Documentos de Académico
Documentos de Profesional
Documentos de Cultura
00 - 2012 - UNAL - Introducción A La Teoría Del Teletráfico PDF
00 - 2012 - UNAL - Introducción A La Teoría Del Teletráfico PDF
INTRODUCCIN A LA
TEORA DE
TELETRFICO
ESTADSTICA DE LAS TELECOMUNICACIONES
4
2.10.3 Funcin Generadora De Momentos .................................................................... 64
2.10.4 Distribuciones Marginales ...................................................................................... 65
2.10.5 Distribuciones Condicionales ................................................................................ 67
2.10.6 Independencia ............................................................................................................. 69
2.11 FAMILIAS DE DISTRIBUCIONES UNIVARIADAS................................................... 69
2.11.1 Introduccin ................................................................................................................. 69
2.11.2 Familias de Distribuciones Discretas ................................................................. 70
2.11.2.1 Bernoulli ................................................................................................................. 70
2.11.2.2 Con restitucin: Modelo binomial ............................................................... 70
2.11.2.3 Sin restitucin: Modelo Hipergeomtrico ................................................ 73
2.11.2.4 Poisson .................................................................................................................... 74
2.11.2.5 Geomtrica ............................................................................................................ 74
2.11.3 Familias de Distribuciones Continuas ............................................................... 74
2.11.3.1 Uniforme ................................................................................................................ 74
2.11.3.2 Gauss ........................................................................................................................ 76
2.11.3.3 Exponencial........................................................................................................... 76
2.11.3.4 Erlang ...................................................................................................................... 76
2.11.3.5 Gamma .................................................................................................................... 77
2.11.4 RELACIONES ENTRE FAMILIAS ........................................................................... 77
2.12 EJERCICIOS............................................................................................................................ 78
2.13 RESUMEN DEL CAPTULO .............................................................................................. 78
3 PROCESOS ESTOCSTICOS ....................................................................................................... 80
3.1 INTRODUCCIN ...................................................................................................................... 80
3.2 DEFINICIN .............................................................................................................................. 80
3.3 LAS FUNCIONES DE AUTOCOVARIANZA Y AUTOCORRELACIN ..................... 86
3.4 FUNCION DE AUTOCORRELACIN PARCIAL ............................................................. 86
5
3.5 PROCESOS CON RUIDO BLANCO ..................................................................................... 86
3.6 CADENAS DE MARKOV EN TIEMPO DISCRETO ........................................................ 86
3.6.1 Introduccin ..................................................................................................................... 86
3.6.2 Ecuaciones de ChapmanKolmogorov .................................................................. 86
3.6.3 Clasificacin de los Estados ....................................................................................... 86
3.7 CADENAS DE MARKOV DE TIEMPO CONTINUO ....................................................... 86
3.7.1 Introduccin ..................................................................................................................... 86
3.7.2 Definicin ........................................................................................................................... 86
3.7.3 Procesos de Nacimiento y Muerte........................................................................... 86
3.7.4 Funcin de Transicin de Probabilidad ................................................................ 87
3.7.5 Reversibilidad .................................................................................................................. 87
3.8 DISTRIBUCIN EXPONENCIAL Y EL PROCESO DE POISSON .............................. 87
3.8.1 Introduccin ..................................................................................................................... 87
3.8.2 Definicin de Proceso de Poisson............................................................................ 87
3.8.3 Distribuciones de los Tiempos entre llegadas y de Esperas ........................ 87
3.8.4 proceso de Poisson no homogneo ........................................................................ 87
3.9 **TEORA DE RENOVACIN .............................................................................................. 87
3.10 EJERCICIOS............................................................................................................................ 87
3.11 RESUMEN DEL CAPTULO .............................................................................................. 87
4 MODELOS DE TRFICO ............................................................................................................... 88
4.1 ERLANG B: SISTEMA DE PRDIDA DE ERLANG ....................................................... 88
4.2 ERLANG B EXTENDIDO: EXTENDIDO............................................................................ 88
4.3 ERLANG C: SISTEMA CON RETARDO ............................................................................. 88
4.4 **REDES DE COLAS ................................................................................................................ 88
5 DIMENSIONAMIENTO DE REDES DE TELECOMUNICACIONES ................................ 88
6 MEDIDAS DE TRFICO ................................................................................................................ 88
6
7 REFERENCIAS BIBLIOGRFICAS ............................................................................................ 89
7
LISTA DE FIGURAS
Figura 11: Abstraccin del proceso de una llamada en un sistema telefnico. ..... 13
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
8
1 INTRODUCCIN A LA TEORA DE TELETRFICO
Hacia 1944 el "Erlang" era usado en los pases escandinavos para denotar la
unidad de trfico telefnico. Esta unidad de medida fue reconocida
internacionalmente al final de la segunda guerra mundial. As mismo una
distribucin estadstica y un lenguaje de programacin llevan su nombre.
Entre aqullos que continuaron con las ideas de Erlang, debemos mencionar al
sueco Conny Palm, cuyos aportes durante el perodo 1936 - 1946 (1957)
contribuyeron a dar a la teora de trafico su actual rigor.
9
1.1 TELETRFICO COMO DISCIPLINA
Definicin 11: Teletrfico.
1
Arte, facultad o ciencia.
2
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. La teora de probabilidades,
2. La Teora de estadsticas,
3. Proceso estocsticos,
4. Simulacin de sistema,
5. Mtodos numricos,
6. Teora de colas y Teora redes de colas,
7. Teora de decisiones y teora de juegos.
La teora aqu presentada se basa en el supuesto del equilibrio estadstico, esto es,
que sta slo puede tratar con sistemas de telecomunicaciones sujetos a
condiciones estacionarias.
11
Abstraer las principales caractersticas de un sistema de telecomunicaciones real
requiere la consideracin de tres elementos fundamentales:
1. Es elegante,
2. Contiene pocos elementos arbitrarios o ajustables,
3. Concuerda con las observaciones existentes y proporciona una
explicacin de ellas,
4. Realiza predicciones detalladas sobre observaciones futuras que
permitirn refutar o falsear el modelo si no son confirmadas.
3
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. Caracterizacin de la demanda de trfico,
2. Objetivos del grado de servicio (GoS),
3. Controles de trfico y dimensionamiento, y
4. Supervisin del rendimiento.
A llamada
desea hablar
con B Sistema de respuesta
B ? conversacin
telecomunicacin
ms
immediatamente
tarde
congestin,
ocupado
no hay
error de A
avera
desiste sin respuesta
intentarlo
desiste
13
1.4 LAS UNIDADES DE TRFICO Y LOS ERLANGS .
Usualmente la palabra trfico se emplea en esta teora para denotar la Intensidad
del flujo de paquetes que circulan en una red de telecomunicaciones. La Definicin
12, dada por la UIT establece el concepto Intensidad de trfico.
GoS
Pronstico Componentes
de Red
15
Figura 13_ Trfico transportado (Intensidad)
En este ltimo caso es necesario tener cuidado pues las unidades de tiempo de
ambos parmetros debe ser igual. Esta expresin tambin muestra de una manera
ms sencilla que la unidad de trfico no tiene dimensiones. Tambin puede
16
observarse que esta medida es terica y no puede ser calculada de forma exacta
para un sistema simplemente se puede estimar.
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:
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.
tiempo medio de ocupacin del trfico tipo j . En este caso tanto el trfico
transportado como el trfico ofrecido se miden en BBU.
18
Figura 14: Nmero de llamadas por minuto en un centro de conmutacin
un lunes en la maana.
19
El periodo de tiempo del da de una hora de longitud en el cual se presenta, en
promedio, la mxima ocupacin del sistema se denomina la Hora de ocupacin
consistente del sistema de telecomunicaciones.
Obsrvese que, dado que corresponde a la media, es posible que ciertos das
presenten picos por encima de este tiempo, sin embargo, es de esperarse que
generalmente este sea ms grande en todo el tiempo de vida del sistema. Esta
medida es de suma importancia en el dimensionamiento de un sistema de
telecomunicaciones.
Para poder hacer un estudio apropiado de los modelos es necesario distinguir entre
aquellos sistemas de prdidas (canales) y sistemas de tiempos de espera
(servidores) o sistemas mixtos es decir aquellos que tienen una capacidad limitada
de almacenamiento.
20
Figura 16: Tiempo medio de ocupacin de una lnea troncal en funcin de
la hora del da.
21
1.6 MODELOS DE TRFICO
Existen varios modelos de trfico que emplean el trmino Erlang. Son frmulas que
se emplean para calcular cuantas lneas de enlace son precisas en un sistema de
telecomunicaciones. Por ejemplo, entre una central telefnica pequea privada y
una central pblica, o para calcular los enlaces entre centrales pblicas. Tambin se
emplea el trmino Erlang en la teora de colas para estimar el nmero de personas
que hay que poner a trabajar en los centros de llamadas. Los principales modelos
de trficos son los siguientes:
1.6.1 ERLANG B
Es el modelo ms comn se emplea para calcular cuantas lneas son precisas para
una cifra de trfico (en Erlangs) determinada en la hora cargada. Este modelo
supone que las llamadas bloqueadas se liberan inmediatamente.
Es similar al anterior, salvo que en este caso tiene en cuenta cual es el porcentaje de
llamadas bloqueadas (que reciben seal de ocupado) y se puede especificar el
porcentaje de reintentos.
1.6.3 ERLANG C
Este modelo supone que las llamadas bloqueadas permanecen a la espera hasta que
sean atendidas. Sirve, por ejemplo, para calcular las necesidades de personal de un
centro de llamadas, donde aquellas llamadas que no se pueden atender de
inmediato se ponen en cola.
22
estocstica, existen patrones totalmente determinsticos que caracterizan a este
tipo de sistemas complejos.
23
2 COMPENDIO DE TEORA DE PROBABILIDADES
Pierre de Fermnat 1601 1665
Pierre Fermat, uno de los ms influyentes matemticos del siglo
XVII, naci en Beaumont de Lomagne, en Francia, el 17 de Agosto
de 1601, realiz estudios elementales en el colegio de los padres
franciscanos. Su padre, comerciante de cueros, despus de haberle
dado una instruccin slida adicional en su familia, le envi a
estudiar Derecho a Tolousse, disciplina de la cual se gradu en el
ao de 1631. All pas gran parte de su vida, ejerciendo Derecho. A
partir de 1631, sirvi en el Parlamento local, llegando a ser
consejero en 1634, finalmente muri en Castres en 1665. Fermat
tuvo una carrera apacible, caracterizada por un cuidado ejemplar
de hacer bien su tarea y, en sus momentos de ocio, supo crearse
ocupaciones literarias y apasionarse por las matemticas. Fermat,
nunca mostr una inclinacin hacia la escritura de libros ms bien
practic la comunicacin con sus colegas va cartas escritas. Su
intercambio de correspondencia, con otro grande como l llamado Pascal, marc el punto de inicio
para el desarrollo de la teora matemtica de la probabilidad. Fermat comparte, junto con Descartes,
crdito por la invencin de la geometra analtica, sin embargo, su mximo trabajo se ha reconocido
en Teora de Nmeros.
Fermat public rara vez sus descubrimientos, apenas algunas notas como apndices a tratados
escritos por otros autores. Su gran inspirador fue Diofanto y su libro de Aritmtica. Como trabajaba
para entretenerse, sus resultados ms interesantes aparecen en los mrgenes de estos tratados, y
desgraciadamente un gran nmero de sus trabajos se han perdido. Mantuvo correspondencia con
todos los cientficos de su poca; su reputacin de matemtico competente fue muy grande, y la
estima en la que se le tuvo fue general.
Pascal confes que era aqul que tengo por el gran gemetra de toda Europa , y este personaje tan
atrayente, de un carcter constante, afable, poco susceptible, sin orgullo, contribuy ampliamente a
la evolucin de las matemticas en campos tan variados como la geometra analtica, el clculo
diferencial e integral, la teora de nmeros y la teora de las probabilidades. Los principales escritos
de Pierre Fermat fueron publicados, despus de su muerte, por su hijo mayor Clement-Samuel en
1679, bajo el ttulo de Varia opera mathematica. Aunque esta publicacin no encierra ms que
una parte de su produccin como matemtico, basta por s sola para clasificar al clebre habitante
de Tolousse como el ms importante matemtico francs del siglo XVII.
24
2.1 INTRODUCCIN
4
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
una red de telecomunicaciones sea menor que 10 min.?
Un procedimiento que tiene la propiedad que al ser ejecutado bajo las mismas
condiciones puede arrojar diferentes resultados se denomina experimento
aleatorio.
26
Es el conjunto de todos los posibles resultados de un experimento aleatorio. El
espacio muestral se denota por la letra , de esta manera, i iI .
Observacin 21
Ejemplo 22
27
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
y,
.
Es decir, el conjunto vaco y su conjunto completo (espacio
muestral) tambin son eventos.
Ejemplo 24
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
Estas propiedades del espacio de eventos dan origen a una serie de resultados
interesantes.
Teorema 21
Demostracin
1. Por el primer axioma .
Teorema 22
Si A1 , A2 , , Ai , , An Entonces
1. A
n
Ai
i 1
2. B
n
Ai
i 1
29
Definicin 26: Funcin de probabilidad
1. PA 0 para todo A .
2. P 1 .
3. n
n
Si A1 , A2 , , An con Ai Aj para i j . Entonces P Ai PAi .
i 1 i 1
Si A entonces PA 1 PA .
Demostracin
1. AA
2. AA
3. PA A P PA PA
n n
P Ai P Aj P Ai Aj
i 1 j 1 i j
30
P A A A 1 P A1 A2 An
n 1
i j k
i j k
A B A AB, y A AB ; entonces
P A B P A P AB P A P B P AB.
A cada uno de los eventos conformados por un solo posible resultado se les
denomina eventos fundamentales. Matemticamente Ai i
1
En muchas situaciones se supone que P Ai n es decir, que los eventos
fundamentales son equiprobables. Sin embargo, el Ejemplo 216 y el Ejemplo 2
6 muestran que no siempre los eventos fundamentales son equiprobales.
2. n 1
1 rn
Es importante recordar la serie geomtrica finita. ar j a
j 0 1 r
31
3. Con esos resultados en mente, es claro que p j 1 2 p j y, en
consecuencia, p j p1 2 j 1 . La condicin de frontera p1 puede
n
encontrarse con relativa facilidad teniendo en cuenta que p
j 1
j
n n 1
1 2n
p1 2 j 1 p1 2 j p1 p1 2 1 1 .
1
n
Por lo tanto, p1 .
j 1 j 0 1 2 2 1
n
2 j 1
Este ltimo resultado sugiere, entonces, que p j . Finalmente,
2n 1
n k
2 j 1 k 1
2j 2k 1
P Ak pj n n n .
j 1 j 1 2 1 j 0 2 1 2 1
Observacin 23
32
2. 1 , 2 i La medida apropiada es el rea de los eventos.
iI
dos duelistas se encuentran. entonces A x1, x2 x1, , x2 , x1, x2 1
donde 1 , de sta manera se pide calcular FX P A
2. medida A
P A Dado que el evento A es bidimensional continuo, la
medida
rea A
medida apropiada es el rea, entonces P A
rea
33
X2
1 1 1
1 1
x2 x1 1
x2 x1 1
1
X1
0 1 1
Solucin analtica:
34
1. Un supuesto que no resulta cuestionable est en que el experimento
aleatorio es tal que b ~ U 1 , 1 y c ~ U 1 , 1 con 1 y b
independiente de c .
c
c b2
Races
1 , 1
Complejas
A
1 1 b
Races
Reales
A
35
as mismo, el espacio muestral esta dado por
(b, c) | b 1 , 2 , , c 1 , 2 y por lo tanto P( A) P( Races com plejas )
4 3
1
rea( A)
. Claramente, rea( A) 2 1 1 b2 db 12 , mientras que
rea() 1
3
1
rea() 412 , as que P( A) .
3 1
5. En particular si 1 4 , entonces P( A)
1
.
6
6. 1
Tambin es claro que Lim P( A) Lim 0 Equivalente la
1 1 3
1
___
1
P( A ) P( Raices reales) 1 .
En un sentido amplio, las tareas son realizaciones en las que, de una manera
disyuntiva, puede realizarse el conteo. De esta manera se emplea el conectivo o,
mientras que se usa el y para las etapas.
36
Proposicin 21: Clculo del nmero de elementos de un evento
T1
e11 e12 e13 e1 j e1n1
T2
e21 e22 e23 e2 j e2n2
Ti
ei1 ei 2 ei 3 eij eini
Tm
em1 em 2 em3 emj emnm
ETAPAS
Por un estudio de 120 pasajeros, una lnea area supo que 48 pasajeros (Clase A)
prefirieron tomar vino con la comida, 78 (Clase B) prefirieron jugos, y 66 (Clase C),
t con hielo. Adems, 36 pasajeros tomaron dos tipos de bebidas y 24 tomaron de
todas. Si en la muestra anterior se seleccionan dos pasajeros al azar, Cul es la
probabilidad de que (Evento D) los dos pasajeros quieran solo t con hielo?
(Evento E) los dos tomen exactamente dos de las tres bebidas ofrecidas?
37
A partir de la informacin proporcionada se elaboro el diagrama de Venn de la
Figura 24. El espacio muestral consta de las parejas de pasajeros que se
120
pueden seleccionar de la muestra de 120, de modo que 7140 . El
2
diagrama de Venn indica que hay 18 pasajeros que beben slo t con hielo, por
18 51 3
tanto D y P D . De manera similar P E .
2 2380 34
A C
0 12 18
24
12 12
30
38
1. Bi Bj .
2. n
Bi .
i 1
3. P B j 0 para j 1, 2,3, ,n .
n
Entonces P A P A Bi P Bi .
i 1
B1
A
B3
B2
...
Bn
Demostracin:
1. Como A
n
A Bi y los eventos A Bi son disyuntos, y
i 1
NOTA:
1. En particular P A =P A B P B P A B P B .
39
2. Un nombre generalmente aceptado para referirse a las probabilidades
condicionales que pueden calcularse con base en la informacin
disponible de la situacin a resolver, es verosimilitudes del problema.
El juego de Craps se practica dejando que un jugador lance dos dados hasta que
gana o pierde, el jugador gana en el primer lanzamiento si tiene como total 7 u 11,
pierde en el primer lanzamiento si tiene un total de 2, 3 o 12, si el jugador obtiene
cualquier otro total en su primer lanzamiento, ese total se denomina su punto.
Contina haciendo lanzamiento hasta que obtenga 7 o su punto. El jugador ganar
si obtiene su punto y pierde si obtiene 7. Cul es la probabilidad de ganar el juego?
1. Algoritmo
2. Solucin analtica
40
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Total 2 3 4 5 6 7 8 9 10 11 12
PTotal1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
41
B3: El puntaje del jugador es 6. B6: El puntaje del jugador es 10.
i 1 2 3 4 5 6
PA Bi 3
3 4
4 5
5 5
5 4
4 3
3
3 6 9 4 6 10 5 6 11 5 6 11 4 6 10 3 6 9
4 4 3 3
0.27071.
10 36 9 36
42
INICIO
tTotal_Dos_Dados()
SI NO
t==7||t==11
SI (t==2)|| NO
(t==3)||
(t==12)
Gana1 Gana0 Puntot
Salir0
tTotal_Dos_Dados()
SI NO
t==Punto
SI NO
Gana1 t==7
Gana0
Salir1 Salir1
NO
Salir==1
SI
Retornar(Gana)
FIN
1. Bi Bj .
2. n
Bi .
i 1
3. P B j 0 para j 1, 2,3, ,n .
P A Bk P Bk
Entonces P Bk A n
.
P A B P B
i 1
i i
Demostracin:
Bayes.
NOTA:
1. P A B P B
En particular P[ B | A] .
P A | B P B P A | B P B
44
2. Sin duda, el teorema de Bayes se constituye en uno de los resultados
ms frecuentemente empleado en el modelamiento de sistemas
computacionales. Una sola aplicacin corrobora esta afirmacin: las
denominadas redes Bayesianas, empleadas en la construccin de
sistemas inteligentes, es un caso representativo.
Solucin:
independiente de B si y slo si
45
2. P[A | B] P[A] Si P[B] > 0
I: 0,1 1 Si A
La funcin de forma que I A se denomina funcin
I A 0 Si A
indicadora.
2.5.2 DEFINICIONES
Definicin 213: Variables aleatorias
NOTAS
46
Definicin 214: Vector aleatorio
47
X X1 , X 2 , , X k 1 con X i definido como el nmero de veces que apareci i . Se
k 1
x n .
k 1
n!
puede verificar que f X , X 2, , X k 1 x1 , x2 , , xk 1 k 1 p i
xi
donde xi 0,1, , n y i
xi !
1
i 1 i 1
i 1
n
f X1 , X 2 , , X n x1 , x2 ,..., xn FX , X , x1 , x2 ,..., xn (1 3)
x1x2 ...xn 1 2
,Xn
48
2.7 DISTRIBUCIONES CONDICIONALES E INDEPENDENCIA
ESTOCSTICA
2.7.1 VECTORES ALEATORIOS CONTINUOS
2.7.1.1 Distribuciones Marginales
f X k 1 , ,Xn xk 1 ,..., xn ... f X1 , X 2 , ,Xn x1 ,..., xk , xk 1,..., xn dx1...dxk (1 4)
f X1 , , X k X k 1 , , X n x ,..., x
1 k xk 1 ,..., xn
funcin de densidad de todas las n's
densidad marginal de las "ltimas n k x"
(1 5)
f X1 , x1 , x2 ..., xn
,Xn
f X k 1 , , X xk 1 ,..., xn
n
49
Observacin 24
f c x Y yh
X
F c x Y y h
X
x
f b x, yg
f b yg Y
c
fY yX x h ff b xb,xygg (3-11)
X
c h ffb xb,yygg
f xy
Y
f b x, yg
f c y xh
f b yg X
De estas dos ecuaciones una puede obtener la versin continua del teorema de
b g
Bayes, eliminando f y, x de la ltima expresin nos conduce directamente a:
c h f c xf yhbfxgb yg
f yx Y
b xg z f b x, ygdy
f X
zc
h bg
f x y f Y y dy
50
Y
zb
fY y bg g
f x , y dx
zc
f yx f h b xgdx
X
Ejemplo 213
b g 65 c1 x yh
f x, y 2
0 x 1,0 y 1
0 en otra parte
Solucin
Integrando esta funcin solo con respecto a y y solo con respecto a x produce las
dos funciones de densidad marginal como
f X
b g FGH
x
6
5
1
x2
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
1 x 2y
c h
f xy
y
0 x 1,0 y 1
1
3
1 x 2y
c h
f yx
x2
0 x 1,0 y 1
1
2
51
2.7.2 VECTORES ALEATORIOS DISCRETOS
2.7.2.1 Distribuciones Marginales
f X1 , , X k X k 1 , , X n x ,..., x
1 k xk 1 ,..., xn
funcin de densidad de todas las n's
densidad marginal de las "ltimas n k x"
(1 7)
f X1 , x1 , x2 ..., xn
,Xn
f X k 1 , , X xk 1 ,..., xn
n
2.7.3 INDEPENDENCIA
Definicin 223: Independencia estocstica.
52
Un vector aleatorio X X1 , X 2 , , X k , , X n , bien sea discreto o continuo, denomina
n
g x ,
xn xn1 xk 1
1 , xk , , xn f X1 , X 2 , ,Xn x1 , , xk , , xn Discreto
E g X1, X1, , X n
g x ,
1 , xk , , xn f X1 , X 2 , ,Xn x1 , , xk , , xn dx1dx2 dxn Continuo
Sea X ~ f X x , g :
una funcin no negativa y k 0 Entonces
E g x
P g x k
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 k
x
x: g x k
x
x: g
g x f x dx
x k
x
x: g
k f x dx
x k
x
kP g x k
NOTAS:
Observacin 25
1. Es claro que
Error! No se pueden crear objetos modificando
.
cdigos de campo.
2. E g X
Es fcil ver que: P g X k 1
k
2.8.2 MOMENTOS
Definicin 225: Momentos alrededor de cero.
la k -sima potencia de x i :
54
k
xi f Xi xi dxi
Si X es continuo
Xk
E Xi
k
xik f X i xi
i
Si X es discreto
xi
k
k
... xi f X1 , X 2 , , X n x1 , x2 ,..., xn dx1dx2 ...dxn
Si X Continuo
X (1 8)
xik f X1 , X 2 , , X n x1 , x2 ,..., xn
i
Si X Discreto
xn xn
Observacin 26
ij E X i i X j j , (1 9)
Observacin 27
var X V ij para i, j 1, 2, ,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 .
ij
La correlacin entre la i -sima y la j -sima variables se define como ij , la
i j
matriz de correlacin es
1 1
R ij D VD para i, j 1,..., n (1 11)
i j
i
j
Observacin 29
56
1
1. Donde las D son las matrices diagonales con los elementos para
i
i 1, 2, ,n.
2. Claramente los elementos diagonales de R son todos la unidad, y R es
simtrica.
3. La matriz V es definida no negativa.
como:
M g X t E e
g X t
(1 13)
57
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.
entonces f Z z
Todo x
f X1 x f X 2 z x cuando X1 y X2 son discretas o bien
fZ z f X1 x f X 2 z x dx cuando X 1 y X 2 son continuas.
58
Si X ~ f X x continua y definiendo Y X 2 entonces fY y
1
2 y
f y f y .
X X
Ejemplo 214
Se sabe que X1 , X 2 , X 3 tienen una funcin densidad discreta conjunta dada por:
f X1 , X 2 , X 3 x1 , x2 , x3 1 3 1 1 1 1
8 8 8 8 8 8
Solucin:
Resulta claro que 0,0,0 , 0,0,1 , 0,1,1 , 1,0,1 , 1,1,0 , 1,1,1 y que, en
consecuencia,
59
y1 , y2 0, 0 1,1 2, 0 2,1 3, 0
fY1 ,Y2 y1 , y2 1 3 1 2 1
8 8 8 8 8
1
Puesto que, por ejemplo, fY ,Y 0,0 f X , X 2 , X3
0, 0, 0 , y fY ,Y 2,1 f X , X 2 , X3
1,0,1
1 2 1
8 1 2 1
2
f X1 , X 2 , X 3 1,1, 0 , de forma similar se han calculado los restantes valores de la
8
tabla.
de posibles realizaciones:
x1 , , xn : f X 1, , Xn x1, , xn 0 (1 14)
(38)
Nota:
60
se puede calcular la distribucin marginal de Y1 , , Yk de la
distribucin conjunta de Y1 , , Yn . Este uso de dar la posibilidad de
introducir variables aleatorias convierte a la transformacin y1
g1 x1 , , xn , , yn gn x1 , , xn en una transformacin de un espacio n
a otro espacio n dimensional, necesario en el mtodo de clculo
propuesto.
61
g1i1 g1i1 g1i1
y1 y2 yn
g 1 g 2i1 g 2i1
2i
i y1 y2 yn
g ni1 g ni1 g ni1
y1 y2 yn
(42)
g y , , yn
m
fY1 , Yn y1 , , yn i f X1 , ,Xn
1
1i 1 , yn , , g ni1 y1 ,
i 1
Ejemplo 215
3
1
fY1 ,Y2 ,Y3 y1 , y2 , y3 f X1 , X 2 , X 3 x1 , x2 , x3 6 exp 12 y12 2 y2 y1 3 y3 2 y2
2 2
2
3
1
6 exp 2 2 y1 4 y1 y2 8 y2 12 y2 y3 9 y3 . Las distribuciones marginales se
1 2 2 2
2
pueden obtener de la distribucin conjunta; por ejemplo,
3
1
exp 12 6 y22 12 y2 y3 9 y32
fY3 y3 fY1 ,Y2 ,Y3 y1 , y2 , y3 dy1dy2 6
2
2
6 1
2 y 4 y1 y2 2 y dy1 dy2
exp 1 2 2
2 2
2 1 2
62
3
exp 12 6 y22 12 y2 y3 6 y32 exp 12 3 y32 dy2
exp 32 y3 finalmente es claro
2
2
que Y3 presenta una estructura probabilstica normal con media 0 y varianza.
1
x ' V 1 x
2
e
f X1 , X 2 , Xn x1 , x2 , , xn 1 1 (1 15)
2
n
2 V 2
Observacin 210
63
Un resultado del clculo integral que es particularmente aplicable a cualquier
problema de la familia de Gauss multivariada es la integral de Aitken. Para A una
matriz simtrica definida positiva de orden n
1
xAx 1
dx1 ...dx n 2
1
... e
n
2 2 A 2 (1 16)
Para establecer este resultado, note que debido a que A es definida positiva existe
1
una matriz no-singular P tal que P AP I n . De P AP P A 1 y para que P A ;
2
2
V
1 1
f x1 , x 2 ,..., x n dx1 ...dx n 2 V 1 2
1
...
n
2 1
n
2 2
64
1
M x t 2 2 n V 2 ... exp 1 x Vt V 1 x Vt t 1 t Vt dx1 ...dx n
1
2
2
1
t t Vt
2
1 1
...exp 2 x Vt V x Vt dx1 ...dx n
e
1
2 2 n V
1
2
1 1
t t Vt
2 1 2
1
2 n
e 2 V 1
t t Vt
M x t 1
e 2 (1 17)
2
1
n
2 V 2
65
M x1 ...xk t ... e 1 1 k k f x1 ,..., x n dx1 ...dx k
t x ... t x
f.g.m. de x1 , x x ,..., x n , con t k 1 ... t n 0 (1 18)
1
t t Vt
e 2
, 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 ;
1 2 ,
t t1 t 2
V V12
V 11 .
V21 V22
1
t1 1 t1V11t1
M x1 ,...,xk t1 e 2
1
exp x1 1 V111 x1 1
2
f x 1 f x1 ,..., x k 1
2 2 k V11 2
1
66
En comparacin con (1 15) vemos que f x1 es una distribucin normal
multivariada. similarmente, tambin es
1
exp x 2 2 V221 x 2 2
2
f x 2 f x k 1 ,..., x n 1
(1 19)
2
1
n k
2 V22 2
As pues V se toma como definida positiva para que lo sean tambin V11 y V22 .
Adems, en estas expresiones, su uso puede hacerse de la forma dividida de V . As
si
1
V V12 W W12
,
1
V 11 11
V21 V22 W21 W22
entonces
f x1 x 2 f x g x 2
1
exp x V 1 x x 2 2 V221 x 2 2 (1 20)
2
f x1 x 2
2 2 k V
1 1
V22 2
67
W11 V11 V12V221V12 1
(1 21)
W W11V12V221
V 1 1 11 1
.
V 22 V
12 V11 V 1
22 V 1
22 V
12 W11V12V 22
x W11V12V221 x1 1
x 2 2
W11
1
x 2 2 V221 x 2 2
1 1
V22 V12 V11 V22 V22 V12 W11V12V22 x 2 2
1 1 1
lo que se simplifica a
x 1
x1 1
x 2 2
I
W11 I V12V221 1
V V x 2 2
1
22 12 (1 22)
x1 1 V12V221 x 2 2 W11 x1 1 V12V221 x 2 2
Adems, usando el resultado para el determinante de una matriz dividida [por
ejemplo, Searle (1966, p.96)],
De
1
exp x1 1 V12V221 x 2 2 W11 x1 1 V12V221 x 2 2
f x1 x 2
2 (1 24)
1
2
1
k 1 2
2 W 11
68
mostrando, en la comparacin con (1 15), que la distribucin condicional
tambin es normal:
x1 x2 ~ N 1 V12V221 x2 2 , W111
2.10.6 INDEPENDENCIA
Suponga que el vector x x1 x 2 . . . x n se divide en p subvectores
x x1 x 2
. . . x p . Entonces una condicin necesaria y suficiente para que los
vectores sean mutuamente independiente es, que en la particin correspondiente
de V Vij para i, j 1,2,..., p , Vij 0 , para i j .
p p
M x t exp ti i tiVii ti exp ti i tiVii ti
1 1
i 1 2 i 1 2
p p
1 1 1
i 1
exp
t
i i
2
t
i K t
ii i
exp t i i t iK ii t i exp t t Vt
i 1 2 2
69
En esta seccin se estudian las principales familias de distribuciones
uniparamtricas de frecuente uso en teletrfico.
Para las dos familias que siguen considrese el experimento aleatorio para el
cual el diseo experimental consiste de una urna que contiene r bolas rojas y b
negras, todas idnticas salvo por su color y nmero asignado. Se extraen n bolas
de la urna. Si se define el evento Ak : Al realizar el experimento se obtienen
exactamente k bolas rojas. Para el clculo de la P Ak existen bsicamente dos
caminos que conducen a resultados ligeramente diferentes dependiendo de la
forma en que se realice el muestreo: con restitucin o bien sin restitucin.
P Ak
k r b r b
5En 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.
70
Ejemplo 217: Ayuda de Isaac Newton a su amigo Pepys.
Una carta interesante6 ndica que Pepys le escribi a Newton preguntndole Cul
de los tres eventos es ms probable: Que una persona obtenga B1 : al menos un
cuando 6 dados se lanzan; B2 : al menos dos cuando 12 dados son lanzados; B3 :
al menos tres cuando 18 dados son lanzados? Cul sera la respuesta de
Newton?
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.
2. nk nk
Dado que los eventos Ai son disjuntos, P Bk P Ai P Ai . De
i 1 i k
esta manera es posible encontrar las probabilidades de los Ai y con
ellas obtener las probabilidades de Bk .
es
5
x y que, en consecuencia, de esta misma forma,
x 6 6
6k x 6k x
6k 1 5 6k 1 5
nk 6k x k 1 x
la P Bk P Ai 1 ,
i k xk x 6 6 x 0 x 6 6
71
recordando que P A 1 P A .
1 0.665
0 6 6
k 6k P Bk
1 6 0.665
2 12 0.619
3 18 0.597
4 24 0.584
Solucin
72
Podemos redefinir la pregunta como: Cul es la probabilidad de que el estudiante
obtenga por lo menos 6 respuestas correctas de las 10 posibles? Entonces
definimos los eventos Bi y A6 como El estudiante obtiene exactamente i respuestas
correctas y El estudiante obtiene por lo menos seis respuestas correctas,
respectivamente. Tenemos que:
P A6 P B6 P B7 P B8 P B9 P B10
n
P Bk p k q n k
k
10 k
10 1
k
En este caso: P Bk
5
k 6 6
10 i
1
i
Entonces: P A6 P Bi
10 10 10
5
i 6 i 6 i 6 6
10 1 5 10 1 5 10 1 5 10 1 5 1
6 4 7 3 8 2 9 1 10
6 6 6 7 6 6 8 6 6 9 6 6 6
1.6538
P A6
73
r b
k n k
P Ak
r b
n
En particular, este modelo puede ser empleado para calcular ciertas probabilidades
sobre juegos de cartas. Por ejemplo, si se desea calcular la probabilidad de que en
una mano de 13 cartas se obtengan exactamente 6 espadas. Hay r 13 , b 39 ,
r b 52 cartas en total, k 6 y n 13 Definiendo A6 como el evento de exactamente
13 52 13
6 13 6
6 espadas entonces P[ A6 ] .
52
13
2.11.2.4 Poisson
2.11.2.5 Geomtrica
su funcin de distribucin.
f X x 1
ba
a b X
74
Figura 26: Funcin de densidad uniforme
FX x
a b X
Figura 27: Funcin de Distribucin uniforme.
Notas:
f X x
a
1
x x x 1
x x b
2 2 X
75
cuando a 0 y b 1 caso en el que se escribe que U ~ U 0,1 .
2.11.3.2 Gauss
de X es entonces
1
x 2
2
1
fX x e 2
para x ,
2
M x t 1 2 exp tx 12 x 2
2 dx
exp 12 x t 2t
1 2 2 2 2
t 2 4 2 dx
exp x t
1
1
t t 2 2
e 2
2 2 2
2 2 dx
1
t t 2 2
e 2
2.11.3.3 Exponencial
2.11.3.4 Erlang
76
2.11.3.5 Gamma
77
2.12 EJERCICIOS
78
79
3 PROCESOS ESTOCSTICOS
Ejemplo 31: Borrachito.
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.
Observacin 31
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 2 n
F zt1 ,
, ztn p : z , t1 zt1 , , z , tn ztn
Definicin 32: Proceso Estocstico estacionario.
2. estacionario en distribucin si F zt1 , zt2 F zt1 k , zt2 k , y estacionario de n -
simo orden si F zt1 ,
, ztn F zt1k ,
, ztn k , Para cualquier n -pla t1 , , tn
y k en los enteros.
3. Un proceso se dice estrictamente estacionario si
F zt1 ,
, ztn F zt1k ,
, ztn k es valido para todo n , es decir, n 1, 2, .
Tambin denotada por estacionariedad fuerte o completa.
Observacin 32
1. Claramente si F zt1 ,
, ztn F zt1k ,
, ztn k es valida para n m , tambin
ser verdadera para n m porque la funcin de distribucin de orden m
determina todas las funciones de distribucin de orden menor. Por lo tanto,
que una funcin de distribucin de orden superior sea estacionaria, siempre
determina que las funciones de distribucin que sean de orden menor que
ella tambin lo sean.
2. Es posible entender adecuadamente lo que es ser un proceso estocstico Z ,t
, como un conjunto de variables aleatorias definidas sobre un espacio
muestral indexadas por el tiempo. Usualmente se suprime y simplemente
se escribe Z ,t como Z t o Z t , tambin denotamos la variable aleatoria por X
81
o por X . El proceso estocstico es llamado proceso de valor real, si
solamente asume valores en , el conjunto de los nmeros reales, a menos
que se establezca lo contrario, solo trabajaremos con procesos de valor real.
Observacin 33
una constante.
82
3. Adems, puesto que F zt , zt F zt k , zt k para todo t1 , t2 en los enteros y k ,
1 2 1 2
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 .
Ejemplo 32
83
Considere la siguiente secuencia en el tiempo:
Zt Asen t
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
1
E A2 E cos k cos 2t k 2
2
1
2
1
2
cos k E cos 2t k 2
cos k cos 2t k 2
1 1 1
d
2 2 2
sen 2t k 2
1 1
cos k
2 8
1
cos k
2
Ejemplo 33
84
0, si t s
E Zt , Z s
1, si t s
E Zt Z s 0, si t s
t, s
E Zt2 E Z s2 1, si t s
85
3.3 LAS FUNCIONES DE AUTOCOVARIANZA Y AUTOCORRELACIN
3.4 FUNCION DE AUTOCORRELACIN PARCIAL
3.6.1 INTRODUCCIN
3.7.1 INTRODUCCIN
3.7.2 DEFINICIN
86
3.7.4 FUNCIN DE TRANSICIN DE PROBABILIDAD
3.7.5 REVERSIBILIDAD
3.8.1 INTRODUCCIN
3.10 EJERCICIOS
87
4 MODELOS DE TRFICO
5 DIMENSIONAMIENTO DE REDES DE
TELECOMUNICACIONES
6 MEDIDAS DE TRFICO
88
7 REFERENCIAS BIBLIOGRFICAS
89