INTRODUCCIN

En la asignatura de Ingeniera de Sistemas que se imparte en el 5. Semestre de la Licenciatura

en Ingeniera Civil, se consideran para su estudio dos secciones: una que corresponde a los
modelos determinsticos (en el programa actual corresponde a la asignatura Ingeniera de
Sistemas y se cursa en el . semestre! y otra correspondiente a los modelos estoc"sticos o
pro#a#ilsticos (en el programa actual corresponde a la asignatura Teora de Decisiones y se
cursa en el $. Semestre!.
Estos apuntes %ueron ela#orados para servir de te&to en la asignatura y su contenido se orienta
a modelos pro#a#ilsticos que son m"s %recuentes de aplicar en sistemas reales de la ingeniera
civil.
En el captulo ', llamado Sntesis de Probabilidad, se (ace un resumen de las (erramientas de
la pro#a#ilidad y Estadstica que constituyen un apoyo para la comprensi)n de las t*cnicas que
se estudian posteriormente.
El captulo +, denominado como Anlisis de Decisin se en%oca al estudio de los criterios m"s
conocidos para la toma de decisiones, que incluye el an"lisis #a-o completa incertidum#re y el
an"lisis #a-o riesgo.

En el captulo . se estudia la metodologa de Lneas de Espera que es de utilidad en el
modelado de diversas situaciones que se o#servan con %recuencia en el mundo real y que
pueden ser descritas mediante la t*cnica.
/inalmente, en el captulo 0, de Simulacin, est" en%ocado a los mtodos de Montecarlo,
tam#i*n llamado muestreo aleatorio, el cual constituye una gran (erramienta para simular
muc(os procesos de la ingeniera cuya operaci)n depende del comportamiento de varia#les
aleatorias.
Se incluye al 1nal de los captulos, un ane&o con varias ta#las de estadstica que sirven de
apoyo en el desarrollo de los temas.

2
1 SNTESIS DE PROBABILIDAD
Son varios los voca#los que se reconocen como antecedentes del t*rmino estadstica. Se
pueden nom#rar los siguientes:
Statisti, que proviene de la pala#ra Italiana statista, que signi1ca estadista!
Status, (latn!, que signi1ca posici)n, situaci)n o estado.
Staat (alem"n!, que se re1ere al estado como unidad poltica superior.
Statera (griego!, que signi1ca #alan3a.
La ra3)n que motiv) al (om#re a registrar datos con prop)sitos estadsticos, tal ve3 se
encuentre en su necesidad, casi instintiva, de anotar aquellos (ec(os que aparecen como
vivencias sociales transcendentes: crecimiento de po#laciones, disposiciones del alimento,
%en)menos naturales, etc. Con el desarrollo de las civili3aciones, la estadstica puede pensarse
como una aritm*tica estatal para asistir a los go#ernantes que necesita#an conocer la rique3a
de sus s4#ditos para as recaudar impuestos o presupuestar la guerra.
1.1 Defniciones
Dato
54mero o medida que se o#tiene de o#servaciones de una varia#le.
Variable
Es toda cualidad o caracterstica que toma valores di%erentes en distintos o#-etos.
Variable aleatoria
Es aquella varia#le que toma valores de alg4n proceso al a3ar.
Variable aleatoria continua
Es la varia#le aleatoria que puede tomar cualquier valor de un intervalo o dominio.
Variable aleatoria discreta
Es la varia#le que s)lo puede tomar valores de un con-unto numera#le.
Estadstica
Ciencia cuyos prop)sitos son la e&tracci)n de datos y su uso en la reali3aci)n de in%erencias
acerca de una po#laci)n, de la cual dic(os datos %ueron e&trados.
Estadstica descriptiva
Es la que trata con la descripci)n num*rica o gr"1ca de un con-unto de datos.
Estadstica inferencial
'
Es la que trata con la %ormulaci)n de conclusiones, estimaciones o generali3aciones acerca de
par"metros po#lacionales, con #ase en la estadstica descriptiva reali3ada con datos
muestrales.
Poblacin
Es un grupo de datos que se toma como re%erencia en un estudio estadstico, y que considera
todas las caractersticas de la varia#le de1nida en el pro#lema #a-o estudio.
Muestra
Es cualquier su#con-unto de datos seleccionados de una po#laci)n.
Diseo del experimento
Estudio de los m*todos de muestreo y los pro#lemas que con *l se relacionan.
Espacio de eventos
Colecci)n de todos los resultados posi#les de un e&perimento.
Experimento aleatorio
E&perimento que re4ne las siguientes caractersticas: una acci)n, un resultado y una
o#servaci)n.
Evento simple
Es cada uno de los eventos que constituyen un espacio de eventos.
Estadstica descriti!a
La estadstica descriptiva (ace uso de varias medidas para descri#ir num*ricamente un
con-unto de datos mu*strales o po#lacionales. 6ales medidas se pueden clasi1car como sigue:
Medidas de posicin! Este tipo de medidas indican la distri#uci)n que guardan los datos a lo
largo de su rango (el dato mayor menos el menor!. Se su#clasi1can en:
Medidas de tendencia central! Son medidas que normalmente se locali3an alrededor del
centro de los datos. 7entro de este tipo de medidas se encuentran la media aritm*tica, la
mediana, el modo, la media arm)nica, la media geom*trica y la media cuadr"tica.
"uantiles! Estas medidas indican la locali3aci)n de los datos de acuerdo con una su#divisi)n
que se reali3a del rango de los mismos. E&isten tres tipos de cuantiles: cuartiles, deciles, y
percentiles.
Medidas de dispersin. Son medidas que indican el grado en el cual est"n dispersos los
datos con respecto a alguna medida de tendencia central. Este tipo de medidas lo
con%orman la variancia, la desviaci)n est"ndar, la desviaci)n media a#soluta y el coe1ciente
de variaci)n.
Medidas de de#ormacin! Este tipo de medidas son relati$as a la #orma %ue tienen las
cur$as de #recuencias & tambin estn relacionadas con la dispersin %ue tienen los datos!
E'iste dos tipos de medidas de de#ormacin( el coe)ciente de sesgo o asimetra & el
coe)ciente de urtosis o de apuntamiento!
+
8ango: Se de1ne como la di%erencia entre el mayor y el menor valor de una distri#uci)n
Criterio de St"r#es para esta#lecer el n4mero de intervalos a utili3ar en una distri#uci)n:
9, n4mero de intervalos
1.$ %edidas de tendencia centra&
Momentos con respecto al origen(

7atos no ordenados
7atos ordenados
donde n:n4mero de datos, m:n4mero de intervalos, t:intervalo de clase, #:%recuencia de
clase, :orden del momento.
%edia. Se de1ne como el momento de primer orden con respecto al origen:
7atos no ordenados
7atos ordenados
donde n:n4mero de datos, m:n4mero de intervalos, t:intervalo de clase, #:%recuencia de
clase
%odo'


%ediana'
.
m* :

n
i

i
'
n
'
'
m* :

m
+
+

+
# t
n
'
'
m*,: ' :

n
i
i
'
n
'
'
m*,:' :

m
+
+ +
# t
n
'
'
'
;
:
c L
+ '
'
'
+

+
9 : ' < ... log
n
1.( %edidas de disersi)n
=omentos con respecto a la media:
7atos no ordenados

7atos ordenados
*ariancia. Se de1ne como el momento de orden dos con respecto a la media:

7atos ordenados
7atos no ordenados
Des!iaci)n est+ndar'

Coefciente de !ariaci)n'

1., %edidas de asi-etra

donde q', q+ y q. son los cuartiles del +5 >, 52 > que corresponde a la mediana y del $5 >, S&
es la desviaci)n est"ndar. 6am#i*n se puede calcular una medida de asimetra con el momento
de orden tres con respecto a la media, con la variancia y 1nalmente con el par"metro #':
0
'?
:
c
#
# n
L
'
'
! ( + @

+
m :

n
i
i
' '
n
! (
'
'

m : +

n
+
+
# ' t
n
! (
'
'

m- :
+
'
+
! (
'

n
i
i '
' '
n
S
m- : +
n
+
+ '
# ' t
n
S
+
'
+
! (
'

S' :
+
m
".' :
'
S
'
Asimetra : A(q. B q+! B (q+ B q'!C @ S&
1.. %edidas de a&ana-iento o e/ceso 01"rtosis2
si 2
+
, es meso94rtica
2
+
> , es lepto94rtica
2
+
< , es plato94rtica
1.3 Pro4a4i&idad
La teora a&iom"tica de pro#a#ilidades se #asa en tres a&iomas:
'. La pro#a#ilidad de ocurrencia de un evento D es un n4mero, E(D!, que se le asigna a dic(o
evento, cuyo valor es menor o igual que uno, o sea
2 E(D! '
+. Si E es el espacio de eventos asociados a un e&perimento, entonces
E(E! : '
.. La pro#a#ilidad, E(C!, de la uni)n, C, de dos eventos mutuamente e&clusivos, D y F, es igual
a la suma de las pro#a#ilidades de estos, es decir
E(DF! : E(C! : E(D! < E(F!
Pro4a4i&idad condiciona&
Gn concepto de gran importancia pr"ctica es el de pro#a#ilidad condicional, E(D|F!, del evento
D, dado que el F (a ocurrido. Si E(F! es di%erente de cero, esta e&presa:
5
! F ( E
! F D ( E
! F H D ( E

m/ : +
m
+
+
# ' t
n
.
'
! (
'

b, :
.
+
+
.
@ m m
b- :
+
+
0
m
m
. #
+ +

1.5 Teore-a de Ba6es
Se dice que un grupo de eventos es colectivamente e&(austivo si la uni)n de todos ellos es el
espacio de eventos correspondientes como se muestra en la 1gura '.':
7i#"ra 1.1 E!entos co&ecti!a-ente e/8a"sti!os
Con lo cual se de1ne el llamado teorema de la probabilidad total.
Considerando que


Este resultado se conoce como teorema de Bayes. D las pro#a#ilidades E(F-! que se asignan a
los eventos F- antes de o#servar el evento D, se les denomina a priori, a las pro#a#ilidades E(F-H
D! que se o#tiene des pues de o#servar el evento D, se les llama a posteriori!
1.9 *aria4&e a&eatoria

Espacio de eventos
F'
F+
Fn
Fi
D
D Fi
! ( ! ( 0+ A P A 0+ P
! (
! (
! (
! (
! H (
A P
0+ A P
A P
A 0+ P
A 0+ P

n i
, i
1 0+ 2 A 3 P 1 0i 3 P
1 0+ 2 A 3 P 1 0+ 3 P
1 A 2 0+ 3 P
:
:
:
Gna varia#le aleatoria es una %unci)n que asocia un n4mero con cada punto en un espacio
muestral del e&perimento.
Eara un espacio muestral E de alg4n e&perimento, una $ariable aleatoria es cualquier regla que
asocia un n4mero con cada resultado de E. E&isten dos tipo de varia#les aleatorias, discretas y
continuas4 una varia#le discreta es aquella cuyos valores posi#les %orman un con-unto 1nito o
#ien se pueden listar en una sucesi)n in1nita donde (ay un primer elemento, un segundo
elemento, etc. Gna varia#le aleatoria es continua si su con-unto de valores posi#les a#arca todo
un intervalo.
1.: Distri4"ciones te)ricas de ro4a4i&idad
Distri4"ci)n nor-a&
I < & <

donde: & : varia#le aleatoria
e, : constantes
: media
J: desviaci)n est"ndar

+
: variancia
Distri4"ci)n nor-a& est+ndar
I < 3 <
Distri4"ci)n 4ino-ia&
& : 2, ', +,K, n,
7onde q : ' I p
p: pro#a#ilidad de *&ito.
q: pro#a#ilidad de %racaso.
Distri4"ci)n de Poisson
& : 2,',+,K..
donde: &: varia#le aleatoria
e : cte!
$
1 53 1 ' 3
e 1 ' 3 #
+ +
+
+
'

+ @
+
+
'
! (
6
e 6 #

' n ' n
'
% p ' #

! ( ! ( ! (
L
! (
'
e
' #
'

: media
$ AN;LISIS DE DECISIN
Se llamar" decisi)n al proceso de elegir un acto de entre un con-unto de %ormas alternativas de
actuar. Lo anterior puede enunciarse en una %orma algo m"s precisa como sigue:
a! Son posi#les dos o m"s %ormas alternativas de actuar.
#! Solo se puede actuar de una de esas %ormas.
c! El proceso de decisi)n elegir" a una de esas actuaciones alternativas para llevarla a ca#o.
d! La elecci)n de una actuaci)n de#e (acerse en %orma tal que cumpla alg4n 1n designado.
M#servar que la condici)n (#! no es restrictiva ya que toda com#inaci)n de actuaciones puede
considerarse como una sola. 7e esta manera las componentes #"sicas de un pro#lema de
decisi)n son:
'. Su+eto de una decisin. Dlguien o alg4n grupo de#e identi1carse como el que toma
decisiones. Dlgunos pro#lemas pueden tener dos o m"s su-etos de decisi)n.
+. 7b+eti$os. El que toma la decisi)n de#e tener uno o m"s o#-etivos. Estos o#-etivos pueden
de1nirse como los resultados deseados para cada decisi)n. En el caso de o#-etivos
m4ltiples, algunos de ellos pueden estar en conNicto. Los o#-etivos pueden ser cualitativos o
cuantitativos. En muc(os pro#lemas t*cnicos el o#-etivo cuantitativo puede ser ma&imi3ar
una ganancia o minimi3ar un costo.
.. "ursos alternos de accin. El que toma las decisiones de#e tener la posi#ilidad de elegir
entre dos o m"s alternativas o cursos de acci)n. En muc(os pro#lemas de decisi)n se tiene
una in1nidad de cursos de acci)n.
0. 8na medida de e#ecti$idad. El que toma las decisiones de#e tener alguna medida del nivel
en que cada curso de acci)n que satis%ace a sus o#-etivos. 7esde luego implcitamente se
supone que en caso de e&istir esta medida para un pro#lema dado no es necesariamente la
misma para todas las alternativas.
La toma de decisiones com4nmente se divide por una parte de acuerdo con, que la decisi)n sea
(ec(a por (a! un individuo o (#! un grupo, y por otra de acuerdo con, que ella se realice #a-o
condiciones de (a! certidum#re, (#! de riesgo o (c! de incertidum#re. D esta 4ltima clasi1caci)n
de#e agregarse (d! una com#inaci)n de incertidum#re y riesgo a la lu3 de la evidencia
e&perimental. Este es el dominio de la in%erencia estadstica.
O
Los pro#lemas de decisin ba+o certidumbre se presentan cuando se puede asegurar qu*
resultado ocurrir" si se elige un curso de acci)n espec1co. En este caso no se tienen varia#les
aleatorias controla#les o no. La segunda clase de pro#lemas de decisi)n se presenta cuando
cada acci)n conduce a uno de varios resultados posi#les. En este caso cada resultado posi#le
puede veri1carse con una pro#a#ilidad conocida. Se dice entonces que es un pro#lema de
decisiones ba+o riesgo. Si cada acci)n alternativa conduce a uno de varios resultados posi#les
los cuales pueden veri1carse con pro#a#ilidades desconocidas, se dice que es un pro#lema de
decisiones ba+o incertidumbre!
Ter-ino&o#a de -ode&os de to-a de decisiones
Dl igual que con cualquier tipo de modelo, los modelos de toma de decisiones tienen una
terminologa propia. Esta terminologa descri#e las tres partes esenciales de una decisi)n:
'. Las decisiones alternativas de entre las cuales se de#e elegir.
Cuando el que toma decisiones en%renta un pro#lema que requiere una decisi)n, una de las
acciones que de#e emprender antes de llegar a una decisi)n, es determinar las alternativas
so#re las cuales se #asar" la decisi)n 1nal.
+. Los estados de la naturale3a, o acciones e&ternas que en%renta la persona encargada de
tomar las decisiones.
El que toma decisiones en%renta una situaci)n en la que pueden producirse resultados m4ltiples
a partir de una estrategia determinada, en%renta estados de la naturale6a m4ltiples o acciones
e&ternas m4ltiples. Los estados de la naturale3a son las circunstancias que a%ectan el resultado
de la decisi)n pero que est"n %uera del control del que toma decisiones.
.. El resultado que se o#tiene por el uso de una alternativa cuando se presenta cierto estado
de la naturale3a.
Eara cada com#inaci)n de estrategia y estado de la naturale3a (a#r" un resultado. Este
resultado puede e&presarse en t*rminos de utilidades, puede e&presarse en t*rminos de valores
presentes, o puede e&presarse en t*rminos de alguna medida no monetaria! Eara determinar
los resultados es necesario considerar todas las posi#les com#inaciones de decisiones y de
estados de la naturale3a para determinar el resultado que se o#tendra si se utili3a una
alternativa dada y si ocurre un estado espec1co de la naturale3a. En general, si e&isten
alternativas y n estados de la naturale3a, ser" necesario calcular ( & n! resultados. Con
#astante %recuencia los resultados tam#i*n se denominan pagos y una ta#la de resultados se
denomina matri6 de pagos!
$.1 ;r4o& de decisi)n
Gna %orma clara y sencilla de estructurar el proceso de toma de decisiones es por medio de un
rbol de decisin. El "r#ol est" %ormado por nodos de accin, nodos de probabilidad y ramas.
P
Los nodos de acci)n se denotar"n con un cuadro (Q! y representar"n aquellos lugares del
proceso de toma de decisiones en los que se toma una decisi)n. Los nodos de pro#a#ilidad se
denotar"n por medio de un crculo ( ! e indicar"n aquellas partes del proceso de toma de
decisiones en las que ocurre alg4n estado de la naturale3a. Las ramas se utili3an para denotar
las decisiones o los estados de la naturale3a. 6am#i*n pueden anotarse pro#a#ilidades so#re las
ramas para denotar la pro#a#ilidad de que ocurra un estado determinado de la naturale3a. Eor
4ltimo se colocan los pagos al 1nal de las ramas terminales del estado de la naturale3a para
mostrar el resultado que se o#tendra al tomar una decisi)n particular, y que despu*s ocurra un
estado espec1co de la naturale3a.
E<e-&o $.1 P&antear e& +r4o& de decisi)n
"onsiderar el caso de una persona %ue est tratando de decidir si debe lle$ar o no un paraguas
a su traba+o el da de 9o&! La decisin de lle$ar el paraguas se muestra como un nodo de accin
en la )gura -!,!
Dl 1nal de cada una de las ramas que parten de un nodo de acci)n (a#r" un nodo de
pro#a#ilidad u otro nodo de acci)n. Los posi#les estados de la naturale3a comen3ar"n en los
nodos de pro#a#ilidad. 6am#i*n se muestran los posi#les estados de la naturale3a para la
decisi)n de esta persona. En este caso se (an anotado tam#i*n so#re la rama de pro#a#ilidad
las pro#a#ilidades de que (aya lluvia o est* despe-ado de acuerdo con la o1cina meteorol)gica.
Si se com#inan los nodos de acci)n y los nodos de pro#a#ilidad con los pagos para cada
com#inaci)n se tiene un "r#ol de decisi)n. Esta persona (a determinado los diversos pagos
asociados con las cuatro posi#les com#inaciones de decisiones y de estados de la naturale3a.
Estos pagos se colocan al 1nal de las ramas terminales de pro#a#ilidad. Ra decidido los
siguientes pagos:
Llevar paraguas y que no llueva I'
Llevar paraguas y que llueva <+2
5o llevar paraguas y que no llueva <5
5o llevar paraguas y que llueva I02
Gtili3ando estos pagos es posi#le construir un "r#ol 1nal de decisi)n, que se muestra en la
1gura +.+:


7i#"ra $.1 Nodos de acci)n 6 de ro4a4i&idad
'2
Llevar paraguas
5o llevar paraguas
5odo de
acci)n
nodo de
pro#a#ilidad
Lluvia (2.!
7espe-ado (2.0!
7i#"ra $.$ ;r4o& de decisi)n
$.$ An+&isis de decisi)n 4a<o incertid"-4re
Eara tra#a-ar #a-o incertidum#re se (an propuesto diversos criterios que la e&periencia (a
mostrado como populares en la toma de decisiones. En este tra#a-o se considerar"n
cinco de ellos: el de 0a&es:Laplace, el ma'imin de ;ald, el ma'ima' de 0aumol, el de
<ur=ic6 y el minima' de Sa$age.
a2 Criterio de Ba6es=La&ace
El criterio esta#lece que si no se dispone a#solutamente de ninguna in%ormaci)n so#re las
pro#a#ilidades asociadas con los %uturos resultados entonces se de#en asignar
pro#a#ilidades iguales a cada uno de los posi#les resultados y usar estas
pro#a#ilidades para calcular el valor esperado de cada uno de los posi#les cursos de
acci)n.
Evidentemente este criterio tiene varios inconvenientes. La m"s seria de estas de1ciencias es
que usualmente el e-ecutivo no puede considerar los di%erentes resultados como igualmente
posi#les. 7e (ec(o, e&isten n posi#les cursos de acci)n y el e-ecutivo est" consciente de m de
ellos, entonces su decisi)n estar" inNuenciada por la magnitud de m. Ds, si e&isten +2 posi#les
cursos de acci)n y s)lo (ay conciencia de tres de ellos, asignar" pro#a#ilidades de .... >
cuando de#a asignar s)lo 5 >.
En ocasiones este criterio es llamado el de la ra3)n insu1ciente ya que no (ay ra3)n para
pre%erir un curso de acci)n so#re otro, no (ay que seguir alguno de ellos, pero esto en s
constituye un curso de acci)n (de-ar todo al a3ar!. Sin em#argo, di%cilmente puede
considerarse *sta como una posici)n racional.
42 Criterio -a/i-in de >a&d
Este criterio representa un en%oque muy conservador del proceso de tomar decisiones. Para
cada posible alternati$a el e+ecuti$o determina cul es el peor de los posibles resultados, esto
''
Llevar paraguas
5o llevar paraguas
Lluvia (2.!
Lluvia (2.!
7espe-ado (2.0!
7espe-ado (2.0!
<+2
I'
I02
<5
Dcci)n pro#a#ilidad
es, el %ue le produce m'imos per+uicios o bene)cios mnimos! Selecciona entonces de entre
todos estos >ltimos el %ue ma'imi6a sus bene)cios o minimi6a sus prdidas!
Dlgunos (an considerado que este criterio no es sino una mani%estaci)n tpica de co#arda.
7esde luego que no puede considerarse como irracional y de (ec(o al con%rontar situaciones
conNictivas en las que de#e esperarse una actuaci)n maliciosa e inteligente del oponente, es
#ueno y sano emplearlo. Sin em#argo, en pro#lemas en los que se toman decisiones con
relaci)n a la naturale3a (-uegos contra naturale3a! el criterio es e&tremadamente conservador.
c2 Criterio -a/i-a/ de Ba"-o&
Dl contrario del anterior, este criterio corresponde a los optimistas, los que siempre consideran
4nicamente el lado positivo de los posi#les resultados en la toma de decisiones. Dquel que al
apostarle a un ca#allo s)lo toma en cuenta que gan) en las dos 4ltimas carreras, sin considerar
que perdi) las veinte anteriores.
Euede esta#lecerse de la siguiente manera: para cada curso de accin de#nase cul es el me+or
resultado 3m'imas ganancias o prdidas mnimas1 & seleccinese de entre los anteriores el
m'imo de los m'imos!
d2 Criterio de ?"r@icA
Eor su parte RurSic3 (a propuesto un criterio que se encuentra a medio camino entre el
ma&imin y el ma&ima&. Esto es, el e+ecuti$o 9ar un promedio ponderado entre el me+or
resultado %ue pueda esperarse de cada curso de accin & el peor para el mismo curso!
En la asignaci)n del coe1ciente de peso para el me-or y el peor se reNe-ar"n las caractersticas
conser$adoras u optimistas del e-ecutivo. Ds, un pesimista le asignar" un peso de T al me-or
resultado y de U al peor. Eor el contrario, un optimista, con%rontado con la misma decisi)n, le
asignar" U al me-or y T al peor.
Se o#serva que este criterio posee la misma de1ciencia de los dos anteriores, esto es, tomar en
cuenta 4nicamente resultados e&tremos ignorando los restantes.
Gna e&tensi)n del criterio de RurSic3 consiste en (acer un an"lisis de sensi#ilidad gra1cando
todas las alternativas posi#les para los valores de (pro#a#ilidad de ocurrencia!. En el e-emplo
se o#serva el procedimiento.
e2 Criterio -ini-a/ de Sa!a#e
Este criterio se ocupa del costo de oportunidad de una decisi)n incorrecta. D partir de la matri3
de pagos se construye una nueva matri3 llamada la matri6 de arrepentimiento. Los elementos
de esta matri3 se calculan de la siguiente manera: el elemento en el rengln i & columna + de la
matri6 de arrepentimiento es el costo de oportunidad de elegir la i:sima alternati$a cuando el
resultado obtenido es el +:simo!
'+
La idea #a-o este en%oque es la protecci)n del e-ecutivo contra costos de oportunidad
e&cesivos. Eara protegerse a s mismo, el e-ecutivo aplica el criterio del minima& a la matri3 de
arrepentimiento. La prdida m'ima en cada rengln se identi)ca & la alternati$a cu&o rengln
tiene el menor de los arrepentimientos es seleccionada por el e+ecuti$o!
La principal de1ciencia de este criterio es ignorar todos los elementos de la matri3 de
arrepentimiento salvo el mayor, desperdici"ndose gran cantidad de in%ormaci)n.
E<e-&o $.$ To-a de decisi)n 4a<o incertid"-4re
"onsiderar la siguiente matri6 de pagos & tomar una decisin aplicando cada uno de los
criterios de decisin ba+o incertidumbre(
8esultados
8' 8+ 8.
D
c
c
i
o
n
e
s
D' '+ I +0
D+ . '+ 0O
D. I. 2 .2
a2 Criterio de Ba6es=La&ace
E(D'!:'@.('+!<'@.(I!<'@.(+0!:'2
E(D+!:'@.(.!<'@.('+!<'@.(0O!:($
E(D.!:'@.(I.!<'@.(2!<'@.(.2!:+P
La alternati$a seleccionada es A2
42 Criterio -a/i-in de >a&d
8esultados
8' 8+ 8.
D
c
c
i
o
n
e
s
D' '+ =3B +0
D+ . 1$B 0O
D. =(B 2 .2
=a& V=3C 1$C =(W : 1$
La alternati$a seleccionada es A2
c2 Criterio -a/i-a/ de Ba"-o&
'.
8esultados
8' 8+ 8.
D
c
c
i
o
n
e
s
D' '+ I $,B
D+ . '+ ,9B
D. I. 3DB .2
ma& V$,C ,9C 3DW : 3D
La alternati$a seleccionada es A
d2 Criterio de ?"r@icA
8esultados
8' 8+ 8.
D
c
c
i
o
n
e
s
D' '+ =3B $,B
D+ . 1$B ,9B
D. =(B 3DB .2

Eesimista:
D':.@0(I!<'@0(+0!:I'O@0<+0@0:@0
D+:.@0('+!<'@0(0O!:.@0<0O@0:O0@0
D.:.@0(I.!<'@0(2!:P@0<2@0:5'@0
Mptimista:
D':'@0(I!<.@0(+0!:@0<$+@0:O@0
D+:'@0('+!<.@0(0O!:'+@0<'00@0:'5@0
D.:'@0(I.!<.@0(2!:I.@0<'O2@0:'$$@0
Eesimista: ma&V@0, O0@0, 5'@0W : O0@0
Seleccin( A2

Mptimista: ma&VO@0, '5@0, '$$@0W : '$$@0
Seleccin( A
Con este mismo e-emplo, se (ar" una e&tensi)n al criterio de RurSic3 para la toma de
decisiones, se selecciona el me-or y el peor resultado de cada alternativa y cada uno de ellos es
multiplicado por y por ('I! respectivamente, o#teniendo as los valores de cada alternativa
para los valores de esta#lecidos:
'0
8 ' 8 + 8 . 2 2 . + 5 2 . 5 2 . $ 5 '
D ' ' + I + 0 + 0 I I ' . 5 P ' . 5 + 0
D + . ' + 0 O 0 O ' + ' + + ' . 2 . P 0 O
D . I . 2 . 2 2 I . I . ' + . O + O . 5 0 0 . . 2
Esta in%ormaci)n se puede representar en una gr"1ca:
7i#"ra $.( An+&isis de sensi4i&idad con e& criterio de ?"r@icA
La intersecci)n de D+ con D. se encuentra en :2.5555, por lo que se puede esta#lecer el
siguiente criterio de decisi)n: para $alores de de ? a ?!@@@@ se decidir por A- & para $alores
de de ?!@@@@ a ,!? se decidir por A/ 3$alores ms altos1!
e2 Criterio de Sa!a#e
8esultados
8' 8+ 8.
D
c
c
i
o
n
e
s
D' '+ I +0
D+ . '+ 0O
D. I. 2 .2

=atri3 de arrepentimiento:
8esultados
8' 8+ 8.
D
c
c
i
o
n
e
s
D'
.I
'+
2<

0OI
+0
D+
.I
.
2I
'+
0OI
0O
D.
.<
.
2I
2
0OI
.2
8esultados
8' 8+ 8.
D
c
c
i
o
n
e
s
D' +0 33B +0
D+ 2 ,9B 2
'5
-20
0
20
40
60
0 0.25 0.5 0.75 1
Ero#a#ilidad
Eagos
D+
D.
D'
D. (:B 2 'O
%inE33C ,9C (:F G (:
La alternati$a seleccionada es A/
$.( An+&isis de decisi)n 4a<o ries#o
En los casos en los que quien toma las decisiones se en%renta a alternativas m4ltiples en las
que cada alternativa tiene a su ve3 resultados m4ltiples, es una pr"ctica com4n encontrar el
pago promedio para cada estrategia y elegir despu*s la alternativa que tenga el mayor pago
promedio. En este modelo de decisi)n, si e&isten n resultados para cada alternativa con
Mi- : pago para la iI*sima alternativa dado el -I*simo estado de la naturale3a, y
X
i
: pago promedio para la iI*sima alternativa
Entonces
X

n
' -
i-
M
n
'
(+.'!
E& !a&or de &a inHor-aci)n erHecta
Con %recuencia surge la siguiente pregunta: Ycu"nto estara dispuesta a pagar una persona que
toma las decisiones para o#tener in%ormaci)n adicional so#re cu"les ser"n las circunstancias
realesZ Dntes de responder esta pregunta se necesita conocer el valor de la in%ormaci)n misma.
Si la in%ormaci)n es per%ecta, es decir, si la in%ormaci)n dice e&actamente qu* es lo que va a
ocurrir, resulta #astante sencillo responder la pregunta.
Si se sa#e con e&actitud cu"l estado de la naturale3a ocurrir", es %"cil determinar la alternativa
que de#e elegirse. Se elegir" la alternativa que produce el mayor pago para cada estado de la
naturale3a.
Euesto que cada estado de la naturale3a ocurre s)lo durante una %racci)n del tiempo, es posi#le
calcular el valor monetario esperado para el caso de la in%ormaci)n per%ecta utili3ando los
pagos m"&imos y las pro#a#ilidades para cada estado de la naturale3a.
En general, se puede plantear de la siguiente manera
X=E -
n
' -
[
i- IE
p M

(+.+!
7onde: M
[
i-
: la m"&ima utilidad para cada uno estado de la naturale3a
p - : la pro#a#ilidad de cada estado de la naturale3a
Eara calcular el valor de la in%ormaci)n per%ecta, lo 4nico que se tiene que determinar es la
di%erencia entre el valor monetario esperado con in%ormaci)n per%ecta y ese mismo valor
monetario esperado sin in%ormaci)n per%ecta:
XEI : X=E
IE
I X=E
[
(+..!
'
donde XIE: valor de la in%ormaci)n per%ecta
X=E
IE
: X=E para la in%ormaci)n per%ecta
X=E
[
: X=E m"&imo sin in%ormaci)n per%ecta
E& !a&or de &a inHor-aci)n de r"e4a
En la secci)n anterior se present) el c"lculo del valor de la in%ormaci)n per%ecta. Sin em#argo,
en t*rminos pr"cticos, por lo general la in%ormaci)n proviene de alg4n procedimiento
imper%ecto de prue#a. Con esto quiere (acerse notar que la in%ormaci)n de la prue#a no
siempre pronostica en %orma correcta el estado de la naturale3a que ocurrir".
7e#ido a esta imper%ecci)n en el poder predictivo de las prue#as, el c"lculo de la in%ormaci)n
de prue#a es algo m"s comple-o que para la in%ormaci)n per%ecta. Eara comprender el
procedimiento que se utili3a para reali3ar estos c"lculos, sea
E(5H8! : la pro#a#ilidad de que ocurra en realidad el evento 5,
dado que el resultado de la prue#a %ue 8

Sin em#argo, por lo general se desconocen los valores de E(5H8! lo cual se lee probabilidad de
A dado B, puesto que estos valores s)lo se conocen despus de (a#er utili3ado la prue#a las
su1cientes veces para recopilar datos que permitan calcular pro#a#ilidades. Eor lo general se
conoce lo opuesto, es decir, la pro#a#ilidad de que ocurra el resultado de la prue#a dado el
resultado correspondiente. Esta pro#a#ilidad es E(5H8! que necesitamos, puesto que se calcul)
despu*s de conocer el resultado. Eara calcular E(5H8! se usa un resultado #ien conocido de la
pro#a#ilidad, denominado Teorema de 0a&es. Este resultado e&presa:
E(5H8! :
! 8 ( E
! 5 ( E ! 5 H 8 ( E
(+.0!
Eor lo general, dos de los valores que aparecen en esta %)rmula pueden o#tenerse a partir de
datos de prue#a, y el tercero puede calcularse a partir de los otros dos. 8esulta %"cil calcular a
partir de datos previos la pro#a#ilidad de que la prue#a sea e&acta, dado que se conoce el
resultado real, E(8H5!, y la pro#a#ilidad de que ocurra un resultado particular sin importar cu"l
sea la prue#a, E(5!. E(5! tam#i*n puede ser una pro#a#ilidad su#-etiva #asada en la
e&periencia que tenga en esas situaciones quien toma las decisiones. Esta 4ltima pro#a#ilidad,
E(5!, se conoce como pro#a#ilidad a priori puesto que se calcula antes de cualquier prue#a,
mientras que las otras son pro#a#ilidades condicionales.
La tercera pro#a#ilidad que aparece en la /)rmula de Fayes, E(8!, es la pro#a#ilidad de que
ocurra el resultado de prue#a 8. Esta pro#a#ilidad puede calcularse por medio del siguiente
resultado de la teora de pro#a#ilidades:
E(8!:E(8H5!E(5!<E(8H
5
!E(
5
! (+.5!
'$
en donde
5
signi1ca no A, o negacin de A! Euesto que
5
incluye todos los eventos que no
sean 5, E(
5
! y E(8H
5
! pueden ser sumas de diversos valores. Los valores de E(8H
5
! y E(
5
! pueden calcularse al mismo tiempo que se o#tienen E(8H5! y E(5!.
Com#inando (+.0! y (+.5! se llega a una versi)n modi1cada de la ley de Fayes:
E(5H8! :
! 5 ( E ! 5 H 8 ( E ! 5 ( E ! 5 H 8 ( E
! 5 ( E ! 5 H 8 ( E
+
(+.!
El resultado 1nal, E(5H8!, la pro#a#ilidad de que ocurra el suceso 5 dado el resultado de prue#a
8, se conoce como pro#a#ilidad a posteriori, puesto que se o#tiene despu*s del procedimiento
de prue#a. Gna ve3 que se conocen los valores de la pro#a#ilidad a posteriori, es posi#le
emplearlos para llevar a ca#o el an"lisis preIposterior con el o#-eto de determinar si de#e
llevarse a ca#o una prue#a o un muestreo.
E<e-&o $.( Deter-inaci)n de& !a&or de &a inHor-aci)n
8na compaCa petrolera posee tierras %ue se supone contienen petrleo en el subsuelo! La
compaCa clasi)ca estas tierras en cuatro categoras, seg>n el n>mero total de barriles %ue se
espera obtener, esto es, un po6o de @?? ??? barriles, uno de -?? ??? barriles, uno de @? ???
barriles o un po6o seco! La compaCa en#renta el problema de per#orar o no, o de rentar la
tierra incondicionalmente a un per#orista independiente o rentrsela condicionada a la cantidad
de petrleo %ue se encuentre! El costo de per#oracin de un po6o producti$o es de D,?? ??? &
el costo de per#oracin de un po6o seco es de DE@ ???! Si el po6o es producti$o, la ganancia
por barril es de D,!@? 3despus de deducir todos los costos de produccin1! Si se 9ace un
contrato incondicional, la compaCa recibe DF@ ??? por la renta de la tierra, mientras %ue con el
contrato condicional, recibe @? centa$os por cada barril de petrleo e'trado, siempre %ue el
po6o sea de -?? ??? o @?? ??? barriles4 de otra manera no recibe nada!
Es posible obtener sondeos ssmicos a un costo de D,- ???! Esta in#ormacin conduce a cuatro
clasi)caciones ssmicas posibles, denotadas por ,, -, / & F! La clasi)cacin , indica %ue es
de)niti$a la e'istencia de una estructura geolgica cerrada en la 6ona 3condicin mu&
#a$orable para encontrar petrleo14 la clasi)cacin - signi)ca %ue tal $e6 e'ista una estructura
cerrada en la 6ona4 la clasi)cacin / indica %ue e'iste una estructura no cerrada en la 6ona
3condicin ms o menos des#a$orable1 & la clasi)cacin F dice %ue no 9a& una estructura en la
6ona Gcondicin des#a$orable1! "on base en anlisis anteriores de reas geolgicas parecidas
3,?? estudios de este tipo1, la compaCa obtiene los datos %ue se muestran en la tabla! Los
$alores entre parntesis en cada una de las celdas se pueden interpretar como probabilidades
condicionales dado el estado de la naturale6a4 por e+emplo, si se trata de un po6o de -?? ???
barriles, entonces 3/5,H1 se puede interpretar como probabilidad condicional de %ue la lectura
ssmica %uede clasi)cada como - 3%ui6 una estructura cerrada en la 6ona14 si se trata de un
po6o seco, 3-@5FG1 se puede interpretar como la probabilidad condicional de %ue la lectura
'O
ssmica se clasi)%ue como / 3una estructura no cerrada en la 6ona14 & as sucesi$amente! La
distribucin de probabilidades a priori de la clasi)cacin de la tierra es ?!,?, ?!,@, ?!-@, & ?!@?
para los estados de la naturale6a correspondientes a un po6o de @?? ???, -?? ???, @? ??? & ?
barriles de petrleo respecti$amente!
"lasi)cacin
ssmica
Po6o de
@?? ???
barriles
Po6o de
-?? ???
barriles
Po6o de
@? ???
barriles
Po6o seco
, E3E5,-1 I3I5,-1 ,,3,,5-F1 I3I5FG1
- F3F5,-1 /3/5,H1 H3H5-F1 ,/3,/5FG1
/ ,3,5,-1 -3-5,H1 /3/5-F1 ,@3,@5FG1
F ?3?5,-1 -3-5,H1 F3F5-F1 ,,3,,5FG1
"rear una matri6 de pagos, obtener el $alor de la in#ormacin per#ecta, obtener el $alor de la
e'perimentacin, Jcon$iene contratar los ser$icios de in#ormacin geolgicaK
La matri3 de pagos es:
Dlternativa
Estados de la naturale3a
E' E+ E. E0
Eo3o de
522 222
#arriles
Eo3o de +22
222
#arriles
Eo3o de 52 222
#arriles
Eo3o seco
D' Eer%oraci)n 52 222 +22 222 I+5 222 I$5 222
D+ 8enta condicional 05 222 05 222 05 222 05 222
D. 8enta
incondicional
+52 222 '22 222 2 2
Conociendo las pro#a#ilidades asociadas a cada uno de los estados de la naturale3a, se puede
calcular el X=E (valor monetario esperado! para cada una de las alternativas y se podra tomar
la decisi)n por aquella que ma&imice el X=E:
Las pro#a#ilidades asociadas a cada estado de la naturale3a son 2.'2, 2.'5, 2.+5 y 2.52
respectivamente, por lo que los c"lculos para determinar el X=E son:
X=E(D'!:52 222(2.'2!<+22 222(2.'5!I+5 222(2.+5!I$5 222(2.52! : .1 $.D
X=E(D+!:05 222(2.'2!<05 222(2.'5!<05 222(2.+5!<05 222(2.52! : 05 222
X=E(D.!:+52 222(2.'2!<'22 222(2.'5!<2(2.+5!<2(2.52! : 02 222
'P
La me-or alternativa desde el criterio de mayor X=E es la alternativa D' que corresponde a
per%oraci)n.
*a&or de &a inHor-aci)n erHecta
Se o#tiene primero, el X=E con in%ormaci)n per%ecta:
X=EIE:52 222(2.'2!<+22 222(2.'5!<05 222(2.+5!<05 222(2.52! : '+O $52
XIE:X=EIEIX=E[
*IP:'+O $52 B 5' +52 : 55 .DD
Euesto que lo que se estara dispuesto a pagar por una in%ormaci)n per%ecta es muc(o mayor
que lo que cuesta la in%ormaci)n en %orma de sondeos ssmicos ($$ 522\'+ 222!, entonces se
-usti1ca (acer el an"lisis para o#tener el valor de la in%ormaci)n y decidir si conviene adquirirla
o no. Eara esto es necesario calcular las pro#a#ilidades a posteriori con la %)rmula de Fayes, lo
cual puede e%ectuarse como un algoritmo ta#ular que se muestra:
E(DHE! E(DHE! E(E!
Ero#a#ilidades a posteriori
E((EHD!
E' E+ E. E0 E' E+ E. E0 E' E+ E. E0
C
l
a
s
i
1
c
a
c
i
)
n

s

s
m
i
c
a
' $@'+ P@'
''@+
0
P@0O
C
l
a
s
i
1
c
a
c
i
)
n

s

s
m
i
c
a
'
.
25O.
.2O0
.
''0
.
2P.O
..
C
l
a
s
i
1
c
a
c
i
)
n

s

s
m
i
c
a
' .' .+02 ..+$ .+$
+ 0@'+ .@' @+0
'.@0
O
+
.
2...
.
2+O'
.
2+5
.
'.50
.
+5P
.
+
.'+P .'2O .+0' .5++
. '@'+ +@' .@+0
'5@0
O
.
.
22O.
.
2'OO
.
2.'.
.
'5.
.
+'0
$
. .2.P .2O$ .'0 .$+O
0 2@'+ +@' 0@+0
''@0
O
0
2
.
2'OO
.
20'$
.
''0
.
'$5
'
0
2 .'2$ .+.O .55
2.'
2
2.'
5
2.+5 2.52 ]:'
7istri#uci)n a priori
Gtili3ando las pro#a#ilidades a posteriori o#tenidas y con la matri3 de pagos se calculan los X=E
con los pron)sticos de la clasi1caci)n ssmica:
Con pron)stico de clasi1caci)n ':
X=E
D' Eer%oraci)n
1$5
5DD
D+ 8enta condicional 05 222
D. 8enta
incondicional
5 522
Con pron)stico de clasi1caci)n +:
X=E
D' Eer%oraci)n 3D $5.
D+ 8enta condicional 05 222
+2
D. 8enta
incondicional
0. 252
Con pron)stico de clasi1caci)n .:
X=E
D' Eer%oraci)n I'5 222
D+ 8enta condicional ,. DDD
D. 8enta
incondicional
'O 052
Con pron)stico de clasi1caci)n 0:
X=E
D' Eer%oraci)n I.. $5
D+ 8enta condicional ,. DDD
D. 8enta
incondicional
'2 $22
Enseguida se calcula el X=E de la in%ormaci)n con los valores de la pro#a#ilidad marginal y los
m"&imos X=E calculados:
X=EI5/M8=DCI^5:2..5'('+$ $22!<2.+5P.(2 +$5!<2.+'0$(05 222!<2.'$5'(05222!
: $O 225.$$
/inalmente se puede calcular el valor neto de la in%ormaci)n:
X5I : $O 225.$$ B 5' +52 : $3 5...55
El valor de X5I o#tenido se compara con el precio a que se vende la in%ormaci)n, o#servando
que el X5I supera al costo de la in%ormaci)n, por lo que se concluye que es con!eniente
adI"irir &a inHor-aci)n.
( LNEAS DE ESPERA
Considerando que las lneas de espera son tan %recuentes en la sociedad moderna, no resulta
sorprendente que se (aya desarrollado un campo del conocimiento a partir de su estudio. 7ic(o
campo, que com4nmente se denomina teora de lneas de espera lo inici) un ingeniero dan*s
de tel*%onos, D. _. Erlang, quien en 'P'2 reali3) los primeros tra#a-os so#re pro#lemas de 1las.
Erlang esta#a interesado en los pro#lemas que tenan las personas que llama#an a un
conmutador tele%)nico.
En este tra#a-o se menciona con %recuencia a un sistema de lneas de espera. Con esto se (ace
re%erencia a todos los componentes que con%orman un arreglo de lneas de espera: unidades
que solicitan servicio, la lnea de espera propiamente dic(a, las instalaciones de servicio y las
unidades que se retiran despu*s de reci#ir servicio.
+'
La teora de lneas de espera a#arca un grupo muy grande de modelos, en donde cada uno se
re1ere a un tipo di%erente de situaci)n de lnea de espera. Sin em#argo, todos estos modelos
tienen algunas cosas en com4n. En primer lugar, no pretenden resolver pro#lemas de lneas de
espera, m"s #ien descri#en el sistema de lneas de espera al calcular las caractersticas de
operaci)n.
Estas incluyen elementos como el n4mero de unidades que esperan el servicio y el tiempo
promedio que una unidad espera para ser atendida. Eara calcular las caractersticas de
operaci)n, el usuario de#e especi1car ciertos par"metros del sistema, tales como la %orma en
que las unidades llegan para ser atendidas y la %orma en que se mane-a el servicio real.
El o#-etivo de los modelos de lneas de espera es m"s de descripci)n que de optimi3aci)n, y
cualquier optimi3aci)n que tenga lugar de#e llevarla a ca#o el usuario variando los par"metros
del sistema para o#tener di%erentes con-untos de caractersticas de operaci)n. El con-unto de
caractersticas de operaci)n que se a-usta en %orma m"s estrec(a a las necesidades del usuario
de1ne la me+or estructura del sistema. Eor esta ra3)n, es com4n que los modelos de lneas de
espera sean descripti$os m"s que normati$os!
7ado que muc(os de los par"metros de los modelos de lneas de espera no se conocen con
certidum#re, estos modelos son m"s #ien estoc"sticos que determinsticos. Los par"metros
como tasas de llegada y tasas de servicio se descri#en a trav*s de distri#uciones de
pro#a#ilidad, por ello, en el modelo se utili3an valores esperados o promedio. Dl mismo tiempo,
los modelos de lneas de espera son est"ticos y no lineales en ve3 de din"micos y lineales,
de#ido a que se supone que los par"metros no varan con el tiempo y que los cam#ios en las
caractersticas de operaci)n no son proporcionales a los cam#ios en los par"metros del modelo.
(.1 C&asifcaci)n
Con el o#-eto de veri1car si una situaci)n determinada del sistema de lneas de espera se
a-usta o no a un modelo conocido, se requiere un m*todo para clasi1car las lneas de espera.
Esa clasi1caci)n de#e responder preguntas como las siguientes:
'. YEl sistema de lneas de espera tiene un solo punto de servicio o e&isten puntos m4ltiples
de servicio en secuenciaZ
+. YE&iste s)lo una instalaci)n de servicio o son m4ltiples las instalaciones de servicio que
pueden atender a una unidadZ
.. YLas unidades que requieren servicio llegan siguiendo alg4n patr)n o llegan en %orma
aleatoriaZ
0. YEl tiempo que se requiere para el servicio se da en alg4n patr)n o asume duraciones
aleatorias de tiempoZ
Eara responder a las preguntas ' y +, en primer lugar de#e decidirse si una unidad (a de pasar
a trav*s de un solo punto de servicio o a trav*s de varios. Si se trata del primer caso, entonces
++
se tiene s)lo una entrada al punto de servicio y una salida del punto de servicio. Esto se
denomina sistema de etapa >nica. Si la salida del primer punto de servicio se convierte en la
entrada aun segundo punto de servicio, y as sucesivamente, se tiene un sistema de lneas de
espera de etapas m>ltiples, que es muc(o m"s comple-o y di%cil de anali3ar que los sistemas
de etapa 4nica. En la 1gura ..' se muestran am#as estructuras de lneas de espera.
7i#"ra (.1 Siste-as de etaa Jnica 6 de etaas -J&ti&es
Considerando solo el an"lisis de sistemas de etapa 4nica, entonces este tra#a-o solo se ocupar"
del n4mero y disposici)n de las lneas de espera en una sola etapa. En la 1gura ..+ se muestran
tres casos importantes de este tipo de sistemas. El primer caso (a! es una instalaci)n de
servicio 4nico, o canal como con %recuencia se denomina, con una sola lnea de espera. El
segundo caso (#! tiene instalaciones de servicio o canales m4ltiples y tam#i*n lneas de espera
m4ltiples. Estas son en esencia las simples en paralelo y pueden anali3arse como tales. El
tercer caso (c! es una sola lnea de espera atendida por instalaciones de servicio m4ltiple. En
am#os casos (# y c!, se supone en general que todas las instalaciones de servicio tienen una
e1ciencia equivalente.
+.
Entrada Servicio Salida
Entrada Servicio ' Servicio + Salida
Sistema de etapa 4nica
Sistema de etapas m4ltiples
Entrada Servicio Salida
Entrada Servicio Salida
Entrada Servicio Salida
0a2
042
0c2
7i#"ra (.$ E<e-&os de siste-as de etaa Jnica
(.$ Notaci)n de Kenda&&
Eor lo general, las tasas de llegada y de servicio no se conocen con certidum#re sino que son
de naturale3a estoc"stica o pro#a#ilstica. Es decir, los tiempos de llegada y de servicio de#en
descri#irse a trav*s de distri#uciones de pro#a#ilidad, y las distri#uciones de pro#a#ilidad que
se eli-an de#en descri#ir la %orma en que se comportan los tiempos de llegada o de servicio.
En teora de lneas de espera se utili3an tres distri#uciones de pro#a#ilidad #astante comunes:
'. 7e =ar9ov
+. 7eterminstica
.. `eneral
Gna distri#uci)n de Maro$ (en (onor de D. D. =ar9ov, matem"tico que identi1c) los eventos
sin memoria! se utili3a para descri#ir ocurrencias aleatorias, es decir, aquellas de las que puede
decirse carecen de memoria acerca de eventos pasados. Gna distri#uci)n determinstica es
aquella en la que los sucesos ocurren en %orma constante y sin cam#ios. Eor 4ltimo, una
distri#uci)n general sera cualquier otra distri#uci)n de pro#a#ilidad. Es posi#le descri#ir el
patr)n de llegadas por medio de una distri#uci)n de pro#a#ilidad y el patr)n de servicio a
trav*s de otra.
Eara permitir a los investigadores y estudiantes de la teora de lneas de espera comunicarse
entre s con %acilidad acerca de diversos sistemas de lneas de espera, _endall, matem"tico
#rit"nico, ela#or) una notaci)n a#reviada para descri#ir en %orma sencilla los par"metros de un
sistema de este tipo. En la notacin de Lendall un sistema de lneas de espera se designa como
D@F@C
7onde: D se sustituye por una letra que denote la distri#uci)n de llegada
F se sustituye por una letra que denote la distri#uci)n de servicio
C se sustituye por un entero positivo que denote el n4mero de canales de servicio
La notaci)n de _endall utili3a tam#i*n = : =ar9oviano, 7 : 7eterminstica y ` : `eneral. Eor
e-emplo, un sistema de lneas de espera con llegadas aleatorias, servicio determinstico y .
canales de servicio se identi1cara en notaci)n de _endall como:
=@7@.
En todos los casos, se supone que e&iste s)lo una lnea de entrada.
+0
(.( Consideraciones en e& an+&isis
Es evidente que e&isten otros atri#utos aparte de los que se anali3aron antes y que de#en
tomarse en consideraci)n cuando se anali3a un sistema de lneas de espera, Estos incluyen:
a! El tamaao de la po#laci)n de la que provienen los elementos que ingresan al sistema de
lneas de espera (poblacin %ue llega!.
#! La %orma en que las unidades llegan para ingresar al sistema de lneas de espera, por
e-emplo, una por una o en grupos.
c! La disciplina de la lnea de espera, o el orden en que se atienden las unidades (Yse atienden
las unidades en el orden en que llegan, es decir, el primero en llegar es el primero que se
atiende, o e&iste alg4n otro sistema de prioridad para el servicioZ!.
d! Si las unidades rec9a6an o no de#ido a la longitud de la lnea de espera y no ingresan al
sistema.
e! Si las unidades se arrepienten y abandonan el sistema despu*s de (a#er aguardado un
tiempo en la 1la.
%! Si e&iste o no espacio su1ciente para que todas las unidades que llegan aguarden en la 1la.
Las diversas respuestas a preguntas de este tipo, -unto con las di%erentes disposiciones de
pro#a#ilidad y los di%erentes n4meros de canales de servicio, sirven para generar una gran
variedad de tipos de sistemas de lneas de espera que de#en anali3arse. En este an"lisis se
supondr"n los casos m"s simples, en particular se supondr":
'. Gna po#laci)n in1nita que llega.
+. Las llegadas son en %orma individual.
.. Las unidades que llegan se atienden en el orden en que llegan.
0. Las llegadas no se rec(a3an ni a#andonan por la longitud de la lnea de espera.
5. Siempre (ay su1ciente espacio para que se %orme la lnea de espera.
Condiciones de estado estacionario
En muc(as situaciones de sistemas de lneas de espera, e&iste un periodo inicial, que es cuando
comien3a el periodo que se estudia. Este periodo inicial tiene muc(as caractersticas
transitorias que no son similares a los valores promedio a largo pla3o que se encuentran cuando
se esta#ili3a el sistema de lneas de espera. Este periodo no interesa. Se desean investigar las
caractersticas promedio a largo pla3o que se presentan cuando el sistema (a alcan3ado el
estado estacionario o esta#le. Estas son las condiciones de estado estacionario que se
calcular"n para las lneas de espera =@=@' y =@=@S. Se anali3an estos valores de estado
estacionario porque no dependen de la duraci)n del tiempo que el sistema (a estado operando.
Dunque es cierto que algunos sistemas no alcan3an nunca el estado estacionario, muc(os de
ellos se apro&iman lo su1ciente para que las caractersticas de este estado estacionario
resulten 4tiles para descri#ir el sistema.
+5
Recoi&aci)n de datos 6 distri4"ciones de ro4a4i&idad
Con o#-eto de emplear un modelo determinado de lneas de espera, en primer lugar se de#e
validar el modelo, es decir, se de#e pro#ar que la situaci)n real de lnea de espera se a+usta a
ese modelo. En este caso, y para utili3ar el modelo =@=@', interesa pro#ar que las llegadas son
aleatorias y que los tiempos de servicio tienen duraci)n aleatoria. Eara (acerlo, se necesita
pro#ar que la tasa real de llegadas se a-usta a la distri#uci)n de Eoisson y que la tasa real de
servicio se a-usta a la distri#uci)n e&ponencial negativa. En primer lugar, se de#en recopilar
datos so#re los tiempos de llegada y de servicio. 7espu*s, puede utili3arse una t*cnica
estadstica #ien conocida que se denomina r"e4a de 4ondad de a<"ste +i cuadrada (
+
!
para determinar si los datos se a-ustan en realidad a las distri#uciones mencionadas.
Eara a-ustar un modelo particular, por e-emplo el =@=@', se necesita recopilar datos so#re la
tasa promedio de llegadas , y el tiempo promedio de servicio '@

. Eara encontrar la tasa

promedio de llegadas se mantiene un registro del n4mero de llegadas por unidad de tiempo:
(ora, da, o el que sea. 7espu*s resulta sencillo calcular el promedio para todos los periodos
para los que se recopilaron datos. Eor supuesto, se de#e tener cuidado de asegurarse que la
tasa de llegadas no Nuct4a tanto, que (aga que el uso de un solo valor de resulte poco
realista.
=edir los tiempos de servicio es un poco m"s di%cil puesto que no es posi#le contar
simplemente el n4mero de casos de servicio que ocurrieron durante un periodo. Es evidente
que a largo pla3o este n4mero siempre ser" igual a la tasas de llegadas y por ello no sera una
medida v"lida del tiempo promedio de servicio. Es necesario medir en %orma individual los
tiempos de los servicios. 7espu*s, pueden utili3arse estos tiempos para calcular un tiempo
promedio de servicio, '@

.
(., %ode&o %L%L1
Con el o#-eto de utili3ar las lneas de espera =@=@', se tienen que suponer llegadas con
distri#uci)n de Eoisson y distri#uci)n de servicio e&ponencial negativa. Eara o#tener las
caractersticas de operaci)n de este tipo de lnea de espera, se de#en (acer otras
consideraciones. En primer lugar, de#e (a#er un solo canal de servicio al cual ingresan las
unidades que entran una por una. En segundo lugar, se considera que e&iste una po#laci)n
in1nita de entre la cual se originan las llegadas. 6am#i*n se supone que e&iste un espacio
in1nito para dar ca#ida a las llegadas que esperan en la 1la. Eor 4ltimo, se supone que las
unidades que llegan se atienden so#re la #ase primero %ue llega, primero %ue se atiende (que
tam#i*n se conoce como EEES, primero %ue entra, primero %ue sale!. La siguiente lista incluye
todas las consideraciones para las lneas de espera =@=@':
'. Llegadas aleatorias 4nicas (distri#uci)n de Eoisson!.
+. 6iempos de servicio aleatorios (distri#uci)n e&ponencial negativa!.
+
.. E&iste una situaci)n de estado estacionario.
0. Gn solo canal de servicio.
5. Eo#laci)n que llega in1nita.
. Espacio de espera in1nito.
$. 7isciplina de servicio de primero que llega primero que se atiende.
O. 5o (ay rec(a3o.
P. 5o (ay a#andono.
ba se (an anali3ado con detalle las tres primeras consideraciones. La cuarta de ellas, la de un
solo canal de servicio, se e&plica por s misma. Las dos consideraciones siguientes, po#laci)n
que llega in1nita y espacio de espera in1nito, simplemente signi1can que siempre estar"n
llegando clientes y que e&iste espacio adecuado para que esas unidades que llegan esperen.
Estas consideraciones aseguran que la situaci)n de lnea de espera no se complique porque
e&ista dependencia entre las llegadas o porque *stas a#andonen el sistema por %alta de espacio
para esperar. La consideraci)n de que el primero que llega es el primero que se atiende
asegura que las unidades que llegan posteriormente no son atendidas antes que las que
llegaron con anterioridad.
Caractersticas de oeraci)n de "n siste-a %L%L1
Eara calcular las caractersticas de operaci)n de una cola =@=@', primero se de#e o#servar que
si :tasa promedio de llegadas y

:tasa promedio de servicio, entonces de#e ser menor

que

. Si no %uera as, el promedio de llegadas sera superior al n4mero promedio de unidades

que se atienden, y el n4mero de unidades que est"n esperando se volvera in1nitamente
grande. Si se (ace que

:
@
puede denominarse a

#actor de utili6acin. Este valor,

, @
es la #raccin promedio de tiempo %ue el sistema est ocupado (ocupado se de1ne
como una o m"s unidades esperando y@o siendo atendidas!. M#servar que tam#i*n puede
considerarse que

es el n>mero promedio de unidades %ue estn siendo atendidas en

cual%uier momento. En t*rminos de pro#a#ilidad:
E
c
: pro#a#ilidad de que el sistema est* ocupado
E @
c
(..'!
Entonces, la pro#a#ilidad de que el sistema no est* tra#a-ando, o est* vaco, E
2
, puede
o#tenerse por medio de
E ' @ ' E '
c 2
(..+!
D partir de esto se puede o#tener la probabilidad de %ue 9a&a n unidades en el sistema, E
n
,
mediante
E
n
2
n
2 n
E ! @ !( E ( (...!
+$
en donde n es cualquier entero no negativo. Este importante resultado permite calcular las
caractersticas de operaci)n de las lneas de espera.
La primera caracterstica de operaci)n que se calcular" es el n>mero promedio de unidades
%ue se encuentran en el sistema, ya sea esperando o siendo atendidas. Se denominar" a este
n4mero promedio de unidades, L. 8ecordar que el valor promedio o valor esperado para una
distri#uci)n discreta de pro#a#ilidad est" dado por
E(d! :

2 d
! d ( dE
Eor ello, el n4mero esperado de unidades en el sistema est" dado por
L: n4mero esperado de unidades en el sistema
L :

2 n 2 n
n
2 n
nE nE
o
L:

'
(..0!
D(ora se puede utili3ar L, n4mero esperado de unidades en el sistema, para calcular todas las
otras caractersticas que se desean. En primer lugar se puede conocer el n>mero promedio de
unidades %ue esperan ser atendidas o L q . 7ado que L es el n4mero promedio de unidades que
est"n esperando o est"n siendo atendidas, y

es el n4mero promedio de unidades que est"n

siendo atendidas en alg4n momento dado, entonces L: L q <

. D partir de esto es %"cil

o#servar que
L q : L I

o
L
! ( '
+ +
q

(..5!
E&aminando a(ora el tiempo de espera y utili3ando c para representar el tiempo promedio o
esperado %ue una unidad se encuentra en el sistema, se o#serva que si L es el n4mero
esperado de unidades en el sistema y es el n4mero promedio de unidades que llegan para
ser atendidas por periodo, entonces el tiempo promedio que cualquier unidad que llega de#e
estar en el sistema est" dado por
c : tiempo esperado de una unidad en el sistema
c:

' L
(..!
+O
7e manera similar, el tiempo esperado o promedio %ue una unidad tiene %ue esperar antes de
ser atendida, Sq , est" dado por
c
! (
L
q
q

(..$!
M#s*rvese que c:cq < '@

. Esto indica que el total de tiempo invertido en el sistema, c,

es igual al tiempo de espera (cq ! m"s el tiempo de servicio ('@
!.
(.. %ode&o %L%LS
El modo que supone llegadas y tiempos de servicio aleatorios para canales de servicios
m4ltiples tiene las mismas consideraciones que el modelo de canal 4nico de servicio (=@=@'!,
e&cepto que a(ora e&iste una sola 1la de entrada que alimenta los canales m4ltiples de servicio
con iguales tasas de servicio.
Caractersticas de oeraci)n
En el modelo =@=@S, si

es la tasa promedio de servicio para cada uno de los S canales de

servicio, entonces ya no se requiere que

\ , pero S

de#e ser mayor que para evitar

una acumulaci)n in1nita de lneas de espera. En el caso de =@=@S, la caracterstica clave que se
utili3a para (acer los dem"s c"lculos es la pro#a#ilidad de que el sistema est* ocupado. En
otras pala#ras, la pro#a#ilidad es de que (aya S o m"s unidades en el sistema. En este caso,
todos los canales de servicio se estar"n utili3ando y por ellos se dice que el sistema est"
ocupado. Esto se escri#e como
E(sistema ocupado! : E(n
! S
(..O!
b puede calcularse utili3ando la %)rmula
E(sistema ocupado! :
2
S
E
! S ( L S
! S (


(..P!
donde
E
2
:

,
_

,
_

,
_

' S n
2 n
S n
S
S
L S
'
L n
'
'
(..'2!
Encontrar E(sistema ocupado! utili3ando la %)rmula (..P! no es di%cil si se tiene el valor de E
2
,
pero el c"lculo de E
2
utili3ando la ecuaci)n (..'2! es tedioso. En la ta#la ..' se proporciona el
valor de E
2
para diversos valores de

(es decir,
! @
y S.
+P
D(ora se puede utili3ar esta peculiaridad del sistema para calcular sus dem"s caractersticas.
En el modelo =@=@S, al igual que en el =@=@', se tiene que L:L
+
q , pero se usa el valor de
E(sistema ocupado! para calcular L q
L
q
:E(sistema ocupado! [

S
(..''!
b despu*s se calcula L:
L : E(sistema ocupado! [ +

S
(..'+!
En el caso =@=@S, al igual que en el =@=@', c:L@ y cq :L
@
q , por ello, se
tiene:
c :
1
]
1

S
[ ! pado sistemaocu ( E
'
(..'.!
cq :
1
]
1

S
[ ! pado sistemaocu ( E
'
(..'0!
.2
S
1 $ ( , . 3 5
2.'22 2.P222 2.P20O 2.P20O 2.P20O 2.P20O 2.P20O 2.P20O
2.+22 2.O222 2.O'O+ 2.O'O$ 2.O'O$ 2.O'O$ 2.O'O$ 2.O'O$
2..22 2.$222 2.$.P' 2.$02$ 2.$02O 2.$02O 2.$02O 2.$02O
2.022 2.222 2.$ 2.$2' 2.$2. 2.$2. 2.$2. 2.$2.
2.522 2.5222 2.222 2.2' 2.25 2.25 2.25 2.25
2.22 2.0222 2.5.O5 2.50$P 2.50O$ 2.50OO 2.50OO 2.50OO
2.$22 2..222 2.0O'5 2.0P5+ 2.0P55 2.0P 2.0P 2.0P
2.O22 2.+222 2.0+O 2.00$+ 2.00P' 2.00P. 2.00P. 2.00P.
2.P22 2.'222 2..$P. 2.02.5 2.02+ 2.025 2.02 2.02
'.222 2..... 2... 2..$. 2..$O 2..$P 2..$P
'.'22 2.+P2. 2..+$. 2...+' 2...+O 2...+P 2...+P
'.+22 2.+522 2.+P0' 2..22+ 2..2'' 2..2'+ 2..2'+
'..22 2.+'+' 2.+.O 2.+$'+ 2.+$+. 2.+$+5 2.+$+5
'.022 2.'$5 2.+.2 2.+00P 2.+0. 2.+0 2.+0
'.522 2.'0+P 2.+'25 2.++'2 2.+++O 2.++.' 2.++.'
'.22 2.''+2 2.'OO' 2.+22. 2.+2+0 2.+2'O 2.+2'O
'.$22 2.2O'' 2.'5$ 2.'$P 2.'O+' 2.'O+ 2.'O+$
'.O22 2.25+ 2.'02 2.'' 2.'0 2.'5+ 2.'5.
'.P22 2.2+5 2.'+$O 2.'05. 2.'0O$ 2.'0P0 2.'0P5
+.222 2.'''' 2.'.20 2.'.0. 2.'.5' 2.'.5.
+.'22 2.2P5$ 2.''P 2.'+'. 2.'+++ 2.'++0
+.+22 2.2O'5 2.'20 2.'2P0 2.''25 2.''2$
+..22 2.2O. 2.2P.. 2.2PO$ 2.2PPP 2.'22+
+.022 2.25+ 2.2O.' 2.2OOP 2.2P2. 2.2P2
+.522 2.200P 2.2$5$ 2.2O2' 2.2O' 2.2O+2
+.22 2.2.05 2.25' 2.2$+' 2.2$.$ 2.2$0+
+.$22 2.2+0P 2.25$. 2.20O 2.2 2.2$'
+.O22 2.2'2 2.252+ 2.25O' 2.22' 2.22
+.P22 2.22$$ 2.20.$ 2.25+' 2.250. 2.250O
..222 2.2.$$ 2.20 2.20$2 2.20P
..'22 2.2.+. 2.20'$ 2.2000 2.200O
..+22 2.2+$. 2.2.$+ 2.2.PO 2.2025
...22 2.2++$ 2.2..2 2.2.5O 2.2.
..022 2.2'O 2.2+P. 2.2.++ 2.2..'
..522 2.2'0O 2.2+5P 2.2+P2 2.2+PO
..22 2.2''. 2.2++O 2.2+2 2.2+P
..$22 2.22O' 2.2+22 2.2+.. 2.2+0.
..O22 2.225' 2.2'$0 2.2+2P 2.2+'P
..P22 2.22+5 2.2'5' 2.2'O$ 2.2'PO
0.222 2.2'.2 2.2'$ 2.2'$O
0.'22 2.2'+2 2.2'0P 2.2'2
0.+22 2.22P. 2.2'.+ 2.2'00
0..22 2.22$$ 2.2''$ 2.2'.2
0.022 2.22. 2.2'20 2.2''$
0.522 2.2252 2.22P' 2.2'25
0.22 2.22.O 2.22O2 2.22P0
0.$22 2.22+$ 2.22$2 2.22O0
0.O22 2.22'$ 2.22' 2.22$5
0.P22 2.222O 2.225. 2.22$
5.222 2.2205 2.222

Ta4&a (.1 *a&ores de PD

.'
(.3 %ode&o %LML1
En este caso las llegadas se distri#uyen de acuerdo con la distri#uci)n de Eoisson, pero los
tiempos de servicio no necesariamente se distri#uyen de acuerdo con la distri#uci)n
e&ponencial negativa. Si se considera el caso en que e&iste un solo canal, se est" considerando
el modelo =@`@', es decir, llegadas tipo =ar9ov, tiempo de servicio general y un canal de
servicio. M#servar que este caso incluye tam#i*n el modelo =@7@'.
Dl igual que con el caso =@=@S, no es posi#le calcular en %orma directa L, n4mero esperado de
unidades en el sistema. ="s #ien, de#e calcularse L q , n4mero de unidades que esperan ser
atendidas, y utili3ar el resultado de que L:L
+
q para encontrar el valor de L. Eara calcular L q ,
se de#e conocer el valor de la desviaci)n est"ndar de la distri#uci)n que descri#e los tiempos
de servicio, . Si no se conoce la distri#uci)n de los tiempos de servicio no es posi#le
determinar las caractersticas de operaci)n. Sin em#argo, si se conoce la desviaci)n est"ndar y
la media de la distri#uci)n de los tiempos de servicio, puede o#tenerse L q, a partir de la
ecuaci)n (..'5!:
L
! @ ' ( +
! @ (
+ + +
q

+
(..'5!
Gtili3ando L q, se puede a(ora determinar el valor de L a trav*s de
L:L
+
q (..'!
Dl igual que con las caractersticas de operaci)n de los casos =@=@' y =@=@S, se puede
determinar c, tiempo esperado en el sistema de lneas de espera, y c q, tiempo de espera que
se invierte antes de ser atendido, dividiendo L y L q entre el valor de , es decir,
c:L@ (..'$!
y
cq:L
@
q (..'O!
(.5 %ode&o %LDL1
El caso en el que los tiempos de servicio son determinsticos es el =@7@', que es caso especial
de la situaci)n =@`@' que se anali3) antes y en el que la desviaci)n est"ndar es igual a cero. En
este caso, se o#tiene el valor de L q de la siguiente manera
.+
L
! @ ' ( +
! @ (
+
q

(..'P!
b todas las dem"s caractersticas de operaci)n pueden determinarse a partir de este valor.
E<e-&o (.1 A&icaci)n de -etodo&o#a de &neas de esera
La gerencia de una empresa de #errocarril considera necesario pintar sus $agones una $e6 al
aCo! La alternati$a , cuesta D,@? ??? al aCo, & consiste en operar dos talleres de pintura
donde se pintar manualmente! El tiempo re%uerido para pintar cada $agn tiene una
distribucin e'ponencial con promedio de H 9oras! La alternati$a - consiste en operar un taller
donde utili6ar aire comprimido4 el costo anual ser de D-?? ???! En este caso, el tiempo para
pintar cada $agn tambin sigue una distribucin e'ponencial con promedio de / 9oras! En
ambos casos, los $agones llegaran al taller siguiendo una distribucin de Poisson con promedio
de un $agn por cada G 9oras!
Si no se utili6a un $agn el costo es de D/? por 9ora, & se supone %ue los talleres estaran
operando todas las GEH? 9oras del aCo! J"ul de las dos alternati$as es la me+orK
So&"ci)n
Para la alternati$a ,, la tasa promedio de llegadas, M/ $agones por da & la tasa promedio de
ser$icio,

MF $agones por da & se trata de un sistema M5M5-!

Para la alternati$a -, la tasa promedio de llegadas, M/ $agones por da & la tasa promedio de
ser$icio,

MG $agones por da & se trata de un sistema M5M5,!

El c"lculo se (ar" en una (o-a de c"lculo de E'cel, en la que se e%ect4an las operaciones
introduciendo las %)rmulas indicadas para cada modelo de lneas de espera.
..
DL6E85D6IXD ' DL6E85D6IXD +
=@=@+ =@=@'
+ '
. .
0 O
2.$5 2..$5
Eo 2.055 2.+5
Eso 2.+20$5
L 2.O$+O5 2.
Lq 2.'++O5 2.++5
c 2.+P2P5 2.+
cq 2.202P5 2.2$5
Costo de taller 0'2.P5OP20' 50$.P05+255
Costo espera +O.05+ 0.+
CMS6M 6M6DL '2.P.0'2P20 P$P.P05+255

Con el criterio de decisi)n del menor costo total, la alternativa a seleccionar es la alternativa +
que consiste en operar un solo taller. En el captulo 0 (e-emplo 0.+! se simulan los dos sistemas
y aparece como menor costo la alternativa ', en t*rminos generales, puede a1rmarse que se
podra o#tener un resultado acertado si se simulara un n4mero considera#le de veces la llegada
de los vagones y que dic(o resultado coincidira 1nalmente con los valores esperados que se
calcularon con criterio de lnea de espera.
E<e-&o (.$ A&icaci)n de -etodo&o#as de &neas de esera
8na compaCa sider>rgica %ue opera su propia Nota de barcos para importar mineral de 9ierro,
est considerando la construccin de #acilidades portuarias para sostener una nue$a planta! Se
debe decidir tanto el n>mero de lugares de descarga como el tipo de instalacin en cada uno,
con la idea de 9acer mnimos los costos totales de descarga!
Se puede construir un m'imo de tres lugares de descarga4 & se re%uiere %ue cada uno de
dic9os lugares %ue se constru&a tenga el mismo tipo de instalacin entre el tipo A, el 0 & el ",
para los cuales se dispone de la siguiente in#ormacin(
Tipo de
instalacin
"osto )+o
por da
"osto de
operacin por
da
"apacidad(
tonela+e medio
descargado por
da de operacin
A GF? GF? / H??
0 , /@? , /@? @ G??
" , @?? , H?? H F??
Los costos )+os inclu&en elementos tales como la amorti6acin del costo original de la
instalacin a lo largo de su $ida esperada, mantenimiento general, etc!4 se aplican estos costos
a todos los das, bien sea %ue se use o no el e%uipo! Se incurre en los costos de operacin
>nicamente durante los inter$alos de tiempo en %ue el e%uipo de descarga est realmente en
uso!
"ada uno de los barcos %ue $a a descargarse trae G ??? toneladas de mineral, & se considera
%ue llegan seg>n una distribucin de Poisson durante todo el aCo con una tasa media de
llegada de @ barcos por semana! Los tiempos de ser$icio para un tipo de instalacin se
considera %ue son e'ponenciales, con tasa media de ser$icio %ue corresponde a la columna de
capacidad media en la tabla!
Si el tiempo in$ertido en el sistema de descarga 3tiempo de espera ms tiempo de descarga1 se
considera %ue le cuesta a la compaCa D - ??? por barco & por da, J%u tipo de instalacin de
descarga debe seleccionarse, & %u tantos lugares deben construirseK
So&"ci)n
.0
E&isten nueve polticas posi#les, y cada una comprende la selecci)n entre los tipos de
instalaci)n (D, F, o C! y el n4mero de lugares (', +, o .!. La com#inaci)n (D, '! se puede
descartar inmediatamente, puesto que la tasa media de llegadas es 5@$:2.$'0 #arcos por
da, mientras que la tasa media de servicio

con la com#inaci)n (D'! es .22@O222:2.05

#arcos por da. El cociente de
@
, en este caso, trat"ndose de un sistema =@=@' es mayor
que uno por lo que se elimina como alternativa ya que la lnea de espera aumentara en %orma
in1nita. Las alternativas posi#les se pueden representar:
6ipo de
instalaci
)n
Lugares
' + .
D (D'! (D+! (D.!
F (F'! (F+! (F.!
C (C'! (C+! (C.!
Eor e-emplo, la alternativa F. es un sistema =@=@. de lneas de espera, tres lugares con
instalaci)n F en cada uno de ellos:
La tasa de llegadas para cada una de las oc(o alternativas permanece constante en 2.$'00
#arcos por da. La tasa de servicio para un solo lugar depende solamente del tipo de instalaci)n
de descarga, es decir:

D
: 2.052 #arcos por da

F
: 2.$+5 #arcos por da

C
: 2.O22 #arcos por da
El criterio de decisi)n ser" seleccionar aquella alternativa con el menor costo total esperado por
da, el cual estar" integrado por la suma de tres componentes:
'. El costo 1-o de las instalaciones
+. El costo de operaci)n de las instalaciones
.. El costo del tiempo de espera de los #arcos
7e ac" en adelante se calcular" el costo total que se le asigna a cada una de las alternativas,
en la %orma ta#ular que se presenta:
La -e<or a&ternati!a 0&a de -enor costo diario2 es &a a&ternati!a de dos &"#ares de
descar#a con insta&aci)n B en cada "no de e&&os.
.5
Instalaci)n F
Instalaci)n F
Instalaci)n F
Lugares
' + .
2.$'0+O5$'0 2.$'0+O5$'0 2.$'0+O5$'0
2.05 2.05 2.05
'.5O$.2'5O$ '.5O$.2'5O$ '.5O$.2'5O$
E o 2.''+ 2.'OO'
E so 2.O.$2O0 2.++0OO++
L 0.+'$'52.$' '.OO05$5$
A Lq +.+PO0O$O0 2.+PP'55P$P
c 5.P202'25'P +.0'2025P.
cq ..O'$OO+P$ 2.0'OO'O.$'
C. /i-o 'O2 +5+2
C. Mper. '.......... '..........
C. Espera O0.0..22$0+ .$$+.P'5'..
C. 6otal ''00$..02O $+.+0O0$
Lugares
' + .
2.$'0+O5$'0 2.$'0+O5$'0 2.$'0+O5$'0
2.$+5 2.$+5 2.$+5
2.PO5++'$5 2.PO5++'$5 2.PO5++'$5
E o 2..... 2...
E so 2..'OO'22O+ 2.2O+P'5P+
L .$ '.+P0$02+ '.2+$0'O25.
B Lq 5.O'000PP 2..2P5+0.5' 2.20+'P.$O
c P.......... '.O'+000.$ '.0.O.O5+$0
cq P'.P502++PP 2.0....02P+ 2.25P2$0P+P
C. /i-o '.52 +$22 0252
C. Mper. '..2.20P+' '..2.20P+' '..2.20P+'
C. Espera '.......... +5OP.0P+25+ +250.O.'25
C. 6otal '.2'...O+ 331:..,1(1( $0.0.OO5.
Lugares
' + .
2.$'0+O5$'0 2.$'0+O5$'0 2.$'0+O5$'0
2.O 2.O 2.O
2.OP+O5$'0. 2.OP+O5$'0. 2.OP+O5$'0.
E o 2..$P. 2.02.5
E so 2.+$.''.0$P 2.2O'0PP0.
L O.......... '.''.'2PP0P 2.P+'$.0+.$
C Lq $.0020$'P 2.++2+5+O2 2.2+OO$$2P0
c ''.$ '.55O.5.P+O '.+P20+$P.+
cq '2.0'$ 2..2O.5.P+O 2.2020+$P.+
C. /i-o '522 .222 0522
C. Mper. '0+O.5$'0+P '0+O.5$'0+P '0+O.5$'0+P
C. Espera '.$ +++.+'POP$ 'O0..0O0$0
C. 6otal 'P5P5.+.O' 50.$P'.+ $$$+.2.PP2.

.
, SI%ULACIN N %OTODOS DE %ONTECARLO
La simulaci)n es una t*cnica muy poderosa y ampliamente usada en para anali3ar y estudiar
sistemas comple-os.
Se puede de1nir a la simulaci)n como la t*cnica que imita el %uncionamiento de un sistema del
mundo real cuando evoluciona en el tiempo. Esto se (ace, por lo general, al crear un modelo de
simulaci)n. Gn modelo de simulacin com4nmente, toma la %orma de un con-unto de (ip)tesis
acerca del %uncionamiento del sistema, e&presado como relaciones matem"ticas o l)gicas entre
los o#-etos de inter*s del sistema.
Se de#e (acer notar que la simulaci)n no es una t*cnica de optimi3aci)n. Se emplea con m"s
%recuencia para anali3ar preguntas tipo J%u sucede s ! !K. es posi#le optimi3ar con la
simulaci)n, pero, en general, es un proceso tardado. 6am#i*n, la simulaci)n puede ser costosa.
Sin em#argo, con la creaci)n de lengua-es especiales para simulaci)n, costos decrecientes de
c)mputo y avances en metodologa de simulaci)n, el pro#lema del costo se (ace cada ve3
menos importante.
Ter-ino&o#a 4+sica
En la mayor parte de los estudios de simulaci)n, se trata de simular un sistema. Eor lo que se
de1nir"n varios t*rminos relacionados con los sistemas:
Siste-a
Gn sistema es un con-unto de entidades que act4an e interact4an para la reali3aci)n de un 1n
l)gico.
Estado
El estado de un sistema es el con-unto de varia#les necesarias para descri#ir la condici)n del
sistema en un momento determinado.
Siste-a discreto
Es aquel en el cual las varia#les de estado cam#ian s)lo en puntos discretos o conta#les en el
tiempo.
Siste-a contin"o
Gn sistema continuo es aquel en el que las varia#les de estado cam#ian en %orma continua a
trav*s del tiempo.
.$
%ode&o est+tico de si-"&aci)n
Es una representaci)n de un sistema en determinado punto en el tiempo.
Si-"&aci)n din+-ica
Es una representaci)n de c)mo evoluciona un sistema a trav*s del tiempo.
,.1 NJ-eros a&eatorios
D la t*cnica de utili3aci)n de una distri#uci)n de pro#a#ilidad para generar muestras aleatorias
de un proceso, se le conoce como tcnica de Montecarlo y al proceso para generar las
o#servaciones muestrales de una distri#uci)n espec1ca de pro#a#ilidad se le denomina
generador de proceso.
Meneraci)n de nJ-eros a&eatorios
En cualquier e&perimento de simulaci)n o de muestreo, e&iste la necesidad de un mecanismo
que proporcione n4meros aleatorios. La %orma de o#tener estos n4meros puede ser muy
variada y entre los primeros mecanismos empleados se tenan las ruletas, dados, cartas, etc.
Las caractersticas que de1nen a los n4meros aleatorios es que cualquiera de ellos tiene la
misma pro#a#ilidad de aparecer y cada n4mero es estadsticamente independiente de los
dem"s n4meros de la secuencia.
Se requiere de un procedimiento matem"tico para generar n4meros aleatorios y a trav*s de la
(istoria se (an ido per%eccionando, entre los m"s conocidos se pueden citar:
P. *on Ne"-ann
Se parte de un n4mero dado de n ci%ras que se eleva al cuadrado y del resultado o#tenido, que
en general es un n4mero de -n ci%ras, se toman las n ci%ras de la parte central, que a su ve3 se
vuelven a elevar al cuadrado, y as, sucesivamente. Gna desventa-a de este m*todo es que
tiende a degenerar r"pidamente dependiendo del n4mero inicial que se esco-a.
E<e-&o
Suponer que se quieren generar n4meros entre 2 y PPP y se escoge como n4mero inicial .2+, el
cual produce la siguiente secuencia:
(.2+!
+
:2P'+20

'+2
('+2!
+
:2'0022 002
(002!
+
:'P.22 .2
(.2!
+
:'+P22 P2
(P2!
+
:P+'22 '2
('2!
+
:2+522 52
(52!
+
:.'.22 .2
.O
a partir de este 4ltimo resultado se empie3a a repetir un ciclo %ormado por los n4meros P2,
'2, 52, .2, con lo cual degenera la secuencia.
Prod"ctos centra&es
Consiste en e%ectuar el producto entre dos n4meros seguidos de la sucesi)n de n4meros
pseudoaleatorios y del resultado, tomar los dgitos de en medio para o#tener el siguiente
n4mero de la sucesi)n. Se puede e&presar de la manera siguiente
G
' i i ' i
G [ G
+
(0.'!
E<e-&o' Meneraci)n de nJ-eros a&eatorios
Si se escoge arbitrariamente 8?M,@-, & 8,M,G,@ se obtiene la siguiente secuencia
G+:'O'5['5+':2+$2'5:$2
G.:$2['O'5:'.O20OP2:O20O
G0:O20O[$2:'+'.2OO:+'.2
G5:+'.2[O20O:2'$'0++0:$'0+
Le8-er
En 'P5' sugiri) que una secuencia de n4meros pseudoaleatorios podra generarse mediante la
relaci)n
&i:a&iI' (m)dulo m! (0.+!
Mreen4er#er
Se parte de una e&presi)n general de la %orma siguiente
Gi<': aGi<c (m)dulo m! (0..!
esta relaci)n se lee diciendo que Gi<' es congruente con aGi<c m)dulo m y signi1ca que aGi<c
se divide entre m y que el residuo que se o#tenga es el valor de Gi<'.
E<e-&o'
Si se escoge G2:5, a:+, c:. y m:'5 se tiene la siguiente secuencia
G':(+[5 <.! m)d '5:'.
G+:(+['.<.! m)d '5:'0
G.:(+['0<.! m)d '5: '
G0:(+[' <.! m)d '5: 5
G5:(+[5 <.! m)d '5: '
eue como se o#serva tiene un periodo de n:0.
.P
D los n4meros generados por alg4n procedimiento como los anteriores se les denomin) como
pseudoaleatorios, por considerar que no %ueron generados estrictamente en %orma aleatoria.
En E'cel de Microso#t
O
se pueden generar el n4mero su1ciente de n4meros aleatorios.
,.$ %Qtodos de %ontecar&o
Eara e&traer al a3ar un elemento de una po#laci)n descrita por la densidad de pro#a#ilidad,
%(&!, se procede como sigue:
a! Se di#u-a la distri#uci)n de pro#a#ilidad acumulada:
y : /(&! :

&
d& ! & ( % (0.0!
#! Eor medio de alg4n arti1cio se elige un decimal aleatorio (con tantas ci%ras como se desee!.
c! Se tra3a una recta (ori3ontal por el punto del e-e y correspondiente al decimal aleatorio
o#tenido en el inciso (#! (asta interceptar a la curva y:/(&!.
d! Se o#tiene el valor correspondiente al punto de intersecci)n. Este valor se toma como un
elemento de la muestra de valores &.
Se ilustra el procedimiento en la 1gura 0.':
7i#"ra ,.1 %"estreo a&eatorio. %Qtodo de %ontecar&o
El proceso antes mencionado no siempre es necesario llevarlo al detalle, ya que mediante los
generadores de proceso de algunas distri#uciones conocidas, es posi#le o#tener muestras
aleatorias mediante alguna %unci)n.
,.( Menerador de roceso "niHor-e
Eara un generador de proceso uni%orme se utili3an la #uncin densidad y la #uncin de
distribucin de la varia#le aleatoria de que se trate.
La %unci)n densidad para la distri#uci)n uni%orme se de1ne como sigue
E(&! :
a #
'

para a & # (0.5!

02
y
'.2
7ecimal aleatorio
y:/(&!
Elemento de la muestra
&
p(&!
'@(#Ia!
a b
&
`r"1camente, esto tendra la %orma que se muestra en la 1gura 0.+. M#servar que todos los
valores que se encuentran entre a y # tienen densidades iguales de '@(#Ia!:
7i#"ra ,.$ Distri4"ci)n de ro4a4i&idad "niHor-e ara e& inter!a&o 0aC 42
El procedimiento implica integrar la %unci)n densidad para el intervalo de valores, el
procedimiento es como sigue:
E(&! :

&
a
d& ! & ( p
Sustituyendo p(&! : '@(#Ia!, entonces
E(&! :

&
a
d&
a #
'

:
[ ]

&
a
&
a
&
a #
'
: [ ] a &
a #
'

por tanto,
E(&! :
a #
a &

(0.!
La gr"1ca de la %unci)n de distri#uci)n aparece en la 1gura 0..:
7i#"ra ,.( 7"nci)n de distri4"ci)n de &a distri4"ci)n "niHor-e en e& inter!a&o 0aC 42
En el procedimiento de muestreo para el m*todo de =ontecarlo, se o#tiene una muestra de la
%unci)n de distri#uci)n generando un decimal aleatorio, identi1cando la pro#a#ilidad asociada a
0'
E(&!
a b
&
'.2
aqu*l y eligiendo el valor correspondiente de la varia#le. En t*rminos num*ricos, se utili3a el
mismo procedimiento para ela#orar un generador de proceso. La t*cnica se denomina mtodo
de trans#ormacin in$ersa! El procedimiento implica igualar la varia#le aleatoria uni%orme 8 (en
donde 8 se encuentra entre cero y uno! a E(&! y despe-ar &:
8 : E(&! :
a #
a &

8(#Ia! : &Ia
/inalmente & ser":
& : a < 8(#Ia! (0.$!
7ada la ecuaci)n 0.$ que es el generador de proceso para la distri#uci)n uni%orme, es posi#le
generar varia#les con distri#uci)n uni%orme entre a y #, simplemente identi1cando a y #,
generando un decimal aleatorio 8 y sustituyendo en la ecuaci)n. Eor e-emplo, para generar una
varia#le aleatoria entre '2 y +2, la relaci)n %uncional sera
& : '2 < 8('2!
Eara el n4mero aleatorio 2.'.0, el valor de la varia#le aleatoria sera '.'.0.
El muestreo en una distri#uci)n uni%orme es #astante simple una ve3 que se (a determinado el
generador de proceso. Sin em#argo, este #ene1cio no se limita a la distri#uci)n uni%orme sino
que se aplica a todas las distri#uciones continuas.
,., Menerador de roceso con distri4"ci)n e/onencia& ne#ati!a
Su %unci)n densidad se de1ne como sigue
p(&! :
&
e

para 2 &
en donde

es la tasa promedio de servicio de una lnea de espera, o n4mero promedio de

unidades a las que se les da servicio por intervalo de tiempo. En la 1gura .P aparece la gr"1ca
de la %unci)n densidad:
7i#"ra ,., 7"nci)n densidad de &a distri4"ci)n e/onencia& ne#ati!a
Eara o#tener el generador de proceso, de#e calcularse primero la %unci)n acumulada de
densidad:
0+

p(&!

&
E(&! :

&
2
d& ! & ( p
:

&
2
&
d& e
:
[ ]
&
2
&
e

: [ ] [ ]
2 &
e e

:
' e
&
+

E(&! : Ie
'
&
+

(0.O!
Igualando la varia#le aleatoria uni%orme 8, a E(&! y despe-ando & se tiene:
8 : E(&! : ' I e
&
e
8 '
&


ln (e ! 8 ' ln( !
&


I
&
: ln ('I8!
por lo tanto
& : (I'@
! 8 ' ln( !
(0.P!
dado que la varia#le aleatoria 8 es sim*trica y tiene una distri#uci)n uni%orme entre 2 y ', la
distri#uci)n pro#a#ilstica para ('I8! equivale a la de 8, por tanto puede reempla3arse ('I8! por
8. Entonces, un generador de proceso igualmente v"lido para la distri#uci)n e&ponencial
negativa es:
& :(I'@
8 ln !
! (0.'2!
7ada la tasa promedio de servicio,

, y una varia#le aleatoria uni%orme , 8, a(ora es posi#le

generar valores muestrales para la longitud del tiempo de servicio, &.
E<e-&o ,.1 O4tenci)n de "na -"estra a&eatoria
Si la tasa promedio de ser$icio,

, para una operacin determinada es de H unidades por 9ora

& se genera el $alor aleatorio uni#orme de ?!@, entonces el $alor muestral sera(
& : ! 5 . 2 ln( [

'
: (I'@!(I2.P.! (oras
: (I2@!(I2.P.! minutos
: .P. minutos
,.. Menerador de roceso 4ino-ia&
La %unci)n densidad de la distri#uci)n #inomial, se e&presa como sigue
0.
p(&! :
& n &
! p ' ( p
!L & n ( L &
L n

(0.''!
en donde n : n4mero de ensayos independientes (tamaao de la muestra!
p : pro#a#ilidad de *&ito en cualquier ensayo
& : varia#le aleatoria que representa el n4mero de *&itos en n ensayos
7ados los par"metros n y p, el generador de proceso #inomial simplemente implica muestrear
n veces y contar el n4mero de *&itos, &. En cada ensayo, se genera un valor aleatorio, 8, y se
compara con la pro#a#ilidad de *&ito, p. Si el valor aleatorio 8 es menor que p, el ensayo se
denomina *&ito y se cuenta, si 8 p, el ensayo es %racaso. 7espu*s de n ensayos, el n4mero
total de *&itos es el valor de la varia#le #inomial aleatoria.
,.3 Pr"e4a de 4ondad de a<"ste
Dntes de poder utili3ar un generador de proceso en un estudio de simulaci)n, de#e
demostrarse primero que es posi#le representar los datos empricos a trav*s de una
distri#uci)n de pro#a#ilidad te)rica conocida. Es posi#le emplear diversas prue#as estadsticas
para pro#ar la #ondad de a-uste de una distri#uci)n te)rica a un con-unto determinado de
datos. Gna de las que se usan con m"s %recuencia es la prue#a de -i cuadrada (
+
!.
La prue#a de
+
pretende determinar si e&iste di%erencia signi1cativa entre las %recuencias
esperadas (las que se #asan en la distri#uci)n te)rica! y las %recuencias reales (las de los
datos!. Los pasos que se utili3an en el proceso de prue#a son los siguientes:
'. Elantear la (ip)tesis de prue#a, R2, que seaala que los datos o#servados se e&tra-eron de
una po#laci)n que puede descri#irse a trav*s de una distri#uci)n te)rica conocida.
+. Elantear la (ip)tesis alternativa, R', que seaala que los datos o#servados no se e&tra-eron
de la po#laci)n planteada en el paso '.
.. Identi1car el nivel de signi1cancia, , con el que se llevar" a ca#o la prue#a. Arecordar que
('I ! es el nivel de con1an3a de una prue#a estadstica.C.
0. Gtili3ando la siguiente relaci)n:

e
+
e 2 +
cal
%
! % % (
(0.'+!
En donde
+
cal
: valor calculado de
+

%2 : %recuencias o#servadas
%e : %recuencias te)ricas o esperadas
Ero#ar la
+
cal
con la
+
ta#las
. Si
+
cal
\
+
ta#las
, entonces se rec(a3a R2 (se acepta R'!, si
+
cal

+
ta#las
, no se rec(a3a R2. El valor de
+
ta#las
se encuentra en una ta#la de -i cuadrada y est"
00
de1nido por el n4mero de grados de li#ertad (g. L.!. Los grados de li#ertad, para la mayora de
las prue#as de #ondad de a-uste, se de1nen de la siguiente manera:
g. l. : 54mero de categoras (clases! B n4mero de par"metros B '
en donde el n4mero de par"metros se de1ne como el n4mero de estadsticos (
,
,
,
, etc.!
que se requieren para descri#ir una distri#uci)n determinada.
E<e-&o ,.$ Pr"e4a de 4ondad de a<"ste
Suponer %ue los datos %ue aparecen en las dos primeras columnas de la tabla F!,
corresponden al n>mero de clientes %ue entran a un banco cada 9ora! Estos datos se
recolectaron al a6ar para -?F periodos de una 9ora! "on base en estos datos, se planteara la
9iptesis <? de %ue los datos pueden representarse por medio de una distribucin de Poisson!
La 9iptesis alternati$a <,, es %ue la distribucin no puede representarse mediante la de
Poisson!
Ta4&a ,.1 C+&c"&os de &a r"e4a
54mero de
llegadas por (ora
(&!
/recuencia
o#servada (%o!
/recuencia
esperada (%e!
e
+
e o
%
! % % (
2 $2 $5.25 2...PO
' O0 $5.25 '.2$.
+ .0 .$.5+ ...2+
. '+ '+.5' .22OO
0 o m"s 0 ..O$
+20 $0' . '
+
cal

Dntes de pro#ar la (ip)tesis R2, se necesita calcular
+
cal
. Se comien3a calculando el n4mero
promedio de llegadas por (ora, :

'
+20
+20
%
&%
o
o

Gtili3ando ' y la %unci)n densidad de Eoisson se pueden calcular las pro#a#ilidades de que
entren al #anco diversos n4meros de clientes. Estos ser"n:
E(&:2! : 2..$OO
E(&:'! : 2..$OO
E(&:+! : 2.'O.P0
E(&:.! : 2.2'.'
E(&0! : 2.2'OPP
7ado que n, n4mero total de o#servaciones, es +20, las %recuencias te)ricas o esperadas se
determinan multiplicando las pro#a#ilidades anteriores por +20. Estos datos se muestran en la
columna . de la ta#la 0.'. Dplicando la ecuaci)n 0.'+ se puede calcular la columna 0 de la
05
ta#la. La suma de la columna 0 produce
+
cal
. (Dl calcularla, se supone que cada clase de datos
tiene una %e de cuando menos 5. 7ado que el valor esperado para &0 es de s)lo ..O$
o#servaciones, se agruparon las clases . y 0.!
El n4mero de grados de li#ertad para esta prue#a espec1ca es +, puesto que e&isten cuatro
clases de datos en el con-unto original y la distri#uci)n de Eoisson tiene un par"metro, . Si se
desea pro#ar la (ip)tesis R2 a un nivel de con1an3a del P5 >, entonces : 2.25. Consultando
la ta#la de
+
, se encuentra que para : 2.25 y g. l.:+, PP' . 5
+
ta#las
. 7ado que
+
cal
es
menor que
+
ta#las
, entonces no se rec(a3a R2 y se concluye que &os datos "eden si-"&arse
en Hor-a adec"ada con "n #enerador de roceso de Poisson.
,.5 Des!iaciones a&eatorias nor-a&es
El proceso descrito para un muestreo de =ontecarlo, no es necesario emplearlo para el caso de
la distri#uci)n normal. Eara o#tener muestras de la distri#uci)n normal se utili3an ta#las con
des$iaciones aleatorias normales o#tenidas de una po#laci)n con media cero y desviaci)n
est"ndar uno. El elemento correspondiente de la muestra se o#tiene multiplicando la desviaci)n
aleatoria normal por
&
y sum"ndole
&
.
Se ane&a la ta#la de
+
y la ta#la con desviaciones aleatorias normales.
E<e-&o ,.( Si-"&aci)n de& siste-a
La produccin diaria de un sistema 9idroelctrico en =:9 tiene la siguiente distribucin(
=:95da ,? ,, ,- ,/ ,F ,@ ,H
Probabilidad
?!?
@
?!,
?
?!-
?
?!/
?
?!-
?
?!,
?
?!?
@
Probabilidad
acumulada
?!?
@
?!,
@
?!/
@
?!H
@
?!G
@
?!I
@
,!?
El n4mero diario de consumidores de la energa producida tiene la siguiente distri#uci)n:
A>mero de
consumidores5da
@ H E G I ,?
Probabilidad
?!,
?
?!,
@
?!-
?
?!F
?
?!,
?
?!?
@
Probabilidad
acumulada
?!,
?
?!-
@
?!F
@
?!G
@
?!I
@
,!?
La probabilidad de %ue un consumidor re%uiera de ,, -, o / =:9 est dada por(
=:95consumidor , - /
0
Probabilidad ?!F? ?!F? ?!-?
Probabilidad
acumulada
?!F? ?!G? ,!?
Estimar con mtodos de Montecarlo, el n>mero de =:9 no consumidos & el n>mero medio de
L=:9 re%ueridos por da debido a una produccin insu)ciente! Suponer %ue la produccin de un
da no puede ser utili6ada en el siguiente!
So&"ci)n
El primer paso consiste en di#u-ar o conceptuali3ar la distri#uci)n de pro#a#ilidad acumulada
para las varia#les aleatorias en cuesti)n, las cuales se muestran en las 1guras 0.5 a, 0.5 # y 0.5
c:
7i#"ra ,.. Distri4"ciones de ro4a4i&idad ac"-"&ada
Se simular"n '2 das del proceso producci)nIconsumo, desde luego un mayor n4mero de das
proporcionaran resultados m"s con1a#les.
Se calcular" el n4mero de 9SI( producidos en cada uno de los '2 das, generando '2 n4meros
aleatorios decimales y empleando la 1gura 0.5 a, los resultados se muestran en la ta#la 0.+:
Ta4&a ,.$
7a ' + . 0 5 $ O P '2
54mero aleatorio
.
+$'
.
P'0
.
205
.
0+
.
0P.
.
PO.
.
$5
.
$00
.
'O0
.
+$
Eroducci)n '+ '5 '2 '. '. ' '0 '0 '+ '.
Enseguida se calcula el n4mero diario de consumidores generando '2 n4meros aleatorios y
usando la 1gura 0.5 #, los resultados se muestran en la ta#la 0..:
Ta4&a ,.(
0$
'.2
2.5
'2 '' '+ '. '0 '5 ' 5 $ O P '2 ' + .
2
'.2 '.2
2.5
2.5 2.5
2 2
Eroducci)n
diaria
54mero diario
de
Consumidor
es
Consumo
diario
/(&! /(&! /(&!
0.5 a 0.5 # 0.5 c
7a ' + . 0 5 $ O P '2
54mero aleatorio
.
+'0
.
.$'
.
P.
.
O5+
.
$O
.
PP'
.
+0
.
+O
.
.2O
.
.O5
54mero de
consumidores
$ P P O '2 $ $ $ $
D(ora se calcular" el consumo para cada uno de los $$ clientes que se muestran en la ta#la
0.0. Esto se logra utili3ando la 1gura 0.5c y los resultados se muestran en la ta#la 0.0. La suma
por columna proporciona la demanda del da correspondiente y la di%erencia de *stas con la
producci)n respectiva conduce al d*1cit o al e&ceso de la misma.
Ta4&a ,.,
7a
Consumidor
' + . 0 5 $ O P
'2
C
o
n
s
u
m
o
t
o
t
a
l
E
r
o
d
u
c
c
i
)
n
7
*
1
c
i
t
E
&
c
e
s
o
,
A! A! !/E !?G !H@ !?G !@E !--
"ons! , , - , - , G ,- F
-
A! A! !,? !E- !G@ !@, !?, !?I !-H
"ons! , - / - , , , ,, ,@ F
/
A! A! !E/ !@@ !HI !GF !F, !FI !I? !E- !I-
"ons! - - - / - - / - / -, ,? ,,
F
A! A! !?@ !I- !F? !HE !GI !,/ !/E !/F !@-
"ons! , / - - / , , , - ,H ,/ /
@
A! A! !,F !?F !HG !-? !?E !I@ !,G !@G
"ons! , , - , , / , - ,- ,/ ,
H
A! A! !@/ !I? !@- !G- !FG !/? !FF !-@ !HG !@/
"ons! - / - / - , - , - - -? ,H F
E
A! A! !-, !II !/G !/F !?, !H/ !?/
"ons! , / , , , - , ,? ,F F
G
A! A! !,H !@@ !/E !II !/I !E, !@/
"ons! , - , / , - - ,- ,F -
I
A! A! !FI !/G !?- !I@ !F/ !,E !@H
"ons! - , , / - , - ,- ,- : :
,?
A! A! !IE !/E !E@ !H? !,- !IE !I@
"ons! / , - - , / / ,H ,/ /
-, ,@
En el periodo de '2 das simulados se tiene un total de '5 _SI( no consumidos y un total de +'
_SI( requeridos y no proporcionados. Consecuentemente:
NJ-ero -edio de 1@=8 no cons"-idos G 1.. 1@=8Lda
NJ-ero -edio de 1@=8 reI"eridos 6 no roorcionados G $.1 1@=8Lda
E<e-&o ,., To-a de decisiones con si-"&aci)n
0O
La gerencia de una empresa de #errocarril considera necesario pintar sus $agones una $e6 al
aCo! La alternati$a , cuesta D,@? ??? al aCo, & consiste en operar dos talleres de pintura
donde se pintar manualmente! El tiempo re%uerido para pintar cada $agn tiene una
distribucin e'ponencial con promedio de H 9oras! La alternati$a - consiste en operar un taller
donde utili6ar aire comprimido4 el costo anual ser de D-?? ???! En este caso, el tiempo para
pintar cada $agn tambin sigue una distribucin e'ponencial con promedio de / 9oras! En
ambos casos, los $agones llegaran al taller siguiendo una distribucin de Poisson con promedio
de un $agn por cada G 9oras!
Si no se utili6a un $agn, el costo es de D/? por 9ora, & se supone %ue los talleres estaran
operando todas las GEH? 9oras del aCo! J"ul de las dos alternati$as es la me+orK
So&"ci)n
Eara generar muestras aleatorias de las llegadas y de los servicios, se utili3ar"n los
generadores de proceso de Eoisson y e&ponencial, respectivamente.
6iempo entre llegadas:
& : I'@ (ln 8!
6iempo de servicio:
& : I'@

(ln 8!
7onde es la tasa promedio de llegadas y

es la tasa promedio de servicio, 8 representa a

un n4mero decimal aleatorio, el cual puede ser generado en una (o-a de c"lculo de E&cel:
<erramientas P Anlisis de datos P Qeneracin de n>meros aleatorios, en esta ventana de
di"logo (ay que esta#lecer el A>mero de $ariables, "antidad de n>meros aleatorios y
Distribucin, que se re1ere al n4mero de varia#les aleatorias en cuesti)n, a la cantidad de
n4meros en cada con-unto y al tipo de n4mero que se desea generar, respectivamente. En este
caso, se necesitan de una distri#uci)n uni%orme.
La tasa promedio de llegadas en am#as alternativas es : . vagones por da, la tasa
promedio de servicio para la alternativa ' es de

: 0 vagones por da y para la alternativa +

es de

:O vagones por da.

El proceso de simulaci)n se (ar" en una (o-a de c"lculo y se simular" cada tiempo entre
llegadas y cada tiempo de servicio, con las e&presiones:
6iempo entre llegadas, alternativas ' y +:
& : I'@. (ln 8! das : I+0@. (ln 8! : IO ln 8 ((oras!
6iempo de servicio, alternativa ':
& : I'@0 (ln 8! das : I+0@0 (ln 8! : I ln 8 ((oras!
6iempo de servicio, alternativa +:
& : I'@O (ln 8! das : I+0@O (ln 8! : I. ln 8 ((oras!
0P
R o r a d e i n i c i o : 2 ( r s
S I S 6 E = D = @ = @ + A L T E R N A T I * A 1
6 i e m p o R o r a e n
5 D e n t r e R o r a e n Y E s p e r a Z q u e e n t r a 5 D 6 i e m p o R o r a e n 6 a ll e r L L q
l l e g a d a s q u e l le g a a s e r v i c i o d e s e r v ic i o q u e s a l e
2 . . O + $ . P O $ 0 $ . P O $ 0 $ . P O $ 0 2 . ' 2 2 O ' ' . . $ $ 0 O + + ' . 0 $ . 0 P ' ' 2
2 . O O 0 ' 2 . P O 2 O $ + O . $ P 5 0 5 O . $ P 5 0 5 2 . P 5 O 0 0 2 . + 5 0 5 . O O . P . 0 2 O . + + 2
2 . O . + 0 $ ' . ' $ 0 . P P . O 5 5 P O 5 P . O 5 5 P O 5 2 . ' . O 5 O 5 ' ' . O 5 $ 5 + ' . $ ' . . + + 2
2 . 2 . + . O + $ . 0 0 ' O . $ . + P $ $ . $ . + P $ $ 2 . ' 0 ' + P ' 2 . O 0 + . 0 O . ' 0 2 . ' ' 2
2 . + O 5 2 0 . ' 2 . 2 0 2 P . 0 $ . . . O 5 P 0 $ . . . O 5 P 2 . . 0 . 2 O P . 0 ' O 5 P ' 5 . . $ 5 $ ' O + + 2
2 . . $ ' O . O $ . P ' 0 . O 5 5 . + 5 + P O 5 5 . + 5 + P O 2 . . 5 5 2 + . + 2 . 0 ' . 0 5 0 ' ' 2
2 . 0 + ' . O + . 5 ' 5 + . 2 $ 0 P + . 2 $ 0 P 2 . . 2 . P 2 . $ . ' 0 + $ 0 P . + + + $ $ + ' 2
2 . P P ' + 0 ' 2 . 2 $ 2 . $ P + . ' 0 O $ + . ' 0 O $ 2 . + 5 + 0 O . ' P + O 0 $ 2 . . ' ' 5 ' + 2
2 . $ 2 5 2 . P + . $ P 2 + + 0 . P 0 + O P 0 . + $ P O $ . P . + + + $ $ 2 . O ' 5 + . ' . + ' + 2 . $ 2 . 0 . O P $ + . '
2 . . 2 2 + ' ' P . + ' P $ 0 . 5 P 2 $ 0 . 5 P 2 2 . $ 5 2 + 2 ' . $ + 0 0 0 5 $ . + P . 5 ' ' ' 2
2 . 2 $ 0 . 0 . + 2 . $ P + 5 + P 5 . . ' 5 O P 5 . . ' 5 O 2 . ' P O 0 . ' P . $ 2 . O $ . ' 2 5 . 2 5 5 + ' 2
2 . 0 O $ 2 0 5 5 . $ 5 5 ' P + ' 2 ' . ' ' O ' 2 ' . ' ' O 2 . 5 ' ' + ' 0 . 2 + 5 $ O 0 ' 2 5 . ' 0 + ' + 2
2 . 2 0 2 $ ' + + 5 . 2 P P + ' + . $ + $ ' + . $ + $ 2 . + . 2 $ + O . $ P P . 2 0 ' . 5 . 5 + + ' 2
2 . ' 2 2 . ' 0 ' O . . P 5 5 $ ' 0 5 . ' + + . ' 0 5 . ' + + . 2 . + 5 P ' O . ' 5 P + O P ' 5 . . + O ' ' ' 2
2 . O 2 P ' 2 $ ' . P 0 5 P ' 0 . O ' P ' 0 . O ' P 2 . $ + 0 . + ' . P . 5 2 O ' 0 O . $ 5 ' P + + 2
2 . $ 5 ' 5 $ + . + . 2 0 P ' 0 P . 2 5 + P ' 0 P . 2 5 + P 2 . + 5 ' 0 + . O 2 5 5 ' 5 ' . O 5 O 0 + + 2
2 . 5 5 + . + 0 0 . $ 0 O P 0 ' 5 . . O 2 ' P ' 5 . . O 2 ' P 2 . $ ' ' 5 2 P + . 2 0 + + 2 $ ' 5 5 . O 0 0 ' + ' 2
2 . P $ 2 + $ 5 2 . + 0 ' 0 2 ' 5 0 . 2 0 . . ' 5 0 . 2 0 . . 2 . O P 0 ' + . + 5 . 2 0 ' 5 . + P . ' + 2
2 . O 2 5 5 O ' . $ + O $ ' 5 5 . $ $ + 2 . 2 $ + 2 . 5 ' 5 5 . O 0 0 ' 2 . + + + ' 5 O . 2 . ' 5 0 + ' . . O $ 5 + + 2
2 . ' ' 0 O 0 ' ' $ . . ' . 0 ' $ . . 2 O 5 $ ' $ . . 2 O 5 $ 2 . 2 5 P 5 ' ' ' . P + P 5 ' P 2 . 2 ' 5 + ' ' 2
0 . . 5 ' P 2 O ' . + . + P . . . ' '
C o s t o : L : ' . 5 5
6 a ll e r : . + 5 . . O C o s t o d ia r i o a lt e r n a t i v a ' : P + O . $ . 2 $ L q : 2 . 2 5
E s p e r a 0 2 P P . . 5 5 c : . O . + + 5 P d a s
$ . 5 . . 2 0 ' c q : 2 . + ' $ 5 P 5 d a s

52
Co-arando &os costos de &as a&ternati!asC se o4ser!a I"e es -enor e& costo diario
asociado a &a a&ternati!a 1 0"ti&iAar dos ta&&eres de int"ra2C or &o I"e es reHeri4&e
esta a&ternati!a.
Este pro#lema est" resuelto tam#i*n con criterio de lnea de espera en el captulo ., por lo que
se sugiere al lector comparar am#os m*todos e in%erir conclusiones.
5'
R o r a d e i n i c i o : 2 ( r s
S I S 6 E = D = @ = @ ' A L T E R N A T I * A $
6 i e m p o R o r a e n
5 D e n t r e R o r a e n Y E s p e r a Z q u e e n t r a 5 D 6 i e m p o R o r a e n L L q
l l e g a d a s q u e l le g a a s e r v i c i o d e s e r v ic i o q u e s a l e
2 . 5 P 0 O 0 0 . ' . . ' P 0 . ' . . ' P 0 . ' . . ' P 2 . O P P ' 2 2 . . ' P 2 0 0 . 0 5 + O . ' 2
2 . 2 ' 0 0 P . . . O $ 2 P . O . 2 2 0 5 + . O . 2 2 0 5 + 2 . 0 2 $ 0 + + + . P . $ ' $ 0 2 . P O + . ' 2
2 . + 0 5 2 . . ' ' . + 5 2 P 0 P . + 5 5 0 ' 0 P . + 5 5 0 ' 2 . 2 0 5 0 $ . P . + $ ' P . $ 5 O . 5 + $ . 5 ' 2
2 . + ' P ' ' ' + . ' + $ ' $ ' . . O + 5 P ' . . O + 5 P 2 . 2 ' $ 2 P ' + . + 2 $ $ + $ . . 5 P 2 . ' + '
2 . 5 5 . . 0 . $ + P P $ P . ' ' + 5 $ $ . 0 $ $ $ 0 + $ . . 5 P 2 . ' 2 . . 5 $ . $ + . . 2 O P . $ . $ $ + 0 + '
2 . P ' 2 . 2 2 . $ 5 ' $ P 5 . O 0 . P . O ' + O O 0 $ . $ $ + 0 2 . 0 2 ' O + . + P 2 5 P 5 $ O . P $ O 0 . +
2 . P $ 5 $ 2 $ 2 . ' P $ 0 ' $ . 2 ' ' ' ' . P 2 $ 0 $ O . P $ O 0 2 . O 2 5 2 . 0 0 5 0 $ P . ' + . O 0 .
2 . P 5 ' O P 2 . . P ' . 0 $ . 0 5 $ + 0 ' + . ' 5 5 ' 0 $ P . ' + . O 2 . 2 5 . 0 . O O . $ O $ $ 2 5 O O . 0 2 2 2 O 5 0
2 . P $ + 5 2 . 2 . + + . 2 5 O $ . O 2 + P + 2 . $ ' P $ P O O . 0 2 2 2 O 2 . 0 . + . + . + O O . ' P 2 . O O $ ' 5
2 . . 5 ' 0 O + O . . 0 $ O + $ . 2 0 5 2 O ' 0 . 0 . 0 P 2 . O O $ ' 2 . $ $ 5 5 O 2 . $ + ' + P P ' . 0 5 2 O 0 5
2 . 2 0 2 5 O + ' . P O . P P O . 2 + O $ P O . 2 + O $ 2 . . 5 O . 0 O . . 2 $ O $ 0 P ' 2 ' . ' 2 $ 5 ' 2
2 . . $ . 0 5 5 $ . O $ P + ' 2 5 . P 2 O 0 ' 2 5 . P 2 O 0 2 . P O 5 P 2 . 2 0 + ' 2 5 . P 5 ' ' 2
2 . 2 2 0 P $ 5 0 + . 0 + $ 0 + ' 0 O . . . 5 O ' 0 O . . . 5 O 2 . P + ' 0 5 2 . + . 2 ' $ . ' 0 O . 5 ' 2
2 . $ $ 5 O P + . 2 . + 2 + P ' 5 2 . . $ P ' 5 2 . . $ P 2 . $ P 0 $ ' . ' 5 O 5 0 0 ' 5 ' . 5 + 0 ' 2
2 . 2 O 5 2 5 5 ' P . $ ' 5 5 ' $ 2 . 2 O . 5 ' $ 2 . 2 O . 5 2 . ' . + + $ . 2 O $ P . ' $ . ' 5 + . ' 2
2 . ' $ . 5 ' 0 . 2 2 5 P ' O 0 . 2 O P + ' O 0 . 2 O P + 2 . 0 2 0 $ P O + . $ ' . ' 2 5 ' O . O 2 + . ' 2
2 . 5 5 5 ' + 0 . $ 2 $ P ' O O . $ P $ + ' O O . $ P $ + 2 . ' O ' ' 5 O 5 . ' + 5 ' 5 P ' P . . P + + . ' 2
2 . 5 + O $ P 0 5 . 2 P $ + 0 $ ' P . . O P 0 0 2 . 2 + $ P ' + ' P . . P + + . 2 . $ P O 2 . O ' O O 5 ' P 0 . 2 0 + + '
2 . ' $ $ P 5 . ' . . O 2 P O $ + 2 $ . $ 2 0 . + 2 $ . $ 2 0 . 2 . O $ 5 2 . 0 + O P P . + 2 O . ' . . . ' 2
2 . $ ' 5 5 P + . ' $ P ' 2 + + 2 P . O O . 0 + 2 P . O O . 0 2 . $ . O . P 5 2 . P 2 P O + O + ' 2 . $ P . + ' 2
$ . $ 0 . O 5 + . $ P 2 O 0 + + +
C o s t o : L : + . '
6 a ll e r : 0 O ' + . . ' C o s t o d i a r i o d e a l t e r n a t i v a + : ' 2 + 0 . 5 0 P L q : ' . '
E s p e r a 0 ' O . 2 0 c : . P $ $ . . d a s
O P P O . $ c q : . . O . $ ' P + d a s
ANERO' TABLAS
Ta4&a A.1 Ordenadas de &a c"r!a nor-a& est+ndar
- 5 6
-
e
-
,
1 6 3 #
!
:
5+
t 2 ' + . 0 5 $ O P
2 2..POP 2..POP 2..POP 2..POO 2..PO 2..PO0 2..PO+ 2..PO2 2..P$$ 2..P$.
2.' 2..P$2 2..P5 2..P' 2..P5 2..P5' 2..P05 2..P.P 2..P.+ 2..P+5 2..P'O
2.+ 2..P'2 2..P2+ 2..OP0 2..OO5 2..O$ 2..O$ 2..O5$ 2..O0$ 2..O. 2..O+5
2.. 2..O'0 2..O2+ 2..$P2 2..$$O 2..$5 2..$5+ 2..$.P 2..$+5 2..$'+ 2..P$
2.0 2..O. 2..O 2..5. 2...$ 2..+' 2..25 2..5OP 2..5$+ 2..555 2..5.O
2.5 2..5+' 2..52. 2..0O5 2..0$ 2..00O 2..0+P 2..0'2 2...P' 2...$+ 2...5+
2. 2....+ 2...'+ 2..+P+ 2..+$' 2..+5' 2..+.2 2..+2P 2..'O$ 2..' 2..'00
2.$ 2..'+. 2..'2' 2..2$P 2..25 2..2.0 2..2'' 2.+POP 2.+P 2.+P0. 2.+P+2
2.O 2.+OP$ 2.+O$0 2.+O5 2.+O+$ 2.+O2. 2.+$O 2.+$5 2.+$.+ 2.+$2P 2.+O5
2.P 2.+' 2.+.$ 2.+'. 2.+5OP 2.+55 2.+50' 2.+5' 2.+0P+ 2.+0O 2.+000
' 2.+0+2 2.+.P 2.+.$' 2.+.0$ 2.+.+. 2.++PP 2.++$5 2.++5' 2.+++$ 2.++2.
'.' 2.+'$P 2.+'55 2.+'.' 2.+'2$ 2.+2O. 2.+25P 2.+2. 2.+2'+ 2.'POP 2.'P5
'.+ 2.'P0+ 2.'P'P 2.'OP5 2.'O$+ 2.'O0P 2.'O+ 2.'O20 2.'$O' 2.'$5O 2.'$.
'.. 2.'$'0 2.'P' 2.'P 2.'0$ 2.'+ 2.'20 2.'5O+ 2.'5' 2.'5.P 2.'5'O
'.0 2.'0P$ 2.'0$ 2.'05 2.'0.5 2.'0'5 2.'.P0 2.'.$0 2.'.50 2.'..0 2.'.'5
'.5 2.'+P5 2.'+$ 2.'+5$ 2.'+.O 2.'+'P 2.'+22 2.''O+ 2.''. 2.''05 2.''+$
'. 2.''2P 2.'2P+ 2.'2$0 2.'25$ 2.'202 2.'2+. 2.'22 2.2POP 2.2P$. 2.2P5$
'.$ 2.2P02 2.2P+5 2.2P2P 2.2OP. 2.2O$O 2.2O. 2.2O0O 2.2O.. 2.2O'O 2.2O20
'.O 2.2$P2 2.2$$5 2.2$' 2.2$0O 2.2$.0 2.2$+' 2.2$2$ 2.2P0 2.2O' 2.2P
'.P 2.25 2.200 2.2.+ 2.2+2 2.22O 2.25P 2.25O0 2.25$. 2.25+ 2.255'
+ 2.2502 2.25+P 2.25'P 2.252O 2.20PO 2.20OO 2.20$O 2.20O 2.205P 2.200P
+.' 2.2002 2.20.' 2.20++ 2.20'. 2.2020 2.2.P 2.2.O$ 2.2.$P 2.2.$' 2.2..
+.+ 2.2.55 2.2.0$ 2.2..P 2.2..+ 2.2.+5 2.2.'$ 2.2.'2 2.2.2. 2.2+P$ 2.2+P2
+.. 2.2+O. 2.2+$$ 2.2+$2 2.2+0 2.2+5O 2.2+5+ 2.2+0 2.2+0' 2.2+.5 2.2++P
+.0 2.2++0 2.2+'P 2.2+'. 2.2+2O 2.2+2. 2.2'PO 2.2'P0 2.2'OP 2.2'O0 2.2'O2
+.5 2.2'$5 2.2'$' 2.2'$ 2.2'. 2.2'5O 2.2'50 2.2'5' 2.2'0$ 2.2'0. 2.2'.P
+. 2.2'. 2.2'.+ 2.2'+P 2.2'+ 2.2'++ 2.2''P 2.2'' 2.2''. 2.2''2 2.2'2$
+.$ 2.2'20 2.2'2' 2.22PP 2.22P 2.22P. 2.22P' 2.22OO 2.22O 2.22O0 2.22O'
+.O 2.22$P 2.22$$ 2.22$5 2.22$. 2.22$' 2.22P 2.22$ 2.225 2.22. 2.22'
+.P 2.222 2.225O 2.225 2.2255 2.225. 2.225' 2.2252 2.220O 2.220$ 2.220
. 2.2200 2.220. 2.220+ 2.2202 2.22.P 2.22.O 2.22.$ 2.22. 2.22.5 2.22.0
..' 2.22.. 2.22.+ 2.22.' 2.22.2 2.22+P 2.22+O 2.22+$ 2.22+ 2.22+5 2.22+5
..+ 2.22+0 2.22+. 2.22++ 2.22++ 2.22+' 2.22+2 2.22+2 2.22'P 2.22'O 2.22'O
... 2.22'$ 2.22'$ 2.22' 2.22' 2.22'5 2.22'5 2.22'0 2.22'0 2.22'. 2.22'.
..0 2.22'+ 2.22'+ 2.22'+ 2.22'' 2.22'' 2.22'2 2.22'2 2.22'2 2.222P 2.222P
..5 2.222P 2.222O 2.222O 2.222O 2.222O 2.222$ 2.222$ 2.222$ 2.222$ 2.222
.. 2.222 2.222 2.222 2.2225 2.2225 2.2225 2.2225 2.2225 2.2225 2.2220
..$ 2.2220 2.2220 2.2220 2.2220 2.2220 2.2220 2.222. 2.222. 2.222. 2.222.
..O 2.222. 2.222. 2.222. 2.222. 2.222. 2.222+ 2.222+ 2.222+ 2.222+ 2.222+
..P 2.222+ 2.222+ 2.222+ 2.222+ 2.222+ 2.222+ 2.222+ 2.222+ 2.222' 2.222'
0 2.222' 2.222' 2.222' 2.222' 2.222' 2.222' 2.222' 2.222' 2.222' 2.222'
Ta4&a A.$ ;reas 4a<o &a c"r!a nor-a& est+ndar entre D 6 A
- 5 6
-
e
-
,
1 6 3 #
!
:
5.
3 2 ' + . 0 5 $ O P
2.2 2.2222 2.2202 2.22O2 2.2'+2 2.2'2 2.2'PP 2.2+.P 2.2+$P 2.2.'P 2.2.5P
2.' 2.2.PO 2.20.O 2.20$O 2.25'$ 2.255$ 2.25P 2.2. 2.2$5 2.2$'0 2.2$50
2.+ 2.2$P. 2.2O.+ 2.2O$' 2.2P'2 2.2P0O 2.2PO$ 2.'2+ 2.'20 2.''2. 2.''0'
2.. 2.''$P 2.'+'$ 2.'+55 2.'+P. 2.'..' 2.'.O 2.'02 2.'00. 2.'0O2 2.'5'$
2.0 2.'550 2.'5P' 2.'+O 2.'0 2.'$22 2.'$. 2.'$$+ 2.'O2O 2.'OO0 2.'O$P
2.5 2.'P'5 2.'P52 2.'PO5 2.+2'P 2.+250 2.+2OO 2.+'+. 2.+'5$ 2.+'P2 2.+++0
2. 2.++5O 2.++P' 2.+.+0 2.+.5$ 2.+.OP 2.+0++ 2.+050 2.+0O 2.+5'O 2.+50P
2.$ 2.+5O2 2.+'+ 2.+0+ 2.+$. 2.+$20 2.+$.0 2.+$0 2.+$P0 2.+O+. 2.+O5+
2.O 2.+OO' 2.+P'2 2.+P.P 2.+P$ 2.+PP 2..2+. 2..25' 2..2$O 2..'2 2..'..
2.P 2..'5P 2..'OP 2..+'+ 2..+.O 2..+0 2..+OP 2...'5 2...02 2...5 2...OP
'.2 2..0'. 2..0.O 2..0' 2..0O5 2..52O 2..5.' 2..550 2..5$$ 2..5PP 2..+'
'.' 2..0. 2..5 2..O 2..$2O 2..$+P 2..$0P 2..$$2 2..$P2 2..O'2 2..O.2
'.+ 2..O0P 2..OP 2..OOO 2..P2$ 2..P+5 2..P00 2..P+ 2..PO2 2..PP$ 2.02'5
'.. 2.02.+ 2.020P 2.02 2.02O+ 2.02PP 2.0''5 2.0'.' 2.0'0$ 2.0'+ 2.0'$$
'.0 2.0'P+ 2.0+2$ 2.0+++ 2.0+. 2.0+5' 2.0+5 2.0+$P 2.0+P+ 2.0.2 2.0.'P
'.5 2.0..+ 2.0.05 2.0.5$ 2.0.$2 2.0.O+ 2.0.P0 2.002 2.00'O 2.00+P 2.000'
'. 2.005+ 2.00. 2.00$0 2.00O0 2.00P5 2.0525 2.05'5 2.05+5 2.05.5 2.0505
'.$ 2.0550 2.050 2.05$. 2.05O+ 2.05P' 2.05PP 2.02O 2.0' 2.0+5 2.0..
'.O 2.00' 2.00P 2.05 2.00 2.0$' 2.0$O 2.0O 2.0P. 2.0PP 2.0$2
'.P 2.0$'. 2.0$'P 2.0$+ 2.0$.+ 2.0$.O 2.0$00 2.0$5 2.0$5 2.0$' 2.0$$
+.2 2.0$$+ 2.0$$O 2.0$O. 2.0$OO 2.0$P. 2.0$PO 2.0O2. 2.0O2O 2.0O'+ 2.0O'$
+.' 2.0O+' 2.0O+ 2.0O.2 2.0O.0 2.0O.O 2.0O0+ 2.0O0 2.0O52 2.0O50 2.0O5$
+.+ 2.0O' 2.0O0 2.0OO 2.0O$' 2.0O$5 2.0O$O 2.0OO' 2.0OO0 2.0OO$ 2.0OP2
+.. 2.0OP. 2.0OP 2.0OPO 2.0P2' 2.0P20 2.0P2 2.0P2P 2.0P'' 2.0P'. 2.0P'
+.0 2.0P'O 2.0P+2 2.0P++ 2.0P+5 2.0P+$ 2.0P+P 2.0P.' 2.0P.+ 2.0P.0 2.0P.
+.5 2.0P.O 2.0P02 2.0P0' 2.0P0. 2.0P05 2.0P0 2.0P0O 2.0P0P 2.0P5' 2.0P5+
+. 2.0P5. 2.0P55 2.0P5 2.0P5$ 2.0P5P 2.0P 2.0P' 2.0P+ 2.0P. 2.0P0
+.$ 2.0P5 2.0P 2.0P$ 2.0PO 2.0PP 2.0P$ 2.0P$' 2.0P$+ 2.0P$. 2.0P$0
+.O 2.0P$0 2.0P$5 2.0P$ 2.0P$$ 2.0P$$ 2.0P$O 2.0P$P 2.0P$P 2.0PO2 2.0PO'
+.P 2.0PO' 2.0PO+ 2.0PO+ 2.0PO. 2.0PO0 2.0PO0 2.0PO5 2.0PO5 2.0PO 2.0PO
..2 2.0PO$ 2.0PO$ 2.0PO$ 2.0POO 2.0POO 2.0POP 2.0POP 2.0POP 2.0PP2 2.0PP2
..' 2.0PP 2.0PP' 2.0PP' 2.0PP' 2.0PP+ 2.0PP+ 2.0PP+ 2.0PP+ 2.0PP. 2.0PP.
..+ 2.0PP. 2.0PP. 2.0PP0 2.0PP0 2.0PP0 2.0PP0 2.0PP0 2.0PP5 2.0PP5 2.0PP5
... 2.0PP5 2.0PP5 2.0PP5 2.0PP 2.0PP 2.0PP 2.0PP 2.0PP 2.0PP 2.0PP$
..0 2.0PP$ 2.0PP$ 2.0PP$ 2.0PP$ 2.0PP$ 2.0PP$ 2.0PP$ 2.0PP$ 2.0PP$ 2.0PPO
..5 2.0PPO 2.0PPO 2.0PPO 2.0PPO 2.0PPO 2.0PPO 2.0PPO 2.0PPO 2.0PPO 2.0PPO
.. 2.0PPO 2.0PPO 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP
..$ 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP
..O 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP 2.0PPP
..P 2.5222 2.5222 2.5222 2.5222 2.5222 2.5222 2.5222 2.5222 2.5222 2.5222
Ta4&a A.( ;reas 4a<o &a c"r!a
"
$
E : Ero#a#ilidad de e&ceder un valor dado de
R
+
#
: `rados de li#ertad
50
v
E
2.PP 2.P5 2.P 2.5 2.+ 2.' 2.25 2.2+ 2.2'
' 2.222+ 2.220 2.2' 2.055 '.0+ +.$' ..O0 5.0' .0
+ 2.2+ 2.'2. 2.+'' '..P ..++ 0.' 5.PP $.O+ P.+'
. 2.''5 2..5 2.5O0 +..$ 0.0 .+5 $.O+ P.O0 ''..0
0 2.. 2.$' '.2 ... 5.PP $.$O P.0P ''.$ '..+O
5 2.55 '.'0 '.' 0..5 $.+P P.+0 ''.2$ '...P '5.2P
2.O$ '.0 +.+ 5..5 O.5 '2.0 '+.5P '5.2O '.O'
$ '.+0 +.'$ +.O. ..5 P.O '+.2+ '0.2$ '.+ 'O.0O
O '.5 +.$. ..0P $..0 ''.2. '... '5.5' 'O.'$ +2.2P
P +.2P ...+ 0.'$ O..0 '+.+0 '0.O '.P+ 'P.O +'.$
'2 +.5 ..P0 0.O$ P..0 '..00 '5.PP 'O..' +'.' +..+'
'' ..25 0.5O 5.5O '2..0 '0.. '$.+O 'P.O ++.+ +0.$+
'+ ..5$ 5.+. .. ''..0 '5.O' 'O.55 +'.2. +0.25 +.++
'. 0.'' 5.OP $.20 '+..0 '.PO 'P.O' ++.. +5.0$ +$.P
'0 0. .5$ $.$P '...0 'O.'5 +'.2 +..O +.O$ +P.'0
'5 5.+. $.+ O.55 '0..0 'P..' ++..' +5 +O.+ .2.5O
' 5.O' $.P P..' '5..0 +2.0 +..50 +.. +P.. .+
'$ .0' O.$ '2.2O '..0 +'.+ +0.$$ +$.5P .' ...0'
'O $.2+ P..P '2.O '$..0 ++.$ +5.PP +O.O$ .+..5 .0.O
'P $.. '2.'+ ''.5 'O..0 +..P +$.+ .2.'0 ...P ..'P
+2 O.+ '2.O5 '+.00 'P..0 +5.20 +O.0' .'.0' .5.2+ .$.5$
+' O.P ''.5P '..+0 +2..0 +.'$ +P.+ .+.$ ...0 .O.P.
++ P.50 '+..0 '0.20 +'..0 +$.. .2.O' ...P+ .$. 02.+P
+. '2.+ '..2P '0.O5 ++..0 +O.0. .+.2' .5.'$ .O.P$ 0'.0
+0 '2.O '..O5 '5. +...0 +P.55 ...+ ..0+ 02.+$ 0+.PO
+5 ''.5+ '0.' '.0$ +0..0 .2.O .0..O .$.5 0'.5$ 00..'
+ '+.+ '5..O '$.+P +5..0 .'.O .5.5 .O.OO 0+.O 05.0
+$ '+.OO '.'5 'O.'' +..0 .+.P' ..$0 02.'' 00.'0 0.P
+O '..5 '.P. 'O.P0 +$..0 .0.2. .$.P+ 0'..0 05.5+ 0O.+O
+P '0.+ '$.$' 'P.$$ +O..0 .5.'0 .P.2P 0+.5 0.P 0P.5P
.2 '0.P5 'O.0P +2. +P..0 ..+5 02.+ 0..$$ 0$.P 52.OP
Ta4&a A., Des!iaciones A&eatorias Nor-a&es
: 2 : '
55
('! (+! (.! (0! (5! (! ($!
' 2.00 2.'.$ +.05 I2..+. I2.2O 2.+P I2.+OO
+ 2.2 I+.5+ I2.5.' I.02 2.50. I'.55O 2.'O$
. '.0O I2..50 I2..0 2.P$ 2.P+ '..$5 2.$O5
0 '.2++ I2.0$+ '.+$P ..5+' 2.5$' I'.O5' 2.'P0
5 '..P0 I.555 2.20 2..+' +.P05 '.P$0 I2.+5O
2.P2 I2.5'. I2.5+5 2.5P5 2.OO' 2.P.0 '.5$P
$ '.'$P I'.255 2.22$ 2.$P 2.P$' 2.$'+ '.2P
O I.52' I2.0OO I2.'+ I2.'. '.2.. 2.+2. 2.00O
P I2.P2 2.$5 I'.'O I2.005 I2.5'' I+.25' I2.05$
'2 '..$+ 2.++5 2..$O 2.$' 2.'O' I2.$. 2.P
'' I2.0O+ '.$$ I2.25$ I'.++P I2.0O 2.O5 I2.0P'
'+ I'..$ I2.'52 '..5 I2.5' I2.+5 2.+'+ 2.+'P
'. I'.2'2 2.5PO I.P'O '.5PO 2.25 2.0'5 I.'P
'0 I2.225 I2.OPP 2.2'+ I2.$+5 '.'0$ I2.'+' I2.2P
'5 '..P. I'.'. I2.P'' '.+.' I2.'PP I2.+0 '.+.P
' I'.$O$ I2.+' '.+.$ '.20 I2.52O I'.. I2.'0
'$ I2.'25 I2..5$ I'..O0 2.. I2.PP+ I2.'' I'.PO
'O I'...P '.O+$ I2.P5P 2.0+0 2.PP I'.'0' I'.20'
'P '.20' 2.5.5 2.$.' '..$$ 2.PO. I'... '.+
+2 2.+$P I+.25 2.$'$ I2.O$. I'.2P I'..P '.20$
+' I'.O25 I+.22O I'... 2.50+ 2.+5 2.' 2.2.+
++ I'.'O '.'O '.''0 2.OO+ '.+5 I2.+2+ 2.'5'
+. 2.5O I'.'0' '.'5' I'.+'2 I2.P+$ 2.0+5 2.+P
+0 I2.0.P 2..5O I'.P.P 2.OP' I2.++$ 2.2+ 2.P$.
+5 '..PO I2.+. 2..O5 I2.0P 2.5$$ 2.+.$ I2.+OP
+ 2.'PP 2.+2O I'.2O. I2.+'P I2.+P' '.++' '.''P
+$ 2.'5P 2.+$+ I2..'. 2.2O0 I+.O+O I2.0.P I2..P+
+O +.+$. 2.2 2.2 I2.$0$ 2.+0$ '.+P' 2.2.
+P 2.20' I2..2$ 2.'+' 2.$P I2.5O0 2.50' 2.0O0
.2 I'.'.+ I+.2PO 2.P+' 2.'05 2.00 I+.' '.205
.' I2.$O 2.2$P I'.0$. 2.2.0 I+.'+$ 2.5 2.2O0
.+ 2..$5 I'.5O I2.O5' 2.+.0 I2.5 2..0 I2.2O
.. I2.5'. I2..00 2.+' I2.$. '.20' 2.22O 2.0+$
.0 2.+P+ I2.5+' '.+P I'.+2 I2.OPP 2.'' I2.5+O
.5 '.2+ +.PP I2.5$0 I2.0P' I'.''0 '.+P$ I'.0..
. I'...0 '.+$O I2.5O I2.'2P I2.5'5 I2.5 +.P+.
.$ I2.+O$ I2.'00 I2.+50 2.5$0 I2.05' I'.'O' I'.'P
.O 2.'' I2.OO I2.P+' I2.52P '.0' I2.5'O 2.'P+
.P I'..0 2.'P. I'.+2+ 2..P0 I'.205 2.O0. 2.P0+
02 '.+5 I2.'PP I2.+OO '.O' '..$O 2.5.0 '.+'
5