Apuntes 2-01

INDICE
INDICE..................................................................................................................................................... 1 1. CADENAS DE MARKOV .................................................................................................................. 3 1.1-QU ES UN PROCESO ESTOCSTICO?..................................................................................... 3 1.2 QU ES UNA CADENA DE MARKOV? ...................................................................................... 5 PROBLEMAS ...................................................................................................................................... 7 1.3 PROBABILIDADES DE TRANSICIN DE n ETAPAS................................................................. 9 1.3.1 Tiempos de Parada o de primer pasaje ...................................................................................... 13 PROBLEMAS .................................................................................................................................... 13 1.4 CLASIFICACIN DE ESTADOS DE UNA CADENA DE MARKOV........................................ 15 PROBLEMAS .................................................................................................................................... 18 1.5 PROBABILIDADES DE ESTADO ESTABLE Y TIEMPOS MEDIOS DE PRIMER PASAJE .. 20 ANLISIS DE ESTADO TRANSITORIO ....................................................................................... 22 TIEMPOS PROMEDIO DE PRIMER PASAJE................................................................................ 26 PROBLEMAS .................................................................................................................................... 27 1.6 CADENAS ABSORBENTES .......................................................................................................... 29 PROBLEMAS .................................................................................................................................... 35 2.TEORA DE COLAS .......................................................................................................................... 40 2.1 TERMINOLOGA PARA LA TEORA DE COLAS...................................................................... 40 2-2 MODELADO DE LOS PROCESOS DE LLEGADA Y DE SERVICIO ....................................... 42 PROBLEMAS .................................................................................................................................... 53 2.3 PROCESOS DE NACIMIENTO Y MUERTE ................................................................................ 53 PROBLEMAS .................................................................................................................................... 61 2.4 SISTEMA DE COLAS M/M/1/DG// Y LA FRMULA L = W ............................................. 62 PROBLEMAS .................................................................................................................................... 68 2-5 SISTEMA DE COLAS M/M/1/DG/c/. ......................................................................................... 70 PROBLEMAS .................................................................................................................................... 73 2-6 SISTEMA DE COLAS M/M/s/DG//.......................................................................................... 73 PROBLEMAS .................................................................................................................................... 79 2-7 MODELOS M/M//DG// Y GI/G//DG//........................................................................... 81 PROBLEMAS .................................................................................................................................... 82 2-8 SISTEMA DE COLAS M/G/1/DG// .......................................................................................... 83 PROBLEMAS .................................................................................................................................... 85 2-9 MODELOS DE FUENTE FINITA: EL MODELO DE REPARACIN DE MQUINA ............. 86 PROBLEMAS .................................................................................................................................... 90 2-10 COLAS EXPONENCIALES EN SERIE Y REDES ABIERTAS DE COLAS ............................ 91 PROBLEMAS .................................................................................................................................... 95 2-11 SISTEMA M/G/s/DG/s/ .............................................................................................................. 97 (SISTEMA DEPURADO, SD)............................................................................................................... 97 PROBLEMAS .................................................................................................................................. 104 3-SIMULACIN.................................................................................................................................. 106 3.1 TERMINOLOGA BSICA .......................................................................................................... 107 3.2 NMEROS ALEATORIOS Y SIMULACIN DE MONTE CARLO......................................... 118 3.3 SIMULACIONES CON VARIABLES ALEATORIAS CONTINUAS ....................................... 122 MTODO DE TRANSFORMACIN INVERSA .......................................................................... 122
APUNTES DEL CURSO IO-3
PROF. RAL HERNNDEZ
MTODO DE ACEPTACIN O RECHAZO................................................................................. 128 MTODOS DIRECTO Y DE CONVOLUCION PARA LA DISTRIBUCIN NORMAL........... 128 3.4 ANLISIS ESTADSTICO EN LAS SIMULACIONES.............................................................. 130 4. MODELOS DE PREDICCIN........................................................................................................ 133 4.1 ATENUACIN EXPONENCIAL SIMPLE.................................................................................. 136 4.2 MTODO DE HOLT: ATENUACIN EXPONENCIAL CON TENDENCIA........................... 139 4.3 EXPONENCIAL CON VARIACIN ESTACIONAL ................................................................. 141 4.4 INTRODUCCIN AL MTODO DE WINTER........................................................................... 142 4.5 REGRESIN LINEAL SIMPLE ................................................................................................... 146 EXACTITUD DE PREDICCIN .................................................................................................... 149 4.6 REGRESIN LINEAL MLTIPLE.............................................................................................. 151 ANEXO A: PRUEBAS DE ALGUNOS RESULTADOS................................................................... 153 Seccin A.......................................................................................................................................... 153
PROF. RAL HERNNDEZ
1. CADENAS DE MARKOV
Algunas veces nos interesa saber como cambia una variable aleatoria a travs del tiempo. Por ejemplo, desearamos conocer cmo evoluciona el precio de las acciones de una empresa en el mercado a travs del tiempo. El estudio de como evoluciona una variable aleatoria incluye el concepto de procesos estocsticos. En este captulo explica esos procesos, en especial uno que se conoce como cadena de Markov. Las cadenas de Markov se han aplicado en reas tales como educacin, mercadotecnia, servicios de salud, finanzas, contabilidad y produccin. Comenzaremos definiendo el concepto de un proceso estocstico. En el resto del captulo describiremos las ideas bsicas que se necesitan para comprenderlas cadenas de Markov.
1.1-QU ES UN PROCESO ESTOCSTICO?

Supngase que observamos alguna caracterstica de un sistema en puntos discretos en el tiempo (que llamarnos 0,1,2. . ,). Sea Xt el valor de la caracterstica del sistema en el tiempo t. En la mayor parte de los casos no se conoce Xt con certeza antes del tiempo t y se puede considerar como variable aleatoria. Un proceso estocstico de tiempo discreto es simplemente una descripcin de la relacin entre las variables aleatorias X0, X1, X2, ., . A continuacin daremos unos ejemplos de procesos estocsticos de tiempo discreto. Ejemplo La ruina del jugador En el tiempo 0 tengo 2 dlares. En los tiempos 1, 2. ... participo en un juego en el que apuesto 1 dlar. Gano el juego con probabilidad p, y lo pierdo con probabilidad 1 -p. Mi meta es aumentar mi capital a 4 dlares, y tan pronto como lo logre se suspende el juego. El juego tambin se suspende si mi capital se reduce a 0 dlares. Si definimos que Xt es mi capital despus del juego cuando el tiempo es t, si es que lo hay, entonces se puede considerar que X0, X1, X2, ..., Xt son procesos estocsticos de tiempo discreto. Ntese que X0 = 2 es una constante conocida, pero que X1 y las dems Xt, son aleatorias. Por ejemplo, X1 = 3 con probabilidad p y X1 = 1 con probabilidad 1 - p. Ntese que si Xt = 4, entonces Xt+1 y todas las dems Xt, tambin sern igual a 4. Igualmente, si Xt = 0, entonces X t+1 y todas las dems X t sern cero tambin. Por razones obvias, a estos casos se les llama problema de la ruina del jugador. Ejemplo En una urna que contiene bolas hay dos sin pintar. Se selecciona una bola al azar y se lanza una moneda. Si la bola elegida no est pintada y la moneda produce cara, pintamos la bola de rojo; si la moneda produce cruz, la pintamos de negro Si la bola ya est pintada, entonces cambiamos el color de la bola de rojo a negro o de negro a rojo, independientemente de si la moneda produce cara o cruz. Para modelar este caso como proceso estocstico, definimos a t como el tiempo despus que la moneda ha sido lanzada por t-sima vez y se ha pintado la bola escogida En cualquier tiempo se puede representar el estado mediante el vector [u r b], donde u es el nmero de bolas sin pintar en la urna, r el nmero de bolas rojas y b el nmero de bolas negras. Se nos dice que X0 = [2 0 0]. Despus del primer lanzamiento, una bola habr sido pintada ya sea de rojo o de negro y el estado ser [1 1 0] o [1 0 1].
PROF. RAL HERNNDEZ
Por lo tanto, podemos asegurar que X1 = [1 1 0] o X1 = [1 0 1]. Es claro que debe haber alguna relacin entre las Xt,. Por ejemplo, si X, = [0 2 0] podemos asegurar que Xt+1 ser [0 1 1].
Ejemplo Sea X0 el precio de una accin de Computadoras CSL al principio de este da hbil. Tambin, sea Xt, el precio de esa accin al principio del t-simo da hbil en el futuro. Es claro que si se conocen los valores de X0, X1, X2, ..., Xt nos dicen algo acerca de la distribucin de probabilidad de Xt+1; el asunto es: que nos dice el pasado (los precios de las acciones hasta el tiempo t) acerca de X t+1? La respuesta a esta pregunta es de importancia crtica en finanzas. Terminaremos esta seccin con una explicacin breve de los procesos estcasticos de tiempo continuo. Un proceso estocstico de tiempo continuo es simplemente un proceso estocstico en el que el estado del tiempo se puede considerar cualquier tiempo y no slo en instantes discretos. Por ejemplo, se puede considerar que el nmero de personas en un supermercado a los t minutos despus de abrir, es un proceso estocstico de tiempo continuo. Los modelos en los que intervienen estos procesos se estudian en la seccin de teora de colas. Como el precio de una accin se puede observar en cualquier tiempo, y no solo al abrir la bolsa, se puede considerar como un proceso estocstico de tiempo continuo. Al considerarlo as, se ha podido llegar a importantes resultados en la teora de finanzas, incluyendo la famosa frmula de Black-Scholes para opcin de precio. Ejemplo Un caso muy conocido es el proceso de movimiento Browniano, el cual tiene las siguientes caractersticas 1. suponga t0< t1<...<tn; los incrementos X t1 X t0 , L X tn X tn 1 son variables aleatorias
independientes 2. La distribucin de probabilidad es X t2 X t2 , t1< t2, depende solo de t2 - t1 3. P ( X t X s x) =

1 2B(t s )
u 2 2 B (t s )
du donde B es una constante
La historia de este proceso comienza con la observacin de R. Brown en 1827 de pequeas partculas inmersas en un liquido, las cuales mostraban movimientos irregulares. En 1905 Einsten explica el movimiento mediante el postulado que las partculas bajo observacin eran sujetas de perpetuas colisiones con las partculas que rodean el medio. Los resultados derivados de forma analtica por Einstein fueron posteriormente verificados por experimentacin. En este caso Xt denota el desplazamiento en el tiempo t de un partcula Browniana. El desplazamiento X t X s , es normalmente distribuido sobre un intervalo de tiempo (s,t) que puede verse como la suma de pequeos desplazamientos. El teorema del limite Central es esencialmente aplicable y razonable afirmar que X t X s , es normalmente distribuido. Tambin que la distribucin de X t + h X s + h , es la misma, para cualquier h>0.
PROF. RAL HERNNDEZ
1.2 QU ES UNA CADENA DE MARKOV?

Un tipo especial de procesos estocsticos de tiempo discreto se llama cadena de Markov. Para simplificar nuestra presentacin supondremos que en cualquier tiempo, el proceso estocstico de tiempo discreto puede estar en uno de un nmero finito de estados identificados por 1.2,..., s. DEFINICIN Un proceso estocstico de tiempo discreto es una cadena de Markov si, para t = 0,1,2,... y todos los estados, (1) P(Xt+1 = i t+1 \ X t = i t,. Xt-1= it-1, , X1 = i1, X 0= i0) = P(Xt+1 = i t+1 \ X t = i ) En esencia, la ecuacin (1) dice que la distribucin de probabilidad del estado en el tiempo t + 1 depende del estado en el tiempo t(i) y no depende de los estados por los cuales pas la cadena para llegar a i, en el tiempo t. En el estudio de las cadenas de Markov haremos la hiptesis adicional que para lodos los estados i y j, y toda t, P(Xt+1 = i \ X t = j ) es independiente de t. Esta hiptesis permite escribir (2) P(Xt+1 = i \ X t = j ) = pij
donde pij es la probabilidad de que dado que el sistema est en el estado i en el tiempo t, el sistema estar en el estado j en el tiempo t + 1. Si el sistema pasa del estado i durante un periodo al estado j durante el siguiente, se dice que ha ocurrido una transicin de i a j. Con frecuencia se llaman probabilidades de transicin a las pij en una cadena de Markov. La ecuacin (2) indica que la ley de probabilidad que relaciona el estado del siguiente periodo con el estado actual no cambia. o que permanece estacionaria, en el tiempo. Por este motivo, a menudo se llama Hiptesis de estabilidad a la ecuacin (2). Toda cadena de Markov que cumple con la ecuacin (2) se llama cadena estacionionaria de Markov, El estudio de las cadenas de Markov tambin necesita que definamos qi como la probabilidad de que la cadena se encuentre en el estado i en el tiempo 0; en otras palabras, P(X0 = i) = qi,. Al vector q = [q1, q2, ..., qs] se le llama distribucin inicial de probabilidad de la cadena de Markov. En la mayora de las aplicaciones, las probabilidades de transicin se presentan como una matriz P de probabilidad de transicin s x s. La matriz de probabilidad de transicin P se puede escribir como
p11 p P = 21 M p s1 p12 K O L p1s p2s M p ss
p 22 K ps2
Dado que el estado es i en el tiempo t, el proceso debe estar en algn lugar en el tiempo t + 1. Esto significa que para cada i.
PROF. RAL HERNNDEZ
P( X
j =1 s
t +1
= j / X t = i) = 1
p
j =1
ij
=1
Tambin sabemos que cada elemento de la matriz P debe ser no negativo. Por lo tanto, todos los elementos de la matriz de probabilidad de transicin son no negativos; los elementos de cada rengln deben sumar 1. La ruina del jugador (continuacin) Encuentre la matriz de transicin del primer ejemplo. Solucin Como la cantidad de dinero que tengo despus de t + 1 jugadas depende de los antecedentes del juego slo hasta la cantidad de efectivo que tengo despus de t jugadas, no hay duda que se trata de una cadena de Markov. Como las reglas del juego no varan con el tiempo, tambin tenemos una cadena de Markov estacionaria. La matriz de transicin es la siguiente (el estado i quiere decir que tenemos i dlares):
Estados 0 dlares 0 dlares 1 1 dlares 1-p 2 dlares 0 3 dlares 0 4 dlares 0
1 dlares 0 0 1-p 0 0
2 dlares 0 p 0 1-p 0
3 dlares 0 0 p 0 0
4 dlares 0 0 0 p 1
Si el estado es 0 dlares o 4 dlares no juego ms y, por lo tanto el estado no puede cambiar; entonces p = p44 = 1. Para los dems estados sabemos que, con la probabilidad p, el estado del siguiente periodo ser mayor que el estado actual en 1, y con probabilidad 1 -p, el estado del siguiente periodo ser menor en 1 que el estado actual. Figura 1 Representacin grfica de la matriz, de transicin para el ejemplo de la ruina del jugador
PROF. RAL HERNNDEZ
Una matriz de transicin se puede representar con una grfica en la que cada nodo represente un estado y arco (i,j) represente la probabilidad de transicin pij. La Fig. 1 es una representacin grfica de la matriz de probabilidad de transicin para este ejemplo. EJEMPLO 2. (Continuacin) Determine la matriz de transicin del Ejemplo 2 en la seccin anterior. Solucin Como el estado de la urna despus del siguiente lanzamiento de la moneda depende slo del pasado del proceso hasta el estado de la una despus del lanzamiento actual, se trata de una cadena de Markov. Como las reglas no varan a travs del tiempo, tenemos una cadena estacionaria de Markov. La matriz de transicin para el Ejemplo 2 es la siguiente:
[0 [0 [0 [2 [1 [1
1 2 0 0 1 0
1] 0] 2] 0] 0] 1]
[0 1 1] 0 1 1 0
[0 2 0] 0 0 0 0
[0 0 2] 0 0 0 0
[2 0 0] 0 0 0 0 0 0
[1 1 0] 0 0 0 0
[1 0 1] 0 0 0 0
EJEMPLO 3 (Continuacin) En los ltimos aos, los estudiantes de finanzas han dedicado mucho esfuerzo a contestar la pregunta de si el precio diario de una accin se puede describir mediante una cadena de Markov. Supongamos que el precio diario de una accin, como la de Computadoras CSL, se puede representar por una cadena de Markov. Qu nos dice esto? Simplemente que la distribucin de probabilidad del precio de las acciones maana depende slo del precio de hoy, pero no de los precios anteriores. Si el precio de una accin se puede representar con cadena de Markov, los "tablistas" que tratan de predecir los precios futuros en base a los comportamientos seguidos durante el pasado estn mal. Por ejemplo, supongamos que el precio diario de una accin de CSL sigue una cadena de Markov y el preciod e hoy es 50 dlares. Entonces, para predecir el precio de maana no importa si el precio ha aumentado o disminuido durante cada uno de los ltimos 30 das. En cualquier caso, o en cualquier otro caso que pudiera haber conducido al precio actual de 50 dlares, la prediccin del precio de maana se debe basar slo en el hecho de que hoy el precio de esas acciones es de 50 dlares. En la actualidad, el consenso es que para la mayor parte de las acciones, su cotizacin diaria se puede describir con una cadena de Markov. A esta idea se le llama con frecuencia hiptesis del mercado eficiente.
PROBLEMAS
1. En Smalltown, al 90% de los das soleados siguen das soleados, y al 80% de los das nublados siguen das nublados. Con esta informacin modelar el clima de Smalltown como cadena de Markov. 2. Se tiene un sistema de inventario en el que la secuencia de eventos durante cada periodo es como sigue: (1) Se observa el nivel de inventario (llammosle ) al principio del periodo. (2) Si i 1, se
PROF. RAL HERNNDEZ
piden 4 i unidades. Si i 2, no se hace ningn pedido. (3) Los Clientes no piden unidades durante el periodo, con probabilidad 1/3; se pide una unidad durante el periodo, con probabilidad 1/3. y se piden 2 unidades durante el periodo, con probabilidad 1/3 (4) Se observa el nivel de inventario al principio del siguiente periodo. Defina un estado de periodo como el nivel de inventario al principio del periodo. Determine la matriz de transicin que pudiera usarse para modelar este sistema de inventario como una cadena de Markov. 3. Una fbrica tiene dos mquinas. Durante cualquier da, cada mquina que trabaja al principio del da tiene probabilidad x de descomponerse. Si se descompone una mquina durante el da, se manda a un taller de reparacin y estar trabajando dos das despus que se descompuso. Por ejemplo, si una mquina se descompone durante el da 3, estar trabajando al principio del da 5. Si se hace que el estado del sistema sea el nmero de mquinas que trabajan al principio del da, formule, una matriz de probabilidad de transicin para este caso.
4. En relacin con el problema 1, suponga que el tiempo de maana en Smalltown depende del tiempo que haya prevalecido los ltimos dos das, como sigue; (1) Si los ltimos dos das han sido soleados, entonces el 95% de las veces maana ser soleado. (2) Si ayer estuvo nublado y hoy soleado, entonces el 70% de las veces maana estar soleado. (3) Si ayer estuvo soleado y hoy est nublado, entonces el 60%, de las veces maana estar nublado. (4) Si los ltimos dos das fueron nublados, entonces el 80% de las veces maana ser nublado. Con esta informacin modele el clima de Smalltown como cadena de Markov. Si el tiempo de maana dependiera del de los ltimos tres das, cuntos estados se necesitaran para modelar el clima como cadena de Markov? Nota: El mtodo que se usa en este problema se puede aplicar para modelar un proceso estocstico de tiempo discreto como cadena de Markov. aun si Xt+1 depende de los estados anteriores a Xt, tal como Xt-1 en este ejemplo. 5. Sea X, la ubicacin de su ficha en el tablero deMonopoly despus de t tiradas de dados. Se puede modelar X, como cadena de Markov? Si no esa as cmo podemos modificar la definicin del estado en el tiempo t para que X0, X1,. . ., Xi, sea una cadena de Markov? Sugerencia: Cmo va un jugador a la crcel? En este problema, suponga que los jugadores que van a prisin permanecen all hasta que en la tirada de dados -sacan doble nmero o hasta que hayan estado tres turnos en prisin, lo que se represente primero. 6. En el Prob. 3, suponga que una mquina que se descompone regresa al servicio tres das despus. Por ejemplo, la mquina que se descompone el da 3 estar trabajando al principio del da 6. Determine una matriz de transicin de probabilidad para este caso.
PROF. RAL HERNNDEZ
1.3 PROBABILIDADES DE TRANSICIN DE n ETAPAS

Suponga que estudiamos una cadena de Markov con matriz P de probabilidad de transicin conocida. Como todas las cadenas con las que trataremos son estacionarias, no nos importar identificar nuestras cadenas de Markov como estacionarias. Una pregunta de inters es: si una cadena de Markov est en el estado i en el tiempo m, cul es la probabilidad que n periodos despus la cadena de Markov este en el estado j? Como se trata de una cadena de Markov estacionaria, esta probabilidad ser independiente de m y, por lo tanto, podemos escribir
P(Xm+n = j \ X m = i) = P(Xn = j \ X 0 = i)= Pij(n) donde Pij(n) se llama probabilidad en la etapa n de una transicin del estado i al estado j. Es claro que Pij(1) = Pij. Para determinar Pij(2) ntese que si el sistema se encuentra hoy en el estado i, entonces para que el sistema termine en el estado j dentro de 2 periodos, debemos pasar del estado i al estado k y despus pasar del estado k al estado j(Fig. 2). Este modo de razonar nos permite escribir Pij(2) =
k =1
(probabilidad de transicin de i a k}x (probabilidad de transicin de k a j)
De acuerdo con la definicin de P, la matriz de probabilidad de transicin, replanteamos la ltima ecuacin en la siguiente forma: (3) Pij(2) =
p
k =1
ik
p kj
El segundo miembro de la ecuacin (3) es tan slo el producto escalar del rengln i de la matriz P por la columna j de esa matriz. Por lo tanto, Pij(2) es el ij-simo elemento de la matriz P2. Generalizando este modo de razonar, se puede demostrar que para n >1, (4) Pij(n) = elemento ij-simo de Pn
Figura 2 Representacin de la transicin de i a j en dos pasos
PROF. RAL HERNNDEZ
Naturalmente, para n = 0, Pij(0) = P(X0 = j | X0 = i) y, por lo tanto, debemos escribir 1 si i = j Pij(0)= 0 si i j
En el Ejemplo. 4 mostraremos el uso de la ecuacin (4). EJEMPLO 4 Ejemplo de Cola Suponga que toda la industria de refrescos produce dos colas. Cuando una persona ha comprado la cola 1, hay una probabilidad de 90% de que su siguiente compra sea de cola 1. Si una persona compr cola 2, hay 80% de probabilidades que su prxima compra sea de cola 2. 1. Si actualmente una persona es comprador de cola 2, cul es la probabilidad que compre cola 1 pasadas dos compras a partir de hoy? 2. Si en la actualidad una persona es comprador de cola 1, cul es la probabilidad que compre cola 1 pasadas tres compras a partir de ahora? Solucin Consideraremos que las compras de cada una de las personas son una cadena de Markov, y que el estado en cualquier momento es el tipo de cola que compr la persona por ltima vez. Por lo tanto, las compras de cola por parte de cada una de las personas se pueden representar con una cadena de Markov de dos estados, donde
10
APUNTES DEL CURSO IO-3 Estado 1 = la persona acaba de comprar cola 1 Estado 2 = la persona acaba de comprar cola 2
PROF. RAL HERNNDEZ
S definimos Xn como el tipo de cola que compra una persona en la n-sima compra futura (la compra actual = X0), entonces X0, X1, ... se puede describir como la cadena de Markov con la siguiente matriz de transicin:
cola 1 cola 2
P=
cola 1 cola 2
.90 .20
.10 .80
Podemos contestar ahora las preguntas 1 y 2. 1. Se busca P(X2 =1 /X1 = 2) = P21(2) = elemento 21 de P2: .90 .10 .90 .10 .83 .17 P2= = .20 .80 .20 .80 .34 .66
Por lo tanto, P21(2) = .34. Esto significa que hay probabilidad .34 de que la persona 2 compre cola 1, despus de dos compras a partir de ahora. Con la teora bsica de probabilidad, podemos obtener esta respuesta siguiendo un camino distinto a travs del teorema total de probabilidades.
En muchos casos no conocemos el estado de la cadena de Markov en el tiempo 0. Como se defini en la Sec. 1.2, sea qi la probabilidad que la cadena est en el estado i en el tiempo 0. Entonces podemos determinar la probabilidad de que el sistema este en el estado j en e! Tiempo n mediante el siguiente razonamiento (Fig. 3): Figura 3 Determinacin dela probabilidad de estar en el estado j en el tiempo n cuando se desconoce el estado inicial.
11
PROF. RAL HERNNDEZ
Probabilidad de estar en el estado j en el tiempo n =
k =1
(Probabilidad que el estado original sea i ) X (Probabilidad de ir de i a j en n transiciones) =
(5)
q
k =1
Pkj (n) = q X Columna j de Pn
donde q = [q1, q2, ..., qs] Para mostrar el uso de la ecuacin (5) contestaremos la siguiente pregunta: supongamos que el 60% de toda la gente toma hoy cola 1 y el 40% cola 2. A tres compras a partir de ahora, que fraccin de los compradores estar tomando cola 1? Como q = [.60 .40] y q(columna 1 de P3) = probabilidad de que a tres compras a partir de este momento una persona tome cola 1 la probabilidad que se busca es
[.60
.781 .40] = .6438 .438 12
PROF. RAL HERNNDEZ
Por lo tanto, a tres compras de este momento el 64% de las personas estar comprando cola 1. Para mostrar el comportamiento de las probabilidades de transicin en n etapas para grandes valores de n hemos calculado algunas de las probabilidades de transicin de n etapas para el ejemplo de la cola y las mostramos en la siguiente tabla (Tabla 1). Cuando n es grande, P11(n) y P21(n) son casi constantes y tienden a .67. Esto quiere decir que para n grande, independientemente del estado inicial, hay una probabilidad de .67 de que una persona compre cola 1. Igualmente. vemos que para n grande, tanto P12(n) como P22(n) son casi constantes y tienden a .33. Esto significa que para n grande, haciendo caso omiso del estado inicial, hay una probabilidad .33 de que una persona sea comprador de cola 2. En la Seccin 1.5 estudiaremos con detenimiento estas tendencias de probabilidad de transicin en la etapa n.
Tabla 1 Probabilidades de transicin en n etapas para el ejemplo de las colas n 1 2 3 4 5 10 20 30 40 P11(n) .90 .83 .78 .75 .72 .68 .67 .67 .67 P12(n) .10 .17 .22 .25 .28 .32 .33 .33 .33 P21(n) .20 .34 .44 .51 .56 .65 .67 .67 ,67 P22(n) .80 .66 .56 .49 .44 .35 .33 .33 .33
1.3.1 Tiempos de Parada o de primer pasaje
Un tiempo de parada se define como Tj = min(n>0, tal que Xn=j). Es el primer instante tal que la variable aleatoria Xn toma el valor el j, a este tiempo tambin ser referenciado como tiempo de primer pasaje. Si definimos Pi (T j = m) como la probabilidad del que primer tiempo de parada en j, dado que estamos en el estado i, podemos redefinir la probabilidad de ir de i a jo en n pasos como Pij(n) =
P (T
m =1 i
= m) Pjj (n m)
Esta definicin es til para la prueba de algunos resultados futuros.

PROBLEMAS
1. Cada familia norteamericana se puede clasificar como habitante de zona urbana, rural u suburbana. Durante un ao determinado, el 15% de todas las familias urbanas se cambian a una zona suburbana y el 5% se cambian a una zona rural. Tambin, el 6% de las familias suburbanas pasan a zona urbana y
13
PROF. RAL HERNNDEZ
el 4% se mudan a zona rural. Por ltimo, el 4% de las familias rurales pasan a una zona suburbana y el 6% se mudan a una zona urbana.
a) Si una familia actualmente vive en una zona urbana, cul es la probabilidad que despus de 2 aos viva en una zona urbana? En una zona suburbana? En una zona rural? (b) Supongamos que en la actualidad el 40% de las familias viven en una zona urbana, el 25% en zona suburbana y el 15% en zona rural. Despus de dos aos, qu porcentaje de las familias norteamericanas vivir en zona urbana? (c) Que problemas se pueden presentar si este modelo se usara para predecir la distribucin futura de la poblacin en los Estados Unidos? 2. Se pregunta lo siguiente acerca del Ejemplo 1. (a) Despus de jugar dos veces, cul es la probabilidad que tenga 3 dlares? Cul la de que tenga 2 dlares? (b) Despus de jugar tres veces, cul es la probabilidad que tenga 2 dlares? 3. En el Ejemplo a 2, determine las siguientes probabilidades de transicin en n etapas: (a) Despus de haber pintado 2 bolas, cul es la probabilidad que el estado sea [0 2 0]? (b) Despus de haber pintado tres bolas, cul es la probabilidad que el estado sea [0 1 1]?
14
PROF. RAL HERNNDEZ
1.4 CLASIFICACIN DE ESTADOS DE UNA CADENA DE MARKOV

En la sesin 1.3 se menciono que despus de muchas transiciones, las probabilidades de transicin de n etapas tienden a estabilizarse . Antes de poder describir esto con ms detalle, necesitamos estudiar cmo los matemticos clasifican los estados de una cadena de Markov. La siguiente matriz de transicin se usar para mostrar la mayora de las definiciones siguientes (Fig. 4): .4 .6 0 0 0 .5 .5 0 0 0 P = 0 0 .3 .7 0 0 0 .5 .4 .1 0 0 0 .8 .2 DEFINICIN: Dados dos estados i y j, la trayectoria de i a j es la sucesin de transiciones que comienza en i y termina en j, de modo que cada transicin de la secuencia tenga probabilidad positiva de presentarse. Figura 4 Representacin grfica de la matriz de transicin
Otra manera de ver esta definicin es que el tiempo de primer pasaje es un nmero finito o sea que la probabilidad de llegar a j, dado que se est en i, en una cantidad de finita de pasos sea positiva: Pi (T j < ) > 0
15
PROF. RAL HERNNDEZ
DEFINICIN un estado es alcanzable desde un i si hay una trayectoria que vaya de i a j. DEFINICIN desde j. Se dice que dos estados i y j se comunican si j es alcanzaba desde i, e i es alcanzable
Para la matriz P de probabilidad de transicin representada en la Fig. 4, el estado 5 es alcanzable desde el estado 3 (a travs de la trayectoria 3-4-5), pero el estado 5 no es alcanzable desde el estado 1 (no hay trayectoria que vaya de 1 a 5 en la Fig. 6). Tambin, los estados 1 y 2 se comunican: podemos pasar de 1 a 2 y de 2 a 1. DEFINICIN Un conjunto de estados S en una cadena de Markov es conjunto cerrado si ningn estado fuera de S es alcanzable desde un estado en S. De la cadena de Markov con la matriz P de la Fg. 4, tanto S1 = {1,2} como S2 = {3, 4, 5} son conjuntos cerrados. Observe que una vez que entramos a un conjunto cerrado no podemos dejarlo nunca. En la Fig. 4 ningn arco comienza en S1 y termina en S2 o principia en S2 y termina en S1. DEFINICIN Un estado i es un estado absorbente si pij = 1. O sea Pj (T j = 1) = 1 Siempre que entramos a un estado de absorcin, nunca lo podremos dejar. En el Ejemplo 1, la ruina del jugador, los estados 0 y 4 son absorbentes. Es natural que un estado absorbente sea un conjunto cerrado que slo contenga un estado. DEFINICIN Un estado i es un estado transitorio si hay un estado j alcanzable desde i, pero el estado i no es alcanzable desde el estado j. Esto es lo mismo que afirmar que Pi (T j < ) < 1, no siempre existe una cantidad finita de pasos para alcanzar a j desde i. En otras palabras, un estado i es transitorio si hay manera de dejar el estado i de tal modo que nunca se regrese a l. En el ejemplo de la ruina del jugador, los estados 1, 2 y 3 son estados transitorios. Por ejemplo (Fg. 1), desde el estado 2 es posible pasar por la trayectoria 2-3-4. pero no hay modo de regresar al estado 2 desde el estado 4. Igualmente, en el Ejemplo 2, [2 0 0], [1 1 0] y [l 0 1] son estados transitorios. Hay una trayectoria desde [1 0 1] a [0 0 2], pero una vez que se hayan pintado ambas bolas, no hay manera de regresara [1 0 1]. Despus de un gran nmero de periodos, la probabilidad de encontrarse en cualquier estado de transicin i es cero. Cada vez que entramos a un estado i de transicin, hay una probabilidad positiva de dejar i para siempre y terminar en el estado j descrito en la definicin de estado transitorio. As, al final, tenemos la seguridad de entrar al estado j (y en ese caso nunca regresaremos al estado i). As, suponga que en el Ejemplo 2 nos encontramos en el estado transitorio [1 0 1]. Con probabilidad 1, la bola no pintada la pintaremos finalmente y nunca regresaremos a ese estado [1 0 1]. DEF1NCIN Si un estado no es transitorio, se llama estado recurrente. Esto es lo mismo que afirmar que Pi (T j < ) = 1, o sea existe una cantidad finita de pasos para llegar a j desde i.
16
PROF. RAL HERNNDEZ
En el Ejemplo 1, los estados 0 y 4 son estados recurrentes (y tambin estados absorbentes). En el Ejemplo 2, [0 2 0], [0 0 2[ y [0 1 1] son estados recurrentes. Para la matriz de transicin de la Fig. 4, todos los estados son recurrentes. DEFINICIN Un estado i es peridico con periodo k >1 si k es el menor numero tal que todas las trayectorias que parten del estado i y regresan al estado i tienen una longitud mltiplo de k. Si un estado recurrente no es peridico, se llama aperidico. Para la cadena de Markov cuya matriz de transicin es
0 1 0 Q = 0 0 1 1 0 0 cada estado tiene periodo 3. Por ejemplo, si comenzamos en el estado 1, la nica manera de regresar a ese estado es seguir la trayectoria 1-2-3-1 durante digamos m veces (Fig. 5). Por lo tanto, cualquier regreso al estado 1 tomar 3m transiciones, de modo que el estado 1 tiene periodo 3. Donde nos encontremos, tenemos la seguridad de regresar all tres periodos despus.
Figura 5 Cadena peridica de Markov con k = 3
DEFINICIN Si todos los estados de una cadena son recurrentes, aperidicos y se comunican entre si, se dice que la cadena es ergdica. El ejemplo de la ruina del jugador no es cadena ergdica porque, por ejemplo, los estados 3 y 4 no se comunican. El Ejemplo 2 tampoco es una cadena ergdica porque, por ejemplo, [2 0 0] y [0 1 1] no se comunican. El Ejemplo 4, el ejemplo de la cola, es cadena ergdica de Markov. De las siguientes tres cadenas de Markov, P1 y P3 son ergdicas y P2 no es ergdica. 1 3 1 P1 = 2 0 0 1 2 3 4
2 3 0 1 4
17
PROF. RAL HERNNDEZ
1 2 1 P2 = 2 0 0 1 4 2 P3 = 3 0
1 2 1 2 0 0 1 2 1 3 2 3
0 0 2 3 1 4 1 4 0 1 3
0 0 1 3 3 4
P2 no es ergdica porque hay dos clases cerradas de estados (la clase 1 = {1, 2} y la clase 2 = {3, 4}) y los estados en clases diferentes no se comunican entre s.
PROBLEMAS
1. En el Ejemplo 1, cul es el periodo de los estados 1 y 3? 2. La cadena de Markov de la Secc. 1.3, Problema 1, es ergdica?
3. Se tiene ]a siguiente matriz de transicin:
0 0 0 1 0
0 0 0 0 1 3
1 0 0 0 0 0
0 0 0 0 0
0 0 1 0 0 0
0 1 0 0 0 2/3
(si) Cules estados son transitorios? (b) Cules estados son recurrentes?
18
APUNTES DEL CURSO IO-3 (c) Identifique lodos los conjuntos cerrados de estados. (d) Es ergdica esa cadena?
PROF. RAL HERNNDEZ
4. Para cada una de las siguientes matrices, determine si la cadena de Markov es esgdica. Tambin, para cada cadena, determine los estados recurrente, transitorio y absorbente.
0 .8 .2 a. .3 .7 0 .4 .5 .1
.2 .8 0 0 0 0 .9 .1 b. .4 .5 .1 0 0 0 0 1
5. En la Serie Mundial de Poker de 1980 participaron 54 jugadores. Cada uno de ellos comenz con 10 000 dlares. Los juegos continuaron hasta que uno de los jugadores gan lodo el dinero de los dems. Si se modela esta Serie Mundial como cadena de Markov, cuntos estados absorbentes tendra esa cadena? 6. Cul de las siguientes cadenas es ergdica?
.4 0 .6 a. .3 .3 .4 0 .5 .5
.7 0 0 .2 .2 .4 b. .6 .1. .1 .2 0 0
.3 .2 .2 .8
19
PROF. RAL HERNNDEZ
1.5 PROBABILIDADES DE ESTADO ESTABLE Y TIEMPOS MEDIOS DE PRIMER PASAJE

En nuestra descripcin del ejemplo de la Cola encontramos que despus de largo tiempo, la probabilidad de que la siguiente compra de una persona fuera de cola 1 tenda a .67, y la de que la compra siguiente fuera de cola 2 tenda a .33 (Tabla 1). Estas probabilidades no dependieron de si la persona era al principio tomador de cola 1 o de cola 2. En esta seccin describiremos el importante concepto de probabilidades de estado estable, que se pueden usar para describir el comportamiento de una cadena de Markov a largo plazo.
El resultado siguiente es vital para comprender las probabilidades de estado estable y el comportamiento a largo plazo de cadenas de Markov. TEOREMA 1 Sea P una matriz de transicin de una cadena ergdica de s estados. Existe entonces un vector = [ 1 , 2 , L s ] tal que
1 2 L s n 1 2 L s P = M M 1 2 L s
lim
n
(La prueba de este teorema se encuentra en anexo al final de este documento) Recuerde que el ij-simo elemento de Pn es Pij(n). El teorema 1 establece que para cualquier estado inicial i, lim Pij (n) = j
n
Observe que para n grande, Pn tiende a una matriz con renglones idnticos. Esto quiere decir que despus de largo tiempo, la cadena de Markov se estabiliza e, independientemente del estado inicial i, hay una probabilidad j , de que nos encontremos en el estado j. El vector = [ 1 , 2 , L s ] a menudo se llama distribucin de estado estable, o tambin distribucin de equilibrio para la cadena de Markov. Cmo podemos encontrar la distribucin de probabilidades de estacionario para una cadena dada cuya matriz de transicin es P? Segn el teorema 1, para n grande y para toda i, (6) Pij (n + 1) Pij (n) j
Como Pij{n + 1) = (rengln i de Pn) X (columna j de P), podemos escribir

20
PROF. RAL HERNNDEZ
(7)
Pij (n + 1) = Pik (n) Pkj

k =1
Si n es grande, al sustituir la ecuacin (6) en la (7) se obtiene (8)
ij = k Pkj
k =1
En forma matricial, la ecuacin (8) se puede escribir como: (8')
= P
Desafortunadamente, el sistema de ecuaciones que especifica la ecuacin (8) tiene un nmero infinito de soluciones, porque el rango de la matriz P siempre resulta ser s- 1. Para obtener valores nicos de probabilidades de estado estable, note que para toda n y toda i, (9) Pi1 (n) + Pi 2 (n) + L + Pis (n) = 1
AI hacer que n tienda al infinito en la Ecuacin. (9), obtenemos
(10)
1 + 2 + L + s = 1
As, despus de reemplazar cualquiera de las ecuaciones (8) por (10), podemos usar la ecuacin (8) para despejar las probabilidades de estado estable. Para mostrar cmo determinar las probabilidades de estado estable, las calcularemos para el Ejemplo. 4, el de la Cola. Recuerde que la matriz tic transicin de ese ejemplo era .90 .10 P= .20 .80 Entonces las ecuaciones (8) u (8') producen
] = [ 1 ] .20 .80 1 = .90 1 + .20 2 2 = .10 1 + .80 2
.90 .10
AI reemplazar la segunda ecuacin por la condicin 1 + . 2 = 1 , obtenemos el sistema
21
PROF. RAL HERNNDEZ
1 + . 2 = 1 1 = .90 1 + .20 2
Al despejar 1 y 2 , resulta que 1 = 2/3 y 2 =1/3. Por lo tanto, despus de largo tiempo, hay probabilidad 2/3 de que una persona dada compre cola 1 y 1/3 de probabilidad de que una persona dada compre cola 2.
ANLISIS DE ESTADO TRANSITORIO
Un vistazo a la Tabla 1 muestra que para el Ejemplo. 4 se alcanza el estado estable, a dos cifras decimales, slo despus de 10 transiciones. No se puede dar una regla general acerca de que tan rpido alcanzan las cadenas de Markov el estado estable pero si P contiene muy pocos elementos que queden cerca de 0 o de 1, en general, se alcanza en forma muy rpida el estado estable. El comportamiento de una cadena de Markov antes de alcanzar el estado estable se llama comportamiento transitorio (o a plazo corto). Para estudiar el comportamiento transitorio de una cadena de Markov, tan slo se usan las frmulas para Pij(n) de las ecuaciones (4) y (5). Sin embargo es bueno saber que para n grande, las probabilidades de estado estable describen con exactitud la probabilidad de encontrarse en un estado determinado.
INTERPRETACIN INTUITIVA DE LAS PROBABILIDADES DE ESTADO ESTABLE
Se puede dar una interpretacin intuitiva de las ecuaciones (8) de probabilidad de estado estable. Al restar j pij , de ambos lados de (8) se obtiene (11)
j (1 pij )= j p kj
k i
La ecuacin (11) dice que en el estado estable, Probabilidad de que una transicin determinada deje el estado j = probabilidad de que una transicin determinada entre al estado j (12)
Recurdese que en el estado estable, la probabilidad de que el sistema este en el estado j es j , Segn esta observacin se concluye que Probabilidad de que una transicin particular deje el estado j = (probabilidad de que el periodo actual comience en j) x (probabilidad de que la transicin actual deje j) = j (1 pij ) y
22
PROF. RAL HERNNDEZ
Probabilidad de que determinada transicin entre al estado j = (probabilidad de que el periodo actual comience en ki)
k
x =
(probabilidad de que la transicin actual entre a j) j pkj

k i
Es aceptable la ecuacin (11 ). Si fuera violada para cualquier estado, entonces para un estado j el lado derecho de (11) sera mayor que el lado izquierdo. Esto ocasionara una probabilidad de "acumulacin" en el estado j y no existira una distribucin de estado estable. Se puede considerar que la ecuacin (11) dice que en el estado estable, el "flujo" de probabilidad hacia cada estado debe ser igual al flujo de probabilidad que sale de cada estado. Esto explica por qu las probabilidades de estado estable se llaman con frecuencia probabilidades de equilibrio.
USO DE LAS PROBABILIDADES DE ESTADO ESTABLE PARA TOMAR DECISIONES
EJEMPLO 5 Suponga, en el Ejemplo 4, que cada cliente hace una compra de cola durante cualquier semana (52 semanas = 1 ao). Suponga que hay 100 millones de clientes de cola. La produccin de una unidad de venta de cola cuesta 1 dlar y se vende a 2 dlares. Una empresa de publicidad garantiza, por 500 millones de dlares al ao, un decremento al 5% de la fraccin de consumidores de cola 1, que se cambian a cola 2 despus de una compra. Debe contratar a la empresa de publicidad la compaa que fabrica la cola 1? En la actualidad, una fraccin 1 = 2/3 de todas las compras son de cola 1. Cada compra de cola 1 le deja al fabricante 1 dlar. Como hay un total de 52(100 000 000) = 5 200 000 000 de compras de cola cada ao, las ganancias actuales del fabricante de cola 1, al ao, son 2/3 * (5 200 000 000) = 3 466 666 667 dlares La empresa de publicidad ofrece cambiar la matriz P a .95 .05 P1 = .20 .80 Para P1, las ecuaciones de estado estable se transforman en
1 = .95 1 + .20 2 2 = .05 1 + .80 2

Al reemplazar la segunda ecuacin por 1 + . 2 = 1 y despejar, obtenemos 1 = .8 y 2 =.2. En este caso, la ganancia anual de la productora de cola 1 ser (.80)(5200000000) - 500000000 = 3 660 000 000 dlares
23
PROF. RAL HERNNDEZ
Por lo tanto, el fabricante de cola 1 debe contratar la agencia de publicidad. EJEMPLO 6. Bajo la hiptesis de que el jugador de Monopoly que vaya a la crcel se quede all hasta que se saque nmeros dobles o pasen tres turnos, la probabilidad de estado estable que tiene un Jugador de caer en cualquier cuadro de Monopoly fue determinado por Ash y Bishop (1972) (Tabla 2) Ests probabilidades de estado estable se pueden emplear para medir la eficacia de diversos monopolios con respecto al costo. Por ejemplo, cuesta 1 500 dlares construir hoteles en el monopolio anaranjado. Cada vez que un jugador cae en Tcnnessee Ave o en un hotel de St. James Place, el propietario del monopolio recibe 950 dlares, y cada vez que un jugador cae en un hotel de New York Ave., el propietario recibe 1 000 dlares. De la Tabla 3 podemos calcular la renta esperada por tirada de dados que gana el monopolio anaranjado: 950(.0335) + 950(.0318) + 1 000(.0334) = 95.44 dlares As, por cada dlar invertido, el monopolio anaranjado da 95.44/1500 = 0.064 de dlar por tirada de dados. Veamos ahora al monopolio verde. Poner hoteles en el monopolio verde cuesta 3 000 dlares. Si un Jugador cae cu un hotel de North Carolina Ave. o de Pacific Ave., el propietario recibe 1 275 dlares. Si un jugador cae en un hotel de Pennsylvania Ave. el propietario recibe 1 400 dlares. De acuerdo con la Tabla 3, la ganancia promedio por tirada de dados que se gana con los hoteles en el monopolio verde es 1275(.0294) + 1275(.0300) + 1400(.0279) = 114.80 dlares As, por cada dlar invertido, el monopolio verde da slo 114.80/3000 = 0.038 de dlar por tirada de dados. Este anlisis muestra que el monopolio anaranjado es mejor que el verde. Por cierto por que caen los jugadores con tanta frecuencia en el monopolio anaranjado?
24
APUNTES DEL CURSO IO-3 Tabla 2 Probabilidades de estado estable para Monopoly
PROF. RAL HERNNDEZ
25

TIEMPOS PROMEDIO DE PRIMER PASAJE
PROF. RAL HERNNDEZ
En una cadena ergdica, sea mij = nmero esperado de transiciones antes de alcanzar por primera vez el estado j, dado que estamos actualmente en el estado i. mij se llama tiempo promedio de primer pasaje del estado i al estado j. En el Ejemplo 4, m12 sera el nmero esperado de botellas de cola que adquiere un comprador de cola 1, antes de comprar una botella de cola 2. Suponga que estamos ahora en el estado i. Entonces, con probabilidad pij, necesitaremos una transicin para pasar del estado i al estado j. Para k j pasamos a continuacin, con probabilidad pik, al estado k. En este caso, se necesitara un promedio de 1 + mkj, transiciones para pasar de k a j. Este modo de pensar indica que
mij = pij (1) + pik (1 + mkj )
k j
Como pij + pik = 1

k j
podernos reformular la ltima ecuacin como (13) mij = pik (mkj ) +1

k j
Al resolver las ecuaciones lineales representadas en (13), podemos encontrar todos los tiempos promedios de primer pasaje. Se puede demostrar que mii = 1
Con ello se puede simplificar el uso de las ecuaciones (13). Para mostrar el uso de ellas, despejaremos los tiempos promedio de primer pasaje en el Ejemplo 4. Recordemos que . 1 = 2/3 y 2 =1/3. Entonces m11 = 1
2 3
= 1.5
m22 =
1
1 3
=3
Entonces (13) da en las dos ecuaciones siguientes: m12 = 1 + p11 m12 = 1 + .9m12 m21 = 1 + p 22 m21 = 1 + .8m21 Resolviendo esas ecuaciones encontramos que m12 = 10 y m21 = 5. Esto quiere decir que, por ejemplo, una persona que haba tomado cola 1 tomar un promedio de diez botellas de refresco antes de cambiar a cola 2.
26

PROBLEMAS
PROF. RAL HERNNDEZ
1. Determine las probabilidades de estado estable para el Problema 1 de la Seccin 1-3. 2. En el problema de la ruina del Jugador, por que no es razonable hablar de probabilidades de estado estable? 3. Para cada una de las siguientes cadenas de Markov, determine la fraccin de las veces, a largo plazo, que se ocupar cada estado.
2 3 (a) 1 2
1 3 1 2
.8 .2 0 (b) 0 .2 .8 .8 .2 0
(c) Determine todos los tiempos promedio de primer pasaje de! inciso (b). 4. Al principio de cada ao, mi automvil est en buen, regular o mal estado. Un buen automvil ser bueno al principio del ao siguiente, con probabilidad .85, regula con probabilidad .10 y mal con probabilidad .05. Un automvil regular estar regular al principio del ao siguiente con probabilidad .70 y mal con probabilidad .30. Cuesta 6000 dlares comprar un buen automvil, uno regular se puede conseguir por 1000 dlares; uno malo no tiene valor de venta, y se debe reemplazar de inmediato por uno bueno. Cuesta 1 000 dlares al ao el funcionamiento de un buen automvil, y 1 500 dlares el de uno regular. Debe reemplazar mi automvil tan pronto como se vuelve regular, o debo esperar hasta que se descomponga? Suponga que el costo de funcionamiento de un automvil durante un ao depende del tipo de vehculo que se tiene a la mano a principio del ao (despus de llegar cualquier auto nuevo, si es el caso). 5. Se dice que una matriz cuadrada es doblemente estocstica si todos sus elementos son no negativos y los elementos de cada rengln y cada columna suman 1. Para cualquier matriz ergdica y doblemente estocstica, demuestre que todos los estados tienen la misma probabilidad de estado estable. 6. Este problema mostrar porque las probabilidades de estado estable se llaman a veces probabilidades estacionarias. Sean 1 , 2 ,L s las probabilidades de estado estable para una cadena ergdica con matriz P de transicin. Suponga tambin que la cadena de Markov comienza en el estado i con probabilidad i. a) Cual es la probabilidad que despus de una transicin el sistema se encuentre en el estado i? Sugerencia: Usar la ecuacin (8). b) Para cualquier valor de n (n = 1, 2,. . .), cul es la probabilidad de que una cadena de Markov se encuentre en el estado i despus de n transiciones? (c) Por que a las probabilidades de estado estable se les llama a veces probabilidades estacionarias?
27
PROF. RAL HERNNDEZ
7. Se tienen dos acciones. Las acciones 1 siempre se venden a 10 dlares o 20 dlares. Si hoy las acciones 1 se venden a 10 dlares, hay una probabilidad .80 de que maana se vendan a 10 dlares. Si las acciones 1 se venden hoy a 20 dlares, hay una probabilidad .90 de que maana se vendan a 20 dlares. Las acciones 2 siempre se venden a 10 dlares o a 35 dlares. Si se venden hoy a 10 dlares, hay una probabilidad .90 de que se vendan maana a 10 dlares. Si se venden hoy a 25 dlares, hay una probabilidad .85 de que maana se vendan a 25 dlares. En promedio, que acciones se venden a mayor precio? Determine e interprete todos los tiempos promedio de primer pasaje.
8. La compaa de seguros Payoff cobra a sus clientes de acuerdo a su historia de accidentes. Un cliente que no haya tenido accidentes durante los ltimos dos aos paga 100 dlares de prima anual. Quien haya tenido un accidente en cada uno de los dos ltimos aos paga una prima anual de 400 dlares. A los que hayan tenido un accidente durante slo uno de los ltimos dos aos se les cobra una prima anual de 300 dlares. Un cliente que tuvo un accidente durante el ltimo ao tiene una probabilidad de 10% de accidentarse durante este ao. Si un cliente no ha tenido un accidente durante el ltimo ao, tiene una probabilidad de 3% de sufrir un accidente durante este ao. Durante un ao dado, cul es la prima que paga en promedio un cliente de Payoff? {Sugerencia: En caso de dificultad, pruebe con una cadena de Markov de cuatro estados.) 9. Se tiene la siguiente cadena no ergdica;
1 1 0 0 2 2 1 1 0 0 P = 2 2 1 2 0 0 3 3 2 1 0 0 3 3
a) Por qu esta cadena es no ergdica? b) Explique porqu falla el teorema 1 en esta cadena. Sugerencia: Determine si es cierta la siguiente ecuacin; lim P12 (n) = lim P32 (n)
n n
(c) A pesar del hecho que falla el teorema 1, determine lim P13 (n) lim P21 (n)
n n n
lim P43 (n)
lim P41 (n)

n
28
APUNTES DEL CURSO IO-3 10. Se tiene la siguiente cadena no ergdica: 0 1 0 0 0 1 1 0 0 (a) Por que esta cadena es no ergdica?
PROF. RAL HERNNDEZ
(b) Explique por que el teorema 1 falla para esta cadena. Sugerencia: Demuestre que no existe lim P11 (n) al hacer una lista del comportamiento que sigue P11(n) a medida que aumenta n.
n
1.6 CADENAS ABSORBENTES

Muchas aplicaciones interesantes de las cadenas de Markov incluyen cadenas en las que algunos de los estados son absorbentes y el resto son transitorios. A esas cadenas se les llama cadenas absorbentes. Veamos una cadena absorbente de Markov: si comenzamos en un estado transitorio, entonces al final tendremos la seguridad de dejar el estado transitorio y terminar en uno de los estados absorbentes. Para ver por qu nos interesan las cadenas absorbentes, describiremos las siguientes dos: EJEMPLO 7 Cuentas por cobrar El estado de cuentas por cobrar en una empresa se modela con frecuencia como cadena absorbente de Markov. Suponga que una empresa supone que una cuenta es incobrable si han pasado ms de dos meses de su fecha de vencimiento. Entonces, al principio de cada mes, se puede clasificar cada cuenta en uno de los siguientes estados especficos:
Estado 1 Cuenta nueva. Estado 2 Los pagos de la cuenta estn retrasados un mes. Estado 3 Los pagos de la cuenta estn retrasados dos meses. Estado 4 Los pagos de la cuenta estn retrasados tres meses. Estado 5 Se ha saldado la cuenta. Estado 6 Se ha cancelado la cuenta por ser mal pagado
Supongamos que los ltimos datos indican que la siguiente cadena de Markov describe como cambia el estado de una cuenta de un mes al siguiente:
29
APUNTES DEL CURSO IO-3 Nueva 0 .6 0 0 1 mes 0 0 .5 0 2 meses 0 0 0 .4 3 meses 0 0 0 0 Pagada 0 0 0 0 Incobrable 0 0 0 0 .4 0 .5 0 .6 0 .7 .3 1 0 0 1
PROF. RAL HERNNDEZ
Por ejemplo, si al principio de un mes una cuenta lleva dos meses de vencida, hay 40% de probabilidades de que no se pague al principio del mes siguiente y, por lo tanto, que tenga tres meses de retraso y una probabilidad de 60% de que se pague.
Para simplificar el ejemplo, supondremos que despus de tres meses, la cuenta o se cobra o se considera incobrable. Una vez que una deuda se paga o se considera incobrable, se cierra y no se tienen ms transiciones. Por lo tanto. Pagada e Incobrable son estados absorbentes. Como toda cuenta al final o se paga o se considera incobrable, las cuentas Nueva, 1 mes, 2 meses y 3 meses son estados transitorios. Por ejemplo, una cuenta vencida hace 2 meses puede seguir la trayectoria 2 meses-pagada, pero no hay regreso posible de Pagada a 2 meses. Una cuenta nueva normal ser absorbida ya sea como pagada o como incobrable. Una pregunta de mayor inters es: cul es la probabilidad de que una cuenta nueva Finalmente se pueda cobrar? Ms adelante en esta seccin se encontrar la respuesta. Ejemplo. Planificacin de personal la empresa de abogados Masn y Burger emplea a tres categoras de abogados: principiantes, con experiencia y socios. Durante un ao determinado hay una probabilidad .15 que un abogado principiante sea ascendido a abogado con experiencia y una probabilidad .05 que deje la empresa. Tambin, hay una probabilidad .20 que un abogado con experiencia sea ascendido a socio y una probabilidad .10 que deje la empresa. Tambin hay una probabilidad .05 que un socio deje la empresa. La empresa nunca degrada a un abogado. Surgen muchas preguntas interesantes que la empresa podra contestar. Por ejemplo, cul es la probabilidad que un abogado principiante recin contratado se vaya antes de ser socio? En promedio, cunto tiempo permanece- un abogado principiante recin contratado con la empresa? Las respuestas se deducirn despus en esta seccin. Modelaremos la trayectoria de un abogado en Masn y Burger como cadena absorbente de Markov con la siguiente matriz de probabilidad ce transicin:
30
PROF. RAL HERNNDEZ Sale sin Sale siendo ser socio ser socio .05 0 .10 0 0 .05 1 0 0 1
Pr incipiante Experimentad Pr incipiante Experimentado Asociado Sale sin ser socio Sale siendo ser socio .80 0 0 0 0 .15 .70 0 0 0
Asociado 0 .20 .95 0 0
Los dos ltimos estados son estados absorbentes y los dems son transitorios. Por ejemplo. Experimentado es estado transitorio, porque hay una trayectoria de Experimentado a Sale sin ser socio, pero no hay trayectoria que regrese de Sale sin ser socio a Experimentado. Suponemos que una vez que un ahogado sale de la empresa nunca regresa. Para toda cadena absorbente se desea conocer: (1) Si la cadena comienza en un estado determinado transitorio, y aos de alcanzar un estado absorbente, cul es el nmero esperado de veces que se llegara a un estado? Cuntos periodos esperamos pasar en un determinado estado transitorio antes que se efectu la absorcin? (2) Si una cadena inicia en un estado transitorio dado, cul es la probabilidad de terminar en cada uno de los estados absorbentes? Para contestar estas preguntes necesitamos formular la matriz de transicin con los estados en una lista con el siguiente orden: primero los estados transitorios y despus los absorbentes. Para precisar, se supondr que hay s - m estados transitorios (t1, t2,..., ts-m) y m estados absorbentes (a1, a2, ... , am). Entonces la matriz de transicin para la cadena de absorcin puede escribirse como sigue:
sm m columnas columnas s m renglones Q R 0 m renglones I En este formato, los renglones y las columnas de P corresponden, en orden, a los estados (t1, t2,..., ts-m) (a1, a2, ... , am). En este caso, I es una matriz identidad m x m, que refleja el hecho de que nunca podemos dejar un estado absorbente; Q es una matriz (s - m) x (s - m) que representa las transiciones entre los estados transitorios; R es una matriz (s - m) x m que representa las transiciones desde los estados transitorios a los estados absorbentes; 0 es una matriz m x {s - m) que consta de ceros. Esto refleja el hecho de que es imposible ir de un estado absorbente a uno transitorio. Aplicando esta notacin al Ejemplo 7, tenemos que t1= Nueva t2= 1 mes t3= 2 meses t4= 3 meses a1= Pagada a2= Incobrable
31
PROF. RAL HERNNDEZ
Entonces, para ese ejemplo, las partes de la matriz de probabilidad de transicin se puede expresar como (s = 6, m =2) .4 0 0 .6 0 0 0 0 .5 0 R = .5 0 Q= .6 0 0 0 0 .4 .7 .3 0 0 0 0 Para el Ejemplo 8, sean t1= Principiante t2= Experimentado t3= Socio a1= Sale sin ser socio a2= Sale siendo socio y podemos escribir las partes de la matriz de probabilidad de transicin como
.80 .15 0 Q = 0 .70 .20 0 0 .95 .05 0 R = .10 0 0 .05
Podemos ahora investigar algunos hechos acerca de las cadenas absorbentes (Keineny y Snell(1960)): (1) Si la cadena comienza en un determinado estado transitorio, y antes de alcanzar un estado absorbente, cul es entonces el nmero esperado de veces que se entrar en cada estado? Cuntos periodos esperamos pasar en un estado transitorio dado antes de que se lleve a cabo la absorcin? Respuesta: Si en este momento estamos en el estado transitorio ti el nmero esperado de periodos que pasarn en un estado transitorio tj, antes de la absorcin es el ij-simo elemento de la matriz (I- Q)-1. Para una demostracin vea e! Problema 8 al final de esta seccin. (2) Si una cadena inicia en un estado transitorio dado, qu probabilidad hay de terminar en cada uno de los estados absorbentes? Respuesta: Si en este momento estamos en un estado transitorio i, la probabilidad de ser absorbidos finalmente por un estado absorbente aj es el ij-simo elemento de la matriz (I Q)-1R. Para una demostracin vea el Problema 9 al final de esta seccin. La matriz (I- Q)-1 a menudo se llama matriz fundamental de la cadena de Markov. El lector que se interese en proseguir el estudio de cadenas de absorcin debe consultar Kemeny y Snell (1960). Continuacin del ejemplo de Cuentas por cobrar 1. Cul es la probabilidad que una cuenta nueva sea cobrada alguna vez? 2. Cul es la probabilidad que una cuenta atrasada un mes se vuelva finalmente incobrable?
32
PROF. RAL HERNNDEZ
3. Si las ventas de la empresa son 100 000 dlares en promedio mensual, cunto dinero ser incobrable cada ao? Solucin De la descripcin anterior, recuerde que .4 0 0 .6 0 0 0 0 .5 0 R = .5 0 Q= .6 0 0 0 0 .4 .7 .3 0 0 0 0 Entonces 0 1 .6 0 0 1 .5 0 I Q = 0 0 1 .4 0 1 0 0 1 .60 .30 .12 0 1 .50 .20 = 0 0 1 .40 0 1 0 0
(I Q )1
Para contestar las preguntas 1 a 3 necesitamos calcular .964 .940 (I Q )1 R = .880 .700 Entonces 1. t1 = Nueva, a1 = Pagada. As, la probabilidad de que una cuenta nueva se pague finalmente es el 1 elemento 11 de (I Q ) R =.964 2.t2 = 1 mes, a2 = Incobrable. Entonces, la probabilidad que una cuenta atrasada un mes se vuelva 1 incobrable es el elemento 22 de (I Q ) R = .06. .036 .060 .120 .300
33
PROF. RAL HERNNDEZ
3. De la respuesta 1, slo el 3.6% de todas las deudas son incobrables. Como las cuentas totales del ao son 1 200 000 dlares en promedio, (.036)(1 200 000) =43 200 dlares sern impagables al ao. Ejemplo Planificacin del personal (continuacin) 1. Cul es la duracin promedio de un abogado joven recin contratado en la empresa? 2. Cual es la probabilidad de que un abogado joven llegue a ser socio? 3. Cul es la duracin promedio que pasa un socio en el bufete? Solucin Recordemos que en el Ejemplo
.80 .15 0 Q = 0 .70 .20 0 0 .95 .05 0 R = .10 0 0 .05
Entonces.
0 .20 .15 0 I Q = .30 .20 0 0 .05
luego
( I Q)
1
5 2.5 10 40 = 0 10 3 3 0 0 20
.50 .50 2 ( I Q) R = 1 3 3 0 1
1
Por lo tanto, 1. El tiempo esperado que un abogado principiante permanece en la empresa = (duracin esperada del abogado principiante en la empresa como principiante) + (tiempo esperado que el abogado principiante permanece en la empresa como abogado con experiencia) + (tiempo esperado que el abogado principiante permanece en la empresa como socio). Entonces
Tiempo esperado como principiante = ( I Q)111 = 5
34

Tiempo esperado como con experiencia = ( I Q)121 = 2.5 Tiempo esperado como socio = ( I Q)1.1 = 10 3
PROF. RAL HERNNDEZ
Por lo tanto, el tiempo total esperado que un abogado principiante permanece en la empresa es 5 + 2.5 + 10 == 17.5 aos. 2. La probabilidad de que un abogado principiante recin ingresado llegue a ser socio es tan solo la probabilidad de que salga de la empresa siendo socio. Como t1 = Principiante y a2 = Sale siendo socio, la respuesta es el elemento 12 de ( I Q) 1 R = .50. 3. Como t3 = Socio, buscamos el numero esperado de aos que pasa en t3 dado que comenzamos en t3. Esto es justamente el elemento 33 de ( I Q) 1 = 20 aos. Es razonable, porque durante cada ao hay una probabilidad en 20 que un socio deje el bufete y. por lo tanto, debe lardar un promedio de 20 aos en dejar la empresa.
PROBLEMAS
l. El departamento de admisin del colegio estatal ha modelado la trayectoria de un estudiante en esa institucin corno cadena de Markov:
1er ao 1er ao 2do ao 3er ao 4to ao Sale Tea .10 0 0 0 0 0
2do ao .80 .10 0 0 0 0
3er ao 0 .85 .15 0 0 0
4to ao 0 0 .80 .10 0 0
Termina .10 .05 .05 .05 1 0
Sale 0 0 0 .85 0 1
Se observa el estado de cada estudiante al principio de cada semestre de otoo. Por ejemplo, si un estudiante es de 3er ao al principio de este semestre de otoo, habr 80% de probabilidades de que al principio del siguiente semestre de otoo sea de cuarto ao, 15% de probabilidad de que aun sea de 3er ao y 5% de que salga. Suponemos que una vez que sale un estudiante ya nunca vuelve a inscribirse. (a) Si un estudiante entra al estudiante? colegio a primer ao, cuntos aos se espera que pasen siendo
(b) Cul es la probabilidad de que se grade un estudiante de nuevo ingreso? 2. El Herald Tribble obtuvo la siguiente informacin acerca de sus suscriptores: durante el primer ao como suscriptores, el 20% cancelan sus suscripciones. De los que se han suscrito por un ao, el 10%
35
PROF. RAL HERNNDEZ
cancelan durante el segundo ao. De los que se han suscrito por ms de dos aos, el 4% cancelan durante cualquier ao dado. En promedio, cunto tiempo se suscribe una persona al Herald Tribble ? 3. Un bosque consta de dos tipos de rboles: los que tienen de 0 a 1.50 m de alto, y los que son ms altos. Cada ao muere el 40% de los rboles que tienen menos de 1.50 m, el 10% se venden a 20 dlares cada uno, 30% permanecen entre 0 y 1.50 in, y el 20% crecen mas de 1.50 m. Cada ao, el 50% de los rboles de ms de 1.50 m se venden a 50 dlares, el 20% se venden a 30 dlares, y el 30% permanecen en el bosque. a) Cul es !a probabilidad de que muera un rbol de 0 a 1.50 m antes de venderse? b) Si se planta un rbol de menos de 1.50 m, cul es el ingreso esperado que se va a tener con ese rbol? 4. Las cadenas absorbentes de Markov se usan en ventas para modelar la probabilidad de que un cliente que se localiza por telfono compre finalmente algn producto. Considere un cliente posible a quien nunca le ha llamado acerca de comprar un producto. Despus de una llamada, hay una probabilidad de 60% de que tenga poco inters en el producto, de 30% que muestre un gran inters en el producto, y 10% de que sea borrado de la lista de los posibles clientes de la compaa. Se tiene un cliente que actualmente tiene poco inters en el producto- Despus de otra llamada, hay 30% de probabilidades de que compre el producto, 20% de probabilidades de que sea borrado de la lista, 30% de que el cliente an tenga poco inters y 20% de que exprese un inters alto. Para un cliente que actualmente expresa alto inters, despus de otra llamada hay 50% de probabilidades de que compre el producto, 40% de probabilidades de que siga teniendo gran inters y 10% de probabilidades que tenga poco inters. a) Cul es ]a probabilidad de que un nuevo posible cliente al final compre el producto? b) Cul es la probabilidad de que un posible cliente con poco inters sea borrado de la lista finalmente? c) En promedio, cuntas veces habr que llamar por telfono a un nuevo posible cliente para que compre el producto, o para que sea borrado de la lista? 5. En el problema de la ruina del jugador (Ejemplo 1), suponga que p = .60. a) Qu probabilidad hay de que alcance a ganar 4 dlares? b) Cul es la probabilidad de que salga sin dinero? (c) Cul es la duracin esperada del juego? 6. En el cuidado de pacientes ancianos en un hospital psiquitrico, una meta principal es la colocacin correcta de los pacientes en pensiones u hospitales para ancianos. El movimiento de pacientes entre el hospital, los hogares externos y el estado absorbente (la muerte) se puede describir mediante la siguiente cadena de Markov. La unidad de tiempo es un mes: Hospital Hogares Muerte Hospital .991 .003 .006 Hogares .025 .969 .006 Muerte 0 0 1
36
PROF. RAL HERNNDEZ
Cada mes que pasa un paciente en el hospital cuesta 655 dlares al estado, y cada mes que pasa en una pensin le cuesta 226 dlares, tambin al estado. Para mejorar la ocurrencia de xitos de colocacin de pacientes, el estado recientemente comenz un "programa de resocializacin geritrica" (GRP) para preparar a los pacientes a desempearse en las pensiones. Algunos pacientes se colocan en el GRP y a continuacin pasan a pensiones. Es menos probable que estos pacientes no se puedan ajustar a sus pensiones. Otros pacientes continan pasando en forma directa del hospital a las pensiones sin haber tomado parte en el (GRP). El estado paga 680 dlares cada mes lo que cuesta el paciente en el GRP. El movimiento de los pacientes est gobernado por la siguiente cadena de Markov:
GRP GRP Hospital Pensiones (GRP) Pensiones (directo) Muerte .854 .013 .025 0 0
Hospital .028 .978 0 .025 0
Pensiones (GRP) .112 0 .969 0 0
Pensiones (directo) 0 .003 0 .969 0
Muerte .006 .006 .006 .006 1
(a) El GRP, ahora fondos al estado? (b) Bajo el sistema anterior y bajo el GRP, calcule el nmero esperado de meses que pasa un paciente en el hospital. 7. Freezco, Inc.. vende refrigeradores. La fbrica otorga una garanta en todos los refrigeradores que especifica cambio gratis de cualquier unidad que se descomponga antes de tres aos. Se nos da la siguiente informacin: (1) el 3% de todos los refrigeradores nuevos falla durante su primer ano de funcionamiento; (2) el 5% de todos los refrigeradores con 1 ao de funcionamiento falla durante su segundo ao de trabajo, y (3) el 7% de todos los refrigeradores con dos aos de funcionamiento falla durante su tercer ao. La garanta no vale para el refrigerador de repuesto. a) Use la teora de endonas de Markov para predecir la fraccin de lodos los refrigeradores que deber cambiar Freezco. b) Suponga que a Freezco le cuesta 500 dlares cambiar un refrigerador y que vende 10 000 refrigeradores al ao. Si la fabrica redujera el plazo de garanta a dos aos, cunto dinero se ahorrara en costos de reemplazo? 8. Para una matriz Q que, represente las transiciones entre estados transitorios en una cadena absorbente de Markov, se puede demostrar que ( I Q ) 1 = I + Q + Q 2 + L
37
APUNTES DEL CURSO IO-3 a) Explique por que es posible esta expresin de ( I Q) 1
PROF. RAL HERNNDEZ
b) Defina a mij = nmero esperado de periodos pasados en el estado transitorio t, antes de la absorcin, si se sabe que iniciamos en el estado ti. Suponga que el periodo inicial se pasa en el estado ti. Explicar por qu mij = (probabilidad de que estemos al principio en el estado tj} + (probabilidad que estemos en el estado tj despus de la primera transicin) + (probabilidad que estemos en el estado tj despus de la segunda transicin) + . . . + (probabilidad que estemos en el estado tj despus de la n-sima transicin) +. c) Explique por qu la probabilidad de que estemos inicialmente en el estado tj = elemento ij-simo de la matriz identidad (s - m} x (s - m). Explique por qu la probabilidad de que estemos en el estado tj despus de la ij-sima transicin = elemento ij-simo de Qn. d) Ahora explique por qu mij = elemento ij de ( I Q) 1 9. Defina bij = probabilidad de terminar en un estado absorbente aj dado que iniciamos en un estado transitorio tj rij = ij-simo elemento de R. qij = ij-simo elemento de Q. B = matriz (s m) x m cuyo ij-simo elemento es bij Suponga que iniciamos en el estado ti. En nuestra primera transicin, pueden suceder tres tipos de eventos: Evento 1 Pasamos al estado absorbente aj, con probabilidad rij. Evento 2 Pasamos al estado absorbente que no es aj, con probabilidad Evento 3 Pasamos al estado transitorio tk, con probabilidad qik a) Explique por qu bij = rij + qik bkj
k j
r
k j
ik
b) Ahora demuestre que bij es el ij-simo elemento de (R +QB) y que B = R+ QB c) Demuestre que B = ( I Q) 1 y que bij = ij-simo elemento de B = ( I Q) 1 . 10, General Motors tiene tres divisiones automotrices (divisin 3, divisin 2 y divisin 3). Tambin tiene una divisin de contabilidad y una de consultora de administracin. La pregunta es: Que fraccin del costo de las divisiones de contabilidad y de consultora de administracin se debe cargar a cada divisin automotriz? Suponemos que el costo total de los departamentos de contabilidad y
38
PROF. RAL HERNNDEZ
consultora se deben repartir entre las tres divisiones automotrices. Durante un ano determinado, el trabajo de las divisiones de contabilidad y consultora se asigna como se ve en la siguiente tabla. Contabilidad Consultora de Divisin 2 Divisin 3 Adm. Contabilidad 10% 30% 20% 20% 20% Administracin 30% 20% 30% 0% 20%
Por ejemplo, contabilidad emplea el 10% de su tiempo en problemas generados por el departamento de contabilidad, 20% en trabajos generados por la divisin 3, etc. Cada ao, cuesta 63 millones de dlares la operacin de! departamento de contabilidad, y 210 millones de dlares la del departamento de consultora de administracin. Que fraccin de esos costos se debe asignar a cada divisin automotriz? Imaginar 1 dlar en costos incurridos en trabajos de contabilidad. Hay una probabilidad .20 de que estos costos se asignen a cada divisin automotriz, probabilidad .30 de que se asigne a consultora y probabilidad .10 que se asigne a contabilidad. Si el dlar se asigna a una divisin automotriz, sabemos a qu divisin se debe cargar ese dlar. Por ejemplo, si el dlar se carga a consultara, repetimos el proceso hasta que, por ltimo, el dlar se cargue a una divisin automotriz. Use el conocimiento de cadenas de Markov para establecer cmo asignar los costos de funcionamiento de los departamentos de contabilidad y asesora entre las tres divisiones automotrices.
39
PROF. RAL HERNNDEZ
2.TEORA DE COLAS
Todos nosotros hemos esperado mucho tiempo en lneas o colas. En este capitulo disearemos modelos matemticos de colas de espera. En la seccin 2.3 comenzaremos describiendo parte de la terminologa que se usa con frecuencia para describir las colas. En la Seccin 2.2 veremos algunas distribuciones (exponencial y de Erlang) que se necesitan para describir los modelos de colas. En la Seccin 2.3 introduciremos la idea de un proceso de nacimiento y muerte bsico para muchos modelos de colas donde interviene la distribucin exponencial. En el resto del captulo examinaremos algunos modelos de sistemas de colas que se pueden usar para responder preguntas como las siguientes: 1. Que fraccin del tiempo est ocioso cada servidor? 2. Cul es el nmero esperado de clientes presentes en la cola? 3. Cul es el tiempo esperado que un cliente pasa en la cola? 4. Cul es la distribucin de probabilidad del nmero de clientes presentes en una cola? 5. Cul es la distribucin de probabilidad del tiempo de espera de un cliente? 6. Si un gerente de banco desea asegurar que slo el 17% de los clientes tenga que esperar ms de 5 minutos su turno cuntas ventanillas debe emplear?
2.1 TERMINOLOGA PARA LA TEORA DE COLAS

Para describir una cola se deben especificar un proceso de entrada y uno de salida. En la Tabla 1 se presentan algunos ejemplos de procesos de entrada y salida.
CASO Banco
PROCESO DE ENTRADA Los clientes llegan banco Se reciben pizzas pedidos
PROCESO DE SALIDA al Los cajeros despachan los clientes
Pizzera
de La pizzera manda una motocicleta para entregar pizzas
Banco de sangre hospital Astillero naval
en Llegan bolsas de sangre
Los pacientes usan las bolsas de sangre Se descomponen los barcos Se reparan los barcos y en el mar y se mandan al regresan al mar astillero a reparacin
EL PROCESO DE LLEGADA El proceso de entrada se conoce, por lo general, por proceso de llegada. La llegada son los clientes. En todos los modelos que estudiamos, suponemos que solo
40
PROF. RAL HERNNDEZ
hay una llegada en un instante dado. En el caso de un restaurante, es una suposicin muy poco real. Si sucede que hay ms de una llegada en un instante dado, decimos que se permiten llegadas en masa. En general, suponemos que el proceso de llegada no es afectado por el numero de clientes presentes en el sistema. En el contexto de un banco, esto significara que el proceso que gobierna las llegadas no cambia, haya 5 o 500 personas en la cola. Hay dos casos comunes en los que el proceso de llegada puede depender del nmero presente de clientes. El primero se da cuando las llegadas se toman de una poblacin pequea. Suponga que solo hay cuatro barcos en un astillero naval. Si los cuatro estn en reparacin, entonces ningn barco se puede descomponer en el futuro cercano. Por otro lado, si los cuatro barcos estn en el mar, en el futuro cercano hay una probabilidad relativamente alta de que suceda una descompostura. Los modelos en los que las llegadas se toman de una poblacin pequea se llaman modelos de origen finito. Otro caso en el que el proceso de llegada depende del nmero de clientes presentes, se tiene cuando la rapidez a la que llegan los clientes a la instalacin disminuye cuando est demasiado concurrida. Por ejemplo, si el lector ve que el estacionamiento del banco est lleno, podra pasar e ir otro da al banco. Si un cliente llega, pero no puede entrar al sistema, decimos que el cliente ha declinado. El fenmeno de declinacin (denegar o no aprovechar su turno) fue explicado por Yogi Berra cuando dijo: "Nadie va ya al restaurante; est demasiado concurrido." Si al proceso de llegadas no lo afecta el numero de clientes presentes, lo expresamos normalmente especificando una distribucin de probabilidad que gobierne el tiempo entre llegadas sucesivas. PROCESO DE SALIDA O DE SERVICIO Para describir el proceso de salida, que con frecuencia se llama proceso de servicio, de un sistema de cola, en general especificamos una distribucin de probabilidad; la distribucin del tiempo de servicio, que gobierna el tiempo de servicio a un cliente. En la mayor parle de los casos suponemos que la distribucin de tiempo de servicio es independiente del nmero de clientes presentes. Esto significa, por ejemplo, que el servidor no trabaja ms rpido cuando hay ms clientes. En este captulo estudiaremos dos acomodos de servidores: servidores en paralelo y servidores en serie. Los servidores estn en paralelo si todos ellos dan el mismo tipo de servicio y un cliente slo necesita pasar por un servidor para completar su servicio. Por ejemplo, los cajeros de un banco estn organizados generalmente en paralelo; cualquier cliente slo necesita ser atendido por un cajero, y cualquier cajero puede llevar a cabo el servicio deseado. Los servidores estn en serie si un cliente debe pasar por varios de ellos antes de completar el servicio. Un ejemplo de un sistema de cola en serie es una lnea de ensamble. DISCIPLINA DE LA COLA
Para explicar por completo un sistema de cola, tambin debemos explicar la disciplina de la cola y la manera en la que los clientes se unen a ella.
41
PROF. RAL HERNNDEZ
La disciplina de la cola es el mtodo que se usa para determinar el orden en el que se sirve a los clientes. La disciplina ms comn es la disciplina FIFO (el primero en llegar primero en ser servido), en la que los clientes son servidos en el orden de su llegada. Bajo la disciplina LIFO (ltimo en llegar, primero en ser servido), las llegadas mas recientes son las primeras en recibir el servicio. Si pensamos que la salida de un elevador sea un servicio, entonces un elevador muy lleno ilustra una disciplina LIFO. A veces, el orden en el que llegan los clientes no tiene efecto alguno sobre el orden en que se les sirve. Este sera el caso si el siguiente cliente en llegar se selecciona al azar de entre los que estn esperando para ser atendidos. A este caso se le llama disciplina SEOA (servicio en orden aleatorio). Cuando al llamar a una aerolnea se les pide que esperemos, la suerte de la seleccin determina con frecuencia al siguiente interlocutor que es atendido por un operador. Por ltimo, veremos las disciplinas de prioridad en espera. Esta disciplina clasifica cada llegada en alguna de las categoras que tiene. Luego se le da un nivel de prioridad, a cada categora y dentro de cada nivel de prioridad los clientes entran al servicio segn una disciplina LIFO. Las disciplinas de prioridad se usan con frecuencia en las salas de urgencia para determinar el orden en el que los clientes deben recibir tratamiento, y en las instalaciones de copiado y de tiempo compartido de cmputo, cuando la prioridad se da en general, a trabajos que reciben poco tiempo. MTODO UTILIZADO POR LAS LLEGADAS PARA UNIRSE A LA COLA Otro factor que tiene un importante efecto sobre el comportamiento de un sistema de cola es el mtodo que usen los clientes para determinar a cul cola unirse. Por ejemplo, en algunos bancos los clientes deben hacer una sola cola, pero en otros, pueden escoger la cola donde formarse. Cuando hay varias colas, con frecuencia los clientes se forman en la mas corla. Desafortunadamente en muchos casos, como en un supermercado, por ejemplo, es difcil definir la cola ms corta. Si hay varias colas en una instalacin, es importante conocer si se permite a los clientes cambiar de cola o no. En la mayor parte de los sistemas con colas mltiples se permite el cambio, pero no se recomienda el cambio en una casilla para peaje.
2-2 MODELADO DE LOS PROCESOS DE LLEGADA Y DE SERVICIO

MODELADO DEL PROCESO DE LLEGADA Como se mencion antes, suponemos que puede suceder una llegada cuando mucho en un instante dado de tiempo, Definimos a ti como el tiempo en el cual llega el i-simo - ti; cliente. Para ilustrarlo, veamos la Fig. 1. Para i1, definimos Ti = ti+1 como el i-simo tiempo entre las llegadas. As, en esa figura, T1 = 8 - 3 = 5, y T2 = 15 - 8 = 7. Al modelar el proceso de llegada, suponemos que las Ti son variables independientes, aleatorias y continuas descritas por la variable aleatoria A. La hiptesis de independencia quiere decir, por ejemplo, que el valor de T2 no tiene efecto sobre el valor de T3,T4; o cualquier otra Ti, posterior. La hiptesis de que cada T, es continua en general es buena aproximacin a la realidad. Despus de todo, un tiempo entre llegadas no necesita ser exactamente de 1 o 2 minutos; podra ser igualmente de, por ejemplo 1.55892 minutos. La hiptesis de que cada tiempo entre llegadas est gobernado por la misma variable significa que la distribucin de llegadas es independiente de la hora del da o del da de la semana. Es la hiptesis de tiempos estables entre llegadas. A causa de fenmenos
42
PROF. RAL HERNNDEZ
como horas de alto trnsito, con frecuencia la hiptesis de tiempos estables entre llegadas no es real, pero con frecuencia podemos aproximar el caso real descomponiendo las horas del da en segmentos. Por ejemplo, si estuviramos modelando el flujo de trnsito, podramos descomponer el da hasta en tres segmentos: uno de transito elevado por la maana, un segmento de medio da y uno de prisas por la tarde. Durante cada uno de esos segmentos los tiempos entre llegadas pueden ser estables. Figura 1 Definicin de tiempos entre llegadas
Suponga que A tiene una funcin de densidad a(t}. Para t pequea, P( t A t + t) es aproximadamente t a(t). Naturalmente que es imposible un tiempo negativo entre llegadas. Esto nos permite escribir (1) P ( A c ) =
a(t )dt y P( A > c) = a(t )dt

0
c
Definimos
como el tiempo promedio entre llegadas. Sin prdida de generalidad,
suponemos que el tiempo se mide en horas. Entonces llegada. Podemos calcular
tendr unidades de horas por
a partir de a(t) empleando la siguiente ecuacin:
(2)
= a (t )dt
0
A se le llama rapidez de llegadas y es el tiempo promedio entre llegadas. Sus unidades son llegadas por hora. En la mayor parte de las aplicaciones de colas, un asunto imprtame es como escoger A para que refleje la realidad y que, al mismo tiempo, se pueda manejar matemticamente. La seleccin mas comn de A es la distribucin exponencial Una distribucin exponencial con parmetro tiene una densidad a(t} = se muestra la funcin de densidad para una a{t) disminuye en forma muy rpida para t probables tiempos muy grandes entre llegadas. partes podemos demostrar que el tiempo medio dado por (3) E(A) =
la Fig. 2
distribucin exponencial. Vemos que pequea. Esto indica que son poco Con la ecuacin(2) e integrando por o promedio entre llegadas E(A) est
De acuerdo con el hecho que var A = E(A2) - E(A)2, podemos demostrar que (4) var A =
1 ( )2
43
PROF. RAL HERNNDEZ
Figura 2 Funcin de densidad para la distribucin exponencial
Propiedad de Amnesia de la distribucin exponencial. La razn que se use con frecuencia la distribucin exponencial para modelar los tiempos entre llegadas se encuentra en el siguiente lema: LEMA 1. Si A tiene distribucin exponencial, entonces para todo valor no negativo de t y h (5)
P ( A > t + h / A t ) = P ( A > h)
Notaremos primero que segn la Ecuacin (1),
t
Demostracin:
(6) Luego
P ( A > h) = a (t )dt = e
h h
dt = e
P( A > t + h / A t ) =
P ( A > t + h A t ) P ( A > t + h) = utilizando (6) = P( A t ) P( A t )
e e
(t + h ) t
=e
= P ( A > h)
Se puede demostrar que no hay otra funcin de densidad que satisfaga la Ecuacin (5). Por razones que se hacen evidentes, se dice que una densidad que satisfaga la Ecuacin (5) tiene la propiedad de amnesia, o de no memoria. Suponga que sabemos que no ha habido llegadas durante las ltimas t horas, que equivale a que nos digan que A t y que nos pregunten cul es la probabilidad que no haya llegadas durante las siguientes h horas, es decir, A > t + h. Entonces, la Ecuacin (5) quiere decir que esta probabilidad no depende del valor de t, y que para todos los valores de t esta probabilidad es igual a P(A > h). En resumen, si conocemos que han pasado al menos t unidades de tiempo desde la ltima llegada, entonces la distribucin del tiempo que queda hasta la siguiente llegada, h, no depende de t. Por ejemplo. Si h = 4, entonces la Ecuacin (5) produce, para t = 5 , t = 3,t = 2 y t = 0,
44
PROF. RAL HERNNDEZ
P ( A > 9 / A 5) = P( A > 7 / A 3) = P( A > 6 / A 2) = P( A > 4 / A 0) = e
La propiedad de amnesia de la distribucin exponencial es importante porque si deseamos conocer la distribucin de probabilidad del tiempo para la siguiente llegada, no importa cuanto tiempo haya pasado desde la ultima llegada. Para decirlo en trminos concretos, suponga que los tiempos entre llegadas se distribuyen exponencialmente con = 6. Entonces la propiedad de amnesia significa que no importa cunto tiempo haya pasado desde la ltima llegada, la distribucin de probabilidades que rige el tiempo para la siguiente llegada tiene la funcin de densidad
. Esto
significa
que para predecir los comportamientos de las
llegadas futuras no necesitamos mantener registro de cuanto ha pasado desde la ltima llegada. Esta observacin puede simplificar mucho el anlisis de un sistema de colas. Para visualizar que conocer el tiempo desde la ltima llegada no afecta la distribucin del tiempo para la siguiente llegada en la mayor parte de los casos, suponga que A es discreta con P(A = 5) = P(A = 100) = xi Si sabemos que no ha habido llegadas durante las ltimas 6 unidades de tiempo, sabemos con certeza que pasaran 100 6 = 94 unidades de tiempo para la siguiente llegada. Por otro lado, si nos dicen que no ha habido llegada durante la ltima unidad de tiempo, entonces hay cierta probabilidad de que el tiempo para la siguiente llegada sea 5-1=4 unidades y cierta probabilidad que sea 100-1 =99 unidades. Por lo tanto, en este caso, la distribucin del siguiente tiempo entre llegadas no se puede predecir conociendo el tiempo que ha pasado desde la ltima llegada. RELACIN ENTRE LA DISIRIBUCIN DE POISSON Y LA DISTRIBUCIN EXPONENCIAL.
Si los tiempos entre llegadas son exponenciales, la distribucin de probabilidad del nmero de llegadas que se tienen en cualquier intervalo de tiempo t est dada por el siguiente teorema importante: TEOREMA 1 Los tiempos entre llegadas son exponenciales con parmetro si y solo si el nmero de llegadas que suceden en un intervalo t sigue una distribucin de Poisson con parmetro t. Una variable aleatoria discreta N tiene una distribucin de Poisson con parmetro si, para n = 0. 1, 2, . . . ,
(7)
n! Si N es una variable aleatoria de Poisson, se sabe que E(N) = var N = . Si hacemos que N, sea el nmero de llegadas que suceden durante cualquier intervalo de tiempo de longitud t, el Teorema 1 establece que t n e ( t )
P(Nt = n) =
P(N = n) =
(n = 0.1.2....)
n!
(n = 0.1.2....)
Como N, es de Poisson con parmetro t , E(N) = var N = t . Un promedio de llegadas se suceden durante un intervalo de tiempo de longitud t y, entonces se
45
PROF. RAL HERNNDEZ
puede pensar que es el nmero promedio de llegadas por unidad de tiempo, o rapidez de llegadas. Qu hiptesis se necesitan para que los tiempos entre llegadas sean exponenciales?. El Teorema 2, mas adelante, nos da una respuesta parcial. Veamos las dos hiptesis siguientes: 1. Las llegadas definidas en intervalos de tiempo que no se traslapan son independientes (por ejemplo, el nmero de llegadas que se tiene entre los tiempos 1 y 10 no nos da informacin alguna acerca del nmero de llegadas entre los tiempos 30 y 50). 2. Para t pequeo, y cualquier valor de t, la probabilidad de que se tenga una llegada entre los tiempos t y t + t es t + o( t ) donde o( t ) es cualquier cantidad que satisfaga
o(t ) =0 t 0 t lim
Tambin, la probabilidad de que no haya llegada durante el intervalo t y t + es 1 t + o( t ), y la probabilidad que halla i ms de una llegada en ese intervalo es o( t ).
TEOREMA 2: Si son validas las hiptesis 1 y 2, entonces N, sigue una distribucin de Poisson con parmetro t , y los tiempos entre llegadas son exponenciales con parmetro Esto es, a(t} =
En esencia, el Teorema 2 establece que si la rapidez de llegadas es estable, si no pueden tenerse llegadas en masa y si las llegadas del pasado no afectan las llegadas del futuro, entonces los tiempos entre llegadas seguirn una distribucin exponencial con parmetro y el nmero de llegadas en cualquier intervalo de longitud t es de Poisson con parmetro t . Las hiptesis del Teorema 2 pueden parecer demasiado restrictivas, pero con frecuencia los tiempos entre llegadas son exponenciales aun cuando no se satisfagan las hiptesis del Teorema 2. En la Seccin 2.12 estudiamos cmo usar los datos para probar si la hiptesis de tiempos exponenciales entre llegadas es razonable. Sucede que en muchas aplicaciones, la hiptesis de tiempos exponenciales entre llegadas es una muy buena aproximacin del caso real. El Ejemplo ilustra la relacin entre Lis distribuciones exponencial y de Poisson. EJEMPLO 1 El numero de tarros de cerveza pedidos en el Dick's Pub sigue una distribucin de Poisson con promedio de 30 cervezas por hora. 1. Calcule la probabilidad de que se pidan exactamente 60 cervezas entre las 10 p.m. y las 12 de la noche. 2. Determine el promedio y la desviacin estndar del nmero de cervezas pedidas entre las 9 p.m. y la 1 a.m. 3. Calcule la probabilidad de que el tiempo entre dos pedidos consecutivos sea entre 1 y 3 minutos.
46
PROF. RAL HERNNDEZ
1. El nmero de cervezas pedido entre las 10 p.m. y las 12 de la noche sigue una distribucin de Poisson con parmetro 2(30) = 60. De la Ecuacin (7), la probabilidad de que se pidan 60 cervezas entre las 10 p.m. y la medianoche es
60
60 60
60!
2. = 30 cervezas por hora; t = 4 horas. Entonces, el nmero promedio de cervezas pedidas entre las 9 p.m. y la 1 am es 4(30) = 120 cervezas. La desviacin estndar del nmero de cervezas pedido entre las 9 p.m. y la 1 a.m. es (120)1/2 = 10.95. 3. Sen X el tiempo en minutos entre pedidos sucesivos de cerveza. El tiempo promedio de pedidos por minuto es exponencial con parmetro, o razn, 30/60 = .5 cervezas por minuto. Entonces la funcin de densidad de probabilidad del tiempo ente pedidos de cerveza es .5
.5t
. Entonces
1.5
P (1 X 3) = a(t )dt = .5 e
1 1
.5 t
dt = e e
.5
= .38
DISTRIBUCIN DE ERLANG Si los tiempos entre llegadas parecen no frecuencia con una distribucin de Erlang. variable aleatoria continua, T, cuya funcin por dos parmetros: un parmetro de rapidez R ser entero positivo). Dados valores de R y siguiente funcin de densidad de probabilidad:
ser exponenciales, se modelan con Una distribucin de Erlang es una de densidad f(t) est especificada y un parmetro de forma k (k - debe k, la densidad de Erlang tiene la
(8)
f (t ) =
R ( Rt ) k 1 e
(k 1)!
Rt
(t 0)
Mediante integracin por parles, podemos demostrar que si T es una distribucin de Erlang con parmetro R de rapidez y k de forma, entonces (9) E(T) = k/R y Var T = k/R2
Para ver cmo al variar el parmetro de forma se cambia la forma de la distribucin de Erlang, consideremos un valor dado de , una familia de distribuciones de Erlang; con parmetro de rpido k y parmetro de forma k. Segn la Ecuacin (9), cada una de esas distribuciones de Erlang tiene un promedio de 1/. Cuando vara k, la distribucin de Erlang toma muchas formas. Por ejemplo, en la Fig. 3 se ilustra, para un valor dado de , las funciones de densidad para las distribuciones de Erlang que tienen parmetros de forma 1, 2, 4, 6 y 20. Para k = 1, la densidad de Erlang parece semejante a una distribucin exponencial; de hecho, si hacemos k = 1 en la Ecuacin (8) vemos que para este caso la distribucin de Erlang es exponencial con parmetro R. Cuando aumenta k, la distribucin de Erlang se comporta ms y mas como distribucin normal. Para valores extremadamente grandes de la distribucin de Erlang tiende a una variable
47
PROF. RAL HERNNDEZ
aleatoria con variancia cero (es decir, tiempo constante entre llegadas). As, al variar k podemos aproximarnos a distribuciones tanto asimtricas como simtricas.
Figura 3.
Distribucin Erlang para diferentes valores de k y con R=3
Se puede demostrar que una distribucin de Erlang con parmetro de forma k y de rapidez k tiene la misma distribucin que la variable aleatoria A1 + A2 + + Ak, en la cual cada Ai es una variable aleatoria exponencial con parmetro k y las Ai son variables aleatorias independientes. Si modelamos los tiempos entre llegadas como una distribucin de Erlang con parmetro de forma k, en realidad estamos diciendo que el proceso entre llegadas es equivalente a que un cliente pase a travs de k fases, cada una de las cuales con propiedad de amnesia, antes de llegar. Por esta razn, al parmetro de forma se le llama con frecuencia numero de fases de la distribucin de Erlang. MODELADO DEL PROCESO DE SERVICIO A continuacin dirigiremos nuestra atencin al modelado del proceso de servicio. Suponemos que los tiempos de servicio de distintos clientes son variables aleatorias independientes y que el tiempo de servicio de cada cliente est regida 1 por la variable aleatoria S que tiene una funcin de densidad s(t). definimos como el tiempo promedio de servicio a un cliente. Naturalmente,
= ts (t )dt
0
La variable
tendr como unidades horas por cliente; por lo tanto, tiene como
unidades clientes por hora. Por esta razn se le llama a la rapidez de servicio. Por ejemplo, = 5 quiere decir que si siempre hubiera clientes, quien atiende
48
PROF. RAL HERNNDEZ
podra despachar a un promedio de 5 clientes por hora, y el tiempo promedio de servicio para cada cliente sera 1 de hora. Como en el caso de los tiempos entre 5 llegadas, esperamos que los tiempos de servicio se pueden modelar con exactitud como variables aleatorias exponenciales. Si podemos modelar al tiempo de servicio de un cliente, como una variable aleatoria exponencial, podremos determinar la distribucin del tiempo de servicio sobrante de un cliente sin tener que registrar cunto ha durado el servicio al cliente. Ntese tambin que si los tiempos de servicio siguen una densidad exponencial de servicio a un cliente ser . Como ejemplo de cmo la hiptesis de tiempos de servicio exponenciales puede simplificar los clculos, veamos un sistema de tres servidores en el que cada tiempo de servicio de cliente est gobernado por una distribucin exponencial
s (t ) = e
entonces el tiempo promedio
s (t ) = e
Suponga que los tres servidores estn ocupados y que hay un cliente
esperando (Fig. 4). Cual es la probabilidad que el cliente que espera sea el ltimo de los cuatro clientes en terminar sus tramites? En la Fig. 4 est claro que suceder lo siguiente: uno de los clientes 1 a 3, por ejemplo el cliente 3, ser el primero en terminar sus trmites. El cliente 4 llegar a la ventanilla. Segn la propiedad de amnesia, el tiempo de servicio del cliente 4 tiene la misma distribucin que los tiempos de servicio de los clientes 1 y 2 restantes. As, por simetra, los clientes 4, 1 y 2 tendrn la misma probabilidad de ser el ltimo en salir. Esto significa que el cliente 4 tiene una probabilidad 1/3 de ser el ltimo en salir. Si no hubiera propiedad de amnesia este problema sera difcil de resolver, porque sera muy difcil determinar la distribucin de probabilidades del tiempo restante de servicio pralos clientes 1 y 2, despus de haber salido el cliente 3.
Ejemplo de la utilidad de la distribucin exponencial
Desafortunadamente, los tiempos reales de servicio pueden no ser consistentes con la propiedad de amnesia. Por esta razn, con frecuencia suponemos que s(t) es una distribucin de Erlang con parmetro de forma k y parmetro de rapidez k. Segn
49
PROF. RAL HERNNDEZ
la Ecuacin (9), esto produce un tiempo promedio de servicio igual a
. Modelar
los tiempos de servicio como distribucin de Erlang con parmetro de forma k, tambin significa que el tiempo de servicio a un cliente puede consistir del paso travs de k fases del servicio, en las que el tiempo para completar cada una tiene la propiedad de amnesia y el tiempo para completar cada fase tiene un promedio 1 igual a k , (vase Fig. 5). En muchos casos, la distribucin de Erlang se puede ajustar estrechamente a los tiempos de servicio observados (vase Seccin 2.13). Representacin del tiempo de servicios de Erlang
En algunos casos, los tiempos entre llegadas o los de servicio se pueden modelar como si tuvieran variancia cero; en estos casos, se considera que los tiempos entre llegadas o de servicio son deterministas. Por ejemplo, si los tiempos entre 1 llegadas son deterministas, entonces cada tiempo entre llegadas ser exactamente y si los tiempos de servicio son deterministas, el tiempo de servicio de cada 1 cliente ser exactamente NOTACIN DE KENDALL-LEE PARA SISTEMAS DE COLAS Hemos elaborado la terminologa suficiente para describir en forma normal muchos sistemas de colas. La notacin que describimos en esta seccin se usa para representar un sistema de colas en el que las llegadas esperan en una sola cola hasta que uno de los s servidores idnticos en paralelo queda libre. Entonces el primer cliente de la cola entra al servicio y as sucesivamente (vase Fig. 6). Si, por ejemplo, el cliente en la ventanilla 3 es el prximo en completar el servicio, entonces, suponiendo disciplina FIFO (primero en llegar, primero en ser servido), el primero en la cola pasara a la ventanilla 3. El siguiente cliente en la cola entrara a una ventanilla despus de completar el siguiente servicio, y as sucesivamente. Sistema de colas nica con servidores en paralelo
50
PROF. RAL HERNNDEZ

siguiente
Para representar un sistema de colas, Kendall (1951) invent la notacin. Cada sistema de colas se representa con seis caractersticas: 1/2/3/4/5/6
La primera caracterstica especifica la naturaleza del proceso de llegada. Se usan las siguientes abreviaturas normales: M = Los tiempos entre llegadas son independientes, distribuidos idnticamente (iid), y las variables aleatorias tienen distribucin exponencial D = Los tiempos entre llegadas son iid y deterministas. Ek = Los tiempos entre llegadas son iid con distribucin de Erlang con parmetro de forma k. GI = Los tiempos entre llegadas son iid y estn gobernados por alguna distribucin general. La segunda caracterstica especifica la naturaleza de los tiempos de servicio: M = Los tiempos de servicio son iid y tienen distribucin exponencial. D = Los tiempos de servicio son iid y deterministas. Ek = Los tiempos de servicio son iid y con distribucin de Erlang con parmetro de forma k. G := Los tiempos de servicio son iid y siguen alguna distribucin general. La tercera caracterstica es el numero de servidores caracterstica describe la disciplina de la cola: FIFO LIFO SEOA DG = = = = Primero en llegar, primero en ser-servido ltimo en llegar, primero en ser servido Servicio cu orden aleatorio Disciplina general en la cola. en paralelo. La cuarta
La quinta caracterstica especifica el nmero mximo permisible de clientes en el sistema, incluyendo los que esperan y los que estn en ventanilla. La sexta caracterstica da el tamao de la poblacin de la cual se toman los clientes. A menos que el nmero de clientes potenciales sea del mismo orden de magnitud que el nmero de servidores, se considera que es infinito el tamao de la poblacin. En muchos modelos importantes, las caractersticas 4/5/6 son DG//. Si este es el caso. entonces con frecuencia se omite 4/5/6. Para ilustrar esta notacin, M/E2/8/FIFO/10/ representara una clnica con 8 doctores, tiempos exponenciales entre llegadas, tiempos de servicio de dos fases de Erlang, disciplina de cola FIFO y una capacidad total de 10 pacientes.
LA PARADOJA DELTIEMPO DE ESPERA Terminaremos esta seccin con un estudio breve de una paradoja interesante llamada paradoja del tiempo de espera. Suponga que el tiempo entre la llegada de autobuses en una terminal se distribuye en forma exponencial con promedio de 60 minutos. Si llegamos a terminal a un instante escogido al azar, cual fue el tiempo promedio que tendremos que esperar para que llegue un autobs? La propiedad de amnesia de una distribucin exponencial significa que independientemente de cunto ha transcurrido desde la ltima llegada de autobs,
51
PROF. RAL HERNNDEZ
tendramos que esperar un promedio de 60 minutos hasta que llegara el siguiente autobs. Esta respuesta es realmente correcta, pero el siguiente argumento la parece contradecir. En promedio, alguien que llegue a un tiempo aleatorio debera llegar en la mitad de un intervalo caracterstico entre llegadas de autobuses consecutivos. Si llegamos a la mitad de un intervalo caracterstico, y el tiempo promedio entre las llegadas de autobuses es 60 minutos, entonces deberamos tener que esperar, en promedio, ()60 = 30 minutos al siguiente autobs. Por que es incorrecto este argumento? Simplemente porque el intervalo caracterstico entre autobuses es ms largo que 60 minutos. La razn de esta anomala es que es ms probable que lleguemos durante un intervalo ms largo que durante uno corto. Simplifiquemos el caso suponiendo que la mitad de los autobuses llegan cada 30 minutos y la otra mitad llegan cada 9O minutos. Uno podra pensar que ya que el tiempo promedio entre autobuses es 60 minutos, el tiempo promedio de espera sera ()60 = 30 minutos, pero esto no es cierto. Veamos una secuencia representativa de tiempos entre llegadas de autobuses (vase Fig. 7). La mitad de los tiempos entre llegadas son 30 minutos y la mitad 90 minutos. Es evidente que hay una 90 3 probabilidad de 30 + 90 = 4 de llegar durante un tiempo entre llegadas de 90 minutos y una probabilidad 303090 = 1 de llegar durante un intervalo entre llegadas de 30 + 4 minutos. As, el tiempo entre llegadas promedio en el que llega un cliente es (90) + (30) = 75 minutos. Como llegamos, en promedio, a la mitad de un tiempo entre llegadas, nuestra espera promedio ser de 90 + 30 = 37.5 minutos, que es mas que los 30 minutos La paradoja del tiempo de espera
Regresando al caso en el que los tiempos entre llegadas son exponenciales con promedio de 60 minutos, el tamao promedio de un tiempo representativo entre llegadas es de 120 minutos. Entonces, el tiempo promedio que debemos esperar un autobs es ( )(120) = 60 minutos. Ntese que si los autobuses llegaran siempre a intervalos de 60 minutos, entonces el tiempo promedio que una persona debera esperar sera ( )(60) = 30 minutos. En general, se puede demostrar que si A es la variable aleatoria del tiempo entre autobuses, entonces el tiempo promedio para la llegada del siguiente autobs (segn lo ve un cliente cuya llegada tiene igual probabilidad de entrar en cualquier momento) est dado por
1 2
( E ( A) +
var A ) E ( A)
los autobuses,
Para
el
ejemplo
de
1 60
entonces
las
Ecuaciones
(3)
(4)
muestran que E(A) = 60 minutos y var A = 3,600 minutos. Sustituyendo en esta frmula obtenemos Tiempo estimado de espera 60 minutos
52

PROBLEMAS
PROF. RAL HERNNDEZ
1. Supnganlos que llego a un sistema de cola M/M/7/FIFO/8/ cuando todas las ventanillas estn ocupadas. Cul es la probabilidad do que termine mi trmite antes de por lo menos uno de los 7 clientes a los que estn atendiendo? 2. El tiempo entre autobuses sigue la funcin de masa que se ve en la Tabla 2. Cul es el lapso promedio que debe uno esperar un autobs? 3. Hay cuatro grupos de tercer ao en una escuela primaria. El nmero de alumnos en cada grupo es el siguiente: grupo 1, 20 alumnos; grupo 2, 25 alumnos; grupo 3, 35 alumnos; grupo 4, 40 alumnos. Cul es el tamao promedio de un grupo de tercer ao? Suponga que el inspector escoge al azar cualquier alumno de tercer ao de esa escuela. En promedio, cuntos estudiantes habr en esa clase? 4. El tiempo entre llegadas de autobuses sigue una distribucin exponencial con promedio de 60 minutos.
Tabla 2 Tiempo entre autobuses 30 minutos 1 hora 2 horas
Probabilidad 1/4 1/4 1/2
(a) Cul es la probabilidad de que lleguen exactamente cuatro autobuses durante las siguientes 2 horas? (b) Cul es la probabilidad de que por lo menos dos autobuses lleguen durante las siguientes 2 horas? (c) Cul es la probabilidad de que no lleguen autobuses durante las prximas 3 horas? (d) Acaba de llegar un autobs. Cul es la probabilidad de que pasen entre 30 y 90 minutos para que llegue el siguiente?
2.3 PROCESOS DE NACIMIENTO Y MUERTE

En esta seccin analizaremos la importante idea de un proceso de nacimiento y muerte. En lo que sigue utilizaremos procesos de nacimiento y muerte contestar preguntas acerca de diversos tipos de sistemas de colas. para
Se define el nmero de personas presentes en cualquier sistema de cola en el tiempo t como estado del sistema en el tiempo t. Para t = O, el estado del sistema ser igual al nmero de personas presentes al inicio en el sistema. Es de gran inters para nosotros la cantidad Pij(t) que se define como la probabilidad que haya j personas en el sistema de cola en el tiempo t, dado que en el tiempo O haba i personas. Ntese que Pij(n) es anloga a la probabilidad de transicin de n pasos Pij(n) (la probabilidad de que despus de n transiciones una cadena de
53
PROF. RAL HERNNDEZ
Markov este en el estado j, dado que la cadena comenz en el estado i) que se estudi cu el Capitulo anterior. Recordemos que para la mayor parle de las cadenas de Markov, la Pij(n) tenda a un lmite j que era independiente del estado inicial i. Igualmente, sucede que para muchos sistemas de cola, Pij(t), para valores grandes de t, tendera a un lmite j , que es independiente del estado inicial i. A estado j. Para los sistemas de cola que analizaremos, se puede imaginar que
j,
se le llama estado estable, o probabilidad de equilibrio del
es la
probabilidad que en un instante en el futuro lejano haya presentes j clientes. Tambin, se puede pensar que j , es, para un futuro lejano, la fraccin del tiempo que hay j clientes presentes. En la mayor parte de los sistemas de cola, el valor Pij(t) para t pequea depende de gran medida de i, el nmero de clientes presentes al inicio. Por ejemplo, si t es pequeo podramos esperar entonces que P1 50(t) y P1 fueran muy distintos. Sin embargo, si existen probabilidades de estado 1(t), estable, entonces para t grande, tanto P1 50(t) como P1 1(t) se acercan a 1 . La pregunta que tan grande debe ser t para que se alcance el estado estable en forma aproximada es difcil de contestar. El comportamiento de Pij(t) antes de alcanzar el estado estable se llama comportamiento transitorio de sistema de cola. Para todos los sistemas de cola, excepto los mas sencillos, es extremadamente difcil el anlisis del comportamiento transitorio del sistema. Por esta razn, cuando analizamos el comportamiento de un sistema de cola suponemos que. se ha alcanzado en el estado estable. Esto nos permite trabajar con las j , en lugar de con las Pij(t). A continuacin, analizaremos una clase especial de procesos continuos en el tiempo, que comprende muchos sistemas interesantes de cola. Para un proceso de nacimiento y muerte es fcil determinar las probabilidades de estado estable, si es que existen. Un proceso de nacimiento y muerte es un proceso estocstico continuo en el tiempo para el que el estado del sistema en cualquier tiempo es un entero no negativo (vase en la Seccin 1.1 la definicin de proceso estocstico continuo en el tiempo). Si un proceso de nacimiento y muerte est en el estado j cuando el tiempo es t, entonces el movimiento del proceso est gobernado por las leyes siguientes: LEYES DEL MOVIMIENTO PARA PROCESOS DE NACIMIENTO Y MUERTE lera ley Con probabilidad j t + o( t ), sucede un nacimiento entre el tiempo t y t + t . Un nacimiento aumenta en 1 el estado del sistema, hasta alcanzar a j + 1. La variable j se llama tasa de natalidad en el estado j. En la mayor parle de los sistemas de cola, un nacimiento es simplemente una llegada. 2da ley Con probabilidad j t + o( t ), sucede una muerte entre el tiempo t y el tiempo t + t . Una muerte disminuye en 1 el estado del sistema, para llegar a j1. La variable j, es la tasa de mortalidad en el estado j. En la mayor parte de los sistemas de colas, una muerte es el trmino del servicio. Ntese que se debe cumplir 0 = O, porque de otro modo podra tenerse un estado negativo. 3era ley Los nacimientos y muertes son independientes entre si.
54
PROF. RAL HERNNDEZ
Las leyes 1 a 3 se pueden usar para demostrar que la probabilidad que se tenga mas o( t ), Ntese de un evento (nacimiento o muerte) entre los tiempos t y t + t que todo proceso de nacimiento y muerte queda completamente especificado si se saben las tasas de natalidad j, y tas lasas de mortalidad j,. Como no se puede tener un estado negativo, todo proceso de nacimiento y muerte debe cumplir con 0 = O. RELACIN ENTRE LA DISTRIBUCIN EXPONENCIAL CON LOS PROCESOS DE NACIMIENTO Y MUERTE La mayor parte de loa sistemas de cola con tiempos exponenciales entre llegadas y tiempos exponenciales de servicio pueden modelarse como procesos de nacimiento y muerte. Para ilustrar porque es as, veamos un sistema M/M/l/FIFO/// de colas, en el que los Tiempos entre llegadas son exponenciales con parmetro y los tiempos de servicio se distribuyen en forma exponencial con parmetro . Si el estado (nmero de personas presentes cuando el tiempo es t) en el tiempo t es j, entonces la propiedad de amnesia de la distribucin exponencial quiere decir que la probabilidad de un nacimiento durante el intervalo de tiempo [t,t+ t ]no depender de cunto tiempo ha estado el sistema en el estado j. Esto quiere decir que la probabilidad que haya un nacimiento durante [[t,t+ t ]no depender de cunto tiempo haya estado el sistema en el estado j y, por lo tanto, se puede determinar como si acabara de ocurrir una llegada en el tiempo t. Entonces, la probabilidad que se tenga un nacimiento durante [t,t + t ] es
t
e
0
dt = 1 e
Segn el desarrollo en series de Taylor para la exponencial
= 1 t + o(t )
Esto quiere decir que la probabilidad que suceda un nacimiento durante [[t,t+ t ] Por lo anterior podemos concluir que la lasa de natalidad en el es t + o( t ) . estado j simplemente es la tasa de llegadas . Para determinar la lasa de mortalidad cuando el tiempo es t, observe que si el estado es cero cuando el tiempo es t, entonces no hay nadie en la ventanilla y, por lo tanto, no se puede completar un servicio entre t y t+ t . Asi, 0 = 0. S el estado es j 1 cuando el tiempo es t, entonces sabemos (slo hay un servidor) que hay exactamente un cliente en la ventanilla. La propiedad de amnesia de la distribucin exponencial significa entonces que la probabilidad de que un cliente termine sus trmites entre t y t+ t . est expresada por
t
e
0
dt = 1 e
= t + o(t )
As,
t =
cuando j 1. En resumen, si suponemos que los trminos de trmites y
las llegadas suceden en forma independiente, entonces un sistema de colas M/M/l/FIFO// es un proceso de nacimiento y muerte. Las tasas de natalidad y de
55
PROF. RAL HERNNDEZ
mortalidad para este sistema se pueden representar en un diagrama de tasas como el de la Fig. 8. Figura 8 Diagrama de rapidez para un sistema de colas M/M/l/FIFO//
Los sistemas ms complicados de colas con tiempos exponenciales entre llegadas y tiempos exponenciales de servicio se pueden modelar con frecuencia como procesos de nacimiento y muerte, sumando la rapidez de servicio en los servidores ocupados y agregando la tasa o rapidez de llegada para distintas corrientes de llegada. Por ejemplo, tenemos un sistema de colas M/M/3/FIFO// en el que los tiempos entre llegadas son exponenciales con = 4 y los tiempos de servicio son exponenciales con = 5. Para modelar este sistema como proceso de nacimiento y muerte utilizaramos los siguientes parmetros (vase Fig. 9): j = 4 (j = 0,1.2....)
0 =0, 1 =5, 2 = 5 +5, j 5 + 5 + 5 = 15 {j= 3,4,5,...)

rapidez para un Estado sistema de colas M/M/3/FIFO//
Figura 9 Diagrama de
Si los tiempos entre llegada o los de servicio no son exponenciales, entonces el modelo de proceso de nacimiento y muerte no es adecuado. Suponga, por ejemplo, que los tiempos de servicio no son exponenciales y que estamos viendo un sistema de cola M/G/1/FIFO//. Como los tiempos de servicio para ese sistema pueden no ser exponenciales, la probabilidad de una muerte (trmino del servicio) entre t y t+ t depender del tiempo que ha transcurrido desde el termino del ltimo servicio. Esto viola la 2a ley, por lo que no podemos modelar ese sistema como proceso de nacimiento y muerte. DEDUCCIN DE LAS PROBABILIDADES DE ESTADO ESTABLE PARA PROCESOS DE NACIMIENTO Y MUERTE
56

A continuacin mostramos cmo se pueden
PROF. RAL HERNNDEZ

calcular las
j,
para
un
proceso
arbitrario de nacimiento y muerte. La clave es relacionar, para t pequeo, a Pij(t+ t ) con Pij( t ). La manera de hacerlo es notar que hay cuatro modos que el estado sea j cuando el tiempo sea t + t . Para j 1, los cuatro modos se muestran en la Tabla 3. Para j 1 la probabilidad de que el estado del sistema sea j-1 cuando el tiempo es t, y j cuando el tiempo es t + t es (vase Fig. 10) Pij-1(t)( j-1 t + o( t )) Con argumentos semejantes se obtienen (II) y (III). El (IV) es consecuencia porque si el sistema est en un estado que no sea j, j-1 o j+1 en el tiempo t, entonces, para finalizar en el estado j cuando el tiempo es t + t debe suceder ms de un evento (muerte o nacimiento) entre t + t . Segn la 3era ley, esto tiene la probabilidad o( t ). Entonces, Pij(t + t ) = (I) + (II) + (III) + (IV) Despus de reagrupar los trminos en esta ecuacin, obtenemos
Pij (t ) +
(10) Pij(t + t ) = t ( j 1 Pij 1 (t ) + j +1 Pij +1 (t ) j Pij (t ) j Pij (t ))
+ o(t )( Pij 1 (t ) + Pij +1 (t ) + 1 2 Pij (t ))

Tabla 3 Clculos para la probabilidad que el estado sea j en el tiempo t + t ESTADO EN EL TIEMPO ESTADO EN EL TIEMPO PROBABILIDAD DE LA SUCECCIN t t + t j-1 j P (t )( t + o(t )) = I
ij 1 j 1
j+1 j Cualquier otro
j j j
Pij+ 1 (t )( j+ 1t + o(t )) = II Pij (t )(1 j t j t 2o( t )) = III o(t ) = IV
Figura 10 Probabilidad de que el estado sea j - 1 cuando el tiempo es t, y que Sea j cuando el tiempo sea t + t. Esta probabilidad Pij 1 (t )( j 1 (t )t + o( t ))
57
PROF. RAL HERNNDEZ
Como el termino subrayado se puede escribir como o( t), podemos volver escribir la Ecuacin (10) como sigue:
Pij (t + t ) Pij (t ) = t ( j 1 Pij 1 (t ) + j +1 Pij +1 (t ) j Pij (t ) j Pij (t )) + o(t )

Dividiendo ambos lados de esta ecuacin entre t y haciendo que t tienda a cero vemos que para toda i y j 1 (10)
Pij/ (t ) = j 1 Pij 1 (t ) + j +1 Pij +1 (t ) j Pij (t ) j Pij (t )
Como para j = O, Pij-1(0) = O y j = O, obtenemos, para j = O,

/ Pi 0 (t ) = 0 Pi0 (t ) + 1 Pi1 (t )
Es un sistema infinito de ecuaciones diferenciales. (Una ecuacin diferencial simplemente es una ecuacin en la que aparece una derivada. En teora, Pij(t) se puede despejar de estas ecuaciones. Sin embargo, este sistema de ecuaciones es en realidad extremadamente difcil de resolver. Sin embargo, no todo est perdido. Podemos usar la Ecuacin(10') para obtener las probabilidades j, de estado estable (j = 0,1,2, . . .). Como en el caso de las cadenas de Markov, definimos la probabilidad estado estable, j como
lim P (t )
t ij
Entonces, para t grande y cualquier estado inicial i, Pij(t) no cambia mucho y se puede decir que es constante. As, en el estado estable (t grande), Tambin, en el estado estable se cumplir que
Pij/ (t ) =0.
Pij 1 (t ) = j 1 ,
Pij +1 (t ) = j +1 .
Sustituyendo estas en la relaciones en la Ecuacin (10') obtenemos, para j 1
(10")
0 = j 1
j 1
+ j +1 j +1 j j j j
j 1
j 1
+ j +1 j +1 = j ( j + j )
Para j = O se obtiene
1 1 = 0 0
Las Ecuacin (10") son un sistema infinito de ecuaciones lineales del cual se pueden despejar con facilidad las j. Antes de explicar cmo se resuelven las Ecuaciones (10"), presentaremos una deduccin intuitiva de dichas ecuaciones, basada en la siguiente observacin: En cualquier tiempo que observemos un proceso de nacimiento y muerte, debe cumplirse que para cada estado j, el numero de veces que hemos entrado al estado j difiere cuando mucho 1 del nmero de veces que liemos dejado el estado j. Suponga que cuando el tiempo es t hemos entrado tres veces al estado 6. Entonces debe haber sucedido uno de los casos de la Tabla 4. Por ejemplo, si sucede el Caso 2, iniciamos en el estado 6 y terminamos en otro estado que no sea 6. Como hemos observado tres transiciones de entrada al estado 6 cuando el tiempo es t, deben haber sucedido los eventos siguientes (entre otros):
58

Iniciar en estado 6 Dejar el estado 6 (primera vez) Entrar al estado 6 (primera vez) Dejar al estado 6 (segunda vc7) Entrar al estado 6 (segunda vez) Dejar el estado 6 (tercera vez) Entrar al estado 6 (tercera vez) Dejar el estado 6 (cuarta vez)
PROF. RAL HERNNDEZ
Tabla 4 Relacin entre el nmero de transiciones entre el nmero de entrada y salidas de un estado en el tiempo 6 ESTADO INICIAL ESTADO EN EL TIEMPO t NMERO DE TANSACIONES DE SALIDA DEL ESTADO 6 CUANDO EL TEIMPO ES T 3 4 2 3
Caso 1: estado 6 Caso 2: estado 6 Caso 3: Cualquier estado menos el 6 Caso 3: Cualquier estado menos el 6
Estado 6 Cualquier estado menos el 6 Estado 6 Cualquier estado menos el 6
Por lo tanto, si sucede el Caso 2, entonces cuando el tiempo es t debemos haber dejado cuatro veces el estado 6. Esta observacin sugiere que para t grande y para j=0, 1, 2, ... y para cualesquiera condiciones iniciales, se cumplir lo siguiente: (11) Numero esperado de salidas del estado j = unidad de tiempo Nmero esperado de entradas al estado j unidad de tiempo
Si se supone que el sistema se ha asentado en el estado estable, sabemos que una fraccin j del tiempo en el estado j. Ahora podemos aplicar la Ecuacin (11) para determinar las probabilidades j de estado estable. Para j 1 slo podemos dejar el estado j pasando al estado j + 1 o al j- 1 y, entonces, cuando j 1 obtenemos (12) Nmero esperado de salidas al estado j = Unidad de tiempo Como para j 1 (13) slo podemos entrar al estado j desde el estado j - 1 o el j + 1
j ( j + j )
Nmero esperado de entradas al estado j = Unidad de tiempo
j 1 j 1 + j +1 j +1
59
PROF. RAL HERNNDEZ
Sustituyendo (12) y (13) en (11) se obtiene que (14)
j 1 j 1 + j +1 j +1 = j ( j + j )
Para j = O se obtiene (14) 1 1 = 0 0 Las Ecuaciones (14) y (14') se llaman ecuaciones de balance de flujo, o ecuaciones de conservacin de flujo para un proceso de nacimiento y muerte. Observe que la ecuacin (14) expresa el hecho de que en el estado estable, la rapidez a la que se tienen transiciones de entrada a cualquier estado i debe ser igual a la rapidez a la que tienen transiciones de salida del estado i. Si no se cumpliera la Ec. (14) para todos los estados, entonces la probabilidad se acumulara en algn estado, y no existira un estado estable. Planteando las ecuaciones para (14) y (14') obtenemos las ecuaciones de balance de flujo para un proceso de nacimiento y muerte:
( j = 0) ( j = 1)
(15)
( j = 2) M j sima
0 0 = 1 1 0 0 + 2 2 = 1 ( 1 + 1 ) 1 1 + 3 3 = 2 ( 2 + 2 ) j 1
j 1
+ j +1 j +1 = j ( j + j )
SOLUCIN DE LAS ECUACIONES DE BALANCE DE FLUJO DE NACIMIENTO Y MUERTE Para resolver el sistema (15) comenzamos expresando todas las j en trminos de 0. De la ecuacin (j = 0) obtenemos
1 =
0 0 1
j= 1, se obtiene
Sustituyendo este resultado en la ecuacin para
0 0 + 2 2 = ( 1 + 1 ) 2 = 0 1 0 1 2
0 0 1
Podramos aplicar ahora para j=3, de la misma forma y as sucesivamente, obtenemos que (16) j = c j 0 donde c j =
0 1 L j 1 1 2 L j
60
PROF. RAL HERNNDEZ
Como en cualquier momento debemos estar en algn estado, las probabilidades estado estable deben sumar 1:
de
(17)
j =0
=1
Sustituyendo (16) en (17) se obtiene
(18)
0 (1 + c j ) = 1
j =1
Si
c
j =1
es finita podemos usar ln Ecuacin (18) para despejar
(19)
0 =
1 1+ c j
j =1
Entonces con la Ecuacin (l6) se calcula las probabilidades de estado estable. puede mostrar que
Se
c
j =1
si finita entonces no existe
distribucin de estado
estable. La causa ms comn de que no haya estado estable es que la rapidez de llegada sea cuando menos tan grande como la velocidad de atencin. En las Secciones 2.4 a 2.6, 2.9 y 2.10. aplicaremos la teora de los proceso de nacimiento y muerte para determinar las distribuciones de probabilidad de estado estable para varios sistemas de colas. Los modelos de nacimiento y muerte se han utilizado para modelar fenmeno distintos de los sistemas de colas. Por ejemplo, el nmero de empresas de la industria se puede modelar como proceso de nacimiento y muerte el estado de la industria en cualquier momento dado es el nmero de empresas que pertenecen a dicha industria; un nacimiento corresponde a una empresa que entra en la industria y una muerte corresponde a una empresa que sale de la industria.
PROBLEMAS
1. En mi casa hay dos focos. En promedio, un foco dura 22 das (duracin distribuida en forma exponencial). Cuando hay que cambiar un foco, me tardo, con distribucin exponencial, 2 das en cambiarlo. a) Formule un modelo de nacimiento y muerte de tres estados para este caso. b) Determine la fraccin del tiempo en que ambos focos estn trabajando. c) Determine la traccin del tiempo en la que no hay foco que funcione.
61
PROF. RAL HERNNDEZ
2.4 SISTEMA DE COLAS M/M/1/DG// Y LA FRMULA L = W

A continuacin usamos la metodologa de nacimiento y muerte de la seccin anterior para analizar las propiedades del sistema M/M/1/DG//. Recuerde que en los sistemas de tiempos entre llegadas exponenciales, que suponemos que la rapidez de llegadas por unidad de tiempo es y que hay un solo servidor con tiempos de servicio exponenciales. Asimismo se supone que el tiempo de servicio para cada cliente es exponencial con rpido , bajo el esquema de nacimiento y muerte tenemos los parmetros siguientes:
j = ( j = 0,1,2,L)
(20)
0 = 0 j = ( j = 1,2,L)
DEDUCCIN DE LAS PROBABILIDADES DE ESTADO ESTABLE Podemos usar las Ecuaciones (15) a (19) para despejar las
j,
las probabilidades
de estado estable de que haya j clientes. Sustituyendo la Ecuacin (20) en la Ecuacin (16), se obtiene
j 2 0 , 2 = 2 0 , L, j = j 0 Definimos a = . Por razones que despus se vern, llamaremos a intensidad de trafico del
(21)
1 =
sistema de colas. Sustituyendo la Ecuacin (21) en la (17) se obtiene

(22) 0 (1 + + + L) = 1 A continuacin suponemos que O < p < 1. Entonces evaluamos la suma S =
2
Entonces S - S = 1 y (23) S =
(1 + + 2 + L) como sigue: Al multiplicar S por se oblicu S = ( + 2 + L) . 1 1

(23} en la (22), se obtiene
Sustituyendo la Ecuacin (24)
0 = (1 ) (0 < 1)
Sustituyendo la Ecuacin (24) en la Ecuacin (21) se obtiene (25)

j
= (1 ) j
(0 < 1)
Sin embargo, si > 1, la suma infinita de la Ecuacin (22) "explota" (trtese, por ejemplo, = 1 y se obtendr 1 + 1 + 1 + ...., as, si 1 no existe
62
PROF. RAL HERNNDEZ
distribucin de
estado estable. Como =
vemos que si
(esto es, la
rapidez de llegadas es cuando menos tan grande como la rapidez de servicio), entonces no existe distribucin de estado estable. DEDUCCIN DE L En el resto de esta seccin suponemos que < 1, asegurando que si existe una distribucin de probabilidad de estado estable, como la que representa la Ecuacin (25). Utilizamos entonces la distribucin de probabilidad de estado estable dada en (25) para determinar varias cantidades de inters. Por ejemplo, si se supone que se ha alcanzado el estado estable, el nmero esperado de clientes presentes en el sistema de colas, L, est dado por
L = j j = j j (1 ) = (1 ) j j
j =0 j =0 j =0
Definiendo a
S / = j j = + 2 2 + 3 3 + L S / = 2 + 2 3 + 3 4 + L
j =0
Note que
S / S / = + 2 + 3 + 4 + L =
Luego
S/ =
(1 ) 2
(26)
L = (1 ) S / =
(1 )
DEDUCCIN DE Lq En algunos casos nos interesa el nmero esperado de personas en la cola. Representamos por Lq, este nmero. Observe que si hay O o 1 cliente en el sistema, entonces no hay nadie en la cola, pero si hay j personas, donde j 1, entonces habr j-1 esperando en la cola. Entonces, si estamos en el estado estable
Lq = ( j 1) j = j j j = L (1 0 ) = L
j =1 j =1 j =1
y la ltima ecuacin es consecuencia de la (24). Como L =
(1 )
escribimos (27)
2 = Lq = (1 ) (1 )
63

DEDUCCIN DE Ls
PROF. RAL HERNNDEZ
Tambin Ls es de inters es el nmero esperado de clientes en las ventanillas. Para un sistema de colas M/M/1/DG//.
Ls = 0 0 + 1 j = 1 0 =1 (1 ) =
j =1
Como cada cliente presente est en la cola o en la ventanilla, entonces, para cualquier sistema de colas, no solo para un M/M/1/DG//. As, utilizando las formulas L y Ls podramos haber determinado Lq mediante
Lq =
(1 )
2 (1 )
FRMULA L =W PARA COLAS Con frecuencia nos interesa el tiempo que pasa un cliente normal en una cola. Definimos W como et tiempo esperado que pasa el cliente en el sistema de colas, incluyendo el tiempo de la cola ms el tiempo de servicio, y Wq, como el tiempo esperado que pasa el cliente en la cola. Tanto W como Wq, se calculan bajo la hiptesis que se ha alcanzado el estado estable. Si se utiliza un eficaz resultado, conocido como la formula de Little para colas, se calculan con facilidad W y Wg a partir de L y Lq. Definimos primero, para todo sistema de colas o cualquier subsistema de colas, las cantidades siguientes: = L = Lq = Ls = W = Wq = Ws = nmero numero nmero nmero tiempo tiempo tiempo promedio promedio promedio promedio promedio promedio promedio de llegadas de clientes de clientes de clientes que pasa un que pasa un que pasa un que entran al sistema por unidad de tiempo presentes en el sistema de colas que esperan en la cola en el servicio (ventanilla) cliente en el sistema cliente en la cola cliente en el servicio -
En estas definiciones, lodos los promedios son para estado estable. Para la mayor parte de los sistemas colas, la formula de Litlle se puede resumir en el Teorema 3. TEOREMA 3 Para cualquier sistemas de colas en que exista una distribucin de estado estable, se cumplen las siguientes ecuaciones: (28) (29) (30)
L = W Lq = W q
Ls = W s
Observe primero que ambos miembros de dicha ecuacin tienen las mismas unidades (suponemos que la unidad de tiempo es la hora). Esto se debe a que L est expresada en trminos de nmero de clientes, . en trminos de clientes por hora y W en horas. As, W tiene las mismas unidades que L, clientes.
64
PROF. RAL HERNNDEZ
Partiendo del hecho que L = (31)

W = L
(1 ) =
, se tiene entonces que
(1 )
De la ecuacin (27) tenemos que Lq = (32)
2 , luego obtenemos que (1 ) Lq 2 2 Wq = = = 2 = (1 ) (1 ) ( )
Ntese que, W y Wq, se hacen muy grandes cuando se acerca a 1. Para cercano a cero, Wq tiende a cero, pero para pequeo, W tiende a el tiempo promedio de servicio, Los tres ejemplos deducido. siguientes muestran aplicaciones de las formulas que hemos
EJEMPLO 2. A un cajero bancario o automtico slo llega un promedio de 10 vehculos por hora. Suponga que los tiempos promedio de servicio para cada cliente es 4 minutos, y que los tiempos entre llegadas y los de servicio son exponenciales Conteste las siguientes preguntas 1. Cul es la probabilidad de que el cajero automtico se encuentre vaco? 2. Cul es el nmero promedio de automviles que esperan en la cola su turno? Se considera que un vehculo qu4e est ocupando el cajero automtico, no est en la cola esperando. 3. Cul es el tiempo promedio que un cliente pasa en el estacionamiento del banco, incluyendo el tiempo en el servicio? | 4. En promedio, cuntos clientes por hora sern atendidos por el cajero automtico Solucin Suponemos que nos ocupa un sistema de colas M/M/1/DG//. para el cual = 10 automviles por hora y = 15 automviles por hora. Entonces = 2/3 1. Segn la Ec, (24), 0 = 1- = 1- 2/3= 1/3. Entonces el cajero automtico se encontrar sin clientes un prom3edio de la tercera parte del tiempo. 2. Queremos conocer Lq, segn la ecuacin (27),
2 2 4 Lq = = = 3 2 = (1 ) (1 ) (1 3 ) 3 2
clientes
3. Buscamos saber W. (26),
Segn la ecuacin (28).
W= L/, entonces segn la ecuacin
L=
(1 )
= 2 clientes
65
PROF. RAL HERNNDEZ
As, W= 2/10 = 1/5 hora, unos 12 minutos. 4. Si el cajero automtico estuviera ocupado siempre, podra atender un promedio de =15 clientes por hora. De la parte 1 sabemos que slo est ocupado dos tercer partes de su tiempo. As, durante cada hora, el cajero atender aun promedio de 2/3 *15 = 10 clientes . Debe ser as, porque el estado estable llegan 10 clientes cada hora y por lo tanto deben salir 10 clientes del sistema cada hora.
EJEMPLO 3 Supongamos que todos los propietarios de automviles llenan sus tanques de gasolina cuando estn exactamente a la mitad.' En la actualidad, llega un promedio de 7.5 clientes por hora a una gasolinera que tiene una sola bomba. Se necesita un promedio de 4 minutos para atender un automvil. Suponga que tanto los tiempos entre llegadas como los tiempos entre llegadas y de servicio son exponenciales. 1- Para el caso actual calcule L y W. 2. Suponga que se presenta escasez de gasolina y que hay compras de pnico. Para modelar este fenmeno. suponga que todos los propietarios de automvil compran gasolina cuando a sus tanques les fallan exactamente partes. Como cada conductor pone menos gasolina al tanque durante cada visita a la gasolinera, suponga que el tiempo promedio de servicio se ha residuo a 3 1 minutos. Cmo 3 afecto la compra de pnico a L y a W? U'? Solucin 1. Tenemos un sistema de colas M/M/1/DG// con = 7.5 vehculos/h vehculos/h. As = 7.5/15 = . De la Ecuacin (26). L = / (1 ) la Ecuacin (28) W = y = 15 = 1 y de
2 = 0.13 h. Por lo tanto en este caso todo esta bajo 15
control y son improbables las largas colas. 2. Ahora tenemos un sistema M/M/1/DG// con = = 2(7.5) = 15 vehculos/h. Esto es consecuencia de que cada automvil llenar con el doble de frecuencia. Ahora = 60/(1/3) = 18 vehculos /h y = 15/18 = 5/6. Entonces L =
5 6
1 5 6
= 5
automviles y W =
5 = 1/3 horas = 20 minutos 15
As, las compras de pnico han originado largas colas. Cuando tiende a 1, L y W aumentan de rapidez como lo muestra la siguiente tabla Tabla 5 Relacin entre y L para un sistema M/M/1/DG//
0.30 0.40 0.50 0.60 0.70
L para un sistema
M/M/1/DG//
0.43 0.67 1.00 1.50 2.33
66

0.80 0.90 0.95 0.99 4.00 9.00 19.00 99.00
PROF. RAL HERNNDEZ
MODELO PARA OPTIMIZAR UN SISTEMA DE COLAS El Ejemplo 4 ilustra cmo se puede usar la teora de colas como auxiliar para la toma de decisiones. EJEMPLO 4 Los mecnicos que trabajan en una l planta de troquelado deben sacar herramientas de un almacn. Llega un promedio de diez mecnicos por hora buscando partes. En la actualidad el almacn esta a cargo de un empleado a quien se les pagan 6 dlares/h y gasta un promedio de 5 min. para entregar las herramientas de cada solicitud. Como a los mecnicos se les paga 10 dlares/h, cada hora que un mecnico pasa en el almacn de herramientas le cuesta 10 dlares a la empresa. Est ha de decidir si vale la pena contratar, a 4 dlares/h, un ayudante del almacn. Si se contrata al ayudante, el almacenista slo tardara un promedio de 4 min. para atender las solicitudes de herramientas. Suponga que son exponenciales tantos los tiempos de servicio como el tiempo entre llegadas. Se debe contratar al ayudante? Solucin A los problemas en los que un tomador de decisiones debe escoger entre sistema alternativos de cola se les llama problemas para optimizar sistemas colas. En este problema, la meta de la empresa es minimizar la suma del costo horario de servicio y del costo horario esperado debido a los tiempos de inactividad de los mecnicos. En los problemas de optimizacin de colas, el componente del costo debido a clientes que esperan en la cola se llama costo de demora. As, la empresa desea minimizar Costo esperado = Hora costo de servicio hora + costo esperado de demora hora
En general, el clculo del costo horario de servicio es sencillo. El modo ms fcil de calcular el costo horario de demora es tomando nota de que Costo esperado de demora = hora costo esperado de demora cliente * clientes esperados hora
En nuestro problema,
Costo esperado de demora Clientes Asi, Costo esperado de demora cliente
l0 dlares mecnico - hora
Promedio d horas que pasa el mecnico en el sistema
= 10W
67
PROF. RAL HERNNDEZ
costo esperado de demora hora
= 10W
Ahora podemos comparar el costo esperado por hora, si no se contraa al ayudante con el correspondiente si se le contrata. Si no se contrata, = 10 mecnicos/h, y = 12 mecanicos/h. De la Ecuacin paga 6 dlares por hora, tenemos que Costo de servicio hora = 6 dlares (31), W =
1 1 = . Como al despachador le 12 10 2
costo esperado de demora hora
= 10 10 =
50 dlares
As. sin el ayudante, el costo esperado por hora es 6 + 50 = 56 dlares. Con el ayudante. = 15 clientes por hora. Por lo tanto W = costo esperado de demora hora = 10 1/5 10 =
1 1 = hora y 15 10 5
20 dlares
Como el costo horario de servicio ahora es 6 + 4 = 10 dlares/h, el costo esperado de servicio con el ayudante es 20 + 10 = 30 dlares. Por lo tanto, se debe contratar al ayudante porque se ahorran 50 - 20 = 30 dlares/h en costos de demora, lo cual mas que compensa su salario de 4 dlares/h.
PROBLEMAS
l. En una aerolnea se debe revisar cada pasajero, as como su equipaje, para ver si trae armas. Suponga que el aeropuerto Gotham Sity llega un pormdedio de 10 pasajeros/min. Los tiempos entre llegadas son exponenciales. Para revisar a los pasajeros, el aeropuerto debe tener una estacin que consiste en un detector de metales y una mquina de rayos X para el equipaje. Cuando esta trabajando la estacin se necesitan dos empleados. Una estacin puede revisar un promedio de 12 pasajeros /min. El tiempo para revisar un pasajero es exponencial. Con la hiptesis que el aeropuerto slo tiene una esta estacin de verificacin. (a) Cul es la probabilidad de que un pasajero tenga que esperar para ser revisado? (b) En promedio. cuantos pasajeros esperan en la cola para entrar en la estacin? (c) En promedio cuanto tiempo pasa el pasajero en la estacin de verificacin? 2. El Departamento de Ciencias de la Decisin trata de determinar si renta una copiadora lenta o una rpida. El departamento cree que el tiempo de un empleado vale 15 dlares/h. El arrendamiento de la copiadora lenta cuesta 4 dlares/ h y un empleado tarda un promedio de 10 minutos en terminar sus copias, distribuido exponencialmente. La copiadora rpida cuesta 14 dlares/ h en arrendamiento y un empleado tarda un promedio de 6 minutos en termina r sus copias. Un promedio de 4 empleados/h son los que necesitan usar la copiadora. Los tiempos entre llegada son exponenciales. Qu mquina debe rentar el Departamento?
68
PROF. RAL HERNNDEZ
3. Para un sistema de cola M/M/1/DG// suponga que se duplican tanto y como (a) Cambia L? (b)Cambia W? (c) Cambia la distribucin de probabilidad de estado estable?
4. En el Problema 1, suponga que la aerolnea desea determinar cuntas estaciones de revisin deben trabajar para reducir al mnimo los costos de operacin y los costos de demora en un periodo de diez anos. Suponga que el costo de demora de un pasajero durante una hora es 10 dlares y que el aeropuerto abre todos los das, 16 horas al da. Cuesta un 1 milln de dlares comprar, operar y mantener un detector de metales y una mquina de rayos X para revisin de equipajes durante un periodo de 10 aos. Por ltimo, suponga que es igualmente probable que un pasajero entre a una estacin dada. 5.1 Cada mquina de la lnea de montaje de Widgetco sale de funcionamiento un promedio de una vez por minuto. Hay trabajadores asignados para restablecer una mquina con problemas. La empresa paga a cada trabajador cs dlares/h y calcula que cada hora de maquina sin funcionar le cuesta cm dlares por perdida de produccin. Los dalos indican que el tiempo entre descomposturas sucesivas de una mquina y el tiempo para restablecerla son exponenciales. Widgetco desea asignar a cada trabajador un determinado nmero de mquinas que supervise y repare. Sea M = nmero total de mquinas de Widgelco, w = nmero de trabajadores contratados, y R = M/w mquinas asignadas a cada uno de ellos. (a) Exprese el costo horario de Widgetco en trminos de R y M (b) Demuestre que el valor ptimo de R no depende del valor de M. (c) Con calculo diferencial demuestre que los costos se reducen al mnimo escoge
si se
R=
1+
( )
Cm Cs
60
(d) Suponga que cm = 78 centavos de dlar y que cs = 2.75 dlares. Widgetco tiene 200 mquinas y un trabajador puede restablecer una cualquiera de ellas en un promedio de 7.8 segundos. Cmo puede Widgetco minimizar costos? (e) En los incisos (a) a (d),hemos supuesto tcitamente que en cualquier momento, la rapidez con que se descomponen las mquinas asignadas a un trabajador no depende del nmero de las mquinas que trabajan bien y que estn asignadas a el. Parece razonable esta hiptesis? 6. Se tiene un aeropuerto donde los taxis y los clientes llegan con frecuencias respectivas de 1 y 2 por minuto. Los tiempos entre llegadas son exponenciales. Independientemente de cuntos otros taxis haya un taxi debe esperar. Si un cliente que llega no encuentra un taxi, se va de inmediato. (a) Modele este sistema como proceso de nacimiento y muerte. Sugerencia: determine cul es el estado del sistema en cualquier momento determinado y haga un diagrama de frecuencias, (b) Determine el nmero promedio de taxis libres que esperan un cliente. (c) Suponga que todos los clientes que usan taxi pagan 2 dlares por viaje como tarifa. Durante una hora normal, cuntos ingresos recibirn los taxis?
69
PROF. RAL HERNNDEZ
7. Un banco Iran de escoger entre dos mquinas cul debe remar para comprobar cheques. La mquina 1 se alquila a 10000 dlares por ao y procesa 1000 revisiones por hora. La tarifa de la mquina 2 es 15000 dlares por ao y procesa 1600 revisiones por hora. Suponga que las mquinas trabajan 8 horas diarias, 5 das por semana y 50 semanas por ao. El banco debe procesar un promedio de 800 cheques por hora y el cheque procesado, en promedio es por 100 dlares. Suponga una tasa de inters anual de 20%. Luego calcule lo que cuesta al banco, en intereses perdidos, cada hora que tarda un cheque en esperar y procesarse. Si se supone que los tiempos entre llegadas y los de servicio son exponenciales, cul maquina se debe rentar? 8.- La planta de neumticos debe producir un pedido de 100 neumticos por da. La fabrica produce neumticos en lotes de tamao x. El gerente de planta debe determinar el tamao de lote x que minimice el tiempo que pasa un lote en la planta. Desde que llega un lote de neumticos, la fbrica larda un promedio de 1/20 de da en preparar la produccin. Una vez que el equipo est preparado, se toma un promedio de 1/150 de da producir cada neumtico. Suponga que el tiempo de produccin de un lote de neumticos tiene distribucin exponencial y que el tiempo para que "llegue" un lote de neumticos tambin tiene distribucin exponencial. Calcule el tamao de lote que minimice el tiempo esperado que pasa un lote en la fbrica, desde que llega un lote hasta que se termina la produccin del lote.
2-5 SISTEMA DE COLAS M/M/1/DG/c/.

En esta seccin analizaremos el sistema de colas M/M/1/DG/c/. Recuerde que este sistema es un M/M/1/DG/c/ con una capacidad total de c clientes. El sistema M/M/1/DG/c/ es idntico al M/M/1/DG// con excepcin de que cuando hay presentes c clientes, todas las llegadas se regresan y el sistema las pierde para siempre. Como en la Seccin 22.4, suponemos que los tiempos entre llegadas son exponenciales con rapidez . y que los tiempos de servicio son exponenciales con rapidez . Entonces el sistema M/M/1/DG/c/ se puede modelar (vase Figura 11) como proceso de nacimiento y muerte con los siguientes parmetros:
Figura 11 Diagrama de rapidez a partir sistema M/M/1/DG/c/
70
PROF. RAL HERNNDEZ
j = ( j = 0,1,2,L, c 1)
(35)
0 = 0 j = ( j = 1,2,L, c)
Como c = O, el sistema nunca alcanzara el estado c + 1, o cualquier otro estado de numero mayor. Como en la Seccin 2.4, conviene definir a = las ecuacin (16) a (19) para ver que si
. Luego aplicamos
las probabilidades de estado
estable para el M/M/1/DG/c/
estn expresadas por
0 =
(34)
1 , 1 c
j = 1,L, c j = c + 1,L
j = j 0 j =0
combinando la ecuacin (34) con el hecho de que L = si
j
j =1
podemos demostrar que
[1 (c + 1) c + c c +1 ] , L= (1 )(1 c +1 )
entonces todas las cj de la Ecuacin (16) son guales a 1, y todas las
(35)
Si
=,
j,
deben ser iguales. Por lo lano, si M/M/1/DG/c/
= las
probabilidades de estado estable
del sistema
j =
(36)
1 , c +1
j = 1,2, L, c
L=
c 2
caso del sistema M/M/1/DG//
Como
el
Ls = 0 0 + 1 j = 1 0 .
j =1
Como
antes,
podemos calcular Lq mediante Lq = L Ls. El clculo de W y Wq a partir de las Ecuaciones (28) y (29) tiene sus trucos. Recuerde que en las Ecuaciones (28) y (29), representa el nmero promedio de clientes que llegan por unidad de tiempo, quienes realmente entran al sistema. En nuestro modelo de capacidad finita, llega un promedio de , pero c de esas llegadas encuentran al sistema lleno a toda capacidad y se van. Por lo tanto, en
71
PROF. RAL HERNNDEZ
realidad entrar al sistema un promedio de - c =(1- c ) llegadas por unidad de tiempo. Al combinar este hecho con las Ecuaciones (28) y (29) se obtiene
(37)
W =
L (1 c )
Wq =
Lq
(1 c )
Para un sistema M/M/1/DG/c/
existir estado estable aun si
.Esto se debe a
que aun cuando , la capacidad finita del sistema evita que "explote" el nmero de gentes en la cola. Ejemplo 5. En una peluquera hay un peluquero y un total de 10 asientos. Los tiempos de llegada tienen distribucin exponenciales, y llega un promedio de 20 clientes posibles por hora. Los que llegan cuando la peluquera est llena no entran. El peluquero larda un promedio de 12 minutos en atender a cada cliente. Los tiempos de corte de pelo tienen distribucin exponencial. 1. En promedio, cuntos corles de pelo por hora har el peluquero? 2. En promedio, cunto tiempo pasar un cliente en la peluquera cuando entra? Solucin 1. una fraccin
10
de las llegadas encuentra que est llena la peluquera. Por
lo tanto, entrar a ella un promedio de (1- 10 ) por hora. Todos los clientes que desean que se les corle el cabello, y por lo tanto, el peluquero har un promedio de (1- 10 ) cortes por hora. En nuestro problema, c = 10, =20 clientes por hora y = 5 clientes /h. Entonces = 20/5 = 4 y la Ecuacin (34) da como resultado
0 = 10
1 4 1 411 1 4 = 410 ( ) = .75 1 411
As, los cortes de pelo son en promedio 20(1 ) =5/h. Esto significa que un promedio de 20 - 5 = 15 clientes posibles no entran cada hora. 2. Para calcular W usaremos las Ecuacin (35) y (37). De la Ecuacin (35),
L=
4 1 (10 + 1)410 + 10 11 = 9.67clientes (1 4 )(1 411 )

(37) da como resultado
Entonces, la Ecuacin
W =
9.67 = 1.93horas 20(1 3 ) 4
72

Esta peluquera siempre est llena, y le contrate cuando menos a otro peluquero mas.
PROF. RAL HERNNDEZ

debemos aconsejar al peluquero que
PROBLEMAS
1. Una instalacin de servicio consiste de una persona que puede atender un promedio de 2 clientes/h. Los tiempos de servicio son exponenciales. Llega un promedio de 3 clientes por hora, y se supone que los tiempos entre llegadas son exponenciales. La capacidad del sistema es de 3 clientes. a) En promedio, cuntos clientes potenciales entran al sistema cada hora? b) Cul es la probabilidad de que quien atiende este ocupado? 2. Hay un promedio de 40 automviles por hora, con tiempos exponenciales entre llegadas, que desean que se les atienda en la ventanilla de "servicio en su auto" del Hot Dog King Restaurant. Si hay una cola de ms de 4 coches, incluyendo el de la ventanilla, el coche que llegue se va. En promedio toman cuatro minutos en servir a un automvil. a) Cual es el numero promedio de automviles esperando en la cola, sin incluir al que est frente a la ventanilla? b) En promedio, a cuantos automviles se atiende en cada hora? c) Acabo de formarme en la cola. En promedio, cuanto tiempo pasar para que reciba mis alimentos? 3. Hay dos peluqueras con un peluquero cada una, y los establecimientos estn en la misma calle. Cada peluquera puede tener un mximo de 4 personas, y todo cliente potencial que encuentre que est llena no esperar. El peluquero 1 cobra 11 dlares por corte y se tarda un promedio de 12 minutos para atender a un cliente. El peluquero 2 cobra 5 dlares por corte y se tarda un promedio de 6 minutos para terminar un corte. A cada peluquera llega un promedio de 10 clientes posibles por hora. Naturalmente, un cliente posible se transforma en un cliente real slo si encuentra que la peluquera no est llena. Si se supone que los tiempos entre llegadas son exponenciales, as como los tiempos de corte de pelo, cul peluquero gana ms?
2-6 SISTEMA DE COLAS M/M/s/DG//

A continuacin analizaremos el sistema M/M/s/DG//. Suponemos que los tiempos entre llegadas son exponenciales, con rapidez igual a , que los tiempos de servicio son exponenciales, con rapidez y que hay solo una cola de clientes esperando su servicio en una de las s ventanillas o servidores. Si hay j s clientes, entonces los j clientes estn en el servicio; si hay j > s clientes, entonces las s ventanillas estn ocupadas, y hay j - s clientes esperando en la cola. Toda llegada que encuentre una ventanilla vaca entra al servicio de inmediato, pero una llegada que no encuentre ventanilla vaca se forma en la cola de clientes que esperan su atencin. Los bancos y las oficinas de correos, en los que todos los clientes esperan atencin en una sola cola, se pueden modelar con frecuencia con los sistemas de cola M/M/s/DG//.
73
PROF. RAL HERNNDEZ
Para describir el sistema M/M/s/DG// como modelo de nacimiento y muerte, observe que, como en el modelo M/M/l/DG// ,j = j = 0,1, 2,.... Si hay j ventanillas o servidores ocupados, entonces se termin el servicio con una frecuencia de
+ + L = j
Siempre que haya j clientes, estarn ocupadas min(j,s) ventanillas. As, j = min(j,s). En resumen, vemos que el sistema M/M/s/DG// se puede modelar como un proceso de nacimiento y muerte (vase Fig. 12) con parmetros
j = ( j = 0,1,2,L)
(38)
j = j ( j = 0,1,2,L, s) j = s ( j = s + 1, s + 2,L)
Finura 12 Diagrama de rapidez para un sistema de colas M/M/s/DG//
Definimos a como igual a =
. s
Para < al
sustituir la Ecuacin (38) en (16)
a (19) se obtienen las siguientes probabilidades de estado estable:
(39)
0 =
1 ( s ) ( s ) s j! + s!(1 ) j =0
s 1 j
(39.1)
( s ) j j = 0 j!
j = 1,2, L , s
(39.2)
j =
( s ) j 0 s! s j s
j = s, s + 1,L
74
PROF. RAL HERNNDEZ
Si l no existe estado estable, en otras palabras, si la frecuencia o rapidez de llegadas es al menos igual a la rapidez mxima posible de servicio ( > s), "explota" el sistema. De la Ecuacin (39.2), se puede demostrar que la probabilidad de estado estable de que todas las ventanillas estn ocupadas es
(40)
P( j s) =
( s ) s 0 s!(1 )
En la Tabla A se muestra P(j s) para diversas situaciones. Tambin se puede demostrar que (41) Lq =
P( j s) (1 )
Tabla 6. P ( j s ) para un sistema M/M/s/DG//
0.10 0.20 0.30 0.40 0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95
s =2 0.02 0.07 0.14 0.23 0.33 0.39 0.45 0.51 0.57 0.64 0.71 0.78 0.85 0.92
s=3 0.02 0.07 0.14 0.24 0.29 0.35 0.42 0.51 0.57 0.65 0.73 0.83 0.91
s=4 0.04 0.09 0.17 0.23 0.29 0.35 0.43 0.51 0.60 0.69 0.79 0.89
s=5 0.02 0.06 0.13 0.18 0.24 0.30 0.38 0.46 0.55 0.65 0.76 0.88
s=6 0.04 0.10 0.14 0.20 0.26 0.34 0.42 0.52 0.62 0.74 0.87
s=7 0.03 0.08 0.11 0.17 0.21 0.30 0.39 0.49 0.60 0.72 0.85
Entonces, la Ecuacin (28) da como resultado
(42)
Wq =
Lq
P( j s) s
Para calcular L y despus W, usamos el hecho de que L = Lq + Ls. Como Ws = Ecuacin (30) muestra que Ls =
la
Entonces
75
PROF. RAL HERNNDEZ
(43)
L =
Lq +
Tambin,
(44)
W =
Lq
= Wq +
P( j s) 1 + s
Wq, comenzamos por buscar P ( j s ) en la Ecuacin (41) a (44) para calcular la la distribucin probabilidad de estado 6 y luego usamos la Ecuacin (40) para
Cuando necesitemos calcular L, Lq, W o Tabla 6. A continuacin aplicamos las cantidad que deseemos. Si nos interesa estable, buscamos P ( j s ) en la Tabla
obtener 0 . As, las Ecuaciones (39.1) y (39.2) producen la distribucin completa de estado estable. Los dos ejemplos siguientes muestran el empleo de las formulas anteriores. EJEMPLO 6. Un banco tiene dos cajeros. Llegan al banco un promedio de 80 clientes por hora y esperan en una sola cola para que los atiendan. El tiempo promedio que se necesita para atender a un cliente es 1.2 minutos. Suponga que los tiempos entre llegadas y los de servicio son exponenciales. Calcule 1. Nmero esperado de clientes en el banco. 2. Tiempo esperado que pasa un cliente en el banco. 3. La fraccin del tiempo que determinado cajero esta desocupado.
Solucin 1. Tenemos un sistema M/M/2/DG//. con = 80 clientes/h As, y = 50 clientes/h.
80 = .80 < 1 y, por lo tanto, existe el estado estable. Si 100, no 2 * 50 .80(.71) = 2.84clientes 1 .80
existira estado estable. De la Tabal 6, P(J 2) = .71. Entonces de la Ecuacin (41)
Lq =
y segn la ecuacin (43), L= 2.84+ 80/50 = 4.44 clientes.
2.
Como W=
, W=4.44/80 = .055 horas = 3.3 minutos
3. Para calcular la fraccin del tiempo que determinado cajero est desocupado, ntese que esta desocupado durante lodo el tiempo que j = O, y la mitad del tiempo, por simetra, que j = 1. La probabilidad que una ventanilla est ociosa est dada por 0 + 1 1 ,, Aplicando el hecho de que P(j 2) = .71, obtenemos, con 2 la Ecuacin 40,
76
PROF. RAL HERNNDEZ
P( j s) =
( s ) s 2!(1 0.80) s!(1 ) = .71 = .11 0 0 = P( j s) s s!(1 ) ( s ) 1.6 2

(39.1) da como resultado
y segn la Ecuacin
( s ) 1 1.6 1 = 0 = .11 = .176 1! 1!

As, la probabilidad de que una ventanilla este vaca es = .198. Podramos haber calculado comprobacin se deja como ejercicio.
0 + 1 1 2
la
= .11 + 0.5(.176) Ecuacin (39) su
01 directamente
con
EJEMPLO 7 El gerente de un banco debe determinar cuntos cajeros deben trabajar los viernes. Por cada minuto que un cliente espera en la cola, el gerente supone que se incurre en un costo de 5 centavos de dlar. Al banco llegan un promedio de 2 clientes por minuto. En promedio, un cajero se tarda 2 minutos en tramitar la transaccin de un cliente. Al banco le cuesta 9 dlares por hora la contratacin de un cajero. Los tiempos entre llegadas y los tiempos de servicio son exponenciales. Para reducir al mnimo la suma de los costos de servicio y los de demora, cuntos cajeros deben trabajar el banco los viernes? Solucin Como = 2 clientes por minuto y = 0.5 clientes por minuto, ^ < 1 necesita que 4
< 1, o sea, s 5. As, deben haber 5 cajeros cuando menos, porque de lo
contrario "explotar" el nmero de clientes. A continuacin calcularemos, para s = s, 6, ...
Costo esperado de servicio + min
costo esperado de demora min
Como a cada cajero se le paga 9/60 =0.15 dlares /min, Costo esperado de servicio min = .015 s dlares
Costo esperado de demora = clientes esperados Min min
costo esperado demora Cliente
Pero Costo esperado de demora Cliente = .05 dlares Wq
77
PROF. RAL HERNNDEZ
Como llegan un promedio de 2 clientes por minuto, Costo esperado de demora Min = 2(0.05 Wq) = 0.10 dlares Wq
Ya que s = 5
2 = .80 P(j 5) = .55. Segn la Ecuacin (42), .5(5)
Wq=.55/(.5*5-2) = 1.1 minutos As, para s = 5, el costo esperado de demora/ min = .10 *1.1 =.11 dlares.
y para s = 5, Costo total esperado/ min = .15*5+.11=.86 dlares
Como s=6 tiene un costo de servicio de 6(0.15) = 0.90 dlares por minuto, 6 cajeros no pueden tener un costo total ms bajo que 5 cajeros. Por lo tanto, lo ptimo es tener 5 cajeros de servicio. Visto de otro modo, si se aade un cajero ms, el banco se puede ahorrar cuando ms 0.11 dlares por minuto en tiempos de demora. Como un cajero ms le cuesta al banco 0.15 dlares por minuto, no puede ser ptima la contratacin de mas de 5 cajeros. Adems del tiempo esperado de un cliente en el sistema, es de inters la distribucin del tiempo de espera de un cliente. Por ejemplo, si lodos los clientes que tienen que esperar ms de 5 minutos en una caja de supermercado deciden cambiar a otra tienda, la probabilidad que un cliente dado cambie a otro almacenes igual a P(W > 5). Para calcular esta probabilidad necesitamos conocer la distribucin del tiempo de espera de un cliente. Para un sistema de colas M/M/s/FIFO//. (primero en llegar primero en ser servido), se puede demostrar que
[ t ( s 1 sp ) ] 1 e (si s-1=s P (W > t ) = e t (1 + P( j s ) t ) 1 + P ( j s ) s 1 sp
(45) P (W > t ) = e
(46) P (Wq > t ) = P ( j s )
[ s (1 ) t ]
Para dar un ejemplo del uso de las Ecuaciones. (45) y (46), suponga que en el ejemplo 7, para s = 5, el gerente del banco desea conocer la probabilidad de que el cliente tenga que esperar en la cola durante ms de 10 minutos. Para s = 5, = .80, P(j 5) = .55 y = .5 clientes por minuto, la Ecuacin (46) da como resultado
P (Wq > 10) = .55 e
[5*.5(1.8)10 ]
= .004
Por lo tanto, el gerente del banco puede estar seguro que la probabilidad de que un cliente espere mas de 10 minutos es muy baja.
78

PROBLEMAS
PROF. RAL HERNNDEZ
1. Un supermercado trata de decidir cuntas cajas deben estar funcionando. Suponga que cada hora llega un promedio de 18 clientes, y el tiempo promedio de atencin a un cliente es 4 minutos. Los tiempos entre llegadas y los tiempos de servicio son exponenciales, y el sistema se puede modelar como uno M/M/s/DG//. El funcionamiento de una caja cuesta 20 dolares/h, y se carga un costo de 15 centavos de dlar por cada minuto que el cliente pasa en la zona de cajas. Cuantas cajas debe abrir el supermercado? 2. Un banco pequeo trata de determinar cuntos cajeros debe emplear. El costo total de emplear un cajero es, 100 dlares diarios y un cajero puede atender a un promedio de 60 clientes por da. Al banco llega un promedio de 50 clientes por da y de servicio y los tiempos entre llegadas son exponenciales. Si el costo de demora por cliente da es 100 dlares, cuntos cajeros debe contratar el banco? 3. En este problema, exponenciales, todos los tiempos entre llegadas y de servicio son
a) En la actualidad, el departamento de finazas y el de ventas tienen sus propias mecangrafas. Cada mecangrafa puede hacer 25 cartas por da. El departamento de finanzas necesita que se mecanografen 20 cartas diarias, en promedio, y el de ventas 15 cartas diarias. Para cada departamento, calcule el tiempo que pasa entre la peticin de una carta y la terminacin de sta. b) Suponga que las dos mecangrafas se agrupan en una seccin y que cada una quede disponible para mecanografiar cartas de cualquier departamento. Para este arreglo, calcule el tiempo promedio que pasa entre la peticin de una carta y la terminacin de esta. c) Comente los resultados de los incisos (a) y (b). d) Si las mecangrafas pueden trabajar para cualquier departamento, cual es la probabilidad que pase ms de 0.20 de da entre la peticin de carta y la terminacin de esta? 4. MacBurger trata de determinar cuntos servidores, o colas, deben trabajar durante el turno del desayuno. Durante cada hora, llegan un promedio de 100 clientes al restaurante. Cada cola puede manejar un promedio de 50 clientes por hora. Un servidor cuesta 5 dlares por hora, y se carga un costo de 20 dlares por cada cliente que espere en la cola durante 1 hora. Suponiendo que se pueda aplicar un modelo M/M/s/DG//, calcule el nmero de colas que minimice la suma de los costos de demora y de servicio. 5. Llega un promedio de 100 clientes por hora al banco de Gotham City. El tiempo promedio de servicio para cada cliente es 1 minuto.. Los tiempos de servicio y entre llegadas son exponenciales. El gerente desea asegurarse que no haya ms del 1% de los clientes que tengan que esperar en la cola durante ms de 5minutos. Si el banco tiene como poltica formar a todos los clientes en una cola nica, cuntos cajeros debe contratar? 6. Al banco de Gotham City llega un promedio de 100 clientes por hora. Un cajero se tarda un promedio de 2 minutos en atender a un cliente. Los tiempos entre llegadas y de servicio son exponenciales. El banco tiene actualmente cuatro cajeros trabajando. El gerente desea comparar los dos sistemas siguientes en
79
PROF. RAL HERNNDEZ
cuanto al nmero promedio de clientes en el banco y la probabilidad de que un cliente pase ms de 8 minutos en el banco: Sistema 1 Cada calero tiene su propia cola y no se permite cambiar de cola.
Sistema 2 Todos los clientes esperan en una cola nica a que se desocupe un cajero. Si el lector fuera el gerente del banco, qu sistema escogera? 7. Un taller de silenciadores tiene tres mecnicos. Cada mecnico larda 45 minutos en instalar un silenciador nuevo. Suponga que llega un promedio de 1 cliente por hora. Cul es el nmero esperado de mecnicos que estn desocupados en cualquier momento dado? Conteste esta pregunta sin suponer que los tiempos de servicio y los tiempos entre llegada sean exponenciales. 8. Se tienen los dos sistemas siguientes de colas: Sistema 1 Sistema M/M/1 con frecuencia de llegada y rapidez de servicio 3 Sistema 2 Sistema M/M/3 con frecuencia de llegada y cada servidor trabaja a una velocidad . Sin hacer muchos clculos, cul sistema tendr las menores W y L? (Sugerencia: Escribir los parmetros de nacimiento y muerte para cada sistema.) A continuacin determine cul sistema es el ms eficaz.
80
PROF. RAL HERNNDEZ
2-7 MODELOS M/M//DG// Y GI/G//DG//

Hay muchos ejemplos de sistemas en los cuales un cliente nunca tiene que esperar para que se inicie su atencin. En un sistema de stos, se puede pensar que todo el tiempo que pasa el cliente en el sistema es su tiempo de servicio, o de trmite. Como un cliente nunca tiene que esperar para que lo atiendan hay, en esencia, un servidor disponible para cada llegada, y podemos pensar que ese sistema es de cantidad infinita de servidores, o sistema de autoservicio. En la Tabla 7 se dan dos ejemplos de sistema de despachador infinito. Tabla 7 Ejemplos de sistemas de colas con una cantidad infinita de servidores CASO Industria LLEGADA La la El al TIEMPO EN EL SERVICIO (TIEMPO EN EL SISTEMA) empresa entra a Tiempo hasta que la industria empresa sale de la industria estudiante entra Tiempo que el estudiante programa permanece en el programa ESTADO DEL SISTEMA Nmero de empresas en la industria Nmero de estudiantes en el programa
Programa escolar
Mediante la notacin Kendall-Lee, un sistema de servidores infinitos en el que los tiempos entre llegada y de servicio pueden seguir distribuciones arbitrarias de probabilidad, se representan como sistema de colas M/M//DG//. Un sistema de estos trabaja como sigue:
1. Los tiempos de llegadas son iid con distribucin comn A. Se define E(A)= As, es la frecuencia o rapidez de llegadas. 2. Cuando llega un cliente, inmediatamente pasa al
servicio. El tiempo de cada
cliente en el sistema esta gobernado por la distribucin S con E(S) =
Sea L el nmero esperado de clientes en el sistema en el estado estable, y W tiempo esperado que un cliente pasa en el sistema. Por definicin, W =
Entonces, la Ecuacin
(30) significa que
(47)
L =
La Ecuacin (47) no requiere hiptesis de exponencialidad. Si los tiempos entre, llegadas son exponenciales, se puede demostrar, aun para una distribucin arbitraria de tiempos de servicio, que la probabilidad de estado estable
j,
de
81
PROF. RAL HERNNDEZ
que haya j clientes sigue una distribucin de Poisson con promedio implica que
. Esto
j =
e
j!
El ejemplo que sigue es una aplicacin representativa de un sistema M/M//DG//. EJEMPLO 8 Durante cada ao abren 3 neveras en el pueblo. El tiempo promedio que una nevera permanece en el negocio es 10 aos. El 1ero de enero de 2525, cul es el nmero promedio de neveras que habr en el pueblo? Si el tiempo entre inauguraciones de neveras es exponencial, cul es la probabilidad de estado estable que el 1ero de enero de 2525 haya 25 neveras en el pueblo? Solucin = 3 neveras por ao y
Sabemos que
= 10 aos por nevera. Suponiendo que se
haya alcanzado el estado estacionario, habr un promedio de L = neveras en el pueblo. exponenciales, entonces Si los tiempos entre llegadas
= 3(10) = 30 neveras son
de
25 =
(30)25 e30
25!
= .05
PROBLEMAS
1. Cada semana, el Columbus Record Club atrae a 100 miembros nuevos. Los miembros permanecen en el club un promedio de 1 ao (52 semanas). En promedio, cuntos miembros tiene el club? 2. El programa de doctorado de la universidad del estado admite un promedio de 25 estudiantes de doctorado cada ao. Si un estudiante de doctorado pasa un promedio de 4 aos de residencia en la universidad, cuantos estudiantes de doctorados cabe esperar encontrar en ella? 3. En la actualidad hay 40 empresas de construccin especializadas en energa solar en el estado de Indiana. Cada ao se abren un promedio de 20 constructoras especializadas en dicho estado, y una empresa promedio permanece en funciones durante 10 aos. Si la tendencia actual contina, cul es el nmero esperado de constructoras especializadas en energa solar que habr en Indiana? Si el tiempo entre inauguraciones de constructoras se distribuye en forma exponencial, cul es la probabilidad de que, en el estado estable, haya ms de 300 constructoras especializadas en el negocio? (Sugerencia: Para grande, la distribucin de Poisson es aproximadamente una distribucin normal.)
82
PROF. RAL HERNNDEZ
2-8 SISTEMA DE COLAS M/G/1/DG//

En esta seccin veremos un sistema de colas de un solo servidor en el que los tiempos de llegada son exponenciales, pero en el que la distribucin del tiempo de servicio (S) no necesita ser exponencial. Sea la frecuencia de llegadas, que suponemos se mide en llegadas por hora. var S. En la notacin de Kendall, a este sistema de colas se le reprsenla con M/G/1/DG//. Un sistema de stos no es un proceso de nacimiento y muerte, porque la probabilidad de que la terminacin de un servicio suceda entre t y t + t cuando el estado del sistema es j al tiempo t, depende del tiempo transcurrido desde la terminacin del ltimo servicio, porque tos tiempos de servicio ya no tienen la propiedad de amnesia. As, no podemos formular la probabilidad de una terminacin de servicio entre t y t + t en la forma t ; por ello no es adecuado el modelo de nacimiento y muerte. El clculo de las probabilidades de estado estable para un sistema M/G/1/DG// de colas es asunto difcil. Como ya no valen las ecuaciones de estado estable para nacimiento y muerte, se debe aplicar un mtodo distinto. Se usa la teora de las cadenas de Markov para determinar a Tambin, definimos a
=E(S) y a al
2=
/j
la probabilidad que despus de que el j clientes en el un servicio (vase donde
sistema haya trabajado durante largo tiempo se encuentren instante inmediato posterior a aquel en que ha terminado Problema 4 al final de esta seccin). Se puede demostrar que
/j = j
j,
es
la fraccin del tiempo despus de que el sistema haya funcionado largo tiempo y que haya j clientes presentes. Por fortuna, podemos calcular Lq, L, Ls, Wq, W y Ws usando los resultados de Pollaczek y Khinchin. Ellos demostraron que para el sistema de colas M/G/1/DG//,
(48)
Lq =
2 2 + 2 2(1 )
Ws=
donde
.Como
la Ecuacin (30) significa que Ls=
= .Como
L = Ls +
Lq se llega a (49) L = Lq +
Entonces, las Ecuaciones
(29) y (28) quieren decir que
(50) (51)
Wq =
Lq
W = Wq +
83

Tambin se puede demostrar que
PROF. RAL HERNNDEZ
0 ,
la fraccin del tiempo que el servidor est
ocioso, es 1 . Vase el Prob. 2 al final de esta seccin. Este resultado es semejante al del sistema M/G/1/DG//
Para ilustrar el. uso de las Ecuaciones (48) a (51), veamos un sistema M/M/1/DG// con = 5 clientes/h y = 8 clientes/h. Segn el estudio del modelo M/G/1/DG//, sabemos que
5 = clientes 3 5 8 25 Lq = L = = clientes 3 5 24 L 1 W = = horas 3 Lq 5 = Wq = horas 24 L=
De las Ecuaciones (3) y (4), sabemos que E(S) = 1/8 horas y que var S = 1/64 horas2. Entonces la Ecuaciones (48) da como resultado
5 1 2 2 + 2 5 2 64 + ( 8 ) 2 25 = = clientes Lq = 5 2(1 ) 2(1 8 ) 24
L = Lq + = Wq = Lq =
25 5 5 + = clientes 24 8 3
5 horas 24 L 1 W = = horas 3
Para demostrar cmo puede afectar significativamente la variancia del tiempo de servicio a la eficacia de un sistema de colas, veremos un sistema M/G/1/DG// con y idnticas al sistema M/M/l/DG// que acabamos de analizar. Para el modelo M/D/l/DG// E(S) =
de hora y var S = 0. Entonces
5 (8)2 25 = clientes Lq = 5 2(1 8 ) 48
Wq =
Lq
5 horas 48
84
PROF. RAL HERNNDEZ
En este sistema M/D/l/DG//, un cliente normal slo estar la mitad del tiempo en la cola en comparacin con un sistema M/M/l/DG//, con rapideces idnticas de servicio y de llegada. Como muestra este ejemplo, aun que no se disminuyan los tiempos promedios de servicio, una disminucin de la variabilidad de estos puede reducir mucho el tamao de la cola y el tiempo de trnsito del cliente.
PROBLEMAS
1. A la ventanilla de un restaurante de servicio en su automvil llega un promedio de 10 automviles por hora. Si el tiempo de servicio de cada automvil es de 2 min, cuntos coches, en promedio, estarn esperando en la cola? Suponga tiempos exponenciales entre llegadas. 2. De acuerdo con el hecho de que de L s=
demuestre que para un sistema de
colas M/D/l/DG//,
la probabilidad de que la ventanilla este ocupada es
=.
3. Se tiene un sistema de colas M/D/l/DG//, en el cual hay un promedio de 10 llegadas por hora. Suponga que el tiempo de trmite de cada cliente sigue una distribucin de Erlang con parmetro de rapidez 1 cliente/min y con parmetro de forma 4. (a) Calcule el nmero estimado de clientes que esperan en la cola. (b) Calcule el tiempo esperado que un cliente est en el sistema. (c) Qu fraccin del tiempo el servidor estar ocioso?
4. Se tiene un sistema de colas M/D/l/DG//: en e1 que los tiempos entre llegadas se distribuyen exponencialmente con parmetro y los tiempos de servicio tienen una funcin de densidad de probabilidad s(t). Sea X, el nmero de clientes que hay un instante despus s que sale el i-simo cliente. (a) Explique porque X 1 , X 2 , L , X k , L , es una cadena de Markov. (b) Explique porque
Pij = P( X k +1 = j / X k = i ) es cero para j < i-1
(c) Explique porqu para i > 0, Pii 1 =(probabilidad de que no haya llegadas durante un tiempo de servicio); Pii =(probabilidad de que haya una llegada durante un tiempo de servicio) y para j i ; Pij = (probabilidad de que j - i + 1 llegadas entren durante un tiempo de servicio). (d) Explique porque, para j i-1 y para i > 0.
Pij =
0
s ( x) e
(x) j i +1 dx
( j i + 1)!
Sugerencia: La probabilidad de que un tiempo de servicio est entre x y x + x es s(x) x . Dado que el tiempo de servicio es igual a x, la probabilidad de que se tengan j - i + 1 llegadas durante el tiempo de servicio es
(x) j i +1
( j i + 1)!
85
PROF. RAL HERNNDEZ
2-9 MODELOS DE FUENTE REPARACIN DE MQUINA
FINITA:
EL
MODELO
DE
A excepcin del modelo M/M/1/DG/c/, todos los modelos que hemos estudiado han tenido frecuencias de llegada independientes de estado del sistema. Como se dijo antes, hay dos donde quiz no sea vlida la hiptesis de independencia de estado. 1. Si los clientes no desean formarse en colas largas, la frecuencia de llegadas puede ser una funcin decreciente del numero de personas presentes en el sistema de colas. Vanse los Prob. 4 y 5 al final de esta seccin, donde se trata este caso. 2. Si las llegadas a un sistema se forman de una poblacin pequea, la frecuencia de llegadas puede depender mucho del estado del sistema. Por ejemplo, si un banco slo tiene 10 cuentahabientes, entonces en un momento en que 10 estn en el banco, la frecuencia de llegada debe ser cero, mientras que si hay menos de 10 personas en el banco, la frecuencia de llegadas puede ser positiva. Los modelos en los que las llegadas se loman de una poblacin pequea se llaman modelos de origen finito. Ahora analizamos un modelo importante de origen finito que se conoce como el de la reparacin de mquinas, o de interferencia de mquinas. En el problema de reparacin de maquinas, el sistema consta de K mquinas y R tcnicos. En cualquier momento, una mquina determinada est en buen estado o en mal estado. El intervalo durante el cual una mquina permanece a buen estado sigue una distribucin exponencial con rapidez . Siempre que se descompone una mquina, se manda a un tcnico de reparacin que tiene R tcnicos. El centro de reparacin da servicio a las maquinas descompuestas como si llegaran conforme un sistema M/M/R/DG//, As, si hay J R mquinas en mal estado, una mquina que apenas se acaba de descomponer ser enviada de inmediato para que la reparen; si j > R mquinas estn descompuestas, j - R mquinas estarn esperando en una cola para que un tcnico se desocupe. Se supone que el tiempo que se necesita para completar la compostura de una mquina es exponencial con rapidez , o sea, que el tiempo promedio de reparacin es
. Una vez que se ha reparado una mquina regresa al buen estado y
de nuevo es susceptible de descomponerse. El modelo de reparacin de mquinas se puede considerar como proceso de nacimiento y muerte en el que el estado j en cualquier momento es el nmero de mquinas en mal estado. Con la notacin de Kendall-Lee, el modelo que acabamos de explicar se puede expresar como sistema M/M/R/DG/K/K. La primera K indica que en cualquier momento puede haber no ms de K clientes (o mquinas), y la segunda K quiere que las llegadas se toman de una fuente finita de tamao K. En la Tabla 8 se da la interpretacin de cada estado para un modelo de reparacin de mquinas con K = 5 y R = 2 (G = mquina en buen estado, y B = mquina descompuesta). Para determinar los parmetros de nacimiento y muerte para el modelo de reparacin de mquinas (vase Fig. 13), ntese que un nacimiento le corresponde a una mquina que se descompone, y una muerte es una mquina que acaba de llegar ya reparada. Para calcular la frecuencia de natalidad en el estado j,
86
PROF. RAL HERNNDEZ
debemos determinar la rapidez a la que se descomponen las mquinas cuando el estado del sistema es j. Cuando es as, hay K - j mquinas en buen estado. Como cada mquina se descompone con una frecuencia o rapidez , la frecuencia total a la que suceden las descomposturas cuando el estado j es
j = 4 4 = ( K j ) +L 3 1 2+
K j veces
Para calcular la frecuencia de muertes para el modelo de reparacin de mquinas procederemos como lo hicimos cuando estudiamos el modelo de colas M/M/s/DG//,. Cuando el estado es j entonces estarn ocupados min(j,R) tcnicos. Como cada tcnico ocupado termina el trabajo con una rapidez , la tasa de mortalidad j est dada por
Tabla 8 R=2 ESTADO 0 1 2 3 4 5
Estados posibles en un problema de reparacin de mquinas cuando K=5 y
NMERO DE QUINAS COLA DE EPARACIN EN BUEN ESTADO G G G G G G G G G G G G G G B G B B B B B
NMERO DE TCNICOS OCUPADOS 0 1 2 2 2 2
Figura 13 Diagrama de rapidez para un sistema de colas M/M/R/DG/K/K,. cuando R = 2 y K = 5
Estado es el nmero de mquinas en malas condiciones.
j = j ( j = 0,1,L, R) j = R ( j = R + 1,L, K ) definimos que = aplicando
Si
las
Ecuaciones
(16)
(18)
se
obtiene
la
siguiente distribucin de probabilidades de estado estable
87

K j 0 ( j = 0,1, L , R) j (52) j = K j j! 0 j R! R j R
Para usar la Ecuacin
PROF. RAL HERNNDEZ
(52) comenzamos calculando
partiendo del hecho de que
0 + 2 + L + K = 1 . Mediante las probabilidades de estado estable de la Ecuacin (52), podemos calcular las siguientes cantidades de inters:
L Lq W Wq = = = = nmero nmero tiempo tiempo esperado esperado promedio promedio de mquinas descompuestas de mquinas que esperan servicio que una mquina est descompuesta que una mquina espera servicio
Desafortunadamente, no hay frmulas sencillas para L, Lq, W y Wq. Lo mejor que podemos hacer es expresar estas cantidades en trminos de las j s:
(53)
L=
j
j =1 K j=R
(54)
Lq=
( j R)
Podemos emplear ahora las Ecuaciones (28) y (29) para calcular W y Wq. Como la frecuencia de llegadas depende del estado, el nmero promedio de llegadas por unidad de tiempo est dado por . donde
(55)
j j = ( K j ) j = ( K L)
j =0 j =0
Si se aplica la Ecuacin (28) a las mquinas que se reparan y a las que esperan su turno, obtenemos
(56)
W =
Aplicando la Ecuacin (29) a las mquinas que esperan campos fuera, obtenemos
(57)
Wq =
Lq
El ejemplo que sigue ilustra el empleo de las frmulas anteriores.
88
PROF. RAL HERNNDEZ
EJEMPLO 9 La polica de Gotham City tiene 5 patrullas. Una patrulla se descompone y debe repararse una vez cada 30 das. La polica tiene dos mecnicos, y cada uno de ellos tarda un promedio de 3 das en reparar un autopatrulla. Los tiempos entre descomposturas y los de reparacin son exponenciales. 1. Calcule el nmero promedio de patrullas en buen estado. 2. Calcule el tiempo muerto promedio que pasa una patrulla en reparaciones. 3. Calcule la fraccin del tiempo que est ocioso determinado mecnico. Solucin Se trata de un problema de reparacin de mquinas para K = 5, R = 2, = 1/30 patrulla por da, y = 1/3 auto por da. Entonces,
1 30 1 3
1 10
de la ecuacin (52)
1 = 0 = .5 0 1 10
5 1 2 = 0 = .1 0 2 10
2
5 1
(58)
3 = 3! 0 /(2!*2) = .015 0 3 10
5 1 4 = 4! 0 /(2!*2 2 ) = .0015 0 4 10
4
5 1
5 1 5 = 5! 0 /(2!*2 3 ) = .000075 0 5 10
5
Entonces
(l + .5 + .1 + .015 + .0015 + .000075) =l, o sea
= .619. Entonces,
las Ecuacin (58)da como resultado
1 =
.310,
= .062,
= .009,
= .001, y
= 0. buen estado es K - L, y es
1. El nmero esperado de patrullas en
K L = 5 -
j
j =1
= 5-
[0(.6t9) + 1(.310) + 2(.062) + 3(.009) + 4(.001) + (0)]
= 5 - .465 = 4.535 autos en buen estado
2. Buscamos W= =
Segn la
1 30
Ecuacin (55),
j j = (5 j ) j =
j =0 j =0
[5(.6t9) + 4(.310)+ 3(.062)+ 2(.009)+ 1(.001)+ (0)]
= 0.151 autos por da
89
PROF. RAL HERNNDEZ
Como L = 0.465 patrulla, vemos que W = .0465/.151= 3.08 das. 3.
fraccin de tiempo + 1 =.619+.5(.310)=.774.

1 2
La
que
esta
desocupado
determinado
mecnico
es
Si hubiera tres mecnicos, la fraccin de tiempo que determinado mecnico se hubiera encontrado desocupado sera 0 + 2 1 + 1 2 y si el equipo es de R mecnicos, 3 3 la probabilidad de que uno de ellos se encuentre desocupado ser
1 0 + ( RR 1) 1 + ( RR 2 ) 2 + L + R R 1
PROBLEMAS
1. Una lavandera tiene 5 lavadoras. Una mquina normal se descompone una vez cada 5 das. Un tcnico puede reparar una mquina en un promedio de 2.5 das. En la actualidad, hay tres tcnicos en servicio. El dueo de la lavandera tiene la opcin de cambiarlos por un supertcnico que puede reparar una mquina en un promedio de 5/6 de da. El sueldo del supertcnico es igual al de los tres tcnicos juntos. Los tiempos entre descomposturas y los de servicio son exponenciales Debe cambiar la lavandera los tres tcnicos por el supertcnico? 2. Mi perra acaba de tener tres cachorros. Los perritos son vivarachos y entran y salen brincando de su caja. Un cachorrito pasa un promedio de 10 min, distribuidos exponencialmente, en la caja y salta hacia afuera. Una vez fuera, pasa un promedio de 15 min, distribuidos exponencialmente, para saltar y entrar de nuevo. (a) En un momento dado, cul es la probabilidad de que haya ms cachorritos fuera de la caja que dentro de ella? (b) En promedio, cuantos cachorritos habr dentro de la caja?
3. Gotham City tiene 10 000 arbotantes. Se ha determinado que en un momento dado, hay un promedio de 1 000 luminarias quemadas. Una luminaria se quema despus de transcurrir un promedio de 100 das de uso. La ciudad ha contratado a la empresa Mafia Inc., para cambiar las luminarias quemadas. El contrato con Mafia dice que se deben tardar un promedio de 7 das en cambiar una luminaria quemada. Cree el lector que Mafia Inc. se aprovecha en este contrato? 4. Este problema es un ejemplo de la denegacin. La nevera Oryo Cookie Ice Cream tiene tres competidores. Como a las personas no les gusta esperar mucho su pedido, la frecuencia de llegadas a Oryo Cookie Ice Cream depende del nmero de clientes adentro. En forma ms especfica, cuando hay j 4 clientes dentro de la nevera, llegan clientes con una frecuencia de (20 5) por hora. Si hay ms de 4 personas, la frecuencia de llegada es cero. Por cada cliente, las ganancias menos los costos de materias primas son 50? de dlar. A cada mesero se le paga 3 dlares/h. Un mesero puede atender a un promedio de 10 clientes por hora. Para maximizar las utilidades esperadas (ingresos menos costos de materiales y mano de obra), cuntos meseros debe contratar Oryo? Suponga que los tiempos entre llegadas y de servicio son exponenciales.
90
PROF. RAL HERNNDEZ
5. Suponga que los tiempos entre llegadas a un sistema con ventanilla nica son exponenciales, pero que cuando hay n clientes, hay una probabilidad de n /n+1 de que una llegada sea denegada y deje el sistema antes de entrar al servicio. Tambin suponga tiempos de servicio exponenciales. (a) Determine la distribucin de probabilidad del nmero de personas que hay en el estado estable. (b) Calcule el nmero esperado de personas que hay en el estado estable. (Su gerencia: puede ayudar el hecho de que
= 1+ x +
x2 x3 + +L 2! 3!
tal vez sea usado.
6. Bectol, Inc. construye una presa. Se necesita un total de 10000 pies3 de tierra para formar la cortina. Para extraer esa tierra se usa una pala mecnica. A continuacin, la tierra se transporta mediante camiones de volteo al lugar de la cortina. Tan slo se cuenta con una pala mecnica, y su renta es 100 dlares/h. Bectol puede rentar, a 40 dlares/h, tantos camiones de volteo como desee. Cada camin puede manejar 1 000 pies de tierra. Para cargarlo, la pala mecnica tarda un promedio de 12 min para ir a la presa y regresar a la pala mecnica, el camin de volteo tarda un promedio de 5 minutos. Plantee las hiptesis adecuadas acerca de exponencialidad y determine cmo puede Bectol minimizar el cosi total esperado del movimiento de la tierra que se necesita para formar la cortina. (Sugerencia: En algn lado debe haber un problema de reparacin de mquinas!).
2-10 COLAS EXPONENCIALES EN SERIE Y REDES ABIERTAS DE COLAS

En los modelos de cola que hemos estudiado hasta aqu, todo el tiempo de servicio a un cliente se gasta con un solo servidor. En muchos casos, como en la produccin de un artculo en una lnea de montaje, los trmites del cliente no se terminan sino hasta que haya intervenido mas de un servidor. Vase, por ejemplo, la Fig. 14.
Al entrar al sistema de la Fig. 14, el cliente pasa por la etapa 1 de servicio, despus de esperar en una cola si lodos los servidores de la etapa 1 estn ocupados cuando llega. Despus de terminar la etapa 1 de servicio, el cliente espera y pasa a la etapa 2 de servicio. Este proceso sigue hasta que el cliente termina la etapa k de servicio. Un sistema como el de la Fig. 14 se llama sistema de colas de k etapas en serie, o en tndem. Contamos con un notable teorema debido a Jackson (1957), que es el siguiente
91

Figura 14 Colas exponenciales en serie
PROF. RAL HERNNDEZ
TEOREMA 4 Si (1) los tiempos de llegada a un sistema de colas en serie son exponenciales con rapidez , (3) los tiempos de servicio para cada tramite en la etapa i son exponenciales, y (3) toda etapa tiene sala de espera de capacidad infinita, entonces los tiempos entre llegada para alcanzar cada etapa del sistema de colas son exponenciales con rapidez . Para que este resultado sea vlido, cada etapa debe tener capacidad suficiente para dar servicio a una corriente de llegadas que entre con rapidez ; si no es as, el sistema "explotara" en la etapa que tuviera capacidad insuficiente. De acuerdo con el anlisis del sistema M/M/s/DG// de la Seccin 2.6, vemos que cada etapa tendr capacidad suficiente para manejar una corriente de llegadas de rapidez o frecuencia si y slo si <sjj cuando j = 1, 2, , . . , k. Si <sjj el resultado de Jackson quiere decir que la etapa j del sistema de la Fig. 14 se puede analizar como un sistema M/M/s/DG// con tiempos exponenciales entre llegadas que tienen la rapidez y tiempos exponenciales de servicio con un promedio Jackson.
. En el ejemplo que sigue se apreciar la utilidad del Teorema de
EJEMPLO 10 Las dos ltimas cosas que se hacen en un automvil para completar su ensamble son instalar el motor y poner los neumticos. Llega un promedio de 54 automviles/h que necesitan de esas dos tareas. Un trabajador instala el motor y puede atender un promedio de 60 automviles/h. Despus de instalar el motor, el automvil pasa a la estacin de los neumticos y espera para que le pongan los neumticos. En esa estacin trabajan tres personas. Cada una trabaja en un automvil a la vez y puede colocar neumticos en un automvil a un promedio de 3 minutos por cada auto. Los tiempos entre llegadas y los de servicio son ambos exponenciales. 1. Calcule la longitud promedio de la cola en cada estacin de trabajo. 2. Determine el tiempo total esperado que pasa un automvil esperando su turno.
92
PROF. RAL HERNNDEZ
Solucin Se trata de un sistema de cola en serie con = 54 automvles/h, s1 = 1,1 = 60 automviles/h, s2 = 3 y 2 = 20 automviles/h (vase Fig. 15). Como < 1 y < 32 ninguna de las colas "explotar", y se puede aplicar el Teorema de Jackson. Para la etapa 1 (motor), = 54/60 = .90. Entonces, la Ecuacin (27) da como resultado
Lq (para el motor) =
2 .9 2 = = 8.1 1 1 .9
automviles
Figura 15 Sistema de colas en serie para el ejemplo de la
fbrica de automviles
Luego la Ec. (32) da como resultado
Wq (para el motor) =
Lq
8.1 = .15 horas 54
Para la etapa 2 (neumticos), p = 54/(3*20) = .90. La Tabla 6 indica que P(j3) = .83. Entonces, segn la Ecuacin (41),
Lq(para neumticos) = Entonces
.83 * .90 = 7.47 automviles. 1 .90 Lq 7.47 = .138 horas. 54
Wq (para neumticos )
As, el tiempo total esperado para que a un automvil le instalen su motor y sus neumticos es 0.15 + 0.138 = 0.288 horas, REDES ABIERTAS DE COLAS A continuacin describiremos las redes abiertas de colas, que son una generalizacin de colas en serie- Como en la Fig. 14, suponemos que la estacin y consiste en sj servidores exponenciales, cada uno trabajando a una velocidad j. Se supone que los clientes llegan a la estacin y procedentes del exterior del
93
PROF. RAL HERNNDEZ
sistema con una frecuencia o rpido rj. Se supone que estos tiempos entre llegadas estn distribuidos exponencialmente. Una vez terminado el servicio en la estacin i, un cliente se forma en la cola de la estacin j con probabilidad Pij; y termina sus trmites, o servicio, con probabilidad
1 Pij
j =1
Definimos a j, como la frecuencia o rapidez con la que llegan los clientes a la estacin j, incluyendo las llegadas a la estacin y desde el exterior del sistema y de otras estaciones 1, 2,..., k /^ se pueden calcular resolviendo el siguiente sistema de ecuaciones lineales:
j = r j + Pij i
i =1
( j = 1,.L, k )
Esto es consecuencia de que una fraccin Pij de las j llegadas a la estacin i pasar a continuacin a la estacin j. Supongamos que para todas las estaciones es vlido que j <sjj ,. Entonces se puede demostrar que la distribucin de probabilidad del numero de clientes presentes en la estacin j y el nmero esperado de clientes presentes en la estacin j se pueden calcular tratando esa estacin como un sistema M/M/sj/DG// con frecuencia de llegada j y rapidez de servicio j. Si j <sjj no se cumple para alguna j entonces no existe distribucin de estado estable para los clientes. Para calcular L, el nmero esperado de clientes en el sistema de cola, tan slo sumamos el nmero esperado de clientes que hay en cada estacin. Para calcular W, el tiempo promedio que pasa un cliente en el sistema, slo aplicamos la frmula L = W al sistema completo. En este caso, = r1+ r2 + + rk, porque esto representa el nmero promedio de clientes por unidad de tiempo que llega al sistema. El ejemplo que sigue ilustra el anlisis de redes abiertas de colas. EJEMPLO 11 Se tienen dos servidores. Del exterior llega un promedio de 8 clientes/h al servidor 1 y un promedio de 17 clientes, tambin del exterior, al servidor 2. Los tiempos entre llegadas son exponenciales. El servidor 1 puede atender a una rapidez exponencial a 20 clientes/h, y el 2, a 30 clientes/h, tambin con rapidez exponencial. Despus de terminar sus trmites con el servidor 1, la mitad de los clientes sale del sistema y la mitad va al servidor 2. Al terminar su servicio en el servidor 2 de los clientes salen y regresa al servidor 1. 1. Qu fraccin de tiempo est desocupado el servidor 1? 2. Calcule el nmero esperado de clientes en cada servidor. 3. Calcule el tiempo promedio que pasa un cliente en el sistema. 4. Cmo se modificaran los incisos (1) a (3) si el servidor 2 slo pudiera atender a un promedio de 20 cientes/h? Solucin Tenemos una red abierta de colas con r1 = 8 clientes/h y r2 = 17 clientes/h. Tambin, se tiene P12 = .5; P21 = .25; P11 = P22= 0. Podemos calcular 1 y 2 resolviendo sistema de ecuaciones 1 = 8 + .252 y 1= 17 + .51. Esto da como 2 = 24 clientes/h. resultado 1=14 clientes/h y
94
PROF. RAL HERNNDEZ
1. El servidor 1 se puede considerar un sistema M/M/1/DG// con = 14 clientes/h y =20 clientes/h. Entonces 0 = 1 - = 1 - .7 = .3. As, el servidor 1 est desocupado 30% del tiempo.
2. De la Ecuacin (26) vemos que L=
.7 14 en el servidor 1 y L = 4 = (1 ) 1 .7 6 14 19 en el servidor 2, As, habr en el sistema un promedio de 4 + clientes. = 6 3 = =

W =
19 3 25
3. W = L/ donde = 8 + 17 = 25 clientes/h. Entonces
19 horas 75
4. En este caso 2 > s22 = 20 entonces no existe estado estable.
PROBLEMAS
1. Una sucursal del Seguro Social estudia las dos alternativas siguientes para procesar las solicitudes de tarjeta de seguridad: Opcin 1 Tres empleados procesan las solicitudes en paralelo que les llegan de una cola nica. Cada empleado llena el machote para la solicitud en presencia del solicitante. El tiempo de proceso es exponencial con un promedio de 15 minutos. Los tiempos entre llegadas son exponenciales. Opcin 2 Cada solictame llena primero un machote de solicitud sin el auxilio del empleado. El tiempo para llenarlo est distribuido en forma exponencial con un promedio de 65 minutos. Cuando el solicitante ha llenado su forma, se forma en una cola nica para esperar a que uno de los tres oficinistas le revise el machote. Un oficinista gasta un promedio de 4 minutos, distribuidos exponencialmente, en revisar la solicitud. El tiempo entre llegadas de los solicitantes es exponencial. y llega un promedio de 4,8 solicitantes/h. Que opcin har que salgan los solicitantes ms rpidamente de la oficina? 2. Se tiene una lnea de ensamble de automotores en la que a cada unidad se le hacen dos tipos de servicios: pintura y, despus instalacin del motor. Cada hora, pasa un promedio de 22.4 chasises sin pintar a la lnea. En promedio, se necesitan 2.4 min para pintar un automvil y un promedio de 3.75 min para instalar el motor. La lnea de ensamble tiene un pintor y dos obreros que instalan el motor. Suponga que los tiempos entre llegadas y los tiempos de servicio son exponenciales. (a) En promedio, cuntos automviles ya pintados sin motor instalado estarn en la lnea? (b) En promedio, cunto tiempo esperar un automvil pintado para que se inicie la instalacin de su motor? 3. Se tienen los dos sistemas de colas siguientes: Sistema 1 Llega un promedio de 40 clientes cada hora los tiempos entre llegadas son exponenciales. Los clientes deben terminar dos tipos de trmites para poder
95
PROF. RAL HERNNDEZ
dejar el sistema. El primer servidor tarda un promedio de 30 segundos, distribuidos exponencialmente, para efectuar el servicio del tipo 1. Despus de esperar en una cola, cada cliente obtiene un servicio tipo 2, distribuido exponencialmente y con promedio de 1 minuto, con un solo servidor. Despus de completar su tramite tipo 2, el cliente deja el sistema. Sistema 2 El proceso de llegada al sistema 2 es idntico al del sistema 1. En el sistema 2, un cliente debe terminar solo un tipo de trmite. El tiempo de servicio es 1.5 min en promedio y est distribuido exponencialmente. Hay dos servidores. En cul sistema un cliente representativo pasa menos tiempo? 4. Llegan un promedio de 120 estudiantes cada hora a la oficina de inscripciones de un colegio; los tiempos entre llegadas son exponenciales; para terminar su inscripcin, una persona debe pasar por tres ventanillas. Cada ventanilla tiene un solo servidor. Los tiempos de servicio en cada ventanilla son exponenciales y sus duraciones promedio son 20 segundos en la ventanilla 1, 15 segundos en la ventanilla 2 y 12 segundos en la ventanilla 3. En promedio, cuntos estudiantes habr en laoficina de inscripciones para tramitar sus cursos? 5. A un taller llega un promedio de 10 trabajos/h. Los tiempos entre llegadas de los trabajos estn distribuidos exponencialmente. Para hacer un trabajo se necesita un promedio de 10/3 minutos, exponencialmente distribuidos. Desafortunadamente, 1/3 de los trabajos terminados se deben volver a procesar. As, con probabilidad 1/3 un trabajo terminado debe esperar en una cola para que se vuelva a procesar. En el estado estable, cuntos trabajos puede uno esperar encontrar en el taller? Cul sera la respuesta si se necesitara un promedio de 5 min para terminar un trabajo? 6. Se tiene un sistema de colas que consiste en tres estaciones en serie. Cada estacin tiene un servidor nico, que puede procesar un promedio de 20 trabajos/h. Los tiempos de proceso en cada estacin son exponenciales. Llega un promedio de diez trabajos por hora a la estacin 1. Los tiempos entre llegadas son exponenciales. Cuando un trabajo termina su servicio en la estacin 2. hay una probabilidad de .1 de que regrese a la estacin 1 y una probabilidad .9 de que contine a la estacin 3. Cuando un trabajo termina su servicio en la estacin 3, existen .20 de posibilidades que regrese a la estacin 2 y .8O posibilidades de que deje el sistema. Todos los trabajos que terminan su servicio en la estacin 1 pasan de inmediato a la estacin 2. (a) Calcule la fraccin del tiempo que cada servidor est ocupado. (h) Determine el nmero esperado de trbalos en el sistema. (c) Estime el tiempo promedio que pasa un trabajo en el sistema.
96
PROF. RAL HERNNDEZ
2-11 SISTEMA M/G/s/DG/s/ (SISTEMA DEPURADO, SD)

En muchos sistemas de colas, el sistema pierde para fines prcticos una llegada porque encuentra a todos los servidores ocupados. Por ejemplo, una persona que llama a una aerolnea para reservar boleto y oye seal de telfono ocupado llamar probablemente a otra aerolnea. O bien, suponga el lector que alguien llama para dar una alarma de incendio y que no se dispone de bombas; en ese caso el incendio saldr de control. As, en cierto sentido, la solicitud de una bomba contra incendio que llega cuando no hay bombas disponibles se puede considerar que la pierde el sistema. Si las llegadas que encuentran a todos los servidores ocupados dejan al sistema depurado, entonces, el sistema se libera de los clientes que no tuvieron atencin. Suponiendo que los tiempos entre llegada son exponenciales, un sistema de estos se puede modelar como un sistema de cola tipo M/G/s/DG/s/. Para este sislema M/G/s/DG/s/, L, W, Lq y Wq tienen inters limitado. Por ejemplo, ya que nunca puede haber cola, Lq = Wq = 0. Si hacemos que
sea el tiempo
promedio de servicio y
la
frecuencia de llegadas, entonces W = Ws =
En la mayor parte de los sistemas depurados, el inters practico se centra en la fraccin de todas las llegadas que no entran. Como las llegadas no entran slo cuando hay presentes s clientes, una fraccin s no entrar. Por lo tanto, el sistema perder un promedio de s llegadas por unidad de tiempo. Como la frecuencia promedio de llegadas por unidad de tiempo que entran al sistema es (1 s ) , llegamos a la conclusin de que
L = Ls =
(1 s )
Probabilidades de Perdida de un sistema M/G/s/DG/s/,
Figura 16.
Se puede demostrar que para un sistema M/G/s/DG/s/,
depende de la distribucin
del tiempo de servicio tan slo a travs de su promedio
. Este hecho se conoce
como formula de Erlang de prdida. En otras palabras, todo sistema M/G/s/DG/s/, con una frecuencia de llegada y un tiempo promedio de servicio de tendr el mismo valor de
s .
Si definimos a como igual a
. entonces, para determinado
valor de s, se puede calcular el valor de
s ,
con la Fig. 16. Tan slo se lee el
97
PROF. RAL HERNNDEZ
valor de en el eje x. As el valor de y de la curva de s servidores, que corresponde a , ser igual a s . El siguiente ejemplo ilustra el uso de la Fig. 16. EJEMPLO 12 En el hospital de Gotham City se recibe un promedio de 20 solicitudes de ambulancia por hora. Una ambulancia necesita un promedio de 20 min para recoger un paciente y llevarlo al hospital. La ambulancia queda disponible entonces para recoger otro paciente. Cuantas ambulancias debe tener el hospital para asegurar que cuando ms haya el 1% de probabilidades de no poder atender de inmediato una solicitud de ambulancias? Suponga que los tiempos entre solicitudes estn distribuidos exponencial mente. Solucin Sabemos que = 20 llamadas/h, y valor mnimo de s para el cual
1 de hora. As, = 20/3 = 6.67. buscamos el 3

En la figura 16, vemos que
sea .01 o menor.
para s = 13, s = .011, y para s = 14, s = .005. El hospital necesita 14 ambulancias para cumplir con las normas deseadas de servicio. PROBLEMAS
98
PROF. RAL HERNNDEZ
2-14 MODELOS DE COLAS PRIORITARIOS

Hay muchos casos en los que a los clientes no se les atiende con el sistema "el primero que llega es el primero en ser servido" (FIFO). Tambin analizaremos, en el servicio en orden aleatorio (SEOA) y el sistema ltimo en llegar primero en ser servido (LIFO). Sean WFIFO, WSEOA y WLIFO las variables aleatorias que representan al tiempo de espera de un cliente con las disciplinas FIFO, SEOA y LIFO respectivamente. Se puede demostrar que E(WFIFO) = E(WSEOA) = E(WLIFO)
As, el tiempo promedio en estado estable que pasa un cliente en el sistema no depende de cul de las tres disciplinas se escoja. Tambin se puede demostrar que (59) Var(WFIFO) < Var(WSEOA) < Var(WLIFO) Como en el caso general se relaciona una variancia grande con una variable aleatoria que tiene bastante probabilidad de asumir valores extremos, la Ec. (59) indica que son ms probables los tiempos de espera relativamente grandes en la disciplina LIFO, y que se presentan con menos probabilidad con la disciplina FIFO. Esto es razonable, ya que en un sistema LIFO, un cliente puede tener suerte y entrar de inmediato al servicio, pero tambin se puede quedar al ltimo en una cola larga. Sin embargo, en la disciplina FIFO el cliente no puede quedar atorado al final de una cola larga y, por lo tanto no es probable un tiempo de espera muy largo. En muchas organizaciones, el orden en que se atiende a los clientes depende del "tipo" de cliente. Por ejemplo, las salas de urgencia de los hospitales dan servicio en general a pacientes muy graves antes de atender a pacientes que no lo estn. Asimismo, muchos sistemas de cmputo procesan los trabajos ms largos hasta que se hayan terminado los ms cortos de la cola. Los modelos en los que un tipo de cliente determina el orden en el que se atiende a las personas se llaman modelos de colas prioritarios. El siguiente caso abarca muchos modelos de colas prioritarios, incluso todos los que se analizan en esta seccin. Se supone que hay tipos de clientes, identificados como tipo 1, tipo 2, . . ., tipo n. Los tiempos entre llegadas de clientes tipo i estn distribuidos exponencialmente con frecuencia i . Se supone que los tiempos entre llegadas de distintos tipos de clientes son independientes entre s. El tiempo de servicio para un cliente del tipo i se representa mediante una variable aleatoria Si, y no es necesariamente exponencial. Asimismo, se supone que los tipos de nmero ms bajo tienen prioridad sobre los tipos de nmero ms alto. MODELOS SIN PRIORIDAD ADQUIRIDA Comenzamos por considerar los modelos sin prioridad adquirida. En estos modelos sin privilegios no se puede interrumpir el servicio a un cliente. Despus de terminar cada servicio, se escoge el siguiente cliente al que dar atencin dando prioridad a los clientes de nmero de tipo ms bajos, y se aplica la disciplina FIFO en cada categora. Por ejemplo, si n = 3 y hay en la cola tres clientes tipo 2 y cuatro tipo 3, el siguiente cliente que entra sera el primero de tipo 2 que haya llegado.
99
PROF. RAL HERNNDEZ
En la notacin Kendall-Lee, un modelo sin prioridad adquirida se representa poniendo en la cuarta caracterstica "NPRP", iniciales de Non Preemptive Priority, para indicar mltiples tipos de clientes, se pone como subndice i a las primeras dos caractersticas. As, Mi/Gi/... reprsenla un caso en el que los tiempos entre llegadas para el i-simo tipo de cliente son exponenciales y en que los tiempos de servicio para el -simo tipo de cliente tienen una distribucin general. En lo que sigue haremos que Wqk= tiempo esperado en estado estable que pasa un cliente tipo k en la cola Wk= tiempo esperado en estado estable que pasa un cliente tipo k en el sistema Lqk= nmero esperado en estado estable de clientes tipo k esperando en la cola Lk= nmero esperado en estado estable de clientes tipo k en el sistema MODELO Mi/Gi/1/NPRP// Los primeros resultados conciernen al sistema Mi/Gi/1/NPRP// con un solo servidor y sin prioridad adquirida. Definimos
i =
i i
, a0 = 0 y ak =
i =1
. Supondremos que
i =1
<1
Entonces
Wqk =
(60)
k =1
E ( S k2 ) / 2
(1 a k 1 )(1 a k ) 1
Lqk = k Wqk Wk = Wqk + Lk = k Wk
El ejemplo siguiente muestra el uso de las Ec. (60)
EJEMPLO 16 Una instalacin de copiado da prioridad a los trabajos cortos, sobre los trabajos largos. Los tiempos entre llegada para cada tipo de trabajo son exponenciales, y cada hora llegan 12 trabajos cortos y 6 largos. Sea trabajo tipo 1 = trabajo corto y trabajo tipo 2 = trabajo largo. Entonces los datos son E(S1) = 2 min E(S2) = 4 min E( S1 ) = 6 min2 E{ S 2 ) = 18 min2
2 2
= 1/600 horas2 = 1/200 horas2
Calcule el tiempo promedio que pasa un trabajo de cada tipo en la instalacin de
100

copiado. Solucin Sabemos que 1 = 12 trabajos/h, trabajos/h. Entonces
PROF. RAL HERNNDEZ
= 6 trabajos/h,
= 30 trabajos/h y
2 =
15
1 = 12 = .4 30
6 2 = 15 = .4
y como 1 + 2 < 1 existir un estado estable. Ahora bien, a 0 = 0, a1 = .4, a 2 = .8 Las Ecuaciones en (60) nos dan
12 * (1 / 600) / 2 + 6 * (1 / 200) / 2 = .042horas (1 0)(1 .4) 12 * (1 / 600) / 2 + 6 * (1 / 200) / 2 = .208horas Wq1 = (1 .4)(1 .8) 1 = .042 + .033 = .075horas W1 = Wq1 +
Wq1 =
W2 = Wq 2 +
= .0208 + .067 = .275horas
Entonces, como esperbamos, los trabajos largos pasan mucho ms tiempo en la instalacin de copiado que los trabajos cortos.
MODELO Mi/Gi/NPRP// CON COSTOS DE ESPERA QUE DEPENDEN DE LOS CLIENTES Considere un sistema sin prioridad adquirida con un solo servidor en carga un costo ck por cada unidad de tiempo que pasa un cliente tipo sistema. S deseamos minimizar el costo esperado en que se incurre tiempo, en el estado estable, que prioridad se debe dar a los tipos Suponga que los n tipos de cliente se numeran de tal modo que (61) el cual se k en el por unidad de de clientes?
c1 1 c 2 2 L c n n
Entonces el costo esperado se minimiza dando la mayor prioridad a los clientes tipo 1, la segunda prioridad a los del tipo 2, etc. y la menor prioridad a los clientes del tipo n. Para ver por qu esta orden de prioridades es razonable, observe que cuando se atiende a un cliente tipo k, el costo deja al sistema con una rapidez c k k . As, se puede minimizar el costo dando la mayor prioridad a los tipos de cliente con los valores mayores de c k k . Como caso especial de este resultado, supongamos que deseamos minimizar, el nmero esperado de trabajos en el sistema. Sean c1 = c 2 = L = c n = 1 . Entonces, en cualquier momento, el costo por unidad de tiempo es igual al numero de clientes en el sistema. Entonces, el costo esperado por unidad de tiempo ser igual a L. Entonces la Ecuacin (61) se transforma en
101
PROF. RAL HERNNDEZ
1 2 L n
o bien
De este modo podemos llegar a la conclusin de que el nmero esperado de trabajos en el sistema se reducir al mnimo si se da la mayor prioridad a los tipos de clientes con tiempo promedio de servicio ms corto. Esta disciplina de prioridad se conoce como disciplina de tiempo mnimo de proceso (TMP) MODELO Mi/M/s/NPRP// Para obtener resultados analticos manejables para sistemas de prioridad con servidores mltiples debemos suponer que cada cliente tiene tiempos de servicio con distribucin exponencial con un promedio tiempos
, y que los clientes tipo tienen
entre llegadas que se distribuyen exponencialmente con frecuencia
i .
este sistema con s servidores se le reprsenla con la notacin Mi/M/s/NPRP//. Para este modelo,
(62)
Wqk =
P( j s) s (1 a k 1 )(1 a k )
En esta ecuacin,
ak =
i =1
i (k 1) s
a 0 = O, y P(j s) se obtiene de la Tabla 6 para un sistema con s servidores que tiene
1 + 2 + L + n s
El Ejemplo 17 ilustra el uso de la Ecuacin (62). EJEMPLO 17 El ayuntamiento de Gotham tiene 5 patrullas. La polica recibe dos tipos de llamadas: las de urgencia (tipo 1) y las de no urgencia (tipo 2). Los tiempos entre llegadas para cada tipo de llamadas estn distribuidos exponencialmente con un promedio de 10 llamadas de urgencia y 20 de no urgencia cada hora. Cada tipo de llamada tiene un tiempo exponencial de servicio, con un promedio de 8 minutos. Suponga que, en promedio, 6 de los 8 minutos representan el tiempo que Tarda la patrulla de la estacin de polica hasta el lugar de la llamada, y regresar. Se les da prioridad a las llamadas de urgencia sobre las que no son de urgencia. En promedio, cunto tiempo pasar entre una solicitud que no es de urgencia y la llegada de la patrulla?
102

Solucin Los datos son s = 5,
PROF. RAL HERNNDEZ
= 10 llamadas/h,
10 37.5
= 20 llamadas/h,
10 + 20 37.5
= 7.5 llamadas/h,
= (10+20)/(7.5*5)=.80 , a 0 = 0, a1 =
= .267, a 2 =
= .80 . Segn la Tabla 6, para s
= 5 y = .80, P(j 5) = .55. Entonces, la ecuacin (62) da como resultado
Wq 2 =
.55 = .10horas = 6 min 5 * 7.5 * (1 .267)(1 .80)
El tiempo promedio entre la recepcin de una llamada que no es urgente y la llegada de la autopatrulla al lugar es Wq 2 + 1 (tiempo total de viaje por llamada) 2 = 6+3=9 minutos.
PRIORIDAD ADQUIRIDA Terminaremos el estudio de los sistemas de colas con prioridad describiendo un sistema de colas prioritarios. En este sistema puede hacerse a un lado a un cliente de menor prioridad, por ejemplo el cliente tipo i, siempre que llegue un cliente de mayor prioridad. Una vez que no haya clientes de mayor prioridad el cliente tipo i que se hizo a un lado vuelve a entrar al servicio. En un modelo recuperable el servicio al cliente contina a partir del punto en el que se interrumpi. En un modelo de repeticin el cliente inicia el servicio de nuevo cada vez que vuelve a entrar al sistema Naturalmente, que si los tiempos de servicio tienen distribucin exponencial, las disciplinas recuperable y de repeticin son idnticas (por qu?). En la notacin de Kendall-Lee representaremos un sistema de colas prioritario poniendo PRP (de Preemptive Priority}. Veremos ahora un sistema Mi/M/1/PRP// en el que el tiempo de servicio para cada cliente es exponencial con promedio
, y los tiempos entre
llegada para el -simo cliente se distribuyen en forma exponencial con frecuencia i . Entonces
(63)
Wk =
(1 a k 1 )(1 a k )
en la cual a 0 = O
ak =
i =1
Por rabones obvias, las disciplinas de prioridad raramente se usan s tos clientes son personas. Sin embargo, se usan a veces para "clientes" como trabajos computadora. El ejemplo siguiente ilustra la Ecuacin (63). EJEMPLO 18 En el centro de cmputo de la universidad, los trabajos de los profesores (tipo 1) tienen prioridad ante los trabajos de los alumnos (tipo 2). El tiempo de procedimiento de los trabajos de ambos tipos sigue una distribucin exponencial con 30 segundos de promedio. Cada hora entran 10 trabajos de maestros y 50 de
103
PROF. RAL HERNNDEZ
alumnos. Cul es el tiempo promedio que pasa entre la llegada de un trabajo de estudiante y su terminacin? Suponga que los tiempos entre llegadas son exponenciales. Solucin Sabemos que = 2 trabajos por minuto, trabajos por minuto. Entonces
1 a1 = 12 5 1 a 2 = 12 + 12 =
= 1/6 trabajo por minuto y
2 =
5/6
a0 = O
La Ecuacin
1 2
(63) da como resultado
Wk =
1 2
(1 )(1 )
1 12 1 2
12 min 11
Pasa un promedio de 1.09 minutos desde que un estudiante lleva un trabajo y termina.
PROBLEMAS
1. El profesor de ingls, Jacob Bright, tiene una mecangrafa que trabaja 8 horas diarias. El profesor le pide tres tipos de trabajos: pruebas, trabajos de investigacin y material de clase. Se dispone de la informacin de la Tabla 11. El profesor Bright dijo a la mecangrafa que las pruebas tienen prioridad sobre los trabajos de investigacin, y que stos tienen prioridad sobre el material de clase. Si se supone un sistema no prioritario, calcule el tiempo esperado que el profesor tendr que esperar para que se termine cada tipo de trabajo. 2. Suponga que un supermercado utiliza un sistema en el que lodos los clientes hacen una cola para esperar al primer cajero disponible. Suponga tambin que el tiempo de servicio para un cliente que compra k artculos se distribuye en forma exponencial con un promedio de k segundos. Asimismo, un cliente que compra k Tabla 11 TIPO DR TRABAJO FRECUENCIA (Trabajos por da) 2 .5 5 E(Si) horas E(Si2) horas2
Pruebas Trabajos de investigacin Material de clase
1 4 .5
2 20 0.50
artculos siente que el costo de esperar en la cola durante un minuto es 1 dlar/k. Si se pudiera asignar prioridad a los clientes, qu asignacin de prioridades minimiza el costo esperado de espera en el que incurre los clientes del supermercado? Por qu el costo de espera de un cliente por minuto sera una funcin decreciente de K? 3. Cuatro mdicos de un hospital trabajan en una sala de urgencias que atiende a tres tipos de pacientes. El tiempo que pasa un mdico con los pacientes de los
104
PROF. RAL HERNNDEZ
tres tipos tiene distribucin exponencial con un promedio de 15 minutos. Los tiempos entre llegadas para cada tipo de cliente son exponenciales, y el nmero promedio de llegadas por hora para cada tipo de paciente es como sigue: tipo 1, tres pacientes; tipo 2, cinco pacientes y tipo 3, tres pacientes. Suponga que los pacientes del tipo 1 tienen la mayor prioridad, y que los del tipo 3 tienen la menor. No hay privilegios. Cul es el tiempo promedio que espera cada tipo de cliente para que lo atienda un mdico? 4. Se tiene un sistema de cmputo el cual procesa dos tiempo promedio de ejecucin de cada tipo de trabajo es tipos de trabajos. El
. Los tiempos entre
llegadas para cada tipo de trabajo tienen distribucin exponencial, con un promedio de i , trabajos tipo i que llegan cada hora. Revise los tres casos siguientes: 1. Los trabajos privilegios. tipo 1 tienen prioridad sobre los tipo 2, y se permiten
2. Los trabajos tipo 1 tienen prioridad sobre los tipo 2, y no se permiten privilegios. 3. El servicio a los trabajos es bajo la disciplina FIFO. Bajo cul sistema salen ms rpido los trabajos tipo 1? Bajo cul salen ms lento? Conteste las mismas preguntas para los trabajos tipo 2.
105
PROF. RAL HERNNDEZ
3-SIMULACIN
LA SIMULACIN ES una tcnica muy poderosa y ampliamente usada en las ciencias administrativas, para analizar y estudiar sistemas complejos. En los captulos anteriores nos ocupamos de la formulacin de modelos que se pudieran resolver en forma analtica. En casi todos esos modelos nuestra meta fue determinar soluciones ptimas. Sin embargo, debido a la complejidad, las relaciones estocsticas, etc./ no todos los problemas del mundo real se pueden representar adecuadamente en forma de modelo como las de los captulos anteriores. Los intentos por usar modelos analticos para sistemas como stos, en general necesitan de tantas hiptesis de simplificacin que es probable que las soluciones no sean buenas, o bien, sean inadecuadas para su realizacin. En esos casos, con frecuencia la nica opcin de modelado y anlisis de que dispone quien toma decisiones es la simulacin. Se puede definir la simulacin como la tcnica que imita el funcionamiento de un sistema del mundo real cuando evoluciona en el tiempo. Esto se hace, por lo general, al crear un modelo de simulacin. Un modelo de simulacin comnmente, toma la forma de un conjunto de hiptesis acerca del funcionamiento del sistema, expresado como relaciones matemticas o lgicas entre los objetos de inters del sistema. En contraste con las soluciones matemticas exactas disponibles en la mayora de los modelos analticos, el proceso de simulacin incluye la ejecucin del modelo a travs del tiempo, en general en una computadora, para generar muestras representativas de las mediciones del desempeo o funcionamiento. En este aspecto, se puede considerar a la simulacin como un experimento de muestreo acerca del sistema real, cuyos resultados son puntos de muestra. Por ejemplo, para obtener la mejor estimacin del promedio de la medicin de funcionamiento, calculamos el promedio de los resultados de muestra. Es claro que tanto ms puntos de muestra generemos, mejor ser nuestra estimacin. Sin embargo, hay otros factores que tienen influencia sobre la bondad de nuestra estimacin final, como las condiciones iniciales de la simulacin, la longitud del intervalo que se simula y la exactitud del modelo mismo. Estos temas se analizarn despus en este captulo. Como en la mayora de las otras tcnicas, la simulacin tiene sus ventajas y sus desventajas. La ventaja principal es que la teora de la simulacin es relativamente directa. En general, los mtodos de simulacin son ms fciles de aplicar que los analticos. En tanto que los mtodos analticos necesitan de muchas simplificaciones, los modelos de simulacin tienen pocas restricciones como stas y, por lo tanto, permiten una flexibilidad mucho mayor en la representacin del sistema real. Una vez formado un modelo, se puede usar en forma repetida para analizar diversas polticas, parmetros o diseos. Por ejemplo, si una empresa tiene un modelo de simulacin para su sistema de inventario, se pueden probar diversas polticas de inventario con el modelo, en lugar de arriesgar experimentando en el mundo real. Sin embargo, se debe hacer notar que la simulacin no es una tcnica de optimizacin. Se usa con ms frecuencia para analizar preguntas tipo "Qu sucede si...". Es posible optimizar con la simulacin, pero, en general es un proceso tardado. Tambin, la simulacin puede ser costosa. Sin embargo, con la creacin de lenguajes especiales para simulacin, costos decrecientes de cmputo y avances en metodologas de simulacin, el problema del costo se hace cada vez menos importante.
106
PROF. RAL HERNNDEZ
En este captulo la atencin se centrar en modelos de simulacin y en la tcnica de simulacin. Presentaremos varios ejemplos de modelos de simulacin y exploraremos conceptos tales como nmeros aleatorios/ mecanismos de flujo de tiempo/ muestreo Monte Carlo y lenguajes de simulacin y temas estadsticos en la simulacin.
3.1 TERMINOLOGA BSICA

Comenzaremos el estudio presentando algo de la terminologa usada en simulacin. En la mayor parte de !os estudios de simulacin nos ocupamos de la simulacin de algn sistema. As, para modelar un sistema, debemos comprender el concepto de sistema. Entre las muchas maneras de definir un sistema, la definicin ms adecuada para problemas de simulacin es la propuesta por Schmidl y Taylor (1970). DEFINICIN Un sistema es un conjunto de entidades que actan e interactan para la realizacin de un fin lgico Sin embargo, en la prctica esta definicin tiende por lo general a ser ms flexible. La descripcin exacta del sistema normalmente depende de los objetivos del estudio de simulacin. Por ejemplo, lo que puede ser un sistema para un estudio particular, puede ser solo un subconjunto del sistema general para otro. Los sistemas tienden en general a ser dinmicos; su estado vara en el tiempo. Para describir este caso usamos el concepto de estado de un sistema. DEFINICIN El estado de un sistema es el conjunto de variables necesarias para describir la condicin del sistema en un momento determinado. Como ejemplo de un sistema, veamos un banco. En este caso, el sistema consiste en los empleados y los clientes que esperan formados o estn siendo atendidos. A medida que llegan o se van los clientes, cambia el estado del sistema. Para describir este cambio de estado se necesita un conjunto de variables, llamadas variables de estado. Por ejemplo, el numero de empleados ocupados, el nmero de clientes en el banco, el tiempo de llegada del prximo cliente y el tiempo de salida de los clientes en el servicio describen entre s todo cambio posible en el estado del banco. As, esas variables podran emplearse como variables de estado para este sistema. En un sistema, un objeto de inters se llama entidad y cualquier propiedad de una entidad se llama atributo. Por ejemplo, los clientes del banco pueden ser descritos como entidades y las caractersticas de los clientes, como por ejemplo sus ocupaciones, pueden ser los atributos. Los sistemas se pueden clasificar en discretos o continuos. DEFINICIN Un sistema discreto es aquel en el cual las variables de estado cambian slo en puntos discretos o contables en el tiempo.
107
PROF. RAL HERNNDEZ
Un banco es un ejemplo de sistema discreto, ya que las variables de estado cambian slo cuando llega un cliente, o cuando un cliente termina sus trmites y se va. Estos cambios tienen lugar en puntos discretos en el tiempo. DEFINICIN Un sistema continuo es aquel en el que las variables de estado cambian en forma continua a travs del tiempo. Un proceso qumico es un ejemplo de un proceso continuo. En este caso, el estado del sistema vara continuamente a travs del tiempo. Estos sistemas se modelan en general mediante ecuaciones diferenciales. En este captulo no se estudiar ningn sistema continuo. Hay dos tipos de modelos de simulacin: estticos y dinmicos. DEFINICIN Un modelo esttico de simulacin es una representacin de un sistema en determinado punto en el tiempo. En general, llamaremos simulacin de Monte Carlo a una simulacin esttica. DEFINICIN Una simulacin dinmica es una representacin de cmo evoluciona un sistema a travs del tiempo. Dentro de estas dos clasificaciones, una simulacin puede ser determinista o estocstica. Un modelo determinista de simulacin es aquel que no contiene variables aleatorias; un modelo estocstico de simulacin contiene una o ms variables aleatorias. Los modelos discretos y continuos de simulacin son semejantes a los sistemas discretos y continuos. En este captulo nos concentraremos en modelos estocsticos discretos. A estos modelos se les llama modelos de simulacin de evento discreto; la simulacin de eventos discretos se relaciona con el modelado de un sistema estocstico a medida que evoluciona a travs del tiempo mediante una representacin en la que las variables de estado cambian slo en puntos discretos en el tiempo.
EJEMPLO DE UNA SIMULACIN DE EVENTO DISCRETO Antes de proseguir con los detalles del modelado de la simulacin, ser til trabajar con un ejemplo sencillo de simulacin para ilustrar algunos de los conceptos bsicos en simulacin de evento discreto. El modelo que hemos escogido como ejemplo inicial es un sistema puesto en cola de espera con un solo empleado. A este sistema llegan los clientes que proceden de determinada poblacin y son atendidos de inmediato si el empleado est desocupado, o se forman (hacen cola) para esperar si el empleado est ocupado. Ejemplos de este tipo de sistema son una peluquera con un peluquero, una tienda pequea con slo una caja, y una sola ventanilla de boletos en una terminal area. El mismo modelo fue estudiado en el capitulo anterior en relacin con la teora d las colas de espera. All usamos un modelo analtico para determinar las diversas caractersticas de funcionamiento del sistema. Sin embargo, tuvimos que hacer algunas hiptesis restrictivas para poder emplear la teora de colas. En particular, cuando estudiamos un sistema M/M/1 tuvimos que suponer que tanto los tiempos entre llegadas como los de servicio estaban distribuidos exponencialmente. En muchos casos, estas hiptesis pueden no ser adecuadas. Por ejemplo, las llegadas al mostrador de una aerolnea tienden a 108
PROF. RAL HERNNDEZ
ser en lotes de personas, debido a factores tales como llegadas de autobuses de transbordo y de vuelos de conexin. Para un sistema de esos, se debe usar una distribucin emprica de tiempos de llegada, lo cual significa que el modelo analtico de la teora de colas ya no es factible. Con la simulacin se puede usar cualquier distribucin de tiempos entre llegadas y de tiempos de servicio, dando con ello mucho ms flexibilidad al proceso de solucin. Para simular un sistema de colas de espera tenemos que describirlo primero. Para este sistema de un solo empleado, suponemos que las llegadas se toman de una poblacin infinita que necesita el servicio. La capacidad de la sala de espera es ilimitada y los clientes se atienden en el orden que lleguen, esto es, en base al primero que llega primero que se atiende (FIFO). Adems supondremos que las llegadas se efectan una a la vez de modo aleatorio y que los tiempos entre llegadas se distribuyen como aparece en la Tabla 1. Todas las llegadas se atienden finalmente con la distribucin de tiempos de servicio que se ve en la Tabla 2. Tambin se supone que los tiempos de servicio son aleatorios, A este sistema de colas de espera se le puede representar como se muestra en la Fig. 1. Antes de tratar los detalles de la simulacin misma, debemos definir al estado de este sistema y comprender los conceptos de los eventos y la hora en el reloj con una simulacin. Para este ejemplo, usaremos las siguientes variables para definir el
Tabla 1 Distribucin de tiempos entre llegadas TIEMPO ENTRE LLEGADAS (Minutos) 1 2 3 4 PROBABILIDAD .20 .30 .35 .15
Tabla 2 Distribucin de tiempos de servicio TIEMPO DE SERVICIO (Minutos) 1 2 3
PROBABILIDAD .35 .40 .25
Figura 1 Sistema de cola de espera con un solo empleado
109
PROF. RAL HERNNDEZ
estado del sistema: (1) el nmero de clientes en el sistema; (2) el estado del empleado; es decir, si est ocupado o desocupado, y (3) la hora de la llegada siguiente. Estrechamente relacionado con el estado del sistema est el concepto de un evento. Un evento se define como una situacin que hace que el estado del sistema cambie en forma instantnea. En el modelo de puesta en cola de espera con un solo empleado hay dos eventos posibles que pueden cambiar el estado del sistema: una llegada al sistema y una salida de l al completar el servicio. En la simulacin, estos eventos se programan para llevarse a cabo en determinados puntos en el tiempo. Toda la informacin acerca de ellos se mantiene en una lista llamada lista de eventos. Dentro de esta lista mantenemos registro del tipo de eventos programados y, ms importante, el tiempo al cual estos eventos estn programados para llevarse a cabo. Se mantiene el tiempo en una simulacin mediante una variable, llamada hora o tiempo del reloj. El concepto de hora se har ms claro a medida que progresemos en el ejemplo. Comenzaremos esta simulacin con un sistema vaco y supondremos en forma arbitraria que nuestro primer evento, una llegada, se efecta en la hora 0. Esta llegada encuentra desocupado al empleado y es atendido de inmediato. Las llegadas en otros puntos del tiempo pueden encontrar al empleado desocupado u ocupado. Si est desocupado, el cliente es atendido. Si est ocupado, el cliente se forma en la cola de espera. Estas acciones se pueden resumir en la Fig. 2.
110
APUNTES DEL CURSO IO-3 Figura 2 Diagrama de flujo de una llegada Llegada
PROF. RAL HERNNDEZ
Desocupado
Estado del Empleado
Ocupado
El cliente es atendido
El cliente se forma
A continuacin, programamos el tiempo de partida del primer cliente. Esto se hace al generar un tiempo de servicio a partir de la distribucin de tiempos de servicio, que se describe ms adelante en el captulo, y establecer el tiempo de partida como Tiempo de salida = hora de este momento + tiempo de servicio generado (1)
Tambin, programaremos la siguiente llegada al sistema generando al azar un tiempo entre llegadas a partir de la distribucin de tiempos entre llegadas y establecer el tiempo de llegada como Tiempo de llegada = hora de este momento + tiempo entre llegadas que se genera (2)
Si, por ejemplo, hemos generado un tiempo de servicio de 2 minutos, entonces el tiempo de salida para el primer cliente ser cuando el reloj marque 2. Igualmente, si hemos generado un tiempo entre llegadas de 1 minuto, la siguiente llegada se programar para cuando el reloj marque 1. Ambos eventos y sus tiempos programados se mantienen en la lista de eventos. Una vez que hemos completado todas las acciones necesarias, para la primera llegada, se inspecciona la lista de eventos para determinar el siguiente evento programado y su hora. Si el siguiente evento debe ser una llegada, pasamos la hora a la hora programada de llegada y se busca en la secuencia de acciones anterior una llegada. S el evento siguiente es una salida, movemos la hora del reloj a la hora de salida y procesamos una salida. Para una salida comprobamos si la longitud de la cola es mayor que cero. S lo es, quitamos al primer cliente de la cola e iniciamos el servicio a ste al establecer una hora de salida mediante la ecuacin (1). Si nadie espera, se establece el estado del sistema en desocupado. En la Fig. 3 se resumen estas acciones de salida.
111
APUNTES DEL CURSO IO-3 Figura 3 Diagrama de flujo de una salida ,
PROF. RAL HERNNDEZ
Salida
Si
Hay Cola?
No
Poner en Vaco el Estado del sistema
Quitar el Cliente de la Cola y atenderlo
Este mtodo de simulacin se llama mecanismo de avance de hora hasta el siguiente evento, a causa del modo en que se actualiza la hora. Adelantamos el reloj de simulacin a la hora del evento ms inminente, esto es, el primer evento en la lista. Como las variables de estado slo cambian en las horas de eventos, se omiten los periodos de inactividad entre los eventos al pasar de un evento a otro. Al hacerlo, efectuamos las acciones propias de cada evento, incluyendo cualquier programacin de eventos futuros. Continuamos de esta manera hasta que se satisfaga determinada condicin de paro preespecificada. Sin embargo, el procedimiento necesita que en cualquier punto de la simulacin tengamos programada una llegada y una salida para el futuro. As, una llegada futura siempre se programa al procesar una nueva llegada al sistema. Por otro lado, un tiempo de salida, slo se puede programar cuando un cliente es atendido. As si el sistema est desocupado no se pueden programar salidas. En esos casos, la prctica normal es programar una salida virtual al hacer que el tiempo de salida sea un nmero muy grande, digamos 9999 o mayor, si es probable que el reloj rebase las 9999. De este modo nuestros dos eventos consistirn en una llegada real y una salida virtual. El salto al siguiente evento en el mecanismo del siguiente evento puede ser grande o pequeo; esto es, los saltos son de tamao variable en este mtodo comparamos este mtodo con el mtodo de avance de hora por incrementos fijos. En este caso adelantamos el reloj de simulacin en incrementos de t unidades de tiempo, donde t es alguna unidad de tiempo adecuada, en general 1 unidad de tiempo. Despus de cada actualizacin del reloj comprobamos si hay algn evento programado para esa hora. Si es as, llevamos a cabo las acciones adecuadas para el evento. Si no hay nada programado, o si hemos completado todas las acciones necesarias para la hora actual, adelantamos el reloj de simulacin t unidades y repetimos el proceso. Al igual que con el mtodo del siguiente evento, continuamos este modo hasta llegar a la condicin prescrita de paro. El mecanismo de avance por incrementos fijos con frecuencia es ms sencillo de entender debido a sus etapas fijas de tiempo. Sin embargo, para la mayor parte de los modelos, el mecanismo de evento siguiente tiende a ser ms eficaz desde el punto de vista
112
PROF. RAL HERNNDEZ
de cmputo. En consecuencia, slo emplearemos el mtodo de siguiente evento para la creacin de los modelos durante el resto del captulo. A continuacin mostraremos la mecnica de la simulacin del sistema de cola de espera con un solo empleado mediante un ejemplo numrico. En particular, deseamos mostrar cmo se reprsenla el modelo de simulacin en la computadora a medida que la simulacin avanza en el tiempo. En la Fig. 4 presentamos el modelos completo de simulacin para el modelo de cola con un solo empleado, en forma de diagrama de flujo. Todos los bloques de este diagrama estn numerados para tener una referencia fcil. Por simplicidad suponemos que tanto los tiempos entre llegadas como los tiempos de servicio ya se han generado para los primeros clientes a partir de las distribuciones de probabilidad dadas en las Tablas 1 y 2. Estos tiempos se muestran en la Tabla 3, en la cual podemos ver que el tiempo entre la primera y segunda llegadas es 2 unidades, el tiempo entre la segunda y tercera llegadas tambin es 2 unidades, etc. De igual manera, el tiempo de servicio para el primer cliente es 3 unidades, para el segundo tambin es 3 unidades, y as sucesivamente. Para demostrar el modelo de simulacin, necesitamos definir algunas variables; TM = hora de la simulacin AT = tiempo programado para la siguiente llegada DT = tiempo programada para la siguiente salida SS = estado del empleado (1 = ocupado, O = desocupado) WL = longitud de la cola de espera MX = longitud, en unidades de tiempo, de una corrida de simulacin Una vez vistos estos preliminares, comenzaremos ahora la simulacin al inicializar todas las variables (bloque 1 de la Fig. 4). Como se supone que la primera llegada tiene lugar en el tiempo 0, hacemos que AT = 0. Tambin suponemos que el sistema est vaco en el tiempo 0 y, por lo tanto, hacemos que SS = 0, WL = 0 y DT = 9999. Ntese que DT debe ser mayor que MX. Esto significa que nuestra lista de eventos ahora consiste cu dos eventos programados: una llegada en el tiempo 0 y una salida virtual en el tiempo 9999. Con esto se completa el proceso de Inicializacin y obtenemos la representacin de computadora que muestra la Tabla 4. Estamos listos para nuestra primera accin en la simulacin: bsqueda en la lista de eventos para determinar el primer evento (bloque 2), Como nuestra simulacin consiste slo en dos eventos, nicamente determinamos el primer evento al comparar AT y DT. En otras simulaciones podramos tener ms de dos eventos, de modo que deberamos tener un sistema eficaz de bsqueda por la lista de eventos. Una llegada est definida por AT< DT; una salida por DT <AT. En este punto 0 es menor que DT = 9999, lo cual indica que a continuacin tendr lugar una llegada. Identificamos este evento como 1 y actualizamos la hora del reloj, TM a la hora del evento 1 (bloque 3). Esto es, hacemos que TM = 0. La llegada cuando el tiempo es 0 encuentra vaco al sistema, lo cual se indica por el hecho de que SS = 0 (bloque 4). En consecuencia, el cliente es atendido de inmediato. Para esta parte de la simulacin hacemos primero que SS = 1 para indicar que el empleado se encuentra ocupado ahora (bloque 6). A continuacin generamos un tiempo de servicio (bloque 7) y establecemos el tiempo de salida para este cliente (bloque 8). En la Tabla 3 vemos que ST para el cliente 1 es 3. Tabla 3 113
APUNTES DEL CURSO IO-3 Tiempos entre llegadas y de servicio, generados CLIENTE NUMERO 1 2 3 4 5 6 7 8 9 TEIMPO ENTRE LLEGADAS IT 2 2 3 4 2 1 3 3
PROF. RAL HERNNDEZ
TIEMPO DE SERVICIO ST 3 3 2 1 1 2 1 2 -
114
PROF. RAL HERNNDEZ
Figura 4 Diagrama de flujo para el modelo de simulacin de un sistema de cola de espera con un solo empleado
Inicializar las Variables de estado
2
Procesar una llegada Es AT<DT Procesar una Salida
Hacer TM=AT
3 4
11
Hacer TM=DT
Ventanilla Ocupada
4. Es SS=0
Empleado Desocupado
WL=0 Es WL>0
WL > 0
13
15
5
Actualizar WL = WL +1
6
Hacer SS =1 Hacer SS =0 14 DT=9999 Actualizar WL = WL -1 16 Generar ST 17 Hacer DT =TM +ST
7
Generar ST
8
Hacer DT =TM +ST
9
Generar IT 10 Hacer AT = TM + IT Continuar
Continuar 18
NO
Es TM MX?
SI
19 Imprimir Resultados
115
PROF. RAL HERNNDEZ
Como TM = 0 en este punto, hacemos que DT = 3 para el primer cliente. En otras palabras, el cliente 1 saldr del sistema a la hora 3. Por ltimo, para completar todas las acciones del procesamiento de una llegada, programamos la siguiente llegada al sistema al generar un tiempo entre llegadas, IT (bloque 9) y establecer la hora de esta llegada mediante la ecuacin AT = TM + IT (bloque 10). Como IT= 2, hacemos que AT = 2. Esto es, la segunda llegada tendr lugar en la hora 2. Al final del evento 1 la representacin de la simulacin en computadora ser como se muestra en la Tabla 4. En esta etapa de la simulacin proseguimos al bloque 18 para determinar si la hora, TM, ha rebasado el tiempo especificado de la simulacin, MX. Si es as, imprimimos los resultados (bloque 19) y detenemos la ejecucin del modelo de simulacin. S no es el caso, continuamos con la simulacin. A esto se le llama proceso de terminacin. Ejecutamos este proceso al final de cada evento. Sin embargo, para este ejemplo, suponemos que MX es un nmero grande. En consecuencia, de aqu en adelante, no describiremos el proceso de terminacin. En este punto nos regresamos al bloque 2 para determinar el siguiente evento. Como AT = 2 y DT == 3, el siguiente evento, que es el 2, ser una llegada a la hora 2. Una vez determinado el siguiente evento, adelantamos la simulacin a la hora de esta llegada al actualizar TM a 2. La llegada cuando el tiempo es 2 encuentra al empleado ocupado, de modo que ponemos a este cliente en la cola de espera al actualizar WL de O a 1 (bloque5). Como el evento actual es una llegada, programamos la siguiente llegada al sistema. Dado que IT = 2 para la llegada 3, la siguiente llegada tiene lugar a la hora 4. Con esto se terminan las acciones necesarias para el evento 2. De nuevo regresamos al bloque 2 para determinar el evento siguiente. De acuerdo con la representacin de computadora del sistema en la Tabla 4, vemos que en este punto, final del evento 2, DT = 3 es menor que AT = 4. Esto indica que el evento siguiente, el 3, ser una salida a la hora 3, Adelantamos el reloj a la hora de esa salida; esto es, actualizamos TM a 3 (bloque 11). Cuando el tiempo es 3 procesamos la primera salida del sistema. Con la salida, el empleado queda libre. Comprobamos el estado de la cola de espera para ver si hay clientes que esperen servicio (bloque 12). Como WL == 1, tenemos un cliente en espera. Quitamos a este cliente de la cola, hacemos que WL = 0 (bloque 15) y lo atendemos al generar un tiempo de servicio, ST (bloque 16); y ajustamos el tiempo de salida mediante la relacin DT = TM + ST (bloque 17). En la Tabla 3 vemos que para el cliente 2, ST = 3. Como TM = 3, hacemos que DT = 6. Hemos completado ya todas las acciones para el evento 3, obteniendo la representacin de computadora que se muestra en la Tabla 4. De aqu en adelante, dejamos que e) lector repase la lgica de la simulacin para el resto de los eventos de este ejemplo. La Tabla 4 muestra el estado de la simulacin al final de cada uno de esos eventos. Ntese que al final de los eventos 8, 10 y 14, salidas, el sistema queda desocupado. Durante la secuencia de acciones para esos eventos hacemos que SS = O (bloque 13) y DT = 9999 (bloque 14). En cada caso, el sistema permanece desocupado hasta que se tiene una llegada. Esta simulacin se resume en el diagrama continuo de tiempo de la Fig. 5. En este diagrama las A representan las llegadas y las D las salidas. Ntese que las zonas sombreadas, como la que hay entre los tiempos 9 y 11, quieren decir que el sistema est desocupado.
116
PROF. RAL HERNNDEZ
Tabla 4Representada la simulacin computadora Variables del Sistema Final del Tipo de Cliente Evento Evento Nmero TM SS WL 0 Inicializacin 1 0 0 0 1 Llegada 1 0 1 0 2 Llegada 2 2 1 1 3 Salida 1 3 1 0 4 Llegada 3 4 1 1 5 Salida 2 6 1 0 6 Llegada 4 7 1 1 7 Salida 3 8 1 0 8 Salida 4 9 0 0 9 Llegada 5 11 1 0 10 Salida 5 12 0 0 11 Llegada 6 13 1 0 12 Llegada 7 14 1 1 13 Salida 6 15 1 0 14 Salida 7 16 0 0 15 Llegada 8 17 1 0
Lista de Eventos AT DT 0 9999 2 3 4 3 4 6 7 6 7 8 11 8 11 9 11 9999 13 12 13 9999 14 15 17 15 17 16 17 9999 20 19
Este ejemplo sencillo muestra algunos de los conceptos bsicos de la simulacin y el modo en que se puede usar sta para analizar un problema determinado. Aunque no es probable que este modelo se use para evaluar muchos casos de importancia, ha proporcionado un ejemplo especfico y, ms importante, ha presentado distintos conceptos claves de simulacin. En el resto del capitulo analizaremos algunos de estos conceptos de simulacin con ms detalle. En el ejemplo no se mencion la reunin de datos estadsticos, pero se pueden incorporar con facilidad procedimientos al modelo para determinar las medidas de desempeo de este sistema. Por ejemplo, podramos ampliar el diagrama de flujo para calcular e imprimir el tiempo promedio de espera, el nmero promedio de personas en la cola de espera y la proporcin del tiempo libre. Describiremos con detalle temas estadsticos ms adelante en este captulo. Figura 5 Representacin del continuo de tiempo para la simulacin con un solo empleado
117
PROF. RAL HERNNDEZ
3.2 NMEROS ALEATORIOS Y SIMULACIN DE MONTE CARLO

En el ejemplo de simulacin de cola de espera vimos que el movimiento fundamental a travs del tiempo se logra al generar los tiempos entre llegadas y los tiempos de servicio mediante las distribuciones especificadas de probabilidad. De hecho, todos los tiempos de un evento se determinan ya sea en forma directa o indirecta por estos tiempos generados en servicio y entre llegadas. El procedimiento de generacin de esos tiempos, a partir de la distribucin dada de probabilidad se conoce como muestreo de acuerdo con distribuciones de probabilidad, o generacin de variable aleatoria, o muestreo de Monte Carlo. En esta seccin presentaremos y describiremos varios mtodos de muestreo distintos a partir de distribuciones discretas. Primero demostraremos la tcnica mediante una ruleta y luego la ampliaremos al realizar el muestreo con nmeros aleatorios.
El principio de muestrear de distribuciones discretas se basa en la interpretacin de frecuencia que hace la probabilidad. Esto es, a la larga, desearamos que los resultados se presentaran con las frecuencias especificadas por las probabilidades de la distribucin. Por ejemplo, si consideramos la distribucin de tiempos de servicio de la Tabla 2, nos gustara que, a la larga, se generara un tiempo de servicio de 1 minuto el 35% de las veces, uno de 2 minutos el 40% de las veces y uno de 3 minutos el 25% de las veces. Adems de obtener las frecuencias correctas, el procedimiento de muestreo debe ser independiente; esto es, cada tiempo de servicio que se genera debe ser independiente de los tiempos de servicio que le anteceden y que le siguen. Para alcanzar estas dos propiedades por medio de una ruleta, primero dividimos a la ruleta en tres segmentos, cada uno con un rea proporcional a una probabilidad en la distribucin (vase Fig. 6). Por ejemplo, al primer segmento, digamos S1, le asignamos el 35% del rea de la ruleta. Esta rea corresponde a la probabilidad .35 y al tiempo de servicio 1 minuto. El segundo segmento, S2, cubre el 40% del rea y corresponde a la probabilidad .4 y al tiempo de servicio 2 minutos. Por ltimo, el tercer segmento, S3 se asigna al 25% restante del rea y corresponde a la probabilidad .25 y al tiempo de servicio 3 minutos. Si hacemos girar ahora a la ruleta y el indicador cae en el segmento S1, quiere decir que hemos generado un tiempo de servicio de 1 minuto. Si ste cae en el segmento S2, asignamos un tiempo de servicio de 2 minutos. Si cae en el segmento S3 hemos generado un tiempo de servicio de 3 minutos. Si la ruleta es justa, cosa que suponemos, entonces, a la larga, (1) generaremos los tiempos de servicio con la misma frecuencia, aproximadamente, que la especificada en la distribucin, y (2) los resultados de cada tirada sern independientes de los resultados que se tengan antes y despus. Ahora ampliaremos esta tcnica usando nmeros para la segmentacin, en lugar de reas. Suponemos que la rueda de ruleta tiene 100 nmeros que van del 00 al 99 inclusive. Adems suponemos que la segmentacin es tal que cada nmero tiene la misma probabilidad, .01, de salir. Con este mtodo de segmentacin asignamos 35 nmeros, digamos del 00 al 34, a) tiempo de servicio 1 minuto. Como cada nmero tiene probabilidad .01 de salir, los 35 nmeros juntos equivalen a una probabilidad de .35. Igualmente, si asignamos los nmeros del 35 al 74 al tiempo de servicio 2 minutos y los nmeros del
118
PROF. RAL HERNNDEZ
75 al 99 al tiempo de servicio 3 minutos, hemos logrado las probabilidades deseadas. Como antes, hacemos girar la ruleta para generar tos tiempos de servicio, pero con este mtodo, los nmeros determinan en forma directa los tiempos de servicio. En otras palabras, si generamos un nmero entre 00 y 34, se establece el tiempo de servicio en 1 minuto; si el nmero es entre 35 y 74, el tiempo de servicio ser de 2 minutos, y si el nmero es entre 75 y 99 ser de 3 minutos.
Figura 6. Segmentacin de una ruleta
Con este procedimiento de segmentacin y una ruleta, equivale a generar nmeros enteros aleatorios entre 00 y 99. Esto es consecuencia del hecho de que una sucesin de nmeros enteros aleatorios es tal que cada nmero en la secuencia, en este caso del 00 al 99, tiene una probabilidad igual (en este caso .01) de salir, y cada numero aleatorio es independiente de los nmeros antes y despus de l. Si ahora tuviramos un procedimiento para generar los 100 nmeros aleatorios entre 00 y 99, entonces, en lugar de hacer girar una ruleta para obtener un tiempo de servicio, podramos usar un nmero aleatorio generado. Tcnicamente, un nmero aleatorio, Ri, se define como una muestra aleatoria independiente tomada de una distribucin continua uniforme cuya funcin de densidad de probabilidad est dada por 0 x 1 1 f ( x) = 0 en cualquier otrocaso
As, cada nmero aleatorio estar distribuido uniformemente sobre el intervalo entre 0 y 1. En consecuencia, es comn referirse a estos nmeros como nmeros aleatorios U(0,1), o simplemente como nmeros aleatorios uniformes. Se pueden generar nmeros aleatorios uniformes de muchos modos distintos. Como nuestro inters sobre los nmeros aleatorios es para usarlos en simulaciones, necesitamos poder generarlos en una computadora. Esto se hace mediante funciones matemticas llamadas generadores de nmeros aleatorios. La mayora de los generadores de nmeros aleatorios usan alguna forma de relacin congruente. Los ejemplos de esos generadores comprenden al generador congruente lineal, el generador multiplicativo
119
PROF. RAL HERNNDEZ
y el generador mixto. El generador congruente lineal es, con mucho, el que se usa ms. De hecho, la mayora de las funciones de nmeros aleatorios interconstruidos en sistemas de cmputo emplean este generador. Con este mtodo se produce una sucesin de enteros x1, x2, x3,... entre cero y m - 1 de acuerdo con la siguiente frmula recursiva: xi+1 = (a xi + c) mdulo m (i == 0,1,2,...) Al valor inicial de x0 se le llama la semilla, a es el multiplicador constante, c el incremento y m el mdulo. Estas cuatro variables se llaman parmetros del generador. Con esta relacin, el valor de xi+1 es igual al residuo de la divisin de(a xi + c) entre m. El nmero aleatorio entre 0 y 1 se genera entonces con la ecuacin Ri = xi / m Por ejemplo, si x0 = 35, a = 13, c = 65 y m = 100, el algoritmo acta como sigue: Iteracin 0 Se hace que x0 = 35, a = 13, c = 65 y m = 100. Iteracin 1 Se calcula x1 = (13 x0 + 65) mdulo 100 = 20 Da como resultado R1 = 20/100 = 0.20 y as sucesivamente.
Cada nmero aleatorio que se genera con este mtodo ser un decimal entre 0 y 1. Ntese que aunque es posible generar un cero, un nmero aleatorio no puede ser igual a 1. Los nmeros aleatorios que se generan con mtodos de congruencia se llaman nmeros pseudoaleatorios. No son nmeros aleatorios verdaderos en el sentido tcnico, porque quedan determinados por completo una vez que se define la relacin de recurrencia y se especifican los parmetros del generador. Sin embargo, si se seleccionan con cuidado los valores de a, c, m y x0, se puede hacer que los nmeros pseudoaleatorios cumplan con todas las propiedades estadsticas de los nmeros aleatorios. Adems de las propiedades estadsticas, los generadores de nmeros aleatorios deben tener otras caractersticas importantes si se van a usar en forma eficaz en simulaciones con computadora. Algunas de estas caractersticas son (1) la rutina debe ser rpida; (2) la rutina no debe necesitar un gran espacio de almacenamiento; (3) los nmeros aleatorios deben ser reproducibles, y (4) la rutina debe tener un ciclo suficientemente largo; esto es, debemos poder generar una sucesin larga sin repetir los nmeros aleatorios. Hay un aspecto importante que vale la pena mencionar aqu. La mayor parte de los lenguajes de programacin tienen funciones interconstruidas que dan nmeros aleatorios o pseudoaleatorios en forma directa. Por lo tanto, la mayora de los usuarios slo necesitan conocer la funcin de biblioteca en determinado sistema. En algunos sistemas el usuario puede tener que especificar un valor de la semilla x0, pero no es probable que tenga que elaborar un diseo de un generador de nmeros aleatorios. Sin embargo, para ms informes, el lector que se inters puede consultar el libro de Banks y Carson (1984), el de Knuth (1969) y el de Law y Kelton(1982). 120
PROF. RAL HERNNDEZ
Enseguida se abordar una etapa ms del mtodo de muestreo de Monte Carlo y se crear un procedimiento por medio de nmeros aleatorios generados en una computadora. La idea es transformar los nmeros aleatorios U(0,1) en nmeros aleatorios enteros entre 00 y 99 y, a continuacin, usarlos para lograr la segmentacin por nmeros. La transformacin es un procedimiento relativamente directo. Si se multiplican los nmeros aleatorios (0,1) por 100, quedarn distribuidos uniformemente entre los lmites de 0 a 100. Entonces, si se elimina la parte fraccionaria del nmero, el resultado sern enteros entre 00 y 99 con igual probabilidad. Por ejemplo, si hubiramos generado el nmero aleatorio 0.72365, al multiplicarlo por 100 se obtiene 72.365. Si se quita la parte decimal del numero nos quedaremos con el nmero aleatorio entero 72. En la computadora obtenemos esta transformacin al generar primero un nmero aleatorio U(0,l). Luego, lo multiplicamos por 10 y por ltimo almacenamos el producto mediante una variable entera; esta etapa final truncar la parte decimal del nmero. Con este procedimiento obtendremos nmeros aleatorios entre 00 y 99. A continuacin formalizaremos este procedimiento y lo usaremos para generar valores aleatorios de una variable aleatoria discreta. El procedimiento consta dedos pasos: (1) se elaborar la distribucin de probabilidad acumulada para variable aleatoria dada y (2) usamos esa distribucin para asignar los nmeros aleatorios enteros en forma directa a los diversos valores de la variable aleatoria. Para mostrar este procedimiento usaremos la distribucin de los tiempos en las llegadas en el ejemplo de puesta en cola de espera de la seccin anterior elaboramos la distribucin de probabilidad acumulada para este caso, obtenemos las probabilidades que se ven en la Tabla 5. El primer tiempo entre llegadas, de I minuto, se presenta con una probabilidad .20. As, necesitamos asignar 20 nmeros aleatorios a este resultado. Si asignan los 20 nmeros de 00 a 19, utilizamos el intervalo de nmeros aleatorios decimal de O a .199999. Ntese que el lmite superior de este intervalo queda justo antes la probabilidad acumulada .20, Para el tiempo entre llegadas de 2 minutos asignamos 30 nmeros aleatorios. Si asignamos los nmeros enteros del 20 al 49, notaremos que esto cubre el intervalo de nmeros aleatorios decimales desde 0.20 hasta la 0.49999. Como antes, el extremo superior de este intervalo queda justo antes de la probabilidad acumulada de .50, pero el lmite inferior coincide con la probabilidad acumulada anterior de .20. Si ahora al tiempo de llegadas de 3 minutos asignamos los nmeros aleatorios enteros del 50 al 84, notamos que estos nmeros se obtuvieron del intervalo de nmeros aleatorios decimales de 0.50, el mismo cuanto a la probabilidad acumulada asociada con un tiempo entre llegada de 2 minutos, a 0.84999, que es una fraccin ms pequea que .85. Por ltimo, se aplica el mismo anlisis al tiempo de 4 minutos entre llegadas. En otras palabras, la distribucin de probabilidad acumulada nos permite asignar en forma directa intervalos de nmeros aleatorios enteros. Una vez especificados esos intervalos para una distribucin dada, lo que tenemos que hacer para obtener el valor de una variable aleatoria es generar un nmero aleatorio entero y compararlo con asignaciones de nmeros aleatorios. Por ejemplo, si sucediera que el numero aleatorio obtenido fuera 35, ste se traducira en un tiempo entre llegadas de 2 minutos. Igualmente, el nmero aleatorio 67 se traducira en un tiempo de 3 minutos entre llegadas, etc. A continuacin demostraremos estos conceptos en un ejemplo de simulacin de Monte Carlo.
121
PROF. RAL HERNNDEZ
Tabla 5: Funcin de distribucin acumulada e intervalo de nmeros aleatorios enteros por tiempo entre llegadas TIEMPO INTERVALO DE ENTRE LLEGADAS PROBABILIDAD NMEROS (Minutos) PROBABILIDAD ACUMULADA ALEATORIOS 1 .20 .20 00-19 2 .30 .50 20-49 3 .35 .85 50-84 4 .15 1.00 85-99
3.3 SIMULACIONES CON VARIABLES ALEATORIAS CONTINUAS

Los ejemplos de simulacin que se han presentado slo usan distribuciones de probabilidades discretas para las variables aleatorias. Sin embargo, en muchas simulaciones es ms realista y prctico usar variables aleatorias continuas. En esta seccin presentaremos y describiremos algunos procedimientos para generar cantidades aleatorias a partir de distribuciones continuas. El principio bsico es muy semejante al caso discreto. Como en el mtodo discreto, generamos primero un nmero aleatorio U(0,l) y luego lo transformamos en una cantidad aleatoria de acuerdo con la distribucin especificada. Sin embargo, el proceso para llevar a cabo la transformacin es bastante distinto del caso discreto. Hay muchos mtodos diferentes para generar cantidades aleatorias continuas. La seleccin de un algoritmo determinado depender de la distribucin de la cual deseamos generar, teniendo en cuenta factores tales como la exactitud de las variables aleatorias, las eficacias de cmputo y de almacenamiento, y la complejidad del algoritmo. Los dos algoritmos que ms se usan son el mtodo de transformacin inversa y el de aceptacin o rechazo. Entre esos dos, es posible generar variables aleatorias a partir de casi cualquiera de las distribuciones que ms se usan. Presentaremos una descripcin detallada de ambos algoritmos, junto con varios ejemplos de cada mtodo. Adems, daremos dos mtodos para generar variables aleatorias a partir de una distribucin normal.
MTODO DE TRANSFORMACIN INVERSA
Este mtodo se usa, por lo general, para distribuciones cuya funcin de distribucin acumulada se pueda obtener en forma cerrada. Los ejemplos comprenden las distribuciones exponencial, uniforme, triangular y de Weibull. Para distribuciones cuya funcin de distribucin acumulada no existe en forma cerrada, se podr usar algn mtodo numrico, como la expansin en serie de potencias, dentro del algoritmo para evaluar la funcin. Sin embargo, es probable que esto complique el procedimiento a tal grado que resulte mejor usar un algoritmo distinto para generar las cantidades aleatorias. El mtodo de transformacin inversa es relativamente fcil de describir y de ejecutar. Consiste en los tres pasos siguientes: Paso 1: Dada una funcin de densidad de probabilidad f{x) para una variable aleatoria X, obtener la funcin de distribucin acumulada F(x) como
F ( x) =
f (t )dt
122
PROF. RAL HERNNDEZ
Paso 2 Generar un numero aleatorio r. ' Paso 3 Hacer que F(x) = r y despejar x. La variable x es entonces un nmero aleatorio procedente de la distribucin cuya funcin de densidad de probabilidad es f(x). A continuacin describiremos la mecnica del algoritmo mediante un ejemplo. Para ello se tiene la distribucin representada por x 0 x2 f ( x) = 2 0 otro caso
Una funcin de este tipo se llama funcin de rampa. Se puede representar en forma grfica como se ve en la Fig. 7. El rea bajo la curva, f(x) =x/2 , representa la probabilidad de ocurrencia de la variable aleatoria X. Suponemos que en este caso que X representa los tiempos de servicio de un cajero de banco. Para obtener valores aleatorios a partir de esta distribucin mediante el mtodo de transformacin inversa, calculamos primero la funcin de densidad acumulada como
F ( x) = f (t )dt =
0 x
x2 4
x<0 0 x2 F ( x) = 0 x 2 4 x>2 0
A continuacin, en el paso 2, generamos un nmero aleatorio r.\ Por ltimo, en el paso 3, hacemos que F{x) = r y calculamos x.
r= x2 x = 2 r 4
Como los tiempos de servicio slo se definen para valores positivos de x, no es posible un valor x = 2 r. Esto nos deja con x = 2 r como solucin de x. A esta ecuacin se le llama generador de valores aleatorios o generador de proceso. As, para obtener un tiempo de servicio, generamos primero un nmero aleatorio y luego lo transformamos por medio de la ecuacin anterior. Cada ejecucin de la ecuacin nos dar un tiempo de servicio de la distribucin dada. Por ejemplo, si se obtiene un nmero aleatorio r = 0.64, se generar un tiempo de servicio x = 2 .64 = 1.6.
123
PROF. RAL HERNNDEZ
Figura 7 Funcin de distribucin de probabilidad en rampa

f(x) 1.2 1 0.8 0.6 0.4 0.2 0 0 0.5 1 1.5 2
En forma grfica, el mtodo de la transformacin inversa se puede representar como se ve en la Fig. 8. Vemos en esta grfica que el intervalo de valores para la variable aleatoria es 0 x 2 , el cual coincide con las probabilidades acumuladas 0 F ( x) 1 . En otras palabras, para cualquier valor de F(x) en el intervalo [0,1] existe un valor correspondiente de la variable aleatoria, representado por x. Como un nmero aleatorio tambin se define en el intervalo entre 0 y 1, esto indica que un nmero aleatorio se puede traducir en forma directa a un valor correspondiente de x mediante la relacin r = F(x). La solucin para x en trminos de r se conoce como el clculo de la inversa de F{x) y se representa por x = F-1{r). De aqu el nombre de transformacin inversa. Ntese que si r es igual a cero, generaremos un cantidad aleatoria igual a cero, el valor ms pequeo posible de x. Igualmente, si generamos un numero aleatorio igual a 1, se transformar en 2, el valor ms grande posible para x. Figura 8. Representacin grfica del mtodo de la inversa
124
PROF. RAL HERNNDEZ
F(X) 0.3 0.25 0.2 0.15 0.1 0.05 0 0 0.2 0.4 0.6 0.8 1
EJEMPLO 2 La. distribucin exponencial como se mencion en el capitulo 2, la distribucin exponencial tiene aplicaciones importantes en la representacin matemtica de los sistemas de cola de espera. La funcin de distribucin de probabilidad para esta distribucin exponencial est representada por x 0 x , > 0 f ( x) = e 0 otro caso Con el mtodo de transformacin inversa, genere observaciones a partir de una distribucin exponencial. En el paso 1, determinamos la funcin de distribucin acumulada de probabilidad. Esta funcin esta dada por
1 0 x, > 0 F ( x) = e 0 otro caso
x
Enseguida generamos un numero aleatorio r y hacemos que F(x) = r para despejar x. Esto nos da
1 e
x
= r 1 r = e
x=
ln 1 r
pero como r es un nmero aleatorio entre cero y uno, tambin lo es 1-r, por lo que da lo mismo 1 indicar que x = ln r .
125
PROF. RAL HERNNDEZ
EJEMPLO 3. La distribucin uniforme, se tiene una variable aleatoria X que se distribuye uniformemente en el intervalo [a, b]. La funcin de distribucin de probabilidad para este caso est representada por 1 a xb f ( x) = b a 0 otro caso la funcin de distribucin acumuladada en este caso esta dada por x<a 0 x a a xb f ( x) = b a x>b 1 Para utilizar una distribucin uniforme, primero generamos un nmero aleatorio r y a continuacin hacemos F(x) = r para despejar x. Esto da como resultado
r= xa x = (b a)r + a ba
EJEMPLO 4 Se tiene una variable aleatoria X cuya funcin de densidad de probabilidad es

1 ( x 2) 2 x 3 2 1 x f ( x) = 2 (2 ) 3 < x 6 3 0 en otro caso
Use el mtodo de transformacin inversa para generar observaciones a partir de la distribucin. Esta distribucin, que se llama triangular, se representa en la Fig. 8. Tiene los puntos extremos [2,6] y su moda est en 3. Podemos ver que el 25% del rea bajo la curva queda en el intervalo de x de 2 a 3, y el 75% restante queda en el intervalo de 3 a 6. En otras palabras, 25% de los valores 3e la variable aleatoria1 queda entre 2 y 3, y el otro 75% queda entre 3 y 6. La distribucin triangular tiene aplicaciones importantes en simulacin; se usa con frecuencia en la representacin de actividades para las cuales hay pocos o ningn dato. Para una explicacin detallada de esta distribucin, consulte a Banks y Carson (1984) o Law y Kelton (1982).
126
APUNTES DEL CURSO IO-3 Figura 9 Funcin de densidad para una distribucin triangular
0.6 0.5 0.4 0.3 0.2 0.1 0 0 1 2 3 4 5
PROF. RAL HERNNDEZ
Solucin La funcin de distribucin acumulada para este caso es

0 x<0 1 ( x 2) 2 2 x 3 4 1 F ( x ) = 12 ( x 2 12 x + 24) 3 < x 6 1 x>6
Luego se genera un nmero aleatorio r

r = 1 ( x 2) 2 4 x = 2+2 r 0 r .25 x = 2 2 r (solo el caso positivo es posible )
12r + 12 = ( x 6) 2 x = 6 2 3 3r (solo el caso negativo es posible)

x = 6 2 3 3r
1 r = 12 ( x 2 12 x + 24) .25 < r 1 12r + 12 = ( x 2 12 x + 24) + 12
127

MTODO DE ACEPTACIN O RECHAZO
PROF. RAL HERNNDEZ
Hay varias distribuciones importantes, incluyendo la de Erlang que se usa en modelos de cola, de espera y la funcin beta, que se usa en PERT, cuyas funciones de distribucin acumulada no existen en forma cerrada. Para esas distribuciones debemos recurrir a otros mtodos de generacin de variables aleatorias, uno de los cuales es el de aceptacin o rechazo. Este mtodo se usa en general para distribuciones cuyos dominios estn definidos en intervalos finitos. As, dada una distribucin cuya funcin de distribucin de probabilidad f(x) est definida en el intervalo a x b , el algoritmo consiste en los pasos siguientes: a. Se debe seleccionar una M constante (al que M sea el valor mximo de f{x) en el intervalo [a,b]. b. Generar dos nmeros aleatorios: r1, r2 c. CalcuIar x* = a + b{b - a)r1. Con ello se asegura que cada miembro de [a,b] tenga la misma probabilidad de ser seleccionado como x*. d. Evaluar la funcin f(x) en el punto x*. Sea este valorar f(x*). 1. e. Si r2 f(x*) tomar x* como valor aleatorio a partir de la distribucin cuya funcin de 2. distribucin de probabilidad es f{x}. En cualquier otro caso, rechazar x* y regresar al paso 3. Ntese que el algoritmo continua de regreso al paso 2 hasta que se acepte una variable aleatoria. Para ello se pueden necesitar varas iteraciones. Por este motivo, el algoritmo puede ser relativamente ineficaz. Sin embargo, la eficacia depende mucho de la forma de la distribucin. Hay varios modos mediante los cuales se puede hacer ms eficaz al mtodo. Uno de ellos es emplear una funcin en el paso a), en lugar de una constante. Vase Fishman (1978) o Law y Kelton (1982), que presentan los detalles del algoritmo.
MTODOS DIRECTO Y DE CONVOLUCION PARA LA DISTRIBUCIN NORMAL
Debido a la importancia de la distribucin normal se ha dado mucha atencin a generar variables aleatorias normales. Ello ha originado muchos algoritmos distintos para la distribucin normal. Tanto el mtodo de transformacin inversa como el de aceptacin o rechazo, son inadecuados para la distribucin normal, porque (1) no existe la funcin de distribucin acumulada en forma cerrada y (2) la distribucin no est definida en un intervalo finito. Aunque es posible emplear mtodos numricos en el mtodo de transformacin inversa y truncar la distribucin para el mtodo de aceptacin o rechazo, hay otros mtodos que tienden a ser mucho ms efectivos- En esta seccin describiremos dos de ellos; primero, un algoritmo que se basa en tcnicas de convolucin y despus, un algoritmo de transformacin directa que produce dos variables estndar con promedio 0 y variancia 1. En el algoritmo de convolucin se hace uso directo del teorema de lmite central. Este teorema afirma que la suma Y de n variables aleatorias independientes e idnticamente distribuidas, Y1, Y2,..., Yn, cada
128
PROF. RAL HERNNDEZ
una con promedio y variancia finita 2 tiene una distribucin casi normal con promedio n y varianza n2. Si aplicamos ahora esto a variables aleatorias, U(0,l), R1, R2,..., Rn con media =0.5 y 2 = 1/12, entonces
Z=
R
i =1
.5 n
n (12 )1 / 2
es aproximadamente normal con promedio 0 y variancia 1. Deberamos esperar que esta aproximacin funcione mejor a medida que crece n. Sin embargo, la mayora de las citas acerca de simulacin sugieren que se use un valor de n = 12. Usar 12 no slo parece adecuado sino que, ms importante, tiene la ventaja de que simplifica el procedimiento de clculo. Si ahora sustituimos n = 12 en la ecuacin anterior, el generador de proceso se simplifica a Z = Ri 6
i =1 12
Esta ecuacin evita una raz cuadrada y una divisin, las cuales son rutinas tardadas en una computadora. Si deseamos generar una variable normal X con media y variancia finita 2 primero generamos Z mediante este generador de proceso y luego la transformamos por medio de la relacin X = + Z. Ntese que esta convolucin es exclusiva de la distribucin normal y que no se puede ampliar a otras distribuciones. Desde luego, otras distribuciones se prestan a mtodos de convolucin. Por ejemplo, podemos generar variables aleatorias a partir de una distribucin de Erlang con parmetro de forma k y parmetro de rapidez k, usando el hecho que una variable aleatoria de Erlang se puede obtener mediante la suma de k variables aleatorias exponenciales iid, cada una con parmetro k. El mtodo directo para la distribucin normal fue creado por Box y Muller (1958). Aunque no es tan eficaz como algunas de las tcnicas ms modernas, es fcil de aplicar y ejecutar. El algoritmo genera dos nmeros aleatorios U(0,1), r1 y r2, para despus transformarlos en dos valores aleatorios normales, cada uno con media 0 y variancia 1, por medio de las transformaciones directas
Z 1 = (2 ln r1 )1 / 2 sin 2r2 Z 2 = (2 ln r1 )1 / 2 cos 2r2 esto se puede verificar si se toma la siguiente transformacin
r1 = e r2 =
2 x ( z1 + z x ) / 2
1 tan 1 2
( )
z1 z2
Y el jacobiano
(r1 , r2 ) 1 = ( z1 , z 2 ) 2
2 z1 / 2
1 2
2 z2 / 2
129
PROF. RAL HERNNDEZ
Como en el mtodo de convolucin, es fcil transformar estas variables normales estandarizadas en variables normales X1 y X2 a partir de la distribucin con media y variancia al mediante las ecuaciones
X 1 = + Z 1 X 2 = + Z 2
El mtodo directo produce variables aleatorias normales exactas, en tanto que el mtodo de convolucin tan slo nos da variables aleatorias normales aproximadas. Por este motivo, el mtodo directo se usa mucho mas. Consulte, para detalles de stos y otros algoritmos, los libros de Fishman (1978), o bien, de Law y Kelton (1982).
3.4 ANLISIS ESTADSTICO EN LAS SIMULACIONES

Como se mencion antes, los datos obtenidos de la simulacin siempre presentan variabilidad aleatoria, ya que se alimentan variables aleatorias al modelo de simulacin. Por ejemplo, si ejecutamos dos veces la misma simulacin, cada una con distinta secuencia de nmeros aleatorios es seguro que, las medidas estadsticas generadas en los dos casos tendrn valores distintos. Debido a ello, debemos usar mtodos estadsticos para analizar los resultados de las simulaciones. Si el desempeo del sistema se mide con un parmetro, digamos , entonces nuestro objetivo en la simulacin ser obtener una estimacin de y determinar la exactitud del estimador . Medimos esta exactitud con la desviacin estndar, que tambin se llama error estndar, de . La medida general de la variabilidad se enuncia a menudo en la forma de un intervalo de confianza a determinado nivel de confianza. As, el objeto del anlisis estadstico es estimar este intervalo de confianza. Se complica la determinacin de los intervalos de confianza en las simulaciones por el hecho de que los resultados pocas veces son independientes, si es que lo llegan a ser. Esto es, los datos se autocorrelacionan. Por ejemplo, en una simulacin de cola, el tiempo de espera de un cliente suele depender de los clientes anteriores. Igualmente, en una simulacin de inventario, los modelos se establecen, por lo general, de tal manera que el inventario inicial en un da determinado sea el inventario final del da anterior, con lo cual se crea una correlacin. Esto significa que los mtodos estadsticos clsicos, en los cuales suponemos independencia, no son directamente aplicables al anlisis de resultados de simulacin. Por lo tanto, modificaremos los mtodos estadsticos para hacer inferencias adecuadas a partir de los datos de la simulacin. Adems del problema de la autocorrelacin, podemos tener un segundo problema en que la especificacin de las condiciones iniciales del sistema en el tiempo 0 pueden influir en los resultados. Por ejemplo, supongamos que en la simulacin de la cola de espera del ejemplo de este captulo la distribucin de tiempos entre llegadas y de servicio es tal que el tiempo promedio de espera por cliente es mayor de 15 minutos. En otras palabras, el sistema est muy congestionado. Si furamos a iniciar esta simulacin sin personas en el sistema, los pocos clientes iniciales tendrn tiempos de espera cero o muy pequeos. Estos tiempos iniciales de espera dependen mucho de las condiciones iniciales, y por lo tanto, pueden no ser representativos del comportamiento del sistema en estado estable. A este periodo inicial, antes que la simulacin alcance el estado estable, se le llama periodo transitorio, o periodo de calentamiento. 130
PROF. RAL HERNNDEZ
Hay dos mtodos para superar los problemas relacionados con el periodo transitorio. El primero es usar un conjunto de condiciones iniciales que sea representativo del sistema en estado estable. Sin embargo, en muchas simulaciones puede ser difcil establecer esas condiciones iniciales. Esto es especialmente vlido en las simulaciones de colas. El otro mtodo es dejar que la simulacin se ejecute durante un rato y desechar la parte inicial de la simulacin. Con este mtodo estamos suponiendo que la parte inicial de la simulacin lleva al modelo hasta un estado de equilibrio. Como no anotamos ninguna medida estadstica durante la etapa de calentamiento, podemos reducir mucho del sesgo de la inicializacin. Desafortunadamente, no hay una manera fcil de estimar cuntos datos iniciales borrar para reducir el sesgo de inicializacin a niveles insignificantes. Como cada modelo de simulacin es distinto, depende del analista determinar cundo termina el periodo transitorio. Aunque esto es difcil, hay algunos lineamientos que se pueden usar. Para estos detalles y otros del tema, consulte a Law y Kelton(l982). Con objeto de analizar resultados, en general clasificamos las simulaciones en dos tipos: simulaciones de terminacin y simulaciones de estado estable. Una simulacin de terminacin es aquella que se ejecuta durante un tiempo TE, donde E es un evento o eventos especificados que detienen la simulacin. El evento E puede ser un tiempo especificado, en cuyo caso la simulacin se ejecuta durante un lapso de tiempo determinado. O bien, si es una condicin especificada, la duracin de la simulacin ser una variable aleatoria. Una simulacin de estado estable es aquella que se ejecuta durante un tiempo largo, esto es, la duracin de la simulacin "tiende a infinito." Con frecuencia, el tipo de modelo determina qu tipo de anlisis de resultados es el adecuado para determinada simulacin. Por ejemplo, en la simulacin de un banco es ms probable que usemos una simulacin de terminacin, ya que el banco, cierra todas las tardes, lo cual nos da un evento de terminacin adecuado. Cuando se simula un sistema de cmputo, puede ser ms adecuada una simulacin de estado estable, ya que la mayor parte de los sistemas grandes de cmputo no dejan de funcionar, excepto en casos de descompostura o de mantenimiento. Sin embargo, el sistema o modelo no siempre es el mejor indicador de qu simulacin debe ser la ms adecuada. Es muy posible usar el mtodo de simulacin de terminacin para sistemas ms adecuados a simulaciones de estado estable, y viceversa. En esta seccin daremos una descripcin detallada del anlisis estadstico asociado con simulaciones de terminacin. El anlisis para las simulaciones de estado estable es mucho ms complicado. Para los detalles de ste ultimo, consulte las obras de Banks y Carson (1984) y de Law y Kelton (1982). Supongamos que hacemos n rplicas independientes con un mtodo de simulacin de terminacin. Si cada una de las n simulaciones se inicia con las mismas condiciones iniciales y se ejecuta con una secuencia distinta de nmeros aleatorios, entonces cada simulacin se puede tratar como una rplica independiente. Por simplicidad, suponemos que slo hay una medida de desempeo, representada por la variable X. As, Xj es el estimador de la medida de desempeo de la j-sima rplica. Entonces, dadas las condiciones de las rplica (o simulaciones), la sucesin X1,..., Xn sern variables aleatorias iid. Con stas, podemos usar el anlisis estadstico clsico para formar un intervalo de confianza 100(1 -)% para = E(X) como sigue:
X (n) t ( / 2,n 1) S 2 ( n) n
131
APUNTES DEL CURSO IO-3 con

X ( n) =
i =1 n n
PROF. RAL HERNNDEZ
Xi n
S ( n) =
2 i =1
( X i X ( n ) )2
n 1 P(Y > t ( / 2,n 1) ) =
t ( / 2,n 1) es student.
, donde Y claramente sigue una distribucin t-
132
PROF. RAL HERNNDEZ
4. MODELOS DE PREDICCIN
En este captulo estudiamos dos tipos importantes de mtodos de prediccin: los mtodos de la extrapolacin y el de prediccin causal. Los mtodos de extrapolacin que se usan para predecir valores futuros de una serie temporal a partir de valores en el pasado de otra serie temporal. Para dar un ejemplo veamos las ventas mensuales de televisores/ discos compactos (CD) y acondicionadores de aire (AA) de la empresa Lowland Appliance Company durante los ltimos 24 meses que se ve en la Tabla 1. En un mtodo de prediccin por extrapolacin se supone que los comportamientos y tendencias del pasado continuarn en los meses futuros. As, los datos del pasado acerca de las ventas, sin ninguna informacin adicional, se usan para generar pronsticos para las ventas de aparatos electrodomsticos durante los meses futuros. Los mtodos de extrapolacin, a diferencia de los mtodos de prediccin causal no tienen en cuenta lo que "caus" los datos del pasado; tan slo suponen que las tendencias y comportamientos del pasado continuarn en el futuro. Los mtodos de prediccin causal tratan de pronosticar valores futuros de una variable, la variable dependiente, mediante datos del pasado para estimar la relacin entre la variable dependiente y una o ms variables independientes. Por ejemplo, Lowland debera tratar de pronosticar ventas mensuales futuras de acondicionadores de aire con datos del pasado para determinar cmo se relacionan las ventas de acondicionadores de aire con variables independientes, como el precio/ la publicidad y el mes del ao. Tabla 1 Ventas de Lowland Appliance
MES 1 2 3 4 5 6 7 8 9 10 11 12 VENTAS DE TV 30 3 30 39 33 33 34 38 36 39 30 36 VENTAS DECD 40 47 50 49 56 53 55 63 68 65 72 69 VENTAS DEAA 13 7 23 32 58 60 90 93 63 39 37 29 MES 13 14 15 16 17 18 19 20 21 22 23 24 VENTAS DE TV 38 30 35 30 34 40 36 32 40 36 40 34 VENTAS DE CD 79 82 80 85 94 89 96 100 100 105 108 110 VENTAS DE AA 36 21 47 81 112 139 230 201 122 84 74 62
Sean x1,x2...,xn valores observados de una serie temporal, donde xt es el valor de esa serie que se observa durante el periodo t. Uno de los mtodos de prediccin que ms se usa es el de la media variable o mvil. Se define ft,k como el pronstico para el periodo t + 1 que se hace despus de observar xt. Para el mtodo de la media variable, ft,k = media de las n observaciones ltimas = media de xt-1,xt-2...,xt-n-+1 donde n es un parmetro dado.
133
PROF. RAL HERNNDEZ
Para ilustrar el uso del mtodo de la media variable, seleccionamos n = 3 y usamos ese mtodo para predecir las ventas de TV durante los primeros seis meses de los datos de la Tabla 1. Los clculos necesarios se dan en la Tabla 2, Para los meses 1 a 3 no hemos observado todava 3 meses de datos y, por lo tanto, para j < 3, no podemos dar un pronstico de la media variable para las ventas de eso meses. Por ejemplo: f3,1= (30+32+30)/3 Tabla 2 Predicciones de la media variable (N = 3) para ventas de TV
Ntese que de un periodo al siguiente, la prediccin "progresa", reemplazando la observacin ms "antigua" en el promedio por la ms reciente. SELECCIN DE N Cmo se debe seleccionar a N, el nmero de periodos que se usan para calcular el promedio progresivo? Para contestar esta pregunta, necesitamos definir una medida de la exactitud de prediccin. Usamos la desviacin absoluta media DAM, como medida. Antes de definirla, necesitamos definir el concepto de error de pronstico. Dado un pronstico para xj, definimos a ej como el error en la prediccin de xj, como ej = | xj - (pronstico de xj)| Segn la Tabla 2, vemos que e4 =|39- 30.67| = 8.33, e5 =| 33 - 33.67| = 0.67, y e6 = |34 34| = 0. La desviacin absoluta media es tan slo el promedio de los valores absolutos de todas las ej. As, para los periodos 1 a 6, la prediccin de promedio progresivo da una desviacin absoluta media DAM, DAM = ( e4 + e5 +e6 )/3 = (8.33 + 0.67 +0 )/3 = 3 As, en promedio, los pronsticos de ventas de TV tienen un error de 3 por mes. Parece razonable seleccionar una N que reduzca la desviacin absoluta media a un mnimo. Si aplicamos la tcnica de la media variable a los 24 meses de ventas de la Tabla 1, encontramos las DAM de la Tabla 3. As, un periodo de media variable de 3 4 parece obtener las mejores predicciones de ventas de TV.
134
APUNTES DEL CURSO IO-3 Tabla 3 desviaciones absolutas medias para pronsticos de ventas N DAM 2 3.21 3 2.78 4 2.79 5 2.99 6 3.27
PROF. RAL HERNNDEZ
Las predicciones con media variable trabajan bien para una serie temporal que vara alrededor de un nivel base constante. De la Fig. 1, parece que las ventas mensuales de TV fluctan alrededor de un nivel base de 35. De manera formal, estos pronsticos trabajan bien si (1)
xt = b + t
Figura 1 Ventas de TV
VENTAS DE TV 41 39 37 35 33 31 29 27 25
1 3 5 7 9 11 13 15 17 19 21 23
En las Figuras 2 y 3 vemos que las ventas de discos compactos, CD, y de acondicionadores de aire no estn bien representados en la Ec. (1). Vemos en la Fig. 2 que hay una tendencia ascendente en las ventas de CD y, por lo tanto, stas no fluctan con respecto a un nivel base. En la Fig. 3 vemos que las ventas de acondicionadores de aire presentan variaciones estacionales. Los mximos y los mnimos de la serie se repiten a intervalos regulares de 12 meses. En la Fig. 3 tambin se observa que las ventas de acondicionadores de aire presentan una tendencia ascendente. En los casos donde la tendencia, la variacin estacional o ambas se manifiestan, en general el mtodo de la media variable da malas predicciones. Para terminar esta seccin tenga en cuenta que adems de la tendencia y la variacin estacional, una serie temporal puede presentar comportamiento cclico. Por ejemplo, las ventas de automviles siguen, con frecuencia, el ciclo de la economa nacional. El comportamiento cclico es mucho ms irregular que un patrn estacional y, frecuentemente es difcil de descubrir.
135
APUNTES DEL CURSO IO-3 Figura 2 Ventas de CD
PROF. RAL HERNNDEZ
VENTAS DE 115 105 95 85 75 65 55 45 35 25
11
13 15
17 19
21 23
Figura 3. Ventas de Aires acondicionados

VENTAS DE AA 255 205 155 105 55 5
1 3 5 7 9 11 13 15 17 19 21 23
4.1 ATENUACIN EXPONENCIAL SIMPLE

Si una serie temporal flucta con respecto a un nivel base, se puede utilizar una atenuacin exponencial simple para obtener buenos pronsticos de valores futuros de la serie. Para representar esta tcnica, sea At = promedio atenuado de una serie temporal despus de observar xt. At es el pronstico del valor de la serie temporal durante cualquier periodo futuro despus de observar xt. La ecuacin clave de la atenuacin exponencial simple es
At = xt + (1 ) At 1 (2)
136
PROF. RAL HERNNDEZ
En la Ecuacin (2) es la constante de atenuacin que satisface 0 < < 1. Para inicializar el procedimiento de prediccin, antes de observar x1, debemos tener un valor de A0. En general, hacemos que A0 sea el valor observado del periodo inmediatamente anterior al periodo 1. Como en los pronsticos de media variable, sea ft,k el pronstico para xt+k que se hizo al final del periodo t. Entonces At = ft,k (3) Si se supone que tratamos de predecir un periodo ms adelante, el error de prediccin de xt representado de nuevo por et, est dado por et = | xt - (pronstico de xt)| = | xt - At | (4)
Mostraremos la atenuacin exponencial simple, con = 0.1, para los seis primeros meses de ventas de TV. Los resultados se dan en la Tabla 4. Suponemos que se vendieron 32 TV el ltimo mes, de modo que empezamos el procedimiento con A0 = 32. Para los meses 1 a 6, la desviacin absoluta media de nuestro pronstico est dada por DAM = (|-2|+|0.2|+ | -1.82|+|7.36| + |0.63+|1.56| ) /6 = 2.26 Tabla 4 Atenuacin exponencial simple para ventas de TV
Tabla 5 Desviacin absoluta media para ventas de TV
Para todo el periodo de 24 meses podemos determinar, con hojas de clculo, el valor de que produzca la menor desviacin absoluta media. En la Tabla 5 se presentan los resultados. El valor mnimo se alcanza para =0.222.
137
PROF. RAL HERNNDEZ
OBSERVACIONES
1. Como < 1, la atenuacin exponencial "empareja" las variaciones en una serie temporal al no dar un peso total a la ltima observacin. 2. Si = 2/ n+1 la atenuacin exponencial simple, con parmetro de atenuacin, y un pronstico de media variable de n periodos dan los mismos resultados. Por ejemplo, = 1/3 equivale aproximadamente a una media variable de cinco periodos. 3. Para ver porqu se le llama atenuacin exponencial, veamos la Ec. (2) para t -1:
At 1 = xt 1 + (1 ) At 2
(5)
Al sustituir la Ec. (5) en la Ec. (2), se obtiene

At = xt + (1 ) At 1 = xt + (1 )xt 1 + (1 ) 2 At 2
(6)
Observe que
At 2 = xt 2 + (1 ) At 3
(7)
Al sustituir la Ec. (7) en la Ec. (6) se obtiene

At = xt + (1 ) At 1 = xt + (1 )xt 1 + (1 ) 2 xt 2 + (1 ) At 3
Si se repite este proceso se obtiene

At = xt + (1 ) xt 1 + (1 ) 2 xt 2 + K + (1 ) k xt k + K
(8)
Como + (1 ) + (1 ) 2 + K = 1 , la Ec. (8) muestra que si regresamos un nmero "infinito" de periodos, el promedio atenuado actual es un promedio ponderado de todas las observaciones del pasado. El peso que se da a la observacin de k periodos en el pasado disminuye en forma exponencial, por un factor (1 - ). Mientras mayor sea el valor de se da ms peso a las observaciones ms recientes. Por ejemplo, para = 0.2, las tres observaciones ms recientes tienen 49% del peso (20%, 16% y 13%), en tanto que para = 0.5, las tres observaciones ms recientes tienen 88% del peso (50%, 25% y 13%). 4. En la prctica se escoge en general como 0.10, 0.30 o 0.50. Si el valor que minimiza la desviacin absoluta media es mayor que 0.5, entonces es probable que haya tendencia, variaciones estacionales o comportamiento cclico. y el mtodo de atenuacin exponencial simple no se recomienda como tcnica de prediccin. En esos casos se pueden tener, probablemente, mejores pronsticos con el mtodo de Holt (atenuacin exponencial con tendencia, que se analiza en la
138
PROF. RAL HERNNDEZ
siguiente seccin, o el de Winter (atenuacin exponencial con tendencia y variacin estacional, que se estudia posteriormente. 5. Aun cuando no flucte una serie temporal con respecto a un nivel base constante, la atenuacin exponencial simple puede dar buenos pronsticos. Si xt = mt + t, y mt = mt-1 + t,. donde y son trminos independientes de error, cada uno con media 0, entonces la atenuacin exponencial simple dar buenos pronsticos. Esto significa que si la demanda media mt de un producto est variando al azar con respecto al tiempo, la atenuacin exponencial sencilla puede dar buenas predicciones de la demanda de un producto.
4.2 MTODO DE HOLT: ATENUACIN EXPONENCIAL CON TENDENCIA

Si creemos que una serie temporal presenta una tendencia lineal, sin variacin estacional, el mtodo de Holt con frecuencia da buenos pronsticos. Al final del t-simo periodo el mtodo de Holl genera una estimacin del nivel base, Lt, y de la tendencia por periodo, Tt de la serie. Por ejemplo, suponga que L20 = 20 y que T20 = 2. Esto quiere decir que despus de observar a x20 creemos que el nivel base de la serie es 20 y que aumenta dos unidades por perodo. As, dentro de cinco periodos calculamos que el nivel base de la serie ser 30. Despus de observar a xt, se usan las Ecuaciones. (9) y (10) para actualizar las estimaciones de la base y la tendencia. y son constantes de atenuacin, cada una con valores entre 0 y 1.
Lt = xt + (1 )( Lt 1 + Tt 1 ) Tt = ( Lt Lt 1 ) + (1 )Tt 1
(9) (10)
Como antes, definimos f t ,k como el pronstico de xt hecho al final del periodo t. Entonces
f t ,k = Lt + kTt
(11)
Para empezar con el mtodo de Holt, necesitamos una estimacin inicial, L0 de la base y la otra estimacin, T0, de la tendencia. Haramos a T0 al aumento promedio mensual en la serie temporal durante el ao anterior, y que L0 fuera igual a la observacin del ultimo mes. En la Fig. 2 se ve que las ventas de CD (discos compactos) presentan una tendencia ascendente, pero no se. observa variacin estacional obvia. Por lo tanto, el mtodo de Holt debe dar una buena prediccin. Supongamos que las ventas de CD durante cada uno de los ltimos doce meses son 4, 6, 8, 10, 14, 18, 20, 22, 24, 28, 31 y 34. Entonces,
T0 = [(6-4) +(8-6)+...+(34-31) ] /11 =(34-4)/11 =2.73
139
PROF. RAL HERNNDEZ
Y, a continuacin, calculamos L0 = 34. Aplicando el mtodo de Holt a los primeros seis meses de ventas de discos compactos, con = 0.30 y = 0.10, obtenemos los resultados que se presentan en la Tabla 6.
Para los primeros seis meses de ventas de discos compactos, calculamos la desviacin absoluta media: DAM = (3.27 + 6.47 + 4.51 + 1.00 + 3.18 + 4.00)/6 = 3.74 Para el periodo completo de 24 meses vemos que DAM = 2.85.
Tabla 6 Mtodo de Holt para ventas de discos compactos

MES 1 2 3 4 5 6 VENTAS REALES 40 47 50 49 56 53 Lt 34.00 37.71 42.47 46.85 49.70 53.78 55.80 Tt 2.73 2.83 3.02 3.15 3.12 3.22 3.10 PREDICCIN 36.73 40.53 45.49 50.00 52.82 57.00 ERROR 3.27 6.47 4.51 1.00 3.18 4.00
Si probamos varias combinaciones de y podramos determinar los valores de tales parmetros que minimizar la desviacin absoluta media. Si tanto el valor de como de no son menores de 0.5, entonces es probable que haya comportamiento cclico o variacin estacional, y se debera aplicar otro mtodo de prediccin. En resumen, el mtodo de Holt da buenos pronsticos para una serie con tendencia lineal. Esa serie se puede modelar como xt = a + bt + t , siendo a = nivel base al iniciar el periodo 1, b = tendencia por periodo y t el trmino de error para el periodo t.
140
PROF. RAL HERNNDEZ
4.3 EXPONENCIAL CON VARIACIN ESTACIONAL

Lo que se llama, correctamente, mtodo de Winter se usa para predecir series temporales en las que se encuentren presentes tendencia y variacin estacional. Como se mencion antes, en la Fig. 3 se ve que las ventas de acondicionadores de aire presentan una tendencia ascendente y, al mismo tiempo, variacin estacional. Por lo tanto, el mtodo de Winter es candidato lgico para pronosticar esas ventas. Para explicar el mtodo de Winter necesitamos dos definiciones. Sea c = nmero de periodos en la duracin del comportamiento estacional (c == 4 para datos trimestrales y c = 12 para datos mensuales). Sea st una estimacin de un factor estacional multiplicativo para el mes t, que se obtiene despus de observar a xt. Por ejemplo, suponga que el mes 7 es julio y que s7 = 2. Entonces, despus de observar las ventas de acondicionadores de aire del mes 7, creemos que las ventas de acondicionadores de aire en julio sern, en igualdad de circunstancias, iguales al doble de las ventas esperadas durante un mes promedio. Si el mes 24 es diciembre, y s12 = 0,4, entonces, despus de observar las ventas del mes 24, podemos predecir que las ventas de acondicionadores de aire en diciembre sern el 40% de las ventas esperadas durante un mes promedio. En los clculos siguientes, Lt y Tt tienen el mismo significado que en el mtodo de Holt. Cada periodo, Lt, Tt y st se actualizan, en ese orden, mediante las Ecuaciones (12) a (14). Nuevamente , y son constantes de atenuacin, cada una de las cuales est entre 0 y 1:
Lt =
xt + (1 )( Lt 1 + Tt 1 ) st c
(12) (13) (14)
Tt = ( Lt Lt 1 ) + (1 )Tt 1
st = xt + (1 ) st c Lt
La ecuacin (12) actualiza la estimacin de la base de la serie calculando el promedio ponderado de las dos cantidades siguientes: 1. ( Lt 1 + Tt 1 ) que es nuestra estimacin de nivel base antes de observar a xt. x 2. La observacin t sin variacin estacional, que es una estimacin de la base obtenida partir del st c periodo actual. La Ecuacin (13) es idntica a la (10) para Tt que se us para actualizar la tendencia en el mtodo de Holt.
141
PROF. RAL HERNNDEZ
La Ecuacin (14) actualiza la estimacin de la variacin estacional del mes t, calculando un promedio ponderado de las dos cantidades siguientes: 1. La estimacin ms reciente de la variacin estacional st-c del mes t. y 2.
xt que es una estimacin de la variacin estacional, calculada para el mes actual. ' Lt
Al final del periodo t, el pronstico f t ,k para el mes k es

f t ,k = ( Lt + kTt ) st + k c
(15)
As, para pronosticar el valor de la serie durante el periodo t + k, multiplicamos la estimacin de la base de ese periodo (Lt + kTt) por la estimacin ms reciente del factor de variacin estacional st+k-c del mes (t + k).
4.4 INTRODUCCIN AL MTODO DE WINTER

Para obtener buenos pronsticos con el mtodo de Winter debemos contar con buenas estimaciones iniciales de base, tendencia y factores estacionales. Sean L0 = estimacin de la base al inicio del mes 1 T0 = estimacin de la tendencia al inicio del mes 1 s-11 = estimacin del factor estacional de enero al inicio del mes 1 (16) s-10 = estimacin del factor estacional de febrero al inicio del mes 1 . . . s0 = estimacin del factor estacional de diciembre al inicio del mes 1 Hay diversos mtodos para estimar los parmetros en (16), Escogeremos uno sencillo que necesita dos aos de datos. Suponga que los dos aos ltimos de ventas mensuales fueron los siguientes: Ao -2: 4,3,10,14,25,26,38,40, 28,17,16,13 Ao -1; 9,6,18,27,48,50,75,77,52,33,31,24 Ventas totales durante el ao -2 = 234 Ventas totales durante el ao -1 = 450 Estimamos T0 mediante la siguiente ecuacin: 142
PROF. RAL HERNNDEZ
(Ventas mensuales promedio durante el ao - 1) - (Ventas mensuales promedio durante el ao - 2)] o sea : 12 450 234 12 12 = 1 .5 12
Para estimar a L0 determinamos primero la demanda mensual promedio durante el ao - 1, que es 450/12. Con ello se estima la base a mitad del ao - 1, o sea, el mes 6.5 de ese ao. Para llevar esa estimacin al final del mes 12 del ao - 1, sumamos (12-6.5)T0 = 5.5T0. As, la estimacin de L0 es 37.5 + 5.5(1.5) = 45.75. Para estimar el factor de variacin estacional para un mes dado (por ejemplo, en enero s-11 ), calculamos una estimacin de la variacin estacional para enero en el ao - 2 y en el ao - 1, y los promediamos. En el ano - 2 la demanda mensual promedio fue 234/12 = 19.5; en enero de ese ao se vendieron 4 acondicionadores de aire. Por lo tanto Estimacin de la variacin estacional para enero del ao -2 = 4/19.5 = 0.205 Igualmente, Estimacin de la variacin estacional para enero del ao -1 = 9/37.5 = 0.240 Por ltimo, calculamos que s-11= (.205+.240)/2 = 0.22. De igual modo obtenemos el resto de valores: Tabla 7. Calculo de los factores estacionales
Referencia -11 -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 TOTAL PROMEDIO Ao -2 4 3 10 14 25 26 38 40 28 17 16 13 234 19.5 Ao -1 9 6 18 27 48 50 75 77 52 33 31 24 450 37.5 s -2 0.2051 0.1538 0.5128 0.7179 1.2821 1.3333 1.9487 2.0513 1.4359 0.8718 0.8205 0.6667 s-1 0.2400 0.1600 0.4800 0.7200 1.2800 1.3333 2.0000 2.0533 1.3867 0.8800 0.8267 0.6400 s 0.222564 0.156923 0.496410 0.718974 1.281026 1.333333 1.974359 2.052308 1.411282 0.875897 0.823590 0.653333
En la siguiente tabla se muestra los resultados de la aplicacin del mtodo de Winter, para = 0.5, =0.4 y =0.6
143
PROF. RAL HERNNDEZ
Tabla 8 Mtodo de Winter para ventas acondicionadores de aire

Lt MES 1 2 3 4 5 6 7 8 9 10 11 12 Ventas 13 7 23 32 58 60 90 93 63 39 37 29 45.75 52.8301 50.5850 49.1294 46.9299 45.7299 44.9010 44.7986 44.7698 44.5271 44.3711 44.5238 44.4117 Tt 1.5 3.7320 1.3412 0.2225 (0.7463) (0.9278) (0.8882) (0.5739) (0.3559) (0.3106) (0.2487) (0.0882) (0.0977) st 0.2367 0.1458 0.4795 0.6967 1.2734 1.3351 1.9951 2.0673 1.4134 0.8777 0.8280 0.6531 f t-1,1 10.5162 8.8759 25.7767 35.4827 59.1623 59.7361 86.8971 90.7628 62.6806 38.7291 36.3387 29.0313 Error 2.4838 1.8759 2.7767 3.4827 1.1623 0.2639 3.1029 2.2372 0.3194 0.2709 0.6613 0.0313
OBSERVACIONES
1. Como en el mtodo de Winter se usan tres constantes de atenuacin, es difcil encontrar la combinacin de valores que den como resultado la desviacin absoluta media mnima, sin embargo se puede busca un mtodo de optimizacin para un conjunto de valores observados. 2. Aunque los valores de y que minimizan la DAM no deberan ser mayores que 0.5, como en el mtodo de Holt, no es raro que el mejor valor de y sea mayor que 0.5. Esto se debe a que para datos mensuales, cada factor estacional mensual se actualiza durante slo un doceavo de los periodos. Como los factores de variacin-estacional se actualizan sin tanta frecuencia, quiz necesitemos dar mayor peso a cada observacin, as que > 0.5 se puede admitir. 3. En la Fig. 4 se muestra qu tan similares son los pronsticos de ventas de acondicionadores de aire (para = 0.5, =0.4 y =0.6) con las ventas reales. La concordancia entre valores predichos y ventas reales es bastante buena, excepto para los meses 15 y 17. Durante esos meses nuestros pronsticos son demasiado altos. Quiz se hayan contratados vendedores nuevos en esos meses, haciendo que las ventas fueran menores que las que se predijeron.
Figura 4 Pronsticos de ventas de acondicionadores de aire
144
PROF. RAL HERNNDEZ
250 200 150 100 50 0

1 3 5 7 9 11 13 15 17 19 21 23 25
Ventas pronostico
EXACTITUD DE PRONSTICOS
Para cualquier modelo de pronstico en el que los errores estn distribuidos normalmente, podemos aplicar la desviacin absoluta media para estimar Se = desviacin estndar de nuestros errores de pronstico. La relacin entre la DAM y Se est dada por se = 1.25 DAM Si se supone que los errores se distribuyen normalmente, sabemos que un 68% de las predicciones debe quedar dentro de se del valor real, y que aproximadamente el 95% de las predicciones deben estar a menor distancia que 2se del valor real. As, para las ventas de acondicionadores de aire, vemos que se = 1.25(10.48) = 13.10. Por lo tanto, debemos esperar que durante 0.68(24) = 16 meses, de los 24, nuestras predicciones de ventas tendrn un error mximo de 13.10 acondicionadores, y durante 0.95(24) = 23 o 24 meses de los 24, los pronsticos tengan un error mximo de 2(13.10) = 26.2 acondicionadores. En realidad, nuestras predicciones de ventas tienen una exactitud dentro de 13.10 durante 17 meses, y una exactitud dentro de 26.2 durante 22 meses. Notemos que en la mayor parte de los casos en los que se requiere un pronstico, el conocimiento acerca de la exactitud probable del pronstico es casi tan importante como el pronstico mismo. Por lo tanto, esta corta subseccin es muy importante.
145
PROF. RAL HERNNDEZ
4.5 REGRESIN LINEAL SIMPLE

Con frecuencia, tratamos de predecir el valor de una variable, la variable dependiente, a partir del valor de otra variable, la variable independiente. A continuacin presentamos algunos ejemplos:
Variable dependiente Ventas de un producto Ventas de automviles Costo total de produccin Variable independiente Precio del producto Tasa de inters Unidades producidas
Si la variable dependiente y la independiente se relacionan en forma lineal, se puede aplicar la regresin lineal para estimar esa relacin. Para dar un ejemplo de regresin lineal simple, suponga que Giapetto produce trenes y soldados; el costo depende de la cantidad producida. Para formular este problema necesitamos calcular el costo de produccin de un soldado y el de un tren. Suponga que deseamos determinar el costo de produccin de un tren. Para estimarlo, hemos observado durante diez semanas el nmero de trenes producidos cada semana y el costo total incurrido en producirlos. Esta informacin se presenta en la Tabla 10.
Tabla 9 Datos semanales costos de trenes
Los datos de la Tabla 9 aparecen graficados en la Fig. 5. Observe que parece haber una marcada relacin lineal entre xi, nmero de trenes producidos durante la semana i y yi, costo de producirlos, tambin durante la semana i. La recta que se grfica en la Fig. 5 parece acercarse de una manera que explicamos luego, a la representacin de la relacin lineal entre unidades producidas y costos de produccin. Pronto veremos cmo se escogi esa lnea.
146
PROF. RAL HERNNDEZ
Para empezar, modelamos la relacin lineal entre xi y yi mediante la siguiente ecuacin:

y i = 0 + 1 xi + i
(17)
en la cual i es un trmino de error que representa el hecho que durante una semana en la que se producen xi trenes, el costo de produccin podra no siempre ser igual a 0 + 1 xi .
Figura 5 Diagrama de dispersin del costo de produccin de trenes

Ttulo del grfico 1,600.00 1,400.00 1,200.00 1,000.00 800.00 600.00 400.00 200.00 0 20 40 Trenes 60 80
Se desconocen los valores verdaderos de 0 y 1 . Para encontrar estos valores, primero definimos a ei como error o residuo para el punto dato i: y i ( 0 + 1 xi ) de esta forma 0 y 1 ms adecuados sern aquellos que minimicen
2
Costo
f ( 0 , 1 ) = ei2 = ( y i ( 0 + 1 xi ) )
2 i
de
esta
forma
podemos
definir
Para encontrar el mnimo
f ( 0 , 1 ) f ( 0 , 1 ) = = 0 , lo cual arroja como resultado que los valores 0 1
0 y 1 deben ser
1 =
( x x )( y y ) , (x x)
i i
2
0 = y 1 x
(18)
Donde x es el promedio de las xi y y es el promedio de las yi A y i = 0 + 1 xi se le llama lnea de regresin de los cuadrados mnimos. En esencia, si esta lnea se ajusta bien a los puntos (recta mejor ajuste).
147
PROF. RAL HERNNDEZ
Tabla 10 calculo de 0 y 1 para el ejemplo de los trenes

xi yi
xi x
yi y
(32) (22) (12) (2) 3 8 18 13 28 (2) (658) (313) (133) (150) (19) 218 238 218 544 55
(xi x )( yi y ) (xi x )2
21042.24 6894.14 1595.64 299.14 -58.41 1744.24 4280.94 2830.49 15238.44 -110.26 1,024 484 144 4 9 64 324 169 784 4
10 20 30 40 45 50 60 55 70 40
257.40 601.60 782.00 765.40 895.50 1,133.00 1,152.80 1,132.70 1,459.20 970.10
Con x = 42 y y = 914.97 53,756.60 = 17.86 , 3010 Tabla 11 Clculo de errores 1 =

xi yi
0 = 914.97 (17.86 * 42) = 164.88

) yi
343.47 522.06 700.66 879.25 968.55 79.54 81.34 (113.85) (73.05) 75.16 (83.64) (14.44) 44.17 90.85
ei (86.07)
10 20 30 40 45 50 60 55 70 40
257.40 601.60 782.00 765.40 895.50 1,133.00 1,152.80 1,132.70 1,459.20 970.10
1,057.84 1,236.44 1,147.14 1,415.03 879.25
Toda lnea de cuadrados mnimos tiene dos propiedades: 1. Pasa por el punto ( ( x, y ) . As, durante una semana en la que Giapetto produce 42 trenes, pronosticaramos que esos trenes tendran un costo de produccin de 914.17 dlares. 2. La lnea de cuadrados mnimos "divide" a los puntos, en sentido de que la suma de las distancias verticales desde los puntos arriba de la lnea a la recta de los cuadrados mnimos es igual a la suma de las distancia verticales desde los puntos abajo de la recta de los cuadrados mnimos a dicha recta; ambas distancias se miden a partir de la recta misma.
148
PROF. RAL HERNNDEZ
QU TAN BUENO ES EL AJUSTE? Cmo determinamos lo bien o mal que ajusta la recta de cuadrados mnimos a los puntos de los datos? Para contestar esa pregunta necesitamos describir tres componentes de la variacin: la suma de cuadrados totales (SST), la suma de cuadrados de error es (SSE) y la suma de regresin de cuadrados (SSR). La suma cuadrados totales es SST = ( y i y ) 2 . Mide la variacin total de y, con respecto al promedio. La suma de cuadrados de errores est dada por SSE =
(y
y i ) 2 = ei2 . Si la recta de
cuadrados mnimos pasara por todos los puntos de datos, SSE = 0. As, si la SSE es pequea indica que la lnea de cuadrados mnimos se ajusta bien los datos. Definimos a la suma regresin de cuadrados como SSR = ( y i y ) 2 se puede demostrar que SST = SSR + SSE (19)
Ntese que SST es funcin slo de los valores de y. Para un buen ajuste, SSE debe ser pequeo y entonces, la Ec. (19) muestra que SSR ser grande para tener un buen ajuste. De manera formal, podemos definir el coeficiente de determinacin R2 de y mediante
R2 =
SSR = porcentaje de la variacin de y que queda explicado por x SST
Tambin, la Ecuacin (19) permite escribir
1 R2 =
SSE = porcentaje de variacin de y que no explica la variacin de x SST
Para el ejemplo desarrollado se tiene que SST = 1,021,762 y SSE = 61,705. Entonces la Ec. 19 resulta SSR = SST - SSE = 960,057. As vemos que R2 = 0.94. Esto quiere decir que el nmero de trenes producidos durante un semana explica el 94% de la variacin del costo semanal de produccin. Todos 1os dems factores combinados pueden explicar cuando mucho el 6% de la variacin y entonces podemos estar bastante seguros de que la relacin lineal entre x y y es fuerte. Una medida de la relacin lineal entre x y y es la correlacin lineal de muestra rxy. Una correlacin de muestra cercana a +1 indica una relacin lineal positiva fuerte entre x y y; una correlacin de muestra cercana a -1 indica relacin lineal negativa, y una correlacin cercana a 0 indica una relacin lineal dbil entre x y y.
EXACTITUD DE PREDICCIN
Una medida de la exactitud de las predicciones obtenidas con regresin es el error estndar de la estimacin (se). Si hacemos que n = nmero de observaciones, se es
149

SSE n2
PROF. RAL HERNNDEZ
se =
Para nuestro ejemplo,

se =
61,705 = 87.8 10 2
En general es cierto que un 68% de los valores de y quedarn dentro de una distancia se del valor predicho y, y que el 95% de los valores quedaran dentro de los mrgenes 2se del valor predicho y 1. En este ejemplo, esperamos que el 68% de las estimaciones de costo queden dentro de 87.80 dlares del costo real y 95%, dentro de 175.60 dlares del costo real. En realidad, para el 80% de los datos, el costo real est a menos de se del costo pronosticado y para el 100% de los datos, el costo real est a menos de 2se del costo predicho. Cualquier observacin para la cual y no quede dentro de 2se de y se llama externa. Los puntos externos representan datos extraos que se deben revisar con cuidado. Naturalmente, si un punto externo es el resultado de un error al anotar los datos, se debe corregir. Si un dato externo es, hasta cierto punto, no caracterstico de los dems puntos de datos, ser mejor omitirlo y recalcular la recta de cuadrados mnimos. Como todos los errores son menores que 2se en valor absoluto, en el ejemplo de costo no hay puntos externos. Se puede utilizar una t-student para crear un intervalo de confianza 1-, para un valor x:
t ( / 2, n 2) s e 1 + 1 + n
( xi x ) 2
( x x )
(20)
donde t ( / 2, n 2) , es el valor de una t-student con extremos /2 y con n-2 grados de libertad.
En realidad, 68% de los puntos debe quedar dentro de s e 1 +
1 n
( xi x ) 2
( x x )
de y y un 95% dentro de
2se 1 + 1 + n
( xi x ) 2 150
( x x )
PROF. RAL HERNNDEZ
4.6 REGRESIN LINEAL MLTIPLE

En muchos casos podra ser til usar ms de una variable independiente para predecir el valor de una variable dependiente. En estos casos aplicamos la regresin mltiple. Por ejemplo, si tratamos de predecir las ventas mensuales de una cadena nacional de restaurantes de bocadillos de pollo, tendramos que tener en cuenta el uso de las siguientes variables independientes: ingreso nacional, precio del pollo, dlares gastados en publicidad durante el mes y dlares gastados en publicidad durante el mes anterior. Suponga que usamos k variables independientes para predecir la variable dependiente y y que tenemos j-sima variable n puntos de datos de la forma ( y i , x1i , x 2i ,L, x ki ) donde x ji = valor de la independiente para el -simo punto dato y yi = valor de la variable dependiente para el i-simo punto de dato. En la regresin mltiple lineal, modelamos la relacin mediante
y i , = 0 + 1 x 1i + 2 x 2i + L + k x ki + i
(21)
en la que i es un trmino de error con media 0 que representa el hecho de que el valor real de y i puede no ser igual a 0 + 1 x 1i + 2 x 2i + L + k x ki . El calculo de j es similar al caso de una sola variable se definimos a ei como error o residuo para el punto dato i: y i y i ) de esta forma 0 , 1 , L, k ms adecuados sern aquellos que minimicen 2 ei , de esta forma podemos definir f ( 0 , 1 ,L, k ) = ei2 luego procedemos a obtener el mnimo de forma anloga: f ( 0 , L, k ) f ( 0 ,L, k ) =L= = 0 , luego se obtiene que: 0 k 2 ( y i 0 + 1 x 1i + 2 x 2i + L + k x ki ) 1 = 0
M
2 ( y i 0 + 1 x 1i + 2 x 2i + L + k x ki ) x1i = 0 2 ( y i 0 + 1 x 1i + 2 x 2i + L + k x ki ) x ki = 0
(21)
Esas ecuaciones multiplicadas por y agrupadas termino por termino nos brinda el siguiente sistema de k+1 ecuaciones lineales:
151
PROF. RAL HERNNDEZ
0 x1i + 1 ( x 1i )2 + L k x k i x 1i = y i x 1i 0 x k i + 1 x1 i x k i + L k (x k i )2 = y i x k i
M
0 n + 1 x 1i + L k x k i = yi
(22)
Al despejar el sistema se encuentran los valores apropiados de los 0 , 1 , L, k . Al igual que el caso de una variable se definen de la misma forma la suma de cuadrados totales (SST), SSR la suma de cuadrados de error es (SSE), la suma de regresin de cuadrados (SSR), R 2 = = SST porcentaje de la variacin de y que queda explicado por la k variables y se define el error estndar de la estimacin (se):
SSE (23) n k 1 y se puede utilizar una t-student para crear un intervalo de confianza 1-, para un valor x: se = t ( / 2, n k 1) s e 1 + 1 + n ( xi x ) 2
( x x )
(24)
donde t ( / 2, n k 1) , es el valor de una t-student con extremos /2 y con n-k-1 grados de libertad.
152
PROF. RAL HERNNDEZ
ANEXO A: PRUEBAS DE ALGUNOS RESULTADOS

Seccin A
Se define
xy = Px (T y < ) ,
que
es
la
probabilidad
de
alcanzar
el
estado
y,
comenzando del estado x, para un tiempo Ty que depende del estado y. Se define la variable indicadora estados como: 1y(z), para z perteneciente al conjunto de
1y(z)=
1, z = y 0, z y
Sea N(y) en nmero de veces n 1, que la cadena est en el estado y. A partir que 1y(Xn)=1 si la cadena se encuentra en el estado y en el momento n y 1y(Xn)= 0, de otro forma, se puede ver que (a1) N ( y ) =
1
n =1
(X n )
El evento {N(y) 1 } es el mismo evento que {Ty < }, de esta forma tenemos que P[{N(y) 1 }] =Px[{Ty < }]=
xy
Sean n,m dos enteros positivos. La probabilidad que x primero visite y en el instante m y luego visite y n pasos o unidades de tiempo posterior esta dado por Px(Ty=m) Py(Ty=n), as Px(N(y) 2) =
P (T
m =1 n =1 x
= m) Py (T y = n) = Px (T y = m) Py (T y = n) = xy yy
m =1 n =1 m xy yy1
De forma similar tenemos que (a2) Px(N(y) m)=
m 1
Luego Px(N(y) = m)= Px(N(y) m)- Px(N(y) m+1) y por (a2) se tiene que (a3) y de esta forma: (a4) Px(N(y) = 0)= 1- Px(N(y) 1)= 1- xy Px(N(y) = m)=
m xy yy1 (1 yy ) m 1
Se define Ex() como el valor esperado de la cadena de Markov comenzando en x, as tenemos que (a5) Ex(1y(Xn))=Px(Xn=y)=Pxy(n)
153
PROF. RAL HERNNDEZ

E x ( N ( y )) = E x (1 y ( X n )) = E x (1 y ( X n )) = Pxy (n) ,
n =1 n =1 n =1
Empleando (a1) y (a5) tenemos que
de esta forma definiremos G(x,y) = E x ( N ( y )) , como el nmero de veces que se visita a y, comenzando de x.
Teorema 1 i) Sea y un estado transitorio, luego Px(N(y) < ) =1 (a6) G(x,y) = ii)
y adems:
xy 1 xy
, lo cual es finito para todo estado x y G(x,y)= .
Sea y un estado recurrente Px(N(y) = ) =1 Tambin,(a7) Px(N(y) = )= Px(Ty < )= xy . = 0, luego G(x,y)=0, pero si
Si
xy
xy >
0, luego G(x,y) =.
Este teorema muestra de forma las propiedades de un estado transitorio a uno recurrente. En primer caso, el nmero de visitas que se realice es finito, independientemente de donde se comience. Mientras en el segundo caso el nmero de visitas es infinito, independientemente de donde se comience. Prueba: Sea y un estado transitorio. A partir del hecho que 0
xy 1 ,
se tiene que:
m Px ( N ( y ) = ) = lim Px ( N ( y ) m) = lim xy xy1 = 0 m m
por (a3) tenemos
G(x,y) = E x ( N ( y )) =
m yy1 (1 yy )
mP ( N ( y) = m) = m
m =1 x n =1
xy
tomando t= yy , la igualdad se transforma en
m
n =1
xy
t m 1 (1 t ) = xy * (1 t ) * /(1 t ) 2 =
xy
(1 t )
xy (1 yy )
Sea y, recurrente. Si
yy = 1 ,
m
luego por (a2) se tiene
Px ( N ( y ) = ) = lim Px ( N ( y ) = m) = lim xy = xy
m
En particular
Py ( N ( y ) = ) = 1 .
Si una variable aleatoria no negativa tiene
probabilidad positiva de ser infinita, su esperanza es infinita y por lo tanto G(y,y) = E y ( N ( y )) =
154

Si
PROF. RAL HERNNDEZ
xy =0,
luego Px(Ty = m) =0 para todo entero m, lo que tambin es valido para G(x,y)=0. Si Pxy > 0 luego Px ( N ( y ) = ) =
Pxy(n)=0, y de esta forma
xy > 0
y as,
G(x,y)= E x ( N ( y )) = , lo cual completa la prueba.
Si
es
n xy
un
estado
transitorio
n =1
n Pxy = G ( x, y ) < para todo x, es claro que
lim P
n
= 0 , para todo x.
Teorema 2. Sea x un estado recurrente y suponga que x alcanza y. recurrente y xy = yx = 1. Prueba. Supongamos que x y y sea n0 tal que (a9) n0=min(n1: Px(Ty=n)>0) es claro que a partir de (a9) (a10) Pxy(m) = 0, para m<n0 Como Pxy(n0)> 0, se pueden encontrar estados y1 K y n0 1 talque
Luego y es
Px ( X 1 = y1 , K X n0 1 = y n0 1 , X n0 = y n0 ) = Pxy1 K Pyn0 1 y > 0

Supongamos que
yx
< 1, entonces existe una probabilidad positiva 1- yx de nunca Esa probabilidad sera, comenzando en x:
alcanzar x, comenzando y.
Pxy1 K Pyn0 1 y (1 yx ) , pero esto implica que se visita primero los estados y1 K y n0 1 y
que luego nunca se retorna al estado x, lo cual contradice el hecho de que x es un estado recurrente. Como
yx =1,
existe n1 entero positivo, talque Pxy(n1)>0.
Luego
Pyy (n1 + n + n0 ) = Py ( X n1 + n + n0 = y ) Py ( X n1 = x, X n1 + n = x, X n1 + n + n0 = y ) = Pyx (n1 ) Pxx (n) Pxy (n0 )

y esta forma
G ( y, y )
n = n1 +1+ n0
Pyy (n) = Pyy (n1 + n + n0 ) Pyx (n1 ) Pxy (n0 ) Pxx (n) =
n =1 n =1
Pyx (n1 ) Pxy (n0 )G ( x, x) = +

lo cual implica que y tambin es un estado recurrente.
155

Corolario 1.
PROF. RAL HERNNDEZ
Sea C un conjunto cerrado irreducible de estados recurrentes.
Luego
xy
=1,
Px ( N ( y ) = ) =1 y G(x,y)=
Seccin B
para todas las escogencias de x,y en el conjunto C.
156
PROF. RAL HERNNDEZ
157

Apuntes 2-01

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Apuntes 2-01

Загружено:

Авторское право:

Доступные форматы

INDICE

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

1.1-QU ES UN PROCESO ESTOCSTICO?

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

independientes 2. La distribucin de probabilidad es X t2 X t2 , t1< t2, depende solo de t2 - t1 3. P ( X t X s x) =

du donde B es una constante

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

1.2 QU ES UNA CADENA DE MARKOV?

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

Estados 0 dlares 0 dlares 1 1 dlares 1-p 2 dlares 0 3 dlares 0 4 dlares 0

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

1.3 PROBABILIDADES DE TRANSICIN DE n ETAPAS

(probabilidad de transicin de i a k}x (probabilidad de transicin de k a j)

Figura 2 Representacin de la transicin de i a j en dos pasos

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

Naturalmente, para n = 0, Pij(0) = P(X0 = j | X0 = i) y, por lo tanto, debemos escribir 1 si i = j Pij(0)= 0 si i j

PROF. RAL HERNNDEZ

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

Probabilidad de estar en el estado j en el tiempo n =

(Probabilidad que el estado original sea i ) X (Probabilidad de ir de i a j en n transiciones) =

Pkj (n) = q X Columna j de Pn

.781 .40] = .6438 .438 12

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

1.3.1 Tiempos de Parada o de primer pasaje

Esta definicin es til para la prueba de algunos resultados futuros.

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

1.4 CLASIFICACIN DE ESTADOS DE UNA CADENA DE MARKOV

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

Figura 5 Cadena peridica de Markov con k = 3

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

3. Se tiene ]a siguiente matriz de transicin:

PROF. RAL HERNNDEZ

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

1.5 PROBABILIDADES DE ESTADO ESTABLE Y TIEMPOS MEDIOS DE PRIMER PASAJE

Como Pij{n + 1) = (rengln i de Pn) X (columna j de P), podemos escribir

APUNTES DEL CURSO IO-3

PROF. RAL HERNNDEZ

Pij (n + 1) = Pik (n) Pkj

Si n es grande, al sustituir la ecuacin (6) en la (7) se obtiene (8)

En forma matricial, la ecuacin (8) se puede escribir como: (8')

AI hacer que n tienda al infinito en la Ecuacin. (9), obtenemos