Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes 2-01 PDF
Apuntes 2-01 PDF
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 PASAJE .. 20
ANLISIS DE ESTADO TRANSITORIO ....................................................................................... 22
TIEMPOS PROMEDIO DE PRIMER PASAJE................................................................................ 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
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.
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 X0 = [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].
Por lo tanto, podemos asegurar que X1 = [1 1 0] o X1 = [1 0 1]. Es claro que debe haber alguna
relacin entre las Xt,. Por ejemplo, si X, = [0 2 0] podemos asegurar que Xt+1 ser [0 1 1].
Ejemplo
Sea X0 el precio de una accin de Computadoras CSL al principio de este da hbil. Tambin, sea Xt, el
precio de esa accin al principio del t-simo da hbil en el futuro. Es claro que si se conocen los
valores de X0, X1, X2, ..., Xt nos dicen algo acerca de la distribucin de probabilidad de Xt+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 t0< t1<...<tn; los incrementos X t1 X t0 , L X tn X tn 1 son variables aleatorias
independientes
2. La distribucin de probabilidad es X t2 X t2 , t1< t2, depende solo de t2 - t1
3. P ( X t X s x) =
1
2B(t s )
u 2
2 B (t s )
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 Xt denota el desplazamiento en el tiempo t de un partcula Browniana. El desplazamiento
X t X s , 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 X t X s , es normalmente distribuido. Tambin que la distribucin de X t + h X s + h , es la
misma, para cualquier h>0.
P(Xt+1 = i \ X t = j ) = pij
donde pij 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 pij 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 qi como la probabilidad de que la
cadena se encuentre en el estado i en el tiempo 0; en otras palabras, P(X0 = i) = qi,. Al vector q = [q1,
q2, ..., qs] 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
p11
p
P = 21
M
p s1
p12
p 22 K
ps2
O
L
p1s
p 2 s
M
p ss
P( X
j =1
s
p
j =1
ij
t +1
= j / X t = i) = 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
0 dlares
1
1 dlares
1-p
2 dlares
0
3 dlares
0
4 dlares
0
1 dlares
0
0
1-p
0
0
2 dlares
0
p
0
1-p
0
3 dlares
0
0
p
0
0
4 dlares
0
0
0
p
1
Si el estado es 0 dlares o 4 dlares no juego ms y, por lo tanto el estado no puede cambiar; entonces
p = p44 = 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
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 pij. La Fig. 1 es una representacin grfica de la
matriz de probabilidad de transicin para este ejemplo.
EJEMPLO 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
[0
[0
[2
[1
[1
1
2
0
0
1
0
1]
0]
2]
0]
0]
1]
[0 1 1]
0
1
1
0
[0 2 0]
0
0
0
[0 0 2]
0
0
0
0
[2 0 0]
0
0
0
0
0
0
[1 1 0]
0
0
0
[1 0 1]
0
0
0
EJEMPLO 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
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 Xt+1 depende de los estados
anteriores a Xt, tal como Xt-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 X0, X1,. . ., Xi, 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.
Pij(2) =
k =1
(3)
Pij(2) =
p
k =1
ik
p kj
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, Pij(2) es el ij-simo elemento de la matriz P2. Generalizando
este modo de razonar, se puede demostrar que para n >1,
(4)
Figura 2
Representacin de la transicin de i a j en dos pasos
10
P=
cola 1
.90
.10
cola 2
.20
.80
Por lo tanto, P21(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.
11
k =1
(5)
q
k =1
[.60
.781
.40]
= .6438
.438
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, P11(n) y P21(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 P12(n) como P22(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.
P11(n)
.90
.83
.78
.75
.72
.68
.67
.67
.67
P12(n)
.10
.17
.22
.25
.28
.32
.33
.33
.33
P21(n)
.20
.34
.44
.51
.56
.65
.67
.67
,67
P22(n)
.80
.66
.56
.49
.44
.35
.33
.33
.33
Un tiempo de parada se define como Tj = min(n>0, tal que Xn=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 Pi (T j = m) 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
n
Pij(n) =
P (T
m =1
= m) Pjj (n m)
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
P = 0 0 .3 .7 0
0 0 .5 .4 .1
0 0 0 .8 .2
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:
Pi (T j < ) > 0
15
16
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, P1 y P3 son ergdicas y P2 no es ergdica.
1
3
1
P1 =
2
0
2
3
0
1
4
0
1
2
3
4
17
1
2
1
P2 = 2
0
1
2
1
2
1
4
2
P3 =
3
0
1
2
1
3
2
3
0
0
0
0
2
3
1
4
1
3
3
1
4
1
3
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
0
0
0
1
0
0
0
0
0
1
3
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
2/3
18
.2 .8 0 0
0 0 .9 .1
b.
.4 .5 .1 0
0 0 0 1
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?
.4 0 .6
a. .3 .3 .4
0 .5 .5
.7 0 0
.2 .2 .4
b.
.6 .1. .1
.2 0 0
.3
.2
.2
.8
19
lim
n
1 2 L s
n 1 2 L s
P = M
M
1 2 L s
Observe que para n grande, Pn 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 = [ 1 , 2 , L s ] 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)
(7)
(8)
ij = k Pkj
k =1
= 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)
(10)
1 + 2 + L + s = 1
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
.90 .10
P=
.20 .80
Entonces las ecuaciones (8) u (8') producen
.90 .10
] = [ 1 ]
.20 .80
1 = .90 1 + .20 2
2 = .10 1 + .80 2
21
1 + . 2 = 1
1 = .90 1 + .20 2
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.
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 Pij(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.
j (1 pij )= j p kj
k i
(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)
= j (1 pij )
y
22
x
=
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.
EJEMPLO 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
.95 .05
P1 =
.20 .80
Para P1, las ecuaciones de estado estable se transforman en
1 = .95 1 + .20 2
2 = .05 1 + .80 2
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
24
25
En una cadena ergdica, sea mij = nmero esperado de transiciones antes de alcanzar por primera vez
el estado j, dado que estamos actualmente en el estado i. mij se llama tiempo promedio de primer
pasaje del estado i al estado j. En el Ejemplo 4, m12 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 pij, necesitaremos una transicin para pasar del estado i al
estado j. Para k j pasamos a continuacin, con probabilidad pik, al estado k. En este caso, se
necesitara un promedio de 1 + mkj, transiciones para pasar de k a j. Este modo de pensar indica que
mij = pij (1) + pik (1 + mkj )
k j
Como
pij + pik = 1
k j
(13)
k j
Al resolver las ecuaciones lineales representadas en (13), podemos encontrar todos los tiempos
promedios de primer pasaje. Se puede demostrar que
mii =
1
2
3
= 1.5
m22 =
1
1
3
=3
26
PROBLEMAS
1
3
1
2
.8 .2 0
(b) 0 .2 .8
.8 .2 0
(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 1 , 2 ,L s 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.
2
1
0 0 3 3
28
1 0 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 lim P11 (n) al hacer una lista del comportamiento que sigue P11(n) a medida que aumenta n.
n
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
3 meses 0 0 0 0
Pagada 0 0 0 0
Incobrable 0 0 0 0
.7 .3
1 0
0 1
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
Pr incipiante Experimentad
Pr incipiante
Experimentado
Asociado
Sale sin ser socio
Sale siendo ser socio
.80
0
0
0
0
.15
.70
0
0
0
Asociado
0
.20
.95
0
0
Sale sin
Sale siendo
ser socio ser socio
.05
0
.10
0
0
.05
1
0
0
1
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 (t1, t2,..., ts-m) y m estados absorbentes (a1, a2, ... , am).
Entonces la matriz de transicin para la cadena de absorcin puede escribirse como sigue:
sm
m
columnas columnas
s m renglones
Q
R
0
m renglones
I
En este formato, los renglones y las columnas de P corresponden, en orden, a los estados (t1, t2,..., ts-m)
(a1, a2, ... , am). 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
t1= Nueva
t2= 1 mes
t3= 2 meses
t4= 3 meses
a1= Pagada
a2= Incobrable
31
Entonces, para ese ejemplo, las partes de la matriz de probabilidad de transicin se puede
expresar como (s = 6, m =2)
.4 0
0 .6 0 0
.5 0
0 0 .5 0
R=
Q=
.6 0
0 0 0 .4
.7 .3
0 0 0 0
Para el Ejemplo 8, sean
t1= Principiante
t2= Experimentado
t3= Socio
a1= Sale sin ser socio
a2= Sale siendo socio
y podemos escribir las partes de la matriz de probabilidad de transicin como
.80 .15 0
Q = 0 .70 .20
0
0 .95
.05 0
R = .10 0
0 .05
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 ti el nmero esperado de periodos que
pasarn en un estado transitorio tj, 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 aj es el ij-simo elemento de la matriz (I Q)-1R. 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
.4 0
0 .6 0 0
.5 0
0 0 .5 0
R=
Q=
.6 0
0 0 0 .4
.7 .3
0 0 0 0
Entonces
0
1 .6 0
0 1 .5 0
I Q =
0 0
1 .4
0
1
0 0
(I Q )1
=
0 0
1 .40
0
1
0 0
.700
.036
.060
.120
.300
Entonces
1. t1 = Nueva, a1 = Pagada. As, la probabilidad de que una cuenta nueva se pague finalmente es el
1
elemento 11 de (I Q ) R =.964
2.t2 = 1 mes, a2 = Incobrable. Entonces, la probabilidad que una cuenta atrasada un mes se vuelva
1
incobrable es el elemento 22 de (I Q ) R = .06.
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
.80 .15 0
Q = 0 .70 .20
0
0 .95
.05 0
R = .10 0
0 .05
Entonces.
0
.20 .15
I Q = 0
.30 .20
0
0
.05
luego
( I Q)
5 2.5 10
40
= 0 103
3
0 0 20
.50 .50
2
( I Q) R = 13
3
0
1
1
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
1
=5
Tiempo esperado como principiante = ( I Q)11
34
1
= 2.5
Tiempo esperado como con experiencia = ( I Q)12
Tiempo esperado como socio = ( I Q)1.13 = 10
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 t1 = Principiante y a2 = Sale siendo socio,
la respuesta es el elemento 12 de ( I Q) 1 R = .50.
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 ( I Q) 1 = 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.
PROBLEMAS
1er ao
1er ao
2do ao
3er ao
4to ao
Sale
Tea
2do ao
.10
0
0
0
0
0
3er ao
.80
.10
0
0
0
0
4to ao
0
.85
.15
0
0
0
Termina
0
0
.80
.10
0
0
Sale
.10
.05
.05
.05
1
0
0
0
0
.85
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
estudiante?
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
.854
.013
.025
GRP
Hospital
Pensiones
(GRP)
Pensiones
(directo)
Muerte
Pensiones
(directo)
0
.003
0
Muerte
.028
.978
0
Pensiones
(GRP)
.112
0
.969
.025
.969
.006
.006
.006
.006
37
r
k j
ik
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
Divisin 2
Divisin 3
Adm.
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 nosotros hemos esperado mucho tiempo en lneas o colas. En este capitulo
disearemos modelos matemticos de colas de espera. En la seccin 2.3 comenzaremos
describiendo parte de la terminologa que se usa con frecuencia para describir las
colas.
En la Seccin 2.2 veremos algunas distribuciones (exponencial y de
Erlang) que se necesitan para describir los modelos de colas. En la Seccin 2.3
introduciremos la idea de un proceso de nacimiento y muerte
bsico para muchos
modelos de colas donde interviene la distribucin exponencial. En el resto del
captulo examinaremos algunos modelos de sistemas de colas que se pueden usar para
responder preguntas como las siguientes:
1. Que fraccin del tiempo est ocioso cada servidor?
2. Cul es el nmero esperado de clientes presentes en la cola?
3. Cul es el tiempo esperado que un cliente pasa en la cola?
4. Cul es la distribucin de probabilidad del nmero de clientes presentes en
una cola?
5. Cul es la distribucin de probabilidad del tiempo de espera de un cliente?
6. Si un gerente de banco desea asegurar que slo el 17% de los clientes tenga que
esperar ms de 5 minutos su turno cuntas ventanillas debe emplear?
CASO
Banco
PROCESO DE ENTRADA
Los clientes llegan
banco
PROCESO DE SALIDA
al Los cajeros despachan
los clientes
Pizzera
Se
reciben
pizzas
de La
pizzera
manda
una
motocicleta para entregar
pizzas
Banco
de
sangre
hospital
Astillero naval
pedidos
EL PROCESO DE LLEGADA
El proceso de entrada se conoce, por lo general, por proceso de llegada. La
llegada son los clientes. En todos los modelos que estudiamos, suponemos que solo
40
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
42
como horas de alto trnsito, con frecuencia la hiptesis de tiempos estables entre
llegadas no es real, pero con frecuencia podemos aproximar el caso real
descomponiendo las horas del da en segmentos. Por ejemplo, si estuviramos
modelando el flujo de trnsito, podramos descomponer el da hasta en tres
segmentos: uno de transito elevado por la maana, un segmento de medio da y uno
de prisas por la tarde. Durante cada uno de esos segmentos los tiempos entre
llegadas pueden ser estables.
Figura 1 Definicin de tiempos entre llegadas
Definimos
(2)
= a (t )dt
0
la Fig. 2
De acuerdo con el hecho que var A = E(A2) - E(A)2, podemos demostrar que
(4) var A =
( 1 )2
43
P ( A > t + h / A t ) = P ( A > h)
Demostracin:
(6)
P ( A > h) = a (t )dt = e
h
dt = e
Luego
P( A > t + h / A t ) =
P ( A > t + h A t ) P ( A > t + h)
=
utilizando (6) =
P( A t )
P( A t )
(t + h )
=e
= P ( A > h)
Se puede demostrar que no hay otra funcin de densidad que satisfaga la Ecuacin
(5). Por razones que se hacen evidentes, se dice que una densidad que satisfaga la
Ecuacin (5) tiene la propiedad de amnesia, o de no memoria. Suponga que sabemos
que no ha habido llegadas durante las ltimas t horas, que equivale a que nos
digan que A t y que nos pregunten cul es la probabilidad que no haya llegadas
durante las siguientes h horas, es decir, A > t + h. Entonces, la Ecuacin (5)
quiere decir que esta probabilidad no depende del valor de t, y que para
todos los valores de t esta probabilidad es igual a P(A > h). En resumen, si
conocemos que han pasado al menos t unidades de tiempo desde la ltima llegada,
entonces la distribucin del tiempo que queda hasta la siguiente llegada, h, no
depende de t. Por ejemplo. Si h = 4, entonces la Ecuacin (5) produce, para t = 5
, t = 3,t = 2 y t = 0,
44
. Esto
significa
(7)
P(N = n) =
(n = 0.1.2....)
n!
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
t
n
e ( t )
P(Nt = n) =
n!
(n = 0.1.2....)
45
o(t )
=0
t 0 t
lim
Esto es,
a(t} =
46
1. El nmero de cervezas pedido entre las 10 p.m. y las 12 de la noche sigue una
distribucin de Poisson con parmetro 2(30) = 60. De la Ecuacin (7), la
probabilidad de que se pidan 60 cervezas entre las 10 p.m. y la medianoche es
60
60 60
60!
2. = 30 cervezas por hora; t = 4 horas. Entonces, el nmero promedio de cervezas
pedidas entre las 9 p.m. y la 1 am
es 4(30) = 120 cervezas. La desviacin
estndar del nmero de cervezas pedido entre las 9 p.m. y la 1 a.m. es (120)1/2 =
10.95.
3. Sen X el tiempo en minutos entre pedidos sucesivos de cerveza. El tiempo
promedio de pedidos por minuto es exponencial con parmetro, o razn, 30/60 = .5
cervezas por minuto. Entonces la funcin de densidad de probabilidad del tiempo
ente pedidos de cerveza es .5
3
.5 t
P (1 X 3) = a(t )dt = .5 e
1
.5t
. Entonces
.5
1.5
dt = e e
= .38
DISTRIBUCIN DE ERLANG
Si los tiempos entre llegadas parecen no
frecuencia con una distribucin de Erlang.
variable aleatoria continua, T, cuya funcin
por dos parmetros: un parmetro de rapidez R
ser entero positivo). Dados valores de R y
siguiente funcin de densidad de probabilidad:
Rt
(8)
f (t ) =
R ( Rt ) k 1 e
(k 1)!
(t 0)
47
aleatoria con variancia cero (es decir, tiempo constante entre llegadas). As, al
variar k podemos aproximarnos a distribuciones tanto asimtricas como simtricas.
Figura 3.
= ts (t )dt
0
La variable
tendr como unidades horas por cliente; por lo tanto, tiene como
unidades clientes por hora. Por esta razn se le llama a la rapidez de servicio.
Por ejemplo,
= 5 quiere decir que si siempre hubiera clientes, quien atiende
48
s (t ) = e
s (t ) = e
Suponga que los tres servidores estn ocupados y que hay un cliente
esperando (Fig. 4). Cual es la probabilidad que el cliente que espera sea el
ltimo de los cuatro clientes en terminar sus tramites? En la Fig. 4 est claro
que suceder lo siguiente: uno de los clientes 1 a 3, por ejemplo el cliente 3,
ser el primero en terminar sus trmites. El cliente 4 llegar a la ventanilla.
Segn la propiedad de amnesia, el tiempo de servicio del cliente 4 tiene la misma
distribucin que los tiempos de servicio de los clientes 1 y 2 restantes. As, por
simetra, los clientes 4, 1 y 2 tendrn la misma probabilidad de ser el ltimo en
salir. Esto significa que el cliente 4 tiene una probabilidad 1/3
de ser el
ltimo en salir. Si no hubiera propiedad de amnesia este problema sera difcil de
resolver, porque sera muy difcil determinar la distribucin de probabilidades
del tiempo restante de servicio pralos clientes 1 y 2, despus de haber salido el
cliente 3.
49
. Modelar
En algunos casos, los tiempos entre llegadas o los de servicio se pueden modelar
como si tuvieran variancia cero; en estos casos, se considera que los tiempos
entre llegadas o de servicio son deterministas. Por ejemplo, si los tiempos entre
llegadas son deterministas, entonces cada tiempo entre llegadas ser exactamente 1
y si los tiempos de servicio son deterministas, el tiempo de servicio de cada
cliente ser exactamente 1
NOTACIN DE KENDALL-LEE PARA SISTEMAS DE COLAS
Hemos elaborado la terminologa suficiente para describir en forma normal muchos
sistemas de colas. La notacin que describimos en esta seccin se usa para
representar un sistema de colas en el que las llegadas esperan en una sola cola
hasta que uno de los s servidores idnticos en paralelo queda libre. Entonces el
primer cliente de la cola entra al servicio y as sucesivamente (vase Fig. 6).
Si, por ejemplo, el cliente en la ventanilla 3 es el prximo en completar el
servicio, entonces, suponiendo disciplina FIFO (primero en llegar, primero en ser
servido), el primero en la cola pasara a la ventanilla 3. El siguiente cliente en
la cola entrara a una ventanilla despus de completar el siguiente servicio, y
as sucesivamente.
Sistema de colas nica con servidores en paralelo
50
siguiente
1/2/3/4/5/6
La primera caracterstica especifica la naturaleza del proceso de llegada. Se usan
las siguientes abreviaturas normales:
M = Los tiempos entre llegadas son independientes, distribuidos idnticamente
(iid), y las variables aleatorias tienen distribucin exponencial
D = Los tiempos entre llegadas son iid y deterministas.
Ek = Los tiempos entre llegadas son iid con distribucin de Erlang con parmetro de
forma k.
GI = Los tiempos entre llegadas son iid y estn gobernados por alguna distribucin
general.
La segunda caracterstica especifica la naturaleza de los tiempos de servicio:
M = Los tiempos de servicio son iid y tienen distribucin exponencial.
D = Los tiempos de servicio son iid y deterministas.
Ek = Los tiempos de servicio son iid y con distribucin de Erlang con parmetro de
forma k.
G := Los tiempos de servicio son iid y siguen alguna distribucin general.
La tercera caracterstica es el numero de servidores
caracterstica describe la disciplina de la cola:
FIFO
LIFO
SEOA
DG
=
=
=
=
en
paralelo.
La
cuarta
51
Regresando al caso en el que los tiempos entre llegadas son exponenciales con
promedio de 60 minutos, el tamao promedio de un tiempo representativo entre
llegadas es de 120 minutos. Entonces, el tiempo promedio que debemos esperar un
autobs es ( )(120) = 60 minutos. Ntese que si los autobuses llegaran siempre a
intervalos de 60 minutos, entonces el tiempo promedio que una persona debera
esperar sera ( )(60) = 30 minutos. En general, se puede demostrar que si A es
la variable aleatoria del tiempo entre autobuses, entonces el tiempo promedio para
la llegada del siguiente autobs (segn lo ve un cliente cuya llegada tiene
igual probabilidad de entrar en cualquier momento) est dado por
1
2
Para
el
( E ( A) +
ejemplo
de
var A
)
E ( A)
los
autobuses,
1
60
entonces
las
Ecuaciones
(3)
(4)
60 minutos
52
PROBLEMAS
1. Supnganlos que llego a un sistema de cola M/M/7/FIFO/8/ cuando todas las
ventanillas estn ocupadas. Cul es la probabilidad do que termine mi trmite
antes de por lo menos uno de los 7 clientes a los que estn atendiendo?
2. El tiempo entre autobuses sigue la funcin de masa que se ve en la Tabla 2.
Cul es el lapso promedio que debe uno esperar un autobs?
3. Hay cuatro grupos de tercer ao en una escuela primaria. El nmero de alumnos
en cada grupo es el siguiente: grupo 1, 20 alumnos; grupo 2, 25 alumnos; grupo 3,
35 alumnos; grupo 4, 40 alumnos. Cul es el tamao promedio de un grupo de tercer
ao? Suponga que el inspector escoge al azar cualquier alumno de
tercer ao de esa escuela. En promedio, cuntos estudiantes habr en esa clase?
4. El tiempo entre llegadas de autobuses sigue una distribucin exponencial con
promedio de 60 minutos.
Tabla 2
Tiempo entre autobuses
30 minutos
1 hora
2 horas
Probabilidad
1/4
1/4
1/2
para
53
j,
estado j.
Para los sistemas de cola que analizaremos, se puede imaginar que
es la
54
Las leyes 1 a 3 se pueden usar para demostrar que la probabilidad que se tenga mas
o( t ), Ntese
de un evento (nacimiento o muerte) entre los tiempos t y t + t
que todo proceso de nacimiento y muerte queda completamente especificado si se
saben las tasas de natalidad j, y tas lasas de mortalidad j,. Como no se
puede tener un estado negativo, todo proceso de nacimiento y muerte debe cumplir
con 0 = O.
RELACIN ENTRE LA DISTRIBUCIN EXPONENCIAL CON LOS PROCESOS DE NACIMIENTO Y MUERTE
La mayor parte de loa sistemas de cola con tiempos exponenciales entre llegadas y
tiempos exponenciales de servicio pueden modelarse como procesos de nacimiento y
muerte. Para ilustrar porque es as, veamos un sistema M/M/l/FIFO/// de colas,
en el que los Tiempos entre llegadas son exponenciales con parmetro y los
tiempos de servicio se distribuyen en forma exponencial con parmetro . Si el
estado (nmero de personas presentes cuando el tiempo es t) en el tiempo t es j,
entonces la propiedad de amnesia de la distribucin exponencial quiere decir que
la probabilidad de un nacimiento durante el intervalo de tiempo [t,t+ t ]no
depender de cunto tiempo ha estado el sistema en el estado j. Esto quiere decir
que la probabilidad que haya un nacimiento durante [[t,t+ t ]no depender de cunto
tiempo haya estado el sistema en el estado j y, por lo tanto, se puede determinar
como si acabara de ocurrir una llegada en el tiempo t. Entonces, la probabilidad
que se tenga un nacimiento durante [t,t + t ] es
t
dt = 1 e
= 1 t + o(t )
Esto quiere decir que la probabilidad que suceda un nacimiento durante [[t,t+ t ]
Por lo anterior podemos concluir que la lasa de natalidad en el
es t + o( t ) .
estado j simplemente es la tasa de llegadas .
Para determinar la lasa de mortalidad cuando el tiempo es t, observe que si el
estado es cero cuando el tiempo es t, entonces no hay nadie en la ventanilla y,
por lo tanto, no se puede completar un servicio entre t y t+ t . Asi, 0 = 0. S
el estado es j 1 cuando el tiempo es t, entonces sabemos (slo hay un servidor)
que hay exactamente un cliente en la ventanilla. La propiedad de amnesia de la
distribucin exponencial significa entonces que la probabilidad de que un cliente
termine sus trmites entre t y t+ t . est expresada por
t
dt = 1 e
= t + o(t )
As,
t =
55
(j = 0,1.2....)
Figura 9 Diagrama de
rapidez para un
56
continuacin
mostramos
se
pueden
calcular
las
j,
para
un
proceso
Pij (t ) +
(10) Pij(t + t ) = t ( j 1 Pij 1 (t ) + j +1 Pij +1 (t ) j Pij (t ) j Pij (t ))
j 1
j+1
Pij+ 1 (t )( j+ 1t + o(t )) = II
Cualquier otro
o(t ) = IV
Figura 10
Probabilidad de que el estado sea j - 1 cuando el tiempo es t, y que
Sea j cuando el tiempo sea t + t. Esta probabilidad Pij 1 (t )( j 1 (t )t + o( t ))
57
Como el termino subrayado se puede escribir como o( t), podemos volver escribir
la Ecuacin (10) como sigue:
(10)
Pi 0/ (t ) = 0 Pi0 (t ) + 1 Pi1 (t )
Es un sistema infinito de ecuaciones diferenciales. (Una ecuacin diferencial
simplemente es una ecuacin en la que aparece una derivada. En teora, Pij(t) se
puede despejar de estas ecuaciones. Sin embargo, este sistema de ecuaciones es en
realidad extremadamente difcil de resolver. Sin embargo, no todo est perdido.
Podemos usar la Ecuacin(10') para obtener las probabilidades j, de estado estable
(j = 0,1,2, . . .). Como en el caso de las cadenas de Markov, definimos la
probabilidad estado estable, j como
lim P (t )
t
ij
en
el
estado
estable
se
cumplir
que
Pij 1 (t ) = j 1 ,
Pij/ (t ) =0.
Pij +1 (t ) = j +1 .
(10")
0 = j 1
j 1
j 1
j 1
+ j +1 j +1 j j j j
+ j +1 j +1 = j ( j + j )
Para j = O se obtiene
1 1 = 0 0
Las Ecuacin (10") son un sistema infinito de ecuaciones lineales del cual se
pueden despejar con facilidad las j. Antes de explicar cmo se resuelven las
Ecuaciones (10"), presentaremos una deduccin intuitiva de dichas ecuaciones,
basada en la siguiente observacin: En cualquier tiempo que observemos un proceso
de nacimiento y muerte, debe cumplirse que para cada estado j, el numero de veces
que hemos entrado al estado j difiere cuando mucho 1 del nmero de veces que
liemos dejado el estado j.
Suponga que cuando el tiempo es t hemos entrado tres veces al estado 6. Entonces
debe haber sucedido uno de los casos de la Tabla 4. Por ejemplo, si sucede el Caso
2, iniciamos en el estado 6 y terminamos en otro estado que no sea 6. Como hemos
observado tres transiciones de entrada al estado 6 cuando el tiempo es t, deben
haber sucedido los eventos siguientes (entre otros):
58
Iniciar en estado 6
Dejar el estado 6 (primera vez)
Entrar al estado 6 (primera vez)
Dejar al estado 6 (segunda vc7)
Entrar al estado 6 (segunda vez)
Dejar el estado 6 (tercera vez)
Entrar al estado 6 (tercera vez)
Dejar el estado 6 (cuarta vez)
Tabla 4
Relacin entre el nmero de transiciones entre el nmero de entrada y salidas de
un estado en el tiempo 6
ESTADO INICIAL
ESTADO EN EL TIEMPO t
Caso 1: estado 6
Caso 2: estado 6
Estado 6
Cualquier estado menos el
6
Estado 6
NMERO DE TANSACIONES DE
SALIDA DEL ESTADO 6 CUANDO
EL TEIMPO ES T
3
4
2
3
j ( j + j )
Unidad de tiempo
Como para j 1
(13)
j 1 j 1 + j +1 j +1
Unidad de tiempo
59
j 1 j 1 + j +1 j +1 = j ( j + j )
Para j = O se obtiene
(14)
1 1 = 0 0
Las Ecuaciones (14) y (14') se llaman ecuaciones de balance de flujo, o ecuaciones
de conservacin de flujo para un proceso de nacimiento y muerte. Observe que la
ecuacin (14) expresa el hecho de que en el estado estable, la rapidez a la que se
tienen transiciones de entrada a cualquier estado i debe ser igual a la rapidez a
la que tienen transiciones de salida del estado i. Si no se cumpliera la Ec. (14)
para todos los estados, entonces la probabilidad se acumulara en algn estado, y
no existira un estado estable.
Planteando las ecuaciones para (14) y (14') obtenemos las ecuaciones de balance de
flujo para un proceso de nacimiento y muerte:
( j = 2)
0 0 = 1 1
0 0 + 2 2 = 1 ( 1 + 1 )
1 1 + 3 3 = 2 ( 2 + 2 )
M
j sima
j 1
( j = 0)
( j = 1)
(15)
j 1
+ j +1 j +1 = j ( j + j )
1 =
0 0
1
0 0 + 2 2 = ( 1 + 1 )
2 =
j= 1, se obtiene
0 0
0 1 0
1 2
0 1 L j 1
1 2 L j
60
(17)
j =0
de
=1
(18)
0 (1 + c j ) = 1
j =1
Si
c
j =1
(19)
0 =
1+ c j
j =1
Se
c
j =1
distribucin de estado
PROBLEMAS
1. En mi casa hay dos focos. En promedio, un foco dura 22 das (duracin
distribuida en forma exponencial). Cuando hay que cambiar un foco, me tardo, con
distribucin exponencial, 2 das en cambiarlo.
a) Formule un modelo de nacimiento y muerte de tres estados para este caso.
b) Determine la fraccin del tiempo en que ambos focos estn trabajando.
c) Determine la traccin del tiempo en la que no hay foco que funcione.
61
j = ( j = 0,1,2,L)
0 = 0
j = ( j = 1,2,L)
(20)
j,
las probabilidades
2
0 , 2 = 2 0 , L, j = j 0
Definimos a = . Por razones que despus se vern, llamaremos a intensidad de trafico del
(21)
1 =
Entonces S - S = 1 y
(23)
S =
1
1
Sustituyendo la Ecuacin
(24)
0 = (1 ) (0 < 1)
= (1 ) j
(0 < 1)
62
distribucin de
vemos que si
(esto es, la
j =0
j =0
j =0
L = j j = j j (1 ) = (1 ) j j
Definiendo a
S / = j j = + 2 2 + 3 3 + L S / = 2 + 2 3 + 3 4 + L
j =0
Note que
S / S / = + 2 + 3 + 4 + L =
S/ =
(1 ) 2
Luego
L = (1 ) S / =
(26)
(1 )
DEDUCCIN DE Lq
En algunos casos nos interesa
el nmero esperado de personas en la cola.
Representamos por Lq, este nmero. Observe que si hay O o 1 cliente en el sistema,
entonces no hay nadie en la cola, pero si hay j personas, donde j 1, entonces
habr j-1 esperando en la cola. Entonces, si estamos en el estado estable
j =1
j =1
j =1
Lq = ( j 1) j = j j j = L (1 0 ) = L
(1 )
escribimos
(27)
2
=
Lq =
(1 )
(1 )
63
DEDUCCIN DE Ls
Tambin Ls es de inters es el nmero esperado de clientes en las ventanillas. Para
un sistema de colas M/M/1/DG//.
Ls = 0 0 + 1 j = 1 0 =1 (1 ) =
j =1
Lq =
(1 )
2
(1 )
nmero
numero
nmero
nmero
tiempo
tiempo
tiempo
promedio
promedio
promedio
promedio
promedio
promedio
promedio
de llegadas
de clientes
de clientes
de clientes
que pasa un
que pasa un
que pasa un
En estas definiciones, lodos los promedios son para estado estable. Para la mayor
parte de los sistemas colas, la formula de Litlle se puede resumir en el Teorema
3.
TEOREMA 3
Para cualquier sistemas de colas en que exista una distribucin de
estado estable, se cumplen las siguientes ecuaciones:
(28)
(29)
L = W
Lq = W q
(30)
Ls = W s
Observe primero que ambos miembros de dicha ecuacin tienen las mismas unidades
(suponemos que la unidad de tiempo es la hora). Esto se debe a que L est
expresada en trminos de nmero de clientes, . en trminos de clientes por hora y
W en horas. As, W tiene las mismas unidades que L, clientes.
64
(31)
(1 )
(1 )
2
, luego obtenemos que
(1 )
Lq
2
2
Wq =
=
= 2
=
(1 ) (1 ) ( )
Ntese que, W y Wq, se hacen muy grandes cuando se acerca a 1. Para cercano a
cero, Wq tiende a cero, pero para pequeo, W tiende a el tiempo promedio de
servicio,
Los tres ejemplos
deducido.
siguientes
muestran
aplicaciones
de
las
formulas
que
hemos
EJEMPLO 2.
A un cajero bancario o automtico slo llega un promedio de 10 vehculos por hora.
Suponga que los tiempos promedio de servicio para cada cliente es 4 minutos, y que
los tiempos entre llegadas y
los de servicio son exponenciales Conteste las
siguientes preguntas
1. Cul es la probabilidad de que el cajero automtico se encuentre vaco?
2. Cul es el nmero promedio de automviles que esperan en la cola su turno?
Se considera que un vehculo qu4e est ocupando el cajero automtico, no est en
la cola esperando.
3. Cul es el tiempo promedio que un cliente pasa en el estacionamiento del
banco, incluyendo el tiempo en el servicio?
|
4. En promedio, cuntos clientes por hora sern atendidos por el cajero
automtico
Solucin
Suponemos que nos ocupa un sistema de colas M/M/1/DG//. para el cual = 10
automviles por hora y = 15 automviles por hora. Entonces = 2/3
1. Segn la Ec, (24),
0 = 1- = 1- 2/3= 1/3. Entonces el cajero automtico se
encontrar sin clientes un prom3edio de la tercera parte del tiempo.
2. Queremos conocer Lq, segn la ecuacin (27),
2
2
4
Lq =
=
= 3 2 =
(1 )
(1 ) (1 3 ) 3
2
3. Buscamos saber W.
(26),
L=
(1 )
clientes
= 2 clientes
65
la Ecuacin (28) W =
y = 15
= 1 y de
2
= 0.13 h. Por lo tanto en este caso todo esta bajo
15
control y son
improbables las largas colas.
2. Ahora tenemos un sistema M/M/1/DG// con = = 2(7.5) = 15 vehculos/h. Esto
es consecuencia de que cada automvil llenar con el doble de frecuencia. Ahora
= 60/(1/3) = 18 vehculos /h y = 15/18 = 5/6.
automviles y W =
Entonces
L =
5
6
1 56
= 5
5
= 1/3 horas = 20 minutos
15
L para un
sistema
M/M/1/DG//
0.30
0.40
0.50
0.60
0.70
0.43
0.67
1.00
1.50
2.33
66
4.00
9.00
19.00
99.00
costo de servicio
hora
clientes esperados
hora
En nuestro problema,
l0 dlares
mecnico - hora
Asi,
Costo esperado de demora
cliente
= 10W
67
= 10W
(31), W =
1
1
= . Como al despachador le
12 10 2
= 10 10 =
6 dlares
50 dlares
= 10 1/5 10 =
1
1
=
hora y
15 10 5
20 dlares
PROBLEMAS
l. En una aerolnea se debe revisar cada pasajero, as como su equipaje, para ver
si trae armas.
Suponga que el aeropuerto Gotham Sity llega un pormdedio de 10
pasajeros/min. Los tiempos entre llegadas
son exponenciales. Para revisar a los
pasajeros, el aeropuerto debe tener una estacin que consiste en un detector de
metales y una mquina de rayos X para el equipaje. Cuando esta trabajando la
estacin se necesitan dos empleados. Una estacin puede revisar un promedio de 12
pasajeros /min. El tiempo para revisar un pasajero es exponencial.
Con la
hiptesis que el aeropuerto slo tiene una esta estacin de verificacin.
(a) Cul es la probabilidad de que un pasajero tenga que esperar para ser
revisado?
(b) En promedio. cuantos pasajeros esperan en la cola para entrar en la estacin?
(c) En promedio cuanto tiempo pasa el pasajero en la estacin de verificacin?
2. El Departamento de Ciencias de la Decisin trata de determinar si renta una
copiadora lenta o una rpida. El departamento cree que el tiempo de un empleado
vale 15 dlares/h. El arrendamiento de la copiadora lenta cuesta 4 dlares/ h y
un empleado tarda un promedio de 10 minutos en terminar sus copias, distribuido
exponencialmente. La copiadora rpida cuesta 14 dlares/ h en arrendamiento y un
empleado tarda un promedio de 6 minutos en termina r sus copias. Un promedio de 4
empleados/h son los que necesitan usar la copiadora. Los tiempos entre llegada
son exponenciales. Qu mquina debe rentar el Departamento?
68
si se
R=
60
1+
( )
Cm
Cs
(d) Suponga que cm = 78 centavos de dlar y que cs = 2.75 dlares. Widgetco tiene
200 mquinas y un trabajador puede restablecer una cualquiera de ellas en un
promedio de 7.8 segundos. Cmo puede Widgetco minimizar costos?
(e) En los incisos (a) a (d),hemos supuesto tcitamente que en cualquier momento,
la rapidez con que se descomponen las mquinas asignadas a un trabajador no
depende del nmero de las mquinas que trabajan bien y que estn asignadas a el.
Parece razonable esta hiptesis?
6. Se tiene un aeropuerto donde los taxis y los clientes llegan con frecuencias
respectivas de 1 y 2 por minuto. Los tiempos entre llegadas son exponenciales.
Independientemente de cuntos otros taxis haya un taxi debe esperar. Si un cliente
que llega no encuentra un taxi, se va de inmediato.
(a) Modele este sistema como proceso de nacimiento y muerte. Sugerencia: determine
cul es el estado del sistema en cualquier momento determinado y haga un
diagrama de frecuencias,
(b) Determine el nmero promedio de taxis libres que esperan un cliente.
(c) Suponga que todos los clientes que usan taxi pagan 2 dlares por viaje como
tarifa.
Durante una hora normal, cuntos ingresos recibirn los taxis?
69
7. Un banco Iran de escoger entre dos mquinas cul debe remar para comprobar
cheques. La mquina 1 se alquila a 10000 dlares por ao y procesa 1000 revisiones
por hora. La tarifa de la mquina 2 es 15000 dlares por ao y procesa 1600
revisiones por hora.
Suponga que las mquinas trabajan 8 horas diarias, 5 das por semana y 50 semanas
por ao. El banco debe procesar un promedio de 800 cheques por hora y el cheque
procesado, en promedio es por 100 dlares. Suponga una tasa de inters anual de
20%. Luego calcule lo que cuesta al banco, en intereses perdidos, cada hora que
tarda un cheque en esperar y procesarse.
Si se supone que los tiempos entre llegadas y los de servicio son exponenciales,
cul maquina se debe rentar?
8.- La planta de neumticos debe producir un pedido de 100 neumticos por da. La
fabrica produce neumticos
en lotes de tamao x. El gerente de planta debe
determinar el tamao de lote x que minimice el tiempo que pasa un lote en la
planta. Desde que llega
un lote de neumticos, la fbrica larda un promedio de
1/20 de da en preparar la produccin. Una vez que el equipo est preparado, se
toma un promedio de 1/150 de da producir cada neumtico. Suponga que el tiempo
de produccin de un lote de neumticos tiene distribucin exponencial y que el
tiempo para que "llegue" un lote de neumticos tambin tiene distribucin
exponencial. Calcule el tamao de lote que minimice el tiempo esperado que pasa un
lote en la fbrica, desde que llega un lote hasta que se termina la produccin del
lote.
Figura 11
Diagrama de rapidez a partir sistema M/M/1/DG/c/
70
j = ( j = 0,1,2,L, c 1)
0 = 0
j = ( j = 1,2,L, c)
(35)
las ecuacin
0 =
(34)
. Luego aplicamos
1
,
1 c
j = j 0
j =0
j = 1,L, c
j = c + 1,L
c
j
j =1
si
(35)
Si
[1 (c + 1) c + c c +1 ]
,
L=
(1 )(1 c +1 )
=,
j,
del sistema
j =
(36)
L=
= las
M/M/1/DG/c/
1
,
c +1
j = 1,2, L, c
c
2
Como
el
caso
del
sistema
M/M/1/DG//
Ls = 0 0 + 1 j = 1 0 .
Como
antes,
j =1
71
W =
(37)
L
(1 c )
Wq =
Lq
(1 c )
.Esto se debe a
que aun cuando , la capacidad finita del sistema evita que "explote" el
nmero de gentes en la cola.
Ejemplo 5.
En una peluquera hay un peluquero y un total de 10 asientos. Los tiempos de
llegada tienen distribucin exponenciales, y llega un promedio de 20 clientes
posibles por hora. Los que llegan cuando la peluquera est llena no entran. El
peluquero larda un promedio de 12 minutos en atender a cada cliente. Los tiempos
de corte de pelo tienen distribucin exponencial.
1. En promedio, cuntos corles de pelo por hora har el peluquero?
2. En promedio, cunto tiempo pasar un cliente en la peluquera cuando entra?
Solucin
1. una fraccin
10
lo tanto, entrar a ella un promedio de (1- 10 ) por hora. Todos los clientes que
desean que se les corle el cabello, y por lo tanto, el peluquero har un promedio
de (1- 10 ) cortes por hora. En nuestro problema, c = 10, =20 clientes por hora y
= 5 clientes /h. Entonces = 20/5 = 4 y la Ecuacin (34) da como resultado
1 4
1 411
1 4
= 410 (
) = .75
1 411
0 =
10
As, los cortes de pelo son en promedio 20(1 ) =5/h. Esto significa que un
promedio de 20 - 5 = 15 clientes posibles no entran cada hora.
2. Para calcular W usaremos las Ecuacin (35) y (37). De la Ecuacin (35),
L=
Entonces, la Ecuacin
W =
4 1 (10 + 1)410 + 10 11
= 9.67clientes
(1 4 )(1 411 )
(37) da como resultado
9.67
= 1.93horas
20(1 34 )
72
aconsejar
al
peluquero
que
PROBLEMAS
1. Una instalacin de servicio consiste de una persona que puede atender un
promedio de 2 clientes/h. Los tiempos de servicio son exponenciales. Llega un
promedio de 3 clientes por hora, y se supone que los tiempos entre llegadas son
exponenciales. La capacidad del sistema es de 3 clientes.
a) En promedio, cuntos clientes potenciales entran al sistema cada hora?
b) Cul es la probabilidad de que quien atiende este ocupado?
2. Hay un promedio de 40 automviles por hora, con tiempos exponenciales entre
llegadas, que desean que se les atienda en la ventanilla de "servicio en su auto"
del Hot Dog King Restaurant. Si hay una cola de ms de 4 coches, incluyendo el de
la ventanilla, el coche que llegue se va. En promedio toman cuatro minutos en
servir a un automvil.
a) Cual es el numero promedio de automviles esperando en la cola, sin incluir al
que est frente a la ventanilla?
b) En promedio, a cuantos automviles se atiende en cada hora?
c) Acabo de formarme en la cola. En promedio, cuanto tiempo pasar para que
reciba mis alimentos?
3. Hay dos peluqueras con un peluquero cada una, y los establecimientos estn en
la misma calle. Cada peluquera puede tener un mximo de 4 personas, y todo
cliente potencial que encuentre que est llena no esperar. El peluquero 1 cobra
11 dlares por corte y se tarda un promedio de 12 minutos para atender a un
cliente. El peluquero 2 cobra 5 dlares por corte y se tarda un promedio de 6
minutos para terminar un corte. A cada peluquera llega un promedio de 10 clientes
posibles por hora. Naturalmente, un cliente posible se transforma en un cliente
real slo si encuentra que la peluquera no est llena. Si se supone que los
tiempos entre llegadas son exponenciales, as como los tiempos de corte de pelo,
cul peluquero gana ms?
73
+ + L = j
Siempre que haya j clientes, estarn ocupadas min(j,s) ventanillas. As,
j =
min(j,s).
En resumen, vemos que el sistema M/M/s/DG// se puede modelar como
un proceso de nacimiento y muerte (vase Fig. 12) con parmetros
j = ( j = 0,1,2,L)
(38)
j = j ( j = 0,1,2,L, s)
j = s ( j = s + 1, s + 2,L)
Finura 12
Diagrama de rapidez para un sistema de colas M/M/s/DG//
.
s
Para < al
(39)
(39.1)
(39.2)
0 =
1
( s )
( s ) s
+
j!
s!(1 )
j =0
s 1
( s ) j
j =
0
j!
j =
( s ) j
0
s! s j s
j = 1,2, L , s
j = s, s + 1,L
74
P( j s) =
(40)
( s ) s
0
s!(1 )
P( j s)
(1 )
0.10
0.20
0.30
0.40
0.50
0.55
0.60
0.65
0.70
0.75
0.80
0.85
0.90
0.95
s =2
0.02
0.07
0.14
0.23
0.33
0.39
0.45
0.51
0.57
0.64
0.71
0.78
0.85
0.92
s=3
0.02
0.07
0.14
0.24
0.29
0.35
0.42
0.51
0.57
0.65
0.73
0.83
0.91
s=4
0.04
0.09
0.17
0.23
0.29
0.35
0.43
0.51
0.60
0.69
0.79
0.89
s=5
0.02
0.06
0.13
0.18
0.24
0.30
0.38
0.46
0.55
0.65
0.76
0.88
s=6
0.04
0.10
0.14
0.20
0.26
0.34
0.42
0.52
0.62
0.74
0.87
s=7
0.03
0.08
0.11
0.17
0.21
0.30
0.39
0.49
0.60
0.72
0.85
(42)
Wq =
Lq
P( j s)
s
la
Entonces
75
(43)
L =
Lq +
Tambin,
W =
(44)
Lq
= Wq +
P( j s) 1
+
s
Solucin
1. Tenemos un sistema M/M/2/DG//. con = 80 clientes/h
As,
y = 50 clientes/h.
80
= .80 < 1 y, por lo tanto, existe el estado estable. Si 100, no
2 * 50
Lq =
.80(.71)
= 2.84clientes
1 .80
2.
Como W=
3. Para calcular la fraccin del tiempo que determinado cajero est desocupado,
ntese que esta desocupado durante lodo el tiempo que j = O, y la mitad del
tiempo, por simetra, que j = 1. La probabilidad que una ventanilla est ociosa
est dada por 0 + 12 1 ,, Aplicando el hecho de que P(j 2) = .71, obtenemos, con
la Ecuacin 40,
76
P( j s) =
( s ) s
2!(1 0.80)
s!(1 )
= .71
= .11
0 0 = P( j s)
s
s!(1 )
( s )
1.6 2
y segn la Ecuacin
( s ) 1
1.6
1 =
0 =
.11 = .176
1!
1!
As, la probabilidad de que una ventanilla este vaca es
= .198. Podramos haber calculado
comprobacin se deja como ejercicio.
01 directamente
0 + 12 1
con
la
= .11 + 0.5(.176)
Ecuacin
(39)
su
EJEMPLO 7
El gerente de un banco debe determinar cuntos cajeros deben trabajar los viernes.
Por cada minuto que un cliente espera en la cola, el gerente supone que se incurre
en un costo de 5 centavos de dlar. Al banco llegan un promedio de 2 clientes por
minuto. En promedio, un cajero se tarda 2 minutos en tramitar la transaccin de
un cliente. Al banco le cuesta 9 dlares por hora la contratacin de un cajero.
Los tiempos entre llegadas y los tiempos de servicio son exponenciales. Para
reducir al mnimo la suma de los costos de servicio y los de demora, cuntos
cajeros deben trabajar el banco los viernes?
Solucin
Como = 2 clientes por minuto y = 0.5 clientes por minuto, ^ < 1 necesita que 4
.015 s dlares
Pero
Costo esperado de demora
Cliente
= .05 dlares Wq
77
2
= .80 P(j 5) = .55. Segn la Ecuacin (42),
.5(5)
Ya que s = 5
y para s = 5,
Costo total esperado/ min = .15*5+.11=.86 dlares
Como s=6 tiene un costo de servicio de 6(0.15) = 0.90 dlares por minuto, 6
cajeros no pueden tener un costo total ms bajo que 5 cajeros. Por lo tanto, lo
ptimo es tener 5 cajeros de servicio. Visto de otro modo, si se aade un cajero
ms, el banco se puede ahorrar cuando ms 0.11 dlares por minuto en tiempos de
demora. Como un cajero ms le cuesta al banco 0.15 dlares por minuto, no puede
ser ptima la contratacin de mas de 5 cajeros.
Adems del tiempo esperado de un cliente en el sistema, es de inters la
distribucin del tiempo de espera de un cliente. Por ejemplo, si lodos los
clientes que tienen que esperar ms de 5 minutos en una caja de supermercado
deciden cambiar a otra tienda, la probabilidad que un cliente dado cambie a otro
almacenes igual a P(W > 5). Para calcular esta probabilidad necesitamos conocer la
distribucin del tiempo de espera de un cliente. Para un sistema de colas
M/M/s/FIFO//. (primero en llegar primero en ser servido), se puede demostrar que
(45) P (W > t ) = e
[ t ( s 1 sp ) ]
e
(si s-1=s P (W > t ) = e t (1 + P( j s ) t )
1 + P ( j s )
s 1 sp
[ s (1 ) t ]
Para dar un ejemplo del uso de las Ecuaciones. (45) y (46), suponga que en el
ejemplo 7, para s = 5, el gerente del banco desea conocer la probabilidad de que
el cliente tenga que esperar en la cola durante ms de 10 minutos. Para s = 5,
= .80, P(j 5) = .55 y = .5 clientes por minuto, la Ecuacin (46) da como
resultado
[5*.5(1.8)10 ]
= .004
Por lo tanto, el gerente del banco puede estar seguro que la probabilidad de que
un cliente espere mas de 10 minutos es muy baja.
78
PROBLEMAS
1. Un supermercado trata de decidir cuntas cajas deben estar funcionando. Suponga
que cada hora llega un promedio de 18 clientes, y el tiempo promedio de atencin a
un cliente es 4 minutos. Los tiempos entre llegadas y los tiempos de servicio son
exponenciales, y el sistema se puede modelar como uno M/M/s/DG//. El
funcionamiento de una caja cuesta 20 dolares/h, y se carga un costo de 15 centavos
de dlar por cada minuto que el cliente pasa en la zona de cajas.
Cuantas cajas debe abrir el supermercado?
2. Un banco pequeo trata de determinar cuntos cajeros debe emplear. El costo
total de emplear un cajero es, 100 dlares diarios y un cajero puede atender a un
promedio de 60 clientes por da. Al banco llega un promedio de 50 clientes por da
y de servicio y los tiempos entre llegadas son exponenciales.
Si el costo de
demora por cliente da es 100 dlares, cuntos cajeros debe contratar el banco?
3. En este problema,
exponenciales,
todos
los
tiempos
entre
llegadas
de
servicio
son
79
Sistema 2 Todos los clientes esperan en una cola nica a que se desocupe un
cajero.
Si el lector fuera el gerente del banco, qu sistema escogera?
7. Un taller de silenciadores tiene tres mecnicos. Cada mecnico larda 45 minutos
en instalar un silenciador nuevo. Suponga que llega un promedio de 1 cliente por
hora. Cul es el nmero esperado de mecnicos que estn desocupados en cualquier
momento dado? Conteste esta pregunta sin suponer que los tiempos de
servicio y los tiempos entre llegada sean exponenciales.
8. Se tienen los dos sistemas siguientes de colas:
Sistema 1 Sistema M/M/1 con frecuencia de llegada y rapidez de servicio 3
Sistema 2 Sistema M/M/3 con frecuencia de llegada y cada servidor trabaja a una
velocidad .
Sin hacer muchos clculos, cul sistema tendr las menores W y L? (Sugerencia:
Escribir los parmetros de nacimiento y muerte para cada sistema.) A continuacin
determine cul sistema es el ms eficaz.
80
LLEGADA
TIEMPO EN EL SERVICIO
(TIEMPO EN EL SISTEMA)
empresa entra a Tiempo
hasta
que
la
industria
empresa
sale
de
la
industria
estudiante entra Tiempo que el estudiante
programa
permanece en el programa
Industria
La
la
Programa escolar
El
al
ESTADO
DEL
SISTEMA
Nmero
de
empresas en la
industria
Nmero
de
estudiantes
en
el programa
1. Los tiempos de llegadas son iid con distribucin comn A. Se define E(A)=
al
esperado
que
Entonces, la Ecuacin
(47)
L =
un
cliente
pasa
en
el
sistema.
Por
definicin,
j,
de
81
. Esto
implica que
j =
j!
Sabemos que
= 3 neveras por ao y
25 =
(30)25 e30
25!
Si
los
tiempos
entre
llegadas
de
= 3(10) = 30
neveras
son
= .05
PROBLEMAS
1. Cada semana, el Columbus Record Club atrae a 100 miembros nuevos. Los miembros
permanecen en el club un promedio de 1 ao (52 semanas). En promedio, cuntos
miembros tiene el club?
2. El programa de doctorado de la universidad del estado admite un promedio de 25
estudiantes de doctorado cada ao. Si un estudiante de doctorado pasa un promedio
de 4 aos de residencia en la universidad, cuantos estudiantes de doctorados cabe
esperar encontrar en ella?
3. En la actualidad hay 40 empresas de construccin especializadas en energa
solar en el estado de Indiana. Cada ao se abren un promedio de 20 constructoras
especializadas en dicho estado, y una empresa promedio permanece en funciones
durante 10 aos. Si la tendencia actual contina, cul es el nmero esperado de
constructoras especializadas en energa solar que habr en Indiana? Si el tiempo
entre inauguraciones de constructoras se distribuye en forma exponencial, cul es
la probabilidad de que, en el estado estable, haya ms de 300 constructoras
especializadas en el negocio? (Sugerencia: Para grande, la distribucin de
Poisson es aproximadamente una distribucin normal.)
82
Tambin, definimos a
=E(S) y a al
2=
var S.
En la notacin de Kendall, a este sistema de colas se le reprsenla con
M/G/1/DG//. Un sistema de stos no es un proceso de nacimiento y muerte, porque
la probabilidad de que la terminacin de un servicio suceda entre t y t + t
cuando el estado del sistema es j al tiempo t, depende del tiempo transcurrido
desde la terminacin del ltimo servicio, porque tos tiempos de servicio ya no
tienen la propiedad de amnesia. As, no podemos formular la probabilidad de una
terminacin de servicio entre t y t + t en la forma t ; por ello no es adecuado
el modelo de nacimiento y muerte.
El clculo de las probabilidades de estado estable para un sistema M/G/1/DG// de
colas es asunto difcil. Como ya no valen las ecuaciones de estado estable para
nacimiento y muerte, se debe aplicar un mtodo distinto. Se usa la teora de las
cadenas de Markov para determinar a
/j
j clientes en el
un servicio (vase
/j = j
donde
j,
es
la fraccin del tiempo despus de que el sistema haya funcionado largo tiempo y
que haya j clientes presentes.
Por fortuna, podemos calcular Lq, L, Ls, Wq, W y Ws usando los resultados de
Pollaczek y Khinchin. Ellos demostraron que para el sistema de colas M/G/1/DG//,
Lq =
(48)
donde
2 2 + 2
2(1 )
.Como
Ws=
= .Como
L = Ls +
Lq se llega a
(49) L = Lq +
Lq
(50)
Wq =
(51)
W = Wq +
83
0 ,
Para ilustrar el. uso de las Ecuaciones (48) a (51), veamos un sistema
M/M/1/DG// con = 5 clientes/h y = 8 clientes/h. Segn el estudio del modelo
M/G/1/DG//, sabemos que
5
= clientes
3
5 8 25
Lq = L = =
clientes
3 5 24
L 1
W = = horas
3
Lq
5
=
Wq =
horas
24
L=
De las Ecuaciones (3) y (4), sabemos que E(S) = 1/8 horas y que var S = 1/64
horas2. Entonces la Ecuaciones (48) da como resultado
2 2 + 2 5 2 641 + ( 85 ) 2 25
=
=
clientes
Lq =
2(1 )
2(1 85 )
24
L = Lq + =
Lq
25 5 5
+ = clientes
24 8 3
5
horas
24
L
1
W =
= horas
3
Wq =
E(S) =
( 85 ) 2
25
=
clientes
Lq =
5
2(1 8 ) 48
Wq =
Lq
5
horas
48
84
En este sistema M/D/l/DG//, un cliente normal slo estar la mitad del tiempo en
la cola en comparacin con un sistema M/M/l/DG//, con rapideces idnticas de
servicio y de llegada. Como muestra este
ejemplo, aun que no se disminuyan los
tiempos promedios de servicio, una disminucin de la variabilidad de estos puede
reducir mucho el tamao de la cola y el tiempo de trnsito del cliente.
PROBLEMAS
1. A la ventanilla de un restaurante de servicio en su automvil llega un promedio
de 10 automviles por hora. Si el tiempo de servicio de cada automvil es de 2
min, cuntos coches, en promedio, estarn esperando en la cola? Suponga tiempos
exponenciales entre llegadas.
2. De acuerdo con el
colas M/D/l/DG//,
hecho de que
de
L s=
=.
(c) Explique porqu para i > 0, Pii 1 =(probabilidad de que no haya llegadas durante
un tiempo de servicio); Pii =(probabilidad de que haya una llegada durante un tiempo
de servicio) y para j i ; Pij = (probabilidad de que j - i + 1 llegadas entren
durante un tiempo de servicio).
(d) Explique porque, para j i-1 y para i > 0.
Pij =
s ( x) e
(x) j i +1 dx
( j i + 1)!
(x) j i +1
( j i + 1)!
85
FINITA:
EL
MODELO
DE
A excepcin del modelo M/M/1/DG/c/, todos los modelos que hemos estudiado han
tenido frecuencias de llegada independientes de estado del sistema. Como se dijo
antes, hay dos donde quiz no sea vlida la hiptesis de independencia de estado.
1. Si los clientes no desean formarse en colas largas, la frecuencia de llegadas
puede ser una funcin decreciente del numero de personas presentes en el sistema
de colas. Vanse los Prob. 4 y 5 al final de esta seccin, donde se trata este
caso.
2. Si las llegadas a un sistema se forman de una poblacin pequea, la frecuencia
de llegadas puede depender mucho del estado del sistema. Por ejemplo, si un banco
slo tiene 10 cuentahabientes, entonces en un momento en que 10 estn en el banco,
la frecuencia de llegada debe ser cero, mientras que si hay menos de 10 personas
en el banco, la frecuencia de llegadas puede ser positiva.
Los modelos en los que las llegadas se loman de una poblacin pequea se llaman
modelos de origen finito. Ahora analizamos un modelo importante de origen finito
que se conoce como el de la reparacin de mquinas, o de interferencia de
mquinas.
En el problema de reparacin de maquinas, el sistema consta de K mquinas
y R
tcnicos. En cualquier momento, una mquina determinada est en buen estado o en
mal estado. El intervalo durante el cual una mquina permanece a buen estado sigue
una distribucin exponencial con rapidez .
Siempre que se descompone una
mquina, se manda a un tcnico de reparacin que tiene R tcnicos. El centro de
reparacin da servicio a las maquinas descompuestas como si llegaran conforme un
sistema M/M/R/DG//,
As, si hay J R mquinas en mal estado, una mquina que apenas se acaba de
descomponer ser enviada de inmediato para que la reparen; si j > R mquinas estn
descompuestas, j - R mquinas estarn esperando en una cola para que un tcnico se
desocupe. Se supone que el tiempo que se necesita para completar la compostura de
una mquina es exponencial con rapidez , o sea, que el tiempo promedio de
reparacin es
86
j = 14
+2
+3
= ( K j )
L4
K j
veces
Tabla 8
R=2
ESTADO
0
1
2
3
4
5
NMERO DE TCNICOS
OCUPADOS
0
1
2
2
2
2
Figura 13
Diagrama de rapidez para un sistema de colas M/M/R/DG/K/K,. cuando R = 2 y K = 5
j = j ( j = 0,1,L, R)
Si
j = R ( j = R + 1,L, K )
definimos que =
aplicando
las
Ecuaciones
(16)
(18)
se
obtiene
la
87
K j
0 ( j = 0,1, L , R)
j
(52) j = K
j
j! 0
j
R! R j R
Para usar la Ecuacin
=
=
=
=
nmero
nmero
tiempo
tiempo
esperado
esperado
promedio
promedio
de mquinas descompuestas
de mquinas que esperan servicio
que una mquina est descompuesta
que una mquina espera servicio
(53)
L=
j
j =1
(54)
Lq=
( j R)
j=R
Podemos emplear ahora las Ecuaciones (28) y (29) para calcular W y Wq. Como la
frecuencia de llegadas depende del estado, el nmero promedio de llegadas por
unidad de tiempo est dado por . donde
(55)
j =0
j =0
j j = ( K j ) j = ( K L)
Si se aplica la Ecuacin (28) a las mquinas que se reparan y a las que esperan
su turno, obtenemos
(56)
W =
Aplicando la Ecuacin (29) a las mquinas que esperan campos fuera, obtenemos
(57)
Wq =
Lq
88
1
10
de la ecuacin (52)
5 1
1 = 0 = .5 0
1 10
5 1
2 = 0 = .1 0
2 10
2
5 1
3 = 3! 0 /(2!*2) = .015 0
3 10
(58)
5 1
4 = 4! 0 /(2!*2 2 ) = .0015 0
4 10
4
5 1
5 = 5! 0 /(2!*2 3 ) = .000075 0
5 10
5
Entonces
1 =
.310,
= .062,
= .619. Entonces,
= .009,
= .001, y
= 0.
buen estado es K
- L, y es
K L = 5 -
j
j =1
= 5-
2. Buscamos W= =
Segn la
j j = (5 j ) j =
j =0
Ecuacin (55),
j =0
1
30
89
La
fraccin de tiempo
+ 1 =.619+.5(.310)=.774.
que
esta
desocupado
determinado
mecnico
es
1
2
0 + ( RR1) 1 + ( RR 2 ) 2 + L + R1 R 1
PROBLEMAS
1. Una lavandera tiene 5 lavadoras. Una mquina normal se descompone una vez cada
5 das. Un tcnico puede reparar una mquina en un promedio de 2.5 das. En la
actualidad, hay tres tcnicos en servicio. El dueo de la lavandera tiene la
opcin de cambiarlos por un supertcnico que puede reparar una mquina en un
promedio de 5/6
de da. El sueldo del supertcnico es igual al de los tres
tcnicos juntos. Los tiempos entre descomposturas y los de servicio son
exponenciales Debe cambiar la lavandera los tres tcnicos por el supertcnico?
2. Mi perra acaba de tener tres cachorros. Los perritos son vivarachos y entran y
salen brincando de su caja. Un cachorrito pasa un promedio de 10 min, distribuidos
exponencialmente, en la caja y salta hacia afuera. Una vez fuera, pasa un promedio
de 15 min, distribuidos exponencialmente, para saltar y entrar de nuevo.
(a) En un momento dado, cul es la probabilidad de que haya ms cachorritos fuera
de la caja que dentro de ella?
(b) En promedio, cuantos cachorritos habr dentro de la caja?
90
5. Suponga que los tiempos entre llegadas a un sistema con ventanilla nica son
exponenciales, pero que cuando hay n clientes, hay una probabilidad de n /n+1 de
que una llegada sea denegada y deje el sistema antes de entrar al servicio.
Tambin suponga tiempos de servicio exponenciales.
(a) Determine la distribucin de probabilidad del nmero de personas que hay en el
estado estable.
(b) Calcule el nmero esperado de personas que hay en el estado estable. (Su
gerencia: puede ayudar el hecho de que
= 1+ x +
x2 x3
+
+L
2! 3!
6. Bectol, Inc. construye una presa. Se necesita un total de 10000 pies3 de tierra
para formar la cortina. Para extraer esa tierra se usa una pala mecnica. A
continuacin, la tierra se transporta mediante camiones de volteo al lugar de la
cortina. Tan slo se cuenta con una pala mecnica, y su renta es 100 dlares/h.
Bectol puede rentar, a 40 dlares/h, tantos camiones de volteo como desee. Cada
camin puede manejar 1 000 pies de tierra. Para cargarlo, la pala mecnica tarda
un promedio de 12 min para ir a la presa y regresar a la pala mecnica, el camin
de volteo tarda un promedio de 5 minutos. Plantee las hiptesis adecuadas acerca
de exponencialidad y determine cmo puede Bectol minimizar el cosi total esperado
del movimiento de la tierra que se necesita para formar la cortina. (Sugerencia:
En algn lado debe haber un problema de reparacin de mquinas!).
91
Figura 14
Colas exponenciales en serie
TEOREMA 4
Si (1) los tiempos de llegada a un sistema de colas en serie son
exponenciales con rapidez , (3) los tiempos de servicio para cada tramite en la
etapa i son exponenciales, y (3) toda etapa tiene sala de espera de capacidad
infinita, entonces los tiempos entre llegada para alcanzar cada etapa del sistema
de colas son exponenciales con rapidez .
Para que este resultado sea vlido, cada etapa debe tener capacidad suficiente
para dar servicio a una corriente de llegadas que entre con rapidez ; si no es
as, el sistema "explotara" en la etapa que tuviera capacidad insuficiente. De
acuerdo con el anlisis del sistema M/M/s/DG// de la Seccin
2.6, vemos que
cada etapa tendr capacidad suficiente para manejar una corriente de llegadas de
rapidez o frecuencia si y slo si <sjj cuando j = 1, 2, , . . , k. Si <sjj
el resultado de Jackson quiere decir que la etapa j del sistema de la Fig. 14 se
puede analizar como un sistema M/M/s/DG//
con tiempos exponenciales entre
llegadas que tienen la rapidez y tiempos exponenciales de servicio con un
promedio
Jackson.
EJEMPLO 10 Las dos ltimas cosas que se hacen en un automvil para completar su
ensamble son instalar el motor y poner los neumticos. Llega un promedio de 54
automviles/h que necesitan de esas dos tareas. Un trabajador instala el motor y
puede atender un promedio de 60 automviles/h. Despus de instalar el motor, el
automvil pasa a la estacin de los neumticos y espera para que le pongan los
neumticos. En esa estacin trabajan tres personas. Cada una trabaja en un
automvil a la vez y puede colocar neumticos en un automvil a un promedio de 3
minutos por cada auto. Los tiempos entre llegadas y los de servicio son ambos
exponenciales.
1. Calcule la longitud promedio de la cola en cada estacin de trabajo.
2. Determine el tiempo total esperado que pasa un automvil esperando su
turno.
92
Solucin
Se trata de un sistema de cola en serie con = 54 automvles/h, s1 =
1,1 = 60 automviles/h, s2 = 3 y 2 = 20 automviles/h (vase Fig. 15). Como < 1
y < 32 ninguna de las colas "explotar", y se puede aplicar el Teorema de
Jackson. Para la etapa 1 (motor), = 54/60 = .90. Entonces, la Ecuacin (27) da
como resultado
Lq (para el motor) =
2
.9 2
=
= 8.1
1 1 .9
automviles
Figura 15
Sistema de colas en serie para el ejemplo de la
fbrica de automviles
Wq (para el motor) =
Lq
8.1
= .15 horas
54
Lq(para neumticos) =
.83 * .90
= 7.47 automviles.
1 .90
Entonces
Wq (para neumticos )
Lq
7.47
= .138 horas.
54
As, el tiempo total esperado para que a un automvil le instalen su motor y sus
neumticos es 0.15 + 0.138 = 0.288 horas,
REDES ABIERTAS DE COLAS
A continuacin describiremos las redes abiertas de colas, que son una
generalizacin de colas en serie- Como en la Fig. 14, suponemos que la estacin y
consiste en sj servidores exponenciales, cada uno trabajando a una velocidad j. Se
supone que los clientes llegan a la estacin y procedentes del exterior del
93
sistema con una frecuencia o rpido rj. Se supone que estos tiempos entre llegadas
estn distribuidos exponencialmente. Una vez terminado el servicio en la estacin
i, un cliente se forma en la cola de la estacin j con probabilidad Pij; y termina
sus trmites, o servicio, con probabilidad
k
1 Pij
j =1
j = r j + Pij i
i =1
( j = 1,.L, k )
94
.7
14
en el servidor 1 y L = 4
=
(1 ) 1 .7 6
14 19
en el servidor 2, As, habr en el sistema un promedio de 4 +
clientes.
=
6
3
W =
19
3
25
19
horas
75
PROBLEMAS
1. Una sucursal del Seguro Social estudia las dos alternativas siguientes para
procesar las solicitudes de tarjeta de seguridad:
Opcin 1 Tres empleados procesan las solicitudes en paralelo que les llegan de una
cola nica. Cada empleado llena el machote para la solicitud en presencia del
solicitante. El tiempo de proceso es exponencial con un promedio de 15 minutos.
Los tiempos entre llegadas son exponenciales.
Opcin 2 Cada solictame llena primero un machote de solicitud sin el auxilio del
empleado. El tiempo para llenarlo est distribuido en forma exponencial con un
promedio de 65 minutos. Cuando el solicitante ha llenado su forma, se forma en una
cola nica para esperar a que uno de los tres oficinistas le revise el machote. Un
oficinista gasta un promedio de 4 minutos, distribuidos exponencialmente, en
revisar la solicitud.
El tiempo entre llegadas de los solicitantes es exponencial. y llega un promedio
de 4,8 solicitantes/h. Que opcin har que salgan los solicitantes ms
rpidamente de la oficina?
2. Se tiene una lnea de ensamble de automotores en la que a cada unidad se le
hacen dos tipos de servicios:
pintura y, despus instalacin del motor. Cada
hora, pasa un promedio de 22.4 chasises sin pintar a la lnea. En promedio, se
necesitan 2.4 min para pintar un automvil y un promedio de 3.75 min para instalar
el motor. La lnea de ensamble tiene un pintor y dos obreros que instalan el
motor. Suponga que los tiempos entre llegadas y los tiempos de servicio son
exponenciales.
(a) En promedio, cuntos automviles ya pintados sin motor instalado estarn en
la lnea?
(b) En promedio, cunto tiempo esperar un automvil pintado para que se inicie
la instalacin de su motor?
3. Se tienen los dos sistemas de colas siguientes:
Sistema 1 Llega un promedio de 40 clientes cada hora los tiempos entre llegadas
son exponenciales. Los clientes deben terminar dos tipos de trmites para poder
95
dejar el
sistema. El primer servidor tarda un promedio de 30 segundos,
distribuidos exponencialmente, para efectuar el servicio del tipo 1. Despus de
esperar en una cola, cada cliente obtiene un servicio tipo 2, distribuido
exponencialmente y con promedio de 1 minuto, con un solo servidor. Despus de
completar su tramite tipo 2, el cliente deja el sistema.
Sistema 2 El proceso de llegada al sistema 2 es idntico al del sistema 1. En el
sistema 2, un cliente debe terminar solo un tipo de trmite. El tiempo de servicio
es 1.5 min en promedio y est distribuido exponencialmente. Hay dos servidores.
En cul sistema un cliente representativo pasa menos tiempo?
4. Llegan un promedio de 120 estudiantes cada hora a la oficina de inscripciones
de un colegio; los tiempos entre llegadas son exponenciales; para terminar su
inscripcin, una persona debe pasar por tres ventanillas. Cada ventanilla tiene un
solo servidor. Los tiempos de servicio en cada ventanilla son exponenciales y sus
duraciones promedio son 20 segundos en la ventanilla 1, 15 segundos en la
ventanilla 2 y 12 segundos en la ventanilla 3. En promedio, cuntos estudiantes
habr en laoficina de inscripciones para tramitar sus cursos?
5. A un taller llega un promedio de 10 trabajos/h. Los tiempos entre llegadas de
los trabajos estn distribuidos exponencialmente. Para hacer un trabajo se
necesita
un
promedio
de
10/3
minutos,
exponencialmente
distribuidos.
Desafortunadamente, 1/3 de los trabajos terminados se deben volver a procesar.
As, con probabilidad 1/3 un trabajo terminado debe esperar en una cola para que
se vuelva a procesar. En el estado estable, cuntos trabajos puede uno esperar
encontrar en el taller? Cul sera la respuesta si se necesitara un promedio de 5
min para terminar un trabajo?
6. Se tiene un sistema de colas que consiste en tres estaciones en serie. Cada
estacin tiene un servidor nico, que puede procesar un promedio de 20 trabajos/h.
Los tiempos de proceso en cada estacin son exponenciales. Llega un promedio de
diez trabajos por hora a la estacin 1. Los tiempos entre llegadas son
exponenciales. Cuando un trabajo termina su servicio en la estacin 2. hay una
probabilidad de .1 de que regrese a la estacin 1 y una probabilidad .9 de que
contine a la estacin 3. Cuando un trabajo termina su servicio en la estacin 3,
existen .20 de posibilidades que regrese a la estacin 2 y .8O posibilidades de
que deje el sistema. Todos los trabajos que terminan su servicio en la estacin 1
pasan de inmediato a la estacin 2.
(a) Calcule la fraccin del tiempo que cada servidor est ocupado.
(h) Determine el nmero esperado de trbalos en el sistema.
(c) Estime el tiempo promedio que pasa un trabajo en el sistema.
96
promedio de servicio y
la
sea el tiempo
L = Ls =
(1 s )
Figura 16.
M/G/s/DG/s/,
depende de la distribucin
s .
s ,
97
1
de hora. As, = 20/3 = 6.67. buscamos el
3
98
99
i =1
i =
i
i
, a0 = 0 y ak =
i =1
. Supondremos que
<1
Entonces
Wqk =
(60)
k =1
E ( S k2 ) / 2
(1 a k 1 )(1 a k )
Lqk = k Wqk
Wk = Wqk +
Lk = k Wk
El ejemplo siguiente muestra el uso de las Ec. (60)
E(S1) = 2 min
E( S1 ) = 6 min2
E(S2) = 4 min
E{ S 2 ) = 18 min2
= 1/600 horas2
= 1/200 horas2
100
copiado.
Solucin
Sabemos que 1 = 12 trabajos/h,
trabajos/h. Entonces
= 6 trabajos/h,
= 30 trabajos/h y
2 =
15
1 = 12
30 = .4
2 = 156 = .4
y como 1 + 2 < 1 existir un estado estable. Ahora bien, a 0 = 0, a1 = .4, a 2 = .8 Las
Ecuaciones en (60) nos dan
12 * (1 / 600) / 2 + 6 * (1 / 200) / 2
= .042horas
(1 0)(1 .4)
12 * (1 / 600) / 2 + 6 * (1 / 200) / 2
= .208horas
Wq1 =
(1 .4)(1 .8)
1
= .042 + .033 = .075horas
W1 = Wq1 +
Wq1 =
W2 = Wq 2 +
el cual se
k en el
por unidad de
de clientes?
c1 1 c 2 2 L c n n
101
1 2 L n
o bien
i .
(62)
P( j s)
s (1 a k 1 )(1 a k )
Wqk =
En esta ecuacin,
k
ak =
i =1
i
(k 1)
s
1 + 2 + L + n
s
102
= 10 llamadas/h,
= (10+20)/(7.5*5)=.80 , a 0 = 0, a1 =
10
37.5
= 20 llamadas/h,
= .267, a 2 =
10 + 20
37.5
= 7.5 llamadas/h,
.55
= .10horas = 6 min
5 * 7.5 * (1 .267)(1 .80)
Wq 2 =
6+3=9 minutos.
PRIORIDAD ADQUIRIDA
Terminaremos el estudio de los sistemas de colas con prioridad describiendo un
sistema de colas prioritarios. En este sistema puede hacerse a un lado a un
cliente de menor prioridad, por ejemplo el cliente tipo i, siempre que llegue un
cliente de mayor prioridad. Una vez que no haya clientes de mayor prioridad el
cliente tipo i que se hizo a un lado vuelve a entrar al servicio. En un modelo
recuperable el servicio al cliente contina a partir del punto en el que se
interrumpi. En un modelo de repeticin el cliente inicia el servicio de nuevo
cada vez que vuelve a entrar al sistema Naturalmente, que si los tiempos de
servicio tienen distribucin exponencial, las disciplinas recuperable y de
repeticin
son
idnticas
(por
qu?).
En
la
notacin
de
Kendall-Lee
representaremos un sistema de colas prioritario poniendo PRP (de Preemptive
Priority}. Veremos ahora un sistema Mi/M/1/PRP//
en el que el tiempo de
servicio para cada cliente es exponencial con promedio
(63)
Wk =
(1 a k 1 )(1 a k )
en la cual a 0 = O
k
ak =
i =1
Por rabones obvias, las disciplinas de prioridad raramente se usan s tos clientes
son personas. Sin embargo, se usan a veces para "clientes" como trabajos
computadora. El ejemplo siguiente ilustra la Ecuacin (63).
EJEMPLO 18
En el centro de cmputo de la universidad, los trabajos de los profesores (tipo 1)
tienen prioridad ante los trabajos de los alumnos (tipo 2). El tiempo de
procedimiento de los trabajos de ambos tipos sigue una distribucin exponencial
con 30 segundos de promedio. Cada hora entran 10 trabajos de maestros y 50 de
103
a1 = 121
a0 = O
La Ecuacin
Wk =
2 =
5/6
1
2
1
2
(1 )(1 )
1
12
a 2 = 121 + 125 =
1
2
12
min
11
PROBLEMAS
1. El profesor de ingls, Jacob Bright, tiene una mecangrafa que trabaja 8 horas
diarias. El profesor le pide tres tipos de trabajos: pruebas, trabajos de
investigacin y material de clase. Se dispone de la informacin de la Tabla 11. El
profesor Bright dijo a la mecangrafa que las pruebas tienen prioridad sobre los
trabajos de investigacin, y que stos tienen prioridad sobre el material de
clase. Si se supone un sistema no prioritario, calcule el tiempo esperado que el
profesor tendr que esperar para que se termine cada tipo de trabajo.
2. Suponga que un supermercado utiliza un sistema en el que lodos los clientes
hacen una cola para esperar al primer cajero disponible. Suponga tambin que el
tiempo de servicio para un cliente que compra k artculos se distribuye en forma
exponencial con un promedio de k segundos. Asimismo, un cliente que compra k
Tabla 11
TIPO DR TRABAJO
Pruebas
Trabajos de investigacin
Material de clase
FRECUENCIA
(Trabajos por
da)
2
.5
5
E(Si) horas
1
4
.5
E(Si2) horas2
2
20
0.50
104
tipos de trabajos. El
tipo
tienen
prioridad
sobre
los
tipo
2,
se
permiten
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
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.
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)
1
2
3
4
Tabla 2
Distribucin de tiempos de servicio
TIEMPO DE SERVICIO
(Minutos)
1
2
3
PROBABILIDAD
.20
.30
.35
.15
PROBABILIDAD
.35
.40
.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
Llegada
Desocupado
El cliente es atendido
Estado
del
Empleado
Ocupado
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 ,
Salida
Si
Poner en Vaco el
Estado del sistema
Hay Cola?
No
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
TEIMPO ENTRE
LLEGADAS IT
2
2
3
4
2
1
3
3
TIEMPO DE
SERVICIO ST
3
3
2
1
1
2
1
2
-
114
Figura 4 Diagrama de flujo para el modelo de simulacin de un sistema de cola de espera con un solo
empleado
Inicializar las Variables de estado
2
Procesar una llegada
Es AT<DT
11
Hacer TM=AT
Hacer TM=DT
4
Ventanilla
Ocupada
Empleado
Desocupado
4. Es SS=0
WL=0
WL > 0
Es WL>0
13
15
Actualizar WL = WL +1
Hacer SS =1
Hacer SS =0
Actualizar WL = WL -1
14
7
Generar ST
16
DT=9999
Generar ST
17
8
Hacer DT =TM +ST
9
Generar IT
Continuar
10
Hacer AT = TM + IT
Continuar
18
NO
Es
TM MX?
SI
19
Imprimir Resultados
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
Lista de Eventos
AT
DT
0
9999
2
3
4
3
4
6
7
6
7
8
11
8
11
9
11
9999
13
12
13
9999
14
15
17
15
17
16
17
9999
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
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.
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
0 x 1
1
f ( x) =
0 en cualquier otrocaso
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 x1, x2, x3,... entre cero y m - 1 de
acuerdo con la siguiente frmula recursiva:
xi+1 = (a xi + c) mdulo m (i == 0,1,2,...)
Al valor inicial de x0 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
xi+1 es igual al residuo de la divisin de(a xi + c) entre m. El nmero aleatorio entre 0 y 1 se genera
entonces con la ecuacin Ri = xi / m
Por ejemplo, si x0 = 35, a = 13, c = 65 y m = 100, el algoritmo acta como sigue:
Iteracin 0 Se hace que x0 = 35, a = 13, c = 65 y m = 100.
Iteracin 1 Se calcula
x1 = (13 x0 + 65) mdulo 100 = 20
Da como resultado
R1 = 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 x0, 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 x0, 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
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
F ( x) =
f (t )dt
122
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
x
F ( x) = f (t )dt =
0
x2
4
x<0
0
x 2
F ( x) = 0 x 2
4
x>2
0
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=
x2
x = 2 r
4
Como los tiempos de servicio slo se definen para valores positivos de x, no es posible un valor x = 2 r.
Esto nos deja con x = 2 r 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 = 2 .64 = 1.6.
123
Figura 7
Funcin de distribucin de probabilidad en rampa
f(x)
1.2
1
0.8
0.6
0.4
0.2
0
0
0.5
1.5
124
F(X)
0.3
0.25
0.2
0.15
0.1
0.05
0
0
0.2
0.4
0.6
0.8
f ( x) = e
0 otro caso
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
x
1
0 x, > 0
F ( x) = e
0 otro caso
= r 1 r = e
x=
ln 1 r
pero como r es un nmero aleatorio entre cero y uno, tambin lo es 1-r, por lo que da lo mismo
1
indicar que x = ln r .
125
a xb
f ( x) = b a
0 otro caso
la funcin de distribucin acumuladada en este caso esta dada por
x<a
0
x a
a xb
f ( x) = b a
x>b
1
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
r=
xa
x = (b a)r + a
ba
x
f ( x ) = 12 ( 2 ) 3 < x 6
3
0 en otro caso
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
0.6
0.5
0.4
0.3
0.2
0.1
0
0
1
( x 2) 2 2 x 3
4
1 x>6
x = 2+2 r
127
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 a x b , el algoritmo
consiste en los pasos siguientes:
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: r1, r2
c. CalcuIar x* = a + b{b - a)r1. 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 r2 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.
128
una con promedio y variancia finita 2 tiene una distribucin casi normal con promedio n y
varianza n2. Si aplicamos ahora esto a variables aleatorias, U(0,l), R1, R2,..., Rn con media =0.5 y 2 =
1/12, entonces
n
Z=
R
i =1
.5 n
(12n )1 / 2
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
12
Z = Ri 6
i =1
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), r1 y r2, para despus transformarlos en dos valores aleatorios normales,
cada uno con media 0 y variancia 1, por medio de las transformaciones directas
Z 1 = (2 ln r1 )1 / 2 sin 2r2
Z 2 = (2 ln r1 )1 / 2 cos 2r2
esto se puede verificar si se toma la siguiente transformacin
( z12 + z xx ) / 2
r1 = e
r2 =
Y el jacobiano
1
tan 1
2
( )
z1
z2
(r1 , r2 ) 1
=
( z1 , z 2 ) 2
z12 / 2
1
2
z 22 / 2
129
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).
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 TE, 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, Xj es el estimador de la medida de desempeo de la j-sima rplica. Entonces,
dadas las condiciones de las rplica (o simulaciones), la sucesin X1,..., Xn 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:
X (n) t ( / 2,n 1)
S 2 ( n)
n
131
con
n
X ( n) =
i =1
n
S ( n) =
2
Xi
n
( X i X ( n ) )2
i =1
t ( / 2,n 1) es
student.
n 1
P(Y > t ( / 2,n 1) ) =
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
MES
1
2
3
4
5
6
7
8
9
10
11
12
VENTAS
DE TV
30
3
30
39
33
33
34
38
36
39
30
36
VENTAS
DECD
40
47
50
49
56
53
55
63
68
65
72
69
VENTAS
DEAA
13
7
23
32
58
60
90
93
63
39
37
29
MES
13
14
15
16
17
18
19
20
21
22
23
24
VENTAS
DE TV
38
30
35
30
34
40
36
32
40
36
40
34
VENTAS
DE CD
79
82
80
85
94
89
96
100
100
105
108
110
VENTAS
DE AA
36
21
47
81
112
139
230
201
122
84
74
62
Sean x1,x2...,xn valores observados de una serie temporal, donde xt 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 ft,k como el pronstico para el periodo t + 1 que se hace despus de
observar xt. Para el mtodo de la media variable,
ft,k = media de las n observaciones ltimas
= media de xt-1,xt-2...,xt-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:
f3,1= (30+32+30)/3
Tabla 2 Predicciones de la media variable (N = 3) para 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)
xt = b + t
Figura 1 Ventas de TV
VENTAS DE TV
41
39
37
35
33
31
29
27
23
21
19
17
15
13
11
25
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
11
13 15
17 19
21 23
21
115
105
95
85
75
65
55
45
35
25
17
VENTAS DE
23
19
15
13
11
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 A0. En general, hacemos
que A0 sea el valor observado del periodo inmediatamente anterior al periodo 1. Como en los
pronsticos de media variable, sea ft,k el pronstico para xt+k que se hizo al final del periodo t. Entonces
At = ft,k (3)
Si se supone que tratamos de predecir un periodo ms adelante, el error de prediccin de xt
representado de nuevo por et, est dado por
et = | xt - (pronstico de xt)| = | xt - At |
(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 A0 = 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
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:
At 1 = xt 1 + (1 ) At 2
(5)
(6)
Observe que
At 2 = xt 2 + (1 ) At 3
(7)
At = xt + (1 ) At 1 = xt + (1 )xt 1 + (1 ) 2 xt 2 + (1 ) At 3
(8)
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 xt = mt + t, y mt = mt-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 mt 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.
(9)
Tt = ( Lt Lt 1 ) + (1 )Tt 1
(10)
(11)
Para empezar con el mtodo de Holt, necesitamos una estimacin inicial, L0 de la base y la otra
estimacin, T0, de la tendencia. Haramos a T0 al aumento promedio mensual en la serie temporal
durante el ao anterior, y que L0 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,
139
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.
VENTAS
REALES
1
2
3
4
5
6
40
47
50
49
56
53
Lt
34.00
37.71
42.47
46.85
49.70
53.78
55.80
Tt
PREDICCIN
2.73
2.83
3.02
3.15
3.12
3.22
3.10
36.73
40.53
45.49
50.00
52.82
57.00
ERROR
3.27
6.47
4.51
1.00
3.18
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 xt = a + bt + t , siendo a = nivel base al iniciar el periodo 1, b = tendencia por
periodo y t el trmino de error para el periodo t.
140
Lt =
xt
+ (1 )( Lt 1 + Tt 1 )
st c
(12)
Tt = ( Lt Lt 1 ) + (1 )Tt 1
(13)
xt
+ (1 ) st c
Lt
(14)
st =
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 st-c del mes t.
y
2.
xt
que es una estimacin de la variacin estacional, calculada para el mes actual. '
Lt
(15)
Ao -2
4
3
10
14
25
26
38
40
28
17
16
13
234
19.5
Ao -1
9
6
18
27
48
50
75
77
52
33
31
24
450
37.5
s -2
0.2051
0.1538
0.5128
0.7179
1.2821
1.3333
1.9487
2.0513
1.4359
0.8718
0.8205
0.6667
s-1
0.2400
0.1600
0.4800
0.7200
1.2800
1.3333
2.0000
2.0533
1.3867
0.8800
0.8267
0.6400
s
0.222564
0.156923
0.496410
0.718974
1.281026
1.333333
1.974359
2.052308
1.411282
0.875897
0.823590
0.653333
En la siguiente tabla se muestra los resultados de la aplicacin del mtodo de Winter, para = 0.5,
=0.4 y =0.6
143
Ventas
13
7
23
32
58
60
90
93
63
39
37
29
Lt
Tt
45.75
52.8301
50.5850
49.1294
46.9299
45.7299
44.9010
44.7986
44.7698
44.5271
44.3711
44.5238
44.4117
1.5
3.7320
1.3412
0.2225
(0.7463)
(0.9278)
(0.8882)
(0.5739)
(0.3559)
(0.3106)
(0.2487)
(0.0882)
(0.0977)
st
0.2367
0.1458
0.4795
0.6967
1.2734
1.3351
1.9951
2.0673
1.4134
0.8777
0.8280
0.6531
f t-1,1
10.5162
8.8759
25.7767
35.4827
59.1623
59.7361
86.8971
90.7628
62.6806
38.7291
36.3387
29.0313
Error
2.4838
1.8759
2.7767
3.4827
1.1623
0.2639
3.1029
2.2372
0.3194
0.2709
0.6613
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
250
200
150
Ventas
pronostico
100
50
25
23
21
19
17
15
13
11
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
se = 1.25 DAM
Si se supone que los errores se distribuyen normalmente, sabemos que un 68% de las predicciones
debe quedar dentro de se del valor real, y que aproximadamente el 95% de las predicciones deben estar
a menor distancia que 2se del valor real. As, para las ventas de acondicionadores de aire, vemos que se
= 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
Variable independiente
Precio del producto
Tasa de inters
Unidades producidas
Los datos de la Tabla 9 aparecen graficados en la Fig. 5. Observe que parece haber una marcada
relacin lineal entre xi, nmero de trenes producidos durante la semana i y yi, 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
(17)
en la cual i es un trmino de error que representa el hecho que durante una semana en la que se
producen xi trenes, el costo de produccin podra no siempre ser igual a 0 + 1 xi .
Costo
1,200.00
1,000.00
800.00
600.00
400.00
200.00
0
20
40
60
80
Trenes
Se desconocen los valores verdaderos de 0 y 1 . Para encontrar estos valores, primero definimos a
ei como error o residuo para el punto dato i: y i ( 0 + 1 xi ) de esta forma 0 y 1 ms adecuados
sern
aquellos
que
f ( 0 , 1 ) = ei2 = ( y i ( 0 + 1 xi ) )
minimicen
2
i
de
esta
forma
podemos
definir
f ( 0 , 1 ) f ( 0 , 1 )
=
= 0 , lo cual arroja como resultado que los valores
0
1
0 y 1 deben ser
1 =
( x x )( y y ) ,
(x x)
i
0 = y 1 x
(18)
147
10
20
30
40
45
50
60
55
70
40
xi x
yi
257.40
601.60
782.00
765.40
895.50
1,133.00
1,152.80
1,132.70
1,459.20
970.10
(xi x )( yi y ) (xi x )2
yi y
(32)
(658)
21042.24
1,024
(22)
(313)
6894.14
484
(12)
(133)
1595.64
144
(2)
(150)
299.14
(19)
-58.41
218
1744.24
64
18
238
4280.94
324
13
218
2830.49
169
28
544
15238.44
784
55
-110.26
(2)
Con x = 42 y y = 914.97
53,756.60
= 17.86 ,
3010
Tabla 11 Clculo de errores
1 =
xi
10
20
30
40
45
50
60
55
70
40
yi
257.40
601.60
782.00
765.40
895.50
1,133.00
1,152.80
1,132.70
1,459.20
970.10
ei
343.47
(86.07)
522.06
79.54
700.66
81.34
879.25
(113.85)
968.55
(73.05)
1,057.84
75.16
1,236.44
(83.64)
1,147.14
(14.44)
1,415.03
44.17
879.25
90.85
148
(y
y i ) 2 = ei2 . 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 = ( y i y ) 2 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 R2 de y mediante
R2 =
SSR
= porcentaje de la variacin de y que queda explicado por x
SST
1 R2 =
SSE
= porcentaje de variacin de y que no explica la variacin de x
SST
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 R2 = 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 rxy. 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 (se). Si hacemos que n = nmero de observaciones, se es
149
se =
SSE
n2
61,705
= 87.8
10 2
En general es cierto que un 68% de los valores de y quedarn dentro de una distancia se del valor
predicho y, y que el 95% de los valores quedaran dentro de los mrgenes 2se del valor predicho y 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 se del costo pronosticado y para el 100% de los datos, el costo real est a
menos de 2se del costo predicho.
Cualquier observacin para la cual y no quede dentro de 2se de y 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 2se en valor absoluto, en el ejemplo de
costo no hay puntos externos.
Se puede utilizar una t-student para crear un intervalo de confianza 1-, para un valor x:
t ( / 2, n 2) s e 1 + 1n +
( x x )
( xi x ) 2
(20)
donde t ( / 2, n 2) , es el valor de una t-student con extremos /2 y con n-2 grados de libertad.
2s e 1 + 1n +
1
n
( x x )
( xi x ) 2
de y y un 95% dentro de
( x x )
( xi x ) 2
150
(21)
en la que i es un trmino de error con media 0 que representa el hecho de que el valor real de y i
puede no ser igual a 0 + 1 x 1i + 2 x 2i + L + k x ki .
El calculo de j es similar al caso de una sola variable se definimos a ei como error o residuo para el
punto dato i: y i y i ) de esta forma 0 , 1 , L, k ms adecuados sern aquellos que minimicen
ei2 , de esta forma podemos definir f ( 0 , 1 ,L, k ) = ei2 luego procedemos a obtener el mnimo
de forma anloga:
f ( 0 , L, k )
f ( 0 ,L, k )
=L=
= 0 , luego se obtiene que:
0
k
2 ( y i 0 + 1 x 1i + 2 x 2i + L + k x ki ) 1 = 0
2 ( y i 0 + 1 x 1i + 2 x 2i + L + k x ki ) x1i = 0
M
(21)
2 ( y i 0 + 1 x 1i + 2 x 2i + L + k x ki ) x ki = 0
Esas ecuaciones multiplicadas por y agrupadas termino por termino nos brinda el siguiente sistema
de k+1 ecuaciones lineales:
151
0 n + 1 x 1i + L k x k i = yi
0 x1i + 1 ( x 1i )2 + L k x k i x 1i = y i x 1i
M
(22)
0 x k i + 1 x1 i x k i + L k (x k i )2 = y i x k i
Al despejar el sistema se encuentran los valores apropiados de los 0 , 1 , L, k .
Al igual que el caso de una variable se definen de la misma forma la suma de cuadrados totales (SST),
SSR
la suma de cuadrados de error es (SSE), la suma de regresin de cuadrados (SSR), R 2 =
=
SST
porcentaje de la variacin de y que queda explicado por la k variables y se define el error estndar de la
estimacin (se):
SSE
(23)
n k 1
y se puede utilizar una t-student para crear un intervalo de confianza 1-, para un valor x:
se =
t ( / 2, n k 1) s e 1 + 1n +
( x x )
( xi x ) 2
(24)
donde t ( / 2, n k 1) , es el valor de una t-student con extremos /2 y con n-k-1 grados de libertad.
152
xy = Px (T y < ) ,
define
que
es
la
probabilidad
de
alcanzar
el
estado
y,
1, z = y
0, z y
1y(z)=
1
n =1
(X n )
El evento {N(y) 1 } es el mismo evento que {Ty < }, de esta forma tenemos que
P[{N(y) 1 }] =Px[{Ty < }]=
xy
Px(N(y) 2) =
P (T
m =1 n =1
m =1
n =1
= m) Py (T y = n) = Px (T y = m) Py (T y = n) = xy yy
xy yym 1
m 1
Luego Px(N(y) = m)= Px(N(y) m)- Px(N(y) m+1) y por (a2) se tiene que
xy yym 1 (1 yy ) m 1
(a3)
Px(N(y) = m)=
(a4)
y de esta forma:
153
n =1
n =1
n =1
E x ( N ( y )) = E x (1 y ( X n )) = E x (1 y ( X n )) = Pxy (n) ,
Teorema 1
i)
Sea y un estado transitorio, luego Px(N(y) < ) =1
(a6) G(x,y) =
ii)
Si
xy
1 xy
xy
y adems:
xy >
y G(x,y)= .
0, luego G(x,y) =.
xy 1 ,
se tiene que:
mP ( N ( y) = m) = m
m =1
G(x,y) = E x ( N ( y )) =
n =1
xy
yym 1 (1 yy )
m
n =1
xy
t m 1 (1 t ) = xy * (1 t ) * /(1 t ) 2 =
Sea y, recurrente. Si
yy = 1 ,
xy
(1 t )
xy
(1 yy )
Px ( N ( y ) = ) = lim Px ( N ( y ) = m) = lim xy = xy
m
En particular
Py ( N ( y ) = ) = 1 .
154
xy =0,
G(x,y)=0.
xy > 0
y as,
Si
es
un
estado
transitorio
n =1
n
xy
lim P
n
= 0 , para todo x.
Teorema 2.
Sea x un estado recurrente y suponga que x alcanza y.
recurrente y xy = yx = 1.
Luego y es
Prueba.
Supongamos que x y y sea n0 tal que
(a9) n0=min(n1: Px(Ty=n)>0)
es claro que a partir de (a9)
(a10) Pxy(m) = 0, para m<n0
Como Pxy(n0)> 0, se pueden encontrar estados y1 K y n0 1 talque
yx
alcanzar x, comenzando y.
Pxy1 K Pyn0 1 y (1 yx ) , pero esto implica que se visita primero los estados y1 K y n0 1 y
que luego nunca se retorna al estado x, lo cual contradice el hecho de que x es un
estado recurrente.
Como
yx =1,
Luego
Pyy (n1 + n + n0 ) = Py ( X n1 + n + n0 = y ) Py ( X n1 = x, X n1 + n = x, X n1 + n + n0 = y ) =
Pyx (n1 ) Pxx (n) Pxy (n0 )
y esta forma
G ( y, y )
Pyy (n) = Pyy (n1 + n + n0 ) Pyx (n1 ) Pxy (n0 ) Pxx (n) =
n = n1 +1+ n0
n =1
n =1
155
Corolario 1.
Sea C un conjunto cerrado irreducible de estados recurrentes.
Px ( N ( y ) = ) =1 y G(x,y)=
Luego
xy
=1,
Seccin B
156
157