1 DISTRIBUCIÓN DE ERLANG

a) Definición
la distribución erlang es una distribución de probabilidad continua con una
amplia aplicabilidad debido principalmente a su relación con la
exponencial y la distribución gamma dada por la suma de un numero de
variables aleatorias independientes que poseen la misma distribución
exponencial.

¿campo de aplicación?
La distribución erlang se aplica en modelos de sistemas de servicio masivo,
ejemplo son las situaciones donde el servicio tiene que realizarse dos
operaciones cada una con tiempo de servicio exponencial.

Esta distribución fue desarrollada para examinar el número de las llamadas

telefónicas que se pudieron efectuar, al mismo tiempo, a los operadores de las
estaciones de conmutación. su nombre en honor al científico danés Agner Krarup
Erlang, quien la introdujo por primera vez a principios del año 1900. La
distribución de Erlang sucede cuando el parámetro 𝛼, en la distribución gamma,
es un entero positivo. Es decir,
1
𝑓(𝑥, 𝛼, 𝛽) = { 𝑥 𝛼−1 𝑒 −𝑥/𝛽 , 𝑝𝑎𝑟𝑎 𝑥 > 0; 𝛼 ∈ 𝑧 + , 𝛽 > 0; 0 }
𝛽 𝛼 𝑟(𝛼)

es la función de densidad de probabilidad para la variable aleatoria que tienen

una distribución de Erlang. Ahora bien, si el número de eventos aleatorios
independientes que ocurren en un lapso específico es una variable de Poisson,
con una frecuencia constante de ocurrencia igual a 1/𝛽, entonces para un α , el
tiempo de espera hasta que ocurre el α-ésimo evento de Poisson tiene una
distribución de Erlang. Lo anterior se evidencia al comparar las funciones de
distribución acumulativas de las distribuciones Poisson y Erlang. Así, siendo 𝐹𝑝
la función de distribución acumulada para la distribución de Poisson, tenemos

𝑥
𝑒 −𝜆 𝜆𝑛
p(x ≤ x) = 𝐹𝑝 (𝑥, 𝜆) = ∑
𝑛!
𝑛=0

Con lo cual, la probabilidad de que ocurran a lo más α-1 eventos de Poisson en

un tiempo 𝑥 , a una frecuencia constante 1/β , está dada por:
 𝛼−1
𝑥
𝛽 ( 𝑥 )𝑛
−
𝑥 𝑒
𝛽
p(x ≤ α − 1) = 𝐹𝑝 (α − 1, ) = ∑
𝛽 𝑛!
𝑛=0

Por otro lado, si se supone que el tiempo de espera sigue el modelo de Erlang,
la probabilidad de que el tiempo de espera hasta que ocurra el α-ésimo evento
exceda un lapso específico, está determinado por

p(x > x) = 1 − 𝐹𝐸 (x, α, β, )

𝑥 1 𝑥 2 1 𝑥 𝛼−1 − 𝑥
= 1 − {1 − [1 + + ( ) +⋯+ ( ) ] 𝑒 𝛽}
𝛽 2! 𝛽 (𝛼 − 1)! 𝛽
𝑥
𝑥 1 𝑥 2 1 𝑥 𝛼−1 −
=[1 + 𝛽 + 2! (𝛽) + ⋯ + (𝛼−1)! (𝛽) ]𝑒 𝛽

𝛼−1
𝑥
𝛽 ( 𝑥 )𝑛
−
𝑒 𝑥
𝛽
=∑ = 𝐹𝑝 (α − 1, )
𝑛! 𝛽
𝑛=0

En otras palabras, la probabilidad de que el tiempo que transcurre hasta el α-

ésimo evento exceda el valor 𝑥 es igual a la probabilidad de que el número de
eventos de Poisson observados en 𝑥 no sea mayor que α-1 . De esta forma, la
distribución de Erlang es el modelo para el tiempo de espera hasta que ocurre el
α-ésimo evento de Poisson, y la distribución de Poisson es el modelo para el
número de eventos independientes que ocurren en un tiempo, encontrándose
1
éste distribuido de acuerdo con el modelo de Erlang. En este contexto, 𝜆 = 𝛽 es
la frecuencia constante de ocurrencia y 𝛽 es el tiempo promedio entre dos
ocurrencias sucesivas.
Ejemplo 1
A una centralista de teléfonos llegan 12 llamadas por minuto, siguiendo una
distribución de Poisson. ¿Cuál es la probabilidad de que en menos de 1 minuto
lleguen 8 llamadas?
Solución. Sea la variable𝑥 aleatoria que representa el tiempo que transcurre
hasta un determinado número de llamadas. Se observa que
𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠 1 1 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠
𝜆 = 12 →𝛽= =
𝑚𝑖𝑛𝑢𝑡𝑜 𝜆 12 𝑚𝑖𝑛𝑢𝑡𝑜
Además, α=8 por lo que X: Erl(𝑥, 𝛼 = 8, 𝛽 = 1/12)
 𝑥 1
1 1
8−1 −𝑢(12)
1 1
𝐹(𝑥, 𝛼, 𝛽) = 𝑃(𝑥 < 𝑥) = ∫ 𝑢 𝑒 𝑑𝑢 = ∫ 𝑢7 𝑒 −𝑢(12) . 𝑑𝑢
𝛼
𝛽 𝑟(𝛼) 1
0 (12)8 . 7! 0

= 0.9104955
Así, existe una probabilidad del 91.05%, aproximadamente, de recibir 8 llamadas
en un lapso menor a un minuto.