlang,
distribución con gran densidad en los extremos,
estrategia,
distribución de Engset,
estructura,
distribución de Pareto,
estudios iterativos,
distribución de Pascal,
exactitud relativa,
distribución de Poisson,
expansión Binomial,
cálculo,
expiración,
truncada,
factor de forma de Palm,
distribución del tiempo de espera,
factor de forma,
FCFS,
factores humanos,
distribución de Weibull,
falta de memoria,
distribución de Westerberg,
distribución Erlang-k,

- 315 -
forma de producto, IDC,

fórmula 1 de Erlang, identidad de Feller-Jensen,
fórmula B de Erlang, identidad de Palm,
servicio hiperexponencial IDI,
recursión IMA,
multidimensional impedimento,
fórmula C de Erlang,
índice de dispersión,
fórmula de Engset
conteos,
recursión
insensibilidad,
fuente esporádica,
intensidad de la llamada,
función de carga,
intensidad de tráfico,
función de densidad,
intensidad,
función de distribución complementaria,
intervalo de confianza,
función de distribución de supervivencia,
intervalo,
función de distribución,
IPP,
función de mejora,
Iridium,
función de riesgo,
itinerancia,
gestión de red,
LAN,
GI/G/1,
LCC,
GI/M/1,
ley de conservación de Kleinrock,
GI/M/1, FCFS,
ley de conservación,
GoS,
ley de raíz cuadrada de Kleinrock,
grado de servicio,
ley de raíz cuadrada,
GSM,
limitación de clase,
HCS,
llamadas perdidas liberadas,
herramienta ATMOS,
hipótesis de independencia,
HOM,
hombre-máquina,
hora cargada,
tiempo uniforme,

- 316 -
lógica de cableado, microcélula,

longitud de puesta en fila virtual, microprocesador,
M/D/1/k, modelado,
M/D/n, modelo máquina - reparador,
M/G/∞, modelo máquina-reparador de Palm,
M/G/1, momento central,
M/G/1/k, momento no central,
M/G/1-LCFS-PR, multidimensional,
M/G/1-LCFS-PR, Erlang-B
M/G/1-PS, sistema de pérdidas,
M/M/1, multiplexación inversa,
M/M/n, multiplexación,
M/M/n, FCFS, código de impulso,
M/M/n/S/S, frecuencia,
macrocélula, tiempo,
matriz de tráfico, multiplexión estadística,
mediciones de tráfico, multiplicador de Lagrange,
método de Berkeley, ocupado,
método de carga reducido, optimización triangular,
método de equivalencia de Wilkinson, origen,
método de exploración, paginación,
método de factor doble de Kruithof, paradoja,
método de Fredericks y Hayward, PCT-I,
método de Newton-Raphson, PCT-II,
método del punto fijo de Erlang, periodo de medición,
método de Sanders, ilimitado,
método EERT, persistencia,
método ERT, principio de mejora,
métodos de medición, principio de Moe,
continuo, sistema de pérdidas,
discreto, sistema de retardo,
horizontal, principio del último examen,
vertical, proceso Binomial,
proceso de llegada Cox-2,

- 317 -
proceso de llegada generalizado, representación de intervalos,

proceso de Markov reversible, representación de número,
proceso de Poisson interrumpido, RR,
proceso de Poisson, ruta directa,
proceso estocástico, ruta primaria,
proceso reversible, ruta secundaria,
propiedad de Markovian, simulación con retorno al origen,
propiedad PASTA, simulación de la ruleta,
protección de circuito virtual, sin conexión,
protección de servicio, sin derecho preferente,
protocolo Aloha, sistema de Brockmeyer,
protocolo, sistema de espacio dividido,
PS, sistema de frecuencia portadora,
puesta en fila de espera, sistema de Kosten,
puntos de equilibrio, sistema de pérdidas,
puntos de regeneración, sistema de retardo de Erlang,
QoS, diagrama de transición de estado,
RDSI, sistema de servidor central,
RDSI-BA, sistema equivalente,
receptor de código, sistema interactivo,
recursión, sistema MIC,
red en anillo, sistema SPC,
red de Jackson, sistema telefónico,
red de poligonal, controlado por programa,
red de telecomunicaciones, convencional,
red de tránsito, sistemas celular jerárquico,
red digital de servicios integrados, sistemas simétricos de puesta en fila,
red en estrella, SJF,
redes de puesta en fila BCMP, SM,
redes de puesta en fila, suma estocástica,
registro,
relación de servicio,
renegación,

- 318 -
tarificación de Karlsson, tráfico puramente aleatorio tipo II,

tarificación, tráfico rechazado,
tasa de extinción, tráfico regularizado,
tasa fija, tráfico seudoaleatorio,
teorema de Burke, tráfico transportado,
teorema de descomposición, transmisor de código,
teorema de Little, traspaso,
teorema de llegada, trayecto de control,
teorema de Raikov. trayecto de voz,
teorema de superposición, UIT-T,
teoría de la sobrecarga, unidad de tráfico,
teoría de muestreo, utilización,
teoría de teletráfico valor de mejora,
conceptos de tráfico, valor medio,
terminología, variable estocástica,
terminal principal, en paralelo,
tiempo de circulación, en serie,
tiempo de espera virtual, j-ésimo más largo,
tiempo de estada, variaciones de tráfico,
tiempo de recurrencia hacia adelante, varianza,
tiempo de respuesta, velocidad de señalización de datos,
tiempo de servicio, volumen de tráfico,
tiempo de vida, VSAT,
tiempo medio de espera,
tiempo útil residual,
tráfico aleatorio
tráfico BPP,
tráfico de segmentos múltiples,
tráfico de velocidad múltiple,
tráfico en ráfagas,
tráfico ofrecido,
tráfico potencial,
tráfico preferencial,
tráfico puramente aleatorio tipo I,
_______________

- 253 -
Fuente: www.itu.int/ITU-D/study_groups/ SGP_2002-2006/SG2/133000S4.Doc - Resultado Suplementario
(133000)
- 254 -
CAPÍTULO 14
Redes de filas de espera
Muchos sistemas se pueden modelar de manera que un cliente obtenga servicios a partir de varios
nodos sucesivos, es decir, una vez que un cliente ha finalizado el servicio en un nodo pasa a otro.
La demanda total de servicios se compone de demandas de servicios en distintos nodos. Por
consiguiente, el sistema es una red de puesta fila de espera en la que cada una de las filas se
denomina nodo. Como ejemplos de redes de puesta fila de espera cabe citar los sistemas de
telecomunicaciones, los sistemas informáticos, las redes de conmutación de paquetes y los sistemas
de fabricación flexibles. En las redes de puesta en fila de espera se define la longitud de la fila en un
nodo como el número total de clientes en el nodo, incluidos los clientes que están servidos.
Este Capítulo tiene por objeto introducir la teoría fundamental de las redes de puesta en fila de
espera, ilustrada por aplicaciones. Por lo general, se considera que la teoría es bastante complicada,
lo que se debe principalmente a la complejidad de la notación. Ahora bien, en este Capítulo se
introducirán de manera simple los modelos generales analíticos de redes de puesta en fila de espera
sobre la base de formas de producto, el algoritmo de convolución, el algoritmo MDA y los ejemplos
pertinentes.
La teoría de las redes de puesta en fila de espera es análoga a la teoría de los sistemas
multidimensionales (véanse los Capítulos 10 y 11). En el Capítulo 10 se examinaron los sistemas de
pérdidas multidimensionales mientras que en este Capítulo se tratarán las redes de sistemas de
puesta en fila de espera.
14.1 Introducción a las redes de puesta en fila de espera
Las redes de puesta en fila de espera se clasifican en abiertas y cerradas. En redes de puesta en fila
cerradas la cantidad de clientes es fija mientras que en redes de puesta en fila abiertas la cantidad
de clientes varía. En principio, una red abierta se puede transformar en una red cerrada agregando
un nodo extra.
El sistema de espera clásico de Erlang, M/N/n, es un ejemplo de un sistema de puesta en fila abierto,
mientras que el modelo máquina/reparación de Palm con S terminales es una red cerrada. Si hay
más que un tipo de clientes, la red puede ser una mezcla de red abierta y cerrada. En razón que el
proceso de salida en un nodo es el proceso de llegada en otro, se deberá prestar especial atención al
proceso de salida, en particular cuando se puede modelar como proceso de Poisson. Esto se
examinará en el § 14.2 (Sistemas simétricos de puesta en fila).
El estado de una red de puesta en fila se define como la distribución simultánea del número de
clientes en cada nodo. Si K representa el número total de nodos, el estado se describe entonces
mediante un vector p (i1, i2, . . . iK) donde iK es el número de clientes en el nodo k (k = 1, 2 . . . k).
Con frecuencia el espacio de estado es muy amplio y las probabilidades de estado mediante la
resolución de ecuaciones de equilibrio de nodos son difíciles de calcular. Si cada nodo es un sistema
simétrico de puesta en fila, por ejemplo red de Jackson (véase el § 14.3), se tendrá entonces una
forma de producto. Las probabilidades de estado de redes con forma de producto se pueden agregar
y obtener utilizando el algoritmo de convolución (véase el § 14.4.1) o el algoritmo MVA
(véase el § 14.4.2)
Las redes de Jackson pueden ser generalizadas en redes BCMP (véase el § 14.5), donde hay N tipos
de clientes. Los clientes de un tipo específico pertenecen a una denominada cadena. En la
figura 14.1 se ilustra un ejemplo de una red de puesta en fila con cuatro cadenas. Cuando el número
de cadenas aumenta el espacio de estado se incrementa en consecuencia, y sólo los sistemas con un
pequeño número de cadenas se pueden calcular exactamente. En el caso de una red multicadena, el
(133000)
- 255 -
estado de cada nodo resulta multidimensional (véase el § 14.6). La forma de producto entre nodos
se mantienen, y son aplicables los algoritmos de convolución y MVA (véase el § 14.7). La cantidad
aproximada de algoritmos para grandes redes se puede encontrar en la literatura.
Figura 14.1 − Ejemplo de una red de puesta en fila con cuatro cadenas abiertas
14.2 Sistemas simétricos de puesta en fila de espera

Para analizar los sistemas de puesta en fila es importante conocer cuándo el proceso de salida de un
sistema de fila de espera es un proceso de Poisson. Se conocen cuatro modelos de puesta en fila que
tienen esta propiedad.
1) M/M/n. Este es el teorema de Burke (1956 [13]), que expresa que el proceso de salida de
un sistema M/M/n es un proceso de Poisson. Las probabilidades de espacio de estado están
dadas por la ecuación (12.2):
donde A = λ/μ
2) M/G/∞. Esto corresponde al caso de Poisson (véase el § 7.2). Del § 6.3 se sabe que una
traslación aleatoria de los eventos de un proceso de Poisson produce un nuevo proceso de
Poisson. Este modelo se representa a veces como un sistema con criterio de puesta en fila
IS, número infinito de servidores. Las probabilidades de estado vienen dadas por la
distribución de Poisson (7.6):
3) M/G/1-PS. Este es un sistema de puesta en fila de un solo servidor con una distribución
general del tiempo de servicio y compartición de procesador. Las probabilidades de estado
son similares al caso M/M/1 (13.79):
i
p(i) = (1 − A) . A , i= 0, 1, 2, . . . . (14.4)
4) M/G/1-LCFS-PR (PR = con derecho prioritario). Este sistema también tiene las mismas
probabilidades de espacio de estado que el modelo M/M/1 (14.4).
(133000)
- 256 -
En la teoría de redes de puesta en fila sólo se consideran, por lo general, estos cuatro criterios de fila
de espera. Sin embargo, aun para el sistema de pérdidas de Erlang, el proceso de salida será un
proceso de Poisson si se incluyen clientes bloqueados.
Estos cuatro sistemas se conocen como sistemas simétricos de puesta en fila de espera, pues son
simétricos en el tiempo. Tanto el proceso de llegada como el de salida son procesos de Poisson y los
sistemas son reversibles (Kelly, 1979 [60]). El proceso se denomina reversible pues tiene el mismo
aspecto que cuando se invierte el tiempo (por ejemplo, se dice que una película es reversible cuando
su reproducción hacia delante o hacia atrás parecen iguales). Con excepción del modelo M/M/n
estos sistemas simétricos de puesta en fila tienen como característica común que el cliente es
servido inmediatamente a partir de su llegada. A continuación se tratarán básicamente los nodos
M/M/n pero el modelo M/M/1 también incluye M/G/1-PS y M/G/1-LCFS-PR.
14.3 Teorema de Jackson
En 1957, Jackson, que trabajaba con sistemas de fabricación y planeamiento de la producción,
publicó un documento con un teorema que se denomina ahora teorema de Jackson (Jackson, 1957
[46]). En dicho teorema demostró que una red de puesta en fila de espera de nodos M/M/n tiene
forma de producto. Sus conclusiones fueron inspiradas por el resultado obtenido por Burke el año
anterior (Burke, 1956 [13]).
Teorema 14.1. Teorema de Jackson: Considérese una red de puesta en fila de espera abierta con K
nodos que satisfacen las siguientes condiciones
a) Cada nodo es un sistema de puesta en fila M/M/n. El nodo k tiene nk servidores y el
promedio del tiempo de servicio es 1=μk.
b) Los clientes llegan desde fuera del sistema al nodo k conforme a un proceso de Poisson con
intensidad λk. Pueden llegar también clientes de otros nodos al nodo k.
c) Un cliente, que acaba de finalizar su servicio en el nodo j, se transfiere inmediatamente al
nodo k con probabilidad pjk o sale de la red con probabilidad:
Un cliente puede visitar varias veces el mismo nodo si pkk > 0.

El promedio de la intensidad de llegada Λk en el nodo k se obtiene empleando las ecuaciones de
equilibrio de flujo:
Sea p(i1, i2, . . ., iK) la representación de las probabilidades de espacio de estado conforme a la
hipótesis de equilibrio estadístico, es decir la probabilidad que haya ik clientes en el nodo k.
Asimismo, se supone que
Las probabilidades de espacio de estado vienen dadas entonces en forma de producto:
(133000)
- 257 -
Aquí para el nodo k, pk(ik) es la probabilidad de estado de un sistema de puesta en fila M/M/n con
intensidad de llegadas Λk y velocidad de servicio μk (14.1). El tráfico ofrecido Λc/μk =_k al nodo k
debe ser menor que la capacidad nk del nodo para entrar en equilibrio estadístico (14.6).
El punto fundamental del teorema de Jackson es que cada nodo puede ser considerado
independientemente de los otros y que las probabilidades de estado vienen dadas por las fórmula C
de Erlang. Esto simplifica considerablemente el cálculo de las probabilidades de espacio de estado.
La prueba del teorema fue obtenida por Jackson en 1957 demostrando que la solución satisface las
ecuaciones de equilibrio para el equilibrio estadístico.
En el último modelo de Jackson (Jackson, 1963 [47] la intensidad de llegada proveniente del
exterior:
puede depender del número corriente de clientes en la red. Asimismo, μk puede depender del
número de clientes en el nodo k. De esta manera, se pueden modelar redes de puesta en fila que
sean cerradas, abiertas o mixtas. En los tres casos, las probabilidades de estado tienen forma de
producto.
El modelo de Gordon y Newell (1967 [33]), que se cita a menudo en la literatura, puede ser tratado
como un caso especial del segundo modelo de Jackson.
Figura 14.2 − Diagrama de transición de estado de una red de puesta en

fila abierta constituida por dos sistemas M/M/1 en serie
Ejemplo 14.3.1: Dos nodos M/M/1 en serie

La figura 14.2 muestra una red de puesta en fila abierta de dos nodos M/M/1 en serie. El diagrama
de transición de estado correspondiente se ilustra en la figura 14.3. Evidentemente, el diagrama de
transición de estado no es reversible: entre dos estados vecinos sólo hay flujo en un sentido (véase
el § 10.2) y aparentemente no hay forma de producto. Si se resuelven las ecuaciones de equilibrio
para obtener las probabilidades de estado se encuentra que la solución se puede expresar en forma
de producto:
donde A1 = λ/μ1 y A2 = λ/μ2. Las probabilidades de estado se pueden expresar en forma de producto
p(i, j) = p(i) . p(j), donde p(i) es la probabilidad de estado para un sistema M/M/1 con tráfico
ofrecido A1 y p(j) es la probabilidad de estado para un sistema M/M/1 con tráfico ofrecido A2. Las
probabilidades de estado indicadas en la figura 14.3 son idénticas a las de la figura 14.4 que tiene
equilibrio local y forma de producto. Es posible así encontrar un sistema que es reversible y tenga
las mismas probabilidades de estado que el sistema no reversible. En la figura 14.3 hay equilibrio
regional y no local. Si se considera un cuadrado de cuatro estados habrá equilibrio para el mundo
exterior pero, internamente, habrá circulación a través de la diagonal de desplazamiento de estado.
(133000)
- 258 -
En redes de fila de espera los clientes a menudo son puestos en operación bucle, de modo tal que un
cliente puede visitar varias veces el mismo nodo. Si se tiene una red de puesta en fila con clientes en
bucle, donde los nodos son sistemas M/M/n, los procesos de llegada a cada uno de los nodos ya no
son procesos de Poisson. De cualquier modo se pueden calcular las probabilidades de estado como
si los nodos fueran sistemas M/M/n independientes. Esto se explica en el siguiente ejemplo.
Ejemplo 14.3.2: Redes con retroalimentación
El concepto de retroalimentación se introdujo en el ejemplo 14.3.1 en el que un cliente, que acaba
de concluir su servicio en el nodo 2, retorno al nodo 1 con probabilidad p21. El cliente deja el
sistema con probabilidad con 1 - p21. La ecuación (14.5) de equilibrio de flujo permite calcular la
intensidad de llegada total a cada nodo y la probabilidad p21 se debe elegir de modo tal que las
relaciones Λ1=μ1 y Λ2=μ2 sean menor que uno. Si λ1 → 0 y p21 → 1 se comprenderá que los procesos
de llegada no son procesos de Poisson. Rara vez llegará un nuevo cliente, pero una vez que ha
ingresado al sistema circulará durante un tiempo relativamente largo. El número de circulaciones
estará distribuido geométricamente y el tiempo entre llegadas es la suma de los dos tiempos de
servicio; es decir, cuando en el sistema hay uno o más clientes, la velocidad de llegada a cada nodo
será relativamente alta, mientras que si en el sistema no hay clientes la velocidad será muy baja. El
proceso de llegada será en ráfagas.
La situación es similar a la descomposición de una distribución exponencial en una suma ponderada
de distribuciones de Erlang-k, con factores geométricos ponderados (véase el § 4.4). En lugar de
considerar una distribución entre llegadas exponencial simple se puede descomponer esto en k fases
(véase la figura 4.9) y considerar cada fase como una llegada. En consecuencia, el proceso de
llegada ha sido transformado de un proceso de Poisson a un proceso con llegadas en ráfagas.
Figura 14.3 − Diagrama de transición de estado para la red de puesta en fila

abierta que se ilustra en la figura 14.2. El diagrama no es reversible
(133000)
- 259 -
Figura 14.4 − Diagrama de transición de estado para dos sistemas de puesta en

fila M/M/1 independientes con idéntica intensidad de llegada, pero tiempos
medios de servicio individuales. El diagrama es reversible
14.3.1 Suposición de independencia de Kleinrock

Si se considera una red de datos de vida real, los paquetes tendrán la misma longitud constante y,
por tanto, el mismo tiempo de servicio en todos los enlaces y nodos de igual velocidad. La teoría de
redes de puesta en fila supone que un paquete (un cliente) toma muestras de un nuevo tiempo de
servicio en cada nodo. Esta es una suposición necesaria para la forma de producto.
Kleinrock (1964 [65]), investigó por primera vez esta suposición y resultó ser una buena
aproximación en la práctica.
14.4 Redes de puesta en fila de una sola cadena
Se examinarán principalmente las probabilidades de estado definidas por
p(i1, i2; . . . , ik, . . . , iK), donde ik es la cantidad de clientes en el nodo k (1 ≤ k ≤ K). Cuando se
trata de sistemas abiertos, las operaciones son más sencillas de efectuar. Se resuelve primero la
ecuación (14.5) de equilibrio de flujo y se obtiene la intensidad de llegada agregada a cada nodo
(Λk). Mediante la combinación de las intensidades de llegada con la distribución del tiempo de
servicio (μk) se obtiene el tráfico ofrecido Ak en cada nodo y entonces, considerando el sistema de
espera de Erlang, se obtienen las probabilidades de estado para cada nodo.
14.4.1 Algoritmo de convolución para una red de puesta en fila cerrada
Cuando se tratan redes de puesta en fila cerradas las operaciones son mucho más complicadas. En
este caso, solo se conoce la carga relativa en cada nodo y no la carga absoluta, es decir, se conoce
c Λj, pero no se conoce c. Se pueden obtener probabilidades de estado relativas no normalizadas.
.
Por último, se obtiene la normalización de las probabilidades de estado. Lamentablemente,

normalización implica que se deben sumar todas las probabilidades de estado, es decir se debe
calcular cada una de las probabilidades de estado (no normalizadas). El número de estados aumenta
rápidamente cuando se incrementa el número de nodos y/o clientes. En general, la complejidad es
similar a la correspondiente a sistemas de pérdidas multidimensionales (véase el Capítulo 10).
(133000)
- 260 -
Se puede mostrar ahora cómo se puede aplicar el algoritmo de convolución a las redes de puesta en
fila. El mecanismo de la operación corresponde al algoritmo de convolución para sistemas con
pérdidas (véase el Capítulo 10). Se considera una red de puesta en fila con K nodos y una sola
cadena con S clientes. Se supone que los sistemas de puesta en fila en cada nodo son simétricos
(véase el § 14.2). El algoritmo tiene tres pasos:
• Paso 1. Sea la intensidad de llegada a un nodo arbitrario igual a uno y se obtiene entonces
las intensidades relativas restantes λk. Mediante la resolución de la ecuación (14.5) de
equilibrio de flujo para la red cerrada se obtiene las velocidades de llegada relativas (Λk, 1 ≤
k ≤ K) para cada nodo. Por último, se obtiene el tráfico ofrecido relativo αk = Λk/μk.
• Paso 2. Considérese cada nodo como si estuviera aislado y tuviera el tráfico ofrecido αk
(1 ≤ k ≤ K). Dependiendo del sistema de puesta en fila simétrico real en el nodo k, se
extraen las probabilidades de estado relativas qk(i) en el nodo k. El espacio de estado estará
limitado por la cantidad total de clientes S, es decir 0 ≤ i ≤ S.
• Paso 3. Repliéguese recurrentemente las probabilidades de estado para cada nodo. Por
ejemplo, para los primeros dos nodos se tienen:
donde:
Cuando todos los nodos han sido replegados se obtiene:
En razón que la cantidad total de clientes es fija (S) sólo existe en el sistema combinado el
estado q1,2. . . ,K(S) y, por tanto, este macroestado debe tener la probabilidad uno. Se pueden entonces
normalizar todas las probabilidades de microestado.
Cuando se efectúa la última convolución se pueden obtener las medidas de calidad de
funcionamiento para el último nodo. Variando el orden de convolución de los nodos se pueden
obtener las medidas de calidad de funcionamiento de todos ellos.
(133000)
- 261 -
Figura 14.5 – Modelo máquina – Reparador como redes de puesta en fila cerradas con dos
nodos. Los terminales corresponden a un nodo IS, en razón que las
operaciones encuentran siempre un terminal en reposo,
mientras que la CPU corresponde a un nodo M/M/1
Ejemplo 14.4.1: Modelo máquina – Reparador de Palm

Se examinará ahora el modelo máquina – reparador de Palm introducido en el § 12.5 como red de
fila de espera cerrada (véase la figura 14.5). Hay S clientes y terminales. El tiempo de activación
medio es μ1-1 y el tiempo de servicio medio en la CPU que es μ2-1. En la terminología de redes de
fila de espera hay dos nodos: En el nodo 1 están los terminales, es decir un sistema M/G/∞ (en
realidad es un sistema M/G/S, pero en razón que la cantidad de clientes se limita a S, corresponde a
un sistema M/G/∞), y el nodo 2 es la CPU, es decir un sistema M/M/1 con intensidad de servicio μ2.
Los flujos a los nodos son iguales (λ1 = λ2 = λ) y la carga relativa en el nodo 1 y nodo 2 son
α1 = λ/μ1 y α2 = λ/μ2,
respectivamente. Si se considera cada nodo por separado se obtienen las probabilidades de estado
de cada uno de ellos, q1(i) y q2(j), y por convolución de q1(i) y q2(j) se obtiene q12(x), (0 ≤ x ≤ S),
como se muestra en el cuadro 14.1. El último término con S clientes (probabilidad no normalizada)
q12(S) está compuesto por:
Por simple transposición resulta:
donde
La probabilidad de que todos los terminales estén "activados" se identifica con el ultimo término
(normalizado por la suma) (S terminales en el nodo 1, cero terminales en el nodo 2):
(133000)
- 262 -
que es la fórmula B de Erlang. Así, el resultado está de acuerdo con el obtenido en el § 12.5. Se
observa que λ aparece con la misma potencia en todos los términos de q1,2(S) y así corresponde a
una constante que desaparece cuando se normaliza.
Cuadro 14.1 − Algoritmo de convolución aplicado al modelo máquina – Reparador

de Palm. El nodo 1 es un sistema IS mientras que el nodo 2 es un
sistema M/M/1 (véase el ejemplo 14.4.1)
Estado Nodo 1 Nodo 2 Red de puesta en fila

i q1(i) q2(i) q12 = q1 * q2
Ejemplo 14.4.2: Servidor central

En 1971 J.P. Buzen introdujo el modelo de servidor central que se ilustra en la figura 14.6 para
modelar un sistema informático multiprogramado con una CPU y un número de canales de
entrada/salida (unidades periféricas). El grado de multiprogramación S describe la cantidad de
operaciones procesadas simultáneamente. El número de unidades periféricas se representa por K − 1
como se muestra en la figura 14.6, que también indica las probabilidades de transición.
Típicamente una operación requiere servicios cientos de veces, ya sea por la unidad central o bien
por uno de los periféricos. Se supone que la operación una vez finalizada es inmediatamente
remplazada por otra; por tanto S es constante. Los tiempos de servicios están todos distribuidos
exponencialmente con intensidad μi (i = 1, . . . ,K).
Buzen formuló un esquema para evaluar este sistema. El esquema es un caso especial del algoritmo
de convolución. Sea un caso con S = 4 clientes y K = 3 nodos, y:
(133000)
- 263 -
Figura 14.6 – Sistema de puesta en fila de servidor central constituido por un

servidor central (CPU) y (K−1) canales de entrada/salida. En el sistema
circula un número fijo de operaciones S

1) S operaciones de circulación
3) Canales entrada/salida
Las cargas relativas resultan:
Si se aplica el algoritmo de convolución se obtienen los resultados que figuran en el cuadro 14.2. El
término q123(4) está compuesto por:
El nodo 3 sirve a los clientes en todos los estados con excepción del estado q3(0) . q12(4) = 5. La
utilización del nodo 3 es por tanto a3 = 52/57. Basado en las cargas relativas se obtienen ahora las
cargas exactas:
El promedio del número de clientes en el nodo 3 es:
Cambiando el orden de convolución se obtiene el promedio de longitudes de fila de espera L1 y L2 y

concluye con:
(133000)
- 264 -
Cuadro 14.2 – Algoritmo de convolución aplicado al

sistema del servidor central
Estado Nodo 1 Nodo 2 Nodo 1*2 Nodo 3 Red de puesta en fila
i q1(i) q2(i) q12 = q1 * q2 q3 q123 = (q1 * q2) * q3

0 1 1 1 1 1
1 1 1 2 2 4
2 1 1 3 4 11
3 1 1 4 8 26
4 1 1 5 16 57
La suma de todos los promedios de longitudes de filas de espera es, por supuesto, igual al número
de clientes S. Se debe señalar que en redes de puesta en fila se define la longitud de la fila de espera
como la cantidad total de clientes en el nodo, incluidos los que están recibiendo un servicio. De los
tiempos medios de servicio y de utilización se obtiene el promedio de número de clientes que
concluyen el servicio por unidad de tiempo en cada nodo:
Aplicando el resultado de Little se obtiene finalmente el tiempo medio de estado: Wk = Lk /λk:
14.4.2 Algoritmo de valor medio

El algoritmo de valor medio (MVA, mean value algorithm) es un mecanismo para calcular medidas
de calidad de funcionamiento de redes de puesta en fila de espera. Combina de excelente manera
dos resultados principales de la teoría de puesta en fila de espera: el teorema de llegada (§ 8.28) y la
ley de Little (§ 5.20). El algoritmo fue publicado por primera vez por Lavenberg y
Reiser (1980 [73]).
En el mismo se considera una red de puesta en fila con K nodos y S clientes (todos pertenecientes a
una sola cadena). Las cargas relativas de los nodos se simbolizan por αk (k = 1, 2, . . . ,K). El
algoritmo es recurrente en el número de clientes, es decir, una red con x clientes se evalúa a partir
de una red con x−1 clientes.
Supóngase que el promedio de la cantidad de clientes en el nodo k es Lk(x) donde x es el número de
clientes total en la red. Obviamente:
(133000)
- 265 -
El algoritmo actúa recurrentemente en dos pasos:

Paso 1:
Aumentar el número de clientes de x a (x + 1). Conforme al teorema de llegada, el
(x + 1)-ésimo cliente verá el sistema como si éste tuviera x clientes en equilibrio estadístico. Por
tanto, el promedio de tiempo de ocupación (tiempo de espera, + tiempo en servicio) en el nodo k es:
• Para M/M/1, M/G/1−PS, M/G/1, y LCFS−PR:
• para M/G/∞:
donde sk es el promedio del tiempo de servicio en el nodo k que tiene nk servidores. En razón que
solo se calcula el tiempo medio de espera, se puede suponer el criterio de fila de espera FCFS.
Paso 2:
Se aplica la ley de Little (L = λ .W), que es válida para todos los sistemas en equilibrio estadístico.
Para el nodo k se tiene Lk = λk . Wk, donde λk es la velocidad de llegada relativa al nodo k. Se tiene
La constante c se obtiene del número total de clientes:
Mediante estos dos pasos se ha efectuado la recursión de x a (x + 1) clientes. Para x = 1 no habrá

tiempo de espera en el sistema y Wk(1) es igual al promedio del tiempo de servicio sk.
El algoritmo MVA se indica a continuación para nodos de un solo servidor, pero es bastante sencillo
generalizarlo a nodos con criterios de múltiples servidores, o bien infinitos servidores.
Ejemplo 14.4.3: Modelo de servidor central
Se aplica el algoritmo MVA al modelo de servidor central (véase el ejemplo 14.4.2). Las
velocidades de llegada relativa son:
(133000)
- 266 -
Nodo 1 Nodo 2 Nodo 3
Naturalmente, el resultado es idéntico al obtenido con el algoritmo de convolución. El tiempo de

permanencia en cada nodo (utilizando la unidad de tiempo original) es el siguiente:
W1(4) = 1,6154 . 28 = 45,23,
W2(4) = 1,6154 . 40 = 64,62,
W3(4) = 2,7693 . 280 = 775,38,
Ejemplo 14.4.4: Algoritmo MVA aplicado al modelo máquina - reparador
Se examina el modelo máquina - reparación con S fuentes, tiempo de activación del terminal A y
tiempo de servicio−CPU igual a una unidad de tiempo. Como se indicó en el § 12.5.2 esto es
equivalente a un sistema de pérdidas de Erlang con S servidores y tráfico ofrecido A. Es también
una red de puesta en fila cerrada con dos nodos y S clientes en una cadena. Si se aplica el algoritmo
MVA a este sistema se obtendrá entonces la fórmula de recursión para la fórmula B de Erlang (véase
el § 7.27). Las velocidades de visita relativa son idénticas, pues un cliente visita alternativamente el
nodo 1 y el nodo 2: λ1 = λ2 = 1.
Nodo 1 Nodo 2
(133000)
- 267 -
Se sabe que la longitud de la fila de espera en los terminales (nodo 1) es igual al tráfico transportado
en el sistema B de Erlang equivalente y que todos los otros clientes se quedan en la CPU (nodo 2).
Así tenemos en general:
Nodo 1 Nodo 2
De esto se obtiene la constante de normalización c = 1 − Ex(A) y se calcula para el (x+1)-ésimo

cliente:
pues se sabe que c = 1- Ex+1. Esta es la formula de recursión para la fórmula B de Erlang.
14.5 Redes de puesta en fila BCMP
En 1975 el modelo de Jackson fue ulteriormente generalizado por Baskett, Chandy, Muntz y
Palacios (1975 [4]). Se demostró que las redes de puesta en fila con más de un tipo de clientes
también tienen forma de producto, siempre que:
a) Cada nodo es un sistema de puesta en fila simétrico (véase el § 14.2: proceso de llegada de
Poisson ⇒ proceso de salida de Poisson).
b) Los clientes se clasifican en N canales. Cada canal se caracteriza por su propio tiempo de
servicio medio si y por las probabilidades de transición pij. Además, un cliente puede
cambiar de un canal a otro con una determinada probabilidad después de haber terminado el
servicio en un nodo. Si el criterio de puesta en fila en un nodo es M/M/n (incluido M/M/1)
se aplica una restricción: el promedio del tiempo de servicio debe ser idéntico para todos
los canales en un nodo.
Las redes BCMP pueden ser evaluadas con el algoritmo de convolución multidimensional así como
con el algoritmo MVA multidimensional. Estos dos algoritmos se describirán más adelante. Las
redes de puesta en fila mixtas (abiertas y cerradas) se proyectan calculando primero la carga de
tráfico en cada nodo de las cadenas abiertas. Este tráfico debe ser transportado para que entren en
equilibrio estadístico. La capacidad de los nodos está reducida por este tráfico, y la red de puesta en
fila cerrada se calcula por la capacidad reducida. Por tanto, el problema principal es calcular redes
cerradas.
Para ello, se utilizarán más algoritmos entre los cuales los más importantes son el algoritmo de
convolución y el algoritmo MVA.
(133000)
- 268 -
14.6 Redes de puesta en fila multidimensionales

En esta sección se estudiarán redes de puesta en fila con más de un tipo de clientes. Los clientes del
mismo tipo pertenecen a una clase o canal específico. En el Capítulo 10 se analizaron sistemas de
pérdidas con diversos tipos de clientes (servicios) y se observó que se mantuvo la forma de
producto y que se podía aplicar el algoritmo de convolución.
14.6.1 Sistema de puesta en fila de un solo servidor M/M/1
Figura 14.7 – Sistema de puesta en fila M/M/1 con dos tipos (de cadenas) de clientes
La figura 14.7 ilustra un sistema de puesta en fila de un solo servidor con N = 2 tipos de clientes
(cadenas). Los clientes llegan al sistema conforme a un proceso de llegada de Poisson con
intensidad λj (j = 1, 2). El estado (i, j) se define como un estado con i clientes tipo 1 y j clientes
tipo 2. La intensidad de servicio μi,j en el estado (i, j) se puede seleccionar pues ésta depende del
estado, por ejemplo:
La velocidad del servicio se puede interpretar de diversas maneras conforme al sistema simétrico de
puesta en fila de un solo servidor. Una interpretación corresponde a la compartición del procesador,
es decir, todos los (i + j) clientes comparten el servidor y la capacidad de éste es constante. La
dependencia del estado es debida a la diferencia en velocidades de servicio entre los dos tipos de
clientes; es decir, el número de clientes que ha terminado su operación por unidad de tiempo
depende de los tipos de clientes a los que se le está dando servicio.
Otra interpretación corresponde a un sistema M/M/1. Si se supone μ1 = μ2, se puede determinar que
el cliente se le da servicio con probabilidad i/(i+j) de tipo 1, y con probabilidad j/(i+j) de tipo 2.
Esto es independiente del criterio de servicio.
(133000)
- 269 -
Figura 14.8 – Diagrama de transición de estado para un sistema M/M/1

multidimensional con compartición de procesador
En la figura 14.8 se ilustra parte del diagrama de transición de estado. El diagrama es reversible,
pues el flujo que circula en sentido horario es igual al flujo que circula en sentido antihorario. Por lo
tanto, hay equilibrio local y todas las probabilidades de estado se pueden expresar por p(0, 0):
Normalizando la expresión se tiene que p(0, 0):
En comparación con la fórmula B de Erlang multidimensional se tiene ahora el factor adicional

(i+j)!. El producto entre cadenas (dentro de un nodo) se pierde, pero el producto entre nodos se
mantendrá aún.
Si hay N tipos de clientes (cadenas) diferentes, las probabilidades de estado para un solo nodo
resulta:
Esto se puede expresar por la distribución polinómica (4.37):
(133000)
- 270 -
Para un número ilimitado de posiciones de puesta en fila las probabilidades de estado del número
total de clientes son:
Si μi = μ, el sistema es idéntico a un sistema M/M/1 con velocidad de llegada λ = Σi λi:
Para obtener este resultado se utiliza la expansión binomial. El diagrama de transición de estado de
la figura 14.8 también se puede interpretar como el diagrama de transición de estado de un sistema
M/G/1, LCFS-PR (con derecho prioritario). Es obvio que este sistema sea reversible pues el proceso
sigue exactamente el mismo trayecto en el diagrama de transición de estado fuera del estado cero y
retorno a dicho estado.
El diagrama de transición de estado se puede mostrar diferente a la distribución del tiempo de
servicio, de modo que es válido para el sistema de puesta en fila M/G/1. La figura 14.8 corresponde
a un diagrama de transición de estado para un sistema de puesta en fila de un solo servidor con
tiempos de servicios distribuidos hiperexponencialmente (véase (10.7)), por ejemplo M/H2/1-LCFS-
PR o PS.
Cabe señalar que para el sistema M/M/1 (FCFS, LCFS, SIRO) es necesario suponer que todos los
clientes tienen el mismo tiempo medio de servicio, que debe estar distribuido en forma exponencial.
De otro modo, el cliente a quien se le está dando servicio no será del tipo aleatorio que se encuentra
entre los (i + j) clientes en el sistema.
En conclusión, los sistemas de puesta en fila de un solo servidor con más tipos de clientes sólo
tendrá forma de producto cuando el nodo es un sistema de puesta en fila simétrico: M/G/1-PS,
M/G/1-LCFS PR, o M/M/1 con el mismo tiempo de servicio para todos los clientes.
14.6.2 Sistema de puesta en fila M/M/n
El tráfico anterior se puede transportar a través de un sistema con n servidores. Para (i + j) ≤ n se
tiene las mismas probabilidades de estado relativas que para la fórmula B de Erlang
multidimensional. Para (i + j) > n sólo se obtiene una interpretación simple cuando μi = μ, es decir,
cuando todos los tipos de clientes (cadenas) tienen el mismo tiempo medio de ocupación. Se calcula
entonces las probabilidades de estado aplicando la ecuación (14.1), y el sistema tiene forma de
producto. El sistema M/M/∞ se puede considerar como un caso especial de M/M/n y ya ha sido
tratado en relación con sistemas de pérdidas (véase el Capítulo 12).
14.7 Redes cerradas de puesta en fila con múltiples cadenas
El tratamiento de redes de puesta en fila con múltiples cadenas es análogo al caso con una sola
cadena. La única diferencia es que las fórmulas y algoritmos clásicos están reemplazados por las
fórmulas multidimensionales pertinentes.
(133000)
- 271 -

El algoritmo es esencialmente el mismo que en el caso de una sola cadena:
• Paso 1. Considérese cada canal como si fuera el único de la red. Obténgase la carga relativa
en cada nodo resolviendo la ecuación (14.5) de equilibrio de flujo. En un nodo de
referencia arbitrario se supone que la carga es igual a uno. Para cada cadena se puede
determinar un nodo diferente como nodo de referencia. Para la cadena j en el nodo k se
obtiene la intensidad de llegada relativa λkj (el índice superior indica la cadena) mediante la
siguiente expresión:
donde:
K = cantidad de nodos,
N = cantidad de cadenas,
pikj = probabilidad que un cliente de la cadena j pase del nodo i al nodo k.
Se determina un nodo arbitrario como nodo de referencia, por ejemplo nodo 1, es decir λ1j = 1. La
carga relativa en el nodo k debido a clientes de la cadena j es entonces:
donde skj es el tiempo medio de servicio en el nodo k para clientes de la cadena j. Cabe señalar que
j es un índice superior y no una potencia.
• Paso 2. Basado en las cargas relativas halladas en el paso 1, obténganse las probabilidades
de estado multidimensionales para cada nodo. Cada nodo se considera aislado y se corta el
espacio del estado conforme al número de clientes en cada cadena. Por ejemplo para el
nodo k (1 ≤ k ≤ K):
pk = pk(i1, i2, . . . ,iN), 0 ≤ ij ≤ Sj, j = 1, 2, . . . N,
donde Sj es el número de clientes en la cadena j.
• Paso 3. Para hallar las probabilidades de estado de toda la red, las probabilidades de estado
de cada nodo se plantean de forma similar al caso de una sola cadena. La única diferencia
es que la convolución es multidimensional. Cuando se efectúa la última convolución se
pueden obtener las medidas de calidad de funcionamiento desde la última cadena.
Nuevamente, al cambiar el orden de los nodos, se pueden obtener las medidas de calidad de
funcionamiento de todos los nodos.
La cantidad de estados aumenta rápidamente. Por ejemplo, si la cadena j tiene Sj, el número total de
estados en cada nodo será:
La cantidad de modos en que N cadenas con Sj clientes en la cadena j pueden ser distribuidos en una
red de puesta en fila con K nodos se calcula con la siguiente expresión:
(133000)
- 272 -
donde kj (1 ≤ kj < k) es el número de nodos visitados por la cadena j y:
El algoritmo se ilustra mejor con un ejemplo.

Ejemplo 14.7.1: Modelo máquina – reparador de Palm con dos tipos de clientes
Como se vio en el ejemplo 14.4.1, este sistema se puede modelar con una red de puesta en fila con
dos nodos. El nodo 1 corresponde a los terminales (máquinas) mientras que el nodo 2 es la CPU
(reparador). El nodo 2 es un sistema de servidor único mientras que el nodo 1 está modelado como
sistema de servidor infinito. El número de clientes en las cadenas son (S1 = 2; S2 = 3) y el tiempo
medio de servicio en el nodo k es skj . La carga relativa de la cadena 1 se representa por α1 en el
nodo 1 y por α2 en el nodo 2. En forma similar, la carga de la cadena 2 se simboliza por β1 y β2,
respectivamente. Aplicando el algoritmo de convolución se tiene:
• Paso 1.
Carga relativa: α2 = λ1. s11 , α2 = λ1 . s12 .
Carga relativa: β1 = λ2 . s12 , β2 = λ2 . s22 .

• Paso 2.
Para el nodo 1 (IS) las probabilidades de estado relativas son (véase 14.1):
(133000)
- 273 -
Para el nodo 2 (servidor único) (véase 14.15) resulta:
• Paso 3.
Se ponen los dos nodos en convolución. Se sabe que el número total de clientes es (2, 3), es decir,
sólo hay interés en el estado (2, 3):
Utilizando los valores reales se tiene:
Se debe señalar que α1 y α2 juntos (cadena 1) siempre aparecen en la segunda potencia mientras
que β1 y β2 (cadena 2) aparecen en la tercera potencia correspondiente al número de clientes en
cada cadena. Debido a esto, sólo las cargas relativas son pertinentes, y las probabilidades absolutas
se obtienen por proceso de normalización dividiendo todos los términos por q12(2, 3). Las
probabilidades de estado detalladas son ahora fáciles de obtener. Sólo en el estado con el término
( α12 β13 )/12 está la CPU (reparador) inactiva. Si los dos tipos de clientes son idénticos el ejemplo
.
se simplifica al modelo de máquina - reparador de Palm con cinco terminales. En este caso se tiene:
(133000)
- 274 -
Si α1 = β1 = α y α2 = β2 = 1, resulta:
es decir, se espera la fórmula B de Erlang.

14.8 Otros algoritmos para redes de puesta en fila
El algoritmo MVA es también aplicable a redes de puesta en fila con más cadenas, pero no se
describirá en el presente Manual. Durante el último decenio se han publicado diversos algoritmos.
Un panorama general se puede encontrar en (Conway y Georganas, 1989 [16]). En general, los
algoritmos exactos no son aplicables para redes amplias. Por tanto, se han elaborado muchos
algoritmos aproximados para ser aplicados en redes de puesta en fila de dimensiones realistas.
14.9 Complejidad
Las redes de puesta en fila tienen la misma complejidad que las redes de circuito conmutados con
encaminamiento directo (véase el § 11.5 y el cuadro 11.1). El espacio de estado de la red que figura
en el cuadro 14.3 tiene el siguiente número de estados para cada nodo:
El caso más desfavorable se produce cuando cada cadena está constituido por un cliente. El número
S
de estado entonces resulta 2 , donde S es el número de cliente.
Cuadro 14.3 – Parámetros de una red de puesta en fila con N cadenas,

K nodos y Σi Si clientes. El parámetro αjk indica la carga de
la cadena j en el nodo k (véase el cuadro 11.1)
Cadena Nodo Dimensión de la
población
14.10 Atribución de la capacidad óptima

Se considera ahora un sistema de transmisión de datos con K nodos, que son sistemas
independientes de puesta en fila de un solo servidor M/M/1 (sistema de demora de Erlang con un
servidor). El proceso de llegada al nodo k es un proceso de Poisson con mensajes de intensidad λk
(133000)
- 275 -
(clientes) por unidad de tiempo, y el tamaño del mensaje está distribuido exponencialmente con el
valor medio 1/μk [bits]. La capacidad del nodo k es ϕk [bits por unidad de tiempo].
Se introduce en la capacidad total la restricción lineal siguiente:
Para cada atribución de capacidad que satisface la ecuación (14.21), se tiene el tiempo medio de
permanencia (promedio de llamada) siguiente (véase el § 12.4.1, combinación en paralelo):
donde:
Definiendo:
se obtiene la ley de Kleinrock para atribución de capacidad óptima (Kleinrock, 1964 [65]).
Teorema 14.2 ley de las raíces cuadradas de Kleinrock: La atribución de capacidad óptima que
reduce T al mínimo (y así el número total de mensajes en todos los nodos) es:
con la condición que:
Con esta atribución óptima resulta:
En esta expresión se indica que a todos los nodos se atribuye primero la capacidad mínima
necesaria λi/μi. La capacidad restante:
se atribuye entre los nodos en forma proporcional a la raíz cuadrada del flujo medio λk/μk.
(133000)
- 276 -
Esto se puede determinar introduciendo el multiplicador de Lagrange ϑ y considerar:
El valor mínimo de G se obtiene calculando ϕk conforme a la ecuación (14.26). Si todos los

mensajes tienen el mismo valor medio μk=μ, (se puede considerar entonces diferentes costos en los
nodos conforme a la restricción que se disponga de un monto fijo (Kleinrock, 1964 [65]).
(133000)
- 277 -
(133000)
- 278 -
BIBLIOGRAFÍA
[1] Abate, J. & Whitt, W. (1997): Limits and approximations for the M/G/1 LIFO waiting−time
distribution. Operations Research Letters, Vol. 20 (1997): 5, 199−206.
[2] Andersen, B. & Hansen, N.H. & og Iversen, V.B. (1971): Use of minicomputer for
telephone traffic measurements. Teleteknik (Edición inglesa) Vol. 15 (1971): 2, 33−46.
[3] Ash, G.R. (1998): Dynamic routing in telecommunications networks. McGraw-Hill 1998.
746 pp.
[4] Baskett, F. & Chandy, K.M. & Muntz, R.R. & Palacios, F.G. (1975): Open, Closed and
Mixed Networks of Queues with Different Classes of Customers. Journ. of the ACM,
abril 1975, pp. 248−260. (BCMP queueing networks).
[5] Bear, D. (1988): Principles of telecommunication traffic engineering. Revised 3rd Edition.
Peter Peregrinus Ltd, Stevenage 1988. 250 pp.
[6] Bech, N.I. (1954): Metode til Beregning af Spærring i Alternativ Trunking- og Grade-
ringssystemer. Teleteknik, Vol. 5 (1954) : 4, pp. 435−448.
[7] Bolotin, V.A. (1994): Telephone circuit holding time distributions. ITC 14, 14th
International Teletraffic Congress. Antibes Juan-les-Pins, France, junio 6-10. 1994.
[8] Boots, N.K. & Tijms, H. (1999): A multiserver queueing system with impatient customers.
Management Science, Vol. 45 (1999) : 3, 444−448.
[9] Bretschneider, G. (1956): Bie Berechnung von Leitungsgruppen für überfließenden
Verkehr. Nachrichtentechnische Zeitschrift, NTZ, Vol. 9 (1956) : 11, 533−540.
[10] Bretschneider, G. (1973): Extension of the equivalent random method to smooth traffics.
ITC−7, Seventh International Teletraffic Congress, Estocolmo, junio 1973. Paper 411. 9 pp.
[11] Brockmeyer, E. (1954): The simple overffow problem in the theory of telephone traffic.
Teleteknik 1954, pp. 361-374. En Danés. Traducido al inglés por la Copenhagen Telephone
Company, abril 1955. 15 pp.
[12] Brockmeyer, E. & Halstrøm, H.L. & Jensen, Arne (1948): The life and works of A.K.
Erlang. Transactions of the Danish Academy of Technical Sciences, 1948, No. 2, 277 pp.
Copenhague 1948.
[13] Burke, P.J. (1956): The Output of a Queueing System. Operations Research, Vol. 4 (1956),
699−704.
[14] Christensen, P.V. (1914): The number of selectors in automatic telephone systems. The
Post Office Electrical Engineers Journal, Vol. 7 (1914) 271-281.
[15] Cobham, A. (1954): Priority assignment in waiting line problems. Operations Research,
Vol. 2 (1954), 70−76.
[16] Conway, A.E. & Georganas, N.D. (1989): Queueing Networks −- Exact Computational
Algorithms: A Unified Theory Based on Decomposition and Aggregation. The MIT Press
1989. 234 pp.
[17] Cooper, R.B. (1972): Introduction to Queueing Theory. Nueva York 1972. 277 pp.
[18] Cox, D.R. (1955): A Use of Complex Probabilities in the Theory of Stochastic Processes.
Proc. Camb. Phil. Soc., Vol. 51 (1955), pp. 313−319.
(133000)
- 279 -
[19] Cox, D.R. & Miller, H.D. (1965): The Theory of Stochastic Processes. Methuen & Co.
Londres 1965. 398 pp.
[20] Cox, D.R.& Isham, V. (1980): Point Processes. Chapman and Hall. 1980. 188 pp.
[21] Crommelin, C.D. (1932): Delay Probability Formulae When the Holding Times are
Constant. Post Office Electrical Engineers Journal, Vol. 25 (1932), pp. 41−50.
[22] Crommelin, C.D. (1934): Delay Probability Formulae. Post Office Electrical Engineers
Journal, Vol. 26 (1934), pp. 266−274.
[23] Delbrouck, L.E.N. (1983): On the steady−state distribution in a service facility carrying
mixtures of traffic with different peakedness factor and capacity requirements. IEEE
Transactions on Communications, Vol. COM-31 (1983): 11, 1209−1211.
[24] Dickmeiss, A. & Larsen, M. (1993): Spærringsberegninger i telenet. Master's thesis.
Institut for Telekommunikation, Danmarks Tekniske Højskole, 1993. 141 pp.
[25] Eilon, S. (1969): A simpler proof of L = λW. Operations Research, Vol. 17 (1969),
pp. 915−917.
[26] Elldin, A., and G. Lind (1964): Elementary Telephone Traffic Theory. Chapter 4. L.M.
Ericsson AB, Estocolmo 1964. 46 pp.
[27] Engset, T.O. (1918): Die Wahrscheinlichkeitsrechnung zur Bestimmung der Wählerzahl in
automatischen Fernsprechämtern. Elektrotechnische Zeitschrift, 1918, Heft 31. Traducido
al inglés por Telektronikk (Noruega), junio 1991, 4pp.
[28] Eslamdoust, C. (1995): Design of large communication networks. Master's thesis.
Department of Telecommunication, Technical University of Denmark, 1995. 108 + 133 pp.
[29] Feller, W. (1950): An introduction to probability theory and its applications. Vol. 1, Nueva
York 1950. 461 pp.
[30] Fortet, R. & Grandjean, Ch. (1964): Congestion in a loss system when some calls want
several devices simultaneously. Electrical Communications, Vol. 39 (1964) : 4, 513−526.
Documento presentado al ITC−4, Cuarto Congreso Internacional de Teletráfico, Londres,
Inglaterra 15−21 julio 1964.
[31] Fredericks, A.A. (1980): Congestion in blocking systems − a simple approximation
technique. The Bell System Technical Journal, Vol. 59 (1980): 6, 805−827.
[32] Fry, T.C. (1928): Probability and its engineering uses. Nueva York 1928, 470 pp.
[33] Gordon, W.J, and & Newell, G.F. (1967): Closed queueing systems with exponential
servers. Operations Research, Vol. 15 (1967), pp. 254−265.
[34] Grillo, D. & Skoog, R.A. & Chia, S. & Leung, K.K. (1998): Teletraffic engineering for
mobile personal communications in ITU−T work: the need to match theory to practice.
IEEE Personal Communications, Vol. 5 (1998): 6, 38−58.
[35] Hayward, W.S. Jr. (1952): The reliability of telephone traffic load measurements by switch
counts. The Bell System Technical Journal, Vol. 31 (1952): 2, 357−377.
[36] ITU-T (UIT-T) (1993): Unidad de intensidad de tráfico. Recomendación UIT-T B.18. 1993.
1 p.
[37] Iversen, V.B. (1973): Analysis of real teletraffic processes based on computerized
measurements. Ericsson Technics, No. 1, 1973, pp. 1−64. "Holbæk measurements".
(133000)
- 280 -
[38] Iversen, V.B. (1976): On the accuracy in measurements of time intervals and traffic
intensities with application to teletraffic and simulation. Ph.D.−thesis. IMSOR, Technical
University of Denmark 1976. 202 pp.
[39] Iversen, V.B. (1976): On General Point Processes in Teletraffic Theory with Applications
to Measurements and Simulation. ITC-8, Eighth International Teletraffic Congress, paper
312/1−8. Melbourne 1976. Publicado en Teleteknik (Edición inglesa) 1977 : 2, pp. 59−70.
[40] Iversen, V.B. (1980): The A-formula. Teleteknik (Edición inglesa), Vol. 23 (1980) : 2,
64−79.
[41] Iversen, V.B. (1982): Exact Calculation of Waiting Time Distributions in Queueing
Systems with Constant Holding Times. Fjerde Nordiske Teletrafik Seminar (NTS-4),
Fourth Nordic Teletraffic Seminar, Helsinki 1982. 31 pp.
[42] Iversen, V.B. (1987): The exact evaluation of multi−service loss system with access
control. Teleteknik, Edición inglesa, Vol 31 (1987) : 2, 56-61. NTS−7, Seventh Nordic
Teletraffic Seminar, Lund, Suecia, 25−27 de agosto, 1987, 22 pp.
[43] Iversen, V.B. & Nielsen, B.F. (1985): Some properties of Coxian distributions with
applications, pp. 61−66 in Proceedings of the International Conference on Modelling
Techniques and Tools for Performance Analysis. 5-7 de junio, 1985, Valbonne, Francia.
North−Holland Publ. Co. 1985. 365 pp. (Editor N. Abu El Ata).
[44] Iversen, V.B. & Stepanov, S.N. (1997): The usage of convolution algorithm with truncation
for estimation of individual blocking probabilities in circuit-switched telecommunication
networks. Proceedings of the 15th International Teletraffic Congress, ITC 15, Washington,
DC, USA, 22-27 de junio 1997. 1327−1336.
[45] Iversen, V.B. & Sanders, B. (2001): Engset formulæ with continuous parameters − theory
and applications. AEÜ, International Journal of Electronics and Communications, Vol. 55
(2001): 1, 3-9.
[46] Jackson, J.R. (1957): Networks of waiting lines. Operations Research, Vol. 5 (1957), pp.
518−521.
[47] Jackson, J.R. (1963): Jobshop-like queueing systems. Management Science, Vol. 10
(1963), No. 1, pp. 131−142.
[48] Jensen, Arne (1948): An Elucidation of A.K. Erlang's Statistical Works through the Theory
of Stochastic Processes. Published in "The Erlangbook": E. Brockmeyer, H.L. Halstrøm
and A. Jensen: The Life and Works of A.K. Erlang. København 1948, pp. 23−100.
[49] Jensen, Arne (1948): Truncated multidimensional distributions. Pages 58−70 in "The Life
and Works of A.K. Erlang". Ref. Brockmeyer et al., 1948.
[50] Jensen, Arne (1950): Moe's Principle − An econometric investigation intended as an aid in
dimensioning and managing telephone plant. Theory and Tables. Copenhague 1950.
165 pp.
[51] Jerkins, J.L. & Neidhardt, A.L. & Wang, J.L. & Erramilli A. (1999): Operations
measurement for engineering support of high-speed networks with self-similar traffic.
ITC-16, 16th International Teletraffic Congress, Edinburgo, 7-11 de junio, 1999.
[52] Johannsen, Fr. (1908): "Busy". Copenhague 1908. 4 pp.
(133000)
- 281 -
[53] Johansen, K. & Johansen, J. & Rasmussen, C. (1991): The broadband multiplexer,
"transMux 1001". Teleteknik, Edición inglesa, Vol. 34 (1991) : 1, 57−65.
[54] Joys, L.A.: Variations of the Erlang, Engset and Jacobæus Formulæ, Proceedings of the
Fifth International Teletraffic Congress (ITC-5), Nueva York, USA, 1967, 107−111.
También publicado en: Teleteknik, (Edición inglesa), 11 (1967), No. 1, 42−48.
[55] Joys, L.A. (1968): Engsets Formler for Sannsynlighetstetthet og dens Rekursionsformler.
(Fórmulas de Engset para probabilidad y sus fórmulas recursivas, en noruego).
Telektronikk 1968 No 1−2, pp. 54−63.
[56] Joys, L.A. (1971): Comments on the Engset and Erlang formulae for telephone traffic
losses. Thesis. Report TF No. 25,/71, Research Establishment, The Norwegian
Telecommunications Administration. 1971. 127 pp.
[57] Karlsson, S.A. (1937): Tekniska anordninger fö samtalsdebitering enligt tid. Helsingfors
Telefonförening, Tekniska Meddelanden 1937, No. 2, pp. 32−48.
[58] Kaufman, J.S. (1981): Blocking in a shared resource environment. IEEE Transactions on
Communications, Vol. COM-29 (1981) : 10, 1474−1481.
[59] Keilson, J. (1966): The ergodic queue length distribution for queueing systems with finite
capacity. Journal of Royal Statistical Society, Series B, Vol. 28 (1966), 190−201.
[60] Kelly, F.P. (1979): Reversibility and Stochastic Networks. John Wiley & Sons, 1979.
230 pp.
[61] Kendall, D.G. (1951): Some problems in the theory of queues. Journal of Royal Statistical
Society, Series B, Vol. 13 (1951) : 2, 151−173.
[62] Kendall, D.G. (1953): Stochastic processes occuring in the theory of queues and their
analysis by the method of the imbedded Markov chain. Ann. Math. Stat., Vol. 24 (1953),
338−354.
[63] Khintchine, A.Y. (1955): Mathematical Methods in the Theory of Queueing. Londres 1960.
124 pp. (Original en Ruso, 1955).
[64] Kingman, J.F.C. (1969): Markov population processes. J. Appl. Prob., Vol. 6 (1969), 1−18.
[65] Kleinrock, L. (1964): Communication Nets: Stochastic Message Flow and Delay.
McGraw−Hill 1964. Reimpreso por Dover Publications 1972. 209 pp.
[66] Kleinrock, L. (1975): Queueing Systems. Vol. I: Theory. Nueva York 1975. 417 pp.
[67] Kleinrock, L. (1976): Queueing Systems. Vol. II: Computer Applications. Nueva York
1976. 549 pp.
[68] Kosten, L. (1937): Über Sperrungswahrscheinlichkeiten bei Staffelschaltungen. Elek.
Nachr. Techn., Vol. 14 (1937) 5−12.
[69] Kraimeche, B. & Schwartz, M. (1983): Circuit Access Control Strategies in integrated
digital networks. IEEE INFOCOM, 9-12 de abril, 1984, San Francisco, USA, Proceedings
pp. 230−235.
[70] Kruithof, J. (1937): Telefoonverkehrsrekening. De Ingenieur, Vol. 52 (1937) : E15−E25.
[71] Kuczura, A. (1973): The interrupted Poisson process as anflover ow process. The Bell
System Technical Journal, Vol. 52 (1973) : 3, pp. 437−448.
(133000)
- 282 -
[72] Kuczura, A. (1977): A method of moments for the analysis of a switched communication
network's performance. IEEE Transactions on Communications, Vol. Com−25 (1977):
2, 185−193.
[73] Lavenberg, S.S. & Reiser, M. (1980): Mean−value analysis of closed multichain queueing
networks. Journal of the Association for Computing Machinery, Vol. 27 (1980):
2, 313−322.
[74] Lind, G. (1976): Studies on the probability of a called subscriber being busy. ITC−8,
Melbourne, noviembre de 1976. Paper 631. 8 pp.
[75] Listov−Saabye, H. & Iversen V.B. (1989): ATMOS, a PC−based tool for evaluating
multi−service telephone systems. IMSOR, Technical University of Denmark 1989, 75 pp.
(en danés).
[76] Little, J.D.C. (1961): A proof for the queueing formula L = λW. Operations Research, Vol.
9 (1961) : 383−387.
[77] Maral, G. (1995): VSAT Networks. John Wiley & Sons, 1995. 282 pp.
[78] Marchal, W.G. (1976): An approximate formula for waiting time in single server queues.
AIIE Transactions, diciembre de 1976, 473−474.
[79] Nguyen, Than-Bang: Trafikplanlægningssystemet TES under Windows. Master's thesis.
Department of Telecommunication, Technical University of Denmark 1995. 74 + 93 pp.
[80] Palm, C. (1941): Mättnoggrannhet vid bestämning af trafikmängd enligt genomsök-
ningsförfarandet (Exactitud de las mediciones en la determinación de volúmenes de tráfico
por el método de barrido). Tekn. Medd. K. Telegr. Styr., 1941, No. 7−9, pp. 97−115.
[81] Palm, C. (1943): Intensitätsschwankungen im Fernsprechverkehr. Ericsson Technics, No.
44, 1943, 189 pp. Traducción al inglés por Chr. Jacobæus: Intensity Variations in
Telephone Traffic. North−Holland Publ. Co. 1987.
[82] Palm, C. (1947): The assignment of workers in servicing automatic machines. Journal of
Industrial Engineering, Vol. 9 (1958) : 28−42. Primera publicación en Suecia en 1947.
[83] Palm, C. (1947): Table of the Erlang Loss Formula. Telefonaktiebolaget L M Ericsson,
Estocolmo 1947. 23 pp.
[84] Palm, C. (1957): Some propositions regarding flat and steep distribution functions, pp.
3−17 in TELE (Edición inglesa), No. 1, 1957.
[85] Pinsky, E. & Conway, A.E. (1992): Computational algorithms for blocking probabilities in
circuit−switched networks. Annals of Operations Research, Vol. 35 (1992) 31−41.
[86] Postigo−Boix, M. & García−Haro, J. & Aguilar-Igartua, M. (2001): IMA: technical
foundations, application and performance analysis. Computer Networks, Vol. 35 (2001)
165−183.
[87] Press, W.H. & Teukolsky, S.A. & Vetterling, W.T. & Flannery, B.P. (1995): Numerical
recipes in C, the art of scientific computing. 2nd edition. Cambridge University Press, 1995.
994 pp.
[88] Rabe, F.W. (1949): Variations of telephone traffic. Electrical Communications, Vol. 26
(1949) 243−248.
[89] Riordan, J. (1956): Derivation of moments of overflow traffic. Appendix 1 (pp. 507−514)
in (Wilkinson, 1956 [104]).
(133000)
- 283 -
[90] Roberts, J.W. (1981): A service system with heterogeneous user requirements −
applications to multi−service telecommunication systems. Pages 423−431 in Performance
of data communication systems and their applications. G. Pujolle (editor), North−Holland
Publ. Co. 1981.
[91] Roberts, J.W. (2001): Traffic theory and the Internet. IEEE Communications Magazine
Vol. 39 (2001) : 1, 94−99.
[92] Ross, K.W. & Tsang, D. (1990): Teletraffic engineering for product−form circuit−switched
networks. Adv. Appl. Prob., Vol. 22 (1990) 657−675.
[93] Ross, K.W. & Tsang, D. (1990): Algorithms to determine exact blocking probabilities for
multirate tree networks. IEEE Transactions on Communications. Vol. 38 (1990) : 8,
1266−1271.
[94] Rönnblom, N. (1958): Traffic loss of a circuit group consisting of both−way circuits which
is accessible for the internal and external traffic of a subscriber group. TELE (Edición
inglesa), 1959: 2, 79−92.
[95] Sanders, B. & Haemers, W.H. & Wilcke, R. (1983): Simple approximate techniques for
congestion functions for smooth and peaked traffic. ITC−10, Tenth International Teletraffic
Congress, Montreal, junio de 1983. Paper 4.4b−1. 7 pp.
[96] Stepanov, S.S. (1989): Optimization of numerical estimation of characteristics of multiflow
models with repeated calls. Problems of Information Transmission, Vol. 25 (1989):
2, 67−78.
[97] Sutton, D.J. (1980): The application of reversible Markovp opulation processes to
teletraffic. A.T.R. Vol. 13 (1980): 2, 3−8.
[98] Techguide (2001): Inverse Multiplexing − scalable bandwidth solutions for the WAN.
Techguide (The Technologu Guide Series), 2001, 46 pp. <www.techguide.com>
[99] Vaulot, É. & Chaveau, J. (1949): Extension de la formule d'Erlang au cas ou le traffic est
fonction du nombre d'abonnés occupés. Annales de Télécommunications, Vol. 4 (1949)
319−324.
[100] Veirø, B. (2002): Proposed Grade of Service chapter for handbook. Comisión de Estudio 2
del UIT-T, GT 3/2. Septiembre de 2001. 5 páginas.
[101] Villén, M. (2002): Overview of ITU Recommendations on traffic engineering. UIT−T
Comisión de Estudio 2, COM 2-KS 48/2-E. Mayo de 2002. 21 pp.
[102] Wallström, B. (1964): A distribution model for telephone traffic with varying call intensity,
including overflow traffic. Ericsson Technics, 1964, No. 2, pp. 183−202.
[103] Wallström, B. (1966): Congestion studies in telephone systems with overflow facilities.
Ericsson Technics, No. 3, 1966, pp. 187−351.
[104] Wilkinson, R.I. (1956): Theories for toll traffic engineering in the U.S.A. The Bell System
Technical Journal, Vol. 35 (1956) 421−514.
(133000)

Handbook Cell

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Handbook Cell

Enviado por

Direitos autorais:

Formatos disponíveis

UIT-D

Ginebra, diciembre de 2002

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

Comisión de Estudio 2/16 del UIT-D y Congresos

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

p {i, t | j, t0} Probabilidad de estado i en el tiempo t, dado el estado j en el tiempo t0

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

Introducción a la Ingeniería de Teletráfico

La teoría de teletráfico se define como la aplicación de la teoría de las probabilidades a la solución

1.1 Modelados de sistemas de telecomunicación

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

Los sistemas de telecomunicación son sistemas complejos hombre/máquina. El cometido

Leyendas de la figura 1.1

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

1.1.2 Estrategia operativa

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

La teoría de teletráfico es una disciplina inductiva. Para observaciones de sistemas reales

Leyendas de la figura 1.2

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

Ilustración de la terminología aplicada para un proceso de tráfico. Nótese la diferencia entre

Leyendas de la figura 1.3

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

1.2 Sistemas telefónicos convencionales

Estructura fundamental de un sistema de conmutación

Leyendas de la figura 1.4

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

1.3 Redes de comunicación

Leyendas de la figura 1.5

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

orden en el receptor. Asimismo, se utilizan códigos de corrección de errores y se verifica la

Red datagrama: Principio de almacenamiento y retransmisión para una red

Leyenda de la figura 1.7

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

1.4 Sistemas de comunicación móviles

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

Sistema de comunicación móvil celular. Dividiendo las frecuencias en 3 grupos

En la figura 1.8 se muestra un ejemplo. Se puede disponer de un determinado número de canales

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

1.5 Recomendaciones de la UIT sobre ingeniería de tráfico

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

Tareas de ingeniería de tráfico

Leyendas de la figura 1.9

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

6) Objetivos de GoS de extremo a extremo

Cuadro 1. 1 − Recomendaciones sobre modelado de tráfico

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

tráfico se pueden clasificar en variables de tráfico de nivel de llamada (o nivel de conexión) y

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

Cuadro 1.2 − Recomendaciones sobre mediciones de tráfico. Las Recomendaciones

a) Ser lo suficientemente grande para obtener mediciones confiables: la intensidad media de

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06

C:\DOCUMENTS AND SETTINGS\IVAN BERNAL\MIS DOCUMENTOS\IB DOCS\EPN\LIBRO DE TRAFICO\133000S1.DOC (133000)05.11.06 01.12.06