TRABAJO COLABORATIVO 2

EDISON ARTURO VLEZ MACAS Cd. 27775825

Grupo 26





Tutor
REMBERTO CARLOS MORENO
Teletrfico 208022






UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGA E INGENIERA
31 de mayo de 2014
DESARROLLO

EJERCICIOS Y SOLUCIONES - DISTRIBUCIONES DE PROBABILIDADES

1. Cuando se estn realizando clculos de E1s (por ejemplo en rutas de
interconexin) y es necesario conocer un valor anual de trfico qu valor
se toma y cmo se calcula?

Cuando


2. Indicar en qu casos diferentes a los mencionados en el mdulo del curso
- son utilizadas las diferentes distribuciones de Teletrfico vistas en el
mdulo. Dar ejemplos de cada una de ellas.

Los intervalos de tiempo son variables aleatorias de gran importancia en
Teletrfico.
Las distribuciones de estas variables aleatorias son fundamentales para el
estudio de diferentes modelos.
La ms importante de las distribuciones en Teletrfico es la distribucin
exponencial, ya que es la base de muchos modelos utilizados durante
mucho tiempo.
Se pueden obtener otros tipos de distribuciones mediante la combinacin
de variables aleatorias exponenciales en serie y en paralelo.

Aplicacin de diferentes variables aleatorias en Teletrfico
Distribucin Aplicacin
Exponencial Tiempos entre llegadas de
llamadas, tiempos de servicio,
longitudes de paquetes.
Poisson Nmero de llegadas que ocurren
con distribuciones temporales
exponenciales.
Paretto Longitud de pginas web,
longitud de archivos.
MMPP
(Markov
Modulated
Poisson
Process)
Llegadas de paquetes a un
enlace de salida de una red de
acceso a una Internet.

Distribucin exponencial
- Tambin se conoce como distribucin exponencial negativa.
- Para modelar los tiempos de la teora de teletrfico, se puede usar
cualquier variable aleatoria que tenga valores no-negativos para
modelar el tiempo de vida.
- La distribucin exponencial tiene unas caractersticas nicas que la
hacen muy apetecida para usos prcticos y analticos.
- Se caracteriza por un parmetro nico: la intensidad o tasa ().
- La distribucin exponencial tiene la forma:
()

, , ,
()

, , .
- Los parmetros que caracterizan la distribucin exponencial son:





Valor medio:

,
Segundo momento:
Representacin en
los Diagramas de
Fase

,
Varianza:

,
A partir del factor:
,
Propiedades:
- Es muy apropiada para describir intervalos de tiempos fsicos.
- Tiene la propiedad de Falta de Memoria (Ausencia de Memoria).
Propiedad de Falta de Memoria
- Una variable aleatoria con distribucin exponencial, tambin sufre de
la propiedad de falta de memoria.
- Esta propiedad significa que la probabilidad de ocurrencia de un evento
despus de cierto tiempo (o distancia), no tiene en cuenta qu ocurri
antes de iniciar el conteo.
El conteo se re-inicia

tiempo
Ejemplo
- El tiempo de vida residual de una conversacin telefnica (lo que queda
de ella, dado que ya transcurri un tiempo x), puede suponerse
independiente de la duracin actual de la llamada.
- Por tanto, puede suponerse que tiene una distribucin con falta de
memoria, tal como la distribucin exponencial:
( |)

()

()
Mnimo de dos variables aleatorias exponenciales (I)
- Si se asume que dos variables aleatorias

, son mutuamente
independientes y exponencialmente distribuidas, con intensidades

respectivamente, se puede definir una nueva variable aleatoria como:
*

+
- Esta funcin de distribucin tendr la forma:

* +
(

- Es decir, es una distribucin exponencial con intensidad (

)
Mnimo de dos variables aleatorias exponenciales (II)
- Suponiendo que

, la probabilidad de ocurrencia de

primero
que

(y que

ocurra despus de un tiempo ), dado que ya pas un

tiempo es:
*(

|)+
*

+ *

+
* +

)
(

- En este caso, esta probabilidad es independiente de . Por tanto, no
necesitamos integrar con respecto a .
Variables aleatorias derivadas de la variable aleatoria exponencial
Combinacin de variables aleatorias exponenciales
- Si una variable aleatoria exponencial no puede describir los intervalos de
tiempo con suficiente detalle, se puede usar una combinacin de dos o
ms variables aleatorias exponenciales.
- Conny Palm introdujo dos clases de distribuciones: steep (con pendiente)
y flat (planas).
- Distribuciones con pendiente: Corresponden a un conjunto de
intervalos de tiempo, exponencialmente distribuidos e independientes en
serie.
- Distribuciones planas: Corresponden a un conjunto de intervalos de
tiempo, exponencialmente distribuidos e independientes en paralelo.
- Adems, mediante la combinacin de distribuciones planas y con
pendiente, se puede obtener arbitrariamente una buena aproximacin
para cualquier distribucin.
- Distribuciones con pendiente:
Distribuciones con pendiente (Steep)
Diagrama de fase:


- Se obtienen combinando distribuciones exponenciales en serie.
- Se conocen como distribuciones hipo-exponenciales o distribuciones
Erlang generalizadas.
- Tienen un factor de forma .
- Si toda las distribuciones son idnticas (

), se obtiene una
Distribucin Erlang-k.

- Se les llama distribuciones con pendiente porque van de cero a uno, ms
rpido que una distribucin exponencial.
Distribucin de Erlang-k
- La distribucin de Erlang-k tiene las siguientes expresiones para la funcin
densidad de probabilidad (F.D.P.) y la distribucin acumulada,
respectivamente:
- La caracterizan los siguientes momentos:

()
()

()

, , , , ,
()
()

()

()

()

- La caracterizan los siguientes elementos:

,
- Y el i-simo momento no central es:

()
()
(

.

Distribucin de Erlang-k para diferentes valores de (con ). Para se
comporta como una distribucin exponencial.


Aplicaciones de Erlang-k
- La distribucin de Erlang-k describe el tiempo (o longitud) hasta que
suceden ocurrencias en un proceso de Poisson con media .


Ejemplos:
- Si tenemos tiempos con distribucin exponencial entre llegadas de
llamadas a una central telefnica. La distribucin Erlang-k medira el
tiempo necesario para que lleguen llamadas.
- Si tenemos longitudes de paquetes que llegan a una cola con una
distribucin exponencial, la distribucin Erlang-k medira el tiempo
necesario para atender paquetes (suponiendo un tiempo de atencin
constante en bits/seg).

Distribuciones Planas
- La distribucin plana general es una suma ponderada de distribuciones
exponenciales y tiene la Distribucin acumulada:

() (

(), , ,

- La funcin de peso, (), podra ser continua o discreta.
- La distribucin plana se obtiene al combinar distribuciones en paralelo
y elegir una rama con una probabilidad

.
- Cuando () es discreta, el resultado es una distribucin hiper-
exponencial.

Distribucin Hiper-exponencial
- Supngase que las tasas de las distribuciones exponenciales son
respectivamente:

, ,

,
- Y que W tiene los incrementos positivos:

, ,

,
- Donde,

.
- Para otros valores () es constante. La distribucin acumulada ser:
()

, .

- La media y el factor de forma sern:

,
{

} {

2.
- Si todas las

son iguales, se tendr una distribucin

exponencial.
- Las distribuciones planas se llaman as porque la variacin de cero a uno
es ms lenta que la distribucin exponencial.
- En la prctica, es difcil estimar ms de uno o dos parmetros.
- El caso ms importante es para (

) . Por tanto,

()

( )

Aplicacin de la distribucin Hiper-exponencial

La grfica muestra mediciones de los tiempos de servicio en lneas de una central
telefnica local, durante la hora pico.


Distribuciones de Cox

- Se obtienen combinando distribuciones con pendiente y planas.
- Es una clase de distribuciones general, que puede ser descrita mediante
combinaciones de distribuciones exponenciales en serie y en paralelo.
- Se estudiar en este trabajo, un caso especial conocido como Erlang
con ramificaciones (Branching Erlang).
Distribuciones Erlang con ramificaciones



- La media es,

) {

- Donde

.
- El trmino

) corresponde a la probabilidad de ramificarse, y es la

probabilidad de saltar afuera, despus de dejar la fase .
- La media es,

.
- El segundo momento es,

{(

- La varianza ser,

Propiedades de la Distribucin de Cox
- La suma de dos variables aleatorias de Cox dan como resultado otra
distribucin de Cox.
- La funcin densidad de probabilidad de una Distribucin de Cox se
puede escribir como una sumatoria de variables aleatorias
exponenciales:
()

,
- Donde

Principios de descomposicin
- Los diagramas de fase son una herramienta til para analizar las
distribuciones de Cox a partir de las propiedades de la distribucin
exponencial.
Teorema 1:
- Una distribucin exponencial con intensidad puede ser descompuesta
en una distribucin de Cox de dos fases, donde la primera fase tiene una
intensidad y la segunda fase tiene la intensidad original .

Teorema 2:
- Las fases en cualquier distribucin de Cox pueden ser ordenadas como

.
Cox como base de otras distribuciones
- En consecuencia, una distribucin hiper-exponencial con fases es
equivalente a una distribucin de Cox con el mismo nmero de fase
(

)
- Caso para :

- Una distribucin exponencial es equivalente a una distribucin de Cox
homognea (la misma intensidad en todas las fases) con intensidad en
todas la fases) con intensidad y un nmero de fases infinito. Las
probabilidades de ramificacin son constantes.


- Por tanto, una distribucin exponencial se puede ver como una
distribucin compuesta de distribuciones Erlang-k homogneas con tasas
, donde los factores de peso siguen una distribucin geomtrica
(cociente ).
- Una distribucin exponencial tambin puede verse como la distribucin
de fases de la figura. Esto se cumple cuando,

- Y el nmero de fases es finito e igual a .


Importancia de la distribucin de Cox
- Ha atrado la atencin durante aos recientes.
- Es de gran importancia porque posee las siguientes propiedades:
- La distribucin de Cox puede ser analizada usando el mtodo de fases.
- Cualquier distribucin puede ser aproximada de una forma bastante
buena usando una distribucin de Cox.
- Si una propiedad es vlida para una distribucin de Cox, entonces es
vlida para cualquier distribucin de inters prctico.
- En la prctica:
- En general, si suponemos que hay parmetros en un problema
estadstico no resuelto, normalmente, podemos elegir una distribucin de
Cox especial (por ejemplo Erlang-k o hiper-exponencial) y aproximar el
primer momento.
Notacin para las principales distribuciones
Exponencial distribution (Markov),

Erlang-k distribution,

Hyper-exponential distribution of order n,

Constant (Deterministic),
Cox distribution,
General = arbitrary distribuition.

Otras distribuciones de tiempo
- Distribucin gamma:
- Se obtiene al suponer que el parmetro de una distribucin Erlang-k
toma valores reales no negativos:
()

()
()

, ,

,
- Distribucin Weibull:
- Esta distribucin tiene una intensidad de muerte (tasa de servicio),,
dependiente del tiempo.
- Tiene su origen en la teora de la confiabilidad.
- Para , se obtiene la distribucin exponencial.
()
()

, , , ,
()
()
()

()

()

()

()

- Distribucin de Pareto:
() (

)
(

- Note que la varianza no existe para

.
- Si se hace

, se convierte en una distribucin exponencial.

- Si la intensidad de un proceso de Poisson tiene una distribucin Gamma,
entonces los tiempos entre llegadas tienen una distribucin de Paretto.
Distribuciones de cola pesada
- En sistemas telefnicos rara vez se tienen mediciones con factores de
forma mayores que 6.
- En trfico de datos, se obtienen mediciones con factores de forma
mayores que 100.
- Esto indica que la variacin de las mediciones es muy alta. Este es el caso
de las transmisiones de datos, donde podemos enviar unos pocos
caracteres o una gran cantidad de datos.
- Para describir estos datos, se utilizan distribuciones de cola pesada
(heavy-tailed).
- Una distribucin se considera de cola pesada si la cola de la funcin de
distribucin se comporta como una ley de potencias, es decir,
()

- La distribucin de Pareto es de cola pesada en sentido estricto.
- Adems, se consideran distribuciones de cola pesada, aquellas cuya
cola es ms pesada que la de la distribucin exponencial.

- Ejemplos:

- Hiper-exponencial
- Weibull
- Lognormal

- Recientemente, medidas ms extensas han permitido modelar el trfico
de datos mediante modelos auto-similares.

Distribuciones Discretas
Proceso de Bernoulli
- El experimento consiste de ensayos, que se repiten.
- Cada ensayo produce un resultado que se puede clasificar como xito o
fracaso (xito y fracaso son slo etiquetas, no tienen significado de que
algo est bien o mal).
- La probabilidad de un xito se denota como y permanece constante
de un ensayo a otro.
- Los ensayos que se repiten son independientes.

Variable aleatoria binomial
- El nmero de xitos de experimentos de Bernoulli se denomina variable
aleatoria binomial.
- La distribucin de probabilidad de esta variable aleatoria discreta se
llama distribucin binomial.
- Distribucin binomial: ( ). Depende del nmero de ensayos y de la
probabilidad de xito en un ensayo dado.

Distribucin binomial
- Un experimento de Bernoulli puede tener como resultado un xito con
probabilidad y un fracaso con probabilidad . Entonces, la
distribucin de probabilidad de la variable aleatoria binomial , que es el
nmero de xitos en ensayos independientes es,

( ) () (

,
Ejemplo
- Las posibilidades de que un bit, transmitido a travs de un canal de
transmisin digital se reciba con error, es de 0.1. Suponga adems que los
ensayos de transmisin son independientes. Sea el nmero de bits con
error en los siguientes 4 bits transmitidos. Determine la probabilidad de
que lleguen dos bits con error.
- Solucin:



( ) () (

,
() (

) ( )

( )

Media y Varianza
- La media y la varianza de la distribucin binomial ( ) son:

- Ejemplo:
- Para el ejemplo de la transmisin de 4 bits con , se tiene:

() ( )

() ( ) ( )
Distribucin Geomtrica
- En una serie de ensayos de Bernoulli independientes, con probabilidad
constante de un xito, sea que la variable aleatoria denote el
nmero de ensayos hasta el primer xito. Entonces tiene una
distribucin geomtrica con parmetro y,
() ( )

Ejemplo:
- La probabilidad de que un bit transmitido a travs de un canal de transmisin
digital se reciba con error es de 0.1. Suponga que las transmisiones son eventos
independientes y sea que la variable aleatoria denote el nmero de bits
transmitidos hasta el primer error. Calcule la probabilidad de que se transmitan 4
bits correctamente y el quinto bit est errado.
Geomtrica
- Solucin:



( ) ( )

( )
Media y varianza de una variable aleatoria con distribucin geomtrica:
- Si es una variable aleatoria geomtrica con parmetro , entonces
la media y la varianza de son:
()

( )

Ejemplo:
- En el ejemplo de la transmisin de bits con probabilidad 0.1 de que
llegue un bit errado, calcule el nmero promedio de bits transmitidos
incluyendo el primer bit errado. Calcule la desviacin estndar de esta
misma variable

- Solucin:

()

[
( )

]

(

)


Distribucin binomial negativa
- En una serie de ensayos de Bernoulli independientes, con probabilidad
constante de xito, sea que la variable aleatoria denote el nmero
de ensayos hasta que ocurran xitos.
Entonces tiene una distribucin binomial negativa,.donde:
- Para , , ,
() (


) ( )

Aclaraciones
- Debido a que se necesitan al menos ensayos para obtener xitos,
el rango de es de a infinito.
- Si , una variable aleatoria binomial negativa se convierte en una
variable aleatoria geomtrica.

Ejemplo:
- Suponga que la probabilidad de que un bit transmitido a travs de un
canal de transmisin digital se reciba con error, es 0.1. Suponga que las
transmisiones son eventos independientes, y sea que la variable aleatoria
denote el nmero de bits transmitidos hasta que se transmite el cuarto
bit errado. Calcule la probabilidad de que el dcimo bit sea el cuarto bit
errado.

- Solucin:
xitos
ensayos
() (


) ( )

( )

() (

) ( )

( )

) ( )

( )

( )

Media y varianza
- Si es una variable aleatoria binomial negativa con parmetros y ,
entonces la media y la varianza de son:
()

( )

Relacin entre las distribuciones geomtrica y binomial negativa
- Se dice que una variable aleatoria geomtrica no tiene memoria.
- La propiedad de falta de memoria significa que cada vez que se
obtiene un xito se re-inicia el conteo de los resultados de los ensayos
hasta el siguiente xito.
- Sea

, el nmero de ensayos hasta el primer xito,

el nmero de
ensayos hasta el segundo xito, etc., entonces, para obtener xitos

.

Probabilidad de que ocurran 3 errores
en los nueve primeros ensayos
(Distribucin binomial)
Probabilidad del cuarto bit
errado

Variable aleatoria binomial como suma de variables aleatorias
geomtricas


Aplicacin de las distribuciones binomial negativa y geomtrica
- Si la probabilidad de tener que hacer un gran nmero de intentos
antes de obtener un xito (distribucin Geomtrica) o xitos
(distribucin Binomial negativa) es alta, esto podra significar que se
emplearan muchos esfuerzos en lograr el objetivo (lo que podra
significar altos costos en un proyecto).


3. Cmo se hara una equivalencia entre impulsos y erlangs, y entre minutos
tasados y erlangs? Justifique la respuesta.

Casos


4. Cmo se realiza el dimensionamiento completo de un Call Center? Dar un
ejemplo. Explique cmo se maneja el tema de Grado de Servicio.

Casos