UNIVERSIDAD DE TARAPAC

MODELOS ESTOCSTICOS

Wladimir Cohen Hornickel

Carlos A. Daz Contreras

Escuela Universitaria de Ingeniera Industrial

Informtica y de Sistemas

Arica Chile
2014
 NDICE

Pgina
CAPTULO I: PROCESOS ESTOCSTICOS 1
1.1. INTRODUCCIN 2
1.2. PROCESOS ESTOCSTICOS DE TIEMPO DISCRETO 4
1.3. PROCESOS ESTOCSTICOS DE TIEMPO CONTINUO 50
1.3.1. Probabilidad de Estado Estacionario 63
1.3.2. Proceso de Nacimiento y Muerte 65
1.3.3. El Proceso de Poisson 67
1.4. MODELOS DE COLAS 73
1.4.1. El Modelo de Colas M/M/1 79
1.4.2. Capacidad Limitada de la Cola 90
1.4.3. Servidores mltiples 93
1.4.4. Servidores combinados versus Servidores Separados 99
1.4.5. Fuente Finita 101
1.4.6. Tiempos de Espera 103
1.4.7. Disciplina de Colas 106

CAPTULO II: FLUJO DE REDES 108

2.1. INTRODUCCIN 109
2.2. MODELO DE REDES 110
2.3. MTODO DEL CAMINO CRITICO (CPM) 117
2.4. PERT 122
2.5. PROBABILIDADES EN LA EJECUCIN DEL PROYECTO 125

CAPTULO III: TEORA DE CONFIABILIDAD Y FALLAS 127

3.1. INTRODUCCIN 128
3.2. LAS BASE DE LA TEORA 128
3.3. FUNCIONES DE CONFIABILIDAD 129
ii
3.4. LA TASA DE FALLA 129
3.5. FUNCIONES DE CONFIABILIDAD DE TIEMPO CONTINUO 131
3.6. MODELACIN DE FUNCIONES DE CONFIABILIDAD 132
3.6.1. Distribucin de Weibull 132
3.6.2. Distribucin Exponencial Negativa 133
3.6.3. Distribucin Normal 133

CAPTULO IV: SIMULACIN 135

4.1. INTRODUCCIN 136
4.2. NMEROS ALEATORIOS 137
4.3. OTRAS CONSIDERACIONES 137
4.4. LENGUAJES DE SIMULACIN 138
4.5. EJEMPLOS 139
4.5.1.Modelacin en Excel 139
4.5.2.Modelacin en WINQSB 142

CAPTULO V : EJERCICIOS Y PRUEBAS ANTERIORES 153

BIBLIOGRAFA 209

iii
 PRESENTACIN

El currculum de la carrera de Ingeniera Civil Industrial consiste en una formacin

tecnolgica y en gestin de empresas. En la gestin de empresas, un aspecto de vital
importancia es la de formar al estudiante en el modelamiento matemtico para el anlisis de
problemas complejos de toma de decisiones bajo incertidumbre.

El objetivo principal de este dossier es presentar los conceptos bsicos que permitan analizar
y modelar sistemas bajo incertidumbre o en otras palabras, modelos estocsticos.

En este dossier se presentan de una forma coherente los aspectos ms relevantes de estos
modelos de tal manera de ayudar al alumno de ingeniera civil industrial a desarrollar una
capacidad analtica para enfrentar aplicaciones reales.

El dossier se ha organizado sobre la base de cinco captulos. En el primero se presenta el

concepto bsico del proceso estocstico, se analizan diversos modelos analticos, bajo el
supuesto de Markov, tanto para procesos de tiempo discreto como de tiempo continuo,
enfatizando el anlisis de largo plazo o en estado estable. Posteriormente se desarrollan los
modelos de lneas de espera o teora de colas.

En el captulo dos se presentan modelos de flujo en redes haciendo nfasis en el CPM y

PERT. En el tres se muestra la teora de confiabilidad y fallas. En el captulo cuatro se
explican algunos conceptos de simulacin y se realizan ejemplos del modelo de colas en
Excel y en el paquete computacional WinQSB. Se finaliza con problemas resueltos de
diferentes pruebas, adems se proponen algunos problemas que los estudiantes deberan
resolver.

iv
 UNIVERSIDAD DE TARAPAC
ESCUELA UNIV. DE ING. INDUSTRIAL, INFORMTICA Y DE SISTEMAS
REA DE INGENIERA INDUSTRIAL

PROGRAMA DE ASIGNATURA

I. IDENTIFICACIN

SEMESTRE CURRICULAR: Octavo Semestre

ASIGNATURA : Modelos Estocsticos
CDIGO : IN 064
HORAS SEMANALES : (4,2,0)
PRE REQUISITOS : Investigacin Operativa
Estadstica para Ingeniera
CARRERA : Ingeniera Civil Industrial
SEMESTRE ACADEMICO : Segundo Semestre 2014

II. OBJETIVOS DE LA ASIGNATURA

a.- PROPSITO DE LA ASIGNATURA

Esta asignatura se encuentra inserta en la lnea de los Mtodos Cuantitativos y
Optimizacin y es la continuacin de la asignatura Modelos de Optimizacin, la cual es
su requisito.

Los Modelos de Optimizacin Avanzados es parte de la formacin en Ciencias de la

Ingeniera y fortalece la capacidad de modelamiento y optimizacin de sistemas
presentes en ingeniera, complementando los modelos ya estudiados con otros de tipo
probabilstico, de redes y de programacin dinmica.

Dentro de los aprendizajes especficos en relacin al perfil de egreso se encuentran:

1. Formular y resolver problemas de gestin utilizando tcnicas optimizantes de
procesos estocsticos.

v
 2. Efectuar el anlisis, la modelacin y la solucin de problemas de flujos en redes
presentes frecuentemente en gestin.
3. Familiarizarse con los modelos prototipo de la optimizacin dinmica.
4. Explicar y evaluar los resultados arrojados con el uso de estas tcnicas.

b.- COMPETENCIA - SUBCOMPETENCIA

Esta asignatura se enfoca a la competencia Sistematizar los razonamientos bsicos
de la teora de probabilidades para que el alumno pueda juzgar y evaluar situaciones
de incertidumbre y a la subcompetencia Entender los mtodos y razonamientos que
utiliza esta teora

c.- APRENDIZAJE DE LA ASIGNATURA ESPECFICO

Al finalizar el curso el alumno ser capaz de:
Desarrollar una adecuada combinacin de intuicin probabilstica y de dominio
tcnico de las herramientas matemticas requeridas.
Desarrollar una capacidad cuantitativa para enfrentar aplicaciones reales.

III. CONTENIDO PROGRAMTICO

1. Introduccin a los Procesos Estocsticos.

2. El proceso de Markov.
3. Cadenas de Markov finitas, cadenas de Markov con estados infinitos.
4. Procesos Markovianos simples: Proceso de Poisson, nacimiento y muerte.
5. Modelo general de lneas de espera.
6. Modelos M/M/1, M/M/s, M/G/1 y M/G/K.
7. Modelos sin lnea de espera y con demanda de servicio finita.
8. Optimizacin de flujos en redes.
9. Confiabilidad y Teora de Fallas.
10. Simulacin.
.

vi
 IV. ACTIVIDADES COMPLEMENTARIAS

a. Laboratorios dirigidos en el uso de herramientas computacionales.

b. Uso de TICs.

V. METODOLOGAS DIDCTICAS

a. Clases expositivas.
b. Discusin de casos y resolucin de problemas en clases.
c. Trabajo de aplicacin de conocimientos.
d. Resolucin de problemas dirigido utilizando herramientas computacionales.
.

VI. RECURSOS ASOCIADOS

a. Salas de Clases.
b. Biblioteca.
c. Laboratorio de computadores.
d. Ayudantes.

VII. EVALUACIN

La capacidad de modelar y de optimizar sistemas productivos y logsticos se medir

mediante la aplicacin de casos, en evaluaciones escritas, para lo cual se entregar la
informacin necesaria y el alumno deber formular el modelo correspondiente, para
posteriormente resolverlo en forma apropiada y finalmente hacer un anlisis e
interpretacin de los resultados obtenidos.

Se considera adems el desarrollo de un proyecto el cual ser resuelto con la ayuda de

softwares en los laboratorios y se ir evaluando de manera parcial mediante informes.

vii
.

VIII. FUENTES DE INFORMACIN

a. Apuntes de Clases.

b. Bibliografa Bsica.
1.- Introduccin a la Investigacin de Operaciones. Hillier & Lieberman.
McGraw-Hill, 4 Edicin, 1990. USA.
2.- Investigacin de Operaciones. Hamdy Taha. Prentice Hall. 7 Edicin, 2004.
Mxico.
3.- Operations Research. Wayne L. Winston,Thomson. 4 Ed. 2004. Canad.

c. Bibliografa complementaria
1. Introduction to probability models. Ross Sheldon M. Orlando, Flo.: Academic
Press, 1985.
2.- Fundamentals of Queuing Theory. Gross & Harris .John Wiley & Sons, 1974,
USA.
3.- Teora de la Confiabilidad de Componentes y Sistemas. Stegmaier Ral, Arata
Adolfo. Universidad Tcnica Federico Santa Mara.

d. Direcciones Web
http://www.sapiensman.com/ESDictionary/index.htm
http://www.cse.wustl.edu/~praveenk/support/quick-qt.pdf

viii
 CAPTULO I

PROCESOS ESTOCSTICOS

Competencias:

Capacidad de anlisis y sntesis.

Capacidad para solucionar problemas.

Capacidad para razonar analticamente.

Objetivos:

Analizar y modelar fenmenos aleatorios.

Comprobar si en un proceso estocstico se verifica la propiedad de Markov y de

Estacionalidad.

Identificar situaciones cuyo anlisis se facilita con el ajuste de un modelo estocstico.

1
1.1.- INTRODUCCIN
Qu es un modelo estocstico?
Supongamos que un profesor hora del rea de Ingeniera Industrial de la universidad dicta
una asignatura todos los semestres. A veces le toca dictar Finanzas, otras veces Proyectos o
incluso Marketing. No hay ningn patrn de rotacin, de hecho el profesor nunca sabe con
certeza qu asignatura tendr que realizar el prximo semestre. Incluso es posible que tenga
que dictar el mismo ramo que realiza actualmente. Por otro lado, no todas las posibilidades
son igualmente probables, el ramo que dictar el prximo semestre depende de alguna
medida de qu es lo que est haciendo ahora.

Hay muchas preguntas que uno podra hacerse en este proceso. Las siguientes son slo un
ejemplo:
1) Si el profesor est ahora dictando Marketing Cul es la probabilidad que despus de tres
semestres est otra vez dictando Marketing?
2) Si el profesor est dictando Finanzas Cuntos semestres pasarn (en promedio) antes de
ser asignado por primera vez a Proyectos?
3) Despus que el profesor ha estado cinco aos en la universidad Cuntos semestres, en
promedio, habr dictado Proyectos?
4) Si el profesor est ahora realizando Proyectos y si nos fijamos en algn periodo futuro,
Cul es la probabilidad de que encontremos a este profesor dictando Finanzas?
5) En el largo plazo Qu porcentaje de veces el profesor habr sido asignado a Finanzas?

Hay ejemplos de preguntas muy prcticas que desearamos querer responder para evaluar
nuestra satisfaccin en la universidad (los profesores normalmente tienen preferencias en la
realizacin de algunas asignaturas especficas). Algunas de estas preguntas requieren como
respuesta probabilidades y otras valores esperados. Algunas referidas a la probabilidad de
estar dictando alguna asignatura particular en un determinado tiempo y otras el tiempo
requerido para alcanzar a dictar un ramo especfico.

Debido a que la reasignacin ocurre slo a intervalos fijos, el paso del tiempo puede ser
registrado contando el nmero de reasignaciones que han ocurrido. Partiendo de un tiempo
arbitrario, se denotar ese periodo particular de un semestre por el nmero cero. La primera

2
reasignacin ocurrir al final de ese intervalo (comienzos del prximo), de modo que ese
prximo intervalo de tiempo ser designado por el nmero uno y as sucesivamente. La n-
sima reasignacin ocurre en el comienzo del n-simo intervalo de un semestre.

Cualquier proceso aleatorio en el cual el tiempo se mide discretamente, puede ser

representado como una secuencia de variables aleatorias. De hecho, se pueden hacer las
siguientes definiciones: Para fines explicativos se numerarn las asignaturas, as Finanzas
ser denotado por 1, Proyectos por 2 y Marketing por 3. Este arreglo particular es obviamente
arbitrario.

Si especificamos un semestre en particular en el futuro y nos preguntamos qu asignatura

estar dictando el profesor? Se tiene que decir que la respuesta est dada por una variable
aleatoria que puede tomar los valores 1, 2 o 3 de acuerdo a alguna distribucin de
probabilidades. Como esto es verdadero para cualquier intervalo de tiempo (semestre)
especfico, una manera de describir el futuro del proceso completo es decir que ste est dado
por una secuencia de variables aleatorias indexadas por el tiempo { x1, x2, x3, x4,}. La
variable aleatoria xn debe ser interpretada como la asignacin (incierta) que el profesor
tendr en el n-simo semestre.

Un proceso estocstico de tiempo discreto es cualquier secuencia de variables aleatorias

indexadas por el tiempo.

El conjunto de todos los valores posibles de las variables aleatorias se le denomina espacio
de estados.

El valor asumido por xn se le denomina el estado del proceso en el tiempo n.

Cambios de estado se llaman transiciones.

Si el enfoque no es el tiempo sino la estructura de las transiciones permitidas, lo normal es

construir un diagrama de transiciones. Este diagrama es una ilustracin del proceso, en el
cual los estados estn representados por nodos y las transiciones por arcos. Un arco (flecha)
del estado 1 al estado 2 significa que si el proceso est en el estado 1 en algn tiempo n,

3
entonces es posible estar en el estado 2 en el tiempo n+1. En nuestro ejemplo hay tres estados
sin restricciones en las transiciones, as el diagrama de transicin sera el que se muestra a
continuacin.

2 3

En vez de pensar un proceso aleatorio como una secuencia de variables aleatorias, uno puede
visualizarlo como el camino aleatorio de una partcula en el diagrama de transicin. El ocupar
un estado es equivalente a que la partcula est en un nodo particular, una transicin
corresponde a un salto o un movimiento instantneo de la partcula a lo largo de una de las
flechas.

1.2.- PROCESOS ESTOCSTICOS DE TIEMPO DISCRETO

Hasta ahora no se tienen datos ni distribuciones de probabilidades. Como el proceso se ha
descrito como una secuencia de variables aleatorias indexadas por el tiempo {x1,x2,x3,x4,}
debemos especificar la distribucin de probabilidad de cada xi. Sin embargo, esto no ser
suficiente. Como se mencion en el ejemplo, la asignacin de la asignatura para el profesor
el prximo semestre, depende de la asignatura que est realizando actualmente. En otras
palabras, la variable aleatoria xi, no es independiente. Cuando se tienen dos o ms variables
aleatorias dependientes, se necesitara una funcin de distribucin conjunta o una funcin de
distribucin condicional para expresar completamente las relaciones. Las distribuciones
marginales de las variables aleatorias no hacen totalmente el trabajo en forma individual. La
completa especificacin de un proceso estocstico requerira de funciones de distribucin
conjunta, que tomen conjuntamente todas las variables aleatorias. Pero esto sera
impracticable intentarlo en cualquier proceso de la vida real.

4
En este punto necesitamos el supuesto simplificador de Markov. En el caso de nuestro
ejemplo, el supuesto que se hace es que la asignatura que se le asignar al profesor el prximo
semestre, depende slo de la asignatura que est dictando este semestre. Se elimina toda la
experiencia previa del profesor como un factor que determina la prxima asignacin. Ms
generalmente, una cadena de Markov es un proceso estocstico de tiempo discreto para el
cual cada variable aleatoria xi depende slo de la previa xi-1 y afecta slo a la siguiente xi+1.
El trmino cadena sugiere la relacin de las variables aleatorias a sus vecinos inmediatamente
adyacentes en la secuencia.

Comparado con los procesos estocsticos en general, las cadenas de Markov son muy
simples. Sin eliminar completamente la dependencia entre las variables aleatorias (porque si
se hace se reduce severamente la capacidad de representar efectivamente un proceso de la
vida real), se evita la necesidad de tener que expresar la distribucin conjunta de cada
situacin. En realidad, ser suficiente expresar la distribucin conjunta o condicional de solo
dos variables vecinas a la vez.

Supongamos que x0 representa la asignacin actual del profesor y estamos interesados en

x1, su prxima asignacin (para considerar si tomaremos ese ramo). Lo que queremos es una
distribucin de probabilidad sobre los tres posibles valores de x 1. Pero estas probabilidades
dependen de la asignatura actual que est dictando el profesor. Supongamos que l est
dictando actualmente Finanzas, es decir, x0 = 1. Entonces su prxima asignatura ser
Finanzas (x1 = 1), o estar dictando Proyectos (x1 = 2) o Marketing (x1 = 3). Las
probabilidades de estas transiciones dan las probabilidades para el estado en el tiempo 1,
considerando que l est ahora realizando Finanzas. Por supuesto, si el profesor est ahora
dictando Proyectos las probabilidades sern diferentes y si est dictando Marketing sern
tambin diferentes.

Una manera conveniente de presentar estas diferentes probabilidades es en forma matricial,

como se muestra a continuacin.

5
 11 12 13
P = |21 22 23 |
31 32 33

La primera fila de esta matriz representa las probabilidades que el profesor se encuentre el
prximo semestre dictando Finanzas, Proyectos y Marketing respectivamente, si l est ahora
dictando Finanzas. La segunda fila da las probabilidades que dicte el prximo semestre
Finanzas, Proyectos y Marketing si l ahora est realizando Proyectos y la tercera fila lo
mismo que lo anterior considerando que este semestre est haciendo clases de Marketing.
Cada fila es individualmente una distribucin de probabilidades para x1, el uso apropiado
depende del valor que tiene x0. El hecho de que cada fila es una distribucin de probabilidades
implica que cada fila debe sumar 1.

El elemento pij significa la probabilidad que x1 = j dado (si se sabe) que x0 = i. Formalmente,
es la probabilidad pij = p{x1=j/x0=i}. Una conveniente, aunque algunas veces inadecuada
forma de pensar en esto, es como la probabilidad de ir del estado i al j o hacer la transicin
de i a j. Los pij son de hecho llamados probabilidades de transicin de un paso y la matriz P
se llama matriz de transicin de un paso.

En lugar de usar la matriz, se podra tener indicadas las probabilidades en las flechas del
diagrama de transicin. La flecha desde i a j recibira el valor de pij, lo cual puede ser pensado
como la probabilidad de que esta flecha sea usada cuando la partcula deja el punto i. La fila
i de la matriz P correspondera al conjunto de flechas que dejan el punto i, as la suma de las
probabilidades sobre este conjunto debe ser igual a 1. En nuestro ejemplo del profesor, el
diagrama de transicin sera como el de la siguiente figura.

6
 P11

P12 1
p31

p21 P13

p32
2 3
p33
p22
p23

Por supuesto, si cualquiera de estos pij es cero, lo que indicara que una transicin de i a j no
es posible, la flecha desde i a j simplemente no aparecera en el diagrama.

Es evidente que el diagrama de transicin con las probabilidades contiene la misma

informacin que la matriz P. Dada una matriz de transicin se puede construir un nico
diagrama de transicin y dado un diagrama de transicin se puede construir una nica matriz
de transicin. Para construir cualquiera de ellos, para modelar un proceso de la vida real, es
necesario imaginar cada transicin posible desde un estado a otro y luego encontrar la
probabilidad que est asociada a cada transicin posible.

Se ha expresado todo lo necesario para describir x1, el estado en el tiempo 1, tomando en

cuenta su dependencia de x0, el estado del proceso en el tiempo cero. Segn el supuesto de
Markov no se requiere ms informacin sobre los estados anteriores. Consideremos ahora x2,
el estado del proceso en el tiempo 2. Supongamos nuevamente que nuestro profesor est
dictando actualmente Finanzas, x0 = 1 y deseamos saber la probabilidad de que estar
dictando Finanzas nuevamente en el tiempo 2, es decir, en el semestre subsiguiente, x2 = 1.
Aunque x2 no depende directamente de x0, depende de x1, pero x1 depende de x0.

Hay tres maneras distintas en que el evento en que estamos interesados podra ocurrir,
correspondiente a las tres posibles alternativas para el estado en el tiempo 1. El profesor
podra haber estado haciendo siempre clases de Finanzas o podra haber sido asignado a
Proyectos en el semestre siguiente y posteriormente a Finanzas o podra haber sido asignado

7
a Marketing en el semestre siguiente y de ah a Finanzas. No hay otra forma en que el evento
pueda ocurrir y las tres maneras son mutuamente excluyentes.

En otras palabras, si el profesor va a estar dictando Finanzas en el tiempo 2 cuando estuvo

dictando Finanzas en el tiempo cero, entonces debe haberlo hecho exactamente por uno de
los tres pasos alternativos enumerados antes. Consecuentemente, la probabilidad de que
estar haciendo clases de Finanzas en el tiempo 2 dado que estuvo dictando Finanzas en el
tiempo cero, estar compuesta por la suma de tres probabilidades, una para cada posible paso.
Usando una notacin no muy formal, en realidad, abusando de la notacin de la probabilidad
podemos escribir:

p{x0= 1 x2 =1} =p{x0=1 x1=1 x2=1}+ p{x0=1 x1=2x2=1} + p{x0=1x1=3

x2=1}

El problema es ahora expresar las probabilidades de las rutas, tal como la siguiente:

p{x0=1 x1=3 x2=1}

Se tiene, por supuesto, la notacin para expresar la probabilidad en el primer tramo de la

ruta p13. Ms an la probabilidad para el segundo tramo p31. Esta ltima probabilidad es (por
el supuesto de Markov) independiente del estado en el tiempo cero. As, se pueden
multiplicar las probabilidades de los dos tramos para obtener la probabilidad de la ruta
completa:

p{x0=1 x1=3 x2=1} = p{x1 x3} x p{x3 x1] = p13 p31

Una expresin similar puede escribirse para las otras rutas.

Tambin se hace un supuesto simplificador adicional. Como p31 de la ecuacin anterior es la

probabilidad de transicin del estado tres al uno, pero en la segunda asignacin, esta
probabilidad no tiene porqu ser igual al de la primera. En el caso del ejemplo del profesor,
la probabilidad que dicte Marketing (estado 3) el prximo semestre dado que ahora est

8
realizando Finanzas (estado 1) no tiene que ser necesariamente igual a la probabilidad que el
dicte Marketing el semestre subsiguiente dado que el siguiente est haciendo clases de
Finanzas. En el primer caso se est hablando de la primera transicin y en el segundo caso
de la segunda transicin.

Lo que se va a suponer es que las probabilidades de transicin no cambian con el paso del
tiempo. El trmino usado para describir esto es estacionalidad. Para una cadena de Markov
estacionaria, la matriz P proporciona las probabilidades de transicin de un paso para
cualquier momento del tiempo y es suficiente para describir enteramente el proceso. Si
nuestro proceso no fuera estacionario sera posible continuar, pero se requerira de ms
matrices de transicin, una para cada momento del tiempo en que ocurra una transicin. En
este curso se har el supuesto para continuar el desarrollo. Es decir:

p{x0=1 x1=3 x2=1} = p13 p31

En palabras, la probabilidad de la ruta de dos pasos est dado por el producto de las
probabilidades de transicin de un paso que comprende la ruta. Encontrando las
correspondientes probabilidades para los otros dos pasos y juntando los resultados da:

p{x0= 1 x2 = 1} = p11 p11 + p12 p21 +p13 p31

Esto expresa, en trminos de valores ya conocidos, la probabilidad de que el profesor est

dictando Finanzas en el semestre subsiguiente, dado que actualmente est haciendo Finanzas.

En notacin convencional de la probabilidad el primer trmino de la ecuacin anterior se

escribe como p(2)11 y se lee como la probabilidad de estar en el estado 1 despus de dos
transiciones dado que inicialmente el proceso se encontraba en el estado 1.

Por lgica similar, se pueden obtener las probabilidades de que el profesor est dictando
Proyectos o Marketing en el semestre subsiguiente (tiempo 2) dado que actualmente (tiempo
cero) est haciendo clases de Finanzas. En notacin convencional:

9
 p(2)11 = p11 p11 + p12 p21 +p13 p31
p(2)12 = p11 p12 + p12 p22 +p13 p32
p(2)13 = p11 p13 + p12 p23 +p13 p33

Las tres expresiones juntas dan la distribucin de probabilidades de la variable aleatoria x2

dado que x0 =1.

Si el profesor no est dictando clases actualmente de Finanzas sino que de Proyectos, se

obtendrn tres expresiones diferentes para x2 y tres ms para cuando est dictando
actualmente Marketing. Hay un total de nueve expresiones que se requieren para especificar
la distribucin de x2 bajo las diferentes condiciones iniciales. Tal como se hizo para x1, es
conveniente usar un arreglo matricial. Sea P(2) la matriz de estas probabilidades y sea p(2)ij la
representacin de la i,j entrada, se tiene:

(2) (2) (2)

11 12 13
(2) (2) (2)
(2) = |21 22 23 |
(2) (2) (2)
31 32 33

P(2) se llama matriz de transicin de dos pasos, sus elementos, probabilidades de transicin
de dos pasos. Ellos dan las probabilidades condicionales para los estados en el tiempo bajo
las variadas condiciones posibles para el estado en el tiempo cero. Cada fila es una
distribucin de probabilidades, p(2)ij es la probabilidad de estar en el estado j despus de dos
transiciones dado que inicialmente nos encontramos en el estado i. Ya se sabe cmo
expresarla en trminos de probabilidades de transicin de un paso:

p(2)ij = pik pkj donde k identifica a todos los estados del proceso.

Hay una forma sistemtica de obtener las probabilidades de transicin de dos pasos. El
mtodo se basa en la simple observacin de que las expresiones derivadas anteriormente son
exactamente a las que se obtendran si la matriz P estuviera multiplicada por s misma, es
decir:
P(2) = PP = P2

10
En palabras, las probabilidades de la matriz de transicin de dos pasos es igual al cuadrado
de la matriz de probabilidades de un paso. Esto no es obvio, es una relacin derivada, requiere
del supuesto de Markov y del supuesto de estacionalidad. Es la ms fortuita de las relaciones
porque significa que una bien conocida operacin matricial puede usarse para calcular las
distintas probabilidades de x2.

Hasta ahora se ha descrito la distribucin de probabilidades de x 1 y x2. Para obtener la

distribucin de x3, la distribucin de probabilidades en el tiempo tres, bajo las varias
condiciones posibles en el tiempo cero, se tiene necesariamente que considerar las maneras
en las cuales los estados pueden ocurrir. Por ejemplo, supongamos que el profesor est
dictando actualmente Finanzas (x0=1) y estamos interesados en conocer la probabilidad de
que est dictando Finanzas nuevamente tres semestres despus, es decir en el tiempo tres
(x3=1), entonces despus de dos semestres, tiempo 2, puede haber estado dictando Finanzas,
Proyectos o Marketing. Como son mutuamente excluyentes, se tiene:

p(3)11 = p(2)11 p11 + p(2)12 p21 + p(2)13 p31

Siguiendo esta lgica podemos escribir todas las probabilidades de transicin de tres pasos
en trminos de las probabilidades de transicin de dos pasos y de un paso, las cuales son por
supuestos ya conocidas. Ms an se puede observar que los mismos resultados se obtendran
multiplicando la matriz de transicin de dos pasos por la matriz de transicin de un paso.
As:

P(3) = P(2) P, pero como P(2) = P, entonces, P(2) = P2 P = P3

As, la matriz de transicin de tres pasos es igual a la matriz de transicin de un paso al cubo.
Los elementos de esta matriz describen completamente a x3 , la variable aleatoria que
describe el estado del proceso en el tiempo tres. En general, la matriz de transicin de n pasos
es igual a la matriz de transicin de un paso elevada a la n-sima potencia.

P(n) = Pn

11
Este es el ms importante resultado de las cadenas de Markov. Elevando P a la potencia
apropiada se puede responder cualquier pregunta relacionada con la probabilidad de estar en
algn estado particular en un tiempo particular. La secuencia completa de las variables
aleatorias {x1, x2, x3, x4, }, las cuales caracterizan el proceso completo, quedan ahora
totalmente descritas.

Existe otra extensin que debe ser considerada. Se tiene que todas las variables aleatorias
caracterizadas {x1, x2, x3, x4, }, suponen que el estado en el tiempo cero es conocido.
Ocasionalmente sucede que el valor de x0 no se conoce con certeza, sino que est dado por
una distribucin de probabilidades. Supongamos que este sea el caso y sea p(0)i la
probabilidad que x0 = i.- Por ejemplo, p(0)1 sera la probabilidad de que el profesor est
dictando Finanzas actualmente, es decir, en el tiempo cero. Supongamos que queremos
conocer la probabilidad que el profesor est dictando, por ejemplo, Proyectos en algn
tiempo futuro, por decir n=5. Teniendo la matriz P(5), podemos leer p(5)12, p(5)22 y p(5)32 en la
segunda columna. Estas son todas las probabilidades de estar en el estado dos en el tiempo
cinco, pero difieren del estado supuesto para el tiempo cero. Lo obvio de hacer es tomar un
peso promedio de p(5)12, p(5)22 y p(5)32 , cada peso de acuerdo a la probabilidad a la que se
supone que est el estado inicial. Esta lgica produce la siguiente expresin:

p(5)2 = p(0)1 p (5)12 + p(0)2 p(5)22 + p(0)3 p(5)32

La cual es la probabilidad que x5 = 2.

El vector P(0) con componentes p(0)1, p(0)2 y p(0)3 es decir, P(0) = (p(0)1,p(0)2,p(0)3) es el vector de
probabilidades cuando el estado inicial es incierto.

Extendiendo la notacin, sea p(n)i = p{xn=i}, esta probabilidad se llama probabilidad del
estado, para distinguirla de la probabilidad de transicin. Esto da la probabilidad de estar en
un estado particular en un tiempo particular cuando la situacin en el tiempo cero es incierta.

12
Sea p(n) el vector fila de las probabilidades de estado. Usando esta nueva notacin, se puede
observar que las expresiones que se obtendran para los elementos de p(5) uno de los cuales
fue descrito anteriormente, puede obtenerse tambin de:

P(5) = P(0) P(5)

Ms an, generalizando esto dar las probabilidades de estado para cualquier tiempo.

P(n) = P(0)P(n)

En palabras, el vector de probabilidades de estado para el tiempo n est dado por el vector de
probabilidades del estado inicial multiplicado por la matriz de transicin de n pasos.

El lado derecho de esta relacin consiste en la multiplicacin de matrices, la cual es no

conmutativa (A x B B x A). Tambin es importante recordar que los P(n) son vectores fila.
Si por razones de conveniencia se prefiere usar vectores columna hay que utilizar su
transpuesta, afectando el orden de la multiplicacin en el lado derecho:

P(n)T = P(n)T P(0)T

Supongamos que las polticas del rea de Industrias de la universidad determinan que si un
profesor est dictando Finanzas no puede hacer el prximo semestre Marketing, pero puede
volver a dictar Finanzas o Proyectos con igual probabilidad. Si el profesor est ahora
realizando Proyectos tiene igual probabilidad de volver a dictar Proyectos o hacer Marketing,
pero no puede hacer Finanzas el prximo semestre y si est haciendo Marketing no puede
volver a realizar este mismo ramo sino que debe dictar Finanzas o Proyectos, siendo Finanzas
tres veces ms probable que su asignacin a Proyectos.

El diagrama de transicin que resulta de estos supuestos se muestra en la figura siguiente:

13
 P11 = 1/2

p31= 3/4
P12 = 1/2
1

p32 = 1/4 3
2
p22 = 1/2
p23 = 1/2

La matriz de transicin de un paso es:

1/2 1/2 0
P= ( 0 1/2 1/2)
3/4 1/4 0

Se obtiene la matriz de probabilidades de transicin de 2 pasos, P(2) elevando al cuadrado P.

1/4 1/2 1/4

(2) 2
P = P = (3/8 3/8 1/4)
3/8 1/2 1/8

Esto dice que si el profesor comienza dictando clases de Finanzas tiene una probabilidad de
de estar dictando Marketing el semestre subsiguiente. Si no conociramos con certeza la
asignatura que est dictando actualmente el profesor, pero que est dada por una distribucin
de probabilidades, se tendra que recurrir a la expresin explicada anteriormente:

P(2) = P(0) P(2)

Por ejemplo, si el profesor tuviera igual probabilidad de ser asignado inicialmente a

cualquiera de los tres ramos, entonces:

P(0) = p(0)1, p(0)2,p(0)3 = (1/3 1/3 1/3)

14
 1/4 1/2 1/4
(2)
P = (1/3 1/3 1/3) (3/8 3/8 1/4) = (1/3 11/24 5/24)
3/8 1/2 1/8

En palabras, si el profesor tiene igual probabilidad de ser asignado inicialmente a cualquiera

de las tres asignaturas, entonces la probabilidad que est dictando clases de Finanzas despus
de dos asignaciones (semestre subsiguiente) es 1/3, la probabilidad que est haciendo clases
de Proyectos ser 11/24 y dictando Marketing 5/24.

Las matrices de transicin de mayor orden pueden obtenerse por la multiplicacin de las
matrices.

As, P3 = P2 P (o P P2), P5= P4 P (o de otra manera)

Aunque es fcil recordar cmo calcular las probabilidades de estado y de transicin es fcil,
tambin, olvidar la forma en que trabaja el mtodo. En particular, se puede olvidar que los
supuestos de estacionalidad y de Markov son cruciales. Es verdad que muchos procesos de
la vida real satisfacen estos supuestos, o al menos lo satisfacen lo suficiente para que el
modelo sea considerado til, as como muchos otros procesos no lo hacen. An si un proceso
no satisface los supuestos de Markov y de estacionalidad, es posible definir una matriz de
transicin de un paso y usarla para responder algunas preguntas. Las respuestas simplemente
podran no tener sentido. As, se requiere cuidado para evitar aplicar este mtodo cuando las
circunstancias son inapropiadas. Aunque existen ciertas pruebas estadsticas para verificar la
sensatez de aplicar los supuestos de Markov y de estacionalidad, la mejor proteccin es
entender claramente los supuestos y lo que ello implica y as pensar si ellos parecen
apropiados a la situacin.

El supuesto de Markov es bsicamente un supuesto de independencia. Dice que conociendo

el estado en algn tiempo es suficiente para predecir el futuro del proceso desde ese punto.
La informacin relativa a la forma como este estado fue alcanzado, es decir, la secuencia de
estados anteriores, es superflua. Una forma ms simple pero menos precisa de decir lo mismo
es dado el presente, el futuro es independiente del pasado.
15
En el caso del ejemplo que se ha estado usando, el proceso no sera markoviano si el registro
de las asignaciones anteriores se considera para determinar la prxima asignacin del
profesor. Supongamos, por ejemplo, que si el profesor est haciendo clases ahora de Finanzas
y anteriormente estuvo dictando Marketing y esto ltimo tiene alguna relacin con la
probabilidad de ser asignado posteriormente a alguna asignatura, el supuesto de Markov se
violara. Es fcil imaginar que este podra ser el caso. Por otro lado si no se mantienen
registros previos de las asignaciones, al profesor no se le hace ninguna consulta y la nueva
asignacin se hace mediante un computador a travs de un generador de nmeros aleatorios,
el supuesto de Markov estara satisfecho. Ms comnmente, se satisface en el sentido que se
es incapaz de detectar alguna relacin entre la nueva asignacin y una del pasado. A veces
se puede sospechar que podra existir una relacin, pero al mismo tiempo, esta relacin es
tan dbil que perfectamente se puede hacer uso del supuesto de Markov.

El supuesto de estacionalidad es un supuesto de consistencia en el tiempo. Sugiere estabilidad

del proceso, esto no implica que el proceso permanece en un estado fijo o que la tasa en la
cual ocurren las transiciones es muy lenta. Es el mecanismo de probabilidad que se supone
estable. Nuevamente es fcil imaginar casos para los cuales el supuesto no se cumple. Si la
escala de tiempo del modelo es muy larga este proceso puede sufrir cambios fundamentales,
tales como crecimiento, evolucin, cambios en las polticas, etc. que hasta se podra dudar
de tratarlo como el mismo proceso. An en el corto plazo, muchos procesos de la vida real
tienen periodos de peak o de baja durante el cual exhiben comportamientos que son
diferentes de lo normal. Tales cambios pueden ocurrir gradualmente o de una vez, pero en
uno u otro caso violara el supuesto de estacionalidad. En el caso del ejemplo, si se est
consiente de un incremento en la tendencia de asignar al profesor que ha estado haciendo
clases de Proyectos a Finanzas ms bien que a Marketing. Si es as, la matriz de transicin
que describe con precisin las probabilidades de transicin en un determinado tiempo, no
sera exacta en un tiempo posterior.

Los supuestos de Markov y de estacionalidad no estn relacionados entre s, de hecho se

puede cumplir slo uno de ellos.

16
Como se mencion anteriormente { xn, n=1,2,3} es una secuencia de variables aleatorias
indexadas por el tiempo. Esta secuencia se llama proceso estocstico de parmetro discreto
o de tiempo discreto. El valor de xn para una situacin especfica del proceso se llama el
estado del proceso en el paso n-simo. Si la variable aleatoria xn es una variable aleatoria
discreta, esto es, si ella puede tomar slo valores enteros, el proceso se denomina proceso
estocstico de estado discreto. Tambin es posible considerar procesos estocsticos de
estados continuos, pero por ahora la discusin ser referida slo al proceso de estados
discretos.

Una definicin ms formal para el supuesto de Markov es la siguiente. Si para todo n:

p{xn=jn/xn-1=jn-1,xn-2=jn-2,xn-3=jn-3,,xo=jo} =p{ xn = jn/xn-1 = jn-1}

El proceso se dice ser un proceso de Markov de parmetro discreto o una cadena de Markov.
En otras palabras la distribucin condicional de xn dada toda la historia pasada del proceso
debe ser igual a la distribucin condicional de xn dado xn-1. La probabilidad condicional
p{xn=j/xn-1=i} se refiere a la probabilidad de la transicin de un paso desde i a j en el tiempo
(paso) n.

Por otro lado, si para todo m y n: p{xn=j/xn-1 = i} =p{xm=j/xm-1=i}, el proceso se dice ser
estacionario. En este caso, las probabilidades de transicin de un paso no dependen
explcitamente del tiempo (nmero de pasos). Para tales procesos, es suficiente especificar
las probabilidades de transicin de un paso, pij = p{x1=j/xo=i} debido a que las probabilidades
de transicin de un paso en cualquier tiempo son las mismas. La matriz cuadrada P cuyos
elementos son los pij se llama matriz de transicin de un paso.

Las probabilidades de transicin de n pasos, p(n)ij se definen como p(n)ij =p{xn=j/xo=i}. En

palabras, p(n)ij es la probabilidad que el proceso est en el estado j en el tiempo n dado que
estuvo en el estado i en el tiempo cero. Por supuesto, p(1)ij es pij. En resumen, se puede ver
fcilmente de la definicin que p(o)ij debe ser uno si i=j y cero de cualquier otra manera. Por
ejemplo, p(2)ij = p{x2=j/xo=i}. Esto es, p(2)ij es la probabilidad de estar en el estado j despus
del segundo paso dado que el proceso estaba en el estado i inicialmente. El inters est en

17

k
determinar esas probabilidades a partir de las probabilidades de transicin pij de un paso que
son conocidas. Para ese fin, se considera el trayecto que el proceso puede recorrer para ir del
estado i al j en dos pasos.

k
Primer paso
Segundo paso

i j

Supongamos que k sea el estado que el proceso alcanza en el primer paso. Entonces, para ese
trayecto, la probabilidad de ir de i a k y de k a j en exactamente dos pasos es:

pik pkj = p {x1 = k/x0=i} p {x2 =j/x1=k} = p {x2=j,x1=k/xo=i}

Ms generalmente, como la cadena tiene un mecanismo de transicin estacionario, esa es la

probabilidad de ir de i para k y de k para j en dos pasos consecutivos cualesquiera (no
necesariamente los dos primeros pasos), ya que en el primer paso el proceso debe alcanzar
algn estado k. Se puede observar ahora que:

p(2)ij = pikpkj

Se denota la matriz cuyos elementos son p(2)ij por P(2) y ms genricamente se indica la matriz
cuyos elementos son p(n)il por P(n). Se puede observar que la ecuacin anterior es la frmula
para la determinacin de los elementos del producto de las matrices. Esa frmula puede ser
escrita en forma matricial como

P(2) = P P = P2 donde P es la matiz de los elementos pij

Esto es, la matriz de probabilidades de transicin de dos pasos se forma elevando la matriz
de probabilidades de transicin de un paso al cuadrado. Se desprende fcilmente, por,
induccin, que:

18
 P(n) = Pn

Es decir, la matriz de probabilidades de transicin de n pasos se forma de la multiplicacin

de la matriz de probabilidades de transicin de un paso por s misma n veces. De la relacin
matricial Pm+n = Pn Pm se puede deducir una importante relacin de los elementos de P(n)

P(n+m) = P(n) P(m)

o en trminos de los componentes de las matrices

(+) ()
=

Como p(o)ik = 0 para i k y p(0) = 1 para i = k, esto es si definimos P(0) como la matriz identidad
I, la ecuacin P(n+m) = P(n) P(m) es verdadera para todos los enteros m, n 0.

Las ecuaciones anteriores, una en forma matricial y la otra en forma de las componentes de
estas matrices se denominan ecuacin de Chapman-Kolmogorov y es una de las relaciones
bsicas utilizadas en la teora de los procesos markovianos.

La interpretacin de esta ecuacin es que para ir del estado i al estado j en (n+m) pasos, se
debe ir de i a algn estado intermedio k en n pasos y entonces seguir de k a j en m pasos.
Debido a la propiedad de Markov, el proceso de ir de i a k en n pasos es simplemente p (n)ik.
De forma semejante, debido a la propiedad de Markov, el proceso de ir de k a j no depende
del estado inicial i. Siendo as, la probabilidad de ir de i a j en n+m pasos siguiendo el
recorrido i, k, j es p(n)ikp(m)kj. La probabilidad de ir de i a j tomando en cuenta todos los
recorridos es p(n)ik p(m)kj y esto significa p(m+n)ij.

Definimos anteriormente p(n)i = p{xn=i} como la probabilidad del estado, para distinguirla de
la probabilidad de transicin. Esto da la probabilidad de estar en un estado particular en un
tiempo particular cuando la situacin en el tiempo inicial es incierta. En forma vectorial P(n)
= (p(n)0, p(n)1,p(n)2, ) que es el vector de probabilidades de estado despus de n transiciones.

19
El elemento p(1)k del vector de estado p(1) es la probabilidad de estar en el estado k despus
de un paso. Se sigue que:

(1) (0)
=p{1 = } = {0 = } p{1 = /0 =j} =

En palabras, el lado izquierdo es la probabilidad de estar en el estado k despus de una

transicin. El lado derecho es interpretado como la probabilidad de estar en algn estado j en
el inicio y en un paso pasar de j a k. Como se puede comenzar en cualquier estado j, con
probabilidad pj = p{xo=j}, se deben sumar todos los caminos en que se puede estar en el
(1)
estado k partiendo del estado inicial j para determinar .

Otra interpretacin de lo anterior por la definicin de las probabilidades condicionales es que:

p{1 = k,0 = j} = p{0 =j}p{1 =k/0 = j}

El lado izquierdo es la probabilidad conjunta de estar en el estado k en el tiempo 1, es decir,

despus de un paso, habiendo estado en el estado j en tiempo cero (inicio). La probabilidad
marginal p{1 = k} podr entonces, obtenerse a partir de esa probabilidad conjunta como:

p{1 = k} = p{1 = k, 0 = j} = p{0 = j}p{1 = k/0 = j}

La frmula explicada anteriormente

(1) (0)
=p{1 = } = {0 = } p{1 = /0 =j} =

Puede ser escrita en forma de vector y matriz como:

P(1)= P(o) P

20
 (1)
Donde los elementos del vector P(1) son los . De continuar el proceso para n=2 se sigue
que:

(2) (1)
= p{2 = } =

o en forma de vector y matriz

P(2)= P(1) P

Por induccin se sigue fcilmente que:

P(n)= P(n-1) P

As los componentes del vector P(n) satisfacen la relacin:

() (1)
= p{ = } =

Se puede observar tambin que si P(1)= P(o) P fuera introducido en P(2)= P(1) P se tendra
p(2)= p(o) P2. En general,

p(n)= p(0) P(n) para n = 1,2,3,4

Se puede notar entonces, que p(n), el vector de probabilidad de estado despus de n pasos, se
encuentra fcilmente en trminos del vector de condiciones iniciales p(0) y de la n-sima
potencia de la matriz de probabilidades de transicin de un paso.

() ()
Hay que distinguir entre y . El primer trmino es una probabilidad condicional, el
()
segundo una probabilidad marginal. Esto es, es la probabilidad de estar en el estado j
()
dado que el proceso se encontraba en el estado i, n pasos anteriores. Por otro lado, es la

21
probabilidad de estar en el estado j despus de n pasos, independiente del estado inicial. La
ecuacin anterior puede ser escrita en forma de componente:

() (0) ()
=

que es interpretada como: la probabilidad de estar en el estado j despus de n pasos es la

probabilidad de ir a j en n pasos dado que el proceso estaba en k en el inicio, ponderado por
la probabilidad de estar en el estado k al comienzo.

Consideremos nuevamente las asignaciones de las asignaturas al profesor de nuestro ejemplo.

Si fijamos el estado inicial, por ejemplo x0 = 3 (el profesor se encuentra realizando
actualmente la asignatura de marketing) y se observa el comportamiento de las
probabilidades de transicin, por ejemplo 1 (Finanzas) en funcin del tiempo, tendramos un
grfico como el de la figura:

Para n= 0 la probabilidad, por supuesto, es cero.

Despus de algunas amplias fluctuaciones cuando n es pequeo, la probabilidad parece

estabilizarse alrededor de 1/3. Es tpico de estos procesos que las probabilidades de transicin
se vayan estabilizando a medida que n crece. El lgico que ello sea as, si se considera el
futuro ms y ms distante, el hecho que el profesor est dictando ahora Marketing tiende a
perder significancia. Colocndolo de otra manera, si se tiene que estimar la probabilidad de

22
encontrarlo dictando clases de finanzas 10 aos despus u 11 aos despus, las
probabilidades deberan ser prcticamente las mismas.

La misma lgica sugiere que si el profesor est ahora haciendo clases de Finanzas o Proyectos
en lugar de marketing la distincin perdera importancia con el tiempo.

() ()
Si se examina las funciones de probabilidad de transicin 11 y 21 se verifican que ellas
() () ()
convergen al mismo valor 1/3. Estos tres grficos 11 , 21 y 31 versus el tiempo, indican
la probabilidad de estar en el estado 1 en el tiempo n, ellos difieren del estado inicial. Parece
que, para grandes n, la probabilidad de estar en el estado 1 es 1/3 independientemente de
donde empez el proceso. Esta ltima informacin decrece en importancia hasta el punto de
hacerse irrelevante para n grandes.

Como el valor de convergencia es 1/3 y hay tres estados, se podra tambin conjeturar que
para n grandes todos los estados son igualmente probables. Esta conjetura, sin embargo, es
falsa. Como se puede ver de las matrices de transicin la probabilidad de estar en el estado 2
se estabiliza en el valor 0,4444 o 4/9 y la probabilidad de estar en el estado 3 se estabiliza en
el valor 0,2222 o 2/9 independiente de cual sea el estado inicial.

Para resumir estas observaciones con respecto a este ejemplo, se podra decir que si se le
asigna un ramo al profesor y el proceso opera para muchas transiciones, entonces la
probabilidad de encontrarlo haciendo clases en cada una de las asignaturas sera
independiente de donde comenz, pero podra no ser igual para cada una de las asignaturas.
En otros trminos, a medida que elevamos P a una potencia cada vez ms elevada, las filas
necesariamente llegarn a ser idnticas, pero las columnas no lo sern.

Esto se llama distribuciones lmites y est formalmente definida como el conjunto de

donde:

()
= lim = lim {xn= j}

23
En la mayora de los casos se encontrar (no en todos) que el estado inicial es cada vez menos
relevante para la probabilidad de transicin en el n-simo paso a medida que n aumenta. En
tales casos:

lim {xn = j/xo = i} = lim {xn=j} =

De esta manera se puede obtener la distribucin lmite incondicional de las probabilidades

de transicin de n pasos, haciendo tender n al infinito. No se necesita considerar las
condiciones iniciales en estos casos.

Como las probabilidades lmites son independientes del estado inicial la matriz P(n) es,
cuando n tiende a infinito, una matriz cuyas filas son idnticas. Cada fila es, de hecho, el
vector fila = (1, 2, 3, ). As se puede obtener una ecuacin para la distribucin lmite
como sigue:

(n) = (n-1)

lim () = lim (1)

1 2 3 1 2 3
1 2 3 1 2 3
= P
1 2 3 1 2 3

Si se desea expresar esta ecuacin en trminos ms convencionales, como vector columna:

24
Se desprende que este conjunto de ecuaciones lineales, que aunque tiene tantas ecuaciones
como incgnitas, es un conjunto dependiente, y por lo tanto, tiene un nmero infinito de
soluciones. La dependencia se deriva del hecho que cada fila de P suma 1. Slo una de las
infinitas soluciones, sin embargo, calificar como una distribucin de probabilidades. Esta
solucin nica se produce porque se requiere que la sumatoria de los i sea igual a 1.- Esto
es, hay que agregar la ecuacin lineal

= 1 para todo i

a las previamente expresadas y el conjunto resultante de ecuaciones lineales tendr una nica
solucin que satisface todos los requerimientos de una distribucin de probabilidades.

Esta ltima ecuacin se llama ecuacin normalizada. La prctica comn es obtener

primeramente una solucin no normalizada manipulando las ecuaciones = para expresar
todos los i en trminos de uno de ellos, luego utilizar la ecuacin normalizada para fijar el
valor de este ltimo y finalmente sustituir este valor en las expresiones de los otros.

Si consideramos nuevamente el ejemplo numrico, la ecuacin lmite (estado estacionario)

estara dada por:

0,5 0,5 0
(1 2 3 ) = (1 2 3 ) ( 0 0,5 0,5)
0,75 0,25 0
o como vector columna:

1 0,5 0,5 0 1
(2 ) = ( 0 0,5 0,5) (2 )
3 0,75 0,25 0 3

1 = 0,51 + 0,753
2 = 0,51 + 0,52 + 0,253
3 = 0,52

La primera ecuacin es suficiente para resolver 3 en trminos de 1.

25
 3 = 1 o 3 = 2/3 1

La ltima ecuacin expresar 2 en trminos de 3, la cual es, a la vez, expresable en trminos

de 1.

3 = 0,52 o 2 = 2 3, por lo tanto 2 = 4/3 1

Si se usa la ecuacin que queda, es decir, la segunda para determinar 1, se tiene:

2 = 1/21 + 2/31 + 1/61 = 4/3 1

As, esta ltima ecuacin es consistente con las otras dos, pero no proporciona informacin
adicional. Se recurre entonces a la ecuacin normalizada:

1 + 2 + 3 = 1
1 + 4/3 1 + 2/3 1 = 1
1 = 1/3 y finalmente sustituyendo 2 = 4/9 y 3 = 2/9

Se puede notar la facilidad con que estos valores exactos de probabilidad de estado lmite
(estacionario) que se obtuvieron usando ecuaciones lineales, contrasta severamente con los
esfuerzos requeridos en elevar la matriz de transicin a potencias cada vez mayores, la ltima
produciendo slo aproximaciones a los valores de estado estacionario.

Las probabilidades de estado estacionario tienen varias interpretaciones tiles. Si fijamos un

momento en el tiempo en un futuro distante, j es la probabilidad que se encuentre el proceso
en el estado j en ese momento. Esta es la interpretacin ms obvia. Puede ser vista tambin,
como un tiempo promedio, es decir, si el proceso corre por un largo tiempo, j sera la
fraccin (%) del tiempo que el proceso estuvo en el estado j. Adems, puede interpretarse
como el recproco del nmero promedio de transiciones entre recurrencias de estado. Por
ejemplo, en el proceso de reasignacin de asignaturas 1 = 1/3, as un promedio de tres

26
transiciones ocurrirn antes que el profesor, que est haciendo clases de Finanzas, vuelva
nuevamente a hacer clases de Finanzas.

Las probabilidades tratadas hasta aqu responden a preguntas de forma general, Cul es la
probabilidad de estar en un cierto estado en un determinado instante? Otro tipo de pregunta
que frecuentemente interesa es Cunto se demorar en alcanzar un cierto estado?

La respuesta debe incluir probabilidades, pero la variable aleatoria es la cantidad de

transiciones que ocurren antes que un estado especfico sea alcanzado, ms bien que el estado
despus de un nmero especfico de transiciones, como lo tratado hasta ahora.

()
Se podra estar tentado en interpretar como la probabilidad que n pasos se requieren para
alcanzar el estado j dado que el proceso parte en el estado i. Si esta fuera la interpretacin
(1) (2) (3)
correcta, entonces el conjunto { , , , } dara la distribucin de probabilidades

de la cantidad de pasos de ir de i a j. Sin embargo, esta no es la interpretacin correcta de

()
.

(3)
Para demostrar este error, consideremos , esto es, supongamos que el proceso est en el
estado j tres pasos despus de haber estado en el estado i. Pero esto no significa que se han
esperado tres pasos para que el estado j sea alcanzado. Podra haber sido alcanzado despus
de slo uno o dos pasos, despus de lo cual el proceso permanece en el estado j o cambia a
otro estado y despus vuelve al estado j. Cualquiera de las probabilidades resultara en que
el evento estara indicado por x3 = j.

Cuando se habla de la cantidad de pasos requeridos para alcanzar el estado j, significa la

cantidad de pasos necesarios para alcanzar el estado j por primera vez. As, para obtener la
distribucin de probabilidades en esta circunstancia, se debe considerar la probabilidad de
()
primera vez, definida como:

()
= p{xn = j,xn-1 j, xn-2 j,, x1 j / xo = i}

27
 ()
En palabras, es la probabilidad que el proceso est en el estado j en el tiempo n y no
antes, dado que estuvo en el estado i en el tiempo cero. Esto puede ser correctamente
interpretado como la probabilidad que se requieren n pasos para alcanzar el estado j por
primera vez dado que el proceso comenz en el estado i.

(0) (1)
Claramente = 0 y =

(3)
Extendiendo la lgica de la explicacin de se puede demostrar que:

() () () ()
= - 1
=1

() ()
as, puede obtenerse iterativamente si se conoce.

()
El conjunto de los , para i, j fijos y n variable, dan la distribucin del nmero de pasos
para ir de i a j por primera vez. As, si Nij es la variable aleatoria definida por el nmero de
pasos requeridos, se tiene:

()
p{Nij = n} =

La discusin anterior asume tcitamente que i y j son distintos. Si esto no ocurriera, la

definicin formal sera exactamente la misma, pero se habla del primer retorno, en vez de la
primera pasada. Formalmente:

()
= p{xn = i,xn-1 i, xn-2 i,, x1 i / xo = i}

() () (0)
La ecuacin que relaciona a los sera tambin la misma, excepto que =1, ya que
(0)
= p{xo=i/xo=i} = 1. En este caso Nii sera un variable aleatoria cuyo valor es el tiempo
de recurrencia para el estado i, esto es, el nmero de pasos entre recurrencias del estado i.

28
 ()
Ejemplo: Sea F(n) la matriz cuyos elementos son , entonces para el ejemplo de la
asignacin de asignaturas:

1/2 1/2 0 0 1/4 1/4

(1) (2)
F = ( 0 1/2 1/2) F = (3/8 1/8 1/4)
3/4 1/4 0 0 3/8 1/8
0,1875 0,125 0,250 0,09375 0,0625 0,1875
(3) (4)
F = ( 0,1875 0,1875 0,125) F = (0,14063 0,046875 0,0625 )
0,09375 0,1875 0,250 0,1 0,09375 0,21875

Las probabilidades de la primera pasada son tiles porque adems sirven para expresar otros
()
valores de inters. Como los dan la distribucin de Nij, el tiempo de pasar de i a j, el
tiempo promedio (nmero de pasos promedio) de la primera pasada de i a j, denotado mij,
est dada por el nmero esperado de pasos de ir de i a j:

()
mij = E(Nij) =
=1

En el caso donde i=j, mii podra llamarse el tiempo promedio de recurrencia.

En la discusin de las probabilidades de estado estacionario, se seal que i puede ser

interpretado como el recproco del tiempo promedio de recurrencia del estado i, en smbolos

1
i =

Si todo lo que se desea es el tiempo promedio de la primera pasada, existe un clculo ms

simple.

Formalmente, mij est dado por la expresin mostrada anteriormente, pero esto requerira la
distribucin completa del tiempo de primera pasada. En vez de eso, se puede obtener una
frmula para mij por las condiciones del estado en el paso1. Dado que el proceso est en el
estado i en el tiempo cero, el prximo estado puede ser j, en cuyo caso el tiempo de pasada

29
es exactamente 1 o es a algn otro estado k, en cuyo caso el tiempo de pasada ser 1 ms el
tiempo de pasada desde este estado k a j.

Asignndole pesos a las posibilidades mediante las probabilidades, esto da:

= 1 + (1 + )
= + +
= +
= 1 +

Esto expresa a como una funcin lineal de . Usando la misma relacin para los otros
, se puede expresar un conjunto de ecuaciones lineales. La solucin del conjunto da el
tiempo promedio de primera pasada desde algn estado al estado j. El tiempo promedio de
recurrencia tambin puede calcularse de esta forma, pero es ms fcil obtenerla como la
inversa de las probabilidades de estado estacionario.

Para ilustrar el mtodo, consideremos nuevamente el modelo de asignacin del profesor a las
tres asignaturas. Una de las preguntas formuladas cuando este modelo fue inicialmente
discutido era: Cuntas asignaciones ocurrirn, en promedio, antes que el profesor quien fue
primeramente asignado a Finanzas ser asignado a Marketing? En trminos de la notacin
actual, la pregunta es respondida por el valor de 13 .

Usando la frmula, obtenemos la relacin:

13 = 1 + 11 13 + 12 23

Para resolver esto se requiere conocer 23 . Usando la frmula para 23 :

23 = 1 + 21 13 + 22 23

30
Se tienen ahora dos ecuaciones lineales con dos variables desconocidas 13 23 .
Sustituyendo los valores particulares de los de la matriz de transicin:

13 = 1 + 0,513 + 0,523
23 = 1 + 0,523

Resolviendo 13 = 4 y 23 =2, siendo 4 la respuesta a la pregunta formulada.

El proceso tiene algunas propiedades que son necesarias considerar para que el mtodo
trabaje. Ahora se deben analizar en qu consisten estas propiedades y desarrollar una
terminologa para distinguir las cadenas de Markov que tienen estas propiedades y aquellas
que no las tienen.

El mtodo de elevar la matriz de transicin a la potencia ms alta para obtener las

probabilidades de transicin de n pasos o las probabilidades de estado estacionario siempre
funcionar. Tambin funcionar la frmula de las probabilidades de primera pasada y primer
retorno. Sin embargo, los mtodos de las ecuaciones lineales para obtener las probabilidades
de estado estacionario y la media de los tiempos de primera pasada pueden fallar. De hecho,
las probabilidades de estado estacionario o las probabilidades de primera pasada o ambas
pueden no existir para cierta clase de procesos.

Para obtener una indicacin de lo que puede ocurrir, supongamos que se est tratando con el
proceso caracterizado por el correspondiente diagrama de transicin.

1/4 2
1/2

3
1/4

1
31
Si el proceso parte en el primer estado permanecer en ese estado con probabilidad , o
cambiar a uno de los otros dos estados con probabilidad 1/4 cada uno. Una vez que el
segundo o el tercer estado es alcanzado el proceso permanecer en esta estado para siempre.
As, si el estado inicial es el segundo, la probabilidad de transicin de n pasos para las
transiciones al estado uno o tres es cero para todo n. Similarmente, si el estado inicial es tres,
() ()
entonces 31 y 32 es cero para todo n. Si el proceso comienza en el estado uno, entonces
puede permanecer en este estado por algn tiempo, pero finalmente debe entrar al estado dos
o tres y permanecer aqu para siempre.

Por simetra, uno puede concluir que el proceso es igualmente probable de finalizar en el
estado dos o tres. As, cuando n tiende a infinito:

() () ()
11 0, 12 , 13

Estas conclusiones pueden verificarse elevando P a potencias cada vez mayores:

1/2 1/4 1/4 1/4 3/8 3/8 1/8 7/16 7/16

P=( 0 1 0 ), P(2) = P2 = ( 0 1
(3)
0 ), P = P3 =(0 1 0 )
0 0 1 0 0 1 0 0 1

1/16 15/32 15/32 1/32 31/64 31/64

(4) 4 (5) 5
P = P = ( 0 1 0 ), P = P = ( 0 1 0 )
0 0 1 0 0 1

Si se persisten en estos clculos, se puede ver que la matriz lmite es:

0 1/2 1/2
lim () = (0 1 0 )

0 0 1

Lo cual verifica la conclusin anterior. Las filas de () no llegan a ser idnticas. Puesto que
el comportamiento del proceso, a medida que n tiende al infinito, depende del estado en que
comenz el proceso no tendra sentido usar la notacin . Slo para ver lo que sucede, se

32
deja como ejercicio para el estudiante obtener las probabilidades de estado estacionario
usando el mtodo de las ecuaciones lineales, donde P es la matriz dada anteriormente.

El tiempo promedio de la primera pasada tiene tambin un significado cuestionable. Para el

ejemplo anterior es claro que para ir del estado dos al tres nunca puede ocurrir. El paso de
uno a dos podra no ocurrir, en tales casos, no puede existir algn nmero promedio finito de
transiciones requeridas para que el proceso vaya de i a j. De nuevo, se deja como ejercicio al
estudiante probar el mtodo de las ecuaciones lineales para que vea qu ocurre.

Lo que se necesita ahora es definir una terminologa y criterios para distinguir procesos de
este tipo. Hay una serie de palabras y conceptos que deben identificarse. En la mayor parte
las palabras son sugerentes y los conceptos intuitivos. Primero, se considerar algunas
palabras para describir la estructura del proceso, en trminos de cmo los estados se
relacionan entre s, despus se desarrollarn los trminos para describir estados individuales.

Un estado j es alcanzable desde otro i si existe alguna secuencia de posibles transiciones las
cuales conducirn el proceso desde el estado i al estado j. En el ejemplo anterior, cada estado
es alcanzado desde el estado uno, pero desde el estado dos slo es alcanzado el dos y desde
el tres slo el tres.

Dos estados se comunican si cada uno es alcanzado desde el otro. Ningn estado se comunica
con otro en este ejemplo. En trminos del diagrama de transicin, el estado j es alcanzado
desde un estado i si existe un camino del punto i al j. Dos estados se comunican si hay
caminos que van en ambas direcciones.

Un conjunto cerrado de estados es un conjunto tal que ningn estado de fuera del conjunto
es alcanzado desde un estado de dentro del conjunto. Esto es, una vez que el proceso ha
entrado al conjunto cerrado, el proceso no puede abandonarlo.

Si un nico estado forma un conjunto cerrado, como el ejemplo anterior, el estado se llama
estado absorbente.

33
Un conjunto cerrado mnimo es uno que no tiene subconjuntos cerrados. Cada estado en un
conjunto cerrado mnimo se comunica con cada uno de los estados del conjunto, por esta
razn, los conjuntos cerrados mnimos se llaman a veces clases comunicantes.

Si todos los estados de un proceso corresponden o pertenecen a un conjunto cerrado mnimo,

el proceso se dice irreductible. De otra forma el proceso es reductible. Una cadena de Markov
ser irreductible si todo estado puede ser alcanzado partiendo de cualquier estado.

Para ilustrar estos conceptos, se considerar la siguiente matriz de transicin:

1/5 1/5 1/5 1/5 1/5 0 0 0

0 1/2 0 0 0 1/2 0 0
0 1/2 0 0 0 1/2 0
0 1/3
0 0 0 1/3 1/3 0 0
P= 1/3
0 0 0 1/3 1/3 0 0
0 0 0 0 0 1 0 0
0 0 1/2 0 0 0 1/2 0
( 0 0 0 1/3 1/3 0 0 1/3)

Como es algo difcil ver la estructura del proceso en esta forma, se presenta el diagrama de
transicin en la figura siguiente, aunque se omiten las probabilidades para mayor claridad.

1
2
6
3
5 4 7

Es evidente que los estados (3 y 7) y (4, 5 y 8) forman conjuntos cerrados mnimos, cada uno
de estos estados puede accederse desde el estado 1, pero no desde el estado 2 o 6. Los estados
2 y 6 forman un conjunto cerrado, una vez que se accede, el proceso no puede abandonar el

34
conjunto, pero ellos no forman un conjunto cerrado mnimo. El estado 6, por s solo, es un
conjunto cerrado, de hecho, es un estado absorbente. Se debe notar que el estado absorbente
se reconoce por el 1 de la diagonal de la matriz. En resumen, los conjuntos cerrados
mnimos son (6), (3, 7) y (4, 5, 8).

Un estado perteneciente a un subconjunto cerrado mnimo se llama recurrente, los otros se

llaman transitorios, en el ejemplo, los estados 1 y 2. Se percibe que un estado transitorio
puede ocurrir algunas veces, pero una vez que el proceso entra a un conjunto cerrado mnimo,
no puede volver a ocurrir nuevamente. Una vez que un estado recurrente ocurre, indicando
que el proceso ha entrado al conjunto cerrado mnimo al cual el estado pertenece, entonces
se tiene la certeza que en alguna oportunidad, el estado ocurrir nuevamente. Se debe notar
que no es necesario que un estado recurrente ocurra siempre, porque puede pertenecer a un
conjunto cerrado mnimo al cual el proceso nunca entre. Pero, una vez que ocurra
necesariamente volver a ocurrir.

Si el proceso es reductible, como lo es el del ejemplo anterior, la matriz de transicin puede

escribirse de la siguiente manera:

P1 0 0 0 0
0 P2 0 0 0
0 0 P3 0 0
P=
0 0 0 0 0
0 0 0 Pc 0
Q1 Q2 Q3 Qc Qc 1

Donde Pi es una submatriz cuadrada que contiene las probabilidades de transicin dentro del
n-simo conjunto cerrado mnimo de estados. Qc+1 es la submatriz cuadrada de
probabilidades de transicin entre los estados transitorios y las otras Qi son matrices, no
necesariamente cuadradas, que contienen las probabilidades de transicin desde los estados
transitorios a los recurrentes dentro del i-simo conjunto cerrado mnimo. Por supuesto para
lograr esta expresin de P se puede requerir el reordenamiento de filas y columnas. En el
caso del ejemplo, el reordenamiento de los estados produce la siguiente matriz de transicin:

35
 1 0 0 0 0 0 0 0
0 1/2 1/2 0 0 0 0 0
0 1/2 1/2 0 0 0 0 0
0 1/3 1/3 1/3 0 0
P= 0 0
0 0 0 1/3 1/3 1/3 0 0
0 0 0 1/3 1/3 1/3 0 0
0 1/5 0 1/5 1/5 0 1/5 1/5
( 1/2 0 0 0 0 0 0 1/2)

Hay ventajas en el hecho de expresar la matriz de transicin de un proceso reductible de esta

forma. Una es que los conjuntos cerrados mnimos son visiblemente distinguibles. Ms
importante, las potencias de la matriz asumen una forma predecible. Para ver lo que sucede,
se eleva al cuadrado una matriz particionada:

1 1 12
2 2 22
P2 = =
3 3 32
(1 2 3 4 ) (1 2 3 4 ) (1 1 + 1 4 2 2 + 2 4 3 3 + 3 4 42 )

Los puntos notables son que el producto mantiene el mismo formato particionado y que las
matrices a lo largo de la diagonal son los cuadrados de las matrices diagonales de P. Potencias
ms altas, como el estudiante debe verificar, tienen propiedades similares.

Sin considerar los trminos de la fila inferior de las matrices, Pn puede construirse elevando
P1, P2, P3,, Pc y Qc+1 a la n-sima potencia separadamente.

Los conjuntos cerrados mnimos se comportan como si ellos fueran cadenas de Markov
irreductibles no relacionadas. Intuitivamente, una vez que el proceso est dentro de un
conjunto cerrado, no lo puede abandonar, as es como si los otros estados no existieran. Por
supuesto, hay an preguntas a responderse, por ejemplo, Cundo el proceso entrar en uno
de los conjuntos cerrados mnimos? y A qu conjunto cerrado mnimo entrar? Esto se ver
ms adelante.

Un proceso es reductible si contiene uno o ms conjuntos cerrados mnimos ms algn o

algunos estados transitorios. Si un proceso es irreductible, es decir, no contiene subconjuntos
que sean conjuntos cerrados mnimos, se podra suponer que todos los estados deben ser

36
recurrentes. Aunque este es normalmente el caso, es tcnicamente posible que todos los
estados sean transitorios. Una matriz de transicin que tiene esta propiedad est dada por:

1/2 1/2 0 0 0
0 1/2 1/2 0 0
P= 0 0 1/2 1/2 0
0 0 0 1/2 1/2
( )

Los puntos indican que la matriz es infinita. Ningn estado de este proceso, una vez que lo
abandona puede ocurrir nuevamente, hay muchos conjuntos cerrados, de hecho, un nmero
infinito, pero no hay conjuntos cerrados mnimos. Consecuentemente, todos los estados son
transitorios. La singularidad deriva de la naturaleza de infinito. Si algn proceso tiene un
nmero finito de estados, al menos uno debera ser recurrente. Slo si un proceso es finito e
irreductible cada estado es recurrente.

Se debe notar que si un estado es transitorio o recurrente depende slo de la estructura del
proceso y no de los valores de las probabilidades de transicin. Se puede, sin embargo,
caracterizar las categoras de los estados en trminos de probabilidades. Se puede ver que la
()
probabilidad del primer retorno da la probabilidad que el estado i sea nuevamente
visitado.

()
Sea =
=1 la probabilidad de recurrencia del estado i, entonces puede demostrarse
que el estado i es recurrente s y solo s =1 y es transitorio s y solo s < 1.

Si el proceso est en el estado transitorio i en el tiempo cero, la probabilidad que ocupe este
estado otra vez es , la cual es menor que 1. Si ocupa el estado i nuevamente, entonces la
probabilidad que retorne nuevamente es an . Cada vez que est en i hay una probabilidad
positiva 1 - que nunca vuelva a ocurrir nuevamente. As, el proceso puede retornar una
cantidad infinita de veces a un estado transitorio, pero eventualmente no retornar nunca ms.
En algn periodo infinito de tiempo la probabilidad de estar en algn estado transitorio tiende
a cero.

37
Si el proceso est en algn estado recurrente en el tiempo cero, se tiene la certeza que el
estado ocurrir nuevamente, porque =1. Una vez que lo hace, se tiene certeza que ocurrir
nuevamente y as sucesivamente. En un periodo infinito de tiempo, un estado recurrente que
ha ocurrido una vez ocurrir un nmero infinito de veces.

Por otro lado, puede ocurrir una anomala peculiar. Es posible que un estado recurrente pueda
tener un tiempo promedio de recurrencia infinito. Matemticamente, es posible que para las
series infinitas:

() ()
=
=1 no converja, aunque la serie infinita =
=1 sume 1.

Un estado recurrente que tiene un tiempo promedio infinito de recurrencia se llama estado
nulo. En un periodo infinito de tiempo los estados nulos ocurren tan infrecuentemente que,
aunque ellos ocurren un infinito nmero de veces, la probabilidad de estar en uno de ellos
tiende a cero. Los estados nulos son de raro uso prctico, pero debido a que ellos pueden
ocurrir, deben considerarse cuando se clasifican los estados. Los estados recurrentes que
tienen tiempo promedio de recurrencia finito, que es el caso usual, se llaman no nulos o
positivos.

Ejemplo: sea {xn} una cadena de Markov con espacio de estados S = {1,2,3,4,} y la matriz
de transicin dada por:

1/ 2 1/ 2 0 0 0 0
1/ 3 0 2/3 0 0 0
1/ 4 0 0 3/ 4 0 0
P =
1/ 5 0 0 0 4/5 0
1/ 6 0 0 0 0 5/6

Se puede probar que para el estado i=1 se tiene:

(1) (2) (3) (4) () 1

11 = 1/2, 11 = 1/6, 11 = 1/12, 11 = 1/20, , 11 = (+1)

38
 () 1 1 1
Luego,
=1 11 = =1 (+1) = =1 ( ) = 1 por propiedad de la suma telescpica,
+1

luego el estado i es recurrente.

() 1 1
Ahora, 11 =
=1 11 = =1 (+1) = =1 (+1) = , o sea la serie diverge al infinito

(es una serie armnica), luego i es un estado recurrente nulo.

Otra anomala ocasional se muestra en la siguiente aplicacin, para propsitos de discusin

se considera la siguiente matriz de transicin:

0 0 1/2 1/2
0 0 1/2 1/2
P=( )
1/2 1/2 0 0
1/2 1/2 0 0

Los estados caen ahora en dos conjuntos (1 y 2) y (3 y 4), los cuales son tales que el proceso
se altera entre los dos conjuntos. Si el proceso est en el estado 1 o 2, entonces en el prximo
paso debe estar en el estado 3 o 4 y en el siguiente paso debe estar en el 1 o 2 y as
sucesivamente. En otras palabras, si el estado 1 ocurre en el paso cero, podra ocurrir
nuevamente slo en los pasos 2, 4, 6, 8, 10 y as sucesivamente. Un estado que puede ocurrir
slo en los pasos m, 2m, 3m, donde m es algn entero mayor que 1 se llama estado
peridico de periodo m. As todos los estados del ejemplo anterior son peridicos de periodo
2. Un estado para el cual no existe algn m mayor que 1 se llama aperidico.

Un estado i es peridico si todos los caminos en la transicin que parten desde i y regresan a
i son de periodo m, 2m, 3m,, donde m > 1. Si se puede encontrar un camino de longitud
1, es decir, periodo 1, como un loop o si se puede encontrar un camino que tiene periodo de
valor primo, es decir, un nmero que solamente puede ser divisible por el uno, se puede estar
seguro que el estado es aperidico. Ms an, la periocidad es una propiedad de clase, esto
es, si un estado de una clase comunicante (conjunto cerrado mnimo), es peridico de periodo
m, entonces todos ellos lo son. Si se puede determinar que un estado es aperidico se sabe
que todos los otros estados de la misma clase comunicante, tambin lo son.

39
El problema con los estados peridicos, al menos en lo que respecta a las probabilidades de
estado estacionario, es que los lmites de las probabilidades de transicin no existen. Para ver
esto, la matriz de transicin al cuadrado del ejemplo anterior es:

1/2 1/2 0 0 0 0 1/2 1/2

1/2 1/2 0 0 0 0 1/2 1/2
P2 = ( ) y al cubo P3 = ( )
0 0 1/2 1/2 1/2 1/2 0 0
0 0 1/2 1/2 1/2 1/2 0 0

la cual es la misma que P. Por induccin podemos concluir que:

Pn = P si n es impar y Pn = P2 si n es par

Las probabilidades de transicin continan alternndose entre los dos valores cero y , ellos
no convergen a ningn valor lmite.

Ahora que se han descrito las excepciones, se puede considerar la manera por el cual las
probabilidades de estado estacionario pueden encontrarse resolviendo las ecuaciones lineales
discutidas anteriormente. Un estado que no es transiente, no es peridico y no es nulo se
llama estado ergdico.

Un proceso irreductible consistente en estados ergdicos se llama proceso ergdico. Se debe

notar que la categora est definida por lo que no es, as cubre cada caso, excepto aquellos
especficamente excluidos.

Se puede notar que un proceso ergdico posee una nica distribucin de estado estacionario,
la cual es independiente del estado inicial y est dado por la solucin nica del sistema de
ecuaciones lineales:

= P y = 1

40
El teorema asegura que siempre existe una solucin a las ecuaciones, que es nica y tiene las
propiedades para calificar como una distribucin de probabilidades.

No hay necesidad de un mtodo para determinar probabilidades lmites para estados

transitorios o nulos, las probabilidades de estar en tales estados tiende a cero. Los estados
peridicos no tienen probabilidades de estado estacionario como se ha definido. Todos los
otros estados son ergdicos y estn cubiertos por el mtodo de las ecuaciones lineales, con
tal que el proceso sea irreductible. Si no lo es, se tendr que conocer la probabilidad con que
se entra al conjunto cerrado mnimo al cual pertenece el estado. Una vez que se entra, la clase
se comportar como un proceso irreductible.

Los estados nulos los estados peridicos pueden considerarse como inusuales o como casos
fastidiosos y por otra parte, sera un error descartar los estados transitorios por considerarlos
de poca importancia prctica. Aunque los procesos de la vida real que operan por largos
periodos de tiempo deberan ser normalmente modelados como procesos ergdicos, hay
muchos procesos que terminan despus de un periodo corto de tiempo. Tales procesos pueden
ser modelados convenientemente como cadenas de Markov reductibles que tienen uno o ms
estados absorbentes y una serie de estados transitorios.

Entre todos los procesos reductibles, el caso especial de mayor inters es ese en que cada uno
de todos los conjuntos cerrados mnimos consisten en un nico estado, es decir, cada conjunto
cerrado mnimo sera un estado absorbente. En este caso especial, la matriz de transicin,
cuando se expresa en forma particionada, quedara as:

1 0 0 0
0 1 0 0
P = 0 0 1 0

Q1 Q2 Q3 Qc 1

Esto es, todas las matrices que anteriormente denotamos por Pi son slo unos y las matrices
Qi, i=1,2,3,,c, son vectores columnas. Para simplificar la notacin en este caso especial, se

41
designar al conjunto de vectores columna Qi , i=1,2,3,,c, como la matriz R y se eliminar
el subndice de Qc+1 , as:

0
P=( )

La matriz identidad I es de dimensin igual a la cantidad de estados absorbentes. Q es la

matriz cuadrada que contiene todas las probabilidades de transicin desde un estado
transitorio a otro transitorio. R es una matriz, no necesariamente cuadrada, que contiene las
probabilidades de transicin desde los estados transitorios a los estados absorbentes.

Ahora, si se tiene un proceso reductible que no es de esta forma, esto es, si los conjuntos
cerrados mnimos no son estados nicos, puede ser ventajoso "reducir" los conjuntos cerrados
mnimos a estados nicos para tener esta forma. Para ver cmo podra hacerse, se considera
la figura siguiente, la cual podra representar slo una parte del diagrama de transicin:

1/3
1 3

1/6

2 4
1/4

Los estados 1 y 2 son estados transitorios y los estados 3 y 4 forman un conjunto cerrado
mnimo. Reduciendo los estados 3 y 4 en un estado nico se producira la figura siguiente:

1 1/2
1

2 1/4

42
Se puede notar que el estado nico finaliza con un loop de valor 1 considerando las
probabilidades de transicin dentro del conjunto cerrado en el diagrama original. Las dos
lneas, desde 1 a 3 y desde 1 a 4 se transforman en una lnea nica de valor igual a la suma
de los valores de las lneas originales. La misma clase de transformaciones pueden, por
supuesto, realizarse en la matriz de transicin.

Cuando se realiza una transformacin de este tipo, tcnicamente conocida como un

homomorfismo, obviamente se pierde informacin. El proceso que resulta, aunque ms
pequeo, ms simple y ms fcil de tratar no es tan completo en su representacin como el
original.

Por otro lado, el proceso derivado es idntico en su comportamiento al original hasta que ste
entre al conjunto cerrado mnimo. As, cualquier pregunta que se formule con las transiciones
entre estados transitorios puede responderse de la misma forma que el original.

La primera pregunta que se hace es a qu estado absorbente, o conjunto cerrado mnimo

representado por un estado absorbente, entrar el proceso? Por supuesto, si el proceso tiene
slo uno, la respuesta es trivial. Si hay ms de una posibilidad, la pregunta se responde por
la distribucin de probabilidad de todos los estados absorbentes posibles. La figura siguiente
entrega un diagrama de transicin que ilustra el problema:

1/4
1/2
1 3 1

1/3 1/4
1/3 1
2 4

1/3

Los estados 1 y 2 son transitorios y 3 y 4 son absorbentes. En un periodo corto, los estados 1
y 2 pueden ser visitados varias veces, pero finalmente, el proceso entrar al estado 3 o al 4 y
permanecern ah. Si el proceso entra al estado 3 entonces, el estado 4 nunca ocurrir y

43
viceversa. Lo que se necesita es un mtodo para determinar la probabilidad que se entre al 3
y al estado 4, esto se llama probabilidad de absorcin.

Es evidente del diagrama que la probabilidad de entrar al estado 3 es mayor si se parte del 1
que si se parte del 2. Se est diciendo entonces, que las probabilidades de absorcin, a
diferencia de las probabilidades de estado estacionario en una cadena ergdica, dependen del
estado inicial.

Sea aij la probabilidad que el proceso entre al estado absorbente j dado que el estado inicial
es i. Es fcil ver que i debe ser un estado transitorio para que esta probabilidad sea mayor que
cero. Formalmente:

()
=
=1

Pero este no es un mtodo prctico de calcular, un mtodo alternativo est disponible va el

argumento siguiente: la primera transicin puede ser inmediatamente al estado j (absorcin
inmediata) o esta transicin puede ser a algn estado transitorio k, para que posteriormente
entre finalmente al estado j. La probabilidad del primer evento es y la del segundo es
. Esta es una ecuacin lineal con varias probabilidades de absorcin
desconocidas. Un conjunto de ecuaciones lineales independientes se obtendrn si la frmula
se reaplica para todos los estados transitorios posibles, considerando cada uno a la vez como
el estado inicial.

A modo de ejemplo, si se quiere a13 para el proceso ilustrado en la figura anterior, la primera
ecuacin sera:

13 = 13 + 11 13 + 12 23

Esta es una ecuacin con dos variables desconocidas, a13 y a23. Si se escribe ahora la ecuacin
para a23 se tiene:

23 = 23 + 21 13 + 22 23
44
Obteniendo otra ecuacin con las mismas dos variables desconocidas. Sustituyendo los
valores numricos, las ecuaciones quedaran como:

13 = + 13 + 23
23 = 0 + 1/3 13 + 1/3 23

Resolviendo se obtiene: 13 = 4/5 y 23 = 2/5

Se debe notar, que aunque no se est directamente interesado en a23 es necesario obtenerlo
para determinar a13. Se debe apreciar tambin que a13 y a23 no suman 1, no hay razn para
que ello sea as. Por otro lado, si se fija el estado inicial, entonces el proceso debe finalmente
entrar a uno de los dos estados absorbentes, as:

13 + 14 = 1 y 23 + 24 = 1

De esta forma se puede deducir que: 14 = 1/5 y 24 = 3/5

Alternativamente, se podra haber usado la frmula para obtener dos ecuaciones lineales con
14 y 24 como incgnitas y resolver directamente.

Es conveniente expresar las ecuaciones para las probabilidades de absorcin en forma

matricial. Sea A la matriz de los aij , no necesariamente cuadrada, que tendr tantas filas como
estados transitorios y tantas columnas como estados absorbentes, as tendr la misma
dimensin que R, de hecho, al examinar las ecuaciones de los aij se revela que:

A = R + QA

Manipulando esta ecuacin matricial da A en trminos de R y Q, las cuales son slo partes
de la matriz de transicin P.

A - QA = R
45
 (I Q) A = R
A = (I Q)-1 R

Se puede demostrar que (I Q) es no singular, as la matriz inversa existe y este mtodo puede
usarse si se desean todos los aij. Si slo se desean uno o dos sera ms eficiente resolver las
ecuaciones para ellos que invertir la matriz (I Q), esto suponiendo que no estamos frente a
un computador.

Para ilustrar el mtodo matricial del ejemplo previo, observamos que R y Q son
respectivamente:

1/2 0 1/4 1/4

R=( ) Q=( )
0 1/3 1/3 1/3

3/4 1/4 8/5 3/5

La matriz I Q es: I Q = ( ), y su inversa (I Q)-1 = ( )
1/3 2/3 4/5 9/5

Finalmente, la matriz de probabilidades de absorcin es:

4/5 1/5
A = (I Q)-1 R = ( )
2/5 3/5

Lo cual coincide con los clculos anteriores.

La matriz (I Q)-1 es tambin til para responder a preguntas de diferentes tipos. Supongamos
que se desea conocer cunto tiempo estar ocupado un estado transitorio antes de que ocurra
una absorcin. Esto debera ser, por supuesto, una variable aleatoria la cual depende del
estado inicial. Sea eij el nmero promedio de veces que el estado transitorio j est ocupado
dado que el estado inicial es i y sea E la matriz de los eij. E es una matriz cuadrada.

Para desarrollar una expresin para los eij, se debe usar la misma lgica ya usada varias veces.

Si i j eij =

46
debido a que j estar ocupada en promedio ekj veces si la primera transicin es a cualquier
estado transitorio k y cero veces si la primera transicin es a cualquier estado absorbente.

Si i = j eii = 1 +

Porque i ser ocupado una vez, al pasar el primer intervalo de tiempo en i, ms una media de
eik veces si la primera transicin es a cualquier estado transitorio k. Colocando estas
relaciones en forma matricial, se tiene:

E = I + QE

y resolviendo para la matriz E: E Q E = I o (I Q)E = I

Finalmente: E = (I Q)-1

En palabras, la i,j sima entrada de la matriz (I Q)-1 da el nmero promedio de veces que el
estado j estar ocupado antes de que ocurra la absorcin, dado que el proceso parte en el
estado i. En el ejemplo numrico tratado antes, si el proceso comienza en el estado uno
ocupar el estado dos un promedio de 3/5 de transiciones antes de que ocurra la absorcin.

Cuando se conoce E el nmero promedio total de transiciones, hasta que ocurre la absorcin,
se obtiene fcilmente. Esto obviamente depender del estado inicial, as di representa esta
media, dado que i es el estado inicial. En muchas aplicaciones prcticas di representa la
duracin promedio del proceso. El nmero total promedio esperado de transiciones ser igual
al nmero total de veces que algunos de los estados transitorios estarn ocupados, as:

di =

la cual es justamente los elementos de la fila i de E. En el ejemplo numrico, si el proceso

comienza en el estado 1, har en promedio 11/5 transiciones antes de ser absorbido por uno
de los dos estados absorbentes.

47
Una pregunta diferente es si se especifica un determinado estado absorbente y se pregunta
cuntas transiciones ocurrirn antes de que se entre a ese estado. Esta pregunta debera
responderse por algo como el tiempo promedio de primera pasada (mij). De hecho, si hay
slo un estado absorbente, de tal forma que el paso a este estado es cierto, entonces el tiempo
promedio de primera pasada responder la pregunta. En otros casos, cuando no se tiene
certeza que ocurrir la pasada, el tiempo promedio de primera pasada podra ser infinito. En
estos casos, lo que realmente se desea es la media condicional del tiempo de primera pasada
dado que la pasada ocurre.

Se ha usado la notacin mij para el tiempo promedio (nmero de pasos promedio) de primera
pasada desde i a j en un proceso ergdico. La misma notacin ser usada para el tiempo de
primera pasada condicional en un proceso reductible. Se puede demostrar que:

= +

Se debe notar que si el paso por j es cierto de ocurrir, como en un proceso irreductible,
entonces = 1, y la ecuacin se reduce a una derivada anterior.

Si las probabilidades de absorcin son conocidas, la ecuacin anterior es lineal en las

variables . Escribiendo el conjunto completo, una ecuacin para cada estado transitorio
i, un nmero suficiente de ecuaciones independientes se tendr a disposicin para determinar
los . Para ilustrar esto, supongamos que se desea conocer el nmero promedio de
transiciones que podran ocurrir para alcanzar el estado 3, si se sabe que se comienza en el
estado 1 en el ejemplo que se us para mostrar las probabilidades de absorcin. Es decir, se
quiere 13 y as las ecuaciones asociadas son:

13 13 = 13 + 11 13 13 + 12 23 23

como esta ecuacin tiene dos incgnitas 13 y 23 , se necesita otra ecuacin. Escribiendo
para 23 :
23 23 = 23 + 21 13 13 + 22 23 23
48
Sustituyendo los valores de y , los cuales fueron conocidos con anterioridad, se tiene:

4/5 13 = 4/5 + 1/4 2/5 13 + 1/42/5 23 y

2/5 23 = 2/5 + 1/3 4/5 13 + 1/32/5 23 o sea:
13 = 1,9 y 23 = 3,4

Para responder entonces a la pregunta original, la respuesta es que se tomar en promedio 1,9
transiciones para llegar al estado 3 desde el 1, suponiendo que esto ocurre.

1.3.- PROCESOS ESTOCSTICOS DE TIEMPO CONTINUO

Los procesos estocsticos de tiempo continuo son similares a los procesos de tiempo discreto.
Sin embargo, ocurre una complejidad adicional porque cada instante de tiempo infinitesimal
es un posible tiempo de transicin. Por ejemplo, no tiene sentido hablar de matriz de
transicin de un paso porque el tiempo no es medible en pasos.

Para facilitar el entendimiento, se resolver un ejemplo simple de dos estados antes de

presentar un desarrollo formal.

Consideremos una mquina de hilado automtico que normalmente opera sin intervencin
humana. Ocasionalmente, sin embargo, el hilo se corta y la lanzadera se frena. Hay una
persona atenta cuya nica responsabilidad es destrabar la mquina y colocarla nuevamente
en operacin. Ignorando los cambios de turno, la colacin y los coffee break, el sistema estar
siempre en uno de dos estados. En el estado cero la mquina est detenida y el operario est
trabajando para ponerla nuevamente en marcha y el estado 1 la mquina est operando y el
operario est ocioso.

Los intervalos continuos de tiempo durante el cual la mquina est trabajando se podra
llamar tiempo de operacin y los intervalos durante el cual la mquina est siendo reparada
se puede llamar tiempo de reparacin. Una manera de enfocar la modelacin del problema
de este sistema sera describir los tiempos de operacin y de reparacin como una variable

49
aleatoria continua que tiene alguna distribucin particular. Aqu, sin embargo, se
proporcionar un enfoque alternativo.

Sea, (t) la probabilidad que el sistema est en el estado j en el tiempo t dado que estaba en
el estado i en el tiempo cero. Como hay slo dos estados en este ejemplo, estamos hablando
de 4 funciones:

00 (t), 01 (t), 10(t), 11(t)

El desarrollo de las ecuaciones que determinan las funciones (t) pueden simplificarse si se
hacen los cuatro supuestos siguientes:
1) El proceso satisface la propiedad de Markov
2) El proceso es estacionario
3) La probabilidad de una transicin desde 0 a 1 o desde 1 a 0 en un intervalo pequeo de
tiempo t es proporcional a t.
4) La probabilidad de dos o ms cambios de estado en un intervalo pequeo de tiempo es
cero.

Antes de usar estos supuestos, se considerar lo que significan. Cuando se supone que el
proceso satisface la propiedad de Markov, se est afirmando que si para cualquier instante
del tiempo se conoce en qu estado se encuentra la mquina (operando o en reparacin), se
puede determinar todas las probabilidades asociadas con el proceso desde este instante en
adelante. No se necesita conocer, ni ayuda conocer la secuencia de estados que culminan en
el estado actual, ni el tiempo en que el proceso pas en cada uno de esos estados, ni an
cuanto tiempo ha estado en el estado actual. Es comn personificar esta propiedad y decir
que el proceso no tiene memoria.

El proceso ser estacionario si las tasas de fallas y de reparacin no son dependientes del
tiempo. No sera estacionario si, por ejemplo, el operario encargado de reparar la avera es
ms lento en ciertas ocasiones.

50
Por otra parte, los supuestos 3 y 4 podran no ser estrictamente ciertos. Si t es lo
suficientemente pequeo, los supuestos 3 y 4 sern aproximaciones aceptables.
Posteriormente t se reducir a cero y entonces ser precisa. Para cualquier tasa, los
resultados sern correctos y sern de gran ayuda. Para hacer el supuesto 3 an ms especfico,
sea la constante de proporcionalidad igual a 3 para la transicin de reparacin y 2 para la
transicin de fallas. Esto es:

01 (t) = 3 t
10(t) = 2 t

Esas constantes de proporcionalidad se llaman tasa de reparacin y tasa de falla. Se

profundizar su interpretacin ms adelante.

Si se considera ahora que el valor de la funcin 01 (t+t) es la probabilidad de que la

mquina est en el estado 1 (operando) en el tiempo t+t dado que estuvo en el estado cero
(siendo reparada) en el tiempo cero. Aqu existen dos posibilidades: la mquina pudo estar
siendo reparada en el tiempo t y colocada en operacin durante el intervalo t o la mquina
estuvo operando en el tiempo t y continu operando en el pequeo intervalo de tiempo t.
En trminos simblicos:

01 (t+t) = 00 (t) 01 (t) + 01 (t) 11 (t)

Esta ecuacin es un caso especial de las ecuaciones de Chapman-Kolmogorov para el caso

de tiempo continuo y requiere del supuesto de Markov para permitir la multiplicacin de las
probabilidades que se refieren a los eventos durante t y a los eventos durante t. Se requiere
tambin de la estacionalidad para permitir el uso de la misma funcin de probabilidad para
el intervalo t y para el posterior intervalo t.

Si se sustituyen ahora las aproximaciones lineales para 01 (t) y 11 (t) y manipulando se

tiene:

01 (t+t) = 00 (t) 3 t + 01 (t) (1 2 t)

51
Porque 11 (t) = 1 - 10 (t)

01 (t+t) = 300 (t) t + 01 (t) 2 01 (t) t

01 (t+t) - 01 (t) = 300 (t) t 2 01 (t) t

01 (t+t) 01 (t)
= 300 (t) 2 01
t

Tomando lmite a ambos lados de la ecuacin cuando t 0, se reconoce la definicin de

derivada:

01 (t+t) 01 (t)
lim ( ) = lim (300 (t) 2 01 )
0 t 0

01 ()
= 300 (t) 2 01 ()

Las correspondientes derivadas para las otras tres funciones de transicin son:

00 ()
= 300 (t) + 2 01(t)

01 ()
= 310 (t) + 2 11(t)

01 ()
= 310 (t) 2 11(t)

As se tiene un sistema de ecuaciones lineales de primer orden. En este caso particular se

puede resolver directamente usando las condiciones iniciales (0) =0 para i y (0)
=1 para i = .

Se resolver slo la siguiente ecuacin dejando como trabajo del estudiante la solucin de
las otras tres.
52
 00 ()
= 300 (t) + 2 01(t)

Como 01(t) + 00 (t) = 1 01 (t) = 1- 00 (t)

00 ()
Luego = 300 (t) +2 - 200 (t)

00 ()
O sea + 500 (t) = 2

00 ()
Haciendo 00 (t) = u z se tiene =u +z

Reemplazando en la ecuacin anterior u + z + 5 uz = 2

Luego u + ( + 5)z = 2

Haciendo + 5 = 0 = -5 ln = -5 t o sea u = 5

2 2 5
Por otro lado: u = 2 = 5 = 2 5 o sea z = +C
5

2 5 2
Luego 00 (t) = 5 ( + C) = 5 + C 5
5

2 3
Evaluando en t=0 se tiene 1=5+C C=5

2 3
Por lo tanto 00 (t) = + 5 5
5

Generalizando 00 (t) = + + + (+)

Donde es la tasa de fallas y la tasa de reparacin.

53
Si no se permiten fallas = 0 00 (t) = () el tiempo de reparacin excede a t.

La solucin de las otras ecuaciones est dada por:

3 3
01 (t) = 5 - 5
5
2 2
10 (t) = 5 - 5
5
3 2
11 (t) = 5 + 5
5

Expresado en forma matricial

2 3 3 3
() 01 () + 5 5 5
P(t) = ( 00 )= ( 5
2 2
5
3
5
2 )
10 () 11 () 5 5 + 5
5 5 5

Si se grafican estas soluciones en funcin del tiempo:

54
Se debe notar que las funciones se comportan como deberan para que representen
probabilidades. Ellas se extienden uniformemente dentro del intervalo entre cero y uno para
todo t mayor o igual que cero. La suma sobre el segundo subndice es igual a uno t 0 y
se satisfacen las condiciones iniciales (0) =0 para i y (0) =1 para i = .

Se puede observar tambin que el lmite de cada funcin cuando t es inmediatamente

evidente, tanto en la funcin como en el grfico. La convergencia a este valor es suave y
monotnica (como opuesto a discontinua, oscilante o ambas). Las funciones con el mismo
segundo subndice, pero diferente primer subndice converge al mismo valor. Estos puntos
que se ilustran mediante este ejemplo particular son generalmente verdaderos en procesos de
este tipo.

Aunque la solucin est completa an no se tiene una interpretacin de las tasas. Por
ejemplo, supongamos el proceso de reparacin en forma aislada, esto es imaginemos que el
proceso comienza una reparacin en t=0, se queda en el estado cero hasta que finaliza la
reparacin, entonces el proceso cambia y permanece en el estado uno. No hay fallas en esta
versin modificada del proceso. Usando el mismo mtodo de derivacin de antes:

00 (t+t) = 00 (t) 00 (t) = 00 (t)(1 01 ( t)) = 00 (t)(1 3 t)

00 (t+t) - 00 (t) = (t) 3 t 00(t)
00 (t+t) 00 (t)
= 3 00(t)
t
00 ()
= 3 00 (t)

55
Usando la condicin inicial 00 (0) = 1 se tiene que:

00 (t) = 3

Que es la probabilidad que, dado que la mquina no est operando en el tiempo cero, tampoco
est operando en el tiempo t. Como no se permiten fallas este evento puede tambin
describirse como el tiempo de reparacin excede a t. As la probabilidad de que el tiempo
de reparacin sea menor o igual a t, esto es, la funcin de distribucin acumulativa del tiempo
de reparacin es 1- 3 . sta est descrita como una distribucin exponencial negativa.

En resumen, los cuatro supuestos originales implican que la distribucin del tiempo de
reparacin es exponencial negativa, ninguna otra distribucin del tiempo de reparacin
satisfar los supuestos. Por supuesto, por medio de un argumento similar se puede deducir
las mismas implicaciones para la distribucin de los tiempos de operacin. La distribucin
acumulativa del tiempo de operacin es 1- 2 .

Una variable aleatoria con una distribucin exponencial negativa que tiene una distribucin
acumulativa 1- tiene un valor esperado 1/. En este ejemplo, la distribucin del tiempo
de reparacin tiene = 3, as el tiempo esperado de reparacin sera 1/3. Se puede decir que
la tasa de 3 y 2 que se us para la derivacin original puede interpretarse como el recproco
del tiempo de reparacin y operacin promedio respectivamente. En una situacin real stos
deben estimarse estadsticamente.

Se puede concluir entonces que un proceso estocstico de tiempo continuo {X(t)} es una
secuencia de variables aleatorias (v.a.) indexadas por la variable continua t. Esto es, para
cualquier t fijo, X(t) es una v.a. y la coleccin de estas ( ) es el proceso estocstico.
Normalmente se piensa en t como el tiempo, as se puede esperar X(t1), el valor de la v.a. en
el tiempo t1 o el estado del proceso en el tiempo t1, depende de X(t0), donde t0 < t1, pero no
de X(t2), donde t2 t1. Se supone que los X(t) son variables aleatorias discretas, as se habla
de procesos estocsticos de estados discretos y de tiempo continuo.

Si tn, tn-1, tn-2, . . . ,t0 donde tn tn-1 tn-2 . . . t0 se satisface que:

56
 p{X(tn)=jn / X(tn-1)=jn-1, X(tn-2)= jn-2, . . . ,X(t0= j0}= p{X(tn)= jn / X(tn-1)= jn-1 }

se dice que el proceso tiene la propiedad de Markov o es un proceso de Markov de tiempo

continuo. Esta propiedad es una propiedad de independencia. Si se tiene informacin de los
estados del proceso en la secuencia de puntos en el tiempo (t0, t1, t2, t3,,tn-1) y se desea
predecir el estado en algn tiempo futuro tn, slo es de valor la informacin del estado ms
reciente. Si se piensa en tn-1 como el presente, tn como cualquier tiempo futuro y los t0, t1, . .
. ,tn-2 como tiempos en el pasado, se debe decir que el futuro de un proceso de Markov es
dependiente slo del presente.

Un proceso de Markov se dice que es de tiempo homogneo o estacionario si:

p {X(t+s) = j / X(s) =i } = p {X(t) = j / X(0) = i }

En palabras, el proceso es estacionario si estas probabilidades condicionales dependen slo

del intervalo entre los eventos y no del tiempo absoluto. Las palabras tiempo homogneo
y estacionalidad sugieren invarianza o uniformidad en el tiempo. Esta connotacin es
correcta si se aplica al mecanismo de probabilidad del proceso. El estado del proceso, por
supuesto cambia en el tiempo.

Un proceso estacionario de Markov queda completamente descrito por sus funciones de

probabilidad de transicin denotadas por pij (t). La suficiencia de estas funciones (para
describir todo lo que interesa en relacin a los procesos estocsticos) es una consecuencia de
los supuestos de Markov y de estacionalidad. Esto de que slo un estado necesita conocerse
proviene del supuesto de Markov y eso de que arbitrariamente se puede llamar al tiempo (en
el cual el estado se conoce) como cero proviene del supuesto de estacionalidad.

La ecuacin de Chapman-Kolmogorov sera:

pij (t + t) = (t) (t)

57
Estas funciones pij (t) son probabilidades, por lo tanto, ellas son no negativas, son funciones
acotadas porque una probabilidad debe estar entre 0 y 1. Los valores de las funciones para t
= 0 pueden deducirse porque:

pij (0) = 0 para i j y pij (0) = 1 para i =j

Si se fija i y se hace variar j para todos los estados, la suma de los pij (t) debe ser igual a 1
para todo t, es decir: (t) = 1.

As, estas funciones de probabilidades de transicin no son slo funciones arbitrarias sino
que estn restringidas que ellas deben satisfacer todas estas propiedades. Bajo el razonable
supuesto que las pij (t) son funciones continuas se puede expresar las pij para pequeos t
usando la serie de Mc Laurin:

( t) = (0) + (0) t + ()2

Donde ()2 representa todos los trminos del orden ( t)2 o ms altos. Si se considera esta

expresin para i j y sea = (0), se obtiene:

( t) = () + ()2

se puede pensar de esto como una aproximacin lineal para (t) la cual es una buena
aproximacin ya que t es pequeo. Los se llaman tasa de transicin de i a j. Esta
terminologa es, por supuesto, completamente consistente con su definicin como la derivada
de la funcin de transicin en funcin del tiempo. Como (0) = 0 y ste es su valor
mnimo, se puede estar seguro que es no negativo.

Para i = j la serie de Mc Laurin queda:

( t) = 1 + (0) t + ()2

58

y si nuevamente se hace que = (0), se obtiene la aproximacin lineal:

( t) = 1 + t + ()2

como se sabe p jj (0) = 1 y este es su valor mximo, se puede estar seguro que es no
positivo.

Si se considera ahora la ecuacin de Chapman-Kolmogorov

pij (t + t) = (t) (t)

para t pequeos y si se sustituye la aproximacin lineal, se obtiene:

pij (t + t) = (t){1+ t + ()2 } + (t){ t + ()2 }

Manipulando:

(t + t) (t) (t)()2 ()()2

= (t) + + { (t) + }

()()2
= (t) +

tomando lmite cuando t 0

()
= (t)

Los trminos (t)2 tienden a cero ms rpido que t, as este trmino desaparece. El
resultado es una ecuacin diferencial para (t) en trminos de (t). Es una ecuacin
diferencial lineal de primer orden con coeficientes constantes, los .

59
Si se percata que la suma anterior es la multiplicacin de matrices, se pueden expresar todas
las ecuaciones diferenciales de una sola vez mediante la notacin matricial:

()
= P(t)

() ()
Donde es la matriz cuyos i,j elementos son , P(t) es la matriz cuyos i,j elementos

son (t) y es la matriz cuyos i,j elementos son los .

Los elementos de se pueden tratar ms extensamente considerando las propiedades de P(t).

En particular, ya que para cada i (t) = 1, se tiene:

{ (t)}t = 0 = {1}t = 0


(t) /t=0 = 0

= 0 i

En palabras, cada fila de debe sumar cero. Como cada elemento de la diagonal es no
negativo, los elementos de la diagonal , deben ser igual en magnitud y signo opuesto a la
suma de los otros elementos de la misma fila. Esto es:

= -

Para los dos estados del ejemplo estudiado antes 01 = 3 y 10 = 2. En este caso la matriz
sera:
3 3
=( )
2 2

()
y las cuatro ecuaciones diferenciales de obtienen de: = P(t)

Los elementos para i j pueden interpretarse y as medirse, como los parmetros de la

distribucin exponencial negativa. Para un particular, la distribucin referida es la

60
distribucin del tiempo que se est en el estado i cuando j es el prximo estado. Si es la
v.a. E( ) = 1/ as puede estimarse por la inversa de la media de los tiempos de
reparacin y operacin.

Se ha visto que los supuestos de Markov y de estacionalidad implican que el tiempo entre
eventos debe tener una distribucin exponencial negativa. Los parmetros de estas
distribuciones, los dependen del estado ocupado i y del prximo estado j, pero todas las
distribuciones deben ser de la forma exponencial negativa. Ninguna otra distribucin puede
ser considerada para describir el tiempo entre eventos.

Se debe notar que la funcin densidad exponencial negativa es de la forma f(t) = e-t. En la
figura siguiente se grafica esta funcin para tres valores de

Esta funcin intercepta al eje vertical en , disminuye monotnicamente a cero

(asintticamente) y la tasa de convergencia es proporcional a . El rea total bajo la curva
es, por supuesto, siempre igual a uno, como debe ser para cualquier funcin densidad. Al
variar , el nico parmetro de la distribucin, no se altera la forma bsica de la funcin. La
media es 1/ y la varianza ( 1/ )2.

61
En muchas aplicaciones, en contraste, los tiempos entre eventos son concebidos ms
naturalmente como teniendo una funcin densidad de la forma general de la distribucin
normal. Esto es, se tiende a pensar en trminos de algn valor, la media, ms o menos alguna
variacin menor. O, de otra forma, los valores ms probables se consideran cercanos a la
media y grandes desviaciones de la media se consideran como menos probables a medida
que se alejan de la media. Sin embargo, la forma de la funcin densidad exponencial negativa
implica que los tiempos ms probables son cercanos a cero y tiempos muy alejados son cada
vez menos probables. Si esta caracterstica de la distribucin exponencial negativa parece
incompatible con la aplicacin que se tiene en mente, tal vez el modelo de Markov es
inapropiado.

Otra caracterstica de la distribucin exponencial negativa, la cual puede ayudar a decidir si

es apropiada, es la propiedad de olvidar. Para usar un ejemplo especfico, supongamos que
se quiere representar algn proceso en el cual el tiempo entre un cambio de estado
corresponde a la vida de un neumtico de un automvil. El estado cambia cuando el
neumtico se pincha. Si lo que se piensa es que el pinchazo se debe a las condiciones del
camino, entonces la distribucin puede legtimamente suponerse como exponencial negativa.
No hay una conexin lgica entre el camino y el estado del neumtico (nuevo o gastado). As
el hecho de que un pinchazo an no ocurra no debera tener la connotacin de que el tiempo
que queda para que se pinche es algo ms o menos que cuando el neumtico estaba nuevo.
En otras palabras, la distribucin del tiempo de vida se olvida, pero la nica distribucin que
olvida es la exponencial negativa. Por otro lado, si se est interesado en las fallas por el uso,
el proceso debera tener memoria, no debera ser olvidadizo. Cuando el neumtico ha estado
en uso, debera afectar la estimacin de su tiempo de vida restante. En este caso, un modelo
de Markov debera cuestionarse.

1.3.1.- Probabilidades de Estado Estacionario

En la mayora de los casos estn involucrados algo ms que unos pocos estados. Las
ecuaciones diferenciales que expresan los (t) no pueden resolverse sin gastar grandes
esfuerzos. Sin embargo, sus valores lmites se pueden encontrar indirectamente. En muchas
situaciones prcticas eso ser suficiente.

62
Tal como en el caso de tiempo discreto, los estados deben ser ergdicos para que el
procedimiento funcione. Todos los trminos de clasificacin de los estados (alcanzable,
comunicante, conjuntos cerrados mnimos, transitorios, recurrentes, nulos, ergdicos,
irreductibles) desarrollados para el caso de tiempo discreto, se aplican al caso de tiempo
continuo, con una sola excepcin: no tiene sentido hablar de estados peridicos cuando el
tiempo es continuo.

Se supondr entonces, que el proceso a tratar es irreductible y todos los estados son ergdicos.
Se puede derivar un conjunto de ecuaciones lineales que determinan las probabilidades de
estado estacionario. stas, como se sabe, estn definidas de la forma siguiente:

j = lim (t)

De ecuacin anterior:

()
= (t)

()
lim = lim (t)

lim (t) = lim (t)

j =

0 =

En forma matricial, el resultado final es:

0=

Donde 0 es un vector fila de ceros, es el vector fila de las probabilidades de estado

estacionario y es la matriz de las tasa de transicin.

63
El argumento tiene un vaco, no es siempre cierto que el lmite de una derivada sea igual a la
derivada del lmite. Sin embargo, estas funciones (t) se comportan adecuadamente para
asegurar que la igualdad se producir en este caso.

Habr un nmero igual de ecuaciones e incgnitas en el sistema de ecuaciones lineales 0 =

, pero, tal como en el caso discreto, las ecuaciones sern dependientes. An, suponiendo
que el proceso es irreductible y los estados ergdicos, habr exactamente una dependencia.
La ecuacin adicional necesaria para determinar la solucin nica es tambin, como en el
caso discreto:

i = 1

Y se llama ecuacin de normalizacin.

Para ilustrar el procedimiento de solucin, se considerar nuevamente la mquina del

ejemplo. En este caso, la matriz de las tasas de transicin era:

3 3
=[ ]
2 2

As, las ecuaciones de estado estacionario seran:

3 3
(0,0) = (0, 1) [ ]
2 2
0 = -3 0 + 2 1
0 = 3 0 - 2 1

Es evidente inmediatamente que las dos ecuaciones son dependientes: as 1 = 3/2 0 y 0

+ 1 = 1, es decir, 1 = 3/5 y 0 = 2/5.

1.3.2.- Proceso de Nacimiento y Muerte

64
Casi todos los modelos de colas simples (as como modelos no relacionados con las colas)
son casos especiales del proceso de nacimiento y muerte, el cual a su vez un caso especial
del proceso general de Markov de tiempo continuo. Un proceso de nacimiento y muerte est
caracterizado como un proceso de Markov en el cual todas las transiciones son a un estado
inmediatamente posterior (un nacimiento) o a uno inmediatamente anterior (una muerte).
Esto es, en un proceso de nacimiento y muerte no hay saltos de estado.

La matriz y el diagrama de transicin de este proceso se muestran en las figuras siguientes:

0
1 2 3 4

00 01 0 0 0
10 11 12 0 0
= 21 22 23
32 33 34

Puede haber una cantidad finita e infinita de estados. La matriz de las tasas de transicin tiene
una forma particular. Como no hay saltos, ij = 0 excepto cuando | | 1. Esto implica
que es tridiagonal.

Ms an, como los trminos de la diagonal deben ser igual al valor negativo de la suma de
los otros elementos de la misma fila, se debe tener:

ii = -( i,i-1 + i,i+1)

Esto es, la matriz debe ser de la forma:

65
 00 01
10 -(10 +12 ) 12
21 -(21 23 ) 23

Es comn simplificar la notacin, usando, i para la tasa de nacimiento i,i+1 y i para la

tasa de muerte i,i-1. No hay prdida de generalidad, pero la notacin especial tiende a ocultar
el hecho de que el proceso de nacimiento y muerte es solo un caso especial del proceso de
Markov.

Las ecuaciones de estado estacionario para el proceso de nacimiento y muerte tiene la forma
caracterstica:

0 = -01 0 + 10 1
0 = 01 0 (10 + 12) 1 + 12 2
0 = 12 1 (21 + 23) 2 + 32 3

1.3.3.- El Proceso de Poisson

El proceso de Poisson es un caso especial del proceso de nacimiento y muerte. Podra ser
ms descriptivo llamarlo un proceso de nacimiento, ya que las tasa de muerte, i son todas
cero. Las tasas de nacimiento, los i son todos iguales a un valor constante . As el
comportamiento del proceso de Poisson est gobernado por el parmetro nico y la
estructura es:

66
 0
1 2 3 4

El proceso de Poisson se usa frecuentemente para modelar el tipo de situaciones en el cual

se hace un conteo de la cantidad de eventos que ocurren en un tiempo dado. Por ejemplo, se
usa en los modelos de colas para representar la llegada de los clientes a un determinado
servicio. El estado en el tiempo t correspondera al nmero de llegadas en el tiempo t.

La matriz de tasas de transicin sera:

Como las aplicaciones normalmente involucran eventos de conteo y la cuenta debera

normalmente comenzar en cero, supondremos que el estado inicial es cero. Las ecuaciones
diferenciales para determinar los p0j(t) seran:

00 ()
= - 00 (t)

01 ()
= 00 (t) - 01 (t)

02 ()
= 01 (t) - 02 (t)

En general:

0 ()
= 0,1(t) - 0 (t) para j > 0

67
Se debe notar que la primera ecuacin para j=0 es un caso especial. La primera ecuacin
considera solo p00(t) y es de una forma particularmente simple. Se puede integrar
directamente para dar la solucin:

p00(t) = e-t

La constante de integracin es evaluada de p00(0) = 1. Esta solucin puede sustituirse en la

prxima ecuacin dando:

01 ()
= e-t - 01 (t)

sta considera ahora slo p01(t). Las tablas de ecuaciones diferenciales estndar o la
integracin por partes, producir la solucin:

p01(t) = t e-t

Esto entonces, puede sustituirse en la prxima ecuacin para dar:

02 ()
= 2 t e-t - 02 (t)

La cual al resolverse da:

()2
P02(t) = e-t
2

Continuando de esta manera, podemos encontrar que la solucin general es:

()
P0j(t) = e-t j0
!

Esta es la distribucin de Poisson. Una manera de interpretar el resultado es para t fijo, el

cual tiene el efecto de hacer t un parmetro fijo, entonces el conjunto {p00(t), p01(t), p02(t),
} dara la distribucin de probabilidad del proceso en el tiempo fijo t, la cual ha sido
68
identificada como Poisson. En trminos de conteo de eventos, se dira que la cantidad de
eventos o accidentes que ocurren en un intervalo fijo de tiempo t, tiene la distribucin de
Poisson con parmetro t. Ms an, puesto que la media de una distribucin de Poisson es
igual al parmetro, t puede ser interpretada como el nmero esperado de eventos que ocurren
en el tiempo t.

Hay otras maneras de caracterizar el mismo proceso. Supongamos que Tn representa la

variable aleatoria correspondiente al tiempo entre el n-1 y el n-simo evento. En particular
T1 debera ser el tiempo hasta el primer evento.

Entonces:
p00(t) = p {no hay eventos en el tiempo t }
= p {T1 > t}

As: p{T1 t} = 1 p00(t) = 1 e -t

Esta distribucin puede reconocerse como la distribucin exponencial negativa con

parmetro . Por un argumento similar, se puede demostrar que:

p{Tn t} = 1 pn-1,n-1(t)

y por la solucin de la ecuacin diferencial apropiada, se puede demostrar que:

pn-1,n-1(t) = e t

Consecuentemente:

p{Tn t} = 1 e t n

En palabras, el tiempo entre eventos en un proceso de Poisson estn todos distribuidos en

forma exponencial negativa con el mismo parmetro . Como la media de una variable

69
aleatoria exponencial negativa es el recproco del parmetro, puede interpretarse como el
reciproco del tiempo esperado entre eventos.

El proceso de Poisson tiene varias propiedades matemticas que contribuyen tilmente en el

modelamiento. Primero, se puede imaginar que se tienen dos procesos independientes
operando simultneamente y si se considera el efecto de fusionar estos procesos como se
muestra en la figura.

Ms precisamente, esto se llama superposicin. La superposicin de dos procesos A y B

produce un tercer proceso, C, en el cual un evento ocurre tan pronto como ocurre el evento
A o B.

El hecho conveniente es que la superposicin de dos procesos independientes de Poisson

produce un proceso de Poisson. Este hecho puede probarse si se piensa en trminos de los
tiempos entre eventos, pero se transforma en casi trivial si se piensa en trminos del conteo
de la cantidad de eventos que ocurren en el tiempo t. Sea Na(t), Nb(t) y Nc(t) las variables
aleatorias que cuentan la cantidad de eventos que ocurren en el proceso A,B y C
respectivamente, en el mismo intervalo de tiempo t. Entonces, puesto que el proceso C cuenta
los eventos que ocurren en A o B:

NC(t) = NA(t) + NB(t)

70
Por supuesto, NA(t) y NB(t) son variables aleatorias distribuidas segn Poisson. Pero se sabe
que la suma de variables aleatorias independientes de Poisson es una variable aleatoria de
Poisson. Como esto es verdadero para todo t, C es un proceso de Poisson.

Ms an, se sabe que la esperanza de una suma es la suma de las esperanzas,

consecuentemente, si A y B son los parmetros o tasas de ocurrencias de los procesos A y
B:

E[NA(t)] = A t
E[NB(t)] = B t

Y as:

E[NC(t)] = E[NA(t)] + NB(t)]

E[NC(t)] = E[NA(t)] + E[NB(t)]
= A t + B t
= (A + B) t

En otras palabras, la tasa de ocurrencia en el proceso C es igual a la suma de las tasas de

ocurrencia en los procesos A y B.

Es evidente tambin, de los argumentos usados que el resultado se extiende para la

superposicin de ms de dos procesos independientes de Poisson. Esta propiedad de
fusionalidad del proceso de Poisson es muy til en una gran variedad de contextos. Los
procesos A y B podran representar por ejemplo, las llegadas de rdenes para algn bien de
dos diferentes tiendas que son abastecidas del mismo inventario. El proceso de superposicin
podra representar la demanda total de inventario. O, en un problema de cola, el proceso
representara las llegadas desde dos diferentes fuentes, o tal vez de dos diferentes gneros,
masculino y femenino. La superposicin representara todas las llegadas al sistema.

Como el proceso de Poisson hace la fusin tan excelentemente, es lgico preguntarse si ellas
pueden separarse, como en la figura siguiente:

71
 PROCESO C

Proceso A

PROCESO B

Aunque no se intentar probarlo, la respuesta a esta pregunta es s. Cuando un evento ocurre,

en la entrada, se asignar a uno o a otro en el proceso de salida. La regla que determina si un
evento particular es asignado al proceso B o C debe ser probabilstico e independiente. En
otras palabras, es como si la asignacin estuviera determinada por el lanzamiento de una
moneda. Si A es la tasa para el flujo de entrada y pB denota la probabilidad que un evento
sea asignado al flujo B, entonces la tasa para el proceso B es A pB. Este resultado tambin
puede extenderse a la separacin de un proceso de Poisson en ms de dos estados.

Hay varias maneras tiles de interpretar la propiedad de separabilidad de un proceso de

Poisson. Si el proceso de entrada representa la llegada de los clientes a un banco, entonces el
proceso de salida sera la llegada a las cajas individuales. Por supuesto, para preservar el
proceso de Poisson, los clientes deben separarse en base a una completa aleatoriedad. En
particular, no podra permitirse a los clientes escoger la caja en que sern atendidos (en base
a cuan larga pueda ser la cola, por ejemplo).

El proceso de entrada puede representar partes que llegan a una estacin de inspeccin, la
cual las separa en partes aceptadas y rechazadas. Siempre que la probabilidad de aceptacin
sea independiente de todo, es decir, tanto del flujo de partes aceptadas como de rechazadas,
el proceso tendra la caracterstica de Poisson.

1.4.- MODELOS DE COLAS

72
Supongamos que se tiene una persona (llamado el servidor) quin ejecuta algunas tareas
en piezas o ensambles (llamadas tems) las cuales llegan a su estacin de trabajo en
intervalos peridicos. Diremos, inicialmente, que un tem llega cada 3 minutos. La tarea que
la persona realiza requiere un tiempo (llamado el tiempo de servicio) y supongamos que este
tiempo es de 2 minutos. No se est interesado en lo que sucede con el tem antes de que llegue
ni despus de que es servido.

Si se grafica la actividad de la persona en el tiempo, partiendo en un instante cuando un tem

ha llegado, se vera lo siguiente:

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

En este grfico, la parte achurada indica el tiempo durante el cual la persona est trabajando
y lo no achurado cuando l est ocioso. Es evidente que a largo plazo la persona est ociosa
1/3 del tiempo. Con una pequea reflexin, se puede concluir que el servidor estar ocioso

(a-s)/a o 1-() del tiempo, donde s es el tiempo de servicio y a es el tiempo entre llegadas. O

si se prefiere pensar en trminos de utilizacin, el servidor estar ocupado s/a del tiempo.
Esto, por supuesto, supone que s a.

En este caso se puede apreciar que el servidor est siendo sub utilizado, tendra sentido
aumentar la velocidad de las llegadas (es decir, reducir el tiempo entre llegadas) hasta que
desaparezca el tiempo ocioso o equivalentemente la utilizacin se incremente a 1. Esto
ocurrira cuando a = s, esto es cuando el tiempo entre llegadas es igual al tiempo de servicio.
Cualquier intento de reducir an ms el tiempo entre llegadas resultara en una situacin
cuello de botella, los tems estaran llegando ms rpido que lo que podran ser servidos y
as se formara una cola que continuamente ira creciendo.

En resumen, el modelo nos dice:

Si s < a el servidor estara ocioso (1- ) del tiempo.

73
 Si s = a el servidor estara siempre ocupado y no se formara cola.
Si s > a se formara una cola que continuamente ira creciendo.

Se considerar ahora el efecto de introducir variaciones aleatorias a los proceso de llegada y

de servicio. Ahora, en lugar de llegadas a intervalos fijos, se supondr que ellas ocurren en
intervalos que varan aleatoriamente, cuyo promedio es de 3 minutos (o ms generalmente a
minutos). Similarmente se supondr que los servicios toman en promedio 2 minutos (o s
minutos). Ocurre un nuevo fenmeno, cuando el tiempo entre dos llegadas pasa a ser menor
que el tiempo requerido para completar el servicio del primero, la segunda llegada tendr que
esperar por algn periodo de tiempo antes de que pueda comenzar el servicio. En otras
palabras se forma una cola. Esta clase de evento puede que no ocurra muy a menudo, pero
ocasionalmente ocurrir. Ms an, esto mismo puede ocurrir para 2 o ms tiempos en
sucesin, as se puede concebir que la cola ocasionalmente podra ser larga.

Se puede notar que, en promedio, los procesos de llegada y servicio son tal cual como fueron
en el primer modelo. La cola de que se est hablando ahora es una lnea de espera temporaria
y fluctuante que resulta de las variaciones aleatorias de los tiempos. Cuando los tiempos entre
llegadas y/o servicio son aleatorios, se puede tener una cola an si el tiempo promedio de
servicio s es mucho menor que el tiempo promedio entre llegadas a. El fenmeno es una
consecuencia de la variabilidad de los tiempos de servicio y/o entre llegadas y simplemente
no ocurre cuando ambos tiempos son fijos. Como la variabilidad es complicada, hay una
tentacin a no considerarla y tratar con los tiempos entre llegadas y de servicio como si fueran
valores fijos, justificando la simplificacin con la idea de que el comportamiento promedio
de dos factores interactuantes sera suficiente para predecir el comportamiento promedio del
sistema. Al hacer esto, sin embargo, se eliminan muchos fenmenos que se est intentando
comprender.

La teora de colas es el estudio de las fluctuaciones aleatorias de las lneas de espera que
ocurren en situaciones tales como la descrita en el ejemplo anterior. Antes de desarrollar un
modelo del proceso de Markov para aplicar el mismo ejemplo, se considerar que elementos
son esenciales para una cola y qu variaciones pueden ocurrir.

74
Comenzando con el ejemplo anterior es evidente que el servidor necesariamente no tiene
porqu ser una persona y que las llegadas no necesariamente tienen que ser piezas o
ensambles. En realidad el nico aspecto del proceso que importa, es el aspecto tiempo.

El as llamado servicio puede ser cualquier cosa que ocupe a una persona, a una instalacin
o alguna localidad por algn periodo de tiempo de una forma que impide su uso por una
llegada subsecuente hasta que el servicio sea completado. Similarmente, las llegadas pueden
ser alguna cosa que aparezca en tiempos particulares y requiera el uso del servidor.

Adicionalmente a las situaciones obvias de colas, tales como los cajeros del banco, cajeras
de supermercados, venta de entradas del cine, las clases de colas que podran incluirse son
vehculos esperando el pago de peaje, cartas esperando ser tipeadas. Programas
computacionales esperando correrse, etc.

El proceso usualmente se describe designando las variables aleatorias correspondientes al

tiempo entre llegadas.

Casi siempre se supone que estas variables aleatorias (v.a.) son independientes y estn
idnticamente distribuidas, en cuyo caso es suficiente nombrar la forma de la distribucin
(exponencial negativa, Erlang) y especificar los parmetros.

Similarmente, el proceso de servicio se describe especificando las v.a. Si, donde Si denota el
tiempo de servicio de la i-sima llegada. Casi siempre se supone que los Si son independientes
e idnticamente distribuidos, de forma tal que ser suficiente especificar la forma de la
distribucin y sus parmetros. El proceso de servicio se supone independiente del proceso de
llegada, en el sentido que la duracin de un servicio no depende de cuando ocurre la llegada
( ni el tiempo de llegada depende de la duracin del servicio), pero se debe notar que el
proceso de servicio es dependiente del proceso de llegada en el sentido que un servicio Si no
puede comenzar hasta que la llegada haya ocurrido.

La figura siguiente muestra una representacin de una cola con un nico servidor.

75
 Llegadas cola servidor

Frecuentemente, un sistema puede tener mltiples servidores, los cuales podran

esquematizarse como se muestra en la siguiente figura

servidores

llegadas cola

Existe una notacin especial para las colas conocida como la notacin de Kendall. Bajo su
convencin, una cola se describe por (i/j/c) donde i y j son caracteres alfabticos, cada uno
denotando uno de los varios tipos de distribucin posibles. La primera letra especifica el
proceso de llegada, la segunda el proceso de servicio. El ltimo trmino c, es un smbolo
numrico que especifica la cantidad de servidores. Las letras usadas para especificar las
distribuciones son:
M : para la exponencial negativa.
Ek : para Erlang k.
D : determinstica o fija.
GI : para la distribucin general del tiempo entre llegadas.
G: para la distribucin general de tiempos de servicio.

As, la cola con tiempos entre llegadas exponencial negativa y 3 servidores con tiempos de
servicio Erlang-2 estara designada por (M/E2/3).

En algunos casos es importante limitar la longitud de la cola a alguna capacidad pre-

determinada, en otros casos, la capacidad puede considerarse infinita. La notacin de Kendall
no hace distincin entre estos casos. Adicionalmente, la poblacin de donde provienen las

76
llegadas pueden ser infinitas, en tales casos la tasa de llegada no se ve afectada por cuntos
ya estn esperando el servicio o puede ser finita, en cuyo caso la tasa de llegada debe decrecer
a medida que la cantidad en espera por el servicio aumenta. En el caso extremo las llegadas
deben cesar cuando todos los miembros de la poblacin estn dentro del sistema. A no ser
que se indique especialmente, se supone el caso de una fuente infinita.

Puede parecer que las llegadas estarn siempre servidas en el orden en la cual ellas llegan,
pero no necesariamente es as. La regla por la cual el prximo trabajo, cliente o lo que sea se
selecciona, se llama la disciplina de la cola. Entre las ms comunes estn:
FCFS : primero en llegar, primero en servir.
LCFS : ltimo en llegar, primero en servir.
RSS: seleccin aleatoria para el servicio.
PR : prioridad.

La ltima designacin no es muy precisa, hay muchos esquemas posibles de prioridad.

La notacin de Kendall complementada es:

Proceso de proceso de Nmero de lmite de la caracterstica de la disciplina

Llegada servicio servidores longitud de la cola fuente poblacional de la cola

Los ltimos tres trminos pueden omitirse si ellos son: ( . / . / . / / / FCFS )

An esta notacin es inadecuada para describir la variedad de posibilidades que se podra

desear del modelo. Por ejemplo, si se tienen mltiples servidores, se podra desear darle
diferentes tasas de servicio, pero no hay manera de indicarlo en la notacin. Ms an, la
notacin describe slo una cola, pero en la prctica los sistemas frecuentemente incluyen
mltiples colas. A pesar de su defecto, la notacin cubre una variedad considerable de casos
tiles.

Hay una variedad de salidas o resultados diferentes que podran desearse de un modelo de
colas, entre los ms comunes estn:

77
L : cantidad esperada en el sistema (incluyendo las unidades que estn siendo servidas), bajo
condiciones de estado estacionario.
Lq : cantidad esperada en la cola (excluyendo las unidades que estn siendo servidas), bajo
condiciones de estado estacionario.
W : tiempo esperado que se pasa en el sistema (incluyendo el tiempo de servicio), por una
unidad en estado estacionario.
Wq : tiempo esperado en la cola (excluyendo el tiempo de servicio) por una unidad en estado
estacionario.

Estas salidas estn relacionadas de una manera tal, que si se conoce una de ellas, las otras
pueden deducirse fcilmente.

1.4.1.- El Modelo de Cola M/M/ 1

Se volver ahora al modelo de proceso aleatorio del caso de un servidor tratado al inicio de
esta materia. Debido a que el modelo es el ms directo de muchos modelos posibles de colas,
el modelo ser tratado con detalle. El entendimiento de este modelo es til para posibles
variaciones en la formulacin de algunos problemas.

Se supuso anteriormente que las partes o ensambles llegan a intervalos regulares de a

minutos y el tiempo de servicio se fij en s minutos. Se supondr ahora que los tiempos
entre llegadas y los tiempos de servicio son v.a. que tienen media de a y s minutos,
respectivamente. Para satisfacer la propiedad de Markov se est forzado a suponer que estas
v.a. tienen una distribucin exponencial negativa. Podran ser deseables otras distribuciones,
pero no permitira el uso de la tcnicas de markov de tiempo continuo.

Si es el parmetro de la distribucin del tiempo entre llegadas, es decir, la tasa de llegada,

entonces a = 1/ y s = 1/. En una situacin real a y s son estimados por muestreo y se
promedian los tiempos entre llegadas y de servicio. Los valores para y estaran dados por
su recproco y estos valores seran suficientes para caracterizar la distribucin
completamente.

78
Se definir el estado del proceso de Markov por la cantidad de tems presentes en el sistema
en algn tiempo, incluyendo el que est siendo servido. No se limitar la capacidad del
sistema, as que los posibles estados son : 0,1,2,3,4 extendindose hasta el infinito.

Debido a que las llegadas ocurren de a una, se tiene el efecto de incrementar la cantidad en
el sistema en uno y debido a que el servicio se completa de a un tem a la vez se tiene el
efecto de disminuir la cantidad del sistema en uno, el proceso ser un proceso de nacimiento
y muerte.

Ms an, como la tasa de llegada y la tasa de servicio no estn influenciadas por la cantidad
presente en el sistema, las tasas de transicin permanecen constantes. En suma, el diagrama
de transicin es el mostrado en la figura siguiente:

0
1 2 3 4

Para esta situacin el proceso de Markov est bien definido y el anlisis sera rutinario. Es
importante considerar, sin embargo, algunos de los supuestos inherentes a la formulacin del
modelo. Primero, se observa que si se ignora la finalizacin del servicio y se mantiene la
cuenta de la cantidad total de llegadas, se tendra un proceso de Poisson. As, se podra
describir el proceso de llegada, en forma aislada, como un proceso de Poisson. No se podra,
sin embargo, hacer lo mismo con el proceso de servicio, puesto que no tendra sentido
considerarlo aisladamente. El proceso de servicio opera slo cuando hay algo en el sistema
para ser servido.

Cuando el proceso est en algn estado diferente de cero, el prximo estado es incierto. Se
podra decir que el proceso ir para uno u otro estado depender del resultado de la

79
competencia entre los procesos de llegada y de servicio. Si se supone que el sistema comienza
vaco y que el primer tem ha llegado, lo que pasa despus depender de si el servidor puede
completar el servicio del primer tem antes de que ocurra la prxima llegada. Si se supone
que esto no ocurre, el segundo tem llegar antes que el primero est finalizado. Lo que pase
despus depender si el servidor puede completar el servicio del primer tem antes que llegue
el tercero. Ahora la tentacin podra hacernos suponer, de que como el primer tem ha estado
recibiendo servicio antes de que llegue el segundo, el tiempo de servicio que queda ser corto
y es muy probable que el servidor finalizar antes de que ocurra la llegada subsiguiente.

Pero el supuesto de Markov especficamente contradice este supuesto. Una vez que el
segundo tem llega, es decir , se entra al estado 2, el servidor olvida lo que l ha gastado
de tiempo en el primero y la distribucin del tiempo de servicio que queda es idntica a la
distribucin del tiempo de servicio completo. Si esto suena ridculo, entonces no se debera
intentar emplear el modelo de Markov. Por otro lado, si se insiste en que el paso del tiempo
tiene influencia en la distribucin del tiempo de servicio que queda (o el tiempo que queda
hasta la prxima llegada) entonces se tendran descripciones matemticas mucho ms
complicadas. As, el diagrama de transicin perdera su importancia porque se tendra que
saber cunto tiempo antes se ha entrado a un estado para determinar cundo lo abandonar.

Volviendo a los clculos, las tasas de la matriz de transicin son de la forma:

( )

( )

Se extiende infinitamente hacia la derecha y hacia abajo. El hecho de que sea infinita no tiene
ningn problema porque la estructura es muy regular.

Es fcil expresar las ecuaciones diferenciales para las funciones de transicin de los estados,
los pij (t). Ellas estn dadas por dos ecuaciones de la forma:

80
 0 ()
=- 0 (t) + 1 (t) 0

()
=- ,1 (t) (+) (t) + ,+1 () 0, j > 0

stas se obtienen de la forma general para cualquier proceso de Markov de tiempo continuo
()
= P(t) . En este contexto, pij(t) representara la probabilidad de que hayan j tems en

el sistema en el tiempo t, dado que haba i en el tiempo cero. A partir de los p ij(t) se
determinan todos los aspectos de inters.

Desafortunadamente, a pesar de su aparente simplicidad las ecuaciones diferenciales no son

fciles de resolver. La solucin se conoce, pero involucra las funciones de Bessel modificadas
y es tan complicado que no proporciona una idea clara del comportamiento de la cola.
Generalmente no es factible ni vale la pena obtener las funciones pij(t) para modelar colas.
Lo que se utiliza normalmente es el comportamiento en estado estacionario. Esto es
lamentable en aquellas ocasiones en que se desea conocer lo que pasa a corto plazo. Por otro
lado, la mayora de la toma de decisiones con respecto al diseo y operacin de un sistema
de cola involucra el comportamiento a largo plazo, para lo cual los resultados de estado
estacionario son suficientes.

Las ecuaciones de estado estacionario para el modelo bajo consideracin son:

0 = -0 + 1
0 = 0 ( + )1 +2
0= 1 ( + )2 + 3

La forma general es: 0 = j-1 ( + )j + j+1 para j > 0

81
Pero la primera ecuacin es un caso especial y como considera slo 0 y 1 se puede usarla
para obtener una solucin para 1 en trminos de 0.

1 = () 0

Sustituyendo esto en la segunda ecuacin deja una ecuacin que incluye slo 0 y 2

2
2 = () 0

Continuando de esta manera se puede encontrar que, en general:

j = () 0

El clculo de 0 se realiza a travs de la ecuacin normalizada:

1 = 0 + 1 + 2 + 3 + . . .
2 3
1 = 0 + () 0 + () 0 + () 0 + . . .

2 3
1 = 0 [1 + () + () + () + . . .]
1
1 = 0 [1 /] ( suponiendo que / < 1)

0 = 1 -

La convergencia de la serie infinita requiere que / < 1

En conclusin, las probabilidades de estado estacionario estn dadas por:

0 = 1 -

1 = () (1 /)

2
2 = () (1 /)

3
3 = () (1 /)
82
 .
.
.

j = () (1 /) j0

Esta distribucin es de la forma geomtrica.

Como los dos parmetros y apareen juntos, como un ratio, es convencional reemplazarlos
por un nico parmetro , donde = /. Las probabilidades de estado estacionario,
simplificadas son:

j = j (1 )

El nuevo parmetro se llama intensidad de trfico. Es, por supuesto, la razn entre la tasa
de llegada y la tasa de servicio, pero hay tambin algunas otras formas de verlo. Es la tasa de
llegada veces el tiempo de servicio promedio, 1/, as puede pensarse como el nmero
esperado de llegadas durante un periodo igual al tiempo de servicio promedio. En trminos
de a y s, esto es, los tiempos promedios entre llegadas y servicio respectivamente.

1/
= = 1/ =

Se debe notar que el modelo determinstico analizado con anterioridad revela que, para evitar
el continuo crecimiento de la cola, la razn s/a tendra que ser menor que o igual a uno. El
requerimiento en el modelo de Markov que / (o ) sea menor que uno, lo cual fue necesario
para obtener una solucin a la ecuacin normalizada, significa casi lo mismo. La diferencia
es que el modelo determinstico sugiere que el caso s/a = 1 no es solo factible sino que
deseable. Podra representar la condicin de un balance exacto de tasas de llegada y tasas
de servicio. Pero la solucin que se tiene por el modelo de Markov no incluye el caso en que
= 1. Se volver a esta situacin ms adelante.

83
Otra interpretacin de puede obtenerse de la solucin de estado estacionario. 0 es la
probabilidad de estado estacionario en que el sistema est vaco, lo cual tambin puede
pensarse como la fraccin del tiempo (en el largo plazo) en que el servidor est ocioso. As,
1 0 sera la fraccin del tiempo en que el servidor est ocupado.

Como 1 0 = 1 (1 ) = , se puede interpretar a como la tasa de utilizacin del servidor.

Ahora que se tiene la distribucin de probabilidad de la cantidad en el sistema (en estado

estacionario) se puede calcular la media L

L =
=0

L = 00 + 11 + 22 + 33 + . . .
L = 0(1-) + 1(1-) + 22(1-) + . . .
= (1-)( + 22 + 33 + . . . )

L= 1

La serie infinita converge a una suma finita solo si < 1, pero esto est ya considerado.

Tambin se pueden usar los j para calcular la cantidad promedio en estado estacionario de
la cola Lq. Como hay un solo servidor la probabilidad que hayan j tems en la cola es
equivalente a la probabilidad de que hayan j +1 items en el sistema. La nica excepcin a
esta proposicin ocurre cuando no hay nadie en la cola. En este caso, puede haber 0 o 1 en el
sistema.

Consecuentemente:

Lq = 0(0 + 1 )+ 12 + 23 + . . .
Lq = 12(1-) + 23(1-) + 34(1-) + . . .
= (1-)(2 + 23 + 34 + . . . )
2
Lq = (1- )(1)2
2
Lq = 1

84
Se debe notar que la diferencia entre L, el nmero promedio en el sistema y Lq, el nmero
promedio en la cola es:

2 (1)
L Lq = 1 - 1 = =
1

Esto era de esperarse, porque fue interpretado como la fraccin del tiempo en que el
servidor est ocupado.

La figura siguiente grafica a L y Lq como una funcin de la intensidad del trfico (o tasa de
utilizacin), , bajo el rango permisible de valores de , 0 1.

20

15
L , Lq

10
Series1
5 Series2

0
0 0,2 0,4 0,6 0,8 1
Ttulo del eje

Esta figura revela lo que sucede cuando se intenta obtener la mxima utilizacin del servidor,
el nmero esperado en la cola y en el sistema crece al infinito.

No es bueno si la cola ocasionalmente podra crecer al infinito, o si hay alguna probabilidad

de que sta podra crecer al infinito, pero este resultado es an peor, dice que la longitud
media de la cola crece al infinito. Este resultado parece tan extraordinario que pone en duda
el modelo. La razn de porqu no se ven colas infinitas en la vida diaria es que cuando crecen
mucho, la gente intercede y altera el sistema.

85
Examinando ms de cerca las curvas se revelan ms causas de inters. Para limitar la longitud
promedio de la cola a un tamao razonablemente pequeo, es decir, 5, la utilizacin debe ser
desilusionantemente bajo, 0,85. Esto es, se debe estar preparado para tolerar 15% de
ociosidad del servidor para evitar una cola con promedio ms de cinco. Por supuesto, an
con un promedio de longitud de cola de cinco, puede ocasionalmente ser considerablemente
ms larga. Ms an, la longitud media de la cola es muy sensible a pequeos cambios en
en este rango.

As el modelo estocstico ha revelado que hay un inevitable conflicto entre el deseo de

obtener una completa utilizacin de un servidor y el deseo de mantener la longitud de la cola
corta. El conflicto no era del todo evidente desde el punto de vista determinstico. La
conclusin de que el sistema est balanceado cuando la tasa de llegada es igual a la de
servicio es claramente errnea. La razn ideal de la tasa de llegada a la tasa de servicio es
algo menor que uno, su valor especfico depende de los costos relativos de ociosidad versus
congestin.

Un mal entendimiento de los fenmenos de cola ha sido fuente de disputas entre

administradores y empleados y entre clientes y administradores. Por ejemplo, un
administrador que ve que un empleado est ocioso en una ocasin, puede sacar
precipitadamente la conclusin que la tasa de utilizacin es pequea e intenta incrementarla.
Puede descubrir posteriormente que se ha desarrollado una cola muy larga y verse obligado
a reducirla nuevamente. Como el administrador persiste en tratar de lograr un "balance" entre
la tasa de llegada que aprecia y la capacidad de los empleados y consistentemente ven
frustradas sus intenciones, puede llegar a la conclusin que los empleados estn
deliberadamente obstruyendo sus esfuerzos. El empleado, por otro lado puede llegar a la
conclusin que el administrador est intentando explotarlo. De hecho, estar ocioso
ocasionalmente y la acumulacin ocasional puede atribuirse solamente a la variabilidad de
los tiempos de servicio y/o los tiempos entre llegadas.

Ejemplo.
Consideremos una nica bomba dispensadora de bencina en un servicentro. Si se supone que
la observacin del proceso de llegada ha mostrado que la distribucin del tiempo entre

86
llegadas es aproximadamente exponencial negativa con una media de 10 minutos y el tiempo
de servicio se aprecia que est adecuadamente descrito por una distribucin exponencial
negativa con una media de 6 minutos. El espacio de espera es ilimitado.

En la notacin del modelo, la tasa de llegada, , sera 1/10 por minuto o 6 por hora y la tasa
de servicio, , sera 1/6 por minuto o 10 por hora. No importando la unidad de tiempo
seleccionada, la intensidad de trfico sera / = 0,6. Una vez que el proceso est en estado
estacionario, la distribucin del nmero de vehculos en la estacin de servicio est dado por:
j = (0,4)(0,6)j

En particular, 0 = 0,4

As, el 40% del tiempo no hay nadie. Ms an, el 60% del tiempo hay al menos un cliente en
el servicentro y esto tambin puede ser interpretado como la probabilidad que un cliente que
llegue tendr que esperar, o bien, como la utilizacin del servidor.

P(demora) utilizacin = = 0,6.

El nmero promedio de clientes en estado estacionario en la estacin sera:

L = 1 = 1,5

Y el nmero promedio en la espera en estado estacionario, es decir, no recibiendo an el

servicio sera:

2
Lq = = 0,9
1

Hay varias formas en la cual este modelo podra mostrarse inadecuado. Una posibilidad obvia
es que el espacio de espera puede de hecho estar limitado. La capacidad finita de la cola ser
tratada ms adelante. Otra posibilidad es que la tasa de llegada sea dependiente del estado.
Esto es, los clientes se desilusionan al llegar al servicentro y ver una cola larga y siguen sin

87
entrar a la cola. Esta variacin tambin puede ser modelada por un mtodo que se indicar
posteriormente.

Otra posibilidad que se da en la prctica es que el proceso de llegada no sea estacionario.

Esto sucedera cuando existen periodos de peak y periodos de baja durante el cual la tasa
de llegada es ms alta y ms baja respectivamente que el promedio global. Esto ocurrira en
periodos particulares durante el da, o das especficos de la semana o semanas particulares
del ao. No hay gran cosa que se pueda hacer para tratar la no estacionalidad sin enormes
complicaciones matemticas. An la estimacin de los parmetros son complicados. Tal vez
la manera ms simple para escapar de esta dificultad, si se sabe que el proceso no es
estacionario, es aislar ciertos periodos durante el cual el proceso es relativamente estacionario
y restringir el modelo y sus conclusiones a estos periodos. Por ejemplo, si se est preocupado
con el peor caso del punto de vista de la longitud de la cola, se podra medir de
observaciones hechas durante periodos de peak. Si se est preocupado con la utilizacin se
podran usar datos de los periodos de baja.

Otro punto importante de mencionar es que no tendra sentido usar estos modelos solamente
para determinar 0 o L para una instalacin existente. Como estadsticamente se ha recibido
informacin para determinar o habra sido ms fcil medir esta informacin directamente
sin necesidad de aplicar algn modelo. El valor real de un modelo est en evaluar el efecto
de un cambio en el sistema. Por ejemplo, si se supone que el propietario de la estacin de
servicio quiere mejorar el servicio instalando un dispensador ms rpido o empleando un
empleado extra. Si el pudiera reducir el tiempo de servicio medio de 6 a 5 minutos Qu
efecto tendra este cambio en la probabilidad de demora y sobre el tamao promedio de la
cola? El modelo puede responder preguntas de este tipo anticipadamente, mientras que un
enfoque estadstico requerira que estos cambios se hagan y observar los efectos. En este
caso, el nuevo sera 0,5 y as la probabilidad de demora debera variar de 0,6 a 0,5 y el
nmero promedio de autos en la estacin L debera variar de 1,5 a 1. El nmero promedio de
autos esperando Lq debera variar entre 0,9 a 0,5. Si estas mejoras no son suficientes en
opinin del propietario, el tiene la opcin de no hacer el cambio. El otro enfoque lo dejara
en la posicin que despus de hacer el cambio este no vala la pena.

88
1.4.2.- Capacidad limitada de la cola
Cuando el espacio de la espera es limitado, se deben hacer algunas modificaciones previas al
desarrollo del modelo. En trminos de la notacin de colas, el sistema es ahora M/M/1/N
donde N representa la cantidad mxima de clientes o unidades permitidas en el sistema.
Como el proceso de llegada debera continuar generando llegadas an cuando el sistema
estuviera lleno, se debe suponer que este bloqueo de llegadas son prdidas del sistema.

El diagrama de transicin sera:

0 1 2 . . . . . . N-1 N

Similarmente la matriz de transicin es parecida a la usada antes, excepto que es finita.

( )

( )

Las ecuaciones de estado estacionario son idnticas a aquellas usadas previamente, excepto
que la ltima ecuacin es ahora un caso especial:

0 = -0 + 1

0 = j-1 ( + )j + j+1 para 0 j N

89
 0 = N-1 - N

El hecho de que la ltima ecuacin es de una forma diferente no tiene influencia en la

solucin para los j en trminos de 0, porque la ecuacin contiene una dependencia. Se
obtiene como antes:

j = = () 0 j =0,1,2,,N

Es fcil verificar que esta solucin es consistente con la ltima ecuacin no considerada. As
entonces, la limitacin de la capacidad del sistema no ha hecho ninguna diferencia.

En este punto, sin embargo, se debe aplicar la ecuacin normalizada para determinar 0.

1 = 0 + 1 + 2 + 3 + +N
2
1 = 0 + 0 + () 0 + . . . + () 0

2
1 = 0[1 + + () + . . .+ () ]

+1
1( )

1= 0 [ ]

1( )

1 1

0 = +1
= 1+1
1( )

Esta vez la serie es finita, as los requerimientos de convergencia no aparecen restringidos al

valor de . La frmula dada es vlida para cualquier valor de , con la excepcin de = 1,
en cuyo caso la suma es trivialmente N+1, as 0 = 1/N+1.

1
En resumen: j = j(1+1 ) j = 0,1,2,. . .,N

1
Menos cuando = 1, en cuyo caso: j = +1 j = 0,1,. . . , N

90
El nmero medio en el sistema, L, puede obtenerse de la distribucin, usando las conocidas
frmulas de suma finita:

1 +1
L = 1 (1+1 ) - 1+1 para 1

L= para = 1
2

Si es ms grande que 1, L tiende a N, esto tiene sentido, un sistema sobrecargado tender

a permanecer lleno. Esta es una manera de obtener una buena utilizacin del servidor. Por
supuesto, cuando la tasa de llegada es mucho mayor que la tasa de servicio, la mayora de las
llegadas estarn bloqueadas y as nunca ser servida por el sistema. Dependiendo de la
aplicacin, esta prdida puede ser perfectamente aceptable o intolerable.

La fraccin de clientes o tems perdidos debidos al bloqueo es fcil de cuantificar. N da la

probabilidad de que el sistema est lleno:

1
N = N(1+1 ) para 1
1
N = +1 para = 1

La misma cantidad puede interpretarse como la fraccin del tiempo a largo plazo, en que los
clientes que llegan encontrarn el sistema lleno, es la fraccin de clientes que llegan que son
bloqueados. La cantidad bloqueada por unidad de tiempo debera ser esta fraccin por el
nmero de llegadas por unidad de tiempo, o N. Este nmero puede ser til para determinar
cuntos clientes ms seran servidos si el espacio de espera N, fuera incrementado. Esto se
ver ms adelante.

El caso de = 1 es interesante, porque proporciona informacin adicional de porqu un

balance entre la tasa de llegada y la tasa de servicio no es generalmente deseable. Cuando
= 1, la distribucin de la cantidad en el sistema es uniforme, esto es, todos los estados son
igualmente probables. La media debera ser la mitad de su capacidad completa (N/2).

91
Para cualquier N finito, los tems son bloqueados. En una instalacin industrial donde los
tems son piezas a procesar, el nico recurso es aumentar la sala de espera. Pero al aumentar
N los estados permanecen igualmente probables y la media es an la media de lleno. En el
lmite cuando N tiende a infinito, la probabilidad de estar en cualquier estado particular tiende
a cero y la media tiende a . En la terminologa de los procesos de Markov, el estado
permanece recurrente pero se transforma en nulo.

1.4.3.- Servidores Mltiples

Otra variacin importante y fcilmente manejable involucra a servidores mltiples sirviendo
desde una nica cola. Tal sistema sera designado por M/M/C/N, donde C es el nmero de
servidores. La capacidad del sistema N tendra que ser ciertamente al menos C. Un caso
importante especial ocurre cuando N=C, esto es, cuando el mximo nmero permitido en el
sistema es igual al nmero de servidores. Se llamar a esto el caso de no espera. Otro caso
especial ocurre cuando N =, o cuando hay una sala de espera infinita de forma tal que
todas las llegadas finalmente sern servidas.

Si se supone que todos los servidores operan a la misma tasa promedio , no es necesario
preocuparse de cules servidores estn ocupados, ser suficiente describir el estado del
sistema para indicar la cantidad de clientes en el sistema. A pesar del hecho de que el servicio
puede ser simultneo para varios clientes la finalizacin del servicio no ocurrir al mismo
tiempo, es decir, la probabilidad de que dos o ms servicios finalicen en exactamente el
mismo instante es cero. Consecuentemente ser apropiado modelar este sistema como un
proceso de nacimiento y muerte. Lo que es diferente ahora es que las tasas de transicin sern
dependientes del estado. Si hay un solo cliente en el sistema, recibir el servicio de uno de
los servidores a la tasa . Los otros servidores estarn ociosos. As la tasa de transicin del
estado 1 al 0 es . Si hay dos clientes presentes, ambos recibirn el servicio, cada uno a la
tasa . La transicin del estado 1 ocurrir tan pronto como uno de ellos haya completado el
servicio, as la tasa a la cual esto ocurre es dos veces mayor que sera si slo un servidor
estuviera trabajando, es decir, 2. Similarmente, la tasa de transicin de 3 a 2 es 3 y as
sucesivamente. Si se encuentra difcil pensar en trminos de tasas, se pueden trasladar a
tiempos medios entre transiciones.

92
Las tasas de transicin correspondientes a la realizacin del servicio, contina
incrementndose de esta forma hasta que todos los C servidores estn ocupados, despus de
lo cual ellos permanecen en el valor C. El diagrama de transicin se muestra en la figura
siguiente:

0 1 2 3 C-1 C C+1

2 3 C C

Si se restringe la atencin al caso sin espera o el sistema M/M/C/C, el diagrama de

transicin se extendera slo al estado C. Las ecuaciones de estado estacionario son:

0 = -0 + 1
0 = 0 ( + ) 1 +22
0= 1 ( + 2) 2 +3 3

0= C-1 +C C

Esto puede resolverse de la manera usual para las ecuaciones de nacimiento y muerte, para
producir:

1
j = ( ) 0 para j = 0,1,2,3,,C
!

Definiendo = /

j = 0
!

Usando la ecuacin normalizada para evaluar 0, se encuentra:

93
 1
0 =

=0 !

Es interesante observar que la suma del denominador es el primer C+1 trmino de la

expresin de la serie infinita de e. Si C es muy grande relativo a , de tal forma que los
trminos que quedan en la serie infinita son pequeos, se puede decir que 0 es
aproximadamente e- y

j =
!

Esta sera la distribucin aproximada de la cantidad de servidores ocupados. Esta distribucin

es, por supuesto, Poisson. La aproximacin es cada vez ms exacta a medida que C tiende al
infinito. Una forma en la cual un sistema de la vida real podra tener una cantidad ilimitada
de servidores es que para cada llegada de un tem, ste se sirva por s mismo.

Ms generalmente, cuando C es finito y la aproximacin no es la apropiada, la distribucin

de estado estacionario es:

!
j =

=0 !

Esta distribucin se llama distribucin truncada de Poisson.

Un trmino, en particular, de especial inters es la probabilidad de que todos los servidores

estn ocupados, o que el sistema est lleno, esto est dado por:

N = !


=0
!

94
Esta frmula conocida como la frmula Erlang-B o la primera funcin de Erlang, ha sido
usada extensamente en el diseo de sistemas telefnicos. Existen grficos y tablas que estn
disponibles en la literatura.

El nmero medio de servidores ocupados, o clientes en el sistema est dado por:

L = [1-N]

Por supuesto, todos estos resultados fueron derivados del modelo de Markov. En particular,
los tiempos de servicio se supusieron que estn distribuidos exponencialmente negativos.
Sorprendentemente, los mismos resultados ocurren cuando la distribucin del tiempo de
servicio es arbitraria. A. K. Erlang fue el primero que obtuvo estos resultados (para el caso
de los tiempos de servicio exponencial-negativo). En 1917 conjetur que ellos se cumplen
para tiempos de servicios arbitrarios. La conjetura fue confirmada, sin embargo, slo en 1970.
Es til saber que la solucin para el sistema M/G/C/C (incluyendo el caso C = ) es el mismo
que para el sistema M/MC/C.

La solucin discutida fue para el caso sin espera. Volviendo ahora al caso ms general
(capacidad de espera ilimitada o infinita), las ecuaciones de estado estacionario seran:

0 = -0 + 1
0 = j-1 ( + j) j +(j+1)j+1 para j= 1,2,. . .,C-1
0 = j-1 ( + C) j +C j+1 para j = C, C+1,. . .

Si la capacidad total del sistema N, es finita, habra una ecuacin ms para el ltimo estado

0 = N-1 -C N

La solucin de estas ecuaciones no presentan dificultades en principio, pero las soluciones

son engorrosas de expresar. En este caso se propone como alternativa el uso de grficos que
se muestran en las pginas siguientes.

95
96
En estos grficos P0 = 0 y S = C.

97
1.4.4.- Servidores combinados versus servidores separados
Para ilustrar el uso del grfico anterior y al mismo tiempo revelar un principio interesante, se
considerar la siguiente aplicacin. Dos subgerentes trabajan en oficinas adyacentes, cada
uno requiere los servicios de una secretaria. Cada uno de ellos produce en promedio 4 cartas
diarias a ser tipeadas y una secretaria requiere en promedio 1/5 del da para tipear una carta.
La pregunta es Debera cada subgerente tener su propia secretaria o juntarlas a ellas y formar
un pool de secretarias con dos personas?

Se considerar primero los sistemas separados, se ve que cada uno sera un sistema M/M/1
con = 4 y = 5 = 0,8. Se tienen las frmulas para tratar este caso, pero usando el grfico

98
anterior se encuentra que para = 0,8 y C = 1, la demora promedio Wq es 4 veces el tiempo
de servicio promedio

1
Wq = 4(5) = 0,8 das

En promedio, entonces, una carta estar en el escritorio de la secretaria 4/5 del da antes que
comienza el tipeo. Este mismo resultado se aplica a cada uno de los dos sistemas.

La alternativa, un pool de secretarias establecera una cola nica con dos servidores, tan luego
como una secretaria termina una carta, comienza la escritura de la prxima carta, sin
considerar qu subgerente la escribi. Esto constituira el sistema M/M/2. La tasa efectiva de
llegada del sistema sera = 8 por da, pero la tasa de servicio por servidor, , sera de 5 por
da. El usado en los grficos es /C (no / como en el servidor nico y servidores
mltiples en los modelos sin espera, as es 0,8). Para = 0,8 y C = 2 el grfico anterior
muestra que la demora promedio es 1,75 veces el tiempo de servicio promedio.

1
Wq = 1,75 (5) = 0,35 das.

En otras palabras, la demora promedio se reduce en ms de la mitad, slo haciendo un pool

de secretarias. La misma conclusin es vlida para cualquier valor de y el principio se
extiende a ms de dos servidores. Este hecho puede confirmarse comparando la expresin
matemtica para Wq, o tal vez ms simplemente, al darse cuenta que la pendiente de las
curvas en el grfico anterior es menor a medida que C aumenta, lo que implica que el pool
es siempre ventajoso.

Este principio es notable porque la intuicin parecera llevarnos a la conclusin opuesta. Las
subgerentes esperaran obtener mejor servicio si ellos no tienen que compartir el acceso a
una secretaria. La situacin es la misma si la carga de trabajo no es igual. Si se supone que
uno de los dos hombres genera una media de slo 2 cartas por da en vez de 4, con una
secretaria propia, l experimentar una demora promedio de slo 0,13 das. Seguramente l
sentir que nada ganar con el pool. El hecho, sin embargo, es que el pool beneficia a ambos.
El combinado sera 6 y la demora sera:
99
 1
Wq = 1,55 (5) = 0,11 das.

Este principio del pool se viola frecuentemente en los servicios de la vida real. Las colas
separadas son proporcionadas para cada servidor y un cliente debe encomendarse a un
servidor en particular cuando llega. El sistema de sacar un nmero es significativamente
mejor.

1.4.5.- Fuente Finita

La prxima variacin a desarrollarse modela la situacin que ocurre cuando las potenciales
llegadas provienen de una poblacin finita. Tal situacin podra ocurrir si, por ejemplo, el
servidor fuera una mquina fotocopiadora en una oficina en la cual slo una docena de
personas estuvieran autorizadas a usarla. Se supone que cuando los clientes completan el
servicio vuelven a la fuente.

La nomenclatura de la Teora de Colas para este modelo es M/M/1/N/N. El segundo N se

refiere al nmero de tems en la fuente, o al mximo nmero de llegadas. El primer N
representa la capacidad del sistema. Aunque la capacidad del sistema puede ser diferente del
mximo nmero de llegadas, no tiene sentido considerar una capacidad mayor (nunca sera
usada) y ser obvio cmo tratar una capacidad menor.

La diferencia entre este modelo y los anteriores est en la tasa de llegada. Es intuitivamente
claro que cuando la mayora de la poblacin est en la cola, la tasa de llegada debera ser ms
baja que cuando la mayora est en la fuente. Ciertamente, cuando todos estn en la cola, la
tasa de llegada sera cero.

Sea la tasa media de llegada por cliente. Esto podra estimarse estadsticamente
investigando el tiempo que est en la fuente cada cliente, esto es, la duracin del intervalo
comenzando cuando un cliente regresa a la fuente despus de completar el servicio y
finalizando cuando el mismo cliente reaparece en la cola requiriendo otro servicio.

100
Suponiendo que estos tiempos se ajustan a una distribucin exponencial negativa con una
media comn para todos los clientes, sera el recproco del tiempo promedio. Se debe notar
que no puede estimarse investigando los tiempos entre llegadas a la cola porque estos
tiempos sern dependientes de la cantidad que est en la cola.

Si hay un solo cliente en la fuente y los otros N-1 estn en el sistema, la tasa de llegada
obviamente ser . Si hay dos en la fuente, la tasa de llegada ser dos veces mayor, o 2. La
lgica aqu es similar a la que se us para obtener las tasas de transicin del servicio cuando
se tenan mltiples servidores. Continuando de esta manera, se obtiene el diagrama de
transicin mostrado en la figura siguiente:

N (N-1) (N-2) 2

0 1 2 3 N-2 N-1 N

Las ecuaciones de estado estacionario son:

0 = -N0 + 1
0 =(N-j+1) j-1 [(N-j) + ] j +j+1 para j= 1,2,. . .,N-1
0 = N-1 N

La solucin general obtenida de la forma usual es:

!
j = ( ) 0
()!

Las expresiones para 0, L, Lq se obtienen de una forma directa, pero no se reducen a frmulas
simples que podrn proporcionar informacin adicional.

101
Las tasas de llegada de la fuente finita pueden combinarse con las tasa de servicio de
servidores mltiples para proporcionar un modelo muy til llamado el modelo N mquinas,
R operarios encargados de la reparacin. En esta aplicacin, las N mquinas forman la
fuente poblacional y los operarios encargados de la reparacin son los servidores. La falla de
una mquina constituye una llegada (esto no implica, necesariamente, que las mquinas a
ser reparadas sean fsicamente movidas al taller de reparaciones). Formalmente el modelo es
M/M/R/N/N.

El problema que usualmente se plantea es dadas las tasas de falla y de reparacin, y y

un nmero fijo de mquinas, N, Cul es el numero ptimo de operarios encargados de la
reparacin R? El mtodo de solucin es, por supuesto, modelar varias alternativas y
seleccionar una que logre las mayores ventajas entre el intercambio de costo de reparacin y
costo de mquinas ociosas. Uno de los problemas que se vern ms adelante trata este
problema de optimizacin ms explcitamente.

1.4.6.- Tiempos de Espera.

En cada uno de los modelos de colas presentados hasta aqu, los estados se han definido como
la cantidad en el sistema. A partir de la distribucin de estado estacionario, los j, era posible
calcular algunos indicadores del sistema como L y Lq. Algunas veces, sin embargo, la
cantidad en el sistema o en la cola no es de mayor inters. En realidad lo importante son los
tiempos de espera. Por supuesto, intuitivamente, las dos estn muy relacionadas, cuando una
es larga lo otro tambin lo ser.

Existe una identidad fundamental que relaciona directamente la cantidad promedio en el

sistema en estado estacionario con el tiempo de espera promedio en el sistema (incluyendo
el tiempo de servicio). La relacin es:

L = W

Tambin existe un resultado anlogo que relaciona la cantidad promedio en la cola con el
promedio de espera en la cola:

102
 Lq = Wq

Estas relaciones son vlidas para procesos de llegada y servicio arbitrarias, para cualquier
nmero de servidores y para cualquier disciplina de colas.

Cuando la capacidad del sistema es finita, como en los modelos M/M/1/N//FCFS o el

M/M/C/C//FCFS algunas potenciales llegadas no entran al sistema en ese momento. En
esos casos, el original debe reducirse aproximadamente. Por ejemplo, en el modelo nico
servidor capacidad finita, la fraccin N no entra, as la tasa efectiva de llegada es:

1
[1-N] = [1-N(1+1 )
1
= [1+1 ]

Por otra parte:

E( tiempo en el sistema) = E(tiempo en la cola + tiempo de servicio)
= E(tiempo en la cola) + E(tiempo de servicio)

En smbolos: W = Wq + 1/. Donde 1/ representa el tiempo de servicio promedio, sin

implicar que necesariamente est distribuido segn una exponencial negativa.

Si se multiplica ambos lados de la relacin por se tiene:

W = [ Wq + 1/]
= Wq + /
L = Lq + /

En resumen, las cuatro cantidades L, Lq, W y Wq estn todas relacionadas. Si se conoce una
las otras se saben fcilmente. Ordinariamente la ms fcil de encontrar sera L. La excepcin
ocurre en el caso del modelo M/M/C///FCFS para el cual un grfico proporciona Wq.

103
Las condiciones W y Wq son slo valores medios. En algunas aplicaciones ser deseable
tener la distribucin de los tiempos de espera en el sistema o en la cola. Por ejemplo, se puede
desear conocer la probabilidad de tener que esperar ms de un determinado tiempo. El tema
de las distribuciones de probabilidad requiere de complejos tratamientos matemticos.

Hay un solo caso para el cual la matemtica es elemental y el resultado es interesante. El

modelo es M/M/1, nico servidor y capacidad infinita. Sea la variable aleatoria
correspondiente al tiempo total pasado en el sistema (en estado estacionario). Esto es, el
tiempo de espera de un cliente que llega, elegido aleatoriamente, en un tiempo largo despus
de comenzado el proceso sera el valor de . Considerando la probabilidad que sea mayor
que t y condicionando a la cantidad de clientes presentes en ese tiempo:

P( t) =
=0 ( t/ k cliente presentes) p(k clientes presentes)

Ahora la probabilidad de encontrar k clientes en el sistema es conocido, ellas son las

probabilidades de estado estacionario, k = k (1-).

La probabilidad condicional puede desarrollarse por un argumento verbal. Si el nuevo cliente

que llega encuentra k clientes delante de l y suponiendo una disciplina FCFS, l no
comenzar el servicio hasta que se completen k tiempos de servicio (tiempo de servicio
exponencial negativo). l no finalizar su permanencia en el sistema hasta que finalicen k+1
tiempos de servicio. l an estar en el sistema si la cantidad de servicios en el tiempo t es
menos que k+1.

En notacin abreviada:
p( t/ k clientes) = p(k+1 tiempo de servicio t)
= p(cantidad de servicio en t k+1)

Puesto que el tiempo de servicio es exponencial negativo, la cantidad finalizada en el tiempo

t (suponiendo que no hay interrupciones) estara distribuida por Poisson, as:

()
P( t/ k clientes) = =0
!

104
Sustituyendo esto, conjuntamente con k en la expresin original de p( t) y manipulando:
()
p( t) =
=0(=0 ) (1-)
!
()
= (1-)
=0
=

!
()
= (1-)
=0 (1)
!

()
=
=0( )
!

=
= (1)

Pero p( t) es una distribucin de probabilidad acumulativa complementaria y (1)

es la forma acumulativa complementaria de una distribucin exponencial negativa.
Consecuentemente el tiempo de espera en el sistema es exponencial negativa y tiene como
media

1
E() = (1)

Por supuesto, el tiempo de espera promedio es W, la cual podra haber sido obtenido ms
fcilmente de la relacin L = W. Lo que no se conoca antes es la forma de la distribucin.

1.4.7.- Disciplina de colas

Se supuso en los modelos anteriores que las colas operaban de acuerdo a la regla FCFS. La
mayora de los sistemas que tratan con clientes humanos intentan operar con esta regla. A
primera vista parece que diferencias en la disciplina de cola son importantes. La lgica con
que se construyeron los diagramas de transicin nos convencer que las distribuciones de
estado estacionario de la cantidad en el sistema es la misma para cualquier disciplina de cola,
la cual no depende de los tiempos de servicio. Esto es, el servidor podra escoger el prximo
cliente arbitrariamente y como esta eleccin no est basada por la prediccin de los tiempos
de servicio de los clientes, las tasas de transicin seran las mismas. Las correspondientes
ecuaciones de estado estacionario y as la solucin seran las mismas. Como las
105
distribuciones son las mismas, el promedio, as como otros indicadores de la cantidad en el
sistema o de la cantidad en la cola sera la misma. En otras palabras, las L y las Lq que han
sido calculadas para los casos FCFS son tambin aplicables para los casos LCFS y RSS.

Ms an, como L = W y Lq = Wq se aplican para cualquier disciplina de cola, el tiempo

promedio de espera en el sistema y en la cola son los mismos para los tres casos.

Qu indicadores se ven afectados por la disciplina de colas?

Uno importante es la distribucin de los tiempos de espera. Como el tiempo de espera

promedio no se ve afectado por la disciplina de la cola, no hay razn para inferir que las
varianzas no se vern afectadas. De hecho se puede demostrar que, de entre las tres
disciplinas mencionadas, la FCFS producir la varianza ms pequea en los tiempos de
espera, la LCFS producir la ms grande y la regla RSS producir un valor intermedio. En
este sentido, el riesgo de una espera muy larga se minimizar si los clientes son servidos en
el orden que ellos llegan. Por lo mismo, la posibilidad de una espera muy corta tambin se
minimizar por la misma poltica.

Se debe notar que el argumento que se us para llegar a esta conclusin que el tiempo de
espera promedio no se ve afectado por la disciplina de la cola contiene un argumento la
disciplina es independiente del tiempo de servicio. Se puede inferir que la disciplina de la
cola que es dependiente del tiempo de servicio tendr influencia en el tiempo de espera
promedio W y Wq. Este hecho sugiere que la seleccin del tiempo de servicio dependiente
de la disciplina de la cola puede reducir el tiempo de espera promedio.

106
 CAPTULO II
FLUJO EN REDES

Competencias:

Capacidad para programar en forma eficiente y econmica los recursos que intervienen en
la ejecucin de un proyecto.

Capacidad para identificar y resolver problemas de flujos en redes.

Objetivos:

Comprender el sistema PERT de planificacin aplicados a proyectos.

Comprender el sistema CPM de planificacin aplicados a proyectos.

107
2.1.- INTRODUCCIN
Se trata de analizar a fondo un tipo de problemas que involucra la relacin entre la fecha de
trmino de un gran proyecto y las fechas de inicio de las tareas que lo componen. Las
siguientes condiciones son necesarias para la existencia de tal tipo de problema:
1) Una relacin bien definida de las tareas que necesitan realizarse para que el proyecto de la
cual forman parte pueda completarse.
2) Las tareas pueden comenzarse y completarse independientemente, dentro de una secuencia
especfica. (Generalmente se supone que existen recursos suficientes para realizar el
trabajo necesario. Si esto no ocurre, el problema se vuelve ms complicado, pero no de
solucin imposible.)
3) Las tareas se ordenan de tal modo que sabemos para cada una de ellas cules la preceden
y cules esperan por su conclusin.

Estas condiciones son caractersticas de la mayora de los proyectos de construccin,

proyectos de desarrollo de sistemas y de productos, grandes mantenciones, fabricacin y
ensamble de grandes productos (por ejemplo: aviones, automviles, naves, etc.)

La atencin se ha puesto principalmente en dos problemas relativos a tales sistemas:

1) Cmo identificaremos las tareas que tienen que ser ejecutadas dentro del plazo estipulado
si se desea que el proyecto termine a su debido tiempo?
2) Si fuera posible reducir el tiempo necesario para la ejecucin de algunas o de todas las
tareas con el consecuente aumento del costo Cmo se programarn las tareas o los
trabajos de forma tal de minimizar la duracin total del proyecto manteniendo un costo
total determinado?

El primer problema se resuelve por medio del PERT (Project Evaluation Review Technique
- Tcnica de Evaluacin y Revisin de Proyectos). El segundo problema se soluciona por el
CPM (Critical Path Method - Mtodo del Camino Crtico). Veremos luego la razn de este
ltimo nombre.

108
2.2.- MODELOS DE REDES
El anlisis mediante las tcnicas PERT/CPM usan la formulacin de redes para representar
las actividades del proyecto y su relacin de precedencia. La construccin de una red de un
proyecto se hace como sigue:
1) Los arcos en la red representan trabajos individuales en el proyecto
2) Los nodos representan puntos especficos en el tiempo que marcan el inicio y/o
finalizacin de uno o ms trabajos en el proyecto.
3) La direccin de un arco se usa para representar la secuencia del trabajo. Se supone que
cualquier trabajo dirigido hacia un nodo debe completarse antes que cualquier trabajo
dirigido desde este nodo pueda empezar.

Se ilustrar la construccin de la red de un proyecto con algunos ejemplos:

Ejemplo 1.
Considere siete trabajos A, B, C, D, E, F y G con la siguiente secuencia de los trabajos:
El trabajo A precede a B y C.
El trabajo C y D precede a E.
El trabajo B precede a D.
El trabajo E y F precede a G.

La red del proyecto se muestra a continuacin:

A C E G
1 2 4 5 6

B D

En esta red cada arco (i, j) representa un trabajo especfico en el proyecto. El nodo 1
representa el comienzo del proyecto, mientras que el nodo 6 denota el tiempo de finalizacin.

109
Los nodos intermedios representan la finalizacin de varias etapas del proyecto. Los nodos
de la red del proyecto se llaman normalmente eventos.

Definicin: Un evento es un punto especfico en el tiempo que indica la finalizacin de una

o ms actividades, bien reconocidas en el proyecto.

Ejemplo 2.
Considere un proyecto con cinco trabajos A, B, C, D y E con la siguiente secuencia de tareas:
El trabajo A precede a C y D
El trabajo B precede a D
El trabajo C y D precede a E

Los tiempos de ejecucin para A, B, C, D y E son 3, 1, 4, 2 y 5 das respectivamente. La red

del proyecto se muestra a continuacin:

A C E
1 2 4 5
3 4 5

1 0 2
B D

El arco (2,3) representa un trabajo ficticio el cual no existe realmente en el proyecto. El

trabajo ficticio es necesario para evitar ambigedad en la secuencia de los trabajos. El tiempo
de ejecucin de un trabajo ficticio es cero y se agrega a la red del proyecto cuando se quiere
evitar que un arco (i, j) represente ms de un trabajo en el proyecto. En la figura anterior, el
evento 3 representa el trmino de la ejecucin del trabajo B y del trabajo ficticio. Como el
trabajo ficticio finaliza tan pronto como A haya terminado, el evento 3 en esencia indica el
trmino de los trabajos A y B.

110
El anlisis de un problema de administracin de proyectos es til tanto el PERT como el
CPM. En los problemas simples los tiempos de ejecucin y todas las actividades y su
secuencia son conocidas. El administrador quiere determinar el tiempo mnimo en el cual el
proyecto puede ejecutarse e identificar los trabajos que son cruciales cuya demora en su
ejecucin traer como consecuencia la demora del proyecto completo.

Solucin por medio de la Programacin Lineal: El problema de administrar un proyecto

simple puede resolverse formulando un problema de programacin lineal. Para ilustrar esto,
se puede considerar el problema dado anteriormente. Sea ti el tiempo en el cual el evento i
ocurre donde i = 1, 2, 3, 4, 5. Por ejemplo, t5 representa el tiempo en que el proyecto completo
ha finalizado, en cambio t4 representa el tiempo en que los trabajos C y D han finalizado. As
(t5 t1) representa el tiempo de ejecucin del proyecto completo y el objetivo es minimizar
esta duracin. La formulacin del problema de programacin lineal sera:

Minimizar Z = t5 t1
Sujeto a: t2 t1 3
t3 t1 1
t3 t2 0
t4 t2 4
t4 t3 2
t5 t4 5
ti 0 I = 1, 2, 3, 4, 5

Las restricciones aseguran que el tiempo disponible para la realizacin de los trabajos debera
ser mayor o igual al tiempo requerido para la ejecucin de cada trabajo.

El problema anterior de programacin lineal puede resolverse por el mtodo simplex y el

valor ptimo de Z entrega el tiempo mnimo de ejecucin del proyecto. De hecho, el
problema de programacin lineal puede resolverse por inspeccin haciendo t1 = 0 y
escogiendo los valores de ti tan pequeos como sea posible de manera de satisfacer las
restricciones. As, la solucin ptima por inspeccin sera t1 = 0, t2 = 3, t3 = 3, t4 = 7, t5 = 12,
y el mnimo de Z = t5 t1 = 12 das.

111
Ahora se pueden identificar las restricciones que se cumplen como ecuacin en la solucin
ptima y los trabajos correspondientes a estas restricciones son los trabajos crticos. Por
ejemplo, la restriccin para el arco (1,2) se satisface como una ecuacin porque t1 = 3 y t1 =
0, As, A es un trabajo crtico. Para el arco (1,3) la restriccin correspondiente es una
desigualdad estricta puesto que t3 t1 = 3 0 >1, as B no es un trabajo crtico y luego para
el problema anterior los trabajos crticos son A, C y E, mientras que los trabajos B y D no
son crticos.

Un camino en la red del proyecto que conecta el evento (nodo) de partida y el evento final
tal que pasa por todos los trabajos crticos se llama Camino Crtico. Se puede demostrar que
encontrando el camino crtico en una red de un proyecto es equivalente a encontrar el camino
ms largo en la red.

En un proyecto de gran tamao, la cantidad de restricciones sern demasiado para cualquier

solucin sencilla por la programacin lineal. Un enfoque directo es usar la red de proyectos
para resolver problemas simples de administracin de proyectos.

Solucin mediante el Anlisis de Redes: El tiempo ms pronto del nodo j, denotado por Uj,
es el tiempo ms pronto en el cual el evento j puede ocurrir. Se sabe que el evento j puede
ocurrir tan pronto como todos los trabajos (arcos) dirigidos hacia el nodo j han sido
ejecutados. Por ejemplo, en el diagrama siguiente, el evento j ocurre tan pronto como los
trabajos A, B y C han finalizado.

B
2 j

112
El tiempo ms pronto para el nodo j est dado por: Uj = max (U1 + t1j, U2 + t2j, U3 + t3j) donde
t1j, t2j, t3j son los tiempos de ejecucin de los trabajos A, B y C. As, la frmula general para
calcular Uj es:

Uj = max ( Ui + tij)

Se debe notar que el tiempo ms pronto del ltimo evento de la red del proyecto entrega el
tiempo ms pronto de ejecucin del proyecto.

Para la red del proyecto mostrado en el problema anterior, los Uj se calculan como sigue:

Sea U1 = 0, entonces: U2 = U1 + t12 = 3

U3 = max [(U2 + t23), (U1 + t13)] = max (3,1) = 3

U4 = max [(U2 + t24), (U3 + t34)] = max (7,5) = 7
U5 = U4 + t45 = 12

As la duracin mnima del proyecto es 12 das desde el comienzo. Por supuesto esto no
identifica las tareas crticas ni el camino crtico. Para eso se necesita calcular el tiempo ms
tarde posible.

Para ilustrar este concepto del tiempo ms tarde, se considera el siguiente diagrama:

G
i 8

113
El proyecto no sufrir demora si los tres trabajos F, G y H se realizan en V7, V8 y V9
respectivamente. Esto es posible si se tiene que:

Vi = min [V7 ti7, V8- ti8, V9 ti9]

As la frmula general para calcular Vi ser:

Vi = min [Vi tij]

Donde el ndice j son todos los nodos en el cual el arco (i, j) existe.

Para calcular el tiempo ms tarde de los eventos de la red se iguala el tiempo ms tarde con
el tiempo ms pronto y se trabaja en sentido contrario, es decir:

V5 = U5 = 12
V4 = V5 t45 = 7
V3 = V4 t34 = 5
V2 = min [(V4 t24), (V4 t23)] = min (3, 5) = 3
V1 = min [(V2 t12), (V3 t13)] = min (0, 4) = 0

La diferencia entre el tiempo ms tarde y el ms pronto de un evento se llama el tiempo de

holgura del evento. El tiempo de holgura denota cunta demora puede tolerarse en ejecutar
este evento sin demorar la fecha de finalizacin del proyecto.

Para la red del proyecto mostrada en el problema anterior el tiempo de holgura de los eventos
1, 2, 3, 4 y 5 son 0, 0, 2, 0 y 0 respectivamente. As, los eventos que tienen cero tiempo de
holgura son los eventos crticos.

El camino crtico de un proyecto es el camino a travs de la red del proyecto tal que los
eventos de este camino tienen cero tiempo de holgura. Los trabajos crticos son los arcos
(trabajos) en el camino crtico.

114
En el ejemplo anterior el camino crtico es 1 2 4 5, y los trabajos crticos son A, C
y E.

La tabla siguiente resume los resultados del anlisis de la red del ejemplo:

Evento Tiempo ms pronto Tiempo ms tarde Tiempo de holgura Observacin

1 0 0 0 Crtico
2 3 3 0 Crtico
3 3 5 2 No crtico
4 7 7 0 Crtico
5 12 12 0 Crtico

Para preparar la programacin del proyecto en trminos de las actividades, es esencial tener
el tiempo de inicio y el tiempo de trmino de todos los trabajos. Es posible obtener la
siguiente informacin de cada una de las actividades del proyecto:
1) El tiempo de inicio ms pronto.
2) El tiempo de inicio ms tarde.
3) El tiempo de finalizacin ms pronto.
4) El tiempo de finalizacin ms tarde, y
5) El tiempo de holgura.

Para ilustrar esto, se considera un arco (i, j) que representa el trabajo J en el proyecto como
se muestra a continuacin:

Trabajo J
i j
tij

Vj
Ui

Donde Ui denota el tiempo de ocurrencia ms pronto del evento i, Vj denota el tiempo de

ocurrencia ms tarde del evento j, y tij el tiempo de ejecucin del trabajo j. Es claro que el
trabajo j puede comenzar despus de Ui y debe completarse no despus de Vj. As, (Vj - tij) es
el tiempo de partida ms tarde del trabajo j. Mientras que (Ui + tij) es el tiempo ms pronto
de ejecucin del trabajo j. En otras palabras, (Vj - Ui) es el mximo tiempo disponible para

115
el trabajo j. As, el tiempo de holgura del trabajo j (demora mxima en la realizacin del
trabajo) est dado por (Vj Ui tij). Si el trabajo J es un trabajo crtico entonces Vj Ui = tij.

La tabla siguiente entrega la programacin del proyecto para la red del problema:

Duracin Trmino Tiempo de

Comienzo Comienzo Trmino
Trabajo Esperada ms holgura Observaciones
ms pronto ms tarde ms tarde
(das) pronto (demora mxima)
A 3 0 0 3 3 0 Crtico
B 1 0 4 1 5 4 No crtico
C 4 3 3 7 7 0 Crtico
D 2 3 5 5 7 2 No crtico
E 5 7 7 12 12 0 Crtico

2.3.- MTODO DEL CAMINO CRTICO (CPM)

El supuesto bsico del CPM es que los tiempos de las actividades son proporcionales a la
cantidad de los recursos asignados a ellas. Asignando recursos adicionales (capital, mano de
obra, materia prima y mquinas) a una actividad su duracin puede reducirse. El acortar la
duracin de una actividad se conoce como ruptura en la terminologa CPM. Los costos
adicionales que se incurren en reducir el tiempo de una actividad se llama costo de ruptura.

Se vio anteriormente que la duracin de las actividades crticas determina la duracin del
proyecto. As, rompiendo los trabajos crticos, la duracin del proyecto puede reducirse. Por
supuesto, el romper las actividades crticas aumenta el costo total del proyecto, pero la
reduccin en la duracin del proyecto puede resultar interesante econmicamente. Pueden
disminuir algunos costos indirectos como el arriendo de equipos, personal de supervisin y
otros. Puede ser conveniente lanzar al mercado un nuevo producto antes que los
competidores. Adems, algunos contratos estipulan beneficios o multas si el proyecto
termina antes o despus de lo especificado en el contrato. As, el costo total del proyecto es
la suma de los costos directos (proporcionales a los tiempos de la actividad) y los costos
indirectos (proporcionales a la duracin del proyecto). El mtodo del camino crtico

116
esencialmente estudia el intercambio (trade-off) entre el costo total del proyecto y su tiempo
de ejecucin.

Para el anlisis del camino crtico se supone que cada trabajo tiene un tiempo de ejecucin
normal (tiempo mximo) si no se le adiciona ningn recurso adicional y un tiempo de
ejecucin con ruptura (tiempo mnimo) con la mxima cantidad de recursos. El problema es
determinar la cantidad de trabajos que deben quebrarse de tal forma de minimizar el costo
total del proyecto.

Para proyectos pequeos se utiliza el enfoque que se describir a continuacin. La idea bsica
detrs de este enfoque es que la longitud del proyecto puede reducirse mediante la reduccin
de la duracin de los trabajos crticos. As, los trabajos crticos se quiebran mientras el costo
de quiebre no implique el aumento de los costos totales.

La principal dificultad con este enfoque es que el camino crtico del proyecto cambia cuando
se quiebran los trabajos crticos. Se ilustrar este enfoque mediante un ejemplo.

Ejemplo: Consideremos un proyecto consistente de ocho trabajos (A, B, C, D, E, F, G, H).

De cada trabajo se conoce lo siguiente:

Tiempo Normal Tiempo de quiebre Costo del quiebre

Trabajo Predecesores
(das) (das) por da ($)
A --------- 10 7 4
B --------- 5 4 2
C B 3 2 2
D A,C 4 3 3
E A,C 5 3 3
F D 6 3 5
G E 5 2 1
H F,G 5 4 4

Suponiendo unos costos generales (sin quiebre) de $5 por da, se quiere determinar la
duracin ptima del proyecto en trminos de los costos de quiebre y los indirectos.

117
Respuesta: La red del proyecto se muestra en la figura siguiente:

D F

A H
1 3 6 7

B C G
E
2 5

Si todos los trabajos se hacen en su tiempo normal, la duracin del proyecto es de 25 das
(camino de longitud ms largo).

Costo total = costos generales + costos de quiebre = $5(25) + 0 = $125

Si se hace una ruptura de todos los trabajos a su tiempo mnimo, entonces la duracin del
proyecto es de 17 das. Bajo este esquema, el costo total = $5(17) + 47 = $132. El problema
de administrar el proyecto es determinar la duracin ptima de los trabajos que minimizarn
el costo total.

Usando los tiempos normales para los trabajos, los tiempos de ocurrencia ms pronto y ms
tarde de los eventos (Ui, Vi) se calculan como se muestran en la figura siguiente. El tiempo
de ejecucin del proyecto es de 25 das y la red del proyecto tiene dos caminos crticos,
como se indica en la figura.

118
 [14,14]

D F
[0,0] [10,10] [20,20] [25,25]
A H
1 3 6 7

B C G
E
2 5

[5,7] [15,15]

Entre los nodos 3 y 6 hay rutas crticas paralelas. Las actividades crticas son los trabajos A,
D, E, F, G y H. El costo total del proyecto bajo tiempo normal es $125.

Para reducir la duracin del proyecto es necesario reducir la duracin de los trabajos crticos.
Consideremos el trabajo crtico H el cual tiene un costo de reduccin de $4 por da. Esto
reduce la duracin de proyecto en un da con una reduccin del costo general en $5. As el
trabajo H es quebrado a su lmite inferior de cuatro das y el costo total se reduce a $124.

Consideremos ahora el quiebre del trabajo A. Esto tambin resulta en un ahorro neto de $1
en el costo total de cada da de quiebre. Pero el trabajo A no puede reducirse a su valor
mnimo de 7 das porque cuando A se reduce a 8 das, los trabajos B y C se transforman en
crticos. Esto resulta en caminos crticos paralelos entre los nodos 1 y 3 y cualquier reduccin
de solamente A no reduce la duracin del proyecto. As el trabajo A se reduce solo a 8 das
y el costo total disminuye a $122.

Para reducir la duracin del proyecto en un da ms se tiene que reducir el trabajo A en un

da y el trabajo B o C en 1 da. El costo total de reducir A y B es $6 lo cual es mayor que la
reduccin de los costos generales. Similarmente la reduccin de A y C tampoco son
econmicas.

Ahora se considerarn los trabajos crticos D, E, F y G. Puesto que se tienen caminos crticos
paralelos entre los nodos 3 y 6, se tiene que reducir un trabajo en el camino 3 4 6 y un
119
trabajo en 3 5 6 para reducir la longitud del proyecto. Esto significa que se tienen que
probar cuatro combinaciones diferentes como se muestra a continuacin:

Incremento en los Disminucin en los Cambio neto en los

Trabajos
costos por el quiebre $ costos generales $ costos totales $
DyE 3+3=6 5 Aumento en $1
DyG 3+1=4 5 Disminucin en $1
FyE 5+3=8 5 Incremento en $3
FyG 5+1=6 5 Incremento en $1

De la tabla anterior se ve que la combinacin D y G es econmica y cuando se reduce los

trabajos D y G en un da el costo total se reduce a $121. Ninguna otra reduccin es econmica.
As la programacin ptima del proyecto es:
Reducir el trabajo a 8 das
Reducir el trabajo D a 3 das
Reducir el trabajo G a 4 das
Reducir el trabajo H a 4 das
Los trabajos B, C, E y F se ejecutan en su tiempo normal 5, 3, 5 y 6 das, respectivamente.
La duracin ptima del proyecto es 21 das y el costo mnimo del proyecto es $121.

Proyectos muy grandes contienen generalmente muchos caminos crticos y cada camino
crtico puede tener una gran cantidad de trabajos. Examinando todas las posibles
combinaciones de trabajos en los caminos crticos por este mtodo no slo es ineficiente sino
tambin caro. Por ejemplo, si se tienen dos caminos paralelos con 10 trabajos crticos cada
uno hay que examinar 100 combinaciones de trabajos para una posible reduccin. En la
asignatura de Gestin de Proyectos que se dicta en un nivel superior se analiza en detalle este
tipo de problemas.

2.4.- PERT (PROGRAM EVALUATION AND REVIEW TECHNIQUE)

El CPM supone que los tiempos de los trabajos se conocen pero pueden cambiar de acuerdo
al nivel de recursos. Sin embargo, en la mayora de los proyectos muchas actividades se
ejecutan slo una vez. As no hay experiencia previa con actividades similares. La

120
administracin de tales proyectos se realiza a travs del PERT que toma en cuenta la
incertidumbre en los tiempos de ejecucin de las actividades.

Para cada actividad en la red del proyecto, PERT supone tres estimaciones de tiempo en la
ejecucin. Ellos son 1) el tiempo ms probable denotado por m, 2) un tiempo optimista
denotado por a y 3) un tiempo pesimista denotado por b.

El tiempo ms probable es el tiempo que se requiere para ejecutar la actividad bajo

condiciones normales. Para incluir la incertidumbre, se proporciona un rango de variaciones
en los tiempos de los trabajos a travs de la consideracin de tiempos optimistas y pesimistas.
La estimacin optimista es una estimacin del tiempo mnimo que se requiere cuando todo
se ejecuta de acuerdo a lo planificado, mientras que el pesimista es una estimacin del
mximo tiempo que se requiere bajo condiciones adversas tales como fallas mecnicas,
problemas laborales, demora en la entrega de materiales, etc. Se debe notar que la estimacin
pesimista no incluye demoras inusuales o prolongadas o alguna catstrofe de la naturaleza.
Como estas consideraciones son slo estimaciones, el tiempo real podra estar fuera de este
rango. Desde el punto de vista probabilstico se puede decir que la probabilidad de caer fuera
de este rango es muy baja.

El anlisis PERT normalmente supone una distribucin Beta en los tiempos de los trabajos
como se muestra en la figura siguiente:

Aqu o te representan el tiempo promedio de la duracin del trabajo. El valor de (te)

depende de qu tan cerca estn los valores de a y b relativos a m.
121
El tiempo esperado para ejecutar una actividad es aproximadamente:

+4+
= 6

Como el tiempo actual puede variar de su valor medio, se necesita la varianza del tiempo del
trabajo. Para la mayora de las distribuciones unimodales (con slo un valor peak), el valor
est dentro de las tres desviaciones estndar del valor medio. As la amplitud de la
distribucin es igual a seis veces la desviacin estndar ().

2
As, 6 = b a, o = . La varianza sera: = ( )
6 6

Con la estimacin de los tres tiempos de todos los trabajos, PERT calcula el tiempo promedio
y la varianza de cada trabajo. La duracin del proyecto (T) est dado por la suma de todos
los tiempos en el camino crtico. Pero los tiempos son variables aleatorias. As la duracin
del proyecto es tambin una variable aleatoria y hay que hablar de duracin promedio del
proyecto y su varianza.

La duracin esperada del proyecto es la suma de todos los tiempos esperados de los trabajos
del camino crtico. Similarmente, la varianza en la duracin del proyecto es la suma de todas
las varianzas de los trabajos del camino crtico suponiendo que todos los tiempos de los
trabajos son independientes.

Ejemplo: Consideremos un proyecto consistente de nueve trabajos (A, B, . . . I) con la

siguiente relacin de precedencia y estimacin de tiempos:

Tiempo Tiempo ms Tiempo

Trabajo Predecesor
Optimista (a) probable (m) Pesimista (b)
A ---------- 2 5 8
B A 6 9 12
C A 6 7 8
D B, C 1 4 7
E A 8 8 8
122
 F D, E 5 14 17
G C 3 12 21
H F, G 3 6 9
I H 5 8 11

Primero se calcula el tiempo promedio y la varianza de cada uno de los trabajos. Ellos se
tabulan a continuacin:

Trabajo Tiempo promedio Desviacin estndar Varianza

A 5 1 1
B 9 1 1
C 7 1/3 1/9
D 4 1 1
E 8 0 0
F 13 2 4
G 12 3 9
H 6 1 1
I 8 1 1

La figura siguiente entrega la red del proyecto, donde los valores sobre los arcos indican los
tiempos promedio de los trabajos. Usando los tiempos promedios de los trabajos se calculan
los tiempos ms pronto y ms tarde de cada evento.

3
12
C G
7

5 9 8
4 13 6
1 2 4 5 6 7 8
A I
B D F H
[0,0] [5,5] [14,14] [18,18] [31,31] [37,37] [45,45]

El camino crtico es 1 2 4 5 6 7 8. Los trabajos crticos son A, B, D, F, H

e I.

123
Si se denota por T la duracin del proyecto entonces la duracin esperada del proyecto es:
E(T) = suma de los tiempos esperados de los trabajos A, B, D, F, H y I.
E(T) = 5 + 9 + 4 + 13 + 6 + 8 = 45 das.

La varianza de la duracin del proyecto es:

V(T) = suma de las varianzas de los trabajos A, B, D, F, H y I
V(T) = 1 + 1 + 1 + 4 + 1 + 1 = 9.

La desviacin estndar de la duracin del proyecto es:

(T) = () = 3

2.5.- PROBABILIDADES EN LA EJECUCIN DEL PROYECTO.

La duracin del proyecto T es la suma de todos los tiempos de los trabajos en el camino
crtico. PERT supone que todos los tiempos de los trabajos son independientes y estn
idnticamente distribuidos. As, por el Teorema del Lmite Central, T tiene una distribucin
normal con media E(T) y varianza V(T). La figura siguiente muestra una distribucin normal
con media y varianza .

En el ejemplo T est distribuido normalmente con media 45 y desviacin estndar 3. Para

cualquier distribucin normal, la probabilidad que la variable aleatoria est dentro de una
desviacin estndar de la media es 0,68. As hay un 68% de chance que la duracin del
proyecto est dentro de 42 y 48 das. Similarmente hay un 99,7 % de posibilidades que T est
dentro de tres desviaciones estndar, es decir, entre 36 y 54 das.
124
Se puede tambin calcular las probabilidades de satisfacer ciertas condiciones del proyecto.
Por ejemplo, se puede querer saber la probabilidad de terminar el proyecto antes de 50 das.
En otras palabras, se quiere calcular Prob(T 50) donde T ~ N(45, 3). Esto puede obtenerse
de las tablas de distribucin normal; sin embargo, las tablas se dan slo para una normal
estandarizada cuya media es cero y desviacin estndar 1. As:

5045
Prob(T 50) = Prob( ) = Prob (Z 1,67) = 0,95
3

As hay un 95% de posibilidades que el proyecto se ejecute dentro de 50 das.

Si se supone que se desea conocer la probabilidad de ejecutar el proyecto 4 das antes de lo

esperado, significa que se tiene que calcular:
4145
Prob ( T 41) = Prob( ) = Prob (Z -1,33) = 0,09
3

Es decir, hay slo un 9% de posibilidades que el proyecto se complete en 41 das.

125
 CAPTULO III
TEORA DE LA CONFIABILIDAD Y FALLAS

Competencias:

Entender el concepto de confiabilidad.

Entender la necesidad de entregar equipos con las prestaciones deseadas.

Objetivos:

Capacidad para describir algunas distribuciones de fallas comunes.

Capacidad para entender que la confiabilidad de un elemento puede ser caracterizado a

travs de distintos modelos de probabilidades.

126
3.1.- INTRODUCCIN
El tema de confiabilidad y fallas est dirigido a la solucin de problemas de previsin,
estimacin y optimizacin de la probabilidad de supervivencia, duracin media y porcentaje
de tiempo de buen funcionamiento de un sistema.

El estudio de la confiabilidad es til, pero tiene un costo asociado ya que los estudios tienen
que ser ms precisos, los proyectos ms comprometidos, la experimentacin ms rigurosa y
el empleo de medios tcnicamente ms avanzados, todo lo cual acarrea un aumento de los
costos.

Por otra parte, al aumentar el grado de confiabilidad se disminuyen los costos inherentes a
las fallas y a los costos de mantenimiento.

3.2.- LAS BASES DE LA TEORA

Para apreciar esta teora se hace necesario conocer las bases en las cuales se sustenta, por lo
que en primer lugar se hace necesario definirla: La confiabilidad de un elemento es la
probabilidad de que dicho elemento funcione sin fallas durante un tiempo t bajo condiciones
ambientales dadas.

A todo elemento es posible asignarle dos estados que lo identifica durante su proceso: el de
funcionamiento correcto y el de funcionamiento defectuoso. A este elemento se le puede
asociar una probabilidad de encontrarse en uno u otro estado.

Los supuestos en que se basa esta teora son:

a) Se debe definir claramente el criterio que determina si el elemento funciona o no funciona.
b) Las condiciones ambientales y de utilizacin establecidas se deben mantener constantes.
c) Se debe definir el intervalo de tiempo t durante el cual se requiere que el elemento
funcione.

3.3.- FUNCIONES DE CONFIABILIDAD

127
Para definir estas funciones se considerar la siguiente notacin:
No : Nmero de elementos buenos en el instante to (instante inicial)
Ni : Nmero de elementos buenos al instante ti
ni : Nmero de elementos que fallaron entre ti y t(i+1)
ti : Intervalo de tiempo observado igual a t(i+1) - ti

La funcin de falla f(t) o funcin densidad de probabilidad, es decir la probabilidad que el

elemento falle en el intervalo de tiempo ti, viene dada como:

ni
f(ti) ti = Funcin de falla en el intervalo ti
No

La funcin de fallas acumuladas F(t), es decir la probabilidad de que el elemento falle en el

intervalo ti o antes est dada por:

0 Ni
F(ti) = 0 f(ti) ti = = 1 - No

La funcin de confiabilidad R(t) , es decir, que el elemento sobreviva hasta el intervalo ti

viene dada por:

Ni
R(ti) = No = 1 - F(ti)

3.4.- LA TASA DE FALLA

La falla de un elemento se puede clasificar en dos categoras principales: las fallas
espontneas y las fallas producto del desgaste. La primera se refiere a una ruptura inesperada
de una pieza, donde es casi imposible la puesta en marcha de un sistema de mantenimiento
de tipo condicional. La segunda se refiere a la situacin donde es posible visualizar el
progreso de la degradacin como los fenmenos de desgaste en mecnica, en este caso es
posible definir polticas de mantenimiento de tipo preventivo o de tipo condicional.

128
Al elemento con la cual se cuantifica la aparicin de las fallas se denota tasa de falla (t), que
se define como la probabilidad de tener una falla del sistema o del elemento entre los instantes
t y (t + t) a condicin de que el sistema haya sobrevivido hasta el tiempo t.

Por otra parte, esta funcin probabilstica tiene una forma caracterstica a lo largo de la vida
de los elementos, como se muestra en la siguiente figura, comnmente llamada curva en
baera, donde se distinguen tres periodos:
i) Fallas de juventud (rodaje). Caracterizadas por una tasa de falla descendente en el
tiempo.
ii) Fallas de madurez (vida til). Caracterizadas por una tasa de falla constante en el tiempo.
iii) Fallas de vejez (desgaste). Tasa de falla creciente.

(t)

t
Rodaje Vida Util Desgaste

Para determinar de manera experimental las tasas de falla en funcin del tiempo es necesario
disponer de una gran cantidad de datos sobre un extenso periodo de tiempo. De ese modo
estara limitada la obtencin de esta curva para tecnologas recientes o para sistemas que no
presentan informacin estadstica suficiente, para los cuales slo una parte de esta curva
podra ser puesta en evidencia. Sin embargo, bajo ciertas condiciones, se podran sacar
conclusiones de polticas de mantenimiento con informacin estadstica insuficiente.

Una estimacin de la tasa de falla para intervalos de tiempo discretos est determinada de la
forma siguiente:

ni ()
(ti) = ti = ()

129
3.5.- FUNCIONES DE CONFIABILIDAD DE TIEMPO CONTINUO.
El desarrollo presentado anteriormente representa una visin a nivel discreto de las funciones
de confiabilidad y sus relaciones. Se analizar ahora el comportamiento a nivel instantneo.

(+)() ()
Por hiptesis se dice que: (t)dt = = 1()
()

Donde F(t) y R(t) son respectivamente la funcin acumulada de fallas y la funcin de

confiabilidad, que es la que se desea conocer a partir de la tasa de falla (t), para esto se
integran los dos miembros de la ecuacin anterior, considerando como restriccin de
contorno, la condicin inicial F(t=0) = 0.

()
0 (t)dt = 0 1()

-0 (t)dt = ln(1-F(t)

0 (t)dt = 1 F(t)

Es decir: R(t) = 0 (t)dt F(t) = 1- 0 (t)dt f(t) = (t) 0 (t)dt

Estas son las expresiones que relacionan las leyes de confiabilidad y la relacin de stas con
la tasa instantnea de fallas est dada por:

()
(t) = ()

El tiempo medio hasta la falla MTTF (Mean Time To Failure), que es otro indicador de
seguridad de funcionamiento viene dado por:

MTTF =0 t f(t)dt = 0 R(t)dt

130
En el caso de sistemas reparables (generalmente sistemas mecnicos) se habla de tiempo
medio entre fallas MTBT (Mean Time Between Failures), es decir, el tiempo comprendido
entre el instante en que el elemento entra (o vuelve a entrar) en servicio una vez finalizado el
mantenimiento, excluyendo el intervalo de tiempo necesario para el mantenimiento.

3.6.- MODELACIN DE LAS FUNCIONES DE CONFIABILIDAD

Como se puede apreciar las funciones f(t), R(t), F(t) y (t) estn relacionadas, es decir,
conociendo una de ellas se pueden determinar las otras.

Se ver a continuacin el modelamiento de la funcin (t) para cada uno de sus tres estados
(decreciente, constante y creciente) presentados anteriormente para la distribucin normal,
exponencial negativa y Weibull.

3.6.1.- Distribucin de Weibull

Para algunos elementos el periodo de rodaje se caracteriza por ser decreciente.

El modelo matemtico que se adapta a esta situacin se presenta con la distribucin de

Weibull de dos parmetros:

(t) = ()1

Donde el par valores de = = cumple la descripcin dada anteriormente para (t)

decreciente, adems se tiene:

MTBF = 1/ (1+1/)

Donde: (1+1/) = 0 1/ dt <0

3.6.2.- Exponencial negativa

131
Durante el periodo de vida til, la tasa de falla es sensiblemente constante. En este caso la
confiabilidad toma la forma:

R(t) =

Que es una distribucin exponencial negativa. Tambin se tiene:

f(t) = F(t) = 1 -

En el caso de tasa de fallas constante, se tiene:

MTBF = 0 () dt = 0 dt = 1/

En confiabilidad, la distribucin exponencial correspondiente a tasas de fallas constante tiene

gran importancia porque los clculos, para este caso, son sencillos y adems es que esta
distribucin es la ley tpica de ocurrencia de los fenmenos puramente casuales, esto es, de
aquellos cuyas causas son exclusivamente accidentes.

3.6.3.- Distribucin Normal

Esta distribucin es la que usualmente se utiliza para modelar las fallas producidas por
desgaste.

El modelo matemtico que describe el periodo en el cual entra en juego el desgaste, parte de
la hiptesis que f(t) tiene una distribucin normal con media y varianza . Por lo tanto las
funciones f(t), R(t), y (t) vienen dadas por:

2
1 1/2[ ]
f(t) = (2)

R(t) = () dt MTBF =

132
 2
1/2[ ]

(t) = 2
1/2[ ]

Los modelos matemticos considerados se adaptan aproximadamente a los tres periodos de

la vida til de un elemento.

133
 CAPTULO IV
SIMULACIN

Competencia:

Formular y resolver modelos de lneas de espera a situaciones reales del entorno aplicando
algn software.

Objetivos:

Utilizar algn software para resolver problemas de modelos de cola mediante la

simulacin.

Interpretar las soluciones obtenidas expresndolas en un lenguaje accesible al usuario para

la toma de decisiones.

134
4.1.- INTRODUCCIN
En la descripcin de un sistema por medio de un modelo, se encuentra en algunos casos, que
el sistema es demasiado complicado para describirlo o que el modelo, una vez deducido, no
permite una solucin analtica. En estos casos, la simulacin puede ser un instrumento valioso
para obtener la respuesta de un modelo particular. Hay diversas clases de simulacin; por
ejemplo, los modelos a escala de buques que se ensayan en un canal de pruebas, modelos de
aviones que se ensayan en un tnel de viento, los modelos grficos muy utilizados en
economa, los modelos fsicos que utilizan los arquitectos en las maquetas y la descripcin
de un sistema mediante un modelo matemtico. En esta ltima clase de simulacin se
manipula el modelo matemtico de algn sistema real y se observan los resultados. Entonces
estas manipulaciones y observaciones se utilizan para hacer deducciones con respecto al
sistema real. Si el modelo involucra muestreo aleatorio a partir de una distribucin de
probabilidad el procedimiento se denomina simulacin de Monte Carlo.

Es evidente que esta simulacin est orientada hacia el computador, ya que sin la rapidez del
computador la mayora de los modelos de simulacin de Monte Carlo no seran prcticos.

Cualquier variable puede representarse por medio de una distribucin terica, siempre y
cuando la distribucin describa adecuadamente la variable. En realidad, en el mismo modelo
de simulacin es posible representar una variable mediante una distribucin emprica y otra
mediante una distribucin terica. La mayora de los problemas de colas utiliza la
distribucin de Poisson para describir la tasa de llegada. Esta es una distribucin discreta.
Para utilizar esta distribucin, se debe conocer, estimar o suponer el valor promedio de la
distribucin.

Otra distribucin muy utilizada en los modelos de colas es la distribucin exponencial. Esta
es una distribucin continua muy usada en problemas de simulacin. Para usarla debe
conocerse o estimarse la media. La funcin acumulativa est dada por

F(x) = 1- / donde es la media.

135
Si la variable x se considera continua Hillier y Lieberman consideran que x se puede
calcular a partir de:

X = - log r donde r es un nmero aleatorio en el intervalo entre 0 y 1.

4.2.- NMEROS ALEATORIOS

La simulacin de Monte Carlo requiere nmeros aleatorios para obtener observaciones
aleatorias a partir de una distribucin de probabilidad. Un nmero aleatorio es un nmero de
una secuencia de nmeros cuya probabilidad de ocurrencia es igual a la de cualquier otro
nmero de la secuencia. Los nmeros aleatorios se pueden obtener manualmente, mediante
tablas o mediante mtodos de computador.

El proceso ms comn para la obtencin de nmeros aleatorios consiste en generar nmeros

pseudo aleatorios, mediante un programa computacional. Una secuencia pseudo aleatoria no
es realmente aleatoria ya que se obtiene utilizando un proceso matemtico completamente
determinstico. Sin embargo, los nmeros generados de esta manera se consideran como
aleatorios ya que satisfacen varias pruebas estadsticas de aleatoriedad.

4.3.- OTRAS CONSIDERACIONES

En muchos estudios de simulacin las condiciones iniciales del sistema que se est simulando
constituyen una consideracin importante, por ejemplo, en sistemas de inventarios y en
sistemas de colas. En sistema de esta clase la simulacin usualmente no se considera
representativa del sistema real hasta que existan condiciones de estado estable o estacionario.
Por lo tanto, los datos tomados durante un periodo de transicin no deben incluirse en el
anlisis, a menos que el periodo de transicin sea el periodo de inters.

Como se explic anteriormente, las condiciones de estado estacionario implican que el estado
del sistema es independiente de las condiciones iniciales, o sea, existe una condicin de
estado estable cuando la distribucin que define el estado, es independiente del tiempo. En

136
la prctica es difcil determinar la cantidad de pruebas necesarias antes de alcanzar las
condiciones de estado estable.

4.4.- LENGUAJES DE SIMULACIN

Teniendo en cuenta que los estudios de simulacin estn enfocados hacia el computador, de
la discusin anterior puede deducirse, que la programacin de todos los detalles (generacin
de nmeros aleatorios, mtodos de clculo, salida de datos, etc.) requeridos en un estudio de
simulacin puede ser bastante complicado. Afortunadamente existen lenguajes de
programacin de simulacin cuyo desarrollo comenz a finales de los aos cincuenta.
Inicialmente los lenguajes que se utilizaron fueron de propsito general.

Cualquier lenguaje de programacin puede ser empleado para trabajar en Simulacin, pero
los lenguajes especialmente diseados presentan muchas ventajas. La Simulacin Discreta
requiere de ciertas funciones comunes que diferencian un lenguaje de Simulacin de uno de
propsito general, entre las cuales se encuentran las siguientes:
- Generar nmeros aleatorios.
- Generar variables aleatorias.
- Variar el tiempo hasta la ocurrencia del evento siguiente.
- Registrar datos para la salida.
- Realizar anlisis estadstico sobre datos registrados.
- Construir salidas en formatos determinados.
- Detectar inconsistencias y errores.

Por otra parte, los paquetes computacionales son una versin depurada de los diferentes
lenguajes de propsito general y presentan algunas ventajas como:
- Reduccin de la tarea de preparacin.
- Definicin exacta del sistema.
- Mayor flexibilizacin para cambios.
- Mejor diferenciacin de las entidades que conforman el sistema.

137
4.5.- EJEMPLOS
4.5.1. -Se va a modelar en Excel un problema de lavado de automviles
Este sistema de colas se denomina M/M/1 donde la primera M representa que el modelo
aplicado a las llegadas es un proceso de Poisson homogneo, la segunda M indica que el
proceso de servicio es exponencial y el 1 indica que slo hay un servidor. Si se quisiera
modelar el problema con ms de un servidor sera ms complejo.

Lo que se va a plantear es cunto tiene que esperar un cliente para poder lavar su vehculo
(W), que est compuesto, del tiempo de atencin para lavar el auto (Wq) y el tiempo de
servicio de lavado. Tambin resulta til conocer los elementos que en promedio se
encuentran en la cola, o sea la longitud de la cola (Lq) y en el sistema (L). Un valor bastante
importante es conocer la probabilidad de bloqueo (Pw) que permite conocer el uso que se le
da al servidor.

Se supondr que los autos llegan cada quince minutos y el tiempo empleado en cada limpieza
suele ser de unos doce minutos. A partir de estos datos, se simular el problema y se
obtendrn los principales indicadores del servicio.

Analizando los datos que se tienen, se puede deducir que no se saturar el sistema, ya que, el
tiempo de llegada de vehculos es de quince minutos, superior al de lavado que es de doce.

A continuacin se construir una tabla que simular los procesos de llegada de diez autos y
la limpieza de los mismos. Se X la variable que mide el tiempo entre llegadas y como se ha
expuesto anteriormente corresponde a una distribucin de Poisson cuyo parmetro es 4
autos /hora (cada 15 minutos llega uno). Aprovechando la relacin entre una distribucin de
Poisson y la exponencial se puede modelar el tiempo entre llegadas con una distribucin
exponencial, cuyo parmetro ser 1/. Debido a que se puede obtener el valor de la
exponencial mediante la distribucin uniforme (U(0,1)), se utilizar la relacin :

1
x = - ln(u) con U(0,1)

138
Por lo tanto, se obtendrn diez valores aleatorios en Excel uno por cada vehculo que llega y
posteriormente, mediante la frmula anterior, se obtendr un valor de llegada de los
diferentes vehculos.

Distribucin
Distribucin Distribucin
De
Exponencial Uniforme
Poisson

Idntico razonamiento se usar con respecto al lavado de vehculos, se usarn valores

aleatorios y mediante la relacin anterior se podr representar el problema.

La tabla que representar el problema es la siguiente:

Donde:
Auto: nmero con que identificar cada auto cliente
Aleatorio entre 0 y 1: Nmero aleatorio obtenido mediante la frmula =ALEATORIO()

139
 Tiempo entre llegadas: es el tiempo entre llegadas y se obtiene mediante la frmula =-
$G$2*LN(B7), en la que se utiliza la frmula anterior, fijando el valor de para que al
arrastrar la fila no se modifique.
Minuto de llegada: se construye sumando la llegada anterior y el tiempo entre llegadas, el
primero entra directamente (=C7) y para el siguiente habr que sumar el tiempo entre
llegadas ms el minuto de llegada anterior (=D7 + C8)
Tiempo de lavado: es el tiempo empleado en el lavado y se obtiene mediante la frmula
=-$G$3*LN(E7)
Comienzo del lavado: Cuando un cliente llega se pueden dar dos opciones, la primera es
que no haya cola, por lo tanto entra directamente y la segunda, es que tenga que esperar.
El primer cliente entrar directamente (=D7) y el siguiente entrar directamente o tendr
que esperar a que termine el anterior =MAX(D8;H7)
Tiempo de cola: es la diferencia entre el tiempo en el que entra al lavado y el tiempo en el
que ha llegado (=G7-D7)
Tiempo en el servicio: es el tiempo que ha estado un cliente en el sistema, es decir, la
espera ms el lavado. (=F7+I7).

Ahora se puede encontrar la informacin principal del sistema, es decir, Wq, W, Lq, L y Pw.
Donde:
Wq: es el tiempo promedio de espera en la cola, es decir, el tiempo total de espera en la
cola dividido por el nmero de vehculos(=I17/10)
W: es el tiempo promedio del total empleado en el servicio, es decir, el tiempo total
dividido por el nmero de vehculos(=J17/10)
Lq o longitud de la cola: es el cociente entre el tiempo de cola y el tiempo total posible en
la cola, que coincidir con la entrada del ltimo vehculo al lavado propiamente tal.
L: es el cociente entre el tiempo total en el servicio y el tiempo abierto (=F17/H16)
Pw: es el cociente entre el tiempo ocupado en el lavado propiamente tal y el tiempo que
est abierto (=F17/H16).

Una vez representado el problema, resulta especialmente interesante realizar nuevas

simulaciones, para ello, ser tan fcil como ir a cualquier celda que contenga un valor
aleatorio, copiarla y volverla a pegar y se actualizarn todos los datos del documento.
140
4.5.2.- Se va a modelar el siguiente problema con el paquete WINQSB
Un mini market tiene 2 cajeras que atienden a razn de 1,5 minutos por cliente siguiendo una
distribucin exponencial. Los clientes llegan a este mini market siguiendo una distribucin
de Poisson a razn de 30 por hora. Con esta informacin calcular: a) la probabilidad de que
el sistema est lleno b) la intensidad de trfico.

Datos:
Nmero de servidores = 2.
= 30 clientes/hora.
= 1/1,5 clientes /minuto = 40 clientes/hora.
El problema ser del tipo M/M/2.

Procedimiento:
1.- Se iniciar un nuevo problema en el mdulo Anlisis de Colas.

2.- Se elegir Sistema Simple M/M porque es un modelo del que se conocen todos los datos.
ste se llamar cajeras, eligiendo como unidad de tiempo a horas:

141
Los valores de M, representan que es un valor infinito.

3.- En la hoja de clculo se introducirn los datos conocidos como se muestra.

4.- Al presionar el icono Solve the Problem se ver la ventana de los resultados:

142
De la ventana de resultados se puede concluir:
Customer arrival rate per hour = = 30 clientes/hora.
Service rate per hour = = 40 clientes/hora
Overall system effective arrival rate per hour = Tasa de llegadas eficaces al sistema global
por hora = 30.
Overall system effective service rate per hour = Tasa de servicio eficaz al sistema global
por hora = 30.
Overall system utilization = tasa de ocupacin del sistema = = 37,5%.
Average number of customers in the system = nmero promedio de clientes en el sistema
= L = 0,8727.
Average number of customers in the queue = nmero promedio de clientes en la cola =
Lq = 0,1227.
Average number of customers in the queue for a busy system = nmero promedio de
clientes en la cola para un sistema ocupado = Lb = 0,6.
Average time customers spends in the system = tiempo promedio que un cliente pasa en
el sistema = W = 0,0291horas.
Average time customers spends in the queue = tiempo promedio que un cliente pasa en la
cola = Wq = 0,0041 horas.
Average time customers spends in the queue for a busy system = tiempo promedio que un
cliente pasa en la cola para un sistema ocupado = Wb = 0,02 horas.
The probability that all servers are idle = La probabilidad que todos los servidores estn
ociosos = Po = 45,45%.
The probability an arriving costumer waits = probabilidad de que un cliente espere al
llegar al sistema = Pw = Pb = 20,45%.
Average number of customers being balked per hour = nmero promedio de clientes que
no sern atendidos por hora = 0.

Adicionalmente se pueden realizar los siguientes anlisis:

Observar las probabilidades estimadas de que existan de 0 a 50 clientes en la cola

143
En este caso no es necesario llegar a 50 clientes, ya que se puede observar claramente, que
las probabilidades de que existan 9 clientes ya es casi cero (0,0001), siendo as que la
probabilidad de que existan 10 clientes sea cero.

Tambin se puede realizar una simulacin del sistema. Si se presiona Simulate the system
se ver la siguiente ventana:

144
En el que se usa:
La funcin de aleatoriedad por defecto.
Una disciplina de cola tipo FIFO.
Un tiempo de simulacin de cola de 24 horas (1 da).
El momento que iniciar la recoleccin de datos ser a las cero horas.
La capacidad de la cola es infinita (M).
El mximo nmero de recolecciones de datos ser infinito (M).

145
Las probabilidades estimadas para n clientes:

Se puede observar que se puede esperar para un tiempo de simulacin de 24 horas, un

mximo de 6 clientes con una probabilidad de casi cero (0,0002).

146
Otro de los anlisis del que se puede disponer es el anlisis de sensibilidad. Si se presiona

Perform Sensivility Analysis se puede observar la siguiente ventana:

Si se realiza un anlisis de sensibilidad, seleccionando como parmetro de anlisis a la tasa

de llegada , haciendo que sta cambie de 30 a 100 clientes /hora, con un paso de 10
clientes/hora, utilizando el modelo de aproximacin G/G/s, se puede ver la manera que
reacciona el sistema:

147
Se puede observar claramente que la utilizacin del sistema se va incrementando y cuando
sta llega a los 70 clientes/hora se da una utilizacin de 87,5 % (mxima utilizacin posible),
pero si se sigue incrementando hasta llegar a los 80 clientes/hora, el sistema se vuelve
inestable, es decir, el nmero de servidores es insuficiente.

Tambin se puede ver el grfico del anlisis de sensibilidad de un parmetro determinado en

funcin del parmetro analizado. Si se presiona en: Show Sensitivity Analysis Graph

Se abrir la siguiente ventana:

En la que se seleccionar como variable independiente para el grfico a L (nmero promedio

de clientes en el sistema), en funcin de nuestro parmetro analizado ()

148
En el que se puede ver un crecimiento exponencial.

As sucesivamente se pueden ir analizando cada uno de los parmetros, dependiendo de las

necesidades que se tengan.

Otro anlisis disponible es el de Anlisis de Capacidad. Como este anlisis se realiza a partir
de costos, se asumirn los siguientes costos:
Costo de servidor ocupado por hora = $5.
Costo de servidor ocioso por hora = $1.
Costo por cliente en espera =$0,5.
Costo por cliente servido por hora =$3.
Costo por cliente no atendido = $1.
Costo unitario por capacidad de cola =$3.

149
Si se presiona Perform Capacity Analysis se puede observar la ventana siguiente:

En el que se variar el nmero de servidores de 2 a 8, con un paso de 1 y en el que la capacidad

de la cola es infinita, seleccionando la frmula G/G/s de aproximacin.

La ventana de resultados ser la siguiente:

150
151
 CAPTULO V
EJERCICIOS Y PRUEBAS ANTERIORES

152
 PROCESOS ESTOCSTICOS DE TIEMPO
DISCRETO

Ejercicio 1
La suerte de un jugador sigue la siguiente estructura: si el vence un juego, la probabilidad
de vencer el prximo es 0,6.- Sin embargo, si el pierde un juego, la probabilidad de perder el
prximo es 0,7.- En el primer juego l tiene la misma chance de vencer o perder.
a.- Cul es la probabilidad de vencer en el primer juego?
b.- Cul es la probabilidad de vencer en el segundo juego?
c.- Cul es la probabilidad de ganar en el tercer juego?
d.- Despus de una cantidad suficientemente grande de juegos, cul es su frecuencia de
victorias?

Desarrollo 1
Estado 1, el jugador vence el juego.
Estado 2, el jugador pierde el juego.
p11 : probabilidad de ganar un juego dado que venci el juego anterior.
p12: probabilidad de perder un juego dado que venci el juego anterior.
p22: probabilidad de perder un juego dado que perdi el juego anterior.
p21: probabilidad de ganar un juego dado que perdi el juego anterior.

a.- La probabilidad de ganar en el primer juego es 0,5.

b.- p11 = 0,6; p12 = 0,4; p21 = 0,3; p22 = 0,7

0,6 0,4
P=( )
0,3 0,7
0,6 0,4
p(1) = p(0) P = (0,5; 0,5) ( )= (0,45;0,55)
0,3 0,7
La probabilidad de ganar en el segundo juego es 0,45

153
 (2) (0) (2) 0,6 0,4 2
c.- p =p P = (0,5; 0,5)( ) = (0,435; 0,565)
0,3 0,7
La probabilidad de ganar en el tercer juego es 0,435.

d.- = P

1 2 1 2 0,6 0,4
( 2 ) = ( 1 2 ) (0,3 0,7)
1

1 = 0,6 1 + 0,3 2
2 = 0,4 1 + 0,7 2
1 + 2 = 1 Ecuacin normalizada

1 = 0,43 despus de jugar muchas veces el 43% de los juegos terminan en victoria.

154
Ejercicio 2: Prueba N 1, octubre 23 de 2013
Una fbrica tiene 2 mquinas y un equipo de reparacin. Suponga que la probabilidad de que
una mquina falle en un determinado da sea . Suponga tambin que en caso que el equipo
de reparacin est trabajando en una mquina la probabilidad que finalice la reparacin en
ms de un da sea . Par simplificar, suponga que la avera y el trmino de la reparacin
ocurra siempre al final del da. Considerando que Xn representa el nmero de mquinas en
funcionamiento, al cabo del n-simo da y que el comportamiento de {Xn} pueda ser incluido
en el modelo de Markov.
a.- Determine la matriz de transicin de un paso P.
b.- Si el sistema comienza con ambas mquinas en funcionamiento Cul es la probabilidad
de que ambas estn en funcionamiento dos das despus?

Desarrollo 2
a.- Estado 0: ninguna mquina est funcionando.
Estado 1: una mquina funciona y la otra est siendo reparada.
Estado 2: las dos mquinas funcionan.

00 01 02 + (1 ) (1 )(1 ) 0
P= (10 11 12 ) = ( (1 ) + (1 ) (1 )(1 ))
20 21 22 2 2(1 ) (1 )2

(2)
b.- 22 = 20 02+ 21 12 + 22 22 = 2 0 + 2(1-)(1-)(1-) + (1-)4

155
Ejercicio 3: Prueba N 1, octubre 23 de 2013
En el pabelln de cancerosos del Hospital Clnico de la Universidad de Tarapall los
pacientes los clasifican como graves y menos graves. Los datos histricos indican que
durante un periodo de un mes, 30% de todos los pacientes menos graves son dados de alta,
40% continuarn como menos graves y 30% se clasificarn como graves. Durante el mismo
periodo, 50% de todos los pacientes graves pasan a menos graves, 20% permanecen como
graves y 30% mueren.
Al principio de este mes en el pabelln haban 100 pacientes, con treinta clasificados como
graves y setenta menos graves.
El Rector de esta Universidad (caracterizado por su gran espritu solidario) desea iniciar una
campaa para ayudar a los familiares de los pacientes fallecidos, por tal motivo le solicita a
Ud. determine cuntos de estos pacientes habrn muerto hasta fines del prximo mes.

Desarrollo 3
Estado M: pacientes que se han fallecido.
Estado G: pacientes que estn graves.
Estado MG: pacientes menos graves.
Estado A: pacientes dados de alta.

Diagrama de transicin:

1 0,2
0,5 0,3

M G MG A

0,3 0,3 1
0,4

1 0 0 0

P = 0,3 0, 4 0,3 0
0 0,5 0, 2 0,3

0 0 0 1

156
 2
1 0 0 0
P (2) (0) (2)
=P P = (0;0,7;0,3;0) 0,3 0, 4 0,3 0
= (0;0,7;0,3;0)

0 0,5 0, 2 0,3

0 0 0 1

1 0 0 0

0, 42 0,31 0,18 0, 09
0,15 0,3 0,19 0,36

0 0 0 1

P(2) = (0,339;0,307;0,183;0,171)

En promedio habrn fallecido 17,1 paciente.

157
Ejercicio 4: prueba N 1, noviembre 10 de 2008
Un ascensor (sin ascensorista) opera en un edificio de cuatro pisos, slo de acuerdo a los
botones que se aprietan dentro del ascensor. Esto es, una persona fuera del ascensor no puede
llamarlo al piso en que se encuentra. Consecuentemente, la nica manera de conseguir el
ascensor es por alguien que se ha detenido en su piso. De las personas que entran al edificio
y desean usar el ascensor, la mitad van al segundo piso y la otra mitad se dividen igualmente
entre el tercer y cuarto piso.
Las personas que no estn en el primer piso (las que estn en el segundo, tercero y cuarto
piso) desean ir al primer piso en un 80% de los casos. El porcentaje restante tiene igual
probabilidad de querer ir a los otros pisos.
a.- Si usted entra al edificio Cul es la probabilidad que encuentre el ascensor en el primer
piso?
b.- Si el ascensor no est en el primer piso, sino en el segundo Cuntas detenciones har (en
promedio) antes de llegar al primer piso?
c.- Suponiendo que cada detencin toma 30 segundos (incluyendo el tiempo de viaje aun si
es entre pisos de mxima separacin) y el ascensor est en el segundo piso Cul es la
probabilidad de tener que esperar en el primer piso ms de dos minutos?

Desarrollo 4
a.- La matriz de transicin de un paso:

0 0,5 0, 25 0, 25

0,8 0 0,1 0,1
P=
0,8 0,1 0 0,1

0,8 0,1 0,1 0

=P
0 0,5 0, 25 0, 25

0,8 0 0,1 0,1
(1,2,3,4) = (1,2,3,4)
0,8 0,1 0 0,1

0,8 0,1 0,1 0

1 = 0,82 +0,83 + 0,84

158
2 = 0,51 +0,13 + 0,14
3 = 0,251 +0,12 + 0,14
4 = 0,251 +0,12 + 0,13
1 + 2 + 3 + 4 = 1

1 = 0,444 probabilidad de encontrar el ascensor en el primer piso

b .- m21 = 1 + p22 m21 + p23 m31 + p24 m41

m31 = 1 + p32 m21 + p33 m31 + p34 m41
m41 = 1 + p42 m21 + p43 m31 + p44 m41

m21 = 1 + 0 m21 + 0,1 m31 + 0,1m41

m31 = 1 + 0,1 m21 + 0 m31 + 0,1 m41
m41 = 1 + 0,1 m21 + 0,1 m31 + 0 m41

m21 = 1,25; har 1,25 detenciones en promedio antes de llegar al primer piso, dado que
cuando se entr al edificio el ascensor estaba en el segundo piso.

(1) (1)
c.- 21 = 21 = 0,8

(2) (2) () (2) (2) (1) (1)

21 = 21 - 1=1 = 21 - 21 11 = 0,16 0,80 = 0,16
(3) (3) () (3) (3) (1) (2) (2) (1)
21 = 21 - 2=1 = 21 - 21 11 - 21 = 0,672 0,80,8-0,160 = 0,032

(4) (4) () (4) (4) (1) (3) (2) (2) (3) (1)
21 = 21 - 3=1 = 21 - 21 11 - 21 11 - 21 11
= 0,2624 0,80,16 0,160,8 0,0320 = 0,0064

(1) (2) (3) (4)

La probabilidad de esperar ms de dos minutos es 1 - 21 21 21 21 = 1-0,8 -
0,16- 0,032- 0,0064 = 0,0016.

159
Ejercicio 5: prueba N1, noviembre 10 de 2008.
El departamento de admisin de la HUTA ha modelado la trayectoria de un estudiante de
ingeniera de ejecucin industrial en esta institucin como una cadena de Markov:

1erao 2 ao 3erao 4 ao retira titula

er
1 ao 0,1 0,8 0 0 0,1 0
2 ao 0 0,1 0,85 0 0,05 0
3erao 0 0 0,15 0,8 0,05 0
4 ao 0 0 0 0,1 0,05 0,85
retira 0 0 0 0 1 0
titula 0 0 0 0 0 1

Se observa el estado de cada estudiante al principio de cada primer semestre. Por ejemplo,
si un estudiante es de tercer ao al principio de este primer semestre, habr un 80% de
probabilidades de que al principio del siguiente primer semestre sea de cuarto ao, 15% de
probabilidad de que an sea de tercer ao y 5% de que se retire.
a.- Si un estudiante entra a la universidad el primer ao. Cuntos aos se espera que contine
siendo estudiante?
b.- Cul es la probabilidad que se titule un estudiante que entra a primer ao?
c.- Cuntas veces se espera que en promedio tenga que cursar el cuarto ao?

Desarrollo 5
Estado 1: alumnos cursando el primer ao.
Estado 2: alumnos cursando el segundo ao.
Estado 3: alumnos cursando el tercer ao.
Estado 4: alumnos cursando el cuarto ao.
Estado Titula: alumnos titulados.
Estado Retira: alumnos retirados.

a.- Diagrama de transicin:

160
 0,1 0,1 0,15 0,1 1
0,8 0,8 0,85
0,85

1 2 3 4 Titula

0,05 0,05
0,1
0,05

Retira

0,1 0,8 0 0 0,1 0

0 0,1 0,85 0 0, 05 0
0 0 0,15 0,8 0, 05 0
P=
0 0 0 0,1 0, 05 0,85
0 0 0 0 1 0

0 0 0 0 0 1

0,1 0,8 0 0

0 0,1 0,85 0
Q=
0 0 0,15 0,8

0 0 0 0,1

1,11 0,99 0,99 0,88 0,1 0

0 1,11 1,11 0,99 0, 05 0
( I Q) =
-1
R=
0 0 1,18 1, 05 0, 05 0

0 0 0 1,11 0, 05 0,85

0, 254 0, 746

0,16 0,840
A = (I-Q) R =
-1
0,111 0,889

0, 056 0,944

a1R = 0,254; a1T = 0,746; a2R = 0,16; a2T = 0,84; a3R = 0,111; a3T = 0,889;a4R = 0,056;a4T =
0,994
a1T m1T = a1T + p11a1Tm1T + p12a2Tm2T + p13m3Ta3T + p14a4Tm4T
a2T m2T = a2T + p22a2Tm2T + p23a3Tm3T + p24m4Ta4T
161
a3T m3T = a3T + p33a3Tm3T + p34a4Tm4T
a4T m4T = a4T + p44a4Tm4T
Reemplazando los valores y resolviendo: m1T =4,39; m2T = 3,4; m3T= 2,28; m4T = 1,11
a1R m1R = a1R + p11a1Rm1R + p12a2Rm2R
a2R m2R = a2R + p22a2Rm2R + p23a3Rm3R
a3R m3R = a3R + p33a3Rm3R + p34a4Rm4R
a4R m4R = a4R + p44a4Rm2R
Reemplazando los valores y resolviendo: m1R =2,35; m2R = 2,1; m3R= 1,7; m4R = 1,11

.- La cantidad de aos, que en promedio, un alumno que entra a primer ao permanece en la

carrera es:
a1R m1R + a1Tm1T = 0,254 2,35 + 0,746 4,39 = 3,87 aos

b.- La probabilidad que se titule es a1T = 0,746.

c.- e14 = 0,88. En promedio 0,88 veces.

162
Ejercicio 6: Prueba N 1, Abril de 2011
Una persona va al Casino de Arica y est dispuesto a jugar $30.000. En cada juego se pierde
$10.000 con probabilidad , pero se gana $20.000 con probabilidad . l deja de jugar si
pierde sus $30.000 o si gana por lo menos $30.000.
a.- Cul es la probabilidad de que existan por lo menos 4 juegos?
b.- Qu probabilidad existe de que pierda sus $30.000?
c.- Cul es la probabilidad que gane?
d.- En cuntos juegos participar aproximadamente antes de retirarse?

Desarrollo 6
Estado 0: la persona se queda sin dinero y se retira del juego.
Estado 1: la persona tiene $10.000
Estado 2: el jugador tiene $20.000
Estado 3: el jugador tiene $ 30.000 y comienza a jugar.
Estado 4: la persona tiene $40.000
Estado 5: la persona tiene $50.000
Estado 6: La persona tiene $60.000 y se retira.
Estado 7: la persona tiene $70.000 y se retira del juego.

Diagrama de transicin:
1 1
3/4 3/4 3/4 3/4 3/4

0 1 2 3 4 5 6 7

1 1/4
1/4 1/4 1/4 1/4

Matriz de transicin:

163
 1 0 0 0 0 0 0 0

3 / 4 0 0 1/ 4 0 0 0 0
0 3/ 4 0 0 1/ 4 0 0 0
P= 0 0 3/ 4 0 0 1/ 4 0 0


0 0 0 3/ 4 0 0 1/ 4 0

0 0 0 0 3/ 4 0 0 1/ 4
0 0 0 0 0 0 1 0

0 0 0 0 0 0 0 1

Matriz particionada:

1 0 0 0 0 0 0 0

0 1 0 0 0 0 0 0
0 0 1 0 0 0 0 0
P = 3 / 4 0 0 0 0 1/ 4 0 0


0 0 0 3/ 4 0 0 1/ 4 0

0 0 0 0 3/ 4 0 0 1/ 4
0 1/ 4 0 0 0 3/ 4 0 0

0 0 1/ 4 0 0 0 3 / 4 0

a.- Una forma:

(1) (1) (1) (2) (2) (2) (3) (3) (3)
1 (30 + 36 + 37 +30 + 36 + 37 + 30 +36 + 37 )

1 (0 + 0 + 0 + 0 + 0 + 0,0625 + 0,421875 + 0,09375 + 0 ) = 0,421875

Otra manera:
1 ( p35p57 + p35p54p46 + p32p21p10 + p32p24p46 )

1 (0,0625 + 0,046875 +0,421875 + 0,046875) = 0,421875

b.- a30 = ?
1, 24 0,32 0, 43 0,16 0,11 0, 75 0 0

1,11 1, 49 0, 65 0, 49 0,16 0 0 0
A = (I - Q)-1 R = 0,97 1,3 1, 73 0, 65 0, 43 0 0 0

0, 73 0,97 1,3 1, 49 0,32 0 0, 25 0
0,55 1, 24 0 0, 25
0, 73 0,97 1,11 0

164
 0,932 0, 041 0, 027

0,836 0,123 0, 041
A = 0, 73 0,162 0,108 La probabilidad que pierda sus $30.000 es a30 = 0,73

0,547 0,372 0, 081
0, 41 0, 279 0,311

c.- La probabilidad que gane es a36 +a37 = 0,162 + 0,108 = 0,27.

d.- Antes de retirarse participar en e31 + e32 + e33 + e34 + e35 juegos.

e31 + e32 + e33 + e34 + e35 = 0,73+0,97+1,3+1,49+0,32 = 4,81 juegos en promedio.

165
Ejercicio 7: prueba N1, Abril de 2011
En la maternidad del hospital Juan No de Arica se tiene la urgencia de instalar equipos
nuevos. Estos equipos son muy costosos y se deben manejar con mucho cuidado por lo que
se necesita que el recinto est vaco al momento de la instalacin. El problema es que
actualmente hay tres pacientes en la maternidad (y los equipos no se instalarn hasta que no
haya nadie).
Cada maana un doctor evala la condicin de las pacientes para ver si son dados de alta. Se
ha determinado que cada paciente tiene una probabilidad p de estar rehabilitada y salir de la
institucin y una probabilidad (1-p) de seguir internada, independientemente de lo que ocurra
con las dems pacientes. Nadie puede ingresar a la maternidad hasta despus de instalado los
equipos.
a) Determine la matriz de transicin de un paso.
b) Cuantos das transcurrirn aproximadamente hasta que se puedan instalar los equipos.
Suponga p = 0,4.

Desarrollo 7
Estado 0: no hay pacientes en la maternidad.
Estado 1: solo queda un paciente.
Estado 2: quedan dos pacientes.
Estado 3: hay tres pacientes en la maternidad.

a.- Matriz de transicin de un paso:

1 0 0 0

p 1 p 0 0
P= 2
p 2 p(1 p) (1 p) 2 0
3
p 3 p 2 (1 p) 3 p(1 p) 2 (1 p)3

b.- m30 = ?
m30 = 1 + p31m10 + p32m20 + p33m30
m10 = 1 + p11m10 + p12m20 + p13m30
m20 = 1 + p21m10 + p22m20 + p23m30

166
Reemplazando los valores y despejando m30 se tiene que m30 = 4,16. Es decir, en promedio
pasarn 4,16 das antes de que la maternidad se quede sin pacientes.

167
Ejercicio 8: prueba N1, Abril de 2007
Ante la presencia de un avin enemigo en el espacio areo norte de nuestro pas, una batera
lanza un misil y en la medida que es monitoreado, una secuencia de seales de correccin de
curso se enva hasta l. Suponga que el sistema tenga cuatro estados que son rotulados como
sigue:
Estado 0: en curso, no es necesaria ninguna correccin adicional.
Estado 1: ligera desviacin.
Estado 2: desviacin acentuada.
Estado 3: tan fuera de curso que se enva una seal de autodestruccin.

Suponga que Xn represente el estado del sistema despus de la n-sima correccin del curso
y que el comportamiento de Xn puede ser incluido en el modelo de una cadena de Markov
que tiene la siguiente matriz de transicin de un paso.

1 0 0 0

1/ 2 1/ 4 1/ 4 0
P=
0 1/ 2 1/ 4 1/ 4

0 0 0 1

a.- Si el misil partiera del estado 1, calcule la probabilidad de que eventualmente entre en
curso.
b.- Si el misil tiene una chance de comenzar en el estado 1 como en el 2 del 50%
respectivamente, calcule la probabilidad de que l, eventualmente entre en curso.
c.- Si el misil puede, con igual probabilidad, comenzar en cualquiera de los estados 0, 1, 2 y
3, calcule la probabilidad de que l, eventualmente entre en curso.

Desarrollo 8
a.-
a10: probabilidad de que el proceso entre al estado absorbente 0 dado que el estado inicial es
1, es decir, que entre en curso dado que tiene un desviacin ligera.

a10 = p10 +

168
a10 = p10 + p11 a10 + p12 a20
a20 = p20 + p22 a20 + p21 a10

Reemplazando los valores y resolviendo se tiene que a10 = 6/7

b.-
1 0 0 0

1/ 2 1/ 4 1/ 4 0
(0,1/2,1/2;0) = (1/4, 3/8, 1/4,1/8)
0 1/ 2 1/ 4 1/ 4

0 0 0 1
La probabilidad que entre en curso es 1/4.

c.-
1 0 0 0

1/ 2 1/ 4 1/ 4 0
(1/4,1/4,1/4,1/4) = (3/8,3/16,1/8,5/16)
0 1/ 2 1/ 4 1/ 4

0 0 0 1

La probabilidad que entre en curso es 3/8.

169
Ejercicio 9: prueba N1, Abril de 2007
Una encuesta de mercado ha sido llevada a cabo en Arica para determinar los traslados de
las personas entre los diferentes tipos de residencia. Doscientos moradores de departamentos
propios se entrevistaron para saber si su residencia anterior fue un departamento arrendado,
un departamento propio, una casa arrendada o una casa propia. Similarmente 200 moradores
de casas arrendadas fueron entrevistados para saber su anterior residencia y as
sucesivamente. Los resultados de la encueta se tabulan a continuacin:

Residencia anterior
Depto. Depto. Casa Casa Total
arrendado propio arrendada propia
Dpto. 100 20 40 40 200
arrendado
Residencia Depto. 150 40 0 10 200
Propio
Actual Casa 50 20 120 10 200
arrendada
Casa 100 20 20 60 200
propia
total 400 100 180 120 800

Los datos son representativos del comportamiento de la poblacin a largo plazo. Desarrolle
un modelo para responder lo siguiente:
a.- Cul es la probabilidad que alguien que est ahora en un departamento arrendado, estar
en una casa propia despus de dos traslados?
b.- Cul es la probabilidad que alguien que est ahora arrendando un departamento, habitar
su casa propia en exactamente despus de dos traslados?
c.- Cuntos traslados ocurrirn, en promedio, antes que un propietario de su casa vivir en
un departamento propio?

Desarrollo 9
Estado 1: Persona habitando departamento arrendado.
Estado 2: Persona habitando departamento propio.
Estado 3: Persona habitando casa arrendada.
Estado 4: Persona habitando casa propia.

170
Matriz de transicin de un paso

1/ 4 3 / 8 1/ 8 1/ 4

1/ 5 2 / 5 1/ 5 1/ 5
P=
2/9 0 2/3 1/ 9

1/ 3 1/12 1/12 1/ 2

a.-
2
14 = p11 p14 + p12 p24 + p13 p34 + p14 p44 = 0,250,25 + 0,3750,2 + 0,1250,111 + 0,250,5
= 0,276.
b.-
2 2
14 = 14 - 14 44 = 0,276 - 0,25 0,5 = 0,151

c.-
m42 = 1 + p41m12 + p43 m32 + p44 m42
m12 = 1 + p11m12 + p13 m32 + p14 m42
m32 = 1 + p31m12 + p33 m32 + p34 m42

Reemplazando los valores:

m42 = 1 + 0,33m12 + 0,083 m32 + 0,5 m42
m12 = 1 + 0,25m12 + 0,125 m32 + 0,25 m42
m32 = 1 + 0,222m12 + 0,666 m32 + 0,111 m42

Resolviendo el sistema de ecuaciones m42 = 6,71. Es decir se necesitan 6,71 traslados en

promedio para que una persona que habita en su casa propia, viva en su departamento propio.

171
 PROCESOS ESTOCSTICOS DE TIEMPO
CONTINUO

Ejercicio 10: prueba N2; Diciembre 7 de 2005

En el aeropuerto internacional Arturo Merino Benitez de Santiago de Chile, existe un
paradero de taxis con capacidad de cuatro automviles. Cualquier taxi de la ciudad tiene
acceso a este paradero y puede esperar por pasajeros siempre y cuando haya un lugar
disponible.
Los taxis y pasajeros llegan al paradero de acuerdo a procesos de Poisson independientes con
tasas 1 y 2 por minuto respectivamente. Los taxis que llegan al paradero siempre esperan
pasajeros (independiente del nmero de taxis en el paradero). Sin embargo, los pasajeros que
llegan al paradero y no encuentran taxis se van inmediatamente (deciden irse en bus).
a.- Encuentre el nmero promedio de taxis que estn esperando por pasajeros en un momento
cualquiera del da.
b.- Suponga que todos los pasajeros que usan un taxi pagan una tarifa de $4.000. Cunto
dinero por hora recauda la empresa de taxis en promedio?

Desarrollo 10
Diagrama de las tasas de transicin:

=1 =1 =1 = 1

0 1 2 3 4

=2 =2 =2 =2

a.- L = ?
172
 L = 0 0 +1 1 + 2 2 + 3 3 + 4 4
0 =
1 1 0 0 0

2 3 1 0 0
0 = (0, 1, 2, 3, 4) 0 2 3 1 0

0 0 2 3 1
0 0 0 2 2

0 = -0 + 2 1
0 = 0 -3 1 +2 2
0 = 1 -3 2 +2 3
0 = 2 -3 3 +2 4
0 = 3 - 2 4
1 + 2 + 3 + 4 = 1

Resolviendo se tiene:
1 = 8/31; 2 = 4/31; 3 = 2/31; 4 = 1/31

Luego:
8 8 6 4 4
L = 31 + 31 + 31 + 31 = 31 = 0,83

b.- 4.000 $/viaje 2 viajes/min 60 min/Hr (1+ 2 + 3 + 4) = $232.320.

173
Ejercicio 11: prueba N2, Diciembre 7 de 2005
Una estacin de servicio tiene un solo dispensador y su capacidad es de solamente cuatro
automviles. Los vehculos que necesitan bencina llegan de acuerdo a un proceso de Poisson,
a una tasa media de 12 por hora. Si en la estacin hay 4 automviles los potenciales clientes
elegirn otro servicentro. Adems, si ya se encuentran n autos la probabilidad de que un
cliente potencial que llega se vaya es n/4, para n = 1, 2, 3, 4. El tiempo requerido para dar
servicio a un automvil tiene una distribucin exponencial, con una media de 5 minutos.
a.- Cul es la distribucin de probabilidades del nmero de autos en el servicentro.
b.- Cul es la cantidad de autos en promedio en el servicentro.

Desarrollo 11
Diagrama de las tasas de transicin:

1 = 12 2 = 9 3 = 6 4 = 3

0 1 2 3 4

=12 =12 =12 =12

0 =
12 12 0 0 0

12 21 9 0 0
0 = (0, 1, 2, 3, 4) 0 12 18 6 0

0 0 12 15 3
0 12 12
0 0

0 = -120 +12 1
0 = 120 - 21 1 +12 2
0 = 91 - 18 2 +12 3
0 = 62 -15 3 +12 4

174
0 = 33 - 12 4
1 + 2 + 3 + 4 = 1

32 32 24 12 3
a.- (0, 1, 2, 3, 4) = (103; 103 ; 103; 103; 103)

b.- Promedio de automviles en el servicentro; L = 0 0 +1 1 + 2 2 + 3 3 + 4 4

32 48 36 36 36
L = 103 + 103 + 103 + 103 = 103 = 1,24

175
Ejercicio 12: prueba N2, Noviembre 17 de 2006
En el terminal agropecuario de Arica hay un puesto de venta de mascotas (cerca de la feria
de las pulgas). Este puesto tiene 5 jaulas en las que puede mantener perros a la venta de las
ms variadas razas. El tiempo que transcurre para que cada perro sea vendido est
exponencialmente distribuido con media 3 das, independientemente de la venta de los otros
perros de la tienda.
Para abastecerse de nuevas mascotas, la tienda cuenta con dos criaderos proveedores: uno
permanente y otro de reserva. El proveedor permanente enva nuevas mascotas a la tienda de
acuerdo a un proceso de Poisson de tasa 1/5 [mascotas/da]. Si en algn momento del tiempo,
la cantidad de perros en la tienda disminuye a 3 unidades o menos, entonces se contratar
adicionalmente a un segundo criadero, complementario al anterior, para que mande nuevas
mascotas. La llegada de estas mascotas constituye tambin un proceso de Poisson de tasa 1/5
[mascotas/da]. Este contrato ser vlido mientras no se recupere el nivel de 3 mascotas en la
tienda.
a) Formule una cadena de Markov a tiempo continuo que modele la situacin recin descrita.
b) Formule un sistema de ecuaciones que permita encontrar las probabilidades de estado
estacionario. Calcule el valor de dichas probabilidades.
c) Cuantos perros habrn en la tienda en promedio.

Desarrollo 12
Estado 0: ningn perro en el puesto de venta de mascotas.
Estado 1: 1 perro en el puesto.
Estado 2: 2 perros en el puesto.
Estado 3: 3 perros en el puesto.
Estado 4: 4 perros en el puesto.
Estado 5: 5 perros en el puesto.

a.- Modelo de Markov

176
 1+2 1+2 1+2 1
1+2

0 1 2 3 4 5

2 3 4 5

1/ = 3 das/mascota
1 = 1/5 mascota/da
2 = 1/5 mascota/da

b.- Matriz
2 / 5 2/5 0 0 0 0

1/ 3 11/15 2/5 0 0 0
0 2/3 16 /15 2 / 5 0 0
=
0 0 1 7 / 5 2/5 0
0 0 0 4 / 3 23 /15 1/ 5

0 0 0 0 5/3 5 / 3

Las ecuaciones de estado estacionario:

5=0 = 1
= 0

-2/5 0 + 1/3 1 = 0
2/5 0 - 11/15 1 + 2/3 2 = 0
2/5 1 - 11/15 1 + 3 = 0
2/5 2 - 7/5 3 + 4/3 4 = 0
2/5 3 - 23/15 4 + 5/3 5 = 0
1/5 4 - 5/3 5 = 0
0 + 1 + 2 + 3 + 4 + 5 = 1

177
Resolviendo:
0 = 0,303; 1 = 0,363; 2 = 0,218; 3 = 0,087; 4 = 0,026; 5 = 0,0031

c.- N promedio de perros en el puesto de mascotas:

L = 0 0 + 11 + 22 + 33 + 44 +5 5 = 1,18 perros en promedio

178
Ejercicio 13: prueba N2, Noviembre 17 de 2006
Don Jos conduce su taxi colectivo con destino la ciudad de Tacna. A su taxi llegan grupos
de clientes, en Arica y Tacna, de acuerdo a un proceso de Poisson de parmetro = 5
[grupos/hora]. Los grupos pueden ser de uno o dos clientes, con probabilidades conocidas
0,6 y 0,4 respectivamente. El taxi de don Jos tiene capacidad para 4 pasajeros. l permanece
estacionado en el paradero leyendo el diario o conversando con los pasajeros hasta que haya
al menos 3 pasajeros en el taxi; una vez que esto ocurre comienza su recorrido, el cual toma
un tiempo exponencialmente distribuido con media 1/ = 1,6 [horas]. Cuando llega al
respectivo paradero se bajan todos los pasajeros y comienza su espera por clientes.
Don Jos ha visto afectado su sistema nervioso producto de mucho conducir y su mdico
desea saber qu parte de su tiempo dedica l a conducir, a leer el diario y a conversar con los
clientes.
Modele el quehacer de don Jos como una cadena de Markov de tiempo continuo y conteste
las preguntas del mdico.

Desarrollo 13
Estado 0: ningn pasajero en el taxi.
Estado 1: 1 pasajero en el taxi.
Estado 2: 2 pasajeros en el taxi.
Estado 3: 3 pasajeros en el taxi.
Estado 4: 4 pasajeros en el taxi.

1/ = 1,6 horas; = 0,625; = 5/8

1 = 4 5/8 = 5/2
2 = 3 5/8 = 15/8
1 = 5[grupos/hora]0,4 = 2
2 = 5[grupos/hora]0,6 = 3

179
 1=2 1=2 1=2

2=3
2=3 2=3

0 1 2 3 4

2= 15/8

1= 5/2

5 3 2 0 0

0 5 3 2 0
= 0 0 5 3 2

15 / 8 0 0 15 / 8 0
5/ 2 0 0 5 / 2
0

4=0 = 1
= 0

-5 0 + 15/8 3 + 5/2 4 = 0
3 0 - 5 1 = 0
2 0 +3 1 5 2 = 0
2 1 +3 2 - 15/8 3 = 0
2 2 5/2 4 = 0
0 + 1 + 2 + 3 + 4 + 5 = 1

Resolviendo:
0 = 0,2073; 1 = 0,1244; 2 = 0,1575; 3 = 0,385; 4 = 0,126

Entonces don Jos: lee y conversa 0 + 1 + 2 = 0,489 horas en promedio

Conduce 3 + 4 = 0,511 horas en promedio.

180
Ejercicio 14: prueba Optativa, primer semestre 2008
Un taller tiene dos mquinas herramientas controladas numricamente, las cuales son capaces
de operar en forma autnoma, es decir, sin un operador humano, una vez que se hacen los
ajustes necesarios.
Cada ajuste requiere de las habilidades y experiencia de un operador y el tiempo necesario
para completar un ajuste est distribuido en forma exponencial negativa, con una media de
hora. Cuando se finaliza el ajuste, el operario slo aprieta un botn y la mquina no
requiere ms atencin hasta que finaliza su lote de produccin y queda lista para otro ajuste.
Los tiempos de los lotes de produccin estn distribuidos en forma exponencial negativa con
una media de 1 hora.
Cuntos operarios deberan atender las mquinas? Es decir, podra haber un operario
atendiendo las dos mquinas o, en el extremo opuesto, un operario para cada mquina. La
cantidad ptima depende, obviamente, del compromiso entre el costo de los operarios y el
costo de las mquinas ociosas. Por supuesto, a los operarios se les paga lo mismo sin
considerar cunto trabajo hagan ellos, pero cada mquina incurre en un costo de tiempo
ocioso, slo cuando ella est ociosa.
Suponga que el costo de un operario es de $20 por hora y que el costo de una mquina ociosa
es de $60 por hora de ociosidad.
Evale el costo total de cada alternativa y seleccione la cantidad ptima de operarios.

Desarrollo 14
Diagrama de tasas de transicin: 1 operario atiende las dos mquinas

Estado 0: Las dos mquinas estn detenidas (los dos operarios estn trabajando)
Estado 1: Una mquina trabajando y una detenida (un operario trabajando)
Estado 2: Las dos mquinas funcionando

181
 =2 =2

0 1 2

=1
=2

2 2 0
Matriz de tasas: = ( 1 3 2 )
0 2 2

0 =
= 1

2 2 0
0 = (0 + 1 + 2) ( 1 3 2 )
0 2 2

0 = -2 0 + 1
0 = 2 0 -3 1 + 2 2
0 = 2 1 2 2
1 = 0 + 1 + 2

Resolviendo el sistema:
0 = 1/5; 1 = 2/5; 2 = 2/5
Costo Total= 20 [$/hr.] + (2 0 + 1) 60[$/hr] = $ 56

Diagrama de tasas de transicin con dos operarios atendiendo las mquinas:

182
 =4 =2

0 1 2

=1
=2

4 4 0
Matriz de tasas: = ( 1 3 2 )
0 2 2
0 =
= 1
4 4 0
0 = (0 + 1 + 2) ( 1 3 2 )
0 2 2

0 = -4 0 + 1
0 = 4 0 -3 1 +2 2
0 = 2 1 22
1 = 0 + 1 + 2

Resolviendo el sistema: 0 = 1/9; 1 = 4/9; 2 = 4/9

Costo Total= 40 [$/hr.] + (2 0 + 1) 60[$/hr] = $ 80

Luego es mejor que un operario atienda las dos mquinas.

183
Ejercicio 15: prueba Optativa, primer semestre 2006.
Un centro de fotocopiado est abierto 5 das a la semana. Dispone de tres mquinas idnticas,
pero hay solamente 2 operadores trabajando con ellas, de forma que la tercera mquina slo
se usa cuando alguna de las otras dos falla. Cuando una mquina est en servicio, el tiempo
hasta que falla sigue una distribucin exponencial de media dos semanas. Si la mquina falla
mientras las otras dos estn operativas, se llama a un tcnico para su reparacin cuyo tiempo
medio hasta que se repara sigue una distribucin exponencial de media 0,2 semanas. Sin
embargo, si una segunda mquina falla antes que la primera se haya reparado, la tercera
mquina se detiene mientras que los dos operadores trabajan juntos para arreglarla
rpidamente. La distribucin del tiempo que transcurre hasta que los dos operadores
consiguen arreglar esta segunda mquina es exponencial de media nicamente 1/15 semanas.
Si el tcnico acaba de arreglar la primera mquina antes que los 2 operadores terminen el
arreglo de la segunda, los operadores vuelven a hacer servir las dos fotocopiadoras
operativas, mientras el tcnico termina el segundo arreglo, en cuyo caso el tiempo restante
de arreglo sigue una distribucin exponencial de media 0,2 semanas.
a.- Suponiendo que los estados del sistema son el nmero de fotocopiadoras que no estn
funcionando, construir el diagrama de transiciones.
b.- Hallar la distribucin de estado estacionario del nmero de fotocopiadoras que no
funcionan.
c.- Cul es el nmero esperado de operadores haciendo copias?

Desarrollo 15
Estado 0: Ninguna mquina est en reparacin (las tres estn buenas).
Estado 1: Una mquina est en reparacin (hay dos buenas).
Estado 2: Dos mquinas en reparacin (hay una buena).

a.- Diagrama de tasas de transicin

184
 =1 =1

0 1 2

1 =5
2 =15

b.- Probabilidades de estado estacionario

1 1 0
Matriz de tasas: = ( 5 6 1 )
0 15 15
0 =
= 1

1 1 0
0 = (0 + 1 + 2) ( 5 6 1 )
0 15 15

0 = - 0 +5 1
0 = 0 -6 1 +15 2
0 = 1 15 2
1 = 0 + 1 + 2

Resolviendo el sistema:
0 = 75/91; 1 = 15/91; 2 = 1/91

La probabilidad de estado estacionario que las tres mquinas no funcionen es 75/91; que slo
una est con falla es 15/91 y que dos se encuentren en reparacin es 1/91.

c.- El nmero esperado de operadores haciendo copias es:

L = 2 0 + 2 1 = 1,97.

185
 MODELOS DE COLAS

Ejercicio 16: Examen de suficiencia, primer semestre 2004

La biblioteca de la HUTA opera de la siguiente manera: los estudiantes llegan
individualmente a la tasa de uno cada 10/7 minutos, en promedio. Cuando ellos llegan al
mesn llevan registrado en un papel el nombre del (los) libro (s) que desean. El bibliotecario
(suponga que hay uno slo) debe tomar el papel, ir a la estantera, tomar el o los libros si el
o ellos estn disponibles y volver al mesn. Aqu el estudiante se va, el bibliotecario toma
otro requerimiento y as sucesivamente. El bibliotecario requiere en promedio 1,25 minutos
para servir un requerimiento. Pensemos en la forma de mejorar el sistema.
Se nos podra ocurrir que, como la mayor parte del tiempo de servicio se gasta caminando
entre los estantes, el bibliotecario podra ser capaz de manejar dos requerimientos
simultneamente en menos tiempo que el que se requerira para los dos pedidos
separadamente. Un rpido estudio confirma esto: un servicio "doble" requiere en promedio
7
slo 1 8 minutos. Con propsitos de comparacin con el sistema actual, se desea predecir el

desempeo del sistema si el bibliotecario recibe instrucciones de tomar 2 requerimientos a la

vez cuando dos o ms estn esperando. Por supuesto si hay slo un cliente en el mesn, l
tiene que responder a este requerimiento en forma individual. Para el sistema propuesto haga
lo siguiente:
a.- Encuentre las distribuciones de estado estacionario, suponga una sala (pasillo) de espera
muy grande (infinito). Suponga que 2 = 3/4 1.
b.- Encuentre el nmero promedio de clientes en el sistema.
c.- Encuentre el tiempo de espera promedio en el sistema.

Desarrollo 16
Caso 1: Diagrama de tasas de transicin

186


0 1 2 3
........

0 0

= ( ) 0
0 ( )


0 =
0 = -0 + 1
0 = -0 ( + )1 + 2
0 = -1 ( + )2 + 3

j = () 0 j = () (1 ) j 0

= 0,7; = 0,8; = 0,875

L = 1 = 7 W = = 10 minutos

Caso 2.

0 1 2 3 4
....

' ' '

187
Matriz de tasas de transicin:

0 0 0

( ) 0 0
= ( )

0 0

0
0 ( )

a.-
0 =
0 = -0 + 1 + ' 2
0 = 0 ( + )1 + '3
0 = 1 (' + )2 + '4
0 = 2 (' + )3 + '5

4 3
b.- Como 2 = 1 de la primera ecuacin 1 = 4+3 0 y 2 = 4+3 0

43
De la segunda ecuacin 3 = () ( )0
4+3

3
De la tercera ecuacin 4 = () ( )0
4+3

43 2
De la cuarta ecuacin 5 = () ( )0
( 4+3 )

Reemplazando los valores:

1 = 7/12 0; 2 = 7/16 0; 3 = 21/64 0; 4 = 63/256 0; 5 = 189/1024 0; . . .

Aplicando = 1

188
 7 7 3 7 3 2 7 3 3 7
0 + 12 0 + + 16 0 + (4) (16) 0 + (4) (16) 0 +(4) (16) 0 + . . . = 1

7 7 3 7 3 2 7 3 3 7
0 [1 + 12 + + (4) (16) + (4) (16) + (4) (16) + . . . ] = 1
16

Aplicando la serie

a + ar + ar2 + ar3 + . . . = 1

Se tiene: 0 = 3/10; 1 = 7/40; 2 = 21/160; 3 = 63/640; 4 = 189/2560

3 1 7
0 = 3/10; j = (4) (40) j 1

c.- L = 00 + 11 + 22 + 33 + . . .

7 3 7 3 2 7
L = (40) + 2(4) (40) +3(4) (40) + . . .

Aplicando la serie:

a + (a + d)r + (a + 2d)r2 + . . . = 1 + (1)

3 3 2 3 3
L = a + 2(4) a +3 (4) a + 4(4) a + . . .

L = 2,8

d.- W = L/ = 2,8/0,7 = 4 minutos

Las conclusiones saltan a la vista.

189
Ejercicio 17: Prueba N 3, primer semestre 2004
El supermercado de confites CONFISUR tiene una sola caja con una cajera de tiempo
completo. Los clientes llegan a la caja de una manera aleatoria (es decir, un proceso de
entrada Poisson), con una tasa media de 30 por hora. Cuando solo hay un cliente en la caja,
la cajera lo atiende sola, con un tiempo de servicio esperado de 1,5 minutos, pero el muchacho
que ayuda tiene instrucciones de que siempre que haya ms de un cliente en la caja ayude a
la cajera a empacar los confites. Esta ayuda reduce el tiempo esperado de servicio a un
minuto. En ambos casos, la distribucin de estos tiempos de servicio es exponencial.
a.- Cul es la distribucin de probabilidad de estado estable del nmero de clientes en la
caja?
b.- Obtenga L, Lq, W y Wq.

Desarrollo 17
= 30 clientes/ hora
1/ = 1,5 minutos/cliente, es decir, = 40 clientes/hora
1/ ' = 1 minuto/cliente, es decir, ' = 60 clientes/hora

Diagrama de tasas de transicin:

= 30 = 30
= 30

0 1 2 3

' = 60 ' = 60
= 40

Matriz de transicin:

190
 0 0 0 0

( ) 0 0 0
= 0 ( )
, ,
0 0

0 0 ,
( , ) 0


0 = -30 0 + 40 1
0 = 30 0 -70 1 + 60 2
0 = 30 1 -90 2 + 60 3
0 = 30 2 -90 3 + 60 4

1 = 0; 2 = 3/8 0; 3 = 3/16 0 ; . . .
0 + 1 + 2 + 3 + = 1
3 3 3 3
0 [1+ 4 + + 16 + + ...] = 1
8 32

3 1 1 1
0 [1+ 4 [1 + + 23 + + . . . ]] = 1
22 24
3 1
0 [1+ 4 [ 1 ]] = 1
1
2

3
a.- 0 = 2/5; 1 = ; 2 = 3/8; 3 = 3/16; en general j = 2+1 0 j 1

b.-
L = 00 + 11 + 22 + 33 + 4 4 . . .
L = (3/4 + 23/4 + 23/8 +33/16 + 43/32 + 53/64 + . . .) 0
L = 1,2 clientes
Lq = = 12 + 23 + 34 + 45 + 5 6 . . .
3 3 3 3
Lq = 0 (8 + 2 16 + 3 + 4 64 +. . .)
32
3 1 1 1
Lq = 0 ( 1 + 2 + 3 +4 + . . .)
8 2 22 23
23 1 1/2
Lq = ( + 1 ) = 0,6 clientes en promedio
5 8 11/2 (1 )2
2

Wq = = 0,6/30 = 0,02 horas = 1,2 minutos

W = L/ = 1,2/30 = 0,04 horas = 2,4 minutos

191
Ejercicio 18: Examen suficiencia, segundo semestre 2007
En la Avenida Costanera de la ciudad de Valdivia hay un servicentro que tiene dos
dispensadores de bencina. Como el objetivo principal de este servicentro es atender a las
embarcaciones que navegan por los ros de esta ciudad, los automovilistas que deseen cargar
combustible slo podrn hacerlo si alguno de los dispensadores se encuentra desocupado, es
decir, si alguien desea adquirir bencina para su vehculo y estn los dos dispensadores
ocupados tendr que volver ms tarde o recurrir a otro servicentro. Durante mis vacaciones
en esta bella ciudad y mientras paseaba a orillas del Calle-Calle determin que un automvil
llega en promedio cada 10 minutos y el servicio tiene una duracin promedio de 15 minutos.
a.- Determine la cantidad esperada de clientes que sern atendidos por hora.
b.- Calcule la cantidad esperada de dispensadores que estarn ocupados.

Desarrollo 18
= 6 Autos/hora
= 4 autos/hora
Diagrama de transicin

=6 =6

0 1 2

1 =4
2 =8

Matriz de transicin de tasas:

6 6 0
= ( 4 10 6 )
0 8 8
0 =
6 6 0
0 = (0, 1, 2) ( 4 10 6 )
0 8 8
192
0 = -6 0+ 4 1
0 = 6 0-10 1+82
0 = 6 1- 8 2
0 + 1 + 2 = 1
Luego: 0 = 8/29; 1 = 12/29; 2 = 9/29

a.- (0 + 1) = 6 0,69 = 4,14 vehculos son atendidos por hora

b.- L = 00 + 11 + 22 = 1,034 estarn ocupados en promedio.

193
Ejercicio 19: Prueba N 3, Julio 7 de 2004.
La ampliacin futura del aeropuerto internacional Arturo Merino Bentez de Santiago de
Chile, tiene considerado disponer de dos pistas, una de las cuales ser usada solamente para
los aterrizajes y la otra nicamente para los despegues. Cada avin ya sea para el aterrizaje o
para el despegue ocupa una pista en un promedio de 2 minutos, donde ocupar significa que
no puede ser utilizada por ningn otro avin. La demora en tierra, aunque incmoda para los
pasajeros, no presenta mayores inconvenientes en el sistema de seguridad. La demora en el
aire, por otro lado es un serio problema. El reglamento de la Direccin de Aeronutica Civil
especifica que la demora promedio en el aire (es decir Wq) no debe exceder los 10 minutos.
Suponiendo que los aviones llegan de acuerdo a un proceso de Poisson y construyendo un
modelo de acuerdo a esta informacin Cul sera la carga mxima tolerable en el aeropuerto
en trminos de la cantidad promedio de aviones que pueden llegar por hora?

Desarrollo 19

Wq 10
=?
= 0,5 aviones/minuto

Diagrama de transicin de tasas:

0 1 2 3

= 0,5 = 0,5
= 0,5

W = Wq +1/
L = W


L= Luego W = Entonces W =
1 1

194

Por lo tanto: = Wq +1/

+
Esto significa Wq = 10

Despejando: = 0,458 aviones/minuto o 27,5 aviones/hora

195
 MODELOS ESTOCSTICOS
PROBLEMAS PROPUESTOS

Ejercicio 20
El departamento de contabilidad de una gran empresa est interesada en modelar la dinmica
de sus cuentas por cobrar, es decir, el dinero que le deben sus clientes. Cuando ocurre una
venta se emite una factura que se le enva al cliente. Los pagos deben realizarse dentro de
30 das, pero si se atrasan se recarga un inters de un 4% sobre el monto adeudado. Si no se
recibe el pago dentro de los seis meses de la fecha de emisin de la factura, este monto se
clasifica como cuenta incobrable. Modele el proceso suponiendo que la empresa dispone de
suficiente informacin estadstica en su departamento de contabilidad. Haga cualquier
supuesto que parezca razonable o necesario. Puede usar smbolos para representar las
probabilidades o sintase libre para insertar cualquier valor numrico que Ud. considere.
Usando el modelo:
a.- Calcule la probabilidad que una nueva venta ser finalmente pagada.
b.- Calcule la probabilidad que una factura que no sea pagada dentro de los 30 das nunca se
pague.
c.- Calcule el tiempo promedio que una factura est pendiente (para aquellas que son
pagadas).
d.- Si se emite una factura de $500.000, cual es la cantidad esperada de su retorno.

196
Ejercicio 21
Algunos de alumnos egresados de la carrera (aburridos de buscar trabajo) han decidido
dedicarse a la msica. Ellos formaron el grupo Los Markovianos. Actualmente se limitan
a tocar los fines de semana en algunos pub de la ciudad, siendo una de las tantas bandas
desconocidas que existen en el pas.
Cada mes existe una probabilidad que que un empresario de algn sello musical nacional los
escuche y decida apoyarlos para grabar y realizar giras para cantar en todo el pas. Si tal cosa
ocurre pasaran a ser una banda conocida a nivel nacional.
Una banda que es conocida a nivel nacional corre el riesgo de perder el apoyo del sello
nacional que la patrocina, con lo que volvera a ser una banda desconocida. Cada mes, la
probabilidad que esto ocurra es r. Por otro lado, una banda conocida a nivel nacional puede
llegar a llamar la atencin del representante de un sello musical internacional, el cual podra
decidir patrocinarlos. De ser as la banda pasara a ser conocida a nivel internacional. Cada
mes existe una probabilidad s que esto ocurra: (s + r 1).
Una banda que es conocida internacionalmente nunca dejar de serlo. Sin embargo podemos
distinguir dos categoras entre ellas: las que estn de moda y las que no. Una banda
internacionalmente conocida que est de moda en un mes dado seguir estando de moda al
mes siguiente con probabilidad t. Una banda conocida a nivel internacional que no est de
moda en un mes dado pasar a estar de moda al mes siguiente con probabilidad u. El primer
mes que una banda que se hace conocida a nivel internacional nunca est de moda. Una banda
slo percibe utilidades, equivalentes a K($), en los meses que es conocida internacionalmente
y est de moda.
Hint: Suponga 0 x 1 x q,r,s,t,u
a.- Llegarn Los Markovianos a tener xito algn da?
b. Qu estados tienen necesariamente una probabilidad estacionaria igual a 0? Calcule las
probabilidades estacionarias.
c.- Cul es (aproximadamente) el valor esperado de las utilidades percibidas por el grupo en
febrero del ao 2048?

197
Ejercicio 22
Hay dos bolitas blancas en una caja A y tres rojas en una caja B. En cada etapa del proceso
se selecciona una bolita de cada caja y las dos bolitas se cambian de lugar. Sea ai la cantidad
de bolitas rojas en la caja A:
a) Encuentre la matriz de transicin P.
b) Cul es la probabilidad de que existan dos bolitas rojas en la caja A despus de tres
etapas?
c) Despus de un nmero suficientemente grande de etapas, Cul es la probabilidad de que
existan dos bolitas rojas en la caja A?

198
Ejercicio 23
Un acadmico de la Facultad de Agronoma de nuestra universidad desea un modelo para
predecir el cultivo del Valle de Azapa. Indudablemente, las plagas y otros factores tendrn
que ser tomados en cuenta, pero el principal factor que afecta a cunto tomate (por ejemplo)
ser producido es cuntas hectreas sern plantadas con este producto. Obviamente, los
agricultores plantarn aquellos productos que piensan tendrn un mejor precio en el momento
de la cosecha, pero otras consideraciones son tambin importantes, entre ellas la rotacin de
los cultivos. Debido a la variabilidad en las decisiones que toman los agricultores en forma
individual, este acadmico piensa que un modelo de proceso estocstico sera el apropiado.
Hay tres cultivos principales, tomates, morrn y coliflor. Todos los otros cultivos pueden ser
agrupados como otros. Se cuenta con la informacin de la superficie cultivada para cada
una de las cuatro categoras de productos durante el 2003 que fueron plantadas el 2002. Por
ejemplo, de las 80 hectreas plantadas con tomates el 2003, 60 fueron plantadas con tomates
el 2002, 10 fueron plantadas con morrn, 5 con coliflor y 5 a otros productos.

Superficie Cultivada 2002

2003 TOMATES MORRN COLIFLOR OTROS
Tomates 80 60 10 5 5
Morrn 32 10 12 6 4
Coliflor 40 10 10 13 7
Otros 20 10 8 2 0

Determine la cantidad de hectreas dedicadas al cultivo del tomate para el 2004.

199
Ejercicio 24
Un amigo mecnico tiene un pequeo taller de reparacin de vehculos en su casa, el cual es
atendido por l mismo. Los autos llegan al taller de acuerdo a un proceso de Poisson de tasa
autos/da. Este amigo, que es un apasionado de la pesca, tiene la siguiente poltica de
atencin: mientras hallan menos de dos vehculos en el taller l est en la playa pescando,
del momento en que hay dos repara todos los autos hasta que no quedan trabajos pendientes
(Note que los autos siguen llegando al taller). El tiempo de reparacin de un auto es una
variable aleatoria distribuida exponencialmente con media 1/ (das). Suponga que el tiempo
de reparacin es aproximadamente igual al tiempo entre llegadas de los autos y el tiempo
desde que su esposa le avisa por celular que hay dos vehculos esperando ser reparados y el
tiempo en llegar al taller es despreciable. El taller tiene capacidad para tres vehculos
solamente.
a.- Modele el estado de ocupacin del taller como una cadena de Markov en tiempo continuo.
b.- Determine el nmero promedio de autos en el taller.

200
 PROBLEMAS DE FLUJO EN REDES

Ejercicio 25: Prueba N 1, Octubre 2003

Considere un proyecto consistente de 10 trabajos con las siguientes relaciones de precedencia
y tiempos estimados:

Tiempo Tiempo Ms Tiempo

Trabajo Predecesor
Optimista probable pesimista
A - 2 3 4
B - 6 8 10
C B 5 7 9
D A,C 6 7 8
E A,C 5 6 7
F E 6 8 10
G D 3 5 7
H D 2 4 6
I H,F 1 2 3
J G 1 3 5

a.- Determine la holgura de cada trabajo y la ruta crtica del proyecto.

b.- Calcule la probabilidad de terminar el proyecto no ms que 3 das despus de lo esperado.

Desarrollo 25
a) Primero se calcula el tiempo promedio y la varianza para cada uno de los trabajos que se
tabulan a continuacin:

Trabajo Tiempo Tiempo Tiempo Desviacin Varianza Tiempo

Optimista Pesimista Ms probable Estndar Esperado
A 2 4 3 0,33 0,11 3
B 6 10 8 0,67 0,44 8
C 5 9 7 0,67 0,44 7
D 6 8 7 0,33 0,11 7
E 5 7 6 0,33 0,11 6

201
 F 6 10 8 0,67 0,44 8
G 3 7 5 0,67 0,44 5
H 2 6 4 0,67 0,44 4
I 1 3 2 0,33 0,11 2
J 1 5 3 0,67 0,44 3

La figura siguiente entrega la red del proyecto, donde los nmeros sobre los arcos indican
los tiempos promedios de los trabajos.

[21,21]

4
8
[29,29]
6 F
[0,0] [15,15] E 6
2 [31,31]
A 3
1 3
4 I 8
H
7
8 7 3
B C D J
5 7
2 5
G
[27,28]
[8,8] [22,23]

Clculo de Uj y Vi de la red anterior:

U1 = 0
U2 = U1 + t12 = 0 + 8 = 8
U3 = max (U2 + t23; U1 + t13) = max(15;3) = 15
U4 = U3 + t34 = 21
U5 = U3 + t35 = 22
U6 = max (U4 + t46; U5 + t56) = max(29;26) = 29
U7 = U5 + t57 = 27
U8 = max( U7 + t78; U6 + t68) = 31
V8 = 31
V7 = V8 t78 = 31 3 = 28
V6 = V8 t68 = 31 2 = 29
V5 = min (V6 t56; V7 t57) = min(25;23) = 23
V4 = 21
V3 = min(15;16) = 15
V2 = V3 7 = 8
202
V1 = min (v2 t12; V3 t13) = (0; 12) = 0

La tabla siguiente resume los resultados anteriores:

Tiempo de
Comienzo Comienzo Finalizacin Finalizacin
Duracin holgura
Trabajo ms pronto ms tarde ms pronta Ms tarde Observ.
Esperada (Vi Uj
(Uj) (Vj tij) (Uj + tij) (Vi)
tij)
A 3 0 12 3 15 12
B88 8 0 0 8 8 0 crtico
C 7 8 8 15 15 0 crtico
D 7 15 16 22 23 1
E 6 15 15 21 21 0 crtico
F 8 21 21 29 29 0 crtico
G 5 22 23 27 28 1
H 4 22 25 26 29 3
I 2 29 29 31 31 0 crtico
J 3 27 28 30 31

La ruta crtica es 1 2 3 4 6 8
Los trabajos crticos son B, C, E, F, I

b) E(T) = suma de los tiempos esperados de los trabajos B, C, E, F, I

E(T) = 8 + 7 + 6 + 8 + 2 = 31
La varianza de la duracin del proyecto es:
V(T) = suma de la varianza de los trabajos B, C, E, F, I
V(T) = 0,44 + 0,44 + 0,11 + 0,44 + 0,11 = 1,54

3431
Prob(T 34) Prob(Z ) = Prob (Z 2,419) = 0,942
1,24

As, hay una posibilidad del 94,2 % de terminar el proyecto en no ms de tres das
despus de lo esperado.

Ejercicio 26: Prueba N 1; Octubre 2003

203
Considere la red del siguiente proyecto:

G J

A
D H I
1 3 5 7 8

C
B E
F
2 4

Los datos de los tiempos normales, tiempos de quiebre y costos de quiebre se dan en la tabla
siguiente:

Tiempo normal Tiempo de Costo de ruptura

Trabajo
(das) ruptura (das) por da ($)
A 10 7 4
B 5 4 2
C 3 2 2
D 4 3 3
E 5 3 3
F 6 3 5
G 5 2 1
H 6 4 4
I 6 4 3
J 5 2 2

Sea T el tiempo de ejecucin ms pronto del proyecto.

a) Determine el mximo y el mnimo valor de T.
b) Dado un costo indirecto de $5 por da, determine la duracin ptima del proyecto en
trminos del costo indirecto y del costo de quiebre.

Desarrollo 26
a) La tabla siguiente muestra la programacin del proyecto para la red.

204
 Duracin Tiemp
Comienz Comienz Finalizaci Finalizaci
Trabaj Esperad o de
o ms o ms n n ms Obs.
o a holgur
pronto tarde ms pronta tarde
(das) a
Crtic
A 10 0 0 10 10 0
o
B 5 0 2 5 7 2
C 3 5 7 8 10 2
D 4 10 11 14 15 1
Crtic
E 5 10 10 15 15 0
o
Crtic
F 6 15 15 21 21 0
o
G 5 14 17 19 22 3
H 6 14 15 20 21 1
Crtic
I 6 21 21 27 27 0
o
J 5 19 22 24 27 3

U1 = 0
U2 = U1 + 5 = 5
U3 = max ( U1 + 10, U2 + 3) = max(10;8) = 10
U4 = U3 + 5 = 15
U5 = U3 + 4 = 14
U6 = U5 + 5 = 19
U7 = max(U5 + 6; U4 + 6) =max(20;21) = 21
U8 = max(U7 + 6; U6 + 5) = max(27;24) = 27

As la duracin mnima del proyecto es 27 das.

V8 = U8 = 27
V7 = V8 6 = 21
V6 = V8 5 = 22
V5 = min ( V6 5;V7 6) = min (17; 15) = 15
V4 = V7 6 =21 -6= 15
V3 = min (V5 4; V4 5) = min(15 4; 15 5)= min(11; 10) = 10
V2 = V3 3 = 7
205
V1 = min ( V3 10; V2 5) = min( 0,2) = 0

b) Si todos los trabajos se realizan en el tiempo normal, la duracin del proyecto es de 27

das. As, bajo la condicin de no tener reduccin el costo total es:

Costo total = Costo indirecto + costo de quiebre = $5(27) + 0 = $135.

Usando los tiempos normales de los trabajos, los tiempos ms pronto y ms tarde de
ocurrencia de los eventos (Ui, Vj) se muestran en la figura siguiente:

(19,22)

G J

(0,0) (10,10) (14,15)

A
D H I
1 3 5 7 8

(21,21) (27,27)
C
B E
F
2 4

(5,7) (15,15)

La red del proyecto tiene una ruta crtica: 1 3 4 7 8 y los trabajos crticos A, E,
F e I.

Para reducir la duracin del proyecto es necesario reducir la duracin de los trabajos crticos.
Consideremos el trabajo crtico I. Este trabajo puede reducirse en dos das a un costo de 3
$/da. Si se reduce en dos das el costo total sera: 25(5) + 2(3) = $131.

Ahora se puede reducir el trabajo F, pero el costo de ruptura es de $5 por da, por lo cual no
se tiene beneficio econmico reducir esta actividad.

Aunque el trabajo F se puede reducir en 3 das no tiene beneficio su reduccin ya que el costo
es de $5 al da.

206
Se puede reducir trabajo E en un da antes que las rutas 1 3 5 6 8 y 1 3
5 7 8 se transformen en crticas.
Costo total = 5(24) + 2(3) + 1(3) = $129.

Se puede reducir A en dos unidades antes que B y C se transformen en rutas crticas

Costo Total= 22(5) + 2(3) + 1(3) + 2(4) = $127.

No se puede reducir ms la red del proyecto sin que los costos aumenten. Es decir, la duracin
total del proyecto es de 22 das con un costo de $127.

207
 BIBLIOGRAFA

A. Bibliografa Bsica.
1.- Introduccin a la Investigacin de Operaciones. Hillier & Lieberman. McGraw-
Hill, 4 Edicin, 1990. USA.
2.- Investigacin de Operaciones. Hamdy Taha. Prentice Hall. 7 Edicin, 2004.
Mxico.
3.- Operations Research. Wayne L. Winston,Thomson. 4 Ed. 2004. Canad.

B.- Bibliografa complementaria

1. Introduction to probability models. Ross Sheldon M. Orlando, Flo.: Academic
Press, 1985.
2.- Fundamentals of Queuing Theory. Gross & Harris .John Wiley & Sons, 1974,
USA.
3.- Teora de la Confiabilidad de Componentes y Sistemas. Stegmaier Ral, Arata
Adolfo. Universidad Tcnica Federico Santa Mara.

C.- Direcciones Web

http://www.sapiensman.com/ESDictionary/index.htm
http://www.cse.wustl.edu/~praveenk/support/quick-qt.pdf

208