Tema 5. Introducción al Teletráfico y a la Teoría de Colas
|
|
- María José San Segundo Agüero
- hace 7 años
- Vistas:
Transcripción
1 Redes y Servicios de Telecomunicaciones Tema 5. Introducción al Teletráfico y a la Teoría de Colas Bertsekas: 3.1, 3.2, 3.3. Iversen: 1.1, 1.2, 1.5, 1.8, (Repaso), 3.3. o Schwartz: 2.1 y 2.2 (sin modelo finito) Portal Moodle Copyright 2010, Elsevier Inc. All rights Reserved 1
2 Contenido Introducción a la Teoría de colas. El proceso de Poisson y la distribución exponencial. Llegadas aleatorias. El proceso de llegadas. Uso aleatorio de los recursos. El tiempo de servicio. Fórmula de Little. Estudio del sistema M/M/1. Propiedades de la cola M/M/1. 2
3 Introducción a la teoría de colas Define matemáticamente el comportamiento aleatorio de los sistemas de colas Sistema de colas: representación de un comportamiento aleatorio en el que usuarios quieren utilizar unos servicios servidores proveen esos servicios colas lugares donde se espera a ser servido Cola simple: M/M/1 Usuarios ( ) cola de espera 3
4 Sistema de colas: Comportamientos Es aleatorio: cuándo y cuántos usuarios llegan cuánto tiempo usan el recurso Proceso aleatorio de llegadas Tasa de llegadas: λ llegadas/seg. Es determinista El número de servidores Variable aleatoria: Tiempo de servicio la política de asignación de servicio: FIFO, LIFO, PRIORIDADES, ROUND-ROBIN, PÉRDIDAS, t s E( t s ) = t s 1 µ =, "tasa de servicio" t s Respuestas a pedir al sistema de colas: Cuál es la probabilidad de encontrar el servidor ocupado? Cuánto hay que esperar para obtener el servicio? Cuánto espacio hay que reservar para que los usuarios esperen?... 4
5 Aplicación a redes de comunicaciones Redes de conmutación de paquetes: Recurso => Enlace troncal Servicio => Utilización del enlace durante el tiempo de transmisión del paquete (l p / V tx ) Modelo => Espera λ t s = l V p tx µ =1/ t s 5
6 Aplicación a redes de comunicaciones Redes de conmutación de circuitos: Recurso => Punto de conmutación en Central de conmutación. Servicio => Utilización del punto de conmutación durante el tiempo de la llamada Modelo: RTC => Pérdidas, TIN (Red inteligente) => Espera λ λ µ µ 6
7 Sistema de colas: Parámetros Tasa de llegadas (λ) (usuarios/unidad de tiempo) Tasa de servicio (μ) (usuarios/unidad de tiempo) Tiempo medio de servicio (E(t s ) = 1/μ) (unidad de tiempo) Tamaño de la cola (Q) Pérdidas Número de usuarios en el sistema (n), en la cola (q) Disciplina: FIFO, LIFO, PRIORIDADES, ROUND-ROBIN Carga del sistema/factor de utilización/intensidad de tráfico (A= λ/μ Erlangs) n... λ Q A= λ / μ q µ =1/ t s 7
8 Dimensionamiento El problema del dimensionamiento Cuántos recursos? Cuántos Recursos?: Nº de servidores, Tasa de servicio de cada servidor, Tamaño de la cola Coste 8
9 Calidad del servicio Sistemas puros de espera: Q = QoS = Tiempo medio de espera ó Probabilidad de esperar Sistemas puros de pérdidas: Q = 0 QoS = Probabilidad de pérdidas Sistemas míxtos: Q = N (finito) Ambos parámetros de QoS Aproximación a infinito => tiempo medio de espera 9
10 Con qué tráfico?: La hora cargada Modelo de colas <=> procesos estacionarios Ejemplo de Sistema de pérdidas Qué Probabilidad de bloqueo es mejor?: a.- 5% de pérdidas constantes durante todo el día b.- 1% de pérdidas (10% en dos horas, 0% resto del día) Ref: ITU-D: Handbook, TELETRAFFIC ENGINEERING. Sección
11 La hora cargada: Definición Hora Cargada: Concepto experimental Análisis para caso peor Características constantes en el tiempo. λ = 99 cpm Días Laborables Promediado cada 15 min. Ref: ITU-D: Handbook, TELETRAFFIC ENGINEERING. Sección
12 Llegadas => Proceso aleatorio Usuarios ( ) El proceso de llegadas cola de espera servidor Características: Las llegadas son independientes entre sí. Las llegadas son equiprobables en el tiempo. => Llegadas modelables por un proceso de Poisson. Ejemplos: Autobuses llegando a una parada: NO Llamadas en una central telefónica: SI 12
13 Proceso de Poisson n llegadas poissonianas en un intervalo T (independientes y equiprobables) T = m Δt Con una observación larga (T ), y con Δt 0: la tasa de llegadas es: Prob (1 Llegada en Δt) = n/m+o(δt ) = n/(t/δt)+o(δt ) = λ Δt+O(Δt ); Prob (0 Llegada en Δt) = 1- λ Δt + O(Δt ) Concepto físico de Tasa de llegadas (λ): Δt λ limt Es una velocidad (número de llegadas / unidad de tiempo) (λ = cte) Es el factor de proporcionalidad de probabilidad de llegada en Δt t n T 13
14 La distribución de Poisson Llegadas Poissonianas Δt T = m Δt Distribución de Poisson Probabilidad de k llegadas en T: Basándose en los experimentos de Bernouilli (Distribución binomial) t p k P k m p k k m k ( ) lim T t 0 ( ) = lim T m (1 ) = p ( k λt ) λt k! e k entero >= 0 (nº llegadas); T = m Δt (periodo de observación) p = Prob (1 Llegada en Δt) = λ Δt 14
15 La distribución de Poisson: Propiedades p( k) T = ( T ) k! k λ λt e T=1 Media: E( k) = λt Varianza: σ 2 k = λt k 15
16 Llegadas en redes de telefonía y datos Redes telefónicas: Independencia -> Hipótesis (gran número de usuarios) Equiprobabilidad -> Experimental (solo con el concepto de Hora cargada ) Redes de datos: Independencia: Hipótesis (gran número de fuentes en Troncales) Equiprobabilidad -> Experimental Existen modelos más precisos: Población finita, tráfico auto-semejante... -> Este modelo es una Primera aproximación 16
17 Combinación de procesos de Poisson λ 1 Teorema: Un número finito de procesos de Poisson Independientes Seleccionados aleatoriamente Se comporta como un proceso de Poisson de tasa la suma de las tasas de los individuales. λ 2 Equivale a λ = λ 1 + λ λ N λ N Demostración: La probabilidad del conjunto es el producto de las probabilidades (independencia). Despreciando términos de orden superior se obtiene la suma de las tasas. 17
18 Llegadas Poisson k ( T ) P( k) = e T k! λ λt Distribución exponencial En un proceso aleatorio de Poisson. La variable aleatoria: (tiempo entre llegadas) está distribuida exponencialmente Demostración: "τ" Tiempo entre llegadas λx p( τ > x) = p( k = 0) = e ; > F τ f τ τ λx ( x) = λe ; x > x T = x λx ( x) = p( τ x) = 1 e ; x > t 18
19 Distribución exponencial. Propiedades f ( x) = e x τ λ λ Media: E( τ ) = Varianza: 1 λ 2 1 σ τ = λ 2 19
20 Propiedad sin memoria de la distribución exponencial Dado un comportamiento Poisson / Exponencial de distribución conocida: (x) F τ Y dado un tiempo t en el que no se ha producido la llegada. Sea * τ = τ t el"tiempo restante"( τ > t) tiempo que falta para la siguiente llegada Se demuestra que: F * ( x) F ( x) τ = La distribución Exponencial NO TIENE MEMORIA τ 20
21 Servicio en redes telefónicas En redes telefónicas el tiempo de servicio se puede representar como una variable aleatoria distribuida exponencialmente Justificación: Experimental Puntos singulares en: 0 (tasa cero), 10'' (llamadas fallidas) λ µ µ x ft s ( x) = µ e Duración de la conversación 21
22 Servicio en redes de datos Distribución de longitudes de paquete en Internet Fuente: The Cooperative Association for Internet Data Analysis ( Analysis- >Resources) Tiempo de servicio constante (justificación Experimental) λ Modelo exponencial como modelo de caso peor. µ x ft s ( x) = µ e l p t s = µ V tx 22
23 Distribución de los instantes de salida Usuarios ( ) cola de espera Salidas? Llegadas Poisson servidor t Salidas tiempo de servicio tiempo de servicio + cola Caso 1.- Servidor siempre ocupado, tiempo entre salidas = tiempo de servicio (exponencial) => Salidas Poisson Caso 2.- Servidor no siempre ocupado, se separan dos estados: Ocupado => p (1 en t) = μ t No ocupado => p (1 en t) = 0 => Salidas Poisson (si no hay pérdidas) 23
24 Fórmula de Little Nº de llegadas α(t) Nº de salidas β(t) N(t) α(t) N(t) β(t) T 3 T 2 T 1 t α(t) y β(t) Procesos de llegadas y salidas al sistema. N(t) = α(t) β(t) Proceso del número de clientes en el sistema. T i Tiempo de estancia del cliente i-simo en el sistema. En Bertsekas se encuentra la demostración 24
25 Fórmula de Little. Válida para cualquier sistema de colas (cola, redes de colas,...) en: estado estacionario y sin pérdidas γ Sistema Estacionario Sin pérdidas E(n) E(T) γ E(n) <=> E(T) n : número de usuarios en el sistema E( n) = γ E( T ) Fórmula de Little (Si hay pérdidas recursos finitos -- sólo se deben tener en cuenta los clientes que consiguen entrar en el sistema). 25
26 Notación de Kendall Un sistema de colas se representa con la notación: A/B/X/Y/... A.- Distribución de llegadas. B.- Distribución del servicio. Valores Posibles de A y B: M: Poisson/Exponencial, D: Determinista, G: General X.- Número de servidores Y.- Capacidad del sistema: Colas + servidores Ejemplos: M/M/1, M/M/N/N, M/M/1/N, M/D/1, G/G/1 26
27 Análisis de la cola M/M/1. λ n p n E(n), E(T) cola servidor μ q p q E(q), E(W) El comportamiento es derivable del cálculo de p n (probabilidades de estado) El cálculo se realiza en régimen estacionario. Procedimiento de análisis por ecuaciones diferenciales: Calcular la ecuación diferencial: p n (t+ t) en función de p n (t) En estado estacionario se cumple: dp n (t)/dt = 0 Imponer condiciones de contorno para obtener p 0 27
28 Análisis por equilibrios de flujo λ λ λ λ λ λ λ λ Estados n-1 n n+1 μ μ μ μ μ μ μ μ Flujos de entrada = flujos de salida (en estado estacionario) λ p = μ p n n+1 λ p + μ p = (λ+μ) p n-1 n+1 n 28
29 Análisis de M/M/1 (cont). λ cola n p n servidor μ p µ p λ = p ( λ + n+ 1 + n 1 n µ p 1µ = p0λ ) p n λ p µ 1 = ρ pn 1 para n > = n 0 = n p 0 n p n n = ρ p para n = 1 0 > 0 (condición necesaria) n= 0 p n = n ρ n= 0 p 0 = 1 SOLO SI ρ < 1 p0 = (1 ρ) p = ρ n n ( 1 ρ) ρ < 1 n 0 29
30 Factor de utilización Para M/M/1 Prob. de servidor ocupado factor de utilización Físicamente: si λ => ρ si μ => ρ Si ρ 1 => Sistema no estacionario. Demostración: Probabilidad de servidor ocupado 1- p 0, 1- p 0 = 1 - (1- ρ) = ρ 30
31 Equilibrio de caudales en M/M/1 Como NO hay pérdidas, en régimen estacionario: Caudal de entrada = Caudal de Salida λ 0 p 0 + μ (1-p 0 ) Comprobación: Caudal de salida = 0 p 0 + μ (1-p 0 ), p 0 = (1- ρ) => 0 p 0 + μ (1 - (1-ρ)) = λ = Caudal de entrada μ Servidor desocupado => 0 Servidor ocupado => μ 31
32 Número medio de usuarios E(n) Por definición: E( n) = np n n=0 Para M/M/1: E( n) = n nρ (1 ρ) = n= 0 1 Conclusión: El número medio de usuarios en la cola, y por tanto el retardo, tiende a infinito cuando ρ tiende a 1. Por lo tanto, los sistemas poissonianos de capacidad infinita no pueden cargarse a sus capacidades máximas. ρ ρ Eficiencia (ρ) Calidad Estabilidad solo en la zona de trabajo 32
33 Aplicación de Little: Tiempo de espera para M/M/1 γ = λ cola servidor μ q p q E(q), E(W) n p n E(n), E(T) E( T ) = E( n) γ = E( n) λ E( T ) = 1/ µ = 1 ρ 1 µ λ 33
34 Normalización de E(T) en M/M/1 cola servidor E( T ) t s = E( T ) 1 = µ E( T ) = 1/ µ 1 ρ γ = λ μ q p q E(q), E(W) n p n E(n), E(T) 34
35 Tiempo de espera en cola en M/M/1 λ cola servidor μ q p q E(q), E(W) n p n E(n), E(T) Tiempo medio de espera en cola: E(w) Se obtendría del tiempo de espera en el sistema: E(T) = E(w) + 1/μ Y, aplicando la fórmula de Little sólo a la cola, se obtendría el número medio de usuarios en la cola: E(q) = λ E(w) 35
36 Resumen Se ha visto: Una introducción a la teoría de colas. Su aplicabilidad a las redes de comunicaciones. Los modelos matemáticos que describen el comportamiento de los usuarios pidiendo y usando recursos de comunicaciones. El concepto de hora cargada. La relación entre la ocupación media de un sistema y el tiempo medio de permanencia en el mismo (fórmula de Little). El análisis del sistema de colas más simple y su modelado por las probabilidades de estado. Propiedades del comportamiento de la cola M/M/1. 36
Teoría de colas I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Teoría de colas I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Teoría de colas Ejemplo: un centro de atención telefónica (call center) Tasa de llegada y
Más detallesUNIVERSIDAD SIMON BOLIVAR LINEAS DE ESPERA USB PS4161 GESTION DE LA PRODUCCION I LINEAS DE ESPERA
UNIVERSIDAD SIMON BOLIVAR LINEAS DE ESPERA 1 Contenido Características de un sistema de líneas de espera Características de las llegadas Características de la línea de espera Características del dispositivo
Más detallesS = N λ = 5 5 = 1 hora.
Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesTRÁFICO DE TELEFONÍA MÓVIL: CARACTERIZACIÓN E IMPLICACIONES DEL TIEMPO DE OCUPACIÓN DEL CANAL
ESCOLA TÈCNICA SUPERIOR D ENGINYERIA DE TELECOMUNICACIÓ DE BARCELONA TRÁFICO DE TELEFONÍA MÓVIL: CARACTERIZACIÓN E IMPLICACIONES DEL TIEMPO DE OCUPACIÓN DEL CANAL Autor: Francisco Barceló Arroyo Director:
Más detallesConmutación de circuitos Tráfico
Conmutación de circuitos Tráfico Area de Ingeniería Telemática http://www.tlm.unavarra.es Arquitectura de Redes, Sistemas y Servicios Grado en Ingeniería en Tecnologías de Telecomunicación, 2º Temario
Más detallesProceso de llegadas de Poisson
Gestión y Planificación de Redes y Servicios Proceso de llegadas de Poisson Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Proceso de
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesde Erlang-B Jhon Jairo Padilla A., PhD.
Sistemas de Pérdidas das y la Fórmula de Erlang-B Jhon Jairo Padilla A., PhD. Introducción Ahora se considerará la teoría de teletráfico clásica desarrollada por Erlang (Dinamarca), Engset (Noruega) y
Más detallesESTRUCTURA DE LINEAS DE ESPERA
ESTRUCTURA DE LINEAS DE ESPERA La teoría de las colas es el estudio de líneas de espera. Cuatro características de un sistema de la formación de colas o líneas de espera son: la manera en que los clientes
Más detalles1.- INTRODUCCIÓN TEORIA DE COLAS
1.- INTRODUCCIÓN TEORIA DE COLAS 1.1.- Introducción a la teoría de colas Tal y como se ha comentado anteriormente, los sistemas de colas son modelos de sistemas que proporcionan un servicio. Como modelo,
Más detallesModelos de colas exponenciales
Tema 6 Modelos de colas exponenciales 6.1. La distribución exponencial y los procesos de Poisson 6.1.1. Distribución exponencial El análisis de los distintos modelos de colas está determinado en gran parte
Más detallesIntroduccion. TEMA 6: MODELOS DE FILAS DE ESPERA (Waiting Line Models) (Capítulo 12 del libro) Modelos de Decisiones
Modelos de Decisioes TEMA 6: MODELOS DE FILAS DE ESPERA (Waitig Lie Models) (Capítulo 2 del libro) Itroduccio.. Estructura de u Sistema de Filas de Espera 2. Modelo Sigle-Chael co tasa de llegadas tipo
Más detallesTRAFICO EN REDES DE VOZ. EHUMIR SALAZAR ROJAS
TRAFICO EN REDES DE VOZ EHUMIR SALAZAR ROJAS ehumir.salaza@ucp.edu.co http://ehumir.wordpress.com Qué es ingeniería de tráfico? Objetivo principal en la planeación de redes Que la cantidad de dispositivos,
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTeoría de Colas o Fenómenos de Espera
Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................
Más detallesUNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
UNIDAD 2 TRÁFICO Y SU APLICACIÓN AL DIMENSIONAMIENTO DE REDES DE TELECOMUNICACIONES 74 Lección 16: El Proceso de Poisson CAPÍTULO 4. SISTEMAS DE PÉRDIDAS El proceso de Poisson es el proceso puntual más
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesTeoría de Colas. TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas).
Teoría de Colas TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas). IO 07/08 - Teoría de Colas 1 Teoría de Colas: ejemplos
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesInvestigación operativa: aplicaciones en la optimización de costes"
Autor: Ricardo San Martín Molina - 1 - Investigación operativa: aplicaciones en la optimización de costes" Autor: Ricardo San Martín Molina Resumen: En este artículo veremos, a través de un ejemplo y su
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detalles2. Modelo de colas poissoniano con un servidor M/M/1. 3. Modelo con un servidor y capacidad finita M/M/1/K
CONTENIDOS 1. Introducción a las colas poissonianas. 2. Modelo de colas poissoniano con un servidor M/M/1 3. Modelo con un servidor y capacidad finita M/M/1/K 4. Modelo con varios servidores M/M/c. Fórmula
Más detallesTEMA N 3.- TEORÍA DE COLAS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI TEMA N 3.- TEORÍA DE COLAS Asignatura: Investigación Operativa I Docente: Ing. Jesús Alonso Campos 3.1 Introducción
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesProbabilidad. Carrera: IFM Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad Licenciatura en Informática IFM - 0429 3-2-8 2.- HISTORIA DEL PROGRAMA
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesnp {N q = n N q > 0} = (1 ρ) n=1 = (1 ρ) nρ n 1 = 1 (3.34) P {T q t T q > 0} = P {T q t T q > 0} P {T q
52 CAPÍTULO 3. SISTEMAS DE ESPERA Luego: P {N q = n N q > 0} = P n+1 2 = (1 ) n 1, n = 1, 2, (3.33) Nótesequelaprobabilidadqueexistan N probabilidadgeométricaconparámetro n 1,locualesigualaladistribuciónprobabilidad
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesDistribuciones de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
Más detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesSISTEMAS DE COLAS EXPONENCIALES
UNIVERSIDAD POLITÉCNICA DE MADRID FACULTAD DE INFORMÁTICA SISTEMAS DE COLAS EXPONENCIALES M a ISABEL RODRÍGUEZ GALIANO Madrid, Junio de 2002 Índice Introducción 2 Sistema de Colas M/M/ 3 3 Sistema de Colas
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesDerivada. 1. Pendiente de la recta tangente a una curva
Nivelación de Matemática MTHA UNLP Derivada Pendiente de la recta tangente a una curva Definiciones básicas Dada una curva que es la gráfica de una función y = f() y sea P un punto sobre la curva La pendiente
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesUNIVERSIDAD AUTÓNOMA DE ZACATECAS UNIDAD ACADÉMICA INGENIERÍA ELÉCTRICA INGENIERÍA COMPUTACIÓN
UNIVERSIDAD AUTÓNOMA DE ZACATECAS UNIDAD ACADÉMICA INGENIERÍA ELÉCTRICA INGENIERÍA COMPUTACIÓN Algoritmos de Control de Congestión José Gpe Urista Hernández Octubre de 2013 CONTENIDO Congestión y métricas
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesFORMULARIO TEORIA DE FILAS
FORMULARIO TEORIA DE FILAS Proceso geeral de acimieto y muerte. Tasas de etrada: λ 0,λ 1,..., λ 1 clietes or uidad de tiemo. Tasas de salida: µ 1,µ 2,..., µ clietes or uidad de tiemo. =1, 2,... Razó etrada/salida:
Más detallesMAT 2 MATerials MATemàtics
MAT 2 MATerials MATemàtics Volum 2009, treball no. 5, 33 pp. ISSN: 1887-1097 Publicació electrònica de divulgació del Departament de Matemàtiques Recordando a Erlang: Un breve paseo (sin esperas) por la
Más detallesDEPARTAMENTO DE INGENIERÍA INDUSTRIAL MANUAL DE INVESTIGACION DE OPERACIONES II. Autores: Barbara Rodriguez Morera Dr. C. Fernando Marrero Delgado
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL MANUAL DE INVESTIGACION DE OPERACIONES II Autores: Barbara Rodriguez Morera Dr. C. Fernando Marrero Delgado Santa Clara, 0 A: Mis padres por el apoyo que me han brindado
Más detallesComponentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD.
Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD. Recomendaciones de la ITU-T ITU- International Telecommunications Union Las recomendaciones de la ITU-T
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesModelos de Probabilidad con Statgraphics
Modelos de Probabilidad con Statgraphics 1. Objetivos Representar funciones de probabilidad/densidad y de distribución de diferentes modelos de variables aleatorias discretas/continuas Calcular probabilidades
Más detallesTÉCNICAS EXPERIMENTALES V FÍSICA CUÁNTICA
TÉCNICAS EXPERIMENTALES V FÍSICA CUÁNTICA P1 Medida de la Constante de Planck. Efecto fotoeléctrico. RNB P2 Experimento de Franck-Hertz. Niveles de energía de los átomos RNB P3 Dispersión de Rutherford
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesPROBLEMA 1 PROBLEMA 2
PROBLEMA 1 Dos compañías de taxis atienden a una comunidad. Cada empresa posee dos taxis y se sabe que ambas compañías comparten el mercado al 50%. Las llamadas que llegan a cada una de las respectivas
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesRedes de Comunicación Extensión del modelo M/M/1. Instructor Dr.-Ing. K.D. HACKBARTH Versión 11. 10. 2012 Universidad de Cantabria
Redes de Comunicación Extensión del modelo M/M/1 Instructor Dr.-Ing. K.D. HACKBARTH Versión 11. 10. 2012 Universidad de Cantabria 1 Contenido del capítulo Motivación M/G/1 El modelo M/Ek/1 El modelo M/Hk/1
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesPE - Probabilidad y Estadística
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA
Más detallesA continuación se muestra el programa resumido de la asignatura, el cual se describirá con detalle posteriormente.
Fecha de impresión: 03/07/2007 13:29:00 2007/2008 Tipo: UNI Curso: 2 Semestre: B CREDITOS Totales TA TS AT AP PA 4,5 1 1 0 0 1 PI 0 PL 1,5 PC 0 OBJETIVOS El objetivo global de la asignatura Teletráfico,
Más detalles4 Pruebas y análisis del software
4 Pruebas y análisis del software En este capítulo se presentan una serie de simulaciones donde se analiza el desempeño de ambos sistemas programados en cuanto a exactitud con otros softwares que se encuentran
Más detallesCondiciones para una distribución binomial
ESTADÍSTICA INFERENCIAL FUNCIONES DE PROBABILIDAD DISCRETAS: BINOMIAL y POISSON EJERCICIOS RESUELTOS DE FUNCIÓN DE PROBABILIDAD BINOMIAL USANDO TABLAS y EXCEL Prof.: MSc. Julio R. Vargas A. Fórmulas de
Más detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesMétodos, Algoritmos y Herramientas
Modelado y Simulación de Sistemas Dinámicos: Métodos, Algoritmos y Herramientas Ernesto Kofman Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA - Universidad Nacional de Rosario.
Más detalles2 Teoría de colas o líneas de espera
2 Teoría de colas o líneas de espera El tráfico en redes se puede modelar con la ayuda de la teoría de colas, es por ello ue es importante estudiarlas y comprenderlas. Existen varias definiciones sobre
Más detallesPROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C)
PROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C) I.E.S. Universidad Laboral de Málaga Curso 2015/2016 PROGRAMACIÓN DE LA
Más detallesEjercicios de Teoría de Colas
Ejercicios de Teoría de Colas Investigación Operativa Ingeniería Informática, UC3M Curso 08/09 1. Demuestra que en una cola M/M/1 se tiene: L = ρ Solución. L = = = = = ρ np n nρ n (1 ρ) nρ n n=1 ρ n ρ
Más detallesa) Definir un espacio muestral S apropiado para este experimento. b) Consideremos la variable aleatoria
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesUnidad Temática 3 UT3-1: Variable Aleatoria
Autoevaluación UT3 Unidad Temática 3 UT3-1: Variable Aleatoria Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una F si la rechaza.
Más detallesTEOREMA DEL LÍMITE CENTRAL
Material de clase n 2 Domingo 13 Junio TEOREMA DEL LÍMITE CENTRAL A medida que n se vuelve más grande, la distribución de las medias muestrales se aproxima a una distribución normal con una media x = µ
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesSIMULACIÓN DE PROCESOS INDUSTRIALES SOFTWARE ARENA INTRODUCCION
UNIVERSIDAD DIEGO PORTALES FACULTAD CIENCIAS DE LA INGENIERIA INGENIERIA CIVIL INDUSTRIAL SIMULACIÓN DE PROCESOS INDUSTRIALES SOFTWARE ARENA INTRODUCCION Profesor Responsable. Macarena Donoso Ayudante.
Más detalles1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales
EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 10 11 1. Los números reales 1. Desigualdades. 2. Representación 2. Propiedades. 3. Densidad de los números racionales 4. Propiedades
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesProbabilidad. Carrera: IAM
.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad Ingeniería en Industrias Alimentarias IAM-026 3-2-8 2.- HISTORIA DEL
Más detallesNombre de la asignatura: Investigación de Operaciones II. Créditos: Aportación al perfil
Nombre de la asignatura: Investigación de Operaciones II Créditos: 2-2-4 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesTema 5: Teoría de colas. Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga
Tema 5: Teoría de colas Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga Sumario Conceptos básicos Cola M M Cola M M c Cola M M k Redes de colas Redes de
Más detallesEste procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:
STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesINSTITUCIÓN EDUCATIVA RODOLFO LLINÁS RIASCOS. ÁREA: Matemáticas ASIGNATURA: Cálculo GRADO: 11 _ DOCENTE: Henry Herrera S AÑO: 2013
INSTITUCIÓN EDUCATIVA RODOLFO LLINÁS RIASCOS ÁREA: Matemáticas ASIGNATURA: Cálculo GRADO: 11 _ DOCENTE: Henry Herrera S AÑO: 2013 PERÍODO 1º CONTENIDOS MEDIATIZADORES Características y propiedades de los
Más detallesExtremos en Sucesiones
Divulgaciones Matemáticas 2(1) (1994), 5 9 Extremos en Sucesiones Extrema in Sequences José Heber Nieto Departamento de Matemática y Computación Facultad Experimental de Ciencias Universidad del Zulia.
Más detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más detalles1. OBJETO Y MOTIVACIÓN de los SISTEMAS de ESPERA. Ejemplos.
Sesión 3.a TEORIA DE COLAS INTRODUCCIÓN y PROPIEDADES BÁSICAS 1. OBJETO Y MOTIVACIÓN de los SISTEMAS de ESPERA. Ejemplos. 2. ESTRUCTURA DE LOS S.E. Características de los componentes. Proceso de llegadas
Más detallesb) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7
EJERCICIOS T12-MODELOS MULTIVARIANTES ESPECÍFICOS 1. Un determinado estadístico J se distribuye según un modelo jhi-dos de parámetro (grados de libertad) 14. Deseamos saber la probabilidad con la que dicho
Más detallesMODELO DE LINEAS DE ESPERA
MODELO DE LINEAS DE ESPERA La teoría de colas es el estudio matemático del comportamiento de líneas de espera. Esta se presenta, cuando los clientes llegan a un lugar demandando un servicio a un servidor,
Más detallesTeoría de la decisión
Teoría de la decisión Repaso de Estadística Unidad 1. Conceptos básicos. Teoría de. Espacio muestral. Funciones de distribución. Esperanza matemática. Probabilidad condicional 1 Teoría de la decisión Teoría
Más detallesDISEÑO DEL SOFTWARE TRAFFIC ANALYZER. Analyzer. En este capítulo se reporta el desarrollo que se llevó a cabo para realizar el software
3 Diseño del Software Traffic Analyzer En este capítulo se reporta el desarrollo que se llevó a cabo para realizar el software que analiza el tráfico en redes de telefonía y computadoras, denominado Traffic
Más detalles