Les matrius de trànsit consisteixen en un conjunt de dades que permeten caracteritzar una xarxa relacionant cada parella de node ingrés i node de sortida amb el volum de trànsit que hi circula. Entre d'altres coses, les matrius de trànsit ens permeten modelar la demanda de trànsit, detectar anomalies, predir el comportament d'una xarxa i configurar-la adientment. En aquest treball de fi de carrera s'analitzen mostres d'aquestes matrius de trànsit, veient algunes de les seves aplicacions i característiques (detecció d'anomalies, balanceig de càrrega, la seva evolució en el temps, etc), a més de presentar la manera com podem obtenir aquestes dades, quins són els problemes més típics en aquesta presa de mesures i com actuar quan les dades son incompletes (inferència), tot i que aquest tema no sigui l'objectiu principal. Amb l'objectiu de trobar nous, i bons, models de matrius de tràfic utilitzem les denominades wavelets de difusió, una variant relativament nova de les transformades wavelets tradicionals que ens permeten caracteritzar una xarxa i veure la "difusió" dels fluxos de tràfic sobre la mateixa. Per això hem de construir un operador de difusió fiable que ens permeti obtenir millors resultats que els que obtenim amb els models usats actualment. Presentarem alguns operadors existents i proposarem un nou operador que també té en compte la correlació temporal que hi ha en les sèries de mostres. Un cop obtingut l'operador veurem com afecta a la difusió sobre alguns exemples i analitzarem la compressibilitat i l'error subseqüent que indueixen. Els resultats dels experiments s'han obtingut amb dades d'Abilene (xarxa nord-americana) i de GÈANT (xarxa acadèmica europea), xarxes que degut a la seva magnitud treballen amb una gran quantitat de dades i sobre les quals resulta molt més interessant trobar patrons de comportament que permetin predir-los.