Investigación Operativa Ii Tema 1 Espera

INVESTIGACIÓN OPERATIVA II PROF.
CHÁVEZ
SISTEMAS ESTOCÁSTICOS DE SERVICIO

MODELOS DE COLAS O ESPERA
PROCESOS ESTOCÁSTICOS
DEFINICIÓN
Un proceso estocástico se define como una familia de variables aleatorias.
{𝑋(𝑡,𝑤) , 𝑡 ∈ 𝑇 ∧ 𝑤 ∈ 𝑆}
Donde T es conjunto índice y S1 es el espacio muestral asociado a un experimento

aleatorio ε.
El conjunto índice por lo general representa el tiempo, sin embargo, puede tener
distintas naturalezas, como ser físicos, ser una masa, volumen, longitud, un área,
temperatura etc.
También es bueno aclarar que tendrá las siguientes, presentaciones o notaciones
que representen a un proceso estocástico.
{𝑋(𝑡,𝑤) , 𝑡 ∈𝑇 ∧ 𝑤 ∈ 𝑆} 𝑋(𝑡,𝑤) {𝑋(𝑡) , 𝑡 ∈ 𝑇 }
𝑋(𝑡) , 𝑋𝑡
A una realización del proceso estocástico si lo denota por.
𝑥(𝑡) 𝑜 𝑥𝑡
1 El Espacio muestral se define como el conjunto total de resultados posibles que

arroja un experimento aleatorio ε. Por notación se tiene que S=Ω.
1
INVESTIGACIÓN OPERATIVA II PROF. CHÁVEZ
(𝑥1 (𝑡, 𝑤1 ), 𝑥2 (𝑡, 𝑤1 ), … … … … . ., 𝑥(𝑛) (𝑡, 𝑤1 ))
FUNCIÓN DE VALOR MEDIO
DEFINICIÓN
Dado un proceso estocástico {𝑋(𝑡) , 𝑡 ∈ 𝑇 } se define ser función de valor medio

o núcleo como la media del proceso, el cual es determinado como.
𝑚(𝑡) = E (𝑋(𝑡) ) = 𝜇𝑥 (𝑡)
La cual es una función del tiempo.
2.1.7 FUNCIÓN DE VARIANZA
DEFINICIÓN
Se define como el momento central de orden 2 de un proceso estocástico.
2
𝑉(𝑋(𝑡) ) = 𝜎𝑋2(𝑡) = 𝐸 [(𝑋(𝑡) − 𝑚(𝑡) ) ]
2
= 𝐸 (𝑋(𝑡) ) − 𝑚2(𝑡)
FUNCIÓN DE AUTOCOVARIANZA
DEFINICIÓN
Representado por.
𝑅𝑋 (𝑡1 , 𝑡2 ) = 𝑐𝑜𝑣 (𝑋(𝑡1 ) , 𝑋(𝑡2 ))
2
Este se define como la función del valor medio del producto de las dispersiones del
proceso, para dos instantes de tiempo t1 y t2.
𝑅𝑋 (𝑡1 , 𝑡2 ) = 𝑐𝑜𝑣 (𝑋(𝑡1 ) , 𝑋(𝑡2 ) ) = 𝐸 [(𝑋(𝑡1 ) − 𝑚(𝑡1 ) )(𝑋(𝑡2) − 𝑚(𝑡2 ))]
= 𝐸 [𝑋(𝑡1 ) 𝑋(𝑡2) ] − 𝑚(𝑡1 ) 𝑚(𝑡2 )
FUNCIÓN AUTOCORRELACIÓN
DEFINICIÓN
Representado por.
𝜌𝑥 (𝑡1 , 𝑡2 ) = 𝜌𝑥 (𝑡1 , 𝑡2 ) Este se define como:
𝑐𝑜𝑣 (𝑋(𝑡1 ) , 𝑋(𝑡2 ) )

𝜌𝑥 (𝑡1 , 𝑡2 ) =
𝜎𝑋(𝑡1) 𝜎𝑋(𝑡2)
Cuyo recorrido es:
− 1 ≤ 𝜌𝑥 (𝑡1 , 𝑡2 ) ≤ 1
Dicha medida mide el grado de asociación en forma relativa (es decir que carece de
unidades), de las realizaciones del mismo proceso estocástico visto en dos instantes
de tiempo 𝑡1 , 𝑡2 .
3
EL PROCESO DE POISSON
DEFINICIÓN
Sea {𝑁(𝑡) , 𝑡 ≥ 0} un proceso puntual discreto en el espacio y continuo en el

tiempo, se dice que define a un Proceso de Poisson, si 𝑁(𝑡) representa el número
de ocurrencias en el intervalo de tiempo (0, 𝑡), donde 𝜆 es una tasa promedio de
ocurrencias constante por unidad de tiempo.
# de ocurrencia
𝜆 =
𝑡𝑖𝑒𝑚𝑝𝑜
Y se cumple los siguientes axiomas:
1. {𝑁(𝑡) , 𝑡 ≥ 0} Es un proceso de incrementos independientes

estacionarios.
2. 𝑃 [𝑁(𝑡 + 𝛥𝑡) − 𝑁(𝑡) = 1] = 𝜆𝛥𝑡 + 0(𝛥𝑡)
3. 𝑃 [𝑁(𝑡 + 𝛥𝑡) − 𝑁(𝑡) = 0] = 1 − 𝜆𝛥𝑡 + 0(𝛥𝑡)
4. 𝑃 [𝑁(𝑡 + 𝛥𝑡) − 𝑁(𝑡) > 1] = 0(𝛥𝑡)
5. 𝑃 [𝑁(0) = 0] = 1
Donde:
• 𝛥𝑡 es un incremento en el tiempo infitesimal.
• 0(𝛥𝑡) Es una función del tiempo 𝛥𝑡 .
Y se cumple las siguientes propiedades:
1. 0(𝛥𝑡) ± 0(𝛥𝑡) = 0(𝛥𝑡)
4
2. 𝑐0(𝛥𝑡) = 0(𝛥𝑡) con c≠0 Constante
0(𝛥𝑡)
3. 𝑙𝑖𝑚 =0
𝛥𝑡→0 𝛥𝑡
TEOREMA
Sea {𝑁(𝑡) , 𝑡 ≥ 0} es un Proceso de Poisson de parámetro 𝜆, para todo par de

índices 𝑡 > 𝑠 ∈ 𝑇 se cumple la siguiente función probabilística.
𝑒 −𝜆(𝑡−𝑠) (𝜆(𝑡−𝑠))𝐾
𝑃 [𝑁(𝑡) − 𝑁(𝑠) = 𝑘 ] = 𝑘 = 0,1,2. . . . . ..
𝑘!
0 en otro caso
Si s=0
𝑒 −𝜆𝑡 (𝜆𝑡)𝐾
𝑃 [𝑁(𝑡) = 𝑘 ] = 𝑘 = 0,1,2. . . . . ..
𝑘!
0 en otro caso
Si s=0 y t =1
e −  k
PN (t ) = k  =
k! 𝑘 = 0,1,2, . . . . ..
0 en otro caso
DEMOSTRACIÓN
Para el caso en particular cuando s = 0 se tiene que:

Por notación 𝑃[𝑁(𝑡) = 𝑘] = 𝑝𝑘 (𝑡), y aplicando los axiomas definidos anteriormente
se tiene que tenemos.
Para : k = 0
𝑝0 (𝑡 + ∆ 𝑡) = 𝑝0 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 0]
= 𝑝0 (𝑡) [1 – 𝜆 ∆ 𝑡 + 0 (∆ 𝑡)]
5
𝑝0 (𝑡 + ∆ 𝑡) − 𝑝0 (𝑡) = − 𝑝0 (𝑡) 𝜆 ∆ 𝑡 + 0 ( ∆ 𝑡 )
𝑝0 (𝑡 + ∆ 𝑡) − 𝑝0 (𝑡) 0 (∆ 𝑡 )
lim = − 𝑝0 (𝑡) 𝜆 + lim
∆ 𝑡 →0 ∆𝑡 ∆ 𝑡 →0 ∆ 𝑡
𝑝0, (𝑡) = − 𝑝0 (𝑡) 𝜆 𝑘=0
Para: 𝑘 ≥ 1
𝑝𝑘 (𝑡 + ∆ 𝑡) = 𝑝𝑘 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 0] + 𝑝𝑘−1 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 1]
+ 𝑝𝑘−2 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 2] + 𝑝𝑘−3 (𝑡) 𝑃[𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 3] + … ….
+ 𝑝0 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 𝑘 ]
𝑝𝑘 (𝑡 + ∆ 𝑡) = 𝑝𝑘 (𝑡)[1 − 𝜆 ∆ 𝑡 + 0 (∆ 𝑡)] + 𝑝𝑘−1 (𝑡)[ 𝜆 ∆ 𝑡 + 0 (∆ 𝑡)] +
𝑝𝑘−2 (𝑡) 0 (∆ 𝑡) + 𝑝𝑘−3 (𝑡) 0 (∆ 𝑡) + … … … . + 𝑝0 (𝑡) 0 (∆ 𝑡)
𝑝𝑘 (𝑡 + ∆ 𝑡) = 𝑝𝑘 (𝑡) − 𝑝𝑘 (𝑡) 𝜆 ∆ 𝑡 + 𝑝𝑘−1 (𝑡) 𝜆 ∆ 𝑡 + 0 (∆ 𝑡)
𝑝𝑘 (𝑡 + ∆ 𝑡) − 𝑝𝑘 (𝑡) 0 (∆ 𝑡 )
= − 𝑝𝑘 (𝑡) 𝜆 + 𝑝𝑘−1 (𝑡) 𝜆 +
∆𝑡 ∆𝑡
𝑝𝑘 (𝑡 + ∆ 𝑡) − 𝑝𝑘 (𝑡) 0 (∆ 𝑡 )
lim = − 𝑝𝑘 (𝑡) 𝜆 + 𝑝𝑘−1 (𝑡) 𝜆 + lim
∆𝑡 →0 ∆𝑡 ∆𝑡→0 ∆ 𝑡
𝑝𝑘, (𝑡) = − 𝑝𝑘 (𝑡) 𝜆 + 𝑝𝑘−1 (𝑡) 𝜆 𝑘 = 1, 2, 3 … … … .
Hallando la solución de la ecuación diferencial se tiene que:
6
𝑝𝑘′ (𝑡) = −𝑝𝑘 (𝑡)𝜆 + 𝑝𝑘−1 (𝑡)𝜆‖𝑧 𝑘

∞
𝑝𝑘′ (𝑡)𝑧 𝑘 𝑘
= −𝑝𝑘 (𝑡)𝜆𝑧 + 𝑝𝑘−1 (𝑡)𝜆𝑧 ‖∑ 𝑘
𝑘=0
∑∞ ′ 𝑘 ∞ 𝑘 ∞
𝑘=0 𝑝𝑘 (𝑡)𝑧 = −𝜆 ∑𝑘=0 𝑝𝑘 (𝑡)𝑧 + 𝜆 ∑𝑘=0 𝑝𝑘−1 (𝑡)𝑧
𝑘
Aplicando la Función Generadora de Probabilidades 2.
1 𝜕𝑘𝐺
𝐺(𝑧, 𝑡) = ∑∞
𝑘=0 𝑝𝑘 (𝑡)𝑧
𝑘
𝑃[𝑁(𝑡) = 𝑘] = 𝑘! 𝜕𝑧 𝑘 |𝑧 = 0
∞
𝜕𝐺
= ∑ 𝑝𝑘′ (𝑡)𝑧 𝑘
𝜕𝑡
𝑘=0
∞
𝜕𝐺
= ∑ 𝑘𝑝𝑘 (𝑡)𝑧 𝑘−1
𝜕𝑧
𝑘=0
Se tiene que la expresión anterior se convierte en:

∞
𝜕𝐺
= −𝜆𝐺 + 𝜆 ∑ 𝑝𝑘−1 (𝑡)𝑧 𝑘
𝜕𝑡
𝑘=0
∞
𝜕𝐺 𝑧
= −𝜆𝐺 + 𝜆 ∑ 𝑝𝑘−1 (𝑡)𝑧 𝑘
𝜕𝑡 𝑧
𝑘=1
∞
𝜕𝐺
= −𝜆𝐺 + 𝜆𝑧 ∑ 𝑝𝑘−1 (𝑡)𝑧 𝑘−1
𝜕𝑡
𝑘−1=0
𝜕𝐺
= −𝜆𝐺 + 𝜆𝑧𝐺
𝜕𝑡
𝜕𝐺
= −𝜆𝐺(1 − 𝑧)
𝜕𝑡
𝜕𝐺
∫ = ∫ −𝜆(1 − 𝑧) 𝜕𝑡
𝐺
𝑙𝑛 𝐺 = −𝜆(1 − 𝑧)𝑡 + 𝑐
𝑒 𝑙𝑛 𝐺 = 𝑒 −𝜆(1−𝑧)𝑡+𝑐
𝐺 = 𝑒 −𝜆(1−𝑧)𝑡 𝑒 𝑐 𝑒 𝑐 = 𝑐1𝑐𝑡𝑒.
2
La Función Generadora de Probabilidades, es una Función Matemática que permite
obtener Modelos Probabilísticos y Momentos de variables aleatorias discretas, se lo
denota como G=G(Z)=G(Z,t)
7
𝐺 = 𝑒 −𝜆(1−𝑧)𝑡 𝑐1
Condición inicial t = 0
El lado izquierdo se convierte en:
𝐺(𝑧, 𝑡)/𝑡=0 = ∑ 𝑝𝑘 (𝑡)𝑧 𝑘 /𝑡=0

𝑘=0
∞
𝐺(𝑧, 0) = ∑ 𝑝𝑘 (0)𝑧 𝑘
𝑘=0
−  (1− z ) 0
e c
1
= po (0) z + p1 (0) z 1 + p2 (0) z 2 + ......
o
c 1
= 1z 0 + 0 z1 + 0 z 2 + 0 z 3 + ......... = 1 *1 = 1
De donde se tiene que c1=1, por lo tanto se tiene que:
𝐺 = 𝑒 −𝜆(1−𝑧)𝑡
𝜕𝐺
= 𝑒 −𝜆(1−𝑧)𝑡 (𝜆𝑡)
𝜕𝑧
𝜕2𝐺
2
= 𝑒 −𝜆(1−𝑧)𝑡 (𝜆𝑡)2
𝜕𝑧
𝜕3𝐺
3
= 𝑒 −𝜆(1−𝑧)𝑡 (𝜆𝑡)3
𝜕𝑧
.
.
.
𝜕𝑘 𝐺
𝑘
= 𝑒 −𝜆(1−𝑧)𝑡 (𝜆𝑡)𝑘
𝜕𝑧
De la fórmula para obtener la función probabilística de cuantía se tiene que:
8
1 𝜕𝑘 𝐺
𝑃[𝑁(𝑡) = 𝑘] = |𝑧 = 0
𝑘! 𝜕𝑧 𝑘
1 −𝜆(1−𝑧)𝑡
𝑃[𝑁(𝑡) = 𝑘] = 𝑒 (𝜆𝑡)𝑘 |𝑧 = 0
𝑘!
1
𝑃[𝑁(𝑡) = 𝑘] = 𝑒 −𝜆𝑡 (𝜆𝑡)𝑘
𝑘!
𝑒 −𝜆𝑡 (𝜆𝑡)𝑘
𝑃[𝑁(𝑡) = 𝑘] = 𝑘 = 0,1,2. . . . . .
𝑘!
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
MODELO EXPONENCIAL
Definición
Sea “T” una variable aleatoria que representa el tiempo transcurrido, recurso
consumido, o distancia recorrida, hasta que ocurre un suceso o evento, una variable
definida de esa forma se dice que tiene una distribución exponencial con función
probabilística
𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 𝑡>0

0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
TEOREMA
Sea “X” una variable aleatoria distribuida exponencial de parámetro  entonces

los siguientes estadísticos y funciones generatrices se cumplen:
1 1 1 1
𝐸 (𝑇 ) = 𝑉 (𝑇 ) = 2 𝜙 𝑇 (𝑤 ) = 𝑚𝑇 (𝑡 ′) =
𝜆 𝜆 𝜆 − 𝑖𝑤 𝜆 − 𝑡′
Esperanza Varianza Función característica Función generatriz de

momentos
∞ ∞
𝐸[𝑇] = ∫0 𝑡𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 𝜆 ∫0 𝑡𝑒 −𝜆𝑡 𝑑𝑡 Integrando por partes
𝑡 1 ∞ −𝜆𝑡
= 𝜆 [− 𝑒 −𝜆𝑡 + ∫ 𝑒 𝑑𝑡] u=t du=dt
𝜆 𝜆 0
−𝜆𝑡
𝑑𝑣 = 𝑒 𝑑𝑡 𝑣 = (−𝑒 −𝜆𝑡 )/𝜆
𝑡 1 −𝜆𝑡 ∞ 𝜆 1
= 𝜆 [− 𝑒 −𝜆𝑡 − 𝑒 ] = =
𝜆 𝜆2 0 𝜆2 𝜆
9
∞ ∞
𝐸[𝑇 2 ] = ∫0 𝑡 2 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 𝜆 ∫0 𝑡 𝑡𝑒 −𝜆𝑡 𝑑𝑡
Integrando dos veces por partes.
−𝑡𝑒 −𝜆𝑡 1
𝑢=𝑡 𝑑𝑢 = 𝑑𝑡 𝑑𝑣 = 𝑡𝑒 −𝜆𝑡 𝑑𝑡 𝑣= − 2 𝑒 −𝜆𝑡
𝜆 𝜆
∞
𝑡 2 −𝜆𝑡 𝑡 −𝜆𝑡 𝑡 1 −𝜆𝑡
= 𝜆 [− 𝑒 − 𝑒 − ∫ (− 𝑒 −𝜆𝑡 − 𝑒 ) 𝑑𝑡]
𝜆 𝜆2 𝜆 𝜆 2
0
∞
𝑡 2 −𝜆𝑡 𝑡 −𝜆𝑡 1 −𝜆𝑡 1 −𝜆𝑡
= 𝜆 [− 𝑒 − 𝑒 + ∫ 𝑡𝑒 𝑑𝑡 + 𝜆2 ∫ 𝑒 ]
𝜆 𝜆2 𝜆 0
∞
𝑡2 𝑡 1 𝑡 −𝜆𝑡 1 −𝜆𝑡 1
= 𝜆 [− 𝑒 −𝜆𝑡 − 𝑒 −𝜆𝑡 + [− 𝑒 − 2 𝑒 ] − 3 𝑒 −𝜆𝑡 ]
𝜆 𝜆2 𝜆 𝜆 𝜆 𝜆 0
∞
𝑡2 𝑡 𝑡 1 1
= 𝜆 [− 𝑒 −𝜆𝑡 − 2 𝑒 −𝜆𝑡 − 2 𝑒 −𝜆𝑡 − 3 𝑒 −𝜆𝑡 − 3 𝑒 −𝜆𝑡 ]
𝜆 𝜆 𝜆 𝜆 𝜆 0
∞
𝑡2 2𝑡 2
= 𝜆 [− 𝑒 −𝜆𝑡 − 2𝑒
−𝜆𝑡 −
3𝑒
−𝜆𝑡 ]
𝜆 𝜆 𝜆 0
2 0 2 2
= 𝜆 [0 − (− 3 𝑒 )] = 𝜆 [ 3] =
𝜆 𝜆 𝜆2
2 1 2 1
𝑉(𝑇) = 𝐸(𝑇 2 ) − (𝐸(𝑇))2 = 2 − ( ) = 2
𝜆 𝜆 𝜆
∞
𝜑 𝑇 (𝑤) = 𝐸[𝑒 𝑖𝑤𝑡 ] = ∫ 𝑒 𝑖𝑤𝑡 𝜆𝑒 −𝜆𝑡 𝑑𝑡
0
∞
𝜆 ∞
= 𝜆 ∫ 𝑒 −𝑡(𝜆−𝑖𝑤) 𝑑𝑡 = − 𝑒 −𝑡(𝜆−𝑖𝑤) |∞
0 𝜆 − 𝑖𝑤 0
𝜆 𝜆
=− (0 − 1) =
𝜆 − 𝑖𝑤 𝜆 − 𝑖𝑤
TEOREMA
Sea {N(t), t 0} un Proceso de Poisson, de parámetro λt entonces las siguientes

medidas estadísticas y función característica se cumplen:
a) 𝒎(𝒕) = 𝑬[𝑵(𝒕)] = 𝝀𝒕
b) 𝑽[𝑵(𝒕)] = 𝝀𝒕
 ( w) =e t ( e −1)
iw
c)
N (t )
10
d) 𝑹𝑵 (𝒔, 𝒕) = 𝝀 𝒎𝒊𝒏( 𝒔, 𝒕)
𝒎𝒊𝒏(𝒔,𝒕)
e) 𝝆𝑵(𝒔,𝒕) = (𝒔𝒕)𝟏/𝟐
DEMOSTRACIÓN
a)
𝑒 −𝜆𝑡 (𝜆𝑡)𝑁(𝑡)
𝑚(𝑡) = 𝐸(𝑁(𝑡)) = ∑∞
𝑁(𝑡)=0 𝑁(𝑡) (𝑁(𝑡))!
∞
𝑁(𝑡)𝑒 −𝜆𝑡 (𝜆𝑡)𝑁(𝑡)
𝑚(𝑡) = ∑
𝑁(𝑡)(𝑁(𝑡) − 1)!
𝑁(𝑡)=1
∞
−𝜆𝑡
(𝜆𝑡)𝑁(𝑡) 𝜆𝑡
𝑚(𝑡) = 𝑒 ∑
(𝑁(𝑡) − 1)! 𝜆𝑡
𝑁(𝑡)−1=0
∞
−𝜆𝑡
(𝜆𝑡)𝑁(𝑡)−1
𝑚(𝑡) = 𝑒 𝜆𝑡 ∑
(𝑁(𝑡) − 1)!
𝑁(𝑡)−1=0
𝑚(𝑡) = 𝑒 −𝜆𝑡 𝜆𝑡𝑒 𝜆𝑡 = 𝜆𝑡𝑒 0 = 𝜆𝑡
b) Hallando el segundo momento alrededor del origen se tiene que:
∞
𝐸(𝑁 𝑡)) = ∑ 𝑁 2 (𝑡)
2(
𝑁(𝑡)
𝑁(𝑡)=0
∞
−𝜆𝑡
(𝜆𝑡)𝑁(𝑡)
= ∑ [𝑁(𝑡)(𝑁(𝑡) − 1) + 𝑁(𝑡)] 𝑒
𝑁(𝑡)!
𝑁(𝑡)=0
11
t

e − t ( t ) N ( t ) 
e − t ( t ) N ( t )
=  N (t )( N (t ) − 1) +  N (t )
N (t )=0 N (t )! N (t )=0 N (t )!
∞
𝑁(𝑡)(𝑁(𝑡) − 1)𝑒 −𝜆𝑡 (𝜆𝑡)𝑁(𝑡)
= ∑ + 𝜆𝑡
𝑁(𝑡)(𝑁(𝑡) − 1)(𝑁(𝑡) − 2)!
𝑁(𝑡)=0
∞
𝑁(𝑡)(𝑁(𝑡) − 1)𝑒 −𝜆𝑡 (𝜆𝑡)𝑁(𝑡) (𝜆𝑡)2
= ∑ + 𝜆𝑡
𝑁(𝑡)(𝑁(𝑡) − 1)(𝑁(𝑡) − 2)! (𝜆𝑡)2
𝑁(𝑡)=2
e t

( t )
N (t )−2
= e − t ( t ) 2 
N ( t ) − 2 = 0 ( N (t ) − 2)!
+ t
= 𝑒 −𝜆𝑡 (𝜆𝑡)2 𝑒 𝜆𝑡 + 𝜆𝑡 = 𝜆2 𝑡 2 + 𝜆𝑡
De los momentos alrededor del origen obtenidos anteriormente se tiene que:
𝑉(𝑁(𝑡)) = 𝐸[𝑁 2 (𝑡)] − [𝐸(𝑁(𝑡))]2
= 𝜆2 𝑡 2 + 𝜆𝑡 − 𝜆2 𝑡 2 = 𝜆𝑡
c)
∞
𝑖𝑤𝑁(𝑡)
𝜑 (𝑤) = 𝐸[𝑒 ] = ∑ 𝑒 𝑖𝑤𝑁(𝑡)
𝑁(𝑡) 𝑁(𝑡)!
𝑁(𝑡)=0
∞
−𝜆𝑡
(𝑒 𝑖𝑤 )𝑁(𝑡) (𝜆𝑡)𝑁(𝑡)
=𝑒 ∑
𝑁(𝑡)!
𝑁(𝑡)=0
𝑖𝑤 𝜆𝑡 𝑖𝑤 −1)
= 𝑒 −𝜆𝑡 𝑒 𝑒 = 𝑒 𝜆𝑡(𝑒
12
d) Suponiendo s < t
𝑅𝑁 (𝑠, 𝑡) = 𝐶𝑂𝑉(𝑁(𝑠), 𝑁(𝑡))

𝑅𝑁 (𝑠, 𝑡) = 𝐶𝑂𝑉(𝑁(𝑠), 𝑁(𝑡) − 𝑁(𝑠) + 𝑁(𝑠))
= 𝐶𝑂𝑉(𝑁(𝑠), 𝑁(𝑡) − 𝑁(𝑠)) + 𝐶𝑂𝑉(𝑁(𝑠), 𝑁(𝑠))
= 𝐶𝑂𝑉(𝑁(𝑠) − 𝑁(0), 𝑁(𝑡) − 𝑁(𝑠)) + 𝐶𝑂𝑉(𝑁(𝑠), 𝑁(𝑠))
= 𝑉(𝑁(𝑠))
= 𝜆𝑠
Suponiendo t < s:
𝑅𝑁 (𝑠, 𝑡) = 𝐶𝑂𝑉(𝑁(𝑠), 𝑁(𝑡))

𝑅𝑁 (𝑠, 𝑡) = 𝐶𝑂𝑉(𝑁(𝑠) − 𝑁(𝑡) + 𝑁(𝑡), 𝑁(𝑡))
= 𝐶𝑂𝑉(𝑁(𝑠) − 𝑁(𝑡), 𝑁(𝑡)) + 𝐶𝑂𝑉(𝑁(𝑡), 𝑁(𝑡))
= 𝐶𝑂𝑉(𝑁(𝑠) − 𝑁(𝑡), 𝑁(𝑡) − 𝑁(0)) + 𝐶𝑂𝑉(𝑁(𝑡), 𝑁(𝑡))
= 𝑉(𝑁(𝑡))
= 𝜆𝑡
Por lo tanto de los resultados obtenidos en anteriormente se tiene que:
𝑅𝑁(𝑡) (𝑡, 𝑠) = 𝜆 𝑚𝑖𝑛( 𝑠, 𝑡)
e) Sustituyendo los resultados obtenidos en los incisos b y d se tiene que:
𝐶𝑂𝑉(𝑁 (𝑠), 𝑁(𝑡))

𝜌𝑁 (𝑠, 𝑡) =
𝜎𝑁(𝑠) 𝜎𝑁(𝑡)
𝜆 𝑚𝑖𝑛( 𝑠, 𝑡)
=
√𝜆𝑠√𝜆𝑡
𝑚𝑖𝑛( 𝑠, 𝑡)
𝜌𝑁(𝑡) (𝑠, 𝑡) =
(𝑠𝑡)1/2
13
TEOREMA
En un proceso de Poisson de parámetro λ el tiempo entre dos sucesos consecutivos,

tienen comportamiento exponencial de parámetro λ.
DEMOSTRACIÓN
𝑃[𝑇 > 𝑡 + 𝛥𝑡] = 𝑃 [𝑇 > 𝑡]𝑃 [𝑁(𝑡 + 𝛥𝑡) − 𝑁(𝑡) = 0]
= 𝑃 [𝑇 > 𝑡] [1 − 𝜆𝛥𝑡 + 0(𝛥𝑡)]
1
= 𝑃 [𝑇 > 𝑡] − 𝑃[𝑇 > 𝑡]𝜆𝛥𝑡 + 0(𝛥𝑡) ‖
𝛥𝑡
𝑃[𝑇 > 𝑡 + 𝛥𝑡] − 𝑃[𝑇 > 𝑡] 0(𝛥𝑡)

= −𝑃 [𝑇 > 𝑡]𝜆 + ‖ 𝑙𝑖𝑚
𝛥𝑡 𝛥𝑡 𝛥𝑡→0
𝑃[𝑇 > 𝑡 + 𝛥𝑡] − 𝑃[𝑇 > 𝑡] 0(𝛥𝑡)

𝑙𝑖𝑚 = −𝑃[𝑇 > 𝑡]𝜆 + 𝑙𝑖𝑚
𝛥𝑡→0 𝛥𝑡 𝛥𝑡→0 𝛥𝑡
𝑑𝑃[𝑇 > 𝑡]
= −𝑃 [𝑇 > 𝑡]𝜆
𝑑𝑡
𝑑𝑃[𝑇 > 𝑡] 𝑑𝑃[𝑇 > 𝑡]

= −𝜆𝑡 ⇒ ∫ = ∫ −𝜆𝑑𝑡
𝑃 [𝑇 > 𝑡] 𝑃 [𝑇 > 𝑡]
𝑙𝑛(𝑃 [𝑇 > 𝑡]) = −𝜆𝑡 + 𝑐
𝑒 𝑙𝑛 𝑃[𝑇>𝑡] = 𝑒 −𝜆𝑡+𝑐
𝑃 [𝑇 > 𝑡] = 𝑒 −𝜆𝑡 𝑒 𝑐 𝑒 𝑐 = 𝑐1
𝑃 [𝑇 > 𝑡] = 𝑒 −𝜆𝑡 𝑐1
Condición Inicial t=0:
14
𝑃[𝑇 > 𝑡]/𝑡=0 = 𝑒 −𝜆𝑡 𝑐1 /𝑡=0
PT  0 = 1 e−  ( 0)c1 = c1
 c1 = 1
1 − 𝑃 [𝑇 ≤ 𝑡] = 𝑒 −𝜆𝑡 ⇒ 𝑃 [𝑇 ≤ 𝑡] = 1 − 𝑒 −𝜆𝑡
𝑑𝐹(𝑡)
𝐹(𝑡) = 1 − 𝑒 −𝜆𝑡 𝑓(𝑡) = = −𝑒 −𝜆𝑡 (−𝜆)
𝑑𝑡
𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 𝑡>0

0 en otro caso
MODELO GAMMA
Definición.- Sea X una variable aleatoria que representa el tiempo hasta que ocurran
varios sucesos independientes con tiempos exponenciales idénticamente
distribuidos de parámetro λ, una variable definida se dice que tiene comportamiento
Gamma con función probabilística dada por:
−𝑥
𝑥 𝛼−1 𝑒 𝛽
𝑓 (𝑥 ) = 𝛼 𝑥>0
𝛽 Γ(α)
TEOREMA
Sea X una variable aleatoria distribuida gamma de parámetros 𝛼 , 𝛽 entonces las

siguientes medidas estadísticas y función característica se cumplen.
𝐸 (𝑋) = 𝛼𝛽 𝑉 (𝑋 ) = 𝛽 2 𝛼 ∅𝑋 (𝑤) = (1 − 𝛽𝑖𝑤)−𝛼
DEMOSTRACIÓN
∞
Integral Gamma ∫0 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥 = Γ(α) = (𝛼 − 1)! Γ(α + 1) = 𝛼Γ(α)
𝑥
−
∞ 𝑥𝑥 𝛼−1 𝑒 𝛽
𝐸(𝑋) = ∫0 𝛽𝛼 Γ(α) 𝑑𝑥
𝑥
1 ∞ − 𝑥
= 𝛽𝛼 Γ(α) ∫0 𝑥 𝛼 𝑒 𝛽 𝑑𝑥 𝐶. 𝑉. : 𝜇 = 𝛽 𝑥 = 𝑢𝛽
1 ∞ 𝑑𝑥
= 𝛽𝛼 Γ(α) ∫0 (𝜇𝛽)𝛼 𝑒 −𝜇 𝛽 𝑑𝑢 𝑑𝑢 = ⇒ 𝑑𝑥 = 𝛽𝑑𝑢
𝛽
15
∞
𝛽𝛼+1
= ∫ 𝜇 𝛼 𝑒 −𝜇 𝑑𝑢
𝛽𝛼 Γ(α) 0
𝛽 ∞ 𝛽
= Γ(α) ∫0 𝜇 (𝛼+1)−1 𝑒 −𝜇 𝑑𝜇 = Γ(α + 1)
Γ(α)
𝛽
= Γ(α) 𝛼Γ(α) = 𝛼𝛽
𝑥
−
2 ∞ 𝑥 2 𝑥 𝛼−1 𝑒 𝛽
𝐸(𝑋 ) = ∫0 𝛽𝛼 Γ(α) 𝑑𝑥
𝑥
1 ∞ −
= 𝛽𝛼 Γ(α) ∫0 𝑥 𝛼+1 𝑒 𝛽 𝑑𝑥
1 ∞
= 𝛽𝛼 Γ(α) ∫0 (𝜇𝛽)𝛼+1 𝑒 −𝜇 𝛽𝑑𝜇
𝛽 𝛼+2 ∞
= ∫ 𝜇 𝛼+1 𝑒 −𝜇 𝑑𝜇
𝛽 𝛼 Γ(α) 0
𝛽2 ∞ (𝛼+2)−1 −𝜇
= ∫ 𝜇 𝑒 𝑑𝜇
Γ(α) 0
𝛽2 𝛽2
= Γ(α) Γ(𝛼 + 2) = Γ(α) (𝛼 + 1)Γ(𝛼 + 1)
𝛽2
= Γ(α) (𝛼 + 1)𝛼Γ(α) = 𝛽2𝛼 2 + 𝛽2 𝛼
𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2
= 𝛽2 𝛼 2 + 𝛽2 𝛼 − 𝛽2𝛼 2
𝑉 (𝑋 ) = 𝛽 2 𝛼
La función generadora de probabilidades no existe para distribuciones continuas sólo para

discretas.
FUNCIÓN CARACTERISTICA
∞
𝑥𝛼−1 𝑒−𝑥
∅𝑋 (𝑤) = 𝐸[𝑒𝑖𝑤𝑥 ] = ∫ 𝑒𝑖𝑤𝑥 𝑑𝑥
0 𝛽𝛼 Γ(α)
∞
1 −𝑥(1⁄𝛽−𝑖𝑤)
= 𝛼 ∫ 𝑥 𝛼−1 𝑒 𝑑𝑥
𝛽 Γ(α) 0
Cambio de variable:
𝑢 𝑑𝑢
𝑢 = (1⁄𝛽 − 𝑖𝑤) 𝑥 𝑥= 1
𝑑𝑢 = (1⁄𝛽 − 𝑖𝑤) 𝑑𝑥 𝑑𝑥 = 1
( ⁄𝛽−𝑖𝑤) ( ⁄𝛽−𝑖𝑤)
𝛼−1
∞1 𝑢 𝑑𝑢
= 𝛼 ∫ (1 −𝑖𝑤) 𝑒 −𝑢 1
𝛽 Γ(α) 0 ⁄𝛽 ( ⁄𝛽 −𝑖𝑤)
16
𝛼
∞
1 1
= ( ) ∫ 𝑢𝛼−1 𝑒 −𝑢 𝑑𝑢
𝛽𝛼 Γ(α) 1⁄ − 𝑖𝑤 0
𝛽
Γ(α) 1 1
= ∗ 𝛼 =
𝛼
𝛽 Γ(α) 1 − 𝛽𝑖𝑤 (1 − 𝛽𝑖𝑤)𝛼
( ) 𝛽𝛼
𝛽 𝛽𝛼
∅𝑋 (𝑤 ) = (1 − 𝛽𝑖𝑤)−𝛼
𝑑𝜑𝑥 (𝑤)
𝐸(𝑋) = (−1)𝑖 | = (−𝑖)[(1 − 𝛽𝑖𝑤)−𝛼 ]′
𝑑𝑤 𝑤=0
= (−𝑖)[(−𝛼)(1 − 𝛽𝑖𝑤)−𝛼−1 (−𝛽𝑖)]𝑤=0
= (−𝑖)[𝛼𝛽𝑖(1 − 𝛽𝑖𝑤)−𝛼−1 ]𝑤=0
𝐸(𝑋) = (−𝑖)𝛼𝛽𝑖 = 𝛼𝛽
2
𝑑 2 𝜑𝑥 (𝑤)
2 2
𝐸(𝑋 ) = (−1) 𝑖 |
𝑑𝑤 2 𝑤=0
= −[𝛼𝛽𝑖(1 − 𝑖𝛽𝑤)−𝛼−1 ]′
− − 2
= −[− i (− − 1)(1 − i w)
2 2
] w=0 = −[−𝛼𝛽2 𝑖 2 (−𝛼 − 1)]
= −[𝛼𝛽 2 𝑖 2 (𝛼 + 1)] = 𝛼 2 𝛽2 + 𝛼𝛽2
2 2
𝑉(𝑋) = 𝐸(𝑋 ) − (𝐸(𝑋))
= 𝛼 2 𝛽 2 + 𝛼𝛽 2 − 𝛼 2 𝛽 2
𝑉(𝑋) = 𝛽 2 𝛼
TEOREMA
En un proceso de Poisson de parámetro 𝜆 el tiempo hasta que ocurra un n-esimo

suceso tiene comportamiento Gamma de parámetros 𝛼 = 𝑛 y 𝛽 = 1⁄𝜆 .
DEMOSTRACIÓN. -
Sea: 𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 . . . . . . . . . . . . . . . . , 𝑋𝑛 n variables aleatorias independientes

distribuidas exponenciales idénticas, de parámetro λ.
𝑋 = 𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 + 𝑋5 . . . . . . . . . . . . . . . . +𝑋𝑛 = ∑𝑛𝑗=1 𝑋𝑗
Entonces se tiene que:
𝑛
𝜑𝑥 (𝑤) = 𝐸[𝑒 𝑖𝑤𝑋 ] = 𝐸 [𝑒 𝑖𝑤 ∑𝑗=1 𝑋𝑗 ]
17
𝑛 𝑛
= 𝐸 [∏ 𝑒 𝑖𝑤𝑋𝑗 ] = ∏ 𝐸[𝑒 𝑖𝑤𝑋𝑗 ]

𝑗=1 𝑗=1
𝑛 𝑛
𝜆 𝜆
= ∏[ ]=[ ]
𝜆 − 𝑖𝑤 𝜆 − 𝑖𝑤
𝑗=1
𝑛
1 1
=[ ] =
𝑖𝑤
1− 𝜆 𝑖𝑤 𝑛
(1 − 𝜆 )
𝑖𝑤 −𝑛
= (1 − )
𝜆
𝛼 = 𝑛 , 𝛽 = 1/𝜆
1
Lo cual implica que 𝑋~𝐺𝑎𝑚𝑚𝑎(𝛼 = 𝑛 , 𝛽 = 𝜆)
PROCESOS MARKOVIANOS
PROCESO DE MARKOV DE PARAMETRO CONTINUO
Es un proceso Markoviano donde el parámetro es continuo, es decir el tiempo es

mayor o igual a cero.
PROCESO GENERAL DE NACIMIENTO Y MUERTE
DEFINICIÓN
Sea {𝑁(𝑡) , 𝑡 ≥ 0} un proceso puntual discreto en el espacio y continuo en el

tiempo, se dice que define a un Proceso General de Nacimiento y Muerte, si y solo
si 𝑁(𝑡) representa el número de ocurrencias en el intervalo de tiempo (0, 𝑡), y
se cumplen los siguientes axiomas.
18
1. P[N (t + Δt) – N(t) =1 / N(t)=n] =λn Δt + 0(Δt)
2. P[N (t + Δt) – N(t) = -1 / N(t)=n] = μn Δt + 0(Δt)
3. P[N (t + Δt) – N(t) = 0 / N(t)=n] = 1- ( λn+ μn) Δt + 0(Δt)
4. P[N (t + Δt) – N(t) =m / N(t)=n] = 0(Δt) m ≠ -1,0,1
5. 𝑃 [𝑁(0) = 𝑛0 ] = 𝛿𝑛,𝑛0
donde :
1 𝑆𝑖 𝑛 = 𝑛0
𝛿𝑛,𝑛0 = {
0 𝑆𝑖 𝑛 ≠ 𝑛0
Función Delta de Kroneker
• λn = Tasa de nacimientos o llegadas y es una función del estado n del sistema

en el instante t.
• μn = Tasa de muerte o servicios y es una función del estado n del sistema en

el instante t.
• En el instante t=0 existe no unidades en el sistema.
• P[N(t) = n] Representa la probabilidad de que el sistema tenga n unidades en

el instante t.
• 𝛿𝑛,𝑛0 es una función dicotómica denominada Función Delta de Kroneker.
• N(t) representa el número de ocurrencias o casos en un intervalo de tiempo
(0,t)
• N (t + Δt) representa el número ocurrencias o casos en el intervalo de tiempo
(0, t + Δt)
ECUACIONES DE ESTADO DE KOLMOGOROV
Para n=0
p0(t + Δt) = p0(t) P[N (t + Δt) – N(t) =0 / N(t)=0] + p1(t) P[N (t + Δt) – N(t) = -1 / N(t)=1]+
p2(t) P[N (t + Δt) – N(t) =-2 / N(t)=2]+……….
19
p0(t + Δt) =p0(t) [1-( λ0+ μ0)Δt +0 (Δt)] + p1(t)[ μ1Δt +0 (Δt)] +p2(t) 0 (Δt) +……….
p0(t + Δt) = p0(t)- p0(t) λ0Δt +p1(t) μ1Δt +0(Δt)
p0(t + Δt) - p0(t)=- p0(t) λ0Δt +p1(t) μ1Δt +0(Δt) // (1/ Δt)
𝑝0 (t + 𝛥𝑡) - p0 (𝑡) 0(𝛥𝑡)

= −𝑝0 (𝑡)𝜆0 + 𝑝1 (𝑡)𝜇1 + ‖ 𝑙𝑖𝑚
𝑝0 (t + 𝛥𝑡) - p0 (𝑡) 0(𝛥𝑡)

𝑙𝑖𝑚 = −𝑝0 (𝑡) 𝜆0 + 𝑝1 (𝑡) 𝜇1 + 𝑙𝑖𝑚
𝑝0′ (𝑡) = −𝑝0 (𝑡)𝜆0 + 𝑝1 (𝑡)µ1 𝑛=0
Condición inicial :
𝑝𝑛0 (0) = 1
Para n≥1
pn(t + Δt) = pn(t) P[N (t + Δt) – N(t) =0 / N(t)=n] + pn-1(t) P[N(t + Δt)–N(t) =1 / N(t)=n-1]
+pn -2(t) P[N(t + Δt)–N(t) =2/N(t)=n -2]+…+p0(t) P[N (t + Δt)–N(t)=n/N(t)=0]+
pn +1(t) P[N (t + Δt) – N(t) = -1/ N(t)=n+1] + pn +2(t) P[N (t + Δt) – N(t) = -2 / N(t)=n+2]+….
pn(t + Δt) = pn(t) [1- ( λn+ μn) Δt + 0(Δt)] + pn-1(t) [ λn-1Δt + 0(Δt)]+ pn-2(t) 0(Δt)+
pn+1(t) [ μn+1Δt + 0(Δt)] +pn+2(t) 0(Δt)+ ……………………
pn(t + Δt) - pn(t) = - pn(t)( λn+ μn) Δt+ pn-1(t) λn-1Δt + pn+1(t) μn+1Δt+ 0(Δt)
𝑝𝑛 (t + 𝛥𝑡) - p𝑛 (𝑡) 0(𝛥𝑡)

= −𝑝𝑛 (𝑡)( 𝜆𝑛 + 𝜇𝑛 )+ pn-1 (𝑡)𝜆n-1 + p𝑛+1 (𝑡)𝜇𝑛+1 + ‖ 𝑙𝑖𝑚
𝑝𝑛 (t + 𝛥𝑡) - p𝑛 (𝑡) 0(𝛥𝑡)

𝑙𝑖𝑚 = −𝑝𝑛 (𝑡)( 𝜆𝑛 + 𝜇𝑛 ) + pn-1 (𝑡) 𝜆n-1 + p𝑛+1 (𝑡) 𝜇𝑛+1 + 𝑙𝑖𝑚
20
𝑝𝑛′ (𝑡) = −𝑝𝑛 (𝑡)( 𝜆𝑛 + 𝜇𝑛 ) + pn-1 (𝑡)𝜆n-1 + p𝑛+1 (𝑡)𝜇𝑛+1 𝑛 = 1,2,3,4, … … …
Resumiendo, se tiene el siguiente sistema simultaneo de ecuaciones diferenciales

estocásticas.
𝑝0′ (𝑡) = −𝑝0 (𝑡)𝜆0 + 𝑝1 (𝑡)µ1 𝑛=0
Con la condición inicial : 𝑝𝑛0 (0) = 1
𝑝𝑛′ (𝑡) = −𝑝𝑛 (𝑡)( 𝜆𝑛 + 𝜇𝑛 ) + pn-1 (𝑡)𝜆n-1 + p𝑛+1 (𝑡)𝜇𝑛+1 𝑛 = 1,2,3,4, … … …
DISTRIBUCIÓN LÍMITE DE PROBABILIDADES
Suponiendo la existencia de distribución límite de probabilidades, es decir

asumiendo que existe convergencia de las ecuaciones diferenciales a la larga, se
cumplen los siguientes límites asintóticos.
𝐥𝐢𝐦 𝒑𝒏 (𝒕) = 𝒑𝒏 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆

𝒏→∞
𝐥𝐢𝐦 𝒑′𝒏 (𝒕) = 𝟎

𝒏→∞
Por lo que {𝑝𝑛 ∶ 𝑛 = 0,1,2,3,4,5, … … … … … . . } forma una distribución probabilística

discreta, tal que cumple las siguientes propiedades de una función de cuantía.
1) 𝒑𝒏 > 0 2) ∑ 𝒑𝒏 =𝟏
𝑛=0
21
ECUACIONES DE EQUILIBRIO
Aplicando límites a las ecuaciones de estado del proceso general de nacimiento y

muerte y suponiendo la existencia de distribución límite de probabilidades se
obtienen las siguientes ecuaciones de equilibrio.
Las ecuaciones de equilibrio son:
0 = - p0 0 + p1 1 n=0
0 =- pn (n + n) + pn-1n-1 + pn+1 n+1 n=1,2,3, 4,……………………
SOLUCIÓN A LAS ECUACIONES DE EQUILIBRIO
Por ser un sistema simultaneo homogéneo de ecuaciones lineales determinísticas,

dicho sistema se resuelve en forma recursiva, y la solución arroja las condiciones
bajo las cuales el proceso presenta distribución límite de probabilidades, es decir la
convergencia a una función de probabilidades a la larga.
SOLUCIÓN A LAS ECUACIONES DE EQUILIBRIO DE PROCESO GENERAL DE

NACIMIENTO Y MUERTE
Para el Proceso General de Nacimiento y Muerte se tiene que:
Para n=0
0= -p0 0 + p1 1
1 p1 =p0 0
𝜆0
𝑝1 = ( )𝑝0
𝜇1
Para n=1
0= - p1 (1 +1 ) + p0 0 + p22

0 = - p1 1 - p1 1 + p0 0 + p2 2
2 p2 =1 p1
𝜆1
𝑝2 = ( )𝑝1
𝜇2
𝜆1 𝜆1 𝜆0 𝜆0 𝜆1
𝑝2 = ( )𝑝1 = ( ) ( 𝑝0 ) = ( )𝑝
𝜇2 𝜇2 𝜇1 𝜇1 𝜇2 0
22
A si sucesivamente, se tienne que para un n en général
.
.
.
𝜆0 𝜆1 . . . . . . . . . . . . . . . . . . . 𝜆𝑛−1
𝑝𝑛 = ( ) 𝑝0
𝜇1 𝜇2 . . . . . . . . . . . . . . . . . . . . 𝜇𝑛
Aplicando sumatorias se tiene que

∞ ∞
𝜆0 𝜆1 . . . . . . . . . . . . . . . . . . . 𝜆𝑛−1
∑ 𝑝𝑛 = ∑ ( )𝑝0 = 1
𝜇1𝜇2 . . . . . . . . . . . . . . . . . . . . 𝜇𝑛
𝑛=0 𝑛=0
1 1
𝑝0 = =
𝜆 𝜆 ...................λ𝑛−1 𝒮
∑∞ ( 0 1 )
𝑛=0 𝜇1 𝜇2 ....................μ𝑛
Sí la sumatoria.
∞
𝜆0 𝜆1 ...................λ𝑛−1
∑ ( )=𝒮
𝜇1 𝜇2 ....................μ𝑛
𝑛=0
Donde 𝑝0 representa la probabilidad de tener cero unidades en el sistema en el

instante de tiempo t, o la probabilidad de que el sistema este completamente ocioso
en teoría de colas.
Lo cual implica que existe distribución límite de probabilidades siempre que esta serie
𝒮 converja, es decir 𝒮 < ∞.
∞
𝜆0 𝜆1 . . . . . . . . . . . . . . . . . . . 𝜆𝑛−1
𝒮=∑ ( ) < ∞
𝜇1𝜇2 . . . . . . . . . . . . . . . . . . . . 𝜇𝑛
𝑛=0
Para el proceso de inmigración y emigración que es fundamental en estudios de

poblaciones y teoría de colas, con las tasas n =  y n =  dicha sumatoria se
reduce a:
23
∞ ∞ 𝑛
𝜆 𝜆 ...................λ 𝜆
𝒮=∑ ( )= ∑( )
𝜇 𝜇 ....................μ 𝜇
𝑛=0 𝑛=0
1 𝜆
| |<1
1 − λ/μ 𝜇
𝒮=
𝜆
∞ | |≥1
{ 𝜇
Por lo tanto, se garantiza la existencia de distribución límite siempre que la tasa de

nacimiento o llegada “” sea menor a la tasa de muerte o servicio “” lo cual implica
que
→   
Resumiendo, se tiene que:
• Para el proceso de nacimiento y muerte lineal se tiene las siguientes tasas de

nacimiento y muerte.
𝜆𝑛 = 𝑛𝜆 𝜇𝑛 = 𝑛𝜇
• Para el proceso de inmigración y emigración se tiene las siguientes tasas de

nacimiento y muerte.
𝜆𝑛 = 𝜆 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝜇𝑛 = 𝜇 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
• Para el proceso de inmigración y muerte lineal se tiene las siguientes tasas

de nacimiento y muerte.
𝜆𝑛 = 𝜆 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝜇𝑛 = 𝑛𝜇
• Para el proceso de nacimiento lineal y emigración se tiene las siguientes tasas

de nacimiento y muerte.
𝜆𝑛 = 𝑛𝜆 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝜇𝑛 = 𝜇 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
Las ecuaciones de estado para estos procesos particulares pueden obtenerse

reemplazando las tasas respectivas en las ecuaciones diferenciales del proceso
24
general de nacimiento y muerte, la solución al sistema de ecuaciones diferenciales

originara la distribución probabilística para cada proceso del número n de unidades
en el sistema en el instante t.
SISTEMAS ESTOCÁSTICOS DE SERVICIO
FENOMENOS DE ESPERA
Los modelos de colas surgen principalmente en Europa en países con alta población
humana o vegetativa, en los cuales se presenta problemas de colas en sistemas
bancarios, estaciones gasolineras, centros de salud, lugares de diversión, y
empresas de servicio.
En este tema se estudiarán problemas de colas físicas en sistemas, en los cuales se
presenta largas colas y hasta fuga de unidades de un sistema, ya que tener por
mucho tiempo a una unidad en un sistema o fuga, implica que se esté ocasiona una
pérdida de tiempo, e implícitamente reducción de ingresos y hasta pérdidas de estos,
en una empresa o institución.
Los sistemas estocásticos de servicio y fenómenos de espera se según su naturaleza

se clasifican en:
- Sistemas en los cuales se presentan fenómenos de colas.
- Sistemas en los cuales no se presentan fenómenos de colas (Llamados

también sistemas de perdida).
LLEGADA DE UNIDADES A UN SISTEMA
El proceso de llegadas de unidades a un sistema, por lo general son variables

aleatorias con distribuciones probabilísticas conocidas, aunque también existen
sistemas automatizados donde las unidades llegan a intervalos de tiempos
constantes. Las unidades pueden provenir de una fuente o población finita contable,
infinita numerable y hasta infinita no numerable.
El número de llegadas de unidades por lo general se supondrán Poissonianas de

parámetro 𝜆, y el tiempo entre llegadas consecutivas exponencial del mismo
parámetro.
25
SERVICIO DE UNIDADES DE UN SISTEMA
El proceso de servicio a unidades en un sistema, por lo general son variables

aleatorias con tiempos de servicio generalmente aleatorios, pero por lo general con
distribuciones probabilísticas conocidas, aunque también existen sistemas
automatizados donde el tiempo de servicio es constante.
El número de servicios a unidades por lo general se supondrán Poissonianas de

parámetro 𝜇, y el tiempo de servicio se supondrá exponencial del mismo parámetro.
DISCIPLINA O REGLAS DE ESPERA
Es un sistema de colas se definen distintos tipos de reglas o disciplinas de espera y

de atención, entre estas se puede mencionar las siguientes que son más comunes.
1. - Primera unidad en llegar y primera unidad en ser atendida.
2. – Ultima unidad en llegar y primera unidad en ser atendida.
3. - Atención de unidades en el sistema con prioridades o preferencias.
4. - Unidad que llega al sistema ocupado se pierde, sistemas de pérdida.
5. – Atención de unidades en forma aleatoria.
MECANISMOS DE SERVICIO
Los servicios son ejecutados o realizados por estaciones o canales de servicio, los
cuales pueden estar ordenados de distintas maneras como ser:
ESTACIÓN EN PARALELO
En la estación en paralelo cada unidad que llega al sistema es atendida por un solo
servidor, respetando el orden de turno respectivo.
26
ESTACIONES DE
SERVICIO
0
COLA
LLEGADA 0 SALIDA
FUENTE 0 0 0 0 0 ... 0 0
0
SISTEMA
ESTACIÓN EN SERIE
En la estación en serie cada unidad que llega al sistema es atendida por al menos
dos servidores, respetando el orden de turno respectivo.
ESTACIONES DE
SERVICIO
COLA
SALIDA
LLEGADA
0 0 0 ... 0
0
0
FUENTE
SISTEMA
ESTACIÓN MIXTA
En la estación mixta existen varias llegadas varias colas de atención en forma

simultáneas, y cada unidad que llega al sistema es atendida por al menos dos
servidores respetando el orden de turno respectivo.
27
COLA ESTACIONES DE
SERVICIO
SALIDA
0 0 0 ... 0
0
0
0
0
LLEGADA
FUENTE
SALIDA
0 0 0 ... 0
0
0
0
0
SISTEMA
Es bueno hacer notar que este tipo de estación de servicio se aplica a sistemas
complejos conflictivos.
Si en cualquiera de los casos anteriores a la vez se considera en el estudio a la

población de donde provienen las unidades, entonces se tratará de analizar todo en
fenómeno de colas.
NÚMERO DE UNIDADES QUE ADMITE EL SISTEMA
Al número máximo unidades o clientes que se admite o permite un sistema tanto en

la cola como en el servicio se denomina capacidad del sistema, de no darse dicho
dato o información se supondrá que se trata de un modelo de capacidad infinita.
OBJETIVO DE LOS MODELOS DE COLAS
Como el objetivo de los modelos de colas, es determinar la cantidad óptima de

estaciones o canales de servicio en el sistema, de tal forma de minimizar el tiempo
de permanencia de una unidad en el sistema e implícitamente generar mayores
ingresos para una empresa o institución, esto se logrará optimizando las siguientes
medidas de rendimiento.
W: Tiempo medio de espera o permanencia de una unidad en el sistema.
W q: Tiempo medio de espera o permanencia de una unidad en la cola.
L: Numero promedio o esperado de unidades en el sistema.

28
Lq: Numero promedio o esperado de unidades en la cola.
Lo: Numero promedio o esperado de estaciones ocupadas.
Ld: Numero promedio o esperado de estaciones desocupadas.
REPRESENTACIÓN DE UN MODELO DE COLAS
Un modelo de colas está completamente definido con todas sus características

propias que tiene este, con la notación de Kendall, la cual se la representa de la
siguiente.
PLL/PS/NE/CS/DE
Donde:
PLL: Patrón de llegadas. (Representa a la distribución probabilística del tiempo

entre llegadas consecutivas, o a la distribución probabilística del número de llegadas
por unidad de tiempo
PS: Patrón de servicios. (Representa a la distribución probabilística del tiempo

de servicio, o a la distribución probabilística del número de atenciones o servicios por
unidad de tiempo
NE: Representa al número de estaciones o canales de servicio que tiene el

sistema.
CS: Representa a la capacidad del sistema que admite tanto en la cola como en
el servicio.
DE: Representa a la reglas o disciplina de espera definida en el sistema.
PROCESOS DE COLAS O ESPERA
Los modelos de colas según sus características se dividen en :
Población infinita Población finita

Simple Simple
Múltiple Múltiple
29
MODELO M/M/1
Los supuestos de dicho modelo son:
1. Fuente o población infinita.

2. Capacidad del sistema infinito.
3. Disciplina de espera primero en llegar primero en ser atendido.
4. Una estación o canal de servicio.
5. Número de llegadas por unidad de tiempo de tipo Poisson con tasa de
intensidad.
𝜆𝑛 = 𝜆 Constante.
O tiempos entre llegadas consecutivas de tipo exponencial con el mismo
parámetro.
6. Número de atenciones por unidad de tiempo de tipo Poisson con tasa de
intensidad.
𝜇𝑛 = 𝜇 Constante
O tiempos de servicio de tipo exponencial con el mismo parámetro.
ECUACIONES DE ESTADO DEL MODELO M/M/1
Estas se definen como:
𝑝0′ (𝑡) = −𝑝0 (𝑡) 𝜆 + 𝑝1 (𝑡) 𝜇 𝑛=0
𝑝𝑛′ (𝑡) = −𝑝𝑛 (𝑡)(𝜆 + 𝜇 ) + 𝑝𝑛−1 (𝑡) 𝜆 + 𝑝𝑛+1 (𝑡) 𝜇 𝑛>0
ECUACIONES DE EQUILIBRIO DEL MODELO M/M/1
Estas se definen como:
0 = −𝑝0 𝜆 + 𝑝1 𝜇 𝑛=0
0 = −𝑝𝑛 (𝜆 + 𝜇 ) + 𝑝𝑛−1 𝜆 + 𝑝𝑛+1 𝜇 𝑛>0
Solución
Para 𝒏 = 𝟎
0 = −𝑝0 𝜆 + 𝑝1 𝜇
𝑝1 𝜇 = 𝑝0 𝜆
30
𝜆
𝑝1 = ( ) 𝑝0
𝜇
Para 𝒏 = 𝟏
0 = − 𝑝1 (𝜆 + 𝜇 ) + 𝑝0 𝜆 + 𝑝2 𝜇
0 = − 𝑝1 𝜆 − 𝑝1 𝜇 + 𝑝0 𝜆 + 𝑝2 𝜇
𝑝2 𝜇 = 𝑝1 𝜆
𝜆
𝑝2 = ( ) 𝑝1
𝜇
𝜆 2
𝑝2 = ( ) 𝑝0
𝜇
Para 𝒏 = 𝟐
0 = − 𝑝2 (𝜆 + 𝜇 ) + 𝑝1 𝜆 + 𝑝3 𝜇
0 = − 𝑝2 𝜆 − 𝑝2 𝜇 + 𝑝1 𝜆 + 𝑝3 𝜇
𝑝3 𝜇 = 𝑝2 𝜆
𝜆
𝑝3 = ( ) 𝑝2
𝜇
𝜆 3
𝑝3 = ( ) 𝑝0
𝜇
Así sucesivamente:
⋮
⋮
⋮
⋮
𝜆 𝑛
𝑝𝑛 = ( ) 𝑝0
𝜇
31
𝜆
Si 𝜌= representa a la probabilidad de que el sistema este ocupado y a la
𝜇
probabilidad de tránsito o tráfico y 𝑝0 a la probabilidad de que el sistema este vacío
u ocioso, entonces se tiene que:
𝑝0 + 𝜌 = 1 ⟹ 𝑝0 = 1 − 𝜌
Sustituyendo se tiene que la distribución de probabilidad está dada por.
𝑝𝑛 = 𝜌 𝑛 (1 − 𝜌) 𝑛 = 0,1,2, … … … …
Que representa a la distribución probabilística del número 𝑛 de unidad en el sistema

del modelo M/M/1.
MEDIDAS DE RENDIMIENTO
Entre estas se tiene a:
NÚMERO PROMEDIO O ESPERADO DE UNIDADES EN EL SISTEMA L
𝜌
𝐿=
1−𝜌
Demostración
∞ ∞
𝐿 = 𝐸 (𝑁) = ∑ 𝑛 𝜌 𝑛 (1 − 𝜌) = (1 − 𝜌) 𝜌 ∑ 𝑛 𝜌 𝑛−1
𝑛=0 𝑛=0
∞ ∞
𝑑 𝑑
= (1 − 𝜌 ) 𝜌 ∑ (𝜌 𝑛 ) = (1 − 𝜌 ) 𝜌 (∑ 𝜌 𝑛 )
𝑑𝜌 𝑑𝜌
𝑛=0 𝑛=0
1 ′ 0 − 1 (−1)
= (1 − 𝜌 ) 𝜌 [ ] = (1 − 𝜌 ) 𝜌 [ ]
1−𝜌 ( 1 − 𝜌 )2
1 𝜌
= (1 − 𝜌 ) 𝜌 [ 2
]=
(1 − 𝜌 ) 1−𝜌
32
NÚMERO PROMEDIO O ESPERADO DE UNIDADES EN LA COLA 𝑳𝒒
𝜌2
𝐿𝑞 =
1−𝜌
Demostración
∞ ∞
𝜌2
𝐿𝑞 = 𝐸 (𝑁 − 1) = ∑ (𝑛 − 1) 𝑝𝑛 = ∑ (𝑛 − 1) 𝜌 𝑛 (1 − 𝜌)
𝜌2
𝑛−1=0 𝑛−1=0
∞ ∞
= (1 − 𝜌) 𝜌 2 ∑ (𝑛 − 1) 𝜌 𝑛−2 = (1 − 𝜌) 𝜌 2 ∑ (𝑛 − 1) 𝜌 (𝑛−1)−1
𝑛−1=0 𝑛−1=0
Cambio de variable
𝑚 =𝑛−1
∞ ∞
2 𝑚−1 2
𝑑
= (1 − 𝜌 ) 𝜌 ∑𝑚𝜌 = (1 − 𝜌 ) 𝜌 ∑ (𝜌 𝑚 )
𝑑𝜌
𝑚=0 𝑚=0
∞
2
𝑑 𝑚 2
1 ′
= (1 − 𝜌 ) 𝜌 [ ∑ 𝜌 ] = (1 − 𝜌 ) 𝜌 [ ]
𝑑𝜌 1−𝜌
𝑚=0
0 − 1 (−1)
2 2
1 𝜌2
= (1 − 𝜌 ) 𝜌 [ ] = (1 − 𝜌 ) 𝜌 [ ]=
(1 − 𝜌 )2 ( 1 − 𝜌 )2 1−𝜌
TIEMPO MEDIO DE ESPERA O PERMANENCIA DE UNA UNIDAD EN LA COLA

𝑾𝒒
𝜌
𝑊𝑞 =
𝜇− 𝜆
Demostración
𝐿𝑞 = 𝜆 𝑊𝑞
33
𝜌2
𝐿𝑞 1−𝜌 𝜌2 𝜌2
𝑊𝑞 = = = =
𝜆 𝜆 𝜆 (1 − 𝜌 ) 𝜆
𝜆 (1 − 𝜇 )
𝜌2 𝜌2 𝜌
= = =
𝜇−𝜆 𝜌 (𝜇 − 𝜆 ) 𝜇−𝜆
𝜆 ( 𝜇 )
TIEMPO MEDIO DE ESPERA O PERMANENCIA DE UNA UNIDAD EN EL

SISTEMA 𝑾
1
𝑊=
𝜇− 𝜆
Demostración
Método 1
𝐿= 𝜆𝑊
𝜌
𝐿 1−𝜌 𝜌 𝜌
𝑊= = = =
𝜆 𝜆 𝜆 (1 − 𝜌 ) 𝜆
𝜆 (1 − )
𝜇
𝜌 1
= =
𝜇− 𝜆 𝜇− 𝜆
𝜆( 𝜇 )
Método 2
1 𝜌 1 𝜇𝜌+ 𝜇− 𝜆
𝑊 = 𝑊𝑞 + = + =
𝜇 𝜇− 𝜆 𝜇 (𝜇 − 𝜆 ) 𝜇
𝜆+ 𝜇− 𝜆 1
= =
(𝜇 − 𝜆 ) 𝜇 𝜇− 𝜆
34
PROBABILIDAD DE QUE EN SISTEMA EXISTA MÁS DE 𝒎 UNIDADES
𝑃 [𝑁 > 𝑚] = 𝜌 𝑚+1
Demostración
∞
𝑃 [𝑁 > 𝑚] = 𝑃 [𝑁 > 𝑚 + 1] = ∑ 𝑝𝑛
𝑛=𝑚+1
∞
𝑚+1
𝜌
= ∑ 𝜌 𝑛 (1 − 𝜌 )
𝜌 𝑚+1
𝑛=𝑚+1
∞
1
= (1 − 𝜌) 𝜌 𝑚+1 ∑ 𝜌 𝑛−𝑚−1 = (1 − 𝜌) 𝜌 𝑚+1 ( )
1− 𝜌
𝑛−𝑚−1=0
= 𝜌 𝑚+1
DISTRIBUCIÓN PROBABILÍSTICA DEL TIEMPO DE PERMANENCIA EN LA

COLA
1− 𝜌 𝑡=0
𝑓 (𝑡 ) = {
𝜌 (1 − 𝜌) 𝜇 𝑒 −𝑡𝜇 (1−𝜌) 𝑡>0
PROBABILIDAD DE QUE UNA UNIDAD PERMANEZCA MÁS DE 𝒕 UNIDADES

DE TIEMPO EN LA COLA
𝑡⁄
𝑊𝑞 (𝑡) = 𝜌 𝑒 − 𝑊
Demostración
∞
𝑊𝑞 (𝑡) = 𝑃 [𝑇𝑞 > 𝑡] = ∫ 𝜌 (1 − 𝜌) 𝜇 𝑒 −𝑥 𝜇 (1−𝜌) 𝑑𝑥
𝑡
𝑒 − 𝑥 𝜇 (1−𝜌) −𝑥 𝜇 (1−𝜌) ∞
= 𝜌 (1 − 𝜌 ) 𝜇 ( ) /∞
𝑡 =−𝜌𝑒 /𝑡
(
−𝜇 1−𝜌 )
35
𝜆 𝜇−𝜆
−𝑡𝜇 (1− ) −𝑡𝜇 ( )
= −𝜌 [0 − 𝑒 − 𝑡 𝜇 (1−𝜌) ] = 𝜌 𝑒 𝜇 = 𝜌𝑒 𝜇
𝑡⁄
= 𝜌 𝑒− 𝑊
DISTRIBUCIÓN PROBABILÍSTICA DEL TIEMPO DE PERMANENCIA EN EL

SISTEMA
𝑓 (𝑡) = (𝜇 − 𝜆) 𝑒 −(𝜇−𝜆)𝑡 𝑡>0
PROBABILIDAD DE QUE UNA UNIDAD PERMANEZCA MÁS DE 𝒕 UNIDADES

DE TIEMPO EN EL SISTEMA
𝑡
𝑊 (𝑡) = 𝑒 − ⁄𝑊
∞
𝑊 (𝑡) = 𝑃 [𝑇 > 𝑡] = ∫ (𝜇 − 𝜆) 𝑒 −(𝜇−𝜆)𝑥 𝑑𝑥
𝑡
𝑒 −(𝜇−𝜆) 𝑥
( )
= 𝜇−𝜆 ( ) /∞
𝑡 = −𝑒
−(𝜇−𝜆) 𝑥 ∞
/𝑡
(
− 𝜇−𝜆 )
𝑡⁄
= − (0 − 𝑒 − (𝜇−𝜆)𝑡 ) = 𝑒 − (𝜇−𝜆) 𝑡 = 𝑒 − 𝑊
MODELO M/M/S
Los supuestos de dichos modelos son:
1. Fuente o población infinita.
2. Capacidad del sistema infinito.
3. Disciplina de espera primero en llegar primero en ser atendido.
36
4. S estaciones o canales de servicio, ordenados en paralelo.
5. Llegadas de tipo Poisson con tasa de intensidad.

𝜆𝑛 = 𝜆 Constante.
ó tiempos entre llegadas consecutivas de tipo exponencial con el mismo

parámetro.
6. Número de atención por unidad de tiempo de tipo Poisson con tasa de
intensidad.
n 0nS
n=
S nS
ó tiempos de servicio de tipo exponencial con el mismo parámetro.
Las ecuaciones de estado de dicho modelo son:
Ecuación del estado M / M / S
Tasas de intensidad
𝑛𝜇 0 <𝑛<𝑆
𝜆𝑛 = 𝜆 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝜇𝑛 = {𝑆𝜇
𝑛 ≥𝑆
𝑝0, (𝑡) = − 𝜆 𝑝0 (𝑡) + 𝜇 𝑝1 (𝑡) 𝑛=0

𝑝𝑛, (𝑡) = − (𝜆 + 𝑛 𝜇 ) 𝑝𝑛 (𝑡) + 𝜆 𝑝𝑛−1 (𝑡) + (𝑛 + 1 ) 𝜇 𝑝𝑛+1 (𝑡) 0<𝑛<𝑆
𝑝𝑛, (𝑡) = − (𝜆 + 𝑆 𝜇 ) 𝑝𝑛 (𝑡) + 𝜆 𝑝𝑛−1 (𝑡) + 𝑆 𝜇 𝑝𝑛+1 (𝑡) 𝑛 ≥𝑆
Ecuaciones de equilibrio
0 = − 𝜆 𝑝0 + 𝜇 𝑝1 𝑛=0
0 = − (𝜆 + 𝑛 𝜇 ) 𝑝𝑛 + 𝜆 𝑝𝑛−1 + (𝑛 + 1 ) 𝜇 𝑝𝑛+1 0 < 𝑛 <𝑆
0 = − (𝜆 + 𝑆 𝜇 ) 𝑝𝑛 + 𝜆 𝑝𝑛−1 + 𝑆 𝜇 𝑝𝑛+1 𝑛 ≥𝑆
Demostración
Para 𝑛 = 0
0 = − 𝜆 𝑝0 + 𝜇 𝑝1
𝜇 𝑝1 = 𝜆 𝑝0
𝜆
𝑝1 = ( ) 𝑝0
µ
37
𝜆
( )
𝜇
𝑝1 = 𝑝
1! 0
Para 𝑛 = 1
0 = − (𝜆 + 𝜇 ) 𝑝1 + 𝜆 𝑝0 + 2 𝜇 𝑝2
0 = − 𝜆 𝑝1 – 𝜇 𝑝1 + 𝜆 𝑝0 + 2𝜇 𝑝2
0 = − 𝜆 𝑝1 – 𝜆 𝑝0 + 𝜆 𝑝0 + 2𝜇 𝑝2
2𝜇 𝑝2 = 𝜆 𝑝1
𝜆
( ) 𝑝1
𝜇
𝑝2 =
2
𝜆 2
( ) 𝑝0
𝜇
𝑝2 =
2∗1
𝜆 2
( ) 𝑝0
𝜇
𝑝2 =
2!
Para 𝑛 = 2
0 = − (𝜆 + 2 𝜇 ) 𝑝2 + 𝜆 𝑝1 + 3 𝜇 𝑝3
0 = − 𝜆 𝑝2 – 2 𝜇 𝑝2 + 𝜆 𝑝1 + 3𝜇 𝑝3
0 = − 𝜆 𝑝2 – 𝜆 𝑝1 + 𝜆 𝑝1 + 3𝜇 𝑝3
3𝜇 𝑝3 = 𝜆 𝑝2
𝜆
( ) 𝑝2
𝜇
𝑝3 =
3
𝜆 3
( ) 𝑝0
𝜇
𝑝3 =
3∗2∗1
𝜆 3
( ) 𝑝0
𝜇
𝑝3 =
3!
⋮
Para 𝑛 en general 0 ≤𝑛 <𝑆
38
𝜆 𝑛
( ) 𝑝0
𝜇
𝑝𝑛 = 0 ≤𝑛 <𝑆
𝑛!
Para 𝑛 = 𝑆 − 1
0 = − (𝜆 + (𝑆 − 1) 𝜇 ) 𝑝𝑆−1 + 𝜆 𝑝𝑆−2 + 𝑆 𝜇 𝑝𝑆
0 = − 𝜆 𝑝𝑆−1 – (𝑆 − 1) 𝜇 𝑝𝑆−1 + 𝜆 𝑝𝑆−2 + 𝑆𝜇 𝑝𝑠
0 = − 𝜆 𝑝𝑆−1 – 𝜆 𝑝𝑆−2 + 𝜆 𝑝𝑆−2 + 𝑆𝜇 𝑝𝑆
𝑆𝜇 𝑝𝑆 = 𝜆 𝑝𝑆−1
𝜆 𝜆 𝜆 𝑆−1
( ) 𝑝𝑆−1 ( ) ( ) 𝑝0
𝜇 𝜇 𝜇
𝑝𝑆 = = ( )
𝑆 𝑆 (𝑆 − 1)!
𝜆 𝑆
( ) 𝑝0
𝜇
𝑝𝑆 =
𝑆!
Para 𝑛 = 𝑆
0 = − (𝜆 + 𝑆𝜇 ) 𝑝𝑆 + 𝜆 𝑝𝑆−1 + 𝑆 𝜇 𝑝𝑆+1
0 = − 𝜆 𝑝𝑆 – 𝑆 𝜇 𝑝𝑆 + 𝜆 𝑝𝑆−1 + 𝑆𝜇 𝑝𝑠+1
0 = − 𝜆 𝑝𝑆 – 𝜆 𝑝𝑆−1 + 𝜆 𝑝𝑆−1 + 𝑆𝜇 𝑝𝑆+1
0 = − 𝜆 𝑝𝑆 + 𝑆𝜇 𝑝𝑆+1
𝑆𝜇 𝑝𝑆+1 = 𝜆 𝑝𝑆
𝜆 𝜆 𝜆 𝑆
( ) 𝑝𝑆 ( ) ( ) 𝑝0
𝜇 𝜇 𝜇
𝑝𝑆+1 = = ( )
𝑆 𝑆 𝑆!
𝜆 𝑆+1
( ) 𝑝0
𝜇 𝑆 +1=𝑛
𝑝𝑆+1 = 𝑠𝑖
𝑆1 𝑆 ! 1= 𝑛 −𝑆
Para 𝑛 = 𝑆 + 1
0 = − (𝜆 + 𝑆𝜇 ) 𝑝𝑆+1 + 𝜆 𝑝𝑆 + 𝑆 𝜇 𝑝𝑆+2
0 = − 𝜆 𝑝𝑆+1 – 𝑆 𝜇 𝑝𝑆+1 + 𝜆 𝑝𝑆 + 𝑆𝜇 𝑝𝑠+2
0 = − 𝜆 𝑝𝑆+1 – 𝜆 𝑝𝑆 + 𝜆 𝑝𝑆 + 𝑆𝜇 𝑝𝑆+2
𝑆𝜇 𝑝𝑆+2 = 𝜆 𝑝𝑆+1
39
𝜆
( ) 𝑝𝑆+1
𝜇
𝑝𝑆+2 =
𝑆
𝜆 𝑆+2
( ) 𝑝0
𝜇 𝑆 +2= 𝑛
𝑆2 𝑆 ! 2=𝑛 −𝑆
Para 𝑛 = 𝑆 + 2
0 = − (𝜆 + 𝑆 𝜇 ) 𝑝𝑠+2 + 𝜆 𝑝𝑠+1 + 𝑆 𝜇 𝑝𝑠+3
0 = − 𝜆 𝑝𝑆+2 – 𝑆 𝜇 𝑝𝑆+2 + 𝜆 𝑝𝑆+1 + 𝑆𝜇 𝑝𝑠+3
𝑆𝜇 𝑝𝑆+3 = 𝜆 𝑝𝑆+2
𝜆
( ) 𝑝𝑆+2
𝜇
𝑝𝑆+3 =
𝑆
𝜆 𝑆+3
( ) 𝑝0
𝜇 𝑆 +3= 𝑛
𝑆3 𝑆 ! 3=𝑛 −𝑆
Así sucesivamente.
Para 𝑛 en general 𝑛 ≥𝑆
𝜆 𝑛
( ) 𝑝0
𝜇
𝑝𝑛 = 𝑛−𝑆
𝑆 𝑆!
𝜆 𝑛
( ) 𝑝0
𝜇
𝑝𝑛 = 𝑛 ≥𝑆
𝑆! 𝑆 𝑛−𝑆
40
Distribución Probabilística
𝜆 𝑛
(𝜇 ) 𝑝0
0 ≤𝑛 <𝑆
𝑝𝑛 = 𝑛!
𝜆 𝑛
(𝜇 ) 𝑝0
{𝑆 ! 𝑛 ≥𝑆
𝑆 𝑛−𝑆
Hallando 𝑝0
(Probabilidad de que el sistema este vacío)

𝑛
𝑆−1 (𝜆 ) 𝜆 𝑛 ∞
( ) 𝑝0
𝜇 𝜇
∑ 𝑝 +∑ =1
𝑛! 0 𝑆! 𝑆 𝑛−𝑆
𝑛=0 𝑛=𝑆
1
𝑝0 = 𝑛
𝜆 𝜆 𝑛
(𝜇 ) (𝜇 )
∑𝑆−1 ∑∞
𝑛=0 𝑛 ! + 𝑛=𝑠 𝑆! 𝑆 𝑛−𝑆
1
𝑝0 = 𝑛
𝜆 𝜆 𝑆
( ) ( )
𝜇 𝜇
∑𝑆−1
𝑛=0 𝑛 ! + 𝑆! (1 − 𝜌)
𝜆
Con 𝜌 = Probabilidad de tránsito o tráfico
𝜇𝑆
Donde
∞ 𝜆 𝑛 ∞ 𝜆 𝑛
( ) 1 ( )
𝜇 𝜇
∑ 𝑛−𝑆
= ∑
𝑆! 𝑆 𝑆! 𝑆 𝑛−𝑆
𝑛=𝑆 𝑛−𝑆=0
41
𝜆 𝑆 𝜆 𝑛−𝑆 𝜆 𝑆
( ) ∞ ( ) ( ) ∞ 𝜆 𝑛−𝑆
𝜇 𝜇 𝜇
= ∑ = ∑ ( )
𝑆! 𝑆 𝑛−𝑆 𝑆! 𝜇𝑆
𝑛−𝑆=0 𝑛−𝑆=0
𝜆 𝑆 ∞ 𝜆 𝑆
( ) ( ) 1
𝜇 𝜇
= ∑ 𝜌 𝑛−𝑆 = ( )
𝑆! 𝑆! 1 − 𝜌
𝑛−𝑆=0
𝜆 𝑆
( )
𝜇
=
𝑆 ! 1 − 𝜌)
(
Lo cual queda demostrado.
NÚMERO ESPERADO DE UNIDADES EN LA COLA
(𝜆⁄𝜇)𝑠 ∗𝜌∗𝑝0
Lq = S!(1−𝜌)2
Demostración: La variable para este modelo es (N-S) si existiera S servidores

en el sistema.
∞ ∞
(𝜆⁄𝜇 )𝑛
𝐿𝑞 = 𝐸 (𝑁 − 𝑆) = ∑ (𝑛 − 𝑆)𝑝𝑛 = ∑ (𝑛 − 𝑆) ∗ 𝑝0
S!S 𝑛−𝑠
𝑛−𝑆=0 𝑛−𝑆=0
∞ ∞
𝑝0 (𝜆⁄𝜇 )𝑛 𝑝0 𝜆 𝑛
= ∑ ( 𝑛−𝑆 ) = ∑ ( 𝑛−𝑆 ) ( ) =
S!S −𝑠 𝑆𝑛 S!S −𝑠 𝜇𝑆
𝑛−𝑠=0 𝑛−𝑠=0
𝑝0 𝑆𝑠 𝜌𝑠 𝑝0 𝑆𝑠 𝜌 𝑠
∑∞ 𝑛
𝑛−𝑠=0(𝑛 − 𝑆)𝜌 ∗ (𝜌 𝑠 ) = ∑∞
𝑛−𝑠=0(𝑛 − 𝑆)𝜌
𝑛−𝑠
=
S! S!
Cambio de variable m=n-S:
𝑝0 𝜌𝑠 𝑆 𝑠 𝜌 𝑝0 𝜌𝑠+1 𝑆 𝑆
= ∑∞
𝑚=0 𝑚𝜌
𝑚
= ∑∞
𝑚=0 𝑚𝜌
𝑚−1
S! 𝜌 S!
𝑝0 𝜌(𝜆⁄𝜇 )𝑠 𝑑
= ∑∞
𝑚=0 (𝜌 𝑚 ) pero la derivada puede salir de la sumatoria.
S! 𝑑𝜌
42
∞
𝑝0 𝜌(𝜆⁄𝜇 )𝑠 𝑑 𝑚
𝑝0 𝜌(𝜆⁄𝜇 )𝑠 1 ′
= ∑𝜌 = ( )
S! 𝑑𝜌 S! 1−𝜌
𝑚=0
𝑝0 𝜌(𝜆⁄𝜇)𝑠 𝑝0 𝜌(𝜆⁄𝜇)𝑠
= (+1)(1 − 𝜌)−2 =
S! S!(1−𝜌)2
NÚMERO ESPERADO DE ESTACIONES DESOCUPADAS
En este modelo pueden existir más de dos estaciones y por tanto algunas
desocupadas.
𝑠−1 𝑠−1
(𝜆⁄𝜇 )𝑛
𝐿𝐷 = ∑(𝑆 − 𝑛)𝑝𝑛 = ∑(𝑆 − 𝑛) 𝑝0
n!
𝑛=0 𝑛=0
LD=S-S
𝜆
S es el número de estaciones, cajeros, maquinas gasolineras, etc. Donde 𝜌 = 𝜇𝑆 es
la probabilidad de tránsito o tráfico es decir los que están atendiendo.
NÚMERO ESPERADO DE ESTACIONES OCUPADAS
L0 =  S
NÚMERO ESPERADO DE UNIDADES EN EL SISTEMA
𝐿 = ∑∞
𝑛=0 np𝑛
𝑛(𝜆⁄𝜇)𝑛 𝑛(𝜆⁄𝜇)𝑛
𝐿 = ∑𝑠−1
𝑛=0 𝑝0 + ∑∞
𝑛=𝑠 𝑝0
n! S!S𝑛−𝑠
Para facilitar cálculos: L = Lq + L0 Donde Lq es el número de unidades en la

cola y L0n es el número de estaciones ocupadas.
43
TIEMPO MEDIO DE ESPERA EN LA COLA
𝜆 ∗ 𝑊𝑞 = 𝐿𝑞
𝐿𝑞
𝑊𝑞 =
𝜆
(𝜆⁄𝜇 )𝑠 𝜌𝑝0
𝑊𝑞 =
𝜆S!(1 − 𝜌)2
TIEMPO MEDIO DE ESPERA EN EL SISTEMA
𝐿 1
W=L → 𝑊 = 𝜆 = 𝑊𝑞 + 𝜇
PROBABILIDAD DE QUE UN CLIENTE PERMANEZCA MAS DE t UNIDADES DE

TIEMPO EN LA COLA
(𝑆𝜌)𝑠 𝑝
𝑊𝑞 (𝑡) = S!(1−𝜌)0 𝑒 −𝑆𝜇𝑡(1−𝜌) t 0
PROBABILIDAD DE QUE UN CLIENTE PERMANEZCA MAS DE t UNIDADES DE

TIEMPO EN UN SISTEMA
(𝑆𝜌)𝑠 𝑝0 [1−𝑒 −𝜇𝑡(𝑆−1−𝑆𝜌) ]

𝑊 (𝑡) = 𝑒 −𝜇𝑡 {1 + } t 0
S!(1−𝜌)(𝑆−1−𝑆𝜌)
PROBABILIDAD DE QUE UNA UNIDAD QUE LLEGA AL SISTEMA TENGA QUE

ESPERAR
44
𝑝0 (𝜆⁄𝜇 )𝑠 𝜇𝑆
𝑃 (𝐷𝑒 𝑙𝑙𝑒𝑔𝑎𝑟 𝑦 𝑒𝑠𝑝𝑒𝑟𝑎𝑟 ) = ( )
S! 𝜇𝑆 − 𝜆
∞ ∞
(𝜆⁄𝜇 )𝑛
𝑃 (𝐷𝑒 𝑙𝑙𝑒𝑔𝑎𝑟 𝑦 𝑒𝑠𝑝𝑒𝑟𝑎𝑟) = ∑ 𝑝𝑛 = ∑ ∗ 𝑝0
S! S 𝑛−𝑠
𝑛=𝑆 𝑛=𝑆
∞ ∞
𝑝0 (𝜆⁄𝜇 )𝑛 (𝜆⁄𝜇 )𝑆 𝑝0 𝑆 ∑
(𝜆⁄𝜇 )𝑛−𝑆
= ∑ = ( 𝜆 ⁄𝜇 )
S! 𝑆 𝑛−𝑆 (𝜆⁄𝜇 )𝑆 S! 𝑆 𝑛−𝑆
𝑛−𝑠=0 𝑛−𝑠=0
∞
𝑝0
= (𝜆⁄𝜇 )𝑆 ∑ 𝜌 𝑛−𝑆
S!
𝑛−𝑠=0
𝑝0 1
= (𝜆⁄𝜇 )𝑆 [ ]
S! 1−𝜌
𝑝0 1
= (𝜆⁄𝜇 )𝑆 [ ]
S! 𝜆
1 − 𝜇𝑆
𝑝0 1
= (𝜆⁄𝜇 )𝑆 [ ]
𝜇𝑆
𝑝0 (𝜆⁄𝜇 )𝑠 𝜇𝑆
𝑃 (𝐷𝑒 𝑙𝑙𝑒𝑔𝑎𝑟 𝑦 𝑒𝑠𝑝𝑒𝑟𝑎𝑟 ) = ( )
45

Investigación Operativa Ii Tema 1 Espera

Cargado por

Copyright:

Formatos disponibles

Investigación Operativa Ii Tema 1 Espera

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigación Operativa Ii Tema 1 Espera

Cargado por

Copyright:

Formatos disponibles

INVESTIGACIÓN OPERATIVA II PROF.

SISTEMAS ESTOCÁSTICOS DE SERVICIO

Un proceso estocástico se define como una familia de variables aleatorias.

Donde T es conjunto índice y S1 es el espacio muestral asociado a un experimento

{𝑋(𝑡,𝑤) , 𝑡 ∈𝑇 ∧ 𝑤 ∈ 𝑆} 𝑋(𝑡,𝑤) {𝑋(𝑡) , 𝑡 ∈ 𝑇 }

A una realización del proceso estocástico si lo denota por.

1 El Espacio muestral se define como el conjunto total de resultados posibles que

(𝑥1 (𝑡, 𝑤1 ), 𝑥2 (𝑡, 𝑤1 ), … … … … . ., 𝑥(𝑛) (𝑡, 𝑤1 ))

FUNCIÓN DE VALOR MEDIO

Dado un proceso estocástico {𝑋(𝑡) , 𝑡 ∈ 𝑇 } se define ser función de valor medio

𝑚(𝑡) = E (𝑋(𝑡) ) = 𝜇𝑥 (𝑡)

La cual es una función del tiempo.

2.1.7 FUNCIÓN DE VARIANZA

Se define como el momento central de orden 2 de un proceso estocástico.

𝑅𝑋 (𝑡1 , 𝑡2 ) = 𝑐𝑜𝑣 (𝑋(𝑡1 ) , 𝑋(𝑡2 ))

𝑅𝑋 (𝑡1 , 𝑡2 ) = 𝑐𝑜𝑣 (𝑋(𝑡1 ) , 𝑋(𝑡2 ) ) = 𝐸 [(𝑋(𝑡1 ) − 𝑚(𝑡1 ) )(𝑋(𝑡2) − 𝑚(𝑡2 ))]

= 𝐸 [𝑋(𝑡1 ) 𝑋(𝑡2) ] − 𝑚(𝑡1 ) 𝑚(𝑡2 )

𝜌𝑥 (𝑡1 , 𝑡2 ) = 𝜌𝑥 (𝑡1 , 𝑡2 ) Este se define como:

𝑐𝑜𝑣 (𝑋(𝑡1 ) , 𝑋(𝑡2 ) )

Cuyo recorrido es:

Sea {𝑁(𝑡) , 𝑡 ≥ 0} un proceso puntual discreto en el espacio y continuo en el

Y se cumple los siguientes axiomas:

1. {𝑁(𝑡) , 𝑡 ≥ 0} Es un proceso de incrementos independientes

2. 𝑃 [𝑁(𝑡 + 𝛥𝑡) − 𝑁(𝑡) = 1] = 𝜆𝛥𝑡 + 0(𝛥𝑡)

3. 𝑃 [𝑁(𝑡 + 𝛥𝑡) − 𝑁(𝑡) = 0] = 1 − 𝜆𝛥𝑡 + 0(𝛥𝑡)

4. 𝑃 [𝑁(𝑡 + 𝛥𝑡) − 𝑁(𝑡) > 1] = 0(𝛥𝑡)

• 0(𝛥𝑡) Es una función del tiempo 𝛥𝑡 .

Y se cumple las siguientes propiedades:

1. 0(𝛥𝑡) ± 0(𝛥𝑡) = 0(𝛥𝑡)

2. 𝑐0(𝛥𝑡) = 0(𝛥𝑡) con c≠0 Constante

Sea {𝑁(𝑡) , 𝑡 ≥ 0} es un Proceso de Poisson de parámetro 𝜆, para todo par de

Para el caso en particular cuando s = 0 se tiene que:

𝑝0, (𝑡) = − 𝑝0 (𝑡) 𝜆 𝑘=0

𝑝𝑘 (𝑡 + ∆ 𝑡) = 𝑝𝑘 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 0] + 𝑝𝑘−1 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 1]

+ 𝑝𝑘−2 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 2] + 𝑝𝑘−3 (𝑡) 𝑃[𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 3] + … ….

𝑝𝑘 (𝑡 + ∆ 𝑡) = 𝑝𝑘 (𝑡)[1 − 𝜆 ∆ 𝑡 + 0 (∆ 𝑡)] + 𝑝𝑘−1 (𝑡)[ 𝜆 ∆ 𝑡 + 0 (∆ 𝑡)] +

𝑝𝑘−2 (𝑡) 0 (∆ 𝑡) + 𝑝𝑘−3 (𝑡) 0 (∆ 𝑡) + … … … . + 𝑝0 (𝑡) 0 (∆ 𝑡)

𝑝𝑘 (𝑡 + ∆ 𝑡) = 𝑝𝑘 (𝑡) − 𝑝𝑘 (𝑡) 𝜆 ∆ 𝑡 + 𝑝𝑘−1 (𝑡) 𝜆 ∆ 𝑡 + 0 (∆ 𝑡)

𝑝𝑘, (𝑡) = − 𝑝𝑘 (𝑡) 𝜆 + 𝑝𝑘−1 (𝑡) 𝜆 𝑘 = 1, 2, 3 … … … .

Hallando la solución de la ecuación diferencial se tiene que:

𝑝𝑘′ (𝑡) = −𝑝𝑘 (𝑡)𝜆 + 𝑝𝑘−1 (𝑡)𝜆‖𝑧 𝑘

Aplicando la Función Generadora de Probabilidades 2.

Se tiene que la expresión anterior se convierte en:

El lado izquierdo se convierte en:

𝐺(𝑧, 𝑡)/𝑡=0 = ∑ 𝑝𝑘 (𝑡)𝑧 𝑘 /𝑡=0

De donde se tiene que c1=1, por lo tanto se tiene que:

De la fórmula para obtener la función probabilística de cuantía se tiene que:

𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 𝑡>0

Sea “X” una variable aleatoria distribuida exponencial de parámetro  entonces

Esperanza Varianza Función característica Función generatriz de

Integrando dos veces por partes.

Sea {N(t), t 0} un Proceso de Poisson, de parámetro λt entonces las siguientes

𝑚(𝑡) = 𝑒 −𝜆𝑡 𝜆𝑡𝑒 𝜆𝑡 = 𝜆𝑡𝑒 0 = 𝜆𝑡

b) Hallando el segundo momento alrededor del origen se tiene que:

De los momentos alrededor del origen obtenidos anteriormente se tiene que:

𝑉(𝑁(𝑡)) = 𝐸[𝑁 2 (𝑡)] − [𝐸(𝑁(𝑡))]2

𝑅𝑁 (𝑠, 𝑡) = 𝐶𝑂𝑉(𝑁(𝑠), 𝑁(𝑡))

𝑅𝑁 (𝑠, 𝑡) = 𝐶𝑂𝑉(𝑁(𝑠), 𝑁(𝑡))

Por lo tanto de los resultados obtenidos en anteriormente se tiene que: