Apunte de contenidos:

Optimización II
Unidad 2

UGM
Escuela de Ingeniería
Santiago, Chile
2022
 1. Procesos estocásticos
1.1 ¿Qué se entiende por un Proceso Estocástico?
Los Procesos Estocásticos o Procesos Aleatorios, son una herramienta
probabilística, que surge ante la necesidad de modelar el comportamiento de
experimentos aleatorios que varían en el tiempo, o dependen de alguna otra
variable no determinista. De manera general pueden dividirse en procesos
estocásticos de tiempo discreto y de tiempo continuo.
Es decir, cuando nosotros estudiamos procesos estocásticos, cada observación
que realicemos corresponderá a una función del tiempo. A manera de entender
lo que es el significado de las palabras “estocástico” y “proceso”, de una manera
sencilla podemos decir que estocástico significa “aleatorio”, al “azar” o “no
determinista”, y la palabra proceso en
nuestro contexto diremos que significa una “función del tiempo”.
Concluimos entonces que un proceso estocástico es un sistema que se va
desarrollando a través del tiempo, mientras va pasando por fluctuaciones al
azar.
Es usual describir a tales sistemas como una familia de variables aleatorias, {Xt},
donde Xt mide, en el instante t, el comportamiento del sistema en estudio.
Definición: La sucesión {Xt(ω): t ∈ T, ω ∈ Ω} es un proceso estocástico si, para cada
t ∈ T, Xt(ω) es una variable aleatoria. Si T = {1, 2, ...}, el proceso estocástico Xt, t ∈
T es justamente una sucesión de variables aleatorias y, en tal caso, hablamos de
un proceso estocástico de tiempo discreto. Cuando T es un conjunto continuo (un
intervalo), hablamos de un proceso estocástico de tiempo continuo.
Nos referimos a
• t como el índice, el cual es interpretado como el tiempo o el paso;
• Al conjunto T se le llama el conjunto índice o espacio del parámetro;
• y a Xt(ω) o X(t) o Xt, como el estado del proceso en el tiempo t, y los
cambios en el valor de X(t) reciben el nombre de transiciones entre sus
estados. Y al conjunto de todos los valores posibles que las variables
aleatorias X(t) pueden asumir, se les llama espacio de estados

Ejemplos
• X(t) puede ser igual al número total de clientes que han entrado al
supermercado en el tiempo t;
• X(t) puede ser el número de aprobados en el curso de procesos estocásticos
en el tiempo t;

pág. 2
 • X(t) puede ser la cantidad total de ventas que se han registrado en el
supermercado en el tiempo t;

1.2.¿Clasificación de procesos estocásticos ?

El espacio de estado “S” puede ser contino o discreto
El espacio paramétrico “T” puede ser continuo o discreto

https://www.fcfm.buap.mx/jzacarias/cursos/procesos/apuntes/apun1_pe.pdf
Usualmente se usan como modelos matemáticos de fenómenos aleatorios que
evolucionan en el tiempo o el espacio. Y como la aleatoriedad está presente en
una gran diversidad de situaciones, sus posibles aplicaciones son muy amplias:
Enlistaremos una breve lista de ejemplos:
• Telecomunicaciones: tamaño de Redes, cobertura de las antenas, control
de tráfico, enrutamiento alternativo y reconocimiento de voz.
• Computadoras: diseño de redes, procesamiento paralelo, inteligencia
artificial, reconocimiento de patrones y optimización de desempeño.
• Fabricación: pronóstico, planificación, programación, ubicación de
instalaciones y gestión de recursos.
• Finanzas: carteras, precios de opciones, fondos de pensiones y pronósticos.
• Seguros: análisis de riesgo, demografía, inversiones y diversificación.
• Internet: diseño, control, búsqueda óptima, procesamiento paralelo,
publicidad y reconocimiento de patrones.
• Call-centers: pronóstico, elección de personal, enrutamiento alternativo y
diseño óptimo.
• Aerolíneas: programación, mantenimiento, precios de boletos y
sobreventa.
• Cadenas de suministro: diseño de redes, control de inventario, transbordo,
fuentes alternativas y contratación.

pág. 3
 • Infraestructura: confiabilidad y mantenimiento de carreteras, edificios,
puentes, represas, diques y servicios públicos.
• Aeropuertos: control de tráfico, emergencias, seguridad y diseño de pistas.
• Control de inventario: artículos de venta y alquiler, sangre, aceite, agua y
alimentos.
• Seguridad: computadoras, patria, bancos, teléfonos y archivos de datos.
• Medicina: secuenciación del ADN, diagnósticos, epidemias y vacunas.
Otro tipo de aplicaciones especializadas y de las cuales no siempre se tiene acceso
fácilmente a tales aplicaciones, se da en disciplinas científicas como Matemáticas,
Ingeniería, Física, Ciencias Sociales, Biología, Negocios, etc., así como en asuntos
relacionados a dependencias gubernamentales como Nasa, Armada Naval, etc.
2. Cadenas de Markov
Los procesos de paseo aleatorio en realidad son un caso particular de procesos
más generales que son las cadenas de Markov. En esencia, una cadena es un
proceso en tiempo discreto en el que una variable aleatoria Xn va cambiando con
el paso del tiempo. Las cadenas de Markov tienen la propiedad de que la
probabilidad de que Xn = j sólo depende del estado inmediatamente anterior del
sistema: Xn−1. Cuando en una cadena dichas probabilidades no dependen del
tiempo en que se considere, n,
P (Xn = j | Xn−1 = i)
se denomina cadena homogénea, esto es, las probabilidades son las mismas en
cada paso.

2.1 Probabilidades de Transición

En una cadena homogénea finita con m posibles estados E1, E2,...,Em se puede
introducir la notación.

pij = P (Xn = j | Xn−1 = i),

donde i, j = 1, 2, . . . , m. Si pij > 0 entonces se dice que el estado Ei puede

comunicar con
Ej. La comunicación puede ser mutua si también pji > 0.
Para cada i fijo, la serie de valores {pij} es una distribución de probabilidad, ya que
en cualquier paso puede ocurrir alguno de los sucesos E1, E2,..., Em y son
mutuamente excluyentes. Los valores pij se denominan probabilidades de
transición que satisfacen la condición.

pág. 4
para cada i = 1, 2,… m. Todos estos valores se combinan formando una matriz de
transición T de tamaño m × m, donde

Se puede observar que cada fila de la matriz es una distribución de probabilidad,

es decir,

Observación:
Si las matrices A = [aij ] y B = [bij ] son matrices estocásticas, entonces C = A · B es
también estocástica. Por la regla de multiplicación de matrices,

De este modo:

Una consecuencia es que cualquier potencia de la matriz T es también una

matriz estocástica: Tn

Probabilidad Pj (n)
Una probabilidad de bastante interés es la probabilidad de llegar a Ej después de
(0)
n pasos, dada una distribución de probabilidad n {𝑝𝑖 }
(𝟎)
Se observa que {𝒑𝒊 } o es la probabilidad de que el sistema ocupe inicialmente
el estado Ei, de modo que

pág. 5
 (𝟏)
Si se denomina 𝒑𝒊 a la probabilidad de alcanzar Ej en un solo paso, entonces,
por el teorema de probabilidad total

Esto se puede expresar de forma vectorial: sean p(0) y p(1) los vectores fila de
probabilidad dados por:

donde p(0) es la distribución de probabilidad inicial y p(1) es la probabilidad de

que se alcance cada uno de los estados E1,...,Em después de un paso. Con esta
notación, se puede expresar

donde T es la matriz de transición.

Del mismo modo,

y en n pasos,

(𝟏)
NOTA: 𝒑𝒋 es la probabilidad incondicional de estar en el estado Ej en el n-
ésimo paso, dado que la probabilidad inicial es p(0), esto es,

que es tal que

𝑛
Probabilidad de transición en n pasos 𝑝𝑖𝑗

pág. 6
 𝑛
Se define 𝑝𝑖𝑗 como la probabilidad de que la cadena esté en el estado Ej
después de n pasos, dado que la cadena empezó en el estado Ei. Se tiene que

por la propiedad markoviana se tiene que

para n ≥ 2, ya que la cadena debe haber pasado por uno de los m posibles
estados en la etapa n – 1
Sabemos que:

usando la propiedad markoviana nuevamente. La ecuación anterior se

denomina de Chapman-Kolmogorov. Haciendo n igual a 2, 3,... se obtiene que
las matrices con esos elementos son :

2
ya que 𝑝𝑖𝑗 son los elementos de T2 y así sucesivamente. Así,

Ejemplo. En una cierta región el tiempo atmosférico sigue la siguiente secuencia:

Un día se denomina soleado (S) si el sol luce más de la mitad del día, y se
denomina nublado (N), si lo hace menos. Por experiencia, se sabe que, si hay un
día nublado, es igual de probable que el día siguiente sea también nublado. Si el
día es soleado hay una probabilidad de 2/3 de que sea también soleado.
1. Construye la matriz de transición T de este proceso.

pág. 7
2. Si hoy está nublado, ¿cuál es la probabilidad de que dentro de tres días esté
también nublado? ¿y de que esté soleado?
3. Calcula T5 y T10. ¿Cuál es el comportamiento de T n cuando n → ∞? ¿Cómo se
comporta p(n) cuando n → ∞? ¿Depende el límite de p(0)?

(1) Asumimos que el proceso es markoviamo y que el tiempo sólo depende del
día anterior. Se tiene una cadena de Markov con dos estados: E1 ≡ Día nublado
N, E2 ≡ Día soleado S. La matriz de transición es:
es decir,

Es decir,

(2) Empezando los pasos a partir del día actual, se tiene que:

De este modo, si hoy está nublado, dentro de tres días, se tiene que

29
Así, la probabilidad de que haya un día nublado en el tercer día es 𝑝13 = y que
72
43
sea soleado es 𝑝23 =
72
(3)

Clasificación de los estados

pág. 8
En una cadena homogénea con m estados E1, E2,...,Em y matriz de transición T
= [pij ] , (1 ≤ i, j ≤ m) el valor de pij es la probabilidad de que haya una transición
entre Ei y Ej en un momento dado. Según lo anterior se pueden clasificar los
estados de una cadena
Estado absorbente: Un estado es absorbente cuando una vez que se entra en él
no se puede salir del mismo. Un estado Ei es absorbente si

en la i-ésima fila de T

Estado periódico: la probabilidad de que se regrese al estado Ei en el paso n es

𝑝𝑖𝑖𝑛 . Sea t un número entero mayor que 1. Supongamos que

En este caso se dice que el estado Ei es periódico de periodo t. Si para un estado

no existe dicho valor de t entonces se dice que el estado es aperiódico.
Alternativamente, se puede definir:

es decir, el máximo común divisor de (mcd) del conjunto de los enteros n para
los que𝑝𝑖𝑖𝑛 > 0. Entonces, el estado Ei es periódico si d(i) > 0 y aperiódico si d(i)=1
Ejemplo. Sea una cadena de Markov con la siguiente matriz de transición:

cuyo diagrama de estados es

pág. 9
Observando este grafo, se ve que todos los estados tienen periodo 3. Por
ejemplo, si se empieza en E1, entonces los regresos a ese estado sólo se
producen en los pasos 3, 6, 9,...
(𝑛)
Estado recurrente: Denominamos como 𝑝𝑗 la probabilidad de que la primera
visita al estado Ej ocurra en la etapa n. Esta probabilidad no es la misma que
𝑛
𝑝𝑗𝑗 , que es la probabilidad de que se produzca un retorno en el n-ésimo paso y
esto incluye a los posibles retornos en los pasos 1, 2, 3,...,n − 1 también. Se
deduce que

es decir, la probabilidad de un retorno en el paso 3 es igual a la probabilidad de

un primer retorno en el paso 3 o la probabilidad de un primer retorno en el
primer paso y un retorno dos pasos después o la probabilidad de un retorno en
el segundo paso y un retorno un paso después.

Así, en general

(𝑛)
Se puede expresar en términos de 𝑝𝑗

pág. 10
La probabilidad de regresar en algún paso al estado Ej es

si 𝑓𝑗 = 1, entonces seguro que se regresa a Ej y se denomina a Ej estado

recurrente.

2.1 Probabilidad de primera pasada en general

Se puede generalizar el concepto de probabilidad de primera pasada,
(𝑛)
calculando la 𝑝𝑖𝑗 probabilidad de pasar de un estado i a otro estado j en n
etapas por primera vez: sin que en las etapas intermedias se haya pasado antes
por j:
Estado transitorio: en un estado recurrente, la probabilidad de que se regrese por
primera vez a ese estado en algún paso es 1, pero para otros estados sucede que
lo que significa es que no se regresa al estado Ej. de modo seguro. Un estado así
se denomina transitorio.
Estado ergódico: un estado bastante importante es aquel que es recurrente, no
nulo y aperiódico. Recibe el nombre de ergódico. Los estados ergódicos son
importantes en la clasificación de cadenas y para probar la existencia de
distribuciones de probabilidad límite.

Clasificación de cadenas
Cadenas irreducibles: una cadena irreducible es aquella en la que todos los
estados son alcanzables desde cualquier otro estado de la cadena en un número
finito de pasos. Eso implica que se puede llegar a cualquier estado Ej desde otro
(𝑛)
estado Ei esto es 𝑝𝑖𝑗 > 0, para algún número entero n.
(𝑛)
Una matriz A = [aij ] se dice que es positiva si 𝑎𝑖𝑗 > 0 para todos los i, j. Una matriz
de transición T se dice que es regular si existe un número entero N tal que T N es
positivo. Una cadena regular obviamente es irreducible, sin embargo, lo contrario
no tiene por qué ser necesariamente cierto.

pág. 11
Distribución de equilibrio de una cadena de Markov
Un problema de gran interés en las aplicaciones prácticas es el siguiente:
transcurrido un número muy grande de etapas, ¿cuál es la probabilidad de que la
cadena se encuentre en un estado j determinado? Esta pregunta sólo tiene
sentido cuando el proceso es ergódico. Un proceso estocástico es ergódico
𝑃𝑖𝑗𝑛
cuando existe la distribución límite:𝜋𝑖𝑗 =
𝑛→∞
en cuyo caso se dice que la cadena está en equilibrio. La distribución𝜋 =
(𝜋1 , 𝜋2 , 𝜋3 ) recibe el nombre de distribución de equilibrio de la cadena. La
ergodicidad significa que, transcurridas muchas etapas, la probabilidad de estar
𝑃𝑖𝑗𝑛
en un estado j, 𝜋𝑖𝑗 = es independiente del estado de partida i.
𝑛→∞

Teorema: (a) Si { 𝑋𝑛 } ≥0 es una cadena de Markov irreducible y recurrente

positiva, entonces existe una única solución no degenerada de las ecuaciones:
𝜋𝑃 = 𝜋 𝜋 ∗ 𝑢 = 1

(siendo u un vector de unos). Además, el vector solución resultante 𝜋 = (𝜋𝑗 )

verifica que
1
𝜋𝑗 =
𝑢𝑗
Si además los momentos de la distribución estacionaria son finitos entonces se
tiene:
(b) Si el vector de probabilidades iniciales p(0) se elige de modo que p(0) = π,
entonces la cadena es un proceso estacionario y ergódico.
(c) Si además la cadena es aperiódica, irreducible y recurrente positiva, entonces
el proceso es ergódico y la distribución límite coincide con la distribución
estacionaria.

3. Teoría de colas
3.1 Introducción
La teoría de colas fue planteada por Agner Krarup Erlang (Dinamarca, 1878 - 1929)
en 1909 para analizar la congestión de tráfico telefónico con el objetivo de cumplir
la demanda incierta de servicios en el sistema telefónico de Copenhague.
La teoría de líneas de espera o de colas es actualmente una herramienta de valor
en negocios debido a que muchos de sus problemas pueden caracterizarse, como
problemas de congestión llegada - partida.

pág. 12
 Una línea de espera es una cola y la teoría de colas es un conjunto de modelos
matemáticos que describen sistemas de líneas de espera particulares o de
sistemas de colas, desde lo más simple hasta complejas redes, llamémosle, de
atención.
Estos modelos sirven para determinar y calibrar los costes del sistema y los
tiempos promedio de la línea de espera para un sistema dado.
El objetivo es determinar la tasa de atención (o servicio) otorga un adecuado
balance al sistema.
Las llegadas o arribos al sistema pueden o no conocerse con exactitud, además
pueden ocurrir en cualquier momento. De igual manera el tiempo necesario para
brindar el servicio puede o no conocerse con exactitud.
Los problemas de “Colas” son cosa cotidiana de la vida diaria. Un estudio realizado
en los EE.UU. concluyó que el ciudadano promedio pasa 5 años de su vida
esperando en distintas Colas (6 meses de ellos, parado en los semáforos).

Definición
La teoría de líneas de espera o de colas, es el estudio matemático del
comportamiento de líneas de espera. Estas se presentan cuando, llamémosle
"clientes" llegan a un "lugar" demandando un servicio a un "servidor" el cual tiene
cierta capacidad de atención. Si el servidor no está disponible inmediatamente y
el cliente decide esperar, entonces se forma en la línea de espera.

Estructura de una línea de espera

ARRIBO DISCIPLINA SALIDA

SERVIDOR
POBLACIÓN LINEA DE ESPERA

I II III IV V VI

pág. 13
Finita o De 1 en lote o en Número de colas. -FIFO -1 servidor, 1
infinita lotes Capacidad de las -LIFO fase.
colas. -Emergencias -1 servidor,
Distribución: Aleatorio múltiples fases.
Constante Menor tiempo de -Múltiples
Exponcial o de procesado servidores, 1
Poisson. -Otras fase.
Erlang. prioridades -λ es la tasa de
Otra. llegadas.
Nivel de -1/ λ es el tiempo
entre llegadas.
Nivel de
paciencia:
-Abandona la
cola.
-Se queda.
-Cambia de cola.
-λ es la tasa de
llegadas.
-1/λ es el tiempo
entre llegadas.

NOTACION

Donde:
• M Distribución exponencial.
• D Distribución degenerada (tiempos constantes).
• Ek Distribución Erlang (con parámetro de forma k).
• G Distribución General (permite cualquier distribución arbitraria)

pág. 14
CONCEPTOS BÁSICOS
Clientes: Término usado para referirse a:
• Gente esperando líneas telefónicas desocupadas.
• Máquinas que esperan ser reparadas.
• Aviones esperando aterrizar.
Instalaciones de servicio: Término usado para referirse a:
• Líneas telefónicas.
• Talleres de reparación.
• Pistas de aeropuerto.
Llegadas: es el número de clientes que llegan a las instalaciones de servicio.
Tasa de servicio: Término usado para designar la capacidad de servicio, por
ejemplo:
Un sistema telefónico entre dos ciudades puede manejar 90 llamadas por minuto.
• Una instalación de reparación puede de media, reparar máquinas a razón
una cada 8 horas.
• Una pista de aeropuerto en la que aterrizan dos aviones por minuto.
Número de servidores de servicio: Es la cantidad de servidores disponibles en el
sistema:

Costos asociados a un sistema de colas

a) Costos de espera de los clientes; Dado por el valor del tiempo perdido o
combustible malgastado en embotellamientos de tránsito y semáforos.
b) Costos asociados a la expansión de la capacidad de servicio
c) Los costes totales del sistema de servicio; Es la suma de los dos costes
anteriores
Observaciones: Lo normal es pensar que los costes de espera decrecen conforme
aumenta la capacidad de servicio del sistema.

pág. 15
Desde el punto de vista del cliente:
Cuando el número de servidores es reducido, el costo de esperar es alto, y
conforme se incrementa el número de servidores el costo de espera se reduce.
Desde el punto de vista del sistema:
Cuando el número de servidores es reducido, el costo de mantener el sistema es
reducido, y conforme se incrementa el número de servidores el costo de
mantener el sistema se incrementa.
El sistema alcanza su costo óptimo cuando el costo total es el mínimo. El costo
total es la suma del costo de mantener el sistema más el costo de espera.

Objetivos de la teoría de colas

• Identificar el nivel óptimo de capacidad del sistema que minimiza el coste
global del mismo.
• Evaluar el impacto que las posibles alternativas de modificación de la
capacidad del sistema tendrían en el coste total del mismo.
• Establecer un balance equilibrado (“óptimo”) entre las consideraciones
cuantitativas de costes y las cualitativas de servicio.
Observación: Prestar atención al tiempo de permanencia de un cliente en todo el
sistema o en la Cola. El costo que los clientes están dispuestos a asumir depende
del tipo específico de servicio que van a recibir, por lo que un cliente puede
abandonar el sistema.

pág. 16
La distribución de poisson
Esta distribución es muy frecuente en los sistemas de colas. Describe una variable
aleatoria discreta que tiene valores no-negativos y enteros. Por ejemplo, la
llegada de pacientes a un consultorio, las llamadas a una central telefónica, la
llegada de automóviles a un servicio de lavado, etc.
SUPOSICIONES PARA LA APLICACIÓN DE LA DISTRIBUCIÓN POISSON
a) El número de llegadas que ocurren en un intervalo de tiempo T es
independiente de las que ocurren en cualquier otro intervalo de tiempo
disjunto.
b) La probabilidad de que se produzca una sola llegada en un intervalo de
tiempo muy corto, es proporcional a la duración del intervalo de tiempo, y
no depende del número de llegadas fuera de este intervalo de tiempo.
c) La probabilidad de que ocurra más de una llegada en dicho intervalo de
tiempo corto es insignificante.
La probabilidad de que se produzcan n llegadas durante el intervalo de
tiempo T según un proceso poissoniano viene dada por:

pág. 17
Donde λ es la tasa media de llegadas por unidad de tiempo.

LA DISTRIBUCIÓN EXPONENCIAL
La distribución de Poisson describe las llegadas por unidad de tiempo y la
distribución exponencial estudia el tiempo entre cada una de estas llegadas.
Si las llegadas son de Poisson, el tiempo entre ellas es exponencial. La
distribución de Poisson es discreta, mientras que la distribución exponencial es
continua, porque el tiempo entre llegadas no tiene por qué ser un número
entero.
Esta distribución se usa mucho para describir el tiempo entre eventos,
específicamente, la variable aleatoria que representa el tiempo necesario de
servicio. Un ejemplo típico puede ser el tiempo que un médico dedica a un
paciente.
La probabilidad de que la duración de un servicio sea de t unidades de tiempo es:

Donde μ es la tasa media de servicios completados por unidad de tiempo.

PROCESO DE NACIMIENTO Y MUERTE

La mayor parte de los modelos elementales de colas suponen que las entradas
(llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de
acuerdo con un proceso de nacimiento y muerte. Este importante proceso de
teoría de probabilidad tiene aplicaciones en varias áreas. Sin embargo, en el
contexto de la teoría de colas, el término nacimiento se refiere a la llegada de un
nuevo cliente al sistema de colas, mientras que el término muerte se refiere a la
salida del cliente servido. El estado del sistema en el tiempo t (t ≥0), denotado
por N(t), es el número de clientes que hay en el sistema de colas en el tiempo t. El
proceso de nacimiento y muerte describe en términos probabilísticos cómo
cambia N(t) al aumentar t. En general, sostiene que los nacimientos y muertes
individuales ocurren de manera aleatoria, y que sus tasas medias de ocurrencia
dependen del estado actual del sistema. De manera más precisa, los supuestos
del proceso de nacimiento y muerte son los siguientes:

pág. 18
Supuesto 1. Dado N(t)= n, la distribución de probabilidad actual del tiempo que
falta para el próximo nacimiento (llegada) es exponencial con parámetro 𝜆n (n 5
0, 1, 2, . . .).
Supuesto 2. Dado N(t) =n, la distribución de probabilidad actual del tiempo que
falta para la próxima muerte (terminación de servicio) es exponencial con
parámetro 𝜇n (n 5 1, 2, . . .).
Supuesto 3. La variable aleatoria del supuesto 1 (el tiempo que falta hasta el
próximo nacimiento) y la variable aleatoria del supuesto 2 (el tiempo que falta
hasta la siguiente muerte) son mutuamente independientes. La siguiente
transición del estado del proceso es:
n → n+1 1 (un solo nacimiento)
o
n→n–1 1 (una sola muerte),
lo que depende de cuál de las dos variables es más pequeña.
En el caso de un sistema de colas, λn y μn representan, respectivamente, la tasa
media de llegada y la tasa media de terminaciones de servicio, cuando hay n
clientes en el sistema. En algunos sistemas de colas, los valores de las λn serán las
mismas para todos los valores de λn, y las λn también serán las mismas para toda
n excepto para aquella n tan pequeña que el servidor este desocupado (es decir,
n =0). Sin embargo, las λn y las también pueden variar en forma considerable con
n para algunos sistemas de colas.
Por ejemplo, una de las formas en las que 𝜇n puede ser diferente para valores
distintos de n es si los clientes potenciales que llegan se pueden perder (rechazar
la entrada al sistema) con mayor probabilidad a medida que n aumenta. De
manera similar, μn puede ser diferente ante valores distintos de n debido a que
existe una mayor probabilidad de que los clientes renuncien (se vayan sin haber
sido servidos) a medida que aumenta el tamaño de la cola.
Uno de los ejemplos de la sección
Principio de tasa de entrada =tasa de salida. Para cualquier estado n (n= 0, 1, 2, .
. .) del sistema, la tasa media de entrada =tasa media de salida.
La ecuación que expresa este principio se llama ecuación de balance del estado n.
Después de construir las ecuaciones de balance de todos los estados en términos
de las probabilidades Pn desconocidas, se puede resolver este sistema de
ecuaciones (más una ecuación que establezca que las probabilidades deben
sumar 1) para encontrarlas.
A fin de ilustrar una ecuación de balance, considere el estado 0. El proceso entra
a este estado sólo desde el estado 1. En consecuencia, la probabilidad de estado

pág. 19
estable de encontrarse en el estado 1 (P1) representa la proporción de tiempo
que es posible que el proceso entre al estado 0.
Dado que el proceso se encuentra en el estado 1, la tasa media de entrada al
estado 0 es μ1. (En otras palabras, para cada unidad acumulada de tiempo que el
proceso pasa en el estado 1, el número esperado de veces que lo dejaría para
entrar al estado 0 es μ1.) Desde cualquier otro estado, esta tasa media es 0. Por
lo tanto, la tasa media global a la que el proceso deja su estado actual para entrar
al estado 0 (la tasa media de entrada) es
λ1P1 +0(1- P1)=𝜇1 𝑝1

Por el mismo razonamiento, la tasa media de salida debe ser 𝜆0 𝑃0 , de manera

que la ecuación de balance del estado 0 es
λ1P1 =𝜇1 𝑝1

En proceso de nacimiento y muerte queda representado mediante el diagrama de

tasas del proceso de nacimiento y muerte.

En el caso de todos los demás estados, existen dos transiciones posibles, hacia
adentro y hacia afuera del estado. Entonces, cada lado de las ecuaciones de
balance de estos estados representa la suma de las tasas medias de las dos
transiciones incluidas. En tabla siguiente se muestra las ecuaciones de balance
para n estados.

pág. 20
Resultados del proceso de nacimiento y muerte
Observación: Los modelos exponenciales están basados en procesos de
nacimientos y muertes.

Modelo de colas de un solo canal con llegadas de Poissy tiempos de servicio

exponenciales (M/M/1)
En este apartado se presenta un método analítico para determinar medidas
importantes del desempeño de un sistema de servicio común. Después de haber
calculado estas medidas numéricas, será posible agregar los datos de costo y
comenzar a tomar decisiones, que equilibren los niveles de servicio con los costos
de servicio de la línea de espera.
Suposiciones del modelo
El modelo de un solo canal y fase que se considera aquí es uno de los modelos de
colas más sencillos y más ampliamente utilizados. Implica suponer que existen
siete condiciones:
1. Las llegadas se atienden sobre una base de FIFO
2. Cada llegada espera a ser atendida independientemente de la longitud de la
fila; es decir, no se elude ni se rehúsa.
3. Las llegadas son independientes de las llegadas anteriores, pero su número
promedio (la tasa de llegadas) no cambia a lo largo del tiempo.
4. Las llegadas se describen con una distribución de probabilidad de Poisson y
provienen de una población infinita o muy grande.
5. Los tiempos de servicio también varían de un cliente al siguiente y son
independientes entre sí, pero se conoce su tasa promedio.
6. Los tiempos de servicio ocurren de acuerdo con una distribución de
probabilidad exponencial negativa.
7. La tasa de servicio promedio es mayor que la tasa de llegadas promedio.
Cuando se cumplen las siete condiciones, se pueden desarrollar una serie de
ecuaciones que definen las características de operación de la cola. Las
matemáticas que se utilizan para deducir cada ecuación son más bien complejas
y están más allá del alcance de este libro, por lo que a continuación tan solo se
presentarán las fórmulas.
1. El número promedio de clientes o unidades en el sistema, L, es decir, el número
en la fila más el número que se está atendiendo:

pág. 21
2. El tiempo promedio que un cliente pasa en el sistema, W, es decir, el tiempo
que pasa en la fila más el tiempo en que se le atiende:

3. El número promedio de clientes en la cola, Lq:

4.El tiempo promedio que pasa un cliente esperando en la cola, Wq:

5. El factor de utilización del sistema, 𝜌 (la letra griega rho), es decir, la

probabilidad de que se esté utilizando la instalación de servicio:

6. Porcentaje de tiempo ocioso, 𝑃𝑜 , es decir, la probabilidad de que nadie esté en

el sistema:

7. La probabilidad de que el número de clientes en el sistema sea mayor que

k,𝑃𝑛>𝑘

Costos en el modelo
Ahora que se han mostrado relaciones de las características del sistema de colas,
pero no identificó las decisiones óptimas ni consideró factores de costo. Como se
señaló anteriormente, la solución al problema de colas podría requerir que la
gerencia haga un balance entre el costo aumentado de ofrecer mejor servicio y
los costos reducidos de espera que se derivan de dar el servicio. Ambos costos se
conocen como costo de espera y costo del servicio.

El costo total del servicio es:

Costo total del servicio = (Número de canales) (Costo por canal).
Costo total del servicio = mCs.
donde:

pág. 22
m = número de canales.
Cs= costo de servicio (costo de mano de obra) de cada canal.
Cuando el costo de tiempo de espera se basa en el tiempo en el sistema, el costo
de espera es:
Costo total de espera= (Tiempo total pasado en espera por todas las
llegadas)(costo de la espera)
= (Número de llegadas)(Espera promedio por
llegada)Cw
así,
Costo total de espera =(𝝀W)Cw
Si el costo del tiempo de espera se basa en el tiempo en la cola, lo anterior será
Costo total de espera = (𝝀Wq)Cw
Estos costos se basan en cualesquiera unidades de tiempo (frecuentemente
horas) que se utilicen para determinar𝝀 . Cuando se suma el costo del servicio
total con el costo de espera total, se obtiene el costo total del sistema de colas.
Cuando el costo de espera se basa en el tiempo en el sistema, este es:
Costo total = Costo total de servicio + Costo total de espera
Costo total = mCs+(𝝀Wq)Cw

Modelo de colas de canales múltiples con llegadas de Poisson y tiempos de

servicio exponenciales (M/M/s=m)
El siguiente paso lógico es estudiar un sistema de colas de canales múltiples,
donde dos o más servidores o canales se encuentran disponibles para atender a
los clientes que llegan. Se supone que los clientes esperan el servicio en una sola
fila y, luego, se dirigen al primer servidor disponible. Un ejemplo de este tipo de
línea de espera de una sola fase y multicanal se encuentra actualmente en muchos
bancos. Se forma una fila común y el cliente que se encuentra al principio de la
cola se dirige al primer cajero disponible.
El sistema multicanal que aquí se presenta supone nuevamente que las llegadas
siguen una distribución de probabilidad de Poisson y que los tiempos de servicio
están distribuidos de forma exponencial.
El primero en llegar es el primero en ser atendido, y se supone que todos los
servidores funcionan al mismo ritmo. También se aplican otras suposiciones que
se presentaron anteriormente para el modelo de un solo canal.
Ecuaciones del modelo de colas multicanal
Si se hace que
m=número de canales abiertos,

pág. 23
λ= tasa de llegadas promedio, y
μ=tasa de servicio promedio en cada canal se pueden utilizar las siguientes
fórmulas en el análisis de la línea de espera:
1. La probabilidad de que haya cero clientes o unidades en el sistema es:

2. El número promedio de clientes o unidades en el sistema es:

3. El tiempo promedio que una unidad pasa en la línea de espera o recibiendo

servicio (es decir, dentro del sistema) es:

4.El número promedio de clientes o unidades que se encuentran en la línea

esperando ser atendidos:

5. El tiempo promedio que un cliente o unidad pasa en la cola esperando ser

atendido:

6. Tasa de utilización:

Algunos sistemas tienen tiempos de servicio constante en vez de tiempos

exponencialmente distribuidos.
Cuando los clientes o los equipos se procesan de acuerdo con un ciclo fijo, como
en el caso de un lavado de autos automático o el de un juego en un parque de
diversiones, son adecuadas las tasas de servicio constante. Ya que las tasas
constantes son ciertas, los valores de Lq, Wq, L y W siempre son menores de lo

pág. 24
que serían en los modelos que acabamos de presentar, que tienen tiempos de
servicio variables. En realidad, tanto la longitud promedio de la cola como el
tiempo de espera promedio en la cola disminuyen a la mitad con el modelo de
tasa de servicio constante.

Ecuaciones para el modelo del tiempo de servicio constante

Las fórmulas del modelo de servicio constante son las siguientes:
1. Longitud promedio de la cola:

2.Tiempo de espera promedio en la cola:

3.Número promedio de clientes en el sistema:

4.Tiempo promedio en el sistema:

MODELOS DE COLAS CON DISTRIBUCIONES NO EXPONENCIALES

Todos los modelos de teoría de colas de la sección anterior (excepto el de una
generalización) se basan en el proceso de nacimiento y muerte, lo que hace
necesario que tanto los tiempos entre llegadas como los de servicio tengan
distribuciones exponenciales. Como ya se dijo en un apartado (Vida supra), este
tipo de distribuciones de probabilidad tiene muchas propiedades convenientes
para la teoría de colas, pero sólo en cierto tipo de sistemas de colas proporciona
un ajuste razonable. En particular, el supuesto de tiempos entre llegadas
exponenciales implica que las llegadas ocurren al azar (proceso de entrada de
Poisson), lo cual es una aproximación razonable en muchas situaciones pero no
cuando las llegadas están programadas o reguladas con todo cuidado. Todavía
más, las distribuciones de tiempos de servicio reales con frecuencia se desvían
bastante de la forma exponencial, en particular cuando los requerimientos de
servicio de los clientes son muy parecidos. Por ello, es importante disponer de

pág. 25
otros modelos de colas que usen otras distribuciones de probabilidad.
Desafortunadamente, el análisis matemático de los modelos de colas con
distribuciones no exponenciales es mucho más difícil. Sin embargo, se han podido
obtener algunos resultados útiles con algunos modelos.

Modelo M/G/1
el modelo M/G/1 supone que el sistema de colas tiene un servidor y un proceso
de entradas de Poisson (tiempos entre llegadas exponenciales) con una tasa
media de llegadas fija λ. Como siempre, se supone que los clientes tienen tiempos
de servicio independientes con la misma distribución de probabilidad, pero no se
imponen restricciones sobre cuál debe ser esta distribución de tiempos de
servicio. En realidad, sólo es necesario conocer (o estimar) la media 1/𝜇 y la
variancia 𝜎 2 de esta distribución.
Cualquier sistema de líneas de espera de este tipo podrá alcanzar, en algún
momento, una condición de estado estable si Los resultados de estado estable
𝜆
disponibles 𝜌 = < 1 de este modelo general son los siguientes:
𝜇

Si se toma en cuenta la complejidad que representa el análisis de un modelo que

permite cualquier distribución de tiempos de servicio, es notable que se haya
podido obtener una formula tan sencilla de Lq. Esta fórmula es uno de los
resultados más importantes de la teoría de colas gracias a la facilidad con que se
aplica y al predominio de los sistemas M/G/1 en la práctica. Esta ecuación de Lq
(o su contraparte de Wq) con frecuencia recibe el nombre de fórmula de
Pollaczek-Khintchine, en honor de dos pioneros del desarrollo de teoría de colas
que dedujeron la fórmula de manera independiente a principios de la década de
1930.

pág. 26
Observe que para cualquier tiempo de servicio esperado fijo 1/𝜇 Lq, L, Wq y W se
incrementan cuando 𝜎 2 aumenta. Este resultado es importante porque indica
que la congruencia del servidor tiene gran trascendencia en el desempeño de la
instalación de servicio, no solo en su velocidad promedio. Este punto esencial se
ilustra en la siguiente subsección.
Cuando la distribución de los tiempos de servicio es exponencial, 𝜎 2 = 1/𝜇2 y
los resultados anteriores se reducen a los correspondientes al modelo M/M/1 que
se presentó al inicio de la sección
La flexibilidad total en cuanto a la distribución de los tiempos de servicio que
proporciona este modelo es en extremo útil, por lo que es lamentable que no se
haya tenido éxito en el desarrollo de resultados análogos en el caso de varios
servidores. Ahora bien, se han logrado algunos resultados para más de un servidor
en los importantes casos especiales descritos en los dos modelos siguientes.

Referencias bibliográficas

Hamdy, T. A. (2012). Investigación de operaciones. 9ª edición. Pearson

Educación, México.
Hillier, F. J. (2010). Introducción a la investigación de operaciones. 9ª edición.
McGraw-Hill: México, D.F.
Winston Wayne, L. (2005). Investigación de Operaciones Aplicaciones y
algoritmos. 4ª edición. México: Thomson.

pág. 27