Distribuciones de Intervalos de

tiempo
Jhon Jairo Padilla Aguilar, PhD
Introduccin
Como se mencion anteriormente, los intervalos de
tiempo son variables aleatorias que son de gran
importancia en Teletrfico.
Las distribuciones de estas v.a. son fundamentales para los
modelos estudiados.
La ms importante de las distribuciones en Teletrfico es
la distribucin exponencial, ya que es la base de muchos
modelos utilizados por mucho tiempo.
Se pueden obtener otros tipos de distribuciones
mediante la combinacin de variables aleatorias
exponenciales en serie y en paralelo.
Aplicacin de diferentes variables aleatorias
en Teletrfico
Distribucin Aplicacin
exponencial Tiempos entre llegadas de llamadas,
tiempos de servicio, longitudes de
paquetes
Poisson Nmero de llegadas que ocurren con
distribuciones temporales exponenciales
Paretto Longitud de pginas web, Longitud de
archivos
MMPP (Markov Modulated Poisson
Process)
Llegadas de paquetes a un enlace de salida
de una red de acceso a una Internet.
Distribucin exponencial
Tambin se conoce como distribucin exponencial
negativa
Para modelar los tiempos de la teora de teletrfico se
puede usar cualquier v.a que tenga valores no-negativos
para modelar el tiempo de vida.
La distribucin exponencial tiene unas caractersticas
nicas que la hacen muy apetecida para usos prcticos y
analticos.
Distribucin exponencial
Se caracteriza por un parmetro nico: la intensidad o
tasa ().
La distribucin exponencial tiene la forma:
Los parmetros que caracterizan la distribucin
exponencial son:
Representacin en los
Diagramas de Fase
Distribucin exponencial
Propiedades:
Es muy apropiada para describir intervalos de tiempo fsicos
Tiene la propiedad de Falta de Memoria (Ausencia de
Memoria)
Propiedad de Falta de Memoria
Una v.a. X con distribucin exponencial tambin sufre de
la propiedad de falta de memoria.
Esta propiedad significa que la probabilidad de ocurrencia
de un evento despus de cierto tiempo (o distancia) no
tiene en cuenta qu ocurri antes de iniciar el conteo.
tiempo
x
1
x
2
El conteo se re-inicia
Ejemplo
El tiempo de vida residual de una conversacin telefnica
(lo que queda de ella, dado que ya transcurri un tiempo
x), puede suponerse independiente de la duracin actual
de la llamada.
Por tanto, puede suponerse que tiene una distribucin
con falta de memoria tal como la distribucin
exponencial:
Mnimo de dos v.a. exponenciales
Si asumimos que dos variables aleatorias X
1
y X
2
son
mutuamente independientes y exponencialmente
distribuidas con intensidades
1
y
2
respectivamente, se
puede definir una nueva v.a. X como:
X=min{X
1
,X
2
}
Esta funcin de distribucin tendr la forma:
Es decir, es una distribucin exponencial con intensidad
(
1
+
2
)
Mnimo de dos v.a. exponenciales (II)
Suponiendo que X
1
< X
2
, la probabilidad de ocurrencia
de X
1
primero que X
2
(y que X
2
ocurra despus de un
tiempo t), dado que ya pas un tiempo t es:
En este caso, esta probabilidad es independiente de t. Por
tanto, no necesitamos integrar con respecto a t.
Variables aleatorias derivadas de la
v.a. exponencial
Combinacin de v.a. exponenciales
Si una v.a. exponencial no puede describir los intervalos de
tiempo con suficiente detalle, se puede usar una combinacin
de dos o ms v.a. exponenciales.
Conny Palm introdujo dos clases de distribuciones: steep (con
pendiente) y flat (planas)
Distribuciones con pendiente:
Corresponden a un conjunto de intervalos de tiempo
exponencialmente distribuidos e independientes en serie.
Distribuciones Planas:
Corresponden a un conjunto de intervalos de tiempo
exponencialmente distribuidos e independientes en paralelo.
Adems, mediante la combinacin de distribuciones planas y
con pendiente, se puede obtener arbitrariamente una buena
aproximacin para cualquier distribucin.
Distribuciones con Pendiente (Steep)
Se obtienen combinando k distribuciones exponenciales en
serie.
Se conocen como distribuciones hipo-exponenciales o
Distribuciones Erlang generalizadas.
Tienen un factor de forma 1<<2
Si todas las k distribuciones son idnticas (i=), se obtiene
una Distribucin Erlang-k.
Se les llama distribuciones con pendiente porque van de cero
a uno ms rpido que una distribucin exponencial.
Diagrama de Fase:
Distribucin Erlang-k
La distribucin de Erlang-k tiene las siguientes
expresiones para la f.d.p. y la Distribucin acumulada
respectivamente:
Distribucin Erlang-K
La caracterizan los
siguientes momentos:
Y el i-simo momento no
central es:
Distribucin de Erlang-k para diferentes
valores de k (con =1). Para k=1 se
comporta como una distribucin
exponencial
Aplicaciones de Erlang-K
La distribucin de Erlang-k describe el tiempo (o longitud) hasta que
suceden k ocurrencias en un proceso de Poisson con media .
Ejemplos:
Si tenemos tiempos con distribucin exponencial entre llegadas de
llamadas a una central telefnica. La distribucin Erlang-k medira el
tiempo necesario para que lleguen k llamadas.
Si tenemos longitudes de paquetes que llegan a una cola con una
distribucin exponencial, la distribucin Erlang-k medira el tiempo
necesario para atender k paquetes (suponiendo un tiempo de atencin
constante en bits/seg).
tiempo
x
1
(v.a. de Erlang)
x
2
x
3
Tiempo de k=3 ocurrencias
Inicio del conteo
Distribuciones Planas
La distribucin plana general es una suma ponderada de distribuciones
exponenciales y tiene la Distribucin acumulada:
La funcin de peso, W(), podra ser continua o discreta.
La distribucin plana se obtiene al combinar k distribuciones en paralelo y
elegir una rama i con una probabilidad pi.
Cuando W() es discreta, el resultado es una distribucin hiper-exponencial.
Distribucin Hiper-exponencial
Supngase que las tasas de las distribuciones
exponenciales son respectivamente:
Y que W() tiene los incrementos positivos:
Donde,
Para otros valores W() es constante. La distribucin
acumulada ser:
Distribucin Hiper-exponencial
La media y el factor de forma sern:
Si k=1 todas las i son iguales, se tendr una
distribucin exponencial.
Las distribuciones planas se llaman as porque la variacin
de cero a uno es ms lenta que la distribucin
exponencial.
Distribucin hiper-exponencial
En la prctica es difcil estimar ms de uno o dos
parmetros.
El caso ms importante es para n=2 (p
1
=p, p
2
=1-p). Por
tanto,
Aplicacin de la distribucin hiper-
exponencial
La grfica muestra
mediciones de los
tiempos de
servicio en lneas
de una central
telefnica local
durante la hora
pico.
Distribucin exponencial
Dist.
Hiperexponencial
Distribuciones de Cox
Se obtienen combinando distribuciones con pendiente y
planas.
Es una clase de distribuciones general que puede ser
descrita mediante combinaciones de distribuciones
exponenciales en serie y en paralelo.
Aqu se estudiar un caso especial conocido como Erlang
con ramificaciones (Branching Erlang)
Distribucin Erlang con ramificaciones
La media es,
Donde
El trmino corresponde a la probabilidad de
ramificarse, y es la probabilidad de saltar afuera despus de
dejar la fase i.
Distribucin Erlang con ramificaciones
La media es,
El segundo momento es,
La varianza ser,
Propiedades de la Distribucin de Cox
La suma de dos v.a. de Cox dan como resultado otra
distribucin de Cox.
La f.d.p. de una Distribucin de Cox se puede escribir
como una sumatoria de v.a. exponenciales:
Donde
Principios de descomposicin
Los diagramas de fase son una herramienta til para analizar las
distribuciones de Cox a partir de las propiedades de la
distribucin exponencial.
Teorema 1:
Una distribucin exponencial con intensidad puede ser
descompuesta en una distribucin de Cox de dos fases, donde la
primera fase tiene una intensidad > y la segunda fase tiene la
intensidad original
Teorema 2:
Las fases en cualquier distribucin de Cox pueden ser ordenadas como .
Cox como base de otras distribuciones
En consecuencia, una distribucin Hiper-exponencial
con l fases es equivalente a una distribucin de Cox con
el mismo nmero de fases.
Caso para l=2:
Cox como base de otras Distribuciones
Una distribucin exponencial es equivalente a una
distribucin de Cox homognea (la misma intensidad en todas
las fases) con intensidad y un nmero de fases infinito. Las
probabilidades de ramificacin son constantes.
Por tanto, una distribucin exponencial se puede ver como
una distribucin compuesta de distribuciones Erlang-k
homogneas con tasas >, donde los factores de peso siguen
una distribucin geomtrica (cociente p=/).
Cox como base de otras distribuciones
Una distribucin exponencial tambin puede verse como la
distribucin de fases de la figura. Esto se cumple cuando,
Y el nmero de fases es finito e igual a k.
Importancia de la distribucin de Cox
Ha atrado la atencin durante aos recientes.
Es de gran importancia porque posee las siguientes
propiedades:
La distribucin de Cox puede ser analizada usando el mtodo de
fases
Cualquier distribucin puede ser aproximada de una forma bastante
buena usando una distribucin de Cox.
Si una propiedad es vlida para una distribucin de Cox, entonces es
vlida para cualquier distribucin de inters prctico.
En la prctica:
En general, si suponemos que hay 2k parmetros en un problema
estadstico no resuelto. Normalmente, podemos elegir una
distribucin de Cox especial (p.ej. Erlang-k o Hiper-exponencial) y
aproximar el primer momento.
Notacin para las principales distribuciones
Otras distribuciones de tiempo
Distribucin gamma:
Se obtiene al suponer que el parmetro k de una distribucin
Erlang-k toma valores reales no negativos:
Otras distribuciones de tiempo
Distribucin Weibull:
Esta distribucin tiene una intensidad de muerte (tasa de
servicio), , dependiente del tiempo.
Tiene su origen en la teora de la confiabilidad.
Para k=1, se obtiene la distribucin exponencial.
Otras distribuciones de tiempo
Distribucin de Pareto:
Note que la varianza no existe para .
Si se hace , se convierte en una distribucin
exponencial.
Si la intensidad de un proceso de Poisson tiene una
distribucin Gamma, entonces los tiempos entre llegadas
tienen una distribucin de Pareto.
Distribuciones de cola pesada
En sistemas telefnicos rara vez se tienen mediciones con
factores de forma mayores que 6.
En trfico de datos, se obtienen mediciones con factores de
forma mayores que 100.
Esto indica que la variacin de las mediciones es muy alta. Este
es el caso de las transmisiones de datos, donde podemos
enviar unos pocos caracteres o una gran cantidad de datos.
Para describir estos datos, se utilizan distribuciones de cola
pesada (heavy-tailed).
Una distribucin se considera de cola pesada si la cola de la
funcin de distribucin se comporta como una ley de
potencias, es decir,
Distribuciones de cola pesada
La distribucin de Pareto es de cola pesada en sentido
estricto.
Ademas, se consideran distribuciones de cola pesada,
aquellas cuya cola es ms pesada que la de la distribucin
exponencial.
Ejemplos:
Hiper-exponencial
Weibull
Lognormal
Recientemente, medidas ms extensas han permitido
modelar el trfico de datos mediante modelos auto-
similares.
Distribuciones Discretas
Proceso de Bernoulli
El experimento consiste de n ensayos que se repiten
Cada ensayo produce un resultado que se puede clasificar
como xito o fracaso (xito y fracaso son slo etiquetas,
no tienen el significado de que algo est bien o mal)
La probabilidad de un xito se denota como p y
permanece constante de un ensayo a otro
Los ensayos que se repiten son independientes
Variable aleatoria binomial
El nmero de xitos de n experimentos de Bernoulli se
denomina variable aleatoria binomial.
La distribucin de probabilidad de esta variable aleatoria
discreta se llama distribucin binomial.
Distribucin binomial: b(x; n,p). Depende del nmero de
ensayos y de la probabilidad de xito en un ensayo dado.
Distribucin binomial
Un experimento de Bernoulli puede tener como
resultado un xito con probabilidad p y un fracaso con
probabilidad q=1-p. Entonces, la distribucin de
probabilidad de la v.a. binomial X, que es el nmero de
xitos en n ensayos independientes es,
, x=0,1,2,, n ( ; , ) ( )
x n x
n
b x n p b x p q
x

| |
= =
|
\ .
Ejemplo
Las posibilidades de que un bit transmitido a travs de un
canal de transmisin digital se reciba con error es de 0.1.
Suponga adems que los ensayos de transmisin son
independientes. Sea X el nmero de bits con error en los
siguientes 4 bits transmitidos. Determine la probabilidad
de que lleguen dos bits con error.
Solucin:
p=0.1
n=4
x=2
2 4 2
( ; , ) ( )
4
(2) (0.1) (0.9) 0,0486
2
x n x
n
b x n p b x p q
x
b

| |
= =
|
\ .
| |
= =
|
\ .
Media y Varianza
La media y la varianza de la distribucin binomial b(x;n,p)
son
Ejemplo:
Para el ejemplo de la transmisin de 4 bits con p=0.1, se tiene
2
np
npq

=
=
2
(4) (0,1) 0,4
(4) (0.1) (0.9) 0,36

= =
= =
Distribucin Geomtrica
En una serie de ensayos de Bernoulli independientes, con
probabilidad constante p de un xito, sea que la variable
aleatoria X denote el nmero de ensayos hasta el primer
xito. Entonces X tiene una distribucin geomtrica con
parmetro p y
, x=1,2,
1
( ) (1 )
x
f x p p

=
Ejemplo
La probabilidad de que un bit transmitido a travs de un
canal de transmisin digital se reciba con error es de 0.1.
Suponga que las transmisiones son eventos
independientes y sea que la v.a. X denote el nmero de
bits transmitidos hasta el primer error. Calcule la
probabilidad de que se transmitan 4 bits correctamente y
el quinto bit est errado.
Solucin:
X=5
p=0.1
q=1-0,1=0,9
4
( 5) (0,9) (0,1) 0,066 P X = = =
Media y varianza de una v.a. con
distribucin geomtrica
Si X es una v.a. geomtrica con parmetro p, entonces la
media y la varianza de X son
2
2
1
( )
(1 )
E X
p
p
p

= =

=
Ejemplo
En el ejemplo de la transmisin de bits con probabilidad
0.1 de que llegue un bit errado, calcule el nmero
promedio de bits transmitidos incluyendo el primer bit
errado. Calcule la desviacin estndar de esta misma
variable.
Solucin:
p=0,1
1/2 1/2
2 2
1
( ) 10
0,1
(1 ) (1 0,1)
9,49
0,01
E X
p
p

= = =
( (
= = =
( (

Distribucin Binomial Negativa
En una serie de ensayos de Bernoulli independientes, con
probabilidad constante p de xito, sea que la v.a. X denote
el nmero de ensayos hasta que ocurran r xitos.
Entonces X tiene una distribucin binomial negativa
donde
Para x=r, r+1, r+2,
1
( ) (1 )
1
x r r
x
f x p p
r

| |
=
|

\ .
Aclaraciones
Debido a que se necesitan al menos r ensayos para
obtener r xitos, el rango de X es de r a infinito.
Si r=1, una v.a. binomial negativa se convierte en una v.a.
geomtrica
Ejemplo
Suponga que la probabilidad de que un bit transmitido a
travs de un canal de transmisin digital se reciba con error
es 0,1. Suponga que las transmisiones son eventos
independientes, y sea que la v.a. X denote el nmero de bits
transmitidos hasta que se transmite el cuarto bit errado.
Calcule la probabilidad de que el dcimo bit sea el cuarto bit
errado.
Solucin:
r=4 xitos
x=10 ensayos
10 4 4
6 4 6 3 1
10 1
( ) (1 0,1) 0,1
4 1
9 9
( ) (0,9) 0,1 (0,9) 0,10,1
3 3
f x
f x

| |
=
|

\ .
| | | |
= =
| |
\ . \ .
Probabilidad de que
ocurran 3 errores en los
nueve primeros ensayos
(Distribucin binomial)
Prob. Del
cuarto bit
errado
Media y Varianza
Si X es una v.a. aleatoria binomial negativa con
parmetros p y r, entonces la media y varianza de X son,
2
2
( )
(1 )
r
E X
p
r p
p

= =

=
Relacin entre las distribuciones geomtrica
y binomial negativa
Se dice que una v.a. geomtrica no tiene memoria.
La propiedad de falta de memoria significa que cada vez
que se obtiene un xito se re-inicia el conteo de los
resultados de los ensayos hasta el siguiente xito.
Sea X
1
el nmero de ensayos hasta el primer xito, X
2
el
nmero de ensayos hasta el segundo xito, etc. Entonces,
para obtener r xitos X=X
1
+X
2
++Xr
v.a. binomial como suma de v.a. geomtricas
Aplicacin de las distribuciones binomial
negativa y geomtrica
Si la probabilidad de tener que hacer un gran nmero de
intentos antes de obtener un xito (distrib. geomtrica) o
r xitos (distrib. Binomial negativa) es alta, esto podra
significar que se emplearan muchos esfuerzos en lograr
el objetivo (lo que podra significar altos costos en un
proyecto).