Apuntes de Teoría de Decisiones

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

6. semestre) y otra correspondiente a los modelos estocsticos o probabilsticos (en el programa actual
corresponde a la asignatura Teora de Decisiones y se cursa en el 7. Semestre).
Estos apuntes fueron elaborados para servir de texto en la asignatura y su contenido se orienta a modelos
probabilsticos que son ms frecuentes de aplicar en sistemas reales de la ingeniera civil.
En el captulo 1, llamado Sntesis de Probabilidad, se hace un resumen de las herramientas de la probabilidad
y Estadstica que constituyen un apoyo para la comprensin de las tcnicas que se estudian posteriormente.
El captulo 2; denominado como Anlisis de Decisin se enfoca al estudio de los criterios ms conocidos para
la toma de decisiones, que incluye el anlisis bajo completa incertidumbre y el anlisis bajo riesgo.
En el captulo 3 se estudia la metodologa de Lneas de Espera que es de utilidad en el modelado de diversas
situaciones que se observan con frecuencia en el mundo real y que pueden ser descritas mediante la tcnica.
Finalmente, en el captulo 4, de Simulacin, est enfocado a los mtodos de Montecarlo, tambin llamado
muestreo aleatorio, el cual constituye una gran herramienta para simular muchos procesos de la ingeniera
cuya operacin depende del comportamiento de variables aleatorias.
Se incluye al final de los captulos, un anexo con varias tablas de estadstica que sirven de apoyo en el
desarrollo de los temas.
SNTESIS DE PROBABILIDAD
Son varios los vocablos que se reconocen como antecedentes del trmino estadstica. Se pueden nombrar los
siguientes:
Statistik, que proviene de la palabra Italiana statista, que significa estadista.
Status, (latn), que significa posicin, situacin o estado.
Staat (alemn), que se refiere al estado como unidad poltica superior.
Statera (griego), que significa balanza.
La razn que motiv al hombre a registrar datos con propsitos estadsticos, tal vez se encuentre en su
necesidad, casi instintiva, de anotar aquellos hechos que aparecen como vivencias sociales transcendentes:
crecimiento de poblaciones, disposiciones del alimento, fenmenos naturales, etc. Con el desarrollo de las
civilizaciones, la estadstica puede pensarse como una aritmtica estatal para asistir a los gobernantes que
necesitaban conocer la riqueza de sus sbditos para as recaudar impuestos o presupuestar la guerra.
1.1 Definiciones
Dato
Nmero o medida que se obtiene de observaciones de una variable.
Variable
Es toda cualidad o caracterstica que toma valores diferentes en distintos objetos.
Variable aleatoria
Es aquella variable que toma valores de algn proceso al azar.
Variable aleatoria continua

Es la variable aleatoria que puede tomar cualquier valor de un intervalo o dominio.
Variable aleatoria discreta

Es la variable que slo puede tomar valores de un conjunto numerable.
Estadstica
Ciencia cuyos propsitos son la extraccin de datos y su uso en la realizacin de inferencias acerca de una
poblacin, de la cual dichos datos fueron extrados.
Estadstica descriptiva
Es la que trata con la descripcin numrica o grfica de un conjunto de datos.
Estadstica inferencial
Es la que trata con la formulacin de conclusiones, estimaciones o generalizaciones acerca de parmetros
poblacionales, con base en la estadstica descriptiva realizada con datos muestrales.
Poblacin
Es un grupo de datos que se toma como referencia en un estudio estadstico, y que considera todas las
caractersticas de la variable definida en el problema bajo estudio.
Muestra
1
Es cualquier subconjunto de datos seleccionados de una poblacin.
Diseo del experimento

Estudio de los mtodos de muestreo y los problemas que con l se relacionan.
Espacio de eventos
Coleccin de todos los resultados posibles de un experimento.
Experimento aleatorio
Experimento que rene las siguientes caractersticas: una accin, un resultado y una observacin.
Evento simple
Es cada uno de los eventos que constituyen un espacio de eventos.
Estadstica descriptiva
La estadstica descriptiva hace uso de varias medidas para describir numricamente un conjunto de datos
mustrales o poblacionales. Tales medidas se pueden clasificar como sigue:
Medidas de posicin. Este tipo de medidas indican la distribucin que guardan los datos a lo largo de
su rango (el dato mayor menos el menor). Se subclasifican en:
Medidas de tendencia central. Son medidas que normalmente se localizan alrededor del centro de
los datos. Dentro de este tipo de medidas se encuentran la media aritmtica, la mediana, el modo, la
media armnica, la media geomtrica y la media cuadrtica.
Cuantiles. Estas medidas indican la localizacin de los datos de acuerdo con una subdivisin que se
realiza del rango de los mismos. Existen tres tipos de cuantiles: cuartiles, deciles, y percentiles.
Medidas de dispersin. Son medidas que indican el grado en el cual estn dispersos los datos con
respecto a alguna medida de tendencia central. Este tipo de medidas lo conforman la variancia, la
desviacin estndar, la desviacin media absoluta y el coeficiente de variacin.
Medidas de deformacin. Este tipo de medidas son relativas a la forma que tienen las curvas de
frecuencias y tambin estn relacionadas con la dispersin que tienen los datos. Existe dos tipos de
medidas de deformacin: el coeficiente de sesgo o asimetra y el coeficiente de kurtosis o de
apuntamiento.
Rango: Se define como la diferencia entre el mayor y el menor valor de una distribucin
Criterio de Sturges para establecer el nmero de intervalos a utilizar en una distribucin:
k = 1 + 3.3 log n
1.2
k, nmero de intervalos
Medidas de tendencia central
Momentos con respecto al origen:
mk =
mk =
1 n
xk
n i 1 i
Datos no ordenados
1 m
t kj f j
n j 1
Datos ordenados
donde n=nmero de datos, m=nmero de intervalos, t=intervalo de clase, f=frecuencia de clase, k=orden
del momento.
Media. Se define como el momento de primer orden con respecto al origen:
m1= x =
m1= x =
1 n
x
n i 1 i
1 m
t j f j
n j 1
Datos no ordenados
Datos ordenados
donde n=nmero de datos; m=nmero de intervalos; t=intervalo de clase; f=frecuencia de clase

Modo:
x~ = L1
1
c
1 2
Mediana:
x = L1
1.3
n / 2 ( f )1
c
f
Medidas de dispersin
Momentos con respecto a la media:
mk =
1 n
(x i x )k
n i 1
Datos no ordenados
3
mk =
1 n
(t j x )k f j
n j 1
Datos ordenados
Variancia. Se define como el momento de orden dos con respecto a la media:
m2 = S x2
m2 = S x2
1 n
(x i x ) 2
n i 1
Datos ordenados
1 n
(t j x ) 2 f j
n j 1
Datos no ordenados
Desviacin estndar:
Sx = m 2
Coeficiente de variacin:
CVx =
1.4
Sx
x
Medidas de asimetra
Asimetra = [(q3 q2) (q2 q1)] / Sx

donde q1, q2 y q3 son los cuartiles del 25 %, 50 % que corresponde a la mediana y del 75 %, S x es la
desviacin estndar. Tambin se puede calcular una medida de asimetra con el momento de orden tres con
respecto a la media, con la variancia y finalmente con el parmetro b 1:
m3 =
1 m
(t j x ) 3 f j
n j 1
b1 = m32 / m23
4
1.5
Medidas de aplanamiento o exceso (kurtosis)

b2 = m 4
m22
2 b2 3
si 2 0 , es mesokrtica
2 0 , es leptokrtica
2 0 , es platokrtica
1.6
Probabilidad
La teora axiomtica de probabilidades se basa en tres axiomas:

1. La probabilidad de ocurrencia de un evento A es un nmero, P(A), que se le asigna a dicho evento, cuyo
valor es menor o igual que uno, o sea
0 P(A) 1
2. Si E es el espacio de eventos asociados a un experimento, entonces
P(E) = 1
3.
La probabilidad, P(C), de la unin, C, de dos eventos mutuamente exclusivos, A y B, es igual a la suma
de las probabilidades de estos, es decir

P(AB) = P(C) = P(A) + P(B)
Probabilidad condicional
Un concepto de gran importancia prctica es el de probabilidad condicional, P(AB), del evento A, dado que
el B ha ocurrido. Si P(B) es diferente de cero, esta expresa:
P( A | B )
1.7
P( A B )
P(B)
Teorema de Bayes
Se dice que un grupo de eventos es colectivamente exhaustivo si la unin de todos ellos es el espacio de
eventos correspondientes como se muestra en la figura 1.1:
Espacio de eventos
B2
B1
Bn
Bi
A Bi
Figura 1.1 Eventos colectivamente exhaustivos
Con lo cual se define el llamado teorema de la probabilidad total.
Considerando que
P (Bj A) P ( A Bj )
P (Bj | A)
P (Bj A) P ( A Bj )
P ( A)
P ( A)
P ( Bj | A ) =
P ( Bj ) P ( A | Bj )
i =n
P ( Bi ) P ( A | Bj )
i =1
Este resultado se conoce como teorema de Bayes. A las probabilidades P(Bj) que se asignan a los eventos
Bj antes de observar el evento A, se les denomina a priori; a las probabilidades P(Bj|A) que se obtiene des
pues de observar el evento A, se les llama a posteriori.
1.8
Variable aleatoria
Una variable aleatoria es una funcin que asocia un nmero con cada punto en un espacio muestral del
experimento.
Para un espacio muestral E de algn experimento, una variable aleatoria es cualquier regla que asocia un
nmero con cada resultado de E. Existen dos tipo de variables aleatorias, discretas y continuas; una variable
discreta es aquella cuyos valores posibles forman un conjunto finito o bien se pueden listar en una sucesin
infinita donde hay un primer elemento, un segundo elemento, etc. Una variable aleatoria es continua si su
conjunto de valores posibles abarca todo un intervalo.
6
1.9
Distribuciones tericas de probabilidad
Distribucin normal
2
2
1
e ( x ) /( 2 )
2
f(x)
- x
donde: x = variable aleatoria
e, = constantes
= media
= desviacin estndar
2 = variancia
Distribucin normal estndar
f (z )
1
2
e z
2 /2
- z
Distribucin binomial
f (x ) (nx )p x (q )n x
x = 0, 1, 2,, n,
Donde q = 1 - p
p: probabilidad de xito.
q: probabilidad de fracaso.
Distribucin de Poisson
f (x )
e x
x!
x = 0,1,2,..
donde: x= variable aleatoria
e = cte.
= media
ANLISIS DE DECISIN
Se llamar decisin al proceso de elegir un acto de entre un conjunto de formas alternativas de actuar. Lo
anterior puede enunciarse en una forma algo ms precisa como sigue:
a) Son posibles dos o ms formas alternativas de actuar.
b) Solo se puede actuar de una de esas formas.
c) El proceso de decisin elegir a una de esas actuaciones alternativas para llevarla a cabo.
d) La eleccin de una actuacin debe hacerse en forma tal que cumpla algn fin designado.
Observar que la condicin (b) no es restrictiva ya que toda combinacin de actuaciones puede considerarse
como una sola. De esta manera las componentes bsicas de un problema de decisin son:
1. Sujeto de una decisin. Alguien o algn grupo debe identificarse como el que toma decisiones. Algunos
problemas pueden tener dos o ms sujetos de decisin.
2. Objetivos. El que toma la decisin debe tener uno o ms objetivos. Estos objetivos pueden definirse
como los resultados deseados para cada decisin. En el caso de objetivos mltiples, algunos de ellos
pueden estar en conflicto. Los objetivos pueden ser cualitativos o cuantitativos. En muchos problemas
tcnicos el objetivo cuantitativo puede ser maximizar una ganancia o minimizar un costo.
3. Cursos alternos de accin. El que toma las decisiones debe tener la posibilidad de elegir entre dos o ms
alternativas o cursos de accin. En muchos problemas de decisin se tiene una infinidad de cursos de
accin.
4. Una medida de efectividad. El que toma las decisiones debe tener alguna medida del nivel en que cada
curso de accin que satisface a sus objetivos. Desde luego implcitamente se supone que en caso de
existir esta medida para un problema dado no es necesariamente la misma para todas las alternativas.
La toma de decisiones comnmente se divide por una parte de acuerdo con, que la decisin sea hecha por
(a) un individuo o (b) un grupo, y por otra de acuerdo con, que ella se realice bajo condiciones de (a)
certidumbre, (b) de riesgo o (c) de incertidumbre. A esta ltima clasificacin debe agregarse (d) una
combinacin de incertidumbre y riesgo a la luz de la evidencia experimental. Este es el dominio de la
inferencia estadstica.
Los problemas de decisin bajo certidumbre se presentan cuando se puede asegurar qu resultado ocurrir
si se elige un curso de accin especfico. En este caso no se tienen variables aleatorias controlables o no. La
segunda clase de problemas de decisin se presenta cuando cada accin conduce a uno de varios resultados
posibles. En este caso cada resultado posible puede verificarse con una probabilidad conocida. Se dice
entonces que es un problema de decisiones bajo riesgo. Si cada accin alternativa conduce a uno de varios
resultados posibles los cuales pueden verificarse con probabilidades desconocidas, se dice que es un
problema de decisiones bajo incertidumbre.
Terminologa de modelos de toma de decisiones

Al igual que con cualquier tipo de modelo, los modelos de toma de decisiones tienen una terminologa propia.
Esta terminologa describe las tres partes esenciales de una decisin:
1. Las decisiones alternativas de entre las cuales se debe elegir.
Cuando el que toma decisiones enfrenta un problema que requiere una decisin, una de las acciones que
debe emprender antes de llegar a una decisin, es determinar las alternativas sobre las cuales se basar la
decisin final.
2. Los estados de la naturaleza, o acciones externas que enfrenta la persona encargada de tomar las
decisiones.
El que toma decisiones enfrenta una situacin en la que pueden producirse resultados mltiples a partir de
una estrategia determinada, enfrenta estados de la naturaleza mltiples o acciones externas mltiples. Los
estados de la naturaleza son las circunstancias que afectan el resultado de la decisin pero que estn fuera
del control del que toma decisiones.
3. El resultado que se obtiene por el uso de una alternativa cuando se presenta cierto estado de la
naturaleza.
Para cada combinacin de estrategia y estado de la naturaleza habr un resultado. Este resultado puede
expresarse en trminos de utilidades, puede expresarse en trminos de valores presentes, o puede
expresarse en trminos de alguna medida no monetaria. Para determinar los resultados es necesario
considerar todas las posibles combinaciones de decisiones y de estados de la naturaleza para determinar el
resultado que se obtendra si se utiliza una alternativa dada y si ocurre un estado especfico de la naturaleza.
En general, si existen k alternativas y n estados de la naturaleza, ser necesario calcular ( k x n) resultados.
Con bastante frecuencia los resultados tambin se denominan pagos y una tabla de resultados se denomina
matriz de pagos.
2.1
rbol de decisin
Una forma clara y sencilla de estructurar el proceso de toma de decisiones es por medio de un rbol de
decisin. El rbol est formado por nodos de accin, nodos de probabilidad y ramas. Los nodos de accin se
denotarn con un cuadro () y representarn aquellos lugares del proceso de toma de decisiones en los que
se toma una decisin. Los nodos de probabilidad se denotarn por medio de un crculo (
) e indicarn
aquellas partes del proceso de toma de decisiones en las que ocurre algn estado de la naturaleza. Las
ramas se utilizan para denotar las decisiones o los estados de la naturaleza. Tambin pueden anotarse
probabilidades sobre las ramas para denotar la probabilidad de que ocurra un estado determinado de la
naturaleza. Por ltimo se colocan los pagos al final de las ramas terminales del estado de la naturaleza para
mostrar el resultado que se obtendra al tomar una decisin particular, y que despus ocurra un estado
especfico de la naturaleza.
9
Ejemplo 2.1 Plantear el rbol de decisin
Considerar el caso de una persona que est tratando de decidir si debe llevar o no un paraguas a su trabajo
el da de hoy. La decisin de llevar el paraguas se muestra como un nodo de accin en la figura 2.1.
Al final de cada una de las ramas que parten de un nodo de accin habr un nodo de probabilidad u otro
nodo de accin. Los posibles estados de la naturaleza comenzarn en los nodos de probabilidad. Tambin se
muestran los posibles estados de la naturaleza para la decisin de esta persona. En este caso se han anotado
tambin sobre la rama de probabilidad las probabilidades de que haya lluvia o est despejado de acuerdo
con la oficina meteorolgica.
Si se combinan los nodos de accin y los nodos de probabilidad con los pagos para cada combinacin se
tiene un rbol de decisin. Esta persona ha determinado los diversos pagos asociados con las cuatro posibles
combinaciones de decisiones y de estados de la naturaleza. Estos pagos se colocan al final de las ramas
terminales de probabilidad. Ha decidido los siguientes pagos:
Llevar paraguas y que no llueva
-1
Llevar paraguas y que llueva
+20
No llevar paraguas y que no llueva
+5
No llevar paraguas y que llueva
-40
Utilizando estos pagos es posible construir un rbol final de decisin, que se muestra en la figura 2.2:
Llevar paraguas
Lluvia (0.6)
Nodo de
nodo de
accin
probabilidad
No llevar paraguas
Despejado (0.4)
Figura 2.1 Nodos de accin y de probabilidad

Accin
probabilidad
Lluvia (0.6)
+20
Llevar paraguas
Despejado (0.4)
-1
Lluvia (0.6)
-40
Despejado (0.4)
+5
No llevar paraguas
Figura 2.2 rbol de decisin
10
2.2
Anlisis de decisin bajo incertidumbre
Para trabajar bajo incertidumbre se han propuesto diversos criterios que la experiencia ha mostrado como
populares en la toma de decisiones. En este trabajo se considerarn cinco de ellos: el de Bayes-Laplace, el
maximin de Wald, el maximax de Baumol, el de Hurwicz y el minimax de Savage.

a) Criterio de Bayes-Laplace
El criterio establece que si no se dispone absolutamente de ninguna informacin sobre las probabilidades
asociadas con los futuros resultados entonces se deben asignar probabilidades iguales a cada uno de los
posibles resultados y usar estas probabilidades para calcular el valor esperado de cada uno de los posibles
cursos de accin.
Evidentemente este criterio tiene varios inconvenientes. La ms seria de estas deficiencias es que
usualmente el ejecutivo no puede considerar los diferentes resultados como igualmente posibles. De hecho,
existen n posibles cursos de accin y el ejecutivo est consciente de m de ellos, entonces su decisin estar
influenciada por la magnitud de m. As, si existen 20 posibles cursos de accin y slo hay conciencia de tres
de ellos, asignar probabilidades de 33.3 % cuando deba asignar slo 5 %.
En ocasiones este criterio es llamado el de la razn insuficiente ya que no hay razn para preferir un curso
de accin sobre otro, no hay que seguir alguno de ellos; pero esto en s constituye un curso de accin (dejar
todo al azar). Sin embargo, difcilmente puede considerarse sta como una posicin racional.
b) Criterio maximin de Wald
Este criterio representa un enfoque muy conservador del proceso de tomar decisiones. Para cada posible
alternativa el ejecutivo determina cul es el peor de los posibles resultados, esto es, el que le produce
mximos perjuicios o beneficios mnimos. Selecciona entonces de entre todos estos ltimos el que maximiza
sus beneficios o minimiza sus prdidas.
Algunos han considerado que este criterio no es sino una manifestacin tpica de cobarda. Desde luego que
no puede considerarse como irracional y de hecho al confrontar situaciones conflictivas en las que debe
esperarse una actuacin maliciosa e inteligente del oponente, es bueno y sano emplearlo. Sin embargo, en
problemas en los que se toman decisiones con relacin a la naturaleza (juegos contra naturaleza) el criterio
es extremadamente conservador.
c) Criterio maximax de Baumol
Al contrario del anterior, este criterio corresponde a los optimistas, los que siempre consideran nicamente el
lado positivo de los posibles resultados en la toma de decisiones. Aquel que al apostarle a un caballo slo
toma en cuenta que gan en las dos ltimas carreras, sin considerar que perdi las veinte anteriores.
Puede establecerse de la siguiente manera: para cada curso de accin defnase cul es el mejor resultado
(mximas ganancias o prdidas mnimas) y seleccinese de entre los anteriores el mximo de los mximos.
11
d) Criterio de Hurwicz
Por su parte Hurwicz ha propuesto un criterio que se encuentra a medio camino entre el maximin y el
maximax. Esto es, el ejecutivo har un promedio ponderado entre el mejor resultado que pueda esperarse
de cada curso de accin y el peor para el mismo curso.

En la asignacin del coeficiente de peso para el mejor y el peor se reflejarn las caractersticas conservadoras
u optimistas del ejecutivo. As, un pesimista le asignar un peso de al mejor resultado y de al peor. Por
el contrario, un optimista, confrontado con la misma decisin, le asignar al mejor y al peor.
Se observa que este criterio posee la misma deficiencia de los dos anteriores; esto es, tomar en cuenta
nicamente resultados extremos ignorando los restantes.
Una extensin del criterio de Hurwicz consiste en hacer un anlisis de sensibilidad graficando todas las
alternativas posibles para los valores de (probabilidad de ocurrencia). En el ejemplo se observa el
procedimiento.
e) Criterio minimax de Savage
Este criterio se ocupa del costo de oportunidad de una decisin incorrecta. A partir de la matriz de pagos se
construye una nueva matriz llamada la matriz de arrepentimiento. Los elementos de esta matriz se calculan
de la siguiente manera: el elemento en el rengln i y columna j de la matriz de arrepentimiento es el costo
de oportunidad de elegir la i-sima alternativa cuando el resultado obtenido es el j-simo.

La idea bajo este enfoque es la proteccin del ejecutivo contra costos de oportunidad excesivos. Para
protegerse a s mismo, el ejecutivo aplica el criterio del minimax a la matriz de arrepentimiento. La prdida
mxima en cada rengln se identifica y la alternativa cuyo rengln tiene el menor de los arrepentimientos es
seleccionada por el ejecutivo.
La principal deficiencia de este criterio es ignorar todos los elementos de la matriz de arrepentimiento salvo
el mayor, desperdicindose gran cantidad de informacin.
Ejemplo 2.2 Toma de decisin bajo incertidumbre
Considerar la siguiente matriz de pagos y tomar una decisin aplicando cada uno de los criterios de decisin
bajo incertidumbre:
Acciones
Resultados
R1
R2
R3
A1
12
-6
24
A2
36
12
48
A3
-3
60
30
12
a) Criterio de Bayes-Laplace
E(A1)=1/3(12)+1/3(-6)+1/3(24)=10
E(A2)=1/3(36)+1/3(12)+1/3(48)=32
E(A3)=1/3(-3)+1/3(60)+1/3(30)=29
La alternativa seleccionada es A2
b) Criterio maximin de Wald
Acciones
Resultados
R1
R2
R3
A1
12
-6*
24
A2
36
12*
48
A3
-3*
60
30
Max {-6, 12, -3} = 12
c) Criterio maximax de Baumol
Acciones
Resultados
R1
R2
R3
A1
12
-6
24*
A2
36
12
48*
A3
-3
60*
30
max {24, 48, 60} = 60
d) Criterio de Hurwicz
Acciones
Resultados
R1
R2
R3
A1
12
-6*
24*
A2
36
12*
48*
A3
-3*
60*
30
13
Pesimista:
A1=3/4(-6)+1/4(24)=-18/4+24/4=6/4
A2=3/4(12)+1/4(48)=36/4+48/4=84/4
A3=3/4(-3)+1/4(60)=9/4+60/4=51/4
Optimista:
A1=1/4(-6)+3/4(24)=6/4+72/4=68/4
A2=1/4(12)+3/4(48)=12/4+144/4=156/4
A3=1/4(-3)+3/4(60)=-3/4+180/4=177/4
Pesimista: max{6/4, 84/4, 51/4} = 84/4
Seleccin: A2
Optimista: max{68/4, 156/4, 177/4} = 177/4
Seleccin: A3
Con este mismo ejemplo, se har una extensin al criterio de Hurwicz para la toma de decisiones; se
selecciona el mejor y el peor resultado de cada alternativa y cada uno de ellos es multiplicado por y por (1) respectivamente, obteniendo as los valores de cada alternativa para los valores de establecidos:
A1
A2
A3
R1
12
36
-3
R2
-6
12
60
R3
24
48
30
24
48
60
0
-6
12
-3
-6
12
-3
0 .2 5 0 .5 0 .7 5
1 .5
9
1 6 .5
21
30
39
1 2 .8 2 8 .5 4 4 .3
1
24
48
60
Esta informacin se puede representar en una grfica:

60
Pagos
A3
40
A2
20
A1
0
-20
0
0.25
0.5
0.75
Probabilidad
Figura 2.3
Anlisis de sensibilidad con el criterio de Hurwicz
La interseccin de A2 con A3 se encuentra en =0.5555, por lo que se puede establecer el siguiente criterio
de decisin: para valores de de 0 a 0.5555 se decidir por A2 y para valores de de 0.5555 a 1.0 se
decidir por A3 (valores ms altos).

14
e) Criterio de Savage
Acciones
Resultados
R1
R2
R3
A1
12
-6
24
A2
36
12
48
A3
-3
60
30
Matriz de arrepentimiento:
Resultados
Acciones
R1
R2
R3
A1
36-12 60+6 48-24
A2
36-36 60-12 48-48
A3
36+3 60-60 48-30
Acciones
Resultados
R1
R2
R3
A1
24
66*
24
A2
48*
A3
39*
18
Min{66, 48, 39} = 39
2.3
Anlisis de decisin bajo riesgo
En los casos en los que quien toma las decisiones se enfrenta a alternativas mltiples en las que cada
alternativa tiene a su vez resultados mltiples, es una prctica comn encontrar el pago promedio para cada
estrategia y elegir despus la alternativa que tenga el mayor pago promedio. En este modelo de decisin, si
existen n resultados para cada alternativa con
O ij = pago para la i-sima alternativa dado el j-simo estado de la naturaleza, y
V i = pago promedio para la i-sima alternativa
Entonces
V
1 n
O ij
n j 1
(2.1)
15
El valor de la informacin perfecta

Con frecuencia surge la siguiente pregunta: cunto estara dispuesta a pagar una persona que toma las
decisiones para obtener informacin adicional sobre cules sern las circunstancias reales? Antes de
responder esta pregunta se necesita conocer el valor de la informacin misma. Si la informacin es perfecta,
es decir, si la informacin dice exactamente qu es lo que va a ocurrir, resulta bastante sencillo responder la
pregunta.
Si se sabe con exactitud cul estado de la naturaleza ocurrir, es fcil determinar la alternativa que debe
elegirse. Se elegir la alternativa que produce el mayor pago para cada estado de la naturaleza.
Puesto que cada estado de la naturaleza ocurre slo durante una fraccin del tiempo, es posible calcular el
valor monetario esperado para el caso de la informacin perfecta utilizando los pagos mximos y las
probabilidades para cada estado de la naturaleza.
En general, se puede plantear de la siguiente manera
n
VME IP O ij * p j
j 1
Donde:
(2.2)
O ij * = la mxima utilidad para cada uno estado de la naturaleza

p j = la probabilidad de cada estado de la naturaleza
Para calcular el valor de la informacin perfecta, lo nico que se tiene que determinar es la diferencia entre
el valor monetario esperado con informacin perfecta y ese mismo valor monetario esperado sin informacin
perfecta:
VPI = VME IP - VME *
donde
(2.3)
VIP= valor de la informacin perfecta

VME IP = VME para la informacin perfecta
VME * = VME mximo sin informacin perfecta
El valor de la informacin de prueba

En la seccin anterior se present el clculo del valor de la informacin perfecta. Sin embargo, en trminos
prcticos, por lo general la informacin proviene de algn procedimiento imperfecto de prueba. Con esto
quiere hacerse notar que la informacin de la prueba no siempre pronostica en forma correcta el estado de
la naturaleza que ocurrir.
Debido a esta imperfeccin en el poder predictivo de las pruebas, el clculo de la informacin de prueba es
algo ms complejo que para la informacin perfecta. Para comprender el procedimiento que se utiliza para
realizar estos clculos, sea
P(N|R) = la probabilidad de que ocurra en realidad el evento N,
dado que el resultado de la prueba fue R
16
Sin embargo, por lo general se desconocen los valores de P(N|R) lo cual se lee probabilidad de N dado R,
puesto que estos valores slo se conocen despus de haber utilizado la prueba las suficientes veces para
recopilar datos que permitan calcular probabilidades. Por lo general se conoce lo opuesto; es decir, la
probabilidad de que ocurra el resultado de la prueba dado el resultado correspondiente. Esta probabilidad es
P(N|R) que necesitamos, puesto que se calcul despus de conocer el resultado. Para calcular P(N|R) se usa
un resultado bien conocido de la probabilidad, denominado Teorema de Bayes. Este resultado expresa:
P(N|R) =
P(R | N)P(N)
P(R )
(2.4)
Por lo general, dos de los valores que aparecen en esta frmula pueden obtenerse a partir de datos de
prueba, y el tercero puede calcularse a partir de los otros dos. Resulta fcil calcular a partir de datos previos
la probabilidad de que la prueba sea exacta, dado que se conoce el resultado real, P(R|N), y la probabilidad
de que ocurra un resultado particular sin importar cul sea la prueba, P(N). P(N) tambin puede ser una
probabilidad subjetiva basada en la experiencia que tenga en esas situaciones quien toma las decisiones.
Esta ltima probabilidad, P(N), se conoce como probabilidad a priori puesto que se calcula antes de cualquier
prueba, mientras que las otras son probabilidades condicionales.
La tercera probabilidad que aparece en la Frmula de Bayes, P(R), es la probabilidad de que ocurra el
resultado de prueba R. Esta probabilidad puede calcularse por medio del siguiente resultado de la teora de
probabilidades:
P(R)=P(R|N)P(N)+P(R| N )P( N )
(2.5)
en donde N significa no N, o negacin de N. Puesto que N incluye todos los eventos que no sean N, P( N )
y P(R| N ) pueden ser sumas de diversos valores. Los valores de P(R| N ) y P( N ) pueden calcularse al mismo
tiempo que se obtienen P(R|N) y P(N).
Combinando (2.4) y (2.5) se llega a una versin modificada de la ley de Bayes:
P(N|R) =
P(R | N)P(N)
P(R | N)P(N) P(R | N )P( N )
(2.6)
El resultado final, P(N|R), la probabilidad de que ocurra el suceso N dado el resultado de prueba R, se
conoce como probabilidad a posteriori, puesto que se obtiene despus del procedimiento de prueba. Una vez
que se conocen los valores de la probabilidad a posteriori, es posible emplearlos para llevar a cabo el anlisis
pre-posterior con el objeto de determinar si debe llevarse a cabo una prueba o un muestreo.
Ejemplo 2.3
Determinacin del valor de la informacin
Una compaa petrolera posee tierras que se supone contienen petrleo en el subsuelo. La compaa clasifica
estas tierras en cuatro categoras, segn el nmero total de barriles que se espera obtener, esto es, un pozo
de 500 000 barriles, uno de 200 000 barriles, uno de 50 000 barriles o un pozo seco. La compaa enfrenta el
problema de perforar o no, o de rentar la tierra incondicionalmente a un perforista independiente o
rentrsela condicionada a la cantidad de petrleo que se encuentre. El costo de perforacin de un pozo
17
productivo es de $100 000 y el costo de perforacin de un pozo seco es de $75 000. Si el pozo es productivo,
la ganancia por barril es de $1.50 (despus de deducir todos los costos de produccin). Si se hace un
contrato incondicional, la compaa recibe $45 000 por la renta de la tierra, mientras que con el contrato
condicional, recibe 50 centavos por cada barril de petrleo extrado, siempre que el pozo sea de 200 000 o
500 000 barriles; de otra manera no recibe nada.
Es posible obtener sondeos ssmicos a un costo de $12 000. Esta informacin conduce a cuatro
clasificaciones ssmicas posibles, denotadas por 1, 2, 3 y 4. La clasificacin 1 indica que es definitiva la
existencia de una estructura geolgica cerrada en la zona (condicin muy favorable para encontrar petrleo);
la clasificacin 2 significa que tal vez exista una estructura cerrada en la zona; la clasificacin 3 indica que
existe una estructura no cerrada en la zona (condicin ms o menos desfavorable) y la clasificacin 4 dice
que no hay una estructura en la zona 8condicin desfavorable). Con base en anlisis anteriores de reas
geolgicas parecidas (100 estudios de este tipo), la compaa obtiene los datos que se muestran en la tabla.
Los valores entre parntesis en cada una de las celdas se pueden interpretar como probabilidades
condicionales dado el estado de la naturaleza; por ejemplo, si se trata de un pozo de 200 000 barriles,
entonces (3/16) se puede interpretar como probabilidad condicional de que la lectura ssmica quede
clasificada como 2 (quiz una estructura cerrada en la zona); si se trata de un pozo seco, (25/48) se puede
interpretar como la probabilidad condicional de que la lectura ssmica se clasifique como 3 (una estructura
no cerrada en la zona); y as sucesivamente. La distribucin de probabilidades a priori de la clasificacin de la
tierra es 0.10, 0.15, 0.25, y 0.50 para los estados de la naturaleza correspondientes a un pozo de 500 000,
200 000, 50 000 y 0 barriles de petrleo respectivamente.
Pozo de
500 000
barriles
7(7/12)
Pozo de
200 000
barriles
9(9/12)
Pozo de
50 000
barriles
11(11/24)
4(4/12)
3(3/16)
6(6/24)
13(13/48)
1(1/12)
2(2/16)
3(3/24)
15(15/48)
0(0/12)
2(2/16)
4(4/24)
11(11/48)
Clasificacin ssmica
Pozo seco
9(9/48)
Crear una matriz de pagos, obtener el valor de la informacin perfecta, obtener el valor de la
experimentacin, conviene contratar los servicios de informacin geolgica?
18
La matriz de pagos es:

Estados de la naturaleza
Alternativa
E1
E2
E3
E4
Pozo de 200 000

barriles
200 000
Pozo de 50 000
barriles
-25 000
Pozo seco
A1 Perforacin
Pozo de
500 000 barriles
650 000
A2 Renta condicional
45 000
45 000
45 000
45 000
A3 Renta incondicional
250 000
100 000
-75 000
Conociendo las probabilidades asociadas a cada uno de los estados de la naturaleza, se puede calcular el
VME (valor monetario esperado) para cada una de las alternativas y se podra tomar la decisin por aquella
que maximice el VME:
Las probabilidades asociadas a cada estado de la naturaleza son 0.10, 0.15, 0.25 y 0.50 respectivamente;
por lo que los clculos para determinar el VME son:
VME(A1)=650 000(0.10)+200 000(0.15)-25 000(0.25)-75 000(0.50) = 51 250
VME(A2)=45 000(0.10)+45 000(0.15)+45 000(0.25)+45 000(0.50) = 45 000
VME(A3)=250 000(0.10)+100 000(0.15)+0(0.25)+0(0.50) = 40 000
La mejor alternativa desde el criterio de mayor VME es la alternativa A1 que corresponde a perforacin.
Valor de la informacin perfecta
Se obtiene primero, el VME con informacin perfecta:
VMEIP=650 000(0.10)+200 000(0.15)+45 000(0.25)+45 000(0.50) = 128 750
VIP=VMEIP-VME*
VIP=128 750 51 250 = 77 500
Puesto que lo que se estara dispuesto a pagar por una informacin perfecta es mucho mayor que lo que
cuesta la informacin en forma de sondeos ssmicos (77 500>12 000), entonces se justifica hacer el anlisis
para obtener el valor de la informacin y decidir si conviene adquirirla o no. Para esto es necesario calcular
las probabilidades a posteriori con la frmula de Bayes, lo cual puede efectuarse como un algoritmo tabular
que se muestra:
Probabilidades a posteriori
P((E|A)
E1
E2
E3
7/12
9/16
11/24 9/48
4/12
3/16
6/24
13/48
1/12
2/16
3/24
15/48
0/12
2/16
4/24
11/48
0.10 0.15 0.25
E4
0.50
E1
E2
E3
E4
.0583
.084
.1146
.0938
.3
.0333
.0281
.0625
.1354
.2593
.0083
.0188
.0313
.1563
.2147
.0188
.0417
.1146
.1751
Clasificacin ssmica
P(A|E) P(E)
Clasificacin ssmica
Clasificacin ssmica
P(A|E)
E1
E2
E3
E4
.166
.240
.327
.267
.129
.108
.241
.522
.039
.087
.146
.728
.107
.238
.655
=1
Distribucin a priori
19
Utilizando las probabilidades a posteriori obtenidas y con la matriz de pagos se calculan los VME con los
pronsticos de la clasificacin ssmica:
Con pronstico de clasificacin 1:
VME
A1 Perforacin
127 700
45 000
65 500

VME
A1 Perforacin
60 275
45 000
43 050

VME
A1 Perforacin
-15 000
45 000
18 450

VME
A1 Perforacin
-33 675
45 000
10 700
Enseguida se calcula el VME de la informacin con los valores de la probabilidad marginal y los mximos VME
calculados:
VMEINFORMACIN=0.351(127 700)+0.2593(60 275)+0.2147(45 000)+0.1751(45000)
= 78 005.77
Finalmente se puede calcular el valor neto de la informacin:
VNI = 78 005.77 51 250 = 26 755.77
El valor de VNI obtenido se compara con el precio a que se vende la informacin, observando que el VNI
supera al costo de la informacin; por lo que se concluye que es conveniente adquirir la informacin.
20
LNEAS DE ESPERA
Considerando que las lneas de espera son tan frecuentes en la sociedad moderna, no resulta sorprendente
que se haya desarrollado un campo del conocimiento a partir de su estudio. Dicho campo, que comnmente
se denomina teora de lneas de espera lo inici un ingeniero dans de telfonos, A. K. Erlang, quien en 1910
realiz los primeros trabajos sobre problemas de filas. Erlang estaba interesado en los problemas que tenan
las personas que llamaban a un conmutador telefnico.
En este trabajo se menciona con frecuencia a un sistema de lneas de espera. Con esto se hace referencia a
todos los componentes que conforman un arreglo de lneas de espera: unidades que solicitan servicio, la
lnea de espera propiamente dicha, las instalaciones de servicio y las unidades que se retiran despus de
recibir servicio.
La teora de lneas de espera abarca un grupo muy grande de modelos, en donde cada uno se refiere a un
tipo diferente de situacin de lnea de espera. Sin embargo, todos estos modelos tienen algunas cosas en
comn. En primer lugar, no pretenden resolver problemas de lneas de espera; ms bien describen el sistema
de lneas de espera al calcular las caractersticas de operacin.
Estas incluyen elementos como el nmero de unidades que esperan el servicio y el tiempo promedio que una
unidad espera para ser atendida. Para calcular las caractersticas de operacin, el usuario debe especificar
ciertos parmetros del sistema, tales como la forma en que las unidades llegan para ser atendidas y la forma
en que se maneja el servicio real.
El objetivo de los modelos de lneas de espera es ms de descripcin que de optimizacin, y cualquier
optimizacin que tenga lugar debe llevarla a cabo el usuario variando los parmetros del sistema para
obtener diferentes conjuntos de caractersticas de operacin. El conjunto de caractersticas de operacin que
se ajusta en forma ms estrecha a las necesidades del usuario define la mejor estructura del sistema. Por
esta razn, es comn que los modelos de lneas de espera sean descriptivos ms que normativos.
Dado que muchos de los parmetros de los modelos de lneas de espera no se conocen con certidumbre,
estos modelos son ms bien estocsticos que determinsticos. Los parmetros como tasas de llegada y tasas
de servicio se describen a travs de distribuciones de probabilidad; por ello, en el modelo se utilizan valores
esperados o promedio. Al mismo tiempo, los modelos de lneas de espera son estticos y no lineales en vez
de dinmicos y lineales, debido a que se supone que los parmetros no varan con el tiempo y que los
cambios en las caractersticas de operacin no son proporcionales a los cambios en los parmetros del
modelo.
3.1
Clasificacin
Con el objeto de verificar si una situacin determinada del sistema de lneas de espera se ajusta o no a un
modelo conocido, se requiere un mtodo para clasificar las lneas de espera. Esa clasificacin debe responder
preguntas como las siguientes:
1.
El sistema de lneas de espera tiene un solo punto de servicio o existen puntos mltiples de servicio en
secuencia?
21
2.
Existe slo una instalacin de servicio o son mltiples las instalaciones de servicio que pueden atender
a una unidad?
3.
Las unidades que requieren servicio llegan siguiendo algn patrn o llegan en forma aleatoria?
4.
El tiempo que se requiere para el servicio se da en algn patrn o asume duraciones aleatorias de
tiempo?
Para responder a las preguntas 1 y 2, en primer lugar debe decidirse si una unidad ha de pasar a travs de
un solo punto de servicio o a travs de varios. Si se trata del primer caso, entonces se tiene slo 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 mltiples, que es mucho ms complejo y difcil de analizar
que los sistemas de etapa nica. En la figura 3.1 se muestran ambas estructuras de lneas de espera.
Entrada
Servicio
Salida
Sistema de etapa nica

Entrada
Servicio 1
Servicio 2
Salida
Sistema de etapas mltiples
Figura 3.1 Sistemas de etapa nica y de etapas mltiples

Considerando solo el anlisis de sistemas de etapa nica, entonces este trabajo solo se ocupar del nmero
y disposicin de las lneas de espera en una sola etapa. En la figura 3.2 se muestran tres casos importantes
de este tipo de sistemas. El primer caso (a) es una instalacin de servicio nico, o canal como con frecuencia
se denomina, con una sola lnea de espera. El segundo caso (b) tiene instalaciones de servicio o canales
mltiples y tambin lneas de espera mltiples. Estas son en esencia las simples en paralelo y pueden
analizarse como tales. El tercer caso (c) es una sola lnea de espera atendida por instalaciones de servicio
mltiple. En ambos casos (b y c), se supone en general que todas las instalaciones de servicio tienen una
eficiencia equivalente.
22
Entrada
Servicio
Salida
Entrada
Servicio
Salida
Entrada
Servicio
Salida
(a)
(b)
(c)
Figura 3.2 Ejemplos de sistemas de etapa nica
3.2
Notacin de Kendall
Por lo general, las tasas de llegada y de servicio no se conocen con certidumbre sino que son de naturaleza
estocstica o probabilstica. Es decir, los tiempos de llegada y de servicio deben describirse a travs de
distribuciones de probabilidad, y las distribuciones de probabilidad que se elijan deben describir la forma en
que se comportan los tiempos de llegada o de servicio.
En teora de lneas de espera se utilizan tres distribuciones de probabilidad bastante comunes:
1. De Markov
2. Determinstica
3. General
Una distribucin de Markov (en honor de A. A. Markov, matemtico que identific los eventos sin memoria)
se utiliza para describir ocurrencias aleatorias, es decir, aquellas de las que puede decirse carecen de
memoria acerca de eventos pasados. Una distribucin determinstica es aquella en la que los sucesos ocurren
en forma constante y sin cambios. Por ltimo, una distribucin general sera cualquier otra distribucin de
probabilidad. Es posible describir el patrn de llegadas por medio de una distribucin de probabilidad y el
patrn de servicio a travs de otra.
Para permitir a los investigadores y estudiantes de la teora de lneas de espera comunicarse entre s con
facilidad acerca de diversos sistemas de lneas de espera, Kendall, matemtico britnico, elabor una
notacin abreviada para describir en forma sencilla los parmetros de un sistema de este tipo. En la notacin
de Kendall un sistema de lneas de espera se designa como

A/B/C
Donde: A se sustituye por una letra que denote la distribucin de llegada
B se sustituye por una letra que denote la distribucin de servicio
23
C se sustituye por un entero positivo que denote el nmero de canales de servicio

La notacin de Kendall utiliza tambin M = Markoviano, D = Determinstica y G = General. Por ejemplo, un
sistema de lneas de espera con llegadas aleatorias, servicio determinstico y 3 canales de servicio se
identificara en notacin de Kendall como:
M/D/3
En todos los casos, se supone que existe slo una lnea de entrada.
3.3
Consideraciones en el anlisis
Es evidente que existen otros atributos aparte de los que se analizaron antes y que deben tomarse en
consideracin cuando se analiza un sistema de lneas de espera, Estos incluyen:
a) El tamao de la poblacin de la que provienen los elementos que ingresan al sistema de lneas de espera
(poblacin que llega).
b) La forma en que las unidades llegan para ingresar al sistema de lneas de espera; por ejemplo, una por
una o en grupos.
c) La disciplina de la lnea de espera, o el orden en que se atienden las unidades (se atienden las unidades
en el orden en que llegan, es decir, el primero en llegar es el primero que se atiende, o existe algn otro
sistema de prioridad para el servicio?).
d) Si las unidades rechazan o no debido a la longitud de la lnea de espera y no ingresan al sistema.
e) Si las unidades se arrepienten y abandonan el sistema despus de haber aguardado un tiempo en la fila.
f)
Si existe o no espacio suficiente para que todas las unidades que llegan aguarden en la fila.
Las diversas respuestas a preguntas de este tipo, junto con las diferentes disposiciones de probabilidad y los
diferentes nmeros de canales de servicio, sirven para generar una gran variedad de tipos de sistemas de
lneas de espera que deben analizarse. En este anlisis se supondrn los casos ms simples; en particular se
supondr:
1. Una poblacin infinita que llega.
2. Las llegadas son en forma individual.
3. Las unidades que llegan se atienden en el orden en que llegan.
4. Las llegadas no se rechazan ni abandonan por la longitud de la lnea de espera.
5. Siempre hay suficiente espacio para que se forme la lnea de espera.
Condiciones de estado estacionario
En muchas situaciones de sistemas de lneas de espera, existe un periodo inicial, que es cuando comienza el
periodo que se estudia. Este periodo inicial tiene muchas caractersticas transitorias que no son similares a
los valores promedio a largo plazo que se encuentran cuando se estabiliza el sistema de lneas de espera.
Este periodo no interesa. Se desean investigar las caractersticas promedio a largo plazo que se presentan
24
cuando el sistema ha alcanzado el estado estacionario o estable. Estas son las condiciones de estado
estacionario que se calcularn para las lneas de espera M/M/1 y M/M/S. Se analizan estos valores de estado
estacionario porque no dependen de la duracin del tiempo que el sistema ha estado operando. Aunque es
cierto que algunos sistemas no alcanzan nunca el estado estacionario, muchos de ellos se aproximan lo
suficiente para que las caractersticas de este estado estacionario resulten tiles para describir el sistema.
Recopilacin de datos y distribuciones de probabilidad

Con objeto de emplear un modelo determinado de lneas de espera, en primer lugar se debe validar el
modelo; es decir, se debe probar que la situacin real de lnea de espera se ajusta a ese modelo. En este
caso, y para utilizar el modelo M/M/1, interesa probar que las llegadas son aleatorias y que los tiempos de
servicio tienen duracin aleatoria. Para hacerlo, se necesita probar que la tasa real de llegadas se ajusta a la
distribucin de Poisson y que la tasa real de servicio se ajusta a la distribucin exponencial negativa. En
primer lugar, se deben recopilar datos sobre los tiempos de llegada y de servicio. Despus, puede utilizarse
una tcnica estadstica bien conocida que se denomina prueba de bondad de ajuste ji cuadrada ( 2 )
para determinar si los datos se ajustan en realidad a las distribuciones mencionadas.
Para ajustar un modelo particular, por ejemplo el M/M/1, se necesita recopilar datos sobre la tasa promedio
de llegadas , y el tiempo promedio de servicio 1/ . Para encontrar la tasa promedio de llegadas se
mantiene un registro del nmero de llegadas por unidad de tiempo: hora, da, o el que sea. Despus resulta
sencillo calcular el promedio para todos los periodos para los que se recopilaron datos. Por supuesto, se debe
tener cuidado de asegurarse que la tasa de llegadas no flucta tanto, que haga que el uso de un solo valor
de resulte poco realista.
Medir los tiempos de servicio es un poco ms difcil puesto que no es posible contar simplemente el nmero
de casos de servicio que ocurrieron durante un periodo. Es evidente que a largo plazo este nmero siempre
ser igual a la tasas de llegadas y por ello no sera una medida vlida del tiempo promedio de servicio. Es
necesario medir en forma individual los tiempos de los servicios. Despus, pueden utilizarse estos tiempos
para calcular un tiempo promedio de servicio, 1/ .
3.4
Modelo M/M/1
Con el objeto de utilizar las lneas de espera M/M/1, se tienen que suponer llegadas con distribucin de
Poisson y distribucin de servicio exponencial negativa. Para obtener las caractersticas de operacin de este
tipo de lnea de espera, se deben hacer otras consideraciones. En primer lugar, debe haber un solo canal de
servicio al cual ingresan las unidades que entran una por una. En segundo lugar, se considera que existe una
poblacin infinita de entre la cual se originan las llegadas. Tambin se supone que existe un espacio infinito
para dar cabida a las llegadas que esperan en la fila. Por ltimo, se supone que las unidades que llegan se
atienden sobre la base primero que llega, primero que se atiende (que tambin se conoce como PEPS,
25
primero que entra, primero que sale). La siguiente lista incluye todas las consideraciones para las lneas de
espera M/M/1:
1. Llegadas aleatorias nicas (distribucin de Poisson).
2. Tiempos de servicio aleatorios (distribucin exponencial negativa).
3. Existe una situacin de estado estacionario.
4. Un solo canal de servicio.
5. Poblacin que llega infinita.
6. Espacio de espera infinito.
7. Disciplina de servicio de primero que llega primero que se atiende.
8. No hay rechazo.
9. No hay abandono.
Ya se han analizado con detalle las tres primeras consideraciones. La cuarta de ellas, la de un solo canal de
servicio, se explica por s misma. Las dos consideraciones siguientes, poblacin que llega infinita y espacio de
espera infinito, simplemente significan que siempre estarn llegando clientes y que existe espacio adecuado
para que esas unidades que llegan esperen. Estas consideraciones aseguran que la situacin de lnea de
espera no se complique porque exista dependencia entre las llegadas o porque stas abandonen el sistema
por falta de espacio para esperar. La consideracin 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 operacin de un sistema M/M/1
Para calcular las caractersticas de operacin de una cola M/M/1, primero se debe observar que si =tasa
promedio de llegadas y =tasa promedio de servicio, entonces debe ser menor que . Si no fuera as, el
promedio de llegadas sera superior al nmero promedio de unidades que se atienden, y el nmero de
unidades que estn esperando se volvera infinitamente grande. Si se hace que = / puede denominarse
a factor de utilizacin. Este valor, / , es la fraccin promedio de tiempo que el sistema est
ocupado (ocupado se define como una o ms unidades esperando y/o siendo atendidas). Observar que
tambin puede considerarse que es el nmero promedio de unidades que estn siendo atendidas en
cualquier momento. En trminos de probabilidad:

P W = probabilidad de que el sistema est ocupado
P W /
(3.1)
Entonces, la probabilidad de que el sistema no est trabajando, o est vaco, P 0 , puede obtenerse por medio
de
P 0 1 PW 1 / 1
(3.2)
A partir de esto se puede obtener la probabilidad de que haya n unidades en el sistema, P n , mediante
26
P n (P0 )( / ) n P0 n
(3.3)
en donde n es cualquier entero no negativo. Este importante resultado permite calcular las caractersticas de
operacin de las lneas de espera.
La primera caracterstica de operacin que se calcular es el nmero promedio de unidades que se
encuentran en el sistema, ya sea esperando o siendo atendidas. Se denominar a este nmero promedio de
unidades, L. Recordar que el valor promedio o valor esperado para una distribucin discreta de probabilidad
est dado por
E(X) =
XP(X)
X 0
Por ello, el nmero esperado de unidades en el sistema est dado por

L= nmero esperado de unidades en el sistema
L=
nPn
n0
nP
0
n 0
o
L=
(3.4)
Ahora se puede utilizar L, nmero esperado de unidades en el sistema, para calcular todas las otras
caractersticas que se desean. En primer lugar se puede conocer el nmero promedio de unidades que
esperan ser atendidas o L q . Dado que L es el nmero promedio de unidades que estn esperando o estn
siendo atendidas, y es el nmero promedio de unidades que estn siendo atendidas en algn momento
dado, entonces L= L q + . A partir de esto es fcil observar que
Lq = L -
o
Lq
2
2
1 ( )
(3.5)
Examinando ahora el tiempo de espera y utilizando W para representar el tiempo promedio o esperado que
una unidad se encuentra en el sistema, se observa que si L es el nmero esperado de unidades en el sistema
y es el nmero promedio de unidades que llegan para ser atendidas por periodo, entonces el tiempo
promedio que cualquier unidad que llega debe estar en el sistema est dado por
W = tiempo esperado de una unidad en el sistema
W=
L
1
(3.6)
De manera similar, el tiempo esperado o promedio que una unidad tiene que esperar antes de ser atendida,
w q , est dado por
27
Wq
Lq
( )
(3.7)
Obsrvese que W=W q + 1/ . Esto indica que el total de tiempo invertido en el sistema, W; es igual al
tiempo de espera (W q ) ms el tiempo de servicio (1/ ).
3.5
Modelo M/M/S
El modo que supone llegadas y tiempos de servicio aleatorios para canales de servicios mltiples tiene las
mismas consideraciones que el modelo de canal nico de servicio (M/M/1), excepto que ahora existe una
sola fila de entrada que alimenta los canales mltiples de servicio con iguales tasas de servicio.
Caractersticas de operacin
En el modelo M/M/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 debe ser mayor que para evitar una acumulacin infinita
de lneas de espera. En el caso de M/M/S, la caracterstica clave que se utiliza para hacer los dems clculos
es la probabilidad de que el sistema est ocupado. En otras palabras, la probabilidad es de que haya S o ms
unidades en el sistema. En este caso, todos los canales de servicio se estarn utilizando y por ellos se dice
que el sistema est ocupado. Esto se escribe como
P(sistema ocupado) = P(n S)
(3.8)
Y puede calcularse utilizando la frmula

P(sistema ocupado) =
S (S)
P0
S! (S )
(3.9)
donde
P0 =
1
n S 1
n 0
1
1

n!
S!
(3.10)
Encontrar P(sistema ocupado) utilizando la frmula (3.9) no es difcil si se tiene el valor de P 0 , pero el
clculo de P 0 utilizando la ecuacin (3.10) es tedioso. En la tabla 3.1 se proporciona el valor de P 0 para
diversos valores de (es decir, / ) y S.
Ahora se puede utilizar esta peculiaridad del sistema para calcular sus dems caractersticas. En el modelo
M/M/S, al igual que en el M/M/1, se tiene que L=L q , pero se usa el valor de P(sistema ocupado) para
calcular L q
L q =P(sistema ocupado) *
(3.11)
Y despus se calcula L:
28
L = P(sistema ocupado) *
(3.12)
En el caso M/M/S, al igual que en el M/M/1, W=L/ y W q =L q / , por ello, se tiene:

W=
1

P(sistemaocupado) *
(3.13)

1
P(sistemaocupado) *
(3.14)
Wq =
29
Tabla 3.1
0.100
0.200
0.300
0.400
0.500
0.600
0.700
0.800
0.900
1.000
1.100
1.200
1.300
1.400
1.500
1.600
1.700
1.800
1.900
2.000
2.100
2.200
2.300
2.400
2.500
2.600
2.700
2.800
2.900
3.000
3.100
3.200
3.300
3.400
3.500
3.600
3.700
3.800
3.900
4.000
4.100
4.200
4.300
4.400
4.500
4.600
4.700
4.800
4.900
5.000
Valores de P0
0.9000
0.8000
0.7000
0.6000
0.5000
0.4000
0.3000
0.2000
0.1000
0.9048
0.8182
0.7391
0.6667
0.6000
0.5385
0.4815
0.4286
0.3793
0.3333
0.2903
0.2500
0.2121
0.1765
0.1429
0.1120
0.0811
0.0526
0.0256
0.9048
0.8187
0.7407
0.6701
0.6061
0.5479
0.4952
0.4472
0.4035
0.3636
0.3273
0.2941
0.2638
0.2360
0.2105
0.1881
0.1657
0.1460
0.1278
0.1111
0.0957
0.0815
0.0683
0.0562
0.0449
0.0345
0.0249
0.0160
0.0077
S
4
0.9048
0.8187
0.7408
0.6703
0.6065
0.5487
0.4955
0.4491
0.4062
0.3673
0.3321
0.3002
0.2712
0.2449
0.2210
0.2003
0.1796
0.1616
0.1453
0.1304
0.1169
0.1046
0.0933
0.0831
0.0757
0.0651
0.0573
0.0502
0.0437
0.0377
0.0323
0.0273
0.0227
0.0186
0.0148
0.0113
0.0081
0.0051
0.0025
0.9048
0.8187
0.7408
0.6703
0.6065
0.5488
0.4966
0.4493
0.4065
0.3678
0.3328
0.3011
0.2723
0.2463
0.2228
0.2024
0.1821
0.1646
0.1487
0.1343
0.1213
0.1094
0.0987
0.0889
0.0801
0.0721
0.0648
0.0581
0.0521
0.0466
0.0417
0.0372
0.0330
0.0293
0.0259
0.0228
0.0200
0.0174
0.0151
0.0130
0.0120
0.0093
0.0077
0.0063
0.0050
0.0038
0.0027
0.0017
0.0008
0.9048
0.8187
0.7408
0.6703
0.6065
0.5488
0.4966
0.4493
0.4066
0.3679
0.3329
0.3012
0.2725
0.2466
0.2231
0.2018
0.1826
0.1652
0.1494
0.1351
0.1222
0.1105
0.0999
0.0903
0.0816
0.0737
0.0666
0.0601
0.0543
0.0470
0.0444
0.0398
0.0358
0.0322
0.0290
0.0260
0.0233
0.0209
0.0187
0.0167
0.0149
0.0132
0.0117
0.0104
0.0091
0.0080
0.0070
0.0061
0.0053
0.0045
0.9048
0.8187
0.7408
0.6703
0.6065
0.5488
0.4966
0.4493
0.4066
0.3679
0.3329
0.3012
0.2725
0.2466
0.2231
0.2018
0.1827
0.1653
0.1495
0.1353
0.1224
0.1107
0.1002
0.0906
0.0820
0.0742
0.0671
0.0606
0.0548
0.0496
0.0448
0.0405
0.0366
0.0331
0.0298
0.0269
0.0243
0.0219
0.0198
0.0178
0.0160
0.0144
0.0130
0.0117
0.0105
0.0094
0.0084
0.0075
0.0067
0.0060
30
3.6
Modelo M/G/1
En este caso las llegadas se distribuyen de acuerdo con la distribucin de Poisson, pero los tiempos de
servicio no necesariamente se distribuyen de acuerdo con la distribucin exponencial negativa. Si se
considera el caso en que existe un solo canal, se est considerando el modelo M/G/1, es decir, llegadas tipo
Markov, tiempo de servicio general y un canal de servicio. Observar que este caso incluye tambin el modelo
M/D/1.
Al igual que con el caso M/M/S, no es posible calcular en forma directa L, nmero esperado de unidades en
el sistema. Ms bien, debe calcularse L q , nmero de unidades que esperan ser atendidas, y utilizar el
resultado de que L=L q para encontrar el valor de L. Para calcular L q , se debe conocer el valor de la
desviacin estndar de la distribucin que describe los tiempos de servicio, . Si no se conoce la distribucin
de los tiempos de servicio no es posible determinar las caractersticas de operacin. Sin embargo, si se
conoce la desviacin estndar y la media de la distribucin de los tiempos de servicio, puede obtenerse L q , a
partir de la ecuacin (3.15):
Lq
2 2 ( / ) 2
2(1 / )
(3.15)
Utilizando L q , se puede ahora determinar el valor de L a travs de

L=L q
(3.16)
Al igual que con las caractersticas de operacin de los casos M/M/1 y M/M/S, se puede determinar W,
tiempo esperado en el sistema de lneas de espera, y W q , tiempo de espera que se invierte antes de ser
atendido, dividiendo L y L q entre el valor de , es decir,
W=L/
(3.17)
W q =L q /
(3.18)
3.7
Modelo M/D/1
El caso en el que los tiempos de servicio son determinsticos es el M/D/1, que es caso especial de la situacin
M/G/1 que se analiz antes y en el que la desviacin estndar es igual a cero. En este caso, se obtiene el
valor de L q de la siguiente manera
Lq
( / ) 2
2(1 / )
(3.19)
Y todas las dems caractersticas de operacin pueden determinarse a partir de este valor.
31
Ejemplo 3.1
Aplicacin de metodologa de lneas de espera
La gerencia de una empresa de ferrocarril considera necesario pintar sus vagones una vez al ao. La
alternativa 1 cuesta $150 000 al ao, y consiste en operar dos talleres de pintura donde se pintar
manualmente. El tiempo requerido para pintar cada vagn tiene una distribucin exponencial con promedio
de 6 horas. La alternativa 2 consiste en operar un taller donde utilizar aire comprimido; el costo anual ser
de $200 000. En este caso, el tiempo para pintar cada vagn tambin sigue una distribucin exponencial con
promedio de 3 horas. En ambos casos, los vagones llegaran al taller siguiendo una distribucin de Poisson
con promedio de un vagn por cada 8 horas.
Si no se utiliza un vagn el costo es de $30 por hora, y se supone que los talleres estaran operando todas
las 8760 horas del ao. Cul de las dos alternativas es la mejor?
Solucin
Para la alternativa 1, la tasa promedio de llegadas, =3 vagones por da y la tasa promedio de servicio,
=4 vagones por da y se trata de un sistema M/M/2.
Para la alternativa 2, la tasa promedio de llegadas, =3 vagones por da y la tasa promedio de servicio,
=8 vagones por da y se trata de un sistema M/M/1.
El clculo se har en una hoja de clculo de Excel, en la que se efectan las operaciones introduciendo las
frmulas indicadas para cada modelo de lneas de espera.
Po
Pso
L
Lq
W
Wq
Costo de taller
Costo espera
COSTO TOTAL
ALTERNATIVA 1
M/M/2
2
3
4
0.75
0.455
0.20475
0.87285
0.12285
0.29095
0.04095
410.9589041
628.452
1039.410904
ALTERNATIVA 2
M/M/1
1
3
8
0.375
0.625
0.6
0.225
0.2
0.075
547.9452055
432
979.9452055
Con el criterio de decisin del menor costo total, la alternativa a seleccionar es la alternativa 2 que consiste
en operar un solo taller. En el captulo 4 (ejemplo 4.2) se simulan los dos sistemas y aparece como menor
costo la alternativa 1; en trminos generales, puede afirmarse que se podra obtener un resultado acertado si
se simulara un nmero considerable de veces la llegada de los vagones y que dicho resultado coincidira
finalmente con los valores esperados que se calcularon con criterio de lnea de espera.
32
Ejemplo 3.2 Aplicacin de metodologas de lneas de espera
Una compaa siderrgica que opera su propia flota de barcos para importar mineral de hierro, est
considerando la construccin de facilidades portuarias para sostener una nueva planta. Se debe decidir tanto
el nmero de lugares de descarga como el tipo de instalacin en cada uno, con la idea de hacer mnimos los
costos totales de descarga.
Se puede construir un mximo de tres lugares de descarga; y se requiere que cada uno de dichos lugares
que se construya tenga el mismo tipo de instalacin entre el tipo A, el B y el C, para los cuales se dispone de
la siguiente informacin:
Tipo de
instalacin
Costo fijo
por da
Costo de operacin
por da
840
840
Capacidad: tonelaje
medio descargado
por da de operacin
3 600
1 350
1 350
5 800
1 500
1 600
6 400
Los costos fijos incluyen elementos tales como la amortizacin del costo original de la instalacin a lo largo
de su vida esperada, mantenimiento general, etc.; se aplican estos costos a todos los das, bien sea que se
use o no el equipo. Se incurre en los costos de operacin nicamente durante los intervalos de tiempo en
que el equipo de descarga est realmente en uso.
Cada uno de los barcos que va a descargarse trae 8 000 toneladas de mineral, y se considera que llegan
segn una distribucin de Poisson durante todo el ao con una tasa media de llegada de 5 barcos por
semana. Los tiempos de servicio para un tipo de instalacin se considera que son exponenciales, con tasa
media de servicio que corresponde a la columna de capacidad media en la tabla.
Si el tiempo invertido en el sistema de descarga (tiempo de espera ms tiempo de descarga) se considera
que le cuesta a la compaa $ 2 000 por barco y por da, qu tipo de instalacin de descarga debe
seleccionarse, y qu tantos lugares deben construirse?
Solucin
Existen nueve polticas posibles, y cada una comprende la seleccin entre los tipos de instalacin (A, B, o C)
y el nmero de lugares (1, 2, o 3). La combinacin (A, 1) se puede descartar inmediatamente, puesto que la
tasa media de llegadas es 5/7=0.714 barcos por da, mientras que la tasa media de servicio con la
combinacin (A1) es 3600/8000=0.45 barcos por da. El cociente de / , en este caso, tratndose de un
sistema M/M/1 es mayor que uno por lo que se elimina como alternativa ya que la lnea de espera
aumentara en forma infinita. Las alternativas posibles se pueden representar:
33
Lugares
Tipo de
instalacin
(A1)
(A2)
(A3)
(B1)
(B2)
(B3)
(C1)
(C2)
(C3)
Por ejemplo, la alternativa B3 es un sistema M/M/3 de lneas de espera, tres lugares con instalacin B en
cada uno de ellos:
Instalacin B
Instalacin B
Instalacin B
La tasa de llegadas para cada una de las ocho alternativas permanece constante en 0.7144 barcos por da.
La tasa de servicio para un solo lugar depende solamente del tipo de instalacin de descarga, es decir:
A = 0.450 barcos por da
B = 0.725 barcos por da
C = 0.800 barcos por da
El criterio de decisin ser seleccionar aquella alternativa con el menor costo total esperado por da, el cual
estar integrado por la suma de tres componentes:
1. El costo fijo de las instalaciones
2. El costo de operacin de las instalaciones
3. El costo del tiempo de espera de los barcos
De ac en adelante se calcular el costo total que se le asigna a cada una de las alternativas, en la forma
tabular que se presenta:
La mejor alternativa (la de menor costo diario) es la alternativa de dos lugares de descarga con
instalacin B en cada uno de ellos.
34
Po
P so
L
Lq
W
Wq
C. Fijo
C. Oper.
C. Espera
C. Total
Po
P so
L
Lq
W
Wq
C. Fijo
C. Oper.
C. Espera
C. Total
1
0.714285714
0.45
1.587301587
Po
P so
L
Lq
W
Wq
C. Fijo
C. Oper.
C. Espera
C. Total
1
0.714285714
0.725
0.985221675
66.66666667
65.68144499
93.33333333
91.95402299
1350
1330.049261
133333.3333
136013.3826
1
0.714285714
0.8
0.892857143
8.333333333
7.44047619
11.66666667
10.41666667
1500
1428.571429
16666.66667
19595.2381
Lugares
2
0.714285714
0.45
1.587301587
0.112
0.683760684
4.217150371
2.629848784
5.904010519
3.681788297
1680
1333.333333
8434.300742
11447.63408
3
0.714285714
0.45
1.587301587
0.1881
0.266248822
1.886457567
0.299155979
2.641040593
0.418818371
2520
1333.333333
3772.915133
7626.248467
Lugares
2
0.714285714
0.725
0.985221675
0.3333
0.318810082
1.294746026
0.309524351
1.812644437
0.433334092
2700
1330.049261
2589.492052
6619.541313
3
0.714285714
0.725
0.985221675
0.3636
0.086291592
1.027418053
0.042196378
1.438385274
0.059074929
4050
1330.049261
2054.836105
7434.885366
Lugares
2
0.714285714
0.8
0.892857143
0.3793
0.273113479
1.113109949
0.220252806
1.558353928
0.308353928
3000
1428.571429
2226.219897
6654.791326
3
0.714285714
0.8
0.892857143
0.4035
0.068149943
0.921734237
0.028877094
1.290427932
0.040427932
4500
1428.571429
1843.468474
7772.039903
35
SIMULACIN Y MTODOS DE MONTECARLO
La simulacin es una tcnica muy poderosa y ampliamente usada en para analizar y estudiar sistemas
complejos.
Se puede definir a la simulacin como la tcnica que imita el funcionamiento de un sistema del mundo real
cuando evoluciona en el tiempo. Esto se hace, por lo general, al crear un modelo de simulacin. Un modelo
de simulacin comnmente, toma la forma de un conjunto de hiptesis acerca del funcionamiento del
sistema, expresado como relaciones matemticas o lgicas entre los objetos de inters del sistema.
Se debe hacer notar que la simulacin no es una tcnica de optimizacin. Se emplea con ms frecuencia para
analizar preguntas tipo qu sucede s . .?. es posible optimizar con la simulacin, pero, en general, es un
proceso tardado. Tambin, la simulacin puede ser costosa. Sin embargo, con la creacin de lenguajes
especiales para simulacin, costos decrecientes de cmputo y avances en metodologa de simulacin, el
problema del costo se hace cada vez menos importante.
Terminologa bsica
En la mayor parte de los estudios de simulacin, se trata de simular un sistema. Por lo que se definirn
varios trminos relacionados con los sistemas:
Sistema
Un sistema es un conjunto de entidades que actan e interactan para la realizacin de un fin lgico.
Estado
El estado de un sistema es el conjunto de variables necesarias para describir la condicin del sistema en un
momento determinado.
Sistema discreto
Es aquel en el cual las variables de estado cambian slo en puntos discretos o contables en el tiempo.
Sistema continuo
Un sistema continuo es aquel en el que las variables de estado cambian en forma continua a travs del
tiempo.
Modelo esttico de simulacin
Es una representacin de un sistema en determinado punto en el tiempo.
Simulacin dinmica
Es una representacin de cmo evoluciona un sistema a travs del tiempo.
4.1
Nmeros aleatorios
A la tcnica de utilizacin de una distribucin de probabilidad para generar muestras aleatorias de un

proceso, se le conoce como tcnica de Montecarlo y al proceso para generar las observaciones muestrales de
una distribucin especfica de probabilidad se le denomina generador de proceso.
36
Generacin de nmeros aleatorios

En cualquier experimento de simulacin o de muestreo, existe la necesidad de un mecanismo que
proporcione nmeros aleatorios. La forma de obtener estos nmeros puede ser muy variada y entre los
primeros mecanismos empleados se tenan las ruletas, dados, cartas, etc.
Las caractersticas que definen a los nmeros aleatorios es que cualquiera de ellos tiene la misma
probabilidad de aparecer y cada nmero es estadsticamente independiente de los dems nmeros de la
secuencia.
Se requiere de un procedimiento matemtico para generar nmeros aleatorios y a travs de la historia se
han ido perfeccionando, entre los ms conocidos se pueden citar:
J. Von Neumann
Se parte de un nmero dado de n cifras que se eleva al cuadrado y del resultado obtenido, que en general es
un nmero de 2n cifras, se toman las n cifras de la parte central, que a su vez se vuelven a elevar al
cuadrado, y as, sucesivamente. Una desventaja de este mtodo es que tiende a degenerar rpidamente
dependiendo del nmero inicial que se escoja.
Ejemplo
Suponer que se quieren generar nmeros entre 0 y 999 y se escoge como nmero inicial 302, el cual
produce la siguiente secuencia:
(302)2=091204
120
(120)2=014400
440
(440)2=193600
360
(360)2=129600
960
(960)2=921600
160
(160)2=025600
560
(560) =313600
360
a partir de este ltimo resultado se empieza a repetir un ciclo formado por los nmeros 960, 160, 560, 360,
con lo cual degenera la secuencia.
Productos centrales
Consiste en efectuar el producto entre dos nmeros seguidos de la sucesin de nmeros pseudoaleatorios y
del resultado, tomar los dgitos de en medio para obtener el siguiente nmero de la sucesin. Se puede
expresar de la manera siguiente
U i 1 U i * U i 1
(4.1)
37
Ejemplo: Generacin de nmeros aleatorios
Si se escoge arbitrariamente U0=1521 y U1=1815 se obtiene la siguiente secuencia

U2=1815*1521=02760615=7606
U3=7606*1815=13804890=8048
U4=8048*7606=61213088=2130
U5=2130*8048=01714224=7142
Lehmer
En 1951 sugiri que una secuencia de nmeros pseudoaleatorios podra generarse mediante la relacin
xi=axi-1 (mdulo m)
(4.2)
Greenberger
Se parte de una expresin general de la forma siguiente
Ui+1= aUi+c (mdulo m)
(4.3)
esta relacin se lee diciendo que Ui+1 es congruente con aUi+c mdulo m y significa que aUi+c se divide
entre m y que el residuo que se obtenga es el valor de Ui+1.
Ejemplo:
Si se escoge U0=5, a=2, c=3 y m=15 se tiene la siguiente secuencia
U1=(2*5 +3) md 15=13
U2=(2*13+3) md 15=14
U3=(2*14+3) md 15= 1
U4=(2*1 +3) md 15= 5
U5=(2*5 +3) md 15= 1
Que como se observa tiene un periodo de n=4.
A los nmeros generados por algn procedimiento como los anteriores se les denomin como
pseudoaleatorios, por considerar que no fueron generados estrictamente en forma aleatoria.

En Excel de Microsoft se pueden generar el nmero suficiente de nmeros aleatorios.
4.2
Mtodos de Montecarlo
Para extraer al azar un elemento de una poblacin descrita por la densidad de probabilidad, f(x), se procede
como sigue:
a) Se dibuja la distribucin de probabilidad acumulada:
x
y = F(x) = f (x)dx
(4.4)
b) Por medio de algn artificio se elige un decimal aleatorio (con tantas cifras como se desee).
38
c) Se traza una recta horizontal por el punto del eje y correspondiente al decimal aleatorio obtenido en el
inciso (b) hasta interceptar a la curva y=F(x).
d) Se obtiene el valor correspondiente al punto de interseccin. Este valor se toma como un elemento de la
muestra de valores x.
Se ilustra el procedimiento en la figura 4.1:
y
1.0
y=F(x)
Decimal aleatorio
Elemento de la muestra
Figura 4.1 Muestreo aleatorio. Mtodo de Montecarlo

El proceso antes mencionado no siempre es necesario llevarlo al detalle, ya que mediante los generadores de
proceso de algunas distribuciones conocidas, es posible obtener muestras aleatorias mediante alguna
funcin.
4.3
Generador de proceso uniforme
Para un generador de proceso uniforme se utilizan la funcin densidad y la funcin de distribucin de la

variable aleatoria de que se trate.
La funcin densidad para la distribucin uniforme se define como sigue
P(x) =
1
para a x b
ba
(4.5)
Grficamente, esto tendra la forma que se muestra en la figura 4.2. Observar que todos los valores que se
encuentran entre a y b tienen densidades iguales de 1/(b-a):
p(x)
1/(b-a)
x
b
Figura 4.2 Distribucin de probabilidad uniforme para el intervalo (a, b)

39
El procedimiento implica integrar la funcin densidad para el intervalo de valores; el procedimiento es como
sigue:
x
P(x) =
p(x)dx
a
Sustituyendo p(x) = 1/(b-a), entonces

x
P(x) =
1
dx
ba
1
ba
x
a
1
x a
ba
por tanto,
P(x) =
xa
ba
(4.6)
La grfica de la funcin de distribucin aparece en la figura 4.3:

P(x)
1.0
x
b
Figura 4.3 Funcin de distribucin de la distribucin uniforme en el intervalo (a, b)

En el procedimiento de muestreo para el mtodo de Montecarlo, se obtiene una muestra de la funcin de
distribucin generando un decimal aleatorio, identificando la probabilidad asociada a aqul y eligiendo el
valor correspondiente de la variable. En trminos numricos, se utiliza el mismo procedimiento para elaborar
un generador de proceso. La tcnica se denomina mtodo de transformacin inversa. El procedimiento
implica igualar la variable aleatoria uniforme R (en donde R se encuentra entre cero y uno) a P(x) y despejar
x:
R = P(x) =
xa
ba
R(b-a) = x-a
40
Finalmente x ser:
x = a + R(b-a)
(4.7)
Dada la ecuacin 4.7 que es el generador de proceso para la distribucin uniforme, es posible generar
variables con distribucin uniforme entre a y b, simplemente identificando a y b, generando un decimal
aleatorio R y sustituyendo en la ecuacin. Por ejemplo, para generar una variable aleatoria entre 10 y 20, la
relacin funcional sera
x = 10 + R(10)
Para el nmero aleatorio 0.6134, el valor de la variable aleatoria sera 16.134.
El muestreo en una distribucin uniforme es bastante simple una vez que se ha determinado el generador de
proceso. Sin embargo, este beneficio no se limita a la distribucin uniforme sino que se aplica a todas las
distribuciones continuas.
4.4
Generador de proceso con distribucin exponencial negativa
Su funcin densidad se define como sigue

p(x) = e x para 0 x
en donde es la tasa promedio de servicio de una lnea de espera, o nmero promedio de unidades a las
que se les da servicio por intervalo de tiempo. En la figura 6.9 aparece la grfica de la funcin densidad:
p(x)
Figura 4.4 Funcin densidad de la distribucin exponencial negativa

Para obtener el generador de proceso, debe calcularse primero la funcin acumulada de densidad:
x
P(x) =
p(x)dx
0
dx

= e e
= e x
x
0
41
= e x 1
P(x) = -e x 1
(4.8)
Igualando la variable aleatoria uniforme R, a P(x) y despejando x se tiene:

R = P(x) = 1 - e x
e x 1 R
ln (e x ) ln(1 R )
- x = ln (1-R)
por lo tanto
x = (-1/ ) ln( 1 R )
(4.9)
dado que la variable aleatoria R es simtrica y tiene una distribucin uniforme entre 0 y 1, la distribucin
probabilstica para (1-R) equivale a la de R; por tanto puede reemplazarse (1-R) por R. Entonces, un
generador de proceso igualmente vlido para la distribucin exponencial negativa es:
x =(-1/ ) ln R )
(4.10)
Dada la tasa promedio de servicio, , y una variable aleatoria uniforme , R, ahora es posible generar valores
muestrales para la longitud del tiempo de servicio, x.
Ejemplo 4.1 Obtencin de una muestra aleatoria
Si la tasa promedio de servicio, , para una operacin determinada es de 6 unidades por hora y se genera el
valor aleatorio uniforme de 0.5, entonces el valor muestral sera:
x=
1
* ln(0.5)
6
= (-1/6)(-0.693) horas
= (-60/6)(-0.693) minutos
= 6.93 minutos
4.5
Generador de proceso binomial
La funcin densidad de la distribucin binomial, se expresa como sigue

p(x) =
en donde
n!
p x (1 p) n x
x! (n x )!
(4.11)
n = nmero de ensayos independientes (tamao de la muestra)

p = probabilidad de xito en cualquier ensayo
x = variable aleatoria que representa el nmero de xitos en n ensayos
Dados los parmetros n y p, el generador de proceso binomial simplemente implica muestrear n veces y
contar el nmero de xitos, x. En cada ensayo, se genera un valor aleatorio, R, y se compara con la
42
probabilidad de xito, p. Si el valor aleatorio R es menor que p, el ensayo se denomina xito y se cuenta; si R
p, el ensayo es fracaso. Despus de n ensayos, el nmero total de xitos es el valor de la variable binomial
aleatoria.
4.6
Prueba de bondad de ajuste
Antes de poder utilizar un generador de proceso en un estudio de simulacin, debe demostrarse primero que
es posible representar los datos empricos a travs de una distribucin de probabilidad terica conocida. Es
posible emplear diversas pruebas estadsticas para probar la bondad de ajuste de una distribucin terica a
un conjunto determinado de datos. Una de las que se usan con ms frecuencia es la prueba de ji cuadrada
( 2 ).
La prueba de 2 pretende determinar si existe diferencia significativa entre las frecuencias esperadas (las
que se basan en la distribucin terica) y las frecuencias reales (las de los datos). Los pasos que se utilizan
en el proceso de prueba son los siguientes:
1. Plantear la hiptesis de prueba, H0, que seala que los datos observados se extrajeron de una poblacin
que puede describirse a travs de una distribucin terica conocida.
2. Plantear la hiptesis alternativa, H 1, que seala que los datos observados no se extrajeron de la
poblacin planteada en el paso 1.
3. Identificar el nivel de significancia, , con el que se llevar a cabo la prueba. [recordar que (1- ) es el
nivel de confianza de una prueba estadstica.].
4. Utilizando la siguiente relacin:
2cal
En donde
(f 0 f e ) 2
fe
(4.12)
2cal = valor calculado de 2

f0 = frecuencias observadas
fe = frecuencias tericas o esperadas
Probar la 2cal con la 2tablas . Si 2cal > 2tablas , entonces se rechaza H0 (se acepta H1); si 2cal 2tablas , no se
rechaza H0. El valor de 2tablas se encuentra en una tabla de ji cuadrada y est definido por el nmero de
grados de libertad (g. L.). Los grados de libertad, para la mayora de las pruebas de bondad de ajuste, se
definen de la siguiente manera:
g. l. = Nmero de categoras (clases) nmero de parmetros 1
en donde el nmero de parmetros se define como el nmero de estadsticos ( , , , , etc.) que se
requieren para describir una distribucin determinada.
43
Ejemplo 4.2
Prueba de bondad de ajuste
Suponer que los datos que aparecen en las dos primeras columnas de la tabla 4.1 corresponden al nmero
de clientes que entran a un banco cada hora. Estos datos se recolectaron al azar para 204 periodos de una
hora. Con base en estos datos, se planteara la hiptesis H 0 de que los datos pueden representarse por
medio de una distribucin de Poisson. La hiptesis alternativa H1, es que la distribucin no puede
representarse mediante la de Poisson.
Tabla 4.1 Clculos de la prueba
Nmero de llegadas
por hora (x)
Frecuencia
observada (fo)
Frecuencia
esperada (fe)
(f o f e ) 2
fe
70
75.05
0.3398
84
75.05
1.0673
34
37.52
.3302
12
12.51
.0088
4 o ms
3.87
204
2cal 1.7461
Antes de probar la hiptesis H0, se necesita calcular 2cal . Se comienza calculando el nmero promedio de
llegadas por hora, :
xf
f
204
1
204
Utilizando 1 y la funcin densidad de Poisson se pueden calcular las probabilidades de que entren al
banco diversos nmeros de clientes. Estos sern:
P(x=0) = 0.36788
P(x=1) = 0.36788
P(x=2) = 0.18394
P(x=3) = 0.06131
P(x4) = 0.01899
Dado que n, nmero total de observaciones, es 204, las frecuencias tericas o esperadas se determinan
multiplicando las probabilidades anteriores por 204. Estos datos se muestran en la columna 3 de la tabla 4.1.
Aplicando la ecuacin 4.12 se puede calcular la columna 4 de la tabla. La suma de la columna 4 produce
2cal . (Al calcularla, se supone que cada clase de datos tiene una f e de cuando menos 5. Dado que el valor
esperado para x4 es de slo 3.87 observaciones, se agruparon las clases 3 y 4.)
El nmero de grados de libertad para esta prueba especfica es 2, puesto que existen cuatro clases de datos
en el conjunto original y la distribucin de Poisson tiene un parmetro, . Si se desea probar la hiptesis H 0
a un nivel de confianza del 95 %, entonces = 0.05. Consultando la tabla de 2 , se encuentra que para
44
= 0.05 y g. l.=2, 2tablas 5.991 . Dado que 2cal es menor que 2tablas , entonces no se rechaza H0 y se
concluye que los datos pueden simularse en forma adecuada con un generador de proceso de
Poisson.
4.7
Desviaciones aleatorias normales
El proceso descrito para un muestreo de Montecarlo, no es necesario emplearlo para el caso de la

distribucin normal. Para obtener muestras de la distribucin normal se utilizan tablas con desviaciones
aleatorias normales obtenidas de una poblacin con media cero y desviacin estndar uno. El elemento
correspondiente de la muestra se obtiene multiplicando la desviacin aleatoria normal por x y sumndole
x .
Se anexa la tabla de 2 y la tabla con desviaciones aleatorias normales.
Ejemplo 4.3 Simulacin del sistema
La produccin diaria de un sistema hidroelctrico en kw-h tiene la siguiente distribucin:

kw-h/da
10
Probabilidad
0.05 0.10 0.20 0.30 0.20 0.10 0.05
Probabilidad
11
12
13
14
15
16
0.05 0.15 0.35 0.65 0.85 0.95 1.0
acumulada
El nmero diario de consumidores de la energa producida tiene la siguiente distribucin:
Nmero de
consumidores/da
Probabilidad
Probabilidad acumulada
10
0.10 0.15 0.20 0.40 0.10 0.05

0.10 0.25 0.45 0.85 0.95
1.0
La probabilidad de que un consumidor requiera de 1, 2, o 3 kw-h est dada por:

kw-h/consumidor
Probabilidad
0.40
0.40
0.20
Probabilidad acumulada
0.40
0.80
1.0
Estimar con mtodos de Montecarlo, el nmero de kw-h no consumidos y el nmero medio de Kw-h
requeridos por da debido a una produccin insuficiente. Suponer que la produccin de un da no puede ser
utilizada en el siguiente.
45
Solucin
El primer paso consiste en dibujar o conceptualizar la distribucin de probabilidad acumulada para las
variables aleatorias en cuestin, las cuales se muestran en las figuras 4.5 a, 4.5 b y 4.5 c:
1.0
1.0
F(x)
1.0
F(x)
F(x)
0.5
0.5
0.5
0.5
10 11 12 13 14 15 16
9 10
Produccin diaria
Nmero diario de
Consumo diario
4.5 a
Consumidores
4.5 b
4.5 c
Figura 4.5 Distribuciones de probabilidad acumulada

Se simularn 10 das del proceso produccin-consumo, desde luego un mayor nmero de das
proporcionaran resultados ms confiables.
Se calcular el nmero de kw-h producidos en cada uno de los 10 das, generando 10 nmeros aleatorios
decimales y empleando la figura 4.5 a; los resultados se muestran en la tabla 4.2:
Tabla 4.2
Da
Nmero aleatorio
Produccin
10
.271 .914 .045 .462 .493 .983 .756 .744 .184 .627
12
15
10
13
13
16
14
14
12
13
Enseguida se calcula el nmero diario de consumidores generando 10 nmeros aleatorios y usando la figura
4.5 b; los resultados se muestran en la tabla 4.3:
Tabla 4.3
Da
Nmero aleatorio
Nmero de
consumidores
10
.214 .371 .936 .852 .786 .991 .264 .268 .308 .385
6
10
Ahora se calcular el consumo para cada uno de los 77 clientes que se muestran en la tabla 4.4. Esto se
logra utilizando la figura 4.5c y los resultados se muestran en la tabla 4.4. La suma por columna proporciona
46
la demanda del da correspondiente y la diferencia de stas con la produccin respectiva conduce al dficit o
al exceso de la misma.
1
2
3
4
5
6
7
8
9
10
N. A.
.37
.08
.65
.08
.57
.22
Cons.
10
N. A.
.10
.72
.85
.51
.01
.09
.26
Cons.
N. A.
.73
.55
.69
.84
.41
.49
.90
.72
.92
Cons.
N. A.
.05
.92
.40
.67
.89
.13
.37
.34
.52
Cons.
N. A.
.14
.04
.68
.20
.07
.95
.18
.58
Cons.
N. A.
.53
.90
.52
.82
.48
.30
.44
.25
.68
.53
Cons.
N. A.
.21
.99
.38
.34
.01
.63
.03
Cons.
N. A.
.16
.55
.37
.99
.39
.71
.53
Cons.
N. A.
.49
.38
.02
.95
.43
.17
.56
Cons.
N. A.
.97
.37
.75
.60
.12
.97
.95
Cons.
Exceso
Dficit
Consumidor
Produccin
Da
Consumo total
Tabla 4.4
12
11
15
21
10
11
16
13
12
13
20
16
10
14
12
14
12
12
16
13
1
4
21
15
En el periodo de 10 das simulados se tiene un total de 15 Kw-h no consumidos y un total de 21 Kw-h

requeridos y no proporcionados. Consecuentemente:
Nmero medio de kw-h no consumidos = 1.5 kw-h/da
Nmero medio de kw-h requeridos y no proporcionados = 2.1 kw-h/da
Ejemplo 4.4 Toma de decisiones con simulacin
La gerencia de una empresa de ferrocarril considera necesario pintar sus vagones una vez al ao. La
alternativa 1 cuesta $150 000 al ao, y consiste en operar dos talleres de pintura donde se pintar
manualmente. El tiempo requerido para pintar cada vagn tiene una distribucin exponencial con promedio
de 6 horas. La alternativa 2 consiste en operar un taller donde utilizar aire comprimido; el costo anual ser
de $200 000. En este caso, el tiempo para pintar cada vagn tambin sigue una distribucin exponencial con
47
promedio de 3 horas. En ambos casos, los vagones llegaran al taller siguiendo una distribucin de Poisson
con promedio de un vagn por cada 8 horas.
Si no se utiliza un vagn, el costo es de $30 por hora, y se supone que los talleres estaran operando todas
las 8760 horas del ao. Cul de las dos alternativas es la mejor?
Solucin
Para generar muestras aleatorias de las llegadas y de los servicios, se utilizarn los generadores de proceso
de Poisson y exponencial, respectivamente.
Tiempo entre llegadas:
x = -1/ (ln R)
Tiempo de servicio:
x = -1/ (ln R)
Donde es la tasa promedio de llegadas y es la tasa promedio de servicio; R representa a un nmero
decimal aleatorio, el cual puede ser generado en una hoja de clculo de Excel: Herramientas Anlisis de
datos Generacin de nmeros aleatorios, en esta ventana de dilogo hay que establecer el Nmero de
variables, Cantidad de nmeros aleatorios y Distribucin, que se refiere al nmero de variables aleatorias en
cuestin, a la cantidad de nmeros en cada conjunto y al tipo de nmero que se desea generar,
respectivamente. En este caso, se necesitan de una distribucin uniforme.
La tasa promedio de llegadas en ambas alternativas es = 3 vagones por da, la tasa promedio de servicio
para la alternativa 1 es de = 4 vagones por da y para la alternativa 2 es de =8 vagones por da.
El proceso de simulacin se har en una hoja de clculo y se simular cada tiempo entre llegadas y cada
tiempo de servicio, con las expresiones:
Tiempo entre llegadas, alternativas 1 y 2:
x = -1/3 (ln R) das = -24/3 (ln R) = -8 ln R (horas)
Tiempo de servicio, alternativa 1:
Tiempo de servicio, alternativa 2:
48
H o r a d e in ic io : 0 h r s
S IS T E M A M /M /2
A LT E R N A T IV A 1
T ie m p o
NA
H o ra e n
e n tre
H o ra e n
T ie m p o
H o ra e n
lle g a d a s
q u e lle g a
a s e r v ic io
d e s e r v ic io
q u e s a le
E sp e ra ?
q u e e n tra
NA
T a lle r
Lq
0 .3 8 2 7 .6 9 8 6 7 4
7 .6 9 8 6 7 4
7 .6 9 8 6 7 4
0 .1 0 0 6 8 1 1 3 .7 7 4 8 2
2 1 .4 7 3 4 9
0 .8 8 4 6 1 0 .9 8 0 8 7 2
8 .6 7 9 5 4 5
8 .6 7 9 5 4 5
0 .9 5 8 4 6 4 0 .2 5 4 5 3 8
8 .9 3 4 0 8 3
0 .8 6 3 2 4 7 1 .1 7 6 4 3 9
9 .8 5 5 9 8 5
9 .8 5 5 9 8 5
0 .1 3 8 5 8 5 1 1 .8 5 7 6 5
2 1 .7 1 3 6 3
0 .0 3 2 3 8 2 7 .4 4 1 6 8
3 7 .2 9 7 6 7
3 7 .2 9 7 6 7
0 .1 6 4 1 2 9 1 0 .8 4 2 6 3
4 8 .1 4 0 3
0 .2 8 5 0 4 3 1 0 .0 4 0 9 3
4 7 .3 3 8 5 9
4 7 .3 3 8 5 9
0 .3 4 3 0 8 9 6 .4 1 8 5 9 1
5 3 .7 5 7 1 8
0 .3 7 1 8 3 8 7 .9 1 4 3 8 6
5 5 .2 5 2 9 8
5 5 .2 5 2 9 8
0 .3 5 5 6 0 2 6 .2 0 3 6 6 4
6 1 .4 5 6 6 4
0 .4 2 6 1 6 6 .8 2 3 5 1 5
6 2 .0 7 6 4 9
6 2 .0 7 6 4 9
0 .3 0 3 9 0 3 7 .1 4 6 2 7 4
6 9 .2 2 2 7 7
0 .9 9 1 2 4 1 0 .0 7 0 3 7 9
6 2 .1 4 6 8 7
6 2 .1 4 6 8 7
0 .2 5 6 2 6 4 8 .1 6 9 2 8 4
7 0 .3 1 6 1 5
0 .7 0 5 0 3 9 2 .7 9 6 0 2 2
6 4 .9 4 2 8 9
6 9 .2 2 2 7 7
0 .8 1 6 5 2 3 1 .2 1 6 2 0 3
7 0 .4 3 8 9 7
0 .3 0 0 2 1 1 9 .6 2 6 1 6 9
7 4 .5 6 9 0 6
7 4 .5 6 9 0 6
0 .7 5 0 2 0 6 1 .7 2 4 4 4 5
7 6 .2 9 3 5 1
0 .0 7 4 3 4 3 2 0 .7 9 2 5 2
9 5 .3 6 1 5 8
9 5 .3 6 1 5 8
0 .1 9 8 4 3 1 9 .7 0 3 8 7 3
1 0 5 .0 6 5 5
0 .4 8 7 0 4 5 5 .7 5 5 1 9 2
1 0 1 .1 1 6 8
1 0 1 .1 1 6 8
0 .5 1 1 2 1 6 4 .0 2 5 7 8 4
1 0 5 .1 4 2 6
0 .0 4 0 7 1 2 2 5 .6 0 9 9 2
1 2 6 .7 2 6 7
1 2 6 .7 2 6 7
0 .2 3 0 7 2 8 .7 9 9 3 0 4
1 3 5 .5 2 6
0 .1 0 0 3 1 4 1 8 .3 9 5 5 7
1 4 5 .1 2 2 3
1 4 5 .1 2 2 3
0 .2 5 6 6 9 1 8 .1 5 9 2 8 9
1 5 3 .2 8 1 6
0 .8 0 9 1 0 7 1 .6 9 4 5 9 6
1 4 6 .8 1 6 9
1 4 6 .8 1 6 9
0 .7 2 4 3 2 6
1 .9 3 5 0 8
1 4 8 .7 5 1 9
0 .7 5 6 1 5 7 2 .2 3 6 0 4 9
1 4 9 .0 5 2 9
1 4 9 .0 5 2 9
0 .6 2 6 5 1 4
2 .8 0 5 5
1 5 1 .8 5 8 4
0 .5 5 2 3 2 4 4 .7 4 8 9 6 4
1 5 3 .8 0 1 9
1 5 3 .8 0 1 9
0 .7 1 1 5 0 9 2 .0 4 2 2 0 7
1 5 5 .8 4 4 1
0 .9 7 0 2 7 5 0 .2 4 1 4 0 6
1 5 4 .0 4 3 3
1 5 4 .0 4 3 3
0 .6 8 6 9 4 1
2 .2 5 3 0 4
1 5 6 .2 9 6 3
0 .8 0 5 6 5 8 1 .7 2 8 7 6 6
1 5 5 .7 7 2
1 5 5 .8 4 4 1
0 .2 6 2 2 1 5 8 .0 3 1 5 4 2
1 6 3 .8 7 5 6
0 .1 1 4 8 4 1 1 7 .3 1 3 6 4
1 7 3 .0 8 5 7
1 7 3 .0 8 5 7
0 .0 5 9 5 1 1 1 6 .9 2 9 5 6
1 9 0 .0 1 5 2
31
L=
1 .5 5
4 .2 7 9 8 7 3
0 .0 7 2 0 3 5
4 .3 5 1 9 0 8
1 3 2 .2 9 3 3
C o s to :
T a lle r =
3 2 5 3 .6 8 6
E sp e ra
C o s t o d ia r io a lt e r n a t iv a 1 =
9 2 8 .7 3 0 7
Lq=
0 .0 5
4 0 9 9 .3 5 5
W=
6 .8 3 2 2 5 9
d a s
7 3 5 3 .0 4 1
W q=
0 .2 1 7 5 9 5
d a s
49
H o r a d e in ic io : 0 h r s
S IS T E M A M /M /1
A LT E R N A T IV A 2
T ie m p o
NA
H o ra e n
e n tre
H o ra e n
T ie m p o
H o ra e n
lle g a d a s
q u e lle g a
a s e r v ic io
d e s e r v ic io
q u e s a le
Lq
0 .5 9 6 4 8 4 4 .1 3 3 6 1 9
4 .1 3 3 6 1 9
4 .1 3 3 6 1 9
0 .8 9 9 1 0 6 0 .3 1 9 0 6 4
0 .0 1 4 4 9 6
3 3 .8 7 0 9
3 8 .0 0 4 5 2
3 8 .0 0 4 5 2
0 .4 0 7 4 2 2 2 .6 9 3 7 1 7
4 .4 5 2 6 8 3
4 0 .6 9 8 2 3
0 .2 4 5 0 3 3
1 1 .2 5 0 9
4 9 .2 5 5 4 1
4 9 .2 5 5 4 1
0 .0 4 5 4 7 3 9 .2 7 1 9 3 7
5 8 .5 2 7 3 5
0 .2 1 9 6 1 1 1 2 .1 2 7 1 7
6 1 .3 8 2 5 9
6 1 .3 8 2 5 9
0 .0 1 7 0 9 1 2 .2 0 7 7 2
7 3 .5 9 0 3 1
0 .5 5 3 6 3 6 4 .7 2 9 9 7 9
6 6 .1 1 2 5 7
7 .4 7 7 7 4 2
7 3 .5 9 0 3 1
0 .3 5 7 3 7 2 3 .0 8 6 9 3 6
7 6 .6 7 7 2 4
0 .9 1 0 3 0 6 0 .7 5 1 7 9 5
6 6 .8 6 4 3 6
9 .8 1 2 8 8 4
7 6 .6 7 7 2 4
0 .4 6 6 0 1 8 2 .2 9 0 5 9 5
7 8 .9 6 7 8 4
0 .9 7 5 7 0 7 0 .1 9 6 7 4 1
6 7 .0 6 1 1
1 1 .9 0 6 7 4
7 8 .9 6 7 8 4
0 .8 0 6 6 6 5
7 9 .6 1 2 3 8
0 .9 5 1 6 8 9 0 .3 9 6 1 3 4
6 7 .4 5 7 2 4
1 2 .1 5 5 1 4
7 9 .6 1 2 3 8
0 .0 5 3 4 3 8 8 .7 8 7 7 0 5
8 8 .4 0 0 0 8
0 .9 7 2 5 0 3 0 .2 2 3 0 5 8
6 7 .6 8 0 2 9
2 0 .7 1 9 7 9
8 8 .4 0 0 0 8
0 .4 6 6 3 2 3 2 .2 8 8 6 3 1
9 0 .6 8 8 7 1
0 .3 5 1 4 8 2 8 .3 6 4 7 8 2
7 6 .0 4 5 0 8
1 4 .6 4 3 6 4
9 0 .6 8 8 7 1
0 .7 7 5 6 5 8 0 .7 6 2 1 2 9
9 1 .4 5 0 8 4
0 .0 6 4 0 5 8 2 1 .9 8 3 6 9
9 8 .0 2 8 7 6
9 8 .0 2 8 7 6
0 .3 5 8 3 4 8 3 .0 7 8 7 4 9
1 0 1 .1 0 7 5
0 .3 7 3 4 5 5 7 .8 7 9 6 6 2
1 0 5 .9 0 8 4
1 0 5 .9 0 8 4
1 0 5 .9 5 1
0 .0 0 4 9 7 5 4 2 .4 2 7 4 2
1 4 8 .3 3 5 8
1 4 8 .3 3 5 8
0 .9 2 6 1 4 5 0 .2 3 0 1 7 3
1 4 8 .5 6 6
0 .7 7 5 6 8 9 2 .0 3 2 0 2 9
1 5 0 .3 6 7 9
1 5 0 .3 6 7 9
0 .6 7 9 6 4 7 1 .1 5 8 5 4 4
1 5 1 .5 2 6 4
0 .0 8 5 0 5 5 1 9 .7 1 5 6 5
1 7 0 .0 8 3 5
1 7 0 .0 8 3 5
0 .1 3 2 2 6 7 6 .0 6 8 7 9 3
1 7 6 .1 5 2 3
0 .1 7 3 6 5 1 4 .0 0 5 6 9
1 8 4 .0 8 9 2
1 8 4 .0 8 9 2
0 .4 0 4 7 9 8 2 .7 1 3 1 0 5
1 8 6 .8 0 2 3
4 .7 0 7 9 6
1 8 8 .7 9 7 2
1 8 8 .7 9 7 2
0 .1 8 1 1 5 8 5 .1 2 5 1 5 9
1 9 3 .9 2 2 3
0 .5 2 8 7 9 4 5 .0 9 7 2 4 7
1 9 3 .8 9 4 4
1 9 3 .9 2 2 3
0 .7 9 6 6 8 6 0 .6 8 1 8 8 5
1 9 4 .6 0 4 2
0 .1 7 7 9 5 3 1 3 .8 0 9 8 7
2 0 7 .7 0 4 3
2 0 7 .7 0 4 3
0 .8 6 6 7 5 6 0 .4 2 8 9 9 3
2 0 8 .1 3 3 3
0 .7 6 1 5 5 9 2 .1 7 9 1 0 2
2 0 9 .8 8 3 4
2 0 9 .8 8 3 4
0 .7 3 8 3 9 5 0 .9 0 9 8 2 8
2 1 0 .7 9 3 2
42
22
0 .5 5 5 1 6 2
E sp e ra ?
0 .0 2 7 9 1 2
q u e e n tra
NA
0 .9 8 5 9
7 6 .7 4 3 8 5
0 .6 4 4 5 4
0 .0 4 2 6
6 2 .7 9 0 8
C o s to :
L=
T a lle r =
4 8 1 2 .6 3 1
E sp e ra
C o s t o d ia r io d e a lt e r n a t iv a 2 =
1 0 2 4 .5 4 9
2 .1
Lq=
1 .1
4 1 8 6 .0 4
W=
6 .9 7 6 7 3 3
d a s
8 9 9 8 .6 7
W q=
3 .8 3 7 1 9 2
d a s
Comparando los costos de las alternativas, se observa que es menor el costo diario asociado a la
alternativa 1 (utilizar dos talleres de pintura), por lo que es preferible esta alternativa.
Este problema est resuelto tambin con criterio de lnea de espera en el captulo 3, por lo que se sugiere al
lector comparar ambos mtodos e inferir conclusiones.
50
ANEXO: TABLAS
Tabla A.1
Ordenadas de la curva normal estndar
f(z) =
t
1
e
2
z2 / 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0
0.3989
0.3970
0.3910
0.3814
0.3683
0.3521
0.3332
0.3123
0.2897
0.2661
1
0.3989
0.3965
0.3902
0.3802
0.3668
0.3503
0.3312
0.3101
0.2874
0.2637
2
0.3989
0.3961
0.3894
0.3790
0.3653
0.3485
0.3292
0.3079
0.285
0.2613
3
0.3988
0.3956
0.3885
0.3778
0.3637
0.3467
0.3271
0.3056
0.2827
0.2589
4
0.3986
0.3951
0.3876
0.3765
0.3621
0.3448
0.3251
0.3034
0.2803
0.2565
5
0.3984
0.3945
0.3867
0.3752
0.3605
0.3429
0.3230
0.3011
0.278
0.2541
6
0.3982
0.3939
0.3857
0.3739
0.3589
0.3410
0.3209
0.2989
0.2756
0.2516
7
0.3980
0.3932
0.3847
0.3725
0.3572
0.3391
0.3187
0.2966
0.2732
0.2492
8
0.3977
0.3925
0.3836
0.3712
0.3555
0.3372
0.3166
0.2943
0.2709
0.2468
9
0.3973
0.3918
0.3825
0.3697
0.3538
0.3352
0.3144
0.2920
0.2685
0.2444
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
0.2420
0.2179
0.1942
0.1714
0.1497
0.1295
0.1109
0.0940
0.0790
0.0656
0.2396
0.2155
0.1919
0.1691
0.1476
0.1276
0.1092
0.0925
0.0775
0.0644
0.2371
0.2131
0.1895
0.1669
0.1456
0.1257
0.1074
0.0909
0.0761
0.0632
0.2347
0.2107
0.1872
0.1647
0.1435
0.1238
0.1057
0.0893
0.0748
0.0620
0.2323
0.2083
0.1849
0.1626
0.1415
0.1219
0.1040
0.0878
0.0734
0.0608
0.2299
0.2059
0.1826
0.1604
0.1394
0.1200
0.1023
0.0863
0.0721
0.0596
0.2275
0.2036
0.1804
0.1582
0.1374
0.1182
0.1006
0.0848
0.0707
0.0584
0.2251
0.2012
0.1781
0.1561
0.1354
0.1163
0.0989
0.0833
0.0694
0.0573
0.2227
0.1989
0.1758
0.1539
0.1334
0.1145
0.0973
0.0818
0.0681
0.0562
0.2203
0.1965
0.1736
0.1518
0.1315
0.1127
0.0957
0.0804
0.0669
0.0551
2
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
0.0540
0.0440
0.0355
0.0283
0.0224
0.0175
0.0136
0.0104
0.0079
0.0060
0.0529
0.0431
0.0347
0.0277
0.0219
0.0171
0.0132
0.0101
0.0077
0.0058
0.0519
0.0422
0.0339
0.0270
0.0213
0.0167
0.0129
0.0099
0.0075
0.0056
0.0508
0.0413
0.0332
0.0264
0.0208
0.0163
0.0126
0.0096
0.0073
0.0055
0.0498
0.0404
0.0325
0.0258
0.0203
0.0158
0.0122
0.0093
0.0071
0.0053
0.0488
0.0396
0.0317
0.0252
0.0198
0.0154
0.0119
0.0091
0.0069
0.0051
0.0478
0.0387
0.0310
0.0246
0.0194
0.0151
0.0116
0.0088
0.0067
0.0050
0.0468
0.0379
0.0303
0.0241
0.0189
0.0147
0.0113
0.0086
0.0065
0.0048
0.0459
0.0371
0.0297
0.0235
0.0184
0.0143
0.0110
0.0084
0.0063
0.0047
0.0449
0.0363
0.0290
0.0229
0.0180
0.0139
0.0107
0.0081
0.0061
0.0046
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
0.0044
0.0033
0.0024
0.0017
0.0012
0.0009
0.0006
0.0004
0.0003
0.0002
0.0043
0.0032
0.0023
0.0017
0.0012
0.0008
0.0006
0.0004
0.0003
0.0002
0.0042
0.0031
0.0022
0.0016
0.0012
0.0008
0.0006
0.0004
0.0003
0.0002
0.0040
0.0030
0.0022
0.0016
0.0011
0.0008
0.0005
0.0004
0.0003
0.0002
0.0039
0.0029
0.0021
0.0015
0.0011
0.0008
0.0005
0.0004
0.0003
0.0002
0.0038
0.0028
0.0020
0.0015
0.0010
0.0007
0.0005
0.0004
0.0002
0.0002
0.0037
0.0027
0.0020
0.0014
0.0010
0.0007
0.0005
0.0003
0.0002
0.0002
0.0036
0.0026
0.0019
0.0014
0.0010
0.0007
0.0005
0.0003
0.0002
0.0002
0.0035
0.0025
0.0018
0.0013
0.0009
0.0007
0.0005
0.0003
0.0002
0.0001
0.0034
0.0025
0.0018
0.0013
0.0009
0.0006
0.0004
0.0003
0.0002
0.0001
4 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
51
Tabla A.2
reas bajo la curva normal estndar entre 0 y z
f(z) =
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
0
0.0000
0.0398
0.0793
0.1179
0.1554
0.1915
0.2258
0.2580
0.2881
0.3159
0.3413
0.3643
0.3849
0.4032
0.4192
0.4332
0.4452
0.4554
0.4641
0.4713
0.4772
0.4821
0.4861
0.4893
0.4918
0.4938
0.4953
0.4965
0.4974
0.4981
0.4987
0.499
0.4993
0.4995
0.4997
0.4998
0.4998
0.4999
0.4999
0.5000
1
0.0040
0.0438
0.0832
0.1217
0.1591
0.1950
0.2291
0.2612
0.2910
0.3189
0.3438
0.3665
0.3869
0.4049
0.4207
0.4345
0.4463
0.4564
0.4649
0.4719
0.4778
0.4826
0.4864
0.4896
0.4920
0.4940
0.4955
0.4966
0.4975
0.4982
0.4987
0.4991
0.4993
0.4995
0.4997
0.4998
0.4998
0.4999
0.4999
0.5000
2
0.0080
0.0478
0.0871
0.1255
0.1628
0.1985
0.2324
0.2642
0.2939
0.3212
0.3461
0.3686
0.3888
0.4066
0.4222
0.4357
0.4474
0.4573
0.4656
0.4726
0.4783
0.4830
0.4868
0.4898
0.4922
0.4941
0.4956
0.4967
0.4976
0.4982
0.4987
0.4991
0.4994
0.4995
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
3
0.0120
0.0517
0.0910
0.1293
0.1664
0.2019
0.2357
0.2673
0.2967
0.3238
0.3485
0.3708
0.3907
0.4082
0.4236
0.4370
0.4484
0.4582
0.4664
0.4732
0.4788
0.4834
0.4871
0.4901
0.4925
0.4943
0.4957
0.4968
0.4977
0.4983
0.4988
0.4991
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
1
e
2
z2 / 2
4
0.0160
0.0557
0.0948
0.1331
0.1700
0.2054
0.2389
0.2704
0.2996
0.3264
0.3508
0.3729
0.3925
0.4099
0.4251
0.4382
0.4495
0.4591
0.4671
0.4738
0.4793
0.4838
0.4875
0.4904
0.4927
0.4945
0.4959
0.4969
0.4977
0.4984
0.4988
0.4992
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
5
0.0199
0.0596
0.0987
0.1368
0.1736
0.2088
0.2422
0.2734
0.3023
0.3289
0.3531
0.3749
0.3944
0.4115
0.4265
0.4394
0.4505
0.4599
0.4678
0.4744
0.4798
0.4842
0.4878
0.4906
0.4929
0.4946
0.496
0.497
0.4978
0.4984
0.4989
0.4992
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
6
0.0239
0.0636
0.1026
0.1406
0.1772
0.2123
0.2454
0.2764
0.3051
0.3315
0.3554
0.3770
0.3962
0.4131
0.4279
0.4406
0.4515
0.4608
0.4686
0.475
0.4803
0.4846
0.4881
0.4909
0.4931
0.4948
0.4961
0.4971
0.4979
0.4985
0.4989
0.4992
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
7
0.0279
0.0675
0.1064
0.1443
0.1808
0.2157
0.2486
0.2794
0.3078
0.3340
0.3577
0.3790
0.3980
0.4147
0.4292
0.4418
0.4525
0.4616
0.4693
0.4756
0.4808
0.4850
0.4884
0.4911
0.4932
0.4949
0.4962
0.4972
0.4979
0.4985
0.4989
0.4992
0.4995
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
8
0.0319
0.0714
0.1103
0.1480
0.1884
0.2190
0.2518
0.2823
0.3106
0.3365
0.3599
0.3810
0.3997
0.4162
0.4306
0.4429
0.4535
0.4625
0.4699
0.4761
0.4812
0.4854
0.4887
0.4913
0.4934
0.4951
0.4963
0.4973
0.4980
0.4986
0.4990
0.4993
0.4995
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
9
0.0359
0.0754
0.1141
0.1517
0.1879
0.2224
0.2549
0.2852
0.3133
0.3389
0.3621
0.3830
0.4015
0.4177
0.4319
0.4441
0.4545
0.4633
0.4706
0.4767
0.4817
0.4857
0.4890
0.4916
0.4936
0.4952
0.4964
0.4974
0.4981
0.4986
0.4990
0.4993
0.4995
0.4997
0.4998
0.4998
0.4999
0.4999
0.4999
0.5000
52
Tabla A.3
reas bajo la curva
P = Probabilidad de exceder un valor dado de
= Grados de libertad
v
0.99
1 0.0002
2
0.02
3 0.115
4
0.3
5
0.55
6
0.87
7
1.24
8
1.65
9
2.09
10
2.56
11
3.05
12
3.57
13
4.11
14
4.66
15
5.23
16
5.81
17
6.41
18
7.02
19
7.63
20
8.26
21
8.9
22
9.54
23
10.2
24 10.86
25 11.52
26
12.2
27 12.88
28 13.56
29 14.26
30 14.95
0.95
0.004
0.103
0.35
0.71
1.14
1.64
2.17
2.73
3.32
3.94
4.58
5.23
5.89
6.57
7.26
7.96
8.67
9.39
10.12
10.85
11.59
12.34
13.09
13.85
14.61
15.38
16.15
16.93
17.71
18.49
0.9
0.016
0.211
0.584
1.06
1.61
2.2
2.83
3.49
4.17
4.87
5.58
6.3
7.04
7.79
8.55
9.31
10.08
10.86
11.65
12.44
13.24
14.04
14.85
15.66
16.47
17.29
18.11
18.94
19.77
20.6
0.5
0.455
1.39
2.37
3.36
4.35
5.35
6.35
7.34
8.34
9.34
10.34
11.34
12.34
13.34
14.34
15.34
16.34
17.34
18.34
19.34
20.34
21.34
22.34
23.34
24.34
25.34
26.34
27.34
28.34
29.34
0.2
1.642
3.22
4.64
5.99
7.29
8.56
9.8
11.03
12.24
13.44
14.63
15.81
16.98
18.15
19.31
20.46
21.62
22.76
23.9
25.04
26.17
27.3
28.43
29.55
30.68
31.8
32.91
34.03
35.14
36.25
0.1
2.71
4.61
6.25
7.78
9.24
10.64
12.02
13.36
14.68
15.99
17.28
18.55
19.81
21.06
22.31
23.54
24.77
25.99
27.2
28.41
29.62
30.81
32.01
33.2
34.38
35.56
36.74
37.92
39.09
40.26
0.05
3.84
5.99
7.82
9.49
11.07
12.59
14.07
15.51
16.92
18.31
19.68
21.03
22.36
23.68
25
26.3
27.59
28.87
30.14
31.41
32.67
33.92
35.17
36.42
37.65
38.88
40.11
41.34
42.56
43.77
0.02
5.41
7.82
9.84
11.67
13.39
15.08
16.62
18.17
19.68
21.16
22.62
24.05
25.47
26.87
28.26
29.63
31
32.35
33.69
35.02
36.34
37.66
38.97
40.27
41.57
42.86
44.14
45.52
46.69
47.96
0.01
6.64
9.21
11.34
13.28
15.09
16.81
18.48
20.09
21.67
23.21
24.72
26.22
27.69
29.14
30.58
32
33.41
34.8
36.19
37.57
38.93
40.29
41.64
42.98
44.31
45.64
46.96
48.28
49.59
50.89
53
Tabla A.4
Desviaciones Aleatorias Normales

=0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
(1)
0.464
0.06
1.486
1.022
1.394
0.906
1.179
-.501
-0.690
1.372
-0.482
-1.376
-1.010
-0.005
1.393
-1.787
-0.105
-1.339
1.041
0.279
-1.805
-1.186
0.658
-0.439
1.398
0.199
0.159
2.273
0.041
-1.132
-0.768
0.375
-0.513
0.292
1.026
-1.334
-0.287
0.161
-1.346
1.25
(2)
0.137
-2.526
-0.354
-0.472
-.555
-0.513
-1.055
-0.488
0.756
0.225
1.677
-0.150
0.598
-0.899
-1.163
-0.261
-0.357
1.827
0.535
-2.056
-2.008
1.18
-1.141
0.358
-0.23
0.208
0.272
0.606
-0.307
-2.098
0.079
-1.658
-0.344
-0.521
2.99
1.278
-0.144
-0.886
0.193
-0.199
(3)
2.456
-0.531
-0.634
1.279
0.046
-0.525
0.007
-0.162
-1.618
0.378
-0.057
1.356
-.918
0.012
-0.911
1.237
-1.384
-0.959
0.731
0.717
-1.633
1.114
1.151
-1.939
0.385
-1.083
-0.313
0.606
0.121
0.921
-1.473
-0.851
0.21
1.296
-0.574
-0.568
-0.254
-0.921
-1.202
-0.288
=1
(4)
-0.323
-.40
0.697
3.521
0.321
0.595
0.769
-0.136
-0.445
0.761
-1.229
-0.561
1.598
-0.725
1.231
1.046
0.36
0.424
1.377
-0.873
0.542
0.882
-1.210
0.891
-0.649
-0.219
0.084
-0.747
0.79
0.145
0.034
0.234
-0.736
-1.206
-0.491
-0.109
0.574
-0.509
0.394
1.81
(5)
-0.068
0.543
0.926
0.571
2.945
0.881
0.971
1.033
-0.511
0.181
-0.486
-0.256
0.065
1.147
-0.199
-0.508
-0.992
0.969
0.983
-1.096
0.25
1.265
-0.927
-0.227
0.577
-0.291
-2.828
0.247
-0.584
0.446
-2.127
-0.656
1.041
-0.899
-1.114
-0.515
-0.451
1.41
-1.045
1.378
(6)
0.296
-1.558
1.375
-1.851
1.974
0.934
0.712
0.203
-2.051
-0.736
0.856
0.212
0.415
-0.121
-0.246
-1.63
-0.116
-1.141
-1.33
-1.396
0.166
-0.202
0.425
0.602
0.237
1.221
-0.439
1.291
0.541
-2.661
0.665
0.34
0.008
0.11
1.297
-0.566
-1.181
-0.518
0.843
0.534
(7)
-0.288
0.187
0.785
0.194
-0.258
1.579
1.09
0.448
-0.457
0.96
-0.491
0.219
-.169
-0.096
1.239
-0.146
-1.698
-1.041
1.62
1.047
0.032
0.151
0.29
0.973
-0.289
1.119
-0.392
0.063
0.484
1.045
0.084
-0.086
0.427
-0.528
-1.433
2.923
-1.19
0.192
0.942
1.216
54
BIBLIOGRAFA
1
Sasieni, Maurice; Yaspan, Arthur; Friedman, Lawrence., 1982. 8 Edicin
Investigacin de Operaciones
Editorial Limusa S. A de C. V,
Grupo Noriega Editores, Mxico.
Namakforoosh, Mohammad Naghi. 1996. 4 Edicin
Investigacin de Operaciones, Interpretacin de Modelos y Casos

Gerez Greiser, Victor; Csitrm, Vernica, 1978. 1 Edicin
Introduccin al Anlisis de Sistemas e Investigacin de Operaciones
Representaciones y Servicios de Ingeniera, S. A,

Mxico.
4
Ackoff, Russell L. y Sasieni M. W, 1985.
Fundamentos de Investigacin de Operaciones

Thierauf Robert J. y Grosse Richard A., 1976. 3 Edicin
Toma de decisiones por medio de investigacin de operaciones

Editorial Limusa. S. A de C. V,
Grupo Noriega editores, Mxico.
Winston Wayne L.,1990. 1 Edicin
Investigacin de Operaciones
Grupo Editorial Iberoamerica S. A de C. V,

Mxico.
Hillier Frederick S. Y Lieberman, Gerald J., 1992. 1 Edicin
Introduction to Operations Research

Holden-day, Inc. San Francisco Cal.,
USA.
Davis, Roscoe K,; McKeown, Patrick G. 1986. 1 Edicin
Modelos Cuantitativos para Administracin

Grupo Editorial Iberoamrica, S. A de C. V,
Mxico.
Spurr, Willian A.; Bonini, Charles P. 1982. 2 Edicin
Toma de Decisiones Mediante Mtodos Estadsticos

Editorial Limusa,
10 Walpole, Ronald E.; Myers, Raymond H. 1992, 4 Edicin
Probabilidad y Estadstica
Editorial McGraw-Hill Interamericana de Mxico S. A de C. V.

Mxico.
55

Apuntes de Teoría de Decisiones

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes de Teoría de Decisiones

Cargado por

Copyright:

Formatos disponibles

INTRODUCCIN

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

determinsticos (en el programa actual corresponde a la asignatura Ingeniera de Sistemas y se cursa en el

Statistik, que proviene de la palabra Italiana statista, que significa estadista.

Status, (latn), que significa posicin, situacin o estado.

Staat (alemn), que se refiere al estado como unidad poltica superior.

Statera (griego), que significa balanza.

Variable aleatoria continua

Variable aleatoria discreta

Es cualquier subconjunto de datos seleccionados de una poblacin.

Diseo del experimento

su rango (el dato mayor menos el menor). Se subclasifican en:

Medidas de tendencia central

Momentos con respecto al origen:

donde n=nmero de datos; m=nmero de intervalos; t=intervalo de clase; f=frecuencia de clase

Momentos con respecto a la media:

Variancia. Se define como el momento de orden dos con respecto a la media:

Asimetra = [(q3 q2) (q2 q1)] / Sx

Medidas de aplanamiento o exceso (kurtosis)

La teora axiomtica de probabilidades se basa en tres axiomas:

La probabilidad, P(C), de la unin, C, de dos eventos mutuamente exclusivos, A y B, es igual a la suma

de las probabilidades de estos, es decir

Distribuciones tericas de probabilidad

donde: x = variable aleatoria

donde: x= variable aleatoria

Terminologa de modelos de toma de decisiones

Ejemplo 2.1 Plantear el rbol de decisin

Llevar paraguas y que llueva

No llevar paraguas y que no llueva

No llevar paraguas y que llueva

Figura 2.1 Nodos de accin y de probabilidad

Figura 2.2 rbol de decisin

Anlisis de decisin bajo incertidumbre

maximin de Wald, el maximax de Baumol, el de Hurwicz y el minimax de Savage.

de cada curso de accin y el peor para el mismo curso.

de oportunidad de elegir la i-sima alternativa cuando el resultado obtenido es el j-simo.

Max {-6, 12, -3} = 12

max {24, 48, 60} = 60

Esta informacin se puede representar en una grfica:

Anlisis de sensibilidad con el criterio de Hurwicz

decidir por A3 (valores ms altos).

36-12 60+6 48-24

36-36 60-12 48-48

36+3 60-60 48-30

Min{66, 48, 39} = 39

Anlisis de decisin bajo riesgo

El valor de la informacin perfecta

O ij * = la mxima utilidad para cada uno estado de la naturaleza

VIP= valor de la informacin perfecta

El valor de la informacin de prueba

Determinacin del valor de la informacin

La matriz de pagos es:

Pozo de 200 000

0.10 0.15 0.25

Con pronstico de clasificacin 2:

Con pronstico de clasificacin 3:

Con pronstico de clasificacin 4:

Sistema de etapa nica

Sistema de etapas mltiples

Figura 3.1 Sistemas de etapa nica y de etapas mltiples

Figura 3.2 Ejemplos de sistemas de etapa nica

de Kendall un sistema de lneas de espera se designa como

C se sustituye por un entero positivo que denote el nmero de canales de servicio

Recopilacin de datos y distribuciones de probabilidad