Documentos de Académico
Documentos de Profesional
Documentos de Cultura
IntroduccionALaTeoriaDeTeletrafico - 24DeAbrilDe2012 - ElPrincipal PDF
IntroduccionALaTeoriaDeTeletrafico - 24DeAbrilDe2012 - ElPrincipal PDF
INTRODUCCIN A LA
TEORA DE
TELETRFICO
ESTADSTICA DE LAS TELECOMUNICACIONES
TABLA DE CONTENIDO
1
Erlang B .............................................................................................................................. 22
1.6.2
1.6.3
Erlang C............................................................................................................................... 22
2.3.2
Introduccin ..................................................................................................................... 46
2.5.2
Definiciones ...................................................................................................................... 46
2.6.2
2.6.3
Independencia ................................................................................................................. 52
2.8.2
Momentos .......................................................................................................................... 54
2.8.3
2.8.4
2.8.5
CASO UNIVARIADO........................................................................................................ 58
2.9.3
2.10.1
2.10.2
2.10.3
2.10.4
2.10.5
2.10.6
Independencia ............................................................................................................. 69
2.11
2.11.1
Introduccin ................................................................................................................. 69
2.11.2
2.12
EJERCICIOS............................................................................................................................ 78
2.13
Introduccin ..................................................................................................................... 86
3.6.2
3.6.3
Introduccin ..................................................................................................................... 86
3.7.2
Definicin ........................................................................................................................... 86
3.7.3
3.7.4
3.7.5
Reversibilidad .................................................................................................................. 87
Introduccin ..................................................................................................................... 87
3.8.2
3.8.3
3.8.4
3.10
EJERCICIOS............................................................................................................................ 87
3.11
LISTA DE FIGURAS
Figura 11: Abstraccin del proceso de una llamada en un sistema telefnico. ..... 13
Figura 12: Recomendaciones de la UIT sobre Ingeniera de teletrfico. .................. 14
Figura 13_ Trfico transportado (Intensidad) ..................................................................... 16
Figura 14: Nmero de llamadas por minuto en un centro de conmutacin un
lunes en la maana. .............................................................................................................................. 19
Figura 15: Nmero promedio de llamadas por minuto en un centro de
conmutacin. ........................................................................................................................................... 19
Figura 16: Tiempo medio de ocupacin de una lnea troncal en funcin de la hora
del da. ........................................................................................................................................................ 21
Figura 21: Espacio muestral y eventos de inters del ejemplo de Galois ................ 34
Figura 22: Espacio muestral y eventos de inters del ejemplo de las races .......... 35
Figura 23: Factores importantes en el proceso de contar .............................................. 37
Figura 24: Diagramas de medida para el ejemplo de probabilidad combinatoria
....................................................................................................................................................................... 38
Figura 25: Representacin grfica de las propiedades de los eventos B.................. 39
Figura 26: Funcin de densidad uniforme............................................................................. 75
Figura 27: Funcin de Distribucin uniforme. ..................................................................... 75
Figura 28: Probabilidad uniforme............................................................................................. 75
Vase [5]
10
Para cumplir con estos y otros fines, y responder preguntas tales como cunto
equipo debe proveerse para que la proporcin de llamadas que experimentan
retardos est por debajo de un nivel aceptable especfico? o bien cuntos
terminales de datos pueden ser conectados a un servicio de computadora de
tiempo compartido?, el teletrfico requiere mtodos de pronstico de demandas y
flujos de informacin, mtodos para calcular la capacidad del sistema y la
construccin de medidas de desempeo para medir el grado de servicio; por ello, se
sirve de varias herramientas formales, entre las que vale incluir las siguientes:
1.
2.
3.
4.
5.
6.
7.
La teora de probabilidades,
La Teora de estadsticas,
Proceso estocsticos,
Simulacin de sistema,
Mtodos numricos,
Teora de colas y Teora redes de colas,
Teora de decisiones y teora de juegos.
11
Se entiende por modelo a un esquema terico, generalmente en forma matemtica, de un sistema o de una realidad
compleja, como la abstraccin simplificada de un sistema de telecomunicaciones a travs de una maqueta, que se elabora
para facilitar su comprensin y el estudio de su comportamiento.
12
1.
2.
3.
4.
llamada
tiempo para el
nuevo intento
ocupado
error de A
B ?
congestin,
avera
immediatamente
ms
tarde
desiste sin
intentarlo
respuesta
Sistema de
telecomunicacin
conversacin
no hay
respuesta
lo intento
de nuevo
Que hace A?
desiste
Medida
GoS
Pronstico
Componentes
de Red
dimensionamiento
1
n t dt
T T
15
observarse que esta medida es terica y no puede ser calculada de forma exacta
para un sistema simplemente se puede estimar.
Definicin 18: Trfico Perdido o rechazado Al .
El trfico perdido en un Sistema de Telecomunicaciones corresponde a la
diferencia entre el trfico Ofrecido y el trfico transportado. Esto es Al A AC .
Claramente, el trfico perdido se puede disminuir al incrementar la capacidad del
sistema.
Ejemplo 12: Clculo del trfico.
Si un grupo de personas hacen 30 llamadas en una hora y cada llamada tiene una
duracin de 5 minutos, dicho grupo ha tenido un trfico de 2,5 Erlangs. Esta cifra
resulta de lo siguiente:
Minutos de trfico en una hora = nmero de llamadas x duracin
Minutos de trfico en esa hora = 30 x 5
Minutos de trfico en esa hora = 150
Horas de trfico por hora = 150 / 60
Horas de trfico por hora = 2.5
Valor del Trfico = 2.5 Erlangs
Las medidas de trfico Erlang sirven para que los diseadores de redes entiendan
bien las pautas de trfico que se produce en su red y, en consecuencia, diseen la
topologa adecuada y dimensionen bien los enlaces.
En sistemas de transmisin de datos no se habla de tiempos de servicio sino de
demandas de transmisin. En este caso se habla de paquetes de s unidades tales
como bits o bytes. La capacidad del sistema se expresa o mide en unidades por
segundo (Por ejemplo bits/seg). El tiempo de servicio para un trabajo es
s
cuyas
s
. La utilizacin es
tiempo medio de ocupacin del trfico tipo j . En este caso tanto el trfico
transportado como el trfico ofrecido se miden en BBU.
Definicin 19: Trfico potencial.
Es el trfico ofrecido cuando no hay restricciones de recuersos tales como el costo o
la disponibilidad.
18
19
20
21
23
1601 1665
24
2.1 INTRODUCCIN
Azar4
Aleatoriedad
2.
El concepto de azar es seguramente la idea clave en la construccin de la teora que aqu se introduce. Una buena visin
de este concepto desde la literatura se puede encontrar en el cuento La lotera en Babilonia escrito por Jorge Lus Borges
25
26
2.
3.
Ejemplo 22
Los siguientes son casos tpicos de espacios muestrales:
a.
b.
c.
En el caso del experimento que consiste en lanzar 2 monedas, los siguientes son
eventos vlidos. A1: La primera moneda cae en cara, es decir A1 c, s , c, c ; A2:
Las dos monedas coinciden en su resultado, es decir A2 c, c , s, s .
Observacin 22
1.
2.
Ejemplo 24
En el experimento de lanzar un dado de 6 cara numeradas de 1 a 6,
,
,
,
,
,
y de esta manera m 6 . As
que el experimento cuenta con 26 64 Eventos posibles.
Definicin 25: Espacio de eventos
Se define como la coleccin, denotada por , de todos los posibles eventos de un
experimento aleatorio.
Matemticamente hablando, la coleccin satisface los siguientes axiomas
(propiedades):
1.
2.
Si A entonces A .
28
3.
Si A1 , A2 , , Ai , Entonces A
Ai .
i=1
Cada vez que un conjunto de conjuntos cumple estos axiomas se dice que es
una algebra .
Ejemplo 25
Para algn experimento aleatorio con espacio de eventos , se tiene una
algebra .
Estas propiedades del espacio de eventos dan origen a una serie de resultados
interesantes.
Teorema 21
Si es una algebra entonces
Demostracin
1.
2.
3.
Teorema 22
Si A1 , A2 , , Ai , , An Entonces
1.
Ai
i 1
2.
Ai
i 1
P:
A
P A
1.
PA 0 para todo A .
2.
P 1 .
3.
i 1
i 1
AA
2.
AA
3.
PA A P PA PA
4.
30
P A A A
i j k
1 P A1 A2
n 1
An
2.
n 1
1 rn
j 0
1 r
31
3.
p
j 1
n
n 1
1 2n
n
p1 2 j 1 p1 2 j p1
p1 2 1 1 .
1
2
j 1
j 0
Por lo tanto, p1
2 j 1
.
2n 1
1
.
2 1
n
Finalmente,
k 1
2 j 1
2j
2k 1
pj n
.
n
n
2 1
j 1
j 1 2 1
j 0 2 1
la funcin de probabilidad, se
1 i
iI
32
2.
1 , 2 i
3.
1 , 2 , 3 i
iI
iI
1.
sin prdida de
muestral est dado por x1, x2 x1, x2 0,1 y definiendo el evento A : los
2.
P A
medida A
medida
rea A
rea
33
X2
1 1
1 1
x2 x1 1
A
x2 x1 1
X1
0
23
1
0.16 , es decir en la ciudad de la
y la P A
12
144
34
c b2
Races
Complejas
1 , 1
Races
Reales
A
A b, c | b2 c 0, , b, c 1 , 1
35
as
mismo,
el
espacio
(b, c) | b 1 , 2 , , c 1 , 2
1
4 3
rea( A)
. Claramente, rea( A) 2 1 1 b2 db 12 , mientras que
3
rea()
1
1
3 1
5. En particular si 1 4 , entonces
6.
muestral
esta
dado
por
y por lo tanto P( A) P( Races com plejas )
Tambin
es
claro
que
P( A)
1
.
6
1
Lim P( A) Lim
1
1 3
1
Equivalente
la
___
1
P( A ) P( Raices reales)
1 .
2.
36
TAREAS
T1
T2
Ti
Tm
e11
e12
e13
e1 j
e21
e22
e23
e2 j
ei1
ei 2
ei 3
eij
em1
em 2
em3
emj
e1n1
e2n2
eini
emnm
ETAPAS
37
51
tanto D y P D
. De manera similar P E .
2380
34
2
12
18
24
12
12
30
condicional del evento A dado que se sabe que ha ocurrido B , y que se denotado
P AB
38
1.
2.
Bj .
Bi
n
Bi .
i 1
3.
P B j 0 para j 1, 2,3,
,n .
Entonces P A P A Bi P Bi .
i 1
B1
A
B3
B2
...
Bn
1.
Como A
i 1
2.
Por
el
tercer
axioma
de
la
funcin
de
probabilidad
n
n
n
P A P A Bi P A Bi P A Bi P Bi .
i 1
i 1
i 1
NOTA:
1.
En particular P A =P A B P B P A B P B .
39
2.
10
10
11
10
11
12
PTotal1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
10 11 12
3
36
2
36
1
36
6
2
8
0.22222
36 36 36
1
2
1
4
).
36 36 36 36
4
36
4
4
.
4 6 10
PA Bi
3
3
3 6 9
5
5
3
3
4
4
5
5
4
4
4 6 10 5 6 11 5 6 11 4 6 10 3 6 9
9 36 10 36
11 36 11 36
4 4 3 3
0.27071.
10 36 9 36
Lo
que permite concluir que el juego es muy justo, la probabilidad de ganar
es casi igual a la de perder!
42
INICIO
tTotal_Dos_Dados()
SI
NO
t==7||t==11
SI
Gana1
(t==2)||
(t==3)||
(t==12)
NO
Gana0
Puntot
Salir0
tTotal_Dos_Dados()
SI
NO
t==Punto
SI
Gana1
NO
t==7
Gana0
Salir1
Salir1
NO
Salir==1
SI
Retornar(Gana)
FIN
1.
2.
Bi
n
Bj .
Bi .
i 1
3.
P B j 0 para j 1, 2,3,
Entonces P Bk A
,n .
P A Bk P Bk
n
P A B P B
i
i 1
Demostracin:
1.
P Bk
P[ A]
2.
A P A Bk P Bk .
3.
Bayes.
NOTA:
1.
En particular P[ B | A]
P A B P B
P A | B P B P A | B P B
44
2.
habiendo
sido
enviado
dado
En consecuencia, la probabilidad de un 0
que
fue
recibido
es
P B0 A1
P A1 B0 P B0
0.2 0.7
0.37
45
2.
P[A | B] P[A]
Si P[B] > 0
3.
P[B | A] P[B]
Si P[A] > 0.
I:
0,1
de forma que
I A
1 Si A
se denomina funcin
I A
0 Si A
indicadora.
2.5.2 DEFINICIONES
Definicin 213: Variables aleatorias
Dado un espacio de probabilidad , , P , asociado con un experimento
aleatorio , se define variable aleatoria a una funcin X cuyo dominio es el espacio
muestral y su recorrido los nmeros reales R . Es decir,
X:
NOTAS
1.
2.
3.
FX1 , X 2 ,
, Xn
(1 1)
f X1 , X 2 ,
, Xn
, Xn
, Xn
x1
(1 2)
xi para todo i
xn
que
47
X X1 , X 2 ,
2,
, X k 1
x1 , x2 ,
, xk 1
k 1
n!
k 1
xi !
p
i 1
xi
i
k 1
donde xi 0,1, , n y
x n .
i 1
i 1
f X1 , X 2 ,
n
FX , X ,
, X n x1 , x2 ,..., xn
x1x2 ...xn 1 2
, Xn
,Xn
x1 , x2 ,..., xn
(1 3)
48
2.7 DISTRIBUCIONES
ESTOCSTICA
CONDICIONALES
INDEPENDENCIA
Distribuciones Marginales
, Xn
x1 , x2 ,..., xn se
f X k 1 ,
2.7.1.2
,Xn
xk 1 ,..., xn ...
f X1 , X 2 ,
,Xn
(1 4)
Distribuciones Condicionales
, Xn
, X k X k 1 , , X n
x ,..., x
1
xk 1 ,..., xn
x1 , x2 ..., xn
, X xk 1 ,..., xn
(1 5)
,Xn
Observacin 24
La correspondiente funcin de densidad condicional es:
c x Y yh
F c x Y y h
x
f b x, yg
f b yg
f
h ff b xb,xygg
(3-11)
fY yX x
c h ffb xb,yygg
f b x, yg
f c y xh
f b yg
f xy
De estas dos ecuaciones una puede obtener la versin continua del teorema de
Bayes, eliminando f y, x de la ltima expresin nos conduce directamente a:
b g
c h f c xf yhbfxgb yg
f yx
b xg z f b x, ygdy
zc
h bg
f x y f Y y dy
50
bg
fY y
zc
zb
h b xgdx
f yx f
f x , y dx
Ejemplo 213
Para un vector aleatorio bidimensional con:
b g 65 c1 x yh
f x, y
0 x 1,0 y 1
en otra parte
b g FGH
x
6
x2
1
5
2
IJ
K
0 x 1 Y
b g 65 FGH1 3y IJK
fY y
0 y 1
De (3-12) y (3-13) las dos funciones de densidad condicional pueden ahora ser
escritas como
c h
f xy
1 x 2y
y
1
3
0 x 1,0 y 1
c h
f yx
1 x 2y
x2
1
2
0 x 1,0 y 1
51
Distribuciones Marginales
, Xn
x1 , x2 ,..., xn se
f X k 1 ,
,Xn
xk 1 ,..., xn f X , X ,
1
xn xn1
2.7.2.2
,Xn
x1 ,
, xk ,
, xn
xk 1
(1 6)
Distribuciones Condicionales
, Xn
, X k X k 1 , , X n
x ,..., x
1
xk 1 ,..., xn
x1 , x2 ..., xn
, X xk 1 ,..., xn
(1 7)
,Xn
52
f X1 , X 2 ,
,Xn
x1 , x2 ,..., xn f X xi
i 1
, o
bien, FX1 , X 2 ,
,Xn
x1 , x2 ,..., xn FX xi .
i
i 1
, Xn
x1 , x2 ,..., xn
como:
g:
E g X1, X1,
, X n
g x ,
1
xn xn1
, xk ,
, xn f X1 , X 2 ,
,Xn
x1 ,
, xk ,
, xn
Discreto
xk 1
g x ,
1
, xk ,
, xn f X1 , X 2 ,
,Xn
x1 ,
, xk ,
, xn dx1dx2
dxn Continuo
una
funcin
no
negativa
y k 0 Entonces
E g x
k
Demostracin:
1.
E g x g x f x x dx
53
x:g
g x f x dx g x f x dx
x
x k
x: g x k
x: g
x: g
g x f x dx
x
x k
k f x dx
x
x k
kP g x k
2.
NOTAS:
Observacin 25
1.
Es claro que
2.
E g X
Es fcil ver que: P g X k 1
k
2.8.2 MOMENTOS
Definicin 225: Momentos alrededor de cero.
k
El k -simo momento en cero de la i -sima variable es E X i , el valor esperado de
la k -sima potencia de x i :
54
xi f Xi xi dxi
k
E Xi
xik f X i xi
xi
Si X es continuo
Si X es discreto
xik f X1 , X 2 , , X n x1 , x2 ,..., xn
xn
xn
Si X Continuo
(1 8)
Si X Discreto
Observacin 26
1. En particular, cuando n 1 , el exponente k normalmente se omite y i se
escribe en lugar de i 1 .
2. El
vector
de
medias
que
corresponde
X X1 , X 2 ,
, Xn
es
E X 1 , 2 , , j , , n .
Definicin 226: Momentos alrededor de una constante.
Definicin 227: Covarianza.
La covarianza entre las i -sima y la j -sima variables para i j es
ij E X i i X j j ,
(1 9)
Observacin 27
Se dice que las variables X i y X j son no correlacionadas cuando ij 0 .
Definicin 228: Varianza.
La varianza de la i -sima variable es
55
i2 E X i i
(1 10)
, Xn
,n
Observacin 28
1. Los elementos diagonales de V son las varianzas y los elementos que no estn
en la diagonal son las covarianzas.
2. La varianza de una variable aleatoria escalar X i se escribir como v X i ,
|considerando que la matriz de varianza-covarianza V de un vector de
variables aleatorias X X1 , X 2 , , X n se denotar como var X .
2.8.3 COVARIANZA Y COEFICIENTE DE CORRELACIN
Definicin 230: Matriz de correlacin R.
La correlacin entre la i -sima y la j -sima variables se define como ij
ij
, la
i j
matriz de correlacin es
R ij D VD para i, j 1,..., n
i
i j
(1 11)
Observacin 29
56
para
,n.
, Xn
M X t E et1x1 t2 x2 ...tn xn E et x
Y la f.g.m. de una funcin escalar g :
,t j ,
de la
, tn :
(1 12)
de los elementos de X X1 , X 2 , , X n ,
como:
g X t
M g X t E e
(1 13)
m
m
entonces E gi X E gi X .
i 1
i 1
2.9 TRANSFORMACIONES
Es natural requerir el clculo de alguna estructura probabilstica conjunta de
muchas variables aleatorias que se obtienen como funciones de otro conjunto
dado de variables aleatorias del que se conoce su comportamiento probabilstico.
2.9.1 CASO UNIVARIADO
Se presenta a continuacin un resumen de algunos resultados de uso frecuente en
los casos continuo y discreto. No se incluyen las demostraciones puesto que, al
final del capitulo se extienden los resultados y se incluyen las demostraciones ms
importantes.
2.9.1.1
Teorema 29
Si X ~ f X x , a 0 y b constantes reales y definiendo Y aX b entonces
1
y b
y b
fX
fY y f X
cuando X es
cuando X es discreta o bien fY y
a
a
a
continua.
2.9.1.2
Teorema 210
Si X1 ~ f X x y X 2 ~ f X x independientes y definiendo la transformacin Z X1 X 2
1
entonces f Z z
f X1 x f X 2 z x cuando
X1 y
X2
son
discretas
bien
Todo x
fZ z
58
1
2 y
f y f y .
X
,Xn
x1 ,
realizaciones de X1 , , X n ; es decir, x1 , , xn : f X ,
1
, Xn
x1,
, xn 0 .
Se desea
,Yk
y1 ,
, yk
X1 , , X n
x1 ,
xn , donde la sumatoria se
realiza sobre los x1 , , xn pertenecientes a por cada elemento del nuevo vector
de forma que y1 , , yk g1 x1 , , xn , , gn x1 , , xn .
Ejemplo 214
Se sabe que X1 , X 2 , X 3 tienen una funcin densidad discreta conjunta dada por:
x1 , x2 , x3
0, 0, 0
0, 0,1
0,1,1
1, 0,1
1,1, 0
1,1,1
f X1 , X 2 , X 3 x1 , x2 , x3
1
8
3
8
1
8
1
8
1
8
1
8
Solucin:
Resulta
claro
que
que,
en
consecuencia,
59
y1 , y2
0, 0
1,1
2, 0
2,1
3, 0
fY1 ,Y2 y1 , y2
1
8
3
8
1
8
2
8
1
8
f X1 , X 2 , X 3 1,1, 0
2 , X3
0, 0, 0
1
,
8
y fY ,Y 2,1 f X , X
1
2 , X3
1,0,1
2
, de forma similar se han calculado los restantes valores de la
8
tabla.
2.9.3 VECTORES ALEATORIOS CONTINUOS
2.9.3.1
Formulacin
de posibles realizaciones:
x1 ,
, xn : f X 1,
, Xn
x1,
, xn 0
(1 14)
(38)
Nota:
1.
2.
, xn ,
, yn gn x1 ,
Teorema 211
Sea X X1 , X 2 , , X n un vector aleatorio continuo con estructura probabilstica
f X1 ,
,Xn
x1 ,
, xn .
Donde x1 , , xn : f X ,
1
,X
x1,
, xn 0 es el espacio de posibles
, m. Se define
como
61
g1i1
y1
g 1
2i
i y1
g ni1
y1
g1i1
yn
g 2i1
yn
g ni1
yn
g1i1
y2
g 2i1
y2
g ni1
y2
Yn
y1 ,
, yn i f X1 ,
i 1
,Xn
g y ,
1
1i
, yn ,
, yn
, g ni1 y1 ,
(42)
Ejemplo 215
Sean X 1 , X 2 y X 3 son variables aleatorias independientes estndar y1 x1 , y2
x1 x2 y
2
y3
x1 x2 x3 . Entonces
3
x1 y1 , x2 2y2 y1 y x3 3 y3 2 y2 ; as la
0 0
1
tanto
fY1 ,Y2 ,Y3 y1 , y2 , y3 f X1 , X 2 , X 3 x1 , x2 , x3
1
6
2
2
exp 12 y12 2 y2 y1 3 y3 2 y2
1
2
2
2
1
6
exp 2 2 y1 4 y1 y2 8 y2 12 y2 y3 9 y3 .
2
exp
1
2
2 y
2
1
4 y1 y2 2 y dy1 dy2
2
2
1
6
2 2
62
3
2
exp 32 y3 finalmente es claro
2
FUNCIN DE DENSIDAD
, n
f X1 , X 2 ,
Xn
x1 , x2 ,
, xn
1
x ' V 1 x
2
1
n
2
1
2
(1 15)
Observacin 210
1. Se escribe X es N , V (y se lee el vector X tiene estructura probabilstica
de Gauss) o, simplemente, X N ,V .
2. Cuando E X i para todo i entonces 1 ; y si los X i son mutuamente
independientes, todos con la misma varianza 2 , entonces V 2 I y
escribimos " x es N 1, 2 I ". Esto es equivalente a la notacin ms usual
2.10.2
INTEGRAL DE AITKEN
63
... e
1
xAx
2
dx1 ...dx n 2
1
n
2
1
2
(1 16)
Para establecer este resultado, note que debido a que A es definida positiva existe
una matriz no-singular P tal que P AP I n . De P AP P A 1 y para que P A
2
1
2
... e
1
x Ax
2
dx1 ...dx n
... e
1
y y
2
dy1 ...dy n P 1
1 n
A 2 e 2 dy i
i 1
2 2 n
1
1
2
...
1
1 2
V
n
1
2
1
n
2
1
2
...
64
M x t
1
t t Vt
2
2 2 n V
1
1
2
1
...exp 2 x Vt V x Vt dx1 ...dx n
M x t
1
t t Vt
2
1
n
2
1
n
2
1
2
1
1 2
1
t t Vt
2
(1 17)
DISTRIBUCIONES MARGINALES
65
M x1 ...xk t
t x ... t x
... e 1 1 k k f x1 ,..., x n dx1 ...dx k
1
t t Vt
2
(1 18)
, con t k 1 ... t n 0
x1 x1
x2
. . . x k y x 2 x k 1 . . . x n
para que
x x1
x2 ;
y
V12
V
V 11
.
V21 V22
1
t1 1 t1V11t1
2
f x 1 f x1 ,..., x k
exp x1 1 V111 x1 1
2
2 2 k V11 2
1
66
f x 2 f x k 1 ,..., x n
exp x 2 2 V221 x 2 2
2
1
n k
2
V22
1
2
(1 19)
V12
V
11
V21 V22
W12
W
11
,
W21 W22
entonces
V111 W11 W12W221W12 y V221 W22 W12 W111W12
2.10.5
DISTRIBUCIONES CONDICIONALES
f x1 x 2
exp x V 1 x x 2 2 V221 x 2 2
2 2 k V
1
V22
(1 20)
1
2
(1 21)
y
W
W11V12V221
V 1 1 11
.
1
1
1
V
V
V
V
V
V
W
V
V
22
12
11
22
22
12
11
12
22
x 2 2 V221 x 2 2
1
1
1
1
V22 V12 V11 V22 V22 V12 W11V12V22 x 2 2
x
1
1
x 2 2
lo que se simplifica a
x 1
W11 I V12V221 1
V V
x 2 2
x1 1 V12V221 x 2 2 W11 x1 1 V12V221 x 2 2
x1 1
x 2 2
1
22 12
(1 22)
De
V V22 W111
(1 23)
f x1 x 2
1
k
2
1
1 2
11
(1 24)
68
x1 x2 ~ N 1 V12V221 x2 2 , W111
2.10.6
INDEPENDENCIA
x x1
x 2
1
t t Vt
2
1 p p
exp t i i t iVij t j
2 i 1 j 1
i 1
i 1
p
exp
t
t
K
t
exp
t i i t iK ii t i exp t t Vt
i i
i
ii i
2
2
2
i 1
i 1
p
INTRODUCCIN
69
2.11.2.1
Bernoulli
A2 2
y P A2 q 1 p
k r b r b
k
nk
En honor al matemtico Jacob I hijo mayor de Nicolous Bernoulli. En su epitafio dice "Eadem mutata resurgo"
(Mutante y permanente, vuelvo a resurgir siendo el mismo). Escogi la espiral logartmica como smbolo de su
tumba.
5
70
Una solucin apresurada puede conducir a respuesta erradas como esta: Puede
pensarse, equivocadamente, que las probabilidades de los 3 eventos deben ser
iguales., es decir que la P n _ numeros _ 6 _ al _ lazar _ 6n _ dados 12 , sin embargo, en
realidad eso no es verdad. El procedimiento que sigue ilustra una idea de solucin
correcta a esta pregunta.
1.
nk
Ai .
i k
2.
nk
nk
Ai P Ai . De
i 1 i k
la P Bk
nk
m x
P Ai
i k
6k x
6k 1 5
1
x 0 x 6 6
k 1
6k x
71
recordando que P A 1 P A .
4.
En particular, la probabilidad de 1 o ms
tras el lanzamiento de 6
dados es el complemento de la probabilidad de 0 seis, es decir
6 1 5
1 0.665
0 6 6
0
5.
6k
1 6
P Bk
0.665
2 12 0.619
3 18 0.597
4 24 0.584
6.
10 k
10 1
5
En este caso: P Bk
k 6 6
k
10 i
10 10
10
1
5
Entonces: P A6 P Bi
i 6 i 6 6
i 6
i
6
4
7
3
8
2
10 1 5 10 1 5 10 1 5
6 6 6 7 6 6 8 6 6
10 1 5 1
9 6 6 6
9
10
1.6538
P A6
r b
k n k
P Ak
r b
6 13 6
6 espadas entonces P[ A6 ]
.
52
13
2.11.2.4
Poisson
2.11.2.5
Geomtrica
2.11.3
2.11.3.1
Uniforme
1
I x .
b a a ,b
1
b a Ia,b x dx 1 . En consecuencia,
1
xa
es
dt
ba
ba
a
x
FX x; a, b
su funcin de distribucin.
f X x
1
ba
X
74
P x x X x x
2
2
1
x x
2
1
x x
2
1
x
no depende de x nicamente
dt
ba
ba
1
x x
2
1
x x
2
75
Gauss
2
varianza 2 , escribiremos " x es N , 2 ", o X ~ N , . La funcin de densidad
de X es entonces
1
2
x
1
2
fX x
e
2
para x ,
M x t
1
1
2
2
exp tx 12 x
2 dx
exp 12 x t 2t
2
1
t t 2 2
2
exp x t
2 2
t 2 4 2 dx
2 2 dx
1
t t 2 2
2
2.11.3.3
Exponencial
2.11.3.4
Erlang
76
2.11.3.5
Gamma
2.11.4
77
2.12 EJERCICIOS
1.
2.
78
79
3 PROCESOS ESTOCSTICOS
Ejemplo 31: Borrachito.
Suponga que un borracho se encuentra en el borde de un precipicio, si da un paso
hacia delante, l caer en el abismo. El borracho da pasos aleatorios a izquierda y a
derecha, es decir hacia el precipicio o en sentido contrario indiferentemente, si la
probabilidad de que el borracho de el paso hacia el precipicio es q
1
y la
3
2
3
3.1 INTRODUCCIN
Una generalizacin interesante del concepto de vector aleatorio se encuentra en la
idea de proceso estocstico.
En un proceso estocstico, las estructuras
probabilsticas de los vectores aleatorios dependen del tiempo y del espacio en el
cual se desenvuelvan las variables del vector.
3.2 DEFINICIN
Definicin 31: Proceso Estocstico.
Un Proceso estocstico es una familia de variables aleatorias indexadas por el
tiempo Z ,t , donde pertenece al espacio muestral y t pertenece al conjunto de
ndices.
Observacin 31
Para un t fijo, Z ,t es una variable aleatoria. Mientras que para un dado, Z ,t es
una funcin de t , llamada funcin muestral o realizacin. La poblacin que
consiste en todas las posibles realizaciones se denomina el conjunto de series de
tiempo del proceso.
80
Se asume que el conjunto de ndices sern los enteros, a menos que se establezca lo
contrario. Considere un conjunto finito de variables aleatorias Zt , Zt , , Zt de un
1
proceso
estocstico
,t
: t 0, 1, 2,
La
distribucin n -dimensional
F zt1 ,
, ztn p : z , t1 zt1 ,
, z , tn ztn
F zt1 ,
, ztn F zt1k ,
, ztn F zt1k ,
se
dice
estrictamente
estacionario
si
.
1. Claramente si F zt1 ,
, ztn F zt1k ,
t 1 , t 2
t2 t2
1
Observacin 33
1. Para un proceso estacionario estricto, la funcin de distribucin es la misma
para todo t , la funcin de media t es una constante, siempre que
E Zt .
una constante.
82
tenemos t1 , t2 t1 k , t2 k y t1 , t2 t1 k , t2 k tomando t1 t k y t2 t ,
tenemos t2 , t1 t k , t t , t k k y t1 , t2 t k , t t , t k k .
4. Entonces, para un proceso estrictamente estacionario, con los dos primeros
momentos finitos, la covarianza y la correlacin entre Z t y Zt k , depende solo
de la diferencia del tiempo k .
Un ejemplo trivial de estacionariedad fuerte es una secuencia de experimentos
relacionados a variables aleatorias independientes e idnticamente distribuidas.
Esta secuencia de variables aleatorias independientes usualmente no existe o no
interesan en procesos estocsticos o series de tiempo. Sin embargo distinto de este
simple caso, en el que son independientes e idnticamente distribuidas, es muy
difcil o imposible actualmente, verificar la funcin de distribucin, particularmente
la distribucin conjunta de una serie de tiempo observada. Entonces, en anlisis de
procesos estocsticos (series de tiempo), frecuentemente usamos estacionariedad
ms dbil en trminos de los momentos del proceso.
Un proceso se dice de orden n -simo dbil si todos los momentos conjuntos de
orden superior a n existen
y son invariantes al tiempo, por ejemplo,
independientes del momento de origen. Por lo tanto, un proceso de segundo orden
tendr media y varianza constantes, y la funcin de covarianzas y correlacin solo
depender de la diferencia en el tiempo. Algunas veces, el sentido de
estacionariedad en el sentido dbil, o varianza estacionaria, son tambin utilizados
para describir procesos de segundo orden dbil. Se sigue de las definiciones que
los procesos estrictamente estacionarios con los dos primeros momentos finitos
tambin son procesos de segundo orden dbil, o de covarianza estacionaria. Sin
embargo, un proceso estrictamente estacionario, podria no tener momentos finitos,
por lo tanto, no tendra covarianza estacionaria. Un ejemplo trivial es el proceso
que consiste en una secuencia de variables aleatorias independientes e
idnticamente distribuidas con distribucin Cauchy. Claramente el proceso es
estrictamente estacionario, pero no es dbilmente estacionario, de cualquier orden,
pues no existen los momentos conjuntos de ningn orden.
Ejemplo 32
83
Donde a A es una variable aleatoria con media cero y varianza uno y es una
variable aleatoria con distribucin uniforme en el intervalo , , independiente
de A . Entonces:
E Zt E A E sen t 0
E Zt Zt k E A2 sen t sen t k
E A2 E cos k cos 2t k 2
2
1
1
cos k E cos 2t k 2
2
2
1
1
1
cos k cos 2t k 2
d
2
2
2
1
1
sen 2t k 2
cos k
2
8
1
cos k
2
1
, claramente, E Zt 0 y E Z t2 1 para todo t . Ahora
2
84
0,
E Zt , Z s
1,
si t s
si t s
Y
t, s
E Zt Z s
E Zt2 E Z s2
0,
1,
si t s
si t s
3.6.1 INTRODUCCIN
3.7.1 INTRODUCCIN
3.7.2 DEFINICIN
3.7.5 REVERSIBILIDAD
3.8.1 INTRODUCCIN
3.8.4
3.10 EJERCICIOS
87
4 MODELOS DE TRFICO
5 DIMENSIONAMIENTO
TELECOMUNICACIONES
DE
REDES
DE
6 MEDIDAS DE TRFICO
88
7 REFERENCIAS BIBLIOGRFICAS
89