Está en la página 1de 107

Investigaci´ on de Operaciones II

Mar´ıa Cristina Riff
1er. Semestre 2003
2
´
Indice general
1. Teor´ıa de Decisiones 7
1.1. Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Toma de Decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1. Certeza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2. Incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3. Riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.4. Arboles de decisi´ on . . . . . . . . . . . . . . . . . . . . . . 13
1.3. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . 21
2. Decisiones con M´ ultiples Objetivos 25
2.1. AHP: Analytic Hierarchy Process . . . . . . . . . . . . . . . . . . 25
2.2. Ejemplo: Resoluci´ on mediante Software Expert Choice . . . . . . 29
3. Problemas con M´ ultiples Objetivos 41
3.1. Optimalidad de Pareto . . . . . . . . . . . . . . . . . . . . . . . . 41
4. Teor´ıa de Juegos 43
4.1. Juego de 2 Personas, Suma cero: Puntos de Equilibrio . . . . . . 43
4.2. Juego de 2 Personas, Suma constante . . . . . . . . . . . . . . . . 44
4.3. Juegos de 2 Personas sin Punto de Equilibrio . . . . . . . . . . . 45
4.4. Juegos de 2 Personas con Suma no Constante: Dilema del Prisionero 48
4.4.1. Aplicaciones del Dilema del Prisionero . . . . . . . . . . . 49
5. Teor´ıa de Colas 51
5.1. Estructura de los Sistemas de Colas . . . . . . . . . . . . . . . . 51
5.2. Clasificaci´ on de los Sistemas de Colas . . . . . . . . . . . . . . . 53
5.3. Proceso de Entrada . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.3.1. Llegadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.3.2. Tiempo entre llegadas . . . . . . . . . . . . . . . . . . . . 54
5.3.3. Tiempo Acumulado . . . . . . . . . . . . . . . . . . . . . 55
5.4. Proceso de Salida . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4.1. Tiempo de Servicio . . . . . . . . . . . . . . . . . . . . . . 55
5.4.2. N´ umero de Unidades Servidas durante el tiempo t . . . . 55
5.5. Estado Estacionario . . . . . . . . . . . . . . . . . . . . . . . . . 55
3
4
´
INDICE GENERAL
5.6. Sistemas con una sola Cola, Poblaci´ on Infinita: Estad´ısticas en
Estado Estacionario . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.7. Sistemas con M´ ultiples Servidores . . . . . . . . . . . . . . . . . . 56
5.8. Colas con Prioridades . . . . . . . . . . . . . . . . . . . . . . . . 57
5.8.1. F´ ormulas Matem´ aticas . . . . . . . . . . . . . . . . . . . . 57
5.9. Colas con Restricciones . . . . . . . . . . . . . . . . . . . . . . . 60
5.9.1. Sistemas Poisson Exponencial con pocas llamadas (llegadas) 60
5.9.2. Propiedades de un sistema con un s´ olo canal . . . . . . . 61
5.9.3. Sistemas Poisson Exponencial con un s´ olo canal con cola
truncada . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.10. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . 63
6. Modelos de Redes de Colas 65
6.1. Tipos de Redes de Colas . . . . . . . . . . . . . . . . . . . . . . . 65
6.1.1. Redes Abiertas . . . . . . . . . . . . . . . . . . . . . . . . 65
6.1.2. Redes Cerradas . . . . . . . . . . . . . . . . . . . . . . . . 67
6.1.3. Redes Multiclases . . . . . . . . . . . . . . . . . . . . . . 67
6.1.4. Redes de colas con capacidad limitada . . . . . . . . . . . 69
6.1.5. Redes Abiertas con restricciones de Poblaci´ on . . . . . . . 69
6.1.6. Ejemplos de Modelos de Colas . . . . . . . . . . . . . . . 71
7. Arboles de Clasificaci´ on 77
7.1. Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.1.1. Algoritmo Crear-Arbol-de-Clasificaci´ on . . . . . . . . . . 78
7.1.2. Partici´ on de los nodos . . . . . . . . . . . . . . . . . . . . 78
7.1.3. Funci´ on de impureza f . . . . . . . . . . . . . . . . . . . . 78
7.1.4. Declaraci´ on de un nodo terminal . . . . . . . . . . . . . . 78
7.1.5. ¿C´ omo saber qu´e tan bueno es este ´ arbol? . . . . . . . . . 79
7.2. Ejemplo: Resoluci´ on mediante CART y C4.5 . . . . . . . . . . . 79
7.2.1. CART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
7.2.2. See5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.2.3. Caso de Prueba: Nacionalidad . . . . . . . . . . . . . . . . 81
8. Teor´ıa de Inventario Probabilista 89
8.1. Repaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.1.1. Modelos de Inventario . . . . . . . . . . . . . . . . . . . . 89
8.1.2. Modelo con Ordenes Pendientes. . . . . . . . . . . . . . . 91
8.2. EOQ con demanda incierta . . . . . . . . . . . . . . . . . . . . . 93
8.2.1. Propiedades: . . . . . . . . . . . . . . . . . . . . . . . . . 95
9. Modelos de Regresi´ on 97
9.1. Repaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
9.1.1. Estimaci´ on de Par´ ametros . . . . . . . . . . . . . . . . . . 97
9.1.2. Distribuciones Importantes . . . . . . . . . . . . . . . . . 99
9.1.3. Ejemplos: . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
9.1.4. D´ ocimas de Hip´ otesis . . . . . . . . . . . . . . . . . . . . 100
´
INDICE GENERAL 5
9.2. Regresi´ on Lineal Simple . . . . . . . . . . . . . . . . . . . . . . . 101
9.2.1. Conceptos B´ asicos . . . . . . . . . . . . . . . . . . . . . . 101
9.2.2. Modelo de Regresi´ on . . . . . . . . . . . . . . . . . . . . . 102
6
´
INDICE GENERAL
Cap´ıtulo 1
Teor´ıa de Decisiones
1.1. Introducci´ on
Teor´ıa de Decisi´ on trata de decisiones (Cursos de Acci´ on) con respecto a
la naturaleza (Estados de la Naturaleza). Esto se refiere a una situaci´ on donde
el resultado (ganancia, p´erdida) de una decisi´ on depende de la acci´ on de otro
jugador (la naturaleza). Por ejemplo, si la decisi´ on es de llevar o no paraguas,
la ganancia (llueve o no llueve) depende de lo que ocurre en la naturaleza. Es
importante darse cuenta que en este modelo la ganancia (p´erdida) concierne
s´ olo al tomador de la decisi´ on. Esta condici´ on distingue la teor´ıa de decisi´ on de
la teor´ıa de juegos. En la teor´ıa de juegos ambos jugadores est´ an interesados en
el resultado.
La informaci´ on fundamental para los problemas en teor´ıa de decisi´ on se encuen-
tra representada en una matriz de ganancias (p´erdidas)(Tabla 1.1).
Decisi´ on Estado de la Naturaleza
1 2 ... m
d
1
r
11
r
12
... r
1m
d
2
r
21
r
22
... r
2m
... ... ... ... ...
d
n
r
n1
r
n2
... r
nm
Cuadro 1.1: Matriz de Ganancias
Los valores r
ij
son las ganancias (o p´erdidas) para cada posible combinaci´ on
de decisi´ on con respecto al estado de la naturaleza. El proceso de decisi´ on es el
siguiente:
El tomador de decisiones selecciona una de las posibles decisiones d
1
, d
2
,...,
d
n
. Digamos d
i
.
7
8 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
Despu´es de tomar la decisi´ on, ocurre un estado de la naturaleza. Digamos
el estado j.
La ganancia recibida por el tomador de decisiones es r
ij
.
El problema del tomador de decisiones consiste en determinar ¿que decisi´ on
tomar?. La decisi´ on depender´ a del comportamiento del tomador de decisiones
con respecto a la naturaleza, es decir al estado de la naturaleza que sucede. Si
creemos que ocurrir´ a el estado de la naturaleza j seleccionaremos, naturalmente
la decisi´ on d
i
que est´ a asociada al mayor valor de r
ij
en la columna j de la
matriz de ganancias.
Diferentes suposiciones acerca del comportamiento de la naturaleza conducir´ an
a diferentes formas de seleccionar la mejor decisi´ on.
Si supieramos cu´ al estado de la naturaleza ocurrir´ a, simplemente seleccionar´ıamos
la decisi´ on que nos lleva a obtener una mayor ganancia para ese conocido estado
de la naturaleza. En la pr´ actica, pueden haber infinitas posibles decisiones. Si
esas posibles decisiones se representan mediante un vector d y la ganancia por
la funci´ on con valores reales r(d), el problema de decisi´ on puede ser formulado
como:
max r(d) sujeto a la factibilidad de las restricciones sobre d .
1.2. Toma de Decisiones
1.2.1. Certeza
Se da cuando se conoce con un 100 % de certeza los Estados de la Naturaleza.
1.2.2. Incertidumbre
Se da cuando los Estados de la Naturaleza son desconocidos
Existen cuatro m´etodos:
Maximin (Pesimista):
Considera siempre disminuir las p´erdidas. Luego, el criterio se puede re-
sumir como:
Mejor (Peor)
Para cada Curso de Acci´ on busco la peor ganancia (costo) que puedo con-
seguir y de entre ´estos valores elijo la / el mejor.
1.2. TOMA DE DECISIONES 9
Maximax (Optimista):
Considera siempre aumentar las ganancias. Luego, el criterio se puede re-
sumir como:
Mejor (Mejor)
Para cada Curso de Acci´ on busco la mejor ganancia (costo) que puedo
conseguir y de entre ´estos valores elijo la / el mejor.
Laplace:
Considera todos los Estados de la Naturaleza como equiprobables. Dada
la Matriz de ganancias (costos) se calcula la Esperanza de cada Curso de
Acci´ on con respecto a los Estados de la Naturaleza posibles y se elige la
que provee mayor ganancia.
Costo de Oportunidad:
En este caso es necesario construir la Matriz Costo de Oportunidad, la
cual representa para cada Estado de la Naturaleza lo que dejo de ganar
por no elegir otro Curso de Acci´ on.
Se elige aquel Curso de Acci´ on que presente en total menor costo de opor-
tunidad.
Ejemplo:
Considere la siguiente Matriz de Ganancias:
S
1
S
2
A
1
200000 -20000
A
2
150000 20000
A
3
100000 60000
Cuadro 1.2: Matriz de Ganancias
Donde
A
i
= Cursos de Acci´ on
S
i
= Estados de la Naturaleza
Suponiendo que debemos tomar una decisi´ on bajo incertidumbre, tenemos:
10 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
Maximin:
Mejor((A
1
, −20000), (A
2
, 20000), (A
3
, 60000))
⇒ A
3
Maximax:
Mejor((A
1
, 200000), (A
2
, 150000), (A
3
, 100000))
⇒ A
1
Laplace:
E[A
1
] =
200000−20000
2
= 90000
E[A
2
] =
150000+20000
2
= 85000
E[A
3
] =
100000+60000
2
= 80000
⇒ A
1
Costo de Oportunidad:
Matriz de Costo de Oportunidad:
S
1
S
2
A
1
0 80000
A
2
50000 40000
A
3
100000 0
Cuadro 1.3: Matriz de Costo de Oportunidad
⇒ A
1
1.2.3. Riesgo
Se supone que hay m´ as que un estado de la naturaleza y que el tomador
de decisiones conoce la probabilidad de ocurrencia de cada estado. Sea p
j
la
probabilidad de que ocurra el estado j. Si el tomador de decisiones toma la
decisi´ on d
i
, ER
i
viene dado por:
1.2. TOMA DE DECISIONES 11
ER
i
= r
i1
· p
1
+r
i2
· p
2
+... +r
im
· p
m
Se debe tomar la decisi´ on d
i
que maximiza ER
i
Ejemplo
Problema
Consideremos como ejemplo el problema del vendedor de peri´ odicos: un
vendedor de peri´ odicos compra ´estos al cami´ on de entrega al inicio de
cada d´ıa. Durante el d´ıa, vende estos peri´ odicos. Los peri´ odicos sobrantes
al final del d´ıa constituyen p´erdidas. Asuma que cada peri´ odico le cuesta 15
centavos y los vende a 50 centavos cada uno, y que la siguiente distribuci´ on
de probabilidades es conocida
p
0
= Prob{demanda = 0} =
2
10
p
1
= Prob{demanda = 1} =
4
10
p
2
= Prob{demanda = 2} =
3
10
p
3
= Prob{demanda = 3} =
1
10
¿Cu´ antos peri´ odicos deber´ıa comprar el vendedor cada d´ıa al cami´ on de
entrega?
Soluci´ on
Para resolver este ejercicio, primero se construye la matriz de ganancias
(Tabla 4.2). Donde r
ij
es la ganancia cuando se compran i peri´ odicos y
ocurre una demanda j.
Estado de la Naturaleza
0 1 2 3
Cursos 0 0 0 0 0
de 1 -15 35 35 35
Acci´ on 2 -30 20 70 70
3 -45 5 55 105
Cuadro 1.4: Matriz de Ganancias Problema del Vendedor de Peri´ odicos
Ahora se deben calcular los valores esperados para cada posible decisi´ on.
ER
0
= 0 · (
2
10
) + 0 · (
4
10
) + 0 · (
3
10
) + 0 · (
1
10
) = 0
12 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
ER
1
= −15 · (
2
10
) + 35 · (
4
10
) + 35 · (
3
10
) + 35 · (
1
10
) = 25
ER
2
= −30 · (
2
10
) + 20 · (
4
10
) + 70 · (
3
10
) + 70 · (
1
10
) = 30
ER
3
= −45 · (
2
10
) + 5 · (
4
10
) + 55 · (
3
10
) + 105 · (
1
10
) = 20
El m´ aximo sucede cuando el vendedor de diarios compra 2 peri´ odicos al
cami´ on de entrega. Su valor esperado es de 30. El hecho que el vendedor
de peri´ odicos deba tomar la decisi´ on antes que la demanda ocurra tiene
un impacto considerable en sus ganancias. Si pudiera conocer la demanda
anticipadamente cada d´ıa y entonces comprar el n´ umero correspondiente
de diarios para ese d´ıa, su ganancia esperada aumentar´ıa en una cantidad
conocida en t´erminos t´ecnicos como el valor esperado de la informaci´ on
perfecta (expected value of perfect information (EV PI)).
Millones de d´ olares se gastan en proyectos de investigaci´ on de mercados,
para determinar qu´e estado de la naturaleza ocurrir´ a en una amplia gama
de aplicaciones. El valor esperado de la informaci´ on perfecta indica la
ganancia esperada de cualquiera de esos intentos y as´ı representa una cota
superior sobre la cantidad que deber´ıan gastar en obtener esa informaci´ on.
As´ı, calculamos el valor esperado de la informaci´ on perfecta EV PI para
nuestro problema. Si la demanda fuese conocida con anticipaci´ on antes
que la decisi´ on de compra se tome, el valor esperado de la ganancia ser´ıa:
0 · (
2
10
) + 35 · (
4
10
) + 70 · (
3
10
) + 105 · (
1
10
) = 45,5
EV PI = 45,5 −30 = 15,5
Debe notarse que el criterio de maximizar la ganancia esperada puede,
algunas veces, producir resultados inaceptables. Esto se debe a que hay
riesgos que no se han tomado en cuenta. La mayor´ıa de las personas son
reticentes al riesgo, lo que significa que sienten que perder x d´ olares es m´ as
valioso que el beneficio de ganar la misma cantidad. La teor´ıa de decisi´ on
enfrenta este problema construyendo una funci´ on de atracci´ on del dinero
(o de utilidad del dinero).
Esta funci´ on se denomina funci´ on de utilidad. As´ı, en lugar de trabajar
con una matriz de pago medidas en d´ olares (pesos, dinero), r
ij
, se trabaja
con una matriz de ganancias que contiene valores de utilidades, digamos
u
ij
. La decisi´ on ´ optima d
i
ser´ a la que maximice la utilidad esperada
EU
i
= u
i1
· p
1
+u
i2
· p
2
+... +u
im
· p
m
sobre todos los i.
1.2. TOMA DE DECISIONES 13
1.2.4. Arboles de decisi´ on
Ejemplo: Compa˜ n´ıa ABC
Problema
La Compa˜ n´ıa ABC ha desarrollado una nueva l´ınea de productos. La Ad-
ministraci´ on debe decidir una estrategia de marketing y producci´ on ade-
cuada. Se consideran tres estrategias, las cuales denominaremos: A (agresi-
va), B (b´ asica) y C (precavida). Las condiciones del mercado bajo estudio
se denotan mediante S (fuerte) o W (d´ebil). Las mejores estimaciones de
la Administraci´ on para cada caso se muestran en la tabla 4.3.
Decisi´ on Estado de la Naturaleza
S W
A 30 -8
B 20 7
C 5 15
Cuadro 1.5: Estimaciones de Estrategias de Marketing de ABC
Adem´ as, la Administraci´ on tambi´en estima que las probabilidades de que
el Mercado sea fuerte o d´ebil son 0.45 y 0.55 respectivamente. ¿Cu´ al es-
trategia deber´ıa ser escogida?
Soluci´ on
Se puede calcular el valor esperado para cada decisi´ on y seleccionar la
mejor:
ER
A
= 30 · (0,45) −8 · (0,55) = 9,10
ER
B
= 20 · (0,45) + 7 · (0,55) = 12,85
ER
C
= 5 · (0,45) + 15 · (0,55) = 10,5
La decisi´ on ´ optima es seleccionar B.
Una manera m´ as conveniente de representar este problema es usando ´ arbo-
les de decisi´ on, como en la figura 1.1.
14 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
Figura 1.1: Arbol de decisi´ on para la Compa˜ n´ıa ABC
Nomenclatura
Un nodo cuadrado representar´ a un punto en el cual se debe tomar una
decisi´ on, y cada l´ınea abandonando el cuadrado representar´ a una posi-
ble decisi´ on. Un nodo c´ırculo representar´ a situaciones cuyas ocurrencias
son inciertas, y cada l´ınea abandonando el c´ırculo representar´ a un posible
acontecimiento.
El proceso de usar un ´ arbol de decisi´ on para encontrar la decisi´ on ´ optima
se denomina resolver el ´ arbol. Para resolver el ´ arbol se trabaja desde atr´ as
hacia adelante. Esto se llama retornando el ´ arbol. Primero, las ramas ter-
minales se llevan hacia atr´ as calculando un valor esperado para cada nodo
terminal. Ver la figura 1.2.
La Administraci´ on debe resolver un problema m´ as simple que es el de
elegir la alternativa que lleva al valor esperado m´ as alto del nodo terminal.
De esta forma un ´ arbol de decisi´ on provee una forma mas gr´ afica de ver
el problema. Se utiliza la misma informaci´ on que antes y se realizan los
mismos c´ alculos.
An´alisis de Sensibilidad
1.2. TOMA DE DECISIONES 15
Figura 1.2: Arbol de decisi´ on reducido para la Compa˜ n´ıa ABC
El valor esperado de la estrategia A es:
ER
A
= 30 · P(S) −8 · P(W)
o lo que es lo mismo,
ER
A
= 30 · P(S) −8 · (1 −P(S)) = −8 + 38 · P(S)
As´ı, el valor esperado es una funci´ on lineal de la probabilidad que las
condiciones del mercado sean fuertes. An´ alogamente:
ER
B
= 20 · P(S) + 7 · (1 −P(S)) = 7 + 13 · P(S)
ER
C
= 5 · P(S) + 15 · (1 −P(S)) = 15 −10 · P(S)
Se pueden dibujar esas tres funciones lineales sobre el mismo conjunto de
coordenadas (ver figura 1.3).
16 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
Figura 1.3: Valor esperado en funci´ on de P(S)
Este diagrama muestra que la Compa˜ n´ıa ABC debe seleccionar la estra-
tegia b´ asica (estrategia B) cuando la probabilidad de una demanda fuerte
esta entre P(S) = 0,348 y P(S) = 0,6. Sin embargo, si P(S) cae bajo
0,348, lo ´ optimo es elegir la estrategia C, por otro lado si P(S) est´ a sobre
0,6, la estrategia agresiva A ser´ıa la ´ optima.
Decisiones Secuenciales
Problema
A pesar de lo atrayente de la estrategia b´ asica B, la Administraci´ on de
ABC tiene la opci´ on de pedir al grupo de investigaci´ on de marketing un
estudio de mercado. Dentro de un mes, este grupo puede informar si el
estudio fue alentador (E) o desalentador (D). En el pasado, dichos es-
tudios han tendido a se˜ nalar la direcci´ on correcta: Cuando el mercado
tiende a ser fuerte, dichos estudios resultan alentadores el 60 % de las ve-
ces y fueron desalentadores el 40 % de las veces. Por otro lado, cuando el
mercado result´ o d´ebil, los estudios fueron alentadores el 30 % de las ve-
ces y desalentadores el 70 % de las veces. Dicho estudio costar´ıa $500,000.
¿Convendr´ a que la administraci´ on decida ordenar el estudio de mercado
o no?
1.2. TOMA DE DECISIONES 17
Soluci´ on
Construyamos el ´ arbol de decisi´ on para este problema de decisi´ on secuen-
cial. Ver figura 1.4. Es importante darse cuenta que el ´ arbol se creo en el
orden cronol´ ogico en el cual la informaci´ on est´ a disponible. La secuencia
de eventos es:
• Test decisi´ on
• Resultado del Test (si hubo)
• Tomar decisi´ on
• Condici´ on del mercado.
El nodo de m´ as a la izquierda corresponde a la decisi´ on de hacer test o no
hacer el test. Movi´endose a trav´es de la rama Test, el siguiente nodo a la
derecha es un c´ırculo, ya que este corresponde a un evento incierto. Hay
dos resultados posibles. El test puede ser alentador (E) o desalentador (D).
Las probabilidades de estos dos eventos son P(E) y P(D) respectivamente.
¿C´ omo calcular esas probabilidades?
Aqu´ı son importantes las nociones de probabilidades. La informaci´ on dada
es condicional.
Dado S, la probabilidad de E es 60 % y la probabilidad de D es 40 %.
An´ alogamente, se sabe que dado W, la probabilidad de E es de 30 % y la
probabilidad de D es de 70 %. Esas probabilidades condicionales pueden
escribirse como:
P(E/S) = 0,6 P(E/W) = 0,3
P(D/S) = 0,4 P(D/W) = 0,7
Adem´ as se sabe que P(S) = 0,45 y P(W) = 0,55. Esa es toda la infor-
maci´ on que se requiere para calcular P(E) y P(D). Para los eventos S
1
,
S
2
,...,S
n
que comparten el espacio posible de acontecimientos y un evento
T, se tiene
P(T) = P(T/S
1
) · P(S
1
) +P(T/S
2
) · P(S
2
) +... +P(T/S
n
) · P(S
n
)
que para el problema viene a ser:
P(E) = P(E/S) · P(S) +P(E/W) · P(W)
= (0,6) · (0,45) + (0,3) · (0,55)
= 0,435
y
P(D) = P(D/S) · P(S) +P(D/W) · P(W)
= (0,4) · (0,45) + (0,7) · (0,55)
= 0,565
18 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
Figura 1.4: Arbol de Decisi´ on para Test versus No-Test
1.2. TOMA DE DECISIONES 19
En la medida que nos movemos a la derecha del ´ arbol de decisi´ on, los si-
guientes nodos son cuadrados, correspondiendo a tres estrategias de mar-
keting y producci´ on.
M´ as a la derecha los nodos circulares corresponden a condiciones inciertas
del mercado: d´ebil o fuerte. La probabilidad de esos dos eventos ahora es
condicional a los eventos inciertos que ocurrieron previamente, digamos a
los resultados del estudio de mercado, cuando ese estudio se llevo a cabo.
Esto significa que se necesita calcular las siguientes probabilidades con-
dicionales: P(S/E), P(W/E), P(S/D) y P(W/D). Para ello se utiliza la
siguiente f´ ormula:
P(R/T) =
P(T/R) · P(R)
P(T)
,
la que es v´ alida para los dos eventos R y T. Para el ejemplo se tiene
P(S/E) =
P(E/S) · P(S)
P(E)
=
(0,6) · (0,45)
(0,435)
= 0,621
An´ alogamente P(W/E) = 0,379, P(S/D) = 0,318 y P(W/D) = 0,682
Ahora, estamos listos para resolver el ´ arbol de decisi´ on. Como antes, esto
se hace de atr´ as hacia adelante. Ver las figuras 1.5, 1.6 y 1.7. Se vuelve
hacia atr´ as desde un nodo circular calculando los valores esperados. Se
vuelve hacia atr´ as de un nodo cuadrado seleccionando la decisi´ on que tie-
ne el mejor valor esperado. El valor esperado cuando se realiza un estudio
de mercado es de 12,96 millones de d´ olares, lo que es mayor que cuando
no se realiza el estudio. As´ı el estudio debe ser llevado a cabo.
20 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
Figura 1.5: Resolviendo el Arbol
Finalmente, comparemos el valor esperado del estudio (denotado por EV SI),
lo cual corresponde al valor esperado de la informaci´ on muestral (en ingl´es
expected value of sample information) al valor esperado de la informaci´ on
perfecta (en ingl´es expected value of perfect information) EV PI.
EV SI se calcula sin calcular el costo del estudio, as´ı
EV SI = (12,96 + 0,5) −12,85 = 0,61
1.3. EJERCICIOS PROPUESTOS 21
y
EV PI = (30) · (0,45) + (15) · (0,55) −12,85 = 8,90
Se puede ver que el estudio de mercado no es muy efectivo. Si lo fuera el
valor de EV SI deber´ıa ser mucho m´ as cercano al valor de EV PI. Pero
su EV SI es mayor que su costo, as´ı es que conviene realizarlo.
Figura 1.6: Resolviendo el Arbol
Figura 1.7: Resolviendo el Arbol
1.3. Ejercicios Propuestos
1. Ana Mar´ıa es una due˜ na de casa muy profesional. Esto significa que ella
planifica sus actividades hogare˜ nas de una forma racional y coherente. Ella
sabe que su marido generalmente es una persona f´ acil de tratar, pero en
ocasiones est´ a un poco gru˜ n´ on y en otras con una alegr´ıa extraordinaria.
22 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
Ana Mar´ıa con mucho tacto, prefiere preparar exquisiteces en aquellos d´ıas
en que ´el est´ a gru˜ n´ on, aunque requieran m´ as tiempo y sean mas caras. En
los d´ıas que su marido est´ a f´ acil de tratar, con una hamburguesa basta y
cuando est´ a alegre ´el le ayuda a preparar los biftecs. La tabla 4.4 muestra
su matriz de utilidad de la comida:
Genio/Men´ u Exquisitez Bistec Hamburguesa
Alegre 30 80 60
F´ acil de Tratar 65 50 90
Gru˜ n´ on 100 70 0
Cuadro 1.6: Utilidad de la comida seg´ un estado de ´ animo
Ellos llevan casados 12 a˜ nos, tiempo suficiente para saber que su esposo
el 60 % de las veces es una persona f´ acil de tratar y que el 15 % de las
veces est´ a gru˜ n´ on. Hoy Ana Mar´ıa ha decidido hacer el siguiente experi-
mento. Ella llamar´ a a su esposo a las 16h00 horas y le contar´ a una historia
comenzando con “Adivina qu´e pas´ o cuando me par´ o un carabinero en el
sem´ aforo...”, ella piensa que probablemente ´el le responder´ a de una de las
siguientes formas:
Resp 1: ¿Llamaste al abogado y al agente de seguros?
Resp 2: ¡¡Te lo dije!!
Resp 3: ¿Recordaste sonreir, puede ser la c´ amara indiscreta?
Ella cree que si su marido est´ a gru˜ n´ on su respuesta ser´ a Resp 1, con
probabilidad 0,3, si est´ a f´ acil de tratar su respuesta ser´ a Resp 1 con
probabilidad 0,5 y si est´ a alegre su respuesta ser´ a Resp 1 con probabiliad
0,3. Si est´ a alegre la probabilidad de Resp 2 es 0,2 y si est´ a gru˜ n´ on la
probabilidad de Resp2 es 0,6 y si est´ a f´ acil de tratar la probabilidad de
Resp 2 es 0,2. Ella llam´ o a su marido y respondi´ o Resp 2:
¿Cu´ al podr´ıa ser su men´ u para hoy?
¿En cu´ anto aument´ o ella la utilidad esperada para hoy?
¿Cu´ al ser´ıa el men´ u usando el criterio Maximin?
2. Un gerente de planta tiene la opci´ on de tener un proceso en su planta
instalado por su operador de proceso o por un instalador. Si el operador
de proceso realiza su propia instalaci´ on, la fracci´ on de art´ıculos defectuo-
sos ser´ a de 0,10; 0,20; 0,40. Si el proceso es colocado por el instalador, el
gerente de planta puede tener seguridad que el proceso producir´ a art´ıculos
con una fracci´ on defectuosa de 0,10. Cuesta US $12,00 adicionales hacer
que el instalador realice la instalaci´ on. Los art´ıculos se producen en lotes
de 100 (total de art´ıculos buenos y malos). Cada art´ıculo defectuoso se
repara a mano a un costo de US $1 por art´ıculo.
1.3. EJERCICIOS PROPUESTOS 23
Seleccione y exprese dos principios de elecci´ on que sean adecuados para
resolver el problema del gerente de planta, como un problema de incerti-
dumbre. Para cada principio de elecci´ on, recomiende si el proceso deber´ıa
ser instalado por el operador de proceso o por el instalador. Suponga que
con base en informes de comportamiento pasado, el gerente de planta en-
cuentra que las instalaciones realizadas por el operador de proceso han
conducido a diversas fracciones defectuosas con las frecuencias relativas
mostradas en la tabla 4.4.1.
Fracci´ on Defectuosa de Frecuencia relativa de
art´ıculos producidos la fracci´ on defectuosa
0.1 0.4
0.2 0.5
0.4 0.1
Cuadro 1.7: Fracciones defectuosas y frecuencias relativas
Determine la mejor elecci´ on.
Suponga que el proceso ha sido instalado por el operador de proceso.
Dos art´ıculos han sido producidos e inspeccionados. Si uno de los dos
art´ıculos est´ a defectuoso, ¿debe el gerente de planta dejar que el operador
complete el resto del lote o debe hacer que el proceso sea establecido por
el instalador?
3. Para enfrentar el problema de contaminaci´ on en Santiago se est´ a propo-
niendo utilizar nuevas estaciones de monitoreo para medir el crecimiento
de la capa de smog. Se piensa que si esta capa alcanza cierto nivel cr´ıtico
de part´ıculas, en los d´ıas que siguen se llegar´ıa a un estado de emergen-
cia. Por lo tanto, en el caso en que las estaciones de monitoreo detecten
ese nivel cr´ıtico se tomar´ıa la decisi´ on de aplicar un plan ALFA (de alerta
ambiental), con el objetivo de que no se produzca el estado de emergencia.
El costo de operaci´ on de las estaciones es de US $500 / d´ıa. El estado de
emergencia significa un costo en la salud , el cual se ha estimado en US
$1000 / d´ıa. Hasta ahora, el estado de emergencia se ha producido con
una frecuencia de 0,2.
Por otra parte, el plan ALFA es eficaz el 90 % de la veces. Si se produce
emergencia, la probabilidad que las estaciones NO hallan detectado el ni-
vel cr´ıtico es de 0,2. Si NO se produce emergencia la probabilidad que las
estaciones NO hallan detectado el nivel cr´ıtico es de 0,85.
¿Conviene o no instalar las nuevas estaciones?
24 CAP
´
ITULO 1. TEOR
´
IA DE DECISIONES
Cap´ıtulo 2
Decisiones con M´ ultiples
Objetivos
2.1. AHP: Analytic Hierarchy Process
Hasta ahora nos hemos concentrado en la Toma de Decisiones bajo riesgo
considerando un ´ unico objetivo. Sin embargo, en la mayor´ıa de los problemas
de decisi´ on de la vida real surgen varios objetivos que se desean lograr al tomar
una decisi´ on.
AHP permite vizualizar en forma ordenada y jer´ arquica las preferencias de cada
uno de los objetivos involucrados.
Para utilizar AHP se requiere:
Paso 1: Identificar el conjunto de objetivos que se desean alcanzar, las
diversas alternativas de cursos de acci´ on que se tienen.
Paso 2: Establecer la importancia relativa entre los objetivos, es decir,
una cuantificaci´ on que permita identificar qu´e objetivo es m´ as importan-
te y respecto a cu´ al otro objetivo. Para ello se construye una tabla de
preferencias relativas A entre los distintos objetivos:
O1 O2 O3 O4 O5 ... On
O1
O2
O3
O4
O5
...
On
Cuadro 2.1: Matriz A
25
26 CAP
´
ITULO 2. DECISIONES CON M
´
ULTIPLES OBJETIVOS
De acuerdo a la escala de la siguiente tabla (Tabla 2.2):
Valor Significado
1 igual
3 Oi > Oj
5 Oi >> Oj
7 Oi >>> Oj
9 Oi >>>> Oj
2,4,6,8 intermedios
Cuadro 2.2: Escala de Ponderaciones
Paso 3: Normalizar A: Sea S
i
la suma de la columna Oi en A, luego
la columna correspondiente a la columna Oi normalizada se obtiene de
dividir la columna Oi por S
i
.
Paso 4: C´ alculo del vector W de los pesos o grados de importancia rela-
tivos: Sumar cada fila Oi de la matriz A normalizada, dividir el resultado
por n (el n´ umero de objetivos).
Paso 5: Para cada objetivo Oj construir una matriz Bj de preferencias
relativas entre los cursos de acci´ on con respecto a Oj. Normalizar Bj
(an´ alogamente que el Paso 3). Calcular los pesos relativos usando la ma-
triz Bj normalizada, dividiendo el resultado por m (el n´ umero de cursos
de acci´ on).
Paso 6: Construir la tabla que relaciona los n objetivos con los m cursos
de acci´ on, usando los datos obtenidos en el Paso 5.
Paso 7: Identificar la mejor decisi´ on: Calcular para cada curso de acci´ on
el grado de satisfacci´ on con respecto a los objetivos, multiplicando cada
fila de la matriz del Paso 6 por el vector de pesos relativo de los objetivos
obtenido en el Paso 4.
Paso 8: Calcular el ´ındice de consistencia relativo
• Paso 8.1 Obtener el vector V por la multiplicaci´ on de A por el vector
de pesos relativos W.
• Paso 8.2 Dividir cada valor en V por su correspondiente valor en
W.
• Paso 8.3 Dividir la suma de los valores obtenidos en el Paso 8.2
por n.
• Paso 8.4 Calcular el Indice de Consistencia por:
CI =
Paso 8.3 −n
n −1
2.1. AHP: ANALYTIC HIERARCHY PROCESS 27
• Paso 8.5 Comparar CI con el valor de la tabla de indices de consis-
tencia (Tabla 2.3).
n Indice
2 0
3 0.58
4 0.9
5 1.12
6 1.24
7 1.32
8 1.41
9 1.45
10 1.51
Cuadro 2.3: Tabla de Indices de Consistencia
Ejemplo
Problema: Elecci´ on de Trabajo
Usted desea elegir un trabajo y desea cumplir b´ asicamente con 4 objetivos:
• Objetivo 1: Buen sueldo al comienzo
• Objetivo 2: Calidad de vida en la ciudad de su trabajo
• Objetivo 3: Inter´es del trabajo
• Objetivo 4: Cercan´ıa familiar y amistades
Tiene en vista tres trabajos, los cuales cumplen en diferente medida los
objetivos que usted se plante´ o.
¿Que trabajo satisface en mejor forma sus requerimientos?
Soluci´ on
1. Suponga la siguiente tabla de importancias relativas de los objetivos
(Tabla 2.4):
O1 O2 O3 O4
O1 1 5 2 4
O2
1
5
1
1
2
1
2
O3
1
2
2 1 2
O4
1
4
2
1
2
1
Cuadro 2.4: Importancias relativas de los Objetivos
Luego W = [ 0.5115 0.0986 0.2433 0.1466 ]
28 CAP
´
ITULO 2. DECISIONES CON M
´
ULTIPLES OBJETIVOS
2. Suponga las siguientes tablas de importancias relativas de los cursos
de acci´ on por cada objetivo:
a) Objetivo 1
B1=
T1 T2 T3
T1 1 2 4
T2
1
2
1 2
T3
1
4
1
2
1
W1=[ 0.571 0.286 0.143 ]
b) Objetivo 2
B2=
T1 T2 T3
T1 1
1
2
1
3
T2 2 1
1
3
T3 3 3 1
W2=[ 0.159 0.252 0.589 ]
c) Objetivo 3
B3=
T1 T2 T3
T1 1
1
7
1
3
T2 7 1 3
T3 3
1
3
1
W3=[ 0.088 0.669 0.243 ]
d) Objetivo 4
B4=
T1 T2 T3
T1 1
1
4
1
7
T2 4 1 2
T3 7 2 1
W4=[ 0.069 0.426 0.506 ]
2.2. EJEMPLO: RESOLUCI
´
ONMEDIANTE SOFTWARE EXPERT CHOICE29
3. Elecci´ on de Curso de Acci´ on
Cursos de Acci´ on:
T1 = 0,5115 · 0,571 + 0,159 · 0,0986 + 0,088 · 0,2433 + 0,1466 · 0,069 = 0,339
T2 = 0,396
T3 = 0,265
Luego, lo mejor es el Curso de Acci´ on 2.
4. Grado de Inconsistencia
a)
A· W
T
= [2,0775 0,3959 0,9894 0,5933]
b)
1
4
·
_
2,0775
0,5115
+
0,3959
0,986
+
0,9894
0,2433
+
0,5933
0,1466
_
= 4,05
c)
CI =
4,05 −4
3
= 0,017
d) De la tabla se tiene
0,017
0,9
= 0,019
2.2. Ejemplo: Resoluci´ on mediante Software Ex-
pert Choice
Problema: Elecci´ on Pr´atica
Considere el problema de elegir la mejor pr´ actica, que le entregue la mayor
satisfacci´ on con respecto a m´ ultiples criterios. Algunos de los criterios a consi-
derar pueden ser prestigio, experiencia del supervisor, experiencia del grupo de
trabajo, incentivo monetario, lugar, perspectivas, flexibilidad horaria, contactos
y cualquier otro criterio que usted estime ´ util para su caso paricular.
Se propone efectuar la selecci´ on entre, al menos , 10 empresas considerando
al menos 7 objetivos estructurados jer´ arquicamente.
Acerca de Expert Choice:
Muchos negocios y agencias de gobierno en todo el mundo utilizan Expert
Choice para estructurar, justificar y optimizar decisiones grupales cr´ıticas.
Expert Choice se utiliza en muchos tipos de aplicaciones, entre las que se
incluyen las siguientes:
30 CAP
´
ITULO 2. DECISIONES CON M
´
ULTIPLES OBJETIVOS
Asignaci´ on de Recursos
Gesti´ on de Recursos Humanos
Planificaci´ on Estrat´egica Gesti´ on de Portafolio Tecnol´ ogico
Gesti´ on de Producci´ on y Operaciones An´ alisis Costo / Beneficio
Toma de Decisiones M´edicas
Soluci´ on:
Cursos de Acci´ on:
Para la resoluci´ on del problema se consideran las siguientes Empresas:
Valpara´ıso
• Congreso
• Marss
• SSVS
• Armada
Santiago
• BCI
• IBM
• Mantos Blancos
• CitiBank
• Lan Chile
Curic´ o
• Cementos B´ıo-B´ıo
Objetivos:
Para el problema se considera el siguiente conjunto de objetivos jer´ arquica-
mente estructurados como se indica:
2.2. EJEMPLO: RESOLUCI
´
ONMEDIANTE SOFTWARE EXPERT CHOICE31
Figura 2.1: Estructura jer´ arquica de objetivos
Matrices relacionales:
Figura 2.2: Matriz relacional de los objetivos generales
Figura 2.3: Matriz relacional de sub-objetivos del objetivo Ingreso
32 CAP
´
ITULO 2. DECISIONES CON M
´
ULTIPLES OBJETIVOS
Figura 2.4: Matriz relacional de sub-objetivos del objetivo Comodidad
Figura 2.5: Matriz relacional de sub-objetivos del objetivo Perspectiva Profesio-
nal
Matrices de los cursos de acci´ on para los sub-objetivo del objetivo
Ingreso:
Figura 2.6: Sub-objetivo Buen sueldo
2.2. EJEMPLO: RESOLUCI
´
ONMEDIANTE SOFTWARE EXPERT CHOICE33
Figura 2.7: Sub-objetivo Bajo costo de almuerzo
Figura 2.8: Sub-objetivo Bajo costo de locomoci´ on
Figura 2.9: Sub-objetivo Bajo costo de estad´ıa
34 CAP
´
ITULO 2. DECISIONES CON M
´
ULTIPLES OBJETIVOS
Matrices de los cursos de acci´ on para los sub-objetivo del objetivo
Comodidad:
Figura 2.10: Sub-objetivo Comodidad para almorzar
Figura 2.11: Sub-objetivo Comodidad para tomar locomoci´ on
2.2. EJEMPLO: RESOLUCI
´
ONMEDIANTE SOFTWARE EXPERT CHOICE35
Figura 2.12: Sub-objetivo Comodidad en el lugar de estad´ıa
Matrices de los cursos de acci´ on para los sub-objetivo del objetivo
Perspectiva Profesional:
Figura 2.13: Sub-objetivo Prestigio de la empresa
36 CAP
´
ITULO 2. DECISIONES CON M
´
ULTIPLES OBJETIVOS
Figura 2.14: Sub-objetivo Lograr un amplio aprendizaje
Figura 2.15: Sub-objetivo Trabajar en el ´ area de inter´es
Figura 2.16: Sub-objetivo Posibilidad de trabajo en el futuro
2.2. EJEMPLO: RESOLUCI
´
ONMEDIANTE SOFTWARE EXPERT CHOICE37
Figura 2.17: Sub-objetivo:Conocer nuevas tecnolog´ıas
Resultados:
Despu´es de llenar la informaci´ on correspondiente a las matrices relacionales
y de cursos de acci´ on, los resultados obtenidos son los siguientes:
Figura 2.18: Resumen General de Resultados(1)
38 CAP
´
ITULO 2. DECISIONES CON M
´
ULTIPLES OBJETIVOS
Estos resultados se aprecian m´ as claramente en el siguiente cuadro:
Figura 2.19: Resumen General de Resultados(2)
An´alisis de Sensibilidad:
Expert Choice provee los siguientes tipos de gr´ aficos mediante los cuales es
posible realizar de forma visual y sencilla el an´ alisis de sensibilidad de los resul-
tados obtenidos.
Figura 2.20: Gr´ afico de An´ alisis de Sensibilidad(1)
2.2. EJEMPLO: RESOLUCI
´
ONMEDIANTE SOFTWARE EXPERT CHOICE39
Figura 2.21: Gr´ afico de An´ alisis de Sensibilidad(2)
Figura 2.22: Gr´ afico de An´ alisis de Sensibilidad(3)
40 CAP
´
ITULO 2. DECISIONES CON M
´
ULTIPLES OBJETIVOS
Cap´ıtulo 3
Problemas con M´ ultiples
Objetivos
3.1. Optimalidad de Pareto
En problemas con m´ ultiples objetivos se buscan soluciones ´ optimas de Pa-
reto.
Definici´ on: Soluci´ on Dominada
Sea B soluci´ on factible, B domina a una soluci´ on factible A para un problema
con m´ ultiples objetivos si B es al menos tan bueno como A con respecto a cada
objetivo y estrictamente mejor que A con respecto al menos a un objetivo.
Luego las soluciones No dominadas formar´ an el conjunto de Pareto.
Ejemplo
Problema
Se tiene un problema con dos objetivos: Maximizar Ganancia (f1) y Mi-
nimizar Contaminaci´ on (f2).
f1(x) = 10 · X1 + 9 · X2 + 8 · X3
f2(x) = 10 · X1 + 6 · X2 + 3 · X3
Restricciones:
4 · X1 + 3 · X2 + 2 · X3 ≤ 1300 (horashombre)
3 · X1 + 2 · X2 + 2 · X3 ≤ 1000 (unidades)
Xi ≥ 0
41
42 CAP
´
ITULO 3. PROBLEMAS CON M
´
ULTIPLES OBJETIVOS
Soluci´ on
Para encontrar el conjunto de soluciones de Pareto se debe:
• Paso 1: Resolver el problema considerando un s´ olo objetivo (ej f1).
Esta soluci´ on es la cota superior para el objetivo 2.
• Paso 2: Resolver el problema anterior incorporando una restricci´ on
f2(x) ≤ cota superior encontrada en el Paso 1.
• Paso 3: Disminuir el valor de la cota superior y resolver nuevamente
el problema.
• Paso 4: Dibujar la curva resultante.
Cap´ıtulo 4
Teor´ıa de Juegos
4.1. Juego de 2 Personas, Suma cero: Puntos de
Equilibrio
Idea: La decisi´ on de Un jugador afecta la ganancia del Otro.
Supuestos:
1. Dos jugadores (1 fila, 1 columna).
2. Jugador-fila debe elegir entre 1, 2, ..., m cursos de acci´ on. Jugador-columna
debe elegir entre 1, 2, 3, ..., n cursos de acci´ on.
3. Si el Jugador-fila elige la i-´esima estrategia y el Jugador-columna elige la
j-´esima estrategia, el Jugador-fila recibe un retorno de A
ij
y el jugador
columna pierde una cantidad A
ij
. Es decir, la ganancia del Jugador-fila
viene de la p´erdida del Jugador-columna.
4. Hay Conflicto de Intereses.
5. No hay Cooperaci´ on entre Jugadores.
Ejemplo
Problema
fila/columna e1 e2 e3
E1 4 4 10 4
E2 2 3 1 1
E3 6 5 7 5
6 5 10
¿C´ omo deber´ıa jugar el Jugador-fila?
43
44 CAP
´
ITULO 4. TEOR
´
IA DE JUEGOS
Soluci´ on
Idea: Elegir el Max(4, 1, 5), luego elegir E3. Con esto se asegura de ganar
al menor 5 unidades.
Desde el punto de vista del Jugador-columna buscar´ a el Min(6, 5, 10), lue-
go e2.
El valor del juego para ambos jugadores es de 5, ya que la condici´ on es
suma cero ser´ a igual al punto de equilibrio.
Condici´ on de Punto de Equilibrio:
Max(Min fila) = Min(Max columna)
4.2. Juego de 2 Personas, Suma constante
Idea: La decisi´ on de Un jugador afecta la ganancia del Otro.
Supuestos:
1. Dos jugadores (1 fila, 1 columna).
2. Jugador-fila debe elegir entre 1, 2, ..., m cursos de acci´ on. Jugador-columna
debe elegir entre 1, 2, 3, ..., n cursos de acci´ on.
3. Si el Jugador-fila elige la i-´esima estrategia y el Jugador-columna elige la
j-´esima estrategia, el Jugador-fila recibe un retorno de A
ij
y el jugador co-
lumna pierde una cantidad c−A
ij
, donde c es un valor constante. Es decir,
la ganancia del Jugador-fila viene de la p´erdida del Jugador-columna.
4. Hay Conflicto de Intereses.
5. No hay Cooperaci´ on entre Jugadores.
6. Suma Constante c.
Ejemplo
Problema
Dos cadenas de TV est´ an tratando de captar una audiencia de 100,000,000
telespectadores en el horario 20h00-22h00. Para ello publicitar´ an sus emi-
siones. Las posibles opciones y el n´ umero de espectadores esperado est´ a in-
dicado en la tabla 4.2
4.3. JUEGOS DE 2 PERSONAS SIN PUNTO DE EQUILIBRIO 45
e1 e2 e3
E1 35 15 60 15
E2 45 58 50 45
E3 38 14 70 14
45 58 70
donde
e1 = E1 = Pel´ıcula de Acci´ on
e2 = E2 = Opera
e3 = E3 = Conversaci´ on
¿Tiene Punto de Equilibrio? ¿Cu´ al es el valor del juego?
Soluci´ on
Elegir el Max(15, 45, 14), luego elegir E2. Con esto se asegura de ganar
al menos 45,000,000 telespectadores. Desde el punto de vista del Jugador-
columna buscar´ a el Min(45, 58, 70), luego e1.
El valor del juego para el Jugador-fila es 45 y para el Jugador-columna es
100 −45 = 55. Tiene un punto de equilibrio de 45.
4.3. Juegos de 2 Personas sin Punto de Equili-
brio
Ejemplo
Problema
2 Jugadores tienen dos banderas cada uno. El juego consiste en sacar una
o dos banderas en un instante dado. Si la suma de las banderas es impar
el jugador J1 gana, si la suma es par el jugador J2 gana.
Soluci´ on
Veamos la matriz de retorno (Tabla 4.3)
J1 / J2 Mostrar 1 Mostrar 2
Mostrar 1 -1 +1 -1
Mostrar 2 +1 -1 -1
+1 +1
captionMatriz de retorno
46 CAP
´
ITULO 4. TEOR
´
IA DE JUEGOS
Max(Min fila) = -1
Min(Max columna) = +1
Luego no hay punto de equilibrio. En estos casos se recurre a Estrategias
Aleatorias:
Sea
X1 = probabilidad que J1 saque 1 bandera
X2 = probabilidad que J1 saque 2 banderas
Y 1 = probabilidad que J2 saque 1 bandera
Y 2 = probabilidad que J2 saque 2 banderas
Obviamente X1 +X2 = 1, an´ alogamente Y 1 +Y 2 = 1.
Estrategia Mixta: Si X1 +X2 = 1
Estrategia Pura: Si existe X1 = 1
Ganancia esperada del jugador J1 si el jugador J2 saca 1 bandera:
(−1) · X1 + (+1) · X2
−X1 + (1 −X1) = 1 −2 · X1
Ganancia esperada del jugador J1 si el jugador J2 saca 2 banderas:
(+1) · X1 + (−1) · X2
X1 −(1 −X1) = 2 · X1 −1
La figura 4.1 muestra un gr´ afico de ambas rectas, donde se aprecia que
con una estrategia X1 =
1
2
, X2 =
1
2
, el jugador J1 se asegura un piso, es
decir, ganar´ a siempre al menos cero.
4.3. JUEGOS DE 2 PERSONAS SIN PUNTO DE EQUILIBRIO 47
Figura 4.1: Ganancia esperada jugador J1
Siguiendo el mismo procedimiento para J2, observamos que con una es-
trategia Y 1 =
1
2
, Y 2 =
1
2
, el jugador J2 se asegura un techo, es decir, su
p´erdida esperada no exceder´ a cero. Vea figura 4.2.
Figura 4.2: Ganancia esperada jugador J1
48 CAP
´
ITULO 4. TEOR
´
IA DE JUEGOS
Observaci´ on: Si J1 parte con su estrategia ´ optima, el jugador J2 puede
tener una estrategia que reduce el retorno esperado de J1, y si el jugador
J2 parte con su estrategia ´ optima el jugador J1 puede tener una estrategia
que aumente su retorno esperado sobre el valor del juego.
4.4. Juegos de 2 Personas con Suma no Cons-
tante: Dilema del Prisionero
Problema
Dos prisioneros quienes escaparon y participaron de un robo han sido re-
capturados. Aunque ambos son culpables la polic´ıa de ciudad G´ otica no
tiene suficiente evidencia. Para esclarecer se les va a someter a un in-
terrogatorio m´ as exhaustivo. El detective le cuenta a cada prisionero lo
siguiente: “Si s´ olo uno de Uds. confiesa y acusa a su compa˜ nero, la per-
sona que confiese saldr´ a libre, mientras que la persona que no confiesa
ser´ a condenada a 20 a˜ nos de c´ arcel. Si ambos confiesan ambos ser´ an con-
denados a prisi´ on por 5 a˜ nos. Finalmente, si ninguno confiesa yo puedo
hacerlos condenar por 1 a˜ no con las evidencias disponibles actualmente”.
¿Qu´e deber´ıa hacer cada prisionero?
Soluci´ on
Si se asume que los prisioneros no se pueden comunicar entre ellos, las
estrategias y los retornos para cada uno ser´ıan:
P1/P2 Confiesa No Confiesa
Confiesa (-5, -5) (0, -20)
No Confiesa (-20, 0) (-1, -1)
Este no es un juego con suma constante.
Suponga que cada prisionero busca eliminar las estrategias dominantes.
Para cada prisionero, la estrategia confesar domina la estrategia no confe-
sar. Si cada prisionero sigue su estrategia no-dominante, cada uno pasar´ a 5
a˜ nos en la c´ arcel. Por otro lado, si cada prisionero escoge la estrategia do-
minada no confesar cada uno pasar´ a s´ olo 1 a˜ no en prisi´ on. As´ı, si cada
prisionero elige su estrategia dominada, ambos estar´ıan mejor que si am-
bos eligen la estrategia no dominada.
Punto de Equilibrio: Una elecci´ on de estrategia de cada jugador (pri-
sionero) se llama punto de equilibrio si ninguno de los jugadores puede
beneficiarse de un cambio unilateral de estrategia.
Asi, (−5, −5) es un punto de equilibrio porque si alg´ un prisionero cambia
4.4. JUEGOS DE 2 PERSONAS CONSUMANOCONSTANTE: DILEMADEL PRISIONERO49
su estrategia su retorno disminuye de -5 a -20. Sin embargo, les conviene
el punto (−1, −1). Para ver que (−1, −1) puede no ocurrir observemos que
(−1, −1) no es punto de equilibrio porque al cambiar su estrategia cada
prisionero puede aumentar su retorno desde -1 a 0. Luego, hay un aspec-
to importante a considerar en este tipo de juego: Si los jugadores est´ an
cooperando (si cada uno elige no confesar) cada jugador puede ganar por
delatar a su oponente (suponiendo que el otro no cambia su estrategia). Si
ambos se delatan ambos perder´ an mucho m´ as que si eligen una estrategia
cooperadora. Esta anomal´ıa no se produce en el juego con suma constante,
¿por qu´e?
Formalmente el juego del prisionero se puede reescribir por:
NC = acci´ on no cooperativa
C = acci´ on cooperativa
P = castigo por no cooperar
S = ganancia de una persona que hace doble juego
R = ganancia por cooperar si ambos cooperan
T = castigo por traici´ on del oponente.
En el problema (P, P) es un punto de equilibrio, para ello se requiere que
P > S. Para que (R, R) no sea un punto de equilibrio se requiere que T > R
(esto da a cada jugador la tentaci´ on de traicionar al oponente). El juego es
razonable s´ olo si R > P. Luego se requiere que T > R > P > S.
El Juego del Dilema del Prisionero es interesante porque explica por qu´e dos
adversarios llegan finalmente a cooperar.
4.4.1. Aplicaciones del Dilema del Prisionero
Competencia de Mercado
Dos restaurants de ventas de completos HotDog King y Hot Dog Chef
est´ an estimando sus estrategias publicitarias para el pr´ oximo a˜ no. Los dos res-
taurant tienen ventas conjuntas de US $ 240 millones y pueden gastar US $ 6
´ o US $ 10 millones en publicidad. Si un restaurant gasta m´ as que el otro, el res-
taurant que gasta m´ as tendr´ a ventas de US $ 190 millones. Si ambas compa˜ n´ıas
gastan la misma cantidad en publicidad tendr´ an ventas iguales. Cada d´ olar de
venta da una ganancia de 10 centavos de d´ olar. Suponga que cada restaurant
est´ a interesado en maximizar (contribuci´ on de las ventas a las ganancias) - (cos-
tos de publicidad). Encuentre un punto de equilibrio para este juego.
La Matriz de Retorno nos queda:
HDK/HDC Gasta 10 Gasta 6
Gasta 10 (2, 2) (9, -1)
Gasta 6 (-1, 9) (6, 6)
50 CAP
´
ITULO 4. TEOR
´
IA DE JUEGOS
Identificando como acciones no cooperadoras el gastar 10, luego (2, 2) es un
punto de equilibrio. Sin embargo ambos restaurants estar´ an mejor con (6, 6). El
problema es que (6, 6) es inestable porque cualquier restaurant puede ganar al
cambiar su estrategia. As´ı para proteger su mercado compartido, cada restaurant
debe invertir fuerte en publicidad.
Carrera Armamental
Suponga dos pa´ıses que est´ an evaluando sus estrategias militares: desarrollar
un nuevo misil o mantener el status quo. Se supone que si s´ olo una naci´ on
desarrolla un nuevo misil, la naci´ on con el nuevo misil conquistar´ a a la otra
naci´ on. En este caso, conquistar una naci´ on trae una ganancia de 20 unidades
y la naci´ on conquistada pierde 100 unidades. Se asume tambi´en que el costo de
desarrollar un nuevo misil es de 10 unidades. Identifique un punto de equilibrio
para este juego.
Matriz de Retorno
Pa´ıs 1 / Pa´ıs 2 Nuevo Status Quo
Nuevo (-10, -10) (10, -100)
Status Quo (-100, 10) (0, 0)
Identificando desarrollar como la acci´ on no cooperadora y mantenerse como
cooperadora encontramos que (−10, −10) es un punto de equilibrio. Sin embar-
go, a´ un cuando (0, 0) es mejor para ambas, es un punto inestable. Esto muestra
como el balance de poder puede llevar a un desarrollo armamental.
Swerve Game
Suponga que est´ a en el Raid de Paris-Dakar. Dos competidores NN1 y NN2
decidieron jugar al Swerve Game. Ahora, est´ an sobre una carretera des´ertica
conduciendo en sentidos opuestos. Cada persona tiene dos estrategias: Virar o
No Virar. Encontrar el punto de equilibrio para este juego.
Matriz de Retorno
NN1 / NN2 Vira No Vira
Vira (0, 0) (-5, 5)
No Vira (5, -5) (-100, -100)
Cap´ıtulo 5
Teor´ıa de Colas
5.1. Estructura de los Sistemas de Colas
En un sistema de colas se distinguen b´ asicamente los siguientes componentes:
Poblaci´ on
Patr´ on de Llegada
Largo de la Cola
Discilpina de la Cola
Patr´ on de Servicio
Salida
Las estructuras de clases m´ as comunes son las siguientes:
1. Un Canal / Una Fase
Figura 5.1: Un Canal / Una Fase
51
52 CAP
´
ITULO 5. TEOR
´
IA DE COLAS
2. Un Canal / M´ ultiples Fases
Figura 5.2: Un Canal / M´ ultiples Fases
3. Multicanal / Una Fase
Figura 5.3: Multicanal / Una Fase
4. Multicanal / M´ ultiples Fases
Figura 5.4: Multicanal / M´ ultiples Fases
5.2. CLASIFICACI
´
ON DE LOS SISTEMAS DE COLAS 53
5.2. Clasificaci´ on de los Sistemas de Colas
La nomenclatura de un sistema de colas tiene la siguiente forma:
(Tasa de Llegada / Tasa de Servicio / N´ umero de Servidores / Tama˜ no de
la Poblaci´ on / Largo de la Cola)
Por ejemplo, el caso m´ as com´ un es el siguiente:
(M/M/1/I/I)
que indica una Tasa de Llegada Poisson, una Tasa de Servicio exponencial,
1 Servidor y Tama˜ no de la Poblaci´ on y Largo de Cola infinitos.
Abreviaciones con supuesto FIFO:
M Llegada Poisson, Servicio Exponencial
D Determin´ıstica constante, llegada o servicio
K Distribuci´ on Erlang del tiempo entre llegadas o servicio
GI Cualquier distribuci´ on con tiempos entre llegadas independientes
G Cualquier distribuci´ on del tiempo de servicio
S Cualquier n´ umero de servidores
I Infinito largo cola / poblaci´ on
F Finito largo cola / poblaci´ on
Los casos utilizados m´ as com´ unmente son:
1. (M/M/1/I/I)
2. (M/M/S/I/I)
3. (M/M/1/I/F)
4. (M/M/S/F/I)
5.3. Proceso de Entrada
Supuestos:
Proceso de Nacimiento Puro: Los clientes llegan y no abandonan
Si las llegadas siguen un proceso de Poisson, esto implica que:
54 CAP
´
ITULO 5. TEOR
´
IA DE COLAS
1. La probabilidad de una ocurrencia entre t, y t + h s´ olo depende del
ancho del intervalo h.
2. Con h muy peque˜ no a lo m´ as puede ocurrir una llegada en el intervalo
(t, t +h).
Disciplina FIFO
N´ umero de Ocurrencias se distribuye Poisson par´ ametro λt, con λ igual a
la tasa de llegada por unidad de tiempo.
Tiempo entre llegadas se distribuye exponencial con par´ ametro λ.
Tiempo hasta la n-´esima llegada se distribuye Γ con par´ ametros (n,
1
λ
).
5.3.1. Llegadas
La teor´ıa de colas se sustenta en el supuesto de que las llegadas de clientes
al sistema siguen un Proceso Poisson, esto significa que:
Si X
t
= n´ umero de llegadas en un intervalo t, X
t
∼ Poisson(λt), luego se
trata de una variable aleatoria discreta con la siguiente probabilidad:
P(X
t
= x) =
(λt)
x
x!
e
−λt
luego,
E[X
t
] = λt
que representa el n´ umero promedio de ocurrencias en el intervalo t y λ =
E[X
t
]
t
es el n´ umero promedio de ocurrencias por unidad de tiempo.
5.3.2. Tiempo entre llegadas
Considerando que las llegadas siguen un proceso de Poisson, vamos a deter-
minar cu´ al es la distribuci´ on del tiempo entre llegadas.
Sea T
1
el instante de tiempo de la primera llegada, y sea t un instante de
tiempo menor. T
1
se puede interpretar como el tiempo necesario para que suceda
una ocurrencua, luego
P(T
1
> t) = P(N´ umero de ocurrencias hasta t sea 0)
P(T
1
> t) = P(X
t
= 0) = e
−λt
luego,
P(T
1
≤ t) = 1 −e
−λt
La que corresponde a la funci´ on acumulada de una distribuci´ on exponencial,
luego T
1
se distribuye exp(λ)
Analizando ahora el tiempo necesario hasta la segunda ocurrencia. Sea Y
t
el
5.4. PROCESO DE SALIDA 55
n´ umero de ocurrencias en el intervalo [T
1
, T
2
], con T un instante de tiempo
dentro de ese intervalo. Luego,
P(T > t) = P(no hay ocurrencias entre T
1
y T
1
+t, es decir, durante el intervalo t)
p(T > t) = P(X
t
= 0) = e
−λt
As´ı T ∼ exp(λ).
5.3.3. Tiempo Acumulado
Idea: Si el Tiempo hasta la n-´esima ocurrencia es mayor que un tiempo t
dado, implica que hasta t han ocurrido s´ olo n −1 ocurrencias.
P(T
n
> t) = P(X
t
≤ n −1)
P(T
n
> t) =
n−1

i=0
(λt)
i
e
λt
i!
Aproximando la sumatoria por la integral se obtiene que T
n
∼ Γ(n, λ
−1
). Re-
cordemos que una distribuci´ on exponencial con par´ ametro λ es equivalente a
una distribuci´ on Γ con par´ ametros (1, λ
−1
)
5.4. Proceso de Salida
Supuestos:
Fallecimiento Puro: No pueden reingresar al sistema
Tasa de salida = µ = N´ umero de clientes servidos por unidad de tiempo
5.4.1. Tiempo de Servicio
Si Z es el tiempo de servicio, Z ∼ exp(µ)
5.4.2. N´ umero de Unidades Servidas durante el tiempo t
Sea Y
t
el n´ umero de unidades servidas durante t, luego Y
t
∼ Poisson(µt).
5.5. Estado Estacionario
En estado estacionario las medidas de inter´es de desempe˜ no del sistema a
calcular son:
Utilizaci´ on del servidor
Probabilidad de cero clientes en el sistema
56 CAP
´
ITULO 5. TEOR
´
IA DE COLAS
Probabilidad de n clientes en el sistema
N´ umero promedio en el sistema
N´ umero promedio en la cola
Tiempo promedio de espera en la cola
Tiempo promedio en el sistema
Probabilidad de que una unidad tenga que esperar por servicio
5.6. Sistemas con una sola Cola, Poblaci´ on Infi-
nita: Estad´ısticas en Estado Estacionario
Restricci´ on: ρ ≤ 1
ρ =
λ
µ
P(0) = 1 −ρ
P(n) = ρ
n
· (1 −ρ)
L
q
=
ρ
2
1−ρ
L
s
=
ρ
1−ρ
= L
q

W
q
=
L
q
λ
W
s
=
1
µ−λ
5.7. Sistemas con M´ ultiples Servidores
Restricci´ on: µ
i
= µ, ∀i
ρ =
λ
k·µ
1
P(0)
=

k−2
n=0
(p·k)
n
n!
+
(p·k)
k−1
(k−1!)·(1−ρ)
P(n) =
_
(ρ · k)
n
n!
· P(0) , si n ≤ k
ρ
n
· k
k
k!
· P(0) , si n ≥ k,
L
q
=
ρ
k+1
·k
k−1
(k−1)!·(1−ρ)
2
· P(0)
L
s
= L
q
+ρ · k
W
q
=
L
q
λ
W
s
= W
q
+
1
µ
=
L
s
λ
5.8. COLAS CON PRIORIDADES 57
5.8. Colas con Prioridades
Idea:
Entre clases existen prioridades
Dentro de cada clase se rige mediante FIFO
Los supuestos son los mismos que en el modelo anterior excepto que las unidades
que llegan no son tratadas como iguales. Se dividir´ an las unidades en m clases de
acuerdo a una regla de prioridad. Cualquier unidad que llegue y que pertenece
a una clase con mayor prioridad preceder´ a a la clase de menor prioridad. Las
unidades que forman cada clase se rigen por orden de llegada (FIFO).
Un ejemplo de este tipo de colas se presenta en aquellos programas procesados
por facilidades de procesamiento de datos o la clasificaci´ on de correspondencia
en el correo.
5.8.1. F´ ormulas Matem´aticas
Sea
m = n´ umero de clases con prioridad.
λ
i
, µ
i
, σ
i
, ρ
i
, L
q
(i), W
q
(i), L
s
(i) y W
s
(i) son las caracter´ısticas de la cola
para las clases i = 1 . . . m.
λ = n´ umero total de unidades que llegan por hora, d´ıa o semana.
W
q
= tiempo esperado de espera de un cliente t´ıpico.
S
j
=
j

i=1
ρ
i
, conS
0
= 0
W
s
= tiempo esperado que permanece un cliente t´ıpico en el sistema.
Por lo tanto, en estado estacionario, las clases i tienen las siguientes priori-
dades:
1. ρ
i
=
λ
i
µ
i
2.
W
q
(i) =

m
j=1

2
j
) · (1 +µ
2
j
· σ
2
j
)/λ
j
2 · (1 −S
i−1
) · (1 −S
i
)
3. W
s
(i) = W
q
(i) +
1
µ
i
4. L
q
(i) = λ
i
· W
q
(i)
5. L
s
(i) = λ
i
· W
s
(i)
58 CAP
´
ITULO 5. TEOR
´
IA DE COLAS
Las caracter´ısticas del sistema completo se obtienen a partir de las clases indi-
viduales:
1. λ =

m
i=1
λ
i
2. L
q
=

m
i=1
L
q
(i)
3. L
s
=

m
i=1
L
s
(i)
4. W
q
=
L
q
λ
5. W
s
=
L
s
λ
Ejemplo
Problema:
Suponga que para tomar un tren se venden boletos de dos clases. Se ha
observado que para la primera clase λ
1
= 20 y λ
2
= 60 para los pasajeros
de segunda clase cada hora.
La ventanilla opera con µ
1
= 60 para primera clase y µ
2
= 120 para la
segunda clase cada hora. En otras palabras, el tiempo promedio de servi-
cio es
1
60
[horas], es decir, 1 [min] para procesar a un pasajero de primera
clase y s´ olo
1
2
[min] para los pasajeros de segunda clase (esto es porque
los pasajeros de segunda clase pagan con sencillo y generalmente el valor
justo del pasaje).
Se tiene adem´ as que:
σ
1
= 0,85[min] = 0,141[horas]
σ
2
= 0,38[min] = 0,0063[horas]
Soluci´ on:
Veamos las caracter´ıticas de operaci´ on de la ventanilla:
ρ
1
=
20
60
= 0,33
S
1
= ρ
1
= 0,33

1
)
2
· (1 + (µ
2
1
) · (σ
2
1
))
λ
1
= 0,0959
W
q
(1) =
0,0956 + 0,0657
2 · (1 −0,33)
= 0,121[horas]
= 0,73[min]
W
s
(1) = 0,0121 +
1
60
= 0,0288[horas] = 1,73[min]
L
q
(1) = 20 · (0,0121) = 0,24[pasajeros]
5.8. COLAS CON PRIORIDADES 59
L
s
(1) = 20 · (0,0288) = 0,58[pasajeros]
ρ
2
=
60
120
= 0,5
S
2
= ρ
1

2
= 0.833

2
)
2
∗ (1 + (µ
2
2
) ∗ (σ
2
2
))
λ
2
= 0,0657
W
q
(2) =
0,00956
2 · (0,6667) · (0,1667)
= 0,0725[horas]
= 4,35[min]
W
s
(2) = 0,0725 +
1
120
= 0,0808[horas] = 4,85[min]
L
q
(2) = 60 · (0,0725) = 4,35[pasajeros]
L
s
(2) = 60 · (0,0808) = 4,85[pasajeros]
Por lo tanto,
L
q
= 0,24 + 4,35
= 4,59 (pasajeros en espera)
L
s
= 5,43 (pasajeros en el sistema)
λ = 20 + 60
= 80 (pasajeros llegan por hora)
Un pasajero t´ıpico espera
W
q
=
L
q
λ
=
4,59
80
= 0,0547[horas]
= 3,44[min]
W
s
=
L
s
λ
=
5,43
80
= 0,0679[horas]
= 4,07[min]
60 CAP
´
ITULO 5. TEOR
´
IA DE COLAS
5.9. Colas con Restricciones
Vamos a analizar dos modelos que utilizan los siguientes supuestos:
1. El proceso de llegada es Poisson
2. Tiempos de Servicios son Exponencial
3. Disciplina FIFO
El primer modelo asume que el largo de la cola es ∞.
5.9.1. Sistemas Poisson Exponencial con pocas llamadas
(llegadas)
En algunos casos los clientes que llegan al sistema son pocos, con lo cual
el sistema b´ asico Poisson-exponencial no se puede aplicar. Especificamente, la
probabilidad de que una unidad necesitar´ a servicio no es constante, ´esta ahora
depende del n´ umero de unidades en el sistema. En otras palabras se cuenta con
una poblaci´ on finita.
Ejemplo
Problema:Comportamiento de los pacientes de un Hospital.
Soluci´ on:
Sea
M = n´ umero de clientes en la poblaci´ on
λ = tasa media de llegada de cada unidad individual
k = n´ umero de canales.
Luego
1
P(0)
=
k−1

n=0
_
M
n
_
· R
n
+
M!
k!
·
M

n=k
R
n
(M −n)! · k
n−k
, donde R =
λ
µ
, y
_
M
n
_
corresponde al n´ umero de combinaciones po-
sibles en que se pueden tener n clientes provenientes de un poblaci´ on de
tama˜ no M.
Como P(0) es conocido
P(n) =
_
_
_
_
M
n
_
· R
n
· P(0) , cuando 0 ≤ n ≤ k
M!·R
n
·P(0)
(M−n)!·k!·k
n−k
, cuando k ≤ n ≤ M,
L
s
=
M

n=1
n · P(n)
5.9. COLAS CON RESTRICCIONES 61
Las unidades L
s
que est´ an en el sistema en ese momento no est´ an en la
poblaci´ on.
La tasa efectiva de llegada es λ
e
= λ · (M −L
s
).
Adem´ as
• W
s
=
L
s
λ
e
• W
q
= W
s

1
µ
• L
q
= λ
e
· W
q
5.9.2. Propiedades de un sistema con un s´ olo canal
k = 1
1.
1
P(0)
= M! ·

n=0
M
R
n
(M −n)!
2. P(n) =
M!
(M−n)!
· R
n
· P(0)
3. L
q
= M −
λ+µ
λ
· (1 −P(0))
4. L
s
= L
q
+ 1 −P(0)
5. λ
e
= λ · (M −L
s
) = µ · (1 −P(0))
6. W
q
=
L
q
λ
e
7. W
s
=
L
s
λ
e
Problema:
Pedro utiliza en su planta maquinaria anticuada. Cuando las 5 m´ aquinas
operan correctamente los resultados son ´ unicos y hermosos. Sin embargo,
´el sabe que en promedio cada m´ aquina necesita ser reacondicionada por
cada hora de su operaci´ on, y que el procso de ajuste requiere en promedio
20[min]. Quiz´ as ´el necesite un ayudante para repararlas ¿C´ uales con las
caracter´ısticas de operaci´ on para el grupo de 2 personas?
Soluci´ on:
M = 5 m´ aquinas
k = 2 reparadores
λ = 1 m´ aquinas paradas por hora de operaci´ on
µ = 3 reparaciones cada hora ⇒ R =
1
3
1
P(0)
= 1 +
_
5
1
_
·
1
3
+
5!
2!
·
_
(
1
3
)
2
3! · 2
0
+
(
1
3
)
3
2! · 2
1
+
(
1
3
)
4
1! · 2
2
+
(
1
3
)
5
0! · 2
3
_
= 4,5489
62 CAP
´
ITULO 5. TEOR
´
IA DE COLAS
P(0) = 0,2198
P(1) =
_
5
1
_
·
1
3
· 0,2198 = 0,3664
P(2) =
_
5
1
_
· (
1
3
)
2
· 0,2198 = 0,2443
P(3) = 0,1212
P(4) = 0,0407
P(5) = 0,0068
L
s
= 1 · 0,3664 + 2 · 0,2443 + 3 · 0,1212 + 4 · 0,407 + 5 · 0,0068 = 1,42
λ
e
=
1
5−1,42
= 3,58
W
s
=
1,42
3,58
= 0,40
W
q
= 0,40 −
1
3
= 0,06
L
q
= 0,06 ∗ 3,58 = 0,21
Como P(0) = 0,2198 implica que existe un 21.98 % de probabilidad que
Pedro y su ayudante esten sin trabajo que reparar. En una hora t´ıpica
1,42 m´ aquinas est´ an en el taller de reparaci´ on y cada m´ aquina permanece
en promedio 1.4 [horas]

= 24 [min].
Cuando una m´ aquina necesita un ajuste, ´esta debe esperar (antes de ser
atendida) 0.06 [horas] = 3.6 [min]. La l´ınea de espera tiene un promedio
de 0.21 m´ aquinas.
5.9.3. Sistemas Poisson Exponencial con un s´ olo canal con
cola truncada
Pueden existir 2 razones para limitar el largo de la cola.
1. La cola se limita sola, llega un momento en que ninguna persona desea
ponerse a una cola con un largo excesivo.
2. Los sistemas de servicio limitados fisicamente, por ejemplo, la sala de
espera en un centro m´edico.
Propiedades en Estado Estacionario
Sea
M = n´ umero m´ aximo de unidades llegando al sistema, por lo tanto, el largo
m´ aximo de la cola ser´ a M −1
R =
λ
µ
1. P(0) =
1−R
1−R
M+1
2. P(n) = R
n
· P(0)
5.10. EJERCICIOS PROPUESTOS 63
3. L
s
=
R
1−R

(M+1)·(R
M+1
)
1−R
M+1
4. L
q
= L
s
+P(0) −1
5. λ
e
= λ · (1 −P(M))
6. W
q
=
L
q
λ
e
7. W
s
= W
q
+
1
µ
donde λ
e
corresponde a la tasa de llegada efectiva.
Ya que a lo m´ as pueden haber M unidades en el sistema, P(M) es la probabi-
lidad que el sistema est´e lleno, es decir, una unidad llegando en ese estado no
podr´ a ingresar al sistema.
Por lo tanto, 1 −P(M) = probabilidad de que una unidad pueda entrar al sis-
tema.
Y como los clientes var´ıan entre 0 y M, entonces
M

n=0
P(n) = 1
⇒ P(0) =
1 −R
1 −R
M+1
En el caso en que λ = µ todos los estados son igualmente probables, en este caso:
P(0) =
1
M + 1
L
s
=
M
2
Ahora si λ excede a µ se tendr´ a que el sistema llegar´ a a saturarse con L
s

= M
y P(M)

= 1.
5.10. Ejercicios Propuestos
1. El Problema de Rafael
I Parte Los clientes llegan al negocio de Rafael seg´ un una distribuci´ on
Poisson. El almac´en abre a las 8h00 y los Martes en la ma˜ nana entre
las 8h00 y las 9h00 llegan en promedio 6 clientes al almac´en. Rafael se
junt´ o a ver un partido con unos amigos el d´ıa Lunes en la noche, por
eso le gustar´ıa dormir una media hora m´ as el Martes en la ma˜ nana.
El sabe que si abre muy tarde puede perder muchos clientes por dejar
de ganar por la venta perdida. Para tomar una buen decisi´ on quiere
ver una forma de estimar el n´ umero de clientes que llegar´ an entre las
8h00 y las 8h30 el martes y as´ı estimar la eventual p´erdida.
64 CAP
´
ITULO 5. TEOR
´
IA DE COLAS
II Parte Rafael estim´ o que se demora 4 minutos en servir a un cliente
en su negocio y los tiempos de servicio siguen una distribuci´ on expo-
nencial. Rafael tiene una cita importante asi es que desea encontrar
la probabilidad que se tomar´ a menos de tres minutos en servir al
siguiente cliente.
2. Problema de una Zapater´ıa El due˜ no de una zapater´ıa recibi´ o un reclamo
de un cliente por el servicio recibido. Se sabe que los clientes llegan en
promedio uno cada 12 minutos seg´ un un proceso de Poisson. El vende-
dor estima que puede servir un cliente en un promedio de 8 minutos y
que su tiempo de servicio sigue una distribuci´ on exponencial. El vendedor
siempre termina de atender un cliente antes del siguiente. El due˜ no desea
determinar las medidas de desempe˜ no del sistema actual, para evaluar la
veracidad de lo que dice su cliente.
3. Consultas al Atudante Un curso de investigaci´ on de mercado tiene una se-
si´ on de laboratorio donde los estudiantes dise˜ nan cuestionarios. Los alum-
nos tienen un ayudante para sus dudas. Un estudiante con una pregunta
volver´ a despu´es si hay 3 antes en la cola de espera. Hay un promedio
de cuatro estudiantes por hora que acuden a hacer alguna pregunta en un
promedio de 12 [min]. Suponga que es un n´ umero ilimitado de estudiantes.
a) ¿Cu´ atos estudiantes en promedio estar´ a en la cola de espera?
b) ¿Cu´ al es la tasa efectiva de llegada?
c) ¿Cu´ anto tiempo est´ a con la duda un t´ıpico estudiante?
Cap´ıtulo 6
Modelos de Redes de Colas
6.1. Tipos de Redes de Colas
6.1.1. Redes Abiertas
En una red de colas abierta, los clientes llegan desde el exterior, circulan en
la red pasando por diferentes estaciones y luego abandonan la red. El n´ umero
de clientes que se puede encontrar en un momento dado en una red abierta es
ilimitado. Con el fin de especificar completamente una red abierta, se requiere
caracterizar cada estaci´ on, as´ı como el proceso de llegada de los clientes y la
ruta de los clientes en la red.
Figura 6.1: Red de Colas Abierta
1. Procesos de Llegada El proceso de llegada de los clientes a la red se
describir´ a (igual que en al caso de una cola simple) con la ayuda de un
proceso de renovaci´ on, y estar´ a caracterizado por la distribuci´ on del tiem-
po entre llegadas. Si la llegada de los clientes sigue un proceso de Poisson,
los tiempos entre llegadas son exponenciales y est´ an caracterizados por un
´ unico par´ ametro: la tasa de llegada λ. Se requiere adem´ as precisar, una
vez que un cliente llega a la red, en cu´ al fila se ubicar´ a. Normalmente se
65
66 CAP
´
ITULO 6. MODELOS DE REDES DE COLAS
caracteriza la ruta de entrada de una forma probabilista, sea p
0i
la proba-
bilidad de que un cliente que ingresa a la red vaya a la estaci´ on i. As´ı el
proceso de llegada a la estaci´ on i ser´ a poisson con tasa p
0i
veces λ.
2. Ruteo de los clientes Una vez que un cliente termina su servicio en
una estaci´ on, se requiere saber a d´ onde se dirigir´ a a continuaci´ on: puede
ir a otra estaci´ on o al exterior (abandona la red). Nuevamente el ruteo de
clientes se caracteriza de una forma probabilista: sea p
ij
la probabilidad
de un cliente de abandonar la estaci´ on i y dirigirse a la estaci´ on j, y sea
p
i0
la probabilidad de que un cliente quien abandona la estaci´ on i se vaya
del sistema. Existen, sin embargo, otros tipos de ruteos:
Ruteo hacia la cola m´ as corta (ruteo din´ amico): un cliente que aban-
dona una estaci´ on elegir´ a entre todas las destinaciones posibles, la
estaci´ on que tiene el menor n´ umero de clientes.
Figura 6.2: Ruteo de Cola m´ as Corta
Ruteo C´ıclico (determinista): Los clientes que abandonan una esta-
ci´ on elegir´ an por turno una estaci´ on entre todas las destinaciones
posibles.
Figura 6.3: Ruteo C´ıclico
Estos dos tipos de mecanismos de ruteo tienen un funcionamiento com-
pletamente diferente del ruteo probabilista. El primero se hace en forma
din´ amica, en funci´ on del estado del sistema en el momento del ruteo. El
6.1. TIPOS DE REDES DE COLAS 67
segundo se hace de una forma determinista, en funci´ on del ruteo del clien-
te que lo precedi´ o. Aunque el ruteo c´ıclico se puede aproximar por un
mecanismo probabilista respetando las mismas proporciones, es decir con
probabilidades 0.5 en el caso de dos estaciones receptoras, se debe hacer
notar que enviar clientes en forma alternada entre una estaci´ on y otra no
es equivalente a enviarlos en promedio tantas veces a una estaci´ on como
a la otra. En este caso se pierde la noci´ on de periodicidad.
6.1.2. Redes Cerradas
En una red de colas cerrada el n´ umero de clientes es contante. Sea N el
n´ umero total de clientes del sistema. No hay llegada ni partida de clientes. La
especificaci´ on de una red cerrada se reduce a modelar diferentes estaciones y
el ruteo de clientes. Usando un mecanismo de ruteo probabilista, se define p
ij
como la probabilidad de que un cliente quien abandona la estaci´ on i vaya a la
estaci´ on j.
Figura 6.4: Red de Colas Cerrada
6.1.3. Redes Multiclases
Al igual que para las colas simples, las redes de colas pueden ser recorridas
por diferentes clases de clientes. Sea R el n´ umero de clases de clientes. Estas
clases de clientes se distinguir´ an por:
68 CAP
´
ITULO 6. MODELOS DE REDES DE COLAS
Figura 6.5: Red de Colas Multiclase
Procesos de llegadas diferentes (si la red es abierta).
Comportamientos diferentes en cada estaci´ on (servicio y disciplina de ser-
vicio).
Ruteos diferentes en la red.
Luego se requiere caracterizar para cada clase r:
Para una red abierta, el proceso de llegada (para un proceso de llegada
poisson, basta con dar la tasa de llegada de los clientes de la clase r).
Para una red cerrada, el n´ umero total Nr de clientes de la clase r.
El ruteo de los clientes. Si nos concentramos en los ruteos probabilistas,
se define pr
ij
la probablidad para un cliente de clase r quien sale de la
estaci´ on i vaya a la estaci´ on j (Si i ´ o j es igual a 0, esto har´ a referencia al
exterior de una red abierta).
La noci´ on de red multiclase nos permite introducir la noci´ on de red mixta que
es una red abierta del punto de vista de ciertas clases y cerrada desde el punto
de vista de otras clases.
Figura 6.6: Red de Colas Multiclase Mixta
6.1. TIPOS DE REDES DE COLAS 69
Se puede igualmente autorizar ciertos clientes a cambiar de una clase durante
su ruteo en la red. Se define entonces pr
isj
como la probabilidad para un cliente
de clase r que abandona la estaci´ on i de ir a la estaci´ on j y se transfome en un
cliente de clase s.
6.1.4. Redes de colas con capacidad limitada
Las distintas estaciones de la red pueden tener capacidades limitadas. Cuan-
do una cola est´ a llena, no puede ingresar nadie m´ as a la cola. Esto puede producir
bloqueos o una p´erdida eventual de clientes en la entrada del sistema (si esta es
abierta).
Se distinguen principalmente dos tipos de bloqueos: el bloqueo antes del servi-
cio y el bloqueo despu´es del servicio. En un mecanismo de bloqueo antes del
servicio (tipo red de comunicaci´ on), un cliente deseando comenzar su servicio
en una estaci´ on dada debe primero asegurarse que hay un puesto disponible en
la estaci´ on de destino. Si es el caso, su servicio comienza. En caso contrario, el
servidor de la estaci´ on est´ a bloqueado y el cliente debe esperar la liberaci´ on de
un lugar antes de comenzar su servicio. Se puede entonces distinguir dos sub-
casos. Ya sea el cliente est´ a cargado en el servidor (bloqueado) y libera as´ı un
lugar en el buffer, se llamar´ a un bloqueo antes del servicio con ocupaci´ on del
servidor, o el cliente no est´ a cargado y debe esperar en el buffer (se habla de
bloqueo antes del servicio sin ocupaci´ on del servidor).
En un mecanismo de bloqueo despu´es del servicio (bloqueo tipo sistema de pro-
ducci´ on) un cliente comienza su servicio en el mismo instante en que el servidor
est´ a disponible. S´ olo al final de su servicio se puede producir un bloqueo. Si
la estaci´ on de destino est´ a llena, el cliente queda en el nivel del servidor que
est´ a bloqueado, hasta que un lugar se libere.
Figura 6.7: Red con Capacidad Limitada
6.1.5. Redes Abiertas con restricciones de Poblaci´ on
Ciertas redes de colas a´ un siendo abiertas pueden tener asociadas una co-
ta superior con respecto al n´ umero total de clientes que pueden encontrarse
simult´ aneamente. Esta restricci´ on de poblaci´ on implica que la red no es real-
mente un modelo abierto ni tampoco una red cerrada. Una vez que un cliente
llega a la red y est´ a llena (restricci´ on del tama˜ no de la poblaci´ on) se pueden
70 CAP
´
ITULO 6. MODELOS DE REDES DE COLAS
producir dos situaciones: El cliente puede ser rechazado, lo que lleva al modelo
anterior, o el cliente es memorizado y se localiza en una cola de espera externa
con disciplina FIFO (generalmente). Nos interesaremos particularmente en el
caso de clientes memorizados en colas externas.
Figura 6.8: Red Abierta con Restricci´ on de Poblaci´ on
Figura 6.9: Red Abierta con Restricci´ on de Poblaci´ on: Modelo Sem´ aforo
Un sistema abierto con restricci´ on de poblaci´ on se modela frecuentemente
con la ayuda de un formalismo tipo sem´ aforo. Una cola de fichas o n´ umeros
conteniendo inicialmente N fichas se asocia a la cola externa de clientes. Cuando
un cliente llega y queda alguna ficha libre toma la ficha y entra instant´ aneamente
en el sistema. Conserva la ficha durante toda la estad´ıa en el sistema y lo libera
cuando sale del sistema. La ficha se devuelve instant´ aneamente a la cola de las
6.1. TIPOS DE REDES DE COLAS 71
fichas y queda disponible para otro cliente. Si llega un cliente y no quedan fichas
el cliente se ubica en una cola externa en espera de la liberaci´ on de una ficha.
El n´ umero m´ aximo de fichas N disponible impone el l´ımite superior del n´ umero
total de clientes que se pueden encontrar simult´ aneamente en el sistema.
6.1.6. Ejemplos de Modelos de Colas
Modelo Simple de Computador
Figura 6.10: Modelo Simple de Computador
Modelo Servidor Central
Figura 6.11: Modelo Servidor Central
72 CAP
´
ITULO 6. MODELOS DE REDES DE COLAS
Sistema Multiprogramaci´ on
Figura 6.12: Sistema Multiprogramaci´ on
Figura 6.13: Sistema Multiprogramaci´ on con Saturaci´ on
6.1. TIPOS DE REDES DE COLAS 73
Modelo de un Calculador Central con Terminales
Figura 6.14: Modelo de un Calculador Central con Terminales
Red de Comunicaci´ on
Figura 6.15: Red de Comunicaci´ on
74 CAP
´
ITULO 6. MODELOS DE REDES DE COLAS
Figura 6.16: Modelo de un Nodo de Conmutaci´ on
Figura 6.17: Modelo de una Red de Comunicaci´ on
6.1. TIPOS DE REDES DE COLAS 75
L´ıneas de Producci´ on
Figura 6.18: L´ıneas de Producci´ on
76 CAP
´
ITULO 6. MODELOS DE REDES DE COLAS
Cap´ıtulo 7
Arboles de Clasificaci´ on
7.1. Introducci´ on
Los ´ arboles de clasificaci´ on se usan para predecir membres´ıa de casos u ob-
jetos en las clases de una variable categ´ orica dependiente de los valores de una
o m´ as variables predictoras. Los ´ arboles de clasificaci´ on constituyen una de las
t´ecnicas principales para realizar Data Mining (Miner´ıa de Datos).
¿Qu´e son?
Imagine que Ud. desea dividir un sistema ordenando (un conjunto de monedas
de diferentes clases (monedas de a $ 1, $ 10, $ 100, $ 500). Suponga que hay una
medida que hace una distinci´ on entre las monedas, por ejemplo su di´ ametro,
lo cual se puede usar para realizar un ordenamiento jer´ arquico de las monedas.
Esto puede producir un ´ arbol de clasificaci´ on donde usted f´ acilmente podr´ a cla-
sificar una nueva moneda en algunas de las existentes conociendo su di´ ametro.
El estudio de ´ arboles de clasificaci´ on se ha realizado desde varias ´ areas de in-
ter´es como por ejemplo: reconocimiento de patrones, diagn´ ostico en medicina,
estrucuras de datos en inform´ atica, bot´ anica, sicolog´ıa.
Uno de los ejemplos de aplicaci´ on presentado por Breiman et al. pertenece al
´ area m´edica. Cuando un paciente con ataque al coraz´ on llega a un centro asis-
tencial, es sometido a varios tests para determinar pulso, presi´ on, entre otros.
Se puede obtener una gran cantidad de informaci´ on adicional como edad y su
historia cl´ınica. Luego los pacientes pueden ser clasificados como sobrevivientes
a un ataque cardiaco, y poder identificar r´ apidamente los pacientes de alto ries-
go.
El ´ arbol clasificador presentado por Breiman necesita s´ olo tres respuestas, “Si el
paciente tiene una presi´ on m´ınima superior a 91 durante las primeras 24 horas,
luego si el paciente tiene m´ as de 62,5 a˜ nos, y si el paciente presenta taquicardia,
luego el paciente no sobrevivir´ a”.
77
78 CAP
´
ITULO 7. ARBOLES DE CLASIFICACI
´
ON
7.1.1. Algoritmo Crear-Arbol-de-Clasificaci´ on
1. Comience con el nodo raiz que contiene toda la muestra de aprendizaje.
2. Repita hasta que el nodo tenga pocos elementos de diferentes clases o que
sean todos de la misma.
a) Buscar una pregunta o partici´ on ´ optima Sopt.
b) Divida el nodo en dos nodos agregando los elementos de acuerdo a
la partici´ on.
7.1.2. Partici´ on de los nodos
1. Un atributo A se divide por A ≤ r donde r es num´erico, y si A es categ´ orico
sobre la pregunta de posible valores categ´ oricos.
2. Con C clases, p(j/t) es la proporci´ on de casos en el nodo t, y f la funci´ on
de impureza, luego la impureza del nodo t es
i(t) = f(p(1/t), ..., p(C/t))
3. El cambio en impureza por una partici´ on s que env´ıa pr casos a la derecha
y pl a la izquierda es
Di(s, t) = i(t) −pr · i(tr) −pl ∗ i(tl)
4. Indice de Gini de diversidad es
c

j=1
c

k=1
p(k/t) · p(j/t)
7.1.3. Funci´ on de impureza f
Se usa la medida de entrop´ıa o de Shannon:

j
p(j/t) · log(j/t) = i(t)
que es una funci´ on monot´ onicamente decreciente.
7.1.4. Declaraci´ on de un nodo terminal
1. El proceso termina cuando todos los elementos pertenecen a la misma
clase ´ o
2. Cuando no existe una partici´ on que permita reducir m´ as la impureza.
3. La clase del nodo terminal corresponde al mayor n´ umero de elementos de
la misma clase que pertenecen a ese nodo.
7.2. EJEMPLO: RESOLUCI
´
ON MEDIANTE CART Y C4.5 79
7.1.5. ¿C´ omo saber qu´e tan bueno es este ´arbol?
Si dispone de suficiente datos de entrada (elementos de la muestra de apren-
dizaje) saque una parte de ellos y ´ usela para evaluar la bondad de la clasificaci´ on
de ellos R∗ (T).
7.2. Ejemplo: Resoluci´ on mediante CART y C4.5
CART y See5 (versi´ on para S.O. Windows de C4.5) son dos herramientas
que permiten realzar clasificaciones de muestras de datos. La principal diferencia
entre ´estas radica en que CART trabaja s´ olo generando ´ arboles de clasificaci´ on
binarios, mientras que See5 admite trabajar con ´ arboles de nodos con diferente
cantidad de hijos.
7.2.1. CART
La Metodolog´ıa utilizada por CART es conocida como partici´ on recursiva
binaria. El proceso se denomina binario porque los nodos padres siempre se
dividen en ´ unicamente dos nodos hijos y recursivo ya que el proceso puede
repetirse tomando cada nodo hijo como un nuevo nodo padre. Los elementos
claves que utiliza el an´ alisis de CART son un conjunto de reglas para:
Dividir cada nodo del ´ arbol
Decidir cuando un ´ arbol es completo
Asignar cada nodo terminal a alguna clase de salida.
Reglas de Divisi´ on
Para dividir cada nodo en dos hijos, CART siempre realiza preguntas que tie-
nen un “si” o “no” como respuesta. Por ejemplo: ¿Peso > 60 (kgs)?. El m´etodo
CART mira todas las posibles reglas de divisi´ on incluidas en el an´ alisis. Por
ejemplo, considerando un conjunto de datos con 215 casos y 19 variables, CART
considera sobre 215 veces 19 reglas para un total de 4085 posibles divisiones.
Cualquier problema tendr´ a un n´ umero finito de reglas de divisi´ on candidatas y
CART conducir´ a una b´ usqueda a bruta-force sobre ellas.
Elecci´ on de la Divisi´ on
La siguiente actividad que realiza CART es ordenar en un ranking cada regla
de divisi´ on en base a alg´ un criterio de calidad de la divisi´ on. El criterio usado
por defecto en CART es la regla GINI, una medida de cuan bien la regla de
divisi´ on separa las clases contenidas en el nodo padre (aunque tambi´en existen
otros criterios disponibles).
Asignaci´ on de Clases
Una vez que se ha encontrado la mejor divisi´ on, CART repite el proceso de
b´ usqueda para cada nodo hijo, continuando recursivamente mientras es posible
80 CAP
´
ITULO 7. ARBOLES DE CLASIFICACI
´
ON
dividir o hasta que se detiene. La divisi´ on se hace imposible si queda s´ olo un
caso en un nodo particular o si todos los casos de esa clase son id´enticos. CART
permite detener la divisi´ on por varias otras razones, incluyendo que un nodo
tenga muy pocos casos (por defecto, en estos casos considera un l´ımite de 10
casos, pero este valor puede cambiar dependiendo de especificaciones particula-
res). Cuando se ha encontrado un nodo terminal se debe decidir como clasificar
todos los casos que han ca´ıdo en ´el. Un criterio simple es la regla de pluralidad:
El grupo con la mayor representaci´ on determina la asignaci´ on de la clase. CART
realiza un paso m´ as adelante: como cada nodo puede, potencialmente, conver-
tirse en un nodo terminal, la asignaci´ on de clase es hecha para cada nodo, sea
´este terminal o no. Las reglas de asignaci´ on de clases pueden ser modificadas
desde una simple regla de pluralidad simple a una cuenta de los costos de co-
meter un error en la clasificaci´ on y ajuste para algunos ejemplos de ciertas clases.
´
Arboles reducidos
Para decidir si un nodo es terminal o no, CART procede extendiendo ´ arboles
hasta que no es posible extenderlos m´ as. Una vez que se ha generado el ´ arbol
maximal, examina ´ arboles m´ as peque˜ nos obtenidos mediante la reducci´ on de
algunas ramas del ´ arbol maximal. CART no detiene el proceso de extensi´ on de
´ arboles porque puede aparecer informaci´ on importante al examinar los niveles
m´ as bajos.
Pruebas
Una vez que se ha construido el ´ arbol maximal y se han derivado un conjunto
de sub-´ arboles a partir de ´el, CART determina el mejor ´ arbol probando y mi-
diendo tasas de error o costos. Con informaci´ on suficiente, el m´etodo m´ as simple
es dividir la muestra en sub-muestras de aprendizaje y prueba. La muestra de
aprendizaje es usada para extender un ´ arbol. La muestra de prueba es usada
para estimar la tasa a la cual los casos son clasificados incorrectamente (posi-
blemente ajustados por clasificaci´ on err´ onea de costos). La tasa de clasificaci´ on
err´ onea es calculada para el ´ arbol m´ as grande y tambi´en para cada sub-´ arbol.
El mejor sub-´ arbol es aquel con el menor o m´ as cercano menor costo, que pue-
de ser un ´ arbol relativamente peque˜ no. Algunos estudios no tendr´ an suficientes
datos para permitir una muestra de prueba de buen tama˜ no. La metodolog´ıa de
extensi´ on de ´ arboles utiliza intensivamente los datos, requiriendo muchos casos
que la regresi´ on cl´ asica. Cuando los datos son pocos, CART utiliza t´ecnicas in-
tensivas de computaci´ on de validaci´ on h´ıbrida.
7.2.2. See5
See5 analiza datos para producir ´ arboles de decisi´ on, que a diferencia de
CART no s´ olo son binarios, y/o conjuntos de reglas que relacionen los casos de
una clase con los valores de sus atributos. Una aplicaci´ on consiste, en este caso,
en una colecci´ on de archivos de texto. Esos archivos definen clases y atribu-
tos, describen los casos que ser´ an analizados, proveen nuevos casos para probar
7.2. EJEMPLO: RESOLUCI
´
ON MEDIANTE CART Y C4.5 81
las clasificaciones producidas por See5 y especifican costos o penalizaciones por
clasificaciones err´ oneas. Para ejecutar el programa es necesario contar con un
archivo de nombres con la extensi´ on .names, el cual contiene una serie de clases,
atributos y sus valores. Cada nombre es un string arbitrario de caracteres con
algunas restricciones: Un nombre puede contener tabs y espacios, pero cualquier
secuencia de tabs y espacios es tratado como un espacio simple. Cualquier ca-
racter especial como coma (,), punto y coma(;), punto (.) o pipe (|) que formen
parte de un nombre deben estar precedidos por el car´ acter de escape backslash
().
La primera entrada en el archivo .names especifica la clase, y se deben esta-
blecer un atributo de valores discretos que contenga los valores de las clases o
definiendo la clase directamente como una lista de nombres separados por co-
mas. El resto del archivo .names consiste en una entrada por cada atributo.
Los atributos son de dos tipos: expl´ıcitamente definidos (especificados por tipo,
valores, etc.) e impl´ıcitamente definidos (especificados por f´ ormulas).
Adem´ as, es necesario contar con un archivo de datos con la extensi´ on .data, este
archivo contiene los casos que ser´ an analizados para producir la clasificaci´ on.
Cada caso est´ a representado por una entrada en el archivo. Un caso de entra-
da consiste en los valores de los atributos (en el mismo orden en que aparecen
en el archivo .names). En estos casos no es necesario dar valores para aquellos
atributos definidos impl´ıcitamente, ya que estos deben estar definidos a partir
de los otros atributos y, por lo tanto, son calculados autom´ aticamente por el
programa.
El primer paso en la construcci´ on de un clasificador es localizar los archivos
de la aplicaci´ on. Todos ellos deben estar juntos en un mismo directorio. Luego
que la aplicaci´ on ha sido identificada, See5 puede ser usado para construir un
clasificador. See5 presenta diversas opciones que permiten un mejor desempe˜ no
cuando se trabaja con una gran cantidad de datos con muchos atributos, algunos
de los cuales pueden no ser importantes en la tarea de clasificaci´ on.
7.2.3. Caso de Prueba: Nacionalidad
La tabla 7.1 muestra los datos a utilizar, estos datos clasifican por naciona-
lidad (chino, norteamericano, espa˜ nol y africano) a un conjunto de individuos,
para los cuales se presentan los siguientes atributos: estatura (en cent´ımetros,
valor continuo entre 150 y 200 aproximadamente), peso (en kilogramos, valor
continuo entre 50 y 100 aproximadamente), color de pelo (negro, casta˜ no y
rubio) y color de tez (negra o blanca).
Pruebas en CART
Para realizar las pruebas en CART es necesario considerar todos los datos
como num´ericos, para esto se considera la siguiente notaci´ on:
Color de Pelo
82 CAP
´
ITULO 7. ARBOLES DE CLASIFICACI
´
ON
Estatura Peso Color de Pelo Color de Tez Nacionalidad
167 70 negro blanca chino
180 82 rubio blanca norteamericano
185 86 negro negra norteamericano
179 76 negro blanca espa˜ nol
177 73 rubio blanca espa˜ nol
176 84 casta˜ no blanca espa˜ nol
187 80 rubio blanca norteamericano
164 63 negro blanca chino
168 72 negro blanca chino
168 70 negro blanca espa˜ nol
183 88 casta˜ no negra norteamericano
186 90 negro negra norteamericano
188 94 rubio blanca norteamericano
185 92 negro blanca espa˜ nol
172 80 negro blanca espa˜ nol
172 72 negro blanca chino
158 64 negro blanca chino
179 86 rubio blanca norteamericano
159 68 negro blanca chino
186 90 negro blanca espa˜ nol
190 70 negro negra africano
188 75 negro negra africano
196 73 negro negra africano
191 71 negro negra africano
Cuadro 7.1: Datos de la muestra
1 negro
2 casta˜ no
3 rubio
Cuadro 7.2: Color de Pelo
Color de Tez
1 negra
2 blanca
Cuadro 7.3: Color de Tez
7.2. EJEMPLO: RESOLUCI
´
ON MEDIANTE CART Y C4.5 83
Nacionalidad (Clase)
1 chino
2 norteamericano
3 espa˜ nol
4 africano
Cuadro 7.4: Nacionalidad (Clase)
Al introducir la informaci´ on en CART los resultados que arroja se mues-
tran en la figura 7.1. La tabla esta figura muestra un resumen de valores como
complejidad de cada uno de los nodos terminales y costos relacionados a ciertas
caracter´ısticas que son analizadas por CART al momento de generar los ´ arbo-
les de decisi´ on como se mencion´ o anteriormente. El Arbol ´ optimo, con 4 nodos
terminales entregado por CART se muestra en la figura 7.2.
Figura 7.1: Resultados de CART
84 CAP
´
ITULO 7. ARBOLES DE CLASIFICACI
´
ON
Figura 7.2: Arbol Optimo de Clasificaci´ on entregado por CART
Notamos que para realizar una clasificaci´ on solamente resultan relevantes los
atributos estatura y peso. Es importante presetar atenci´ on a las caracter´ısticas
de pureza de los nodos terminales.
Pruebas en See5
Al realizar las pruebas en See5, se obtienen los siguientes resultados:
See5 [Release 1.16]
Read 24 cases (4 attributes) from nacionalidad.data
Decision tree:
color de tez = negra:
:...peso <= 80: africano (4)
: peso > 80:norteamericano (3)
color de tez = blanca:
:...color de pelo = casta~ no: espa~ nol (1)
7.2. EJEMPLO: RESOLUCI
´
ON MEDIANTE CART Y C4.5 85
color de pelo = rubio: norteamericano (5/1)
color de pelo = negro:
:...peso <= 73: chino (7/1)
peso > 73: espa~ nol (4)
Evaluation on training data (24 cases):
Decision Tree
----------------
Size Errors
6 2( 8.3%) <<
(a) (b) (c) (d) <-classified as
---- ---- ---- ----
6 (a): class chino
7 (b): class norteamericano
1 1 5 (c): class espa~ nol
4 (d): class africano
A partir de los resultados entregados por See5 podemos construir el ´ arbol
de decisi´ on que muestra la figura 7.3:
Comparaci´ on y Conclusiones
En este caso notamos, para una misma muestra, que ambas herramientas
generan ´ arboles de clasificaci´ on completamente distintos, desde los atributos de
inter´es en cada uno de los casos (el ´ arbol generado por CART se preocupa so-
lamente de preguntar por los atributos estatura y peso, mientras que el ´ arbol
generado por See5 pregunta por color de tez, color de pelo y peso). Con-
cluimos lo importante del atributo peso. Ahora, podemos calcular el promedio
de impureza de los nodos terminales, de modo que nos entreguen alg´ un ´ındice
observable de diferenciaci´ on. Para el ´ arbol generado por CART este valor es:
14,3 + 0 + 33,3 + 20
4
= 20,475 %
Para el ´ arbol generado por See5 este valor asciende a:
0 + 0 + 0 + 20 + 14,3 + 0
6
= 5,72 %
Este es un primer punto a favor para See5, aunque una mejor forma de probar
sus bondades es observando que tan bien trabajan clasificando individuos nuevos
86 CAP
´
ITULO 7. ARBOLES DE CLASIFICACI
´
ON
Figura 7.3: Arbol Optimo de Clasificaci´ on entregado por See5
en la poblaci´ on. Para esto consideremos los nuevos individuos que aparecen en
la tabla 7.5.
Caso Estatura Peso Color de Pelo Color de Tez Nacionalidad
1 183 85 negro blanca espa˜ nol
2 185 79 negro negra africano
3 177 86 rubio blanca norteamericano
4 167 68 negro blanca chino
Cuadro 7.5: Casos de Prueba
Caso 1:
CART: con un 66.7 % de seguridad podr´ıa tratarse de un norteamericano
y con 33.3 % de seguridad podr´ıa tratarse de un espa˜ nol. (nodo terminal 3)
See5: espa˜ nol (nodo terminal 6)
Para este caso, era bastante f´ acil cometer un error, por lo tanto, no se con-
cluye mucho al respecto.
Caso 2:
CART: con un 66.7 % de seguridad podr´ıa tratarse de un norteamericano
y con 33.3 % de seguridad podr´ıa tratarse de un espa˜ nol. (nodo terminal 3)
7.2. EJEMPLO: RESOLUCI
´
ON MEDIANTE CART Y C4.5 87
See5: africano (nodo terminal 1)
En este caso, el error surge b´ asicamente en el momento de fijar los l´ımites
de los valores de peso y estatura en el caso de CART.
Caso 3:
CART: espa˜ nol con 100 % seguro (nodo terminal 2)
See5: norteamericano con un 80 % de seguridad (nodo terminal 4)
En este caso cabe mencionar el error cometido por CART al generar este
´ arbol, dado que no considera una atributo fundamental para distinguir a un
norteamericano, observando la tabla, podemos ver que cada vez que el color
de pelo es rubio la nacionalidad es norteamericano.
Caso 4:
CART: chino con un 85.7 % de seguridad (nodo terminal 1)
See5: chino con un 85.7 % de seguridad (nodo terminal 5)
Para este caso los resultados son casi los mismos, no existe mayor conclusi´ on.
88 CAP
´
ITULO 7. ARBOLES DE CLASIFICACI
´
ON
Cap´ıtulo 8
Teor´ıa de Inventario
Probabilista
8.1. Repaso
8.1.1. Modelos de Inventario
Cuando se tienen demasiados items en bodega los costos pueden llegar a ser
muy elevados y el no disponer de una cantidad cuando lo est´ an demandando
tambi´en genera un costo adicional cuantificado en general como prestigio y el
costo de haber perdido esa oportunidad de vender.
Si hay costos, entonces ¿por qu´e mantener productos en bodega?
1. para responder a demandas poco frecuentes
2. para una mejor planificaci´ on de la producci´ on
3. para enfrentar en mejor forma huelgas y problemas laborales
4. como protecci´ on de las irregularidades de abastecimiento
5. para obtener precios con descuentos
6. para minimizar el costo de ordenar
las preguntas que se van a responder usando un modelo de inventario son:
¿Qu´e cantidad ordenar?
¿Cu´ ando emitir una orden de compra?
¿Cu´ al es el nivel razonable del stock de seguridad?
Para ello vamos a definir un grupo de par´ ametros:
Nivel de la demanda del producto
89
90 CAP
´
ITULO 8. TEOR
´
IA DE INVENTARIO PROBABILISTA
Costo de almacenar una unidad del producto
Precio de compra por una unidad
Costo de poner una orden
Variables en un modelo de inventario:
1. N´ umero de productos
2. Nivel de Inventario
3. Tasa de disminuci´ on (relacionado con la demanda)
4. Punto de reorden: ¿Cu´ ando emitir una nueva orden?
5. Tiempo entre la orden y la llegada del producto (lead-time)
6. Cantidad ordenada y tama˜ no del lote
7. Costos de Ordenar o de puesta en marcha
8. Costo de mantener unidades en inventario: costo asociado con: costo de
capital, almacenamiento, deterioro, p´erdidas, impuestos, seguros.
Modelo de Lote Econ´ omico (EOQ)
Supuestos:
1. Cantidad ordenada llega en el instante que el stock lleg´ o a cero
2. La demanda es constante
Se desea responder a:
1. ¿Cu´ ando ordenar? = R
2. ¿Cu´ anto ordenar? = Q
El costo de inventario se divide en dos tipos de costos: el costo de mantener las
unidades en inventario y el costo de ordenar.
Costo de inventario =
CT = Ch ·
Q
2
+Co ·
D
Q
donde
Ch = costo unitario de mantener en inventario
Co = costo unitario de ordenar
D = demanda anual
Q = cantidad a ordenar determinando Q

utilizando la relaci´ on
d(CT)
d(Q)
= 0
8.1. REPASO 91
Q

=
_
2 · D · Co
Ch
_
1/2
Ahora la pregunta que falta responder es ¿cu´ ando ordenar?.
Se define el punto de reorden como el nivel de inventario en el cual emitir una
orden, luego:
R = d · m
con
R = punto de reorden
d = demanda diaria
m = lead time en d´ıas
esto indica que hay que emitir una orden en el nivel de inventario en que la
demanda a satisfacer sea igual al stock remanente hasta completar el lead time.
8.1.2. Modelo con Ordenes Pendientes.
En muchas situaciones de la vida real se produce una insatisfacci´ on de la
demanda. Cuando esto ocurre se producen costos adicionales (debido a perdidas
de oportunidades, costo de emitir ´ ordenes especiales, problemas de imagen, etc).
Aqu´ı modificaremos el modelo EOQ para permitir la posibilidad de falta de
stock. Sea Cs el costo de mantener una orden pendiente, luego el costo total se
ve modificado en:
CT = Costo de mantener en inventario + Costo de Ordenar + Costo de
mantener ´ ordenes pendientes
esto calculado al a˜ no.
Luego se tiene con el gr´ afico dibujado en clases que:
CT =
(Q−S)
2
2 · Q
· Ch +
D
Q
· Co +
S
2
2 · Q
· Cs
En base a esta relaci´ on se pueden determinar los valores correspondientes de Q
y S.
Q

=
_
2 · D· Co
Ch
_
1/2
·
_
Ch +Cs
Cs
_
1/2
S

= Q

·
Ch
Ch +Cs
Descuentos por cantidades para el modelo EOQ
Descuentos por cantidades ocurren en muchas empresas e industrias donde
los abastecedores entregan un incentivo para compras en grandes cantidades
ofreciendo precios m´ as bajos.
Supongamos que se tiene un producto donde el modelo b´ asico EOQ se puede
aplicar, sin embargo en lugar de tener un precio fijo unitario, este precio de-
pender´ a del tama˜ no del lote que se compre, por ejemplo teniendo la tabla por
categoria de descuentos (Tabla 8.1):
92 CAP
´
ITULO 8. TEOR
´
IA DE INVENTARIO PROBABILISTA
Categoria de Descuento Tama˜ no de la orden Descuento Costo Unitario
1 0 - 999 0 % 5.0
2 1000 - 2499 3 % 4.85
3 superior a 2500 5 % 4.75
Cuadro 8.1: Categor´ıas de descuentos
El 5 % de descuento en la categoria aparece como tentador, sin embargo se
debe considerar que el mantener m´ as unidades en inventario incurrir´ıa adem´ as
en un aumento del costo del inventario. Luego, hay que tratar de lograr un
equilibrio entre la reducci´ on de precios y la consecuencia de incorporar m´ as
unidades en inventario. Para ello el procedimiento de calculo es el siguiente:
1. Calcular Q

usando la f´ ormula del modelo EOQ para cada categoria de
descuentos.
2. Para todos los Q

calculados en el paso anterior elija los valores de Q

que correspondan a la categoria de descuentos se˜ nalada.
En nuestros modelos de inventario previos se ha ignorado el costo anual de
la compra del item, debido a que fue constante y no afectaba la selecci´ on
de la pol´ıtica de inventario. Si embargo, en los descuentos por cantidades
el costo de la compra var´ıa con el tama˜ no del lote ordenado Q, por lo
tanto se debe incluir el costo de comprar en el costo total:
Costo de inventario =
CT = Ch ·
Q
2
+Co ·
D
Q
+D · C
donde C es el costo unitario del item.
3. El ´ ultimo paso a seguir es: para cada una de los valores de los Q

deter-
minados en los pasos 1 y 2 calcule el costo de inventario anual tomando el
costo unitario respectivo a la categoria de descuentos. La cantidad ´ optima
Q

ser´ a aquella que entregue un menor costo de inventario anual.
Modelo del Lote de Producci´ on Econ´ omica
Este es similar al modelo EOQ en que hay que determinar cu´ anto producir
y cuando poner una orden. La suposici´ on fundamental es que la demanda tiene
una tasa constante, y la tasa de producci´ on es mayor que la tasa de la demanda.
Sin embargo en vez de que los items lleguen externamente a la empresa se
trata ahora de una producci´ on interna. En general, sea Q la cantidad del lote a
producir. Al igual que en el modelo EOQ tendremos dos costos a considerar en el
inventario: costo de mantener en inventario y el costo de ordenar. Sin embargo,
la interpretaci´ on difiere. En situaciones de producci´ on el costo de ordenar se
refiere m´ as exactamente al costo de puesta en marcha de la producci´ on. Este
costo involucra horas de trabajo, material, costos por p´erdidas de producci´ on
8.2. EOQ CON DEMANDA INCIERTA 93
todo esto para preparar la corrida de producci´ on.
El Costo total en inventario ser´ a:
Costo de inventario
CT = Ch ·
Q
2
· (1 −
D
P
) +Co ·
D
Q
donde
P = producci´ on anual
D = demanda anual
Luego se puede determinar Q

= cantidad a producir por la siguiente relaci´ on:
Q

= (
2 · D · Co
Ch
)
1/2
·
1
(1 −
D
P
)
1/2
8.2. EOQ con demanda incierta
Sea:
1. SLM
1
= fracci´ on esperada de toda la demanda que llega a tiempo
2. SLM
2
= n´ umero esperado de ciclos al a˜ no en los que ocurre stock-out
Ejemplo:
Problema:
Considere
D = 1000
Q

= 100
R = 30[u]
Adem´ as, d
l
aleatoria como lo muestra la tabla 8.2.
antidad Probalilidad
0
1
5
0
1
5
40
1
5
50
1
5
60
1
5
Cuadro 8.2: Distribuci´ on aleatoria de la demanda
Soluci´ on:
Podemos calcular:
E[d
l
] =
1
5
· (200) = 40[u]
94 CAP
´
ITULO 8. TEOR
´
IA DE INVENTARIO PROBABILISTA
considerando R = 30[u]
N´ umero esperado de unidades no satisfechas ser´ıa 12[u] por ciclo.
1
5
· (0 + 0 + 10 + 20 + 30) = 12[u]
Cantidad Sobrante Probalilidad
0
1
5
0
1
5
10
1
5
20
1
5
30
1
5
Cuadro 8.3:
N´ umero de Ordenes =
D
Q
= 10
⇒ 120 [u] no satisfechas a la a˜ no
As´ı
SLM
1
= 1000 −120
= 880[u]
⇒ 88 %
Sea S v.a. de la escasez del producto y sea § v.a. de la demanda durante el
lead-time ∼ N(µ, σ
2
).
Sea R punto de reorden y SLM
1
porcentaje de unidades satisfechas al a˜ no.
S =
_
0 , x < R
x −R , x ≥ R,
Luego, el n´ umero promedio de unidades insatisfechas al a˜ no = E[S] ·
D
Q

=
D · (1 −SLM
1
)
E[S] =
_

R
(x −R) · f
x
(x)dx = (1 −SML
1
) · Q

8.2. EOQ CON DEMANDA INCIERTA 95
8.2.1. Propiedades:
Si x ∼ N(µ, σ)
Sea
L(z) =
_

z
z · f
z
(z)dz, con z =
R−µ
σ
⇒ E[S] = σ · L(Z) = (1 −SLM
1
) · Q

µ +σ · Z = R
Ejemplo: SLM
1
Problema
Se desea conseguir un porcentaje de unidades satisfechas al a˜ no de 99 %
(SLM
1
= 99 %).
Se cuenta con:
µ = 192
σ = 11,55
Q = 327
Soluci´ on
L(z) =
0,01 · 327
11,55
= 0,283
⇒ z = 0,26
⇒ R = 192 + 11,55 · 0,26 = 195
Ejemplo: SLM
2
Problema
Se desea conseguir 2 stock-outs al a˜ no. Se cuenta con:
Q

= 100
D = 1000
N´ umero de Ciclos = 10
Soluci´ on
P(d
L
> r) =
2
10
= 0,2
φ
_
R −83,3

400
_
= 0,84
R = 20 · 0,84 + 83,33 = 100,13
96 CAP
´
ITULO 8. TEOR
´
IA DE INVENTARIO PROBABILISTA
Cap´ıtulo 9
Modelos de Regresi´ on
9.1. Repaso
9.1.1. Estimaci´ on de Par´ametros
La estimaci´ on de par´ ametros puede ser puntual o por intervalo. Supongamos
una muestra aleatoria X
1
, X
2
, . . . , X
n
con valores x
1
, x
2
, . . . , x
n
, se desea esti-
mar sobre esta muestra el valor de alg´ un par´ ametro desconocido, por ejemplo.
τ =
σ
µ
Estimaci´ on Puntual:
T
1
(x
1
, . . . , x
n
) =
(x
1
+x
2
+...+x
n
)
n
, se puede usar para estimar µ
y T
2
(x
1
, . . . , x
n
) =

(x
i
−¯ x)
2
n
para estimar σ
2
Estimaci´ on por intervalo:
Idea: No hay un ´ unico estad´ıstico, sino que se definen 2 estad´ısticos:
T
1
(x
1
, .., x
n
), T
2
(x
1
, .., x
n
) con T
1
(x
1
, .., x
n
) < T
2
(x
1
, .., x
n
),
luego τ ∈ {T
1
(x
1
, .., x
n
); T
2
(x
1
, .., x
n
)} con probabilidad 1 −α de contener
el verdadero valor del par´ ametro.
Estimaci´ on puntual
Existen 2 problemas:
1. Encontrar m´etodos que nos proporcionen estimadores
2. Seleccionar criterios que nos permitan decidir cuan bueno es un estimador
M´etodos de Estimaci´ on Puntual:
97
98 CAP
´
ITULO 9. MODELOS DE REGRESI
´
ON
1. M´etodos de los momentos: Igualar los momentos muestrales a los pobla-
cionales
Ej: Sea X
1
, ..X
n
m.a(n) con distribuci´ on N(µ, σ
2
) con par´ ametros desco-
nocidos, luego
ˆ µ = ¯ x,
ˆ σ
2
=

(x
i
−¯ x)
2
n
2. M´etodos de M´ axima Verosimilitud.
Funci´ on de Verosimilitud es la funci´ on de densidad conjunta de la distri-
buci´ on de las variables:
f
X
1
,...,X
n
(x
1
, x
2
, . . . , x
n
, θ) = L(x, θ)
L(x, θ) =
n

i=1
f
X
i
(x
i
, θ)
Se define el estimador de m´ axima verosimilitud como el valor del espacio
param´etrico que maximiza la funci´ on verosimilitud luego, EMV de θ
δL

δθ
i
= 0, i = 1, .., k, con L

= Log
c
L
Ejemplo: Si X ∼ Poisson(λ)
P(X = x) =
λ
x
e
−λ
x!
ˆ
λ = ¯ x
Estimaci´ on por intervalo
Si X ∼ N(µ, σ
2
),
µ ∈ (¯ x ±
Z
1−
α
2
σ

n
) con 100(1 −α) % confianza y σ conocido
µ ∈ (¯ x ±
t
n−1,1−
α
2
ˆ σ

n
) con 100(1 −α) % confianza y σ desconocido
σ
2
∈ (

(x
i
−¯ x)
2
χ
2
n−1,1−
α
2
,

(x
i
−¯ x)
2
χ
2
n−1,
α
2
)
Intervalo de confianza para diferencias de medias, suponiendo
σ
2
1
= σ
2
2
= σ
2
µ
x
−µ
y
∈ ((¯ x − ¯ y) ±t
n+m−2,1−
α
2
S
p
(
1
n
+
1
m
)
1
2
) con
9.1. REPASO 99
S
2
p
=

(x
i
−¯ x)
2
n+m−2
+

(y
i
−¯ y)
2
n+m−2
Intervalo de confianza para comparar 2 poblaciones normales in-
dependientes:
m.a (n) ∼ N(µ
1
, σ
2
1
) independiente de m.a (m) ∼ N(µ
2
, σ
2
2
)
Homocedasticidad si
σ
2
1
σ
2
2
= 1, sino heterocedasticidad
σ
2
2
σ
2
1
∈ {F
n−1,m−1,
α
2
ˆ σ
2
2
ˆ σ
2
1
; F
n−1,m−1,1−
α
2
ˆ σ
2
2
ˆ σ
2
1
9.1.2. Distribuciones Importantes
1.

(x
i
−¯ x)
2
σ
2
∼ χ
2
n−1
2.
∼N(0,1)

χ
2
n−1
n−1
∼ t
n−1
9.1.3. Ejemplos:
1. Estimaci´ on del intervalo para una predicci´ on:
Sea una m.a ∼ N(µ, σ
2
). Supongamos que se desea estimar el valor de una
nueva observaci´ on Y independiente de las X
i
generada de una ∼ N(µ, σ
2
).
Como estimador puntual lo natural seria usar ˆ y = ¯ x.
El Estimador por intervalo:
Caso a: Con σ
2
conocido
y ∈ (ˆ y ±Z
α
2
σ
_
1 +
1
n
)
Caso b: Con σ
2
desconocido
y ∈ (ˆ y ±t
n−1,
α
2
S
x
_
1 +
1
n
)
2. Sea una m.a. ∼ N(µ, σ
2
) con σ
2
= 16. Determine el tama˜ no de la muestra
para que la longitud del intervalo sea 1 con confianza del 95 %.
3. Se desea encontrar el intervalo de confianza con 95 % para la varianza de la
cantidad de cierto anest´esico que se necesita para producir anestesia apro-
piada para cirug´ıa. Suponga normalidad con una muestra de 50 valores y
con su varianza de 100mg
2
.
100 CAP
´
ITULO 9. MODELOS DE REGRESI
´
ON
9.1.4. D´ ocimas de Hip´ otesis
Decisi´ on H
0
cierta H
0
falsa
Rechazar H
0
Error Tipo I ok
Aceptar H
0
ok Error Tipo II
P(error Tipo I) = α, P(error Tipo II) = β.
Potencia = P(hacer lo correcto en el sentido del rechazo)
Potencia = P(Rechazar H
0
/H
0
falsa) = 1 −β
Ejemplos:
1. Sea m.a(n) ∼ N(θ, 25), con n = 100, se est´ a en la duda si θ = 17 o θ = 20
Suponga H
0
= θ = 17 v/s H
1
= θ = 20. Calcular las probabilidades de
los errores Tipo I y Tipo II, si la regi´ on cr´ıtica es:
RC = {¯ x > 17 +
5

n
}
a) P(error Tipo I)
P(error Tipo I) = P(Rechazar H
0
/H
0
cierta)
P(error Tipo I) = P(¯ x > 17 +
5

n
/θ = 17)
Si θ = 17, m.a(100) ∼ N(17, 25) y
¯ x ∼ N(17,
25
100
)
Luego,
P(error Tipo I) = P(
(¯ x−17)

n
5
> 1) = 0,158866
b) P(error Tipo II)
P(error Tipo II) = P(Aceptar H
0
/H
0
falsa)
P(error Tipo II) = P(¯ x < 17 +
5

n
/θ = 20)
Si θ = 17, m.a(100) ∼ N(20, 25) y
¯ x ∼ N(20,
25
100
)
Luego,
P(error Tipo II) = P(
(¯ x−20)

n
5
< −
3

n
5
+ 1) = 0
9.2. REGRESI
´
ON LINEAL SIMPLE 101
2. Sea m.a(n) ∼ N(µ, 64). Se desea determinar el tama˜ no de la muestra para
que el error tipo I sea igual al error tipo II e igual al 5 %. Determine la
RC.
3. Un agente de compras de un supermercado compra a un determinado pro-
veedor pollos asados en lotes. El especifica que el peso promedio de los
pollos en un embarque debe ser al menos de 32 onzas. De su experiencia
pasada sabe que la desviaci´ on standard del peso de los pollos de este pro-
veedor es de 1,5 oz. Se le ha sugerido al agente que adopte el siguiente
procedimiento para tomar la decisi´ on: Seleccionar una muestra aleatoria
de 196 pollos por cada embarque: Si el peso promedio de la muestra es de
31.7 oz aceptar, y rechazar en caso que sea menor.
a) Suponga que el est´ a eligiendo entre dos posibles reglas de decisi´ on:
RC
1
= ¯ x < 31,6 v/s RC
2
= ¯ x < 31,4, determine la mejor de ellas.
NOTA: La regi´ on cr´ıtica es mejor mientras cumpla con α al menor β
(mayor potencia).
9.2. Regresi´ on Lineal Simple
An´ alisis de regresi´ on es una herramienta estad´ıstica que utiliza la relaci´ on
entre 2 o m´ as variables cuantitativas, de tal forma que una variable se puede
predecir desde las otras.
9.2.1. Conceptos B´asicos
Un modelo de regresi´ on es un medio formal de expresar los ingredientes
esenciales de una relaci´ on estad´ıstica:
Una tendencia de la variable dependiente Y var´ıa con la variable o variales
independientes en una forma sistem´ atica
Un conjunto de observaciones rodean la curva de la relaci´ on estad´ıstica.
Estas dos observaciones responden a los siguientes supuestos en un modelo
de regresi´ on:
En la poblaci´ on de observaciones asociadas con el proceso muestreado
existe una distribuci´ on de probabilidad de Y para cada nivel de X
El sentido de estas distribuciones de probabilidad var´ıan en alguna forma
sistem´ atica con X
Ejemplo: Cantidad demandada v/s (precio, renta, ..)
Peso v/s (estatura, presi´ on arterial, edad,.. )
102 CAP
´
ITULO 9. MODELOS DE REGRESI
´
ON
Y es dependiente, X
i
variables independientes
El uso del an´ alisis de regresi´ on puede ser para:
descripci´ on
control
predicci´ on
9.2.2. Modelo de Regresi´ on
Formalmente un modelo de regresi´ on se denota como:
Y
i
= β
0

1
X
i
+
i
donde Y
i
es el valor de la variable respuesta en el ensayo i-´esimo
β
0
, β
1
son par´ ametros
X
i
constante, el valor de la variable independiente en el i-´esimo ensayo

i
: error aleatorio con las siguientes propiedades:
E(
i
) = 0, σ
2
(
i
) = σ
2

i
y
j
no correlacionados, COV (
i
,
j
) = 0.∀i, j, i = j
Consecuencias del Modelo
1. E(Y
i
) = E(β
0

1
X
i
+
i
) = β
0

1
X
i
2. V (Y
i
) = V (
i
) = σ
2
3. COV (Y
i
, Y
j
) = 0, ∀i = j
Ejemplo: Dado el siguiente modelo Y
i
= 9,5 + 2,1X
i
+
i
, suponga que en el
i-´esimo ensayo se produjo un lote de X
i
= 45 unidades y el n´ umero de horas
hombre es 108 (Y
i
)
Significado de los Par´ametros
Estimaci´ on de los par´ ametros por m´ınimos cuadrados, es decir, estimar β
0
, β
1
tal que se minimice la suma de los errores al cuadrado, m´ as exactamente, se de-
sea minimizar:
n

i=1

2
i
=
n

i=1
(Y
i
−β
0
−β
1
X
i
)
2
Los par´ ametros estimados son:
9.2. REGRESI
´
ON LINEAL SIMPLE 103
ˆ
β
0
=
¯
Y −
ˆ
β
1
¯
X
ˆ
β
1
=

(x
i

¯
X)Y
i

(x
i

¯
X)
2
Observaci´ on:
R
xy
=

(x
i

¯
X)(y
i

¯
Y )
_

(x
i

¯
X)
2

(y
i

¯
Y )
2
Teorema de Gauss-Markov: Ambos estimadores lineales son inses-
gados y dentro de todos los estimadores lineales insesgados son los de
varianza m´ınima
Respecto a los Residuos
Propiedades:
1. La suma de los residuos es cero

e
i
= 0
2. La suma de los residuos al cuadrado es m´ınima
3. La suma de los valores observados y
i
es igual a la suma de los valores
ajustados
4.

n
i=1
x
i
e
i
= 0
5.

n
i=1
ˆ y
i
e
i
= 0
Varianzas
1. V (
ˆ
β
0
) =
σ
2

x
i
2
n

(x
i
−¯ x)
2
2. V (
ˆ
β
1
) =
σ
2

(x
i
−¯ x)
2
3.
ˆ
σ
2
=

e
2
i
n−2
4. SCT =

(y
i
− ¯ y)
2
5. SCR =

( ˆ y
i
− ¯ y)
2
6. SCE =

(y
i
− ˆ y
i
)
2
7. Coeficiente de Determinaci´ on = R
2
=
SCR
SCT
104 CAP
´
ITULO 9. MODELOS DE REGRESI
´
ON
Inferencias en An´alisis de Regresi´ on
Intervalos de Confianza
1. β
1
∈ {
ˆ
β
1
±t
n−2,1−
α
2
_
V (
ˆ
ˆ
) β
1
}
2. β
0
∈ {
ˆ
β
0
±t
n−2,1−
α
2
_
V (
ˆ
ˆ
) β
0
}
3. E(Y
h
) ∈ {
ˆ
Y
h
±t
n−2,1−
α
2
_
V (
ˆ
ˆ
Y
h
)}
4. Y
h
nuevo
∈ {E(Y
h
) ±Z
1−
α
2
σ} con par´ ametros conocidos
5. Y
h
nuevo
∈ {
ˆ
Y
h
±t
n−2,1−
α
2
_
CME(1 +
1
n
+
(X
h

¯
X)
2

(X
i

¯
X)
2
)
6.
¯
Y
h
nuevo
∈ {
ˆ
Y
h
±t
n−2,1−
α
2
_
CME(1 +
1
n
+
1
m
+
(X
h

¯
X)
2

(X
i

¯
X)
2
)
D´ ocimas de Hip´ otesis en Regresi´ on
1. Si H
0
: β
1
= 0 v/s H
1
: β
1
= 0
RC :
¸
¸
¸
¸
¸
ˆ
β
1

ˆ
V (
ˆ
) β
1
¸
¸
¸
¸
¸
> t
1−
α
2
,n−2
2. Si H
0
: β
1
≤ 0 v/s H
1
: β
1
> 0
RC :
ˆ
β
1

ˆ
V (
ˆ
) β
1
> t
1−α,n−2
3. Si H
0
: β
1
= β
10
v/s H
1
: β
1
= β
10
RC :
¸
¸
¸
¸
¸
ˆ
β
1
−β
10

ˆ
V (
ˆ
) β
1
¸
¸
¸
¸
¸
> t
1−
α
2
,n−2
Tabla de An´alisis de Varianza (ANOVA)
Fuente de Variaci´ on Suma de Cuadrados Grados de Libertad Cuadrados Medios F

Regresi´ on SCR 1
SCR
1
CMreg
CMerror
Error SCE (n −2)
SCE
(n−2)
Total SCT (n −1)
F

sigue una distribuci´ on Fisher (1, n −2)
Si H
0
: β
1
= 0 v/s H
1
: β
1
= 0
RC : {F

> F
(1−α;1;n−2)
}
9.2. REGRESI
´
ON LINEAL SIMPLE 105
Ejemplos
1. Se realiz´ o un estudio sobre los efectos de la temperatura (X) sobre la producci´ on
Y de un proceso qu´ımico. Se recopilaron los siguientes datos:
X -5 -4 -3 -2 -1 0 1 2 3 4 5
Y 1 5 4 7 10 8 9 13 14 13 18
Asumiendo un modelo Y
i
= α +βX
i
+
i
, estime α y β
Construya la ANOVA
Probar con α = 0,05 la hip´ otesis H
0
: β
1
= 0 v/s H
1
: β
1
= 0
Calcular un Intervalo de Confianza para β con α = 0,05
Calcular un Intervalo de Confianza para el verdadero valor medio de Y
cuando X = 3 con α = 0,05
Probar que el rendimiento en el proceso qu´ımico no depende de la tempe-
ratura.
2. La Hi-Ace Company fabrica toda una variedad de v´ alvulas, incluyendo un ti-
po particular que se usa en las refiner´ıas. En los a˜ nos 2000-2001, la empresa
consigui´ o contratos para producir esta v´ alvula. Se desea predecir exactamente
el costo de mano de obra directa para un determinado contrato, es decir, el
problema es el predicir el n´ umero de horas de mano de obra directa que debe
emplear la empresa en la producci´ on. La empresa dispone de los siguientes datos:
Hrs. Tama˜ no Hrs. Tama˜ no Hrs. Tama˜ no
145 5000 141 6000 134 8000
145 4800 149 3000 137 8000
135 9000 131 9300 128 11500
146 3000 126 11500 144 4000
Obtenga estimaciones para el modelo lineal
Construya la ANOVA
Docime H
0
= β
0
¿Es adecuado el modelo planteado?
Al final del a˜ no 2001 a la Hi-Ace Company le fue propuesto un contrato
de 10000 v´ alvulas:
• Obtenga un Intervalo de Confianza del 95 % para la estimaci´ on del
tiempo
• Obtenga un Intervalo de Confianza del 95 % para el promedio de 5
nuevas estimaciones del tiempo
An´alisis de los Supuestos
Problemas:
La funci´ on de regresi´ on no es lineal
Los t´erminos de error no tienen varianza constante
106 CAP
´
ITULO 9. MODELOS DE REGRESI
´
ON
Los errores no son independientes
El modelo no se ajusta para algunos outliers
Los errores no se distribuyen normal
Gr´ aficamente:
Un gr´ afico de los errores e
i
v/s X permite ver si es apropiado el modelo y si la
varianza de los errores se puede suponer constante.
Un gr´ afico de
e
i

CME
permite ver outliers
Tests a Efectuar:
Para Aleatoriedad: Durbin-Watson
Varianza Constante: Fisher H
0
:
σ
2
2
σ
2
1
= 1
Para Normalidad: Kolmogorov-Smirnov
Durbin-Watson
H
0
: ρ = 0 v/s H
1
: ρ > 0
Sea:
D =

n
i=2
(e
i
−e
i−1
)
2

n
i=1
e
2
i
D > d
u
acepta H
0
no est´ an correlaciondos
D < d
l
rechaza H
0
d
l
≤ D ≤ d
u
el test no concluye
Nota: Tabla n´ umero de variables = (p-1)
Kolmogorov-Smirnov
Sea x

1
, x

2
, . . . , x

n
m.a ∼ F(x)
y sea x
1
, x
2
, . . . , x
n
muestra ordenada. Se define:
S
n
(x) =



0 x < x
1
k
n
x
k
≤ x ≤ x
k+1
1 x ≥ x
n
Se supone F(x) conocido
M´ ax
x
|F(x) −S
n
(x)| = D
n
H
0
= F = F
0
v/s H
1
: F = F
0
Rechazar H
0
si D
n
> D
n
α
Para α = 0,05
n D
n
α
> 50
1,36

n
20 0,29
15 0,34
10 0,41
9.2. REGRESI
´
ON LINEAL SIMPLE 107
Ejemplo:
0.621 0.503 0.203 0.710 0.710 0.581 0.329 0.480 0.554 0.32
H
0
= es una distribuci´ on uniforme ∼ U(0, 1)

2

´ Indice general
1. Teor´ de Decisiones ıa 1.1. Introducci´n . . . . . . . . o 1.2. Toma de Decisiones . . . . 1.2.1. Certeza . . . . . . 1.2.2. Incertidumbre . . . 1.2.3. Riesgo . . . . . . . 1.2.4. Arboles de decisi´n o 1.3. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 7 8 8 8 10 13 21

u 25 2. Decisiones con M´ ltiples Objetivos 2.1. AHP: Analytic Hierarchy Process . . . . . . . . . . . . . . . . . . 25 2.2. Ejemplo: Resoluci´n mediante Software Expert Choice . . . . . . 29 o 3. Problemas con M´ ltiples Objetivos u 41 3.1. Optimalidad de Pareto . . . . . . . . . . . . . . . . . . . . . . . . 41 4. Teor´ de Juegos ıa 4.1. Juego de 2 Personas, Suma cero: Puntos de Equilibrio . . . . . . 4.2. Juego de 2 Personas, Suma constante . . . . . . . . . . . . . . . . 4.3. Juegos de 2 Personas sin Punto de Equilibrio . . . . . . . . . . . 4.4. Juegos de 2 Personas con Suma no Constante: Dilema del Prisionero 4.4.1. Aplicaciones del Dilema del Prisionero . . . . . . . . . . . 5. Teor´ de Colas ıa 5.1. Estructura de los Sistemas de Colas . . . . . 5.2. Clasificaci´n de los Sistemas de Colas . . . . o 5.3. Proceso de Entrada . . . . . . . . . . . . . . . 5.3.1. Llegadas . . . . . . . . . . . . . . . . . 5.3.2. Tiempo entre llegadas . . . . . . . . . 5.3.3. Tiempo Acumulado . . . . . . . . . . 5.4. Proceso de Salida . . . . . . . . . . . . . . . . 5.4.1. Tiempo de Servicio . . . . . . . . . . . 5.4.2. N´mero de Unidades Servidas durante u 5.5. Estado Estacionario . . . . . . . . . . . . . . 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . el tiempo t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 43 44 45 48 49 51 51 53 53 54 54 55 55 55 55 55

. . . . Funci´n de impureza f .2. . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . Poblaci´n Infinita: Estad´ o ısticas en Estado Estacionario . . . .1. . . 6. . . . . . . . . Partici´n de los nodos . . . . . . .1. . . . 5. . . . . . . . . . . o 7. . . . . . . . D´cimas de Hip´tesis . . . . . . . . . . . . . .2. . . . . Redes Multiclases .1.1. . . .2. . . . . . . . . . . . . . . . . . .1. . . .1. . o 7. .1. . . . . . . . 99 . . CART . .3. . . . . . . . . . . . . 97 . . . . . . . . . . .5. . . . . . . . 97 . . . . . .1. . . . . . Ejemplos de Modelos de Colas .1. . . . . . . . .1. . . . . . . o a 5. . . . . . .2. . .1. . . . . . . EOQ con demanda incierta . . Teor´ de Inventario Probabilista ıa 8. . .1.7. . . . . . . . . . . .1. . . . .5. . . .9. . . . . . . .2. . Algoritmo Crear-Arbol-de-Clasificaci´n . . . . . . . . . 8. . . Modelos de Inventario . . . . . . . . . . . . . .1. . . . . . . . 6. . . 5. 7. . . .9.1. . . . . . .1. . . . . . . . . . . . . . . .9. . . . . . Distribuciones Importantes 9. . . . . . . Colas con Prioridades . . o 7.3. . Modelo con Ordenes Pendientes. . . . . . . . .3. . . . . . . . . . . . . . . . Arboles de Clasificaci´n o 7. . 9. 8. . . . . See5 . . . . . . . . . . . . . . . . . .1. . . . . . . o o . . . . . . . . . .9. . . . . . . . 9. . . . . .1. . . . . . . . . . . . u 5. . .1. .5 . Colas con Restricciones . . . . . . Ejemplos: . . . . 97 . . Repaso . . . . . . .8. . . . . . . 9. . . . . . . . . . . 6. . . . Ejercicios Propuestos . . . . .3. . .3. .2. . . . . . . . . .4 ´ INDICE GENERAL 5. 7. . . Sistemas con una sola Cola. . . .1. . . Redes Abiertas con restricciones de Poblaci´n o 6. ¿C´mo saber qu´ tan bueno es este arbol? o e ´ 7.1. . . . . . . . . . . . . . . . . 56 56 57 57 60 60 61 62 63 65 65 65 67 67 69 69 71 77 77 78 78 78 78 79 79 79 80 81 89 89 89 91 93 95 6. .2. . . . . . . . 8. . . . . . Modelos de Regresi´n o 9. . .1. Introducci´n . Propiedades: . . . . .2. 8. . . . . . . . . . . . . .2. . . Modelos de Redes de Colas 6. . . . 6. . . . . . . 5. . . Redes Cerradas . Caso de Prueba: Nacionalidad . . . . Redes de colas con capacidad limitada . . . . . . . . . . o a 9. . . . 99 . . . . . 100 . . . .4. . .2. . . . . . . .4.1. . . . Tipos de Redes de Colas . . . .6.2. . . . . . . . . . Sistemas Poisson Exponencial con un s´lo canal con cola o truncada . . . . . . . . . . . . . . . . o 7. . . . .1. F´rmulas Matem´ticas . . . . . . . . . . . . . . . o 7. . . . . . 7. . . Propiedades de un sistema con un s´lo canal . . . Redes Abiertas . . .1. Repaso . . .1. . . . Declaraci´n de un nodo terminal . . . . . . . . . . .8. . . . . . . . . . . . Ejemplo: Resoluci´n mediante CART y C4. . . . . . . . 8. . . . . . . . . . . . . . . .4. Sistemas con M´ltiples Servidores . . . . . .1. o 5. . . . .2. . .6. . . . . . . . .1. . . . . . 6. Estimaci´n de Par´metros . . . . o 7. . . . . .1. .10. . . . . . . Sistemas Poisson Exponencial con pocas llamadas (llegadas) 5. . . .

. . . . 101 a 9. . . . . . . . . 101 o 9. . . . . . . . . .1. . . Modelo de Regresi´n . . . . . . .2. . . . . . . . . . .2. . . . . . . . Regresi´n Lineal Simple .´ INDICE GENERAL 5 9. . Conceptos B´sicos . . . . .2. 102 o . . . .2. . . . . . . . . .

6 ´ INDICE GENERAL .

.. dn . d2 . Decisi´n o d1 d2 .1: Matriz de Ganancias Los valores rij son las ganancias (o p´rdidas) para cada posible combinaci´n e o de decisi´n con respecto al estado de la naturaleza. Por ejemplo. r2m .. Esto se refiere a una situaci´n donde o el resultado (ganancia... m . Esta condici´n distingue la teor´ de decisi´n de o o o ıa o la teor´ de juegos. Es importante darse cuenta que en este modelo la ganancia (p´rdida) concierne e s´lo al tomador de la decisi´n.....1.. Digamos di ... si la decisi´n es de llevar o no paraguas.. Introducci´n o Teor´ de Decisi´n trata de decisiones (Cursos de Acci´n) con respecto a ıa o o la naturaleza (Estados de la Naturaleza).1).. o la ganancia (llueve o no llueve) depende de lo que ocurre en la naturaleza. r1m . .. La informaci´n fundamental para los problemas en teor´ de decisi´n se encueno ıa o e tra representada en una matriz de ganancias (p´rdidas)(Tabla 1. 7 .Cap´ ıtulo 1 Teor´ de Decisiones ıa 1... rn1 rn2 la Naturaleza . El proceso de decisi´n es el o o siguiente: El tomador de decisiones selecciona una de las posibles decisiones d 1 ... . rnm Cuadro 1. .. p´rdida) de una decisi´n depende de la acci´n de otro e o o jugador (la naturaleza).. dn Estado de 1 2 r11 r12 r21 r22 .. En la teor´ de juegos ambos jugadores est´n interesados en ıa ıa a el resultado.

1. 1.2.2. el criterio se puede ree sumir como: Mejor (Peor) Para cada Curso de Acci´n busco la peor ganancia (costo) que puedo cono seguir y de entre ´stos valores elijo la / el mejor. La decisi´n depender´ del comportamiento del tomador de decisiones o a con respecto a la naturaleza. el problema de decisi´n puede ser formulado o o como: max r(d) sujeto a la factibilidad de las restricciones sobre d . Digamos e o el estado j. es decir al estado de la naturaleza que sucede. Si a esas posibles decisiones se representan mediante un vector d y la ganancia por la funci´n con valores reales r(d). 1. Diferentes suposiciones acerca del comportamiento de la naturaleza conducir´n a a diferentes formas de seleccionar la mejor decisi´n. Luego. En la pr´ctica. ocurre un estado de la naturaleza.2. Si creemos que ocurrir´ el estado de la naturaleza j seleccionaremos. TEOR´ DE DECISIONES IA Despu´s de tomar la decisi´n.2. El problema del tomador de decisiones consiste en determinar ¿que decisi´n o tomar?. pueden haber infinitas posibles decisiones. naturalmente a la decisi´n di que est´ asociada al mayor valor de rij en la columna j de la o a matriz de ganancias. Toma de Decisiones Certeza Se da cuando se conoce con un 100 % de certeza los Estados de la Naturaleza. La ganancia recibida por el tomador de decisiones es r ij .1. o Si supieramos cu´l estado de la naturaleza ocurrir´. e . simplemente seleccionar´ a a ıamos la decisi´n que nos lleva a obtener una mayor ganancia para ese conocido estado o de la naturaleza. Incertidumbre Se da cuando los Estados de la Naturaleza son desconocidos Existen cuatro m´todos: e Maximin (Pesimista): Considera siempre disminuir las p´rdidas.8 CAP´ ITULO 1.

2: Matriz de Ganancias Donde Ai = Cursos de Acci´n o Si = Estados de la Naturaleza Suponiendo que debemos tomar una decisi´n bajo incertidumbre. tenemos: o . e Laplace: Considera todos los Estados de la Naturaleza como equiprobables.2. la cual representa para cada Estado de la Naturaleza lo que dejo de ganar por no elegir otro Curso de Acci´n. Costo de Oportunidad: En este caso es necesario construir la Matriz Costo de Oportunidad. o Se elige aquel Curso de Acci´n que presente en total menor costo de oporo tunidad. TOMA DE DECISIONES Maximax (Optimista): 9 Considera siempre aumentar las ganancias. Luego. Dada la Matriz de ganancias (costos) se calcula la Esperanza de cada Curso de Acci´n con respecto a los Estados de la Naturaleza posibles y se elige la o que provee mayor ganancia. Ejemplo: Considere la siguiente Matriz de Ganancias: S1 200000 150000 100000 S2 -20000 20000 60000 A1 A2 A3 Cuadro 1. el criterio se puede resumir como: Mejor (Mejor) Para cada Curso de Acci´n busco la mejor ganancia (costo) que puedo o conseguir y de entre ´stos valores elijo la / el mejor.1.

3: Matriz de Costo de Oportunidad ⇒ A1 1. ERi viene dado por: o . (A2 . TEOR´ DE DECISIONES IA Mejor((A1 . 60000)) ⇒ A3 Maximax: Mejor((A1 .2.3. Si el tomador de decisiones toma la decisi´n di . (A3 . (A2 .10 Maximin: CAP´ ITULO 1. 150000). 200000). −20000). 100000)) ⇒ A1 Laplace: E[A1 ] = E[A2 ] = E[A3 ] = ⇒ A1 Costo de Oportunidad: Matriz de Costo de Oportunidad: S1 0 50000 100000 S2 80000 40000 0 200000−20000 2 150000+20000 2 100000+60000 2 = 90000 = 85000 = 80000 A1 A2 A3 Cuadro 1. 20000). (A3 . Riesgo Se supone que hay m´s que un estado de la naturaleza y que el tomador a de decisiones conoce la probabilidad de ocurrencia de cada estado. Sea p j la probabilidad de que ocurra el estado j.

4: Matriz de Ganancias Problema del Vendedor de Peri´dicos o Ahora se deben calcular los valores esperados para cada posible decisi´n. ıa. Asuma que cada peri´dico le cuesta 15 ıa e o centavos y los vende a 50 centavos cada uno. primero se construye la matriz de ganancias (Tabla 4. Donde rij es la ganancia cuando se compran i peri´dicos y o ocurre una demanda j. y que la siguiente distribuci´n o de probabilidades es conocida p0 = P rob{demanda = 0} = 2 10 4 p1 = P rob{demanda = 1} = 10 3 p2 = P rob{demanda = 2} = 10 1 p3 = P rob{demanda = 3} = 10 ¿Cu´ntos peri´dicos deber´ comprar el vendedor cada d´ al cami´n de a o ıa ıa o entrega? Soluci´n o Para resolver este ejercicio. Los peri´dicos sobrantes ıa. TOMA DE DECISIONES 11 Se debe tomar la decisi´n di que maximiza ERi o Ejemplo Problema ERi = ri1 · p1 + ri2 · p2 + . + rim · pm Consideremos como ejemplo el problema del vendedor de peri´dicos: un o vendedor de peri´dicos compra ´stos al cami´n de entrega al inicio de o e o cada d´ Durante el d´ vende estos peri´dicos. Estado de 0 1 0 0 -15 35 -30 20 -45 5 la Naturaleza 2 3 0 0 35 35 70 70 55 105 Cursos de Acci´n o 0 1 2 3 Cuadro 1. o o al final del d´ constituyen p´rdidas.. o ER0 = 0 · ( 2 4 3 1 )+0·( )+0·( )+0·( )=0 10 10 10 10 ..2).1.2.

dinero). lo que significa que sienten que perder x d´lares es m´s valioso que el beneficio de ganar la misma cantidad. Si la demanda fuese conocida con anticipaci´n antes que la decisi´n de compra se tome.5 10 10 10 10 EV P I = 45. As´ en lugar de trabajar o o ı. se trabaja con una matriz de ganancias que contiene valores de utilidades. El hecho que el vendedor o de peri´dicos deba tomar la decisi´n antes que la demanda ocurra tiene o o un impacto considerable en sus ganancias. o con una matriz de pago medidas en d´lares (pesos. . Si pudiera conocer la demanda anticipadamente cada d´ y entonces comprar el n´mero correspondiente ıa u de diarios para ese d´ su ganancia esperada aumentar´ en una cantidad ıa. + uim · pm sobre todos los i. producir resultados inaceptables. As´ calculamos el valor esperado de la informaci´n perfecta EV P I para ı.. Esta funci´n se denomina funci´n de utilidad. La teor´ de decisi´n ıa o o o enfrenta este problema construyendo una funci´n de atracci´n del dinero (o de utilidad del dinero). algunas veces. el valor esperado de la ganancia ser´ o ıa: 0·( 4 3 1 2 ) + 35 · ( ) + 70 · ( ) + 105 · ( ) = 45. o o para determinar qu´ estado de la naturaleza ocurrir´ en una amplia gama e a de aplicaciones. r ij .5 − 30 = 15. El valor esperado de la informaci´n perfecta indica la o ganancia esperada de cualquiera de esos intentos y as´ representa una cota ı ıan o superior sobre la cantidad que deber´ gastar en obtener esa informaci´n. TEOR´ DE DECISIONES IA 4 3 1 2 ) + 35 · ( ) + 35 · ( ) + 35 · ( ) = 25 10 10 10 10 2 4 3 1 ER2 = −30 · ( ) + 20 · ( ) + 70 · ( ) + 70 · ( ) = 30 10 10 10 10 2 4 3 1 ER3 = −45 · ( ) + 5 · ( ) + 55 · ( ) + 105 · ( ) = 20 10 10 10 10 El m´ximo sucede cuando el vendedor de diarios compra 2 peri´dicos al a o cami´n de entrega. La decisi´n optima di ser´ la que maximice la utilidad esperada EUi = ui1 · p1 + ui2 · p2 + . o o nuestro problema. Esto se debe a que hay riesgos que no se han tomado en cuenta.. Millones de d´lares se gastan en proyectos de investigaci´n de mercados. digamos o ´ a uij .5 Debe notarse que el criterio de maximizar la ganancia esperada puede.12 ER1 = −15 · ( CAP´ ITULO 1. Su valor esperado es de 30. La mayor´ de las personas son ıa o a reticentes al riesgo. ıa conocida en t´rminos t´cnicos como el valor esperado de la informaci´n e e o perfecta (expected value of perfect information (EV P I)).

2.45) − 8 · (0.45) + 15 · (0.85 ERC = 5 · (0.1.2.55 respectivamente.55) = 12. como en la figura 1. Se consideran tres estrategias. las cuales denominaremos: A (agresiva). o . B (b´sica) y C (precavida).10 ERB = 20 · (0.45 y 0.5: Estimaciones de Estrategias de Marketing de ABC Adem´s.5 La decisi´n optima es seleccionar B. Las condiciones del mercado bajo estudio a se denotan mediante S (fuerte) o W (d´bil). o ´ Una manera m´s conveniente de representar este problema es usando arboa ´ les de decisi´n. Arboles de decisi´n o Ejemplo: Compa˜´ ABC nıa Problema La Compa˜´ ABC ha desarrollado una nueva l´ nıa ınea de productos.55) = 10. TOMA DE DECISIONES 13 1.1.3. ¿Cu´l ese a trategia deber´ ser escogida? ıa Soluci´n o Se puede calcular el valor esperado para cada decisi´n y seleccionar la o mejor: ERA = 30 · (0. la Administraci´n tambi´n estima que las probabilidades de que a o e el Mercado sea fuerte o d´bil son 0. o Decisi´n o A B C Estado de la Naturaleza S W 30 -8 20 7 5 15 Cuadro 1. Las mejores estimaciones de e la Administraci´n para cada caso se muestran en la tabla 4.4. La Administraci´n debe decidir una estrategia de marketing y producci´n adeo o cuada.55) = 9.45) + 7 · (0.

Ver la figura 1. La Administraci´n debe resolver un problema m´s simple que es el de o a elegir la alternativa que lleva al valor esperado m´s alto del nodo terminal. las ramas terminales se llevan hacia atr´s calculando un valor esperado para cada nodo a terminal. Primero. a De esta forma un arbol de decisi´n provee una forma mas gr´fica de ver ´ o a el problema. a An´lisis de Sensibilidad a . y cada l´ o ınea abandonando el cuadrado representar´ una posia ble decisi´n. Esto se llama retornando el arbol. y cada l´ ınea abandonando el c´ ırculo representar´ un posible a acontecimiento.14 CAP´ ITULO 1.2.1: Arbol de decisi´n para la Compa˜´ ABC o nıa Nomenclatura Un nodo cuadrado representar´ un punto en el cual se debe tomar una a decisi´n. Se utiliza la misma informaci´n que antes y se realizan los o mismos c´lculos. TEOR´ DE DECISIONES IA Figura 1. El proceso de usar un arbol de decisi´n para encontrar la decisi´n optima ´ o o ´ se denomina resolver el arbol. Un nodo c´ o ırculo representar´ situaciones cuyas ocurrencias a son inciertas. Para resolver el arbol se trabaja desde atr´s ´ ´ a ´ hacia adelante.

2: Arbol de decisi´n reducido para la Compa˜´ ABC o nıa El valor esperado de la estrategia A es: ERA = 30 · P (S) − 8 · P (W ) o lo que es lo mismo. ERA = 30 · P (S) − 8 · (1 − P (S)) = −8 + 38 · P (S) As´ el valor esperado es una funci´n lineal de la probabilidad que las ı.2.3). o condiciones del mercado sean fuertes. .1. TOMA DE DECISIONES 15 Figura 1. An´logamente: a ERB = 20 · P (S) + 7 · (1 − P (S)) = 7 + 13 · P (S) ERC = 5 · P (S) + 15 · (1 − P (S)) = 15 − 10 · P (S) Se pueden dibujar esas tres funciones lineales sobre el mismo conjunto de coordenadas (ver figura 1.

la estrategia agresiva A ser´ la optima.348.348 y P (S) = 0.16 CAP´ ITULO 1.6. Dentro de un mes. En el pasado. por otro lado si P (S) est´ sobre ´ a 0. TEOR´ DE DECISIONES IA Figura 1.000. este grupo puede informar si el estudio fue alentador (E) o desalentador (D). Por otro lado. dichos estudios han tendido a se˜alar la direcci´n correcta: Cuando el mercado n o tiende a ser fuerte.3: Valor esperado en funci´n de P(S) o Este diagrama muestra que la Compa˜´ ABC debe seleccionar la estranıa tegia b´sica (estrategia B) cuando la probabilidad de una demanda fuerte a esta entre P (S) = 0. ¿Convendr´ que la administraci´n decida ordenar el estudio de mercado a o o no? .6. los estudios fueron alentadores el 30 % de las veo e ıa ces y desalentadores el 70 % de las veces. Sin embargo. cuando el mercado result´ d´bil. dichos estudios resultan alentadores el 60 % de las veces y fueron desalentadores el 40 % de las veces. Dicho estudio costar´ $500. lo optimo es elegir la estrategia C. la Administraci´n de a o ABC tiene la opci´n de pedir al grupo de investigaci´n de marketing un o o estudio de mercado. si P (S) cae bajo 0. ıa ´ Decisiones Secuenciales Problema A pesar de lo atrayente de la estrategia b´sica B.

Hay dos resultados posibles.45) + (0. Ver figura 1. la probabilidad de E es 60 % y la probabilidad de D es 40 %. Dado S. TOMA DE DECISIONES Soluci´n o 17 Construyamos el arbol de decisi´n para este problema de decisi´n secuen´ o o cial.55) = 0.6 P (D/S) = 0. Es importante darse cuenta que el arbol se creo en el ´ orden cronol´gico en el cual la informaci´n est´ disponible.6) · (0.4 P (E/W ) = 0.7 • Tomar decisi´n o • Test decisi´n o Adem´s se sabe que P (S) = 0.4.55) = 0. La secuencia o o a de eventos es: • Resultado del Test (si hubo) • Condici´n del mercado.2.. Esa es toda la infora maci´n que se requiere para calcular P (E) y P (D). An´logamente.55.3 P (D/W ) = 0.. Movi´ndose a trav´s de la rama Test. o El nodo de m´s a la izquierda corresponde a la decisi´n de hacer test o no a o hacer el test. el siguiente nodo a la e e derecha es un c´ ırculo.7) · (0.45 y P (W ) = 0.. ¿C´mo calcular esas probabilidades? o Aqu´ son importantes las nociones de probabilidades. o S2 .435 y P (D) = P (D/S) · P (S) + P (D/W ) · P (W ) = (0.4) · (0.. la probabilidad de E es de 30 % y la a probabilidad de D es de 70 %.. Las probabilidades de estos dos eventos son P (E) y P (D) respectivamente.565 .1. ya que este corresponde a un evento incierto. Para los eventos S 1 . Esas probabilidades condicionales pueden escribirse como: P (E/S) = 0. El test puede ser alentador (E) o desalentador (D). La informaci´n dada ı o es condicional..45) + (0. se sabe que dado W .Sn que comparten el espacio posible de acontecimientos y un evento T .3) · (0. + P (T /Sn ) · P (Sn ) que para el problema viene a ser: P (E) = P (E/S) · P (S) + P (E/W ) · P (W ) = (0. se tiene P (T ) = P (T /S1 ) · P (S1 ) + P (T /S2 ) · P (S2 ) + .

TEOR´ DE DECISIONES IA Figura 1.4: Arbol de Decisi´n para Test versus No-Test o .18 CAP´ ITULO 1.

correspondiendo a tres estrategias de marketing y producci´n.621 P (E) (0. Se vuelve a hacia atr´s desde un nodo circular calculando los valores esperados.96 millones de d´lares. o M´s a la derecha los nodos circulares corresponden a condiciones inciertas a del mercado: d´bil o fuerte.682 a Ahora.2. estamos listos para resolver el arbol de decisi´n. El valor esperado cuando se realiza un estudio de mercado es de 12. Se a vuelve hacia atr´s de un nodo cuadrado seleccionando la decisi´n que tiea o ne el mejor valor esperado. 1. Como antes. La probabilidad de esos dos eventos ahora es e condicional a los eventos inciertos que ocurrieron previamente.435) An´logamente P (W/E) = 0. P (S/D) = 0.1.7. esto ´ o se hace de atr´s hacia adelante. Ver las figuras 1. TOMA DE DECISIONES 19 En la medida que nos movemos a la derecha del arbol de decisi´n.379. Para ello se utiliza la siguiente f´rmula: o P (R/T ) = P (T /R) · P (R) . Para el ejemplo se tiene a P (S/E) = P (E/S) · P (S) (0.6 y 1.45) = = 0. P (S/D) y P (W/D). As´ el estudio debe ser llevado a cabo.5.6) · (0. Esto significa que se necesita calcular las siguientes probabilidades condicionales: P (S/E).318 y P (W/D) = 0. ı . cuando ese estudio se llevo a cabo. digamos a los resultados del estudio de mercado. los si´ o guientes nodos son cuadrados. P (T ) la que es v´lida para los dos eventos R y T. P (W/E). lo que es mayor que cuando o no se realiza el estudio.

comparemos el valor esperado del estudio (denotado por EV SI).5: Resolviendo el Arbol Finalmente.61 . TEOR´ DE DECISIONES IA Figura 1. as´ ı EV SI = (12.85 = 0.20 CAP´ ITULO 1.96 + 0. e EV SI se calcula sin calcular el costo del estudio. lo cual corresponde al valor esperado de la informaci´n muestral (en ingl´s o e expected value of sample information) al valor esperado de la informaci´n o perfecta (en ingl´s expected value of perfect information) EV P I.5) − 12.

Si lo fuera el valor de EV SI deber´ ser mucho m´s cercano al valor de EV P I.3. Ella n sabe que su marido generalmente es una persona f´cil de tratar. Pero ıa a su EV SI es mayor que su costo.3.7: Resolviendo el Arbol 1. Ana Mar´ es una due˜a de casa muy profesional.6: Resolviendo el Arbol Figura 1. as´ es que conviene realizarlo. EJERCICIOS PROPUESTOS y 21 Se puede ver que el estudio de mercado no es muy efectivo. a n´ ıa .55) − 12.45) + (15) · (0.90 Figura 1. ı EV P I = (30) · (0. Ejercicios Propuestos 1. pero en a ocasiones est´ un poco gru˜on y en otras con una alegr´ extraordinaria. Esto significa que ella ıa n planifica sus actividades hogare˜as de una forma racional y coherente.1.85 = 8.

10.”. Ella llamar´ a su esposo a las 16h00 horas y le contar´ una historia e o o comenzando con “Adivina qu´ pas´ cuando me par´ un carabinero en el sem´foro. Cada art´ ıculo defectuoso se repara a mano a un costo de US $1 por art´ ıculo.22 CAP´ ITULO 1.3. La tabla 4. puede ser la c´mara indiscreta? a Ella cree que si su marido est´ gru˜on su respuesta ser´ Resp 1. aunque requieran m´s tiempo y sean mas caras. Ella llam´ a su marido y respondi´ Resp 2: o o ¿Cu´l podr´ ser su men´ para hoy? a ıa u ¿En cu´nto aument´ ella la utilidad esperada para hoy? a o ¿Cu´l ser´ el men´ usando el criterio Maximin? a ıa u 2.6 y si est´ f´cil de tratar la probabilidad de a a Resp 2 es 0. En e a n´ a los d´ que su marido est´ f´cil de tratar.2. la fracci´n de art´ o o ıculos defectuosos ser´ de 0.5 y si est´ alegre su respuesta ser´ Resp 1 con probabiliad a a 0. prefiere preparar exquisiteces en aquellos d´ ıa ıas en que ´l est´ gru˜on.. Si est´ alegre la probabilidad de Resp 2 es 0.20. si est´ f´cil de tratar su respuesta ser´ Resp 1 con a a a probabilidad 0.6: Utilidad de la comida seg´n estado de animo u ´ Ellos llevan casados 12 a˜os. Los art´ o ıculos se producen en lotes de 100 (total de art´ ıculos buenos y malos).10. TEOR´ DE DECISIONES IA Ana Mar´ con mucho tacto.. con a n´ a probabilidad 0. Un gerente de planta tiene la opci´n de tener un proceso en su planta o instalado por su operador de proceso o por un instalador. tiempo suficiente para saber que su esposo n el 60 % de las veces es una persona f´cil de tratar y que el 15 % de las a veces est´ gru˜on.00 adicionales hacer o que el instalador realice la instalaci´n. Si el proceso es colocado por el instalador. Si el operador de proceso realiza su propia instalaci´n. 0. con una hamburguesa basta y ıas a a cuando est´ alegre ´l le ayuda a preparar los biftecs.4 muestra a e su matriz de utilidad de la comida: Genio/Men´ u Alegre F´cil de Tratar a Gru˜on n´ Exquisitez 30 65 100 Bistec 80 50 70 Hamburguesa 60 90 0 Cuadro 1. el a gerente de planta puede tener seguridad que el proceso producir´ art´ a ıculos con una fracci´n defectuosa de 0. Hoy Ana Mar´ ha decidido hacer el siguiente experia n´ ıa a a mento. 0. .40. Cuesta US $12.3. ella piensa que probablemente ´l le responder´ de una de las a e a siguientes formas: Resp 1: ¿Llamaste al abogado y al agente de seguros? Resp 2: ¡¡Te lo dije!! Resp 3: ¿Recordaste sonreir.2 y si est´ gru˜on la a a n´ probabilidad de Resp2 es 0.

1 Cuadro 1. Dos art´ ıculos han sido producidos e inspeccionados.3. Se piensa que si esta capa alcanza cierto nivel cr´ ıtico de part´ ıculas.4 0. Si se produce emergencia.4 Frecuencia relativa de la fracci´n defectuosa o 0. emergencia significa un costo en la salud . como un problema de incertidumbre.85. Por lo tanto.1.1. Si NO se produce emergencia la probabilidad que las estaciones NO hallan detectado el nivel cr´ ıtico es de 0. Para enfrentar el problema de contaminaci´n en Santiago se est´ propoo a niendo utilizar nuevas estaciones de monitoreo para medir el crecimiento de la capa de smog.2 0. Para cada principio de elecci´n. con el objetivo de que no se produzca el estado de emergencia. recomiende si el proceso deber´ o ıa ser instalado por el operador de proceso o por el instalador. o Suponga que el proceso ha sido instalado por el operador de proceso. Fracci´n Defectuosa de o art´ ıculos producidos 0.2. el cual se ha estimado en US $1000 / d´ Hasta ahora. el estado de emergencia se ha producido con ıa. en el caso en que las estaciones de monitoreo detecten ese nivel cr´ ıtico se tomar´ la decisi´n de aplicar un plan ALFA (de alerta ıa o ambiental). EJERCICIOS PROPUESTOS 23 Seleccione y exprese dos principios de elecci´n que sean adecuados para o resolver el problema del gerente de planta.2. Suponga que con base en informes de comportamiento pasado. Por otra parte. el gerente de planta encuentra que las instalaciones realizadas por el operador de proceso han conducido a diversas fracciones defectuosas con las frecuencias relativas mostradas en la tabla 4. en los d´ que siguen se llegar´ a un estado de emergenıas ıa cia. la probabilidad que las estaciones NO hallan detectado el nivel cr´ ıtico es de 0. una frecuencia de 0.5 0.7: Fracciones defectuosas y frecuencias relativas Determine la mejor elecci´n. ¿debe el gerente de planta dejar que el operador a complete el resto del lote o debe hacer que el proceso sea establecido por el instalador? 3. El costo de operaci´n de las estaciones es de US $500 / d´ El estado de o ıa.1 0.4. Si uno de los dos art´ ıculos est´ defectuoso. ¿Conviene o no instalar las nuevas estaciones? . el plan ALFA es eficaz el 90 % de la veces.

24 CAP´ ITULO 1. TEOR´ DE DECISIONES IA .

.1: Matriz A 25 O2 O3 O4 O5 . en la mayor´ de los problemas ´ ıa de decisi´n de la vida real surgen varios objetivos que se desean lograr al tomar o una decisi´n.Cap´ ıtulo 2 Decisiones con M´ ltiples u Objetivos 2. es decir. On Cuadro 2. Para utilizar AHP se requiere: Paso 1: Identificar el conjunto de objetivos que se desean alcanzar.. Sin embargo. On . las diversas alternativas de cursos de acci´n que se tienen. o Paso 2: Establecer la importancia relativa entre los objetivos. una cuantificaci´n que permita identificar qu´ objetivo es m´s importano e a te y respecto a cu´l otro objetivo. Para ello se construye una tabla de a preferencias relativas A entre los distintos objetivos: O1 O1 O2 O3 O4 O5 .1. o a AHP permite vizualizar en forma ordenada y jer´rquica las preferencias de cada uno de los objetivos involucrados... AHP: Analytic Hierarchy Process Hasta ahora nos hemos concentrado en la Toma de Decisiones bajo riesgo considerando un unico objetivo.

1 Obtener el vector V por la multiplicaci´n de A por el vector o de pesos relativos W .4. • Paso 8.4 Calcular el Indice de Consistencia por: CI = Paso 8.2 Dividir cada valor en V por su correspondiente valor en W. luego la columna correspondiente a la columna Oi normalizada se obtiene de dividir la columna Oi por Si . u Paso 5: Para cada objetivo Oj construir una matriz Bj de preferencias relativas entre los cursos de acci´n con respecto a Oj. • Paso 8.26 ´ CAP´ ITULO 2.6.2 por n. o Paso 6: Construir la tabla que relaciona los n objetivos con los m cursos de acci´n. DECISIONES CON MULTIPLES OBJETIVOS De acuerdo a la escala de la siguiente tabla (Tabla 2. dividir el resultado por n (el n´mero de objetivos). o Paso 7: Identificar la mejor decisi´n: Calcular para cada curso de acci´n o o el grado de satisfacci´n con respecto a los objetivos. dividiendo el resultado por m (el n´mero de cursos u de acci´n). Normalizar Bj o (an´logamente que el Paso 3). • Paso 8.2: Escala de Ponderaciones Paso 3: Normalizar A: Sea Si la suma de la columna Oi en A.8 Significado igual Oi > Oj Oi >> Oj Oi >>> Oj Oi >>>> Oj intermedios Cuadro 2. usando los datos obtenidos en el Paso 5. multiplicando cada o fila de la matriz del Paso 6 por el vector de pesos relativo de los objetivos obtenido en el Paso 4. Paso 4: C´lculo del vector W de los pesos o grados de importancia relaa tivos: Sumar cada fila Oi de la matriz A normalizada.3 Dividir la suma de los valores obtenidos en el Paso 8. Calcular los pesos relativos usando la maa triz Bj normalizada. Paso 8: Calcular el ´ ındice de consistencia relativo • Paso 8.2): Valor 1 3 5 7 9 2.3 − n n−1 .

58 0. n 2 3 4 5 6 7 8 9 10 Indice 0 0.4: Importancias relativas de los Objetivos Luego W = [ 0.51 Cuadro 2.4): O1 1 1 5 1 2 1 4 O1 O2 O3 O4 O2 5 1 2 2 O3 2 1 1 2 1 2 O4 4 2 1 1 2 Cuadro 2. AHP: ANALYTIC HIERARCHY PROCESS 27 • Paso 8.3: Tabla de Indices de Consistencia Ejemplo Problema: Elecci´n de Trabajo o Usted desea elegir un trabajo y desea cumplir b´sicamente con 4 objetivos: a • Objetivo 2: Calidad de vida en la ciudad de su trabajo • Objetivo 4: Cercan´ familiar y amistades ıa • Objetivo 1: Buen sueldo al comienzo • Objetivo 3: Inter´s del trabajo e Tiene en vista tres trabajos. los cuales cumplen en diferente medida los objetivos que usted se plante´.3).24 1.5 Comparar CI con el valor de la tabla de indices de consistencia (Tabla 2.2433 0.9 1.41 1. Suponga la siguiente tabla de importancias relativas de los objetivos (Tabla 2.32 1.45 1.2.12 1.1.0986 0.5115 0. o ¿Que trabajo satisface en mejor forma sus requerimientos? Soluci´n o 1.1466 ] .

28 ´ CAP´ ITULO 2.669 T2 1 1 3 1 7 T3 3 1 0.088 d ) Objetivo 4 B4= T1 1 7 3 0.252 T2 1 3 1 2 T3 1 3 1 3 1 0.069 T1 1 4 7 0.286 T1 T2 T3 W2=[ 0. Suponga las siguientes tablas de importancias relativas de los cursos de acci´n por cada objetivo: o a) Objetivo 1 B1= T1 1 1 2 1 4 T1 T2 T3 W1=[ 0.589 ] T1 T2 T3 W3=[ 0.506 ] 1 7 .571 b) Objetivo 2 B2= T2 2 1 1 2 T3 4 2 1 0.243 ] 1 3 T1 T2 T3 W4=[ 0.159 c) Objetivo 3 B3= T1 1 2 3 0. DECISIONES CON MULTIPLES OBJETIVOS 2.143 ] 0.426 T2 1 2 1 4 T3 2 1 0.

3959 0.339 0. experiencia del grupo de trabajo.986 0.5933 + + + 0. ´ o Se propone efectuar la selecci´n entre. Grado de Inconsistencia a) A · W T = [2.2433 0. entre las que se incluyen las siguientes: .2. 10 empresas considerando al menos 7 objetivos estructurados jer´rquicamente.05 − 4 = 0.265 Luego.1466 4. contactos y cualquier otro criterio que usted estime util para su caso paricular.017 3 = 4.0775 b) 1 · 4 c) CI = d ) De la tabla se tiene 0.5933] 2. Expert Choice se utiliza en muchos tipos de aplicaciones. a Acerca de Expert Choice: Muchos negocios y agencias de gobierno en todo el mundo utilizan Expert Choice para estructurar.571 + 0.088 · 0.9894 0.2. lo mejor es el Curso de Acci´n 2.´ 2.2433 + 0. al menos . flexibilidad horaria. incentivo monetario. que le entregue la mayor a satisfacci´n con respecto a m´ltiples criterios.019 0.3959 0. Algunos de los criterios a consio u derar pueden ser prestigio. Elecci´n de Curso de Acci´n o o Cursos de Acci´n: o T1 = T2 = T3 = 0.069 = 0.0775 0. Ejemplo: Resoluci´n mediante Software Exo pert Choice Problema: Elecci´n Pr´tica o a Considere el problema de elegir la mejor pr´ctica. experiencia del supervisor.017 = 0. justificar y optimizar decisiones grupales cr´ ıticas. lugar.5115 0.5115 · 0. o 4. perspectivas.1466 · 0.396 0.0986 + 0. EJEMPLO: RESOLUCION MEDIANTE SOFTWARE EXPERT CHOICE29 3.9 2.159 · 0.9894 0.05 0.

30 ´ CAP´ ITULO 2. DECISIONES CON MULTIPLES OBJETIVOS Asignaci´n de Recursos o Gesti´n de Recursos Humanos o Planificaci´n Estrat´gica Gesti´n de Portafolio Tecnol´gico o e o o Gesti´n de Producci´n y Operaciones An´lisis Costo / Beneficio o o a Toma de Decisiones M´dicas e Soluci´n: o Cursos de Acci´n: o Para la resoluci´n del problema se consideran las siguientes Empresas: o Valpara´ ıso • Congreso • Marss • SSVS • Armada Santiago • BCI • IBM • Mantos Blancos • CitiBank • Lan Chile Curic´ o • Cementos B´ ıo ıo-B´ Objetivos: Para el problema se considera el siguiente conjunto de objetivos jer´rquicaa mente estructurados como se indica: .

3: Matriz relacional de sub-objetivos del objetivo Ingreso .2: Matriz relacional de los objetivos generales Figura 2.´ 2.2.1: Estructura jer´rquica de objetivos a Matrices relacionales: Figura 2. EJEMPLO: RESOLUCION MEDIANTE SOFTWARE EXPERT CHOICE31 Figura 2.

4: Matriz relacional de sub-objetivos del objetivo Comodidad Figura 2.5: Matriz relacional de sub-objetivos del objetivo Perspectiva Profesional Matrices de los cursos de acci´n para los sub-objetivo del objetivo o Ingreso: Figura 2.6: Sub-objetivo Buen sueldo .32 ´ CAP´ ITULO 2. DECISIONES CON MULTIPLES OBJETIVOS Figura 2.

9: Sub-objetivo Bajo costo de estad´ ıa . EJEMPLO: RESOLUCION MEDIANTE SOFTWARE EXPERT CHOICE33 Figura 2.´ 2.7: Sub-objetivo Bajo costo de almuerzo Figura 2.8: Sub-objetivo Bajo costo de locomoci´n o Figura 2.2.

34 ´ CAP´ ITULO 2.11: Sub-objetivo Comodidad para tomar locomoci´n o .10: Sub-objetivo Comodidad para almorzar Figura 2. DECISIONES CON MULTIPLES OBJETIVOS Matrices de los cursos de acci´n para los sub-objetivo del objetivo o Comodidad: Figura 2.

EJEMPLO: RESOLUCION MEDIANTE SOFTWARE EXPERT CHOICE35 Figura 2.12: Sub-objetivo Comodidad en el lugar de estad´ ıa Matrices de los cursos de acci´n para los sub-objetivo del objetivo o Perspectiva Profesional: Figura 2.´ 2.2.13: Sub-objetivo Prestigio de la empresa .

36 ´ CAP´ ITULO 2.14: Sub-objetivo Lograr un amplio aprendizaje Figura 2. DECISIONES CON MULTIPLES OBJETIVOS Figura 2.16: Sub-objetivo Posibilidad de trabajo en el futuro .15: Sub-objetivo Trabajar en el area de inter´s ´ e Figura 2.

2.17: Sub-objetivo:Conocer nuevas tecnolog´ ıas Resultados: e o Despu´s de llenar la informaci´n correspondiente a las matrices relacionales y de cursos de acci´n.18: Resumen General de Resultados(1) . EJEMPLO: RESOLUCION MEDIANTE SOFTWARE EXPERT CHOICE37 Figura 2.´ 2. los resultados obtenidos son los siguientes: o Figura 2.

20: Gr´fico de An´lisis de Sensibilidad(1) a a . Figura 2.19: Resumen General de Resultados(2) An´lisis de Sensibilidad: a Expert Choice provee los siguientes tipos de gr´ficos mediante los cuales es a posible realizar de forma visual y sencilla el an´lisis de sensibilidad de los resula tados obtenidos.38 ´ CAP´ ITULO 2. DECISIONES CON MULTIPLES OBJETIVOS Estos resultados se aprecian m´s claramente en el siguiente cuadro: a Figura 2.

EJEMPLO: RESOLUCION MEDIANTE SOFTWARE EXPERT CHOICE39 Figura 2.22: Gr´fico de An´lisis de Sensibilidad(3) a a .21: Gr´fico de An´lisis de Sensibilidad(2) a a Figura 2.´ 2.2.

40 ´ CAP´ ITULO 2. DECISIONES CON MULTIPLES OBJETIVOS .

1. a Luego las soluciones No dominadas formar´n el conjunto de Pareto. o f 1(x) = 10 · X1 + 9 · X2 + 8 · X3 f 2(x) = 10 · X1 + 6 · X2 + 3 · X3 Restricciones: 4 · X1 + 3 · X2 + 2 · X3 ≤ 1300 3 · X1 + 2 · X2 + 2 · X3 ≤ 1000 Xi ≥ 0 41 (horashombre) (unidades) . Ejemplo Problema Se tiene un problema con dos objetivos: Maximizar Ganancia (f 1) y Minimizar Contaminaci´n (f 2). Optimalidad de Pareto En problemas con m´ltiples objetivos se buscan soluciones optimas de Pau ´ reto. Definici´n: Soluci´n Dominada o o Sea B soluci´n factible.Cap´ ıtulo 3 Problemas con M´ ltiples u Objetivos 3. B domina a una soluci´n factible A para un problema o o con m´ltiples objetivos si B es al menos tan bueno como A con respecto a cada u objetivo y estrictamente mejor que A con respecto al menos a un objetivo.

42 ´ CAP´ ITULO 3. . o Esta soluci´n es la cota superior para el objetivo 2. • Paso 4: Dibujar la curva resultante. • Paso 3: Disminuir el valor de la cota superior y resolver nuevamente el problema. o • Paso 2: Resolver el problema anterior incorporando una restricci´n o f 2(x) ≤ cota superior encontrada en el Paso 1. PROBLEMAS CON MULTIPLES OBJETIVOS Soluci´n o Para encontrar el conjunto de soluciones de Pareto se debe: • Paso 1: Resolver el problema considerando un s´lo objetivo (ej f 1).

m cursos de acci´n. e 4. Jugador-fila debe elegir entre 1. 1 columna). 2. Jugador-columna o debe elegir entre 1. .. 2. Suma cero: Puntos de Equilibrio o Idea: La decisi´n de Un jugador afecta la ganancia del Otro. Supuestos: 1. la ganancia del Jugador-fila viene de la p´rdida del Jugador-columna. 3. Dos jugadores (1 fila. . 2. n cursos de acci´n...1. No hay Cooperaci´n entre Jugadores. 5.. o Ejemplo Problema fila/columna E1 E2 E3 e1 4 2 6 6 e2 4 3 5 5 e3 10 1 7 10 4 1 5 ¿C´mo deber´ jugar el Jugador-fila? o ıa 43 . Si el Jugador-fila elige la i-´sima estrategia y el Jugador-columna elige la e j-´sima estrategia. Juego de 2 Personas.. Es decir.. Hay Conflicto de Intereses. o 3. el Jugador-fila recibe un retorno de A ij y el jugador e columna pierde una cantidad Aij .Cap´ ıtulo 4 Teor´ de Juegos ıa 4.

ya que la condici´n es o suma cero ser´ igual al punto de equilibrio. Jugador-columna o debe elegir entre 1. El valor del juego para ambos jugadores es de 5.. 3. Para ello publicitar´n sus emia siones. Jugador-fila debe elegir entre 1.000... Hay Conflicto de Intereses. donde c es un valor constante. m cursos de acci´n. Dos jugadores (1 fila. Es decir. 2. luea go e2. a Condici´n de Punto de Equilibrio: o Max(Min fila) = Min(Max columna) 4. 1. Desde el punto de vista del Jugador-columna buscar´ el M in(6. No hay Cooperaci´n entre Jugadores.2. 1 columna). o 6. . Suma constante Idea: La decisi´n de Un jugador afecta la ganancia del Otro. 2. . 5). Con esto se asegura de ganar al menor 5 unidades.000 a telespectadores en el horario 20h00-22h00. Ejemplo Problema Dos cadenas de TV est´n tratando de captar una audiencia de 100.. Si el Jugador-fila elige la i-´sima estrategia y el Jugador-columna elige la e j-´sima estrategia. o Supuestos: 1. e 4. o 3. luego elegir E3. la ganancia del Jugador-fila viene de la p´rdida del Jugador-columna.2 . n cursos de acci´n.44 Soluci´n o CAP´ ITULO 4.. Juego de 2 Personas. Las posibles opciones y el n´mero de espectadores esperado est´ inu a dicado en la tabla 4. Suma Constante c.. el Jugador-fila recibe un retorno de A ij y el jugador coe lumna pierde una cantidad c−Aij . 10). 5. TEOR´ DE JUEGOS IA Idea: Elegir el M ax(4. 2. 5.

luego e1.4. si la suma es par el jugador J2 gana. 45. Si la suma de las banderas es impar el jugador J1 gana. Tiene un punto de equilibrio de 45.000. luego elegir E2. Juegos de 2 Personas sin Punto de Equilibrio Ejemplo Problema 2 Jugadores tienen dos banderas cada uno. 70). 14).3. El juego consiste en sacar una o dos banderas en un instante dado. Con esto se asegura de ganar al menos 45. Desde el punto de vista del Jugadorcolumna buscar´ el M in(45. 4. 58.000 telespectadores. JUEGOS DE 2 PERSONAS SIN PUNTO DE EQUILIBRIO e1 35 45 38 45 e2 15 58 14 58 e3 60 50 70 70 45 E1 E2 E3 15 45 14 donde e1 = E1 = Pel´ ıcula de Acci´n o e2 = E2 = Opera e3 = E3 = Conversaci´n o ¿Tiene Punto de Equilibrio? ¿Cu´l es el valor del juego? a Soluci´n o Elegir el M ax(15. a El valor del juego para el Jugador-fila es 45 y para el Jugador-columna es 100 − 45 = 55.3.3) J1 / J2 Mostrar 1 Mostrar 2 captionMatriz de retorno Mostrar 1 -1 +1 +1 Mostrar 2 +1 -1 +1 -1 -1 . Soluci´n o Veamos la matriz de retorno (Tabla 4.

TEOR´ DE JUEGOS IA Max(Min fila) = -1 Min(Max columna) = +1 Luego no hay punto de equilibrio.46 CAP´ ITULO 4. an´logamente Y 1 + Y 2 = 1. ganar´ siempre al menos cero. donde se aprecia que a 1 1 con una estrategia X1 = 2 . X2 = 2 . el jugador J1 se asegura un piso. a . a Estrategia Mixta: Si X1 + X2 = 1 Estrategia Pura: Si existe X1 = 1 Ganancia esperada del jugador J1 si el jugador J2 saca 1 bandera: (−1) · X1 + (+1) · X2 −X1 + (1 − X1) = 1 − 2 · X1 Ganancia esperada del jugador J1 si el jugador J2 saca 2 banderas: (+1) · X1 + (−1) · X2 X1 − (1 − X1) = 2 · X1 − 1 La figura 4. En estos casos se recurre a Estrategias Aleatorias: Sea X1 = probabilidad que J1 saque 1 bandera X2 = probabilidad que J1 saque 2 banderas Y 1 = probabilidad que J2 saque 1 bandera Y 2 = probabilidad que J2 saque 2 banderas Obviamente X1 + X2 = 1. es decir.1 muestra un gr´fico de ambas rectas.

2: Ganancia esperada jugador J1 .4.2. el jugador J2 se asegura un techo.1: Ganancia esperada jugador J1 Siguiendo el mismo procedimiento para J2. JUEGOS DE 2 PERSONAS SIN PUNTO DE EQUILIBRIO 47 Figura 4. observamos que con una estrategia Y 1 = 1 . Y 2 = 1 .3. es decir. su 2 2 p´rdida esperada no exceder´ cero. e a Figura 4. Vea figura 4.

-5) (-20. las estrategias y los retornos para cada uno ser´ ıan: P1/P2 Confiesa No Confiesa Confiesa (-5. -20) (-1. el jugador J2 puede o ´ tener una estrategia que reduce el retorno esperado de J1. −5) es un punto de equilibrio porque si alg´n prisionero cambia u . 4. Aunque ambos son culpables la polic´ de ciudad G´tica no ıa o tiene suficiente evidencia. Para cada prisionero. 0) No Confiesa (0. n ¿Qu´ deber´ hacer cada prisionero? e ıa Soluci´n o Si se asume que los prisioneros no se pueden comunicar entre ellos. Si cada prisionero sigue su estrategia no-dominante. si ninguno confiesa yo puedo o n hacerlos condenar por 1 a˜o con las evidencias disponibles actualmente”. la pero n a sona que confiese saldr´ libre. mientras que la persona que no confiesa ser´ condenada a 20 a˜os de c´rcel. Si ambos confiesan ambos ser´n cona n a a denados a prisi´n por 5 a˜os. la estrategia confesar domina la estrategia no confesar. (−5. Juegos de 2 Personas con Suma no Constante: Dilema del Prisionero Problema Dos prisioneros quienes escaparon y participaron de un robo han sido recapturados. y si el jugador J2 parte con su estrategia optima el jugador J1 puede tener una estrategia ´ que aumente su retorno esperado sobre el valor del juego.48 CAP´ ITULO 4. prisionero elige su estrategia dominada. As´ si cada a o n o ı. confiesa y acusa a su compa˜ero. -1) Este no es un juego con suma constante. Asi. Por otro lado. Finalmente. TEOR´ DE JUEGOS IA Observaci´n: Si J1 parte con su estrategia optima. Punto de Equilibrio: Una elecci´n de estrategia de cada jugador (prio sionero) se llama punto de equilibrio si ninguno de los jugadores puede beneficiarse de un cambio unilateral de estrategia. si cada prisionero escoge la estrategia don a minada no confesar cada uno pasar´ s´lo 1 a˜o en prisi´n.4. Para esclarecer se les va a someter a un interrogatorio m´s exhaustivo. ambos estar´ mejor que si amıan bos eligen la estrategia no dominada. cada uno pasar´ 5 a a˜os en la c´rcel. Suponga que cada prisionero busca eliminar las estrategias dominantes. El detective le cuenta a cada prisionero lo a siguiente: “Si s´lo uno de Uds.

4. Para ver que (−1.4. el res´ a taurant que gasta m´s tendr´ ventas de US $ 190 millones. para ello se requiere que P > S. ıa ¿por qu´? e Formalmente el juego del prisionero se puede reescribir por: N C = acci´n no cooperativa o C = acci´n cooperativa o P = castigo por no cooperar S = ganancia de una persona que hace doble juego R = ganancia por cooperar si ambos cooperan T = castigo por traici´n del oponente. Luego. R) no sea un punto de equilibrio se requiere que T > R (esto da a cada jugador la tentaci´n de traicionar al oponente). les conviene el punto (−1. o En el problema (P. −1) puede no ocurrir observemos que (−1. −1) no es punto de equilibrio porque al cambiar su estrategia cada prisionero puede aumentar su retorno desde -1 a 0. Luego se requiere que T > R > P > S. Encuentre un punto de equilibrio para este juego. hay un aspecto importante a considerar en este tipo de juego: Si los jugadores est´n a cooperando (si cada uno elige no confesar) cada jugador puede ganar por delatar a su oponente (suponiendo que el otro no cambia su estrategia). Sin embargo. La Matriz de Retorno nos queda: HDK/HDC Gasta 10 Gasta 6 Gasta 10 (2. Suponga que cada restaurant o est´ interesado en maximizar (contribuci´n de las ventas a las ganancias) . Para que (R. o El Juego del Dilema del Prisionero es interesante porque explica por qu´ dos e adversarios llegan finalmente a cooperar. 9) Gasta 6 (9.4. 6) . Si ambas compa˜´ a a nıas gastan la misma cantidad en publicidad tendr´n ventas iguales.4.(cosa o tos de publicidad). P ) es un punto de equilibrio.1. Aplicaciones del Dilema del Prisionero Competencia de Mercado Dos restaurants de ventas de completos HotDog King y Hot Dog Chef est´n estimando sus estrategias publicitarias para el pr´ximo a˜o. Los dos resa o n taurant tienen ventas conjuntas de US $ 240 millones y pueden gastar US $ 6 o US $ 10 millones en publicidad. El juego es o razonable s´lo si R > P . Si un restaurant gasta m´s que el otro. 2) (-1. JUEGOS DE 2 PERSONAS CON SUMA NO CONSTANTE: DILEMA DEL PRISIONERO49 su estrategia su retorno disminuye de -5 a -20. Cada d´lar de a o venta da una ganancia de 10 centavos de d´lar. −1). -1) (6. Esta anomal´ no se produce en el juego con suma constante. Si ambos se delatan ambos perder´n mucho m´s que si eligen una estrategia a a cooperadora.

Matriz de Retorno NN1 / NN2 Vira No Vira Vira (0. 10) Status Quo (10. 0) es mejor para ambas. -10) (-100. -100) (0. Swerve Game Suponga que est´ en el Raid de Paris-Dakar. −10) es un punto de equilibrio. Identifique un punto de equilibrio para este juego. -100) . cada restaurant ı debe invertir fuerte en publicidad. est´n sobre una carretera des´rtica a e conduciendo en sentidos opuestos. -5) No Vira (-5. 5) (-100. Ahora. Sin embargo. 0) (5. luego (2. El a problema es que (6. As´ para proteger su mercado compartido. TEOR´ DE JUEGOS IA Identificando como acciones no cooperadoras el gastar 10. Carrera Armamental Suponga dos pa´ que est´n evaluando sus estrategias militares: desarrollar ıses a un nuevo misil o mantener el status quo. Esto muestra u como el balance de poder puede llevar a un desarrollo armamental.50 CAP´ ITULO 4. 6). Sin embargo ambos restaurants estar´n mejor con (6. 2) es un punto de equilibrio. conquistar una naci´n trae una ganancia de 20 unidades o o y la naci´n conquistada pierde 100 unidades. Cada persona tiene dos estrategias: Virar o No Virar. Encontrar el punto de equilibrio para este juego. Se supone que si s´lo una naci´n o o desarrolla un nuevo misil. la naci´n con el nuevo misil conquistar´ a la otra o a naci´n. a´n cuando (0. es un punto inestable. 0) Identificando desarrollar como la acci´n no cooperadora y mantenerse como o cooperadora encontramos que (−10. Se asume tambi´n que el costo de o e desarrollar un nuevo misil es de 10 unidades. 6) es inestable porque cualquier restaurant puede ganar al cambiar su estrategia. Matriz de Retorno Pa´ 1 / Pa´ 2 ıs ıs Nuevo Status Quo Nuevo (-10. Dos competidores NN1 y NN2 a decidieron jugar al Swerve Game. En este caso.

Un Canal / Una Fase Figura 5.1.Cap´ ıtulo 5 Teor´ de Colas ıa 5. Estructura de los Sistemas de Colas En un sistema de colas se distinguen b´sicamente los siguientes componentes: a Poblaci´n o Patr´n de Llegada o Largo de la Cola Discilpina de la Cola Patr´n de Servicio o Salida Las estructuras de clases m´s comunes son las siguientes: a 1.1: Un Canal / Una Fase 51 .

52 2. Un Canal / M´ltiples Fases u

CAP´ ITULO 5. TEOR´ DE COLAS IA

Figura 5.2: Un Canal / M´ltiples Fases u 3. Multicanal / Una Fase

Figura 5.3: Multicanal / Una Fase 4. Multicanal / M´ltiples Fases u

Figura 5.4: Multicanal / M´ltiples Fases u

´ 5.2. CLASIFICACION DE LOS SISTEMAS DE COLAS

53

5.2.

Clasificaci´n de los Sistemas de Colas o

La nomenclatura de un sistema de colas tiene la siguiente forma: (Tasa de Llegada / Tasa de Servicio / N´mero de Servidores / Tama˜o de u n la Poblaci´n / Largo de la Cola) o Por ejemplo, el caso m´s com´n es el siguiente: a u (M/M/1/I/I) que indica una Tasa de Llegada Poisson, una Tasa de Servicio exponencial, 1 Servidor y Tama˜o de la Poblaci´n y Largo de Cola infinitos. n o Abreviaciones con supuesto FIFO: M Llegada Poisson, Servicio Exponencial D Determin´ ıstica constante, llegada o servicio K Distribuci´n Erlang del tiempo entre llegadas o servicio o GI Cualquier distribuci´n con tiempos entre llegadas independientes o G Cualquier distribuci´n del tiempo de servicio o S Cualquier n´mero de servidores u I Infinito largo cola / poblaci´n o F Finito largo cola / poblaci´n o Los casos utilizados m´s com´nmente son: a u 1. (M/M/1/I/I) 2. (M/M/S/I/I) 3. (M/M/1/I/F ) 4. (M/M/S/F/I)

5.3.

Proceso de Entrada

Supuestos: Proceso de Nacimiento Puro: Los clientes llegan y no abandonan Si las llegadas siguen un proceso de Poisson, esto implica que:

54

CAP´ ITULO 5. TEOR´ DE COLAS IA 1. La probabilidad de una ocurrencia entre t, y t + h s´lo depende del o ancho del intervalo h. 2. Con h muy peque˜o a lo m´s puede ocurrir una llegada en el intervalo n a (t, t + h). Disciplina FIFO N´mero de Ocurrencias se distribuye Poisson par´metro λt, con λ igual a u a la tasa de llegada por unidad de tiempo. Tiempo entre llegadas se distribuye exponencial con par´metro λ. a
1 Tiempo hasta la n-´sima llegada se distribuye Γ con par´metros (n, λ ). e a

5.3.1.

Llegadas

La teor´ de colas se sustenta en el supuesto de que las llegadas de clientes ıa al sistema siguen un Proceso Poisson, esto significa que: u Si Xt = n´mero de llegadas en un intervalo t, Xt ∼ Poisson(λt), luego se trata de una variable aleatoria discreta con la siguiente probabilidad: P (Xt = x) = luego, E[Xt ] = λt que representa el n´mero promedio de ocurrencias en el intervalo t y λ = u es el n´mero promedio de ocurrencias por unidad de tiempo. u
E[Xt ] t

(λt)x −λt e x!

5.3.2.

Tiempo entre llegadas

Considerando que las llegadas siguen un proceso de Poisson, vamos a determinar cu´l es la distribuci´n del tiempo entre llegadas. a o Sea T1 el instante de tiempo de la primera llegada, y sea t un instante de tiempo menor. T1 se puede interpretar como el tiempo necesario para que suceda una ocurrencua, luego P (T1 > t) = P (N´mero de ocurrencias hasta t sea 0) u P (T1 > t) = P (Xt = 0) = e−λt luego, P (T1 ≤ t) = 1 − e−λt

La que corresponde a la funci´n acumulada de una distribuci´n exponencial, o o luego T1 se distribuye exp(λ) Analizando ahora el tiempo necesario hasta la segunda ocurrencia. Sea Y t el

P (T > t) = P (no hay ocurrencias entre T1 y T1 + t. u 5.5.4. o P (Tn > t) = P (Xt ≤ n − 1) n−1 P (Tn > t) = i=0 (λt)i eλt i! Aproximando la sumatoria por la integral se obtiene que T n ∼ Γ(n.3. Z ∼ exp(µ) 5. es decir. luego Y t ∼ Poisson(µt). Proceso de Salida Supuestos: Fallecimiento Puro: No pueden reingresar al sistema Tasa de salida = µ = N´mero de clientes servidos por unidad de tiempo u 5.4.1. λ−1 ). PROCESO DE SALIDA 55 n´mero de ocurrencias en el intervalo [T1 . Tiempo Acumulado Idea: Si el Tiempo hasta la n-´sima ocurrencia es mayor que un tiempo t e dado.4. Tiempo de Servicio Si Z es el tiempo de servicio. λ−1 ) o a 5.3. N´ mero de Unidades Servidas durante el tiempo t u Sea Yt el n´mero de unidades servidas durante t.4.2. implica que hasta t han ocurrido s´lo n − 1 ocurrencias. Estado Estacionario En estado estacionario las medidas de inter´s de desempe˜o del sistema a e n calcular son: Utilizaci´n del servidor o Probabilidad de cero clientes en el sistema . ı 5. Recordemos que una distribuci´n exponencial con par´metro λ es equivalente a o a una distribuci´n Γ con par´metros (1. durante el intervalo t) p(T > t) = P (Xt = 0) = e−λt As´ T ∼ exp(λ). T2 ].5. Luego. con T un instante de tiempo u dentro de ese intervalo.

6. TEOR´ DE COLAS IA Probabilidad de n clientes en el sistema N´mero promedio en el sistema u N´mero promedio en la cola u Tiempo promedio de espera en la cola Tiempo promedio en el sistema Probabilidad de que una unidad tenga que esperar por servicio 5. n · P (0) Ls = L q + ρ · k Wq = Lq λ 1 µ Ws = W q + = Ls λ . Sistemas con una sola Cola. Poblaci´n Infio nita: Estad´ ısticas en Estado Estacionario λ µ Restricci´n: ρ ≤ 1 o ρ= P (0) = 1 − ρ P (n) = ρn · (1 − ρ) Lq = Ls = Wq = Ws = ρ2 1−ρ ρ 1−ρ Lq λ 1 µ−λ = Lq + ρ 5. ρ= Sistemas con M´ ltiples Servidores u λ k·µ Restricci´n: µi = µ. si n ≥ k. ∀i o 1 P (0) k−2 (p·k)n n=0 n! (p·k)k−1 (k−1!)·(1−ρ) = + P (n) = Lq = ρk+1 ·kk−1 (k−1)!·(1−ρ)2 (ρ · k) n! · P (0) .7.56 CAP´ ITULO 5. si n ≤ k k ρn · k k! · P (0) .

Se dividir´n las unidades en m clases de a acuerdo a una regla de prioridad. las clases i tienen las siguientes prioridades: 1. u λi . Lq (i) = λi · Wq (i) 5. Cualquier unidad que llegue y que pertenece a una clase con mayor prioridad preceder´ a la clase de menor prioridad. COLAS CON PRIORIDADES 57 5. Por lo tanto. . Wq (i) = 3.5. σi . conS0 = 0 Ws = tiempo esperado que permanece un cliente t´ ıpico en el sistema. en estado estacionario. . Lq (i). Un ejemplo de este tipo de colas se presenta en aquellos programas procesados por facilidades de procesamiento de datos o la clasificaci´n de correspondencia o en el correo. m. d´ o semana.1. µi . 5. j Sj = i=1 ρi . 2. Ls (i) = λi · Ws (i) . Ws (i) = Wq (i) + 1 µi ρi = λi µi m j=1 2 2 (ρj ) · (1 + µ2 · σj )/λj j 2 · (1 − Si−1 ) · (1 − Si ) 4. Wq (i). Sea F´rmulas Matem´ticas o a m = n´mero de clases con prioridad.8. λ = n´mero total de unidades que llegan por hora. ρi .8. Las a unidades que forman cada clase se rigen por orden de llegada (FIFO). u ıa Wq = tiempo esperado de espera de un cliente t´ ıpico. Idea: Colas con Prioridades Entre clases existen prioridades Dentro de cada clase se rige mediante FIFO Los supuestos son los mismos que en el modelo anterior excepto que las unidades que llegan no son tratadas como iguales.8. Ls (i) y Ws (i) son las caracter´ ısticas de la cola para las clases i = 1 .

Se tiene adem´s que: a σ1 = 0. En otras palabras.0657 2 · (1 − 0. Wq = 5.33 60 S1 = ρ1 = 0. es decir.24[pasajeros] . TEOR´ DE COLAS IA Las caracter´ ısticas del sistema completo se obtienen a partir de las clases individuales: 1. Lq = 3.33) 0.38[min] = 0. Ws = m i=1 λi Lq (i) Ls (i) m i=1 m i=1 Lq λ Ls λ Ejemplo Problema: Suponga que para tomar un tren se venden boletos de dos clases.0956 + 0.73[min] Lq (1) = 20 · (0.85[min] = 0.58 CAP´ ITULO 5.141[horas] σ2 = 0. Se ha observado que para la primera clase λ1 = 20 y λ2 = 60 para los pasajeros de segunda clase cada hora.0959 λ1 Wq (1) = = = 0. La ventanilla opera con µ1 = 60 para primera clase y µ2 = 120 para la segunda clase cada hora.33 2 (ρ1 )2 · (1 + (µ2 ) · (σ1 )) 1 = 0. λ = 2.0121 + 60 = 0.0121) = 0.0063[horas] Soluci´n: o Veamos las caracter´ ıticas de operaci´n de la ventanilla: o ρ1 = 20 = 0. el tiempo promedio de servi1 cio es 60 [horas]. 1 [min] para procesar a un pasajero de primera clase y s´lo 1 [min] para los pasajeros de segunda clase (esto es porque o 2 los pasajeros de segunda clase pagan con sencillo y generalmente el valor justo del pasaje). Ls = 4.73[min] 1 Ws (1) = 0.121[horas] 0.0288[horas] = 1.

6667) · (0.00956 2 · (0.07[min] . Lq Ls λ = = = = = 0.5.0808[horas] = 4.35[min] 1 Ws (2) = 0.0679[horas] 4.0547[horas] 3.8.0288) = 0.35 4.5 S2 = ρ1 + ρ2 = 0.0725 + 120 = 0.0657 λ2 59 Wq (2) = = = 0.44[min] Ls 5.0725[horas] 4.58[pasajeros] 60 ρ2 = 120 = 0.85[min] Lq (2) = 60 · (0.85[pasajeros] Por lo tanto.43 (pasajeros en el sistema) 20 + 60 80 (pasajeros llegan por hora) Un pasajero t´ ıpico espera Wq = = = Ws = = = Lq 4.1667) 0.43 = λ 80 0.24 + 4.0725) = 4.0808) = 4.833 2 (ρ2 )2 ∗ (1 + (µ2 ) ∗ (σ2 )) 2 = 0.59 (pasajeros en espera) 5. COLAS CON PRIORIDADES Ls (1) = 20 · (0.35[pasajeros] Ls (2) = 60 · (0.59 = λ 80 0.

Tiempos de Servicios son Exponencial 3.1.9. con lo cual el sistema b´sico Poisson-exponencial no se puede aplicar.9. Sistemas Poisson Exponencial con pocas llamadas (llegadas) En algunos casos los clientes que llegan al sistema son pocos. Soluci´n: o Sea M = n´mero de clientes en la poblaci´n u o λ = tasa media de llegada de cada unidad individual k = n´mero de canales. En otras palabras se cuenta con una poblaci´n finita. cuando 0 ≤ n ≤ k n P (n) =  M !·Rn ·P (0) . Colas con Restricciones Vamos a analizar dos modelos que utilizan los siguientes supuestos: 1. o Ejemplo Problema:Comportamiento de los pacientes de un Hospital. n y Como P (0) es conocido  M  · Rn · P (0) . donde R = λ µ. u Luego 1 = P (0) n=0 .60 CAP´ ITULO 5. TEOR´ DE COLAS IA 5. la a probabilidad de que una unidad necesitar´ servicio no es constante. (M −n)!·k!·kn−k M Ls = n=1 n · P (n) . Especificamente. Disciplina FIFO El primer modelo asume que el largo de la cola es ∞. cuando k ≤ n ≤ M . ´sta ahora a e u depende del n´mero de unidades en el sistema. El proceso de llegada es Poisson 2. k−1 M n · Rn + M! · k! M n=k Rn (M − n)! · k n−k M corresponde al n´mero de combinaciones pou n sibles en que se pueden tener n clientes provenientes de un poblaci´n de o tama˜o M . 5.

Cuando las 5 m´quinas a operan correctamente los resultados son unicos y hermosos. ´ ´l sabe que en promedio cada m´quina necesita ser reacondicionada por e a cada hora de su operaci´n. Wq = Lq λe Ls λe 5. Sin embargo. P (n) = · Rn · P (0) · (1 − P (0)) 3. λe = λ · (M − Ls ) = µ · (1 − P (0)) 7. COLAS CON RESTRICCIONES 61 Las unidades Ls que est´n en el sistema en ese momento no est´n en la a a poblaci´n.5489 5 1 · 1 5! + · 3 2! ( 1 )2 ( 1 )3 ( 1 )4 ( 1 )5 3 + 3 1+ 3 2+ 3 3 3! · 20 2! · 2 1! · 2 0! · 2 . Lq = M − 4.9.2. y que el procso de ajuste requiere en promedio o 20[min].9. Propiedades de un sistema con un s´lo canal o Rn 1 M = M! · P (0) (M − n)! n=0 M! (M −n)! λ+µ λ 2. Adem´s a • Ws = Ls λe 1 µ • Lq = λ e · W q • Wq = Ws − 5.5. k=1 1. o La tasa efectiva de llegada es λe = λ · (M − Ls ). Ws = Problema: Pedro utiliza en su planta maquinaria anticuada. Ls = Lq + 1 − P (0) 6. Quiz´s ´l necesite un ayudante para repararlas ¿C´ales con las a e u caracter´ ısticas de operaci´n para el grupo de 2 personas? o Soluci´n: o M = 5 m´quinas a k = 2 reparadores λ = 1 m´quinas paradas por hora de operaci´n a o 1 µ = 3 reparaciones cada hora ⇒ R = 3 1 P (0) = = 1+ 4.

la sala de e espera en un centro m´dico.3664 1 5 P (2) = · ( 1 )2 · 0.2198 5 1 P (1) = · 3 · 0. Los sistemas de servicio limitados fisicamente. Propiedades en Estado Estacionario Sea M = n´mero m´ximo de unidades llegando al sistema.2443 3 1 P (3) = 0. 1.06 ∗ 3.0068 = 1. a 5. el largo u a m´ximo de la cola ser´ M − 1 a a λ R= µ 1.2443 + 3 · 0.0068 Ls = 1 · 0.58 = 0.06 3 Lq = 0.40 − 1 = 0. La cola se limita sola.1212 P (4) = 0.42 1 λe = 5−1.6 [min].3.21 m´quinas.42 Ws = 3. por ejemplo.42 = 3.3664 + 2 · 0. ´sta debe esperar (antes de ser a e atendida) 0. P (0) = 1−R 1−RM +1 2.98 % de probabilidad que Pedro y su ayudante esten sin trabajo que reparar.42 m´quinas est´n en el taller de reparaci´n y cada m´quina permanece a a o a en promedio 1. P (n) = Rn · P (0) .2198 = 0. llega un momento en que ninguna persona desea ponerse a una cola con un largo excesivo.40 Wq = 0.06 [horas] = 3. La l´ ınea de espera tiene un promedio de 0. 2. En una hora t´ ıpica 1.21 Como P (0) = 0. por lo tanto.0407 P (5) = 0.2198 implica que existe un 21.58 1.58 = 0.62 CAP´ ITULO 5.2198 = 0.4 [horas] ∼ 24 [min]. = Cuando una m´quina necesita un ajuste.407 + 5 · 0.1212 + 4 · 0. Sistemas Poisson Exponencial con un s´lo canal con o cola truncada Pueden existir 2 razones para limitar el largo de la cola. TEOR´ DE COLAS IA P (0) = 0.9.

= 5. El almac´n abre a las 8h00 y los Martes en la ma˜ana entre e n las 8h00 y las 9h00 llegan en promedio 6 clientes al almac´n. Ls = R 1−R 63 − (M +1)·(RM +1 ) 1−RM +1 4. Para tomar una buen decisi´n quiere o ver una forma de estimar el n´mero de clientes que llegar´n entre las u a 8h00 y las 8h30 el martes y as´ estimar la eventual p´rdida. Ws = Wq + donde λe corresponde a la tasa de llegada efectiva. Lq = Ls + P (0) − 1 5. Ya que a lo m´s pueden haber M unidades en el sistema. ıa a n El sabe que si abre muy tarde puede perder muchos clientes por dejar de ganar por la venta perdida.10. Ejercicios Propuestos I Parte Los clientes llegan al negocio de Rafael seg´n una distribuci´n u o Poisson. entonces ıan M P (n) = 1 n=0 ⇒ P (0) = En el caso en que λ = µ todos los estados son igualmente probables. una unidad llegando en ese estado no e podr´ ingresar al sistema. Rafael se e junt´ a ver un partido con unos amigos el d´ Lunes en la noche. por o ıa eso le gustar´ dormir una media hora m´s el Martes en la ma˜ana. λe = λ · (1 − P (M )) 6.10. es decir. EJERCICIOS PROPUESTOS 3. El Problema de Rafael . Wq = Lq λe 1 µ 7. en este caso: P (0) = Ls = 1 M +1 1−R 1 − RM +1 M 2 Ahora si λ excede a µ se tendr´ que el sistema llegar´ a saturarse con L s ∼ M a a = y P (M ) ∼ 1. a Por lo tanto.5. ı e 1. P (M ) es la probabia lidad que el sistema est´ lleno. 1 − P (M ) = probabilidad de que una unidad pueda entrar al sistema. Y como los clientes var´ entre 0 y M .

TEOR´ DE COLAS IA II Parte Rafael estim´ que se demora 4 minutos en servir a un cliente o en su negocio y los tiempos de servicio siguen una distribuci´n expoo nencial. El vendedor estima que puede servir un cliente en un promedio de 8 minutos y que su tiempo de servicio sigue una distribuci´n exponencial. para evaluar la n veracidad de lo que dice su cliente. Hay un promedio a e de cuatro estudiantes por hora que acuden a hacer alguna pregunta en un promedio de 12 [min]. Problema de una Zapater´ El due˜o de una zapater´ recibi´ un reclamo ıa n ıa o de un cliente por el servicio recibido. El due˜o desea n determinar las medidas de desempe˜o del sistema actual. u a) ¿Cu´tos estudiantes en promedio estar´ en la cola de espera? a a b) ¿Cu´l es la tasa efectiva de llegada? a c) ¿Cu´nto tiempo est´ con la duda un t´ a a ıpico estudiante? .64 CAP´ ITULO 5. Los alumnos tienen un ayudante para sus dudas. Consultas al Atudante Un curso de investigaci´n de mercado tiene una seo o n si´n de laboratorio donde los estudiantes dise˜an cuestionarios. Suponga que es un n´mero ilimitado de estudiantes. Se sabe que los clientes llegan en u promedio uno cada 12 minutos seg´n un proceso de Poisson. Un estudiante con una pregunta volver´ despu´s si hay 3 antes en la cola de espera. El vendedor o siempre termina de atender un cliente antes del siguiente. Rafael tiene una cita importante asi es que desea encontrar la probabilidad que se tomar´ menos de tres minutos en servir al a siguiente cliente. 2. 3.

1: Red de Colas Abierta 1. Procesos de Llegada El proceso de llegada de los clientes a la red se describir´ (igual que en al caso de una cola simple) con la ayuda de un a proceso de renovaci´n.Cap´ ıtulo 6 Modelos de Redes de Colas 6.1. en cu´l fila se ubicar´. Tipos de Redes de Colas Redes Abiertas En una red de colas abierta. una ´ a a vez que un cliente llega a la red. los tiempos entre llegadas son exponenciales y est´n caracterizados por un a unico par´metro: la tasa de llegada λ. Figura 6.1. y estar´ caracterizado por la distribuci´n del tiemo a o po entre llegadas. Normalmente se a a 65 . as´ como el proceso de llegada de los clientes y la o ı ruta de los clientes en la red. 6.1. se requiere caracterizar cada estaci´n. Se requiere adem´s precisar. El n´mero u de clientes que se puede encontrar en un momento dado en una red abierta es ilimitado. circulan en la red pasando por diferentes estaciones y luego abandonan la red. los clientes llegan desde el exterior. Si la llegada de los clientes sigue un proceso de Poisson. Con el fin de especificar completamente una red abierta.

66

CAP´ ITULO 6. MODELOS DE REDES DE COLAS caracteriza la ruta de entrada de una forma probabilista, sea p 0i la probabilidad de que un cliente que ingresa a la red vaya a la estaci´n i. As´ el o ı proceso de llegada a la estaci´n i ser´ poisson con tasa p 0i veces λ. o a

2. Ruteo de los clientes Una vez que un cliente termina su servicio en una estaci´n, se requiere saber a d´nde se dirigir´ a continuaci´n: puede o o a o ir a otra estaci´n o al exterior (abandona la red). Nuevamente el ruteo de o clientes se caracteriza de una forma probabilista: sea p ij la probabilidad de un cliente de abandonar la estaci´n i y dirigirse a la estaci´n j, y sea o o pi0 la probabilidad de que un cliente quien abandona la estaci´n i se vaya o del sistema. Existen, sin embargo, otros tipos de ruteos: Ruteo hacia la cola m´s corta (ruteo din´mico): un cliente que abana a dona una estaci´n elegir´ entre todas las destinaciones posibles, la o a estaci´n que tiene el menor n´mero de clientes. o u

Figura 6.2: Ruteo de Cola m´s Corta a Ruteo C´ ıclico (determinista): Los clientes que abandonan una estaci´n elegir´n por turno una estaci´n entre todas las destinaciones o a o posibles.

Figura 6.3: Ruteo C´ ıclico Estos dos tipos de mecanismos de ruteo tienen un funcionamiento completamente diferente del ruteo probabilista. El primero se hace en forma din´mica, en funci´n del estado del sistema en el momento del ruteo. El a o

6.1. TIPOS DE REDES DE COLAS

67

segundo se hace de una forma determinista, en funci´n del ruteo del clieno te que lo precedi´. Aunque el ruteo c´ o ıclico se puede aproximar por un mecanismo probabilista respetando las mismas proporciones, es decir con probabilidades 0.5 en el caso de dos estaciones receptoras, se debe hacer notar que enviar clientes en forma alternada entre una estaci´n y otra no o es equivalente a enviarlos en promedio tantas veces a una estaci´n como o a la otra. En este caso se pierde la noci´n de periodicidad. o

6.1.2.

Redes Cerradas

En una red de colas cerrada el n´mero de clientes es contante. Sea N el u n´mero total de clientes del sistema. No hay llegada ni partida de clientes. La u especificaci´n de una red cerrada se reduce a modelar diferentes estaciones y o el ruteo de clientes. Usando un mecanismo de ruteo probabilista, se define p ij como la probabilidad de que un cliente quien abandona la estaci´n i vaya a la o estaci´n j. o

Figura 6.4: Red de Colas Cerrada

6.1.3.

Redes Multiclases

Al igual que para las colas simples, las redes de colas pueden ser recorridas por diferentes clases de clientes. Sea R el n´mero de clases de clientes. Estas u clases de clientes se distinguir´n por: a

68

CAP´ ITULO 6. MODELOS DE REDES DE COLAS

Figura 6.5: Red de Colas Multiclase Procesos de llegadas diferentes (si la red es abierta). Comportamientos diferentes en cada estaci´n (servicio y disciplina de sero vicio). Ruteos diferentes en la red. Luego se requiere caracterizar para cada clase r: Para una red abierta, el proceso de llegada (para un proceso de llegada poisson, basta con dar la tasa de llegada de los clientes de la clase r). Para una red cerrada, el n´mero total N r de clientes de la clase r. u El ruteo de los clientes. Si nos concentramos en los ruteos probabilistas, se define prij la probablidad para un cliente de clase r quien sale de la estaci´n i vaya a la estaci´n j (Si i o j es igual a 0, esto har´ referencia al o o ´ a exterior de una red abierta). La noci´n de red multiclase nos permite introducir la noci´n de red mixta que o o es una red abierta del punto de vista de ciertas clases y cerrada desde el punto de vista de otras clases.

Figura 6.6: Red de Colas Multiclase Mixta

el cliente queda en el nivel del servidor que o a est´ bloqueado. o En un mecanismo de bloqueo despu´s del servicio (bloqueo tipo sistema de proe ducci´n) un cliente comienza su servicio en el mismo instante en que el servidor o est´ disponible. no puede ingresar nadie m´s a la cola. Si a o la estaci´n de destino est´ llena. Esta restricci´n de poblaci´n implica que la red no es reala o o mente un modelo abierto ni tampoco una red cerrada. un cliente deseando comenzar su servicio o o en una estaci´n dada debe primero asegurarse que hay un puesto disponible en la estaci´n de destino. su servicio comienza. Ya sea el cliente est´ cargado en el servidor (bloqueado) y libera as´ un a ı a o lugar en el buffer. hasta que un lugar se libere. Esto puede producir a a bloqueos o una p´rdida eventual de clientes en la entrada del sistema (si esta es e abierta). TIPOS DE REDES DE COLAS 69 Se puede igualmente autorizar ciertos clientes a cambiar de una clase durante su ruteo en la red. 6. Se define entonces prisj como la probabilidad para un cliente de clase r que abandona la estaci´n i de ir a la estaci´n j y se transfome en un o o cliente de clase s. Si es el caso.5. Cuando una cola est´ llena.1. Redes Abiertas con restricciones de Poblaci´n o Ciertas redes de colas a´n siendo abiertas pueden tener asociadas una cou ta superior con respecto al n´mero total de clientes que pueden encontrarse u simult´neamente.1. Se puede entonces distinguir dos subcasos.1. o el cliente no est´ cargado y debe esperar en el buffer (se habla de a bloqueo antes del servicio sin ocupaci´n del servidor ).7: Red con Capacidad Limitada 6. se llamar´ un bloqueo antes del servicio con ocupaci´n del servidor. Una vez que un cliente llega a la red y est´ llena (restricci´n del tama˜o de la poblaci´n) se pueden a o n o .4. En caso contrario. S´lo al final de su servicio se puede producir un bloqueo. En un mecanismo de bloqueo antes del e servicio (tipo red de comunicaci´n).6. el o servidor de la estaci´n est´ bloqueado y el cliente debe esperar la liberaci´n de o a o un lugar antes de comenzar su servicio. a Figura 6. Redes de colas con capacidad limitada Las distintas estaciones de la red pueden tener capacidades limitadas. Se distinguen principalmente dos tipos de bloqueos: el bloqueo antes del servicio y el bloqueo despu´s del servicio.

Nos interesaremos particularmente en el caso de clientes memorizados en colas externas. MODELOS DE REDES DE COLAS producir dos situaciones: El cliente puede ser rechazado. Figura 6. Conserva la ficha durante toda la estad´ en el sistema y lo libera ıa cuando sale del sistema. Una cola de fichas o n´meros a u conteniendo inicialmente N fichas se asocia a la cola externa de clientes.70 CAP´ ITULO 6. Cuando un cliente llega y queda alguna ficha libre toma la ficha y entra instant´neamente a en el sistema. o el cliente es memorizado y se localiza en una cola de espera externa con disciplina FIFO (generalmente).8: Red Abierta con Restricci´n de Poblaci´n o o Figura 6. lo que lleva al modelo anterior. La ficha se devuelve instant´neamente a la cola de las a .9: Red Abierta con Restricci´n de Poblaci´n: Modelo Sem´foro o o a Un sistema abierto con restricci´n de poblaci´n se modela frecuentemente o o con la ayuda de un formalismo tipo sem´foro.

1. TIPOS DE REDES DE COLAS 71 fichas y queda disponible para otro cliente. a 6.10: Modelo Simple de Computador Modelo Servidor Central Figura 6.6.6.11: Modelo Servidor Central .1. Si llega un cliente y no quedan fichas el cliente se ubica en una cola externa en espera de la liberaci´n de una ficha. o El n´mero m´ximo de fichas N disponible impone el l´ u a ımite superior del n´mero u total de clientes que se pueden encontrar simult´neamente en el sistema. Ejemplos de Modelos de Colas Modelo Simple de Computador Figura 6.

12: Sistema Multiprogramaci´n o Figura 6.13: Sistema Multiprogramaci´n con Saturaci´n o o .72 CAP´ ITULO 6. MODELOS DE REDES DE COLAS Sistema Multiprogramaci´n o Figura 6.

6.15: Red de Comunicaci´n o .14: Modelo de un Calculador Central con Terminales Red de Comunicaci´n o Figura 6. TIPOS DE REDES DE COLAS Modelo de un Calculador Central con Terminales 73 Figura 6.1.

16: Modelo de un Nodo de Conmutaci´n o Figura 6.74 CAP´ ITULO 6.17: Modelo de una Red de Comunicaci´n o . MODELOS DE REDES DE COLAS Figura 6.

6. TIPOS DE REDES DE COLAS L´ ıneas de Producci´n o 75 Figura 6.1.18: L´ ıneas de Producci´n o .

MODELOS DE REDES DE COLAS .76 CAP´ ITULO 6.

Cuando un paciente con ataque al coraz´n llega a un centro asis´ e o tencial. $ 100. diagn´stico en medicina. e o estrucuras de datos en inform´tica. a 77 . pertenece al o area m´dica. y poder identificar r´pidamente los pacientes de alto riesa go. entre otros. Introducci´n o Los arboles de clasificaci´n se usan para predecir membres´ de casos u ob´ o ıa o jetos en las clases de una variable categ´rica dependiente de los valores de una o m´s variables predictoras. desea dividir un sistema ordenando (un conjunto de monedas de diferentes clases (monedas de a $ 1. a Esto puede producir un arbol de clasificaci´n donde usted f´cilmente podr´ cla´ o a a sificar una nueva moneda en algunas de las existentes conociendo su di´metro. o a lo cual se puede usar para realizar un ordenamiento jer´rquico de las monedas. Uno de los ejemplos de aplicaci´n presentado por Breiman et al. $ 10. presi´n. El arbol clasificador presentado por Breiman necesita s´lo tres respuestas. a El estudio de arboles de clasificaci´n se ha realizado desde varias areas de in´ o ´ ter´s como por ejemplo: reconocimiento de patrones. Suponga que hay una medida que hace una distinci´n entre las monedas. ¿Qu´ son? e Imagine que Ud. “Si el ´ o paciente tiene una presi´n m´ o ınima superior a 91 durante las primeras 24 horas. es sometido a varios tests para determinar pulso. y si el paciente presenta taquicardia. Luego los pacientes pueden ser clasificados como sobrevivientes a un ataque cardiaco. por ejemplo su di´metro. Los arboles de clasificaci´n constituyen una de las a ´ o e ıa t´cnicas principales para realizar Data Mining (Miner´ de Datos).5 a˜os. luego si el paciente tiene m´s de 62. $ 500). o Se puede obtener una gran cantidad de informaci´n adicional como edad y su o historia cl´ ınica. sicolog´ a a ıa.1.Cap´ ıtulo 7 Arboles de Clasificaci´n o 7. bot´nica. a n luego el paciente no sobrevivir´”.

Un atributo A se divide por A ≤ r donde r es num´rico.. Cuando no existe una partici´n que permita reducir m´s la impureza. o o 7.1. Comience con el nodo raiz que contiene toda la muestra de aprendizaje. t) = i(t) − pr · i(tr) − pl ∗ i(tl) 4. p(C/t)) 3. y f la funci´n o o de impureza. y si A es categ´rico e o sobre la pregunta de posible valores categ´ricos. Con C clases. o ´ b) Divida el nodo en dos nodos agregando los elementos de acuerdo a la partici´n. Algoritmo Crear-Arbol-de-Clasificaci´n o 1.1.1. . Repita hasta que el nodo tenga pocos elementos de diferentes clases o que sean todos de la misma. El proceso termina cuando todos los elementos pertenecen a la misma clase o ´ 2.4. o 2. o 7. ARBOLES DE CLASIFICACION 7.3. Indice de Gini de diversidad es c c j=1 k=1 p(k/t) · p(j/t) 7.1.. La clase del nodo terminal corresponde al mayor n´mero de elementos de u la misma clase que pertenecen a ese nodo.2. Declaraci´n de un nodo terminal o 1. o a 3. .78 ´ CAP´ ITULO 7. El cambio en impureza por una partici´n s que env´ pr casos a la derecha o ıa y pl a la izquierda es Di(s. Funci´n de impureza f o Se usa la medida de entrop´ o de Shannon: ıa − p(j/t) · log(j/t) = i(t) j que es una funci´n monot´nicamente decreciente. luego la impureza del nodo t es i(t) = f (p(1/t). p(j/t) es la proporci´n de casos en el nodo t.1.. a) Buscar una pregunta o partici´n optima Sopt. 2. Partici´n de los nodos o 1.

Por o a ejemplo.2.1.5 79 7. Reglas de Divisi´n o Para dividir cada nodo en dos hijos. La principal diferencia entre ´stas radica en que CART trabaja s´lo generando arboles de clasificaci´n e o ´ o binarios. considerando un conjunto de datos con 215 casos y 19 variables.2. Por ejemplo: ¿Peso > 60 (kgs)?. El m´todo e CART mira todas las posibles reglas de divisi´n incluidas en el an´lisis.2. a u o Cualquier problema tendr´ un n´mero finito de reglas de divisi´n candidatas y CART conducir´ una b´squeda a bruta-force sobre ellas. CART considera sobre 215 veces 19 reglas para un total de 4085 posibles divisiones. mientras que See5 admite trabajar con arboles de nodos con diferente ´ cantidad de hijos. El proceso se denomina binario porque los nodos padres siempre se dividen en unicamente dos nodos hijos y recursivo ya que el proceso puede ´ repetirse tomando cada nodo hijo como un nuevo nodo padre. ¿C´mo saber qu´ tan bueno es este ´rbol? o e a Si dispone de suficiente datos de entrada (elementos de la muestra de aprendizaje) saque una parte de ellos y usela para evaluar la bondad de la clasificaci´n ´ o de ellos R ∗ (T ). El criterio usado o u o por defecto en CART es la regla GINI. EJEMPLO: RESOLUCION MEDIANTE CART Y C4.5. a u Elecci´n de la Divisi´n o o La siguiente actividad que realiza CART es ordenar en un ranking cada regla de divisi´n en base a alg´n criterio de calidad de la divisi´n.O.5 o CART y See5 (versi´n para S. 7. CART La Metodolog´ utilizada por CART es conocida como partici´n recursiva ıa o binaria.1. Ejemplo: Resoluci´n mediante CART y C4.´ 7. CART repite el proceso de o b´squeda para cada nodo hijo.5) son dos herramientas o que permiten realzar clasificaciones de muestras de datos. Asignaci´n de Clases o Una vez que se ha encontrado la mejor divisi´n. Los elementos claves que utiliza el an´lisis de CART son un conjunto de reglas para: a Dividir cada nodo del arbol ´ Decidir cuando un arbol es completo ´ Asignar cada nodo terminal a alguna clase de salida. una medida de cuan bien la regla de divisi´n separa las clases contenidas en el nodo padre (aunque tambi´n existen o e otros criterios disponibles). Windows de C4. 7. CART siempre realiza preguntas que tienen un “si” o “no” como respuesta. continuando recursivamente mientras es posible u .

CART no detiene el proceso de extensi´n de ´ o arboles porque puede aparecer informaci´n importante al examinar los niveles ´ o m´s bajos. La tasa de clasificaci´n o o o err´nea es calculada para el arbol m´s grande y tambi´n para cada sub-´rbol. CART o o realiza un paso m´s adelante: como cada nodo puede. el m´todo m´s simple o e a es dividir la muestra en sub-muestras de aprendizaje y prueba. Cuando se ha encontrado un nodo terminal se debe decidir como clasificar todos los casos que han ca´ en ´l. CART utiliza t´cnicas ino a e tensivas de computaci´n de validaci´n h´ o o ıbrida. Las reglas de asignaci´n de clases pueden ser modificadas e o desde una simple regla de pluralidad simple a una cuenta de los costos de cometer un error en la clasificaci´n y ajuste para algunos ejemplos de ciertas clases. la asignaci´n de clase es hecha para cada nodo. CART determina el mejor arbol probando y mia e ´ diendo tasas de error o costos. Una aplicaci´n consiste. La muestra de aprendizaje es usada para extender un arbol. Un criterio simple es la regla de pluralidad: ıdo e El grupo con la mayor representaci´n determina la asignaci´n de la clase. proveen nuevos casos para probar a . 7. pero este valor puede cambiar dependiendo de especificaciones particulares). o en una colecci´n de archivos de texto. potencialmente. y/o conjuntos de reglas que relacionen los casos de o una clase con los valores de sus atributos. examina arboles m´s peque˜os obtenidos mediante la reducci´n de ´ a n o algunas ramas del arbol maximal. en estos casos considera un l´ ımite de 10 casos. o ´ Arboles reducidos ´ Para decidir si un nodo es terminal o no. convera tirse en un nodo terminal. que puea a de ser un arbol relativamente peque˜o. en este caso. CART e permite detener la divisi´n por varias otras razones. Una vez que se ha generado el arbol maximal. Con informaci´n suficiente. incluyendo que un nodo o tenga muy pocos casos (por defecto.2. La divisi´n se hace imposible si queda s´lo un o o caso en un nodo particular o si todos los casos de esa clase son id´nticos. CART procede extendiendo arboles a ´ hasta que no es posible extenderlos m´s. requiriendo muchos casos o ´ que la regresi´n cl´sica. La metodolog´ de n ıa extensi´n de arboles utiliza intensivamente los datos. Esos archivos definen clases y atribuo tos. ARBOLES DE CLASIFICACION dividir o hasta que se detiene. Cuando los datos son pocos. Algunos estudios no tendr´n suficientes ´ n a datos para permitir una muestra de prueba de buen tama˜o. describen los casos que ser´n analizados. See5 See5 analiza datos para producir arboles de decisi´n. sea o ´ste terminal o no. que a diferencia de ´ o CART no s´lo son binarios. o ´ a e a El mejor sub-´rbol es aquel con el menor o m´s cercano menor costo.80 ´ CAP´ ITULO 7.2. a Pruebas Una vez que se ha construido el arbol maximal y se han derivado un conjunto ´ de sub-´rboles a partir de ´l. La muestra de prueba es usada ´ para estimar la tasa a la cual los casos son clasificados incorrectamente (posiblemente ajustados por clasificaci´n err´nea de costos).

es necesario contar con un archivo de datos con la extensi´n . La primera entrada en el archivo .). por lo tanto. casta˜o y n rubio) y color de tez (negra o blanca).2. espa˜ol y africano) a un conjunto de individuos. Cualquier caracter especial como coma (. o atributos y sus valores. color de pelo (negro. estos datos clasifican por nacionalidad (chino.). etc. valor continuo entre 50 y 100 aproximadamente). Pruebas en CART Para realizar las pruebas en CART es necesario considerar todos los datos como num´ricos. See5 presenta diversas opciones que permiten un mejor desempe˜o n cuando se trabaja con una gran cantidad de datos con muchos atributos.3.5 81 las clasificaciones producidas por See5 y especifican costos o penalizaciones por clasificaciones err´neas.1 muestra los datos a utilizar. este a o archivo contiene los casos que ser´n analizados para producir la clasificaci´n.data. punto (. Para ejecutar el programa es necesario contar con un o archivo de nombres con la extensi´n . ıcitamente definidos (especificados por tipo. Cada nombre es un string arbitrario de caracteres con algunas restricciones: Un nombre puede contener tabs y espacios. o 7. valor continuo entre 150 y 200 aproximadamente). ya que estos deben estar definidos a partir de los otros atributos y. algunos de los cuales pueden no ser importantes en la tarea de clasificaci´n. Todos ellos deben estar juntos en un mismo directorio. Un caso de entraa da consiste en los valores de los atributos (en el mismo orden en que aparecen en el archivo . norteamericano.names consiste en una entrada por cada atributo. para esto se considera la siguiente notaci´n: e o Color de Pelo . o Adem´s. Caso de Prueba: Nacionalidad La tabla 7. son calculados autom´ticamente por el a programa. peso (en kilogramos.) e impl´ ıcitamente definidos (especificados por f´rmulas). Luego o que la aplicaci´n ha sido identificada.names). el cual contiene una serie de clases. n para los cuales se presentan los siguientes atributos: estatura (en cent´ ımetros.2.´ 7. En estos casos no es necesario dar valores para aquellos atributos definidos impl´ ıcitamente. See5 puede ser usado para construir un o clasificador. El primer paso en la construcci´n de un clasificador es localizar los archivos o de la aplicaci´n. a o Cada caso est´ representado por una entrada en el archivo.names. El resto del archivo . EJEMPLO: RESOLUCION MEDIANTE CART Y C4. Los atributos son de dos tipos: expl´ valores.names especifica la clase. pero cualquier secuencia de tabs y espacios es tratado como un espacio simple. y se deben establecer un atributo de valores discretos que contenga los valores de las clases o definiendo la clase directamente como una lista de nombres separados por comas. punto y coma(.) o pipe (|) que formen parte de un nombre deben estar precedidos por el car´cter de escape backslash a ().

1: Datos de la muestra 1 2 3 negro casta˜o n rubio Cuadro 7.2: Color de Pelo Color de Tez 1 2 negra blanca Cuadro 7.82 Estatura 167 180 185 179 177 176 187 164 168 168 183 186 188 185 172 172 158 179 159 186 190 188 196 191 Peso 70 82 86 76 73 84 80 63 72 70 88 90 94 92 80 72 64 86 68 90 70 75 73 71 ´ CAP´ ITULO 7.3: Color de Tez . ARBOLES DE CLASIFICACION Color de Pelo negro rubio negro negro rubio casta˜o n rubio negro negro negro casta˜o n negro rubio negro negro negro negro rubio negro negro negro negro negro negro Color de Tez blanca blanca negra blanca blanca blanca blanca blanca blanca blanca negra negra blanca blanca blanca blanca blanca blanca blanca blanca negra negra negra negra Nacionalidad chino norteamericano norteamericano espa˜ol n espa˜ol n espa˜ol n norteamericano chino chino espa˜ol n norteamericano norteamericano norteamericano espa˜ol n espa˜ol n chino chino norteamericano chino espa˜ol n africano africano africano africano Cuadro 7.

1: Resultados de CART .4: Nacionalidad (Clase) Al introducir la informaci´n en CART los resultados que arroja se mueso tran en la figura 7.1. La tabla esta figura muestra un resumen de valores como complejidad de cada uno de los nodos terminales y costos relacionados a ciertas caracter´ ısticas que son analizadas por CART al momento de generar los arbo´ les de decisi´n como se mencion´ anteriormente.5 Nacionalidad (Clase) 83 1 2 3 4 chino norteamericano espa˜ol n africano Cuadro 7. Figura 7. con 4 nodos o o ´ terminales entregado por CART se muestra en la figura 7. EJEMPLO: RESOLUCION MEDIANTE CART Y C4.2. El Arbol optimo.´ 7.2.

Pruebas en See5 Al realizar las pruebas en See5. ARBOLES DE CLASIFICACION Figura 7..16] Read 24 cases (4 attributes) from nacionalidad.2: Arbol Optimo de Clasificaci´n entregado por CART o Notamos que para realizar una clasificaci´n solamente resultan relevantes los o atributos estatura y peso. Es importante presetar atenci´n a las caracter´ o ısticas de pureza de los nodos terminales...color de pelo = casta~o: espa~ol (1) n n .84 ´ CAP´ ITULO 7.data Decision tree: color de tez = negra: :..peso <= 80: africano (4) : peso > 80:norteamericano (3) color de tez = blanca: :. se obtienen los siguientes resultados: See5 [Release 1.

que ambas herramientas generan arboles de clasificaci´n completamente distintos... Para el arbol generado por CART este valor es: o ´ 14. mientras que el arbol ´ generado por See5 pregunta por color de tez.3%) << 85 (a) ---6 1 (b) ---7 1 (c) ---- (d) ---- <-classified as (a): (b): (c): (d): class class class class chino norteamericano espa~ol n africano 5 4 A partir de los resultados entregados por See5 podemos construir el arbol ´ de decisi´n que muestra la figura 7. Concluimos lo importante del atributo peso.3: o Comparaci´n y Conclusiones o En este caso notamos. color de pelo y peso).´ 7. Ahora. podemos calcular el promedio de impureza de los nodos terminales.3 + 0 = 5.5 color de pelo = rubio: norteamericano (5/1) color de pelo = negro: :. aunque una mejor forma de probar sus bondades es observando que tan bien trabajan clasificando individuos nuevos .3 + 0 + 33. para una misma muestra.3 + 20 = 20. de modo que nos entreguen alg´n ´ u ındice observable de diferenciaci´n. desde los atributos de ´ o inter´s en cada uno de los casos (el arbol generado por CART se preocupa soe ´ lamente de preguntar por los atributos estatura y peso. EJEMPLO: RESOLUCION MEDIANTE CART Y C4.475 % 4 Para el arbol generado por See5 este valor asciende a: ´ 0 + 0 + 0 + 20 + 14.72 % 6 Este es un primer punto a favor para See5.2.peso <= 73: chino (7/1) peso > 73: espa~ol (4) n Evaluation on training data (24 cases): Decision Tree ---------------Size Errors 6 2( 8.

7 % de seguridad podr´ tratarse de un norteamericano ıa y con 33.3 % de seguridad podr´ tratarse de un espa˜ol.86 ´ CAP´ ITULO 7. Para esto consideremos los nuevos individuos que aparecen en o la tabla 7. Caso 2: CART: con un 66. Caso 1 2 3 4 Estatura 183 185 177 167 Peso 85 79 86 68 Color de Pelo negro negro rubio negro Color de Tez blanca negra blanca blanca Nacionalidad espa˜ol n africano norteamericano chino Cuadro 7. era bastante f´cil cometer un error. ARBOLES DE CLASIFICACION Figura 7.3: Arbol Optimo de Clasificaci´n entregado por See5 o en la poblaci´n. (nodo terminal 3) ıa n See5: espa˜ol (nodo terminal 6) n Para este caso.5. por lo tanto. (nodo terminal 3) ıa n .3 % de seguridad podr´ tratarse de un espa˜ol. no se cona cluye mucho al respecto.5: Casos de Prueba Caso 1: CART: con un 66.7 % de seguridad podr´ tratarse de un norteamericano ıa y con 33.

podemos ver que cada vez que el color de pelo es rubio la nacionalidad es norteamericano.´ 7. observando la tabla. Caso 4: CART: chino con un 85.7 % de seguridad (nodo terminal 1) See5: chino con un 85. Caso 3: CART: espa˜ol con 100 % seguro (nodo terminal 2) n See5: norteamericano con un 80 % de seguridad (nodo terminal 4) En este caso cabe mencionar el error cometido por CART al generar este arbol.2.7 % de seguridad (nodo terminal 5) Para este caso los resultados son casi los mismos. no existe mayor conclusi´n. o . dado que no considera una atributo fundamental para distinguir a un ´ norteamericano. el error surge b´sicamente en el momento de fijar los l´ a ımites de los valores de peso y estatura en el caso de CART. EJEMPLO: RESOLUCION MEDIANTE CART Y C4.5 87 See5: africano (nodo terminal 1) En este caso.

ARBOLES DE CLASIFICACION .88 ´ CAP´ ITULO 7.

1. para responder a demandas poco frecuentes 2. para una mejor planificaci´n de la producci´n o o 3. para minimizar el costo de ordenar las preguntas que se van a responder usando un modelo de inventario son: ¿Qu´ cantidad ordenar? e ¿Cu´ndo emitir una orden de compra? a ¿Cu´l es el nivel razonable del stock de seguridad? a Para ello vamos a definir un grupo de par´metros: a Nivel de la demanda del producto 89 . entonces ¿por qu´ mantener productos en bodega? e 1.1. Repaso Modelos de Inventario Cuando se tienen demasiados items en bodega los costos pueden llegar a ser muy elevados y el no disponer de una cantidad cuando lo est´n demandando a tambi´n genera un costo adicional cuantificado en general como prestigio y el e costo de haber perdido esa oportunidad de vender. Si hay costos. como protecci´n de las irregularidades de abastecimiento o 5.Cap´ ıtulo 8 Teor´ de Inventario ıa Probabilista 8. para obtener precios con descuentos 6. para enfrentar en mejor forma huelgas y problemas laborales 4. 8.1.

deterioro. seguros. almacenamiento. ¿Cu´nto ordenar? = Q a El costo de inventario se divide en dos tipos de costos: el costo de mantener las unidades en inventario y el costo de ordenar. Modelo de Lote Econ´mico (EOQ) o Supuestos: 1. TEOR´ DE INVENTARIO PROBABILISTA IA Costo de almacenar una unidad del producto Precio de compra por una unidad Costo de poner una orden Variables en un modelo de inventario: 1. Tasa de disminuci´n (relacionado con la demanda) o 4. Costo de mantener unidades en inventario: costo asociado con: costo de e capital. p´rdidas. ¿Cu´ndo ordenar? = R a 2.90 CAP´ ITULO 8. Tiempo entre la orden y la llegada del producto (lead-time) 6. Cantidad ordenada llega en el instante que el stock lleg´ a cero o 2. Nivel de Inventario 3. Punto de reorden: ¿Cu´ndo emitir una nueva orden? a 5. impuestos. La demanda es constante Se desea responder a: 1. Costo de inventario = Q D CT = Ch · + Co · 2 Q donde Ch = costo unitario de mantener en inventario Co = costo unitario de ordenar D = demanda anual Q = cantidad a ordenar determinando Q∗ utilizando la relaci´n o d(CT ) =0 d(Q) . Costos de Ordenar o de puesta en marcha 8. N´mero de productos u 2. Cantidad ordenada y tama˜o del lote n 7.

sin embargo en lugar de tener un precio fijo unitario. Cuando esto ocurre se producen costos adicionales (debido a perdidas de oportunidades.1. 8. ´ Aqu´ modificaremos el modelo EOQ para permitir la posibilidad de falta de ı stock. costo de emitir ordenes especiales.1): . a Se define el punto de reorden como el nivel de inventario en el cual emitir una orden.1. por ejemplo teniendo la tabla por a n categoria de descuentos (Tabla 8. etc). luego el costo total se ve modificado en: CT = Costo de mantener en inventario + Costo de Ordenar + Costo de mantener ordenes pendientes ´ esto calculado al a˜o. a Supongamos que se tiene un producto donde el modelo b´sico EOQ se puede a aplicar. 1/2 1/2 2 · D · Co Ch + Cs Q∗ = · Ch Cs S ∗ = Q∗ · Ch Ch + Cs Descuentos por cantidades para el modelo EOQ Descuentos por cantidades ocurren en muchas empresas e industrias donde los abastecedores entregan un incentivo para compras en grandes cantidades ofreciendo precios m´s bajos.8. REPASO Q∗ = 2 · D · Co Ch 1/2 91 Ahora la pregunta que falta responder es ¿cu´ndo ordenar?. problemas de imagen. Sea Cs el costo de mantener una orden pendiente. Modelo con Ordenes Pendientes. luego: R=d·m con R = punto de reorden d = demanda diaria m = lead time en d´ ıas esto indica que hay que emitir una orden en el nivel de inventario en que la demanda a satisfacer sea igual al stock remanente hasta completar el lead time. este precio depender´ del tama˜o del lote que se compre.2. n Luego se tiene con el gr´fico dibujado en clases que: a CT = (Q − S)2 D S2 · Ch + · Co + · Cs 2·Q Q 2·Q o En base a esta relaci´n se pueden determinar los valores correspondientes de Q y S. En muchas situaciones de la vida real se produce una insatisfacci´n de la o demanda.

En general. sin embargo se debe considerar que el mantener m´s unidades en inventario incurrir´ adem´s a ıa a en un aumento del costo del inventario.92 CAP´ ITULO 8.75 Categoria de Descuento 1 2 3 Cuadro 8. debido a que fue constante y no afectaba la selecci´n de la pol´ ıtica de inventario. Para ello el procedimiento de calculo es el siguiente: 1. costos por p´rdidas de producci´n e o . y la tasa de producci´n es mayor que la tasa de la demanda. Este a o costo involucra horas de trabajo.999 1000 .0 4. 3. Luego. a o o Modelo del Lote de Producci´n Econ´mica Este es similar al modelo EOQ en que hay que determinar cu´nto producir a y cuando poner una orden. Calcular Q∗ usando la f´rmula del modelo EOQ para cada categoria de o descuentos. Si embargo. sea Q la cantidad del lote a o producir. La suposici´n fundamental es que la demanda tiene o una tasa constante. material. la interpretaci´n difiere. en los descuentos por cantidades el costo de la compra var´ con el tama˜o del lote ordenado Q. El ultimo paso a seguir es: para cada una de los valores de los Q ∗ deter´ minados en los pasos 1 y 2 calcule el costo de inventario anual tomando el costo unitario respectivo a la categoria de descuentos. En nuestros modelos de inventario previos se ha ignorado el costo anual de o la compra del item. En situaciones de producci´n el costo de ordenar se o o refiere m´s exactamente al costo de puesta en marcha de la producci´n. TEOR´ DE INVENTARIO PROBABILISTA IA Tama˜o de la orden n 0 . por lo ıa n tanto se debe incluir el costo de comprar en el costo total: Costo de inventario = CT = Ch · Q D + Co · +D·C 2 Q donde C es el costo unitario del item. Sin embargo.2499 superior a 2500 Descuento 0% 3% 5% Costo Unitario 5. Para todos los Q∗ calculados en el paso anterior elija los valores de Q ∗ n que correspondan a la categoria de descuentos se˜alada. Al igual que en el modelo EOQ tendremos dos costos a considerar en el inventario: costo de mantener en inventario y el costo de ordenar. hay que tratar de lograr un equilibrio entre la reducci´n de precios y la consecuencia de incorporar m´s o a unidades en inventario.85 4. 2. o Sin embargo en vez de que los items lleguen externamente a la empresa se trata ahora de una producci´n interna. La cantidad optima ´ Q∗ ser´ aquella que entregue un menor costo de inventario anual.1: Categor´ de descuentos ıas El 5 % de descuento en la categoria aparece como tentador.

2. Sea: EOQ con demanda incierta o 1. dl aleatoria como lo muestra la tabla 8.8. SLM2 = n´mero esperado de ciclos al a˜o en los que ocurre stock-out Ejemplo: Problema: Considere D = 1000 Q∗ = 100 R = 30[u] Adem´s. SLM1 = fracci´n esperada de toda la demanda que llega a tiempo u n 2.2. a antidad 0 0 40 50 60 Probalilidad 1 5 1 5 1 5 1 5 1 5 Cuadro 8.2: Distribuci´n aleatoria de la demanda o Soluci´n: o Podemos calcular: E[dl ] = 1 · (200) = 40[u] 5 . o El Costo total en inventario ser´: a Costo de inventario CT = Ch · D D Q · (1 − ) + Co · 2 P Q 93 donde P = producci´n anual o D = demanda anual Luego se puede determinar Q∗ = cantidad a producir por la siguiente relaci´n: o Q∗ = ( 1/2 2 · D · Co 1/2 1 ) · D Ch (1 − P ) 8.2. EOQ CON DEMANDA INCIERTA todo esto para preparar la corrida de producci´n.

el n´mero promedio de unidades insatisfechas al a˜o = E[S] · u n D · (1 − SLM1 ) E[S] = ∞ R = (x − R) · fx (x)dx = (1 − SM L1 ) · Q∗ . de la escasez del producto y sea § v. u ıa 1 · (0 + 0 + 10 + 20 + 30) = 12[u] 5 Cantidad Sobrante 0 0 10 20 30 Probalilidad 1 5 1 5 1 5 1 5 1 5 Cuadro 8. x ≥ R. D Q∗ Luego.3: N´mero de Ordenes u = ⇒ D = 10 Q 120 [u] no satisfechas a la a˜o n As´ ı SLM1 = = ⇒ 1000 − 120 880[u] 88 % Sea S v.94 CAP´ ITULO 8.x < R . σ 2 ). n S= 0 x−R . Sea R punto de reorden y SLM1 porcentaje de unidades satisfechas al a˜o. TEOR´ DE INVENTARIO PROBABILISTA IA considerando R = 30[u] N´mero esperado de unidades no satisfechas ser´ 12[u] por ciclo.a. de la demanda durante el lead-time ∼ N (µ.a.

µ+σ·Z =R Ejemplo: SLM1 Problema Se desea conseguir un porcentaje de unidades satisfechas al a˜o de 99 % n (SLM1 = 99 %). Se cuenta con: n Q∗ = 100 D = 1000 N´mero de Ciclos = 10 u Soluci´n o P (dL > r) = φ R − 83. EOQ CON DEMANDA INCIERTA 95 8.55 Q = 327 Soluci´n o L(z) = 0.84 con z = R−µ σ ⇒ E[S] = σ · L(Z) = (1 − SLM1 ) · Q∗ R = 20 · 0.26 ⇒ R = 192 + 11.13 .55 · 0.3 √ 400 2 = 0.283 11. Sea Propiedades: ∞ z Si x ∼ N (µ.84 + 83.1.55 ⇒ z = 0.2.2.8. σ) L(z) = z · fz (z)dz.2 10 = 0.26 = 195 Ejemplo: SLM2 Problema Se desea conseguir 2 stock-outs al a˜o.33 = 100.01 · 327 = 0. Se cuenta con: µ = 192 σ = 11.

96 CAP´ ITULO 8. TEOR´ DE INVENTARIO PROBABILISTA IA .

. X2 .1. xn )} con probabilidad 1 − α de contener el verdadero valor del par´metro.. . . . xn ). .. ... . se puede usar para estimar µ n y T2 (x1 .. x2 . .1. Xn con valores x1 . . Repaso Estimaci´n de Par´metros o a La estimaci´n de par´metros puede ser puntual o por intervalo.1. se desea estiu a mar sobre esta muestra el valor de alg´n par´metro desconocido.. .. ..... a Estimaci´n puntual o Existen 2 problemas: 1. xn ) con T1 (x1 . luego τ ∈ {T1 (x1 . . . xn ). σ τ=µ Estimaci´n Puntual: o T1 (x1 . . xn . T2 (x1 . .. Supongamos o a una muestra aleatoria X1 . Seleccionar criterios que nos permitan decidir cuan bueno es un estimador M´todos de Estimaci´n Puntual: e o 97 . . . . xn ) < T2 (x1 . 9. Encontrar m´todos que nos proporcionen estimadores e 2. . . . xn ) = (x1 +x2 +. xn ) = (xi −¯)2 x n para estimar σ 2 Estimaci´n por intervalo: o Idea: No hay un unico estad´ ´ ıstico.Cap´ ıtulo 9 Modelos de Regresi´n o 9.+xn ) . . sino que se definen 2 estad´ ısticos: T1 (x1 .. por ejemplo.. xn ). T2 (x1 .

.98 ´ CAP´ ITULO 9. MODELOS DE REGRESION 1. suponiendo 2 2 σ1 = σ 2 = σ 2 1 µx − µy ∈ ((¯ − y ) ± tn+m−2. θ) = i=1 fXi (xi . con L∗ = Logc L δθi Ejemplo: Si X ∼ P oisson(λ) x −λ e P (X = x) = λ x! ˆ ¯ λ=x Estimaci´n por intervalo o Si X ∼ N (µ.1− α σ √ 2 ) n 2 x σ 2 ∈ ( χ2(xi −¯) . . θ) n L(x. . . . i = 1. k. x2 . α Intervalo de confianza para diferencias de medias.. ˆ ¯ σ2 = ˆ (xi −¯)2 x n 2. µ ∈ (¯ ± x µ ∈ (¯ ± x Z1− α σ √2 ) n con 100(1 − α) % confianza y σ conocido con 100(1 − α) % confianza y σ desconocido 2 ˆ tn−1.. M´todos de los momentos: Igualar los momentos muestrales a los poblae cionales o a Ej: Sea X1 .. luego µ = x.1− 2 (xi −¯)2 x ) χ2 n−1. σ 2 ). θ) Se define el estimador de m´xima verosimilitud como el valor del espacio a param´trico que maximiza la funci´n verosimilitud luego.. α n−1. EMV de θ e o δL∗ = 0. xn .Xn m.Xn (x1 ... M´todos de M´xima Verosimilitud. σ 2 ) con par´metros desconocidos. . θ) = L(x.1− α Sp ( n + x ¯ 2 1 2 m) ) 1 con ..a(n) con distribuci´n N (µ. e a Funci´n de Verosimilitud es la funci´n de densidad conjunta de la distrio o buci´n de las variables: o fX1 .

Estimaci´n del intervalo para una predicci´n: o o Sea una m.m−1.a (n) ∼ N (µ1 . 3. α Sx y 2 1 1 + n) 2.a (m) ∼ N (µ2 . o Como estimador puntual lo natural seria usar y = x. Ejemplos: 1.1.3. σ2 ) Homocedasticidad si 2 σ2 2 σ1 2 σ1 2 σ2 = 1. Fn−1. Supongamos que se desea estimar el valor de una nueva observaci´n Y independiente de las Xi generada de una ∼ N (µ. Distribuciones Importantes (xi −¯)2 x σ2 ∼ χ2 n−1 ∼N (0.m−1.1) χ2 n−1 n−1 ∼ tn−1 9. sino heterocedasticidad σ2 ˆ 1 ∈ {Fn−1.1.a ∼ N (µ. . σ 2 ) con σ 2 = 16. REPASO 2 Sp = (xi −¯)2 x n+m−2 99 + (yi −¯)2 y n+m−2 Intervalo de confianza para comparar 2 poblaciones normales independientes: 2 2 m. σ1 ) independiente de m. σ 2 ).9. 2. σ 2 ). ∼ N (µ. Determine el tama˜o de la muestra n para que la longitud del intervalo sea 1 con confianza del 95 %.2. con su varianza de 100mg 2 . Se desea encontrar el intervalo de confianza con 95 % para la varianza de la cantidad de cierto anest´sico que se necesita para producir anestesia aproe piada para cirug´ Suponga normalidad con una muestra de 50 valores y ıa.1− α σ2 2 2 2 ˆ 2 ˆ 1 σ2 ˆ 9. ˆ ¯ El Estimador por intervalo: Caso a: Con σ 2 conocido y ∈ (ˆ ± Z α σ y 2 1 1 + n) Caso b: Con σ 2 desconocido y ∈ (ˆ ± tn−1. 1.a.1. α σ2 . Sea una m.

m.a(100) ∼ N (17. si la regi´n cr´ o ıtica es: RC = {¯ > 17 + x 5 √ } n a) P(error Tipo I) P(error Tipo I) = P(Rechazar H0 /H0 cierta) 5 P(error Tipo I) = P (¯ > 17 + √n /θ = 17) x Si θ = 17.a(n) ∼ N (θ. se est´ en la duda si θ = 17 o θ = 20 a Suponga H0 = θ = 17 v/s H1 = θ = 20. P(error Tipo II) = β. con n = 100. x P(error Tipo I) = P ( (¯−17) 5 √ n > 1) = 0. 25) y 25 x ∼ N (17.4.a(100) ∼ N (20.100 ´ CAP´ ITULO 9. 25) y 25 x ∼ N (20. 100 ) ¯ Luego.158866 b) P(error Tipo II) P(error Tipo II) = P(Aceptar H0 /H0 falsa) 5 P(error Tipo II) = P (¯ < 17 + √n /θ = 20) x Si θ = 17. Sea m. 100 ) ¯ Luego. D´cimas de Hip´tesis o o H0 cierta Error Tipo I ok H0 falsa ok Error Tipo II Decisi´n o Rechazar H0 Aceptar H0 P(error Tipo I) = α. 25). m. Potencia = P(hacer lo correcto en el sentido del rechazo) Potencia = P(Rechazar H0 /H0 falsa) = 1 − β Ejemplos: 1. MODELOS DE REGRESION 9. Calcular las probabilidades de los errores Tipo I y Tipo II. x P(error Tipo II) = P ( (¯−20) 5 √ n < − 3 5 n + 1) = 0 √ .1.

Se desea determinar el tama˜o de la muestra para n que el error tipo I sea igual al error tipo II e igual al 5 %. 3.4. de tal forma que una variable se puede a predecir desde las otras.. edad. ) o . presi´n arterial. REGRESION LINEAL SIMPLE 101 2. De su experiencia pasada sabe que la desviaci´n standard del peso de los pollos de este proo veedor es de 1.2. Se le ha sugerido al agente que adopte el siguiente o procedimiento para tomar la decisi´n: Seleccionar una muestra aleatoria de 196 pollos por cada embarque: Si el peso promedio de la muestra es de 31. Un agente de compras de un supermercado compra a un determinado proveedor pollos asados en lotes. Regresi´n Lineal Simple o An´lisis de regresi´n es una herramienta estad´ a o ıstica que utiliza la relaci´n o entre 2 o m´s variables cuantitativas. ¯ ¯ o ıtica es mejor mientras cumpla con α al menor β NOTA: La regi´n cr´ (mayor potencia). y rechazar en caso que sea menor. determine la mejor de ellas.2.. renta. Sea m.2. El especifica que el peso promedio de los pollos en un embarque debe ser al menos de 32 onzas. Determine la RC.6 v/s RC2 = x < 31.. .´ 9.1.a(n) ∼ N (µ. a) Suponga que el est´ eligiendo entre dos posibles reglas de decisi´n: a o RC1 = x < 31.) Peso v/s (estatura. 9. Conceptos B´sicos a Un modelo de regresi´n es un medio formal de expresar los ingredientes o esenciales de una relaci´n estad´ o ıstica: Una tendencia de la variable dependiente Y var´ con la variable o variales ıa independientes en una forma sistem´tica a Un conjunto de observaciones rodean la curva de la relaci´n estad´ o ıstica. Estas dos observaciones responden a los siguientes supuestos en un modelo de regresi´n: o En la poblaci´n de observaciones asociadas con el proceso muestreado o existe una distribuci´n de probabilidad de Y para cada nivel de X o El sentido de estas distribuciones de probabilidad var´ en alguna forma ıan sistem´tica con X a Ejemplo: Cantidad demandada v/s (precio. 64).7 oz aceptar.5 oz. 9.

∀i. es decir. el valor de la variable independiente en el i-´simo ensayo e : error aleatorio con las siguientes propiedades: i E( i ) = 0. m´s exactamente. COV (Yi . MODELOS DE REGRESION Y es dependiente.5 + 2.2. E(Yi ) = E(β0 + β1 Xi + i ) = β0 + β1 Xi 2. j ) = 0. se dea sea minimizar: n 2 i i=1 n = i=1 (Yi − β0 − β1 Xi ) 2 Los par´metros estimados son: a . β1 tal que se minimice la suma de los errores al cuadrado. estimar β 0 . COV ( i .102 ´ CAP´ ITULO 9. σ 2 ( i ) = σ 2 i y j no correlacionados. β1 son par´metros a Xi constante. Xi variables independientes El uso del an´lisis de regresi´n puede ser para: a o descripci´n o control predicci´n o 9. V (Yi ) = V ( i ) = σ 2 3.1Xi + i . j. suponga que en el i-´simo ensayo se produjo un lote de Xi = 45 unidades y el n´mero de horas e u hombre es 108 (Yi ) Significado de los Par´metros a Estimaci´n de los par´metros por m´ o a ınimos cuadrados. ∀i = j Ejemplo: Dado el siguiente modelo Yi = 9. i = j Consecuencias del Modelo 1.2. Modelo de Regresi´n o Formalmente un modelo de regresi´n se denota como: o Yi = β 0 + β 1 X i + i donde Yi es el valor de la variable respuesta en el ensayo i-´simo e β0 . Yj ) = 0.

n i=1 n i=1 ¯ ¯ (xi − X)(yi − Y ) ¯ ¯ (xi − X)2 (yi − Y )2 x i ei = 0 y i ei = 0 ˆ σ2 n xi 2 (xi −¯)2 x Varianzas ˆ 1. V (β0 ) = ˆ 2. 5. SCR = 6. La suma de los valores observados yi es igual a la suma de los valores ajustados 4. V (β1 ) = 3. SCE = (yi − y ) ¯ 2 (yi − y ) ˆ ¯ 2 (yi − yi ) ˆ 2 7. Coeficiente de Determinaci´n = R 2 = o SCR SCT . La suma de los residuos es cero ei = 0 2. La suma de los residuos al cuadrado es m´ ınima 3. SCT = 5. ˆ σ2 = σ2 (xi −¯)2 x e2 i n−2 4.´ 9. REGRESION LINEAL SIMPLE ˆ ˆ ¯ ¯ β0 = Y − β1 X ˆ β1 = Observaci´n: o Rxy = 103 ¯ (xi −X)Yi ¯ (xi −X)2 Teorema de Gauss-Markov: Ambos estimadores lineales son insesgados y dentro de todos los estimadores lineales insesgados son los de varianza m´ ınima Respecto a los Residuos Propiedades: 1.2.

Yhnuevo ∈ {Yh ± tn−2.104 ´ CAP´ ITULO 9.1− α 2 CM E(1 + CM E(1 + 1 n 1 n + + ¯ (Xh −X)2 ¯ ) (Xi −X)2 1 m + ¯ (Xh −X)2 ¯ ) (Xi −X)2 D´cimas de Hip´tesis en Regresi´n o o o 1.n−2) } Grados de Libertad 1 (n − 2) (n − 1) Cuadrados Medios SCR 1 SCE (n−2) F CM CM .1− α 2 4. MODELOS DE REGRESION Inferencias en An´lisis de Regresi´n a o Intervalos de Confianza ˆ 1.1. Si H0 : β1 = β10 v/s H1 : β1 = β10 RC : ˆ β1 −β10 ˆ V( ˆ1 β) > t1− α .1− α 2 6.n−2 2 Tabla de An´lisis de Varianza (ANOVA) a Fuente de Variaci´n Suma de Cuadrados o Regresi´n o SCR Error SCE Total SCT F ∗ sigue una distribuci´n Fisher (1. Yhnuevo ∈ {E(Yh ) ± Z1− α σ} con par´metros conocidos a 2 ˆ 5. Si H0 : β1 = 0 v/s H1 : β1 = 0 RC : ˆ β1 ˆ V( ˆ1 β) > t1− α . β1 ∈ {β1 ± tn−2. Si H0 : β1 ≤ 0 v/s H1 : β1 > 0 ˆ RC : β1ˆ > t1−α. n − 2) o Si H0 : β1 = 0 v/s H1 : β1 = 0 RC : {F ∗ > F(1−α.n−2 2 2.1− α 2 ˆ 2. E(Yh ) ∈ {Yh ± tn−2. ¯ ˆ Yhnuevo ∈ {Yh ± tn−2. β0 ∈ {β0 ± tn−2.n−2 V( ˆ1 β) 3.1− α 2 ˆ V ( ˆ 1} β) ˆ V ( ˆ 0} β) ˆ ˆ V (Yh )} ˆ 3.

141 149 131 126 Tama˜o n 6000 3000 9300 11500 Hrs. La empresa dispone de los siguientes datos: o Hrs. En los a˜os 2000-2001. 134 137 128 144 Tama˜o n 8000 8000 11500 4000 Obtenga estimaciones para el modelo lineal Construya la ANOVA Docime H0 = β0 ¿Es adecuado el modelo planteado? Al final del a˜o 2001 a la Hi-Ace Company le fue propuesto un contrato n de 10000 v´lvulas: a • Obtenga un Intervalo de Confianza del 95 % para la estimaci´n del o tiempo • Obtenga un Intervalo de Confianza del 95 % para el promedio de 5 nuevas estimaciones del tiempo An´lisis de los Supuestos a Problemas: La funci´n de regresi´n no es lineal o o Los t´rminos de error no tienen varianza constante e . La Hi-Ace Company fabrica toda una variedad de v´lvulas.´ 9. Se desea predecir exactamente o a el costo de mano de obra directa para un determinado contrato. la empresa n po particular que se usa en las refiner´ consigui´ contratos para producir esta v´lvula.05 Calcular un Intervalo de Confianza para el verdadero valor medio de Y cuando X = 3 con α = 0. es decir. estime α y β Construya la ANOVA Probar con α = 0. Se recopilaron los siguientes datos: X Y -5 1 -4 5 -3 4 -2 7 -1 10 0 8 1 9 2 13 3 14 4 13 5 18 Asumiendo un modelo Yi = α + βXi + i . incluyendo un tia ıas. 2. 145 145 135 146 Tama˜o n 5000 4800 9000 3000 Hrs.05 la hip´tesis H0 : β1 = 0 v/s H1 : β1 = 0 o Calcular un Intervalo de Confianza para β con α = 0.05 Probar que el rendimiento en el proceso qu´ ımico no depende de la temperatura. REGRESION LINEAL SIMPLE Ejemplos 1. 105 Se realiz´ un estudio sobre los efectos de la temperatura (X) sobre la producci´n o o Y de un proceso qu´ ımico.2. el problema es el predicir el n´mero de horas de mano de obra directa que debe u emplear la empresa en la producci´n.

. xn m. .05 n > 50 20 15 10 Dn α 1. MODELOS DE REGRESION Los errores no son independientes El modelo no se ajusta para algunos outliers Los errores no se distribuyen normal Gr´ficamente: a Un gr´fico de los errores ei v/s X permite ver si es apropiado el modelo y si la a varianza de los errores se puede suponer constante. .34 0. x2 . . .41 .a ∼ F (x) y sea x1 . x2 . .36 √ n 0. . Un gr´fico de a e √ i CM E permite ver outliers Tests a Efectuar: Para Aleatoriedad: Durbin-Watson Varianza Constante: Fisher H0 : 2 σ2 2 σ1 =1 Para Normalidad: Kolmogorov-Smirnov Durbin-Watson H0 : ρ = 0 v/s H1 : ρ > 0 Sea: D= n i=2 (ei − ei−1 )2 n 2 i=1 ei D > du acepta H0 no est´n correlaciondos a D < dl rechaza H0 dl ≤ D ≤ du el test no concluye Nota: Tabla n´mero de variables = (p-1) u Kolmogorov-Smirnov Sea x1 . xn muestra ordenada. Se define:  x < x1  0 k Sn (x) = xk ≤ x ≤ xk+1 n  1 x ≥ xn Se supone F (x) conocido M´xx |F (x) − Sn (x)| = Dn a H0 = F = F0 v/s H1 : F = F0 Rechazar H0 si Dn > Dn α Para α = 0.29 0.106 ´ CAP´ ITULO 9. .

710 0.329 0.710 0.621 0.503 0.581 0.´ 9.32 H0 = es una distribuci´n uniforme ∼ U (0.2. 1) o .203 0.480 0. REGRESION LINEAL SIMPLE Ejemplo: 0.554 107 0.