Página 1 de 18

UNIVERSIDAD TÉCNICA DE AMBATO

FACULTAD DE INGENIERÍA CIVIL Y MECÁNICA
CARRERA DE INGENIERÍA CIVIL

INGENIERÍA DE VÍAS Y TRANSPORTE

Ing. Mg. Milton Rodrigo Aldás Sánchez. PhD.
TEMA:

TOMOGRAFÍA DE RED

INTEGRANTES:

Chicaiza Bryan 12
Freire William 15
López José Luis 17
Quinapanta Christian 26
Toapanta Fabricio 30
SEMESTRE:

Noveno “B”

FECHA DE ENVÍO: Viernes 12 de Junio del 2020

FECHA DE ENTREGA: Jueves 18 de Junio del 2020

PERIODO ACADÉMICO:
Abril – Septiembre 2020

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 2 de 18

TOMOGRAFÍA DE RED: ESTIMACIÓN DE INTENSIDADES DE TRÁFICO

DE ORIGEN-DESTINO A PARTIR DE DATOS DE ENLACE
1. INTRODUCCIÓN
El problema de estimar la intensidad de tráfico de nodo a nodo a partir de mediciones
repetidas de tráfico en los enlaces de una red es formulado y discutido bajo supuestos de
Poisson y dos tipos de regímenes de enrutamiento de tráfico: determinista (una ruta
conocida fija entre cada par dirigido de nodos) y Markovian (una ruta aleatoria entre cada
par dirigido de nodos, determinado de acuerdo con a una cadena de Markov conocida
fijada para ese par). Se discute la estimación de máxima verosimilitud y aproximaciones
relacionadas, y se señalan dificultades computacionales. Se presenta una metodología
detallada para las estimaciones basadas en el método de los momentos.

Las estimaciones se derivan algorítmicamente, aprovechando el hecho de que las

ecuaciones de primer y segundo momento dan lugar a un problema lineal inverso con
restricciones de positividad que puede ser abordado por un algoritmo EM, lo que resulta
en un método particularmente simple solución a un problema difícil. Se realiza un pequeño
estudio de simulación.

Consideramos el problema de estimar la intensidad del tráfico entre todos los pares de
origen-destino (dirigidos) (pares SD hasta ahora) de nodos de una red a partir de
mediciones repetidas del flujo de tráfico a lo largo de los enlaces dirigidos de la red.

En redes de enrutamiento aleatorio, la ruta dirigida tomada por un mensaje que viaja desde
el nodo de origen 𝑗1 al destino nodo 𝑗2 , se determina de acuerdo con un Markov conocido
fijo cadena específica para el par SD (𝑗1, 𝑗2 ). Tenga en cuenta que es un modelo lineal pero
no típico ni un modelo de efectos aleatorios, debido a la estructura 1-0 de la matriz A, las
restricciones de no negatividad en los parámetros de Poisson, donde:

𝑌 (𝑘) = 𝐴𝑋 (𝑘) 𝑘 = 1, … , 𝐾. (1)

El método de los momentos está basado en LININPOS y así se puede resolver utilizando
el algoritmo EM/ML simple para producir una estimación del método de momentos. Este
método propuesto se ponderado ecuaciones de momento que se montan a la estimación

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 3 de 18

basada en el primer momento (que no depende de los supuestos de Poisson) regulizador

por el segundo momento (que dependen en el supuesto de Poisson) Derivaremos
estimaciones del método de momento para redes con Markovian enrutamiento.
2. IDENTIFIABILIDAD
Es simple de ver la identifiabilidad de la matriz A ya que cumple con cualquier
enrutamiento de la vida real. Si la columna de la Matriz A son todos distintos, y cada
columna tiene al menos una entrada distinta de cero entonces la matriz es identificable. Si
una columna de la matriz A significa que un par SD no está conectada a una ruta., del
mismo modo, una fila cero significa que el enlace correspondiente no es parte de la red.
3. DESARROLLO
RUTA FIJA
Se basa sobre la probabilidad máxima estimador (MLE) y un proceso iterativo, es basado
en el algoritmo EM. Este método es más manejable computacionalmente. Ya que la
fórmula de iteraciones es muy difícil de calcular. Dado que el método detallado a
continuación que es por momentos, al igual es relativamente eficiente.
3.1 Desarrollo de máxima verosimilitud
Se demostrara mediante un ejemplo y se notara la dificultad del problema debido a las
soluciones límites.
Donde (r = 2, c = 3, K = 1). Poisson (𝜆𝑖 ), 𝑖 = 1,2,3 independientemente, y tenemos:
𝑋1 + 𝑋2 = 1 𝑦 𝑋1 + 𝑋3 = 2 (2)
El objetivo es derivar la estimación ML de A.
1 1 0 1
𝐴=( ) y 𝑌= ( ) (3)
1 0 1 2
La única solución de es A = (0, 1, 2). Pero el único MLE es 𝜆 = (1,0,1). Para verificar
esto, primero derivamos la probabilidad de datos: donde se tiene dos posibles soluciones
naturales para X:
𝑋 = (1, 0, 1) 𝑦 𝑋 = (0, 1, 2) (4)
Entonces la probabilidad de los datos es:
𝐿(𝜆) ≡ 𝑃𝜆 {𝑌 = (1,2)}
𝐿(𝜆) = 𝑃𝜆 {𝑋 = (1, 0, 1)} + 𝑃𝜆 {𝑋 = (0, 1,2)}

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 4 de 18

𝜆2 𝜆23
= (𝜆1 𝜆3 + ) exp(−𝜆1 − 𝜆2 − 𝜆3 ) (5)
2
Luego,
𝜆(𝐴) = log 𝐿(𝜆)
Obtenemos las ecuaciones de probabilidad,
(𝑎) (2𝜆1 𝜆3 + 𝜆2 𝜆23 )−1 2𝜆3 = 1,
(𝑏) (2𝜆1 𝜆3 + 𝜆2 𝜆23 )−1 𝜆23 = 1,
(𝑐 ) (2𝜆1 𝜆3 + 𝜆2 𝜆23 )−1 2(𝜆1 + 𝜆2 𝜆3 = 1, (6)
De la ecuación a y b se tiene,
𝜆3 = 2
Sustituimos en las ecuaciones anteriores,
𝜆1 + 𝜆2 = 1 𝑦 𝜆1 + 2𝜆2 = 2 (7)
Donde se tiene una sola solución,
𝜆1 = 0
𝜆2 = 1
𝜆 = (0, 1, 2)
SE tiene que aplicando el método MLE se tiene;
𝜆 = (1, 0, 1)
3.2 Una derivación EM (expectativa-maximización) del MLE (estimador de máxima
verosimilitud)
Las ecuaciones de probabilidad en notación vectorial son

y, teóricamente, el algoritmo EM (Dempster, Laird y Rubin 1977) para buscar una

solución. Entonces el algoritmo EM, en notación vectorial, es

debido a la linealidad de E y la independencia entre k, se convierte en

el problema con esta fórmula de iteración es que los sumandos

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 5 de 18

son extremadamente difíciles de calcular. Para demostrar los detalles se considerará

nuestro ejemplo de "juguete", donde A e Y están dados por (3) de (4), derivamos

y entonces (9) conduce a la iteración

Las dificultades computacionales para replicar este proceso y calcular (10) para cualquier
cosa que no sea un "problema de juguete" son evidentes. Es posible expresar la matriz de
segundas derivadas de la función log-verosimilitud l como

donde el vector cociente son los vectores de las proporciones de

coordenadas. Resulta que

Entonces se puede demostrar que esta cantidad no es necesariamente para todo

por lo que l no es necesariamente cóncava. Para ver esto, aplique la ley de números
grandes a (14) para obtener

donde Y = AX. Configurando en (15), podemos aplicar la fórmula general

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 6 de 18

Llegar

donde la última ecuación se deriva de la igualdad de la media y la varianza de las variables

aleatorias de Poisson y de la independencia de la .

3.3 MLE y aproximaciones normales

Aquí se pueden considerar "naturales" dos tipos de aproximaciones normales. La primera
es una aproximación normal de cada uno de los sumandos en (9), lo que equivale a
aproximar (10) usando la teoría normal multivariada. Asumir que

y considere la distribución conjunta de (X ', Y') 'cuando Y = AX. Entonces

En particular, (10) se aproxima como Aplicar esto a (9)

da como resultado la fórmula de iteración

En el segundo enfoque normal, aproximamos la distribución de cuando K es grande

con una distribución normal:

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 7 de 18

Tratando el lado derecho de (21), como la distribución exacta de , la probabilidad

logarítmica de (módulo multiplicativo y constantes aditivas) es

Un MLE basado en esta aproximación buscaría maximizar de (22) sujeto a las

restricciones Cuando K es grande, el segundo término es el término
dominante en (22), y esto sugiere argmin como una muestra
grande razonable sustituto del MLE.

3.4 Estimación basada en momentos de muestra

3.4.1 Ecuaciones del primer y segundo momento.
Por lo tanto, podemos equiparar el primer y segundo momento de la muestra con sus
valores teóricos para obtener un sistema lineal (en A) de estimación de ecuaciones:

Estas son ecuaciones lineales r (r + 3) / 2 que se pueden escribir, en notación vectorial,

como

donde S es la matriz de covarianza extendida como un vector de longitud r(r+1)/2,

y B es una matriz con la fila de B siendo el producto en cuanto

al elemento de la fila i y la fila i' de la matriz A.
Ejercicio 3.2

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 8 de 18

3.4.2 Una mirada más cercana a las ecuaciones de momento (24).

Primero, recordamos que debido a que las son independientes y los son ceros

o 1s, las distribuciones marginales de los también son Poisson y así

3.4.3 Sobre la Relación con la Estimación de Probabilidad Máxima

Multiplicando a la izquierda la ecuación de probabilidad (8) por 𝐴, vemos que cualquier
punto estacionario de la función logarítmica de probabilidad, l, también satisface las
ecuaciones del primer momento Ȳ = 𝐴ʎ.
Específicamente, si las columnas de 𝐴 son linealmente independientes (que no es el caso
de nuestra aplicación típica donde 𝑐 > 𝑟) y ʎ ∗ resuelve las ecuaciones del primer
momento, Ȳ = 𝐴ʎ ∗ entonces ʎ ∗ resuelve (8) y por lo tanto es un punto estacionario de l.
Para probar esto, denote el lado derecho de (8) por ƞ(ʎ) y tenga en cuenta que Ȳ = 𝐴ʎ ∗
implica 𝐴ƞ(ʎ ∗) = 0, lo que implica ƞ(ʎ ∗) = 0 para 𝐴 con columnas linealmente
independientes, de modo que ʎ ∗ es una solución de (8).
Es importante señalar, sin embargo, que debido a las restricciones de no negatividad en ʎ,
el MLE puede ser un punto límite y por lo tanto no es necesariamente un punto
estacionario de l, como se muestra en el ejemplo 3.1.
3.4.4 Detalles del Método: Implementación de Matrices en forma de bloque
La forma canónica de la iteración EM para resolver el problema de Ȳ = 𝐴ʎ LININPOS
es:

Si el sistema lineal se da en forma de bloque como:

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 9 de 18

Cuando 𝐴 es 𝑟 𝑥 𝑐, Ȳ es 𝑟 𝑥 1, y 𝑆 es 𝑚 𝑥 1 (indexado como 𝑟 + 1, … , 𝑟 + 𝑚) y 𝐵 es 𝑚 𝑥 𝑐

(filas indexadas como 𝑟 + 1, … , 𝑟 + 𝑚), entonces (26) se convierte en la siguiente
iteración:

Una descomposición de bloques similar fue utilizada por primera vez Iusem and Svaiter
(1994). La ecuación (28) ahora se puede escribir como:

con "." denotando la suma sobre el subíndice que reemplaza (por ejemplo, (𝑒. 𝑔. , 𝑎𝑗 =
∑𝑖 𝑎𝑖𝑗. Aquí se define la iteración canónica (EM) para los problemas de LININPOS.

3.4.5 Un experimento de simulación

Para simular la red descrita en el ejemplo 1.1, tomamos ʎ = (ʎ₁, ʎ₂, … , ʎ₁₂) =
(1,2, … ,12) ser la velocidad de transmisión "diaria" entre los 12 pares y los datos diarios
generados en los siete enlaces durante 100 días 𝑌1 (= 𝑌₁1 , … , 𝑌₇1 )′ , … , 𝑌¹⁰⁰. A
continuación, calculamos los medios de muestra, Ȳ, y covarianzas, 𝑆, y aplicamos el
algoritmo (29). Éste lleva a una estimación ʎ = (ʎ₁, ʎ₂, … , ʎ₁₂). Repetimos todo este
proceso 50 veces para producir 50 estimaciones de este tipo, ʎ1 , … , ʎ50 .
La matriz media de vectores y covarianzas basada en estas 50 estimaciones fue de

ʎ = (1.01, 2.37, 2.68, 4.72, 5.06, 5.79, 6.84, 7.92, 9.25, 9.87, 11.33, 12.14) y

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 10 de 18

Los resultados de la simulación sugieren que el método conduce a una estimación

imparcial de 𝐴 y que la varianza del ʎ𝑗 estimado aumenta monolíticamente con ʎ𝑗.
3.4.6 Sobre la incoherencia algebraica y las malas ecuaciones
Incoherencia algebraica de (24) del tipo descrito en conexión con la ecuación (25) no es
un problema real. De hecho, esta incoherencia a menudo implica que la solución ML/EM
del problema LININPOS (24) tiene una solución única. Intuitivamente, el punto es que
ambas ecuaciones Ȳ𝑖 = 𝐸𝑌𝑖 𝑎𝑛𝑑 𝑆𝑖𝑖 = 𝐸𝑌𝑖, son creíbles y válidas como ecuaciones de
momento bajo el modelo de Poisson, por lo que dejamos que “geometría de las distancias
Kullback-Leibler” determine el mejor compromiso entre todas estas ecuaciones
inconscientes. Pero la situación es diferente cuando tenemos ecuaciones no factibles.
4. REGULARIZACIÓN PONDERADA MOMENTO - ECUACIONES
Las ecuaciones del primer momento Ȳ = 𝐴ʎ siguen la linealidad del sistema (1) y es
independiente de la suposición de Poisson. Las ecuaciones del segundo momento
dependen en gran medida del modelo de Poisson y así sucesivamente aplicaciones donde
este modelo solo es una aplicación bruta, uno puede querer dar estas ecuaciones ocho más
pequeñas en relación con las ecuaciones del primer momento. Esto se logra reemplazando
S y B en (27) con ɛS y ɛB para 0 < ɛ < 1.
Esto a su vez cambia (29) en:

5. RANDOM (MARKOVIAN) ROUTING

Aquí consideramos el mismo problema bajo los mismos supuestos de modelo que en las
secciones 1-4, excepto que la suposición de ruteo fijo es reemplazada por el ruteo
markoviano. Para la especificidad y facilidad de descripción, utilizamos el término de
dirección SD (y a veces solo dirección) para significar las direcciones combinadas del

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 11 de 18

remitente y del receptor, de modo que se dice que un paquete que viaja desde la fuente 𝑗₁
hasta el destino j₂ tiene una dirección SD 𝑗(= (𝑗₁, 𝑗₂)).
Ejemplo 5.1
CONSIDERE UNA RED DE 4 NODOS (Y POR LO TANTO 12 DIRECCIONES
SD) Y 9 POSIBLES ENLACES DADOS POR LA SIGUIENTE MATRIZ DE ING
A (LAS ENTRADEAS EN BLANCO SON IGUALES A CERO)

5.1.1. Reducción de la red de variables

En general la reducción de variables de Poisson es una referencia a la siguiente propiedad
general: si 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(ʎ) y [𝑌1 , … , 𝑌𝑘ӏ𝑋]~ 𝑚𝑢𝑙𝑡𝑖𝑛𝑜𝑚𝑖𝑛𝑎𝑙 (𝑋; п1 , … , п𝑘 ). Entonces
𝑌1 , … , 𝑌𝑘 son mutuamente independientes y 𝑌𝑖~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 (ʎп𝑖 )𝑖 = 1, … , 𝑘
El índice k aquí no debe confundirse con el índice (k) para el período de medición de las
secciones anteriores, ya que los momentos de derivación de esta sección requiere la
consideración de un solo período de vibración.
Se desprende de la propiedad de reducción que:

Dónde:
𝑃𝑖 = Probabilidad de que un paquete con dirección j
Además debido a la independencia de las 𝑋𝑗′𝑠, las 𝑌𝑖′𝑠 son independientes a través de j
para fijos i, y entonces:

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 12 de 18

A continuación expresamos, 𝑃𝑖 en términos de la matriz de enrutamiento 𝐴. Definimos

una cadena de enlaces como un camino y decimos que un camino es posible si tiene una
posibilidad positiva. Específicamente un camino (𝑖 1 , … , 𝑖𝑘 ) es posible para la dirección
SD si:

La red de 4 nodos del ejemplo 5.1 con su esquema de ruteo de Markovian da lugar a 12 redes markov
correspondientes a las 12 direcciones SD, como 𝑠 muestra aquí

Es posible viajar en secuencia a través de 𝑖 1 , 𝑖 2 , … 𝑖𝑘 bajo las probabilidades de red para

la dirección 𝑗. Por lo tanto:

Ejemplo 5.1 (Continúa). Obtenemos lo siguiente 𝑃𝑖 ′ 𝑠 𝑖 = 1, … ,9 𝑎𝑛𝑑 𝑗 = 1, … ,12

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 13 de 18

Por ejemplo:

5.1.2 Cálculo del primer y segundo momento de y

Método relativamente simple para derivar P de A, usando técnicas de cadenas de Markov.

Donde var Y = (varY 1, ..., varY r)’, y P se da en (34). Para construir ecuaciones
adicionales de segundo momento correspondientes a cov (Yi, Yi’), necesitamos lo
siguiente. Dejar

= el número de paquetes con la dirección SD j que pasan a través del enlace i

y el enlace i’.

Luego, de nuevo a partir de la "propiedad adelgazante" de las variables de Poisson,

tenemos

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 14 de 18

Figura 3. Un diagrama de una red que corresponde a la dirección SD j (= j1, j2) con 14
enlaces etiquetados 1, ..., 14.

probabilidad de que un paquete con dirección SD j pasa a través del enlace i

y el enlace i '.

Ahora podemos descomponer y de la siguiente manera:

y , Donde , Es el número de paquetes con la dirección j

pasando por el enlace i pero no por i ‘,y es el número de paquetes con la
dirección j que pasa a través del enlace i’ pero no por i . Debido a la propiedad adelgazante,

,y , son estadísticamente independientes, y así obtener

(1) Se desprende de la independencia de , a través de j.

(2) se desprende de la independencia de ,y ; como explicado
anteriormente.
(3) se deduce de (36).),
Como en la derivación de (34), la regla de la cadena para las probabilidades y la naturaleza
Markoviana de la ruta conducen a

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 15 de 18

conjunto de todas las rutas completas para la dirección i, que pasan a

través del enlace i y el enlace i '.

5.1.3 Un método simple para construir p de (34)

Para la siguiente discusión, arreglamos la dirección j, y sin pérdida de generación de datos,

supongamos que los enlaces "activos" (i, e., Enlaces con probabilidades positivas) están
etiquetados como 1, ..., M. Considere una cadena de Markov con M + 1, estados, donde
los estados son los enlaces M más un enlace ficticio adicional que es un estado absorbente
etiquetado como M +1 (o "fin"), correspondiente a un estado imaginario que sigue al
último enlace de la ruta. (Todos los caminos eventualmente se absorben en este estado.)
Sea Q (j) el

También necesitaremos la matriz de probabilidad de transición de dos pasos

y la matriz de probabilidad de transición de tres pasos

Tenga en cuenta que debido a que no hay circuito (por suposición ), dicha cadena siempre
se absorbe en el estado M + 1 después de la mayoría de los pasos M, por lo que QM es

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 16 de 18

una matriz con columnas de todos los ceros, excepto la última columna, que es todo 1s.
Las probabilidades iniciales de la cadena, digamos π , también son leídas de la matriz A.
Estas probabilidades son positivas solo para enlaces conectados a la fuente (j1) de la
dirección j, y en este caso . Obtenemos.

La probabilidad de que la cadena esté en "estado i", i = 1, ..., M, después de k pasos es

entonces , y la probabilidad de que (M + 1) X (M + 1) matriz de probabilidad
de transición entre estos enlaces. Para reducir el desorden de notación, suprimimos el
superíndice j y usamos Q para Q (j). Q. se deriva directamente de la matriz A de la
siguiente manera: para dos enlaces, i = (i1, i2) e i '= (i' 1, i '2), si es posible una transición
directa de i a i', entonces que i2 = i '2, entonces establecemos qi, i’ = . Si
(es decir, i no está directamente conectado a i '), entonces qi, i' = 0. Si i2 = j2 (es decir, =
el nodo de destino), entonces el siguiente estado es necesariamente M + 1 , de modo que
qi, M + I = 1 si i2 = j2. También qM + I, M + I = 1.

5.4.1 Un método simple para construir P

La ausencia de bucles induce un orden parcial en la red. Trabajar con respecto a cada
dirección j. para cualquier par de enlaces i e i, pueden estar desconectados, en cuyo caso
están desordenados, o pueden estar conectados por un posible camino, en cuyo caso se
ordenan en relación con su distancia de JI. Decimos que i <j i ' si i e i' están conectados y
yo precede a i 'en relación con la dirección j. Si yo y yo somos inconectado, entonces P {i
' = O. Si están conectados, y suponiendo (sin pérdida de generalidad) que i <ji ', entonces
un condicional El argumento de probabilidad da la siguiente factorización

DONDE

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 17 de 18

5.4.1 Poniendo todo junto

Las expresiones

Estas dos expresiones juntas dan la media y la varianza de la. Yi

Las expresiones

Estas dos expresiones juntas dan las covarianzas de Yi

6. CONCLUSIONES
6.1 Sobre el problema formulación y metodología
El problema de estimar el tráfico de nodo a nodo en tensión de mediciones repetidas de
tráfico en los enlaces de una red se formula y discute en Poisson. Suposiciones El MLE y
las aproximaciones relacionadas son discutidas, y se señalan dificultades numéricas. Se
presenta la metodología para el método de los momentos. Por el modelo de Poisson,
estimaciones basadas en el método de momentos son consistentes y asintóticamente
normales.
6.2 Sobre el supuesto de Poisson
El problema de estimar el tráfico de nodo a nodo en tensión de mediciones repetidas de
tráfico en los enlaces de una red se formula y discute en Poisson. Suposiciones El MLE y
las aproximaciones relacionadas son discutidas, y se señalan dificultades numéricas. Se
presenta la metodología para el método de los momentos. Por el modelo de Poisson,

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020

 Página 18 de 18

estimaciones basadas en el método de momentos son consistentes y asintóticamente

normales.
6.3 Sobre aplicaciones a la planificación vial
Conocer la intensidad del tráfico de nodo a nodo es un gran descubrimiento una
herramienta de señalización para ingenieros de tráfico y urbanistas, esencial para decidir
qué nodos deben vincularse para reducir directamente la congestión de la red
Históricamente, se han utilizado entrevistas y otros tipos de encuestas para cronometrar
las intensidades de tráfico en estudios de transporte.

BIBLIOGRAFÍA:
 Aula Virtual: Ingeniería de Vías y Transporte – B – Origen Destino.

Fecha de envió: Viernes 11 de Junio del 2020

Fecha de entrega: Jueves 18 de Junio del 2020