RECOMENDACIONES

USAR AUDIFONOS CIERRA OTRAS APLICACIONES QUE PREFERIBLE CONEXION A

CONSUMAN INTERNET
INETRNET CON CABLE
 Horario de Clases

• MARTES 20:00 A 22:00 PM. Y LOS JUEVES 17:00 A 19:00 PM.

• PUNTUALIDAD (20 MINUTOS LUEGO DE INICIADA LA CLASE, NO SE
PERMITE EL INGRESO).
• FALTAS SOLO SE JUSTIFICAN DE ACUERDO AL PROCEDIMIENTO
RESPECTIVO
 UNIDAD 1
Cadenas de Márkov
La cadena de Markov, también conocida
como modelo de Markov o proceso de
Markov, es un concepto desarrollado dentro
de la teoría de la probabilidad y la
estadística que establece una fuerte
dependencia entre un evento y otro suceso
anterior. Su principal utilidad es el análisis
del comportamiento de procesos
estocásticos.

La explicación de estas cadenas la desarrolló

el matemático de origen ruso Andréi Márkov
en 1907.
DEFINICIÓN DE UNA CADENA DE MARKOV

Sea Xi una variable aleatoria que caracteriza el estado del sistema en puntos discretos
en el tiempo t = 1, 2… . La familia de variables aleatorias {Xi} forma un proceso estocástico
con una cantidad finita o infinita de estados.

QUE ES UN PROCESOS ESTOCASTICO

Es un proceso que se desarrolla de manera aleatoria en el tiempo ejemplo el clima, etc.

Ejemplo (Mantenimiento de una máquina)

La condición de una máquina en el momento del mantenimiento preventivo mensual es mala,

regular o buena. Para el mes t, el proceso estocástico en esta situación se representa como sigue:

La variable aleatoria Xt es finita porque representa tres estados: malo (0), regular (1) y bueno (2).
Proceso de Markov.
Un proceso estocástico es un proceso de Markov si un estado futuro depende sólo del estado
inmediatamente anterior. Esto significa que dados los tiempos cronológicos tₒ, t1,…, tn, la
familia de variables aleatorias es un proceso de Markov si

En un proceso Markoviano con n estados exhaustivos y mutuamente excluyentes, las

probabilidades en un punto específico del tiempo t = 0,1,2,… se definen como
Esto se conoce como probabilidad de transición en un paso al ir del estado i en el instante
t−1 al estado j en el instante t. Por definición, tenemos

La notación utilizada en la matriz es una forma conveniente de resumir las probabilidades

de transición en un paso:
La matriz P define una cadena de Markov. Tiene la propiedad de que todas sus
probabilidades de transición pij son estacionarias e independientes a lo largo del tiempo.
Aunque una cadena de Markov puede incluir un número infinito de estados
Ejemplo (Problema del jardinero)
Cada año, durante la temporada de siembra de marzo a septiembre, un jardinero realiza una prueba
química para verificar la condición de la tierra. Según el resultado de la prueba, la productividad en la
nueva temporada puede ser uno de tres estados: (1) buena, (2) regular y (3) mala. A lo largo de los
años, el jardinero ha observado que la condición de la tierra del año anterior afecta la productividad del
año actual y que la situación se describe mediante la siguiente cadena de Markov

Las probabilidades de transición muestran que la condición de la tierra puede o deteriorarse o

permanecer como está pero nunca mejorar. Por ejemplo, si la condición de la tierra es buena en este
año (estado 1) hay 20% de que no cambie el año siguiente, 50% de probabilidad de que sea regular
(estado 2), y 30% de probabilidad de que se deteriorará a una condición mala (estado 3).
EJERCICIOS
1. Un estudiante está cursando las asignatura algebra lineal y calculo durante este
semestre. Para estudiar estas asignaturas el estudiante decide seguir las siguientes
reglas:
 Si un día estudia algebra lineal, al día siguiente estudiara algebra lineal con
probabilidad 1/2 y calculo con probabilidad 1/2
 Si un día estudia calculo, al día siguiente estudiara algebra lineal con probabilidad
2/3 y calculo con probabilidad 1/3
la información se puede resumir con el siguiente esquema:

1/2.

A.L. C. 1/3.
1/2.  

2/3.
Si el estudiante estudia calculo el lunes de una semana ¿Cuál es la probabilidad de que
el estudiante estudie algebra lineal el jueves de esa misma semana

$OJHEUDOLQHDO &DOFXOR
0 $OJHEUDOLQHDO  
X ₒ= &DOFXOR  
1

K= 0 lunes
K= 3 jueves
 X1 = X ₒ T
X3 = T ³ X ₒ
X2 = X 1 T

X3 = X 2 T

³
1/2 2/3
0 0
X3 = T³ Xₒ = =
1/2 1/3 1 0
PROBABILIDADES DE TRANSICIÓN ABSOLUTAS Y DE n PASOS
Dada la matriz de transición P de una cadena de Márkov y el vector de probabilidades iniciales
𝑎 𝑎 , 𝑗 1,2,3 … 𝑛 , las probabilidades absolutas 𝑎 𝑎 , 𝑗 1,2,3 … 𝑛 después de que
𝑛 0 transiciones se calcula como sigue:

La matriz 𝑃 se conoce como la matriz de transición de n pasos. A partir de estos cálculos,

podemos ver que
𝑃 𝑃 𝑃

𝑃 𝑃 𝑃 ,0 𝑚 𝑛

Éstas se conocen como ecuaciones de Chapman-Kolomogorov.

Ejemplo

La siguiente matriz de transición es aplicable al problema del jardinero con fertilizante La condición
.inicial de la tierra es buena, es decir 𝑃 1,0,0
Determine las probabilidades absolutas de los tres estados del sistema después de 1,8 y 16 temporadas
de siembra.

Por lo tanto, las probabilidades absolutas requeridas se calculan como

Las filas de 𝑃 y el vector de probabilidades absolutas 𝑎 son casi idénticos. El resultado es más
evidente para 𝑃 . Ello demuestra que, a medida que la cantidad de transiciones aumenta, las
probabilidades absolutas se vuelven independientes del 𝑎 inicial. Las probabilidades resultantes
se conocen como probabilidades de estado estable.
CLASIFICACIÓN DE LOS ESTADOS EN UNA CADENA DE MARKOV

Los estados de una cadena de Márkov se clasifican con base en la probabilidad de transición 𝑝 de P.
1. Un estado j es absorbente si está seguro de regresar a sí mismo en una transición; es decir, 𝑝 1.
2. Un estado j es transitorio si puede llegar a otro estado pero no puede regresar desde otro estado.
Matemáticamente, esto sucederá si lim 𝑝 0.
→
3. Un estado j es recurrente si la probabilidad de ser revisitado desde otros estados es 1. Esto puede
suceder si, y sólo si, el estado no es transitorio.
4. Un estado j es periódico con periodo de 𝑡 1 si es posible un retorno sólo en t, 2t, 3t,… pasos. Esto
significa que 𝑝 0, cuando n no es divisible entre t.
Con base en las definiciones dadas, una cadena de Márkov finita no puede constar de todos los estados
transitorios porque, por definición, la propiedad transitoria requiere entrar a otro estado de
“atrapamiento” y nunca volver a visitar el estado transitorio. El estado de “atrapamiento” no necesita ser
un solo estado absorbente. Por ejemplo, considere la cadena
Los estados 1 y 2 son transitorios porque no se puede volver a entrar a ellos una vez que el sistema se
queda “atrapado” en los estados 3 y 4. Un conjunto cerrado lo constituyen los estados 3 y 4, que en
cierta forma desempeñan el papel de un estado absorbente. Por definición, todos los estados de un
conjunto cerrado deben comunicarse, lo cual significa que es posible ir de cualquier estado a cualquier
otro estado del conjunto en una o más transiciones; es decir,
Observe que cada uno de los estados 3 y 4 puede ser absorbente si
Se dice que una cadena de Márkov es ergódica si todos los estados son recurrentes y aperiódica (no
periódica). En este caso las probabilidades absolutas después de n transiciones, siempre
convergen de forma única a una distribución limitante (estado estable) que es independiente de las
probabilidades iniciales a(0)
Estados recurrentes y estados transitorios

Con frecuencia es útil saber si un proceso que comienza en un estado regresara alguna vez a el. La
siguiente es una posibilidad.
Un estado se llama estado transitorio si, después de haber entrado a este estado, el proceso nunca
regresa a el. Por consiguiente, el estado i es transitorio si y solo si existe un estado j (j i) que es
accesible desde el estado i, pero no viceversa, esto es, el estado i no es accesible
desde el estado j.

Así, si el estado i es transitorio y el proceso visita este estado, existe una probabilidad positiva (quizá
incluso de 1) de que el proceso se moverá al estado j y nunca regresara al estado i. En consecuencia, un
estado transitorio será visitado solo un numero finito de veces. Para ilustrar lo anterior, considere el
ejemplo que a continuación se muestra. Su diagrama de transición de estado que se muestra en la figura
indica que ambos estados (1 y 2) son transitorios ya que el proceso los abandonara tarde o temprano para
entrar al estado 0 o al 3 y, después, permanecerá en dicho estado de manera indefinida.

Cuando se inicia en el estado i, otra posibilidad es que el proceso definitivamente regrese a ese estado.
Se dice que un estado es recurrente si, después de haber entrado a este estado, el proceso
definitivamente regresara a ese estado. Por consiguiente, un estado es recurrente si y solo si no es
transitorio.

Como un estado recurrente será visitado de nuevo después de cada visita, podría ser visitado un
numero infinito de veces si el proceso continuara por siempre. Por ejemplo, todos los estados en los
diagramas de transición de estado que se muestran en las figuras siguientes son estados recurrentes
debido a que el proceso siempre regresara a cada uno de ellos. Inclusive en el ejemplo anterior, los
estados 0 y 3 son recurrentes debido a que el proceso se mantendrá regresando de manera inmediata a
uno de estos estados en forma indefinida, una vez que el proceso haya entrado a ese estado. Observe
la figura como finalmente el proceso entrara a cualquiera de los estados 0 y 3 y, después, ya nunca los
abandonara

Si el proceso entra en cierto estado y permanece en el al siguiente paso, se considera un regreso a ese
estado. En consecuencia, el siguiente tipo de estado se considera un tipo especial de estado recurrente.
Un estado se llama estado absorbente si, después de haber entrado ahí, el proceso nunca saldrá
de el. Por consiguiente, el estado i es un estado absorbente si y solo si 𝑝 1.

Como se acaba de mencionar, tanto el estado 0 como el 3 del ejemplo anterior están de acuerdo
con esta definición, por lo que ambos son estados absorbentes, así como también un tipo especial
de estado recurrente.
0 1
3

4
 Ejemplo (Estados absorbentes y transitorios)
Considere la cadena de Márkov del jardinero sin fertilizante:

Los estados 1 y 2 son transitorios porque llegan al estado 3 pero nunca se puede regresar a ellos.
El estado 3 es absorbente porque p33 1. Estas clasificaciones también pueden verse cuando
es calculada. Por ejemplo, considere

El resultado muestra que, a la larga, la probabilidad de volver a entrar al estado 1 o 2 es cero, y

que la probabilidad de quedarse “atrapado” en el estado absorbente 3 es segura.
 Ejemplo (Estados periódicos)

Podemos probar la periodicidad de un estado calculando Pn y observando los valores de

para n 2,3,4,… . Estos valores serán positivos sólo en el periodo correspondiente del estado.
Por ejemplo, consideremos

Los resultados muestran que 𝑝 y 𝑝 son positivos para valores impares de n y cero en otro respecto
(puede confirmar esta observación calculando 𝑃 con n 5). Esto significa que el periodo de cada
uno de los estados 1 y 3 es t 2.
Propiedades de periodicidad

Otra propiedad útil de las cadenas de Márkov es la de periodicidad. El periodo de un estado i se

define como el entero para todos los valores de n distintos de t, 2t, 3t, . . ., y t es el
entero mas grande con esta propiedad. En el problema del juego, al comenzar en el estado 1, es
posible que el proceso entre al estado 1 solo en los tiempos 2, 4, . . ., en cuyo caso se dice que el
estado 1 tiene periodo 2. Esto es evidente si se observa que el jugador puede salir a mano (ni ganar
ni perder) solo en los tiempos 2, 4, . . ., lo que se puede verificar si se calcula para toda n y se
observa que para n impar. También es posible ver en la figura del juego que el proceso
siempre toma dos pasos para regresar al estado 1 hasta que el proceso es absorbido en cualquiera de
los estados 0 o 3. (La misma conclusión también se aplica al estado 2.)
Si existen dos números consecutivos s y tales que el proceso puede encontrarse en el estado
i en los tiempos s y se dice que el estado tiene periodo 1 y se llama aperiódico.
Igual que la recurrencia es una propiedad de clase, se puede demostrar que la periodicidad también
lo es. Esto es, si el estado i de una clase tiene periodo t, todos los estados de esa clase tienen periodo
t. En el ejemplo del juego, el estado 2 tiene periodo 2 porque esta en la misma clase que el estado 1
y, como se vio, el estado 1 tiene periodo 2. Es posible que una cadena de Márkov tenga tanto una
clase de estados recurrentes como una de estados transitorios donde las dos clases tienen diferentes
periodos mayores que 1.
 Ejemplo (Estados periódicos)

Podemos probar la periodicidad de un estado calculando Pn y observando los valores de

para n 2,3,4,… . Estos valores serán positivos sólo en el periodo correspondiente del estado.
Por ejemplo, consideremos

Los resultados muestran que 𝑝 y 𝑝 son positivos para valores pares de n y cero en otro respecto
(puede confirmar esta observación calculando 𝑃 con n 5). Esto significa que el periodo de cada
uno de los estados 1 y 3 es t 2.
 CONJUNTO DE PROBLEMAS

1. Clasifique los estados de las siguientes cadenas de Márkov. Si un estado es periódico, determine su
periodo

1 2
1 2

3 3 4

1 2

3
 En una cadena de Márkov de estado finito, los estados recurrentes aperiódicos se llaman ergódicos.
Se dice que una cadena de Márkov es ergodica si todos sus estados son ergodicos. En seguida se vera
que una propiedad clave a largo plazo de una cadena de Márkov que es tanto irreducible como ergodica
es que sus probabilidades de transición de n pasos convergirán a las probabilidades del estado estable
conforme n se haga mas grande.

PROBABILIDADES DE ESTADO ESTABLE Y TIEMPOS DE RETORNO MEDIOS DE

CADENAS ERGÓDICAS

En una cadena ergódica, las probabilidades de estado estable se definen como

Estas probabilidades, las cuales son independientes de 𝑎 se pueden determinar de las ecuaciones
(Una de las ecuaciones en 𝜋 𝜋𝑃 es redundante). Lo que 𝜋 𝜋𝑃 dice es que las probabilidades 𝜋
permanecen sin cambiar después de una transición adicional, y por esta razón representan la
distribución de estado estable.
Un subproducto directo de las probabilidades de estado estable es la determinación del número
esperado de transiciones antes de que el sistema regrese a un estado j por primera vez. Esto se conoce
como tiempo medio del primer retorno o tiempo medio de recurrencia, y se calcula en una cadena
de Márkov de n estados como
Ejemplo 
Para determinar la distribución de probabilidad de estado estable del problema del jardinero con
fertilizante, tenemos

O bien,
 (Cualquiera de las primeras tres ecuaciones es redundante). La solución es 𝜋 0.1017, 𝜋 0.5254
y 𝜋 0.3729; es decir que a la larga la condición de la tierra será buena 10% del tiempo, regular 52% del
tiempo, y mala 37% del tiempo.
Los tiempos medios del primer retorno se calculan como

Esto quiere decir que, en promedio, se requerirán aproximadamente 10 temporadas de siembra para que la
tierra regrese a un buen estado, 2 temporadas para que regrese al estado regular, y 3 temporadas para que
regrese a un estado malo. Estos resultados apuntan hacia un panorama menos promisorio para la condición
de la tierra con el uso propuesto de fertilizantes. Un programa más agresivo debe mejorar el panorama. Por
ejemplo, considere la siguiente matriz de transición en la que las probabilidades de trasladarse a un buen
estado son más altas que en la matriz previa:
En este caso, 𝜋 0.31, 𝜋 0.58, y 𝜋 0.11, lo cual da 𝜇 3.22, 𝜇 1.72 y 𝜇 9.09, un
cambio reversible del sombrío panorama dado anteriormente

Ejemplo (Modelo de costos)

Considere el problema del jardinero con fertilizante. El jardín necesita dos sacos de fertilizante si la
tierra es buena. La cantidad se incrementa en 25% si la tierra es regular, y 60% si la tierra es mala. El
costo del fertilizante es de $50 por saco. El jardinero estima un rendimiento anual de $250 si no se
utiliza fertilizante, y de $420 si se aplica el fertilizante. ¿Es redituable utilizar fertilizante?
Aplicando las probabilidades de estado constante, obtenemos

Costo del fertilizante anual esperado

Incremento diferencial del valor anual del rendimiento $420 — $250 $170. Se recomienda el uso
del fertilizante.
 UNIDAD 2
TEORIA DE COLAS O LINEA DE ESPERA
Las colas (líneas de espera) son parte de la
vida diaria. Todos esperamos en colas para
comprar un boleto para el cine, hacer un
deposito en el banco, pagar en el
supermercado, enviar un paquete por correo,
obtener comida en la cafetería, subir a un
juego en la feria, etc. Nos hemos
acostumbrado a una considerable cantidad
de esperas, pero todavía nos molesta cuando
estas son demasiado largas.
Sin embargo, tener que esperar no solo es
una molestia personal. El tiempo que la
población de un país pierde al esperar en las
colas es un factor importante tanto de la
calidad de vida como de la eficiencia de su
economía.
Cuando se forma una cola, se habla de clientes, de una línea de espera o cola y de unos
servidores. Por ejemplo, cuando las personas realizan mercado en un almacén de cadena en
el que posiblemente varios clientes asisten a la misma hora, éstas deberán esperar en cola
para pagar en la caja si los servidores o cajeros están ocupados atendiendo a otros clientes.
Pueden haber dos reacciones en la cola: la primera, los clientes pueden esperar
temporalmente porque observan que el servicio es adecuado y los clientes que llegaron con
anterioridad están siendo atendidos o, segundo, la cola tiende a ser explosiva, se hace cada
vez más larga a medida que transcurre el tiempo y aunque unos pueden esperar, otros deciden
abandonarla.
También ocurren grandes ineficiencias debido a otros tipos de espera que no son personas en una cola.
Por ejemplo, cuando las máquinas esperan ser reparadas pueden provocarse perdidas de producción.
Los vehículos (incluso barcos y camiones) que deben esperar su descarga pueden retrasar envíos
subsecuentes. Los aviones que esperan despegar o aterrizar pueden desorganizar la programación
posterior de vuelos. Los retrasos de las transmisiones de telecomunicaciones por saturación de líneas
pueden causar fallas inesperadas en los datos. Cuando los trabajos de manufactura esperan su proceso
se puede perturbar el proceso de producción. El retraso de los trabajos de servicio respecto de su fecha
de entrega es una causa de perdida de negocios futuros.

La teoría de colas es el estudio de la espera en las distintas modalidades. Utiliza los modelos de colas
para representar los tipos de sistemas de líneas de espera (sistemas que involucran colas de algún tipo)
que surgen en la practica. Las formulas de cada modelo indican cual debe ser el desempeño del sistema
correspondiente y señalan la cantidad promedio de espera que ocurrirá en diversas circunstancias.
 Por lo tanto, estos modelos de líneas de espera son muy útiles para determinar como operar un sistema
de colas de la manera mas eficaz. Proporcionar demasiada capacidad de servicio para operar el sistema
implica costos excesivos; pero si no se cuenta con suficiente capacidad de servicio surgen esperas
excesivas con todas sus desafortunadas consecuencias. Los modelos permiten encontrar un balance
adecuado entre el costo de servicio y la cantidad de espera.
ESTRUCTURA BÁSICA DE LOS MODELOS DE COLAS
Proceso básico de colas

El proceso básico supuesto por la mayoría de los modelos de colas es el siguiente. Los clientes que
requieren un servicio se generan en el tiempo en una fuente de entrada. Luego, entran al sistema y se
unen a una cola. En determinado momento se selecciona un miembro de la cola para proporcionarle el
servicio mediante alguna regla conocida como disciplina de la cola. Se lleva a cabo el servicio que el
cliente requiere mediante un mecanismo de servicio, y después el cliente sale del sistema de colas. En
la figura siguiente se describe este proceso.
Elementos existentes en un modelo de colas

En el sistema conformado en una línea de espera existen varios elementos que determinan sus
características:
• Fuente de entrada o población potencial:
Conjunto de clientes o llegadas que quieren solicitar un servicio. La fuente de entrada puede ser finita o
infinita
Una característica de la fuente de entrada es su tamaño. El tamaño es el numero total de clientes que
pueden requerir servicio en determinado momento, es decir, el numero total de clientes potenciales. Esta
población a partir de la cual surgen las unidades que llegan se conoce como población de entrada.
Puede suponerse que el tamaño es infinito o finito (de modo que también se dice que la fuente de entrada
es ilimitada o limitada). Debido a que los cálculos son mucho mas sencillos en el caso del tamaño
infinito, este supuesto se hace a menudo aun cuando el tamaño real sea un numero fijo relativamente
grande, y debe tomarse como un supuesto implícito en cualquier modelo en el que no se establezca otra
cosa. Desde una perspectiva analítica, el caso finito es mas complejo puesto que el numero de clientes
que conforman la cola afecta al numero potencial de clientes fuera del sistema en cualquier momento;
pero debe hacerse este supuesto de finitud si la tasa a la que la fuente de entrada genera clientes nuevos
es afectada en forma significativa por el numero de clientes existentes en el sistema de líneas de espera.
 También se debe especificar el patrón estadístico mediante el cual se generan los clientes en el
tiempo. El supuesto normal es que se generan de acuerdo con un proceso Poisson; es decir, el
numero de clientes que llegan hasta un momento especifico tiene una distribución de Poisson, este
caso corresponde a aquel cuyas llegadas al sistema ocurren de manera aleatoria pero con cierta tasa
media fija y sin que importe cuantos clientes están ya ahí (por lo que el tamaño de la fuente de
entrada es infinito). Un supuesto equivalente es que la distribución de probabilidad del tiempo que
transcurre entre dos llegadas consecutivas es exponencial. Se hace referencia al tiempo que
transcurre entre dos llegadas consecutivas como tiempo entre llegadas. También debe especificarse
cualquier otro supuesto no usual sobre el comportamiento de los clientes. Un ejemplo seria cuando se
pierde un cliente porque desiste o se rehúsa a entrar al sistema porque la cola es demasiado larga.

• Cliente: Miembro de la población potencial que solicita un servicio.

• Capacidad de la cola: Cantidad máxima de clientes que pueden estar haciendo cola antes de que
sean atendidos.
• Cola: Conjunto de clientes que esperan a recibir un servicio.
La cola es donde los clientes esperan antes de recibir el servicio. Una cola se caracteriza por el numero
máximo permisible de clientes que puede admitir. Las colas pueden ser finitas o infinitas, según si dicho
numero es finito o infinito. El supuesto de una cola infinita es el estándar de la mayoría de los modelos,
incluso en situaciones en las que en realidad existe una cota superior (relativamente grande) sobre el
numero permitido de clientes, puesto que manejar una cota así puede ser un factor que complique el
análisis. En los sistemas de colas en los que la cota superior es tan pequeña que se llega a ella con cierta
frecuencia, es necesario suponer una cola finita.
• Sistema de la cola: El tiempo que transcurre desde el inicio del servicio para un cliente hasta
su terminación en una estación se llama tiempo de servicio (o duración del servicio). Un
modelo de un sistema de colas determinado debe especificar la distribución de probabilidad
de los tiempos de servicio de cada servidor (y tal vez de los distintos tipos de clientes),
aunque es común suponer la misma distribución para todos los servidores. La distribución del
tiempo de servicio que mas se usa en la practica (por ser mas manejable que cualquier otra) es
la distribución exponencial que se presenta. Otras distribuciones de tiempos de servicio
importantes son la distribución degenerada (tiempos de servicio constantes) y la distribución
Erlang (gamma)
• Disciplina de la cola

La disciplina de la cola se refiere al orden en el que sus

miembros se seleccionan para recibir el servicio.
Por ejemplo, puede ser: primero en entrar, primero en salir;
aleatoria; de acuerdo con algún procedimiento de prioridad o
con algún otro orden. En los modelos de colas se supone como
normal a la disciplina de primero en entrar, primero en salir, a
menos que se establezca de otra manera.
Es la forma de selección de los clientes para que sean
atendidos. Las disciplinas más recurrentes son:
- FIFO (First in first out) ó FCFS (First come first served): Se atiende al primer cliente
que haya llegado.

- LIFO (Last in first out) ó LCFS (Last come first served): Se atiende al último cliente
que haya llegado.

- RSS (Random selection of service) ó SIRO (Service in random order): La atención de

los clientes se realiza al azar, de manera aleatoria.

- Proceso Sharing: Sirve a los clientes igualmente. La capacidad de la red se comparte

entre los clientes.
• Mecanismo de servicio

El mecanismo de servicio consiste en una o mas estaciones de servicio, cada una de ellas con uno o
mas canales de servicio paralelos, llamados servidores. Si existe mas de una estación de servicio, el
cliente puede recibirlo de una secuencia de ellas (canales de servicio en serie). En una estación dada,
el cliente entra en uno de estos canales y el servidor le presta el servicio completo. Los modelos de
colas deben especificar el arreglo de las estaciones y el numero de servidores (canales paralelos) en
cada una de ellas. Los modelos mas elementales suponen una estación, ya sea con un servidor o con
un numero finito de servidores.
 Proceso de servicio y de salida

Se refiere a la forma como se ejecuta el servicio y está relacionado con la estructura de la instalación.
A continuación se pueden observar los diferentes sistemas de servicio:

Una cola, un servidor

Este primer sistema es de un servidor y una cola. Por ejemplo para hacer un pago de un producto en
un almacén en donde sólo hay una caja.
Una cola, múltiples servidores

El segundo sistema es una línea con múltiples servidores. Por ejemplo, al ir a un banco y
solicitar un turno, el cliente espera y puede ser atendido por cualquiera de los servidores o
cajeros disponibles.
 Varias colas, múltiples servidores

En el tercer sistema cada servidor tiene una línea de espera. Por ejemplo, las tiendas de
conveniencia o de autoservicio. Cada registradora es una estación que proporciona el mismo
servicio. En estos sistemas los servidores pueden ser idénticos, ya que proporcionan la misma
clase de servicio con igual rapidez o pueden no ser idénticos si todos los cajeros no tienen la
misma experiencia y en este caso a unos les tomará mayor tiempo de servicio que a otros.
 Una cola, servidores secuenciales

El cuarto sistema es una línea con servidores en serie.

Otra característica del proceso de servicio es el número de clientes atendidos al mismo tiempo
en un servidor. Así mismo si se permite o no la prioridad, es decir, si un servidor puede detener
el proceso con el cliente que está atendiendo para dar paso a un cliente que acaba de llegar.
Proceso de salida

Se puede considerar cuando el cliente abandona el sistema luego de ser atendido. A esto se le puede
dar el nombre de sistema de “colas de un paso” o cuando los clientes o productos reciben un
servicio, pero se trasladan a otro para ser sometidos a otro proceso, lo que se llama una “red de
colas”.

Sistemas de colas: El servicio

• El servicio puede ser brindado por un servidor o por servidores múltiples
• El tiempo de servicio varía de cliente a cliente
• El tiempo esperado de servicio depende de la tasa media de servicio (𝜇)
• El tiempo esperado de servicio equivale a 1/𝜇
• Por ejemplo, si la tasa media de servicio es de 25 clientes por hora
• Entonces el tiempo esperado de servicio es 1/ 𝜇 = 1/25 = 0.04 horas, o 2.4 minutos
• Es necesario seleccionar una distribución de probabilidad para los tiempos de
servicio
• Hay dos distribuciones que representarían puntos extremos:
• La distribución exponencial (𝜎 = media)
• Tiempos de servicio constantes (𝜎 = 0)
• Una distribución intermedia es la distribución Erlang (gama)
• Esta distribución posee un parámetro de forma k que determina su desviación
estándar:
• Si k = 1, entonces la distribución Erlang es igual a la exponencial
• Si k = ∞, entonces la distribución Erlang es igual a la distribución degenerada con
tiempos constantes
• La forma de la distribución Erlang varía de acuerdo con k
Sistemas de colas: Las llegadas – Distribución exponencial

La forma algebraica de la distribución exponencial es:

Donde t representa una cantidad expresada en unidades de tiempo (horas, minutos, etc.)
 la

Sistemas de colas: Las llegadas -Distribución de Poisson

Es una distribución discreta empleada con mucha frecuencia para describir el patrón de las
llegadas a un sistema de colas para tasas medias de llegadas pequeñas es asimétrica y se hace
más simétrica y se aproxima a la binomial para tasas de llegadas altas, su forma algebraica es:

Donde:
P(k): probabilidad de k llegadas por unidad de tiempo
𝛾: tasa media de llegadas
𝒆 = 2,7182818…
Sistemas de colas: Etiquetas para distintos modelos

Notación de Kendall: A/B/s

La notación de Kendall, caracteriza un sistema de línea de espera en el cual todas las

llegadas esperan en una sola cola hasta que está libre uno de los s servidores paralelos
idénticos. Luego el primer cliente en la cola entre al servicio, y así sucesivamente.
A
B
M
D
Ek
G = Distribución del tiempo de servicio o salidas; es general
s
Estado del sistema de colas
En principio el sistema está en un estado inicial, se supone que el sistema de colas llega a
una condición de estado estable (nivel normal de operación). Existen otras condiciones
anormales (horas pico, etc.), lo que interesa es el estado estable
Para evaluar el desempeño se busca conocer dos factores principales:
1. El número de clientes que esperan en la cola
2. El tiempo que los clientes esperan en la cola y en el sistema
Medidas del desempeño del sistema de colas

1. Número esperado de clientes en la cola Lq

2. Número esperado de clientes en el sistema Ls
3. Tiempo esperado de espera en la cola Wq
4. Tiempo esperado de espera en el sistema Ws
5. Número promedio de clientes que atenderá el servidor W

Medidas del desempeño del sistema de colas: fórmulas generales

Ejemplo
 Suponga una estación de gasolina a la cual llegan en promedio 45 clientes por hora, se tiene
capacidad para atender en promedio a 60 clientes por hora se sabe que los clientes esperan en
promedio 3 minutos en la cola. Se solicita:
a) Tiempo promedio que un cliente pasa en el sistema.
b) Número promedio de clientes en la cola.
c) Número promedio de clientes en el Sistema en un momento dado.
Probabilidades como medidas del desempeño
Beneficios:

• Permiten evaluar escenarios

• Permite establecer metas

Notación:
Pn: probabilidad de tener n clientes en el sistema
P (Ws ≤ t) : probabilidad de que un cliente no espere en el
sistema más de t horas
Factor de utilización del sistema
Dada la tasa media de llegadas 𝜸 y la tasa media de servicio 𝝁,
se define el factor de utilización del sistema 𝝆.
Generalmente se requiere que 𝝆 < 1
Su fórmula, con un servidor y con s servidores,
respectivamente, es:
Ejemplo
Con base en los datos del ejemplo anterior, 𝛾 = 0.75, 𝜇 = 1, el factor de utilización del
sistema si se mantuviera un servidor es:

𝜌 = 𝛾 / 𝜇 = 0.75 / 1 = 0.75 = 75%

Con dos servidores (s= 2):

𝜌 = 𝛾 /s 𝜇 = 0.75/(2*1) = 0.75/2 = 37,5%

 Modelos de una cola y un servidor

• M/M/1: Un servidor con llegadas de Poisson y tiempos de servicio exponenciales

• M/G/1: Un servidor con tiempos entre llegadas exponenciales y una distribución general de
tiempos de servicio

• M/D/1: Un servidor con tiempos entre llegadas exponenciales y una distribución

degenerada de tiempos de servicio

• M/Ek/1: Un servidor con tiempos entre llegadas exponenciales y una distribución Erlang
de tiempos de servicio
 Modelo de cola M/G/1

Según la notación Kendall se trata del sistema de colas con tiempos de llegadas distribuidos exponencialmente
(proceso de poisson de parámetro 𝜆), con cliente que tiene tiempos de servicios independientes e idénticamente
distribuidos de media ( 1/𝜇) y varianza 𝜎 . Cualquier sistema de colas de este tipo alcanza en algún momento el
estado estable cuando el factor de utilización 𝜌 1.
Las medidas de rendimiento para este modelo toman las expresiones adjuntas, donde la referente a 𝐿 , recibe el
nombre de formula de Pollaczek-khinchine. 𝑝 𝜌

FORMULA MODELO M/G/1

Utilización promedio 𝑝 1 𝜌.

Numero promedio de cliente en la cola

Numero promedio de cliente en el sistema

 𝐿 𝜆 𝜎 𝜌
Tiempo promedio de espera en la cola 𝑊
𝜆 2𝜆 1 𝜌

𝐿 1
Tiempo promedio de estancia en el sistema 𝑊 𝑊
𝜆 𝜇

Las medidas de eficiencia incrementa tu valor conforme a 𝜎 aumenta, lo que indica que el funcionamiento
del servidor tiene gran transcendencia en la eficiencia global del sistema.

Curry y Feldman proponen una modificación del tiempo promedio de espera en la cola que proporciona una
relación directa entre las colas M/M/1 y las colas M/G/1

1 𝜇 𝜎
𝑊 𝑀/𝐺/1 𝑊 𝑀/𝑀/1
2

𝜇 𝜎 ≡ Coeficiente de variación al cuadrado de los tiempos de servicios

 Modelo de cola M/D/1

Es un sistema de cola con tiempos de llegadas distribuidos exponencialmente (proceso de poisson de parámetro 𝜆),
el servicio consiste básicamente en la misma tarea rutinaria que le servidor realiza para todos los clientes, tiende a
haber variación de tiempo en el servicio requerido, asumiendo que el tiempo de servicio es igual a una constante
fija.

Con único servidor, modelo M/D/1, se reduce a un caso particular del modelo M/G/1 en donde 𝜎 0 con lo que
las medidas de coeficiente son:

Formula de modelo M/D/1

Utilización promedio 𝑝 1 𝜌.
𝜌
Numero promedio de cliente en la cola 𝐿
2 1 𝜌

Numero promedio de cliente en el sistema

 𝐿
Tiempo promedio de espera en la cola 𝑊
𝜆

𝐿 1
Tiempo promedio de estancia en el sistema 𝑊 𝑊
𝜆 𝜇

Modelo de cola M/Ek/1

La distribución Erlang de parámetro k y 𝜐 es la suma de k variables aleatorias independientes exponenciales

𝑘
de parámetro 𝜐, con media 𝑘 y la varianza 𝜎 .
𝜐 𝜐

Al particularizar las expresiones donde M/G/1 es una distribución de Erlang, tomando 𝜐 𝑘 ∗ 𝜇 es decir de
Media 1 , donde:
𝜇

𝑘 1 1 1 1
𝜎 ⟶𝜎 ⟶𝑘
𝜐 𝑘𝜇 𝑘 𝜇 𝜇 ∗𝜎
Las medidas de eficiencia del modelo M/Ek/1 vienen dada por:

Utilización promedio 𝑝 1 𝜌.
𝜆 1 𝑘 𝜌 1 𝑘
Numero promedio de cliente en la cola 𝐿
2𝑘𝜇 𝜇 𝜆 2𝑘 1 𝜌

Numero promedio de cliente en el sistema

𝐿
Tiempo promedio de espera en la cola 𝑊
𝜆

𝐿 1
Tiempo promedio de estancia en el sistema 𝑊 𝑊
𝜆 𝜇
Ejemplo
Un lava carro puede atender un auto cada 5 min. y la tasa media de llegadas es de 9 autos/hora
con un error típico de 𝜎 = 2 min. Se pide:
a) Medidas de eficiencia según modelo M/G/1
b) Probabilidad de tener 0 cliente en el sistema
c) Medidas de eficiencia según modelo M/D/1
d) Medidas de eficiencia según modelo M/Ek/1
 Solución
𝜆 9 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠/ℎ𝑜𝑟𝑎𝑠 = 0,15 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜/𝑚𝑖𝑛𝑢𝑡𝑜𝑠

1
5⟶𝜇 0,2 𝜎=2
𝜇

𝜆 0,15
a) Factor de utilización 𝜌 0,75
𝜇 0,2

0,15 ∗ 2 0,75
Numero promedio de cliente en la cola 𝐿 1,305 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠
2 1 0,75
 Numero promedio de cliente en el sistema 1,305 0,75 2,055 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠

𝐿 1,305
Tiempo promedio de espera en la cola 𝑊 8,7 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆 0,15

𝐿 2,055
Tiempo promedio de estancia en el sistema 𝑊 13,7 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆 0,15

1
𝑊 𝑊
𝜇

b) 𝑝 1 𝜌 1 0,75 0,25
c) Medidas de eficiencia según modelo M/D/1

𝜌 0,75
Numero promedio de cliente en la cola 𝐿 1,125 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠
2 1 𝜌 2 1 0,75

Numero promedio de cliente en el sistema 1,125 0,75 1,875 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠

𝐿 1,125
Tiempo promedio de espera en la cola 𝑊 7,5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆 0,15

1,875
Tiempo promedio de estancia en el sistema 𝑊 12,5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
0,15
d) Medidas de eficiencia según modelo M/Ek/1

𝜌 1 𝑘
Numero promedio de cliente en la cola 𝐿 1,305 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠
2𝑘 1 𝜌

1 1
𝑘 6,25
𝜇 ∗𝜎 0.2 ∗ 2

Numero promedio de cliente en el sistema 1,305 0,75 2.055

Tiempo promedio de espera en la cola 𝑊 = 8,70 minutos

𝐿 1
Tiempo promedio de estancia en el sistema 𝑊 𝑊 13,70 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆 𝜇
 MODELO DE COLA M/M/s

El modelo supone que los tiempos entre llegadas y los tiempos de servicio son variables aleatorias
distribuidas exponencialmente, la disciplina es FIFO y la población es infinita.

Se diferencia respecto al modelo M/M/1 en que el número de servidores s puede ser cualquier número
natural tal que s ≥ 1 . Cuando el número de servidores es mayor que 1, las expresiones anteriores no son
tan sencillas.
En esta línea, en la tasa de servicio μn hay que distinguir dos casos:

𝜇 ≡ tasa media de servicio de todos los servidores en conjunto

sμ ≡ tasa máxima de servicio para s servidores
El siguiente diagrama de tasas (cadena de Markov del modelo M/M/s) representa los
posibles estados del sistema y las transiciones entre ellos.
El siguiente diagrama de tasas (cadena de Márkov del modelo M/M/s) representa los
posibles estados del sistema y las transiciones entre ellos.

En este caso, la tasa de llegadas no se encuentra afectada por el estado en que se encuentre
el sistema, pero sí la tasa media de servicio, pudiendo ser tal múltiplo de la tasa media de
servicio por servidor como servidores en activo haya.
Si el factor de utilización (factor de carga / intensidad tráfico):

Bajo condiciones de estabilidad (factor de utilización ρ < 1), al igual que en el modelo
M/M/1, se pueden aplicar fórmulas para obtener los principales parámetros del sistema.
 MEDIDAS DE RENDIMIENTO:

Tiempo en el servicio:

Utilización promedio del sistema:

Factor de utilización (factor de carga/ intensidad tráfico):

Probabilidad de que ningún cliente se encuentre en el sistema de colas:

Probabilidad del estado n:

Probabilidad del estado n:

Número promedio de clientes en cola:

Número promedio de clientes en sistema:

Tiempo promedio de espera en cola:

Tiempo promedio de estancia en el sistema

A medida que se añaden servidores al sistema las fórmulas van siendo más complicadas, en
especial para el cálculo de probabilidades.
Se asume que la probabilidad de la función de tiempos de servicio es una exponencial negativa de
parámetro 𝜇
 EJERCICIO

Un terminal de facturación dispone de dos operarios que atienden a los clientes que llegan según una
distribución de Poisson de media ochenta clientes por hora, que esperan en una única cola hasta que
alguno de los operarios esté libre. El tiempo requerido para atender a un cliente se distribuye
exponencialmente con medía 1,2 minutos. Se pide:
a) ¿Cuál es el número esperado de clientes en el terminal de facturación?
b) ¿Cuál es el tiempo medio que un cliente pasa en el terminal de facturación?

Solución:
a) Es un modelo de cola M/M/2 con s = 2 servidores

Tasa de llegadas ≡ λ = 80 clientes/hora

Tasa de servicio por operario ≡ μ = 60 / 1,2 = 50 clientes / hora

Factor de utilización o congestión del sistema: 𝜆 80

𝜌 0,8
𝑠𝜇 2 ∗ 50
 Probabilidad de que ningún cliente se encuentre en el sistema de colas:

Número promedio de clientes en la cola:

𝜆/𝜇 𝜆𝜇 80/50 ∗ 80 ∗ 50
𝐿 𝑝 0,111 2,8444 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝑠 1 ! 𝑠𝜇 𝜆 2 1 ! 2 ∗ 50 80

Número promedio de clientes en el sistema (terminal de facturación):

𝜆 80
𝐿 𝐿 2,8444 4,4444 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜇 50
b) Tiempo medio de espera en cola:

Tiempo medio de estancia en el sistema (terminal de facturación):

Es decir, el tiempo en el sistema es igual al tiempo en la cola q (W ) más el tiempo en el

servicio (1 / μ)