TEORÍA DE PROBABILIDADES Y FUNCIONES DE

DISTRIBUCIÓN
IEE8K4 SISTEMAS CELULARES
Semestre 2015B
Profesor: MSc Andrés Reyes
 2

IEE8K4

Introducción
• La base de la ingeniería de tráfico está en conceptos de probabilidad y
estadística como:
▫ Probabilidad de los procesos
▫ Variables aleatorias
• Estos conceptos permite describir parámetros como:
▫ Periodos de bloqueo
▫ Periodos de ocupación
▫ Tiempos de espera
▫ Tiempos de servicio
▫ Tiempos entre llegadas
 3

IEE8K4

Introducción
• Azar: Se habla de azar cuando las causas de un acontecimiento se
atribuyen a las leyes de la probabilidad.
• Aleatoriedad: un suceso es aleatorio cada vez que depende únicamente
de la suerte o del azar. cada posible resultado tiene la misma posibilidad
de resultar en la eventual ejecución del experimento.
• Incertidumbre: Cada vez que un posible resultado no haya sido
cuantificado desde la óptica del azar se dice que existe incertidumbre
• El objetivo es formular un modelo probabilístico que pueda ser usado
para describir eventos en el mundo real.
 4

IEE8K4

Espacios de Probabilidad
• Experimento aleatorio ε
▫ Un procedimiento ε tiene la propiedad que al ser ejecutado bajo las
mismas condiciones puede arrojar diferentes resultados se denomina
experimento aleatorio.
▫ Experimentos aleatorios aplicados a ingeniería: el acceso al bus compartido
en una red de computadores, el número de peticiones que apuntan a una
determinada página web, etc.
• Diseño experimental ϕ
▫ A la infraestructura necesaria para la ejecución de un experimento
aleatorio ε se le denomina diseño experimental.
 5

IEE8K4

Espacios de Probabilidad
• Espacio muestral Ω
▫ Es el conjunto de todos los posibles resultados de un experimento
aleatorio. El espacio muestral se denota por la letra Ω, de esta manera,
Ω = 𝜔𝑖 𝑖𝜖𝐼
• Evento A
▫ En general, se dice que un evento A es un subconjunto de Ω, el espacio
muestral. Cada evento se denota por una letra mayúscula.
• Espacio de eventos ∆
▫ Se define como la colección, denotada por ∆, de todos los posibles eventos
de un experimento aleatorio.
 6

IEE8K4

Función de probabilidad
• Una función P cuyo conjunto de partida es el espacio de eventos y el de
𝑃:△→ 0,1
llegada [0,1], es decir , que cumple con los siguientes
𝐴→𝑃 𝐴
axiomas:
▫ 𝑃 𝐴 ≥0
▫ 𝑃 Ω =1
𝑛
▫ Si A1, A2, …, An ∈ ∆ con 𝐴𝑖 ∩ 𝐴𝑗 = ∅ para 𝑖 ≠ 𝑗. Entonces 𝑃 𝑖=1 𝐴𝑖 =
𝑛
𝑖=1 𝑃(𝐴𝑖 )
 7

IEE8K4

Teorema de Bayes

• Si los eventos E1, E2, …, Ek, constituyen una partición del espacion
muestral Ω donde P(Ei) ≠ 0, para i = 1, 2, …, k, entonces para cualquier
evento A en Ω tal que P(A) ≠ 0:

𝑃(𝐸𝑟 ∩ 𝐴) 𝑃 𝐸𝑟 𝑃 𝐴 𝐸𝑟
𝑃 𝐸𝑟 𝐴 = 𝑘 = 𝑘
𝑖=1 𝑃(𝐸𝑖 ∩ 𝐴) 𝑖=1 𝑃 𝐸𝑖 𝑃 𝐴 𝐸𝑖

• Nos permite relacionar la probabilidad de dos eventos, dentro del

mismo espacio muestral.
 8

IEE8K4

Cálculo de la probabilidad
• La probabilidad de que x se encuentre entre a y b se calcula como la
integral de f(x) de a hasta b.
• f(x) es la distribución de probabilidad

𝑏
𝑃 𝑎<𝑥<𝑏 = 𝑎
𝑓(𝑥)
 9

IEE8K4

Función de distribución acumulada

• Definición
▫ La función de distribución acumulada F(x) de una variable aleatoria
contínua X con función de probabilidad f(x) es:

𝑥
𝐹 𝑥 =𝑃 𝑋≤𝑥 = −∞
𝑓 𝑡 𝑑𝑡 para −∞ < 𝑥 < ∞
 10

IEE8K4

Funciones de distribución de los tiempos

• Un intervalo de tiempo puede describirse mediante una variable
aleatoria T (no negativa) que se caracteriza por una función de
distribución de probabilidad acumulada F(t):
𝑡
𝐹 𝑡 =𝑃 𝑇≤𝑡 = 𝑓 𝑥 𝑑𝑥
0−
𝐹 𝑡 = 0; 𝑡 < 0
• La integral inicia en 0- para evitar posibles discontinuidades:
▫ Para sistemas de espera, es posible que la probabilidad de no tener que
esperar sea mayor a cero.
▫ Para tiempos entre llegadas de llamadas o paquetes, se asume que la
probabilidad de que ese tiempo sea cero es igual a cero
 11

IEE8K4

Función de distribución complementaria

• Es el complemento de la función de distribución acumulada.

𝐹 𝑐 𝑡 = 1 − 𝐹 𝑡 = 𝑃(𝑡 > 𝑇)

• También es llamada función de supervivencia.

 12

IEE8K4

Supuesto comunes para el Teletráfico

• El tiempo de servicio es independiente de los procesos de llegada.
• Los tiempos de servicio de diferentes procesos son independientes
entre sí.
• Se asume que existe la media de la distribución del tiempo.
• Se asume que la función F(t) es diferenciable:
𝑑𝐹 𝑡 = 𝑓 𝑡 𝑑𝑡 = 𝑝(𝑡 < 𝑇 < 𝑡 + 𝑑𝑡)
 13

IEE8K4

Caracterización de las funciones

• Una función se caracteriza por sus momentos.
• Las distribuciones de tiempo que sólo asumen argumentos no negativos
poseen algunas propiedades que simplifican su modelamiento
matemático.
• Momento no central i-ésimo:
∞
𝐸 𝑇 𝑖 = 𝑚𝑖 = 𝑖𝑡 𝑖−1 ∙ 1 − 𝐹(𝑡) 𝑑𝑡
0
• Esta expresión es conocida como la identidad de Palm.
 14

IEE8K4

Relación media, segundo momento y varianza

• La media de una distribución de tiempo es el primer momento.
∞ ∞
▫ 𝑚1 = 0
𝑡 ∙ 𝑓 𝑡 𝑑𝑡 = 0
1 − 𝐹(𝑡) 𝑑𝑡
• El segundo momento se obtiene como:
∞ 2 ∞
▫ 𝑚2 = 0
𝑡 ∙ 𝑓 𝑡 𝑑𝑡 = 0
2𝑡 ∙ 1 − 𝐹(𝑡) 𝑑𝑡
• Un momento central se define como:
∞
▫ 𝐸 (𝑇 − 𝑚1 )𝑖 = 0
(𝑡 − 𝑚1 )𝑖 ∙ 𝑓 𝑡 𝑑𝑡
• La varianza de una distribución de tiempo es su segundo momento
central:
2 2 ∞
▫ 𝜎 = 𝐸 (𝑇 − 𝑚1 ) = 0
(𝑡 − 𝑚1 )2 ∙ 𝑓 𝑡 𝑑𝑡
 15

IEE8K4

Relación media, segundo momento y varianza

• Es posible relacionar el primer y segundo momento con la varianza:

• Es necesario resaltar que la desviación estándar (σ) es la raíz cuadrada

de la varianza.
 16

IEE8K4

Medidas normalizadas de dispersión

• La dispersión de los datos de una distribución de probabilidad se mide
por la varianza y la desviación estándar.
• Sin embargo también se utilizan las siguientes mediciones normalizadas
de dispersión:
▫ Coeficiente de variación
𝜎
𝐶𝑉 =
𝑚1
▫ Factor de forma de Palm (ε):
2
𝑚2 𝜎
𝜀 = 2 =1+ ≥1
𝑚1 𝑚1
 17

IEE8K4

Combinación de variables aleatorias

• Un encadenamiento de k intervalos de tiempo independientes corresponde a la

adición de k variables aleatorias independientes, es decir la convolución de variables
aleatorias.
• La media y la varianza de la distribución de tiempo resultante son:
𝑘

𝑚1 = 𝑚1,𝑖
𝑖=1
𝑘

𝜎2 = 𝜎𝑖2
𝑖=1
 18

IEE8K4

Convolución para variables aleatorias

• Para variables aleatorias continuas, la convolución se define como:

𝑡
𝑓 𝑡 ∗𝑔 𝑡 = 𝑓 𝑡−𝑥 𝑔 𝑥 𝑑
𝑥=0
• Para v.a. discretas, la convolución será:
𝑖
𝑝∗𝑞 𝑖 = 𝑝(𝑖 − 𝑗) ∙ 𝑞(𝑗)
𝑗=0
 19

IEE8K4

Variables aleatorias en paralelo

𝑘
𝐹 𝑡 = 𝑝𝑖 ∙ 𝐹𝑖 (𝑡)
𝑖=1
𝑘
𝑓 𝑡 = 𝑝𝑖 ∙ 𝑓𝑖 (𝑡)
𝑖=1

• Si cada variable aleatoria tiene una probabilidad pi, entonces la unión de

todas las probabilidades tiene que ser uno.
• La media y varianza de la distribución resultante serán:
𝑘
𝑚1 = 𝑝𝑖 ∙ 𝑚1,𝑖
𝑖=1
𝑘
𝜎2 = 𝑝1 ∙ 𝜎𝑖2 + 𝑚𝑖,1
2
− 𝑚12
𝑖=1
 20

IEE8K4

Aplicaciones del las v.a. en Teletráfico

Distribución Aplicación

Tiempos entre llegadas, tiempos de servicio,

Exponencial
longitudes de paquetes
Número de intentos de acceder al medio por
Binomial
parte de un dispositivo
Número de llegadas que ocurren con
Poisson
distribuciones temporales exponenciales
Paretto Tamaño de páginas web, tamaño de archivo
Llegadas de paquetes a un enlace de salida
MMPP (Markov Modulated Poisson Process)
de una red de acceso a Internet
 21

IEE8K4

Proceso de Bernoulli
• Cada prueba del experimento tiene dos resultados posibles (1 ó cero,
éxito o fracaso, etc.).
• Basado en el proceso de Bernoulli
▫ El experimento consiste en n ensayos que se repiten.
▫ Cada ensayo produce un resultado que se puede clasificar como éxito o
fracaso.
▫ La probabilidad de éxito se denota como p y permanece constante de una
prueba a otra.
▫ Los ensayos son independientes entre sí.
 22

IEE8K4

Variable aleatoria binomial

• El número de éxitos de n experimentos de Bernoulli se denomina

variable aleatoria binomial.
• La distribución de probabilidad de esta variable aleatoria discreta se
llama distribución binomial.
• Distribución binomial: b(x; n,p). Depende del número de ensayos y de la
probabilidad de éxito en un ensayo dado.
 23

IEE8K4

Distribución binomial
• Un experimento de Bernoulli puede tener como resultado un éxito con
probabilidad p y un fracaso con probabilidad q=1-p.
• Entonces la distribución de probabilidad binomial X, que es el número
de éxitos en n pruebas independientes es:
𝑛 𝑥 𝑛−𝑥
𝑏 𝑥; 𝑛, 𝑝 = 𝑏 𝑥 = 𝑝 𝑞 , 𝑥 = 0,1,2, … , 𝑛
𝑥
• La media y la varianza de la distribución binomial son:
𝜇 = 𝑛𝑝
𝜎 2 = 𝑛𝑝𝑞
 24

IEE8K4

Distribución de Poisson
• Utilizada para describir el número de resultados que ocurren en:
▫ Un intervalo de tiempo
▫ Una región específica
• Aplicaciones
▫ Número de llamadas por hora que recibe una central telefónica
▫ Número de juegos suspendidos por lluvia durante una temporada
▫ Número de errores ortográficos en una página
 25

IEE8K4

Proceso de Poisson

• El número de resultados que ocurren en un intervalo o región es

independiente del número que ocurre en cualquier otro intervalo o
región.
• La probabilidad de que ocurra un solo resultado durante un intervalo
muy corto es proporcional a la longitud del intervalo, y no depende del
número de resultados que caen fuera de este intervalo.
 26

IEE8K4

Distribución de Poisson
• El número de X de resultados que ocurren durante un experimento de
Poisson se llama variable aleatoria de Poisson y su distribución de
probabilidad se llama distribución de Poisson.
• Representa el número de resultados que ocurren en un intervalo dado o
región específicos (t) y que se puede representar como λt, es:
𝑒 𝜆𝑡 (𝜆𝑡)𝑥
𝑃 𝑥 =
𝑥!
▫ Donde λ es el número promedio de resultados por unidad de tiempo,
distancia, área o volumen.
• Tanto media como la varianza de una distribución de Poisson es λ.
 27

IEE8K4

Distribución exponencial
• Una de las funciones de distribución de más utilizadas en tráfico de
telecomunicaciones.
• Se encuentra caracterizada por un solo parámetro: intensidad λ.
𝑓 𝑡 = 𝜆𝑒 −𝜆 , 𝜆 > 0, 𝑡 ≥ 0
𝐹 𝑡 = 1 − 𝑒 −𝜆𝑡 , 𝜆 > 0, 𝑡 ≥ 0
 28

IEE8K4

Propiedades
• Apropiada para describir intervalos de tiempo físicos.
• Propiedad de la Ausencia de Memoria
▫ La probabilidad de ocurrencia de un evento después de cierto tiempo no
tiene en consideración que ocurrió antes de iniciar el conteo.