Inferencia Bayesiana en Sistemas de Colas bajo Incertidumbre Paramétrica: Un Enfoque Estadístico y Docente

M. Rodríguez Rosa, M. Anciones Polo

En los modelos clásicos de Teoría de Colas se asume que las tasas de llegada y servicio son conocidas, lo que permite obtener expresiones cerradas de las medidas de rendimiento. Sin embargo, en contextos reales dichas tasas son desconocidas y deben estimarse a partir de datos reales, introduciendo incertidumbre no incorporada en el enfoque frecuentista.
Se propone un enfoque Bayesiano para la inferencia en sistemas de colas bajo incertidumbre paramétrica, considerando modelos con tasas desconocidas y distribuciones Gamma a priori, lo que permite obtener distribuciones a posteriori en forma cerrada por conjugación. A partir de ello, se realiza inferencia mediante estimadores e intervalos creíbles sobre los parámetros, incorporando la propagación de la incertidumbre.
Se presenta una propuesta de innovación docente en el Grado de Estadística que integra Teoría de Colas y Estadística Bayesiana mediante proyectos de trabajo de campo y análisis en R, favoreciendo el aprendizaje activo.

Palabras clave: Inferencia Bayesiana, Teoría de Colas, Innovación Docente, Programación con R, Incertidumbre Paramétrica

GT Inferencia Bayesiana
5 de septiembre de 2026  16:00
Aula 20

C. Ausin, A. Sarhadi, M. P. Wiper

Á. Berihuete Macías, L. González Ramírez, J. Olivares Romero, L. M. Sarro Baro, D. Barrado Navascués

G. García-Donato, R. Paulo

C. García Meixide, D. Ríos Insua