IIND 2104 MODELOS PROBABILÍSTICOS

Departamento de Ingeniería Industrial

Facultad de Ingeniería

11. Procesos de nacimiento y muerte

En este capítulo se introduce una clase de procesos estocásticos de tiempo continúo conocida como Procesos de
nacimiento y muerte, muy comúnmente utilizada en el modelado de sistemas de varia naturaleza. Por su
estructura especial, es posible realizar el análisis de la distribución de probabilidad de estado de los procesos de
nacimiento y muerte de forma muy sencilla. En el capítulo, se introducen primero los aspectos de diferentes tipos
de sistemas que son susceptibles de ser modelados con procesos de nacimiento muerte, después se proporciona
una caracterización de esta clase de procesos, y finalmente se realiza el análisis en el estado estacionario de la
distribución de la probabilidad de estado.

11.1. Introducción
A menudo, el estudio de un sistema pasa a través del análisis de la dinámica de una población de entidades. Por
ejemplo, cuando sea de interés estudiar el número de clientes en un banco, la cantidad de individuos de una
especie de animal en su hábitat, o el número de equipos en reparación en un sistema de producción, tenemos
que caracterizar los eventos que resultan en el aumento de la población, sean esos llegadas, reproducciones o
fallas, así como aquellos que determinan una disminución de la población, p.e. salidas, fallecimientos o
reparaciones. A los eventos de la primera categoría se les refiere como nacimientos, y a aquellos de la segunda
como muertes. Es así como un proceso estocástico que considere eventos de nacimiento y muerte se presta para
modelar de manera adecuada la dinámica de una población de entidades.

Ejemplo 1. Consideremos la población de ballenas jorobadas del pacifico colombiano. Los individuos de esta
especie son nómadas, y recorren largas distancias desdé los fríos océanos del Antártida hacia las aguas al oeste
de Colombia, donde se quedan por cierto periodo antes de empezar la vuelta al sur del planeta. Si quisiéramos
definir un modelo que representara la dinámica de la población de ballenas en las aguas colombianas, sería
pertinente considerar como nacimientos, es decir como eventos que incrementan el número de ballenas, las
llegadas de individuos al pacifico colombiano, y como muertes las salidas de los individuos hacia el Antártida. Un
posible modelo continuo sería por ejemplo el proceso de Markov en tiempo continuo {𝑋(𝑡), 𝑡 ≥ 0}, donde la
variable de estado es:

𝑋(𝑡) = número de ballenas en el pacifico colombiano al tiempo 𝑡

Podemos suponer que no haya un límite superior al número de ballenas, por lo cual el espacio de estados del
proceso estocástico será 𝑆𝑋 = {0,1,2, … }. Supongamos ahora que las ballenas lleguen de acuerdo con un proceso
de Poisson de parámetro 𝜆, y se queden en promedio un tiempo que se distribuye como una variable aleatoria
exponencial de tasa 𝜇, así que la tasa de transición 𝑞𝑖𝑗 entre el estado 𝑖 y el estado 𝑗, 𝑖, 𝑗 ∈ 𝑆𝑋 , 𝑖 ≠ 𝑗 sería definida
como sigue:
𝜆 𝑗 =𝑖+1
𝑞𝑖𝑗 = {𝑖 ⋅ 𝜇 𝑗 = 𝑖 − 1, 𝑖 > 0
0 d.l.c.

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

Para este modelo, el diagrama de estado transición es representado en la Figura 1:

Figura 1: Modelo de Markov en tiempo continuo para la población de ballenas.

11.2. Forma general de procesos de nacimiento y muerte

El ejemplo que se presenta en la sección anterior es un caso particular de un proceso de nacimiento y muerte con
espacio de estados infinito, y muestra algunas propiedades interesantes de esta clase de procesos. En particular,
es posible observar en la Figura 1 la estructura particularmente simple de las transiciones, que pueden darse solo
entre estados adyacentes, así que el diagrama de estado transición se puede ordenar como una cadena lineal de
estados.

En general, un proceso de nacimiento y muerte es una cadena de Markov en tiempo continuo, con espacio de
estados 𝑆 ⊆ ℕ, tal que la tasa de transición entre estados es no nula solo por las parejas de estados 𝑖, 𝑗 ∈ 𝑆 tales
que |𝑖 − 𝑗| = 1. Usualmente, se nombran los estados de forma incremental a partir de cero, y se denota con 𝜆𝑖 la
tasa de nacimiento del estado 𝑖 − 1, y con 𝜇𝑖 la tasa de muerte del estado 𝑖. Con esta convención, el diagrama de
estado transición adquiere la forma muy sencilla que se muestra en la Figura 2.

Figura 2: Diagrama de estado y transición para un proceso de nacimiento y muerte.

Nótese que no necesariamente tiene que ser 𝜆𝑖 > 0 por todo 𝑖 , ni que 𝜇𝑖 > 0 por todo 𝑖. La estructura que se
observa en el diagrama de estado y transición se refleja en una estructura igualmente simple en la matriz de tasas
de transición ℚ del proceso, como se muestra en la Figura 3, omitiendo de escribir el valor de los elementos
diagonales por efectos de una visualización más clara. La matriz en Figura 3 posee una estructura tridiagonal, es
decir, presenta elementos no nulos solamente en la diagonal principal (elementos 𝑞𝑖𝑗 ), en la primera diagonal
superior (elementos 𝑞𝑖,𝑖+1) y en la primera diagonal inferior (elementos 𝑞𝑖,𝑖−1).

𝜆1 0 0 ⋯
𝜇1 𝜆2 0 ⋯
ℚ= 0 𝜇2 𝜆3 ⋯
0 0 𝜇3 ⋯
[⋮ ⋮ ⋮ ⋮ ⋱]
Figura 3: Estructura tridiagonal de la matriz Q de tasas de transición para procesos de nacimiento y muerte.

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

Nota: la estructura tridiagonal de la matriz, que permite reconocer que un proceso pertenece a la clase de los
procesos de nacimiento y muerte, se observa con un ordenamiento adecuado de los estados. Una permutación
de los estados (por ejemplo, el ordenamiento {1,0,3,2, … } no permitiría apreciar la estructura regular del proceso.

11.3. Análisis de procesos de nacimiento y muerte ergódicos

Para el análisis de un proceso de nacimiento y muerte se pueden obviamente utilizar todas las técnicas para
cadenas de Markov en tiempo de continuo. Sin embargo, si el proceso es ergódico, el análisis en el estado
estacionario se vuelve particularmente sencillo, debido a la estructura regular del proceso.

Dado que un proceso de nacimiento y muerte es una cadena de Markov en tiempo continuo, para que este sea
ergódico, es necesario que satisfaga las siguientes condiciones (véase la nota de clase sobre clasificación de
cadenas):

1. Si el espacio de estado es finito, es necesario que sea irreducible;

2. Si el espacio de estados es infinito, es necesario que sea irreducible y que todos los estados sean
recurrentes.

En el caso al punto 1, es fácil entender que, dada la particular estructura del proceso, si 𝜆𝑖 > 0 y 𝜇𝑖 > 0 por todo
𝑖, la cadena es irreducible y entonces el proceso de nacimiento y muerte será ergódico.

En el caso al punto 2, además de requerirse 𝜆𝑖 > 0 y 𝜇𝑖 > 0 por todo 𝑖 para asegurar la irreducibilidad, es necesario
que las tasas sean tales que el estado de la cadena no crezca indefinidamente. No es posible determinar una
condición necesaria sobre las tasas, pero es fácil dar una suficiente que tiene un interés práctico. En particular, si
existe un estado 𝑘 tal que para cualquier otro estado 𝑗 > 𝑘 siempre se cumple que 𝜆𝑗 < 𝜇𝑗 (es decir, existe un
cierto estado 𝑘 después del cual es siempre más probable que el número de entidades disminuya en lugar de que
aumente), entonces la cadena será ergódica.

Si la cadena es ergódica, es posible realizar el análisis para el cálculo de la distribución estacionaria de

probabilidad, y debido a la particular estructura del proceso, este cálculo se lleva a cabo analíticamente,
obteniendo unas expresiones explicitas para las probabilidades estacionarias, en función de las tasas de transición
del proceso.

11.4. Análisis de procesos de nacimiento y muerte ergódicos finitos

Sea {𝑋(𝑡), 𝑡 ≥ 0} un proceso de nacimiento y muerte con espacio de estados finito 𝑆 = {0,1,2, … , 𝑛}. El diagrama
de estado y transición del proceso será entonces el siguiente:

Para el análisis del estado estacionario, escribimos las ecuaciones del balance. La ecuación para el estado 0 nos
proporciona la siguiente relación entre las probabilidades de estado estacionarias 𝜋0 y 𝜋1 :

𝜆1 𝜋0 = 𝜇1 𝜋1 (1)

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

La ecuación para el estado 1 la ecuación del balance es

(𝜆2 + 𝜇1 )𝜋1 = 𝜇2 𝜋2 + 𝜆1 𝜋0 (2)

Para el estado 2 es la siguiente

(𝜆3 + 𝜇2 )𝜋2 = 𝜇3 𝜋3 + 𝜆2 𝜋1 (3)

Comparando las dos ecuaciones anteriores, es fácil darse cuenta de que todas las ecuaciones desdé el estado 1
hasta el estado n-1 tienen la misma forma, por lo cual es posible escribir una ecuación general de balance para el
estado 𝑖, 0 < 𝑖 < 𝑛, como sigue:

(𝜆𝑖+1 + 𝜇𝑖 )𝜋𝑖 = 𝜇𝑖+1 𝜋𝑖+1 + 𝜆𝑖 𝜋𝑖−1 (4)

Finalmente, la ecuación del balance para el estado 𝑛 es la siguiente:

𝜇𝑛 𝜋𝑛 = 𝜆𝑛 𝜋𝑛−1 (5)
Dada la forma de las ecuaciones, es posible encontrar su solución con un procedimiento iterativo. De la ecuación
(1) para el estado 0, hallamos 𝜋1 = 𝜋0 𝜆1 /𝜇1. Si reemplazamos esta expresión en la ecuación (2) del estado 1,
obtenemos:
𝜋0 𝜆1 𝜋0 𝜆1 𝜆2 𝜋0 𝜆1 𝜆2
(𝜆2 + 𝜇1 ) = 𝜇2 𝜋2 + 𝜆1 𝜋0 ⇒ + 𝜋0 𝜆1 = 𝜇2 𝜋2 + 𝜆1 𝜋0 ⇒ = 𝜇2 𝜋2
𝜇1 𝜇1 𝜇1
𝜋0 𝜆1 𝜆2
⇒ 𝜋2 = (6)
𝜇1 𝜇2
𝜋0 𝜆1 𝜆2 𝜆3
Repitiendo este proceso en la ecuación (3) se obtiene 𝜋3 = , y así en seguida para todas las ecuaciones,
𝜇1 𝜇2 𝜇3
de modo que todas las probabilidades estacionarias son directamente proporcionales a 𝜋0 según un factor que es
una función de las tasas. Para simplificar la notación, definamos las constantes 𝑐𝑗 , 0 < 𝑗 ≤ 𝑛, como sigue:
𝑗
𝜆1 𝜆2 ⋯ 𝜆𝑗 ∏𝑗𝑖=1 𝜆𝑖 𝜆𝑖
𝑐𝑗 = = 𝑗 =∏ (7)
𝜇1 𝜇2 ⋯ 𝜇𝑗 ∏ 𝜇𝑖 𝜇𝑖
𝑖=1 𝑖=1

De modo que podemos escribir las probabilidades estacionarias de estado como 𝜋𝑗 = 𝜋0 𝑐𝑗 , 0 < 𝑗 ≤ 𝑛. Ahora
bien, para completar el cálculo, es necesario determinar el valor del 𝜋0 , lo cual se realiza a través de la ecuación
de normalización, como sigue:
𝑛 𝑛 𝑛 𝑛

∑ 𝜋𝑗 = 1 ⇒ 𝜋0 + ∑ 𝜋0 𝑐𝑗 = 1 ⇒ 𝜋0 + 𝜋0 ∑ 𝑐𝑗 = 1 ⇒ 𝜋0 (1 + ∑ 𝑐𝑗 ) = 1
𝑗=0 𝑗=1 𝑗=1 𝑗=1
−1
𝑛

⇒ 𝜋0 = (1 + ∑ 𝑐𝑗 ) (8)
𝑗=1

La expresión (8) completa el cálculo de las probabilidades de estado, que quedan determinadas por todo proceso
de nacimiento muerte con espacio de estados finito. Al reemplazar en las expresiones para las probabilidades los
valores puntuales de las tasas, se encuentran los valores de dichas probabilidades.

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

11.5. Análisis de procesos de nacimiento y muerte ergódicos infinitos

Si el espacio de estados de un proceso de nacimiento y muerte ergódico es infinito, queda valida la forma general
de las ecuaciones del balance, proporcionada por la (4). Es decir, para todo estado 𝑖, 𝑖 > 0, las probabilidades
estacionarias satisfacen la siguiente igualdad:

(𝜆𝑖+1 + 𝜇𝑖 )𝜋𝑖 = 𝜇𝑖+1 𝜋𝑖+1 + 𝜆𝑖 𝜋𝑖−1 (9)

Para el estado 0, la ecuación del balance sigue siendo igual a la (1), y no habrá ecuaciones de otra forma, dado
que no existe un estado límite superior. El análisis procede entonces de la misma manera, ya que es posible
expresar cada probabilidad estacionaria 𝜋𝑗 como 𝜋𝑗 = 𝜋0 𝑐𝑗 , siendo 𝑐𝑗 definido como en la (7).

En la normalización para el cálculo del 𝜋0 aparece ahora una suma infinita. En efecto será:
∞ ∞ ∞ ∞

∑ 𝜋𝑗 = 1 ⇒ 𝜋0 + ∑ 𝜋0 𝑐𝑗 = 1 ⇒ 𝜋0 + 𝜋0 ∑ 𝑐𝑗 = 1 ⇒ 𝜋0 (1 + ∑ 𝑐𝑗 ) = 1
𝑗=0 𝑗=1 𝑗=1 𝑗=1
−1
∞

⇒ 𝜋0 = (1 + ∑ 𝑐𝑗 ) (10)
𝑗=1

Aquí es importante observar que la ergodicidad de la cadena garantiza la convergencia de la suma infinita en el
denominador de la expresión (10) que define el valor de 𝜋0 . Dado que supusimos que existe un estado 𝑘 tal que
𝜆𝑗 < 𝜇𝑗 por todo estado 𝑗 > 𝑘, escribimos la suma infinita como sigue:

∞ 𝑘 ∞

∑ 𝑐𝑗 = ∑ 𝑐𝑗 + ∑ 𝑐𝑗 (11)
𝑗=1 𝑗=1 𝑗=𝑘+1

En el lado derecho de la (11) la primera suma es obviamente finita, por lo cual la suma total en el lado izquierdo
será finita si y solo si la segunda suma en el lado derecho es finita. Ahora bien, podemos fácilmente encontrar una
cota superior al valor de 𝑐𝑗 por todo 𝑗 > 𝑘, definiendo, de la siguiente forma:

𝜆𝑘+1 𝜆𝑘+2 ⋯ 𝜆𝑗 𝜆𝑘+1 𝜆𝑘+2 𝜆𝑘+2

𝑐𝑗 = 𝑐𝑘 = 𝑐𝑘 ⋯ < 𝑐𝑘 𝛽 𝑗−𝑘 (12)
𝜇𝑘+1 𝜇𝑘+2 ⋯ 𝜇𝑗 𝜇𝑘+1 𝜇𝑘+2 𝜇𝑘+2
donde 𝛽 = max{𝜆𝑗 /𝜇𝑗 }. De esta manera, será
𝑗>𝑘

∞ ∞ ∞ ∞
𝑗−𝑘 𝑗−𝑘
𝛽
∑ 𝑐𝑗 < ∑ 𝑐𝑘 𝛽 = 𝑐𝑘 ∑ 𝛽 = 𝑐𝑘 ∑ 𝛽 𝑗 = 𝑐𝑘 (13)
1−𝛽
𝑗=𝑘+1 𝑗=𝑘+1 𝑗=𝑘+1 𝑗=1

de modo que también el segundo término en el lado derecho de la (11) es finito. Nótese que para obtener la
última expresión en la (13) hemos utilizado la nota formula de la suma de la serie geométrica.

Ejemplo 2. Retomamos el ejemplo del proceso de nacimiento y muerte que modela la población de ballenas, y
determinemos la solución estacionaria para la probabilidad de estado.

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

Observamos que el proceso es ergódico porque por todo estado 𝑖 es 𝜆𝑖 = 𝜆 > 0 y 𝜇𝑖 = 𝑖𝜇 > 0, por lo cual la
irreducibilidad de la cadena es asegurada. Además, la tasa con la cual las ballenas abandonan la población es
proporcional al número de ballenas, mientras que la tasa de llegada es constante. Por ende, existe seguramente
un estado del proceso después del cual la tasa de muerte se vuelve mayor que la tasa de nacimiento (será el
primer estado 𝑘 por el cual es 𝜆 < 𝑘𝜇).

Por los resultados de la sección anterior, será entonces 𝜋𝑗 = 𝜋0 𝑐𝑗 , siendo el factor 𝑐𝑗 como sigue:

𝜆𝑗 𝜆𝑗 1 𝜆 𝑗
𝑐𝑗 = = = ( ) (14)
𝜇 ∙ 2𝜇 ∙ 3𝜇 ⋯ 𝑗𝜇 𝑗! 𝜇 𝑗 𝑗! 𝜇
El valor del 𝜋0 será:
−1 −1 −1
∞ ∞ ∞
1 𝜆 𝑗 1 𝜆 𝑗 −1
𝜋0 = (1 + ∑ 𝑐𝑗 ) = (1 + ∑ ( ) ) = (∑ ( ) ) = (𝑒 𝜆/𝜇 ) = 𝑒 −𝜆/𝜇 (15)
𝑗! 𝜇 𝑗! 𝜇
𝑗=1 𝑗=1 𝑗=0

Uniendo los resultados en la (14) y la (15), se obtiene que la distribución estacionaria de la probabilidad de estado
para el modelo de la población de ballenas es una 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆/𝜇).

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.