1

Tema 4.

Colas markovianas I:
colas como procesos de
nacimiento-muerte
2

4.1 Procesos de nacimiento-muerte. Distribución de

equilibrio
Los procesos de nacimiento-muerte constituyen un caso particular
de procesos de Markov en tiempo continuo con espacio de estados
discretos. Se caracterizan porque en cualquier intervalo de tiempo
infinitesimal sólo son posibles transiciones de un estado Ek al Ek+1
(nacimiento) o al Ek-1 (muerte).
En el contexto de los modelos de colas:
• el estado Ek representa que en el sistema hay k clientes.
• un nacimiento (transición del estado Ek al Ek+1) significa
una llegada al sistema .
• una muerte (transición del estado Ek al Ek-1) una salida del
mismo.
Sea:
N(t) = Nº de clientes en el sistema en el instante t
y llamemos:
k
pk (t ) = Prob N (t ) = k p
Consideremos además:
λk = Tasa media de llegadas cuando en el sistema hay k
clientes.
µk = Tasa media de servicio cuando en el sistema hay k
clientes.
(de esta forma, cuando hay k clientes en el sistema el tiempo medio
entre llegadas es 1 / λ k y la duración media del servicio es 1 / µ k ).

Si para algún k0 se cumple:

λ k / µ k < 1 ∀k ≥ k0
esto es, la tasa de llegadas es menor que la tasa de servicio,
entonces el sistema alcanza el equilibrio y existe:
pk = lím pk (t )
t →∞
 3

La probabilidad pk representa la fracción de tiempo durante

la cual el sistema contiene k clientes, una vez alcanzado el
equilibrio.
Para calcular las pk, de acuerdo con nuestra definición de
proceso de nacimiento-muerte, asumiremos que en cada intervalo
de tiempo de duración infinitesimal ∆t sólo puede producirse:
• UNA LLEGADA, con probabilidad λ 1 ∆t + o ∆ta f
• UNA SALIDA, con probabilidad µ ∆t + oa ∆t f 1

siendo i el número de clientes en el sistema al comienzo del

a f
intervalo, y o ∆t un infinitésimo de orden superior a ∆t ; entonces:

R| p (t + ∆t) = p (t)b1 − λ ∆t − µ ∆tg + p (t)λ ∆t + p a f

(t )µ k +1∆t + o ∆t , k > 0
S| p at + ∆tf = p atfb1 − λ ∆tg + p atfµ ∆t + oa∆t f
k k k k k −1 k −1 k +1

T0 0 0 1 1

Pasando pk (t ) y p0 (t ) , respectivamente, al primer miembro,

dividiendo por ∆t y tomando límite para ∆t → 0 se sigue,
dpk (t )
dt
b g
= − λ k − µ k pk (t ) + λ k −1 pk −1 (t ) + µ k +1 pk +1 (t ), k > 0 (1)

dp0 (t )
= − λ 0 p0 (t ) + µ 1 p1 (t ) (2)
dt
Cuando se alcanza el equilibrio, las pk no dependen de t, y por
tanto las derivadas anteriores se anulan, resultando:

(λk + µk ) pk = λk −1 pk −1 + µk +1 pk +1 , k > 0 (3)

λ0 p0 = µ1 p1 (4)
de (4) se obtiene directamente:
λ0
p1 = p0
µ1
particularizando (3) para k=1

bλ + µ g p = λ p + µ p
1 1 1 0 0 2 2

Sustituyendo p1 por el valor obtenido antes, podemos despejar p2:

λ 1λ 0
p2 = p0 (5)
µ 1µ 2
4

Podemos seguir particularizando (1) para k = 2, 3, ... ; es fácil

comprobar que se obtiene:
k −1
λi
pk = p0 ∏ , k>0 (6)
i=0 µ i +1
Por último, p0 puede calcularse sin más que imponer la condición:
∞

∑p
k =0
k =1

de donde:
1
p0 = ∞ k −1
λi
1+ ∑∏
k =1 i = 0 µ i +1

Estos resultados son directamente aplicables a los modelos

elementales cuyas características más relevantes comentamos a
continuación:
 5

4.1.1 Colas M/M/1

Este modelo es el más sencillo:

• Las LLEGADAS se producen según un proceso de
Poisson homogéneo de parámetro λ.
• Los TIEMPOS DE SERVICIO son i.i.d. con distribución
exponencial de parámetro µ.
• Hay UN SÓLO PROCESADOR.

En este caso λ k = λ y µ k = µ ∀k , y dado que X = 1 / µ , resulta:

ρ = λ / µ.
Utilizando las fórmulas (5) y (6) del apartado anterior, se obtiene
para el número de clientes en el sistema una distribución
geométrica:

pk
Ra1 − ρfρ
=S
k
ρ <1
T 0 ρ ≥1
de donde se sigue,
N = ρ / (1 − ρ ) σ 2N = ρ / (1 − ρ )2

y utilizando las fórmulas de Little:

ρ/µ 1/ µ
W= S=
1− ρ 1− ρ

Obsérvese que N , W y S son inversamente proporcionales a

1− ρ ; por tanto el número de clientes en el sistema, así como los
tiempos de espera crecen ilimitadamente a medida que ρ se
aproxima a 1.
6

4.1.2 Sistemas de capacidad finita: Colas M/M/1/C

Este modelo es análogo al anterior, salvo que se supone que la

“sala de espera” o buffer del sistema tiene capacidad finita C, esto
es, en cada instante el sistema puede albergar como máximo C
clientes (incluido el que está recibiendo servicio).
Esta situación puede ser tenida en cuenta por nuestro
proceso de nacimiento muerte si definimos:

λk =
RSλ si k < C
T0 si k ≥ C
µ k = µ, k = 1, 2, 3,..., k
Este sistema siempre alcanza el equilibrio, pues para
k ≥ C es λ k / µ k = 0 . Aplicando las fórmulas (5) y (6) con estos
coeficientes se obtiene sin dificultad:
R| 1 − aλ / µ f F λ I k

pk = S1 − aλ / µ f GH µ JK
C +1 0≤k≤C
|T 0 k>C

Ejercicio: Calcular, para este modelo, el número medio de clientes

en cola, el tiempo medio en el sistema y el tiempo medio en cola.
 7

4.1.3 Modelos con más de un servidor

4.1.3.1 Modelo M/M/ ∞

Este es un modelo exponencial con un número infinito de
servidores. Puede considerarse como un modelo de nacimiento-
muerte, con
RS λ = λn n = 0,1,2,...
Tµ = nµn n = 1,2,3,...
Aplicando la fórmula (6) con estos parámetros, obtenemos:
λi
k −1 k −1
λ
pk = p0 ∏ = p0 ∏ =
i=0 µ i +1 i=0 ( i + 1) µ

= p0
λk
= p0
λ/µ a f k

a fa f a f
µ 2 µ 3µ ... kµ k!
Entonces:

pk =p
aλ / µ f
0
k

k!

Para encontrar p0 , usamos:

( λ /µ )
k λ  λ
∞ ∞   −
∑p
k =0
k =1⇒ ∑
k =0 k!
p0 = 1 ⇒ e µ
p0 = 1 ⇒ p0 = e µ

y finalmente obtenemos,
−( λ / µ )
(λ /µ ) (λ /µ )
k k
e
pk = p0 =
k! k!

que es precisamente la distribución de Poisson con parámetro:

FG λ IJ
H µK
8

4.1.3.2 Modelo M/M/m

Es la generalización del modelo M/M/1 al caso de m
servidores; supondremos que el cliente que ocupa la cabeza de la
cola es atendido por el primer servidor que queda libre.
Como en el caso anterior:

− La tasa de llegadas es λ k = λ ∀k
− La tasa de servicio µ de cada servidor es también
constante .
− Dado que hay m servidores, la tasa de servicio global del
sistema será:

µk =
RS kµ si 0 ≤ k ≤ m
k
= min kµ , mµ p
T mµ si k>m

y la intensidad de tráfico ρ = λ / mµ

Aplicando las fórmulas (5) y (6) se sigue sin dificultad que la

probabilidad en el equilibrio de que haya k clientes en el
sistema es:
 ( m ρ )k −1
 p0 k≤m  m−1 ( m ρ )k (m ρ ) 
m
 k!
pk =  p0 = = ∑ + 
 ρ m
k m
 k =0 k ! m !(1 − ρ ) 
 p0 m ! k≥m

Una cantidad que suele resultar de interés es la probabilidad

de que un nuevo cliente tenga que hacer cola; en este caso, dicha
probabilidad es:
(m ρ )
m
 1 
 
∞
m!  1 − ρ 
Q = ∑ pk =
k =m  m −1 ( m ρ )k (mρ ) 
m

∑ + 
 k =0 k ! m !(1 − ρ ) 

Esta expresión se conoce como fórmula C de Erlang, que la
empleó a principios de siglo para el estudio de sistemas telefónicos.
 9

Si no se permite que haya cola (esto es, todo cliente que no

pueda ser atendido inmediatamente se pierde para el sistema),
entonces:

λk =
RSλ si k < m
T0 si k ≥ m
µ k = kµ , k = 1, 2, 3,..., m

y, utilizando nuevamente (3) y (4):

pk =
aλ / µ f / k !
k

∑ aλ / µ f / i !
m
i

i=0

y por tanto, la probabilidad de que un nuevo cliente sea rechazado

(por ejemplo, una conexión telefónica no se establezca) es
Q = pm , expresión conocida con el nombre de fórmula B de
Erlang.
10

4.1.4 Modelos con población de clientes finita: M/M/c//m

Estas situaciones pueden ser tenida en cuenta por nuestro
proceso de nacimiento-muerte con:
RSλ n = ( m − n)λ n = 0,1,2,..., m − 1
Tλ n = 0 n≥m
y
RSµ n = nµ n = 1,2,..., c − 1
Tµ n = cµ n ≥ c
Si :
pn = Pr {El número de clientes en el sistema sea n}
es obvio que si n > m ⇒ pn = 0.
De la ecuación (6), tenemos:
• Para n = 0, 1, 2, ... , c-1,
n−1
λk
pn = ∏ p0
k =0 µ k +1

pn = ∏
n−1
λi a f
n−1
p0 = ∏
m−i λ
i = 0 µ i +1 a f
i=0 i +1 µ
p0

p =
n
amλ fbam − 1fλ gbam − 2fλ g... bam − n + 1fλ g p 0
µ • 2 µ •...•nµ

pn =
a fa
m m − 1 m − 2 ... m − n + 1 f a f FG λ IJ n

n! H µK p0

pn =
m! λ FG IJ n

a
n! m − n ! µ fH K p0

F mI F λ I
p = G JG J
n

n
H nKH µK p0

Por tanto:

F mI F λ I
p = G JG J
n

n
H nKH µK p0 , n = 0,1,2,...,c -1
 11

• Para n = c, c + 1, ... , m
n −1
λi
pn = ∏ p0
i=0 µ i +1

pn = ∏
n −1
a m − i fλ p
i=0 ai + 1fµ 0

de donde:

pn =
m! 1 λ FG IJ n

a f
m − n ! c !c n−c µ H K p0

Si aplicamos la condición de normalización:

∞

∑p
n= 0
n =1

obtenemos:
L F mI F λ I
p = M∑ G J G J
c −1
n

+∑
m
m! 1 λ FG IJ OP
n −1

0
MN H n K H µ K
n= 0 n =c a f
m − n ! c!c n−c
µ H K PQ
NOTA: Para el modelo M/M/ ∞ //m , se puede demostrar fácilmente
que:

FG mIJ FG λ IJ n

p =
H nKH µK n = 0, 1, 2, ... , m
n
LM1 + FG λ IJ OP m

N H µKQ
12

4.2 Comportamiento transitorio. Distribución transitoria del

modelo M/M/1

Si consideramos las ecuaciones (1) y (2) para el modelo M/M/1,

dpn (t )
dt
a f
= − λ − µ pn (t ) + λpn−1 (t ) + µpn+1 (t ), t > 0

dp0 (t )
= − λp0 (t ) + µp1 (t )
dt
obtenemos las siguientes ecuaciones diferenciales:
a f
pn, (t ) = − λ + µ pn (t ) + λpn−1 (t ) + µpn+1 (t ), n ≥ 1 (7)
p0, (t ) = − λp0 (t ) + µp1 (t ) (8)

Estas ecuaciones de estado de transición han sido resueltas

por diferentes técnicas. Aquí utilizaremos el Método de las
Ecuaciones en Diferencias. Para aplicar este método es
necesario conocer el estado inicial del sistema. Se supone que,
RS p (0) = 1
0

T p (0) = 0,
n n≠0
es decir, en el instante t = 0, el sistema esta vacío.
Denotamos por:
pn ( s ) = L { pn (t )} = Transformada de Laplace de pn (t ) =
∞
= ∫ e− st pn (t ) dt
0

Si calculamos la Transformada de Laplace de las ecuaciones

(7) y (8) y aplicamos la propiedad:
L { pn, (t )} = sL { pn (t )} − pn (0) = spn ( s ) − pn (0 )

obtenemos:
RS as + λ f p (s) = 1 + µp (s)
0 1 ( 9)
Tas + λ + µ f p (s) = λp (s) + µp
n n −1 n +1 ( s) n ≥ 1 (10)
 13

La ecuación:
a s + λ + µ f p ( s ) = λpn n −1 ( s ) + µpn+1 ( s)
es un ecuación en diferencias de orden dos y puede escribirse de la
forma:
a f
µpn +1 ( s ) − s + λ + µ pn ( s ) + λpn −1 ( s ) = 0
Si suponemos que la solución es de la forma:
n
pn ( s ) = C ( s ) ⋅  z ( s )

siendo z(s) una función de s y C una constante, la ecuación anterior

se reduce a:
n +1 n n −1
µ C ( s ) ⋅  z ( s ) − ( s + λ + µ ) C ( s ) ⋅  z ( s ) + λ C ( s ) ⋅  z ( s ) =0

Sacando factor común a C(s) (que pasa al segundo miembro

n −1
dividiendo al 0) y dividiendo por  z ( s ) nos queda la ecuación
característica de la ecuación en diferencias:
a
µz 2 − s + λ + µ z + λ = 0 f
(donde hemos escrito z en lugar de z(s) por comodidad).
Esta ecuación de segundo grado tiene dos raíces (reales o
complejas), que llamaremos z1 y z2, siendo:

z = z (s) =
1
as + λ + µf + as + λ + µf − 4µλ
1
2

2µ

z2 = z (s) =
2
as + λ + µf − as + λ + µ f − 4µλ 2

2µ
n
Ahora bien, como pn ( s ) = c ⋅  z ( s ) de estas dos raíces, la única
que nos servirá como solución será aquella cuyo módulo sea menor
n
que la unidad (en caso contrario, el valor  zi ( s ) crecería con n y la
función pn ( s ) sería divergente, con lo cual no podría ser la
transformada de una probabilidad).
¿Puede garantizarse que al menos una de las raices anteriores
es menor que la unidad?
Para ello observemos que la ecuación característica se puede
escribir como:
14

z2 −
as + λ + µ f z + λ = 0
µ µ
y si z1 y z2 son sus raíces, entonces:
s+λ +µ
z1 + z2 =
µ
λ
z1 ⋅ z2 =
µ
Renombramos, si es necesario, las raíces de modo que z1 sea la de
mayor módulo z1 ≤ z2 . El teorema que enunciamos a
continuación permite demostrar que z1 > 1 y z2 < 1:

Teorema de Rouche:
Si f(z) y g(z) son funciones analíticas dentro de C y g( z ) < f ( z ) en
C, entonces f(z) y f(z) + g(z) tienen el mismo número de ceros
dentro de C

En el caso que nos ocupa, si consideramos que C ≡ x 2 + y 2 ≤ 1

(círculo unidad) y
R| z = 1
S| f (z) = as + λ + µ fz
Tg(z) = λ + µz 2

obtenemos que sobre C:

a f
f ( z ) = s + λ + µ z = s + λ + µ ≥ λ + µ = λ + µ ≥ λ + µz 2 = g ( z )

=> f ( z ) > g( z )
Entonces,
a
f (z) = s + λ + µ z f U|
f ( z ) + g( z ) = a s + λ + µ fz + λ + µz |W
2 V
tienen el mismo número de ceros en el interior de C. Por tanto,
aplicando el teorema de Rouché, se deduce que la ecuación:
 15

a
f ( z ) + g( z ) = µz 2 + s + λ + µ z + λ f
tiene una única solución dentro del disco unidad (pues f(z) tiene
sólo una, la z=0). Como z2 < z1 => z2 < 1.

Así pues, la solución general de la ecuación

a s + λ + µ f p ( s ) = λp
n n −1 ( s) + µpn+1 ( s )
es:
pn (s) = C ⋅ z2n ( s )

NOTA: si las dos raíces hubieran sido de módulo menor que la

unidad, la solución general sería:
pn ( s) = A ( s ) ⋅ z1n ( s ) + B ( s ) ⋅ z2n ( s )

Tenemos que p0 ( s ) = C ( s ) z2 ( s ) = C ( s ) . Ahora, sabiendo que

0

1
L(1) = , y que, resulta:
s
∞ ∞ ∞ ∞
1 1 1
∑
n=0
pn (t ) = 1 ⇒ ∑ pn ( s ) = ⇒ ∑ C ( s ) z2 ( s ) = ⇒ C ( s ) ∑ z2n ( s ) = ⇒
n=0 s n=0
n

s n=0 s
1 1 1 − z2 ( s )
⇒ C (s) = ⇒ C (s) =
1 − z2 ( s ) s s

y por tanto:
 1 − z2 ( s )
p
 0 ( s ) =
 s

 p ( s ) = 1 − z2 ( s ) z n s
 n 2 ( ) n≥0
s

Para obtener la probabilidad en el equilibrio pn basta con

obtener el límite de pn (t ) cuando t− > ∞ .
16

Aplicando el teorema del valor final de las Transformadas de

Laplace, se tiene:
pn = lím pn (t ) = lím pn ( s) = lím (1 − z2 ( s )) z2n ( s ) =
t −>∞ s −> 0 s −>0

(1-ρ ) ρ n ρ <1
= n = 0,1, 2,...
 0 ρ ≥1
pues:

lím z2 = lím
a s + λ + µ f − oas + λ + µ f − 4λµt
2

=
s −>0 s −> 0 2µ

R|aλ + µf − aµ − λ f = ρ λ<µ
=S
| 2µ
|| aλ + µf2−µaλ − µ f = 1 λ≥µ
T
 17

4.3 Colas multicanal

Los modelos de colas multicanal son aquellos en los que hay
una única cola de espera para un número n>1 de canales. En
particular, analizaremos los modelos multicanal con entrada
ordenada y buffer finito, esto es, el cliente que quiere entrar en el
sistema debe intentar entrar en el Canal 1 primero y si está libre,
entra; en caso contrario, debe intentarlo en el canal 2 y así
sucesivamente. Si el cliente no encuentra ningún canal libre, el
cliente deja el sistema.

Haremos las siguientes suposiciones:

• Las unidades llegan según un proceso de Poisson de
parámetro λ .
• Los tiempos de servicio en cada canal son exponenciales con
idéntico parámetro µ .
• En cada canal hay un único servidor y la cola es atendida
siguiendo una política FIFO.
18

4.3.1 Modelo de dos canales con entrada ordenada y buffers

finitos
El estado del sistema se denota como (i,j), donde i, j
especifican el número de clientes que hay en los canales 1 y 2
respectivamente, con:
RS0 ≤ i ≤ M
T0 ≤ j ≤ N
Las ecuaciones en diferencias que describen el funcionamiento de
este sistema pueden ser escritas como:
(0,0) => λp0, 0 = µp1, 0 + µp0,1
( M,0) => λpM , 0 + µpM , 0 = λpM −1, 0 + µpM ,1
( M, N ) => 2 µpM , N = λpM −1, N + λpM , N −1
(0, N ) => (λ + µ ) p0, N = µp1, N
( M, L),0 < L < N => (λ + 2 µ ) pM , L = λpM −1, L + λpM , L−1 + µpM , L+1
( K , N ),0 < K < M => (λ + 2 µ ) pK , N = λpK −1, N + µpK +1, N
(0, L), 0 < L < N => (λ + µ ) p0, L = µ ( p1, L + p0, L+1 )
( K ,0), 0 < K < M => (λ + µ ) pK , 0 = λpK −1, 0 + µpK +1, 0 + µpK ,1
( K , L),0 < K < M , 0 < L < N => (λ + 2 µ ) pK , L = λpK −1, L + µ ( pK +1, L + pK , L +1 )

∑p
i, j
i, j =1

El sistema de ecuaciones anterior es difícil de resolver, por

ello es necesario considerar casos particulares.
 19

4.3.1.1 M = N = 1 (Overflow Network System)

Las ecuaciones anteriores se reducirían a:

R|λp = µp + µp
0,0 1, 0 0 ,1

|Saλ + µ f p = λp + µp
1, 0 0,0 1,1

||2µp = λp + λp
1,1 0 ,1 1, 0

Taλ + µ f p = µp
0 ,1 1,1

Si denotamos por N el número total de clientes en el sistema,

obtenemos:
1
Pr( N = 0) = p0, 0 = 2
ρr
∑
r =0 r !

ρ
Pr( N = 1) = p1, 0 + p0,1 = 2
ρr
∑
r=0 r !

ρ2 / 2
Pr( N = 2) = p1,1 = 2
ρr
∑
r =0 r !

Además el número total de clientes esperados es:

∑ k Pra N = k f =
2
a f
ρ ρ +1
2
ρr
k =0
∑
r =0 r !