Teorı́a de Redes - Grado en Ingenierı́a Telemática

26/02/2024. Duración: 1 h 40’

Instrucciones
Problema 1. A un servidor llega tráfico a través de dos rutas diferen- Hay tres problemas.
tes, E y U. En la ruta E las tramas sufren un retardo que se distribuye Se recomienda leer todos los proble-
mas antes de empezar.
según una variable aleatoria (v.a.) exponencial de media 30 ms. En la Empiece cada problema en una hoja
ruta U el tráfico sufre un retardo que sigue una v.a. uniformemente nueva.
Todos los problemas tienen la misma
distribuida entre 0 y 100 ms. El 40 % de las tramas se reciben a través
puntuación.
de la ruta E y el 60 % a través de la ruta U.
Formulario
1. Calcule el retardo medio del tráfico.
Uniforme entre a y b
2. Calcule la probabilidad de que el retardo sea menor de 20 ms. 1
f (x) = , a≤x≤b
b−a
3. Si el retardo de una trama es menor de 20 ms, ¿cuál es la probabi- x−a
lidad de que haya llegado a través de la ruta E? F(x) = , a≤x≤b
b−a
Exponencial
4. Calcule la probabilidad de que una trama elegida al azar de las
transmitidas por la ruta E tenga un retardo menor que una trama f X ( x ) = λe−λx , x ≥ 0

elegida al azar de la ruta U. FX ( x ) = 1 − e−λx , x ≥ 0

V.a. Poisson con media λt
Solución 1. (λt)n −λt
Pr(n) = e ,n ≥ 0
n!
1. Sea X la v.a., Xe una v.a. exponencial de media 30 ms, y Xu
una v.a. unif. distrib. entre 0 y 100 ms. Su media es 30 ms y 50 ms,
respectivamente.
La esperanza media pedida es

E[ X ] = E[ X | e] Pr(e) + E[ X | u] Pr(u) (1)

E[ X ] = E[ Xe ] Pr(e) + E[ Xu ] Pr(u) (2)
E[ X ] = 30 Pr(e) + 50 Pr(u) = 42 ms (3)

Donde Pr(e) = 0,4 y Pr(u) = 0,6.

2. Se pide Pr( X < 20). Se puede expresar como

Pr( X < 20) = Pr( X < 20 | e) Pr(e) + Pr( X < 20 | u) Pr(u) (4)
Pr( X < 20) = Pr( Xe < 20) Pr(e) + Pr( Xu < 20) Pr(u) (5)
Pr( X < 20) = (1 − e−20/30 ) Pr(e) + (20/100) Pr(u) (6)
Pr( X < 20) = 0,486 × 0,4 + 0,2 × 0,6 = 0,315 (7)

3. Se pide Pr(e | X < 20). Se calcula como

Pr(e, X < 20)
Pr(e | X < 20) = (8)
Pr( X < 20)
Pr( X < 20 | e) Pr(e)
Pr(e | X < 20) = (9)
Pr( X < 20)
0,486 × 0,4 0,194
Pr(e | X < 20) = = = 0,619 (10)
0,315 0,315
 teoría de redes - grado en ingeniería telem ática 2

4. Se pide Pr( Xe < Xu ). Se puede calcular como:

Pr( Xe < Xu )) = 1 − Pr( Xe > Xu ) (11)

Z 100
Pr( Xe > Xu ) = Pr( Xe > Xu | Xu = τ ) f Xu (τ )dτ (12)
0
Z 100
Pr( Xe > Xu ) = e−λτ f Xu (τ )dτ (13)
0
Z 100
1
Pr( Xe > Xu ) = e−λτ dτ (14)
0 100
100 0
1 1 1 −λτ
Z
Pr( Xe > Xu ) = e−λτ dτ = e (15)
100 0 100 λ 100
30  
Pr( Xe > Xu ) = 1 − e−100/30 = 0,289 (16)
100
Por lo tanto, Pr( Xe < Xu ) = 1 − Pr( Xe > Xu ) = 0,711
 teoría de redes - grado en ingeniería telem ática 3

Problema 2. Considere un escenario de vehı́culo autónomo con

V = 10 vehı́culos y dos servidores informáticos, el servidor A y el
servidor B. Cada vehı́culo v = 1, 2, . . . , V produce tareas de compu-
tación siguiendo una distribución de Poisson con tasa λv = 5 ta-
reas/seg, y dirige sus tareas al servidor A con probabilidad p = 0,2 y
al servidor B con probabilidad (1 − p) = 0,8.
1. ¿Cuál es la velocidad con la que llegan las tareas a cada uno de los
servidores?

2. ¿Cuál es el tiempo promedio entre llegadas de las tareas a cada

servidor?

3. ¿Cuál es el tiempo promedio en el que se produce la tarea 20? ¿El

tiempo promedio de la tarea de 20 en cada uno de los servidores?

4. ¿Cuál es la probabilidad de que exactamente 45 tareas lleguen al

servidor A desde el segundo s1 = 0 al segundo s2 = 5? ¿Cómo y
por qué cambia la respuesta en los próximos 5 segundos, es decir,
del segundo s2 = 5 al segundo s3 = 10?

Solución 2.
1. The process that describes the generation of tasks is the aggrega-
tion of the individual Poisson processes of all vehicles, being itself
a Poisson with Parameter λ = ∑V v=1 λv = 50tasks/sec. The pro-
cess that describes the arrival of tasks at each server is a sampling
of the original one, with sampling probability p and (1 − p) for
server A and B, respectively. Thus, it is a Poisson, with parameters:

λ A = V pλ = 10 ∗ 0,2 ∗ 5 = 10task/sec,
λ B = V (1 − p)λ = 10 ∗ 0,8 ∗ 5 = 40task/sec.

2. Let XiA and XiB be the inter-arrival time of task i at server A and
B, respectively. Then, given that the arrival processes at the two
servers are Poisson processes, it is:
1 1
E( XiA ) = = = 0,1sec,
λA 10
1 1
E( XiB ) = = = 0,025sec.
λB 40
3. The absolute arrival time Si of task i follows the sum of exponen-
tially distributed r.v. X j , j = 0, ...i (since the processes are Poisson).
This sum is known to follow the Gamma distribution with same
parameter λ as the Poisson, and i degrees of freedom, with the
following mean and variance:
i i
E ( Si ) = , V ( Si ) = 2 .
λ λ
 teoría de redes - grado en ingeniería telem ática 4

Thus:
The average time that the 20-th task is produced is:

i 20
E ( Si ) = = = 0,4sec,
λ 50
r r
i 20
Std(Si ) = 2
= = 0,089sec.
λ 502
So the 20-th event will most likely lie within 0,4 ± 0,178sec.
For the 20-th task arriving at server A:

i 20
E(SiA ) = = = 2sec,
λA 10
s r
i 20
Std(SiA ) = = = 0,447sec.
λ2A 102
So the 20-th event will most likely lie within 2 ± 0,447sec.
Similarly, for the 20-th task arriving at server B:

i 20
E(SiB ) = = = 0,5sec,
λB 40
s r
i 20
Std(SiB ) = 2
= 2
= 0,111sec.
λB 40
So the 20-th event will most likely lie within 0,5 ± 0,111sec.

4. Let N (t) be the number of tasks that are produced from second
0 to second t. Since the process of arrival of tasks at server A is a
Poisson process with parameter λ A = 10 task/sec, the number
of events occurred within a time interval of length t follows the
Poisson distribution with rate λ A t. Thus:

(λ A t )n −λ A t (10 · 5)45 −10·5

P( N (t) = n) = e = e = 0,046. (17)
n! 45!
For the interval [5sec, 10sec] the answer does not change, as the
Poisson processes have stationary increments.
 teoría de redes - grado en ingeniería telem ática 5

Problema 3. Respecto al proceso de Poisson y la distribución expo-

nencial:

1. ¿Puede explicar con sus propias palabras, qué es la propiedad sin

memoria de la distribución exponencial? ¿Cómo se demuestra?

2. Consideremos una zona rural con 1000 sensores de temperatu-

ra desplegados alrededor de los 100 km2 . Cada sensor envı́a un
mensaje a un punto de acceso wifi a un ritmo de 10 mensajes por
minuto; los tiempos entre envı́os de los mensajes se distribuyen
de forma uniforme entre [0, b] segundos (para un sensor). ¿Puedes
hallar el valor de b?

3. ¿Puedes modelar el proceso de llegada de todos los mensajes al

punto de accesos WiFi según un proceso de Poisson? ¿Por qué?
¿Cuál es el valor de λ para este proceso agregado?

Solución 3.
a) La propiedad de sin memoria de la variable aletoria exponencial
se demuestra calculando por separado:

e−λ(s+t)
P( X > s + t| X > s) = = e−λt
e−λs
y
P( X > t) = e−λt
Se puede ver que P( X > s + t| X > s) = P( X > t) y esta igualdad
solo se cumple para la variable aleatoria exponencial.
La interpretación es que la probabilidad de que una variable alea-
toria X sobreviva más de t unidades de tiempo no depende de la
cantidad de tiempo pasado s que ha sobrevivido, es decir, de su his-
toria.
b) Si un sensor de temperatura envı́a mensajes a una tasa de 10
mensajes por minuto (o 60 segundos), esto quiere decir que, en me-
dia, del sensor sale un mensaje cada 6 segundos. Sabemos que el
tiempo entre mensajes de salida del sensor es aleatorio según una
distribución uniforme U (0, b). Es decir, el tiempo medio entre dos
mensajes es:

a+b 0+b
= =6s
2 2
Por tanto, b = 12 seg. Es decir, el tiempo entre dos mensajes es
uniforme entre 0 y 12 segundos.
c) Según el teorema de Palm-Khintchine, sı́ se puede asegurar que
el proceso agregado de llegada de mensajes (provieniente de 1000
sensores) a la estación WiFi se aproximarı́a a un Proceso de Poisson,
 teoría de redes - grado en ingeniería telem ática 6

ya que son muchos procesos independientes (en concreto 1000) de

similar intensidad.
La tasa es

λ agg = 1000 · 10 mens/min = 10000 mens/min = 166,67 mens/seg