Teoria de Colas - Simulacion

INDICE
INDICE..................................................................................................................................................... 1
1. CADENAS DE MARKOV .................................................................................................................. 3
1.1-QU ES UN PROCESO ESTOCSTICO?..................................................................................... 3
1.2 QU ES UNA CADENA DE MARKOV?...................................................................................... 5
PROBLEMAS...................................................................................................................................... 7
1.3 PROBABILIDADES DE TRANSICIN DE n ETAPAS................................................................. 9
1.3.1 Tiempos de Parada o de primer pasaje...................................................................................... 13
PROBLEMAS.................................................................................................................................... 13
1.4 CLASIFICACIN DE ESTADOS DE UNA CADENA DE MARKOV........................................ 15
PROBLEMAS.................................................................................................................................... 18
1.5 PROBABILIDADES DE ESTADO ESTABLE Y TIEMPOS MEDIOS DE PRIMER PASAJ E .. 20
ANLISIS DE ESTADO TRANSITORIO....................................................................................... 22
TIEMPOS PROMEDIO DE PRIMER PASAJ E................................................................................ 26
PROBLEMAS.................................................................................................................................... 27
1.6 CADENAS ABSORBENTES.......................................................................................................... 29
PROBLEMAS.................................................................................................................................... 35
2.TEORA DE COLAS.......................................................................................................................... 40
2.1 TERMINOLOGA PARA LA TEORA DE COLAS...................................................................... 40
2-2 MODELADO DE LOS PROCESOS DE LLEGADA Y DE SERVICIO....................................... 42
PROBLEMAS.................................................................................................................................... 53
2.3 PROCESOS DE NACIMIENTO Y MUERTE................................................................................ 53
PROBLEMAS.................................................................................................................................... 61
2.4 SISTEMA DE COLAS M/M/1/DG// Y LA FRMULA L =W............................................. 62
PROBLEMAS.................................................................................................................................... 68
2-5 SISTEMA DE COLAS M/M/1/DG/c/. ......................................................................................... 70
PROBLEMAS.................................................................................................................................... 73
2-6 SISTEMA DE COLAS M/M/s/DG//.......................................................................................... 73
PROBLEMAS.................................................................................................................................... 79
2-7 MODELOS M/M//DG// Y GI/G//DG//........................................................................... 81
PROBLEMAS.................................................................................................................................... 82
2-8 SISTEMA DE COLAS M/G/1/DG//.......................................................................................... 83
PROBLEMAS.................................................................................................................................... 85
2-9 MODELOS DE FUENTE FINITA: EL MODELO DE REPARACIN DE MQUINA ............. 86
PROBLEMAS.................................................................................................................................... 90
2-10 COLAS EXPONENCIALES EN SERIE Y REDES ABIERTAS DE COLAS............................ 91
PROBLEMAS.................................................................................................................................... 95
2-11 SISTEMA M/G/s/DG/s/.............................................................................................................. 97
(SISTEMA DEPURADO, SD)............................................................................................................... 97
PROBLEMAS.................................................................................................................................. 104
3-SIMULACIN.................................................................................................................................. 106
3.1 TERMINOLOGA BSICA.......................................................................................................... 107
3.2 NMEROS ALEATORIOS Y SIMULACIN DE MONTE CARLO......................................... 118
3.3 SIMULACIONES CON VARIABLES ALEATORIAS CONTINUAS....................................... 122
MTODO DE TRANSFORMACIN INVERSA .......................................................................... 122
APUNTES DEL CURSO IO-3 PROF. RAL HERNNDEZ

MTODO DE ACEPTACIN O RECHAZO................................................................................. 128
MTODOS DIRECTO Y DE CONVOLUCION PARA LA DISTRIBUCIN NORMAL........... 128
3.4 ANLISIS ESTADSTICO EN LAS SIMULACIONES.............................................................. 130
4. MODELOS DE PREDICCIN........................................................................................................ 133
4.1 ATENUACIN EXPONENCIAL SIMPLE.................................................................................. 136
4.2 MTODO DE HOLT: ATENUACIN EXPONENCIAL CON TENDENCIA........................... 139
4.3 EXPONENCIAL CON VARIACIN ESTACIONAL ................................................................. 141
4.4 INTRODUCCIN AL MTODO DE WINTER........................................................................... 142
4.5 REGRESIN LINEAL SIMPLE................................................................................................... 146
EXACTITUD DE PREDICCIN.................................................................................................... 149
4.6 REGRESIN LINEAL MLTIPLE.............................................................................................. 151
ANEXO A: PRUEBAS DE ALGUNOS RESULTADOS................................................................... 153
Seccin A.......................................................................................................................................... 153
2

1. CADENAS DE MARKOV

Algunas veces nos interesa saber como cambia una variable aleatoria a travs del tiempo. Por ejemplo,
desearamos conocer cmo evoluciona el precio de las acciones de una empresa en el mercado a travs
del tiempo. El estudio de como evoluciona una variable aleatoria incluye el concepto de procesos
estocsticos. En este captulo explica esos procesos, en especial uno que se conoce como cadena de
Markov. Las cadenas de Markov se han aplicado en reas tales como educacin, mercadotecnia,
servicios de salud, finanzas, contabilidad y produccin. Comenzaremos definiendo el concepto de un
proceso estocstico. En el resto del captulo describiremos las ideas bsicas que se necesitan para
comprenderlas cadenas de Markov.

1.1-QU ES UN PROCESO ESTOCSTICO?

Supngase que observamos alguna caracterstica de un sistema en puntos discretos en el tiempo (que
llamarnos 0,1,2. . ,). Sea X
t
el valor de la caracterstica del sistema en el tiempo t. En la mayor parte de
los casos no se conoce X
t
con certeza antes del tiempo t y se puede considerar como variable aleatoria.
Un proceso estocstico de tiempo discreto es simplemente una descripcin de la relacin entre las
variables aleatorias X
0
, X
1
, X
2
, ., . A continuacin daremos unos ejemplos de procesos estocsticos de
tiempo discreto.

Ejemplo La ruina del jugador

En el tiempo 0 tengo 2 dlares. En los tiempos 1, 2. ... participo en un juego en el que apuesto 1 dlar.
Gano el juego con probabilidad p, y lo pierdo con probabilidad 1 -p. Mi meta es aumentar mi capital a
4 dlares, y tan pronto como lo logre se suspende el juego. El juego tambin se suspende si mi capital
se reduce a 0 dlares. Si definimos que X
t
es mi capital despus del juego cuando el tiempo es t, si es
que lo hay, entonces se puede considerar que X
0
, X
1
, X
2
, ..., X
t
son procesos estocsticos de tiempo
discreto. Ntese que X
0
=2 es una constante conocida, pero que X
1
y las dems X
t
, son aleatorias. Por
ejemplo, X
1
=3 con probabilidad p y X
1
=1 con probabilidad 1 - p. Ntese que si X
t
=4, entonces
X
t+1
y todas las dems X
t
, tambin sern igual a 4. Igualmente, si X
t
=0, entonces X
t+1
y todas las
dems X
t
sern cero tambin. Por razones obvias, a estos casos se les llama problema de la ruina del
jugador.

Ejemplo
En una urna que contiene bolas hay dos sin pintar. Se selecciona una bola al azar y se lanza una
moneda. Si la bola elegida no est pintada y la moneda produce cara, pintamos la bola de rojo; si la
moneda produce cruz, la pintamos de negro Si la bola ya est pintada, entonces cambiamos el color
de la bola de rojo a negro o de negro a rojo, independientemente de si la moneda produce cara o cruz.
Para modelar este caso como proceso estocstico, definimos a t como el tiempo despus que la moneda
ha sido lanzada por t-sima vez y se ha pintado la bola escogida En cualquier tiempo se puede
representar el estado mediante el vector [u r b], donde u es el nmero de bolas sin pintar en la urna, r el
nmero de bolas rojas y b el nmero de bolas negras. Se nos dice que X
0
=[2 0 0]. Despus del primer
lanzamiento, una bola habr sido pintada ya sea de rojo o de negro y el estado ser [1 1 0] o [1 0 1].
3

Por lo tanto, podemos asegurar que X
1
=[1 1 0] o X
1
=[1 0 1]. Es claro que debe haber alguna
relacin entre las X
t
,. Por ejemplo, si X, =[0 2 0] podemos asegurar que X
t+1
ser [0 1 1].

Ejemplo

Sea X
0
el precio de una accin de Computadoras CSL al principio de este da hbil. Tambin, sea X
t
, el
precio de esa accin al principio del t-simo da hbil en el futuro. Es claro que si se conocen los
valores de X
0
, X
1
, X
2
, ..., X
t
nos dicen algo acerca de la distribucin de probabilidad de X
t+1
; el asunto
es: que nos dice el pasado (los precios de las acciones hasta el tiempo t) acerca de X
t+1
? La respuesta
a esta pregunta es de importancia crtica en finanzas.

Terminaremos esta seccin con una explicacin breve de los procesos estcasticos de tiempo continuo.
Un proceso estocstico de tiempo continuo es simplemente un proceso estocstico en el que el estado
del tiempo se puede considerar cualquier tiempo y no slo en instantes discretos. Por ejemplo, se puede
considerar que el nmero de personas en un supermercado a los t minutos despus de abrir, es un
proceso estocstico de tiempo continuo. Los modelos en los que intervienen estos procesos se estudian
en la seccin de teora de colas. Como el precio de una accin se puede observar en cualquier tiempo,
y no solo al abrir la bolsa, se puede considerar como un proceso estocstico de tiempo continuo. Al
considerarlo as, se ha podido llegar a importantes resultados en la teora de finanzas, incluyendo la
famosa frmula de Black-Scholes para opcin de precio.

Ejemplo
Un caso muy conocido es el proceso de movimiento Browniano, el cual tiene las siguientes
caractersticas
1. suponga t
0
<t
1
<...<t
n
; los incrementos
1 0 1
,

n n
t t t t
X X X X L son variables aleatorias
independientes
2. La distribucin de probabilidad es ,
2 2
t t
X X t
1
<t
2,
depende solo de t
2
- t
1

3.
=
x
s t B
u
s t
du
s t B
x X X P
e
) ( 2
2
) ( 2
1
) (
donde B es una constante

La historia de este proceso comienza con la observacin de R. Brown en 1827 de pequeas partculas
inmersas en un liquido, las cuales mostraban movimientos irregulares. En 1905 Einsten explica el
movimiento mediante el postulado que las partculas bajo observacin eran sujetas de perpetuas
colisiones con las partculas que rodean el medio. Los resultados derivados de forma analtica por
Einstein fueron posteriormente verificados por experimentacin.

En este caso X
t
denota el desplazamiento en el tiempo t de un partcula Browniana. El desplazamiento
,
s t
X X es normalmente distribuido sobre un intervalo de tiempo (s,t) que puede verse como la suma
de pequeos desplazamientos. El teorema del limite Central es esencialmente aplicable y razonable
afirmar que es normalmente distribuido. Tambin que la distribucin de ,
s t
X X ,
h s h t
X X
+ +
es la
misma, para cualquier h>0.

4

1.2 QU ES UNA CADENA DE MARKOV?

Un tipo especial de procesos estocsticos de tiempo discreto se llama cadena de Markov. Para
simplificar nuestra presentacin supondremos que en cualquier tiempo, el proceso estocstico de
tiempo discreto puede estar en uno de un nmero finito de estados identificados por 1.2,..., s.

DEFINICIN Un proceso estocstico de tiempo discreto es una cadena de Markov si, para t =
0,1,2,... y todos los estados,
(1) P(X
t+1
=i
t+1
\ X
t
=i
t
,. X
t-1
=i
t-1, ,
X
1
=i
1,
X
0
=i
0
) =P(X
t+1
=i
t+1
\ X
t
=i

)

En esencia, la ecuacin (1) dice que la distribucin de probabilidad del estado en el tiempo t +1
depende del estado en el tiempo t(i) y no depende de los estados por los cuales pas la cadena para
llegar a i, en el tiempo t.

En el estudio de las cadenas de Markov haremos la hiptesis adicional que para lodos los estados i y j,
y toda t, P(X
t+1
=i

\ X
t
=j

) es independiente de t. Esta hiptesis permite escribir

(2) P(X
t+1
=i

\ X
t
=j

) =p
ij

donde p
ij
es la probabilidad de que dado que el sistema est en el estado i en el tiempo t, el sistema
estar en el estado j en el tiempo t +1. Si el sistema pasa del estado i durante un periodo al estado j
durante el siguiente, se dice que ha ocurrido una transicin de i a j. Con frecuencia se llaman
probabilidades de transicin a las p
ij
en una cadena de Markov.

La ecuacin (2) indica que la ley de probabilidad que relaciona el estado del siguiente periodo con el
estado actual no cambia. o que permanece estacionaria, en el tiempo. Por este motivo, a menudo se
llama Hiptesis de estabilidad a la ecuacin (2). Toda cadena de Markov que cumple con la ecuacin
(2) se llama cadena estacionionaria de Markov,

El estudio de las cadenas de Markov tambin necesita que definamos q
i
como la probabilidad de que la
cadena se encuentre en el estado i en el tiempo 0; en otras palabras, P(X
0
=i) =q
i
,. Al vector q =[q
1
,
q
2
, ..., q
s
] se le llama distribucin inicial de probabilidad de la cadena de Markov. En la mayora de las
aplicaciones, las probabilidades de transicin se presentan como una matriz P de probabilidad de
transicin s x s. La matriz de probabilidad de transicin P se puede escribir como

=
ss s s
s
s
p p p
p p p
p p p
P
L
M O M
K
K
2 1
2 22 21
1 12 11

Dado que el estado es i en el tiempo t, el proceso debe estar en algn lugar en el
tiempo t +1. Esto significa que para cada i.

5

=
=
+
=
= = =
s
j
ij
s
j
t t
p
i X j X P
1
1
1
1
1 ) / (

Tambin sabemos que cada elemento de la matriz P debe ser no negativo. Por lo tanto, todos los
elementos de la matriz de probabilidad de transicin son no negativos; los elementos de cada rengln
deben sumar 1.

La ruina del jugador (continuacin) Encuentre la matriz de transicin del primer ejemplo.

Solucin Como la cantidad de dinero que tengo despus de t +1 jugadas depende de los antecedentes
del juego slo hasta la cantidad de efectivo que tengo despus de t jugadas, no hay duda que se trata de
una cadena de Markov. Como las reglas del juego no varan con el tiempo, tambin tenemos una
cadena de Markov estacionaria. La matriz de transicin es la siguiente (el estado i quiere decir que
tenemos i dlares):

Estados 0 dlares 1 dlares 2 dlares 3 dlares 4 dlares
0 dlares 1 0 0 0 0
1 dlares 1-p 0 p 0 0
2 dlares 0 1-p 0 p 0
3 dlares 0 0 1-p 0 p
4 dlares 0 0 0 0 1

Si el estado es 0 dlares o 4 dlares no juego ms y, por lo tanto el estado no puede cambiar; entonces
p

=p
44
=1. Para los dems estados sabemos que, con la probabilidad p, el estado del siguiente
periodo ser mayor que el estado actual en 1, y con probabilidad 1 -p, el estado del siguiente periodo
ser menor en 1 que el estado actual.

Figura 1
Representacin grfica de la matriz, de transicin para el ejemplo de la ruina del jugador

6

Una matriz de transicin se puede representar con una grfica en la que cada nodo represente un estado
y arco (i,j) represente la probabilidad de transicin p
ij
. La Fig. 1 es una representacin grfica de la
matriz de probabilidad de transicin para este ejemplo.

EJ EMPLO 2. (Continuacin) Determine la matriz de transicin del Ejemplo 2 en la seccin anterior.

Solucin Como el estado de la urna despus del siguiente lanzamiento de la moneda depende slo del
pasado del proceso hasta el estado de la una despus del lanzamiento actual, se trata de una cadena de
Markov. Como las reglas no varan a travs del tiempo, tenemos una cadena estacionaria de Markov.
La matriz de transicin para el Ejemplo 2 es la siguiente:

[0 1 1] [0 2 0] [0 0 2] [2 0 0] [1 1 0] [1 0 1]
[0 1 1] 0 0 0 0
[0 2 0] 1 0 0 0 0 0
[0 0 2] 1 0 0 0 0 0
[2 0 0] 0 0 0 0
[1 1 0] 0 0 0
[1 0 1] 0 0 0

EJ EMPLO 3 (Continuacin) En los ltimos aos, los estudiantes de finanzas han dedicado mucho
esfuerzo a contestar la pregunta de si el precio diario de una accin se puede describir mediante una
cadena de Markov. Supongamos que el precio diario de una accin, como la de Computadoras CSL, se
puede representar por una cadena de Markov. Qu nos dice esto? Simplemente que la distribucin de
probabilidad del precio de las acciones maana depende slo del precio de hoy, pero no de los precios
anteriores. Si el precio de una accin se puede representar con cadena de Markov, los "tablistas" que
tratan de predecir los precios futuros en base a los comportamientos seguidos durante el pasado estn
mal. Por ejemplo, supongamos que el precio diario de una accin de CSL sigue una cadena de Markov
y el preciod e hoy es 50 dlares. Entonces, para predecir el precio de maana no importa si el precio ha
aumentado o disminuido durante cada uno de los ltimos 30 das. En cualquier caso, o en cualquier
otro caso que pudiera haber conducido al precio actual de 50 dlares, la prediccin del precio de
maana se debe basar slo en el hecho de que hoy el precio de esas acciones es de 50 dlares. En la
actualidad, el consenso es que para la mayor parte de las acciones, su cotizacin diaria se puede
describir con una cadena de Markov. A esta idea se le llama con frecuencia hiptesis del mercado
eficiente.

PROBLEMAS

1. En Smalltown, al 90% de los das soleados siguen das soleados, y al 80% de los das nublados
siguen das nublados. Con esta informacin modelar el clima de Smalltown como cadena de Markov.

2. Se tiene un sistema de inventario en el que la secuencia de eventos durante cada periodo es como
sigue: (1) Se observa el nivel de inventario (llammosle ) al principio del periodo. (2) Si i 1, se
7

piden 4 i unidades. Si i 2, no se hace ningn pedido. (3) Los Clientes no piden unidades durante el
periodo, con probabilidad 1/3; se pide una unidad durante el periodo, con probabilidad 1/3. y se piden
2 unidades durante el periodo, con probabilidad 1/3 (4) Se observa el nivel de inventario al principio
del siguiente periodo.
Defina un estado de periodo como el nivel de inventario al principio del periodo. Determine la matriz
de transicin que pudiera usarse para modelar este sistema de inventario como una cadena de Markov.

3. Una fbrica tiene dos mquinas. Durante cualquier da, cada mquina que trabaja al principio del da
tiene probabilidad x de descomponerse. Si se descompone una mquina durante el da, se manda a un
taller de reparacin y estar trabajando dos das despus que se descompuso. Por ejemplo, si una
mquina se descompone durante el da 3, estar trabajando al principio del da 5. Si se hace que el
estado del sistema sea el nmero de mquinas que trabajan al principio del da, formule, una matriz de
probabilidad de transicin para este caso.

4. En relacin con el problema 1, suponga que el tiempo de maana en Smalltown depende del tiempo
que haya prevalecido los ltimos dos das, como sigue; (1) Si los ltimos dos das han sido soleados,
entonces el 95% de las veces maana ser soleado. (2) Si ayer estuvo nublado y hoy soleado, entonces
el 70% de las veces maana estar soleado. (3) Si ayer estuvo soleado y hoy est nublado, entonces el
60%, de las veces maana estar nublado. (4) Si los ltimos dos das fueron nublados, entonces el 80%
de las veces maana ser nublado.

Con esta informacin modele el clima de Smalltown como cadena de Markov. Si el tiempo de maana
dependiera del de los ltimos tres das, cuntos estados se necesitaran para modelar el clima como
cadena de Markov? Nota: El mtodo que se usa en este problema se puede aplicar para modelar un
proceso estocstico de tiempo discreto como cadena de Markov. aun si X
t+1
depende de los estados
anteriores a X
t
, tal como X
t-1
en este ejemplo.

5. Sea X, la ubicacin de su ficha en el tablero deMonopoly despus de t tiradas de dados. Se puede
modelar X, como cadena de Markov? Si no esa as cmo podemos modificar la definicin del estado
en el tiempo t para que X
0
, X
1
,. . ., X
i
, sea una cadena de Markov? Sugerencia: Cmo va un
jugador a la crcel? En este problema, suponga que los jugadores que van a prisin permanecen all
hasta que en la tirada de dados -sacan doble nmero o hasta que hayan estado tres turnos en prisin, lo
que se represente primero.

6. En el Prob. 3, suponga que una mquina que se descompone regresa al servicio tres das despus.
Por ejemplo, la mquina que se descompone el da 3 estar trabajando al principio del da 6. Determine
una matriz de transicin de probabilidad para este caso.

8

1.3 PROBABILIDADES DE TRANSICIN DE n ETAPAS

Suponga que estudiamos una cadena de Markov con matriz P de probabilidad de transicin conocida.
Como todas las cadenas con las que trataremos son estacionarias, no nos importar identificar nuestras
cadenas de Markov como estacionarias. Una pregunta de inters es: si una cadena de Markov est en el
estado i en el tiempo m, cul es la probabilidad que n periodos despus la cadena de Markov este en
el estado j? Como se trata de una cadena de Markov estacionaria, esta probabilidad ser independiente
de m y, por lo tanto, podemos escribir

P(X
m+n
=j

\ X
m
=i) =P(X
n
=j

\ X
0
=i)=P
ij
(n)

donde P
ij
(n) se llama probabilidad en la etapa n de una transicin del estado i al estado j.

Es claro que P
ij
(1) =P
ij
. Para determinar P
ij
(2) ntese que si el sistema se encuentra hoy en el estado
i, entonces para que el sistema termine en el estado j dentro de 2 periodos, debemos pasar del estado i
al estado k y despus pasar del estado k al estado j(Fig. 2). Este modo de razonar nos permite escribir

P
ij
(2) = (probabilidad de transicin de i a k}x (probabilidad de transicin de k a j)
=
s
k 1

De acuerdo con la definicin de P, la matriz de probabilidad de transicin, replanteamos la ltima
ecuacin en la siguiente forma:

(3) P
ij
(2) =
=
s
k
kj ik
p p
1

El segundo miembro de la ecuacin (3) es tan slo el producto escalar del rengln i de la matriz P por
la columna j de esa matriz. Por lo tanto, P
ij
(2) es el ij-simo elemento de la matriz P
2
. Generalizando
este modo de razonar, se puede demostrar que para n >1,

(4) P
ij
(n) =elemento ij-simo de P
n

Figura 2
Representacin de la transicin de i a j en dos pasos

9

Naturalmente, para n =0, P
ij
(0) =P(X
0
=j | X
0
=i) y, por lo tanto, debemos escribir

P
ij
(0)=
=
j i si
j i si
0
1

En el Ejemplo. 4 mostraremos el uso de la ecuacin (4).

EJ EMPLO 4 Ejemplo de Cola Suponga que toda la industria de refrescos produce dos colas. Cuando
una persona ha comprado la cola 1, hay una probabilidad de 90% de que su siguiente compra sea de
cola 1. Si una persona compr cola 2, hay 80% de probabilidades que su prxima compra sea de cola
2.

1. Si actualmente una persona es comprador de cola 2, cul es la probabilidad que compre cola 1
pasadas dos compras a partir de hoy?

2. Si en la actualidad una persona es comprador de cola 1, cul es la probabilidad que compre cola 1
pasadas tres compras a partir de ahora?

Solucin Consideraremos que las compras de cada una de las personas son una cadena de Markov, y
que el estado en cualquier momento es el tipo de cola que compr la persona por ltima vez. Por lo
tanto, las compras de cola por parte de cada una de las personas se pueden representar con una cadena
de Markov de dos estados, donde

10

Estado 1 =la persona acaba de comprar cola 1
Estado 2 =la persona acaba de comprar cola 2

S definimos X
n
como el tipo de cola que compra una persona en la n-sima compra futura (la compra
actual =X
0
), entonces X
0
, X
1
, ... se puede describir como la cadena de Markov con la siguiente matriz
de transicin:

P =
80 . 20 . 2
10 . 90 . 1
2 1
cola
cola
cola cola

Podemos contestar ahora las preguntas 1 y 2.

1. Se busca P(X
2
=1 /X
1
=2) =P
21
(2) =elemento 21 de P
2
:

P
2
=
66 . 34 .
17 . 83 .
80 . 20 .
10 . 90 .
80 . 20 .
10 . 90 .

Por lo tanto, P
21
(2) =.34. Esto significa que hay probabilidad .34 de que la persona 2 compre cola 1,
despus de dos compras a partir de ahora. Con la teora bsica de probabilidad, podemos obtener esta
respuesta siguiendo un camino distinto a travs del teorema total de probabilidades.

En muchos casos no conocemos el estado de la cadena de Markov en el tiempo 0. Como se defini en
la Sec. 1.2, sea q
i
la probabilidad que la cadena est en el estado i en el tiempo 0. Entonces podemos
determinar la probabilidad de que el sistema este en el estado j en e! Tiempo n mediante el siguiente
razonamiento (Fig. 3):

Figura 3
Determinacin dela probabilidad de estar en el estado j en el tiempo n cuando se desconoce el estado
inicial.

11

Probabilidad de estar en el estado j en el tiempo n =
=
s
k 1
(Probabilidad que el estado original sea i ) X (Probabilidad de ir de i a j en n transiciones) =
(5) =q X Columna j de P
n

=
s
k
kj k
n P q
1
) (

donde q =[q
1
, q
2
, ..., q
s
]

Para mostrar el uso de la ecuacin (5) contestaremos la siguiente pregunta:
supongamos que el 60% de toda la gente toma hoy cola 1 y el 40% cola 2. A tres compras a partir de
ahora, que fraccin de los compradores estar tomando cola 1? Como q =[.60 .40] y

q(columna 1 de P
3
) =probabilidad de que a tres compras a partir de este momento una persona tome
cola 1

la probabilidad que se busca es

[ ] 6438 .
438 .
781 .
40 . 60 . =

12

Por lo tanto, a tres compras de este momento el 64% de las personas estar comprando cola 1.

Para mostrar el comportamiento de las probabilidades de transicin en n etapas para grandes valores de
n hemos calculado algunas de las probabilidades de transicin de n etapas para el ejemplo de la cola y
las mostramos en la siguiente tabla (Tabla 1).

Cuando n es grande, P
11
(n) y P
21
(n) son casi constantes y tienden a .67. Esto quiere decir que para n
grande, independientemente del estado inicial, hay una probabilidad de .67 de que una persona compre
cola 1. Igualmente. vemos que para n grande, tanto P
12
(n) como P
22
(n) son casi constantes y tienden a
.33. Esto significa que para n grande, haciendo caso omiso del estado inicial, hay una probabilidad .33
de que una persona sea comprador de cola 2. En la Seccin 1.5 estudiaremos con detenimiento estas
tendencias de probabilidad de transicin en la etapa n.

Tabla 1 Probabilidades de transicin en n etapas para el ejemplo de las colas

n P
11
(n) P
12
(n) P
21
(n) P
22
(n)
1 .90 .10 .20 .80
2 .83 .17 .34 .66
3 .78 .22 .44 .56
4 .75 .25 .51 .49
5 .72 .28 .56 .44
10 .68 .32 .65 .35
20 .67 .33 .67 .33
30 .67 .33 .67 .33
40 .67 .33 ,67 .33

1.3.1 Tiempos de Parada o de primer pasaje

Un tiempo de parada se define como T
j
=min(n>0, tal que X
n
=j). Es el primer instante tal que la
variable aleatoria Xn toma el valor el j, a este tiempo tambin ser referenciado como tiempo de primer
pasaje. Si definimos como la probabilidad del que primer tiempo de parada en j, dado que
estamos en el estado i, podemos redefinir la probabilidad de ir de i a jo en n pasos como
) ( m T P
j i
=

Pij(n) =
=
=
n
m
j i
m n Pjj m T P
1
) ( ) (
Esta definicin es til para la prueba de algunos resultados futuros.

PROBLEMAS

1. Cada familia norteamericana se puede clasificar como habitante de zona urbana, rural u suburbana.
Durante un ao determinado, el 15% de todas las familias urbanas se cambian a una zona suburbana y
el 5% se cambian a una zona rural. Tambin, el 6% de las familias suburbanas pasan a zona urbana y
13

el 4% se mudan a zona rural. Por ltimo, el 4% de las familias rurales pasan a una zona suburbana y el
6% se mudan a una zona urbana.

a) Si una familia actualmente vive en una zona urbana, cul es la probabilidad que despus de 2 aos
viva en una zona urbana? En una zona suburbana? En una zona rural?

(b) Supongamos que en la actualidad el 40% de las familias viven en una zona urbana, el 25% en zona
suburbana y el 15% en zona rural. Despus de dos aos, qu porcentaje de las familias
norteamericanas vivir en zona urbana?

(c) Que problemas se pueden presentar si este modelo se usara para predecir la distribucin futura de
la poblacin en los Estados Unidos?

2. Se pregunta lo siguiente acerca del Ejemplo 1.

(a) Despus de jugar dos veces, cul es la probabilidad que tenga 3 dlares? Cul la de que tenga 2
dlares?

(b) Despus de jugar tres veces, cul es la probabilidad que tenga 2 dlares?

3. En el Ejemplo a 2, determine las siguientes probabilidades de transicin en n etapas:

(a) Despus de haber pintado 2 bolas, cul es la probabilidad que el estado sea [0 2 0]?

(b) Despus de haber pintado tres bolas, cul es la probabilidad que el estado sea [0 1 1]?

14

1.4 CLASIFICACIN DE ESTADOS DE UNA CADENA DE
MARKOV

En la sesin 1.3 se menciono que despus de muchas transiciones, las probabilidades de transicin de n
etapas tienden a estabilizarse . Antes de poder describir esto con ms detalle, necesitamos estudiar
cmo los matemticos clasifican los estados de una cadena de Markov. La siguiente matriz de
transicin se usar para mostrar la mayora de las definiciones siguientes (Fig. 4):

P =
2 . 8 . 0 0 0
1 . 4 . 5 . 0 0
0 7 . 3 . 0 0
0 0 0 5 . 5 .
0 0 0 6 . 4 .

DEFINICIN: Dados dos estados i y j, la trayectoria de i a j es la sucesin de transiciones que
comienza en i y termina en j, de modo que cada transicin de la secuencia tenga probabilidad positiva
de presentarse.

Figura 4
Representacin grfica de la matriz de transicin

Otra manera de ver esta definicin es que el tiempo de primer pasaje es un nmero finito o sea que la
probabilidad de llegar a j, dado que se est en i, en una cantidad de finita de pasos sea positiva:
>0 ) ( <
j i
T P

15

DEFINICIN un estado es alcanzable desde un i si hay una trayectoria que vaya de i a j.

DEFINICIN Se dice que dos estados i y j se comunican si j es alcanzaba desde i, e i es alcanzable
desde j.

Para la matriz P de probabilidad de transicin representada en la Fig. 4, el estado 5 es alcanzable desde
el estado 3 (a travs de la trayectoria 3-4-5), pero el estado 5 no es alcanzable desde el estado 1 (no hay
trayectoria que vaya de 1 a 5 en la Fig. 6). Tambin, los estados 1 y 2 se comunican: podemos pasar de
1 a 2 y de 2 a 1.

DEFINICIN Un conjunto de estados S en una cadena de Markov es conjunto cerrado si ningn
estado fuera de S es alcanzable desde un estado en S.

De la cadena de Markov con la matriz P de la Fg. 4, tanto S1 ={1,2} como S2 ={3, 4, 5} son
conjuntos cerrados. Observe que una vez que entramos a un conjunto cerrado no podemos dejarlo
nunca. En la Fig. 4 ningn arco comienza en S
1
y termina en S
2
o principia en S
2
y termina en S
1
.

DEFINICIN Un estado i es un estado absorbente si p
ij
=1. O sea ) 1 ( =
j j
T P =1

Siempre que entramos a un estado de absorcin, nunca lo podremos dejar. En el Ejemplo 1, la ruina del
jugador, los estados 0 y 4 son absorbentes. Es natural que un estado absorbente sea un conjunto cerrado
que slo contenga un estado.

DEFINICIN Un estado i es un estado transitorio si hay un estado j alcanzable desde i, pero el
estado i no es alcanzable desde el estado j. Esto es lo mismo que afirmar que <1, no
siempre existe una cantidad finita de pasos para alcanzar a j desde i.
) ( <
j i
T P

En otras palabras, un estado i es transitorio si hay manera de dejar el estado i de tal modo que nunca se
regrese a l. En el ejemplo de la ruina del jugador, los estados 1, 2 y 3 son estados transitorios. Por
ejemplo (Fg. 1), desde el estado 2 es posible pasar por la trayectoria 2-3-4. pero no hay modo de
regresar al estado 2 desde el estado 4. Igualmente, en el Ejemplo 2, [2 0 0], [1 1 0] y [l 0 1] son
estados transitorios. Hay una trayectoria desde [1 0 1] a [0 0 2], pero una vez que se hayan pintado
ambas bolas, no hay manera de regresara [1 0 1].

Despus de un gran nmero de periodos, la probabilidad de encontrarse en cualquier estado de
transicin i es cero. Cada vez que entramos a un estado i de transicin, hay una probabilidad positiva
de dejar i para siempre y terminar en el estado j descrito en la definicin de estado transitorio. As, al
final, tenemos la seguridad de entrar al estado j (y en ese caso nunca regresaremos al estado i). As,
suponga que en el Ejemplo 2 nos encontramos en el estado transitorio [1 0 1]. Con probabilidad 1, la
bola no pintada la pintaremos finalmente y nunca regresaremos a ese estado [1 0 1].

DEF1NCIN Si un estado no es transitorio, se llama estado recurrente. Esto es lo mismo que afirmar
que =1, o sea existe una cantidad finita de pasos para llegar a j desde i. ) ( <
j i
T P

16

En el Ejemplo 1, los estados 0 y 4 son estados recurrentes (y tambin estados absorbentes). En el
Ejemplo 2, [0 2 0], [0 0 2[ y [0 1 1] son estados recurrentes. Para la matriz de transicin de la Fig. 4,
todos los estados son recurrentes.

DEFINICIN Un estado i es peridico con periodo k >1 si k es el menor numero tal que todas las
trayectorias que parten del estado i y regresan al estado i tienen una longitud mltiplo de k. Si un
estado recurrente no es peridico, se llama aperidico.

Para la cadena de Markov cuya matriz de transicin es

Q =
0 0 1
1 0 0
0 1 0
cada estado tiene periodo 3. Por ejemplo, si comenzamos en el estado 1, la nica manera de regresar a
ese estado es seguir la trayectoria 1-2-3-1 durante digamos m veces (Fig. 5). Por lo tanto, cualquier
regreso al estado 1 tomar 3m transiciones, de modo que el estado 1 tiene periodo 3. Donde nos
encontremos, tenemos la seguridad de regresar all tres periodos despus.

Figura 5
Cadena peridica de Markov con k =3

DEFINICIN Si todos los estados de una cadena son recurrentes, aperidicos y se comunican entre
si, se dice que la cadena es ergdica.

El ejemplo de la ruina del jugador no es cadena ergdica porque, por ejemplo, los estados 3 y 4 no se
comunican. El Ejemplo 2 tampoco es una cadena ergdica porque, por ejemplo, [2 0 0] y [0 1 1] no se
comunican. El Ejemplo 4, el ejemplo de la cola, es cadena ergdica de Markov. De las siguientes tres
cadenas de Markov, P
1
y P
3
son ergdicas y P
2
no es ergdica.

P
1
=
4
3
4
1
0
2
1
0
2
1
0
3
2
3
1

17

P
2
=
4
3
4
1
0 0
3
1
3
2
0 0
0 0
2
1
2
1
0 0
2
1
2
1

P
3
=
3
1
3
2
0
0
3
1
3
2
4
1
2
1
4
1

P2 no es ergdica porque hay dos clases cerradas de estados (la clase 1 ={1, 2}
y la clase 2 ={3, 4}) y los estados en clases diferentes no se comunican entre s.

PROBLEMAS

1. En el Ejemplo 1, cul es el periodo de los estados 1 y 3?

2. La cadena de Markov de la Secc. 1.3, Problema 1, es ergdica?

3. Se tiene ]a siguiente matriz de transicin:

0 0 1 0 0 0
0 0 0 0 0 1
0 0 0 0 1 0
0 0 0
1 0 0 0 0 0
0
3
1

0 0 0 2/3

(si) Cules estados son transitorios?

(b) Cules estados son recurrentes?

18

(c) Identifique lodos los conjuntos cerrados de estados.

(d) Es ergdica esa cadena?

4. Para cada una de las siguientes matrices, determine si la cadena de Markov es esgdica. Tambin,
para cada cadena, determine los estados recurrente, transitorio y absorbente.

a. b.
1 . 5 . 4 .
0 7 . 3 .
2 . 8 . 0
1 0 0 0
0 1 . 5 . 4 .
1 . 9 . 0 0
0 0 8 . 2 .

5. En la Serie Mundial de Poker de 1980 participaron 54 jugadores. Cada uno de ellos comenz con 10
000 dlares. Los juegos continuaron hasta que uno de los jugadores gan lodo el dinero de los dems.
Si se modela esta Serie Mundial como cadena de Markov, cuntos estados absorbentes tendra esa
cadena?
6. Cul de las siguientes cadenas es ergdica?

a. b.
5 . 5 . 0
4 . 3 . 3 .
6 . 0 4 .
8 . 0 0 2 .
2 . 1 . . 1 . 6 .
2 . 4 . 2 . 2 .
3 . 0 0 7 .
19

1.5 PROBABILIDADES DE ESTADO ESTABLE Y TIEMPOS
MEDIOS DE PRIMER PASAJE

En nuestra descripcin del ejemplo de la Cola encontramos que despus de largo tiempo, la
probabilidad de que la siguiente compra de una persona fuera de cola 1 tenda a .67, y la de que la
compra siguiente fuera de cola 2 tenda a .33 (Tabla 1). Estas probabilidades no dependieron de si la
persona era al principio tomador de cola 1 o de cola 2. En esta seccin describiremos el importante
concepto de probabilidades de estado estable, que se pueden usar para describir el comportamiento de
una cadena de Markov a largo plazo.

El resultado siguiente es vital para comprender las probabilidades de estado estable y el
comportamiento a largo plazo de cadenas de Markov.

TEOREMA 1 Sea P una matriz de transicin de una cadena ergdica de s estados. Existe
entonces un vector [ ]
s
L , ,
2 1
= tal que

=

s
s
s
n
n
P

L
M M
L
L
2 1
2 1
2 1
lim

(La prueba de este teorema se encuentra en anexo al final de este documento)

Recuerde que el ij-simo elemento de P
n
es P
ij
(n). El teorema 1 establece que para cualquier estado
inicial i,
j ij
n
n P =

) ( lim

Observe que para n grande, P
n
tiende a una matriz con renglones idnticos. Esto quiere decir que
despus de largo tiempo, la cadena de Markov se estabiliza e, independientemente del estado inicial i,
hay una probabilidad
j
, de que nos encontremos en el estado j.

El vector [
s
] L , ,
2 1
= a menudo se llama distribucin de estado estable, o tambin distribucin
de equilibrio para la cadena de Markov. Cmo podemos encontrar la distribucin de probabilidades
de estacionario para una cadena dada cuya matriz de transicin es P? Segn el teorema 1, para n grande
y para toda i,

(6)
j ij ij
n P n P + ) ( ) 1 (

Como P
ij
{n +1) =(rengln i de P
n
) X (columna j de P), podemos escribir
20

(7)
=
= +
s
k
kj ik ij
P n P n P
1
) ( ) 1 (
Si n es grande, al sustituir la ecuacin (6) en la (7) se obtiene

(8)
=
=
s
k
kj k ij
P
1

En forma matricial, la ecuacin (8) se puede escribir como:

(8') P =

Desafortunadamente, el sistema de ecuaciones que especifica la ecuacin (8) tiene un nmero infinito
de soluciones, porque el rango de la matriz P siempre resulta ser s- 1. Para obtener valores nicos
de probabilidades de estado estable, note que para toda n y toda i,

(9) 1 ) ( ) ( ) (
2 1
= + + + n P n P n P
is i i
L

AI hacer que n tienda al infinito en la Ecuacin. (9), obtenemos

(10) 1
2 1
= + + +
s
L

As, despus de reemplazar cualquiera de las ecuaciones (8) por (10), podemos usar la ecuacin (8)
para despejar las probabilidades de estado estable.

Para mostrar cmo determinar las probabilidades de estado estable, las calcularemos para el Ejemplo.
4, el de la Cola. Recuerde que la matriz tic transicin de ese ejemplo era

=
80 . 20 .
10 . 90 .
P

Entonces las ecuaciones (8) u (8') producen

[ ] [ ]
2 1 2
2 1 1
1 1
80 . 10 .
20 . 90 .
80 . 20 .
10 . 90 .

+ =
+ =
=

AI reemplazar la segunda ecuacin por la condicin 1 .
2 1
= + , obtenemos el sistema

21

1 .
2 1
= +
2 1 1
20 . 90 . + =

Al despejar
1
y
2
, resulta que
1
=2/3 y
2
=1/3. Por lo tanto, despus de largo tiempo, hay
probabilidad 2/3 de que una persona dada compre cola 1 y 1/3 de probabilidad de que una persona
dada compre cola 2.

ANLISIS DE ESTADO TRANSITORIO

Un vistazo a la Tabla 1 muestra que para el Ejemplo. 4 se alcanza el estado estable, a dos cifras
decimales, slo despus de 10 transiciones. No se puede dar una regla general acerca de que tan rpido
alcanzan las cadenas de Markov el estado estable pero si P contiene muy pocos elementos que queden
cerca de 0 o de 1, en general, se alcanza en forma muy rpida el estado estable. El comportamiento de
una cadena de Markov antes de alcanzar el estado estable se llama comportamiento transitorio (o a
plazo corto). Para estudiar el comportamiento transitorio de una cadena de Markov, tan slo se usan las
frmulas para P
ij
(n) de las ecuaciones (4) y (5). Sin embargo es bueno saber que para n grande, las
probabilidades de estado estable describen con exactitud la probabilidad de encontrarse en un estado
determinado.

INTERPRETACIN INTUITIVA DE LAS PROBABILIDADES DE ESTADO ESTABLE

Se puede dar una interpretacin intuitiva de las ecuaciones (8) de probabilidad de
estado estable. Al restar
ij j
p , de ambos lados de (8) se obtiene

(11)
kj
i k
j ij j
p p

= ) 1 (

La ecuacin (11) dice que en el estado estable,

Probabilidad de que una transicin determinada deje el estado j

=probabilidad de que una transicin determinada entre al estado j (12)

Recurdese que en el estado estable, la probabilidad de que el sistema este en el estado j es
j
, Segn
esta observacin se concluye que

Probabilidad de que una transicin particular deje el estado j
=(probabilidad de que el periodo actual comience en j)
x (probabilidad de que la transicin actual deje j)
= ) 1 (
ij j
p
y

22

Probabilidad de que determinada transicin entre al estado j
=
(probabilidad de que el periodo actual comience en ki)

k
x (probabilidad de que la transicin actual entre a j)
=
kj
i k
j
p

Es aceptable la ecuacin (11 ). Si fuera violada para cualquier estado, entonces para un estado j el lado
derecho de (11) sera mayor que el lado izquierdo. Esto ocasionara una probabilidad de "acumulacin"
en el estado j y no existira una distribucin de estado estable. Se puede considerar que la ecuacin (11)
dice que en el estado estable, el "flujo" de probabilidad hacia cada estado debe ser igual al flujo de
probabilidad que sale de cada estado. Esto explica por qu las probabilidades de estado estable se
llaman con frecuencia probabilidades de equilibrio.

USO DE LAS PROBABILIDADES DE ESTADO ESTABLE PARA TOMAR DECISIONES

EJ EMPLO 5 Suponga, en el Ejemplo 4, que cada cliente hace una compra de cola durante cualquier
semana (52 semanas =1 ao). Suponga que hay 100 millones de clientes de cola. La produccin de
una unidad de venta de cola cuesta 1 dlar y se vende a 2 dlares. Una empresa de publicidad
garantiza, por 500 millones de dlares al ao, un decremento al 5% de la fraccin de consumidores de
cola 1, que se cambian a cola 2 despus de una compra. Debe contratar a la empresa de publicidad la
compaa que fabrica la cola 1?

En la actualidad, una fraccin
1
=2/3 de todas las compras son de cola 1. Cada compra de cola 1 le
deja al fabricante 1 dlar. Como hay un total de 52(100 000 000) =5 200 000 000 de compras de cola
cada ao, las ganancias actuales del fabricante de cola 1, al ao, son

2/3 * (5 200 000 000) =3 466 666 667 dlares

La empresa de publicidad ofrece cambiar la matriz P a

=
80 . 20 .
05 . 95 .
1
P

Para P
1
, las ecuaciones de estado estable se transforman en

2 1 2
2 1 1
80 . 05 .
20 . 95 .

+ =
+ =

Al reemplazar la segunda ecuacin por 1 .
2 1
= + y despejar, obtenemos
1
=.8 y
2
=.2. En este
caso, la ganancia anual de la productora de cola 1 ser

(.80)(5200000000) - 500000000 =3 660 000 000 dlares
23

Por lo tanto, el fabricante de cola 1 debe contratar la agencia de publicidad.

EJ EMPLO 6. Bajo la hiptesis de que el jugador de Monopoly que vaya a la crcel se quede all hasta
que se saque nmeros dobles o pasen tres turnos, la probabilidad de estado estable que tiene un
J ugador de caer en cualquier cuadro de Monopoly fue determinado por Ash y Bishop (1972) (Tabla 2)
Ests probabilidades de estado estable se pueden emplear para medir la eficacia de diversos monopolios
con respecto al costo. Por ejemplo, cuesta 1 500 dlares construir hoteles en el monopolio anaranjado.
Cada vez que un jugador cae en Tcnnessee Ave o en un hotel de St. J ames Place, el propietario del
monopolio recibe 950 dlares, y cada vez que un jugador cae en un hotel de New York Ave., el
propietario recibe 1 000 dlares. De la Tabla 3 podemos calcular la renta esperada por tirada de dados
que gana el monopolio anaranjado:

950(.0335) +950(.0318) +1 000(.0334) =95.44 dlares

As, por cada dlar invertido, el monopolio anaranjado da 95.44/1500 =0.064 de dlar por tirada de
dados.

Veamos ahora al monopolio verde. Poner hoteles en el monopolio verde cuesta 3 000 dlares. Si un
J ugador cae cu un hotel de North Carolina Ave. o de Pacific Ave., el propietario recibe 1 275 dlares.
Si un jugador cae en un hotel de Pennsylvania Ave. el propietario recibe 1 400 dlares. De acuerdo con
la Tabla 3, la ganancia promedio por tirada de dados que se gana con los hoteles en el monopolio verde
es

1275(.0294) +1275(.0300) +1400(.0279) =114.80 dlares

As, por cada dlar invertido, el monopolio verde da slo 114.80/3000 =0.038 de dlar por tirada de
dados.

Este anlisis muestra que el monopolio anaranjado es mejor que el verde. Por cierto por que caen los
jugadores con tanta frecuencia en el monopolio anaranjado?

24

Tabla 2 Probabilidades de estado estable para Monopoly

25

TIEMPOS PROMEDIO DE PRIMER PASAJE

En una cadena ergdica, sea m
ij
= nmero esperado de transiciones antes de alcanzar por primera vez
el estado j, dado que estamos actualmente en el estado i. m
ij
se llama tiempo promedio de primer
pasaje del estado i al estado j. En el Ejemplo 4, m
12
sera el nmero esperado de botellas de cola que
adquiere un comprador de cola 1, antes de comprar una botella de cola 2. Suponga que estamos ahora
en el estado i. Entonces, con probabilidad p
ij
, necesitaremos una transicin para pasar del estado i al
estado j. Para k j pasamos a continuacin, con probabilidad p
ik
, al estado k. En este caso, se
necesitara un promedio de 1 +m
kj
, transiciones para pasar de k a j. Este modo de pensar indica que

) 1 ( ) 1 (

+ + =
j k
kj ik ij ij
m p p m
Como

1 = +
j k
ik ij
p p
podernos reformular la ltima ecuacin como

(13) +1 ) (
=
j k
kj ik ij
m p m
Al resolver las ecuaciones lineales representadas en (13), podemos encontrar todos los tiempos
promedios de primer pasaje. Se puede demostrar que

i
ii
m
1
=

Con ello se puede simplificar el uso de las ecuaciones (13).

Para mostrar el uso de ellas, despejaremos los tiempos promedio de primer pasaje en el Ejemplo 4.
Recordemos que .
1
=2/3 y
2
=1/3. Entonces

5 . 1
1
3
2
11
= = m 3
1
3
1
22
= = m

Entonces (13) da en las dos ecuaciones siguientes:

21 21 22 21
12 12 11 12
8 . 1 1
9 . 1 1
m m p m
m m p m
+ = + =
+ = + =

Resolviendo esas ecuaciones encontramos que =10 y =5. Esto quiere decir que, por ejemplo,
una persona que haba tomado cola 1 tomar un promedio de diez botellas de refresco antes de cambiar
a cola 2.
12
m
21
m

26

PROBLEMAS

1. Determine las probabilidades de estado estable para el Problema 1 de la Seccin 1-3.

2. En el problema de la ruina del J ugador, por que no es razonable hablar de probabilidades de
estado estable?

3. Para cada una de las siguientes cadenas de Markov, determine la fraccin de las veces, a largo plazo,
que se ocupar cada estado.

(a)

2
1
2
1
3
1
3
2
(b)
0 2 . 8 .
8 . 2 . 0
0 2 . 8 .

(c) Determine todos los tiempos promedio de primer pasaje de! inciso (b).

4. Al principio de cada ao, mi automvil est en buen, regular o mal estado. Un buen automvil ser
bueno al principio del ao siguiente, con probabilidad .85, regula con probabilidad .10 y mal con
probabilidad .05. Un automvil regular estar regular al principio del ao siguiente con probabilidad
.70 y mal con probabilidad .30. Cuesta 6000 dlares comprar un buen automvil, uno regular se puede
conseguir por 1000 dlares; uno malo no tiene valor de venta, y se debe reemplazar de inmediato por
uno bueno. Cuesta 1 000 dlares al ao el funcionamiento de un buen automvil, y 1 500 dlares el de
uno regular. Debe reemplazar mi automvil tan pronto como se vuelve regular, o debo esperar hasta
que se descomponga?
Suponga que el costo de funcionamiento de un automvil durante un ao depende del tipo de vehculo
que se tiene a la mano a principio del ao (despus de llegar cualquier auto nuevo, si es el caso).

5. Se dice que una matriz cuadrada es doblemente estocstica si todos sus elementos son no negativos
y los elementos de cada rengln y cada columna suman 1.
Para cualquier matriz ergdica y doblemente estocstica, demuestre que todos los estados tienen la
misma probabilidad de estado estable.

6. Este problema mostrar porque las probabilidades de estado estable se llaman a veces probabilidades
estacionarias. Sean
s
L , ,
2 1
las probabilidades de estado estable para una cadena ergdica con
matriz P de transicin. Suponga tambin que la cadena de Markov comienza en el estado i con
probabilidad
i
.

a) Cual es la probabilidad que despus de una transicin el sistema se encuentre en el estado i?
Sugerencia: Usar la ecuacin (8).

b) Para cualquier valor de n (n =1, 2,. . .), cul es la probabilidad de que una cadena de Markov se
encuentre en el estado i despus de n transiciones?

(c) Por que a las probabilidades de estado estable se les llama a veces probabilidades estacionarias?
27

7. Se tienen dos acciones. Las acciones 1 siempre se venden a 10 dlares o 20 dlares. Si hoy las
acciones 1 se venden a 10 dlares, hay una probabilidad .80 de que maana se vendan a 10 dlares. Si
las acciones 1 se venden hoy a 20 dlares, hay una probabilidad .90 de que maana se vendan a 20
dlares. Las acciones 2 siempre se venden a 10 dlares o a 35 dlares. Si se venden hoy a 10 dlares,
hay una probabilidad .90 de que se vendan maana a 10 dlares. Si se venden hoy a
25 dlares, hay una probabilidad .85 de que maana se vendan a 25 dlares. En promedio, que
acciones se venden a mayor precio? Determine e interprete todos los tiempos promedio de primer
pasaje.

8. La compaa de seguros Payoff cobra a sus clientes de acuerdo a su historia de accidentes. Un
cliente que no haya tenido accidentes durante los ltimos dos aos paga 100 dlares de prima anual.
Quien haya tenido un accidente en cada uno de los dos ltimos aos paga una prima anual de 400
dlares. A los que hayan tenido un accidente durante slo uno de los ltimos dos aos se les cobra una
prima anual de 300 dlares. Un cliente que tuvo un accidente durante el ltimo ao tiene una
probabilidad de 10% de accidentarse durante este ao.
Si un cliente no ha tenido un accidente durante el ltimo ao, tiene una probabilidad de 3% de sufrir un
accidente durante este ao. Durante un ao dado, cul es la prima que paga en promedio un cliente de
Payoff?
{Sugerencia: En caso de dificultad, pruebe con una cadena de Markov de cuatro estados.)

9. Se tiene la siguiente cadena no ergdica;

P =
3
1
3
2
3
2
3
1
2
1
2
1
2
1
2
1
0 0
0 0
0 0
0 0

a) Por qu esta cadena es no ergdica?

b) Explique porqu falla el teorema 1 en esta cadena.
Sugerencia: Determine si es cierta la siguiente ecuacin;

) ( lim ) ( lim
32 12
n P n P
n n
=

(c) A pesar del hecho que falla el teorema 1, determine
) ( lim ) ( lim
) ( lim ) ( lim
41 43
21 13
n P n P
n P n P
n n
n n

28

10. Se tiene la siguiente cadena no ergdica:
0 0 1
1 0 0
0 1 0

(a) Por que esta cadena es no ergdica?

(b) Explique por que el teorema 1 falla para esta cadena. Sugerencia: Demuestre que no
existe al hacer una lista del comportamiento que sigue P
11
(n) a medida que aumenta n. ) ( lim
11
n P
n

1.6 CADENAS ABSORBENTES

Muchas aplicaciones interesantes de las cadenas de Markov incluyen cadenas en las que algunos de los
estados son absorbentes y el resto son transitorios. A esas cadenas se les llama cadenas absorbentes.
Veamos una cadena absorbente de Markov: si comenzamos en un estado transitorio, entonces al final
tendremos la seguridad de dejar el estado transitorio y terminar en uno de los estados absorbentes. Para
ver por qu nos interesan las cadenas absorbentes, describiremos las siguientes dos:

EJ EMPLO 7 Cuentas por cobrar El estado de cuentas por cobrar en una empresa se modela con
frecuencia como cadena absorbente de Markov. Suponga que una empresa supone que una cuenta es
incobrable si han pasado ms de dos meses de su fecha de vencimiento. Entonces, al principio de cada
mes, se puede clasificar cada cuenta en uno de los siguientes estados especficos:

Estado 1 Cuenta nueva.

Estado 2 Los pagos de la cuenta estn retrasados un mes.

Estado 3 Los pagos de la cuenta estn retrasados dos meses.

Estado 4 Los pagos de la cuenta estn retrasados tres meses.

Estado 5 Se ha saldado la cuenta.

Estado 6 Se ha cancelado la cuenta por ser mal pagado

Supongamos que los ltimos datos indican que la siguiente cadena de Markov describe como cambia el
estado de una cuenta de un mes al siguiente:

29

1 0 0 0 0 0
0 1 0 0 0 0
3 . 7 . 0 0 0 0
0 6 . 4 . 0 0 0
0 5 . 0 5 . 0 0
0 4 . 0 0 6 . 0
3
2
1
Incobrable
Pagada
meses
meses
mes
Nueva

Por ejemplo, si al principio de un mes una cuenta lleva dos meses de vencida, hay 40% de
probabilidades de que no se pague al principio del mes siguiente y, por lo tanto, que tenga tres meses
de retraso y una probabilidad de 60% de que se pague.

Para simplificar el ejemplo, supondremos que despus de tres meses, la cuenta o se cobra o se
considera incobrable.

Una vez que una deuda se paga o se considera incobrable, se cierra y no se tienen ms transiciones. Por
lo tanto. Pagada e Incobrable son estados absorbentes. Como toda cuenta al final o se paga o se
considera incobrable, las cuentas Nueva, 1 mes, 2 meses y 3 meses son estados transitorios. Por
ejemplo, una cuenta vencida hace 2 meses puede seguir la trayectoria 2 meses-pagada, pero no hay
regreso posible de Pagada a 2 meses.

Una cuenta nueva normal ser absorbida ya sea como pagada o como incobrable. Una pregunta de
mayor inters es: cul es la probabilidad de que una cuenta nueva Finalmente se pueda cobrar? Ms
adelante en esta seccin se encontrar la respuesta.

Ejemplo. Planificacin de personal la empresa de abogados Masn y Burger emplea a tres categoras
de abogados: principiantes, con experiencia y socios. Durante un ao determinado hay una
probabilidad .15 que un abogado principiante sea ascendido a abogado con experiencia y una
probabilidad .05 que deje la empresa. Tambin, hay una probabilidad .20 que un abogado con
experiencia sea ascendido a socio y una probabilidad .10 que deje la empresa. Tambin hay una
probabilidad .05 que un socio deje la empresa. La empresa nunca degrada a un abogado.

Surgen muchas preguntas interesantes que la empresa podra contestar. Por ejemplo, cul es la
probabilidad que un abogado principiante recin contratado se vaya antes de ser socio? En promedio,
cunto tiempo permanece- un abogado principiante recin contratado con la empresa? Las respuestas
se deducirn despus en esta seccin.

Modelaremos la trayectoria de un abogado en Masn y Burger como cadena absorbente de Markov con
la siguiente matriz de probabilidad ce transicin:
30

1 0 0 0 0
0 1 0 0 0 sin
05 . 0 95 . 0 0
0 10 . 20 . 70 . 0
0 05 . 0 15 . 80 . Pr
sin
Pr
socio ser siendo Sale
socio ser Sale
Asociado
ado Experiment
incipiante
socio ser
siendo Sale
socio ser
Sale
Asociado ad Experiment incipiante

Los dos ltimos estados son estados absorbentes y los dems son transitorios. Por ejemplo.
Experimentado es estado transitorio, porque hay una trayectoria de Experimentado a Sale sin ser socio,
pero no hay trayectoria que regrese de Sale sin ser socio a Experimentado. Suponemos que una vez que
un ahogado sale de la empresa nunca regresa.

Para toda cadena absorbente se desea conocer: (1) Si la cadena comienza en un estado determinado
transitorio, y aos de alcanzar un estado absorbente, cul es el nmero esperado de veces que se
llegara a un estado? Cuntos periodos esperamos pasar en un determinado estado transitorio antes que
se efectu la absorcin?
(2) Si una cadena inicia en un estado transitorio dado, cul es la probabilidad de terminar en cada uno
de los estados absorbentes?

Para contestar estas preguntes necesitamos formular la matriz de transicin con los estados en una lista
con el siguiente orden: primero los estados transitorios y despus los absorbentes. Para precisar, se
supondr que hay s - m estados transitorios (t
1
, t
2
,..., t
s-m
) y m estados absorbentes (a
1
, a
2
, ... , a
m
).
Entonces la matriz de transicin para la cadena de absorcin puede escribirse como sigue:

I renglones m
R Q renglones m s
columnas
m
columnas
m s
0

En este formato, los renglones y las columnas de P corresponden, en orden, a los estados (t
1
, t
2
,..., t
s-m
)
(a
1
, a
2
, ... , a
m
). En este caso, I es una matriz identidad m x m, que refleja el hecho de que nunca
podemos dejar un estado absorbente; Q es una matriz (s - m) x (s - m) que representa las transiciones
entre los estados transitorios; R es una matriz (s - m) x m que representa las transiciones desde los
estados transitorios a los estados absorbentes; 0 es una matriz m x {s - m) que consta de ceros. Esto
refleja el hecho de que es imposible ir de un estado absorbente a uno transitorio.

Aplicando esta notacin al Ejemplo 7, tenemos que
t
1
= Nueva
t
2
=1 mes
t
3
=2 meses
t
4
=3 meses
a
1
=Pagada
a
2
=Incobrable
31

Entonces, para ese ejemplo, las partes de la matriz de probabilidad de transicin se puede
expresar como (s =6, m =2)

=
0 0 0 0
4 . 0 0 0
0 5 . 0 0
0 0 6 . 0
Q
=
3 . 7 .
0 6 .
0 5 .
0 4 .
R

Para el Ejemplo 8, sean

t
1
= Principiante
t
2
=Experimentado
t
3
=Socio
a
1
=Sale sin ser socio
a
2
=Sale siendo socio

y podemos escribir las partes de la matriz de probabilidad de transicin como

=
95 . 0 0
20 . 70 . 0
0 15 . 80 .
Q
=
05 . 0
0 10 .
0 05 .
R

Podemos ahora investigar algunos hechos acerca de las cadenas absorbentes (Keineny y Snell(1960)):
(1) Si la cadena comienza en un determinado estado transitorio, y antes de alcanzar un estado
absorbente, cul es entonces el nmero esperado de veces que se entrar en cada estado? Cuntos
periodos esperamos pasar en un estado transitorio dado antes de que se lleve a cabo la absorcin?
Respuesta: Si en este momento estamos en el estado transitorio t
i
el nmero esperado de periodos que
pasarn en un estado transitorio t
j
, antes de la absorcin es el ij-simo elemento de la matriz (I- Q)
-1
.
Para una demostracin vea e! Problema 8 al final de esta seccin. (2) Si una cadena inicia en un estado
transitorio dado, qu probabilidad hay de terminar en cada uno de los estados absorbentes? Respuesta:
Si en este momento estamos en un estado transitorio i, la probabilidad de ser absorbidos finalmente por
un estado absorbente a
j
es el ij-simo elemento de la matriz (I Q)
-1
R. Para una demostracin vea el
Problema 9 al final de esta seccin.

La matriz (I- Q)
-1
a menudo se llama matriz fundamental de la cadena de Markov. El lector que se
interese en proseguir el estudio de cadenas de absorcin debe consultar Kemeny y Snell (1960).

Continuacin del ejemplo de Cuentas por cobrar

1. Cul es la probabilidad que una cuenta nueva sea cobrada alguna vez?

2. Cul es la probabilidad que una cuenta atrasada un mes se vuelva finalmente incobrable?

32

3. Si las ventas de la empresa son 100 000 dlares en promedio mensual, cunto dinero ser
incobrable cada ao?

Solucin De la descripcin anterior, recuerde que

=
0 0 0 0
4 . 0 0 0
0 5 . 0 0
0 0 6 . 0
Q
=
3 . 7 .
0 6 .
0 5 .
0 4 .
R

Entonces

=
1 0 0 0
4 . 1 0 0
0 5 . 1 0
0 0 6 . 1
Q I

( )
=

1 0 0 0
40 . 1 0 0
20 . 50 . 1 0
12 . 30 . 60 . 1
1
Q I

Para contestar las preguntas 1 a 3 necesitamos calcular

( )
=

300 . 700 .
120 . 880 .
060 . 940 .
036 . 964 .
1
R Q I

Entonces

1. t
1
=Nueva, a
1
=Pagada. As, la probabilidad de que una cuenta nueva se pague finalmente es el
elemento 11 de =.964 ( ) R Q I
1
2.t
2
=1 mes, a
2
=Incobrable. Entonces, la probabilidad que una cuenta atrasada un mes se vuelva
incobrable es el elemento 22 de( =.06. ) R Q I
1

33

3. De la respuesta 1, slo el 3.6% de todas las deudas son incobrables. Como las cuentas totales del ao
son 1 200 000 dlares en promedio, (.036)(1 200 000) =43 200 dlares sern impagables al ao.

Ejemplo Planificacin del personal (continuacin)

1. Cul es la duracin promedio de un abogado joven recin contratado en la empresa?

2. Cual es la probabilidad de que un abogado joven llegue a ser socio?

3. Cul es la duracin promedio que pasa un socio en el bufete?

Solucin Recordemos que en el Ejemplo

=
95 . 0 0
20 . 70 . 0
0 15 . 80 .
Q
=
05 . 0
0 10 .
0 05 .
R

Entonces.

=
05 . 0 0
20 . 30 . 0
0 15 . 20 .
Q I

luego
=

20 0 0
0
10 5 . 2 5
) (
3
40
3
10
1
Q I

=

1 0
50 . 50 .
) (
3
2
3
1
1
R Q I

Por lo tanto,

1. El tiempo esperado que un abogado principiante permanece en la empresa =(duracin esperada del
abogado principiante en la empresa como principiante) +(tiempo esperado que el abogado principiante
permanece en la empresa como abogado con experiencia) + (tiempo esperado que el abogado
principiante permanece en la empresa como socio). Entonces

Tiempo esperado como principiante = =5
1
11
) (

Q I
34

Tiempo esperado como con experiencia = =2.5
1
12
) (

Q I
Tiempo esperado como socio = =10
1
3 . 1
) (

Q I

Por lo tanto, el tiempo total esperado que un abogado principiante permanece en la empresa es 5 +2.5
+10 ==17.5 aos.

2. La probabilidad de que un abogado principiante recin ingresado llegue a ser socio es tan solo la
probabilidad de que salga de la empresa siendo socio. Como t
1
=Principiante y a
2
=Sale siendo socio,
la respuesta es el elemento 12 de =.50. R Q I
1
) (

3. Como t3 =Socio, buscamos el numero esperado de aos que pasa en t3 dado que comenzamos en
t3. Esto es justamente el elemento 33 de =20 aos. Es razonable, porque durante cada ao
hay una probabilidad en 20 que un socio deje el bufete y. por lo tanto, debe lardar un promedio de 20
aos en dejar la empresa.
1
) (

Q I

PROBLEMAS

l. El departamento de admisin del colegio estatal ha modelado la trayectoria de un estudiante en esa
institucin corno cadena de Markov:

1er ao 2do ao 3er ao 4to ao Termina Sale
1er ao .10 .80 0 0 .10 0
2do ao 0 .10 .85 0 .05 0
3er ao 0 0 .15 .80 .05 0
4to ao 0 0 0 .10 .05 .85
Sale 0 0 0 0 1 0
Tea 0 0 0 0 0 1

Se observa el estado de cada estudiante al principio de cada semestre de otoo. Por ejemplo, si un
estudiante es de 3er ao al principio de este semestre de otoo, habr 80% de probabilidades de que al
principio del siguiente semestre de otoo sea de cuarto ao, 15% de probabilidad de que aun sea de 3er
ao y 5% de que salga. Suponemos que una vez que sale un estudiante ya nunca vuelve a inscribirse.

(a) Si un estudiante entra al colegio a primer ao, cuntos aos se espera que pasen siendo
estudiante?

(b) Cul es la probabilidad de que se grade un estudiante de nuevo ingreso?

2. El Herald Tribble obtuvo la siguiente informacin acerca de sus suscriptores: durante el primer ao
como suscriptores, el 20% cancelan sus suscripciones. De los que se han suscrito por un ao, el 10%
35

cancelan durante el segundo ao. De los que se han suscrito por ms de dos aos, el 4% cancelan
durante cualquier ao dado. En promedio, cunto tiempo se suscribe una persona al Herald Tribble ?

3. Un bosque consta de dos tipos de rboles: los que tienen de 0 a 1.50 m de alto, y los que son ms
altos. Cada ao muere el 40% de los rboles que tienen menos de 1.50 m, el 10% se venden a 20
dlares cada uno, 30% permanecen entre 0 y 1.50 in, y el 20% crecen mas de 1.50 m. Cada ao, el
50% de los rboles de ms de 1.50 m se venden a 50 dlares, el 20% se venden a 30 dlares, y el 30%
permanecen en el bosque.

a) Cul es !a probabilidad de que muera un rbol de 0 a 1.50 m antes de venderse?

b) Si se planta un rbol de menos de 1.50 m, cul es el ingreso esperado que se va a tener con ese
rbol?

4. Las cadenas absorbentes de Markov se usan en ventas para modelar la probabilidad de que un
cliente que se localiza por telfono compre finalmente algn producto. Considere un cliente posible a
quien nunca le ha llamado acerca de comprar un producto. Despus de una llamada, hay una
probabilidad de 60% de que tenga poco inters en el producto, de 30% que muestre un gran inters en
el producto, y 10% de que sea borrado de la lista de los posibles clientes de la compaa. Se tiene un
cliente que actualmente tiene poco inters en el producto- Despus de otra llamada, hay 30% de
probabilidades de que compre el producto, 20% de probabilidades de que sea borrado de la lista, 30%
de que el cliente an tenga poco inters y 20% de que exprese un inters alto. Para un cliente que
actualmente expresa alto inters, despus de otra llamada hay 50% de probabilidades de que compre el
producto, 40% de probabilidades de que siga teniendo gran inters y 10% de probabilidades que tenga
poco inters.
a) Cul es ]a probabilidad de que un nuevo posible cliente al final compre el producto?
b) Cul es la probabilidad de que un posible cliente con poco inters sea borrado de la lista
finalmente?
c) En promedio, cuntas veces habr que llamar por telfono a un nuevo posible cliente para que
compre el producto, o para que sea borrado de la lista?

5. En el problema de la ruina del jugador (Ejemplo 1), suponga que p =.60.

a) Qu probabilidad hay de que alcance a ganar 4 dlares?
b) Cul es la probabilidad de que salga sin dinero?
(c) Cul es la duracin esperada del juego?

6. En el cuidado de pacientes ancianos en un hospital psiquitrico, una meta principal es la colocacin
correcta de los pacientes en pensiones u hospitales para ancianos. El movimiento de pacientes entre el
hospital, los hogares externos y el estado absorbente (la muerte) se puede describir mediante la
siguiente cadena de Markov. La unidad de tiempo es un mes:
Hospital Hogares Muerte
Hospital .991 .003 .006
Hogares .025 .969 .006
Muerte 0 0 1

36

Cada mes que pasa un paciente en el hospital cuesta 655 dlares al estado, y cada mes que pasa en una
pensin le cuesta 226 dlares, tambin al estado. Para mejorar la ocurrencia de xitos de colocacin de
pacientes, el estado recientemente comenz un "programa de resocializacin geritrica" (GRP) para
preparar a los pacientes a desempearse en las pensiones. Algunos pacientes se colocan en el GRP y a
continuacin pasan a pensiones. Es menos probable que estos pacientes no se puedan ajustar a sus
pensiones. Otros pacientes continan pasando en forma directa del hospital a las pensiones sin haber
tomado parte en el (GRP). El estado paga 680 dlares cada mes lo que cuesta el paciente en el GRP. El
movimiento de los pacientes est gobernado por la siguiente cadena de Markov:

GRP Hospital Pensiones
(GRP)
Pensiones
(directo)
Muerte
GRP .854 .028 .112 0 .006
Hospital .013 .978 0 .003 .006
Pensiones
(GRP)
.025 0 .969 0 .006
Pensiones
(directo)
0 .025 0 .969 .006
Muerte 0 0 0 0 1

(a) El GRP, ahora fondos al estado?

(b) Bajo el sistema anterior y bajo el GRP, calcule el nmero esperado de meses que pasa un paciente
en el hospital.

7. Freezco, Inc.. vende refrigeradores. La fbrica otorga una garanta en todos los refrigeradores que
especifica cambio gratis de cualquier unidad que se descomponga antes de tres aos. Se nos da la
siguiente informacin: (1) el 3% de todos los refrigeradores nuevos falla durante su primer ano de
funcionamiento; (2) el 5% de todos los refrigeradores con 1 ao de funcionamiento falla durante su
segundo ao de trabajo, y (3) el 7% de todos los refrigeradores con dos aos de funcionamiento falla
durante su tercer ao. La garanta no vale para el refrigerador de repuesto.

a) Use la teora de endonas de Markov para predecir la fraccin de lodos los refrigeradores que deber
cambiar Freezco.

b) Suponga que a Freezco le cuesta 500 dlares cambiar un refrigerador y que vende 10 000
refrigeradores al ao. Si la fabrica redujera el plazo de garanta a dos aos, cunto dinero se ahorrara
en costos de reemplazo?
8. Para una matriz Q que, represente las transiciones entre estados transitorios en una cadena
absorbente de Markov, se puede demostrar que

L + + + =
2 1
) ( Q Q I Q I

37

a) Explique por que es posible esta expresin de
1
) (

Q I

b) Defina a m
ij
=nmero esperado de periodos pasados en el estado transitorio t, antes de la absorcin,
si se sabe que iniciamos en el estado t
i
. Suponga que el periodo inicial se pasa en el estado t
i
. Explicar
por qu m
ij
=(probabilidad de que estemos al principio en el estado t
j
} +(probabilidad que estemos en
el estado t
j
despus de la primera transicin) +(probabilidad que estemos en el estado t
j
despus de la
segunda transicin) +. . . +(probabilidad que estemos en el estado t
j
despus de la n-sima transicin)
+.

c) Explique por qu la probabilidad de que estemos inicialmente en el estado t
j
=elemento ij-simo de
la matriz identidad (s - m} x (s - m). Explique por qu la probabilidad de que estemos en el estado t
j

despus de la ij-sima transicin =elemento ij-simo de Q
n
.

d) Ahora explique por qu m
ij
=elemento ij de
1
) (

Q I

9. Defina

b
ij
=probabilidad de terminar en un estado absorbente a
j
dado que iniciamos en un estado transitorio t
j
r
ij
=ij-simo elemento de R.
q
ij
=ij-simo elemento de Q.
B =matriz (s m) x m cuyo ij-simo elemento es b
ij

Suponga que iniciamos en el estado t
i
. En nuestra primera transicin, pueden suceder tres tipos de
eventos:

Evento 1 Pasamos al estado absorbente a
j
, con probabilidad r
ij
.

Evento 2 Pasamos al estado absorbente que no es a
j
, con probabilidad
j k
ik
r
Evento 3 Pasamos al estado transitorio t
k,
con probabilidad q
ik

a) Explique por qu

b
ij
=r
ij
+
j k
kj ik
b q

b) Ahora demuestre que b
ij
es el ij-simo elemento de (R +QB) y que B =R+QB

c) Demuestre que B = y que b
ij
=ij-simo elemento de B = .
1
) (

Q I
1
) (

Q I

10, General Motors tiene tres divisiones automotrices (divisin 3, divisin 2 y divisin 3). Tambin
tiene una divisin de contabilidad y una de consultora de administracin. La pregunta es: Que
fraccin del costo de las divisiones de contabilidad y de consultora de administracin se debe cargar a
cada divisin automotriz? Suponemos que el costo total de los departamentos de contabilidad y
38

consultora se deben repartir entre las tres divisiones automotrices. Durante un ano determinado, el
trabajo de las divisiones de contabilidad y consultora se asigna como se ve en la siguiente tabla.
Contabilidad Consultora de
Adm.
Divisin 2 Divisin 3
Contabilidad 10% 30% 20% 20% 20%
Administracin 30% 20% 30% 0% 20%

Por ejemplo, contabilidad emplea el 10% de su tiempo en problemas generados por el departamento
de contabilidad, 20% en trabajos generados por la divisin 3, etc. Cada ao, cuesta 63 millones de
dlares la operacin de! departamento de contabilidad, y 210 millones de dlares la del departamento
de consultora de administracin. Que fraccin de esos costos se debe asignar a cada divisin
automotriz?
Imaginar 1 dlar en costos incurridos en trabajos de contabilidad. Hay una probabilidad .20 de que
estos costos se asignen a cada divisin automotriz, probabilidad .30 de que se asigne a consultora y
probabilidad .10 que se asigne a contabilidad. Si el dlar se asigna a una divisin automotriz, sabemos
a qu divisin se debe cargar ese dlar. Por ejemplo, si el dlar se carga a consultara, repetimos el
proceso hasta que, por ltimo, el dlar se cargue a una divisin automotriz.

Use el conocimiento de cadenas de Markov para establecer cmo asignar los costos de funcionamiento
de los departamentos de contabilidad y asesora entre las tres divisiones automotrices.

39

2.TEORA DE COLAS

Todos nosot r os hemos esper ado mucho t i empo en l neas o col as. En est e capi t ul o
di sear emos model os mat emt i cos de col as de esper a. En l a secci n 2. 3 comenzar emos
descr i bi endo par t e de l a t er mi nol og a que se usa con f r ecuenci a par a descr i bi r l as
col as. En l a Secci n 2. 2 ver emos al gunas di st r i buci ones ( exponenci al y de
Er l ang) que se necesi t an par a descr i bi r l os model os de col as. En l a Secci n 2. 3
i nt r oduci r emos l a i dea de un pr oceso de naci mi ent o y muer t e bsi co par a muchos
model os de col as donde i nt er vi ene l a di st r i buci n exponenci al . En el r est o del
cap t ul o exami nar emos al gunos model os de si st emas de col as que se pueden usar par a
r esponder pr egunt as como l as si gui ent es:

1. Que f r acci n del t i empo est oci oso cada ser vi dor ?

2. Cul es el nmer o esper ado de cl i ent es pr esent es en l a col a?

3. Cul es el t i empo esper ado que un cl i ent e pasa en l a col a?

4. Cul es l a di st r i buci n de pr obabi l i dad del nmer o de cl i ent es pr esent es en
una col a?

5. Cul es l a di st r i buci n de pr obabi l i dad del t i empo de esper a de un cl i ent e?

6. Si un ger ent e de banco desea asegur ar que sl o el 17%de l os cl i ent es t enga que
esper ar ms de 5 mi nut os su t ur no cunt as vent ani l l as debe empl ear ?

2.1 TERMINOLOGA PARA LA TEORA DE COLAS

Par a descr i bi r una col a se deben especi f i car un pr oceso de ent r ada y uno de
sal i da. En l a Tabl a 1 se pr esent an al gunos ej empl os de pr ocesos de ent r ada y
sal i da.

CASO PROCESO DE ENTRADA PROCESO DE SALI DA
Banco Los cl i ent es l l egan al
banco
Los caj er os despachan a
l os cl i ent es

Pi zzer a Se r eci ben pedi dos de
pi zzas
La pi zzer a manda una
mot oci cl et a par a ent r egar
pi zzas

Banco de sangr e en
hospi t al
Ll egan bol sas de sangr e Los paci ent es usan l as
bol sas de sangr e
Ast i l l er o naval

Se descomponen l os bar cos
en el mar y se mandan al
ast i l l er o a r epar aci n
Se r epar an l os bar cos y
r egr esan al mar

EL PROCESO DE LLEGADA

El pr oceso de ent r ada se conoce, por l o gener al , por pr oceso de l l egada. La
l l egada son l os cl i ent es. En t odos l os model os que est udi amos, suponemos que sol o
40

hay una l l egada en un i nst ant e dado. En el caso de un r est aur ant e, es una
suposi ci n muy poco r eal . Si sucede que hay ms de una l l egada en un i nst ant e
dado, deci mos que se per mi t en l l egadas en masa.

En gener al , suponemos que el pr oceso de l l egada no es af ect ado por el numer o de
cl i ent es pr esent es en el si st ema. En el cont ext o de un banco, est o si gni f i car a
que el pr oceso que gobi er na l as l l egadas no cambi a, haya 5 o 500 per sonas en l a
col a.

Hay dos casos comunes en l os que el pr oceso de l l egada puede depender del nmer o
pr esent e de cl i ent es. El pr i mer o se da cuando l as l l egadas se t oman de una
pobl aci n pequea. Suponga que sol o hay cuat r o bar cos en un ast i l l er o naval . Si
l os cuat r o est n en r epar aci n, ent onces ni ngn bar co se puede descomponer en el
f ut ur o cer cano. Por ot r o l ado, si l os cuat r o bar cos est n en el mar , en el f ut ur o
cer cano hay una pr obabi l i dad r el at i vament e al t a de que suceda una descompost ur a.

Los model os en l os que l as l l egadas se t oman de una pobl aci n pequea se l l aman
model os de or i gen f i ni t o. Ot r o caso en el que el pr oceso de l l egada depende del
nmer o de cl i ent es pr esent es, se t i ene cuando l a r api dez a l a que l l egan l os
cl i ent es a l a i nst al aci n di smi nuye cuando est demasi ado concur r i da. Por ej empl o,
si el l ect or ve que el est aci onami ent o del banco est l l eno, podr a pasar e i r
ot r o d a al banco. Si un cl i ent e l l ega, per o no puede ent r ar al si st ema, deci mos
que el cl i ent e ha decl i nado. El f enmeno de decl i naci n ( denegar o no apr ovechar
su t ur no) f ue expl i cado por Yogi Ber r a cuando di j o: " Nadi e va ya al r est aur ant e;
est demasi ado concur r i do. "

Si al pr oceso de l l egadas no l o af ect a el numer o de cl i ent es pr esent es, l o
expr esamos nor mal ment e especi f i cando una di st r i buci n de pr obabi l i dad que gobi er ne
el t i empo ent r e l l egadas sucesi vas.

PROCESO DE SALIDA O DE SERVICIO

Par a descr i bi r el pr oceso de sal i da, que con f r ecuenci a se l l ama pr oceso de
ser vi ci o, de un si st ema de col a, en gener al especi f i camos una di st r i buci n de
pr obabi l i dad; l a di st r i buci n del t i empo de ser vi ci o, que gobi er na el t i empo de
ser vi ci o a un cl i ent e. En l a mayor par l e de l os casos suponemos que l a
di st r i buci n de t i empo de ser vi ci o es i ndependi ent e del nmer o de cl i ent es
pr esent es. Est o si gni f i ca, por ej empl o, que el ser vi dor no t r abaj a ms r pi do
cuando hay ms cl i ent es.

En est e cap t ul o est udi ar emos dos acomodos de ser vi dor es: ser vi dor es en par al el o y
ser vi dor es en ser i e. Los ser vi dor es est n en par al el o si t odos el l os dan el mi smo
t i po de ser vi ci o y un cl i ent e sl o necesi t a pasar por un ser vi dor par a compl et ar
su ser vi ci o. Por ej empl o, l os caj er os de un banco est n or gani zados gener al ment e
en par al el o; cual qui er cl i ent e sl o necesi t a ser at endi do por un caj er o, y
cual qui er caj er o puede l l evar a cabo el ser vi ci o deseado. Los ser vi dor es est n en
ser i e si un cl i ent e debe pasar por var i os de el l os ant es de compl et ar el ser vi ci o.

Un ej empl o de un si st ema de col a en ser i e es una l nea de ensambl e.

DISCIPLINA DE LA COLA

Para explicar por completo un sistema de cola, tambin debemos explicar la disciplina de la cola y la
manera en la que los clientes se unen a ella.

41

La di sci pl i na de l a col a es el mt odo que se usa par a det er mi nar el or den en el
que se si r ve a l os cl i ent es. La di sci pl i na ms comn es l a di sci pl i na FI FO ( el
pr i mer o en l l egar pr i mer o en ser ser vi do) , en l a que l os cl i ent es son ser vi dos en
el or den de su l l egada. Baj o l a di sci pl i na LI FO ( l t i mo en l l egar , pr i mer o en ser
ser vi do) , l as l l egadas mas r eci ent es son l as pr i mer as en r eci bi r el ser vi ci o. Si
pensamos que l a sal i da de un el evador sea un ser vi ci o, ent onces un el evador muy
l l eno i l ust r a una di sci pl i na LI FO. A veces, el or den en el que l l egan l os cl i ent es
no t i ene ef ect o al guno sobr e el or den en que se l es si r ve. Est e ser a el caso si
el si gui ent e cl i ent e en l l egar se sel ecci ona al azar de ent r e l os que est n
esper ando par a ser at endi dos. A est e caso se l e l l ama di sci pl i na SEOA ( ser vi ci o en
or den al eat or i o) . Cuando al l l amar a una aer ol nea se l es pi de que esper emos, l a
suer t e de l a sel ecci n det er mi na con f r ecuenci a al si gui ent e i nt er l ocut or que es
at endi do por un oper ador .

Por l t i mo, ver emos l as di sci pl i nas de pr i or i dad en esper a. Est a di sci pl i na
cl asi f i ca cada l l egada en al guna de l as cat egor as que t i ene. Luego se l e da un
ni vel de pr i or i dad, a cada cat egor a y dent r o de cada ni vel de pr i or i dad l os
cl i ent es ent r an al ser vi ci o segn una di sci pl i na LI FO. Las di sci pl i nas de
pr i or i dad se usan con f r ecuenci a en l as sal as de ur genci a par a det er mi nar el or den
en el que l os cl i ent es deben r eci bi r t r at ami ent o, y en l as i nst al aci ones de
copi ado y de t i empo compar t i do de cmput o, cuando l a pr i or i dad se da en gener al , a
t r abaj os que r eci ben poco t i empo.

MTODO UTILIZADO POR LAS LLEGADAS PARA UNIRSE A LA COLA

Ot r o f act or que t i ene un i mpor t ant e ef ect o sobr e el compor t ami ent o de un si st ema
de col a es el mt odo que usen l os cl i ent es par a det er mi nar a cul col a uni r se. Por
ej empl o, en al gunos bancos l os cl i ent es deben hacer una sol a col a, per o en ot r os,
pueden escoger l a col a donde f or mar se. Cuando hay var i as col as, con f r ecuenci a l os
cl i ent es se f or man en l a mas cor l a. Desaf or t unadament e en muchos casos, como en un
super mer cado, por ej empl o, es di f ci l def i ni r l a col a ms cor t a. Si hay var i as
col as en una i nst al aci n, es i mpor t ant e conocer si se per mi t e a l os cl i ent es
cambi ar de col a o no. En l a mayor par t e de l os si st emas con col as ml t i pl es se
per mi t e el cambi o, per o no se r ecomi enda el cambi o en una casi l l a par a peaj e.

2-2 MODELADO DE LOS PROCESOS DE LLEGADA Y DE
SERVICIO

MODELADO DEL PROCESO DE LLEGADA

Como se menci on ant es, suponemos que puede suceder una l l egada cuando mucho en un
i nst ant e dado de t i empo, Def i ni mos a t
i
como el t i empo en el cual l l ega el i - si mo
cl i ent e. Par a i l ust r ar l o, veamos l a Fi g. 1. Par a i 1, def i ni mos T
i
= t
i +1
- t
i
;
como el i - si mo t i empo ent r e l as l l egadas. As , en esa f i gur a, T
1
= 8 - 3 = 5, y T
2

= 15 - 8 = 7. Al model ar el pr oceso de l l egada, suponemos que l as T
i
son var i abl es
i ndependi ent es, al eat or i as y cont i nuas descr i t as por l a var i abl e al eat or i a A. La
hi pt esi s de i ndependenci a qui er e deci r , por ej empl o, que el val or de T
2
no t i ene
ef ect o sobr e el val or de T
3
, T
4
; o cual qui er ot r a T
i
, post er i or . La hi pt esi s de
que cada T, es cont i nua en gener al es buena apr oxi maci n a l a r eal i dad. Despus de
t odo, un t i empo ent r e l l egadas no necesi t a ser exact ament e de 1 o 2 mi nut os;
podr a ser i gual ment e de, por ej empl o 1. 55892 mi nut os. La hi pt esi s de que cada
t i empo ent r e l l egadas est gober nado por l a mi sma var i abl e si gni f i ca que l a
di st r i buci n de l l egadas es i ndependi ent e de l a hor a del d a o del d a de l a
semana. Es l a hi pt esi s de t i empos est abl es ent r e l l egadas. A causa de f enmenos
42

como hor as de al t o t r nsi t o, con f r ecuenci a l a hi pt esi s de t i empos est abl es ent r e
l l egadas no es r eal , per o con f r ecuenci a podemos apr oxi mar el caso r eal
descomponi endo l as hor as del d a en segment os. Por ej empl o, si est uvi r amos
model ando el f l uj o de t r nsi t o, podr amos descomponer el d a hast a en t r es
segment os: uno de t r ansi t o el evado por l a maana, un segment o de medi o d a y uno
de pr i sas por l a t ar de. Dur ant e cada uno de esos segment os l os t i empos ent r e
l l egadas pueden ser est abl es.

Fi gur a 1 Def i ni ci n de t i empos ent r e l l egadas

Suponga que A t i ene una f unci n de densi dad a( t }. Par a t pequea, P( t A t +
t ) es apr oxi madament e t a( t ) . Nat ur al ment e que es i mposi bl e un t i empo negat i vo
ent r e l l egadas. Est o nos per mi t e escr i bi r
( 1) y
=
c
dt t a c A P
0
) ( ) (

= >
c
dt t a c A P ) ( ) (

Def i ni mos
1
como el t i empo pr omedi o ent r e l l egadas. Si n pr di da de gener al i dad,
suponemos que el t i empo se mi de en hor as. Ent onces
1
t endr uni dades de hor as por
l l egada. Podemos cal cul ar
1
a par t i r de a( t ) empl eando l a si gui ent e ecuaci n:

( 2)
=
0
) (
1
dt t a

A se l e l l ama r api dez de l l egadas y es el t i empo pr omedi o ent r e l l egadas. Sus
uni dades son l l egadas por hor a.

En l a mayor par t e de l as apl i caci ones de col as, un asunt o i mpr t ame es como
escoger A par a que r ef l ej e l a r eal i dad y que, al mi smo t i empo, se pueda manej ar
mat emt i cament e. La sel ecci n mas comn de A es l a di st r i buci n exponenci al Una
di st r i buci n exponenci al con par met r o t i ene una densi dad a( t } = l a Fi g. 2
se muest r a l a f unci n de densi dad par a una di st r i buci n exponenci al . Vemos que
a{t ) di smi nuye en f or ma muy r pi da par a t pequea. Est o i ndi ca que son poco
pr obabl es t i empos muy gr andes ent r e l l egadas. Con l a ecuaci n( 2) e i nt egr ando por
par t es podemos demost r ar que el t i empo medi o o pr omedi o ent r e l l egadas E( A) est
dado por
e
t

( 3) E( A) =
1

De acuer do con el hecho que var A = E( A
2
) - E( A)
2
, podemos demost r ar que

( 4) var A = ( )
2
1

43

Fi gur a 2 Funci n de densi dad par a l a di st r i buci n exponenci al

Pr opi edad de Amnesi a de l a di st r i buci n exponenci al . La r azn que se use con
f r ecuenci a l a di st r i buci n exponenci al par a model ar l os t i empos ent r e l l egadas
se encuent r a en el si gui ent e l ema:

LEMA 1. Si A t i ene di st r i buci n exponenci al , ent onces par a t odo val or no negat i vo
de t y h

( 5) ) ( ) / ( h A P t A h t A P > = + >

Demost r aci n: Not ar emos pr i mer o que segn l a Ecuaci n ( 1) ,

( 6)
e e
h
h
t
h
dt dt t a h A P

= = = >

) ( ) (
Luego

) (
) (
) (
) (
) / (
t A P
h t A P
t A P
t A h t A P
t A h t A P
+ >
=
+ >
= + > ut i l i zando ( 6) =

) (
) (
h A P
e
e
e
h
t
h t
> = =

Se puede demost r ar que no hay ot r a f unci n de densi dad que sat i sf aga l a Ecuaci n
( 5) . Por r azones que se hacen evi dent es, se di ce que una densi dad que sat i sf aga l a
Ecuaci n ( 5) t i ene l a pr opi edad de amnesi a, o de no memor i a. Suponga que sabemos
que no ha habi do l l egadas dur ant e l as l t i mas t hor as, que equi val e a que nos
di gan que A t y que nos pr egunt en cul es l a pr obabi l i dad que no haya l l egadas
dur ant e l as si gui ent es h hor as, es deci r , A > t + h. Ent onces, l a Ecuaci n ( 5)
qui er e deci r que est a pr obabi l i dad no depende del val or de t , y que par a

t odos l os val or es de t est a pr obabi l i dad es i gual a P( A > h) . En r esumen, si
conocemos que han pasado al menos t uni dades de t i empo desde l a l t i ma l l egada,
ent onces l a di st r i buci n del t i empo que queda hast a l a si gui ent e l l egada, h, no
depende de t . Por ej empl o. Si h = 4, ent onces l a Ecuaci n ( 5) pr oduce, par a t = 5
, t = 3, t = 2 y t = 0,
44

e
A A P A A P A A P A A P
4
) 0 / 4 ( ) 2 / 6 ( ) 3 / 7 ( ) 5 / 9 (

= > = > = > = >

La pr opi edad de amnesi a de l a di st r i buci n exponenci al es i mpor t ant e por que si
deseamos conocer l a di st r i buci n de pr obabi l i dad del t i empo par a l a si gui ent e
l l egada, no i mpor t a cuant o t i empo haya pasado desde l a ul t i ma l l egada. Par a
deci r l o en t r mi nos concr et os, suponga que l os t i empos ent r e l l egadas se
di st r i buyen exponenci al ment e con = 6. Ent onces l a pr opi edad de amnesi a si gni f i ca
que no i mpor t a cunt o t i empo haya pasado desde l a l t i ma l l egada, l a di st r i buci n
de pr obabi l i dades que r i ge el t i empo par a l a si gui ent e l l egada t i ene l a f unci n de
densi dad . Est o si gni f i ca que par a pr edeci r l os compor t ami ent os de l as
l l egadas f ut ur as no necesi t amos mant ener r egi st r o de cuant o ha pasado desde l a
l t i ma l l egada. Est a obser vaci n puede si mpl i f i car mucho el anl i si s de un si st ema
de col as.
e
t

Par a vi sual i zar que conocer el t i empo desde l a l t i ma l l egada no af ect a l a
di st r i buci n del t i empo par a l a si gui ent e l l egada en l a mayor par t e de l os casos,
suponga que A es di scr et a con P( A = 5) = P( A = 100) = xi Si sabemos que no ha
habi do l l egadas dur ant e l as l t i mas 6 uni dades de t i empo, sabemos con cer t eza que
pasar an 100 6 = 94 uni dades de t i empo par a l a si gui ent e l l egada. Por ot r o l ado,
si nos di cen que no ha habi do l l egada dur ant e l a l t i ma uni dad de t i empo, ent onces
hay ci er t a pr obabi l i dad de que el t i empo par a l a si gui ent e l l egada sea 5- 1=4
uni dades y ci er t a pr obabi l i dad que sea 100- 1 =99 uni dades. Por l o t ant o, en est e
caso, l a di st r i buci n del si gui ent e t i empo ent r e l l egadas no se puede pr edeci r
conoci endo el t i empo que ha pasado desde l a l t i ma l l egada.

RELACIN ENTRE LA DISIRIBUCIN DE POISSON Y LA DISTRIBUCIN EXPONENCIAL.

Si l os t i empos ent r e l l egadas son exponenci al es, l a di st r i buci n de pr obabi l i dad
del nmer o de l l egadas que se t i enen en cual qui er i nt er val o de t i empo t est dada
por el si gui ent e t eor ema i mpor t ant e:

TEOREMA 1 Los t i empos ent r e l l egadas son exponenci al es con par met r o si y
sol o si el nmer o de l l egadas que suceden en un i nt er val o t si gue una
di st r i buci n de Poi sson con par met r o t .

Una var i abl e al eat or i a di scr et a N t i ene una di st r i buci n de Poi sson con par met r o
si , par a n = 0. 1, 2, . . . ,

( 7) P( N = n) =
! n
n
e

( n = 0. 1. 2. . . . )
Si N es una variable aleatoria de Poisson, se sabe que E(N) =var N =. Si hacemos que N, sea el
nmero de llegadas que suceden durante cualquier intervalo de tiempo de longitud t, el Teorema 1
establece que
P( N
t
= n) =
!
) (
n
t
n
t
e

( n = 0. 1. 2. . . . )

Como N, es de Poi sson con par met r o t , E( N) = var N = t . Un pr omedi o de t

l l egadas se suceden dur ant e un i nt er val o de t i empo de l ongi t ud t y, ent onces se
45

puede pensar que es el nmer o pr omedi o de l l egadas por uni dad de t i empo, o
r api dez de l l egadas.

Qu hi pt esi s se necesi t an par a que l os t i empos ent r e l l egadas sean
exponenci al es?. El Teor ema 2, mas adel ant e, nos da una r espuest a par ci al . Veamos
l as dos hi pt esi s si gui ent es:

1. Las l l egadas def i ni das en i nt er val os de t i empo que no se t r asl apan son
i ndependi ent es ( por ej empl o, el nmer o de l l egadas que se t i ene ent r e l os t i empos
1 y 10 no nos da i nf or maci n al guna acer ca del nmer o de l l egadas ent r e l os
t i empos 30 y 50) .

2. Par a pequeo, y cual qui er val or de t , l a pr obabi l i dad de que se t enga una t
l l egada ent r e l os t i empos t y t + t es t + o( t ) donde o( ) es cual qui er
cant i dad que sat i sf aga
t
0
) (
lim
0
=

t
t o
t

Tambi n, l a pr obabi l i dad de que no haya l l egada dur ant e el i nt er val o t y t + t
es 1 + o( ) , y l a pr obabi l i dad que hal l a i ms de una l l egada en ese t t
i nt er val o es o( ) . t

TEOREMA 2: Si son val i das l as hi pt esi s 1 y 2, ent onces N, si gue una di st r i buci n
de Poi sson con par met r o t , y l os t i empos ent r e l l egadas son exponenci al es con
par met r o Est o es, a( t } =
e
t

En esenci a, el Teor ema 2 est abl ece que si l a r api dez de l l egadas es est abl e, si
no pueden t ener se l l egadas en masa y si l as l l egadas del pasado no af ect an l as
l l egadas del f ut ur o, ent onces l os t i empos ent r e l l egadas segui r n una di st r i buci n
exponenci al con par met r o y el nmer o de l l egadas en cual qui er i nt er val o de
l ongi t ud t es de Poi sson con par met r o t . Las hi pt esi s del Teor ema 2 pueden
par ecer demasi ado r est r i ct i vas, per o con f r ecuenci a l os t i empos ent r e l l egadas son
exponenci al es aun cuando no se sat i sf agan l as hi pt esi s del Teor ema 2.

En l a Secci n 2. 12 est udi amos cmo usar l os dat os par a pr obar si l a hi pt esi s de
t i empos exponenci al es ent r e l l egadas es r azonabl e. Sucede que en muchas
apl i caci ones, l a hi pt esi s de t i empos exponenci al es ent r e l l egadas es una muy
buena apr oxi maci n del caso r eal .

El Ej empl o i l ust r a l a r el aci n ent r e Li s di st r i buci ones exponenci al y de Poi sson.

EJ EMPLO 1 El numer o de t ar r os de cer veza pedi dos en el Di ck' s Pub si gue una
di st r i buci n de Poi sson con pr omedi o de 30 cer vezas por hor a.
1. Cal cul e l a pr obabi l i dad de que se pi dan exact ament e 60 cer vezas ent r e l as 10
p. m. y l as 12 de l a noche.

2. Det er mi ne el pr omedi o y l a desvi aci n est ndar del nmer o de cer vezas pedi das
ent r e l as 9 p. m. y l a 1 a. m.

3. Cal cul e l a pr obabi l i dad de que el t i empo ent r e dos pedi dos consecut i vos sea
ent r e 1 y 3 mi nut os.

46

1. El nmer o de cer vezas pedi do ent r e l as 10 p. m. y l as 12 de l a noche si gue una
di st r i buci n de Poi sson con par met r o 2( 30) = 60. De l a Ecuaci n ( 7) , l a
pr obabi l i dad de que se pi dan 60 cer vezas ent r e l as 10 p. m. y l a medi anoche es

! 60
60
60
60
e

2. = 30 cer vezas por hor a; t = 4 hor as. Ent onces, el nmer o pr omedi o de cer vezas
pedi das ent r e l as 9 p. m. y l a 1 am es 4( 30) = 120 cer vezas. La desvi aci n
est ndar del nmer o de cer vezas pedi do ent r e l as 9 p. m. y l a 1 a. m. es ( 120)
1/ 2
=
10. 95.

3. Sen X el t i empo en mi nut os ent r e pedi dos sucesi vos de cer veza. El t i empo
pr omedi o de pedi dos por mi nut o es exponenci al con par met r o, o r azn, 30/ 60 = . 5
cer vezas por mi nut o. Ent onces l a f unci n de densi dad de pr obabi l i dad del t i empo
ent e pedi dos de cer veza es . Ent onces
e
t 5 .
5 .

38 . 5 . ) ( ) 3 1 (
5 . 1 5 .
3
1
5 .
3
1
= = = =

e e e
dt dt t a X P
t

DISTRIBUCIN DE ERLANG
Si l os t i empos ent r e l l egadas par ecen no ser exponenci al es, se model an con
f r ecuenci a con una di st r i buci n de Er l ang. Una di st r i buci n de Er l ang es una
var i abl e al eat or i a cont i nua, T, cuya f unci n de densi dad f ( t ) est especi f i cada
por dos par met r os: un par met r o de r api dez R y un par met r o de f or ma k ( k - debe
ser ent er o posi t i vo) . Dados val or es de R y k, l a densi dad de Er l ang t i ene l a
si gui ent e f unci n de densi dad de pr obabi l i dad:

( 8) ( ) 0
)! 1 (
) (
) (
1
t
k
Rt R
t f
e
Rt
k

Medi ant e i nt egr aci n por par l es, podemos demost r ar que si T es una di st r i buci n
de Er l ang con par met r o R de r api dez y k de f or ma, ent onces

( 9) E( T) = k/ R y Var T = k/ R
2

Par a ver cmo al var i ar el par met r o de f or ma se cambi a l a f or ma de l a
di st r i buci n de Er l ang, consi der emos un val or dado de , una f ami l i a de
di st r i buci ones de Er l ang; con par met r o de r pi do k y par met r o de f or ma k. Segn
l a Ecuaci n ( 9) , cada una de esas di st r i buci ones de Er l ang t i ene un pr omedi o de
1/ . Cuando var a k, l a di st r i buci n de Er l ang t oma muchas f or mas. Por ej empl o, en
l a Fi g. 3 se i l ust r a, par a un val or dado de , l as f unci ones de densi dad par a l as
di st r i buci ones de Er l ang que t i enen par met r os de f or ma 1, 2, 4, 6 y 20. Par a k =
1, l a densi dad de Er l ang par ece semej ant e a una di st r i buci n exponenci al ; de
hecho, si hacemos k = 1 en l a Ecuaci n ( 8) vemos que par a est e caso l a
di st r i buci n de Er l ang es exponenci al con par met r o R. Cuando aument a k, l a
di st r i buci n de Er l ang se compor t a ms y mas como di st r i buci n nor mal . Par a
val or es ext r emadament e gr andes de l a di st r i buci n de Er l ang t i ende a una var i abl e
47

al eat or i a con var i anci a cer o ( es deci r , t i empo const ant e ent r e l l egadas) . As , al
var i ar k podemos apr oxi mar nos a di st r i buci ones t ant o asi mt r i cas como si mt r i cas.

Fi gur a 3. Di st r i buci n Er l ang par a di f er ent es val or es de k y con R=3

0 1 2 3 4 5 6

Se puede demost r ar que una di st r i buci n de Er l ang con par met r o de f or ma k y de
r api dez k t i ene l a mi sma di st r i buci n que l a var i abl e al eat or i a A
1
+ A
2
+ +
A
k
, en l a cual cada A
i
es una var i abl e al eat or i a exponenci al con par met r o k y l as
A
i
son var i abl es al eat or i as i ndependi ent es.

Si model amos l os t i empos ent r e l l egadas como una di st r i buci n de Er l ang con
par met r o de f or ma k, en r eal i dad est amos di ci endo que el pr oceso ent r e l l egadas
es equi val ent e a que un cl i ent e pase a t r avs de k f ases, cada una de l as cual es
con pr opi edad de amnesi a, ant es de l l egar . Por est a r azn, al par met r o de f or ma
se l e l l ama con f r ecuenci a numer o de f ases de l a di st r i buci n de Er l ang.

MODELADO DEL PROCESO DE SERVICIO

A cont i nuaci n di r i gi r emos nuest r a at enci n al model ado del pr oceso de ser vi ci o.
Suponemos que l os t i empos de ser vi ci o de di st i nt os cl i ent es son var i abl es
al eat or i as i ndependi ent es y que el t i empo de ser vi ci o de cada cl i ent e est r egi da
por l a var i abl e al eat or i a S que t i ene una f unci n de densi dad s( t ) . def i ni mos
1

como el t i empo pr omedi o de ser vi ci o a un cl i ent e. Nat ur al ment e,

=
0
1
) ( dt t ts

La var i abl e
1
t endr como uni dades hor as por cl i ent e; por l o t ant o, t i ene como
uni dades cl i ent es por hor a. Por est a r azn se l e l l ama a l a r api dez de ser vi ci o.
Por ej empl o, = 5 qui er e deci r que si si empr e hubi er a cl i ent es, qui en at i ende
48

podr a despachar a un pr omedi o de 5 cl i ent es por hor a, y el t i empo pr omedi o de
ser vi ci o par a cada cl i ent e ser a
5
1
de hor a. Como en el caso de l os t i empos ent r e
l l egadas, esper amos que l os t i empos de ser vi ci o se pueden model ar con exact i t ud
como var i abl es al eat or i as exponenci al es. Si podemos model ar al t i empo de ser vi ci o
de un cl i ent e, como una var i abl e al eat or i a exponenci al , podr emos det er mi nar l a
di st r i buci n del t i empo de ser vi ci o sobr ant e de un cl i ent e si n t ener que r egi st r ar
cunt o ha dur ado el ser vi ci o al cl i ent e. Nt ese t ambi n que si l os t i empos de
ser vi ci o si guen una densi dad exponenci al ent onces el t i empo pr omedi o
de ser vi ci o a un cl i ent e ser .
e
t
t s

= ) (

Como ej empl o de cmo l a hi pt esi s de t i empos de ser vi ci o exponenci al es puede
si mpl i f i car l os cl cul os, veamos un si st ema de t r es ser vi dor es en el que cada
t i empo de ser vi ci o de cl i ent e est gober nado por una di st r i buci n exponenci al
Suponga que l os t r es ser vi dor es est n ocupados y que hay un cl i ent e
esper ando ( Fi g. 4) . Cual es l a pr obabi l i dad que el cl i ent e que esper a sea el
l t i mo de l os cuat r o cl i ent es en t er mi nar sus t r ami t es? En l a Fi g. 4 est cl ar o
que suceder l o si gui ent e: uno de l os cl i ent es 1 a 3, por ej empl o el cl i ent e 3,
ser el pr i mer o en t er mi nar sus t r mi t es. El cl i ent e 4 l l egar a l a vent ani l l a.
Segn l a pr opi edad de amnesi a, el t i empo de ser vi ci o del cl i ent e 4 t i ene l a mi sma
di st r i buci n que l os t i empos de ser vi ci o de l os cl i ent es 1 y 2 r est ant es. As , por
si met r a, l os cl i ent es 4, 1 y 2 t endr n l a mi sma pr obabi l i dad de ser el l t i mo en
sal i r . Est o si gni f i ca que el cl i ent e 4 t i ene una pr obabi l i dad 1/ 3 de ser el
l t i mo en sal i r . Si no hubi er a pr opi edad de amnesi a est e pr obl ema ser a di f ci l de
r esol ver , por que ser a muy di f ci l det er mi nar l a di st r i buci n de pr obabi l i dades
del t i empo r est ant e de ser vi ci o pr al os cl i ent es 1 y 2, despus de haber sal i do el
cl i ent e 3.
e
t
t s

= ) (

Ej empl o de l a ut i l i dad de l a di st r i buci n exponenci al

Desaf or t unadament e, l os t i empos r eal es de ser vi ci o pueden no ser consi st ent es con
l a pr opi edad de amnesi a. Por est a r azn, con f r ecuenci a suponemos que s( t ) es una
di st r i buci n de Er l ang con par met r o de f or ma k y par met r o de r api dez k. Segn
49

l a Ecuaci n ( 9) , est o pr oduce un t i empo pr omedi o de ser vi ci o i gual a
1
. Model ar
l os t i empos de ser vi ci o como di st r i buci n de Er l ang con par met r o de f or ma k,
t ambi n si gni f i ca que el t i empo de ser vi ci o a un cl i ent e puede consi st i r del paso
t r avs de k f ases del ser vi ci o, en l as que el t i empo par a compl et ar cada una t i ene
l a pr opi edad de amnesi a y el t i empo par a compl et ar cada f ase t i ene un pr omedi o
i gual a
k
1
, ( vase Fi g. 5) . En muchos casos, l a di st r i buci n de Er l ang se puede
aj ust ar est r echament e a l os t i empos de ser vi ci o obser vados ( vase Secci n 2. 13) .
Repr esent aci n del t i empo de ser vi ci os de Er l ang

En al gunos casos, l os t i empos ent r e l l egadas o l os de ser vi ci o se pueden model ar
como si t uvi er an var i anci a cer o; en est os casos, se consi der a que l os t i empos
ent r e l l egadas o de ser vi ci o son det er mi ni st as. Por ej empl o, si l os t i empos ent r e
l l egadas son det er mi ni st as, ent onces cada t i empo ent r e l l egadas ser exact ament e
1

y si l os t i empos de ser vi ci o son det er mi ni st as, el t i empo de ser vi ci o de cada
cl i ent e ser exact ament e
1

NOTACIN DE KENDALL-LEE PARA SISTEMAS DE COLAS

Hemos el abor ado l a t er mi nol og a suf i ci ent e par a descr i bi r en f or ma nor mal muchos
si st emas de col as. La not aci n que descr i bi mos en est a secci n se usa par a
r epr esent ar un si st ema de col as en el que l as l l egadas esper an en una sol a col a
hast a que uno de l os s ser vi dor es i dnt i cos en par al el o queda l i br e. Ent onces el
pr i mer cl i ent e de l a col a ent r a al ser vi ci o y as sucesi vament e ( vase Fi g. 6) .
Si , por ej empl o, el cl i ent e en l a vent ani l l a 3 es el pr xi mo en compl et ar el
ser vi ci o, ent onces, suponi endo di sci pl i na FI FO ( pr i mer o en l l egar , pr i mer o en ser
ser vi do) , el pr i mer o en l a col a pasar a a l a vent ani l l a 3. El si gui ent e cl i ent e en
l a col a ent r ar a a una vent ani l l a despus de compl et ar el si gui ent e ser vi ci o, y
as sucesi vament e.

Si st ema de col as ni ca con ser vi dor es en par al el o

50

Par a r epr esent ar un si st ema de col as, Kendal l ( 1951) i nvent l a si gui ent e
not aci n. Cada si st ema de col as se r epr esent a con sei s car act er st i cas:

1/ 2/ 3/ 4/ 5/ 6

La pr i mer a car act er st i ca especi f i ca l a nat ur al eza del pr oceso de l l egada. Se usan
l as si gui ent es abr evi at ur as nor mal es:

M = Los t i empos ent r e l l egadas son i ndependi ent es, di st r i bui dos i dnt i cament e
( i i d) , y l as var i abl es al eat or i as t i enen di st r i buci n exponenci al
D = Los t i empos ent r e l l egadas son i i d y det er mi ni st as.
E
k
= Los t i empos ent r e l l egadas son i i d con di st r i buci n de Er l ang con par met r o de
f or ma k.
GI = Los t i empos ent r e l l egadas son i i d y est n gober nados por al guna di st r i buci n
gener al .

La segunda car act er st i ca especi f i ca l a nat ur al eza de l os t i empos de ser vi ci o:

M = Los t i empos de ser vi ci o son i i d y t i enen di st r i buci n exponenci al .
D = Los t i empos de ser vi ci o son i i d y det er mi ni st as.
E
k
= Los t i empos de ser vi ci o son i i d y con di st r i buci n de Er l ang con par met r o de
f or ma k.
G : = Los t i empos de ser vi ci o son i i d y si guen al guna di st r i buci n gener al .

La t er cer a car act er st i ca es el numer o de ser vi dor es en par al el o. La cuar t a
car act er st i ca descr i be l a di sci pl i na de l a col a:

FI FO = Pr i mer o en l l egar , pr i mer o en ser - ser vi do
LI FO = l t i mo en l l egar , pr i mer o en ser ser vi do
SEOA = Ser vi ci o cu or den al eat or i o
DG = Di sci pl i na gener al en l a col a.

La qui nt a car act er st i ca especi f i ca el nmer o mxi mo per mi si bl e de cl i ent es en el
si st ema, i ncl uyendo l os que esper an y l os que est n en vent ani l l a. La sext a
car act er st i ca da el t amao de l a pobl aci n de l a cual se t oman l os cl i ent es. A
menos que el nmer o de cl i ent es pot enci al es sea del mi smo or den de magni t ud que el
nmer o de ser vi dor es, se consi der a que es i nf i ni t o el t amao de l a pobl aci n. En
muchos model os i mpor t ant es, l as car act er st i cas 4/ 5/ 6 son DG/ / . Si est e es el
caso. ent onces con f r ecuenci a se omi t e 4/ 5/ 6.

Par a i l ust r ar est a not aci n, M/ E
2
/ 8/ FI FO/ 10/ r epr esent ar a una cl ni ca con 8
doct or es, t i empos exponenci al es ent r e l l egadas, t i empos de ser vi ci o de dos f ases
de Er l ang, di sci pl i na de col a FI FO y una capaci dad t ot al de 10 paci ent es.

LA PARADOJA DELTIEMPO DE ESPERA

Ter mi nar emos est a secci n con un est udi o br eve de una par adoj a i nt er esant e l l amada
par adoj a del t i empo de esper a.

Suponga que el t i empo ent r e l a l l egada de aut obuses en una t er mi nal se di st r i buye
en f or ma exponenci al con pr omedi o de 60 mi nut os. Si l l egamos a t er mi nal a un
i nst ant e escogi do al azar , cual f ue el t i empo pr omedi o que t endr emos que esper ar
par a que l l egue un aut obs?

La pr opi edad de amnesi a de una di st r i buci n exponenci al si gni f i ca que
i ndependi ent ement e de cunt o ha t r anscur r i do desde l a l t i ma l l egada de aut obs,
51

t endr amos que esper ar un pr omedi o de 60 mi nut os hast a que l l egar a el si gui ent e
aut obs. Est a r espuest a es r eal ment e cor r ect a, per o el si gui ent e ar gument o l a
par ece cont r adeci r . En pr omedi o, al gui en que l l egue a un t i empo al eat or i o deber a
l l egar en l a mi t ad de un i nt er val o car act er st i co ent r e l l egadas de aut obuses
consecut i vos. Si l l egamos a l a mi t ad de un i nt er val o car act er st i co, y el t i empo
pr omedi o ent r e l as l l egadas de aut obuses es 60 mi nut os, ent onces deber amos t ener
que esper ar , en pr omedi o, ( ) 60 = 30 mi nut os al si gui ent e aut obs. Por que es
i ncor r ect o est e ar gument o? Si mpl ement e por que el i nt er val o car act er st i co ent r e
aut obuses es ms l ar go que 60 mi nut os. La r azn de est a anomal a es que es ms
pr obabl e que l l eguemos dur ant e un i nt er val o ms l ar go que dur ant e uno cor t o.

Si mpl i f i quemos el caso suponi endo que l a mi t ad de l os aut obuses l l egan cada 30
mi nut os y l a ot r a mi t ad l l egan cada 9O mi nut os. Uno podr a pensar que ya que el
t i empo pr omedi o ent r e aut obuses es 60 mi nut os, el t i empo pr omedi o de esper a ser a
( ) 60 = 30 mi nut os, per o est o no es ci er t o. Veamos una secuenci a r epr esent at i va de
t i empos ent r e l l egadas de aut obuses ( vase Fi g. 7) . La mi t ad de l os t i empos ent r e
l l egadas son 30 mi nut os y l a mi t ad 90 mi nut os. Es evi dent e que hay una
pr obabi l i dad de
4
3
90 30
90
=
+
de l l egar dur ant e un t i empo ent r e l l egadas de 90 mi nut os
y una pr obabi l i dad
4
1
90 30
30
=
+
de l l egar dur ant e un i nt er val o ent r e l l egadas de 30
mi nut os. As, el t i empo ent r e l l egadas pr omedi o en el que l l ega un cl i ent e es
( 90) + ( 30) = 75 mi nut os. Como l l egamos, en pr omedi o, a l a mi t ad de un t i empo
ent r e l l egadas, nuest r a esper a pr omedi o ser de 90 + 30 = 37. 5 mi nut os,
que es mas que l os 30 mi nut os

La par adoj a del t i empo de esper a

Regr esando al caso en el que l os t i empos ent r e l l egadas son exponenci al es con
pr omedi o de 60 mi nut os, el t amao pr omedi o de un t i empo r epr esent at i vo ent r e
l l egadas es de 120 mi nut os. Ent onces, el t i empo pr omedi o que debemos esper ar un
aut obs es ( ) ( 120) = 60 mi nut os. Nt ese que si l os aut obuses l l egar an si empr e a
i nt er val os de 60 mi nut os, ent onces el t i empo pr omedi o que una per sona deber a
esper ar ser a ( ) ( 60) = 30 mi nut os. En gener al , se puede demost r ar que si A es
l a var i abl e al eat or i a del t i empo ent r e aut obuses, ent onces el t i empo pr omedi o par a
l a l l egada del si gui ent e aut obs ( segn l o ve un cl i ent e cuya l l egada t i ene
i gual pr obabi l i dad de ent r ar en cual qui er moment o) est dado por

)
) (
var
) ( (
2
1
A E
A
A E +

Par a el ej empl o de l os aut obuses,
60
1
= ent onces l as Ecuaci ones ( 3) y ( 4)
muest r an que E( A) = 60 mi nut os y var A = 3, 600 mi nut os. Sust i t uyendo en est a
f r mul a obt enemos

Ti empo est i mado de esper a 60 mi nut os

52

PROBLEMAS

1. Supnganl os que l l ego a un si st ema de col a M/ M/ 7/ FI FO/ 8/ cuando t odas l as
vent ani l l as est n ocupadas. Cul es l a pr obabi l i dad do que t er mi ne mi t r mi t e
ant es de por l o menos uno de l os 7 cl i ent es a l os que est n at endi endo?

2. El t i empo ent r e aut obuses si gue l a f unci n de masa que se ve en l a Tabl a 2.
Cul es el l apso pr omedi o que debe uno esper ar un aut obs?

3. Hay cuat r o gr upos de t er cer ao en una escuel a pr i mar i a. El nmer o de al umnos
en cada gr upo es el si gui ent e: gr upo 1, 20 al umnos; gr upo 2, 25 al umnos; gr upo 3,
35 al umnos; gr upo 4, 40 al umnos. Cul es el t amao pr omedi o de un gr upo de t er cer
ao? Suponga que el i nspect or escoge al azar cual qui er al umno de
t er cer ao de esa escuel a. En pr omedi o, cunt os est udi ant es habr en esa cl ase?

4. El t i empo ent r e l l egadas de aut obuses si gue una di st r i buci n exponenci al con
pr omedi o de 60 mi nut os.

Tabl a 2
Ti empo ent r e aut obuses Pr obabi l i dad
30 mi nut os 1/ 4
1 hor a 1/ 4
2 hor as 1/ 2

( a) Cul es l a pr obabi l i dad de que l l eguen exact ament e cuat r o aut obuses dur ant e
l as si gui ent es 2 hor as?

( b) Cul es l a pr obabi l i dad de que por l o menos dos aut obuses l l eguen dur ant e l as
si gui ent es 2 hor as?

( c) Cul es l a pr obabi l i dad de que no l l eguen aut obuses dur ant e l as pr xi mas 3
hor as?

( d) Acaba de l l egar un aut obs. Cul es l a pr obabi l i dad de que pasen ent r e 30 y
90 mi nut os par a que l l egue el si gui ent e?

2.3 PROCESOS DE NACIMIENTO Y MUERTE

En est a secci n anal i zar emos l a i mpor t ant e i dea de un pr oceso de naci mi ent o y
muer t e. En l o que si gue ut i l i zar emos pr ocesos de naci mi ent o y muer t e par a
cont est ar pr egunt as acer ca de di ver sos t i pos de si st emas de col as.

Se def i ne el nmer o de per sonas pr esent es en cual qui er si st ema de col a en el
t i empo t como est ado del si st ema en el t i empo t . Par a t = O, el est ado del si st ema
ser i gual al nmer o de per sonas pr esent es al i ni ci o en el si st ema. Es de gr an
i nt er s par a nosot r os l a cant i dad P
i j
( t ) que se def i ne como l a pr obabi l i dad que
haya j per sonas en el si st ema de col a en el t i empo t , dado que en el t i empo O
hab a i per sonas. Nt ese que P
i j
( n) es anl oga a l a pr obabi l i dad de t r ansi ci n de n
pasos P
i j
( n) ( l a pr obabi l i dad de que despus de n t r ansi ci ones una cadena de
53

Mar kov est e en el est ado j , dado que l a cadena comenz en el est ado i ) que se
est udi cu el Capi t ul o ant er i or . Recor demos que par a l a mayor par l e de l as cadenas
de Mar kov, l a P
i j
( n) t end a a un l mi t e
j
que er a i ndependi ent e del est ado
i ni ci al i . I gual ment e, sucede que par a muchos si st emas de col a, P
i j
( t ) , par a
val or es gr andes de t , t ender a a un l mi t e
j
, que es i ndependi ent e del est ado
i ni ci al i . A
j
, se l e l l ama est ado est abl e, o pr obabi l i dad de equi l i br i o del
est ado j .

Par a l os si st emas de col a que anal i zar emos, se puede i magi nar que
j
es l a
pr obabi l i dad que en un i nst ant e en el f ut ur o l ej ano haya pr esent es j cl i ent es.
Tambi n, se puede pensar que
j
, es, par a un f ut ur o l ej ano, l a f r acci n del t i empo
que hay j cl i ent es pr esent es. En l a mayor par t e de l os si st emas de col a, el val or
P
i j
( t ) par a t pequea depende de gr an medi da de i , el nmer o de cl i ent es pr esent es
al i ni ci o. Por ej empl o, si t es pequeo podr amos esper ar ent onces que P
1 50
( t ) y P
1
1
( t ) , f uer an muy di st i nt os. Si n embar go, si exi st en pr obabi l i dades de est ado
est abl e, ent onces par a t gr ande, t ant o P
1 50
( t ) como P
1 1
( t ) se acer can a
1
. La
pr egunt a que t an gr ande debe ser t par a que se al cance el est ado est abl e en f or ma
apr oxi mada es di f ci l de cont est ar . El compor t ami ent o de P
i j
( t ) ant es de al canzar
el est ado est abl e se l l ama compor t ami ent o t r ansi t or i o de si st ema de col a. Par a
t odos l os si st emas de col a, except o l os mas senci l l os, es ext r emadament e di f ci l
el anl i si s del compor t ami ent o t r ansi t or i o del si st ema. Por est a r azn, cuando
anal i zamos el compor t ami ent o de un si st ema de col a suponemos que. se ha al canzado
en el est ado est abl e. Est o nos per mi t e t r abaj ar con l as
j
, en l ugar de con l as
P
i j
( t ) .

A cont i nuaci n, anal i zar emos una cl ase especi al de pr ocesos cont i nuos en el
t i empo, que compr ende muchos si st emas i nt er esant es de col a. Par a un pr oceso de
naci mi ent o y muer t e es f ci l det er mi nar l as pr obabi l i dades de est ado est abl e, si
es que exi st en.

Un pr oceso de naci mi ent o y muer t e es un pr oceso est ocst i co cont i nuo en el t i empo
par a el que el est ado del si st ema en cual qui er t i empo es un ent er o no

negat i vo ( vase en l a Secci n 1. 1 l a def i ni ci n de pr oceso est ocst i co cont i nuo en
el t i empo) . Si un pr oceso de naci mi ent o y muer t e est en el est ado j cuando el
t i empo es t , ent onces el movi mi ent o del pr oceso est gober nado por l as l eyes
si gui ent es:

LEYES DEL MOVIMIENTO PARA PROCESOS DE NACIMIENTO Y MUERTE

l
er a
l ey Con pr obabi l i dad
j
+ o( t t ) , sucede un naci mi ent o ent r e el t i empo t y t
+ . Un naci mi ent o aument a en 1 el est ado del si st ema, hast a al canzar a j + 1.
La var i abl e
j
se l l ama t asa de nat al i dad en el est ado j . En l a mayor par l e de l os
si st emas de col a, un naci mi ent o es si mpl ement e una l l egada.
t
2
da
l ey Con pr obabi l i dad
j
+ o( t t ) , sucede una muer t e ent r e el t i empo t y el
t i empo t + . Una muer t e di smi nuye en 1 el est ado del si st ema, par a l l egar a j -
1. La var i abl e
j
, es l a t asa de mor t al i dad en el est ado j . En l a mayor par t e de
l os si st emas de col as, una muer t e es el t r mi no del ser vi ci o. Nt ese que se debe
cumpl i r
0
= O, por que de ot r o modo podr a t ener se un est ado negat i vo.
t
3
er a
l ey Los naci mi ent os y muer t es son i ndependi ent es ent r e si .

54

Las l eyes 1 a 3 se pueden usar par a demost r ar que l a pr obabi l i dad que se t enga mas
de un event o ( naci mi ent o o muer t e) ent r e l os t i empos t y t + o( ) , Nt ese
que t odo pr oceso de naci mi ent o y muer t e queda compl et ament e especi f i cado si se
saben l as t asas de nat al i dad , y t as l asas de mor t al i dad , . Como no se
t t
j j
puede t ener un est ado negat i vo, t odo pr oceso de naci mi ent o y muer t e debe cumpl i r
con
0
= O.

RELACIN ENTRE LA DISTRIBUCIN EXPONENCIAL CON LOS PROCESOS DE NACIMIENTO Y MUERTE

La mayor par t e de l oa si st emas de col a con t i empos exponenci al es ent r e l l egadas y
t i empos exponenci al es de ser vi ci o pueden model ar se como pr ocesos de naci mi ent o y
muer t e. Par a i l ust r ar por que es as , veamos un si st ema M/ M/ l / FI FO/ / / de col as,
en el que l os Ti empos ent r e l l egadas son exponenci al es con par met r o y l os
t i empos de ser vi ci o se di st r i buyen en f or ma exponenci al con par met r o . Si el
est ado ( nmer o de per sonas pr esent es cuando el t i empo es t ) en el t i empo t es j ,
ent onces l a pr opi edad de amnesi a de l a di st r i buci n exponenci al qui er e deci r que
l a pr obabi l i dad de un naci mi ent o dur ant e el i nt er val o de t i empo [ t , t + t ] no
depender de cunt o t i empo ha est ado el si st ema en el est ado j . Est o qui er e deci r
que l a pr obabi l i dad que haya un naci mi ent o dur ant e [ [ t , t + t ] no depender de cunt o
t i empo haya est ado el si st ema en el est ado j y, por l o t ant o, se puede det er mi nar
como si acabar a de ocur r i r una l l egada en el t i empo t . Ent onces, l a pr obabi l i dad
que se t enga un naci mi ent o dur ant e [ t , t + t ] es

e e
t
t
t
dt

0
1

Segn el desar r ol l o en ser i es de Tayl or par a l a exponenci al

) ( 1 t o t
e
t
+ =

Est o qui er e deci r que l a pr obabi l i dad que suceda un naci mi ent o dur ant e [ [ t , t + t ]
es ) ( t o t + . Por l o ant er i or podemos concl ui r que l a l asa de nat al i dad en el
est ado j si mpl ement e es l a t asa de l l egadas .

Par a det er mi nar l a l asa de mor t al i dad cuando el t i empo es t , obser ve que si el
est ado es cer o cuando el t i empo es t , ent onces no hay nadi e en l a vent ani l l a y,
por l o t ant o, no se puede compl et ar un ser vi ci o ent r e t y t + . Asi , t
0
= 0. S
el est ado es j 1 cuando el t i empo es t , ent onces sabemos ( sl o hay un ser vi dor )
que hay exact ament e un cl i ent e en l a vent ani l l a. La pr opi edad de amnesi a de l a
di st r i buci n exponenci al si gni f i ca ent onces que l a pr obabi l i dad de que un cl i ent e
t er mi ne sus t r mi t es ent r e t y t + t . est expr esada por
) ( 1
0
t o t dt
e e
t
t
t
+ = =

As ,
t
= cuando j 1. En r esumen, si suponemos que l os t r mi nos de t r mi t es y
l as l l egadas suceden en f or ma i ndependi ent e, ent onces un si st ema de col as
M/ M/ l / FI FO/ / es un pr oceso de naci mi ent o y muer t e. Las t asas de nat al i dad y de
55

mor t al i dad par a est e si st ema se pueden r epr esent ar en un di agr ama de t asas como el
de l a Fi g. 8.

Fi gur a 8
Di agr ama de r api dez par a un si st ema de col as M/ M/ l / FI FO/ /

Los si st emas ms compl i cados de col as con t i empos exponenci al es ent r e l l egadas y
t i empos exponenci al es de ser vi ci o se pueden model ar con f r ecuenci a como pr ocesos
de naci mi ent o y muer t e, sumando l a r api dez de ser vi ci o en l os ser vi dor es ocupados
y agr egando l a t asa o r api dez de l l egada par a di st i nt as cor r i ent es de l l egada. Por
ej empl o, t enemos un si st ema de col as M/ M/ 3/ FI FO/ / en el que l os t i empos ent r e
l l egadas son exponenci al es con = 4 y l os t i empos de ser vi ci o son exponenci al es
con = 5. Par a model ar est e si st ema como pr oceso de naci mi ent o y muer t e
ut i l i zar amos l os si gui ent es par met r os ( vase Fi g. 9) :

j
= 4 ( j = 0, 1. 2. . . . )
0
=0,
1
=5,
2
=5 +5,
j
5 +5 +5 =15 {j=3,4,5,...)

Fi gur a 9 Di agr ama de r api dez par a un Est ado si st ema de col as M/ M/ 3/ FI FO/ /

Si l os t i empos ent r e l l egada o l os de ser vi ci o no son exponenci al es, ent onces el
model o de pr oceso de naci mi ent o y muer t e no es adecuado. Suponga, por ej empl o,
que l os t i empos de ser vi ci o no son exponenci al es y que est amos vi endo un si st ema
de col a M/ G/ 1/ FI FO/ / . Como l os t i empos de ser vi ci o par a ese si st ema pueden no
ser exponenci al es, l a pr obabi l i dad de una muer t e ( t r mi no del ser vi ci o) ent r e t y
t + depender del t i empo que ha t r anscur r i do desde el t er mi no del l t i mo
ser vi ci o. Est o vi ol a l a 2a l ey, por l o que no podemos model ar ese si st ema como
pr oceso de naci mi ent o y muer t e.
t

DEDUCCIN DE LAS PROBABILIDADES DE ESTADO ESTABLE PARA PROCESOS DE NACIMIENTO Y
MUERTE

56

A cont i nuaci n most r amos cmo se pueden cal cul ar l as
j
, par a un pr oceso
ar bi t r ar i o de naci mi ent o y muer t e. La cl ave es r el aci onar , par a pequeo, a
P
i j
( t + ) con Pi j ( ) . La maner a de hacer l o es not ar que hay cuat r o modos que el
est ado sea j cuando el t i empo sea t +
t
t t
t . Par a j 1, l os cuat r o modos se muest r an
en l a Tabl a 3. Par a j 1 l a pr obabi l i dad de que el est ado del si st ema sea j - 1
cuando el t i empo es t , y j cuando el t i empo es t + t es ( vase Fi g. 10)

P
i j - 1
( t ) (
j - 1
+ o( ) ) t t

Con ar gument os semej ant es se obt i enen ( I I ) y ( I I I ) . El ( I V) es consecuenci a por que
si el si st ema est en un est ado que no sea j , j - 1 o j +1 en el t i empo t , ent onces,
par a f i nal i zar en el est ado j cuando el t i empo es t + t debe suceder ms de un
event o ( muer t e o naci mi ent o) ent r e t + t . Segn l a 3
er a
l ey, est o t i ene l a
pr obabi l i dad o( ) . Ent onces, t

P
i j
( t + ) = ( I ) + ( I I ) + ( I I I ) + ( I V) t

Despus de r eagr upar l os t r mi nos en est a ecuaci n, obt enemos

( 10) P
i j
( t + ) = t
) ) ( 2 1 ) ( ) ( )( (
)) ( ) ( ) ( ) ( (
) (
1 1
1 1 1 1
t P t P t P t o
t P t P t P t P t
t P
ij ij ij
ij j ij j ij j ij j
ij
+ + +
+
+
+
+ +

Tabl a 3
Cl cul os par a l a pr obabi l i dad que el est ado sea j en el t i empo t + t
ESTADO EN EL TI EMPO
t
ESTADO EN EL TI EMPO
t + t
PROBABI LI DAD DE LA SUCECCI N
j - 1 j
I t o t t P
j ij
= +

) ) ( )( (
1 1

j +1 j
II t o t t P
j ij
= +
+ +
) ) ( )( (
1 1

j j
III t o t t t P
j j ij
= ) ) ( 2 1 )( (
Cual qui er ot r o j
IV t o = ) (

Fi gur a 10
Pr obabi l i dad de que el est ado sea j - 1 cuando el t i empo es t , y que
Sea j cuando el t i empo sea t + t . Est a pr obabi l i dad ) ) ( ) ( )( (
1 1
t o t t t P
j ij
+

57

Como el t er mi no subr ayado se puede escr i bi r como o( t ) , podemos vol ver escr i bi r
l a Ecuaci n ( 10) como si gue:
) ( )) ( ) ( ) ( ) ( ( ) ( ) (
1 1 1 1
t o t P t P t P t P t t P t t P
ij j ij j ij j ij j ij ij
+ + = +
+ +

Di vi di endo ambos l ados de est a ecuaci n ent r e t y haci endo que t t i enda a cer o
vemos que par a t oda i y j 1

( 10 ) ) ( ) ( ) ( ) ( ) (
1 1 1 1
/
t P t P t P t P t P
ij j ij j ij j ij j ij
+ =
+ +

Como par a j = O, P
i j - 1
( 0) = O y
j
= O, obt enemos, par a j = O,

) ( ) ( ) (
1 1 0 0
/
0
t P t P t P
i i i
+ =

Es un si st ema i nf i ni t o de ecuaci ones di f er enci al es. ( Una ecuaci n di f er enci al
si mpl ement e es una ecuaci n en l a que apar ece una der i vada. En t eor a, P
i j
( t ) se
puede despej ar de est as ecuaci ones. Si n embar go, est e si st ema de ecuaci ones es en
r eal i dad ext r emadament e di f ci l de r esol ver . Si n embar go, no t odo est per di do.
Podemos usar l a Ecuaci n( 10' ) par a obt ener l as pr obabi l i dades
j
, de est ado est abl e
( j = 0, 1, 2, . . . ) . Como en el caso de l as cadenas de Mar kov, def i ni mos l a
pr obabi l i dad est ado est abl e,
j
como

) (
lim
t P
ij
t

Ent onces, par a t gr ande y cual qui er est ado i ni ci al i , P
i j
( t ) no cambi a mucho y se
puede deci r que es const ant e. As , en el est ado est abl e ( t gr ande) , =0.
Tambi n, en el est ado est abl e se cumpl i r que , .
Sust i t uyendo est as en l a r el aci ones en l a Ecuaci n ( 10' ) obt enemos, par a j 1
) (
/
t P
ij
1 1
) (

=
j ij
t P
1 1
) (
+ +
=
j ij
t P

( 10" )
) (
0
1 1 1 1
1 1 1 1
j j j j j j j
j j j j j j j j

+ = +
+ =
+ +
+ +

Par a j = O se obt i ene

0 0 1 1
=

Las Ecuaci n ( 10" ) son un si st ema i nf i ni t o de ecuaci ones l i neal es del cual se
pueden despej ar con f aci l i dad l as
j
. Ant es de expl i car cmo se r esuel ven l as
Ecuaci ones ( 10" ) , pr esent ar emos una deducci n i nt ui t i va de di chas ecuaci ones,
basada en l a si gui ent e obser vaci n: En cual qui er t i empo que obser vemos un pr oceso
de naci mi ent o y muer t e, debe cumpl i r se que par a cada est ado j , el numer o de veces
que hemos ent r ado al est ado j di f i er e cuando mucho 1 del nmer o de veces que
l i emos dej ado el est ado j .

Suponga que cuando el t i empo es t hemos ent r ado t r es veces al est ado 6. Ent onces
debe haber sucedi do uno de l os casos de l a Tabl a 4. Por ej empl o, si sucede el Caso
2, i ni ci amos en el est ado 6 y t er mi namos en ot r o est ado que no sea 6. Como hemos
obser vado t r es t r ansi ci ones de ent r ada al est ado 6 cuando el t i empo es t , deben
haber sucedi do l os event os si gui ent es ( ent r e ot r os) :

58

I ni ci ar en est ado 6
Dej ar el est ado 6 ( pr i mer a vez)
Ent r ar al est ado 6 ( pr i mer a vez)
Dej ar al est ado 6 ( segunda vc7)

Ent r ar al est ado 6 ( segunda vez)
Dej ar el est ado 6 ( t er cer a vez)
Ent r ar al est ado 6 ( t er cer a vez)
Dej ar el est ado 6 ( cuar t a vez)

Tabl a 4
Rel aci n ent r e el nmer o de t r ansi ci ones ent r e el nmer o de ent r ada y sal i das de
un est ado en el t i empo 6

ESTADO I NI CI AL ESTADO EN EL TI EMPO t NMERO DE TANSACI ONES DE
SALI DA DEL ESTADO 6 CUANDO
EL TEI MPO ES T
Caso 1: est ado 6 Est ado 6 3
Caso 2: est ado 6 Cual qui er est ado menos el
6
4
Caso 3: Cual qui er est ado
menos el 6
Est ado 6 2
Caso 3: Cual qui er est ado
menos el 6
Cual qui er est ado menos el
6
3

Por l o t ant o, si sucede el Caso 2, ent onces cuando el t i empo es t debemos haber
dej ado cuat r o veces el est ado 6.

Est a obser vaci n sugi er e que par a t gr ande y par a j =0, 1, 2, . . . y par a
cual esqui er a condi ci ones i ni ci al es, se cumpl i r l o si gui ent e:

( 11) Numer o esper ado de sal i das del est ado j =
uni dad de t i empo

Nmer o esper ado de ent r adas al est ado j
uni dad de t i empo

Si se supone que el si st ema se ha asent ado en el est ado est abl e, sabemos que una
f r acci n
j
del t i empo en el est ado j . Ahor a podemos apl i car l a Ecuaci n ( 11) par a
det er mi nar l as pr obabi l i dades
j
de est ado est abl e. Par a j 1 sl o podemos dej ar
el est ado j pasando al est ado j + 1 o al j - 1 y, ent onces, cuando j 1 obt enemos

( 12) Nmer o esper ado de sal i das al est ado j = ) (
j j j
+
Uni dad de t i empo

Como par a j 1 sl o podemos ent r ar al est ado j desde el est ado j - 1 o el j + 1

( 13) Nmer o esper ado de ent r adas al est ado j =
1 1 1 1 + +
+
j j j j

Uni dad de t i empo

59

Sust i t uyendo ( 12) y ( 13) en ( 11) se obt i ene que

( 14) ) (
1 1 1 1 j j j j j j j
+ = +
+ +

Par a j = O se obt i ene
( 14 )
0 0 1 1
=

Las Ecuaci ones ( 14) y ( 14' ) se l l aman ecuaci ones de bal ance de f l uj o, o ecuaci ones
de conser vaci n de f l uj o par a un pr oceso de naci mi ent o y muer t e. Obser ve que l a
ecuaci n ( 14) expr esa el hecho de que en el est ado est abl e, l a r api dez a l a que se
t i enen t r ansi ci ones de ent r ada a cual qui er est ado i debe ser i gual a l a r api dez a
l a que t i enen t r ansi ci ones de sal i da del est ado i . Si no se cumpl i er a l a Ec. ( 14)
par a t odos l os est ados, ent onces l a pr obabi l i dad se acumul ar a en al gn est ado, y
no exi st i r a un est ado est abl e.

Pl ant eando l as ecuaci ones par a ( 14) y ( 14' ) obt enemos l as ecuaci ones de bal ance de
f l uj o par a un pr oceso de naci mi ent o y muer t e:

( 15)
) (
) ( ) 2 (
) ( ) 1 (
) 0 (
1 1 1 1
2 2 2 3 3 1 1
1 1 1 2 2 0 0
1 1 0 0
j j j j j j j
sima j
j
j
j

+ = +
+ = + =
+ = + =
= =
+ +
M

SOLUCIN DE LAS ECUACIONES DE BALANCE DE FLUJO DE NACIMIENTO Y MUERTE

Par a r esol ver el si st ema ( 15) comenzamos expr esando t odas l as
j
en t r mi nos de
0
.
De l a ecuaci n ( j = 0) obt enemos

1
0 0
1

=
Sust i t uyendo est e r esul t ado en l a ecuaci n par a j = 1, se obt i ene

2 1
0 1 0
2
1
0 0
1 1 2 2 0 0
) (

=
+ = +

Podr amos apl i car ahor a par a j =3, de l a mi sma f or ma y as sucesi vament e, obt enemos
que
( 16)
0

j j
c =

donde
j
j
j
c

L
L
2 1
1 1 0
=
60

Como en cual qui er moment o debemos est ar en al gn est ado, l as pr obabi l i dades de
est ado est abl e deben sumar 1:

( 17) 1
0
=
= j
j

Sust i t uyendo ( 16) en ( 17) se obt i ene

( 18) 1 ) 1 (
1
0
= +
= j
j
c

Si es f i ni t a podemos usar l n Ecuaci n ( 18) par a despej ar
=1 j
j
c
0

( 19)
=
+
=
1
0
1
1
j
j
c

Ent onces con l a Ecuaci n ( l 6) se cal cul a l as pr obabi l i dades de est ado est abl e. Se
puede most r ar que
si f i ni t a ent onces no exi st e di st r i buci n de est ado

est abl e. La causa ms comn de que no haya est ado est abl e es que l a r api dez de
l l egada sea cuando menos t an gr ande como l a vel oci dad de at enci n.
=1 j
j
c

En l as Secci ones 2. 4 a 2. 6, 2. 9 y 2. 10. apl i car emos l a t eor a de l os pr oceso de
naci mi ent o y muer t e par a det er mi nar l as di st r i buci ones de pr obabi l i dad de est ado
est abl e par a var i os si st emas de col as.

Los model os de naci mi ent o y muer t e se han ut i l i zado par a model ar f enmeno
di st i nt os de l os si st emas de col as. Por ej empl o, el nmer o de empr esas de l a
i ndust r i a se puede model ar como pr oceso de naci mi ent o y muer t e el est ado de l a
i ndust r i a en cual qui er moment o dado es el nmer o de empr esas que per t enecen a
di cha i ndust r i a; un naci mi ent o cor r esponde a una empr esa que ent r a en l a i ndust r i a
y una muer t e cor r esponde a una empr esa que sal e de l a i ndust r i a.

PROBLEMAS

1. En mi casa hay dos f ocos. En pr omedi o, un f oco dur a 22 d as ( dur aci n
di st r i bui da en f or ma exponenci al ) . Cuando hay que cambi ar un f oco, me t ar do, con
di st r i buci n exponenci al , 2 d as en cambi ar l o.

a) For mul e un model o de naci mi ent o y muer t e de t r es est ados par a est e caso.
b) Det er mi ne l a f r acci n del t i empo en que ambos f ocos est n t r abaj ando.
c) Det er mi ne l a t r acci n del t i empo en l a que no hay f oco que f unci one.
61

2.4 SISTEMA DE COLAS M/M/1/DG// Y LA FRMULA L = W

A cont i nuaci n usamos l a met odol og a de naci mi ent o y muer t e de l a secci n ant er i or
par a anal i zar l as pr opi edades del si st ema M/ M/ 1/ DG/ / . Recuer de que en l os
si st emas de t i empos ent r e l l egadas exponenci al es, que suponemos que l a r api dez de
l l egadas por uni dad de t i empo es y que hay un sol o ser vi dor con t i empos de
ser vi ci o exponenci al es. Asi mi smo se supone que el t i empo de ser vi ci o par a cada
cl i ent e es exponenci al con r pi do , baj o el esquema de naci mi ent o y muer t e
t enemos l os par met r os si gui ent es:

( 20)
) , 2 , 1 (
0
) , 2 , 1 , 0 (
0
L
L
= =
=
= =
j
j
j
j

DEDUCCI N DE LAS PROBABI LI DADES DE ESTADO ESTABLE

Podemos usar l as Ecuaci ones ( 15) a ( 19) par a despej ar l as
j
, l as pr obabi l i dades
de est ado est abl e de que haya j cl i ent es. Sust i t uyendo l a Ecuaci n ( 20) en l a
Ecuaci n ( 16) , se obt i ene

( 21)
0 0
2
2
2 0 1
, , ,
j
j
j
= = = L
Definimos a
= . Por razones que despus se vern, llamaremos a intensidad de trafico del

sistema de colas. Sustituyendo la Ecuacin (21) en la (17) se obtiene

( 22) 1 ) 1 (
2
0
= + + + L
A cont i nuaci n suponemos que O < p < 1. Ent onces eval uamos l a suma S =
como si gue: Al mul t i pl i car S por se obl i cu S = .
Ent onces S - S = 1 y
) 1 (
2
L + + + ) (
2
L + +

( 23) S =
1
1

Sust i t uyendo l a Ecuaci n ( 23} en l a ( 22) , se obt i ene

( 24) ) 1 0 ( ) 1 (
0
< =

Sust i t uyendo l a Ecuaci n ( 24) en l a Ecuaci n ( 21) se obt i ene

( 25) ) 1 0 ( ) 1 ( < =
j
j

Si n embar go, si > 1, l a suma i nf i ni t a de l a Ecuaci n ( 22) " expl ot a" ( t r t ese,
por ej empl o, = 1 y se obt endr 1 + 1 + 1 + . . . . , as , si 1 no exi st e
62

di st r i buci n de est ado est abl e. Como =
vemos que si ( est o es, l a

r api dez de l l egadas es cuando menos t an gr ande como l a r api dez de ser vi ci o) ,
ent onces no exi st e di st r i buci n de est ado est abl e.

DEDUCCIN DE L

En el r est o de est a secci n suponemos que < 1, asegur ando que si exi st e una
di st r i buci n de pr obabi l i dad de est ado est abl e, como l a que r epr esent a l a Ecuaci n
( 25) . Ut i l i zamos ent onces l a di st r i buci n de pr obabi l i dad de est ado est abl e dada
en ( 25) par a det er mi nar var i as cant i dades de i nt er s. Por ej empl o, si se supone
que se ha al canzado el est ado est abl e, el nmer o esper ado de cl i ent es pr esent es
en el si st ema de col as, L, est dado por

=
=
= = =
0 0 0
) 1 ( ) 1 (
j
j
j
j
j
j
j j j L

Def i ni endo a

L L + + + = + + + = =
=
4 3 2 / 3 2
0
/
3 2 3 2 S j S
j
j

Not e que

2
/ 4 3 2 / /
) 1 ( 1
= + + + + = S S S L
Luego

( 26)

= =
) 1 (
) 1 (
/
S L
DEDUCCIN DE L
q

En al gunos casos nos i nt er esa el nmer o esper ado de per sonas en l a col a.
Repr esent amos por L
q
, est e nmer o. Obser ve que si hay O o 1 cl i ent e en el si st ema,
ent onces no hay nadi e en l a col a, per o si hay j per sonas, donde j 1, ent onces
habr j - 1 esper ando en l a col a. Ent onces, si est amos en el est ado est abl e

= = = =

=
=
L L j j L
j
j
j
j
j
j q
) 1 ( ) 1 (
0
1 1 1

y l a l t i ma ecuaci n es consecuenci a de l a ( 24) . Como L =
) 1 (

escr i bi mos
( 27)
) 1 ( ) 1 (
2
=
q
L

63

DEDUCCIN DE L
s

Tambi n L
s
es de i nt er s es el nmer o esper ado de cl i ent es en l as vent ani l l as. Par a
un si st ema de col as M/ M/ 1/ DG/ / .

= = = + =

=
) 1 ( 1 1 1 0
1
0 0
j
j s
L

Como cada cl i ent e pr esent e est en l a col a o en l a vent ani l l a, ent onces, par a
cual qui er si st ema de col as, no sol o par a un M/ M/ 1/ DG/ / . As , ut i l i zando l as
f or mul as L y L
s
podr amos haber det er mi nado L
q
medi ant e

) 1 ( ) 1 (
2
=
q
L
FRMULA L =W PARA COLAS

Con f r ecuenci a nos i nt er esa el t i empo que pasa un cl i ent e nor mal en una col a.
Def i ni mos W como et t i empo esper ado que pasa el cl i ent e en el si st ema de col as,
i ncl uyendo el t i empo de l a col a ms el t i empo de ser vi ci o, y W
q
, como el t i empo
esper ado que pasa el cl i ent e en l a col a. Tant o W como W
q
, se cal cul an baj o l a
hi pt esi s que se ha al canzado el est ado est abl e. Si se ut i l i za un ef i caz
r esul t ado, conoci do como l a f or mul a de Li t t l e par a col as, se cal cul an con
f aci l i dad Wy W
g
a par t i r de L y L
q
. Def i ni mos pr i mer o, par a t odo si st ema de col as
o cual qui er subsi st ema de col as, l as cant i dades si gui ent es:

= nmer o pr omedi o de l l egadas que ent r an al si st ema por uni dad de t i empo
L = numer o pr omedi o de cl i ent es pr esent es en el si st ema de col as
L
q
= nmer o pr omedi o de cl i ent es que esper an en l a col a
L
s
= nmer o pr omedi o de cl i ent es en el ser vi ci o ( vent ani l l a)
W= t i empo pr omedi o que pasa un cl i ent e en el si st ema
W
q
= t i empo pr omedi o que pasa un cl i ent e en l a col a
W
s
= t i empo pr omedi o que pasa un cl i ent e en el ser vi ci o -

En est as def i ni ci ones, l odos l os pr omedi os son par a est ado est abl e. Par a l a mayor
par t e de l os si st emas col as, l a f or mul a de Li t l l e se puede r esumi r en el Teor ema
3.

TEOREMA 3 Par a cual qui er si st emas de col as en que exi st a una di st r i buci n de
est ado est abl e, se cumpl en l as si gui ent es ecuaci ones:

( 28) W L =
( 29)
q q
W L =
( 30)
s s
W L =

Obser ve pr i mer o que ambos mi embr os de di cha ecuaci n t i enen l as mi smas uni dades
( suponemos que l a uni dad de t i empo es l a hor a) . Est o se debe a que L est
expr esada en t r mi nos de nmer o de cl i ent es, . en t r mi nos de cl i ent es por hor a y
Wen hor as. As , W t i ene l as mi smas uni dades que L, cl i ent es.

64

Partiendo del hecho que L =
) 1 (
, se tiene entonces que

(31)

=
= =
1
) 1 (
L
W

De la ecuacin (27) tenemos que
) 1 (
2
=
q
L , luego obtenemos que
(32)
) ( ) 1 ( ) 1 (
2
2 2

= =
q
q
L
W
Nt ese que, Wy W
q
, se hacen muy gr andes cuando se acer ca a 1. Par a cer cano a
cer o, Wq t i ende a cer o, per o par a pequeo, W t i ende a el t i empo pr omedi o de
ser vi ci o,

Los t r es ej empl os si gui ent es muest r an apl i caci ones de l as f or mul as que hemos
deduci do.

EJ EMPLO 2.
A un caj er o bancar i o o aut omt i co sl o l l ega un pr omedi o de 10 veh cul os por hor a.
Suponga que l os t i empos pr omedi o de ser vi ci o par a cada cl i ent e es 4 mi nut os, y que
l os t i empos ent r e l l egadas y l os de ser vi ci o son exponenci al es Cont est e l as
si gui ent es pr egunt as

1. Cul es l a pr obabi l i dad de que el caj er o aut omt i co se encuent r e vac o?
2. Cul es el nmer o pr omedi o de aut omvi l es que esper an en l a col a su t ur no?
Se consi der a que un veh cul o qu4e est ocupando el caj er o aut omt i co, no est en
l a col a esper ando.
3. Cul es el t i empo pr omedi o que un cl i ent e pasa en el est aci onami ent o del
banco, i ncl uyendo el t i empo en el ser vi ci o? |
4. En pr omedi o, cunt os cl i ent es por hor a ser n at endi dos por el caj er o
aut omt i co

Sol uci n
Suponemos que nos ocupa un si st ema de col as M/ M/ 1/ DG/ / . par a el cual = 10
aut omvi l es por hor a y = 15 aut omvi l es por hor a. Ent onces = 2/ 3

1. Segn l a Ec, ( 24) ,
0
= 1- = 1- 2/ 3= 1/ 3. Ent onces el caj er o aut omt i co se
encont r ar si n cl i ent es un pr om3edi o de l a t er cer a par t e del t i empo.

2. Quer emos conocer Lq, segn l a ecuaci n ( 27) ,

3
4
) 1 ( ) 1 ( ) 1 (
3
2
2
3
2 2
=
q
L cl i ent es

3. Buscamos saber W. Segn l a ecuaci n ( 28) . W= L/ , ent onces segn l a ecuaci n
( 26) ,
2
) 1 (
=
L cl i ent es

65

As, W=2/10 =1/5 hora, unos 12 minutos.
4. Si el cajero automtico estuviera ocupado siempre, podra atender un promedio de =15 clientes por
hora. De la parte 1 sabemos que slo est ocupado dos tercer partes de su tiempo. As, durante cada
hora, el cajero atender aun promedio de 2/3 *15 = 10 clientes . Debe ser as, porque el estado estable
llegan 10 clientes cada hora y por lo tanto deben salir 10 clientes del sistema cada hora.

EJ EMPLO 3 Supongamos que t odos l os pr opi et ar i os de aut omvi l es l l enan sus t anques
de gasol i na cuando est n exact ament e a l a mi t ad. ' En l a act ual i dad, l l ega un
pr omedi o de 7. 5 cl i ent es por hor a a una gasol i ner a que t i ene una sol a bomba. Se
necesi t a un pr omedi o de 4 mi nut os par a at ender un aut omvi l . Suponga que t ant o l os
t i empos ent r e l l egadas como l os t i empos ent r e l l egadas y de ser vi ci o son
exponenci al es.

1- Par a el caso act ual cal cul e L y W.
2. Suponga que se pr esent a escasez de gasol i na y que hay compr as de pni co. Par a
model ar est e f enmeno. suponga que t odos l os pr opi et ar i os de aut omvi l compr an
gasol i na cuando a sus t anques l es f al l an exact ament e par t es. Como cada
conduct or pone menos gasol i na al t anque dur ant e cada vi si t a a l a gasol i ner a,
suponga que el t i empo pr omedi o de ser vi ci o se ha r esi duo a 3
3
1
mi nut os. Cmo
af ect o l a compr a de pni co a L y a W? U' ?

Sol uci n

1. Tenemos un si st ema de col as M/ M/ 1/ DG/ / con = 7. 5 veh cul os/ h y = 15
veh cul os/ h. As = 7. 5/ 15 = . De l a Ecuaci n ( 26) . L = / ( 1 ) = 1 y de
l a Ecuaci n ( 28) W =
15
2
=
L
= 0. 13 h. Por l o t ant o en est e caso t odo est a baj o
cont r ol y son
i mpr obabl es l as l ar gas col as.

2. Ahor a t enemos un si st ema M/ M/ 1/ DG/ / con = = 2( 7. 5) = 15 veh cul os/ h. Est o
es consecuenci a de que cada aut omvi l l l enar con el dobl e de f r ecuenci a. Ahor a
= 60/ ( 1/ 3) = 18 veh cul os / h y = 15/ 18 = 5/ 6. Ent onces L =
6
5
6
5
1
= 5
aut omvi l es y W=
15
5
=
L
= 1/ 3 hor as = 20 mi nut os
As , l as compr as de pni co han or i gi nado l ar gas col as.

Cuando t i ende a 1, L y Waument an de r api dez como l o muest r a l a si gui ent e t abl a

Tabl a 5 Rel aci n ent r e y L par a un si st ema M/ M/ 1/ DG/ /

L para un
sistema
M/M/1/DG//
0. 30 0. 43
0. 40 0. 67
0. 50 1. 00
0. 60 1. 50
0. 70 2. 33
66

0. 80 4. 00
0. 90 9. 00
0. 95 19. 00
0. 99 99. 00

MODELO PARA OPTI MI ZAR UN SI STEMA DE COLAS

El Ej empl o 4 i l ust r a cmo se puede usar l a t eor a de col as como auxi l i ar par a l a
t oma de deci si ones.

EJ EMPLO 4 Los mecni cos que t r abaj an en una l pl ant a de t r oquel ado deben sacar
her r ami ent as de un al macn. Ll ega un pr omedi o de di ez mecni cos por hor a buscando
par t es. En l a act ual i dad el al macn est a a car go de un empl eado a qui en se l es
pagan 6 dl ar es/ h y gast a un pr omedi o de 5 mi n. par a ent r egar l as her r ami ent as de
cada sol i ci t ud. Como a l os mecni cos se l es paga 10 dl ar es/ h, cada hor a que un
mecni co pasa en el al macn de her r ami ent as l e cuest a 10 dl ar es a l a empr esa.
Est ha de deci di r si val e l a pena cont r at ar , a 4 dl ar es/ h, un ayudant e del
al macn. Si se cont r at a al ayudant e, el al maceni st a sl o t ar dar a un pr omedi o de 4
mi n. par a at ender l as sol i ci t udes de her r ami ent as. Suponga que son exponenci al es
t ant os l os t i empos de ser vi ci o como el t i empo ent r e l l egadas. Se debe cont r at ar
al ayudant e?

Sol uci n
A l os pr obl emas en l os que un t omador de deci si ones debe escoger ent r e si st ema
al t er nat i vos de col a se l es l l ama pr obl emas par a opt i mi zar si st emas col as. En est e
pr obl ema, l a met a de l a empr esa es mi ni mi zar l a suma del cost o hor ar i o de ser vi ci o
y del cost o hor ar i o esper ado debi do a l os t i empos de i nact i vi dad de l os mecni cos.
En l os pr obl emas de opt i mi zaci n de col as, el component e del cost o debi do a
cl i ent es que esper an en l a col a se l l ama cost o de demor a. As , l a empr esa desea
mi ni mi zar

Cost o esper ado = cost o de ser vi ci o + cost o esper ado de demor a
Hor a hor a hor a

En gener al , el cl cul o del cost o hor ar i o de ser vi ci o es senci l l o. El modo ms
f ci l de cal cul ar el cost o hor ar i o de demor a es t omando not a de que

Cost o esper ado de demor a =
hor a

cost o esper ado de demor a * cl i ent es esper ados
cl i ent e hor a

En nuest r o pr obl ema,

Cost o esper ado de demor a = l 0 dl ar es Pr omedi o d hor as que pasa
Cl i ent es mecni co - hor a el mecni co en el si st ema

Asi ,

Cost o esper ado de demor a = 10W
cl i ent e
67

cost o esper ado de demor a = 10W
hor a

Ahor a podemos compar ar el cost o esper ado por hor a, si no se cont r a a al ayudant e
con el cor r espondi ent e si se l e cont r at a. Si no se cont r at a, = 10 mecni cos/ h, y
= 12 mecani cos/ h. De l a Ecuaci n ( 31) , W =
2
1
10 12
1
=
. Como al despachador l e
paga 6 dl ar es por hor a, t enemos que

Cost o de ser vi ci o = 6 dl ar es
hor a

cost o esper ado de demor a = 10 10 = 50 dl ar es
hor a

As . si n el ayudant e, el cost o esper ado por hor a es 6 + 50 = 56 dl ar es. Con el
ayudant e. = 15 cl i ent es por hor a. Por l o t ant o W=
5
1
10 15
1
=
hor a y

cost o esper ado de demor a = 10 1/ 5 10 = 20 dl ar es
hor a

Como el cost o hor ar i o de ser vi ci o ahor a es 6 + 4 = 10 dl ar es/ h, el cost o esper ado
de ser vi ci o con el ayudant e es 20 + 10 = 30 dl ar es. Por l o t ant o, se debe
cont r at ar al ayudant e por que se ahor r an 50 - 20 = 30 dl ar es/ h en cost os de
demor a, l o cual mas que compensa su sal ar i o de 4 dl ar es/ h.

PROBLEMAS

l . En una aer ol nea se debe r evi sar cada pasaj er o, as como su equi paj e, par a ver
si t r ae ar mas. Suponga que el aer opuer t o Got ham Si t y l l ega un por mdedi o de 10
pasaj er os/ mi n. Los t i empos ent r e l l egadas son exponenci al es. Par a r evi sar a l os
pasaj er os, el aer opuer t o debe t ener una est aci n que consi st e en un det ect or de
met al es y una mqui na de r ayos X par a el equi paj e. Cuando est a t r abaj ando l a
est aci n se necesi t an dos empl eados. Una est aci n puede r evi sar un pr omedi o de 12
pasaj er os / mi n. El t i empo par a r evi sar un pasaj er o es exponenci al . Con l a
hi pt esi s que el aer opuer t o sl o t i ene una est a est aci n de ver i f i caci n.

( a) Cul es l a pr obabi l i dad de que un pasaj er o t enga que esper ar par a ser
r evi sado?
( b) En pr omedi o. cuant os pasaj er os esper an en l a col a par a ent r ar en l a est aci n?
( c) En pr omedi o cuant o t i empo pasa el pasaj er o en l a est aci n de ver i f i caci n?

2. El Depar t ament o de Ci enci as de l a Deci si n t r at a de det er mi nar si r ent a una
copi ador a l ent a o una r pi da. El depar t ament o cr ee que el t i empo de un empl eado
val e 15 dl ar es/ h. El ar r endami ent o de l a copi ador a l ent a cuest a 4 dl ar es/ h y
un empl eado t ar da un pr omedi o de 10 mi nut os en t er mi nar sus copi as, di st r i bui do
exponenci al ment e. La copi ador a r pi da cuest a 14 dl ar es/ h en ar r endami ent o y un
empl eado t ar da un pr omedi o de 6 mi nut os en t er mi na r sus copi as. Un pr omedi o de 4
empl eados/ h son l os que necesi t an usar l a copi ador a. Los t i empos ent r e l l egada
son exponenci al es. Qu mqui na debe r ent ar el Depar t ament o?

68

3. Par a un si st ema de col a M/ M/ 1/ DG/ / suponga que se dupl i can t ant o y como
( a) Cambi a L?
( b) Cambi a W?
( c) Cambi a l a di st r i buci n de pr obabi l i dad de est ado est abl e?

4. En el Pr obl ema 1, suponga que l a aer ol nea desea det er mi nar cunt as est aci ones
de r evi si n deben t r abaj ar par a r educi r al m ni mo l os cost os de oper aci n y l os
cost os de demor a en un per i odo de di ez anos. Suponga que el cost o de demor a de un
pasaj er o dur ant e una hor a es 10 dl ar es y que el aer opuer t o abr e t odos l os d as,
16 hor as al d a. Cuest a un 1 mi l l n de dl ar es compr ar , oper ar y mant ener un
det ect or de met al es y una mqui na de r ayos X par a r evi si n de equi paj es dur ant e un
per i odo de 10 aos. Por l t i mo, suponga que es i gual ment e pr obabl e que un pasaj er o
ent r e a una est aci n dada.

5. 1 Cada mqui na de l a l nea de mont aj e de Wi dget co sal e de f unci onami ent o un
pr omedi o de una vez por mi nut o. Hay t r abaj ador es asi gnados par a r est abl ecer una
mqui na con pr obl emas. La empr esa paga a cada t r abaj ador c
s
dl ar es/ h y cal cul a
que cada hor a de maqui na si n f unci onar l e cuest a c
m
dl ar es por per di da de
pr oducci n. Los dal os i ndi can que el t i empo ent r e descompost ur as sucesi vas de una
mqui na y el t i empo par a r est abl ecer l a son exponenci al es. Wi dget co desea asi gnar a
cada t r abaj ador un det er mi nado nmer o de mqui nas que super vi se y r epar e. Sea M =
nmer o t ot al de mqui nas de Wi dgel co, w = nmer o de t r abaj ador es cont r at ados, y R
= M/ w mqui nas asi gnadas a cada uno de el l os.

( a) Expr ese el cost o hor ar i o de Wi dget co en t r mi nos de R y M
( b) Demuest r e que el val or pt i mo de R no depende del val or de M.
( c) Con cal cul o di f er enci al demuest r e que l os cost os se r educen al m ni mo si se
escoge
( )
2
1
60
1
s
m
C
C
R
+
=

( d) Suponga que c
m
= 78 cent avos de dl ar y que c
s
= 2. 75 dl ar es. Wi dget co t i ene
200 mqui nas y un t r abaj ador puede r est abl ecer una cual qui er a de el l as en un
pr omedi o de 7. 8 segundos. Cmo puede Wi dget co mi ni mi zar cost os?

( e) En l os i nci sos ( a) a ( d) , hemos supuest o t ci t ament e que en cual qui er moment o,
l a r api dez con que se descomponen l as mqui nas asi gnadas a un t r abaj ador no
depende del nmer o de l as mqui nas que t r abaj an bi en y que est n asi gnadas a el .
Par ece r azonabl e est a hi pt esi s?

6. Se t i ene un aer opuer t o donde l os t axi s y l os cl i ent es l l egan con f r ecuenci as
r espect i vas de 1 y 2 por mi nut o. Los t i empos ent r e l l egadas son exponenci al es.
I ndependi ent ement e de cunt os ot r os t axi s haya un t axi debe esper ar . Si un cl i ent e
que l l ega no encuent r a un t axi , se va de i nmedi at o.

( a) Model e est e si st ema como pr oceso de naci mi ent o y muer t e. Suger enci a: det er mi ne
cul es el est ado del si st ema en cual qui er moment o det er mi nado y haga un
di agr ama de f r ecuenci as,
( b) Det er mi ne el nmer o pr omedi o de t axi s l i br es que esper an un cl i ent e.
( c) Suponga que t odos l os cl i ent es que usan t axi pagan 2 dl ar es por vi aj e como
t ar i f a. Dur ant e una hor a nor mal , cunt os i ngr esos r eci bi r n l os t axi s?

69

7. Un banco I r an de escoger ent r e dos mqui nas cul debe r emar par a compr obar
cheques. La mqui na 1 se al qui l a a 10000 dl ar es por ao y pr ocesa 1000 r evi si ones
por hor a. La t ar i f a de l a mqui na 2 es 15000 dl ar es por ao y pr ocesa 1600
r evi si ones por hor a.

Suponga que l as mqui nas t r abaj an 8 hor as di ar i as, 5 d as por semana y 50 semanas
por ao. El banco debe pr ocesar un pr omedi o de 800 cheques por hor a y el cheque
pr ocesado, en pr omedi o es por 100 dl ar es. Suponga una t asa de i nt er s anual de
20%. Luego cal cul e l o que cuest a al banco, en i nt er eses per di dos, cada hor a que
t ar da un cheque en esper ar y pr ocesar se.
Si se supone que l os t i empos ent r e l l egadas y l os de ser vi ci o son exponenci al es,
cul maqui na se debe r ent ar ?

8. - La pl ant a de neumt i cos debe pr oduci r un pedi do de 100 neumt i cos por d a. La
f abr i ca pr oduce neumt i cos en l ot es de t amao x. El ger ent e de pl ant a debe
det er mi nar el t amao de l ot e x que mi ni mi ce el t i empo que pasa un l ot e en l a
pl ant a. Desde que l l ega un l ot e de neumt i cos, l a f br i ca l ar da un pr omedi o de
1/ 20 de d a en pr epar ar l a pr oducci n. Una vez que el equi po est pr epar ado, se
t oma un pr omedi o de 1/ 150 de d a pr oduci r cada neumt i co. Suponga que el t i empo
de pr oducci n de un l ot e de neumt i cos t i ene di st r i buci n exponenci al y que el
t i empo par a que " l l egue" un l ot e de neumt i cos t ambi n t i ene di st r i buci n
exponenci al . Cal cul e el t amao de l ot e que mi ni mi ce el t i empo esper ado que pasa un
l ot e en l a f br i ca, desde que l l ega un l ot e hast a que se t er mi na l a pr oducci n del
l ot e.

2-5 SISTEMA DE COLAS M/M/1/DG/c/.

En est a secci n anal i zar emos el si st ema de col as M/ M/ 1/ DG/ c/ . Recuer de que est e
si st ema es un M/ M/ 1/ DG/ c/ con una capaci dad t ot al de c cl i ent es. El si st ema
M/ M/ 1/ DG/ c/ es i dnt i co al M/ M/ 1/ DG/ / con excepci n de que cuando hay pr esent es
c cl i ent es, t odas l as l l egadas se r egr esan y el si st ema l as pi er de par a si empr e.
Como en l a Secci n 22. 4, suponemos que l os t i empos ent r e l l egadas son
exponenci al es con r api dez . y que l os t i empos de ser vi ci o son exponenci al es con
r api dez . Ent onces el si st ema M/ M/ 1/ DG/ c/ se puede model ar ( vase Fi gur a 11)
como pr oceso de naci mi ent o y muer t e con l os si gui ent es par met r os:

Fi gur a 11
Di agr ama de r api dez a par t i r si st ema M/ M/ 1/ DG/ c/

70

( 35)
) , , 2 , 1 (
0
) 1 , , 2 , 1 , 0 (
0
c j
c j
j
j
L
L
= =
=
= =

Como
c
= O, el si st ema nunca al canzar a el est ado c + 1, o cual qui er ot r o est ado de
numer o mayor . Como en l a Secci n 2. 4, convi ene def i ni r a =
. Luego apl i camos

l as ecuaci n ( 16) a ( 19) par a ver que si l as pr obabi l i dades de est ado
est abl e par a el M/ M/ 1/ DG/ c/ est n expr esadas por

( 34)
L
L
, 1 0
, , 1
,
1
1
0
0
+ = =
= =

=
c j
c j
j
j
j
c

combi nando l a ecuaci n ( 34) con el hecho de que L =
podemos demost r ar que

si
=
c
j
j
j
1

( 35)
[ ]
,
) 1 )( 1 (
) 1 ( 1
1
1
+
+

+ +
=
c
c c
c c
L

Si = , ent onces t odas l as c
j
de l a Ecuaci n ( 16) son gual es a 1, y t odas l as
j
, deben ser i gual es. Por l o l an o, si = l as pr obabi l i dades de est ado est abl e
del si st ema M/ M/ 1/ DG/ c/

( 36)
2
, , 2 , 1 ,
1
1
c
L
c j
c
j
=
=
+
= L

Como el caso del si st ema M/ M/ 1/ DG/ / . Como ant es,
podemos cal cul ar L
q
medi ant e L
q
= L L
s
.
=
= + =
1
0 0
1 1 0
j
j s
L

El cl cul o de W y W
q
a par t i r de l as Ecuaci ones ( 28) y ( 29) t i ene sus t r ucos.
Recuer de que en l as Ecuaci ones ( 28) y ( 29) , r epr esent a el nmer o pr omedi o de
cl i ent es que l l egan por uni dad de t i empo, qui enes r eal ment e ent r an al si st ema. En
nuest r o model o de capaci dad f i ni t a, l l ega un pr omedi o de , per o
c
de esas
l l egadas encuent r an al si st ema l l eno a t oda capaci dad y se van. Por l o t ant o, en
71

r eal i dad ent r ar al si st ema un pr omedi o de -
c
=( 1-
c
) l l egadas por uni dad de
t i empo. Al combi nar est e hecho con l as Ecuaci ones ( 28) y ( 29) se obt i ene

( 37)
) 1 ( ) 1 (
c
q
q
c
L
W
L
W

=
=
Par a un si st ema M/ M/ 1/ DG/ c/ exi st i r est ado est abl e aun si . Est o se debe a
que aun cuando , l a capaci dad f i ni t a del si st ema evi t a que " expl ot e" el
nmer o de gent es en l a col a.

Ej empl o 5.

En una pel uquer a hay un pel uquer o y un t ot al de 10 asi ent os. Los t i empos de
l l egada t i enen di st r i buci n exponenci al es, y l l ega un pr omedi o de 20 cl i ent es
posi bl es por hor a. Los que l l egan cuando l a pel uquer a est l l ena no ent r an. El
pel uquer o l ar da un pr omedi o de 12 mi nut os en at ender a cada cl i ent e. Los t i empos
de cor t e de pel o t i enen di st r i buci n exponenci al .

1. En pr omedi o, cunt os cor l es de pel o por hor a har el pel uquer o?

2. En pr omedi o, cunt o t i empo pasar un cl i ent e en l a pel uquer a cuando ent r a?

Sol uci n
1. una f r acci n
10
de l as l l egadas encuent r a que est l l ena l a pel uquer a. Por
l o t ant o, ent r ar a el l a un pr omedi o de ( 1-
10
) por hor a. Todos l os cl i ent es que
desean que se l es cor l e el cabel l o, y por l o t ant o, el pel uquer o har un pr omedi o
de ( 1-
10
) cor t es por hor a. En nuest r o pr obl ema, c = 10, =20 cl i ent es por hor a y
= 5 cl i ent es / h. Ent onces = 20/ 5 = 4 y l a Ecuaci n ( 34) da como r esul t ado

75 . )
4 1
4 1
( 4
4 1
4 1
11
10
10
11
0
=

As , l os cor t es de pel o son en pr omedi o 20( 1 ) =5/ h. Est o si gni f i ca que un
pr omedi o de 20 - 5 = 15 cl i ent es posi bl es no ent r an cada hor a.

2. Par a cal cul ar Wusar emos l as Ecuaci n ( 35) y ( 37) . De l a Ecuaci n ( 35) ,

[ ]
clientes L 67 . 9
) 4 1 )( 4 1 (
10 4 ) 1 10 ( 1 4
11
11 10
=

+ +
=

Ent onces, l a Ecuaci n ( 37) da como r esul t ado

horas W 93 . 1
) 1 ( 20
67 . 9
4
3
=
=

72

Est a pel uquer a si empr e est l l ena, y l e debemos aconsej ar al pel uquer o que
cont r at e cuando menos a ot r o pel uquer o mas.

PROBLEMAS

1. Una i nst al aci n de ser vi ci o consi st e de una per sona que puede at ender un
pr omedi o de 2 cl i ent es/ h. Los t i empos de ser vi ci o son exponenci al es. Ll ega un
pr omedi o de 3 cl i ent es por hor a, y se supone que l os t i empos ent r e l l egadas son
exponenci al es. La capaci dad del si st ema es de 3 cl i ent es.

a) En pr omedi o, cunt os cl i ent es pot enci al es ent r an al si st ema cada hor a?
b) Cul es l a pr obabi l i dad de que qui en at i ende est e ocupado?

2. Hay un pr omedi o de 40 aut omvi l es por hor a, con t i empos exponenci al es ent r e
l l egadas, que desean que se l es at i enda en l a vent ani l l a de " ser vi ci o en su aut o"
del Hot Dog Ki ng Rest aur ant . Si hay una col a de ms de 4 coches, i ncl uyendo el de
l a vent ani l l a, el coche que l l egue se va. En pr omedi o t oman cuat r o mi nut os en
ser vi r a un aut omvi l .

a) Cual es el numer o pr omedi o de aut omvi l es esper ando en l a col a, si n i ncl ui r al
que est f r ent e a l a vent ani l l a?
b) En pr omedi o, a cuant os aut omvi l es se at i ende en cada hor a?
c) Acabo de f or mar me en l a col a. En pr omedi o, cuant o t i empo pasar par a que
r eci ba mi s al i ment os?

3. Hay dos pel uquer as con un pel uquer o cada una, y l os est abl eci mi ent os est n en
l a mi sma cal l e. Cada pel uquer a puede t ener un mxi mo de 4 per sonas, y t odo
cl i ent e pot enci al que encuent r e que est l l ena no esper ar . El pel uquer o 1 cobr a
11 dl ar es por cor t e y se t ar da un pr omedi o de 12 mi nut os par a at ender a un
cl i ent e. El pel uquer o 2 cobr a 5 dl ar es por cor t e y se t ar da un pr omedi o de 6
mi nut os par a t er mi nar un cor t e. A cada pel uquer a l l ega un pr omedi o de 10 cl i ent es
posi bl es por hor a. Nat ur al ment e, un cl i ent e posi bl e se t r ansf or ma en un cl i ent e
r eal sl o si encuent r a que l a pel uquer a no est l l ena. Si se supone que l os
t i empos ent r e l l egadas son exponenci al es, as como l os t i empos de cor t e de pel o,
cul pel uquer o gana ms?

2-6 SISTEMA DE COLAS M/M/s/DG//

A cont i nuaci n anal i zar emos el si st ema M/ M/ s/ DG/ / . Suponemos que l os t i empos
ent r e l l egadas son exponenci al es, con r api dez i gual a , que l os t i empos de
ser vi ci o son exponenci al es, con r api dez y que hay sol o una col a de cl i ent es
esper ando su ser vi ci o en una de l as s vent ani l l as o ser vi dor es. Si hay j s
cl i ent es, ent onces l os j cl i ent es est n en el ser vi ci o; si hay j > s cl i ent es,
ent onces l as s vent ani l l as est n ocupadas, y hay j - s cl i ent es esper ando en l a
col a. Toda l l egada que encuent r e una vent ani l l a vac a ent r a al ser vi ci o de
i nmedi at o, per o una l l egada que no encuent r e vent ani l l a vac a se f or ma en l a col a
de cl i ent es que esper an su at enci n. Los bancos y l as of i ci nas de cor r eos, en l os
que t odos l os cl i ent es esper an at enci n en una sol a col a, se pueden model ar con
f r ecuenci a con l os si st emas de col a M/ M/ s/ DG/ / .

73

Par a descr i bi r el si st ema M/ M/ s/ DG/ / como model o de naci mi ent o y muer t e, obser ve
que, como en el model o M/ M/ l / DG/ / ,
j
= j = 0, 1, 2, . . . . Si hay j vent ani l l as
o ser vi dor es ocupados, ent onces se t er mi n el ser vi ci o con una f r ecuenci a de

j = + + L

Si empr e que haya j cl i ent es, est ar n ocupadas mi n( j , s) vent ani l l as. As ,
j
=
mi n( j , s) . En r esumen, vemos que el si st ema M/ M/ s/ DG/ / se puede model ar como
un pr oceso de naci mi ent o y muer t e ( vase Fi g. 12) con par met r os
( 38)
) , 2 , 1 (
) , , 2 , 1 , 0 (
) , 2 , 1 , 0 (
L
L
L
+ + = =
= =
= =
s s j s
s j j
j
j
j
j

Fi nur a 12

Di agr ama de r api dez par a un si st ema de col as M/ M/ s/ DG/ /

Def i ni mos a como i gual a =
s
. Par a < al sust i t ui r l a Ecuaci n ( 38) en ( 16)

a ( 19) se obt i enen l as si gui ent es pr obabi l i dades de est ado est abl e:

( 39)
=

+
=
1
0
0
) 1 ( !
) (
!
) (
1
s
j
s j
s
s
j
s

( 39. 1) s j
j
s
j
j
, , 2 , 1
!
) (
0
L = =

( 39. 2) L , 1 ,
!
) (
0
+ = =

s s j
s s
s
s j
j
j

74

Si l no exi st e est ado est abl e, en ot r as pal abr as, si l a f r ecuenci a o r api dez
de l l egadas es al menos i gual a l a r api dez mxi ma posi bl e de ser vi ci o ( > s) ,
" expl ot a" el si st ema.

De l a Ecuaci n ( 39. 2) , se puede demost r ar que l a pr obabi l i dad de est ado est abl e de
que t odas l as vent ani l l as est n ocupadas es

( 40)
0
) 1 ( !
) (
) (
=
s
s
s j P
s

En l a Tabl a A se muest r a P( j s) par a di ver sas si t uaci ones. Tambi n se puede
demost r ar que

( 41)
) 1 (
) (
=
s j P
L
q

Tabl a 6. par a un si st ema M/ M/ s/ DG/ / ) ( s j P

s =2 s=3 s=4 s=5 s=6 s=7
0. 10 0. 02 - - - - -
0. 20 0. 07 0. 02 - - - -
0. 30 0. 14 0. 07 0. 04 0. 02 - -
0. 40 0. 23 0. 14 0. 09 0. 06 0. 04 0. 03
0. 50 0. 33 0. 24 0. 17 0. 13 0. 10 0. 08
0. 55 0. 39 0. 29 0. 23 0. 18 0. 14 0. 11
0. 60 0. 45 0. 35 0. 29 0. 24 0. 20 0. 17
0. 65 0. 51 0. 42 0. 35 0. 30 0. 26 0. 21
0. 70 0. 57 0. 51 0. 43 0. 38 0. 34 0. 30
0. 75 0. 64 0. 57 0. 51 0. 46 0. 42 0. 39
0. 80 0. 71 0. 65 0. 60 0. 55 0. 52 0. 49
0. 85 0. 78 0. 73 0. 69 0. 65 0. 62 0. 60
0. 90 0. 85 0. 83 0. 79 0. 76 0. 74 0. 72
0. 95 0. 92 0. 91 0. 89 0. 88 0. 87 0. 85

Ent onces, l a Ecuaci n ( 28) da como r esul t ado

( 42)

= =
s
s j P
L
W
q
q
) (

Par a cal cul ar L y despus W, usamos el hecho de que L = L
q
+ L
s
. Como W
s
=
1
l a
Ecuaci n ( 30) muest r a que Ls =
Ent onces
75

( 43) L = L
q
+

Tambi n,

( 44)

1 ) ( 1 1
+
= + = + = =
s
s j P
W
L
L
W
q
q

Cuando necesi t emos cal cul ar L, L
q
, W o W
q
, comenzamos por buscar en l a
Tabl a 6. A cont i nuaci n apl i camos l as Ecuaci n ( 41) a ( 44) par a cal cul ar l a
cant i dad que deseemos. Si nos i nt er esa l a di st r i buci n pr obabi l i dad de est ado
est abl e, buscamos en l a Tabl a 6 y l uego usamos l a Ecuaci n ( 40) par a
obt ener
) ( s j P
) ( s j P
0
. As , l as Ecuaci ones ( 39. 1) y ( 39. 2) pr oducen l a di st r i buci n compl et a
de est ado est abl e. Los dos ej empl os si gui ent es muest r an el empl eo de l as f or mul as
ant er i or es.

EJ EMPLO 6.

Un banco t i ene dos caj er os. Ll egan al banco un pr omedi o de 80 cl i ent es por hor a
y esper an en una sol a col a par a que l os at i endan. El t i empo pr omedi o que se
necesi t a par a at ender a un cl i ent e es 1. 2 mi nut os. Suponga que l os t i empos ent r e
l l egadas y l os de ser vi ci o son exponenci al es. Cal cul e

1. Nmer o esper ado de cl i ent es en el banco.
2. Ti empo esper ado que pasa un cl i ent e en el banco.
3. La f r acci n del t i empo que det er mi nado caj er o est a desocupado.

Sol uci n

1. Tenemos un si st ema M/ M/ 2/ DG/ / . con = 80 cl i ent es/ h y = 50 cl i ent es/ h.
As , 1 80 .
50 * 2
80
< = = y, por l o t ant o, exi st e el est ado est abl e. Si 100, no
exi st i r a est ado est abl e. De l a Tabal 6, P( J 2) = . 71. Ent onces de l a Ecuaci n
( 41)
clientes L
q
84 . 2
80 . 1
) 71 (. 80 .
=
=

y segn l a ecuaci n ( 43) , L= 2. 84+ 80/ 50 = 4. 44 cl i ent es.

2. Como W=
L
, W=4. 44/ 80 = . 055 hor as = 3. 3 mi nut os

3. Par a cal cul ar l a f r acci n del t i empo que det er mi nado caj er o est desocupado,
nt ese que est a desocupado dur ant e l odo el t i empo que j = O, y l a mi t ad del
t i empo, por si met r a, que j = 1. La pr obabi l i dad que una vent ani l l a est oci osa
est dada por
1 2
1
0
+ , , Apl i cando el hecho de que P( j 2) = . 71, obt enemos, con
l a Ecuaci n 40,
76

11 .
6 . 1
) 80 . 0 1 ( ! 2
71 .
) (
) 1 ( !
) (
) 1 ( !
) (
) (
2
0 0
=
=
s
s
s
s
s j P
s
s
s j P

y segn l a Ecuaci n ( 39. 1) da como r esul t ado

176 . 11 .
! 1
6 . 1
! 1
) (
0
1
1
= = =
s

As , l a pr obabi l i dad de que una vent ani l l a est e vac a es
1 2
1
0
+ = . 11 + 0. 5( . 176)
= . 198. Podr amos haber cal cul ado
1 0
di r ect ament e con l a Ecuaci n ( 39) su
compr obaci n se dej a como ej er ci ci o.

EJ EMPLO 7
El ger ent e de un banco debe det er mi nar cunt os caj er os deben t r abaj ar l os vi er nes.
Por cada mi nut o que un cl i ent e esper a en l a col a, el ger ent e supone que se i ncur r e
en un cost o de 5 cent avos de dl ar . Al banco l l egan un pr omedi o de 2 cl i ent es por
mi nut o. En pr omedi o, un caj er o se t ar da 2 mi nut os en t r ami t ar l a t r ansacci n de
un cl i ent e. Al banco l e cuest a 9 dl ar es por hor a l a cont r at aci n de un caj er o.
Los t i empos ent r e l l egadas y l os t i empos de ser vi ci o son exponenci al es. Par a
r educi r al m ni mo l a suma de l os cost os de ser vi ci o y l os de demor a, cunt os
caj er os deben t r abaj ar el banco l os vi er nes?

Sol uci n
Como = 2 cl i ent es por mi nut o y = 0. 5 cl i ent es por mi nut o, ^ < 1 necesi t a que 4
s
< 1, o sea, s 5. As , deben haber 5 caj er os cuando menos, por que de l o

cont r ar i o " expl ot ar " el nmer o de cl i ent es. A cont i nuaci n cal cul ar emos, par a s =
s, 6, . . .

Cost o esper ado de ser vi ci o + cost o esper ado de demor a
mi n mi n

Como a cada caj er o se l e paga 9/ 60 =0. 15 dl ar es / mi n,

Cost o esper ado de ser vi ci o = . 015 s dl ar es
mi n

Cost o esper ado de demor a = cl i ent es esper ados cost o esper ado demor a
Mi n mi n Cl i ent e

Per o

Cost o esper ado de demor a = . 05 dl ar es W
q

Cl i ent e

77

Como l l egan un pr omedi o de 2 cl i ent es por mi nut o,

Cost o esper ado de demor a = 2( 0. 05 W
q
) = 0. 10 dl ar es W
q

Mi n

Ya que s = 5 80 .
) 5 ( 5 .
2
= = P( j 5) = . 55. Segn l a Ecuaci n ( 42) ,

W
q
=. 55/ ( . 5*5- 2) = 1. 1 mi nut os

As , par a s = 5, el cost o esper ado de demor a/ mi n = . 10 *1. 1 =. 11 dl ar es.

y par a s = 5,

Cost o t ot al esper ado/ mi n = . 15*5+. 11=. 86 dl ar es

Como s=6 t i ene un cost o de ser vi ci o de 6( 0. 15) = 0. 90 dl ar es por mi nut o, 6
caj er os no pueden t ener un cost o t ot al ms baj o que 5 caj er os. Por l o t ant o, l o
pt i mo es t ener 5 caj er os de ser vi ci o. Vi st o de ot r o modo, si se aade un caj er o
ms, el banco se puede ahor r ar cuando ms 0. 11 dl ar es por mi nut o en t i empos de
demor a. Como un caj er o ms l e cuest a al banco 0. 15 dl ar es por mi nut o, no puede
ser pt i ma l a cont r at aci n de mas de 5 caj er os.

Adems del t i empo esper ado de un cl i ent e en el si st ema, es de i nt er s l a
di st r i buci n del t i empo de esper a de un cl i ent e. Por ej empl o, si l odos l os
cl i ent es que t i enen que esper ar ms de 5 mi nut os en una caj a de super mer cado
deci den cambi ar a ot r a t i enda, l a pr obabi l i dad que un cl i ent e dado cambi e a ot r o
al macenes i gual a P( W> 5) . Par a cal cul ar est a pr obabi l i dad necesi t amos conocer l a
di st r i buci n del t i empo de esper a de un cl i ent e. Par a un si st ema de col as
M/ M/ s/ FI FO/ / . ( pr i mer o en l l egar pr i mer o en ser ser vi do) , se puede demost r ar que

( 45)
[ ]
+ = >

sp s
s j P e t W P
e
sp s t
t
1
1
) ( 1 ) (
) 1 (
( si s- 1=s ( ) t s j P e t W P
t
) ( 1 ) ( + = >

( 46)
[ ]
e
t s
q
s j P t W P
) 1 (
) ( ) (

= >

Par a dar un ej empl o del uso de l as Ecuaci ones. ( 45) y ( 46) , suponga que en el
ej empl o 7, par a s = 5, el ger ent e del banco desea conocer l a pr obabi l i dad de que
el cl i ent e t enga que esper ar en l a col a dur ant e ms de 10 mi nut os. Par a s = 5,
= . 80, P( j 5) = . 55 y = . 5 cl i ent es por mi nut o, l a Ecuaci n ( 46) da como
r esul t ado

[ ]
004 . 55 . ) 10 (
10 ) 8 . 1 ( 5 . * 5
= = >

e q
W P

Por l o t ant o, el ger ent e del banco puede est ar segur o que l a pr obabi l i dad de que
un cl i ent e esper e mas de 10 mi nut os es muy baj a.

78

PROBLEMAS

1. Un super mer cado t r at a de deci di r cunt as caj as deben est ar f unci onando. Suponga
que cada hor a l l ega un pr omedi o de 18 cl i ent es, y el t i empo pr omedi o de at enci n a
un cl i ent e es 4 mi nut os. Los t i empos ent r e l l egadas y l os t i empos de ser vi ci o son
exponenci al es, y el si st ema se puede model ar como uno M/ M/ s/ DG/ / . El
f unci onami ent o de una caj a cuest a 20 dol ar es/ h, y se car ga un cost o de 15 cent avos
de dl ar por cada mi nut o que el cl i ent e pasa en l a zona de caj as.
Cuant as caj as debe abr i r el super mer cado?

2. Un banco pequeo t r at a de det er mi nar cunt os caj er os debe empl ear . El cost o
t ot al de empl ear un caj er o es, 100 dl ar es di ar i os y un caj er o puede at ender a un
pr omedi o de 60 cl i ent es por d a. Al banco l l ega un pr omedi o de 50 cl i ent es por d a
y de ser vi ci o y l os t i empos ent r e l l egadas son exponenci al es. Si el cost o de
demor a por cl i ent e d a es 100 dl ar es, cunt os caj er os debe cont r at ar el banco?

3. En est e pr obl ema, t odos l os t i empos ent r e l l egadas y de ser vi ci o son
exponenci al es,

a) En l a act ual i dad, el depar t ament o de f i nazas y el de vent as t i enen sus pr opi as
mecangr af as. Cada mecangr af a puede hacer 25 car t as por d a. El depar t ament o de
f i nanzas necesi t a que se mecanogr af en 20 car t as di ar i as, en pr omedi o, y el de
vent as 15 car t as di ar i as. Par a cada depar t ament o, cal cul e el t i empo que pasa ent r e
l a pet i ci n de una car t a y l a t er mi naci n de st a.

b) Suponga que l as dos mecangr af as se agr upan en una secci n y que cada una quede
di sponi bl e par a mecanogr af i ar car t as de cual qui er depar t ament o. Par a est e
ar r egl o, cal cul e el t i empo pr omedi o que pasa ent r e l a pet i ci n de una car t a y l a
t er mi naci n de est a.

c) Coment e l os r esul t ados de l os i nci sos ( a) y ( b) .
d) Si l as mecangr af as pueden t r abaj ar par a cual qui er depar t ament o, cual es l a
pr obabi l i dad que pase ms de 0. 20 de d a ent r e l a pet i ci n de car t a y l a
t er mi naci n de est a?

4. MacBur ger t r at a de det er mi nar cunt os ser vi dor es, o col as, deben t r abaj ar
dur ant e el t ur no del desayuno. Dur ant e cada hor a, l l egan un pr omedi o de 100
cl i ent es al r est aur ant e. Cada col a puede manej ar un pr omedi o de 50 cl i ent es por
hor a. Un ser vi dor cuest a 5 dl ar es por hor a, y se car ga un cost o de 20 dl ar es por
cada cl i ent e que esper e en l a col a dur ant e 1 hor a. Suponi endo que se pueda apl i car
un model o M/ M/ s/ DG/ / , cal cul e el nmer o de col as que mi ni mi ce l a suma de l os
cost os de demor a y de ser vi ci o.

5. Ll ega un pr omedi o de 100 cl i ent es por hor a al banco de Got ham Ci t y. El t i empo
pr omedi o de ser vi ci o par a cada cl i ent e es 1 mi nut o. . Los t i empos de ser vi ci o y
ent r e l l egadas son exponenci al es. El ger ent e desea asegur ar se que no haya ms del
1% de l os cl i ent es que t engan que esper ar en l a col a dur ant e ms de 5mi nut os. Si
el banco t i ene como pol t i ca f or mar a t odos l os cl i ent es en una col a ni ca,
cunt os caj er os debe cont r at ar ?

6. Al banco de Got ham Ci t y l l ega un pr omedi o de 100 cl i ent es por hor a. Un caj er o
se t ar da un pr omedi o de 2 mi nut os en at ender a un cl i ent e. Los t i empos ent r e
l l egadas y de ser vi ci o son exponenci al es. El banco t i ene act ual ment e cuat r o
caj er os t r abaj ando. El ger ent e desea compar ar l os dos si st emas si gui ent es en
79

cuant o al nmer o pr omedi o de cl i ent es en el banco y l a pr obabi l i dad de que un
cl i ent e pase ms de 8 mi nut os en el banco:

Si st ema 1 Cada cal er o t i ene su pr opi a col a y no se per mi t e cambi ar de col a.

Si st ema 2 Todos l os cl i ent es esper an en una col a ni ca a que se desocupe un
caj er o.

Si el l ect or f uer a el ger ent e del banco, qu si st ema escoger a?

7. Un t al l er de si l enci ador es t i ene t r es mecni cos. Cada mecni co l ar da 45 mi nut os
en i nst al ar un si l enci ador nuevo. Suponga que l l ega un pr omedi o de 1 cl i ent e por
hor a. Cul es el nmer o esper ado de mecni cos que est n desocupados en cual qui er
moment o dado? Cont est e est a pr egunt a si n suponer que l os t i empos de
ser vi ci o y l os t i empos ent r e l l egada sean exponenci al es.

8. Se t i enen l os dos si st emas si gui ent es de col as:

Si st ema 1 Si st ema M/ M/ 1 con f r ecuenci a de l l egada y r api dez de ser vi ci o 3
Si st ema 2 Si st ema M/ M/ 3 con f r ecuenci a de l l egada y cada ser vi dor t r abaj a a una
vel oci dad .

Si n hacer muchos cl cul os, cul si st ema t endr l as menor es W y L? ( Suger enci a:
Escr i bi r l os par met r os de naci mi ent o y muer t e par a cada si st ema. ) A cont i nuaci n
det er mi ne cul si st ema es el ms ef i caz.

80

2-7 MODELOS M/M//DG// Y GI/G//DG//

Hay muchos ej empl os de si st emas en l os cual es un cl i ent e nunca t i ene que esper ar
par a que se i ni ci e su at enci n. En un si st ema de st os, se puede pensar que t odo
el t i empo que pasa el cl i ent e en el si st ema es su t i empo de ser vi ci o, o de
t r mi t e.
Como un cl i ent e nunca t i ene que esper ar par a que l o at i endan hay, en esenci a, un
ser vi dor di sponi bl e par a cada l l egada, y podemos pensar que ese si st ema es de
cant i dad i nf i ni t a de ser vi dor es, o si st ema de aut oser vi ci o. En l a Tabl a 7 se dan
dos ej empl os de si st ema de despachador i nf i ni t o.

Tabl a 7
Ej empl os de si st emas de col as con una cant i dad i nf i ni t a de ser vi dor es

CASO LLEGADA TI EMPO EN EL SERVI CI O
( TI EMPO EN EL SI STEMA)
ESTADO DEL
SI STEMA
I ndust r i a La empr esa ent r a a
l a i ndust r i a
Ti empo hast a que l a
empr esa sal e de l a
i ndust r i a
Nmer o de
empr esas en l a
i ndust r i a
Pr ogr ama escol ar El est udi ant e ent r a
al pr ogr ama
Ti empo que el est udi ant e
per manece en el pr ogr ama
Nmer o de
est udi ant es en
el pr ogr ama

Medi ant e l a not aci n Kendal l - Lee, un si st ema de ser vi dor es i nf i ni t os en el que l os
t i empos ent r e l l egada y de ser vi ci o pueden segui r di st r i buci ones ar bi t r ar i as de
pr obabi l i dad, se r epr esent an como si st ema de col as M/ M/ / DG/ / . Un si st ema de
est os t r abaj a como si gue:

1. Los t i empos de l l egadas son i i d con di st r i buci n comn A. Se def i ne E( A) =
1
.
As , es l a f r ecuenci a o r api dez de l l egadas.

2. Cuando l l ega un cl i ent e, i nmedi at ament e pasa al ser vi ci o. El t i empo de cada
cl i ent e en el si st ema est a gober nado por l a di st r i buci n S con E( S) =
1
.

Sea L el nmer o esper ado de cl i ent es en el si st ema en el est ado est abl e, y W
t i empo esper ado que un cl i ent e pasa en el si st ema. Por def i ni ci n, W =
1
.
Ent onces, l a Ecuaci n ( 30) si gni f i ca que

( 47) L =

La Ecuaci n ( 47) no r equi er e hi pt esi s de exponenci al i dad. Si l os t i empos ent r e,
l l egadas son exponenci al es, se puede demost r ar , aun par a una di st r i buci n
ar bi t r ar i a de t i empos de ser vi ci o, que l a pr obabi l i dad de est ado est abl e , de
j
81

que haya j cl i ent es si gue una di st r i buci n de Poi sson con pr omedi o
. Est o
i mpl i ca que

! j
e
j
j
=

El ej empl o que si gue es una apl i caci n r epr esent at i va de un si st ema M/ M/ / DG/ / .

EJ EMPLO 8
Dur ant e cada ao abr en 3 never as en el puebl o. El t i empo pr omedi o que una never a
per manece en el negoci o es 10 aos. El 1er o de ener o de 2525, cul es el nmer o
pr omedi o de never as que habr en el puebl o? Si el t i empo ent r e i naugur aci ones de
never as es exponenci al , cul es l a pr obabi l i dad de est ado est abl e que el 1er o de
ener o de 2525 haya 25 never as en el puebl o?

Sol uci n

Sabemos que = 3 never as por ao y
1
= 10 aos por never a. Suponi endo que se
haya al canzado el est ado est aci onar i o, habr un pr omedi o de L =
= 3( 10) = 30
never as en el puebl o. Si l os t i empos ent r e l l egadas de never as son
exponenci al es, ent onces

( )
05 .
! 25
30
30 25
25
= =

e

PROBLEMAS

1. Cada semana, el Col umbus Recor d Cl ub at r ae a 100 mi embr os nuevos. Los mi embr os
per manecen en el cl ub un pr omedi o de 1 ao ( 52 semanas) . En pr omedi o, cunt os
mi embr os t i ene el cl ub?

2. El pr ogr ama de doct or ado de l a uni ver si dad del est ado admi t e un pr omedi o de 25
est udi ant es de doct or ado cada ao. Si un est udi ant e de doct or ado pasa un pr omedi o
de 4 aos de r esi denci a en l a uni ver si dad, cuant os est udi ant es de doct or ados cabe
esper ar encont r ar en el l a?

3. En l a act ual i dad hay 40 empr esas de const r ucci n especi al i zadas en ener g a
sol ar en el est ado de I ndi ana. Cada ao se abr en un pr omedi o de 20 const r uct or as
especi al i zadas en di cho est ado, y una empr esa pr omedi o per manece en f unci ones
dur ant e 10 aos. Si l a t endenci a act ual cont i na, cul es el nmer o esper ado de
const r uct or as especi al i zadas en ener g a sol ar que habr en I ndi ana? Si el t i empo
ent r e i naugur aci ones de const r uct or as se di st r i buye en f or ma exponenci al , cul es
l a pr obabi l i dad de que, en el est ado est abl e, haya ms de 300 const r uct or as
especi al i zadas en el negoci o? ( Suger enci a: Par a gr ande, l a di st r i buci n de
Poi sson es apr oxi madament e una di st r i buci n nor mal . )

82

2-8 SISTEMA DE COLAS M/G/1/DG//

En est a secci n ver emos un si st ema de col as de un sol o ser vi dor en el que l os
t i empos de l l egada son exponenci al es, per o en el que l a di st r i buci n del t i empo de
ser vi ci o ( S) no necesi t a ser exponenci al . Sea l a f r ecuenci a de l l egadas, que
suponemos se mi de en l l egadas por hor a. Tambi n, def i ni mos a
1
=E( S) y a al =
var S.
2

En l a not aci n de Kendal l , a est e si st ema de col as se l e r epr senl a con
M/ G/ 1/ DG/ / . Un si st ema de st os no es un pr oceso de naci mi ent o y muer t e, por que
l a pr obabi l i dad de que l a t er mi naci n de un ser vi ci o suceda ent r e t y t + t
cuando el est ado del si st ema es j al t i empo t , depende del t i empo t r anscur r i do
desde l a t er mi naci n del l t i mo ser vi ci o, por que t os t i empos de ser vi ci o ya no
t i enen l a pr opi edad de amnesi a. As , no podemos f or mul ar l a pr obabi l i dad de una
t er mi naci n de ser vi ci o ent r e t y t + t en l a f or ma t ; por el l o no es adecuado
el model o de naci mi ent o y muer t e.

El cl cul o de l as pr obabi l i dades de est ado est abl e par a un si st ema M/ G/ 1/ DG/ / de
col as es asunt o di f ci l . Como ya no val en l as ecuaci ones de est ado est abl e par a
naci mi ent o y muer t e, se debe apl i car un mt odo di st i nt o. Se usa l a t eor a de l as
cadenas de Mar kov par a det er mi nar a l a pr obabi l i dad que despus de que el
si st ema haya t r abaj ado dur ant e l ar go t i empo se encuent r en j cl i ent es en el
i nst ant e i nmedi at o post er i or a aquel en que ha t er mi nado un ser vi ci o ( vase
Pr obl ema 4 al f i nal de est a secci n) . Se puede demost r ar que donde , es
/
j
j j
=
/
j
l a f r acci n del t i empo despus de que el si st ema haya f unci onado l ar go t i empo y
que haya j cl i ent es pr esent es.

Por f or t una, podemos cal cul ar L
q
, L, L
s
, W
q
, W y W
s
usando l os r esul t ados de
Pol l aczek y Khi nchi n. El l os demost r ar on que par a el si st ema de col as M/ G/ 1/ DG/ / ,

( 48)
) 1 ( 2
2 2 2
+
=
q
L
donde
= . Como W
s
=
1
l a Ecuaci n ( 30) si gni f i ca que L
s
=
= . Como L = L
s
+
L
q
se l l ega a

( 49) L = L
q
+

Ent onces, l as Ecuaci ones ( 29) y ( 28) qui er en deci r que

( 50)
q
q
L
W =
( 51)
1
+ =
q
W W

83

Tambi n se puede demost r ar que , l a f r acci n del t i empo que el ser vi dor est
oci oso, es 1 . Vase el Pr ob. 2 al f i nal de est a secci n. Est e r esul t ado es
semej ant e al del si st ema M/ G/ 1/ DG/ /
0

Par a i l ust r ar el . uso de l as Ecuaci ones ( 48) a ( 51) , veamos un si st ema
M/ M/ 1/ DG/ / con = 5 cl i ent es/ h y = 8 cl i ent es/ h. Segn el est udi o del model o
M/ G/ 1/ DG/ / , sabemos que

horas
L
W
horas
L
W
clientes L L
clientes L
q
q
q
24
5
3
1
24
25
5
8
3
5
3
5
= =
= =
= = =
=

De l as Ecuaci ones ( 3) y ( 4) , sabemos que E( S) = 1/ 8 hor as y que var S = 1/ 64
hor as
2
. Ent onces l a Ecuaci ones ( 48) da como r esul t ado

horas
L
W
horas
L
W
clientes L L
clientes L
q
q
q
q
3
1
24
5
3
5
8
5
24
25
24
25
) 1 ( 2
) ( 5
) 1 ( 2
8
5
2
8
5
64
1
2 2 2 2
= =
= =
= + = + =
=
+
=
+
=

Par a demost r ar cmo puede af ect ar si gni f i cat i vament e l a var i anci a del t i empo de
ser vi ci o a l a ef i caci a de un si st ema de col as, ver emos un si st ema M/ G/ 1/ DG/ /
con y i dnt i cas al si st ema M/ M/ l / DG/ / que acabamos de anal i zar . Par a el
model o M/ D/ l / DG/ / E( S) =
1
de hor a y var S = 0. Ent onces
horas
L
W
clientes L
q
q
q
48
5
48
25
) 1 ( 2
) (
8
5
2
8
5
= =
=

84

En est e si st ema M/ D/ l / DG/ / , un cl i ent e nor mal sl o est ar l a mi t ad del t i empo en
l a col a en compar aci n con un si st ema M/ M/ l / DG/ / , con r api deces i dnt i cas de
ser vi ci o y de l l egada. Como muest r a est e ej empl o, aun que no se di smi nuyan l os
t i empos pr omedi os de ser vi ci o, una di smi nuci n de l a var i abi l i dad de est os puede
r educi r mucho el t amao de l a col a y el t i empo de t r nsi t o del cl i ent e.

PROBLEMAS

1. A l a vent ani l l a de un r est aur ant e de ser vi ci o en su aut omvi l l l ega un pr omedi o
de 10 aut omvi l es por hor a. Si el t i empo de ser vi ci o de cada aut omvi l es de 2
mi n, cunt os coches, en pr omedi o, est ar n esper ando en l a col a? Suponga t i empos
exponenci al es ent r e l l egadas.
2. De acuer do con el hecho de que de L
s
=
= demuest r e que par a un si st ema de

col as M/ D/ l / DG/ / , l a pr obabi l i dad de que l a vent ani l l a est e ocupada es
= .

3. Se t i ene un si st ema de col as M/ D/ l / DG/ / , en el cual hay un pr omedi o de 10
l l egadas por hor a. Suponga que el t i empo de t r mi t e de cada cl i ent e si gue una
di st r i buci n de Er l ang con par met r o de r api dez 1 cl i ent e/ mi n y con par met r o de
f or ma 4.
( a) Cal cul e el nmer o est i mado de cl i ent es que esper an en l a col a.
( b) Cal cul e el t i empo esper ado que un cl i ent e est en el si st ema.
( c) Qu f r acci n del t i empo el ser vi dor est ar oci oso?

4. Se t i ene un si st ema de col as M/ D/ l / DG/ / : en e1 que l os t i empos ent r e l l egadas
se di st r i buyen exponenci al ment e con par met r o y l os t i empos de ser vi ci o t i enen
una f unci n de densi dad de pr obabi l i dad s( t ) . Sea X, el nmer o de cl i ent es que hay
un i nst ant e despus s que sal e el i - si mo cl i ent e.

( a) Expl i que por que , es una cadena de Mar kov. L L , , , ,
2 1 k
X X X
( b) Expl i que por que ( i X j X P P
k k ij
) = = =
+
/
1
es cer o par a j < i - 1
( c) Expl i que por qu par a i > 0, =( pr obabi l i dad de que no haya l l egadas dur ant e
un t i empo de ser vi ci o) ; =( pr obabi l i dad de que haya una l l egada dur ant e un t i empo
de ser vi ci o) y par a j i ; = ( pr obabi l i dad de que j - i + 1 l l egadas ent r en
dur ant e un t i empo de ser vi ci o) .
1 ii
P
ii
P
ij
P
( d) Expl i que por que, par a j i - 1 y par a i > 0.

+
=
0
1
)! 1 (
) ( ) (
i j
dx x x s
P
i j
x
ij
e

Suger enci a: La pr obabi l i dad de que un t i empo de ser vi ci o est ent r e x y x + x es
s( x) . Dado que el t i empo de ser vi ci o es i gual a x, l a pr obabi l i dad de que se
t engan j - i + 1 l l egadas dur ant e el t i empo de ser vi ci o es
x

)! 1 (
) (
1
+
+
i j
x
i j
x
e

85

2-9 MODELOS DE FUENTE FINITA: EL MODELO DE
REPARACIN DE MQUINA

A excepci n del model o M/ M/ 1/ DG/ c/ , t odos l os model os que hemos est udi ado han
t eni do f r ecuenci as de l l egada i ndependi ent es de est ado del si st ema. Como se di j o
ant es, hay dos donde qui z no sea vl i da l a hi pt esi s de i ndependenci a de est ado.

1. Si l os cl i ent es no desean f or mar se en col as l ar gas, l a f r ecuenci a de l l egadas
puede ser una f unci n decr eci ent e del numer o de per sonas pr esent es en el si st ema
de col as. Vanse l os Pr ob. 4 y 5 al f i nal de est a secci n, donde se t r at a est e
caso.

2. Si l as l l egadas a un si st ema se f or man de una pobl aci n pequea, l a f r ecuenci a
de l l egadas puede depender mucho del est ado del si st ema. Por ej empl o, si un banco
sl o t i ene 10 cuent ahabi ent es, ent onces en un moment o en que 10 est n en el banco,
l a f r ecuenci a de l l egada debe ser cer o, mi ent r as que si hay menos de 10 per sonas
en el banco, l a f r ecuenci a de l l egadas puede ser posi t i va.

Los model os en l os que l as l l egadas se l oman de una pobl aci n pequea se l l aman
model os de or i gen f i ni t o. Ahor a anal i zamos un model o i mpor t ant e de or i gen f i ni t o
que se conoce como el de l a r epar aci n de mqui nas, o de i nt er f er enci a de
mqui nas.

En el pr obl ema de r epar aci n de maqui nas, el si st ema const a de K mqui nas y R
t cni cos. En cual qui er moment o, una mqui na det er mi nada est en buen est ado o en
mal est ado. El i nt er val o dur ant e el cual una mqui na per manece a buen est ado si gue
una di st r i buci n exponenci al con r api dez . Si empr e que se descompone una
mqui na, se manda a un t cni co de r epar aci n que t i ene R t cni cos. El cent r o de
r epar aci n da ser vi ci o a l as maqui nas descompuest as como si l l egar an conf or me un
si st ema M/ M/ R/ DG/ / ,

As , si hay J R mqui nas en mal est ado, una mqui na que apenas se acaba de
descomponer ser envi ada de i nmedi at o par a que l a r epar en; si j > R mqui nas est n
descompuest as, j - R mqui nas est ar n esper ando en una col a par a que un t cni co se
desocupe. Se supone que el t i empo que se necesi t a par a compl et ar l a compost ur a de
una mqui na es exponenci al con r api dez , o sea, que el t i empo pr omedi o de
r epar aci n es
1
. Una vez que se ha r epar ado una mqui na r egr esa al buen est ado y
de nuevo es suscept i bl e de descomponer se. El model o de r epar aci n de mqui nas se
puede consi der ar como pr oceso de naci mi ent o y muer t e en el que el est ado j en
cual qui er moment o es el nmer o de mqui nas en mal est ado. Con l a not aci n de
Kendal l - Lee, el model o que acabamos de expl i car se puede expr esar como si st ema
M/ M/ R/ DG/ K/ K. La pr i mer a K i ndi ca que en cual qui er moment o puede haber no ms de
K cl i ent es ( o mqui nas) , y l a segunda K qui er e que l as l l egadas se t oman de una
f uent e f i ni t a de t amao K.

En l a Tabl a 8 se da l a i nt er pr et aci n de cada est ado par a un model o de r epar aci n
de mqui nas con K = 5 y R = 2 ( G = mqui na en buen est ado, y B = mqui na
descompuest a) . Par a det er mi nar l os par met r os de naci mi ent o y muer t e par a el
model o de r epar aci n de mqui nas ( vase Fi g. 13) , nt ese que un naci mi ent o l e
cor r esponde a una mqui na que se descompone, y una muer t e es una mqui na que acaba
de l l egar ya r epar ada. Par a cal cul ar l a f r ecuenci a de nat al i dad en el est ado j ,
86

debemos det er mi nar l a r api dez a l a que se descomponen l as mqui nas cuando el
est ado del si st ema es j . Cuando es as, hay K - j mqui nas en buen est ado. Como
cada mqui na se descompone con una f r ecuenci a o r api dez , l a f r ecuenci a t ot al a
l a que suceden l as descompost ur as cuando el est ado j es

) ( j K
veces j K
j
= + + =
43 42 1
L
Par a cal cul ar l a f r ecuenci a de muer t es par a el model o de r epar aci n de mqui nas
pr oceder emos como l o hi ci mos cuando est udi amos el model o de col as M/ M/ s/ DG/ / , .
Cuando el est ado es j ent onces est ar n ocupados mi n( j , R) t cni cos. Como cada
t cni co ocupado t er mi na el t r abaj o con una r api dez , l a t asa de mor t al i dad
j
est
dada por

Tabl a 8 Est ados posi bl es en un pr obl ema de r epar aci n de mqui nas cuando K=5 y
R=2

ESTADO NMERO DE QUI NAS
EN BUEN ESTADO
COLA DE EPARACI N NMERO DE TCNI COS
OCUPADOS
0 G G G G G 0
1 G G G G 1
2 G G G 2
3 G G B 2
4 G B B 2
5 B B B 2

Fi gur a 13

Di agr ama de r api dez par a un si st ema de col as M/ M/ R/ DG/ K/ K, . cuando R = 2 y K = 5

Est ado es el nmer o de mqui nas en mal as condi ci ones.

) , , 1 (
) , , 1 , 0 (
K R j R
R j j
j
j
L
L
+ = =
= =

Si def i ni mos que
= apl i cando l as Ecuaci ones ( 16) a ( 18) se obt i ene l a

si gui ent e di st r i buci n de pr obabi l i dades de est ado est abl e

87

( 52) =
j
R j
j
j
R R
j
j
K
R j
j
K
!
!
) , , 1 , 0 (
0
0

L

Par a usar l a Ecuaci n ( 52) comenzamos cal cul ando
0
par t i endo del hecho de que
1
2 0
= + + +
K
L . Medi ant e l as pr obabi l i dades de est ado est abl e de l a Ecuaci n
( 52) , podemos cal cul ar l as si gui ent es cant i dades de i nt er s:

L = nmer o esper ado de mqui nas descompuest as
L = nmer o esper ado de mqui nas que esper an ser vi ci o
q
W = t i empo pr omedi o que una mqui na est descompuest a
W
q
= t i empo pr omedi o que una mqui na esper a ser vi ci o

Desaf or t unadament e, no hay f r mul as senci l l as par a L, L
q
, W y W
q
. Lo mej or que
podemos hacer es expr esar est as cant i dades en t r mi nos de l as
j
s:

( 53) L=
=
K
j
j
j
1

( 54) L
q
=
=

K
R j
j
R j ) (

Podemos empl ear ahor a l as Ecuaci ones ( 28) y ( 29) par a cal cul ar W y W
q
. Como l a
f r ecuenci a de l l egadas depende del est ado, el nmer o pr omedi o de l l egadas por
uni dad de t i empo est dado por . donde

( 55) =

= =
= =
K
j
j
K
j
j j
L K j K
0 0
) ( ) (

Si se apl i ca l a Ecuaci n ( 28) a l as mqui nas que se r epar an y a l as que esper an
su t ur no, obt enemos

( 56) W=
L

Apl i cando l a Ecuaci n ( 29) a l as mqui nas que esper an campos f uer a, obt enemos

( 57) W
q
=
q
L

El ej empl o que si gue i l ust r a el empl eo de l as f r mul as ant er i or es.

88

EJ EMPLO 9 La pol i c a de Got hamCi t y t i ene 5 pat r ul l as. Una pat r ul l a se descompone
y debe r epar ar se una vez cada 30 d as. La pol i c a t i ene dos mecni cos, y cada uno
de el l os t ar da un pr omedi o de 3 d as en r epar ar un aut opat r ul l a. Los t i empos ent r e
descompost ur as y l os de r epar aci n son exponenci al es.

1. Cal cul e el nmer o pr omedi o de pat r ul l as en buen est ado.

2. Cal cul e el t i empo muer t o pr omedi o que pasa una pat r ul l a en r epar aci ones.
3. Cal cul e l a f r acci n del t i empo que est oci oso det er mi nado mecni co.

Sol uci n Se t r at a de un pr obl ema de r epar aci n de mqui nas par a K = 5, R = 2,
= 1/ 30 pat r ul l a por d a, y = 1/ 3 aut o por d a. Ent onces,

10
1
3
1
30
1
= =

de l a ecuaci n ( 52)

( 58)
0
3
0
5
5
0
2
0
4
4
0 0
3
3
0 0
2
2
0 0 1
000075 . ) 2 !* 2 /( ! 5
10
1
5
5
0015 . ) 2 !* 2 /( ! 4
10
1
4
5
015 . ) 2 !* 2 /( ! 3
10
1
3
5
1 .
10
1
2
5
5 .
10
1
1
5

=
=
=
=
=
=
=
=
=
=

Ent onces
0
( l + . 5 + . 1 + . 015 + . 0015 + . 000075) =l , o sea
0
= . 619. Ent onces,
l as Ecuaci n ( 58) da como r esul t ado
1
= . 310,
2
= . 062,
3
= . 009,
4
= . 001, y
5
= 0.

1. El nmer o esper ado de pat r ul l as en buen est ado es K - L, y es

K L = 5 - = 5- [ 0( . 6t 9) + 1( . 310) + 2( . 062) + 3( . 009) + 4( . 001) + ( 0) ]
=
5
1 j
j
j
= 5 - . 465 = 4. 535 aut os en buen est ado

2. Buscamos W= =
L
Segn l a Ecuaci n ( 55) ,
=

= =
= =
5
0
30
1
0
) 5 (
j
j
K
j
j j
j [ 5( . 6t 9) + 4( . 310) + 3( . 062) + 2( . 009) + 1( . 001) + ( 0) ]
= 0. 151 aut os por d a
89

Como L = 0. 465 pat r ul l a, vemos que W= . 0465/ . 151= 3. 08 d as.

3. La f r acci n de t i empo que est a desocupado det er mi nado mecni co es
1 2
1
0
+ =. 619+. 5( . 310) =. 774.

Si hubi er a t r es mecni cos, l a f r acci n de t i empo que det er mi nado mecni co se
hubi er a encont r ado desocupado ser a
2 3
1
1 3
2
0
+ + y si el equi po es de R mecni cos,
l a pr obabi l i dad de que uno de el l os se encuent r e desocupado ser

1
1
2
) 2 (
1
) 1 (
0

+ + + +
R R R
R
R
R
L

PROBLEMAS

1. Una l avander a t i ene 5 l avador as. Una mqui na nor mal se descompone una vez cada
5 d as. Un t cni co puede r epar ar una mqui na en un pr omedi o de 2. 5 d as. En l a
act ual i dad, hay t r es t cni cos en ser vi ci o. El dueo de l a l avander a t i ene l a
opci n de cambi ar l os por un super t cni co que puede r epar ar una mqui na en un
pr omedi o de 5/ 6 de d a. El suel do del super t cni co es i gual al de l os t r es
t cni cos j unt os. Los t i empos ent r e descompost ur as y l os de ser vi ci o son
exponenci al es Debe cambi ar l a l avander a l os t r es t cni cos por el super t cni co?

2. Mi per r a acaba de t ener t r es cachor r os. Los per r i t os son vi var achos y ent r an y
sal en br i ncando de su caj a. Un cachor r i t o pasa un pr omedi o de 10 mi n, di st r i bui dos
exponenci al ment e, en l a caj a y sal t a haci a af uer a. Una vez f uer a, pasa un pr omedi o
de 15 mi n, di st r i bui dos exponenci al ment e, par a sal t ar y ent r ar de nuevo.

( a) En un moment o dado, cul es l a pr obabi l i dad de que haya ms cachor r i t os f uer a
de l a caj a que dent r o de el l a?

( b) En pr omedi o, cuant os cachor r i t os habr dent r o de l a caj a?

3. Got ham Ci t y t i ene 10 000 ar bot ant es. Se ha det er mi nado que en un moment o dado,
hay un pr omedi o de 1 000 l umi nar i as quemadas. Una l umi nar i a se quema despus de
t r anscur r i r un pr omedi o de 100 d as de uso. La ci udad ha cont r at ado a l a empr esa
Maf i a I nc. , par a cambi ar l as l umi nar i as quemadas. El cont r at o con Maf i a di ce que
se deben t ar dar un pr omedi o de 7 d as en cambi ar una l umi nar i a quemada. Cr ee el
l ect or que Maf i a I nc. se apr ovecha en est e cont r at o?

4. Est e pr obl ema es un ej empl o de l a denegaci n. La never a Or yo Cooki e I ce Cr eam
t i ene t r es compet i dor es. Como a l as per sonas no l es gust a esper ar mucho su pedi do,
l a f r ecuenci a de l l egadas a Or yo Cooki e I ce Cr eam depende del nmer o de cl i ent es
adent r o. En f or ma ms espec f i ca, cuando hay j 4 cl i ent es dent r o de l a never a,
l l egan cl i ent es con una f r ecuenci a de ( 20 5) por hor a. Si hay ms de 4 per sonas,
l a f r ecuenci a de l l egada es cer o. Por cada cl i ent e, l as gananci as menos l os cost os
de mat er i as pr i mas son 50? de dl ar . A cada meser o se l e paga 3 dl ar es/ h. Un
meser o puede at ender a un pr omedi o de 10 cl i ent es por hor a. Par a maxi mi zar l as
ut i l i dades esper adas ( i ngr esos menos cost os de mat er i al es y mano de obr a) ,
cunt os meser os debe cont r at ar Or yo? Suponga que l os t i empos ent r e l l egadas y de
ser vi ci o son exponenci al es.

90

5. Suponga que l os t i empos ent r e l l egadas a un si st ema con vent ani l l a ni ca son
exponenci al es, per o que cuando hay n cl i ent es, hay una pr obabi l i dad de n / n+1 de
que una l l egada sea denegada y dej e el si st ema ant es de ent r ar al ser vi ci o.
Tambi n suponga t i empos de ser vi ci o exponenci al es.

( a) Det er mi ne l a di st r i buci n de pr obabi l i dad del nmer o de per sonas que hay en el
est ado est abl e.
( b) Cal cul e el nmer o esper ado de per sonas que hay en el est ado est abl e. ( Su
ger enci a: puede ayudar el hecho de que
L + + + + =
! 3 ! 2
1
3 2
x x
x
e
x
t al vez sea usado.

6. Bect ol , I nc. const r uye una pr esa. Se necesi t a un t ot al de 10000 pi es
3
de t i er r a
par a f or mar l a cor t i na. Par a ext r aer esa t i er r a se usa una pal a mecni ca. A
cont i nuaci n, l a t i er r a se t r anspor t a medi ant e cami ones de vol t eo al l ugar de l a
cor t i na. Tan sl o se cuent a con una pal a mecni ca, y su r ent a es 100 dl ar es/ h.
Bect ol puede r ent ar , a 40 dl ar es/ h, t ant os cami ones de vol t eo como desee. Cada
cami n puede manej ar 1 000 pi es de t i er r a. Par a car gar l o, l a pal a mecni ca t ar da
un pr omedi o de 12 mi n par a i r a l a pr esa y r egr esar a l a pal a mecni ca, el cami n
de vol t eo t ar da un pr omedi o de 5 mi nut os. Pl ant ee l as hi pt esi s adecuadas acer ca
de exponenci al i dad y det er mi ne cmo puede Bect ol mi ni mi zar el cosi t ot al esper ado
del movi mi ent o de l a t i er r a que se necesi t a par a f or mar l a cor t i na. ( Suger enci a:
En al gn l ado debe haber un pr obl ema de r epar aci n de mqui nas! ) .

2-10 COLAS EXPONENCIALES EN SERIE Y REDES ABIERTAS
DE COLAS

En l os model os de col a que hemos est udi ado hast a aqu , t odo el t i empo de ser vi ci o
a un cl i ent e se gast a con un sol o ser vi dor . En muchos casos, como en l a
pr oducci n de un ar t cul o en una l nea de mont aj e, l os t r mi t es del cl i ent e no se
t er mi nan si no hast a que haya i nt er veni do mas de un ser vi dor . Vase, por ej empl o,
l a Fi g. 14.

Al ent r ar al si st ema de l a Fi g. 14, el cl i ent e pasa por l a et apa 1 de ser vi ci o,
despus de esper ar en una col a si l odos l os ser vi dor es de l a et apa 1 est n
ocupados cuando l l ega. Despus de t er mi nar l a et apa 1 de ser vi ci o, el cl i ent e
esper a y pasa a l a et apa 2 de ser vi ci o. Est e pr oceso si gue hast a que el cl i ent e
t er mi na l a et apa k de ser vi ci o. Un si st ema como el de l a Fi g. 14 se l l ama si st ema
de col as de k et apas en ser i e, o en t ndem. Cont amos con un not abl e t eor ema debi do
a J ackson ( 1957) , que es el si gui ent e

91

Fi gur a 14
Col as exponenci al es en ser i e

TEOREMA 4 Si ( 1) l os t i empos de l l egada a un si st ema de col as en ser i e son
exponenci al es con r api dez , ( 3) l os t i empos de ser vi ci o par a cada t r ami t e en l a
et apa i son exponenci al es, y ( 3) t oda et apa t i ene sal a de esper a de capaci dad
i nf i ni t a, ent onces l os t i empos ent r e l l egada par a al canzar cada et apa del si st ema
de col as son exponenci al es con r api dez .

Par a que est e r esul t ado sea vl i do, cada et apa debe t ener capaci dad suf i ci ent e
par a dar ser vi ci o a una cor r i ent e de l l egadas que ent r e con r api dez ; si no es
as , el si st ema " expl ot ar a" en l a et apa que t uvi er a capaci dad i nsuf i ci ent e. De
acuer do con el anl i si s del si st ema M/ M/ s/ DG/ / de l a Secci n 2. 6, vemos que
cada et apa t endr capaci dad suf i ci ent e par a manej ar una cor r i ent e de l l egadas de
r api dez o f r ecuenci a si y sl o si <s
j

j
cuando j = 1, 2, , . . , k. Si <s
j

j
el r esul t ado de J ackson qui er e deci r que l a et apa j del si st ema de l a Fi g. 14 se
puede anal i zar como un si st ema M/ M/ s/ DG/ / con t i empos exponenci al es ent r e
l l egadas que t i enen l a r api dez y t i empos exponenci al es de ser vi ci o con un
pr omedi o
j
1
. En el ej empl o que si gue se apr eci ar l a ut i l i dad del Teor ema de
J ackson.

EJ EMPLO 10 Las dos l t i mas cosas que se hacen en un aut omvi l par a compl et ar su
ensambl e son i nst al ar el mot or y poner l os neumt i cos. Ll ega un pr omedi o de 54
aut omvi l es/ h que necesi t an de esas dos t ar eas. Un t r abaj ador i nst al a el mot or y
puede at ender un pr omedi o de 60 aut omvi l es/ h. Despus de i nst al ar el mot or , el
aut omvi l pasa a l a est aci n de l os neumt i cos y esper a par a que l e pongan l os
neumt i cos. En esa est aci n t r abaj an t r es per sonas. Cada una t r abaj a en un
aut omvi l a l a vez y puede col ocar neumt i cos en un aut omvi l a un pr omedi o de 3
mi nut os por cada aut o. Los t i empos ent r e l l egadas y l os de ser vi ci o son ambos
exponenci al es.

1. Cal cul e l a l ongi t ud pr omedi o de l a col a en cada est aci n de t r abaj o.

2. Det er mi ne el t i empo t ot al esper ado que pasa un aut omvi l esper ando su
t ur no.

92

Sol uci n Se t r at a de un si st ema de col a en ser i e con = 54 aut omv l es/ h, s
1
=
1,
1
= 60 aut omvi l es/ h, s
2
= 3 y
2
= 20 aut omvi l es/ h ( vase Fi g. 15) . Como <
1

y < 3
2
ni nguna de l as col as " expl ot ar " , y se puede apl i car el Teor ema de
J ackson. Par a l a et apa 1 ( mot or ) , = 54/ 60 = . 90. Ent onces, l a Ecuaci n ( 27) da
como r esul t ado

L
q
( par a el mot or ) = 1 . 8
9 . 1
9 .
1
2 2
=
aut omvi l es

Fi gur a 15
Si st ema de col as en ser i e par a el ej empl o de l a f br i ca de aut omvi l es

Luego l a Ec. ( 32) da como r esul t ado

Wq ( par a el mot or ) = 15 .
54
1 . 8
= =
q
L
hor as

Par a l a et apa 2 ( neumt i cos) , p = 54/ ( 3*20) = . 90. La Tabl a 6 i ndi ca que P( j 3) =
. 83. Ent onces, segn l a Ecuaci n ( 41) ,

L
q
( par a neumt i cos) = 47 . 7
90 . 1
90 . * 83 .
=
aut omvi l es.

Ent onces

Wq ( par a neumt i cos ) 138 .
54
47 . 7
= =
q
L
hor as.

As , el t i empo t ot al esper ado par a que a un aut omvi l l e i nst al en su mot or y sus
neumt i cos es 0. 15 + 0. 138 = 0. 288 hor as,

REDES ABI ERTAS DE COLAS

A cont i nuaci n descr i bi r emos l as r edes abi er t as de col as, que son una
gener al i zaci n de col as en ser i e- Como en l a Fi g. 14, suponemos que l a est aci n y
consi st e en s
j
ser vi dor es exponenci al es, cada uno t r abaj ando a una vel oci dad
j .
Se
supone que l os cl i ent es l l egan a l a est aci n y pr ocedent es del ext er i or del
93

si st ema con una f r ecuenci a o r pi do r
j
. Se supone que est os t i empos ent r e l l egadas
est n di st r i bui dos exponenci al ment e. Una vez t er mi nado el ser vi ci o en l a est aci n
i , un cl i ent e se f or ma en l a col a de l a est aci n j con pr obabi l i dad P
i j
; y t er mi na
sus t r mi t es, o ser vi ci o, con pr obabi l i dad

k
j
ij
P
1
1
Def i ni mos a , como l a f r ecuenci a o r api dez con l a que l l egan l os cl i ent es a l a
j
est aci n j , i ncl uyendo l as l l egadas a l a est aci n y desde el ext er i or del si st ema
y de ot r as est aci ones
1
,
2
, . . . ,
k
/ ^ se pueden cal cul ar r esol vi endo el si gui ent e
si st ema de ecuaci ones l i neal es:

) , ,. 1 (
1
k j P r
k
i
i ij j j
L = + =

=

Est o es consecuenci a de que una f r acci n P
i j
de l as
j
l l egadas a l a est aci n i
pasar a cont i nuaci n a l a est aci n j . Supongamos que par a t odas l as est aci ones es
vl i do que
j
<s
j

j
, . Ent onces se puede demost r ar que l a di st r i buci n de
pr obabi l i dad del numer o de cl i ent es pr esent es en l a est aci n j y el nmer o
esper ado de cl i ent es pr esent es en l a est aci n j se pueden cal cul ar t r at ando esa
est aci n como un si st ema M/ M/ s
j
/ DG/ / con f r ecuenci a de l l egada
j
y r api dez de
ser vi ci o
j
. Si
j
<s
j

j
no se cumpl e par a al guna j ent onces no exi st e di st r i buci n
de est ado est abl e par a l os cl i ent es.

Par a cal cul ar L, el nmer o esper ado de cl i ent es en el si st ema de col a, t an sl o
sumamos el nmer o esper ado de cl i ent es que hay en cada est aci n. Par a cal cul ar W,
el t i empo pr omedi o que pasa un cl i ent e en el si st ema, sl o apl i camos l a f r mul a L
= W al si st ema compl et o. En est e caso, = r
1
+ r
2
+ + r
k
, por que est o
r epr esent a el nmer o pr omedi o de cl i ent es por uni dad de t i empo que l l ega al
si st ema. El ej empl o que si gue i l ust r a el anl i si s de r edes abi er t as de col as.

EJ EMPLO 11 Se t i enen dos ser vi dor es. Del ext er i or l l ega un pr omedi o de 8
cl i ent es/ h al ser vi dor 1 y un pr omedi o de 17 cl i ent es, t ambi n del ext er i or , al
ser vi dor 2. Los t i empos ent r e l l egadas son exponenci al es. El ser vi dor 1 puede
at ender a una r api dez exponenci al a 20 cl i ent es/ h, y el 2, a 30 cl i ent es/ h,
t ambi n con r api dez exponenci al .

Despus de t er mi nar sus t r mi t es con el ser vi dor 1, l a mi t ad de l os cl i ent es sal e
del si st ema y l a mi t ad va al ser vi dor 2. Al t er mi nar su ser vi ci o en el ser vi dor 2
de l os cl i ent es sal en y r egr esa al ser vi dor 1.

1. Qu f r acci n de t i empo est desocupado el ser vi dor 1?
2. Cal cul e el nmer o esper ado de cl i ent es en cada ser vi dor .
3. Cal cul e el t i empo pr omedi o que pasa un cl i ent e en el si st ema.
4. Cmo se modi f i car an l os i nci sos ( 1) a ( 3) si el ser vi dor 2 sl o pudi er a
at ender a un pr omedi o de 20 ci ent es/ h?

Sol uci n Tenemos una r ed abi er t a de col as con r 1 = 8 cl i ent es/ h y r 2 = 17
cl i ent es/ h.
Tambi n, se t i ene P
12
= . 5; P
21
= . 25; P
11
= P
22
= 0. Podemos cal cul ar
1
y
2
r esol vi endo si st ema de ecuaci ones
1
= 8 + . 25
2
y
1
= 17 + . 5
1
. Est o da como
r esul t ado
1=
14 cl i ent es/ h y
2
= 24 cl i ent es/ h.

94

1. El ser vi dor 1 se puede consi der ar un si st ema M/ M/ 1/ DG/ / con = 14 cl i ent es/ h
y =20 cl i ent es/ h. Ent onces
0
= 1 - = 1 - . 7 = . 3. As , el ser vi dor 1 est
desocupado 30%del t i empo.

2. De l a Ecuaci n ( 26) vemos que L=
6
14
7 . 1
7 .
) 1 (
=
en el ser vi dor 1 y L = 4
en el ser vi dor 2, As , habr en el si st ema un pr omedi o de 4 +
3
19
6
14
= cl i ent es.

3. W= L/ donde = 8 + 17 = 25 cl i ent es/ h. Ent onces W=
75
19
25
3
19
= hor as

4. En est e caso
2
> s
2
2
= 20 ent onces no exi st e est ado est abl e.

PROBLEMAS
1. Una sucur sal del Segur o Soci al est udi a l as dos al t er nat i vas si gui ent es par a
pr ocesar l as sol i ci t udes de t ar j et a de segur i dad:

Opci n 1 Tr es empl eados pr ocesan l as sol i ci t udes en par al el o que l es l l egan de una
col a ni ca. Cada empl eado l l ena el machot e par a l a sol i ci t ud en pr esenci a del
sol i ci t ant e. El t i empo de pr oceso es exponenci al con un pr omedi o de 15 mi nut os.
Los t i empos ent r e l l egadas son exponenci al es.

Opci n 2 Cada sol i c t ame l l ena pr i mer o un machot e de sol i ci t ud si n el auxi l i o del
empl eado. El t i empo par a l l enar l o est di st r i bui do en f or ma exponenci al con un
pr omedi o de 65 mi nut os. Cuando el sol i ci t ant e ha l l enado su f or ma, se f or ma en una
col a ni ca par a esper ar a que uno de l os t r es of i ci ni st as l e r evi se el machot e. Un
of i ci ni st a gast a un pr omedi o de 4 mi nut os, di st r i bui dos exponenci al ment e, en
r evi sar l a sol i ci t ud.

El t i empo ent r e l l egadas de l os sol i ci t ant es es exponenci al . y l l ega un pr omedi o
de 4, 8 sol i ci t ant es/ h. Que opci n har que sal gan l os sol i ci t ant es ms
r pi dament e de l a of i ci na?

2. Se t i ene una l nea de ensambl e de aut omot or es en l a que a cada uni dad se l e
hacen dos t i pos de ser vi ci os: pi nt ur a y, despus i nst al aci n del mot or . Cada
hor a, pasa un pr omedi o de 22. 4 chasi ses si n pi nt ar a l a l nea. En pr omedi o, se
necesi t an 2. 4 mi n par a pi nt ar un aut omvi l y un pr omedi o de 3. 75 mi n par a i nst al ar
el mot or . La l nea de ensambl e t i ene un pi nt or y dos obr er os que i nst al an el
mot or . Suponga que l os t i empos ent r e l l egadas y l os t i empos de ser vi ci o son
exponenci al es.

( a) En pr omedi o, cunt os aut omvi l es ya pi nt ados si n mot or i nst al ado est ar n en
l a l nea?

( b) En pr omedi o, cunt o t i empo esper ar un aut omvi l pi nt ado par a que se i ni ci e
l a i nst al aci n de su mot or ?

3. Se t i enen l os dos si st emas de col as si gui ent es:

Si st ema 1 Ll ega un pr omedi o de 40 cl i ent es cada hor a l os t i empos ent r e l l egadas
son exponenci al es. Los cl i ent es deben t er mi nar dos t i pos de t r mi t es par a poder
95

dej ar el si st ema. El pr i mer ser vi dor t ar da un pr omedi o de 30 segundos,
di st r i bui dos exponenci al ment e, par a ef ect uar el ser vi ci o del t i po 1. Despus de
esper ar en una col a, cada cl i ent e obt i ene un ser vi ci o t i po 2, di st r i bui do
exponenci al ment e y con pr omedi o de 1 mi nut o, con un sol o ser vi dor . Despus de
compl et ar su t r ami t e t i po 2, el cl i ent e dej a el si st ema.

Si st ema 2 El pr oceso de l l egada al si st ema 2 es i dnt i co al del si st ema 1. En el
si st ema 2, un cl i ent e debe t er mi nar sol o un t i po de t r mi t e. El t i empo de ser vi ci o
es 1. 5 mi n en pr omedi o y est di st r i bui do exponenci al ment e. Hay dos ser vi dor es.
En cul si st ema un cl i ent e r epr esent at i vo pasa menos t i empo?

4. Ll egan un pr omedi o de 120 est udi ant es cada hor a a l a of i ci na de i nscr i pci ones
de un col egi o; l os t i empos ent r e l l egadas son exponenci al es; par a t er mi nar su
i nscr i pci n, una per sona debe pasar por t r es vent ani l l as. Cada vent ani l l a t i ene un
sol o ser vi dor . Los t i empos de ser vi ci o en cada vent ani l l a son exponenci al es y sus
dur aci ones pr omedi o son 20 segundos en l a vent ani l l a 1, 15 segundos en l a
vent ani l l a 2 y 12 segundos en l a vent ani l l a 3. En pr omedi o, cunt os est udi ant es
habr en l aof i ci na de i nscr i pci ones par a t r ami t ar sus cur sos?

5. A un t al l er l l ega un pr omedi o de 10 t r abaj os/ h. Los t i empos ent r e l l egadas de
l os t r abaj os est n di st r i bui dos exponenci al ment e. Par a hacer un t r abaj o se
necesi t a un pr omedi o de 10/ 3 mi nut os, exponenci al ment e di st r i bui dos.
Desaf or t unadament e, 1/ 3 de l os t r abaj os t er mi nados se deben vol ver a pr ocesar .
As , con pr obabi l i dad 1/ 3 un t r abaj o t er mi nado debe esper ar en una col a par a que
se vuel va a pr ocesar . En el est ado est abl e, cunt os t r abaj os puede uno esper ar
encont r ar en el t al l er ? Cul ser a l a r espuest a si se necesi t ar a un pr omedi o de 5
mi n par a t er mi nar un t r abaj o?

6. Se t i ene un si st ema de col as que consi st e en t r es est aci ones en ser i e. Cada
est aci n t i ene un ser vi dor ni co, que puede pr ocesar un pr omedi o de 20 t r abaj os/ h.
Los t i empos de pr oceso en cada est aci n son exponenci al es. Ll ega un pr omedi o de
di ez t r abaj os por hor a a l a est aci n 1. Los t i empos ent r e l l egadas son
exponenci al es. Cuando un t r abaj o t er mi na su ser vi ci o en l a est aci n 2. hay una
pr obabi l i dad de . 1 de que r egr ese a l a est aci n 1 y una pr obabi l i dad . 9 de que
cont i ne a l a est aci n 3. Cuando un t r abaj o t er mi na su ser vi ci o en l a est aci n 3,
exi st en . 20 de posi bi l i dades que r egr ese a l a est aci n 2 y . 8O posi bi l i dades de
que dej e el si st ema. Todos l os t r abaj os que t er mi nan su ser vi ci o en l a est aci n 1
pasan de i nmedi at o a l a est aci n 2.

( a) Cal cul e l a f r acci n del t i empo que cada ser vi dor est ocupado.

( h) Det er mi ne el nmer o esper ado de t r bal os en el si st ema.

( c) Est i me el t i empo pr omedi o que pasa un t r abaj o en el si st ema.

96

2-11 SISTEMA M/G/s/DG/s/
(SISTEMA DEPURADO, SD)

En muchos si st emas de col as, el si st ema pi er de par a f i nes pr ct i cos una l l egada
por que encuent r a a t odos l os ser vi dor es ocupados. Por ej empl o, una per sona que
l l ama a una aer ol nea par a r eser var bol et o y oye seal de t el f ono ocupado
l l amar pr obabl ement e a ot r a aer ol nea. O bi en, suponga el l ect or que al gui en
l l ama par a dar una al ar ma de i ncendi o y que no se di spone de bombas; en ese caso
el i ncendi o sal dr de cont r ol . As , en ci er t o sent i do, l a sol i ci t ud de una bomba
cont r a i ncendi o que l l ega cuando no hay bombas di sponi bl es se puede consi der ar que
l a pi er de el si st ema. Si l as l l egadas que encuent r an a t odos l os ser vi dor es
ocupados dej an al si st ema depur ado, ent onces, el si st ema se l i ber a de l os cl i ent es
que no t uvi er on at enci n. Suponi endo que l os t i empos ent r e l l egada son
exponenci al es, un si st ema de est os se puede model ar como un si st ema de col a t i po
M/ G/ s/ DG/ s/ .

Par a est e si sl ema M/ G/ s/ DG/ s/ , L, W, L
q
y W
q
t i enen i nt er s l i mi t ado. Por ej empl o,
ya que nunca puede haber col a, Lq = Wq = 0. Si hacemos que
1
sea el t i empo
pr omedi o de ser vi ci o y l a f r ecuenci a de l l egadas, ent onces W= W
s
=
1
.
En l a mayor par t e de l os si st emas depur ados, el i nt er s pr act i co se cent r a en l a
f r acci n de t odas l as l l egadas que no ent r an. Como l as l l egadas no ent r an sl o
cuando hay pr esent es s cl i ent es, una f r acci n s no ent r ar . Por l o t ant o, el
si st ema per der un pr omedi o de
s
l l egadas por uni dad de t i empo. Como l a
f r ecuenci a pr omedi o de l l egadas por uni dad de t i empo que ent r an al si st ema es
) 1 (
s
,
l l egamos a l a concl usi n de que
) 1 (
s
s
L L

= =

Fi gur a 16. Pr obabi l i dades de Per di da de un si st ema M/ G/ s/ DG/ s/ ,

Se puede demost r ar que par a un si st ema M/ G/ s/ DG/ s/ ,
s
depende de l a di st r i buci n
del t i empo de ser vi ci o t an sl o a t r avs de su pr omedi o
1
. Est e hecho se conoce
como f or mul a de Er l ang de pr di da. En ot r as pal abr as, t odo si st ema M/ G/ s/ DG/ s/ ,
con una f r ecuenci a de l l egada y un t i empo pr omedi o de ser vi ci o de t endr el
mi smo val or de
s
. Si def i ni mos a como i gual a
. ent onces, par a det er mi nado

val or de s, se puede cal cul ar el val or de
s
, con l a Fi g. 16. Tan sl o se l ee el
97

val or de en el ej e x. As el val or de y de l a cur va de s ser vi dor es, que
cor r esponde a , ser i gual a
s
. El si gui ent e ej empl o i l ust r a el uso de l a Fi g.
16.

EJ EMPLO 12 En el hospi t al de Got ham Ci t y se r eci be un pr omedi o de 20 sol i ci t udes
de ambul anci a por hor a. Una ambul anci a necesi t a un pr omedi o de 20 mi n par a r ecoger
un paci ent e y l l evar l o al hospi t al . La ambul anci a queda di sponi bl e ent onces par a
r ecoger ot r o paci ent e. Cuant as ambul anci as debe t ener el hospi t al par a asegur ar
que cuando ms haya el 1% de pr obabi l i dades de no poder at ender de i nmedi at o una
sol i ci t ud de ambul anci as? Suponga que l os t i empos ent r e sol i ci t udes est n
di st r i bui dos exponenci al ment e.

Sol uci n

Sabemos que = 20 l l amadas/ h, y
3
1 1
=
de hor a. As , = 20/ 3 = 6. 67. buscamos el

val or m ni mo de s par a el cual
s
sea . 01 o menor . En l a f i gur a 16, vemos que
par a s = 13,
s
= . 011, y par a s = 14,
s
= . 005. El hospi t al necesi t a 14
ambul anci as par a cumpl i r con l as nor mas deseadas de ser vi ci o.

PROBLEMAS
98

2-14 MODELOS DE COLAS PRIORITARIOS

Hay muchos casos en l os que a l os cl i ent es no se l es at i ende con el si st ema " el
pr i mer o que l l ega es el pr i mer o en ser ser vi do" ( FI FO) . Tambi n anal i zar emos, en
el ser vi ci o en or den al eat or i o ( SEOA) y el si st ema l t i mo en l l egar pr i mer o en ser
ser vi do ( LI FO) . Sean W
FI FO
, W
SEOA
y W
LI FO
l as var i abl es al eat or i as que r epr esent an al
t i empo de esper a de un cl i ent e con l as di sci pl i nas FI FO, SEOA y LI FO
r espect i vament e. Se puede demost r ar que

E( W
FI FO
) = E( W
SEOA
) = E( W
LI FO
)

As , el t i empo pr omedi o en est ado est abl e que pasa un cl i ent e en el si st ema no
depende de cul de l as t r es di sci pl i nas se escoj a. Tambi n se puede demost r ar que

( 59) Var ( W
FI FO
) < Var ( W
SEOA
) < Var ( W
LI FO
)

Como en el caso gener al se r el aci ona una var i anci a gr ande con una var i abl e
al eat or i a que t i ene bast ant e pr obabi l i dad de asumi r val or es ext r emos, l a Ec. ( 59)
i ndi ca que son ms pr obabl es l os t i empos de esper a r el at i vament e gr andes en l a
di sci pl i na LI FO, y que se pr esent an con menos pr obabi l i dad con l a di sci pl i na FI FO.
Est o es r azonabl e, ya que en un si st ema LI FO, un cl i ent e puede t ener suer t e y
ent r ar de i nmedi at o al ser vi ci o, per o t ambi n se puede quedar al l t i mo en una
col a l ar ga. Si n embar go, en l a di sci pl i na FI FO el cl i ent e no puede quedar at or ado
al f i nal de una col a l ar ga y, por l o t ant o no es pr obabl e un t i empo de esper a muy
l ar go.

En muchas or gani zaci ones, el or den en que se at i ende a l os cl i ent es depende del
" t i po" de cl i ent e. Por ej empl o, l as sal as de ur genci a de l os hospi t al es dan
ser vi ci o en gener al a paci ent es muy gr aves ant es de at ender a paci ent es que no l o
est n. Asi mi smo, muchos si st emas de cmput o pr ocesan l os t r abaj os ms l ar gos hast a
que se hayan t er mi nado l os ms cor t os de l a col a. Los model os en l os que un t i po
de cl i ent e det er mi na el or den en el que se at i ende a l as per sonas se l l aman
model os de col as pr i or i t ar i os.

El si gui ent e caso abar ca muchos model os de col as pr i or i t ar i os, i ncl uso t odos l os
que se anal i zan en est a secci n. Se supone que hay t i pos de cl i ent es,
i dent i f i cados como t i po 1, t i po 2, . . . , t i po n. Los t i empos ent r e l l egadas de
cl i ent es t i po i est n di st r i bui dos exponenci al ment e con f r ecuenci a
i
. Se supone
que l os t i empos ent r e l l egadas de di st i nt os t i pos de cl i ent es son i ndependi ent es
ent r e s . El t i empo de ser vi ci o par a un cl i ent e del t i po i se r epr esent a medi ant e
una var i abl e al eat or i a S
i
, y no es necesar i ament e exponenci al . Asi mi smo, se supone
que l os t i pos de nmer o ms baj o t i enen pr i or i dad sobr e l os t i pos de nmer o ms
al t o.

MODELOS SIN PRIORIDAD ADQUIRIDA

Comenzamos por consi der ar l os model os si n pr i or i dad adqui r i da. En est os model os
si n pr i vi l egi os no se puede i nt er r umpi r el ser vi ci o a un cl i ent e. Despus de
t er mi nar cada ser vi ci o, se escoge el si gui ent e cl i ent e al que dar at enci n dando
pr i or i dad a l os cl i ent es de nmer o de t i po ms baj os, y se apl i ca l a di sci pl i na
FI FO en cada cat egor a. Por ej empl o, si n = 3 y hay en l a col a t r es cl i ent es t i po
2 y cuat r o t i po 3, el si gui ent e cl i ent e que ent r a ser a el pr i mer o de t i po 2 que
haya l l egado.

99

En l a not aci n Kendal l - Lee, un model o si n pr i or i dad adqui r i da se r epr esent a
poni endo en l a cuar t a car act er st i ca " NPRP" , i ni ci al es de Non Pr eempt i ve Pr i or i t y,
par a i ndi car ml t i pl es t i pos de cl i ent es, se pone como sub ndi ce i a l as pr i mer as
dos car act er st i cas. As , Mi / Gi / . . . r epr senl a un caso en el que l os t i empos ent r e
l l egadas par a el i - si mo t i po de cl i ent e son exponenci al es y en que l os t i empos de
ser vi ci o par a el - si mo t i po de cl i ent e t i enen una di st r i buci n gener al . En l o
que si gue har emos que

W
qk
= t i empo esper ado en est ado est abl e que pasa un cl i ent e t i po k en l a col a
W
k
= t i empo esper ado en est ado est abl e que pasa un cl i ent e t i po k en el si st ema
L
q
= nmer o esper ado en est ado est abl e de cl i ent es t i po k esper ando en l a col a
k
L
k
= nmer o esper ado en est ado est abl e de cl i ent es t i po k en el si st ema

MODELO M
i
/ G
i
/ 1/ NPRP/ /

Los pr i mer os r esul t ados conci er nen al si st ema M
i
/ G
i
/ 1/ NPRP/ / con un sol o ser vi dor
y si n pr i or i dad adqui r i da. Def i ni mos
i
i
i
= , 0
0
= a y . Supondr emos que
=
=
k
i
i k
a
1

1
1
<
=
n
i
i

Ent onces

( 60)
k k k
k
qk k
qk k qk
k k
n
k
k k
qk
W L
W W
W L
a a
S E
W
=
+ =
=

=
1
) 1 )( 1 (
2 / ) (
1
1
2

El ej empl o si gui ent e muest r a el uso de l as Ec. ( 60)

EJ EMPLO 16 Una i nst al aci n de copi ado da pr i or i dad a l os t r abaj os cor t os, sobr e
l os t r abaj os l ar gos. Los t i empos ent r e l l egada par a cada t i po de t r abaj o son
exponenci al es, y cada hor a l l egan 12 t r abaj os cor t os y 6 l ar gos. Sea t r abaj o t i po
1 = t r abaj o cor t o y t r abaj o t i po 2 = t r abaj o l ar go. Ent onces l os dat os son

E( S
1
) = 2 mi n E( ) = 6 mi n
2
= 1/ 600 hor as
2

2
1
S

E( S2) = 4 mi n E{ ) = 18 mi n
2
= 1/ 200 hor as
2

2
2
S

Cal cul e el t i empo pr omedi o que pasa un t r abaj o de cada t i po en l a i nst al aci n de
100

copi ado.

Sol uci n
Sabemos que
1
= 12 t r abaj os/ h,
2
= 6 t r abaj os/ h,
1
= 30 t r abaj os/ h y
2
= 15
t r abaj os/ h. Ent onces

4 .
4 .
15
6
2
30
12
1
= =
= =

y como 1
2 1
< + exi st i r un est ado est abl e. Ahor a bi en, 8 . , 4 . , 0
2 1 0
= = = a a a Las
Ecuaci ones en ( 60) nos dan

horas W W
horas W W
horas W
horas W
q
q
q
q
275 . 067 . 0208 .
1
075 . 033 . 042 .
1
208 .
) 8 . 1 )( 4 . 1 (
2 / ) 200 / 1 ( * 6 2 / ) 600 / 1 ( * 12
042 .
) 4 . 1 )( 0 1 (
2 / ) 200 / 1 ( * 6 2 / ) 600 / 1 ( * 12
2
2 2
1
1 1
1
1
= + = + =
= + = + =
=

+
=
=

+
=

Ent onces, como esper bamos, l os t r abaj os l ar gos pasan mucho ms t i empo en l a
i nst al aci n de copi ado que l os t r abaj os cor t os.

MODELO M /G /NPRP// CON COSTOS DE
i i
ESPERA QUE DEPENDEN DE LOS CLIENTES

Consi der e un si st ema si n pr i or i dad adqui r i da con un sol o ser vi dor en el cual se
car ga un cost o c
k
por cada uni dad de t i empo que pasa un cl i ent e t i po k en el
si st ema. S deseamos mi ni mi zar el cost o esper ado en que se i ncur r e por uni dad de
t i empo, en el est ado est abl e, que pr i or i dad se debe dar a l os t i pos de cl i ent es?
Suponga que l os n t i pos de cl i ent e se numer an de t al modo que

( 61)
n n
c c c L
2 2 1 1

Ent onces el cost o esper ado se mi ni mi za dando l a mayor pr i or i dad a l os cl i ent es
t i po 1, l a segunda pr i or i dad a l os del t i po 2, et c. y l a menor pr i or i dad a l os
cl i ent es del t i po n. Par a ver por qu est a or den de pr i or i dades es r azonabl e,
obser ve que cuando se at i ende a un cl i ent e t i po k, el cost o dej a al si st ema con
una r api dez
k k
c . As , se puede mi ni mi zar el cost o dando l a mayor pr i or i dad a l os
t i pos de cl i ent e con l os val or es mayor es de
k k
c .

Como caso especi al de est e r esul t ado, supongamos que deseamos mi ni mi zar , el nmer o
esper ado de t r abaj os en el si st ema. Sean 1
2 1
= = = =
n
c c c L . Ent onces, en cual qui er
moment o, el cost o por uni dad de t i empo es i gual al numer o de cl i ent es en el
si st ema. Ent onces, el cost o esper ado por uni dad de t i empo ser i gual a L. Ent onces
l a Ecuaci n ( 61) se t r ansf or ma en
101

n
L
2 1
o bi en
n

1 1 1
2 1
L

De est e modo podemos l l egar a l a concl usi n de que el nmer o esper ado de t r abaj os
en el si st ema se r educi r al m ni mo si se da l a mayor pr i or i dad a l os t i pos de
cl i ent es con t i empo pr omedi o de ser vi ci o ms cor t o. Est a di sci pl i na de pr i or i dad
se conoce como di sci pl i na de t i empo m ni mo de pr oceso ( TMP)

MODELO M
i
/M/s/NPRP//

Par a obt ener r esul t ados anal t i cos manej abl es par a si st emas de pr i or i dad con
ser vi dor es ml t i pl es debemos suponer que cada cl i ent e t i ene t i empos de ser vi ci o
con di st r i buci n exponenci al con un pr omedi o
1
, y que l os cl i ent es t i po t i enen
t i empos ent r e l l egadas que se di st r i buyen exponenci al ment e con f r ecuenci a
i
. A
est e si st ema con s ser vi dor es se l e r epr senl a con l a not aci n M
i
/ M/ s/ NPRP/ / .
Par a est e model o,

( 62)
) 1 )( 1 (
) (
1 k k
qk
a a s
s j P
W

=

En est a ecuaci n,

=
=
k
i
i
k
k
s
a
1
) 1 (

0
a = O, y P( j s) se obt i ene de l a Tabl a 6 par a un si st ema con s ser vi dor es que
t i ene
s
n
+ + +
=
L
2 1

El Ej empl o 17 i l ust r a el uso de l a Ecuaci n ( 62) .

EJ EMPLO 17
El ayunt ami ent o de Got ham t i ene 5 pat r ul l as. La pol i c a r eci be dos t i pos de
l l amadas: l as de ur genci a ( t i po 1) y l as de no ur genci a ( t i po 2) . Los t i empos
ent r e l l egadas par a cada t i po de l l amadas est n di st r i bui dos exponenci al ment e con
un pr omedi o de 10 l l amadas de ur genci a y 20 de no ur genci a cada hor a. Cada t i po de
l l amada t i ene un t i empo exponenci al de ser vi ci o, con un pr omedi o de 8 mi nut os.
Suponga que, en pr omedi o, 6 de l os 8 mi nut os r epr esent an el t i empo que Tar da l a
pat r ul l a de l a est aci n de pol i c a hast a el l ugar de l a l l amada, y r egr esar . Se
l es da pr i or i dad a l as l l amadas de ur genci a sobr e l as que no son de ur genci a. En
pr omedi o, cunt o t i empo pasar ent r e una sol i ci t ud que no es de ur genci a y l a
l l egada de l a pat r ul l a?

102

Sol uci n
Los dat os son s = 5,
1
= 10 l l amadas/ h,
2
= 20 l l amadas/ h, = 7. 5 l l amadas/ h,
= ( 10+20) / ( 7. 5*5) =. 80 , 80 . , 267 . , 0
5 . 37
20 10
2 5 . 37
10
1 0
= = = = =
+
a a a . Segn l a Tabl a 6, par a s
= 5 y = . 80, P( j 5) = . 55. Ent onces, l a ecuaci n ( 62) da como r esul t ado

min 6 10 .
) 80 . 1 )( 267 . 1 ( * 5 . 7 * 5
55 .
2
= =

= horas W
q

El t i empo pr omedi o ent r e l a r ecepci n de una l l amada que no es ur gent e y l a
l l egada de l a aut opat r ul l a al l ugar es
2
1
2
+
q
W ( t i empo t ot al de vi aj e por l l amada)
= 6+3=9 mi nut os.

PRIORIDAD ADQUIRIDA

Ter mi nar emos el est udi o de l os si st emas de col as con pr i or i dad descr i bi endo un
si st ema de col as pr i or i t ar i os. En est e si st ema puede hacer se a un l ado a un
cl i ent e de menor pr i or i dad, por ej empl o el cl i ent e t i po i , si empr e que l l egue un
cl i ent e de mayor pr i or i dad. Una vez que no haya cl i ent es de mayor pr i or i dad el
cl i ent e t i po i que se hi zo a un l ado vuel ve a ent r ar al ser vi ci o. En un model o
r ecuper abl e el ser vi ci o al cl i ent e cont i na a par t i r del punt o en el que se
i nt er r umpi . En un model o de r epet i ci n el cl i ent e i ni ci a el ser vi ci o de nuevo
cada vez que vuel ve a ent r ar al si st ema Nat ur al ment e, que si l os t i empos de
ser vi ci o t i enen di st r i buci n exponenci al , l as di sci pl i nas r ecuper abl e y de
r epet i ci n son i dnt i cas ( por qu?) . En l a not aci n de Kendal l - Lee
r epr esent ar emos un si st ema de col as pr i or i t ar i o poni endo PRP ( de Pr eempt i ve
Pr i or i t y}. Ver emos ahor a un si st ema M
i
/ M/ 1/ PRP/ / en el que el t i empo de
ser vi ci o par a cada cl i ent e es exponenci al con pr omedi o
1
, y l os t i empos ent r e
l l egada par a el - si mo cl i ent e se di st r i buyen en f or ma exponenci al con f r ecuenci a
i
. Ent onces

( 63)
) 1 )( 1 (
1
1
k k
k
a a
W

=

en l a cual = O
0
a

=
=
k
i
i
k
a
1

Por r abones obvi as, l as di sci pl i nas de pr i or i dad r ar ament e se usan s t os cl i ent es
son per sonas. Si n embar go, se usan a veces par a " cl i ent es" como t r abaj os
comput ador a. El ej empl o si gui ent e i l ust r a l a Ecuaci n ( 63) .

EJ EMPLO 18
En el cent r o de cmput o de l a uni ver si dad, l os t r abaj os de l os pr of esor es ( t i po 1)
t i enen pr i or i dad ant e l os t r abaj os de l os al umnos ( t i po 2) . El t i empo de
pr ocedi mi ent o de l os t r abaj os de ambos t i pos si gue una di st r i buci n exponenci al
con 30 segundos de pr omedi o. Cada hor a ent r an 10 t r abaj os de maest r os y 50 de
103

al umnos. Cul es el t i empo pr omedi o que pasa ent r e l a l l egada de un t r abaj o de
est udi ant e y su t er mi naci n? Suponga que l os t i empos ent r e l l egadas son
exponenci al es.

Sol uci n

Sabemos que = 2 t r abaj os por mi nut o,
1
= 1/ 6 t r abaj o por mi nut o y
2
= 5/ 6
t r abaj os por mi nut o. Ent onces

0
a = O
12
1
1
= a
2
1
12
5
12
1
2
= + = a

La Ecuaci n ( 63) da como r esul t ado

min
11
12
) 1 )( 1 (
2
1
12
1
2
1
=

=
k
W

Pasa un pr omedi o de 1. 09 mi nut os desde que un est udi ant e l l eva un t r abaj o y
t er mi na.

PROBLEMAS

1. El pr of esor de i ngl s, J acob Br i ght , t i ene una mecangr af a que t r abaj a 8 hor as
di ar i as. El pr of esor l e pi de t r es t i pos de t r abaj os: pr uebas, t r abaj os de
i nvest i gaci n y mat er i al de cl ase. Se di spone de l a i nf or maci n de l a Tabl a 11. El
pr of esor Br i ght di j o a l a mecangr af a que l as pr uebas t i enen pr i or i dad sobr e l os
t r abaj os de i nvest i gaci n, y que st os t i enen pr i or i dad sobr e el mat er i al de
cl ase. Si se supone un si st ema no pr i or i t ar i o, cal cul e el t i empo esper ado que el
pr of esor t endr que esper ar par a que se t er mi ne cada t i po de t r abaj o.

2. Suponga que un super mer cado ut i l i za un si st ema en el que l odos l os cl i ent es
hacen una col a par a esper ar al pr i mer caj er o di sponi bl e. Suponga t ambi n que el
t i empo de ser vi ci o par a un cl i ent e que compr a k ar t cul os se di st r i buye en f or ma
exponenci al con un pr omedi o de k segundos. Asi mi smo, un cl i ent e que compr a k

Tabl a 11

TI PO DR TRABAJ O FRECUENCI A
( Tr abaj os por
d a)
E( S
i
) hor as E( S
i
2
) hor as
2

Pr uebas 2 1 2
Tr abaj os de i nvest i gaci n . 5 4 20
Mat er i al de cl ase 5 . 5 0. 50

ar t cul os si ent e que el cost o de esper ar en l a col a dur ant e un mi nut o es 1
dl ar / k. Si se pudi er a asi gnar pr i or i dad a l os cl i ent es, qu asi gnaci n de
pr i or i dades mi ni mi za el cost o esper ado de esper a en el que i ncur r e l os cl i ent es
del super mer cado? Por qu el cost o de esper a de un cl i ent e por mi nut o ser a una
f unci n decr eci ent e de K?

3. Cuat r o mdi cos de un hospi t al t r abaj an en una sal a de ur genci as que at i ende a
t r es t i pos de paci ent es. El t i empo que pasa un mdi co con l os paci ent es de l os
104

t r es t i pos t i ene di st r i buci n exponenci al con un pr omedi o de 15 mi nut os. Los
t i empos ent r e l l egadas par a cada t i po de cl i ent e son exponenci al es, y el nmer o
pr omedi o de l l egadas por hor a par a cada t i po de paci ent e es como si gue: t i po 1,
t r es paci ent es; t i po 2, ci nco paci ent es y t i po 3, t r es paci ent es. Suponga que l os
paci ent es del t i po 1 t i enen l a mayor pr i or i dad, y que l os del t i po 3 t i enen l a
menor . No hay pr i vi l egi os. Cul es el t i empo pr omedi o que esper a cada t i po de
cl i ent e par a que l o at i enda un mdi co?

4. Se t i ene un si st ema de cmput o el cual pr ocesa dos t i pos de t r abaj os. El
t i empo pr omedi o de ej ecuci n de cada t i po de t r abaj o es
1
. Los t i empos ent r e
l l egadas par a cada t i po de t r abaj o t i enen di st r i buci n exponenci al , con un
pr omedi o de
i
, t r abaj os t i po i que l l egan cada hor a. Revi se l os t r es casos
si gui ent es:

1. Los t r abaj os t i po 1 t i enen pr i or i dad sobr e l os t i po 2, y se per mi t en
pr i vi l egi os.

2. Los t r abaj os t i po 1 t i enen pr i or i dad sobr e l os t i po 2, y no se per mi t en
pr i vi l egi os.

3. El ser vi ci o a l os t r abaj os es baj o l a di sci pl i na FI FO.

Baj o cul si st ema sal en ms r pi do l os t r abaj os t i po 1? Baj o cul sal en ms
l ent o? Cont est e l as mi smas pr egunt as par a l os t r abaj os t i po 2.
105

3-SIMULACIN

LA SIMULACIN ES una tcnica muy poderosa y ampliamente usada en las ciencias administrativas,
para analizar y estudiar sistemas complejos. En los captulos anteriores nos ocupamos de la
formulacin de modelos que se pudieran resolver en forma analtica.

En casi todos esos modelos nuestra meta fue determinar soluciones ptimas. Sin embargo, debido a la
complejidad, las relaciones estocsticas, etc./ no todos los problemas del mundo real se pueden
representar adecuadamente en forma de modelo como las de los captulos anteriores. Los intentos por
usar modelos analticos para sistemas como stos, en general necesitan de tantas hiptesis de
simplificacin que es probable que las soluciones no sean buenas, o bien, sean inadecuadas para su
realizacin. En esos casos, con frecuencia la nica opcin de modelado y anlisis de que dispone quien
toma decisiones es la simulacin.

Se puede definir la simulacin como la tcnica que imita el funcionamiento de un sistema del mundo
real cuando evoluciona en el tiempo. Esto se hace, por lo general, al crear un modelo de simulacin.
Un modelo de simulacin comnmente, toma la forma de un conjunto de hiptesis acerca del
funcionamiento del sistema, expresado como relaciones matemticas o lgicas entre los objetos de
inters del sistema. En contraste con las soluciones matemticas exactas disponibles en la mayora de
los modelos analticos, el proceso de simulacin incluye la ejecucin del modelo a travs del tiempo,
en general en una computadora, para generar muestras representativas de las mediciones del
desempeo o funcionamiento. En este aspecto, se puede considerar a la simulacin como un
experimento de muestreo acerca del sistema real, cuyos resultados son puntos de muestra. Por ejemplo,
para obtener la mejor estimacin del promedio de la medicin de funcionamiento, calculamos el
promedio de los resultados de muestra. Es claro que tanto ms puntos de muestra generemos, mejor
ser nuestra estimacin. Sin embargo, hay otros factores que tienen influencia sobre la bondad de
nuestra estimacin final, como las condiciones iniciales de la simulacin, la longitud del intervalo que
se simula y la exactitud del modelo mismo. Estos temas se analizarn despus en este captulo.

Como en la mayora de las otras tcnicas, la simulacin tiene sus ventajas y sus desventajas. La ventaja
principal es que la teora de la simulacin es relativamente directa. En general, los mtodos de
simulacin son ms fciles de aplicar que los analticos. En tanto que los mtodos analticos necesitan
de muchas simplificaciones,
los modelos de simulacin tienen pocas restricciones como stas y, por lo tanto, permiten una
flexibilidad mucho mayor en la representacin del sistema real. Una vez formado un modelo, se puede
usar en forma repetida para analizar diversas polticas, parmetros o diseos. Por ejemplo, si una
empresa tiene un modelo de simulacin para su sistema de inventario, se pueden probar diversas
polticas de inventario con el modelo, en lugar de arriesgar experimentando en el mundo real. Sin
embargo, se debe hacer notar que la simulacin no es una tcnica de optimizacin. Se usa con ms
frecuencia para analizar preguntas tipo "Qu sucede si...". Es posible optimizar con la simulacin,
pero, en general es un proceso tardado. Tambin, la simulacin puede ser costosa. Sin embargo, con la
creacin de lenguajes especiales para simulacin, costos decrecientes de cmputo y avances en
metodologas de simulacin, el problema del costo se hace cada vez menos importante.

106

En este captulo la atencin se centrar en modelos de simulacin y en la tcnica de simulacin.
Presentaremos varios ejemplos de modelos de simulacin y exploraremos conceptos tales como
nmeros aleatorios/ mecanismos de flujo de tiempo/ muestreo Monte Carlo y lenguajes de simulacin
y temas estadsticos en la simulacin.

3.1 TERMINOLOGA BSICA

Comenzaremos el estudio presentando algo de la terminologa usada en simulacin. En la mayor parte
de !os estudios de simulacin nos ocupamos de la simulacin de algn sistema. As, para modelar un
sistema, debemos comprender el concepto de sistema.

Entre las muchas maneras de definir un sistema, la definicin ms adecuada para problemas de
simulacin es la propuesta por Schmidl y Taylor (1970).

DEFINICIN

Un sistema es un conjunto de entidades que actan e interactan para la realizacin de un fin lgico

Sin embargo, en la prctica esta definicin tiende por lo general a ser ms flexible. La descripcin
exacta del sistema normalmente depende de los objetivos del estudio de simulacin. Por ejemplo, lo
que puede ser un sistema para un estudio particular, puede ser solo un subconjunto del sistema general
para otro.

Los sistemas tienden en general a ser dinmicos; su estado vara en el tiempo. Para describir este caso
usamos el concepto de estado de un sistema.

DEFINICIN El estado de un sistema es el conjunto de variables necesarias para describir la
condicin del sistema en un momento determinado.

Como ejemplo de un sistema, veamos un banco. En este caso, el sistema consiste en los empleados y
los clientes que esperan formados o estn siendo atendidos. A medida que llegan o se van los clientes,
cambia el estado del sistema. Para describir este cambio de estado se necesita un conjunto de variables,
llamadas variables de estado. Por ejemplo, el numero de empleados ocupados, el nmero de clientes en
el banco, el tiempo de llegada del prximo cliente y el tiempo de salida de los clientes en el servicio
describen entre s todo cambio posible en el estado del banco. As, esas variables podran emplearse
como variables de estado para este sistema. En un sistema, un objeto de inters se llama entidad y
cualquier propiedad de una entidad se llama atributo. Por ejemplo, los clientes del banco pueden ser
descritos como entidades y las caractersticas de los clientes, como por ejemplo sus ocupaciones,
pueden ser los atributos.

Los sistemas se pueden clasificar en discretos o continuos.

DEFINICIN Un sistema discreto es aquel en el cual las variables de estado cambian slo en puntos
discretos o contables en el tiempo.

107

Un banco es un ejemplo de sistema discreto, ya que las variables de estado cambian slo cuando llega
un cliente, o cuando un cliente termina sus trmites y se va. Estos cambios tienen lugar en puntos
discretos en el tiempo.

DEFINICIN Un sistema continuo es aquel en el que las variables de estado cambian en forma
continua a travs del tiempo.

Un proceso qumico es un ejemplo de un proceso continuo. En este caso, el estado del sistema vara
continuamente a travs del tiempo. Estos sistemas se modelan en general mediante ecuaciones
diferenciales. En este captulo no se estudiar ningn sistema continuo.

Hay dos tipos de modelos de simulacin: estticos y dinmicos.

DEFINICIN Un modelo esttico de simulacin es una representacin de un sistema en determinado
punto en el tiempo.

En general, llamaremos simulacin de Monte Carlo a una simulacin esttica.

DEFINICIN Una simulacin dinmica es una representacin de cmo evoluciona un sistema a
travs del tiempo.

Dentro de estas dos clasificaciones, una simulacin puede ser determinista o estocstica. Un modelo
determinista de simulacin es aquel que no contiene variables aleatorias; un modelo estocstico de
simulacin contiene una o ms variables aleatorias. Los modelos discretos y continuos de simulacin
son semejantes a los sistemas discretos y continuos. En este captulo nos concentraremos en modelos
estocsticos discretos. A estos modelos se les llama modelos de simulacin de evento discreto; la
simulacin de eventos discretos se relaciona con el modelado de un sistema estocstico a medida que
evoluciona a travs del tiempo mediante una representacin en la que las variables de estado cambian
slo en puntos discretos en el tiempo.

EJ EMPLO DE UNA SIMULACIN DE EVENTO DISCRETO

Antes de proseguir con los detalles del modelado de la simulacin, ser til trabajar con un ejemplo
sencillo de simulacin para ilustrar algunos de los conceptos bsicos en simulacin de evento discreto.
El modelo que hemos escogido como ejemplo inicial es un sistema puesto en cola de espera con un
solo empleado. A este sistema llegan los clientes que proceden de determinada poblacin y son
atendidos de inmediato si el empleado est desocupado, o se forman (hacen cola) para esperar si el
empleado est ocupado. Ejemplos de este tipo de sistema son una peluquera con un peluquero, una
tienda pequea con slo una caja, y una sola ventanilla de boletos en una terminal area.

El mismo modelo fue estudiado en el capitulo anterior en relacin con la teora d las colas de espera.
All usamos un modelo analtico para determinar las diversas caractersticas de funcionamiento del
sistema. Sin embargo, tuvimos que hacer algunas hiptesis restrictivas para poder emplear la teora de
colas. En particular, cuando estudiamos un sistema M/M/1 tuvimos que suponer que tanto los tiempos
entre llegadas como los de servicio estaban distribuidos exponencialmente. En muchos casos, estas
hiptesis pueden no ser adecuadas. Por ejemplo, las llegadas al mostrador de una aerolnea tienden a
108

ser en lotes de personas, debido a factores tales como llegadas de autobuses de transbordo y de vuelos
de conexin. Para un sistema de esos, se debe usar una distribucin emprica de tiempos de llegada, lo
cual significa que el modelo analtico de la teora de colas ya no es factible. Con la simulacin se
puede usar cualquier distribucin de tiempos entre llegadas y de tiempos de servicio, dando con ello
mucho ms flexibilidad al proceso de solucin.

Para simular un sistema de colas de espera tenemos que describirlo primero. Para este sistema de un
solo empleado, suponemos que las llegadas se toman de una poblacin infinita que necesita el servicio.
La capacidad de la sala de espera es ilimitada y los clientes se atienden en el orden que lleguen, esto es,
en base al primero que llega primero que se atiende (FIFO). Adems supondremos que las llegadas se
efectan una a la vez de modo aleatorio y que los tiempos entre llegadas se distribuyen como aparece
en la Tabla 1. Todas las llegadas se atienden finalmente con la distribucin de tiempos de servicio que
se ve en la Tabla 2. Tambin se supone que los tiempos de servicio son aleatorios, A este sistema de
colas de espera se le puede representar como se muestra en la Fig. 1.

Antes de tratar los detalles de la simulacin misma, debemos definir al estado de este sistema y
comprender los conceptos de los eventos y la hora en el reloj con una simulacin. Para este ejemplo,
usaremos las siguientes variables para definir el

Tabla 1
Distribucin de tiempos entre llegadas

TIEMPO ENTRE LLEGADAS
(Minutos)
PROBABILIDAD
1 .20
2 .30
3 .35
4 .15

Tabla 2
Distribucin de tiempos de servicio
TIEMPO DE SERVICIO
(Minutos)
PROBABILIDAD
1 .35
2 .40
3 .25

Figura 1
Sistema de cola de espera con un solo empleado
109

estado del sistema: (1) el nmero de clientes en el sistema; (2) el estado del empleado; es decir, si est
ocupado o desocupado, y (3) la hora de la llegada siguiente.

Estrechamente relacionado con el estado del sistema est el concepto de un evento. Un evento se
define como una situacin que hace que el estado del sistema cambie en forma instantnea. En el
modelo de puesta en cola de espera con un solo empleado hay dos eventos posibles que pueden
cambiar el estado del sistema: una llegada al sistema y una salida de l al completar el servicio. En la
simulacin, estos eventos se programan para llevarse a cabo en determinados puntos en el tiempo.
Toda la informacin acerca de ellos se mantiene en una lista llamada lista de eventos. Dentro de esta
lista mantenemos registro del tipo de eventos programados y, ms importante, el tiempo al cual estos
eventos estn programados para llevarse a cabo. Se mantiene el tiempo en una simulacin mediante
una variable, llamada hora o tiempo del reloj. El concepto de hora se har ms claro a medida que
progresemos en el ejemplo.

Comenzaremos esta simulacin con un sistema vaco y supondremos en forma arbitraria que nuestro
primer evento, una llegada, se efecta en la hora 0. Esta llegada encuentra desocupado al empleado y
es atendido de inmediato. Las llegadas en otros puntos del tiempo pueden encontrar al empleado
desocupado u ocupado. Si est desocupado, el cliente es atendido. Si est ocupado, el cliente se forma
en la cola de espera. Estas acciones se pueden resumir en la Fig. 2.

110

Figura 2
Diagrama de flujo de una llegada

Desocupado Ocupado
Estado del
Empleado
Llegada

El cliente es atendido El cliente se forma

A continuacin, programamos el tiempo de partida del primer cliente. Esto se hace al generar un
tiempo de servicio a partir de la distribucin de tiempos de servicio, que se describe ms adelante en el
captulo, y establecer el tiempo de partida como

Tiempo de salida =hora de este momento +tiempo de servicio generado (1)

Tambin, programaremos la siguiente llegada al sistema generando al azar un tiempo entre llegadas a
partir de la distribucin de tiempos entre llegadas y establecer el tiempo de llegada como

Tiempo de llegada =hora de este momento + tiempo entre llegadas que se genera (2)

Si, por ejemplo, hemos generado un tiempo de servicio de 2 minutos, entonces el tiempo de salida para
el primer cliente ser cuando el reloj marque 2. Igualmente, si hemos generado un tiempo entre
llegadas de 1 minuto, la siguiente llegada se programar para cuando el reloj marque 1.

Ambos eventos y sus tiempos programados se mantienen en la lista de eventos. Una vez que hemos
completado todas las acciones necesarias, para la primera llegada, se inspecciona la lista de eventos
para determinar el siguiente evento programado y su hora. Si el siguiente evento debe ser una llegada,
pasamos la hora a la hora programada de llegada y se busca en la secuencia de acciones anterior una
llegada. S el evento siguiente es una salida, movemos la hora del reloj a la hora de salida y
procesamos una salida. Para una salida comprobamos si la longitud de la cola es mayor que cero. S lo
es, quitamos al primer cliente de la cola e iniciamos el servicio a ste al establecer una hora de salida
mediante la ecuacin (1). Si nadie espera, se establece el estado del sistema en desocupado. En la Fig.
3 se resumen estas acciones de salida.

111

Figura 3
Diagrama de flujo de una salida ,

Si No
Hay Cola?
Salida

Poner en Vaco el
Estado del sistema
Quitar el Cliente de la
Cola y atenderlo

Este mtodo de simulacin se llama mecanismo de avance de hora hasta el siguiente evento, a causa
del modo en que se actualiza la hora. Adelantamos el reloj de simulacin a la hora del evento ms
inminente, esto es, el primer evento en la lista. Como las variables de estado slo cambian en las horas
de eventos, se omiten los periodos de inactividad entre los eventos al pasar de un evento a otro. Al
hacerlo, efectuamos las acciones propias de cada evento, incluyendo cualquier programacin de
eventos futuros. Continuamos de esta manera hasta que se satisfaga determinada condicin de paro
preespecificada. Sin embargo, el procedimiento necesita que en cualquier punto de la simulacin
tengamos programada una llegada y una salida para el futuro. As, una llegada futura siempre se
programa al procesar una nueva llegada al sistema. Por otro lado, un tiempo de salida, slo se puede
programar cuando un cliente es atendido. As si el sistema est desocupado no se pueden programar
salidas. En esos casos, la prctica normal es programar una salida virtual al hacer que el tiempo de
salida sea un nmero muy grande, digamos 9999 o mayor, si es probable que el reloj rebase las 9999.
De este modo nuestros dos eventos consistirn en una llegada real y una salida virtual.

El salto al siguiente evento en el mecanismo del siguiente evento puede ser grande o pequeo; esto es,
los saltos son de tamao variable en este mtodo comparamos este mtodo con el mtodo de avance de
hora por incrementos fijos. En este caso adelantamos el reloj de simulacin en incrementos de t
unidades de tiempo, donde t es alguna unidad de tiempo adecuada, en general 1 unidad de tiempo.
Despus de cada actualizacin del reloj comprobamos si hay algn evento programado para esa hora.
Si es as, llevamos a cabo las acciones adecuadas para el evento. Si no hay nada programado, o si
hemos completado todas las acciones necesarias para la hora actual, adelantamos el reloj de simulacin
t unidades y repetimos el proceso. Al igual que con el mtodo del siguiente evento, continuamos este
modo hasta llegar a la condicin prescrita de paro. El mecanismo de avance por incrementos fijos con
frecuencia es ms sencillo de entender debido a sus etapas fijas de tiempo. Sin embargo, para la mayor
parte de los modelos, el mecanismo de evento siguiente tiende a ser ms eficaz desde el punto de vista
112

de cmputo. En consecuencia, slo emplearemos el mtodo de siguiente evento para la creacin de los
modelos durante el resto del captulo.

A continuacin mostraremos la mecnica de la simulacin del sistema de cola de espera con un solo
empleado mediante un ejemplo numrico. En particular, deseamos mostrar cmo se reprsenla el
modelo de simulacin en la computadora a medida que la simulacin avanza en el tiempo. En la Fig. 4
presentamos el modelos completo de simulacin para el modelo de cola con un solo empleado, en
forma de diagrama de flujo. Todos los bloques de este diagrama estn numerados para tener una
referencia fcil. Por simplicidad suponemos que tanto los tiempos entre llegadas como los tiempos de
servicio ya se han generado para los primeros clientes a partir de las distribuciones de probabilidad
dadas en las Tablas 1 y 2. Estos tiempos se muestran en la Tabla 3, en la cual podemos ver que el
tiempo entre la primera y segunda llegadas es 2 unidades, el tiempo entre la segunda y tercera llegadas
tambin es 2 unidades, etc. De igual manera, el tiempo de servicio para el primer cliente es 3 unidades,
para el segundo tambin es 3 unidades, y as sucesivamente.

Para demostrar el modelo de simulacin, necesitamos definir algunas variables;

TM =hora de la simulacin
AT =tiempo programado para la siguiente llegada
DT =tiempo programada para la siguiente salida
SS =estado del empleado (1 =ocupado, O =desocupado)
WL =longitud de la cola de espera
MX =longitud, en unidades de tiempo, de una corrida de simulacin

Una vez vistos estos preliminares, comenzaremos ahora la simulacin al inicializar todas las variables
(bloque 1 de la Fig. 4). Como se supone que la primera llegada tiene lugar en el tiempo 0, hacemos que
AT =0. Tambin suponemos que el sistema est vaco en el tiempo 0 y, por lo tanto, hacemos que SS
=0, WL =0 y DT =9999. Ntese que DT debe ser mayor que MX. Esto significa que nuestra lista de
eventos ahora consiste cu dos eventos programados: una llegada en el tiempo 0 y una salida virtual en
el tiempo 9999. Con esto se completa el proceso de Inicializacin y obtenemos la representacin de
computadora que muestra la Tabla 4.

Estamos listos para nuestra primera accin en la simulacin: bsqueda en la lista de eventos para
determinar el primer evento (bloque 2), Como nuestra simulacin consiste slo en dos eventos,
nicamente determinamos el primer evento al comparar AT y DT. En otras simulaciones podramos
tener ms de dos eventos, de modo que deberamos tener un sistema eficaz de bsqueda por la lista de
eventos. Una llegada est definida por AT<DT; una salida por DT <AT. En este punto 0 es menor que
DT =9999, lo cual indica que a continuacin tendr lugar una llegada. Identificamos este evento como
1 y actualizamos la hora del reloj, TM a la hora del evento 1 (bloque 3). Esto es, hacemos que TM =0.

La llegada cuando el tiempo es 0 encuentra vaco al sistema, lo cual se indica por el hecho de que SS =
0 (bloque 4). En consecuencia, el cliente es atendido de inmediato. Para esta parte de la simulacin
hacemos primero que SS =1 para indicar que el empleado se encuentra ocupado ahora (bloque 6). A
continuacin generamos un tiempo de servicio (bloque 7) y establecemos el tiempo de salida para este
cliente (bloque 8). En la Tabla 3 vemos que ST para el cliente 1 es 3.

Tabla 3
113

Tiempos entre llegadas y de servicio, generados

CLIENTE NUMERO TEIMPO ENTRE
LLEGADAS IT
TIEMPO DE
SERVICIO ST
1 3
2 2 3
3 2 2
4 3 1
5 4 1
6 2 2
7 1 1
8 3 2
9 3 -
114

Figura 4 Diagrama de flujo para el modelo de simulacin de un sistema de cola de espera con un solo
empleado

Procesar una llegada Procesar una Salida

Ventanilla Empleado WL=0 WL >0
Ocupada Desocupado

NO SI

Inicializar las Variables de estado
Es AT<DT
2
1
4. Es SS=0
Hacer TM=AT Hacer TM=DT
11
Es WL>0
13 15
Actualizar WL =WL +1 Hacer SS =1
Generar ST
Hacer DT =TM +ST
Generar IT
Actualizar WL =WL -1
16
Generar ST
Hacer DT =TM +ST
Hacer SS =0
14
DT=9999
17
Continuar
Hacer AT =TM +IT
Continuar
18
19
Imprimir Resultados
Es
TM MX?
10
9
8
7
6 5
4
3

115

Como TM =0 en este punto, hacemos que DT =3 para el primer cliente. En otras palabras, el cliente 1
saldr del sistema a la hora 3. Por ltimo, para completar todas las acciones del procesamiento de una
llegada, programamos la siguiente llegada al sistema al generar un tiempo entre llegadas, IT (bloque 9)
y establecer la hora de esta llegada mediante la ecuacin AT =TM +IT (bloque 10). Como IT=2,
hacemos que AT =2. Esto es, la segunda llegada tendr lugar en la hora 2. Al final del evento 1 la
representacin de la simulacin en computadora ser como se muestra en la Tabla 4.

En esta etapa de la simulacin proseguimos al bloque 18 para determinar si la hora, TM, ha rebasado el
tiempo especificado de la simulacin, MX. Si es as, imprimimos los resultados (bloque 19) y
detenemos la ejecucin del modelo de simulacin. S no es el caso, continuamos con la simulacin. A
esto se le llama proceso de terminacin. Ejecutamos este proceso al final de cada evento. Sin embargo,
para este ejemplo, suponemos que MX es un nmero grande. En consecuencia, de aqu en adelante, no
describiremos el proceso de terminacin.

En este punto nos regresamos al bloque 2 para determinar el siguiente evento. Como AT =2 y DT ==
3, el siguiente evento, que es el 2, ser una llegada a la hora 2. Una vez determinado el siguiente
evento, adelantamos la simulacin a la hora de esta llegada al actualizar TM a 2.

La llegada cuando el tiempo es 2 encuentra al empleado ocupado, de modo que ponemos a este cliente
en la cola de espera al actualizar WL de O a 1 (bloque5). Como el evento actual es una llegada,
programamos la siguiente llegada al sistema. Dado que IT =2 para la llegada 3, la siguiente llegada
tiene lugar a la hora 4. Con esto se terminan las acciones necesarias para el evento 2. De nuevo
regresamos al bloque 2 para determinar el evento siguiente. De acuerdo con la representacin de
computadora del sistema en la Tabla 4, vemos que en este punto, final del evento 2, DT =3 es menor
que AT =4. Esto indica que el evento siguiente, el 3, ser una salida a la hora 3, Adelantamos el reloj a
la hora de esa salida; esto es, actualizamos TM a 3 (bloque 11).

Cuando el tiempo es 3 procesamos la primera salida del sistema. Con la salida, el empleado queda
libre. Comprobamos el estado de la cola de espera para ver si hay clientes que esperen servicio (bloque
12). Como WL ==1, tenemos un cliente en espera. Quitamos a este cliente de la cola, hacemos que
WL =0 (bloque 15) y lo atendemos al generar un tiempo de servicio, ST (bloque 16); y ajustamos el
tiempo de salida mediante la relacin DT =TM +ST (bloque 17). En la Tabla 3 vemos que para el
cliente 2, ST =3. Como TM =3, hacemos que DT =6. Hemos completado ya todas las acciones para
el evento 3, obteniendo la representacin de computadora que se muestra en la Tabla 4.

De aqu en adelante, dejamos que e) lector repase la lgica de la simulacin para el resto de los eventos
de este ejemplo. La Tabla 4 muestra el estado de la simulacin al final de cada uno de esos eventos.
Ntese que al final de los eventos 8, 10 y 14, salidas, el sistema queda desocupado. Durante la
secuencia de acciones para esos eventos hacemos que SS =O (bloque 13) y DT =9999 (bloque 14). En
cada caso, el sistema permanece desocupado hasta que se tiene una llegada. Esta simulacin se resume
en el diagrama continuo de tiempo de la Fig. 5. En este diagrama las A representan las llegadas y las D
las salidas. Ntese que las zonas sombreadas, como la que hay entre los tiempos 9 y 11, quieren decir
que el sistema est desocupado.

116

Tabla 4Representada la simulacin computadora
Variables del Sistema Lista de Eventos Final del
Evento
Tipo de
Evento
Cliente
Nmero TM SS WL AT DT
0 Inicializacin 1 0 0 0 0 9999
1 Llegada 1 0 1 0 2 3
2 Llegada 2 2 1 1 4 3
3 Salida 1 3 1 0 4 6
4 Llegada 3 4 1 1 7 6
5 Salida 2 6 1 0 7 8
6 Llegada 4 7 1 1 11 8
7 Salida 3 8 1 0 11 9
8 Salida 4 9 0 0 11 9999
9 Llegada 5 11 1 0 13 12
10 Salida 5 12 0 0 13 9999
11 Llegada 6 13 1 0 14 15
12 Llegada 7 14 1 1 17 15
13 Salida 6 15 1 0 17 16
14 Salida 7 16 0 0 17 9999
15 Llegada 8 17 1 0 20 19

Este ejemplo sencillo muestra algunos de los conceptos bsicos de la simulacin y el modo en que se
puede usar sta para analizar un problema determinado. Aunque no es probable que este modelo se use
para evaluar muchos casos de importancia, ha proporcionado un ejemplo especfico y, ms importante,
ha presentado distintos conceptos claves de simulacin. En el resto del capitulo analizaremos algunos
de estos conceptos de simulacin con ms detalle. En el ejemplo no se mencion la reunin de datos
estadsticos, pero se pueden incorporar con facilidad procedimientos al modelo para determinar las
medidas de desempeo de este sistema. Por ejemplo, podramos ampliar el diagrama de flujo para
calcular e imprimir el tiempo promedio de espera, el nmero promedio de personas en la cola de espera
y la proporcin del tiempo libre. Describiremos con detalle temas estadsticos ms adelante en este
captulo.

Figura 5
Representacin del continuo de tiempo para la simulacin con un solo empleado

117

3.2 NMEROS ALEATORIOS Y SIMULACIN DE MONTE CARLO

En el ejemplo de simulacin de cola de espera vimos que el movimiento fundamental a travs del
tiempo se logra al generar los tiempos entre llegadas y los tiempos de servicio mediante las
distribuciones especificadas de probabilidad. De hecho, todos los tiempos de un evento se determinan
ya sea en forma directa o indirecta por estos tiempos generados en servicio y entre llegadas. El
procedimiento de generacin de esos tiempos, a partir de la distribucin dada de probabilidad se
conoce como muestreo de acuerdo con distribuciones de probabilidad, o generacin de variable
aleatoria, o muestreo de Monte Carlo. En esta seccin presentaremos y describiremos varios mtodos
de muestreo distintos a partir de distribuciones discretas. Primero demostraremos la tcnica mediante
una ruleta y luego la ampliaremos al realizar el muestreo con nmeros aleatorios.

El principio de muestrear de distribuciones discretas se basa en la interpretacin de frecuencia que hace
la probabilidad. Esto es, a la larga, desearamos que los resultados se presentaran con las frecuencias
especificadas por las probabilidades de la distribucin. Por ejemplo, si consideramos la distribucin de
tiempos de servicio de la Tabla 2, nos gustara que, a la larga, se generara un tiempo de servicio de 1
minuto el 35% de las veces, uno de 2 minutos el 40% de las veces y uno de 3 minutos el 25% de las
veces. Adems de obtener las frecuencias correctas, el procedimiento de muestreo debe ser
independiente; esto es, cada tiempo de servicio que se genera debe ser independiente de los tiempos de
servicio que le anteceden y que le siguen.

Para alcanzar estas dos propiedades por medio de una ruleta, primero dividimos a la ruleta en tres
segmentos, cada uno con un rea proporcional a una probabilidad en la distribucin (vase Fig. 6). Por
ejemplo, al primer segmento, digamos S
1
, le asignamos el 35% del rea de la ruleta. Esta rea
corresponde a la probabilidad .35 y al tiempo de servicio 1 minuto. El segundo segmento, S
2
, cubre el
40% del rea y corresponde a la probabilidad .4 y al tiempo de servicio 2 minutos. Por ltimo, el tercer
segmento, S
3
se asigna al 25% restante del rea y corresponde a la probabilidad .25 y al tiempo de
servicio 3 minutos. Si hacemos girar ahora a la ruleta y el indicador cae en el segmento S
1
, quiere decir
que hemos generado un tiempo de servicio de 1 minuto. Si ste cae en el segmento S
2
, asignamos un
tiempo de servicio de 2 minutos. Si cae en el segmento S
3
hemos generado un tiempo de servicio de 3
minutos. Si la ruleta es justa, cosa que suponemos, entonces, a la larga, (1) generaremos los tiempos de
servicio con la misma frecuencia, aproximadamente, que la especificada en la distribucin, y (2) los
resultados de cada tirada sern independientes de los resultados que se tengan antes y despus.

Ahora ampliaremos esta tcnica usando nmeros para la segmentacin, en lugar de reas. Suponemos
que la rueda de ruleta tiene 100 nmeros que van del 00 al 99 inclusive. Adems suponemos que la
segmentacin es tal que cada nmero tiene la misma probabilidad, .01, de salir. Con este mtodo de
segmentacin asignamos 35 nmeros, digamos del 00 al 34, a) tiempo de servicio 1 minuto. Como
cada nmero tiene probabilidad .01 de salir, los 35 nmeros juntos equivalen a una probabilidad de .35.
Igualmente, si asignamos los nmeros del 35 al 74 al tiempo de servicio 2 minutos y los nmeros del
118

75 al 99 al tiempo de servicio 3 minutos, hemos logrado las probabilidades deseadas. Como antes,
hacemos girar la ruleta para generar tos tiempos de servicio, pero con este mtodo, los nmeros
determinan en forma directa los tiempos de servicio. En otras palabras, si generamos un nmero entre
00 y 34, se establece el tiempo de servicio en 1 minuto; si el nmero es entre 35 y 74, el tiempo de
servicio ser de 2 minutos, y si el nmero es entre 75 y 99 ser de 3 minutos.

Figura 6. Segmentacin de una ruleta

Con este procedimiento de segmentacin y una ruleta, equivale a generar nmeros enteros aleatorios
entre 00 y 99. Esto es consecuencia del hecho de que una sucesin de nmeros enteros aleatorios es tal
que cada nmero en la secuencia, en este caso del 00 al 99, tiene una probabilidad igual (en este caso
.01) de salir, y cada numero aleatorio es independiente de los nmeros antes y despus de l. Si ahora
tuviramos un procedimiento para generar los 100 nmeros aleatorios entre 00 y 99, entonces, en lugar
de hacer girar una ruleta para obtener un tiempo de servicio, podramos usar un nmero aleatorio
generado. Tcnicamente, un nmero aleatorio, Ri, se define como una muestra aleatoria independiente
tomada de una distribucin continua uniforme cuya funcin de densidad de probabilidad est dada por

=
otrocaso cualquier en
x
x f
0
1 0 1
) (

As, cada nmero aleatorio estar distribuido uniformemente sobre el intervalo entre 0 y 1. En
consecuencia, es comn referirse a estos nmeros como nmeros aleatorios U(0,1), o simplemente
como nmeros aleatorios uniformes.

Se pueden generar nmeros aleatorios uniformes de muchos modos distintos. Como nuestro inters
sobre los nmeros aleatorios es para usarlos en simulaciones, necesitamos poder generarlos en una
computadora. Esto se hace mediante funciones matemticas llamadas generadores de nmeros
aleatorios.

La mayora de los generadores de nmeros aleatorios usan alguna forma de relacin congruente. Los
ejemplos de esos generadores comprenden al generador congruente lineal, el generador multiplicativo
119

y el generador mixto. El generador congruente lineal es, con mucho, el que se usa ms. De hecho, la
mayora de las funciones de nmeros aleatorios interconstruidos en sistemas de cmputo emplean este
generador. Con este mtodo se produce una sucesin de enteros x
1
, x
2
, x
3
,... entre cero y m - 1 de
acuerdo con la siguiente frmula recursiva:

x
i+1
=(a x
i
+c) mdulo m (i ==0,1,2,...)

Al valor inicial de x
0
se le llama la semilla, a es el multiplicador constante, c el incremento y m
el mdulo. Estas cuatro variables se llaman parmetros del generador. Con esta relacin, el valor de
x
i+1
es igual al residuo de la divisin de(a x
i
+c) entre m. El nmero aleatorio entre 0 y 1 se genera
entonces con la ecuacin Ri =x
i
/ m

Por ejemplo, si x
0
=35, a =13, c =65 y m =100, el algoritmo acta como sigue:

Iteracin 0 Se hace que x
0
=35, a =13, c =65 y m =100.

Iteracin 1 Se calcula

x
1
=(13 x
0
+65) mdulo 100 =20

Da como resultado

R
1
= 20/100 =0.20

y as sucesivamente.

Cada nmero aleatorio que se genera con este mtodo ser un decimal entre 0 y 1. Ntese que aunque
es posible generar un cero, un nmero aleatorio no puede ser igual a 1. Los nmeros aleatorios que se
generan con mtodos de congruencia se llaman nmeros pseudoaleatorios. No son nmeros aleatorios
verdaderos en el sentido tcnico, porque quedan determinados por completo una vez que se define la
relacin de recurrencia y se especifican los parmetros del generador. Sin embargo, si se seleccionan
con cuidado los valores de a, c, m y x
0
, se puede hacer que los nmeros pseudoaleatorios cumplan con
todas las propiedades estadsticas de los nmeros aleatorios. Adems de las propiedades estadsticas,
los generadores de nmeros aleatorios deben tener otras caractersticas importantes si se van a usar en
forma eficaz en simulaciones con computadora. Algunas de estas caractersticas son (1) la rutina debe
ser rpida; (2) la rutina no debe necesitar un gran espacio de almacenamiento; (3) los nmeros
aleatorios deben ser reproducibles, y (4) la rutina debe tener un ciclo suficientemente largo; esto es,
debemos poder generar una sucesin larga sin repetir los nmeros aleatorios.

Hay un aspecto importante que vale la pena mencionar aqu. La mayor parte de los lenguajes de
programacin tienen funciones interconstruidas que dan nmeros aleatorios o pseudoaleatorios en
forma directa. Por lo tanto, la mayora de los usuarios slo necesitan conocer la funcin de biblioteca
en determinado sistema. En algunos sistemas el usuario puede tener que especificar un valor de la
semilla x
0
, pero no es probable que tenga que elaborar un diseo de un generador de nmeros
aleatorios. Sin embargo, para ms informes, el lector que se inters puede consultar el libro de Banks y
Carson (1984), el de Knuth (1969) y el de Law y Kelton(1982).
120

Enseguida se abordar una etapa ms del mtodo de muestreo de Monte Carlo y se crear un
procedimiento por medio de nmeros aleatorios generados en una computadora. La idea es transformar
los nmeros aleatorios U(0,1) en nmeros aleatorios enteros entre 00 y 99 y, a continuacin, usarlos
para lograr la segmentacin por nmeros. La transformacin es un procedimiento relativamente
directo. Si se multiplican los nmeros aleatorios (0,1) por 100, quedarn distribuidos uniformemente
entre los lmites de 0 a 100. Entonces, si se elimina la parte fraccionaria del nmero, el resultado sern
enteros entre 00 y 99 con igual probabilidad. Por ejemplo, si hubiramos generado el nmero aleatorio
0.72365, al multiplicarlo por 100 se obtiene 72.365. Si se quita la parte decimal del numero nos
quedaremos con el nmero aleatorio entero 72. En la computadora obtenemos esta transformacin al
generar primero un nmero aleatorio U(0,l). Luego, lo multiplicamos por 10 y por ltimo almacenamos
el producto mediante una variable entera; esta etapa final truncar la parte decimal del nmero. Con
este procedimiento obtendremos nmeros aleatorios entre 00 y 99.

A continuacin formalizaremos este procedimiento y lo usaremos para generar valores aleatorios de
una variable aleatoria discreta. El procedimiento consta dedos pasos: (1) se elaborar la distribucin
de probabilidad acumulada para variable aleatoria dada y (2) usamos esa distribucin para asignar los
nmeros aleatorios enteros en forma directa a los diversos valores de la variable aleatoria. Para
mostrar este procedimiento usaremos la distribucin de los tiempos en las llegadas en el ejemplo de
puesta en cola de espera de la seccin anterior elaboramos la distribucin de probabilidad acumulada
para este caso, obtenemos las probabilidades que se ven en la Tabla 5.

El primer tiempo entre llegadas, de I minuto, se presenta con una probabilidad .20. As, necesitamos
asignar 20 nmeros aleatorios a este resultado. Si asignan los 20 nmeros de 00 a 19, utilizamos el
intervalo de nmeros aleatorios decimal de O a .199999. Ntese que el lmite superior de este intervalo
queda justo antes la probabilidad acumulada .20, Para el tiempo entre llegadas de 2 minutos asignamos
30 nmeros aleatorios. Si asignamos los nmeros enteros del 20 al 49, notaremos que esto cubre el
intervalo de nmeros aleatorios decimales desde 0.20 hasta la 0.49999. Como antes, el extremo
superior de este intervalo queda justo antes de la probabilidad acumulada de .50, pero el lmite inferior
coincide con la probabilidad acumulada anterior de .20. Si ahora al tiempo de llegadas de 3 minutos
asignamos los nmeros aleatorios enteros del 50 al 84, notamos que estos nmeros se obtuvieron del
intervalo de nmeros aleatorios decimales de 0.50, el mismo cuanto a la probabilidad acumulada
asociada con un tiempo entre llegada de 2 minutos, a 0.84999, que es una fraccin ms pequea que
.85. Por ltimo, se aplica el mismo anlisis al tiempo de 4 minutos entre llegadas. En otras palabras, la
distribucin de probabilidad acumulada nos permite asignar en forma directa intervalos de nmeros
aleatorios enteros. Una vez especificados esos intervalos para una distribucin dada, lo que tenemos
que hacer para obtener el valor de una variable aleatoria es generar un nmero aleatorio entero y
compararlo con asignaciones de nmeros aleatorios. Por ejemplo, si sucediera que el numero aleatorio
obtenido fuera 35, ste se traducira en un tiempo entre llegadas de 2 minutos. Igualmente, el nmero
aleatorio 67 se traducira en un tiempo de 3 minutos entre llegadas, etc. A continuacin demostraremos
estos conceptos en un ejemplo de simulacin de Monte Carlo.

121

Tabla 5: Funcin de distribucin acumulada e intervalo de nmeros aleatorios enteros por tiempo entre llegadas
TIEMPO INTERVALO DE
ENTRE LLEGADAS PROBABILIDAD NMEROS
(Minutos) PROBABILIDAD ACUMULADA ALEATORIOS
1 .20 .20 00-19
2 .30 .50 20-49
3 .35 .85 50-84
4 .15 1.00 85-99

3.3 SIMULACIONES CON VARIABLES ALEATORIAS CONTINUAS

Los ejemplos de simulacin que se han presentado slo usan distribuciones de probabilidades discretas
para las variables aleatorias. Sin embargo, en muchas simulaciones es ms realista y prctico usar
variables aleatorias continuas. En esta seccin presentaremos y describiremos algunos procedimientos
para generar cantidades aleatorias a partir de distribuciones continuas. El principio bsico es muy
semejante al caso discreto. Como en el mtodo discreto, generamos primero un nmero aleatorio U(0,l)
y luego lo transformamos en una cantidad aleatoria de acuerdo con la distribucin especificada. Sin
embargo, el proceso para llevar a cabo la transformacin es bastante distinto del caso discreto.

Hay muchos mtodos diferentes para generar cantidades aleatorias continuas. La seleccin de un
algoritmo determinado depender de la distribucin de la cual deseamos generar, teniendo en cuenta
factores tales como la exactitud de las variables aleatorias, las eficacias de cmputo y de
almacenamiento, y la complejidad del algoritmo. Los dos algoritmos que ms se usan son el mtodo de
transformacin inversa y el de aceptacin o rechazo. Entre esos dos, es posible generar variables
aleatorias a partir de casi cualquiera de las distribuciones que ms se usan. Presentaremos una
descripcin detallada de ambos algoritmos, junto con varios ejemplos de cada mtodo. Adems,
daremos dos mtodos para generar variables aleatorias a partir de una distribucin normal.

MTODO DE TRANSFORMACIN INVERSA

Este mtodo se usa, por lo general, para distribuciones cuya funcin de distribucin acumulada se
pueda obtener en forma cerrada. Los ejemplos comprenden las distribuciones exponencial, uniforme,
triangular y de Weibull. Para distribuciones cuya funcin de distribucin acumulada no existe en forma
cerrada, se podr usar algn mtodo numrico, como la expansin en serie de potencias, dentro del
algoritmo para evaluar la funcin. Sin embargo, es probable que esto complique el procedimiento a tal
grado que resulte mejor usar un algoritmo distinto para generar las cantidades aleatorias. El mtodo de
transformacin inversa es relativamente fcil de describir y de ejecutar. Consiste en los tres pasos
siguientes:

Paso 1: Dada una funcin de densidad de probabilidad f{x) para una variable aleatoria X, obtener la
funcin de distribucin acumulada F(x) como

=
x
dt t f x F ) ( ) (

122

Paso 2 Generar un numero aleatorio r. '
Paso 3 Hacer que F(x) =r y despejar x. La variable x es entonces un nmero aleatorio procedente de
la distribucin cuya funcin de densidad de probabilidad es f(x).

A continuacin describiremos la mecnica del algoritmo mediante un ejemplo. Para ello se tiene la
distribucin representada por

=
caso otro
x
x
x f
0
2 0
2
) (

Una funcin de este tipo se llama funcin de rampa. Se puede representar en forma grfica como se ve
en la Fig. 7. El rea bajo la curva, f(x) =x/2 , representa la probabilidad de ocurrencia de la variable
aleatoria X. Suponemos que en este caso que X representa los tiempos de servicio de un cajero de
banco. Para obtener valores aleatorios a partir de esta distribucin mediante el mtodo de
transformacin inversa, calculamos primero la funcin de densidad acumulada como

4
) ( ) (
2
0
x
dt t f x F
x
= =
>

<
=
2 0
2 0
4
0 0
) (
2
x
x
x
x
x F

A continuacin, en el paso 2, generamos un nmero aleatorio r.\ Por ltimo, en el paso 3, hacemos que
F{x) =r y calculamos x.

r x
x
r 2
4
2
= =

Como los tiempos de servicio slo se definen para valores positivos de x, no es posible un valor x =-
r 2 . Esto nos deja con x = r 2 como solucin de x. A esta ecuacin se le llama generador de
valores aleatorios o generador de proceso. As, para obtener un tiempo de servicio, generamos
primero un nmero aleatorio y luego lo transformamos por medio de la ecuacin anterior. Cada
ejecucin de la ecuacin nos dar un tiempo de servicio de la distribucin dada. Por ejemplo, si se
obtiene un nmero aleatorio r =0.64, se generar un tiempo de servicio x = 64 . 2 =1.6.

123

Figura 7
Funcin de distribucin de probabilidad en rampa
f(x)
0
0.2
0.4
0.6
0.8
1
1.2
0 0.5 1 1.5 2

En forma grfica, el mtodo de la transformacin inversa se puede representar como se ve en la Fig. 8.
Vemos en esta grfica que el intervalo de valores para la variable aleatoria es 2 0 x , el cual
coincide con las probabilidades acumuladas 1 ) ( 0 x F . En otras palabras, para cualquier valor de
F(x) en el intervalo [0,1] existe un valor correspondiente de la variable aleatoria, representado por x.
Como un nmero aleatorio tambin se define en el intervalo entre 0 y 1, esto indica que un nmero
aleatorio se puede traducir en forma directa a un valor correspondiente de x mediante la relacin r =
F(x). La solucin para x en trminos de r se conoce como el clculo de la inversa de F{x) y se
representa por x =F
-1
{r). De aqu el nombre de transformacin inversa. Ntese que si r es igual a cero,
generaremos
un cantidad aleatoria igual a cero, el valor ms pequeo posible de x. Igualmente, si generamos un
numero aleatorio igual a 1, se transformar en 2, el valor ms grande posible para x.

Figura 8. Representacin grfica del mtodo de la inversa

124

F(X)
0
0.05
0.1
0.15
0.2
0.25
0.3
0 0.2 0.4 0.6 0.8 1

EJ EMPLO 2 La. distribucin exponencial como se mencion en el capitulo 2, la distribucin
exponencial tiene aplicaciones importantes en la representacin matemtica de los sistemas de cola de
espera. La funcin de distribucin de probabilidad para esta distribucin exponencial est representada
por
>
=

caso otro
x
x f
e
x
0
0 , 0
) (

Con el mtodo de transformacin inversa, genere observaciones a partir de una
distribucin exponencial.

En el paso 1, determinamos la funcin de distribucin acumulada de probabilidad.
Esta funcin esta dada por

>
=

caso otro
x
x F
e
x
0
0 , 0 1
) (

Enseguida generamos un numero aleatorio r y hacemos que F(x) =r para despejar
x. Esto nos da

r x r r
e e
x x
= = =

1 ln
1
1 1

pero como r es un nmero aleatorio entre cero y uno, tambin lo es 1-r, por lo que da lo mismo
indicar que r x ln
1
= .

125

EJ EMPLO 3. La distribucin uniforme, se tiene una variable aleatoria X que se distribuye
uniformemente en el intervalo [a, b]. La funcin de distribucin de probabilidad para este caso est
representada por
=
caso otro
b x a
a b
x f
0
1
) (

la funcin de distribucin acumuladada en este caso esta dada por
>

<
=
b x
b x a
a b
a x
a x
x f
1
0
) (

Para utilizar una distribucin uniforme, primero generamos un nmero aleatorio r y a continuacin
hacemos F(x) =r para despejar x. Esto da como resultado

a r a b x
a b
a x
r + =
= ) (

EJ EMPLO 4 Se tiene una variable aleatoria X cuya funcin de densidad de probabilidad es

<

=
caso otro en 0
6 3 )
3
2 (
3 2 ) 2 (
) (
2
1
2
1
x
x
x x
x f

Use el mtodo de transformacin inversa para generar observaciones a partir de la distribucin. Esta
distribucin, que se llama triangular, se representa en la Fig. 8. Tiene los puntos extremos [2,6] y su
moda est en 3. Podemos ver que el 25% del rea bajo la curva queda en el intervalo de x de 2 a 3, y el
75% restante queda en el intervalo de 3 a 6. En otras palabras, 25% de los valores 3e la variable
aleatoria1 queda entre 2 y 3, y el otro 75% queda entre 3 y 6. La distribucin triangular tiene
aplicaciones importantes en simulacin; se usa con frecuencia en la representacin de actividades para
las cuales hay pocos o ningn dato. Para una explicacin detallada de esta distribucin, consulte a
Banks y Carson (1984) o Law y Kelton (1982).

126

Figura 9

Funcin de densidad para una distribucin triangular
0
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5 6 7

Solucin La funcin de distribucin acumulada para este caso es

>
< +

<
=
6 1
6 3 ) 24 12 (
3 2 ) 2 (
0 0
) (
2
12
1
2
4
1
x
x x x
x x
x
x F

Luego se genera un nmero aleatorio r

( )
r x
r x r x r
2 2
posible es positivo caso el solo 2 2 25 . 0 ) 2 (
2
4
1
+ =
= =
( )
r x
r x x r
x x r r x x r
3 3 2 6
posible es negativo caso el solo 3 3 2 6 ) 6 ( 12 12
12 ) 24 12 ( 12 12 1 25 . ) 24 12 (
2
2 2
12
1
=
= = +
+ + = + < + =

127

MTODO DE ACEPTACIN O RECHAZO

Hay varias distribuciones importantes, incluyendo la de Erlang que se usa en modelos de cola, de
espera y la funcin beta, que se usa en PERT, cuyas funciones de distribucin acumulada no existen en
forma cerrada. Para esas distribuciones debemos recurrir a otros mtodos de generacin de variables
aleatorias, uno de los cuales es el de aceptacin o rechazo. Este mtodo se usa en general para
distribuciones cuyos dominios estn definidos en intervalos finitos. As, dada una distribucin cuya
funcin de distribucin de probabilidad f(x) est definida en el intervalo , el algoritmo
consiste en los pasos siguientes:
b x a

a. Se debe seleccionar una M constante (al que M sea el valor mximo de f{x) en el intervalo
[a,b].

b. Generar dos nmeros aleatorios: r
1
, r
2

c. CalcuIar x* =a +b{b - a)r
1
. Con ello se asegura que cada miembro de [a,b] tenga la misma
probabilidad de ser seleccionado como x*.

d. Evaluar la funcin f(x) en el punto x*. Sea este valorar f(x*).

1. e. Si r
2
f(x*) tomar x* como valor aleatorio a partir de la distribucin cuya funcin de
2. distribucin de probabilidad es f{x}. En cualquier otro caso, rechazar x* y regresar al paso 3.

Ntese que el algoritmo continua de regreso al paso 2 hasta que se acepte una variable aleatoria. Para
ello se pueden necesitar varas iteraciones. Por este motivo, el algoritmo puede ser relativamente
ineficaz. Sin embargo, la eficacia depende mucho de la forma de la distribucin. Hay varios modos
mediante los cuales se puede hacer ms eficaz al mtodo.

Uno de ellos es emplear una funcin en el paso a), en lugar de una constante. Vase Fishman (1978) o
Law y Kelton (1982), que presentan los detalles del algoritmo.

MTODOS DIRECTO Y DE CONVOLUCION PARA LA DISTRIBUCIN NORMAL

Debido a la importancia de la distribucin normal se ha dado mucha atencin a generar variables
aleatorias normales. Ello ha originado muchos algoritmos distintos para la distribucin normal. Tanto
el mtodo de transformacin inversa como el de aceptacin o rechazo, son inadecuados para la
distribucin normal, porque (1) no existe la funcin de distribucin acumulada en forma cerrada y (2)
la distribucin no est definida en un intervalo finito. Aunque es posible emplear mtodos numricos
en el mtodo de transformacin inversa y truncar la distribucin para el mtodo de aceptacin o
rechazo, hay otros mtodos que tienden a ser mucho ms efectivos- En esta seccin describiremos dos
de ellos; primero, un algoritmo que se basa en tcnicas de convolucin y despus, un algoritmo de
transformacin directa que produce dos variables estndar con promedio 0 y variancia 1.

En el algoritmo de convolucin se hace uso directo del teorema de lmite central. Este teorema afirma
que la suma Y de n variables aleatorias independientes e idnticamente distribuidas, Y
1
, Y
2
,..., Y
n
, cada
128

una con promedio y variancia finita
2
tiene una distribucin casi normal con promedio n y
varianza n
2
. Si aplicamos ahora esto a variables aleatorias, U(0,l), R
1
, R
2
,..., R
n
con media =0.5 y
2
=
1/12, entonces

( )
2 / 1
12
1
5 .
n
n
i
i
n R
Z
=

=
es aproximadamente normal con promedio 0 y variancia 1. Deberamos esperar que esta aproximacin
funcione mejor a medida que crece n. Sin embargo, la mayora de las citas acerca de simulacin
sugieren que se use un valor de n =12. Usar 12 no slo parece adecuado sino que, ms importante,
tiene la ventaja de que simplifica el procedimiento de clculo. Si ahora sustituimos n =12 en la
ecuacin anterior, el generador de proceso se simplifica a

Z =
=

12
1
6
i
i
R

Esta ecuacin evita una raz cuadrada y una divisin, las cuales son rutinas tardadas en una
computadora.

Si deseamos generar una variable normal X con media y variancia finita
2
primero generamos Z
mediante este generador de proceso y luego la transformamos por medio de la relacin X = + Z.
Ntese que esta convolucin es exclusiva de la distribucin normal y que no se puede ampliar a otras
distribuciones. Desde luego, otras distribuciones se prestan a mtodos de convolucin. Por ejemplo,
podemos generar variables aleatorias a partir de una distribucin de Erlang con parmetro de forma k y
parmetro de rapidez k, usando el hecho que una variable aleatoria de Erlang se puede obtener
mediante la suma de k variables aleatorias exponenciales iid, cada una con parmetro k.

El mtodo directo para la distribucin normal fue creado por Box y Muller (1958). Aunque no es tan
eficaz como algunas de las tcnicas ms modernas, es fcil de aplicar y ejecutar. El algoritmo genera
dos nmeros aleatorios U(0,1), r
1
y r
2
, para despus transformarlos en dos valores aleatorios normales,
cada uno con media 0 y variancia 1, por medio de las transformaciones directas

2
2 / 1
1 2
2
2 / 1
1 1
2 cos ) ln 2 (
2 sin ) ln 2 (
r r Z
r r Z
=
=

esto se puede verificar si se toma la siguiente transformacin

( )
2
1
2
1
1
2
2 / ) (
1
tan
2
1
z
z
z z
r
r
e
x
x
+
=
=

Y el jacobiano

e e
z z
z z
r r
2 / 2 /
2 1
2 1
2
2
2
1
2
1
2
1
) , (
) , (

129

Como en el mtodo de convolucin, es fcil transformar estas variables normales estandarizadas en
variables normales X
1
y X
2
a partir de la distribucin con media y variancia al mediante las ecuaciones

2 2
1 1
Z X
Z X

+ =
+ =

El mtodo directo produce variables aleatorias normales exactas, en tanto que el mtodo de
convolucin tan slo nos da variables aleatorias normales aproximadas. Por este motivo, el mtodo
directo se usa mucho mas. Consulte, para detalles de stos y otros algoritmos, los libros de Fishman
(1978), o bien, de Law y Kelton (1982).

3.4 ANLISIS ESTADSTICO EN LAS SIMULACIONES

Como se mencion antes, los datos obtenidos de la simulacin siempre presentan variabilidad
aleatoria, ya que se alimentan variables aleatorias al modelo de simulacin. Por ejemplo, si
ejecutamos dos veces la misma simulacin, cada una con distinta secuencia de nmeros aleatorios es
seguro que, las medidas estadsticas generadas en los dos casos tendrn valores distintos. Debido a
ello, debemos usar mtodos estadsticos para analizar los resultados de las simulaciones. Si el
desempeo del sistema se mide con un parmetro, digamos , entonces nuestro objetivo en la
simulacin ser obtener una estimacin de y determinar la exactitud del estimador . Medimos
esta exactitud con la desviacin estndar, que tambin se llama error estndar, de . La medida
general de la variabilidad se enuncia a menudo en la forma de un intervalo de confianza a determinado
nivel de confianza. As, el objeto del anlisis estadstico es estimar este intervalo de confianza.

Se complica la determinacin de los intervalos de confianza en las simulaciones por el hecho de que
los resultados pocas veces son independientes, si es que lo llegan a ser. Esto es, los datos se
autocorrelacionan. Por ejemplo, en una simulacin de cola, el tiempo de espera de un cliente suele
depender de los clientes anteriores. Igualmente, en una simulacin de inventario, los modelos se
establecen, por lo general, de tal manera que el inventario inicial en un da determinado sea el
inventario final del da anterior, con lo cual se crea una correlacin. Esto significa que los mtodos
estadsticos clsicos, en los cuales suponemos independencia, no son directamente aplicables al
anlisis de resultados de simulacin. Por lo tanto, modificaremos los mtodos estadsticos para hacer
inferencias adecuadas a partir de los datos de la simulacin.

Adems del problema de la autocorrelacin, podemos tener un segundo problema en que la
especificacin de las condiciones iniciales del sistema en el tiempo 0 pueden influir en los resultados.
Por ejemplo, supongamos que en la simulacin de la cola de espera del ejemplo de este captulo la
distribucin de tiempos entre llegadas y de servicio es tal que el tiempo promedio de espera por cliente
es mayor de 15 minutos. En otras palabras, el sistema est muy congestionado. Si furamos a iniciar
esta simulacin sin personas en el sistema, los pocos clientes iniciales tendrn tiempos de espera cero o
muy pequeos. Estos tiempos iniciales de espera dependen mucho de las condiciones iniciales, y por lo
tanto, pueden no ser representativos del comportamiento del sistema en estado estable. A este periodo
inicial, antes que la simulacin alcance el estado estable, se le llama periodo transitorio, o periodo de
calentamiento.
130

Hay dos mtodos para superar los problemas relacionados con el periodo transitorio. El primero es usar
un conjunto de condiciones iniciales que sea representativo del sistema en estado estable. Sin embargo,
en muchas simulaciones puede ser difcil establecer esas condiciones iniciales. Esto es especialmente
vlido en las simulaciones de colas. El otro mtodo es dejar que la simulacin se ejecute durante un
rato y desechar la parte inicial de la simulacin. Con este mtodo estamos suponiendo que la parte
inicial de la simulacin lleva al modelo hasta un estado de equilibrio. Como no anotamos ninguna
medida estadstica durante la etapa de calentamiento, podemos reducir mucho del sesgo de la
inicializacin. Desafortunadamente, no hay una manera fcil de estimar cuntos datos iniciales borrar
para reducir el sesgo de inicializacin a niveles insignificantes. Como cada modelo de simulacin es
distinto, depende del analista determinar cundo termina el periodo transitorio. Aunque esto es difcil,
hay algunos lineamientos que se pueden usar. Para estos detalles y otros del tema, consulte a Law y
Kelton(l982).

Con objeto de analizar resultados, en general clasificamos las simulaciones en dos tipos: simulaciones
de terminacin y simulaciones de estado estable. Una simulacin de terminacin es aquella que se
ejecuta durante un tiempo T
E
, donde E es un evento o eventos especificados que detienen la
simulacin. El evento E puede ser un tiempo especificado, en cuyo caso la simulacin se ejecuta
durante un lapso de tiempo determinado. O bien, si es una condicin especificada, la duracin de la
simulacin ser una variable aleatoria. Una simulacin de estado estable es aquella que se ejecuta
durante un tiempo largo, esto es, la duracin de la simulacin "tiende a infinito."

Con frecuencia, el tipo de modelo determina qu tipo de anlisis de resultados es el adecuado para
determinada simulacin. Por ejemplo, en la simulacin de un banco es ms probable que usemos una
simulacin de terminacin, ya que el banco, cierra todas las tardes, lo cual nos da un evento de
terminacin adecuado. Cuando se simula un sistema de cmputo, puede ser ms adecuada una
simulacin de estado estable, ya que la mayor parte de los sistemas grandes de cmputo no dejan de
funcionar, excepto en casos de descompostura o de mantenimiento. Sin embargo, el sistema o modelo
no siempre es el mejor indicador de qu simulacin debe ser la ms adecuada. Es muy posible usar el
mtodo de simulacin de terminacin para sistemas ms adecuados a simulaciones de estado estable, y
viceversa. En esta seccin daremos una descripcin detallada del anlisis estadstico asociado con
simulaciones de terminacin. El anlisis para las simulaciones de estado estable es mucho ms
complicado. Para los detalles de ste ultimo, consulte las obras de Banks y Carson (1984) y de Law y
Kelton (1982).

Supongamos que hacemos n rplicas independientes con un mtodo de simulacin de terminacin. Si
cada una de las n simulaciones se inicia con las mismas condiciones iniciales y se ejecuta con una
secuencia distinta de nmeros aleatorios, entonces cada simulacin se puede tratar como una rplica
independiente. Por simplicidad, suponemos que slo hay una medida de desempeo, representada por
la variable X. As, X
j
es el estimador de la medida de desempeo de la j-sima rplica. Entonces,
dadas las condiciones de las rplica (o simulaciones), la sucesin X
1
,..., X
n
sern variables aleatorias
iid. Con stas, podemos usar el anlisis estadstico clsico para formar un intervalo de confianza 100(1
-)% para =E(X) como sigue:

n
n S
t n X
n
) (
) (
2
) 1 , 2 / (

131

con

( )
=
=
=
=
n
i
i
n
i
i
n
n X X
n S
n
X
n X
1
2
2
1
1
) (
) (
) (

) 1 , 2 / ( n
t

es
= >

) (
) 1 , 2 / ( n
t Y P , donde Y claramente sigue una distribucin t-
student.

132

4. MODELOS DE PREDICCIN

En este captulo estudiamos dos tipos importantes de mtodos de prediccin: los mtodos de la
extrapolacin y el de prediccin causal. Los mtodos de extrapolacin que se usan para predecir
valores futuros de una serie temporal a partir de valores en el pasado de otra serie temporal. Para dar
un ejemplo veamos las ventas mensuales de televisores/ discos compactos (CD) y acondicionadores de
aire (AA) de la empresa Lowland Appliance Company durante los ltimos 24 meses que se ve en la
Tabla 1. En un mtodo de prediccin por extrapolacin se supone que los comportamientos y
tendencias del pasado continuarn en los meses futuros. As, los datos del pasado acerca de las ventas,
sin ninguna informacin adicional, se usan para generar pronsticos para las ventas de aparatos
electrodomsticos durante los meses futuros. Los mtodos de extrapolacin, a diferencia de los
mtodos de prediccin causal no tienen en cuenta lo que "caus" los datos del pasado; tan slo suponen
que las tendencias y comportamientos del pasado continuarn en el futuro.

Los mtodos de prediccin causal tratan de pronosticar valores futuros de una variable, la variable
dependiente, mediante datos del pasado para estimar la relacin entre la variable dependiente y una o
ms variables independientes. Por ejemplo, Lowland debera tratar de pronosticar ventas mensuales
futuras de acondicionadores de aire con datos del pasado para determinar cmo se relacionan las ventas
de acondicionadores de aire con variables independientes, como el precio/ la publicidad y el mes del
ao.

Tabla 1 Ventas de Lowland Appliance
VENTAS VENTAS VENTAS VENTAS VENTAS VENTAS
MES DE TV DECD DEAA MES DE TV DE CD DE AA
1 30 40 13 13 38 79 36
2 3 47 7 14 30 82 21
3 30 50 23 15 35 80 47
4 39 49 32 16 30 85 81
5 33 56 58 17 34 94 112
6 33 53 60 18 40 89 139
7 34 55 90 19 36 96 230
8 38 63 93 20 32 100 201
9 36 68 63 21 40 100 122
10 39 65 39 22 36 105 84
11 30 72 37 23 40 108 74
12 36 69 29 24 34 110 62

Sean x
1
,x
2
...,x
n
valores observados de una serie temporal, donde x
t
es el valor de esa serie que se
observa durante el periodo t. Uno de los mtodos de prediccin que ms se usa es el de la media
variable o mvil. Se define f
t,k
como el pronstico para el periodo t +1 que se hace despus de
observar x
t
. Para el mtodo de la media variable,

f
t,k
=media de las n observaciones ltimas
=media de x
t-1
,x
t-2
...,x
t-n-+1

donde n es un parmetro dado.

133

Para ilustrar el uso del mtodo de la media variable, seleccionamos n =3 y usamos ese mtodo para
predecir las ventas de TV durante los primeros seis meses de los datos de la Tabla 1. Los clculos
necesarios se dan en la Tabla 2, Para los meses 1 a 3 no hemos observado todava 3 meses de datos y,
por lo tanto, para j <3, no podemos dar un pronstico de la media variable para las ventas de eso
meses. Por ejemplo:

f
3,1
=(30+32+30)/3

Tabla 2 Predicciones de la media variable (N =3) para ventas de TV

Ntese que de un periodo al siguiente, la prediccin "progresa", reemplazando la observacin ms
"antigua" en el promedio por la ms reciente.

SELECCIN DE N

Cmo se debe seleccionar a N, el nmero de periodos que se usan para calcular el promedio
progresivo? Para contestar esta pregunta, necesitamos definir una medida de la exactitud de prediccin.
Usamos la desviacin absoluta media DAM, como medida. Antes de definirla, necesitamos definir el
concepto de error de pronstico. Dado un pronstico para x
j
, definimos a e
j
como el error en la
prediccin de x
j
, como

ej =| x
j
- (pronstico de x
j
)|

Segn la Tabla 2, vemos que e
4
=|39- 30.67| =8.33, e
5
=| 33 - 33.67| = 0.67, y e
6
=|34 34| =0. La
desviacin absoluta media es tan slo el promedio de los valores absolutos de todas las e
j
. As, para
los periodos 1 a 6, la prediccin de promedio progresivo da una desviacin absoluta media DAM,

DAM =( e
4
+e
5
+e
6
)/3 = (8.33 +0.67 +0 )/3 =3

As, en promedio, los pronsticos de ventas de TV tienen un error de 3 por mes.

Parece razonable seleccionar una N que reduzca la desviacin absoluta media a un mnimo. Si
aplicamos la tcnica de la media variable a los 24 meses de ventas de la Tabla 1, encontramos las
DAM de la Tabla 3. As, un periodo de media variable de 3 4 parece obtener las mejores
predicciones de ventas de TV.
134

Tabla 3
desviaciones absolutas medias para pronsticos de ventas
N DAM
2 3.21
3 2.78
4 2.79
5 2.99
6 3.27

Las predicciones con media variable trabajan bien para una serie temporal que vara alrededor de un
nivel base constante. De la Fig. 1, parece que las ventas mensuales de TV fluctan alrededor de un
nivel base de 35. De manera formal, estos pronsticos trabajan bien si

(1)
t t
b x + =

Figura 1 Ventas de TV
VENTAS DE TV
25
27
29
31
33
35
37
39
41
13579
1
1
1
3
1
5
1
7
1
9
2
1
2
3

En las Figuras 2 y 3 vemos que las ventas de discos compactos, CD, y de acondicionadores de aire no
estn bien representados en la Ec. (1). Vemos en la Fig. 2 que hay una tendencia ascendente en las
ventas de CD y, por lo tanto, stas no fluctan con respecto a un nivel base. En la Fig. 3 vemos que las
ventas de acondicionadores de aire presentan variaciones estacionales. Los mximos y los mnimos de
la serie se repiten a intervalos regulares de 12 meses. En la Fig. 3 tambin se observa que las ventas de
acondicionadores de aire presentan una tendencia ascendente. En los casos donde la tendencia, la
variacin estacional o ambas se manifiestan, en general el mtodo de la media variable da malas
predicciones. Para terminar esta seccin tenga en cuenta que adems de la tendencia y la variacin
estacional, una serie temporal puede presentar comportamiento cclico. Por ejemplo, las ventas de
automviles siguen, con frecuencia, el ciclo de la economa nacional. El comportamiento cclico es
mucho ms irregular que un patrn estacional y, frecuentemente es difcil de descubrir.

135

Figura 2 Ventas de CD

VENTAS DE
25
35
45
55
65
75
85
95
105
115
1 3 5 7 9 11 13 15 17 19 21 23

Figura 3. Ventas de Aires acondicionados
VENTAS DE AA
5
55
105
155
205
255
13579
1
1
1
3
1
5
1
7
1
9
2
1
2
3

4.1 ATENUACIN EXPONENCIAL SIMPLE

Si una serie temporal flucta con respecto a un nivel base, se puede utilizar una atenuacin exponencial
simple para obtener buenos pronsticos de valores futuros de la serie. Para representar esta tcnica, sea
A
t
=promedio atenuado de una serie temporal despus de observar x
t
. A
t
es el pronstico del valor de
la serie temporal durante cualquier periodo futuro despus de observar x
t
. La ecuacin clave de la
atenuacin exponencial simple es

1
) 1 (

+ =
t t t
A x A (2)

136

En la Ecuacin (2) es la constante de atenuacin que satisface 0 < <1. Para inicializar el
procedimiento de prediccin, antes de observar x1, debemos tener un valor de A
0
. En general, hacemos
que A
0
sea el valor observado del periodo inmediatamente anterior al periodo 1. Como en los
pronsticos de media variable, sea f
t,k
el pronstico para x
t+k
que se hizo al final del periodo t. Entonces

A
t
=f
t,k
(3)

Si se supone que tratamos de predecir un periodo ms adelante, el error de prediccin de x
t

representado de nuevo por e
t
, est dado por

e
t
=| x
t
- (pronstico de x
t
)| = | x
t -
A
t
| (4)

Mostraremos la atenuacin exponencial simple, con =0.1, para los seis primeros meses de ventas de
TV. Los resultados se dan en la Tabla 4. Suponemos que se vendieron 32 TV el ltimo mes, de modo
que empezamos el procedimiento con A
0
=32.

Para los meses 1 a 6, la desviacin absoluta media de nuestro pronstico est dada por

DAM =(|-2|+|0.2|+| -1.82|+|7.36| +|0.63+|1.56| ) /6 =2.26

Tabla 4 Atenuacin exponencial simple para ventas de TV

Tabla 5 Desviacin absoluta media para ventas de TV

Para todo el periodo de 24 meses podemos determinar, con hojas de clculo, el valor de que
produzca la menor desviacin absoluta media. En la Tabla 5 se presentan los resultados. El valor
mnimo se alcanza para =0.222.
137

OBSERVACIONES
1. Como <1, la atenuacin exponencial "empareja" las variaciones en una serie temporal al no dar
un peso total a la ltima observacin.

2. Si =2/ n+1 la atenuacin exponencial simple, con parmetro de atenuacin, y un
pronstico de media variable de n periodos dan los mismos resultados. Por ejemplo, =1/3 equivale
aproximadamente a una media variable de cinco periodos.

3. Para ver porqu se le llama atenuacin exponencial, veamos la Ec. (2) para t -1:

2 1 1
) 1 (

+ =
t t t
A x A (5)

Al sustituir la Ec. (5) en la Ec. (2), se obtiene

2
2
1 1
) 1 ( ) 1 ( ) 1 (

+ + = + =
t t t t t t
A x x A x A (6)

Observe que

3 2 2
) 1 (

+ =
t t t
A x A (7)

Al sustituir la Ec. (7) en la Ec. (6) se obtiene

[ ]
3 2
2
1 1
) 1 ( ) 1 ( ) 1 ( ) 1 (

+ + + = + =
t t t t t t t
A x x x A x A

Si se repite este proceso se obtiene

K K + + + + + =
k t
k
t t t t
x x x x A ) 1 ( ) 1 ( ) 1 (
2
2
1
(8)

Como , la Ec. (8) muestra que si regresamos un nmero "infinito" de
periodos, el promedio atenuado actual es un promedio ponderado de todas las observaciones del
pasado. El peso que se da a la observacin de k periodos en el pasado disminuye en forma exponencial,
por un factor (1 - ). Mientras mayor sea el valor de se da ms peso a las observaciones ms
recientes. Por ejemplo, para =0.2, las tres observaciones ms recientes tienen 49% del peso (20%,
16% y 13%), en tanto que para =0.5, las tres observaciones ms recientes tienen 88% del peso
(50%, 25% y 13%).
1 ) 1 ( ) 1 (
2
= + + + K

4. En la prctica se escoge en general como 0.10, 0.30 o 0.50. Si el valor que minimiza la
desviacin absoluta media es mayor que 0.5, entonces es probable que haya tendencia, variaciones
estacionales o comportamiento cclico. y el mtodo de atenuacin exponencial simple no se
recomienda como tcnica de prediccin. En esos casos se pueden tener, probablemente, mejores
pronsticos con el mtodo de Holt (atenuacin exponencial con tendencia, que se analiza en la
138

siguiente seccin, o el de Winter (atenuacin exponencial con tendencia y variacin estacional, que se
estudia posteriormente.

5. Aun cuando no flucte una serie temporal con respecto a un nivel base constante, la atenuacin
exponencial simple puede dar buenos pronsticos. Si x
t
=m
t
+
t
, y m
t
=m
t-1
+
t
,. donde y son
trminos independientes de error, cada uno con media 0, entonces la atenuacin exponencial simple
dar buenos pronsticos. Esto significa que si la demanda media m
t
de un producto est variando al
azar con respecto al tiempo, la atenuacin exponencial sencilla puede dar buenas predicciones de la
demanda de un producto.

4.2 MTODO DE HOLT: ATENUACIN EXPONENCIAL CON
TENDENCIA

Si creemos que una serie temporal presenta una tendencia lineal, sin variacin estacional, el mtodo de
Holt con frecuencia da buenos pronsticos. Al final del t-simo periodo el mtodo de Holl genera una
estimacin del nivel base, L
t
, y de la tendencia por periodo, T
t
de la serie. Por ejemplo, suponga que
L
20
=20 y que T
20
=2. Esto quiere decir que despus de observar a x
20
creemos que el nivel base de la
serie es 20 y que aumenta dos unidades por perodo. As, dentro de cinco periodos calculamos que el
nivel base de la serie ser 30.

Despus de observar a x
t
, se usan las Ecuaciones. (9) y (10) para actualizar las estimaciones de la base
y la tendencia. y son constantes de atenuacin, cada una con valores entre 0 y 1.

) )( 1 (
1 1
+ + =
t t t t
T L x L (9)

1 1
) 1 ( ) (

+ =
t t t t
T L L T (10)

Como antes, definimos como el pronstico de x
t
hecho al final del periodo t.
k t
f
,
Entonces

t t k t
kT L f + =
,
(11)

Para empezar con el mtodo de Holt, necesitamos una estimacin inicial, L
0
de la base y la otra
estimacin, T
0
, de la tendencia. Haramos a T
0
al aumento promedio mensual en la serie temporal
durante el ao anterior, y que L
0
fuera igual a la observacin del ultimo mes.

En la Fig. 2 se ve que las ventas de CD (discos compactos) presentan una tendencia ascendente, pero
no se. observa variacin estacional obvia. Por lo tanto, el mtodo de Holt debe dar una buena
prediccin. Supongamos que las ventas de CD durante cada uno de los ltimos doce meses son 4, 6, 8,
10, 14, 18, 20, 22, 24, 28, 31 y 34. Entonces,

T
0
=[(6-4) +(8-6)+...+(34-31) ] /11 =(34-4)/11 =2.73
139

Y, a continuacin, calculamos L
0
=34.

Aplicando el mtodo de Holt a los primeros seis meses de ventas de discos compactos, con =0.30 y
=0.10, obtenemos los resultados que se presentan en la Tabla 6.

Para los primeros seis meses de ventas de discos compactos, calculamos la desviacin absoluta media:

DAM =(3.27 +6.47 +4.51 +1.00 +3.18 +4.00)/6 = 3.74

Para el periodo completo de 24 meses vemos que DAM =2.85.

Tabla 6 Mtodo de Holt para ventas de discos compactos
VENTAS
MES REALES Lt Tt PREDICCIN ERROR
34.00 2.73
1 40 37.71 2.83 36.73 3.27
2 47 42.47 3.02 40.53 6.47
3 50 46.85 3.15 45.49 4.51
4 49 49.70 3.12 50.00 1.00
5 56 53.78 3.22 52.82 3.18
6 53 55.80 3.10 57.00 4.00

Si probamos varias combinaciones de y podramos determinar los valores de tales parmetros que
minimizar la desviacin absoluta media. Si tanto el valor de como de no son menores de 0.5,
entonces es probable que haya comportamiento cclico o variacin estacional, y se debera aplicar otro
mtodo de prediccin.

En resumen, el mtodo de Holt da buenos pronsticos para una serie con tendencia lineal. Esa serie se
puede modelar como
t t
bt a x + + = , siendo a =nivel base al iniciar el periodo 1, b =tendencia por
periodo y
t
el trmino de error para el periodo t.

140

4.3 EXPONENCIAL CON VARIACIN ESTACIONAL

Lo que se llama, correctamente, mtodo de Winter se usa para predecir series temporales en las que se
encuentren presentes tendencia y variacin estacional. Como se mencion antes, en la Fig. 3 se ve que
las ventas de acondicionadores de aire presentan una tendencia ascendente y, al mismo tiempo,
variacin estacional. Por lo tanto, el mtodo de Winter es candidato lgico para pronosticar esas
ventas.

Para explicar el mtodo de Winter necesitamos dos definiciones. Sea c =nmero de periodos en la
duracin del comportamiento estacional (c ==4 para datos trimestrales y c =12 para datos mensuales).
Sea s
t
una estimacin de un factor estacional multiplicativo para el mes t, que se obtiene despus de
observar a x
t
. Por ejemplo, suponga que el mes 7 es julio y que s
7
=2. Entonces, despus de observar
las ventas de acondicionadores de aire del mes 7, creemos que las ventas de acondicionadores de aire
en julio sern, en igualdad de circunstancias, iguales al doble de las ventas esperadas durante un mes
promedio. Si el mes 24 es diciembre, y s
12
=0,4, entonces, despus de observar las ventas del mes 24,
podemos predecir que las ventas de acondicionadores de aire en diciembre sern el 40% de las ventas
esperadas durante un mes promedio. En los clculos siguientes, L
t
y T
t
tienen el mismo significado que
en el mtodo de Holt. Cada periodo, L
t
, T
t
y s
t
se actualizan, en ese orden, mediante las Ecuaciones
(12) a (14). Nuevamente , y son constantes de atenuacin, cada una de las cuales est entre 0 y
1:

) )( 1 (
1 1
+ + =
t t
c t
t
t
T L
s
x
L (12)

1 1
) 1 ( ) (

+ =
t t t t
T L L T (13)

c t
t
t
t
s
L
x
s

+ = ) 1 ( (14)

La ecuacin (12) actualiza la estimacin de la base de la serie calculando el promedio ponderado de
las dos cantidades siguientes:

1. que es nuestra estimacin de nivel base antes de observar a x
t
. ) (
1 1
+
t t
T L
2. La observacin
c t
t
s
x
sin variacin estacional, que es una estimacin de la base obtenida partir del
periodo actual.

La Ecuacin (13) es idntica a la (10) para T
t
que se us para actualizar la tendencia en el mtodo de
Holt.

141

La Ecuacin (14) actualiza la estimacin de la variacin estacional del mes t, calculando un promedio
ponderado de las dos cantidades siguientes:

1. La estimacin ms reciente de la variacin estacional s
t-c
del mes t.

y

2.
t
t
L
x
que es una estimacin de la variacin estacional, calculada para el mes actual. '

Al final del periodo t, el pronstico para el mes k es
k t
f
,

c k t t t k t
s kT L f
+
+ = ) (
,
(15)

As, para pronosticar el valor de la serie durante el periodo t +k, multiplicamos la estimacin de la
base de ese periodo (L
t
+kT
t
) por la estimacin ms reciente del factor de variacin estacional s
t+k-c
del
mes (t +k).

4.4 INTRODUCCIN AL MTODO DE WINTER

Para obtener buenos pronsticos con el mtodo de Winter debemos contar con buenas estimaciones
iniciales de base, tendencia y factores estacionales. Sean

L
0
=estimacin de la base al inicio del mes 1
T
0
=estimacin de la tendencia al inicio del mes 1
s
-11
=estimacin del factor estacional de enero al inicio del mes 1 (16)
s
-10
=estimacin del factor estacional de febrero al inicio del mes 1
.
.
.
s
0
=estimacin del factor estacional de diciembre al inicio del mes 1

Hay diversos mtodos para estimar los parmetros en (16), Escogeremos uno sencillo que necesita dos
aos de datos. Suponga que los dos aos ltimos de ventas mensuales fueron los siguientes:

Ao -2: 4,3,10,14,25,26,38,40, 28,17,16,13
Ao -1; 9,6,18,27,48,50,75,77,52,33,31,24

Ventas totales durante el ao -2 =234
Ventas totales durante el ao -1 =450

Estimamos T
0
mediante la siguiente ecuacin:
142

12
2)] - ao el durante promedio mensuales (Ventas - 1) - ao el durante promedio mensuales (Ventas
o sea :
5 . 1
12
12
234
12
450
=

Para estimar a L0 determinamos primero la demanda mensual promedio durante el ao - 1, que es
450/12. Con ello se estima la base a mitad del ao - 1, o sea, el mes 6.5 de ese ao. Para llevar esa
estimacin al final del mes 12 del ao - 1, sumamos (12-6.5)T
0
=5.5T
0
. As, la estimacin de L
0
es
37.5 +5.5(1.5) =45.75.

Para estimar el factor de variacin estacional para un mes dado (por ejemplo, en enero s
-11
),
calculamos una estimacin de la variacin estacional para enero en el ao - 2 y en el ao - 1, y los
promediamos. En el ano - 2 la demanda mensual promedio fue 234/12 =19.5; en enero de ese ao se
vendieron 4 acondicionadores de aire. Por lo tanto

Estimacin de la variacin estacional para enero del ao -2 = 4/19.5 =0.205

Igualmente,

Estimacin de la variacin estacional para enero del ao -1 =9/37.5 =0.240

Por ltimo, calculamos que s
-11
= (.205+.240)/2 =0.22. De igual modo obtenemos el resto de valores:

Tabla 7. Calculo de los factores estacionales
Referencia Ao -2 Ao -1 s -2 s-1 s
-11 4 9 0.2051 0.2400 0.222564
-10 3 6 0.1538 0.1600 0.156923
-9 10 18 0.5128 0.4800 0.496410
-8 14 27 0.7179 0.7200 0.718974
-7 25 48 1.2821 1.2800 1.281026
-6 26 50 1.3333 1.3333 1.333333
-5 38 75 1.9487 2.0000 1.974359
-4 40 77 2.0513 2.0533 2.052308
-3 28 52 1.4359 1.3867 1.411282
-2 17 33 0.8718 0.8800 0.875897
-1 16 31 0.8205 0.8267 0.823590
0 13 24 0.6667 0.6400 0.653333
TOTAL 234 450
PROMEDIO 19.5 37.5

En la siguiente tabla se muestra los resultados de la aplicacin del mtodo de Winter, para =0.5,
=0.4 y =0.6
143

Tabla 8 Mtodo de Winter para ventas acondicionadores de aire
L
t
T
t
s
t
f
t-1,1 Error
MES Ventas 45.75 1.5
1 13 52.8301 3.7320 0.2367 10.5162 2.4838
2 7 50.5850 1.3412 0.1458 8.8759 1.8759
3 23 49.1294 0.2225 0.4795 25.7767 2.7767
4 32 46.9299 (0.7463) 0.6967 35.4827 3.4827
5 58 45.7299 (0.9278) 1.2734 59.1623 1.1623
6 60 44.9010 (0.8882) 1.3351 59.7361 0.2639
7 90 44.7986 (0.5739) 1.9951 86.8971 3.1029
8 93 44.7698 (0.3559) 2.0673 90.7628 2.2372
9 63 44.5271 (0.3106) 1.4134 62.6806 0.3194
10 39 44.3711 (0.2487) 0.8777 38.7291 0.2709
11 37 44.5238 (0.0882) 0.8280 36.3387 0.6613
12 29 44.4117 (0.0977) 0.6531 29.0313 0.0313

OBSERVACIONES

1. Como en el mtodo de Winter se usan tres constantes de atenuacin, es difcil encontrar la
combinacin de valores que den como resultado la desviacin absoluta media mnima, sin embargo se
puede busca un mtodo de optimizacin para un conjunto de valores observados.

2. Aunque los valores de y que minimizan la DAM no deberan ser mayores que 0.5, como en el
mtodo de Holt, no es raro que el mejor valor de y sea mayor que 0.5. Esto se debe a que para datos
mensuales, cada factor estacional mensual se actualiza durante slo un doceavo de los periodos. Como
los factores de variacin-estacional se actualizan sin tanta frecuencia, quiz necesitemos dar mayor
peso a cada observacin, as que >0.5 se puede admitir.

3. En la Fig. 4 se muestra qu tan similares son los pronsticos de ventas de acondicionadores de aire
(para =0.5, =0.4 y =0.6) con las ventas reales. La concordancia entre valores predichos y ventas
reales es bastante buena, excepto para los meses 15 y 17. Durante esos meses nuestros pronsticos son
demasiado altos. Quiz se hayan contratados vendedores nuevos en esos meses, haciendo que las
ventas fueran menores que las que se predijeron.

Figura 4
Pronsticos de ventas de acondicionadores de aire
144

0
50
100
150
200
250
13579
1
1
1
3
1
5
1
7
1
9
2
1
2
3
2
5
Ventas
pronostico

EXACTITUD DE PRONSTICOS

Para cualquier modelo de pronstico en el que los errores estn distribuidos normalmente, podemos
aplicar la desviacin absoluta media para estimar Se =desviacin estndar de nuestros errores de
pronstico. La relacin entre la DAM y Se est dada por

s
e
=1.25 DAM

Si se supone que los errores se distribuyen normalmente, sabemos que un 68% de las predicciones
debe quedar dentro de s
e
del valor real, y que aproximadamente el 95% de las predicciones deben estar
a menor distancia que 2s
e
del valor real. As, para las ventas de acondicionadores de aire, vemos que s
e

=1.25(10.48) =13.10. Por lo tanto, debemos esperar que durante 0.68(24) =16 meses, de los 24,
nuestras predicciones de ventas tendrn un error mximo de 13.10 acondicionadores, y durante
0.95(24) =23 o 24 meses de los 24, los pronsticos tengan un error mximo de 2(13.10) =26.2
acondicionadores. En realidad, nuestras predicciones de ventas tienen una exactitud dentro de 13.10
durante 17 meses, y una exactitud dentro de 26.2 durante 22 meses.

Notemos que en la mayor parte de los casos en los que se requiere un pronstico, el conocimiento
acerca de la exactitud probable del pronstico es casi tan importante como el pronstico mismo. Por lo
tanto, esta corta subseccin es muy importante.
145

4.5 REGRESIN LINEAL SIMPLE

Con frecuencia, tratamos de predecir el valor de una variable, la variable dependiente, a partir del valor
de otra variable, la variable independiente. A continuacin presentamos algunos ejemplos:

Variable dependiente Variable independiente
Ventas de un producto Precio del producto
Ventas de automviles Tasa de inters
Costo total de produccin Unidades producidas

Si la variable dependiente y la independiente se relacionan en forma lineal, se puede aplicar la
regresin lineal para estimar esa relacin.

Para dar un ejemplo de regresin lineal simple, suponga que Giapetto produce trenes y soldados; el
costo depende de la cantidad producida. Para formular este problema necesitamos calcular el costo de
produccin de un soldado y el de un tren. Suponga que deseamos determinar el costo de produccin de
un tren. Para estimarlo, hemos observado durante diez semanas el nmero de trenes producidos cada
semana y el costo total incurrido en producirlos. Esta informacin se presenta en la Tabla 10.

Tabla 9 Datos semanales costos de trenes

Los datos de la Tabla 9 aparecen graficados en la Fig. 5. Observe que parece haber una marcada
relacin lineal entre x
i
, nmero de trenes producidos durante la semana i y y
i
, costo de producirlos,
tambin durante la semana i. La recta que se grfica en la Fig. 5 parece acercarse de una manera que
explicamos luego, a la representacin de la relacin lineal entre unidades producidas y costos de
produccin. Pronto veremos cmo se escogi esa lnea.

146

Para empezar, modelamos la relacin lineal entre x
i
y y
i
mediante la siguiente ecuacin:

i i i
x y + + =
1 0
(17)

en la cual
i
es un trmino de error que representa el hecho que durante una semana en la que se
producen x
i
trenes, el costo de produccin podra no siempre ser igual a
i
x
1 0
+ .

Figura 5 Diagrama de dispersin del costo de produccin de trenes

Ttulo del grfico
-
200.00
400.00
600.00
800.00
1,000.00
1,200.00
1,400.00
1,600.00
0 20 40 60 8
Trenes
C
o
s
t
o
0

Se desconocen los valores verdaderos de
0
y
1
. Para encontrar estos valores, primero definimos a
e
i
como error o residuo para el punto dato i: ) (
1 0 i i
x y + de esta forma
0
y
1
ms adecuados
sern aquellos que minimicen
2
i
e , de esta forma podemos definir
( )
2
1 0
2
1 0
) ( ) , (

+ = =
i i i
x y e f

Para encontrar el mnimo , lo cual arroja como resultado que los valores 0
) , ( ) , (
1
1 0
0
1 0
=
f f
0
y
1
deben ser

=
2
1
) (
) )( (
x x
y y x x
i
i i
, x y
1 0

= (18)
Donde x es el promedio de las x
i
y y es el promedio de las y
i

A se le llama lnea de regresin de los cuadrados mnimos. En esencia, si esta lnea se
ajusta bien a los puntos (recta mejor ajuste).
i i
x y
1 0

+ =

147

Tabla 10 calculo de
0
y
1
para el ejemplo de los trenes
x
i
y
i

x x
i
y y
i
( )( ) y y x x
i i
( )
2
x x
i

10 257.40 (32) (658) 21042.24 1,024
20 601.60 (22) (313) 6894.14 484
30 782.00 (12) (133) 1595.64 144
40 765.40 (2) (150) 299.14 4
45 895.50 3 (19) -58.41 9
50 1,133.00 8 218 1744.24 64
60 1,152.80 18 238 4280.94 324
55 1,132.70 13 218 2830.49 169
70 1,459.20 28 544 15238.44 784
40 970.10 (2) 55 -110.26 4

Con x =42 y y =914.97

86 . 17
3010
60 . 756 , 53
1
= = , 88 . 164 ) 42 * 86 . 17 ( 97 . 914
0
= =
Tabla 11 Clculo de errores
x
i
y
i

i
y
)
e
i
10 257.40 343.47 (86.07)
20 601.60 522.06 79.54
30 782.00 700.66 81.34
40 765.40 879.25 (113.85)
45 895.50 968.55 (73.05)
50 1,133.00 1,057.84 75.16
60 1,152.80 1,236.44 (83.64)
55 1,132.70 1,147.14 (14.44)
70 1,459.20 1,415.03 44.17
40 970.10 879.25 90.85

Toda lnea de cuadrados mnimos tiene dos propiedades:

1. Pasa por el punto ( . As, durante una semana en la que Giapetto produce 42 trenes,
pronosticaramos que esos trenes tendran un costo de produccin de 914.17 dlares.
( y x , )

2. La lnea de cuadrados mnimos "divide" a los puntos, en sentido de que la suma de las distancias
verticales desde los puntos arriba de la lnea a la recta de los cuadrados mnimos es igual a la suma de
las distancia verticales desde los puntos abajo de la recta de los cuadrados mnimos a dicha recta;
ambas distancias se miden a partir de la recta misma.

148

QU TAN BUENO ES EL AJ USTE?

Cmo determinamos lo bien o mal que ajusta la recta de cuadrados mnimos a los puntos de los
datos? Para contestar esa pregunta necesitamos describir tres componentes de la variacin: la suma de
cuadrados totales (SST), la suma de cuadrados de error es (SSE) y la suma de regresin de cuadrados
(SSR). La suma cuadrados totales es SST =

2
) ( y y
i
. Mide la variacin total de y, con respecto al
promedio. La suma de cuadrados de errores est dada por SSE =

=
2 2
) (
i i i
e y y . Si la recta de
cuadrados mnimos pasara por todos los puntos de datos, SSE =0. As, si la SSE es pequea indica
que la lnea de cuadrados mnimos se ajusta bien los datos. Definimos a la suma regresin de
cuadrados como SSR =

2
) ( y y
i
se puede demostrar que

SST =SSR +SSE (19)

Ntese que SST es funcin slo de los valores de y. Para un buen ajuste, SSE debe ser pequeo y
entonces, la Ec. (19) muestra que SSR ser grande para tener un buen ajuste. De manera formal,
podemos definir el coeficiente de determinacin R
2
de y mediante

SST
SSR
R =
2
=porcentaje de la variacin de y que queda explicado por x

Tambin, la Ecuacin (19) permite escribir

SST
SSE
R =
2
1 = porcentaje de variacin de y que no explica la variacin de x

Para el ejemplo desarrollado se tiene que SST =1,021,762 y SSE =61,705. Entonces la Ec. 19 resulta
SSR =SST - SSE =960,057. As vemos que R
2
=0.94. Esto quiere decir que el nmero de trenes
producidos durante un semana explica el 94% de la variacin del costo semanal de produccin. Todos
1os dems factores combinados pueden explicar cuando mucho el 6% de la variacin y entonces
podemos estar bastante seguros de que la relacin lineal entre x y y es fuerte.

Una medida de la relacin lineal entre x y y es la correlacin lineal de muestra r
xy
. Una correlacin de
muestra cercana a +1 indica una relacin lineal positiva fuerte entre
x
y
y
; una correlacin de muestra
cercana a -1 indica relacin lineal negativa, y una correlacin cercana a 0 indica una relacin lineal
dbil entre x y y.

EXACTITUD DE PREDICCIN

Una medida de la exactitud de las predicciones obtenidas con regresin es el error estndar de la
estimacin (s
e
). Si hacemos que n =nmero de observaciones, s
e
es

149

2
=
n
SSE
s
e

Para nuestro ejemplo,

8 . 87
2 10
705 , 61
=
=
e
s

En general es cierto que un 68% de los valores de y quedarn dentro de una distancia s
e
del valor
predicho y, y que el 95% de los valores quedaran dentro de los mrgenes 2s
e
del valor predicho
1
. En
este ejemplo, esperamos que el 68% de las estimaciones de costo queden dentro de 87.80 dlares del
costo real y 95%, dentro de 175.60 dlares del costo real. En realidad, para el 80% de los datos, el
costo real est a menos de s
e
del costo pronosticado y para el 100% de los datos, el costo real est a
menos de 2s
e
del costo predicho.
y

Cualquier observacin para la cual y no quede dentro de 2s
e
de se llama externa. Los puntos
externos representan datos extraos que se deben revisar con cuidado. Naturalmente, si un punto
externo es el resultado de un error al anotar los datos, se debe corregir. Si un dato externo es, hasta
cierto punto, no caracterstico de los dems puntos de datos, ser mejor omitirlo y recalcular la recta de
cuadrados mnimos. Como todos los errores son menores que 2s
e
en valor absoluto, en el ejemplo de
costo no hay puntos externos.
y

Se puede utilizar una t-student para crear un intervalo de confianza 1-, para un valor x:

+ +

2
) (
) (
1
1 ) 2 , 2 / (
x x
x x
n e
i
s n t (20)

donde ) 2 , 2 / ( n t , es el valor de una t-student con extremos /2 y con n-2 grados de libertad.

1
En realidad, 68% de los puntos debe quedar dentro de
+ +

2
) (
) (
1
1
x x
x x
n e
i
s de y un 95% dentro de y
+ +

2
) (
) (
1
1 2
x x
x x
n e
i
s
150

4.6 REGRESIN LINEAL MLTIPLE

En muchos casos podra ser til usar ms de una variable independiente para predecir el valor de una
variable dependiente. En estos casos aplicamos la regresin mltiple. Por ejemplo, si tratamos de
predecir las ventas mensuales de una cadena nacional de restaurantes de bocadillos de pollo,
tendramos que tener en cuenta el uso de las siguientes variables independientes: ingreso nacional,
precio del pollo, dlares gastados en publicidad durante el mes y dlares gastados en publicidad
durante el mes anterior.

Suponga que usamos k variables independientes para predecir la variable dependiente y y que tenemos
n puntos de datos de la forma ( ) donde =valor de la j-sima variable
independiente para el -simo punto dato y y
i
=valor de la variable dependiente para el i-simo punto
de dato. En la regresin mltiple lineal, modelamos la relacin mediante
ki i i i
x x x y , , , ,
2 1
L
ji
x

i ki k i i i
x x x y + + + + + = L
2 2 1 1 0
, (21)

en la que
i
es un trmino de error con media 0 que representa el hecho de que el valor real de
puede no ser igual a
i
y
ki k i i
x x x + + + + L
2 2 1 1 0
.

El calculo de
j
es similar al caso de una sola variable se definimos a e
i
como error o residuo para el
punto dato i: de esta forma )
i i
y y
k
, , ,
1 0
L ms adecuados sern aquellos que minimicen
, de esta forma podemos definir
2
i
e

=
2
1 0
) , , , (
i k
e f L luego procedemos a obtener el mnimo
de forma anloga:

0
) , , ( ) , , (
0
0
0
=
= =
k
k k
f f
L
L
L
, luego se obtiene que:

( )
( )
( ) 0 2
0 2
0 1 2
2 2 1 1 0
1
2 2 1 1 0
2 2 1 1 0
= + + + +
= + + + +
= + + + +
ki
ki k i i i
i
ki k i i i
ki k i i i
x x x x y
x x x x y
x x x y

L
M
L
L
(21)

Esas ecuaciones multiplicadas por y agrupadas termino por termino nos brinda el siguiente sistema
de k+1 ecuaciones lineales:

151

( )
( )
i k i i k k i k i i k
i i i i k k i i
i i k k i
x y x x x x
x y x x x x
y x x n

= + +
= + +
= + +
2
1 1 0
1 1
2
1 1 1 0
1 1 0

L
M
L
L
(22)

Al despejar el sistema se encuentran los valores apropiados de los
k
, , ,
1 0
L .

Al igual que el caso de una variable se definen de la misma forma la suma de cuadrados totales (SST),
la suma de cuadrados de error es (SSE), la suma de regresin de cuadrados (SSR),
SST
SSR
R =
2
=
porcentaje de la variacin de y que queda explicado por la k variables y se define el error estndar de la
estimacin (s
e
):

1
=
k n
SSE
s
e
(23)
y se puede utilizar una t-student para crear un intervalo de confianza 1-, para un valor x:

+ +

2
) (
) (
1
1 ) 1 , 2 / (
x x
x x
n e
i
s k n t (24)

donde ) 1 , 2 / ( k n t , es el valor de una t-student con extremos /2 y con n-k-1 grados de libertad.

152

ANEXO A: PRUEBAS DE ALGUNOS RESULTADOS

Seccin A
Se def i ne
xy
= , que es l a pr obabi l i dad de al canzar el est ado y,
comenzando del est ado x, par a un t i empo T
y
que depende del est ado y.
) ( <
y x
T P

Se def i ne l a var i abl e i ndi cador a 1
y
( z) , par a z per t eneci ent e al conj unt o de
est ados como:

1
y
( z) =
=
y z
y z
, 0
, 1

Sea N( y) en nmer o de veces n 1, que l a cadena est en el est ado y. A par t i r
que 1
y
( X
n
) =1 si l a cadena se encuent r a en el est ado y en el moment o n y 1
y
( X
n
) = 0,
de ot r o f or ma, se puede ver que
( a1)
=
=
1
) ( 1 ) (
n
n y
X y N

El event o {N( y) 1 } es el mi smo event o que {T
y
< }, de est a f or ma t enemos que

P[ {N( y) 1 }] =P
x
[ {T
y
< }] =
xy

Sean n, mdos ent er os posi t i vos. La pr obabi l i dad que x pr i mer o vi si t e y en el
i nst ant e my l uego vi si t e y n pasos o uni dades de t i empo post er i or est a dado por
P
x
( T
y
=m) P
y
( T
y
=n) , as

P
x
( N( y) 2) =

=
=
= = = = = =
1 1 1 1
) ( ) ( ) ( ) (
m
yy xy
n
y y y x
m n
y y y x
n T P m T P n T P m T P

De f or ma si mi l ar t enemos que ( a2) P
x
( N( y) m) =
xy
1 m
yy
1 m

Luego P
x
( N( y) = m) = P
x
( N( y) m) - P
x
( N( y) m+1) y por ( a2) se t i ene que

( a3) P
x
( N( y) = m) = 1 ) 1 (
1

m
yy
m
yy xy

y de est a f or ma:

( a4) P
x
( N( y) = 0) = 1- P
x
( N( y) 1) = 1-
xy

Se def i ne E
x
( ) como el val or esper ado de l a cadena de Mar kov comenzando en x, as
t enemos que
( a5) E
x
( 1
y
( X
n
) ) =P
x
( X
n
=y) =P
xy
( n)

153

Empl eando ( a1) y ( a5) t enemos que ,
de est a f or ma def i ni r emos G( x, y) = , como el nmer o de veces que se vi si t a
a y, comenzando de x.

=
=
= = =
1 1 1
) ( )) ( 1 ( )) ( 1 ( )) ( (
n
xy
n
n y x
n
n y x x
n P X E X E y N E
)) ( ( y N E
x

Teor ema 1
i ) Sea y un est ado t r ansi t or i o, l uego P
x
( N( y) < ) =1 y adems:
( a6) G( x, y) =
xy
xy
1
, l o cual es f i ni t o par a t odo est ado x
i i ) Sea y un est ado r ecur r ent e P
x
( N( y) = ) =1 y G( x, y) = .
Tambi n, ( a7) P
x
( N( y) = ) = P
x
( T
y
< ) =
xy
.

Si
xy
= 0, l uego G( x, y) =0, per o si
xy
> 0, l uego G( x, y) =.

Est e t eor ema muest r a de f or ma l as pr opi edades de un est ado t r ansi t or i o a uno
r ecur r ent e. En pr i mer caso, el nmer o de vi si t as que se r eal i ce es f i ni t o,
i ndependi ent ement e de donde se comi ence. Mi ent r as en el segundo caso el nmer o de
vi si t as es i nf i ni t o, i ndependi ent ement e de donde se comi ence.

Pr ueba:

Sea y un est ado t r ansi t or i o. A par t i r del hecho que 1 0
xy
, se t i ene que:

0 ) ) ( ( ) ) ( (
1
lim lim
= = = =

m
xy xy
m
x
m
x
m y N P y N P
por ( a3) t enemos G( x, y) = = )) ( ( y N E
x

) 1 ( ) ) ( (
1
1
1
yy
n
m
yy xy
m
x
m m y N mP

=
=
= =

t omando t =
yy
, l a i gual dad se t r ansf or ma en
) 1 ( ) 1 (
) 1 /( * ) 1 ( * ) 1 (
2
1
1
yy
xy xy
xy
n
m
xy
t
t t t t m
= =

Sea y, r ecur r ent e. Si 1 =
yy
, l uego por ( a2) se t i ene

xy xy
m
x
m
x
m y N P y N P = = = = =

lim lim
) ) ( ( ) ) ( (

En par t i cul ar . Si una var i abl e al eat or i a no negat i va t i ene
pr obabi l i dad posi t i va de ser i nf i ni t a, su esper anza es i nf i ni t a y por l o t ant o
1 ) ) ( ( = = y N P
y

G( y, y) = = )) ( ( y N E
y

154

Si
xy
=0, l uego P
x
( T
y
= m) =0 par a t odo ent er o m, l o que t ambi n es val i do par a
P
xy
( n) =0, y de est a f or ma G( x, y) =0. Si P
xy
> 0 l uego 0 ) ) ( ( > = =
xy x
y N P y as ,
G( x, y) = = , l o cual compl et a l a pr ueba. )) ( ( y N E
x

Si y es un est ado t r ansi t or i o par a t odo x, es cl ar o que
, par a t odo x.
< =
=
) , (
1
y x G P
n
n
xy
0
lim
=

n
xy
n
P

Teor ema 2. Sea x un est ado r ecur r ent e y suponga que x al canza y. Luego y es
r ecur r ent e y
xy
=
yx

= 1.

Pr ueba.

Supongamos que x y y sea n
0
t al que
( a9) n
0
=mi n( n1: P
x
( T
y
=n) >0)

es cl ar o que a par t i r de ( a9)
( a10) P
xy
( m) = 0, par a m<n
0

Como P
xy
( n
0
) > 0, se pueden encont r ar est ados t al que
1 1
0
n
y y K

0 ) , , (
1
0
1 0 0 0 0
1 1 1 1
> = = = =

y y xy n n n n x
n
P P y X y X y X P K K

Supongamos que
yx
< 1, ent onces exi st e una pr obabi l i dad posi t i va 1-
yx
de nunca
al canzar x, comenzando y. Esa pr obabi l i dad ser a, comenzando en x:

) 1 (
1
0
1
yx y y xy
n
P P
K , per o est o i mpl i ca que se vi si t a pr i mer o l os est ados y

que l uego nunca se r et or na al est ado x, l o cual cont r adi ce el hecho de que x es un
est ado r ecur r ent e.
1 1
0
n
y y K

Como
yx
=1, exi st e n1 ent er o posi t i vo, t al que P
xy
( n1) >0. Luego

) ( ) ( ) (
) , , ( ) ( ) (
0 1
0 1
0 1 1 1 0 1
n P n P n P
y X x X x X P y X P n n n P
xy xx yx
n n n n n n y n n n y yy
= = = = = = + +
+ + + + +

y est a f or ma

+ =
= + + =

=
= + + =
) , ( ) ( ) (
) ( ) ( ) ( ) ( ) ( ) , (
0 1
1 1
0 1 0 1
1
0 1
x x G n P n P
n P n P n P n n n P n P y y G
xy yx
n n
xx xy yx yy
n n n
yy

l o cual i mpl i ca que y t ambi n es un est ado r ecur r ent e.

155

Cor ol ar i o 1.

Sea C un conj unt o cer r ado i r r educi bl e de est ados r ecur r ent es. Luego
xy
=1,
=1 y G( x, y) = par a t odas l as escogenci as de x, y en el conj unt o C. ) ) ( ( = y N P
x

Seccin B

156

157

Teoria de Colas - Simulacion

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teoria de Colas - Simulacion

Cargado por

Copyright:

Formatos disponibles

INDICE

donde B es una constante

(probabilidad de que el periodo actual comience en ki)

si f i ni t a ent onces no exi st e di st r i buci n de est ado

= . Por razones que despus se vern, llamaremos a intensidad de trafico del

vemos que si ( est o es, l a

, se tiene entonces que

. Luego apl i camos

podemos demost r ar que

. Par a < al sust i t ui r l a Ecuaci n ( 38) en ( 16)

< 1, o sea, s 5. As , deben haber 5 caj er os cuando menos, por que de l o

= demuest r e que par a un si st ema de

= apl i cando l as Ecuaci ones ( 16) a ( 18) se obt i ene l a

aut omvi l es.

. ent onces, par a det er mi nado

de hor a. As , = 20/ 3 = 6. 67. buscamos el

K , per o est o i mpl i ca que se vi si t a pr i mer o l os est ados y

También podría gustarte