Proceso Estocástico Manual

FACULTAD DE INGENIERA ESTADSTICA E INFORMTICA
Ing. Luis Hugo HUACASI VASQUEZ

1
PROCESOS ESTOCASTICOS

Algunas veces se esta interesado en como cambia una variable aleatoria con el
tiempo. Por ejemplo es posible que se desee saber cmo evoluciona el precio
de una parte de las acciones o la participacin en el mercado de una empresa.
El estudio de cmo una variable aleatoria cambia con el tiempo incluye
procesos estocsticos, y para poder explicar este tipo de estudio en particular
de proceso estocsticos discretos se fija la atencin en un tipo de proceso
estocstico conocido como cadena de Markov. Las cadenas se Markov se han
aplicado en reas como la educacin, comercializacin, servicios de salud,
finazas contabilidad y produccin. Un proceso estocstico contino en el
tiempo. Es simplemente un proceso estocstico en el que el estado del
sistema se puede ver en cualquier instante, no solo en instantes discretos del
tiempo. Por ejemplo el nmero de personas en un supermercado t minutos
despus que la tienda abre se considerar como un proceso estocstico
contino en el tiempo.

Qu es un proceso estocstico?
Supongamos que se observan algunas caractersticas en de un sistema en
puntos discretos en el tiempo (identificados como 0,1,2,3, ). Sea X
t
el valor
de la caracterstica del sistema en el tiempo t. En la mayora de las situaciones,
X
t
no se conoce con certeza antes del tiempo t y se podra considerar como
una variable aleatoria. Un proceso estocstico discreto en el tiempo es
simplemente una descripcin de la relacin entre las variables aleatorias
X
0
,X
1
,X
2
, . . .

En Matemticas y en concreto en Estadstica y Teora de la Probabilidad un
proceso aleatorio o proceso estocstico es un concepto matemtico que sirve
para caracterizar y estudiar todo tipo fenmenos aleatorios (estocsticos) que
evolucionan, generalmente, con el tiempo.

Una definicin informal sera la siguiente:


2
Un proceso estocstico es una sucesin de variables aleatorias indexadas por
una variable (continua o discreta), generalmente, el tiempo. Cada una de las
variables aleatorias del proceso tiene su propia funcin de distribucin de
probabilidad y, entre ellas, pueden estar correlacionadas o no.

A continuacin se dan algunos ejemplos de procesos estocsticos discretos en
el tiempo.

La ruina del jugador

En el tiempo 0, tengo $2 en los tiempos 1,2, . . ., participo en un juego en el que
apuesto $1. Con probabilidad p, gano el juego, y con probabilidad 1-p, pierdo el
juego. Mi objetivo es incrementar el capital a $4, y cuando lo logre se termina el
juego El juego tambin se termina si mi capital se reduce a $0. Si se define X
t

como mi capital despus de que se juega el tiempo en el tiempo t(si existe)
entonces X0,X
1
, X
2
, . . .X
t
se podra considerar como un proceso estocstico
discreto en el tiempo t. Observe que X
0
=2 , es una constante conocida, pero X
1

y las X
t
posteriores son aleatorias. Por ejemplo con probabilidad p, X
1
=3, y con
probabilidad (1-p), X
1
= 1. Observe que X
t
=4 ,entonces X
t+1
y las X
t
posteriores
tambin sern igual a 4. de manera similar, si X
t
= 0, entonces todas las
posteriores X
t-1
y las adicionales X
t
tambin sern igual a 0, por razones
evidentes, este tipo de situaciones se llama la ruina del jugador.

Eleccin de colas de una Urna
Por ejemplo una urna tiene dos bolas sin pintar. Se elige una bola al azar y se
lanza una moneda. Si la bola elegida no esta pintada y resulta cara en la
moneda, se pinta de rojo la bola; si la bola est pintada, entonces (ya sea que
resulte cara o cruz en los lanzamientos de la moneda) se cambia el color de la
bola (de rojo a negro y de negro a rojo). Para modelar esta situacin como un
proceso estocstico, se define el tiempo t como el tiempo despus que se lanzo
la moneda por t-sima vez y se pinto la bola elegida.
El estado en cualquier instante se podra describir mediante el vector [u r b] ,
donde u es el numero de bolas sin pintar en la urna, r es el numero de bolas
rojas en la urna y b es el numero de bolas negras en la urna. Se tiene que X
0
=

3
[2 0 0]. Despus del lanzamiento de la primera moneda, se tiene una bola
pintada de rojo o negro y el estado ser [1 1 0] o [1 0 1]. Por consiguiente, se
puede estar seguro de que X
1
= [1 1 0] X
1
=[1 0 1]. Resulta claro que debe de
haber alguna clase de relacin entre las X
t
. Por ejemplo, si X
t
= [0 2 0], se
puede estar seguro de que X
t+1
ser [0 1 1]

El concepto de variable aleatoria
Los experimentos se conciben de manera que los resultados del espacio
muestral son cualitativos o cuantitativos.
Ejemplo:
Como resultados cualitativos se tienen
a) El lanzamiento de una moneda es cara o sello
b) Un producto manufacturado en una fabrica puede ser defectuoso2 o no
defectuoso
c) Una persona en particular puede preferir la locin X sobre la locin Y.

Entonces podemos decir que puede ser til la cuantificacin de los resultados
cualitativos de un espacio maestral y, mediante el empleo de medidas
numrica, estudiar su comportamiento aleatorio. Por lo que el concepto de
variable aleatoria proporciona un medio para relacionar cualquier resultado con
una medida cuantitativa.

Definicin
Sea S un espacio muestral sobre el que se encuentra definida una funcin de
distribucin de probabilidad. Sea X una funcin de valor real definida sobre S,
de manera que transforme los resultados de S en puntos sobre la recta de los
reales. Se dice entonces que X es una variable aleatoria.
Se dice que S es aleatoria por que involucra la probabilidad de los resultados
del espacio muestral, y X es una funcin definida sobre el espacio muestral, de
manera que transforma todos los posibles resultados del espacio muestral en
cantidades numricas.

Ejemplo


4
Considrese como variable aleatoria el lanzamiento de una moneda. El espacio
muestral esta constituido por dos posibles resultados Cara y Sello. Sea
X(sello)= 0 y X(cara)=1; de esta manera se a transformado los dos posibles
resultados del espacio muestral en puntos sobre la recta de los reales.
Por P(X=0) se entender de que la variable aleatoria tome el valor cero o, de
manera equivalente, la probabilidad de que caiga sello cuando se lance la
moneda.

Variable aleatoria discreta
Se dice que una variables aleatoria X es discreta si el numero de valores que
puede tomar es contable (ya sea finito o infinito), y si estos pueden arreglarse
en una secuencia que corresponde con los enteros positivos En general la
variables aleatorias discretas representan datos que provienen del conteo del
numero de elementos.

Variable aleatoria Continua
Se dice que una variable aleatoria X es continua si sus valores consisten en
uno o ms intervalos de la recta de los reales. En general las variables
aleatorias continuas representan mediciones, como, tiempo, peso, longitud,
unidades monetarias, etc.

Distribucin de probabilidad de Variables aleatorias discretas.
Una variable aleatoria discreta X representa los resultados de un espacio
muestral en forma tal que por P(X=x) se entender la probabilidad de que X
tomo el valor de x. de esta forma al considerar los valores de una variable
aleatoria es posible desarrolla una funcin matemtica que asigne una
probabilidad a cada realizacin de x de la variable aleatoria X. Esta funcion
recibe el nombre de Funcin de probabilidad de la variablea aleatoria X.
El termino mas general, Distribucin de Probabilidad, se refiere a la
coleccin de valores de la variable aleatoria y a la distribucin de probabilidad
entre stos.
Entonces hacer referencia a la distribucin de probabilidad de X no slo implica
la existencia de la funcin de probabilidad, sino tambin la existencia de la
funcin de distribucin acumulativa.

5

Definicin sea X una variable aleatoria discreta, se denomina funcion (ley o
modelo o distribucin) de probabilidad de X, a la funcin f(x) definida para
todo x numero real por:
f(x) = p(x)=P(X=x)
si satisface las siguientes condiciones o propiedades:

1) p(x) >= 0 para todos los valores de x de X que pertenecen a los reales
2) ( ) 1
x
p x =

La funcin de distribucin a cumulada de la variable aleatoria x es la
probabilidad de que X sea menor o igual a un valor esperadote x y esta dada
por:

( ) ( ) ( )
i
i
x x
F x P X x p x
s
= s =

Por lo tanto en el caso discreto, una variable aleatoria X est caracterizada por
la funcin de la probabilidad puntual p(x), la cual determina la probabilidad
puntuadle que X=x, y por la funcin de distribucin acumulada F(x) la que
representa la suma de las probabilidades puntuales hasta el valor x de X
inclusive.

Ejemplo: considere el lanzamiento de dos dados. Si X es la variable aleatoria
que representa la suma de las caras,
a) Cual es el espacio muestral
b) Cual es la funcin de probabilidad de X
c) Representa grficamente la suma de las caras de los dados

1 2 3 4 5 6
1 1,1 1,2 1,3 1,4 1,5 1,6
2 2,1 2,2 2,3 2,4 2,5 2,6
3 3,1 3,2 3,3 3,4 3,5 3,6


6
4 4,1 4,2 4,3 4,4 4,5 4,6
5 5,1 5,2 5,3 5,5 5,5 5,6
6 6,1 6,2 6,3 6,5 6,5 6,6

Resultados Valor de
la v.a.
Numero de
ocurrencia
Probabilidad
(1,1) 2 1 1/36
(1,2), (2,1) 3 2 2/36
(1,3), (2,2), (3,1) 4 3 3/36
(1,4), (2,3), (3,2), (4,1) 5 4 4/36
(1,5), (2,4), (3,3), (4,2), (5,1) 6 5 5/36
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1) 7 6 6/36
(2,6), (3,5), (4,4), (5,3), (6,2) 8 5 5/36
(3,6), (4,5), (5,4), (6,3) 9 4 4/36
(4,6), (5,5), (6,4) 10 3 3/36
(5,6), (6,5) 11 2 2/36
(6,6) 12 1 1/36

la funcin de probabilidad de X

6 (7 )
2, 3, 4,...,12
( ) 36
0
x
x
p x
paracualquier otrovalor

=

=
`

)


7
0
1/50
1/25
3/50
2/25
1/10
3/25
7/50
4/25
9/50
2 3 4 5 6 7 8 9 10 11 12

El proceso de Poisson y la distribucin exponencial

En la mayora de los sistemas de colas, el proceso de llegadas sigue una
distribucin de Poisson. Se demuestra que si se da esta circunstancia, la
duracin de los intervalos entre llegadas tiene una distribucin exponencial o
una combinacin continua de exponenciales, es decir, una distribucin gamma,
que recibe el nombre de distribucin erlangiana, o distribucin K.

En efecto, si llamamos

P t
n
( )

a la probabilidad de que en un tiempo t el nmero de usuarios que acceden al
sistema sea n y esta probabilidad sigue una ley de Poisson de la forma:
( )
P t e
t
n
n
t
n
( )
!
=

entonces, la probabilidad de que el tiempo entre llegadas sea mayor o igual a
T (que es igual a la probabilidad de que no haya ninguna llegada en un
intervalo de duracin T ), es:

( ) P t T P T e
T
> = =

0
( )



8
Por tanto, la probabilidad de que el intervalo entre llegadas sea menor o
igual a T es:
( ) P t T e
T
s =

1

que es una ley de distribucin exponencial. En estas condiciones, el valor
medio del intervalo entre llegadas ser:
| |
E T =
1

donde es el nmero de llegadas por unidad de tiempo, que recibe el nombre
de tasa de llegadas.
La distribucin exponencial tiene la propiedad de prdida de memoria:

( )
( )
( )
( )
( )
( ) P t T S t S
P t T S t S
P t S
P t T S
P t S
e
e
e P t T
T S
S
T
> + > =
> + >
>
=
> +
>
= = = >
+

;
( )

Puesto que el nmero de llegadas en un intervalo de tiempo es una
magnitud completamente aleatoria que sigue un proceso de Poisson, es claro
que el proceso de llegadas es un proceso de nacimiento puro. Por tanto, el
proceso de servicio se debe disear de forma que su duracin sea de forma
exponencial pura, es decir, como un proceso de muerte pura. De esta forma, el
sistema de colas podr estudiarse como un proceso de nacimiento y muerte.

A continuacin veremos algunos ejemplos de manejo de las
distribuciones de Poisson y exponencial.

Ejemplo 1:
Supongamos un ordenador al que llegan dos tipos de trabajos, largos y
cortos, segn distribuciones de Poisson independientes con parmetros
L
y
C
, respectivamente. Se pide:

a) Probar que la probabilidad de que lleguen exactamente m trabajos
cortos entre dos largos es:

L
L C
C
L C
m
+ +
|
\
|
.
|

9

b) Suponiendo que en un cierto intervalo llegan al ordenador n trabajos,
cul es la probabilidad de que k de ellos sean del tipo corto?

Supongamos que el primer trabajo largo llega en un instante t
1
0 = ; el
segundo trabajo largo llegar en otro instante t t
2
= . La longitud t de este
intervalo ser la realizacin de una variable exponencial de parmetro
L
.
Llamaremos N
t
C
0,
al nmero de trabajos cortos que llegan en ese intervalo. La
probabilidad pedida es:

( ) ( )
P N m P N m T t f t dt
t
C
t
C
T 0 0
0
, ,
( ) = = = =
}

donde f t
T
( ) es la exponencial antes referida. Entonces:

( )
( )
P N m
e t
m
e dt
t
C
t
C
m
L
t
C
L
0
0
,
!
= = =

( )
( )
( )
}
+
+
+
+
+
=
0
1
1
!
dt e t
m
t
L C
m
m
L C
m
L C
L
m
C

Por otra parte, la funcin Gamma responde a la siguiente expresin:

( ) dx e x
x
}

= I
0
1

y una de sus propiedades es que se cumple:

( ) ( ) I = + I 1

por tanto, recursivamente, resulta:

( ) ! 1 = + I



10
Si hacemos 1 + = m y at x = , tenemos

( ) ( ) ! 1
0
1
0
m dt e t a dt a e at m
at m m at m
= = = + I
} }

+

y, por tanto,
1
! 0
1
=
}
+
dt e t
m
a
at m
m

de donde, haciendo
C L
a + = , obtenemos que
( )
( )
m
L C
L
m
C C
t
m N P

+
= =
, 0

En respuesta a la segunda cuestin, el nmero total de trabajos que
llegan al ordenador en un cierto intervalo ser:
N N
t
L
t
C
0 0 , ,
+
que, por ser ambas distribuciones independientes, ser una distribucin de
Poisson de parmetro
L C
+ . Por tanto, la probabilidad pedida ser:

( )
( )
( )
P N k N N n
P N k N N n
P N N n
t
C
t
L
t
C
t
C
t
L
t
C
t
L
t
C
0 0 0
0 0 0
0 0
, , ,
, , ,
, ,
;
= + = =
= + =
+ =
=

( )
( )
( ) ( )
( )
( )
( )
| |
=
= =
+ =
=

+
=

+
P N k N n k
P N N n
e t
k
e t
n k
e t
n
t
C
t
L
t
L
t
C
t
c
k
t
L
n k
t
L C
n
C L
L C
0 0
0 0
, ,
, ,
;
! !
!

( ) ( ) ( )
=
+
=
|
\
|
.
|
+
=
|
\
|
.
|
+
|
\
|
.
|
+
|
\
|
.
|

C
k
L
n k
L C
n
C
k
L
n k
L C
n
C
L C
k
L
L C
n k
n
n k k
n
k
n
k
!
! !

que corresponde a una distribucin binomial de parmetros:

Bin n
C
L C
,

+
|
\
|
.
|


11
Ejemplo 2:
El tiempo de vida de un tubo fluorescente hasta que deja de funcionar es
una exponencial de parmetro 10 horas. Una persona entra en una habitacin
mientras el tubo fluorescente est funcionando. Si quiere trabajar cinco horas,
cul es la probabilidad de que finalice su trabajo antes de que el fluorescente
deje de funcionar? Si la vida del fluorescente no fuese exponencial, cul sera
la probabilidad anterior?

Si llamamos t al tiempo de vida del tubo fluorescente, la probabilidad
pedida es:

( ) ( ) P t P t F e e > = s = = = =

5 1 5 1 06065
5
1
2
(5) .

Si el tiempo de funcionamiento no es exponencial, puede ser que siga
una distribucin con memoria. Por tanto, en general:
( )
P T t T t
F t
F t
> + > =
+
5
1 5 ( )
( )

Ejemplo 3:
En un equipo de msica compuesto por radio y altavoz, el tiempo de vida
de la radio es exponencial de parmetro 1000 horas y el del altavoz es
exponencial con parmetro 500 horas. Cul es la probabilidad de que falle
antes la radio?
Si llamamos X
1
al tiempo de vida de la radio y X
2
al del altavoz, la
probabilidad pedida es:
( ) ( ) ( ) P X X P X X X x f x dx P X x e dx
X
x
1 2 1 2 2
0
1 2
0
2
2
< = < = = < =
} }
( )

( )
= =

}
1
1 2
2
0
e e dx
x x

( )
=
} }

2
0
2
0
2 1 2
e dx e dx
x x

Como la primera integral es igual a uno, tenemos:

( ) P X X
1 2
2
1 2
1
1 2
1
1
3
< =
+
=
+
=



12
Ejemplo 4:
Consideremos un punto fijo en una autopista. Sean U U
1 2
, , ... la sucesin
de tiempos entre llegadas de vehculo a este punto. Supongamos que U U
1 2
, , ...
son variables aleatorias independientes e idnticamente distribuidas, con
distribucin:

( ) P U t e te
k
t t
s =

1

Calcular la distribucin del nmero de vehculos que pasan por ese
punto fijo durante el intervalo de tiempo ( ) 0, t .

Llamemos N
t
al nmero de vehculos que pasan por el punto durante un
intervalo de duracin t y T
n
al instante en el que pasa el n-simo vehculo.
Entonces la probabilidad de que el n-simo vehculo pase dentro del intervalo
( ) 0, t es igual a la probabilidad de que el nmero de vehculos que pasa durante
el intervalo sea mayor que n :

( ) ( )
( )
P T t P N n
e t
k
para t
n t
t
k
k
n
s = > = >
1 0
0
1

!

Una variable aleatoria T
n
que tiene una distribucin de este tipo, se dice
que sigue una distribucin de Erlang de parmetros ( ) , n ; en concreto, las
variables U
k
siguen una distribucin de Erlang de parmetros ( ) ,2 .


13
Proceso Estocstico Lneas de Espera
Qu es una Lnea de Espera?
Un sistema de lnea de espera se define de modo que incluya la propia lnea de
espera (o cola) y los camales de servicio. El numero de clientes en el sistema
en el que cualquier instante en el tiempo esta dado por el nmero de la lnea
ms el numero en servicio. La figura 01 muestra los elementos bsicos de un
sistema de colas con c servidores en paralelo. .[Taha, 1981, Pg. 452]

Figura 01 Modelo de lnea de espera (cola)

Se introducen ahora varias definiciones y notaciones bsicas que se utilizan en
la solucin de procesos de colas.

Caractersticas existentes en modelos de colas o lneas de espera.
Un sistema de espera se especifica completamente por seis caractersticas
principales.
1. Distribucin de entradas o llegadas (tiempo entre llegadas).
2. Distribucin de salidas o retiros (tiempo de servicio).
3. Canales de servicio.
4. Disciplina de servicio.
5. Numero mximo de clientes permitidos en el sistema.


14
6. Fuente o poblacin.

Las distribuciones de llegadas y retiros
Determinan los modelos por los cuales el nmero de clientes llega y sale del
sistema. Las llegadas tambin pueden representarse por el tiempo entre
llegadas, que define el periodo entre dos llegadas sucesivas. Similarmente,
las salidas pueden describirse utilizando el tiempo de servicio, (entre
salidas) que define el tiempo entre los inicios de dos servicios sucesivos.
Estas distribuciones usualmente estn determinadas por muestreo de las
situaciones reales
Los canales de servicio
Pueden disponerse en paralelo o en serie, o como una combinacin mas
complicada de ambas, dependiendo del diseo del mecanismo de servicio
del sistema. En el caso de canales paralelo, varios clientes pueden ser
atendidos simultneamente. Para canales en serie, un cliente pasa
sucesivamente por todos los canales antes de que se termine el servicio.
Un modelo de colas se denomina modelo de un servicio cuando el sistema
tiene solamente un servidor, y como modelo de mltiples servidores cuando
el sistema tiene un cierto numero de canales en paralelo cada uno con un
servidor.. Pueden construir tambin modelos para situaciones en serie y
como redes. El anlisis en estos ltimos casos, sin embargo, no es tan
simple como en el modelo de un solo servidor y de mltiples servidores.
La disciplina de servicio
Es una regla para seleccionar clientes de la lnea de espera al inicio del
servicio. La disciplina mas comn es la denominada "primero en llegar,
primero en salir (o ser atendido)" donde los clientes son atendidos para
comenzar el servicio en el orden estricto de sus llegadas. Otras disciplinas
son las que se designan por "ultimo en llegar, primero en salir", "al alzar" y
de prioridad". El ltimo caso ocurre cuando al llegar un cliente se le
concede prioridad para el servicio antes que a otros clientes que ya estn
en el sistema.
El nmero mximo en el sistema
Puede ser finito o infinito, dependiendo del diseo de la instalacin. Por
ejemplo, en algunas instalaciones nicamente se permite que espere en el

15
sistema un numero limitado de clientes. En este caso, a los nuevos clientes
que llegan no se les permiten unirse ala cola cuando se ha alcanzado su
limita mximo. En este caso se debe diferenciar del de frustracin, en el que
un cliente se rehsa unirse ala cola porque es demasiado larga, o el de
desercin, donde un cliente sale del sistema porque el tiempo de espera es
demasiado largo.

La fuente (o poblacin)
Representa un factor importante en el anlisis de teora de las colas ya que
el modelo de llegadas depende de la fuente de donde provienen los
clientes. La fuente que genera las llegadas puede ser finita o infinita. Existe
una fuente finita cuando una llegada afecta la tasa de llegadas de futuros
clientes potenciales. Un ejemplo ocurre en las situaciones de reparacin de
maquinas con un total de M maquinas. Antes de que cualquier maquina se
descomponga la fuente consta de M clientes potenciales. Una vez que una
maquina se ha descompuesto, se convierte en cliente y entonces es
incapaz de generar otra llamada hasta que se le haya servido (reparado).
Debe hacerse una distincin entre esto y la situacin donde la "causa" para
generar llamadas es ilimitada; sin embargo, esta causa limitada es capaz de
generar un numero infinito de llegadas. Por ejemplo en un lugar donde se
tiene varias mecangrafas, el numero de usuarios es limitado, pero cada
usuario tericamente podra generar un numero infinito de llegadas
(material para mecanografa).

Notacin de Kendall y Lee
Para clasificar los posibles tipos de sistemas de colas debemos especificar las
caractersticas que determinan los elementos que lo componen. As D.G.
Kendall (1953) introdujo una notacin til para modelos de espera con
servidores mltiples, que describe las caractersticas de un modelo de lnea de
espera, la distribucin de llegadas, la distribucin de salidas y el nmero de
canales de servicio en paralelo. Posteriormente A. Lee (1966) agrego la cuarta
y quinta caracterstica a la notacin; esto es, la disciplina de servicio y el


16
nmero mximo en el sistema. Y por ultimo de en la notacin de D.G. Kendall
y Lee se aumenta con la sexta caracterstica que describe la fuente. La
notacin completa se tiene en la siguiente forma simblica.
(a/b/c): (d/e/f)

Donde:

a
Distribucin de llegadas (o tiempos entre llagadas)
b
Distribucin de salidas (o tiempos de servicio)
c
Numero de canales de servicio en paralelo en el sistema
d
Disciplina de servicio
e
Numero mximo permitido (en servicio ms esperando) en el sistema
f
Fuente o poblacin

Los siguientes cdigos convencionales usualmente se utilizan para
reemplazar los smbolos a, b y d.

Smbolos a y b
M
Distribucin de poisson (markoviana) de llegadas o salidas (o,

equivalentemente, distribucin exponencial de los tiempos entre llegadas
o de servicio).
D
tiempo determinstico entre llagadas o servicio.

K
E
Distribucin de Erlang o gamma con parmetro k de tiempos entre
llegadas o de servicio
GI
Distribucin general independiente de llegadas (o tiempo entre

llegadas)
G
distribucin general de salidas (o tiempos de servicio)

Smbolo d
FCFS
primero en llegar, primero en salir (first come, first served)

LCFS
ultimo en llegar, primero en salir (last come, first served)

SIRO
servicio en orden aleatorio (service in random order)

GD
disciplina de servicio general (general service discipline)


17
El smbolo c se reemplaza por cualquier nmero positivo que representa el
nmero positivo que represente el nmero de servidores en paralelo. Los
smbolos e y f representan un numero finito o infinito en el sistema y la fuente
finita o infinita.

Para ilustrar el uso de esa notacin, considere (M / M / c): (FCFS / N /
). Esto
representa llegadas segn poisson (tiempo exponencial entre llegadas), salidas
segn poisson (tiempo exponencial de servidor), c servidores en paralelo, la
disciplina primero en llegar, primero en salir. N numero mximo permitido en
el sistema y fuente infinita.

Esta notacin no es adecuada para describir modelos complicados tales como
de colas en redes o colas en serie. Ser adecuado, sin embargo, para los fines
del presente estudio.
Una lnea de espera puede modelarse como un proceso estocstico en el
cual la variable aleatoria se define como el numero de transacciones en el
sistema en un momento dado; el conjunto de valores que puede tomar dicha
variable es {0,1,2,.N} y cada una de ellas tiene asociada un probabilidad de
ocurrencia {P
0
, P
1
,P
2
,P
N
}.

Definiciones de estado transitorio y estable.
El anlisis de la teora de lnea de espera involucra el estudio de un
comportamiento del sistema en el tiempo. Se dice que un sistema esta en un
estado transitorio cuando sus caractersticas de operacin (comportamiento)
varan con el tiempo. Usualmente esto ocurre en las primeras etapas de la
operacin del sistema donde su comportamiento todava depende de las
condiciones iniciales. Sin embargo, ya que esta mas interesado en el
comportamiento a largo plazo, la mayor parte de la atencin del anlisis de la
teora de lneas de espera se ha dirigido a los resultados de estado estable. Se
dice que prevalece una condicin de estado estable cuando el comportamiento
del sistema llega a ser independiente del tiempo.

Una condicin estable para alcanzar el estado estable que es el tiempo que se
pasa desde el inicio de la operacin sea suficientemente grande (en trminos


18
matemticos, esto equivale a decir que ese tiempo tiende a infinito). Esta
condicin sin embargo, no es suficiente, ya que los parmetros del sistema
pueden no permitir la existencia de un estado estable. Lo anterior significa que
los parmetros del sistema tambin deben verificarse. Por ejemplo, si algunas
situaciones la tasa de llegadas es mayor que la tasa de servicio no puede
alcanzar un estado estable, independientemente del tiempo que transcurra. En
efecto, en este caso la longitud de la cola aumenta al transcurrir el tiempo y
tericamente podra hacerse infinita.
En este manual nicamente se considera el anlisis de estados estables.
Aunque se dispone de las soluciones de estado transitorio para algunos
modelos, las herramientas matemticas complicadas necesarias para obtener
estas soluciones estn fuera de alcance de este manual. Se presentaran, sin
embargo, las ecuaciones diferenciales y de diferencias que pueden utilizarse
para lograr soluciones transitorias.

Smbolos utilizados para representa problemas de colas de servicios
Los smbolos siguientes se utilizan en relacin con modelos de colas. Se
recuerda al lector que un sistema de lneas de espera incluye por definicin lo
canales de servicio y las colas (vase en la figura 01)
n = numero de clientes en el sistema.
n
p (t )= probabilidad de estado transitorio de exactamente n clientes en el
sistema en el tiempo t suponiendo que el sistema comenz sus
operaciones en el tiempo cero.
n
p = probabilidades de estado estable de exactamente n clientes en el sistema.
= tasa media de llegadas (numero de clientes que llegan por unidad de
tiempo).
= tasa media de servidor por servidor ocupado (numero servido de clientes
por unidad de tiempo).
C = numero de servidores en paralelo.
P =
= intensidad de grafico.
c
= factor de utilizacin para c instalaciones de servicio.


19
( ) w T = f.d.p. del tiempo de espera en el sistema.
s
w = tiempo promedio de espera por cliente en el sistema.
= tiempo promedio de espera por cliente en la cola.

s
L = numero esperado de clientes en el sistema.
q
L =numero esperado de clientes en la cola

Relaciones entre , ,
s q S q
w w L yL
Puede comprobarse en condiciones muy generales de llegada, salida y
disciplina de servicio que se verificaran las formulas
q S
L w = Y
q q
L w =

Estas formulas son puntos clave al establecer las siguientes relaciones
importantes entre , , ,
s q s q
W W L L por definicin

1
q s
W W
=

Multiplicando ambos lados por y sustituyendo de las de las formulas
anteriores, se obtiene.

q s
L L =

Esto significa que el conocimiento de uno de los cuatro valores esperados
(junto con y ) deber proporcionar inmediatamente los otros tres valores.
En modelos de colas, suele ser mas fcil determinar
s
L (o
q
L ) a partir de
n
p ;
esto es

0
s n
n
L np
=
=
y
( )
q n
n c
L n c p
=
=

q
w


20
Por otra parte, una evaluacin directa de
s
w
y
q
w
puede no ser tan simple en
este caso dada ( )
s q
L oL , pueden utilizarse las formulas generales anteriores
para determinar
s
W Y
q
W
Las relaciones dadas no se cumplen directamente para los casos especiales
donde las llegadas ocurren con una tasa , pero no todas las llegadas se unen
al sistema (por ejemplo, en casos donde se alcanza la longitud de cola mxima
permisible y no se permite que ninguna nueva llegada se une a ala fila).sin
embargo redefiniendo para incluir nicamente estas llegadas que se unen al
sistema, se cumplen estas relaciones por consiguiente, si
ef
define la tasa de
llegadas, el valor de
ef
puede determinar convenientemente de

ef
q s
L L

=

Lo cual proporciona

( )
ef s q
L L =

(En algunos modelos, puede ser posible determinar
ef
diferentemente de los
parmetros del problema). Una vez que
ef
se conoce, entonces.

s
s
ef
L
W
= y
q
q
ef
L
W
=

DEDUCCION AXIOMATICA DE LAS DISTRIBUCIONES DE LLEGADAS Y DE
SALIDAS EN EL CASO DE LINEAS DE ESPERA DE COLAS DE POISSON.
Esta seccin, se deducirn las distribuciones de llagadas y de salidas en las
filas de poisson. Primero, se enunciaran los axiomas bsicos que gobiernan
este tipo de filas.

Axiomas bsicos.

21
Axioma 1: dado N (t), el numero de llagadas o salidas durante el intervalo
del tiempo (o, t), el proceso de probabilidad que describe N (t) tiene
incrementos independientes estacionarios.
Este axioma se aplica como sigue. Dado h, un incremento positivo,
entonces para
0 1
...... , ( 1)
k
t t t k + puntos en el tiempo, las dos variables
aleatorias
1
{ ( ) ( )
i i
N t N t
+
y
1
{ ( ) ( )}
i i
N t h N t h
+
+ + , siendo i=0,1,., k
1, son independientes e idnticamente distribuidas.

Axioma 2: en cualquier intervalo 0 h , existe una probabilidad positiva de
llegada (salida) pero esta probabilidad no es segura; esto es
{ ( ) 2} 0 P N h > = .

Estos axiomas sern utilizados ahora para deducir las distribuciones de
llegadas y salidas.

Distribucin de llegadas (modelo de nacimiento puro).
En este modelo se supone que nicamente se permiten las llegadas con
tasa por unidad de tiempo. Este caso algunas veces se denomina
modelo de nacimiento puro. Se supone que no existe nadie en el sistema e t
= 0 . las distribuciones de llegadas, por consiguiente, puede desarrollarse
como sigue.
Los axiomas anteriores implican que la probabilidad de una llegada durante
0( 0) , un pequeo incremento en el tiempo, es igual a
2
0( ) h h + , donde
2
0( ) h es un trmino con orden de magnitud mucho mas pequeo que h, y
entonces tendera a cero cuando
2
0 h .por el axioma 3, la probabilidad de
mas de una llegada tiende a cero cuando 0 h .esto significa que la
probabilidad de ninguna llegada durante h es aproximadamente igual a
(1 ), h donde por el axioma 2, se tiene que 0 1 1 h .



22
(0) llegadas

n n

n-1 n

0 0

h
t t+h

figura 02

Considere las probabilidades ( )
n
p t y ( )
n
p t h + se n clientes en el sistema
en los tiempos t y t + h, respectivamente. La figura 02 muestra todos los
cambios posibles en el numero en el sistema entre tiempos t y t + h. para
n > 0, el sistema tendr n clientes en t + h si (a) existen n cliente en t y
ninguna llegada ocurre una llegada durante h. para n = 0, el sistema no
tendr clientes en t + h si no existen clientes en t y ninguna llegada ocurre
durante h. ya que por el axioma 1, todas las probabilidades son
independientes e idnticamente distribuidas.

1
( ) ( )(1 ) ( ) ,
n n n
p t h p t h p t h
+ ~ + n >0
( ) ( )(1 ),
o o
p t h p t h + ~ n = 0
Reordenando los trminos, se obtiene.

1
( ) ( )
( ) ( )
n n
n n
p t h p t
p t p t
h

+
~ +

( ) ( )
( )
o o
o
p t h p t
p t
h

+
~


23
Tomando los limites cuando 0 h , se encuentra que

1
( ) ( )
n
p t p t

' =

0 0
( ) ( ) p t p t ' =

Donde ( )
n
p t ' es la primera derivada de ( )
n
p t con respecto al tiempo t .
Las ecuaciones resultantes se conocen como las ecuaciones diferenciales
y de diferencias, y su solucin esta dada por.

( )
( ) ,
!
n t
n
t e
p t
n

= n = 0, 1, 2, 3,

La cual es la distribucin de poisson con su valor esperado igual a t. Esto
significa que segn los axiomas bsicos. Las llegadas ocurren conforma a
una distribucin de poisson.

Obtencin de resultados
Las dos ecuaciones diferenciales anteriores pueden resolverse
directamente por induccin. Sin embargo, se utilizara la transformada z
introducida en la seccin. Por consiguiente, la primera ecuacin
proporciona

1 1 1
( ) ( ) ( )
n n n
n n
n n n
p t z p t z t z

= = =
' = +

Sumando la segunda ecuacin queda

1
0 0 1
( ) ( ) ( )
n n n
n n n
n n n
p t z p t z p t z

= = =
' = +

Sustituyendo



24
0
( , ) ( )
n
n
n
P z t p t z
=
=

Se obtiene
1 1 ( 1) 1
{ ( , )} { } { }
z t t tz
Z P z t Z e e Z e

= =
La ecuacin de la transformacin z se convierte en
( , ) ( , ) ( , ) p z t P z t zP z t ' = +

O bien
( , )
( 1)
( , )
dP z t
z dt
P z t
=

Resolviendo esta ecuacin diferencial en t,

Donde B es una constante. Ya que

0
( , 0) (0) 1 P z p = =
Entonces B =1 esto proporciona

( 1)
( , )
z t
P z t e

=

Utilizando la transformada z inversa, se encuentra que
1 1 ( 1) 1
{ ( , )} { } { }
z t t tz
Z P z t Z e e Z e

= =
Esto da
( )
( ) ,
!
t n
n
e t
p t
n
= n = 0, 1, 2,.
La cual es la distribucin de poisson con media y varianza igual a t.

Distribucin de tiempos entre llegadas
Los tiempos entre llegadas se definen como intervalos de tiempo entre dos
llegadas sucesivas. Dada la distribucin entre llegadas como sigue. Sea f (t ), t
>0, la funcin densidad de probabilidad de tiempo entre llegadas y definamos F
(t ) como la FDA de f ( t ).por consiguiente,

( 1)
( , )
z t
P z t Be

=

25
0
( ) ( )
t
F t f u du =
}

Puesto que el que no haya llegadas durante el intervalo (o,t ) equivale a un
tiempo entre llegadas mayor que t, resulta
0
0
( ) ( ) 1 ( ) 1 ( )
t
t
p t f u f u du F t
= = =
} }

De los resultados que
0
( )
t
p t e

=
Entonces 1 ( )
t
e F t

=
Derivando F (t) con respecto a t:
, 0
( )
0; 0
t
e t
f t
t

>
=
`
s
)

Esto demuestra que, para llegadas segn poisson, la distribucin de tiempo
entre llegadas es exponencial con media 1/ y varianza
2
1/
La distribucin exponencial tiene la propiedad nica de que, en cualquier
punto en el tiempo, el lapso hasta que ocurra la siguiente llegada es
independiente del que ha pasado desde que ocurri de la ultima llegada.
Esto es equivalente a expresar que.

{ / } { } P t T S t S P t T > + > = >

Para demostrar lo anterior considere que

(
{ , } {
{ / }
{ } {
T S
T
S
P t T S t S P t T S e
P t T S t S e
P t S P t S e
> + < > +

> + > = = = =
> >

La cual es independiente de S. esta propiedad usualmente se conoce como
carencia de memoria u olvido de la distribucin exponencial



26
Distribucin de salidas (modelo de fallecimiento puro)
En este modelo se suponme que existen N cliente en el sistema cuando t =
0. Tambin se supone que no se permite ninguna llegada. Las salidas
ocurren segn la tasa por unidad de tiempo. El objetivo es obtener la
distribucin de salidas de este sistema con base en los axiomas de la
seccin 2.1.
Para h > 0 pequeo, entonces
2
0( ) uh h + da la probabilidad de una salida
durante h. por el mismo argumento que en la seccin 2.2, el trmino
2
0( ) 0 h cuando 0 h . Por consiguiente, la probabilidad que no haya
salida es aproximadamente 1 . h entonces,

( ) ( )(1 ),
N N
p t h p t h + ~ n = N

1
( ) ( )(1 ) ( ) ,
n n n
p t h p t h p t h
+
+ ~ + 0 < n < N

0 0 1
( ) ( ).1 ( ) , p t h p t p t h + ~ + n = 0

Reordenando los trminos y tomando los lmites cuando 0 h , se tiene

( ) ( )
N N
p t p t ' = n = N

1
( ) ( ) ,
n n n
p t p t p
+
' = + 0 < n < N

0 1
( ) ( ) p t p t ' = n = 0

Estas ecuaciones dan

( )
( ) ,
( )!
N n t
n
t e
p t
N n
n = 1, 2, ..N

1
( ) 1 ( )
N
o n
n
p t p t
=
=


27

La cual es la distribucin de poisson truncada.

Obtencin de los resultados:
Este caso se resolver por induccin. De la ecuacin para n = N,

( ) ( )
n n
p t p t ' =
Lo cual de la solucin

( ) ,
t
N
p t Be

= B constante
Por las condiciones iniciales; (0) 1
N
p = por lo que B =1, o bien, ( )
t
N
p t e

=
De la ecuacin para 0 < n < N, se tiene que n = N 1 y ( )
t
N
p t e

= dan,
1 1 1
( ) ( ) ( )
t
N N N
p t e p t p t e

' = = +
La solucin de esta ecuacin diferencial es
( ) 1
( )
t t t
n
p e e dt B t B e

= + = +
}

Ya que
1
(0) 0,
N
p

= entonces B = 0 y
1
( )
t
N
p t te

=
En general, puede comprobarse por induccin que

1
( )
( ) ,
!
t t
N
e t
p t
i
= i = 1, 2, .N - 1
O, haciendo que N i = n ,

( )
( ) ,
( )
t
N n
n
t e
p t
N n
n = 1, 2, .,N
Para n = 0, la ecuacin diferencial

1
0 1
( )
( ) ( )
( )!
N t
t e
p t p t
N n

' = =

Da , por integracin por partes sucesivas ,


28

0
1 1
( )
( ) 1 1 ( )
( )!
N n t N N
n
n n
t e
p t p t
N n

=
= =

Este resultado tambin se deduce, ya que

0
( ) 1
n
n
n
p t
=
=

Distribucin de tiempos de servicio
Sea g (t ) la funcin densidad probabilidades ( f.d.p. )de tiempos de servicio.
Para obtener g (t) para el coso de salidas segn Poisson, la probabilidad de
ningn servicio durante el periodo (0,T) es equivalente para la probabilidad
de no tener salidas
La ecuacin diferencial general de la forma ( ) ( ) y a t y b t ' + =
Tiene la solucin
( ) ( )
{ ( ) tan }
fa t fa t dt
y e b t e dt cons te
= +
}

Mismo periodo. por consiguientes
P {tiempo de servicio t > T} = P {ninguna salida durante T}
o sea
0
1 ( ) ( )
T
T
N
g t dt p t e

= =
}

Por tanto,
0
( ) 1
T
T
g t dt e

=
}

Esto da, por derivacin
, 0
( )
0., 0
t
e t
g t
t

>
=
`
s
)

Lo cual muestra que la distribucin de los tiempos de servicio es
exponencial con media

MODELOS DE LINEA ESPERA DE POISSION
Los resultados de la seccin II indican que los axiomas dados llevan a llegaras
segn poisson (tiempo entre llegaras exponencial) y tiempo de servicio
exponencial (salidas segn poisson). En estas son las distribuciones que
representan las lneas de espera de poisson. En esta seccin se presenta un

29
nmero de lneas de espera de poisson con diferentes caractersticas. Estas se
resumen para cada modelo utilizando la notacin de Kendall

Modelo (M/ M/ 1): (FCFS / / )
Este modelo. Llamado modelo de nacimiento y fallecimiento, combina los
modelos de nacimiento y fallecimiento de tal manera que se permitan
simultneamente llegadas y salidas. El modelo, como se indico con la notacin
de Kendall, supone que nicamente un servidor para atender de una lnea de
espera de longitud y fuente ilimitada.
Las ecuaciones diferenciales y diferencia que describen este modelo se
obtienen como sigue. La posibilidad de n (> 0) en el sistema en el tiempo t + h
es aproximadamente la suma de

(i)P { n en el sistema en t, y ninguna llegara y ninguna salida durante h }
(ii) P { n-1 en el sistema en t , y ninguna llegada y ninguna salida durante h }
(iii) P { n+1en el sistema en t ,y ninguna llegara y ninguna salida durante h}

por consiguiente, sumando las tres probabilidades y notando que los trminos
en
2
h implican la ocurrencia de dos eventos simultneos durante h, as que
tendrn a cero cuando h llega a ser suficientemente pequea, entonces para
n > 0,
1 1
( ) ( ){1 } ( )( ) ( )( )
n n n n
p t h p t h h p t h p t h
+
+ ~ + +
Similarmente, para n = 0,
0 0 1 0 1
( ) ( ){(1 ).1} ( )( )( ) ( )(1 ) ( )( ) p t h p t h p t h t h p t h p t h ' + ~ + = +
Si uno toma los limites cuando h = 0, las dos ecuaciones anteriores dan
1 1
( ) ( ) ( ) ( ) ( ),
n n n
p t p t p t p t
+
' = + + n = 0
0 0 1
( ) ( ) ( ), p t p t p t ' = + n = 0
La solucin de las dos ecuaciones anteriores proporcionara ( )
n
p t , las
probabilidades transitorias. Como se menciono anteriormente, estos
resultados requieren herramientas matemticas complicadas y, en con
secuencia no se representaran aqu. el lector puede recurrir a saaty [7]para la
obtencin de
n
p (t).


30
Es posible comprobar que existe la solucin de estado estable cuando
. t y < suponiendo que ocurre esta restriccin, se obtiene las
ecuaciones de estado estable reconocimiento que, cuando , ( ) 0
n
t p t ' y
( ) .
n n
p t p para n = 0, 1, 2,.esto da
0 1
0 p p + = , n = 0
1 1
( ) 0,
n n n
p p p
+
+ + = n = 0
Estas ecuaciones de diferencias resultan en
(1 ) , 0,1, 2,......
n
n
p n = =
Donde / 1 = < . Esta es una distribucin geomtrica con
( )
1
E n

y
2
var( )
(1 )
n

Las medidas , , ,
s q s q
L L W W se obtienen de las formulas generales
{ }
1
s
L E n

= =

2
1
q s
L L

= =

1
(1 )
s
s
L
W

= =

1
(1 )
q
q
L
W

= =

Deducciones de resultados
Las ecuaciones anteriores de diferencias pueden escribirse como

1 1
( 1) ,
n n n
p p pP P
+
+ = + n = 0

0 1
( 1) ,
n
p P P P + = + n = 0
La transformada z para las dos ecuaciones es

0
1 1
( 1) ( ) ( ) ( )
z
p P z pzP z P z p
z z
| |
+ = + +
|
\ .


31
Esto da

0 0
1 1
( )
( 1) ( 1 1
z z
P z p p
z pz z z pz

= =
` ` `

)
) )

De la transformada z inversa es
1 1
0 0
1
{ ( )}
1
n
Z P z p Z p p
pz

= =
`
)

O sea, ,
n
n o
p p p = n =0, 1, 2,
El valor de
0
p determina reconociendo que 0 1,
n
n
p
= =
por consiguiente,
0 0
0
1
1
1
n
n
p p p
p
=
= =

O bien (1 )
o
p p =
La serie
0
n
n
p
converge nicamente si p < 1, lo cual concuerda con los

requisitos de estado estable. Esto finalmente da
(1 ) ,
n
n
p p p = n = 0, 1, 2,
La media E{n} =
s
L puede obtenerse de la definicin bsica del valor esperado
o de las propiedades de la trasformada z De la seccin 9.11. (Propiedad 4)
0
0 1 2 2
{ } (1) /
(1 ) (1 )
z
pP p
E n p p
pz p
=

' = = =
`

)

Como
0
(1 ), p p =
{ }
1
s
p
L E n
p
= =



32
Distribucin de tiempos de espera para la disciplina de servicio FCFS
Sea t el tiempo que llega una persona debe de esperar en el sistema; esto es,
hasta que se realiza su servicio. Con base en la disciplina d e servicio FCFS,
su cliente que llega encuentra n personas delante se el en el sistema,
1 2 1
..........
n
t t t t
+
' = + +
Donde
'
1
t es el tiempo que tarda en salir el cliente que est siendo atendido y
1 2
, ,......,
n t t t
son los tiempos de servicio para los n-1 clientes en la lnea. El
tiempo
1 n t +
, por consiguiente, representa el tiempo de servicio para el cliente
que llega.

Sea ( ) | 1 w n t + la funcin densidad de probabilidad condicional de t ,
dados n clientes en el sistema antes del cliente que llega. Ya que
i t
, para toda
i , est exponencialmente distribuida, por la propiedad de que no existe
memoria,
'
1
t tambin tendr la misma distribucin exponencial que
1 2
, ,......,
t t
y
1 n t +
. En consecuencia, t es la suma de n+1 distribuciones exponenciales
idnticamente distribuidas e independientes. Esto significa que w( ) | 1 n t + tiene
distribucin gamma con parmetros ) (
, 1 n + (vea el Ejemplo 9.9-1). Por
consiguiente,
( ) ( )
( )
( )
0 0
| 1 1
!
n
n
n
n n
w w n p
n
e
t
t
t t

= =
= + =

( )
( )
( )
( ) 1
0
1 1 , 0
!
n
n
e e
n
t
t
t
t

=
= = >

La cual es una distribucin exponencial con media
{ }
( )
1
1
t

E =

La media { } t E realmente es igual a
s
w , el tiempo promedio de espera en el
sistema.

33
Ejemplo
La ventanilla de un banco realiza las transacciones en un tiempo medio de 2
minutos. Los clientes llegan a la ventanilla con una tasa de 20 clientes por hora.
Si se supone que las llegadas son de Poisson y los servicios exponenciales, se
pide:

a) Porcentaje de tiempo en que el cajero est ocioso.
b) Tiempo medio de estancia de los clientes en la cola.
c) Fraccin de clientes que deben esperar.

Si la atencin a los clientes dura un promedio de 2 minutos, podemos
decir que la tasa de servicio es de = 30 clientes por hora. Como

= = <
2
3
1

Podemos afirmar que el sistema es estacionario.
En esta situacin, el porcentaje de tiempo que el cajero est ocioso es
igual a la probabilidad de que no haya ningn usuario en el sistema:
P
0
1 03333 = = .
luego el cajero estar ocioso un 33.33% del tiempo.
El tiempo medio que un usuario pasa en la cola es:
( )
W
q
=

20
30 10
00667 . horas
es decir, 4 minutos.
Por ltimo, la fraccin de clientes que deben esperar es:
L
L
q
=

= =

2
1
1
2
3

Ejemplo:
Una tienda de alimentacin es atendida por una persona. La llegada de
clientes los sbados es un proceso de Poisson con una tasa de 10 personas
por hora y los clientes son atendidos segn una poltca FIFO con un tiempo
medio de servicio de 4 minutos. Se pide:


34
a) Probabilidad de que haya cola.
b) Longitud media de la cola.
c) Tiempo medio de espera en cola.
d) Probabilidad de que el cliente est menos de 12 minutos en la tienda.

La tasa de servicio es de = 15 clientes por hora. Como < , el sistema es
estable con =
2
3
.
La probabilidad de que haya cola es:

| |
P n t P P P P
o
( ) ( ) . > = = = + = 1 1 1 1 1 1 04444
0 1 0

La longitud media de la cola ser:

L
q
=
= = =
2
1
4
9
1
3
4
3
13333 .
El tiempo medio de espera en cola:
( )
W
q
=

10
15 5
01333 . horas
es decir, de 8 minutos.
Por ltimo, la probabilidad de que un cliente est menos de 12 minutos
en la tienda es equivalente a la probabilidad es la probabilidad de que el tiempo
de espera ms el de servicio sean menores que 12, lo cual tiene una
distribucin exponencial con parmetros ( )
| |
, 1 . Por tanto:

( ) P T e e
t
< = = =

12 1 1 06321
1
15
1
3
12
60
( )
.


35
Modelo (M/M/1): (GD/N/ )

Este modo es esencialmente el mismo que el modelo (M/M/1): (FCFS/ / ),
excepto que el nmero mximo en el sistema est limitado a N (longitud
mxima de la lnea=N-1).Ya que la distribucin de tiempo de espera no se
dedujo en este modelo, se utiliza la disciplina de servicio GB para indicar que
los resultados obtenidos son aplicables a cualquiera de las tres disciplinas
comunes de servicio.
Por comparacin con (M/M/1): (FCFS/ / ), las ecuaciones de estado
estable para este modelo son

( ) ( )
( )
1
1 1
1 1
1
0, 0
1 0, 0
0,
0,
o
n n n
n n n
N N
p p n
n p p n p n c
c p p c p c n N
p c p n N

+
+
= =
+ + + = < <
+ + = s <
= =

La solucin de estas ecuaciones de diferencias da
1
1
, 0,1, 2,...,
1
n
n N
p n N
+
| |
= =
|
\ .

Se nota en este caso que
no necesita ser menor que 1. El lector deber

verificar matemticamente este resultado. Intuitivamente, sin embargo, el
nmero permitido en el sistema est controlado por la longitud mxima de la
lnea, N-1, y no por la tasas relativas de llegada y salida. En consecuencia, la
tasa d llegada no afecta la condicin de estado estable del sistema.
El nmero esperado en el sistema es

( ) { }
( )( )
1
1
1 1
1 1
N N
s
N
N N
L

+
+
+ +
=

Las otras medidas ,
q s q
L w yw , pueden obtenerse de
s
L
Sin embargo, debido a que existe un lmite de fila, se pierden algunos clientes.
Por consiguiente, es necesario calcular
. ef
,la tasa efectiva de llegadas. Ya que
la probabilidad de que se pierda un cliente est dada por
N
p ,



36

. ef
= (1 )
N
p y

( )
.
1
q q
q
ef N
L L
w
p
= =

( ) 1
ef N
s q q
p
L L L

= + = +

( )
1
1
s
s q
N
L
w w
p
= + =

El valor de
. ef
tambin puede obtenerse utilizando la frmula

( )
. ef s q
L L =
Ejemplo
Los pacientes llegan a una clnica segn un distribucin de Poisson con una
tasa de 30 por hora, El cupo de la sala de espera es de 14 personas. El tiempo
de examen por persona es exponencial con tasa media de 20 por Hora.
a) Encuentre la tasa de llegada efectiva en la clnica
b) Cul es la probabilidad de que un paciente que llega no espera?
Encontrara un asiento desocupado en la sala?
c) Cul es el tiempo promedio de espera hasta que un paciente salga de
la clnica?
Solucin
Probabilidades lada
Tasa de
llegada Ls
P0 0.00076238 30 0.0228714 0 0
P1 0.00114357 30 0.0343071 1 0.00114357
P2 0.00171536 30 0.05146066 2 0.00343071
P3 0.00257303 30 0.07719098 3 0.0077191
P4 0.00385955 30 0.11578648 4 0.0154382
P5 0.00578932 30 0.17367972 5 0.02894662
P6 0.00868399 30 0.26051957 6 0.05210391
P7 0.01302598 30 0.39077936 7 0.09118185
P8 0.01953897 30 0.58616904 8 0.15631174
P9 0.02930845 30 0.87925356 9 0.26377607
P10 0.04396268 30 1.31888034 10 0.43962678
P11 0.06594402 30 1.97832051 11 0.72538419
P12 0.09891603 30 2.96748077 12 1.18699231
P13 0.14837404 30 4.45122116 13 1.9288625
P14 0.22256106 30 6.67683173 14 3.11585481
P15 0.33384159 19.9847524 15 5.0076238
Suma 1 Ls 13.0243962
1-0.3338= 0.66615841 Ws 0.65171666

37
La tasa de llegada efectiva
. ef
= (1 )
N
p = 30(1-0.666) =19.9847524

La probabilidad de que un paciente que llega no espera? Encontrara un
asiento desocupado en la sala?
Es que la clnica aun tenga espacio para el paciente
P
15
=1-0.33384159=0.66615841

El tiempo promedio de espera hasta que un paciente salga de la clnica

( ) 1
ef N
s q q
p
L L L

= + = +
Ls=13.0243962

( )
1 13.02439616
0.651716664
1 19.9847524
s
s q
N
L
w w
p
= + = = =



38
MODELO (M/M/c): (GD/ / )
Hasta aqu nicamente se han considerado las lneas de pisson con un
servidor, en esta seccin, se considerar un modelo con c servidores en
paralelo ( 1 c > ) de tal manera que se puede servir a c clientes
simultneamente. Se supone que todos los canales tienen la misma
distribucin de servicio (exponencial) con tasa media por unidad de tiempo.
La obtencin de ecuaciones diferenciales para este modelo es la misma que en
el modelo de un solo servidor, excepto la probabilidad de un servicio durante h
es aproximadamente n h para n c < y c h para
5
. n c > Por consiguiente,
cuando 0, h
( ) ( ) ( )
'
0 1 0
0 p t p t p t n = =
( ) ( ) ( ) ( ) ( ) ( )
'
1 1
1 , 0 0
n n n n
p t p t n p t n p t n
+
= + + + < <
( ) ( ) ( ) ( ) ( )
'
1 1
,
n n n n
p t p t c p t c p t n c
+
= + + >

Suponiendo que los parmetros del sistema son tales que existe una
solucin de estado estable, las ecuaciones de estado estable estn dadas por

( ) ( )
( )
0 1
1 1
1 1
0
0, 0
1 0, 0
0,
n
n n n
n n
p p n
p n p n p n c
p c p c p n c

+
+
+ = =
+ + + = < <
+ + = >

La solucin de estado estable est dada como

,
0
!
,
!
n
o
n
o
n c
p n c
n
n
p n c
c c
p

| |
s s |
|
\ .
| |
> |
|
\ .

Donde

1
1
0
!
! 1
n c c
o
n
p
n
c
c

=

= +
`
| |

|

\ . )

y

39
1 1 o
c c

< <
Tambin

( ) ( ) ( )
1
2 2
1 !
1
c
q o c
s q
q
q
s q
c
L p p
c c c
L L
L
w
w w

+
| |
= = |
|

\ .
= +
=
= +

Para 1 c = , los resultados anteriores se reducen a los del modelo (M/M/1):
(GD/ / )
Los clculos asociados a este modelo pueden ser tediosos. dados
aproximaciones tiles para
o y q
p L . Para mucho ms pequeo que uno

1
2
1
c
o q
y L
c

+
~ ~
y para / p c muy cercano a 1,

( )( ) 1 !
o q c
c c
p y L
c c

~ =

Obtencin de los resultados:
El mtodo de induccin ser utilizado para obtener los resultados de este
modelo. Al lector se le pide en el problema 13.17 que obtenga la misma
solucin con la trasformada z.
Sea n+1 =k, entonces para 0<n<c, las ecuaciones de diferencias llegan a ser

( ) ( ) { }
1 2
1
1 , 2
k k k
p k p p k c
k

= + + s s

y tambin la ecuacin de diferencia correspondiente a n c > ser
( ) { }
1 2
1
, 1
k k k
p c p p k c
c

= + > +
Estas dos ecuaciones, junto con la ecuacin de diferencia para n=0, pueden
utilizarse ahora en el procedimiento de induccin.


40
El valor de
o
p se determina de
0
1
n
n
p
=
=
, la cual da

1
1
1 1
0 0 0
! ! ! !
j
n c n c n c c c
o n c
n n c n j
p
n c c n c c

= = = =

| |
= + = +
` `
|
\ .
)
)

1
1
0
1
, 1
! !
1
n c c
n
n c c
c

=
| |
|

= + <
` |
|
\ . )

La expresin para
q
L se obtiene como sigue:
( )
0 0 0
!
k c
q n k c o k
n k k
k
L n c p kp p
c c
+
+
= = =
= = =

1
2
0
1
! !
1
k
c c
o o
k
p k p
c c c c c
c

=
| |
|
| |
|
= =
|
|
\ .
| |
|
|
\ . \ .

( ) ( ) ( )
1
2 2
1 !
c
o c
c
p p
c c c

+
| | | |
= = | |
| |

\ . \ .

MODELO (M/M/c): (GD/N/ ), c<N
En este modelo, el numero mximo en el sistema est limitado a N, donde N>c.
la obtencin de las ecuaciones diferenciales es similar a la de (M/M/c):
(GD/ / ) presentada en el modelo (M/M/c): (GD/ / ), excepto que se
necesita una cuarta ecuacin que tome en cuanta el limite del nmero en el
sistema. Por consiguiente, las ecuaciones de estado estable estn dadas como

( ) ( )
( )
1
1 1
1 1
1
0, 0
1 0, 0
0,
0,
o
n n n
n n n
N N
p p n
n p p n p n c
c p p c p c n N
p c p n N

+
+
= =
+ + + = < <
+ + = s <
= =


41
La solucin de estas ecuaciones de diferencia est dada como

, 0
,
!
!
n
o n c
n
o c n N
n c
p
n
n
p
c c
p

s s
s s

=
`

)
( ) , 0,1, 2,...
!
n
n
e
p t n
n
o
o
= =

Donde

1
1
1
1
o
0 1 0
1
p
! ! !
! 1
N c
c
n n n c N c
n c
n n c n
c
n c c n
c
c
= = + =
| |
| |
|
|
|
\ .

\ .
= + = +
` `
| |
)

|

\ .
)

y / c no necesita ser menor que 1. La diferencia entre este modelo y de la
(M/M/c): (GD/ / ) ocurre solamente en la expresin para
o
p .

( ) ( )
( )
( )
1
2
1 1
1 !
N c N c
c
q o
ef
s q q
L p N c
c c c
c c
L L c c L

+

| | | | | |
=
`
| | |
\ . \ . \ .

)
= + = +

Donde c = nmero de servidores ociosos = ( )
0
c
n
n
c n p
=

y ( ) ( ) 1
ef N
p c c = =

Note la interpretacin de
ef
en este caso. Ya que ( ) c c representa el nmero
esperado de canales ocupados, ( ) c c representa el nmero de servicios
reales por unidad de tiempo y, como consecuencia, la tasa efectiva de
llegadas.



42
Obtencin de resultados:
La expresin para
n
p se determina esencialmente en la misma forma
que en el modelo anterior y, en consecuencia, no se repetir aqu. Para obtener
q
L , uno tiene
( )
1
1 1 1
!
j
c N N c N c
q n j c o
n c j j
L n c p jp p j
c c c

+
= + = =
| |
= = =
|
\ .

=
( ) ( )
( )
1
2
1 1
1 !
N c N c
c
o
p N c
c c c
c c

+

| | | | | |

`
| | |
\ . \ . \ .

)

Para determinar
. ef
, considere

( )
1
N
q n
n c
L n c p
= +
=
=
0 0 0
1
N N c
n n n
n n n
np np c p
= = =
| |

|
\ .

= ( ) ( )
0
c
s n s
n
L c c n p L c c
=

= =
`
)

O bien , ( )
s q
L L c c = +
En consecuencia,
( )
. ef
c c =
Esto significa que debe mantenerse la siguiente igualdad

( ) ( )
.
1
ef N
c c p = =

MODELO (M/M/ ): (GD/ / )
Este modelo representa una situacin con tasas de servicio que dependen del
estado donde el nmero de servidores es directamente proporcional al nmero
en el sistema. Esta situacin es equivalente a un modelo de servidores
mltiples, excepto que el nmero de servidores es limitado en este caso. Una
aplicacin comn la constituyen las instalaciones de autoservicio.
La obtencin de las ecuaciones diferenciales para este modelo es
esencialmente la misma que en (M/M/c): (GD/ / ), excepto que la

43
probabilidad de una sola para toda 0 n > es aproximadamente . n h Por
consiguiente,

( ) ( ) ( )
'
1
, 0
o o
p t p t p t n = + =
( ) ( ) ( ) ( ) ( )
'
1 1
( ) 1 , 1
n n n n
p t n p t p t n p t n
+
= + + + + >

Las ecuaciones de diferencia de estado estable estn dadas por

( ) ( )
1
1 1
0, 0
1 0, 1
o
n n n
p p n
n p p n p n

+
+ = =
+ + + + = >

La solucin para ( )
n
p t se obtiene del primer conjunto de ecuaciones
diferenciales como
( ) , 0,1, 2,...
!
n
n
e
p t n
n
o
o
= =
Donde
( )
1
t
e

o

= . Esta es una distribucin de poisson con media
{ } / E n t o = .
La solucin de este estado estable puede obtenerse tomando el lmite de ( )
n
p t
cuando t , o resolviendo las ecuaciones de diferencia. Esto, proporciona,
para cualquier 0 > ,
, 0,1, 2,.
!
n
n
e p
p n
n

= =
La cual es de nuevo una distribucin de poisson con media { } E n = .
Tambin,
{ }
s
L E n = =

1
s
w
=
0
q q
L w = =
Estos resultados tambin pueden obtenerse tomando el lmite cuando c de
los resultados correspondientes en (M/M/c): (GD/ / ). No existe tiempo de
espera en la fila
q
w , y el tiempo de espera en el sistema
s
w es igual al tiempo


44
de servicio. Esto es posible ya que el nmero de servidores siempre es igual al
nmero de clientes.
Ejemplo
Una sucursal bancaria tiene dos cajas igualmente eficientes, capaces de
atender un promedio de 60 operaciones por hora con tiempos reales de
servicio que se observan exponenciales. Los clientes llegan con una tasa de
100 por hora. Determinar:
a) Probabilidad de que haya ms de 3 usuarios simultneamente en el
banco.
b) Probabilidad de que alguno de los cajeros est ocioso.
c) Probabilidad de que un cliente permanezca ms de 3 minutos en la
cola.

Tenemos un sistema con =100 usuarios por hora, =60 servicios por
hora y C = 2. Como se verifica que < C , podemos afirmar que el sistema es
estacionario.
Entonces, la probabilidad de que haya ms de tres usuarios es:
( ) P n P P P P > = 3 1
0 1 2 3

donde sabemos que:
P
n C
C
C
n
n
C
C
0
0
1
1
1 1
=
|
\
|
.
| +
|
\
|
.
|
(
(
=
=
! !

= + +
|
\
|
.
|
(
(
= + +
|
\
|
.
|

(
(
=

1
1
2
2
2
1
100
60
1
2
100
60
120
120 100
00909
2
1
2
1

!
.
P
n
P P
P
C C
P P
n
n C
n
1 0 0
2 0
2
0
2
1 100
60
00909 01515
1 1
2
1
2
100
60
00909 01263
=
|
\
|
.
| = = =
=
|
\
|
.
| =
|
\
|
.
| =
|
\
|
.
|
=
!
. .
!
. .

P
C C
P P
n C
n
3 0
3
0
3
1 1
2 2
1
4
100
60
00909 01052 =
|
\
|
.
| =
|
\
|
.
| =
|
\
|
.
|
=
!
!
. .

de forma que:


45
( ) P n P P P P > = = 3 1 05261
0 1 2 3
.

La probabilidad de que uno de los cajeros est ocioso es:

( ) P n P P < = + = + = 2 00909 01515 02424
0 1
. . .
La funcin de distribucin del tiempo de espera en cola es
( )
( )
| |
( )( )
> +

|
|
.
|
\
|
=
|
|
.
|
\
|

|
|
.
|
\
|
<
= s =

0 ) 0 (
! 1
1
0
!
1
0 0
) (
0
0
t si F P
C C
e
t si P
C C
C
t si
t T P t F
q
T
t C
C
C
q
q
T

Donde deberemos expresar la tasa de llegadas y la de servicio en unidades por
minuto:

= =
100
60
16667 . usuarios por minuto
= =
60
60
1 usuario por minuto

Por tanto, la probabilidad de que un cliente permanezca ms de tres minutos
en la cola es:
( ) ( )
( )
| |
( )( )
|
|
.
|
\
|
= s = >

) 0 (
! 1
1
1 3 1 3
0
3
q
T
C
C
q q
F P
C C
e
T P T P

donde



46
F
C
C C
P
T
C
q
( )
!
. . 0 1 1
2
100
60
2 2
100
60
0 0909 02425
0
2
=
|
\
|
.
|
|
\
|
.
|
=
|
\
|
.
|
|
\
|
.
|
=

y entonces, la probabilidad pedida es:

( )
( )
| |
P T
e
> =
|
\
|
.
|

=

3 1
100
60
1
2 16667
00909 02425 0 2786
2
3 2 1 6667 .
.
. . .

Ejemplo:
Una oficina estatal de transportes tiene 3 equipos de investigacin de
seguridad vial cuyo trabajo consiste en analizar las condiciones de las
carreteras cuando se produce un accidente mortal. Los equipos son igualmente
eficientes y cada uno destina un promedio de 2 das a investigar y realizar el
informe correspondiente en cada caso, con un tiempo real aparentemente
exponencial. El nmero de accidentes mortales en carretera sigue una
distribucin de Poisson con tasa media de 300 accidentes por ao.
Determnese:

a) Nmero medio de accidentes cuya investigacin no ha comenzado.
b) Tiempo medio desde que se produce un accidente hasta que se
empieza a investigar.
c) Tiempo medio desde que se produce un accidente hasta que finaliza
la investigacin.
d) Nmero medio de accidentes cuya investigacin an no ha terminado.

Estamos ante un sistema de colas con tasa de llegadas = 300
accidentes por ao o, lo que es lo mismo, = 082 . accidentes por da, con tasa
de servicio = 05 . investigaciones por da y con C = 3 canales de servicio.
El nmero medio de accidentes cuya investigacin an no ha
comenzado es el nmero medio de usuarios en cola:

47

( ) ( ) ( )
L P
C C
P P
q
C
=
|
\
|
.
|

(
(
(
(
(
=
|
\
|
.
|

(
(
(
(
(
=
0
2
0
3
2
0
1
082
05
082 05
2 15 082
19555

!
.
.
. .
. .
.

donde

P
n C
C
C
n
n
C
C
0
0
1
1
1 1
=
|
\
|
.
| +
|
\
|
.
|
(
(
=
=
! !

= + +
|
\
|
.
| +
|
\
|
.
|
(
(
=
= + +
|
\
|
.
|
+
|
\
|
.
|

|
\
|
.
|
(
(
=
1
1
2
1
6
3
3
1
082
05
1
2
082
05
1
6
082
05
15
15 082
01784
2 3
1
2 3
1

.
.
.
.
.
.
.
. .
.

As pues, el nmero de accidentes cuya investigacin an no ha comenzado
es:

L P
q
= = 19555 03489
0
. .

El tiempo medio desde que se produce un accidente hasta que se empieza a
investigar es el tiempo medio de espera:

W
L
q
q
= = =
03489
082
04255
.
.
. dias

El tiempo medio desde que se produce el accidente hasta que finaliza la
investigacin es el tiempo medio de permanencia en el sistema:

W W
q
= + =
1
2 4255
. dias

Por otra parte, el nmero medio de accidentes cuya investigacin an no ha
finalizado es el nmero medio de usuarios en el sistema:


48

L W = = 19889 .

Una clnica canina tiene 3 veterinarios para vacunar perros. El nmero de
perros que llegan a la clnica sigue una distribucin de Poisson con una tasa
media de 12 por hora. El tiempo medio empleado en vacunar a cada perro es
de 2 minutos. Determinar:

a) Porcentaje de tiempo con la sala de vacunacin vaca.
b) Tiempo medio de espera.
c) Tiempo medio de permanencia de los perros en la clnica.
d) Nmero medio de perros en la clnica.
e) Probabilidad de que un perro espere ms de 10 minutos para ser
vacunado.

Estamos ante un sistema de colas con una tasa de llegadas de =12 usuarios
por hora, una tasa de servicio de = 30 servicios por hora y con C = 3 canales
de servicio. Como se cumple que
< C
Podemos afirmar que el sistema es estacionario.
El porcentaje de tiempo con la sala de vacunacin vaca es:

P
n C
C
C
n
n
C
C
0
0
1
1
1 1
=
|
\
|
.
| +
|
\
|
.
|
(
(
=
=
! !

= + +
|
\
|
.
| +
|
\
|
.
|
(
(
=
1
1
2
1
6
3
3
2 3
1

= + +
|
\
|
.
|
+
|
\
|
.
|

(
(
=
1
12
30
1
2
12
30
1
6
12
30
90
90 12
06701
2 3
1
.

Es decir, el porcentaje de tiempo con la cola vaca es:

P
0
67 01% = .

49
El tiempo medio de espera es:

W
L
q
q
=

donde

( ) ( ) ( )
L P
C C
q
C
=
|
\
|
.
|

(
(
(
(
(
=
|
\
|
.
|

(
(
(
(
(
=

0
2
3
2
3
1
06701
12
30
12 30
2 90 12
127 10

!
. .
luego el tiempo medio de espera ser de:

W
q
= =
106 10 03816
4
. horas . segundos

El tiempo medio de permanencia en la clnica es:

W W
q
= + = + = =
1 1
30
106 10 00334 2 0064
4
. . horas . minutos

El nmero medio de perros en la clnica es:

L W = = =
12 106 10 00013
4
. .

Y, por ltimo, la probabilidad de que un perro espere ms de 10 minutos es:

( ) ( ) P T P T P T >
|
\
|
.
|
= > = < =
10
60
01667 1 01667 . .
( ) ( )
( )
| |
( ) ( )
P T P T P T
e
C C
P F
C
C
T
q
>
|
\
|
.
|
= > = < =
|
\
|
.
|

+

10
60
01667 1 0667 1
1
1
0
0 1667
0
. .
!
( )
.

Donde es necesario expresar las tasas de llegadas y de servicio en unidades
por minuto:



50
= =
12
60
02 . Perros por minuto

= =
30
60
05 . Perros por minuto

Entonces:

F
C
C C
P
T
C
q
( )
!
.
.
.
.
. . 0 1 1
3
02
05
6 3
02
05
06701 0 9918
0
3
=
|
\
|
.
|
|
\
|
.
|
=
|
\
|
.
|

|
\
|
.
|
=

y, entonces, la probabilidad de que un perro espere ms de 10 minutos es:

( )
| |
( )
P T
e
>
|
\
|
.
|
=
|
\
|
.
|

+
=

10
60
1
05
02
05
1
2 15 0 2
06701 0 9918 00009
3
0 1667 15 0 2
.
.
.
. .
. . .
. . .


51
Cadenas de Markov
Definicin : Sea la secuencia x
1
,...,x
n
,...,x
L
; x
i
X; i {1,...,L}. Para que un
proceso sea markoviano de orden n, se tiene que cumplir que:
P{x
L+1
/ x
L
,...,x
1
} = P{x
L+1
/ x
L
,...,x
L-n+1
}
Aunque el caso que nos ocupa es con ndice "i" y variable aleatoria discretos,
tambin hay procesos markovianos con ndice y/o variable aleatoria continuos.

Definicin: Un proceso markoviano de orden 1 es un proceso estocstico de
orden 1 en el cual su pasado no tiene ninguna influencia en el futuro si su
presente est especificado. Es decir:
Si t
n-1
< t
n
, entonces:
P{ X(t
n
) X
n
/X(t) , t t
n-1
} = P{ X(t
n
) X
n
/X(t
n-1
) }

Luego, si t
1
< t
2
< ... < t
n
:
P{ X(t
n
) X
n
/ X(t
n-1
),...,X(t
1
) } = P{ X(t
n
) X
n
/ X(t
n-1
) }
En el objeto de estudio, que son las cadenas markovianas, en una cadena
markoviana de primer orden se cumplir:
P{x
L+1
/ x
L
,...,x
1
} = P{x
L+1
/ x
L
}

Definimos un estado como:
s
L
= {x
L
, x
L-1
, ... , x
L-n+1
}
Por lo tanto:
P{x
L+1
/ x
L
, x
L-1
, ... , x
L-n+1
} = P{x
L+1
/ s
L
}
De la misma manera obtenemos:
s
L+1
= {x
L+1
, ... , x
L+2-n
}
P{x
L+1
/ x
L
, x
L-1
, ... , x
L-n+1
} = P{s
L+1
/ s
L
}
Por lo tanto, segn se ha deducido, mediante los estados podemos pasar de
una cadena de orden n a otra de orden 1, ya que hemos formado con los
estados la cadena
p(s
1
,...,s
n
) = p(s
1
)p(s
2
/ s
1
)p(s
3
/ s
2
)...p(s
n
/ s
n-1
),
que es una cadena es de orden 1.


52
Ejemplo: Cadena markoviana de 2 orden.
p(x
1
,...,x
n
) = p(x
1
,x
2
)p(x
3
/x
1
,x
2
)p(x
4
/x
2
,x
3
)...p(x
n
/x
n-2
,x
n-1
)
Si por ejemplo la secuencia es del tipo abaabbaaab..., tendremos:
p(abaabbaaab...)=p(ab)p(a/ab)p(a/ba)p(b/aa)p(b/ab)p(a/bb)p(a/ba)p(a/aa)
...
Por estados:

Cuando ocurre que:
P{x
L+1
=j / x
L
=i} = P{x
2
=j / x
1
=i}

se dice que estamos ante una cadena markoviana invariante en el tiempo u
homognea.


53
En el ejemplo anterior:

Definicin: Matriz de probabilidades de transicin:
P = , siendo P{x
n+1
= j / x
n
= i} = p
ij

Propiedades de P:
Es una matriz cuadrada.
p
ij
0, i,j
p
ij
= 1

Ahora sean:
n
= ( p(x
n
=1) , ... , p(x
n
=M) )
n+1
= ( p(x
n+1
=1) , ... , p(x
n+1
=M) )
p(x
n+1
= j) = p(x
n
= i, x
n+1
= j) = p(x
n
= i)p
ij

Las probabilidades de transicin del estado n+1 son:
n+1
=
n
[P]


54
Por lo tanto, dado
1
, se obtiene
n
=
1
[P]
n-1

Ejemplo:
Dado el diagrama de estados

una secuencia vlida podra ser: abadcb...
Como cada estado depende del anterior (cadena markoviana), se observa
como una caracterstica de este ejemplo que, si el estado inicial es a, los
estados a y c slo pueden aparecer en posiciones impares de la cadena, y los
estados b y d slo en posiciones pares. Ocurrira lo mismo si el estado inicial
fuera el c, y ocurrira lo contrario si el estado inicial fuera b d.

Periodicidad
La probabilidad de ir del estado i al estado j en n saltos se expresa como:
P
ij
(n)
= P{x
L+n
= j / x
L
= i} = p
ih
p
hj
(n-1)

La probabilidad de llegar al mismo smbolo (estado i) tras L saltos ser P
ii
(L)
. Si
P
ii
(L)
, entonces diremos que el estado i es un estado peridico de periodo d=L.
Si todos los estados tienen el mismo periodo, la cadena es peridica.

Cadenas de Markov reducibles e irreducibles


55
Ejemplo:

Se ve claramente que P
ac
(n)
0, pero P
ca
(n)
= 0, n

Los estados conectados entre s forman un cluster. En el dibujo hay dos, y
estn rodeados en rojo y azul.
Un estado es transitorio si, despus de pasar por l una o varias veces, no se
vuelve a pasar despus por l ninguna vez ms.
Si todos los estados estn conectados entre s y no son transitorios, se dice
que la cadena es irreducible.

En el ejemplo anterior, hay una cadena reducible compuesta por dos cadenas
irreducibles (los clusters antes mencionados). Cuando se pasa del estado b al c
(transicin en color verde), ya no hay manera de volver a los estados a y b. Por
lo tanto, estos dos estados son transitorios en la cadena total.

Si la cadena es aperidica, irreducible y homognea, entonces
existe un tal que = [P]

Si en el instante n la distribucin es
n
= , entonces en el instante n+1 ser
n+1
= . Por lo tanto, en una cadena de este tipo:
n+L
= , L

Una cadena de tres v.a. X, Y, Z es de Markov si cumplen:


56
p(x,y,z) = p(x)p(y/x)p(z/y)

Consecuencias: (para la cadena de Markov X -> Y -> Z)
Si Z = f(Y) => X -> Y -> Z
Independencia condicionada: X y Z condicionadas por Y son independientes.
Entonces:

Simetra:

Proceso Estocástico Manual

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Proceso Estocástico Manual

Transféré par

Droits d'auteur :

Formats disponibles

FACULTAD DE INGENIERA ESTADSTICA E INFORMTICA

Ing. Luis Hugo HUACASI VASQUEZ

Distribucin de poisson (markoviana) de llegadas o salidas (o,

tiempo determinstico entre llagadas o servicio.

Distribucin general independiente de llegadas (o tiempo entre

distribucin general de salidas (o tiempos de servicio)

primero en llegar, primero en salir (first come, first served)

ultimo en llegar, primero en salir (last come, first served)

servicio en orden aleatorio (service in random order)

disciplina de servicio general (general service discipline)

= factor de utilizacin para c instalaciones de servicio.

> + < > +

converge nicamente si p < 1, lo cual concuerda con los

no necesita ser menor que 1. El lector deber

Vous aimerez peut-être aussi