Teoría de Decisiones: Ejercicios Resueltos
Teoría de Decisiones: Ejercicios Resueltos
Teoría de Decisiones: Ejercicios Resueltos
Ejercicios Resueltos
7º. Semestre
Licenciatura en
Ingeniería Civil
OBJETIVO
1 SÍNTESIS DE PROBABILIDAD 1
2 MODELOS DE DECISIÓN 9
3 CADENAS DE MARKOV 37
3.1 Agente de ventas 38
3.2 Supermercados 41
3.3 Matriz de transición 43
3.4 Matriz de transición 44
3.5 El ascensor 46
3.6 Distribución del mercado 48
3.7 Probabilidades estacionarias 50
3.8 Crédito 51
3.9 Probabilidades de transición 53
3.10 Probabilidades estacionarias 56
4 LÍNEAS DE ESPERA 58
4.1 Prueba de bondad de ajuste 59
4.2 Selección del número de muelles 62
Tabla 4.1 Cara cterístic as de opera ción 63
4.3 Decisión entre uno o dos talleres 66
4.4 Decisión del número de equipos de trabajadores 67
4.5 Decisión del número de muelles 69
4.6 Decisión del número de empleados 71
4.7 Operación de c aja rápida 73
4.8 Llamada de Erlang 74
4.9 Operación de confesionarios 75
4.10 Opera ción de c ajero automátic o 77
4.11 Operación de taquillas 78
Tabla 4. 2 Valores de Po 80
Tabla 4. 3 Áreas bajo la curva normal estándar entre 0 y z 81
Tabla 4.4 Áreas bajo la curva χ 2
82
5 MÉTODOS DE MONTECARLO 83
5.1 Observaciones aleatorias 85
5.2 Selección del número de muelles 86
5.3 Consumo de energía 93
5.4 Repara ciones 97
5.5 Área de una elipse 99
5.6 Las agujas de Buffon 101
5.7 Aeropuerto 104
5.8 Líneas de espera 105
5.9 Operación de un centro de cómputo 108
5.10 Observa ciones aleatorias 110
BIBLIOGRAFÍA 113
INTRODUCCIÓN
A medida que el ser humano va creciendo, se va volviendo dueño de sí mismo; es decir, poco a poco
comienza a ejercer su derecho a decidir. Desde lo que desea comer, vestir, qué auto comprar, si debe
invertir cierto dinero o utilizarlo en otra cuestión, hasta con quién debe casarse. Es así como la Teoría
de Decisión representa un apoy o importante sustentado en la teoría de la probabilidad y en la
estadística para brindar una base sólida a grupos o individuos enfrentados a la toma de decisiones.
En el pasado hubo grandes matemáticos que contribuyeron a fortalecer esta disciplina del
c onocimiento, como Gauss, DeMoivre, Bernoulli, Poisson, Bayes, Markov, etc., que en
muchas oc asiones crearon las teorías basados en los juegos de azar. En la a ctualidad, por la
necesidad de utilizar muchos números aleatorios, como en los Métodos de Montecarlo, se hace
imprescindible el uso de la c omputadora, de lo cual se c arecía en la antigüedad.
Como parte del Plan de Estudios 2007, de la Facultad de Ingeniería de la Universidad Autónoma
de Chiapas; la asignatura de Teoría de Decisiones se imparte en el séptimo semestre de la
Licenciatura en Ingeniería Civil, cuyo programa está integrado por cuatro unidades temáticas que
son: Análisis de
Decisión, C aden as de Markov, Líneas de Espera y S imulación .
En el capítulo 1 , llamado Síntesis de Probabilidad , se hace un resumen de los contenidos del curso
de probabilidad y Estadística que representan los antecedentes de las técnicas que se estudia
n posteriormente. El capítulo 2 ; denominado
como Análisis de Decisión se enfoca al estudio de los
criterios más conocidos para la toma de decisiones, que incluye el análisis bajo completa
incertidumbre y el aná lisis bajo riesgo. El capítulo 3 se dedica al estudio de las
cadenas de Markov , c omo una introducción a los procesos estoc ástic os,
las matrices de transición y los c am bios de estado. En el capítulo 4 se
estudia la metodología de Líneas de Espera que es de utilidad en el modelado de
diversas situaciones que se observan con frecuencia en el mundo real y que pueden ser
descritas mediante la técnic a. Finalmente, el c apítul o 5, de Simulación , está enfoc ado a los
métodos de Montecarlo, también llamado muestreo aleatorio, el cual constituye una gran
herramienta para simular muchos procesos de la ingeniería cuya operación depende del
comportamiento de variables aleatorias .
OBJETIVO
El objetivo es crear un material que permita utilizarse como apoyo en el desarrollo de la asignatura
Teoría de Decisiones para facilitar la comprensión de los temas que componen el programa y para
modelar situaciones del mundo real o sistemas de tipo probabilístico en que es factible optimizar su
desempeño mediante la aplicación de alguna de las técnicas, y además, sistematizando los procesos con el
apoyo de software.
Son varios los vocablos que se reconocen como antecedentes del término estadística . Se pueden
nombrar los siguientes:
Statistik, que proviene de la palabra Italiana statista , que significa estadista.
Status, (latín), que significa posición, situación o estado.
Staat (alemán) , que se refiere al estado como unidad política superior.
Statera (griego), que significa balanza.
La razón que motivó al hombre a registrar datos con propósitos estadísticos, tal vez se encuentre en
s
u necesidad, casi instintiva, de anotar aquellos hechos que aparecen como vivencias sociales
transcendentes: crecimiento de poblaciones, disposiciones del alimento, fenómenos naturales, etc.
Con el desarrollo de las civilizaciones, la estadística puede pen sarse c omo una aritmétic a estatal
para asistir a los gobernantes que necesitaban conocer la riqueza de sus súbditos para así
recaudar impuestos o presupuestar la guerra.
1.1 DEFINICIONES
Dato
Número o medida que se obtiene de observaciones de una variab le.
Variable
Es toda cualidad o característica que toma valores diferentes en distintos objetos.
Variable aleatoria
Es aquella variable que toma valores de algún proceso al azar.
Variable aleatoria continua
Es la variable aleatoria que puede tomar cua lquier valor de un intervalo o dominio.
Variable aleatoria discreta
Es la variable que sólo puede tomar valores de un conjunto numerable.
Estadística
Ciencia cuyos propósitos son la extracción de datos y su uso en la realización de inferencias acerca
de una población, de la cual dichos datos fueron extraídos.
Estadística descriptiva
Es la que trata c on la descripción numéric a o gráfic a de un c onjunto de datos.
Estadística inferencial Es la que trata con la formulación de conclusiones, estimaciones o
generaliza ciones a cerca de parámetros pobla cionales, con base en la estadístic a descrip
Página
k, número de intervalos
Página
k = 1 + 3.3 log
1.2 MEDIDAS DE TENDENCIA CENTRAL
Momentos con respecto al origen:
m´ = 1 n x k
n i
k
Datos no ordenados
i 1
1m
m´k = tkf
n j 1 j D atos ordenados
j
1n
m´ = x = x
1
n 1 i D atos no ordenados
i
m´ = x 1 m t f
1 jj
n j 1 D atos ordenados
Modo:
x~ = L1 1
c
1 2
Mediana:
xˆ = L1 n / 2 ( f )1 c
f
Página
1.3 MEDIDAS DE DISPERSIÓN
Momentos c on respecto a la media:
m = 1 n (x x )k
k i
n i 1 D atos no ordenados
1
mk = n
n (t x )k f
j j 1 j D atos ordenados
1n
m=S2 (x 2
x )
2 x i
n 1 Datos no ordenados
i
m = S 2 1 n (t x ) 2 f
2 x j j
n j 1 Dat os ordenados
Desviación estándar:
Sx = m 2
Coeficiente de variación:
CVx = Sx
x
tres con respecto a l a media, con la variancia y finalmente con el parámetro b1:
m = 1 m (t x ) 3 f
3 j j
n j 1
b1 = m 2 / m 3
32
b2 = m4
m22
2 b2 3
si 2 0 , es mesokúrtica
2 0 , es leptokúrtica
2 0 , es platokúrtic a
1.6 PROBABILIDAD
La teoría axiomática de probabilidades se basa en tres axiomas :
1. La probabilidad de ocurrencia de un evento A es un número, P(A), que se le asigna a dicho
evento, cuyo valor es menor o igual que uno, o sea
0 P(A) 1
2. Si E es el espacio de eventos asociados a un experimento,
entonces P(E) = 1
3. La probabilid ad, P(C), de la unión, C, de dos eventos mutuamente exclusivos, A y B, es igual a
la suma de las probabilidades de estos, es decir
P(AB) = P(C) = P(A) + P(B)
Página
Probabilidad condicional
Un concepto de gran importancia práctica es el de probabilidad condici onal, P(AB), del evento
A, dado que el B ha ocurrido. Si P(B) es diferente de cero, esta expresa:
P(A | B) P(A B)
P(B)
A Espacio de eventos
B2
B1
Bn
Bi
A Bi
Figura I.1 Eventos colectivamente exhaustivos
. Considerando que
P (Bj A) P (A Bj )
P (Bj A) P (A Bj )
P (Bj | A)
P (A) P (A)
Página
P ( Bj ) P ( A | Bj )
P ( Bj | A) = i =n
∑ P ( Bi ) P ( A | Bj
)
i =1
Este resultado se conoce como teorema de Bayes . A las probabilidades P(Bj) que se asignan a
los eventos Bj antes de observar el evento A, se les denomina a priori ; a las probabilid ades P(Bj |A)
que se obti ene después de observar el evento A, se les llama a posteriori
1
f(x) e -∞
( x ) 2 /( 2 2 )
2 x
1 e z 2 / 2
f (z ) - z
2
Página
Distribución binomial
f (x ) (nx)p x (q )n x
x = 0, 1, 2,…, n,
Donde q = 1 - p
p: probabilidad de éxito.
q: probabilidad de fracaso.
Distribución de Poisson
f (x ) e x
x! x = 0,1,2,…..
Página
2 MODELOS DE DECISIÓN
La teoría de la decisión se ocupa de analizar cómo elige una persona aquella acción que, dentro de
un conjunto de acciones posibles, le conduce al mejor resultado dadas sus preferencias. Si se debe
invertir o no en bienes de equipo, qué carrera se piensa estudiar, qué coche comprars e, o
incluso, c on quién c asarse; son problemas muy comunes que nos afectan en la vida cotidiana y a
los que en términos formales se enfrenta la teoría de la dec isión.
Se mencionan a lgunos de los principales exponentes que intervinieron en el desarrollo de los modelos
de decisión implantando diver sos criterios que hoy son útiles en el proceso de la toma de decisiones,
entre los que desta c a el astrónomo, físic o y matemátic o francés Pierre Simon Laplace
(1749-1827) una de sus aporta ciones más c onocidas es la famosa Transformada de
Laplace y la ecuación de Laplace ; dentro del campo de la
Probabilidad también tuvo aportaciones en la Teoría de la Probabilidad, ya que en junto con el
matemático británico Thomas Bayes , crearon el criterio
Bayes- Laplace usado en los pr oblemas de análisis de decisión y establece que si no se dispone
absolutamente de ninguna información sobre las probabilidades asociadas con los futuros resultados
entonces se deben asignar probabilidades iguales a cada uno de los posibles resultados y usar estas
probabilidades para c alcular el valor esperado de c ada uno de los posibles cursos de a cción.
Leonid Hurwicz (1917-2008), economista ruso, Premio Nobel de Economía 2007, se le atribuye en ser
uno de los primeros economistas en reconocer el valor de la Teoría de Juegos . William J. Baumol (1922- ),
economista estadounidense que ha realizado valiosas contribuciones a la historia del
pensamiento económico. También ha realizado aportes a la teoría de la organización industrial y la
regulación, siendo uno de los creadores de la teoría de los mercados contestables o desafiables.
En su criterio, usado en análisis
de decisión , también conocido como Criterio Maximax de Baumol , que
estab lece que para c ada curso de a cción defínase cuál es el mejor resultado (máximas ganancias
o
pérdidas mínimas) y selecciónese de entre los anteriores el máximo de los máximos.
esto es, el que le produce máximos perjuicios o beneficios mínimos. Selecciona entonces de entre
todos estos últimos el que maximiza sus beneficios o minimiza sus pérdidas.
Leonard J. Savage (1917-1971), matemático estadounidense especializado en estadís tic a. Su
obra más c onocida se titula Foundations of Statistics
(Fundamentos de estadística) en el que introduce
ciertos elementos sobre la teoría de la decisión. Este criterio, también conocido como Criterio Minimax
se ocupa del costo de oportunidad de una decisión incorrecta. A partir de la matriz de pagos
se construye una nueva matriz llamada la matriz de arrepentimiento.
La idea bajo este enfoque es la protección del ejecutivo contra costos de oportunidad excesivos. Para
protegerse a sí mismo, el ejecut ivo aplica el criterio del minimax a la matriz de arrepentimiento.
La pérdida máxima en cada renglón se identifica y la alternativa cuyo renglón tiene el menor de los
arrepentimientos es seleccionada por el ejecutivo. La principal deficiencia de este crite rio es
ignorar todos los elementos de la matriz de arrepentimiento salvo el mayor, desperdiciándose gran
cantidad
de información.
Página
Toma de decisiones bajo i ncertidumbre 2.1 Constructor
Chip Conley es un joven contr atista que tiene la oportunidad de elegir entre construir una casa o
hacer dos trabajos de de ampliación en los siguientes dos meses. Si c onstruye la c asa y p uede
venderla ganaría $10 000. Sin embargo, si el mercado inm obiliario declina debido a aumentos e n la
tasa de interés hipotecario, Chip no podría venderla y tal vez perdería $5 000. Por otro lado, puede
ganar $7 000 llevando a cabo los dos trabajos de ampliación, sin que importe el comportamiento del
mercado.
Estados de la Naturaleza
Aumento en la
Opciones Sin aumento
tasa de interés
Construir una c asa -$5 000 $10 000
Dos trabajos de amplia ción $7 000 $7 000
Estados de la Naturaleza
Aumento en la
Opciones Sin aumento
tasa de interés
Construir una c asa -$5 000 $10 000
Dos trabajos de amplia ción $7 000 $7 000
Estados de la Naturaleza
Aumento en la
Opciones Sin aumento
tasa de interés
Construir una c asa -$5 000 $10 000
Dos trabajos de amp liación $7 000 $7 000
Criterio de Savage
Estados de la Naturaleza
Aumento en la
Opciones Sin aumento
tasa de interés
Construir una c asa -$5 000 $10 000
Dos trabajos de amplia ción $7 000 $7 000
Matriz de Arrepentimiento
Estados de la Naturaleza
Aumento en la
Opciones Sin aumento
tasa de interés
Construir una c asa $12 000 0
Dos trabajos de amplia ción 0 $3 000
Criterio de Hurwicz
Estados de la Naturaleza
Aumento en la
Opciones Sin aumento
tasa de interés
Construir una c asa -$5 000 $10 000
Dos trabajos de amplia ción $7 000 $7 000
Pesimista
Ha cer dos trabajos de amplia ción: (3 /4)(7000)+(1/4)(7000)= 7 000 MÁX { -1250, 7000}
7 000 Un pesimista selecciona hacer dos trabajos de ampliación
Página
Optimista
Estados de la Naturaleza
Aumento de
Opciones Sin aumento
la tasa de
interés
Construir una c asa -$5 000 $10 000
Dos trabajos de amplia ción $7 000 $7 000
La función lineal de construir una casa pasa por los puntos: P 1(0, -5000), P2(1, 10000):
𝑦𝑦 − 10000 = 15 000(𝑥𝑥 − 1)
La función lineal de hacer dos trabajos de ampliación pasa por los puntos: P 1(0, 7000), P2(1, 7 000):
𝑦𝑦 − 7000 = 0(𝑥𝑥 − 1)
𝒚𝒚 = 𝟕𝟕𝟎𝟎𝟎𝟎𝟎𝟎
Página
Se pue de representar en la gráfica :
10000
Pagos
8000 Hacer dos trabajos de am pliación
6000
4000
Construir una casa
2000
Probabilidad
-4000
-6000
Análisis de sensibilidad
Para valores de x de 0 a 0.8 se elige hacer dos trabajos de ampliación y pa ra valores de 0.8 a 1
se prefiere construir una casa .
Estados de la Naturaleza
Aumento de
Opciones Sin aumento VME
la tasa de
interés
Construir una c asa -$5 000 $10 000 1000
Dos trabajos de amplia ción $7 000 $7 000 7000
0.6 0.4
La mejor alternativa desde el criterio de mayor VME es hacer dos trabajos de ampliación .
Página
Toma de decisiones bajo i ncertidumbre 2.2 Rutas
Evelyn Brown es la despa chadora de la una comp añía de camiones en Silver City, en Dakota del
Norte. En su trabajo , debe elegir las rutas para que los camiones hagan las entregas. Se conoce que
una ruta específica que va de Silver City a Franklin ha ocasionado problemas en el pasado. Los
problemas se deben a derrumbes e inundaciones cuand o llueve. En la figura II.2 se muestra n las
diversas rutas que unen Franklin y Silver City con las demás áreas problemátic as. Los tiempos de
viaje (minutos) en las rutas de recorrido son los siguientes:
Tiempos de viaje ,
Rutas
minutos
AB 30
AC 15
ACD 20
ABE 45
ACDE 50
DB 15
DE 30
Estados de la Naturaleza
b) Modelo de decisión
Criterio Maximin de
Wald
Estados de la Naturaleza
La alternativa según Wald (maximin) , convendría que Evelyn mandara la flotilla de camiones por
Cowee Road.
Estados de la Naturaleza
Cowee Road 75 45 75
Ruta 64 50 75 105
Pesimista
Análisis de sensibilidad
Estados de la Naturaleza
Cowee Road 75 45 75
Ruta 64 50 75 105
𝑦𝑦2 − 𝑦𝑦1 45 − 75
𝑚𝑚 =
𝑥𝑥2 − 𝑥𝑥1 0=− 1 = 30
𝑦𝑦 − 75 = 30(𝑥𝑥 − 1)
𝒚𝒚 = 𝟑𝟑𝟎𝟎𝟎𝟎 + 𝟒𝟒𝟏𝟏
𝑦𝑦 = 55𝑥𝑥 + 50
Página
110
100
Tiempos
90
Ruta 64
80
70
60
Cowee Road
50
40
0 0.2 0.4 0.6 0.8 1
Probabilidad
Análisis de sensibilidad
De lo gráfica anterior se puede observar qu e la mejor opción en reducción de tiempos es que Evelyn
indique ir siempre por Cowee Road.
Página
Toma de decisiones bajo r iesgo 2.3 Vendedor
Cada tres días, la Bishop Produce Company debe decidir cuántas c ajas de fresas debe pedir para
los sigui entes tres días. Ben Jones, gerente de la Bishop Produce Company, ha determinado
que si el clima es bueno en general durante ese periodo de tres días, puede vender 100 cajas,
en tanto si el clima no es tan bueno puede vender sólo 75 cajas. Si el clima es m alo, las ventas
son muy deficientes y puede vender sólo 50 cajas durante los tres días. Dado que la duración de
las fresas en los anaqueles es de sólo tres días, las fresas que no se venden deben retirarse y no
tienen ningún valor de
recuperación. Ben pued e comprar fresas en $0.50 la caja y venderlas en $1.00 la caja.
Los registros pasados del clima muestran que para cualquier periodo de tres días, el clima es bueno
50% del tiempo, regular 20% del tiempo y malo 30% de las veces. Con base en los datos que se
proporcionan:
a. Definir cuáles son las alternativas y los estados de la naturaleza para Ben (se suponen tres
alternativas).
b. Elaborar la matriz de pagos.
c. Determinar la alternativa de mayores utilidades que podría emplear Ben para ordenar las fresas.
d. ¿Cuál es el valor de la información perfecta?
Ben Jones, ha iniciado trámites para suscribirse a un servicio meteorológico especial que cuesta $10
por periodo de tres días. La compañía que vende ese servicio la ha dado a Ben información con
respecto a la efectivid ad de dicho servicio en los últimos cinco años. Esa información se presenta en
forma de porcentaje de las veces que la compañía pronosticó en forma correcta uno de los tipos de
clima que ocurrieron. Aconseje a Ben con respecto a si debe suscribirse o no alservicio de pronósticos
meteorológicos.
Estados de la Naturaleza
Opciones Bueno Regular Malo
Bueno 100 75 50
Regular 75 75 50
Malo 50 50 50
Página
b. Matriz de Pagos
Estados de la Naturaleza
Opciones Bueno Regular Malo
Bueno 50 25 0
Regular 37.5 37.5 12.5
Malo 25 25 25
0.5 0.2 0.3
Estados de la Naturaleza
Opciones Bueno Regular Malo VME
Bueno 50 25 0 30
Regular 37.5 37.5 12.5 30
Malo 25 25 25 25
0.5 0.2 0.3
Cálculo del Valor Monetario Esperado
Bueno: (50)(0.5)+(25)(0.2)+(0)(0.3)= 30
Malo: (25)(0.5)+(25)(0.2)+(25)(0.3)= 25
Las alternativas que generan mayores utilidades son las op ciones de bueno y regular, de acuerdo
al valor monetario esperado.
40
2 0.4 0.4 0.3 2 0.2 0.08 0.09 0.37 2 0.541 0.216 0.243
3 0.2 0.3 0.5 3 0.1 0.06 0.15 0.31 3 0.323 0.194 0.484
VME
1 Bueno 35.950
2 Regular 32.838
3 Malo 25
Con pronóstico de op ción 2:
VME
1 Bueno 32.45
2 Regular 31.425
3 Malo 25
Con pronóstico de op ción 3:
VME
1 Bueno 21.00
2 Regular 25.438
3 Malo 25
VME de la Información:
r 100 programas. Si usted fuera amigo de David, ¿cuántos programas le sugeriría comprar para vender
en cada uno de los juegos?
Matriz de Pagos
La alternativa que genera mayo r utilidad es la opción de adquirir 150 programas, de acuerdo a su valor
monetario esperado.
Página
Toma de decisiones bajo r iesgo 2.5 Valor de la información
Un individuo acaba de recibir una cantidad suf iciente de dinero que le permite considerar cuáles
son las inversiones disponibles. Ha decidido que sólo hay tres tipos que se ajustan a sus
necesidades, que son: fondos monetarios, acciones y bonos. La elección depende de la tasa
preferencial, puesto que
el rendimiento sobre la inversión estaría en función de esta tasa de interés. En la a ctualidad la
tasa preferencial es del 12%, pero se considera bastante inestable y puede subir o bajar en forma
considerable en año próximo. Con base en el rendimiento act ual sobre las inversiones, ha
preparado las siguientes tablas que muestran el valor de una inversión de $100 000 después de un
año, dependiendo de la tasa preferencial al final del año.
Matriz de Pagos
El valor de la Infor ma ción Perfecta (VIP) es de $12 000 > $5000 (el costo por adquirir el se rvicio de
pronósticos); por lo que se justifica el análisis :
1 0.1 0.2 0.6 1 0.04 0.06 0.18 0.28 1 0.142 0.214 0.643
Op ciones
2 0.3 0.5 0.2 2 0.12 0.15 0.06 0.33 2 0.364 0.455 0.182
3 0.6 0.3 0.2 3 0.24 0.09 0.06 0.39 3 0.615 0.231 0.154
0.4 0.3 0.3 Σ=1
Probabilidad es a priori Probabilidades a posteriori
Donde las op ciones 1,2 y 3 corresponden a los cambios pro nostic ados de la tasa aumento, igual y baja
respectivamente. Mientras que A, I y B corresponde a los cambios que ocurrieron en realidad en
la tasa preferencial, aumento, igual y baja correspondientes. Es importante destacar que la
posición a ctual de la tasa de interés es del 12 %.
Utilizando las probabilidades a posteriori obtenidas y con la matriz de pagos se calculan los VME con
los pronóst ic os de c ambios en la tasa:
VME
1 Aumento -20 000
2 Igual -7 880
3 Baja 13 240
VME
1 Aumento 11 550
2 Igual 23 410
3 Baja 9 890
VME de la Información:
VNI= $5786.1
El valor neto de la in formación ( $5786.1) > costo de la información ($5000 ), por lo que se acep ta
adquirir la información para la toma de decisiones.
Página
Árbol de decisión 2.6 Compra de terrenos
Una em presa está estudiando la compra de unos terrenos en los que es probable que haya gas. Si
encuentra gas, la empresa podrá enajenar los terrenos obteniendo un beneficio de 125,000,000 de
pesos, o bien explotarlos ella misma en cuyo caso los beneficios depend erán de la demanda, si
ésta es alta los beneficios serán de 200,000,000 de pesos, en caso contrario, si la demanda es baja
los
beneficios solo alcanzarán los 75,000,000 de pesos. La probabilidad a priori de que la demanda sea
alta o baja, es exa ctamente la misma. En el caso de no encontrar gas en dichos terrenos, la
empresa soportará unas pérdidas de 50,000,000 de pesos, si bien la probabilidad de encontrar gas
según los expertos es del 70 %. Determinar si la empresa debe o no adquirir los terrenos.
Alternativas de decisión:
Si compra los terrenos y en ellos encuentra gas, debe decidir si revende los terrenos o si por el
contrario la empresa prefiere explotar el gas contenido en dichos terrenos, en cuyo caso, la
demanda de gas podrá ser alta o baja.
Árbol de decisi ón, probabilidades y beneficios:
125
Vender terrenos
No comprar
0 * Cantidades en millones de pesos
Árbol de decisión
Página
Solución del árbol de derecha a izquierda:
125
Vender terrenos
137.5
No comprar
0 * Cantidades en millones de pesos
Árbol de decisión
La decisión que debe tomar la empresa es la de comprar los terrenos, esperando obtener unos
beneficios de 81,250,000 pesos . Si en los terrenos se encuentra gas , la decisión que deberá adoptar la
empresa es la de explotar el gas contenido en dichos terrenos.
Página
Toma de decisiones bajo i ncertidumbre 2.7 Vendedor de Periódicos
Un vendedor de pe riódicos compra la unidad en $1.2 y lo vende en $2 . Si un periódico no se
vende lo debe devolver a la editorial recibiendo $0.20 como valor de recuperación.
Esto quiere decir que un
periódico que s e venda deja una utilidad de $0.8 0, mientras que un perió dico que no se venda deja una
pérdida de $1 . La demanda de periódic os es variable, depende de fa ctores sociales y otros. La demanda
de periódicos diaria en los últimos dos meses es:
17 15 16 18 18 20 17 15 15 19
16 17 16 17 17 15 19 17 19 18
18 19 19 18 20 18 17 18 18 19
18 16 18 17 19 19 19 18 20 18
20 17 17 20 20 20 18 17 16 16
18 15 17 18 17 17 16 18 17 16
Núm.
Frecuencia Probabilidad
Periódicos
15 5 0.083
16 8 0.13
17 15 0.25
18 16 0.27
19 9 0.15
20 7 0.12
60 1.00
Matriz de Pagos
Número Demanda
Periódicos 15 16 17 18 19 20 VME
15 12 12 12 12 12 12 12
Adquiere
Con el cálculo de VME se observa que el mayor ingreso sucede cuando adquiere 17 periódicos.
Página
Toma de decisiones bajo riesgo 2.8 Mantenimiento
Una empresa está estudiando el contrato de 600 pesos semanales que tiene con su proveedor de
servicios de mantenimiento. Desde la firma del contrato la media es 2.5 averías semanales, entrañando
c ad a fallo un c osto de repara ción de 1000 pesos. Las averías semanales de la empresa antes de la
firma del contrato, se muestran en la tabla:
Averías 0 1 2 3 4 5 6
Semanas que hubo
9 10 12 16 24 18 11
estas averías
Averías 0 1 2 3 4 5 6
Semanas que hubo
9 10 12 16 24 18 11
estas averías
Probabilidad 0.09 0.10 0.12 0.16 0.24 0.18 0.11
A la empresa le conviene renovar el contrato de mantenimiento con su actual proveedor, dado que
con él se ahorra:
3340 – 3100 = 240 pesos/semana
Página
Función utilidad 2.9 Inversión
Suponer que se disponen de $10 000 dólares para invertir y existen dos alternativas de inversión:
a cciones de la compañía A y a cciones de la c ompañía B. Una a cción de cualquiera de las dos
c ompañías cuesta $1 dólar y se cree que a umentará a $2 si la compañía tiene un buen
desempeño y que la acción quedará sin valor si el desempeño es malo. Cada compañía tiene una
probabilidad de
50 % de marchar bien. Si se decide que se invertirán sólo $4 000 y se evalúan las siguientes
alternativa s:
- Alternativa 1: Invertir sólo en la empresa A
- Alternativa 2: Invertir la mitad en la empresa A y mitad en la empresa B
Calcular las utilidades asociadas a c ada alternativa y mostrar gráfic amente que la estrategia
diversific ada le entregará una mayor uti lidad.
Invertir todo en A: Con un 50 % de probabilidad se obtienen $6 000 (se pierden los 4 000 invertidos y
sólo quedan los $6 000) y con un 50 % se obtendrán finalmente $14 000 (se doblan los $4 000 de la
inversión: $8 000 más los $6 000 = $14 000)
Por lo tanto: E(ingreso invertir sólo en A) = 0.5*6 000 + 0.5*$14 000 = $10 000
En este caso se observa que el resultado del ingreso esperado es el mismo , E(Ingreso al diversificar =
$10000)
La diferencia está en que esta alternativa es menos riesgosa, porque sólo en el 25 % de los casos
se queda con $6 000
Para ver el nivel de utilidad asociado: del promedio de 6 000 y 10 000 se obtiene el punto C, del
promedio de 10 000 y 14 000 se obtiene el punto D, y del promedio de C y D se obtiene E, asociado al
nivel de utilidad U2, lo c ual se observa en la gráfic a:
Página
D
U2
E
U1
C
6 10 14
Función utilidad
Claramente el nivel de utilidad U2 es mayor que el nivel de utilidad U1. Eso muestra que al diversificar
se tiene una mayor utilidad.
Página
Función utilidad 2.10 Actitud frente a riesgo
Se presenta información de una persona acerca de su curva de utilidad.
a) ¿Se podría decir que esta pers ona es af ín, neutra o con aversión al riesgo al riesgo? Explicar.
Suponer que a esta persona le ofrecen un empleo como vendedora, en el que existe una
probabilidad de 50 % de obtener $4 000 al mes y una probabilidad de 50 % de no tener ingreso
alguno.
b) ¿Cuá l es el ingreso esperado si toma ese empleo? ¿Cuál sería la utilidad esperada?
c) Aproximadamente ¿Cu ánto tendría que ofrecer otra empresa para c onvencerla de no tomar
el empleo de ventas con ingresos inciertos? Explicar y graficar la respuesta.
d) Suponer ahora , que esta persona ha comprado una pequeña c abaña para pasar los fines
de semana en la ladera de una loma pronunciada e inestable. Esta persona gastó toda su
riqueza de
$5 000 en este proyecto. Hay una probabilidad de un 75 % de que la casa se desplome y n
o tenga valor alguno. ¿Cuánto estará dispuesta a pagar por una póliza de seguros que le pague
$5000 si la c asa se desploma? Explic ar la respuesta.
80
60
40
20
0
0 1 2 3 4 5
Ingresos vs utilidades
Página
2) Observar que ante una misma variación de utilidad (de 20 en 20) la variación del ingreso es
cada vez mayor comenzando desde el punto 0. Por lo tanto es adversa al riesgo.
U(E(I)) = 70
Utilidad del
ingreso esperado
E(U) = 45
Utilidad
esperada
Función utilidad
c) Lo que se debe ofrecer a esta persona por no aceptar este empleo es el ingreso cierto
asociado a un mismo nivel de utilidad esperada. Este valor lo buscamos en la tabla, y como
no existe ningún
punto asociado a un nivel de utilidad de 45 se estima: se sabe que estará entre 40 y 60 asociado
a un nivel de ingreso entre 1.0 y 1.6, suponiendo que a 45 le corresponde 1.2. Por lo tanto se
le debe ofrecer 1200. Además se tiene que la diferencia entre 2000 y 1200 es el premio por
riesgo. S e observa en la figura :
Página
U(E(I)) = 70
Utilidad del
ingreso
esperado
PPR
E(U) = 45
Utilidad
esperada
1200
E(I) = 4000
2000
Función utilidad
d) Es una persona con aversión al riesgo. Se deben comparar los ingresos de la riqueza sin seguro
y con seguro, luego la diferencia será lo que esté dispuesto a pagar por el seguro. Se debe
tener cuidado en compara r ingresos ciertos, y no inciertos. Sin el seguro se tendrá una riqueza
cierta de
$5 000. Esto porque aunque la casa se desplome, el seguro compensará la pérdida, por lo tanto se
termina con $5 000.
Se sabe que sin el seguro se tendrá un valor de la riquez a al final:
E(riqueza sin seguro) = 5 000*0.25 + 0*0.75 = 1 250
Sin embargo, no se puede comparar este 1 250 con el 5 000 porque el primero se trata de un valor
incierto , por lo tanto, se busca el ingreso cierto asociado a al mismo nivel de utilidad espera
da.
Se c alcula la utilidad esperada:
E(U sin seguro) = U(5 000)*0.25 +U(0)*0.25 = 100*0.25 + 0*0.75 = 25
El nivel de ingreso (riqueza) cierta asociada a este nivel de utilidad es aproximadamente 500 (se
sabe que el valor está entre 20 y50, asociado a ingre sos entre 0.4 y 1.0, se supone que
será 500. Gráfic amente:
E(U) = 25
Utilidad
esperada
Página
Función utilidad
Por lo tanto, lo que esta persona con aversión al riesgo, pagará por el seguro es la diferencia entre el
ingreso cierto con seguro y el ingreso cierto asociado al mismo nivel de utilidad esperada de la
alternativa incierta, es decir: $5 000 - $500 = $4 500.
Página
3 CADENAS DE MARKOV
Markov estuvo también interesado en la poesía y realizó estudios de estilos poéticos . Aunque
desarrolló su teoría de cadenas, desde un punto de vista totalmente teórico, también aplic ó
estas ideas a c adenas de dos estados , vocales y consonantes, en los
textos literarios . Fue un participante activo en el movimiento liberal ruso antes de la primera
guerra mundial, criticó públicamente a las autoridades es tatales y fue miembro de la
Academia de Ciencias de su país. Tuvo un hijo que nació
el 9 de septiembre de 1903, y quien fue también un reconocido matemático. En 1923 , Norbert Wiener 2 fue
el primero en tratar rigurosamente los Procesos de Markov Continuos; y en 1930 Andrei Kolmogorov 3
la propiedad de Markov se refiere a la propiedad de ciertos procesos estoc ástic os por la cual
carecen de memoria , lo que significa que la distribución de probabilidad del valor futuro de
una variable aleatoria depende de su valor
presente, pero es independiente de la historia de dicha variable. A los procesos que satisfa cen
esta c ondición se les c onoce c omo procesos de Ma rkov.
1 Pafnuty Chebyshev fue un matemático del siglo XIX ( 1821-1894), creador de varias escuelas matemáticas en Rusia, sus trabajos matemátic
os en
las cuatro ramas son los siguientes: Mecanismos y Teoría de la Aproxima ción de Funciones, Teoría de los Núm eros, Teoría de Probabilidades
y Teoría de Integración.
Página
2 Norbe
rt Wiener, Matemático estadounidense (1894 -1964), en la década de 1920 participó, junto con Bana ch, Helly y Von Neumann , en el
desarrollo de la teoría de los espa cios vectoriales; más tarde, o rientaría su atención ha cia las series y las transformadas de Fourier y la teoría
de números.
3 Andrei Kolmogorov, Matemático soviético (1903 -1987), que formuló una definición axiomática de la probabilidad, y que contribuyó a la
creación de la teoría de la probabilidad.
Cadenas de Markov 3.1 El agente de ventas
Un agente c omercial realiza su trabajo en tres ciudades, A, B y C. Para evitar desplazamientos
innecesarios está todo el día en la misma ciudad y allí pernocta, desplazándose a otra ciudad el día
siguiente, si no tiene trabajo. Después de estar trabajando un día en C, la probabilidad de tener que
seguir trabajando en ella al d ía siguiente es de 0.4, la de tener que viajar a B es de 0.4 y la de tener
que ir a A es de 0.2. Si el viajante duerme un día en B, con probabilidad de un 20% tendrá que seguir
en la misma ciudad al día siguiente, en el 60% de los casos viajará a C, mient ras que irá a A
c on una probabilidad de 0.2. Por último, si el agente comercial trabaja todo el día en A,
permanecerá en esa misma ciudad, al día siguiente, con una probabilidad de 0.1, irá a B con
una probabilidad de 0.3 y a
C con una probabilidad de 0.6.
a. ¿Cuáles son los porcentajes de días en los que el agente comercial está en cada una de las
tres ciudades?
b. Si hoy el viajante está en C, ¿Cuál es la probabilidad de que también tenga que trabajar
en C al c abo de cuatro días?
a. Matriz de transición y porce nta jes en c ada una de las ciudades (probabilidades esta cionarias)
ENTER
NOTA: La última c olumna de la matriz de transición introducida correspo nde a unos , estos se
agregan para ha cer de la consistente a la mat riz.
Presionar a l
ENTER CTRL
SHIFT
mismo tiempo
ENTER
Seleccionar un espacio de
F2 1 x 4, incluyendo
el resultado
obtenido
Y=7/22= 0.3181
Z=1/2= 0.5
b. Probabilidad de que también tenga que traba jar en C al c abo de cuatro días:
Para esto es necesario transportar a la matriz de transición al cuarto estado o sea a la potencia
cuarta la cuarta po tencia, también se puede utilizar Excel .
ENTER SHIFT
CTRL
Ahora bien, hay que recordar que únicamente se multiplicó dos veces la matriz de transición; por lo
tanto, hay que repetir el mismo proceso en dos ocasiones ; es decir, al multiplicar la matriz
obtenida anteriormente por la de transición , la resultante será cúbica, por ello hay que repetir el
proceso de multiplicación de esa matriz obtenida (cúbica) nuevamente por la matriz de transición
para que finalmente obtengamos la
matriz requerida.
Matriz
cúbic a
La probabilidad de que esté en C y tenga que quedarse ahí al cabo de 4 días es aproximadamente es
de 0.5008
Página
Cadenas de Markov 3.2 Supermercados
En una c omunidad hay tres supermerc ados (S1, S2 y S3 ), existe la movilidad de un cliente de uno a
otro. El 1 de septiembre, ¼ de los clientes va al S1, 1 /3 al S2 y un 5/12 al S3 de un total de 10 000
personas. Cada mes el S1 retiene al 90 % de sus clientes y pierde el 10 % que se va al S2. Se averiguó
que e l S2 sólo retiene el 5 % y pierde el 85 % que va al S1 y el resto se va al S3, el S3 retiene sólo el
40 %, pierde el 50 % que va al S1 y el 10 % va al S2.
a. Establecer la matriz de Transición.
b. ¿Cuál es la proporción de clientes para los supermercados el 1 de noviembre?
c. Hallar el vector de probabilidad estable.
a. Matriz de transición
0.9 0.1 0 2
�0.85 0.05 0.1� 0.895 0.095 0.01
= �0.8575 0.0975 0.045�
0.5 0.1 0.4
0.735 0.095 0.17
0.895 0.095 0.01
[1/4 1/3 5/12] ∗ �0.8575 0.0975 0.045� = (0.8155 0.0958 0.0883)
0.735 0.095 0.17
El mercado S1 después de dos meses tendrá una clientela del 81.55 %, el S2 tendrá el 9.58 % y el S3 el
8.83 % del total de clientes.
0.9 0.1 0
[𝑥𝑥 𝑦𝑦 𝑧𝑧 ] ∗ �0.85 0.05 0.1�
0.5 0.1 0.4
Página
Cadenas de Markov 3.3 Matriz de transición
La Avertz Company renta su flotilla de 500 automóviles. Se inspecciona cada automóvil una vez a la
semana. Durante este tiempo, pudo haber estado rentado, pudo habérsele dado mantenimiento, o
pueden haber sucedido ambas cosas. En la primera semana de junio, se determinó que 400
automóviles estaban en condiciones de ser rentados, 80 necesitaban reparaciones menores y 20
necesitaban reparaciones mayores. En la segunda semana de junio, 350 automóviles que estaban en
buenas condiciones se encontraban en las mismas circunstancias, 40 necesitaban reparaciones
menores y 10 necesitaban reparaciones mayores. De los 80 automóviles que necesitaban
reparaciones menores, 50 se encontraban en buenas condiciones, 25 seguían requiriendo
reparaciones menores y otros 5 requerían ahora reparaciones mayores. Por último, de los 20
automóviles que requerían reparaciones mayor es, 15 estaban en buenas condiciones, 3 requerían
reparaciones menores y 2 seguían necesitando reparaciones mayores. Elabore la matriz de
transición
para este problema.
Matriz de transición :
a. Matriz de transición
b. ¿Cuánto le costará a la compañía seguir una política de no limpiar filtros sino hasta que
Página
𝑥𝑥 = 0.1𝑥𝑥 + 𝑧𝑧
𝑦𝑦 = 0.8𝑥𝑥 + 0.5𝑦𝑦
𝑧𝑧 = 0.1𝑥𝑥 + 0.5𝑦𝑦
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 1
Nuevamente c on la a yuda del software Excel y repitiendo los pasos realizados en las páginas 26 y 27,
se puede obtener los valores de las incógnitas y det erminar así los porcentajes. Los valores obte nidos
se muestran a c ontinua ción.
X=
0.2857
Y=0.4571
Z=0.2571
Para obtener el costo de no limpiar filtros hasta que estén tota lmente obstruidos: la suma del
costo del tiempo perdido ($100) y el costo para limpiar el filtro ($20) por la probabilidad de que
estén totalmente obstruidos (Z):
Costo (filtros totalmente obstruidos) = ($100 + $20) 0.2571= 30.852
Le costará a la compañía $30.852 seguir la política de no limpiar filtros sino hasta que se detengan los
camiones.
Página
Cadenas de Markov 3.5 El ascensor
El ascensor de un edificio con bajo y dos pisos realiza viajes de uno a otro piso. El piso en el que finaliza
el viaje n-ésimo del ascensor sigue una c adena de Mark ov. Se sabe que la mitad de los
viajes que parten del bajo se dirigen a cada uno de los otros dos pisos, mientras que si un viaje
comienza en el primer piso, sólo el 25% de las veces finaliza en el segundo. Por último, si un
trayecto comienza en el segundo piso, siempre finaliza en el bajo. Se pide:
p 00 p 01 p 02
p1 0 p 11 p 12
p 20 p 21 p 22
b. Grafo asociado
01
0 0.5 0.5
[𝑥𝑥 𝑦𝑦 𝑧𝑧 ] ∗ �0.75 0 0.25�
1 0 0
De donde:
X = 0.470
y = 0.2352
z = 0.2941
Página
Cadenas de Markov 3.6 Distribución del mercado
Los consumidore s de café en el área de Pontevedra usan tres marcas A, B, C. En marzo de 1995 se
hizo una encuesta en la que se entrevistó a las 8450 personas que compran café y los resultado
s fueron:
TOTALES
Compra a ctual Marc a A Marc a B Marc a C
Marc a A 507 845 338 1690
Marc a B 676 2028 676 3380
Marc a C 845 845 1690 3380
TOTALES 2028 3718 2704 8450
Marc as
A B C
A 0.3 0.5 0.2
B 0.2 0.6 0.2
C 0.25 0.25 0.5
0.24 0.44 0.32
b) Probabilidades estacionarias:
x = 0.2380
y = 0.4761
z = 0.2857
A la larga, la distribución del mercado será: la marca A tendrá el 23.8 % del mercado, B tendrá el
47.61 % y C tendrá el 28.57 %.
Página
Cadenas de Markov 3.7 Probabilidades estacionarias
Suponga que toda la industria de refresco produce dos colas: Coca Cola y Pepsi Cola. Cuando una
persona ha comprado Coca Cola hay una probabilidad de 90 % de que siga comprándola a la
vez siguiente. Si una persona toma Pepsi, hay un 80% de que r epita la vez siguiente.
Cola?
a. Si es comprador d e Pepsi. ¿Cuál es la probabilidad de que compre Coca Cola pasadas dos
c ompras a partir de ahora?
Hay una probabilidad del 34% de que pasadas dos compras consuma Coca Cola.
0.9 0.1 3
𝟎𝟎. 𝟕𝟕𝟖𝟖𝟏𝟏 0.219
� =� �
�
0.2 0.8 0.438 0.562
Hay una probabilidad del 78.1 % de que pasadas tres compras consuma Coca Cola.
c. Suponer que el 60 % de toda la gente toma hoy Coca Cola y el 40 % Pepsi. A tres
compras a partir de ahora, ¿Qué fracción de los compradores estará tomando Coc a Cola?
d.
0.781 0.219
[0.6 0.4] ∗ � � = [𝟎𝟎. 𝟔𝟔𝟒𝟒𝟑𝟑𝟖𝟖 𝟎𝟎. 𝟑𝟑𝟏𝟏𝟔𝟔𝟑𝟑]
0.438 0.562
Hay una probabilidad del 64.38 % de que pasadas tres compras un comprador c onsuma Coca Cola.
Página
Cadenas de Markov 3.8 Crédito
Una tienda de departamentos regional y grande, la Silverland’s, tiene un plan de crédito en sus
tiendas. Cada mes se clasific an esas cuentas en cuatro c ategorías: saldadas, con saldo
insoluto, c on saldo vencido y como cuenta perdida. Las cuentas saldadas son las que no tienen
saldo a pagar en
el mes; las cuentas con saldo insoluto son las que no adeudan saldos en e l mes anterior, pero les
han cargado compras realizadas en el mes; las cuentas vencidas son las que tienen un saldo que
ha
permanecido sin pagarse durante más de un mes, pero menos de tres. Por último, las
cuentas perdidas son las que tienen un saldo con más de tres meses de vencido y que no se
espera poder cobrar.
De los registros de la tienda, se ha determinado que el 60% de las cuentas con saldo insoluto
se paga n al siguiente mes, 30% permanece en la misma categoría y 10% se convierte en saldo
vencido.
También se ha determinado que el 40% de las cuentas vencidas se convierten en saldos insolutos,
30% se pagan, 20% permanecen vencidas y 10% se cancelan como cuentas perdidas. Una vez
que una cuenta llega a la c ategoría de perdida, se c ancela. De manera similar, una vez que una
cuenta pasa a la c ategoría de saldada, ese dinero ya no es parte de las cuentas por c obrar.
a. Matriz d e transición
0 2
0.61 0 0
100000 50000 20000 5000* 0. 0. 0
10500 4100 7900
3 1
0.3 0.1 152500
0. 0.
0 4 2
1
0 0
Se pueden resumir los resultados:
Página
Cadenas de Markov 3.9 Probabilidades de transición
Una maestra de matemátic as, no queriendo parecer predecible, decide asignar las tareas
basándose en probabilidades. El primer día de clases, dibuja este diagrama en el pizarrón para
decir
a los estudiantes, si en la próxima clase les espera una asignación completa (C), un a asigna
ción parcial (P) o sin asignación (N).
b. ¿Cuál es la probabilidad de que tengan una asignación completa de nuevo la próxima clase?
𝐶𝐶 𝟎𝟎. 𝟒𝟒 0.35 0.25
𝑃𝑃 �0.45 0.4 0.15�
𝑁 0.8 0.15 0.05
𝑁
La probabilidad es el 4 0 %.
h. Probabilidades estacionarias:
x = 0.4888839
y = 0.33330357
z = 0.180804
Página
Cadenas de Markov 3.10 Probabilidades estacionarias
En la industria de la cerveza ligera , tres marc as c omparten aproximadamente el 75 % de todas
las ventas; la Sudco, la Mills y la Schot z. Estas tres marcas compiten de forma intensa por los
clientes de la cerveza ligera . En tiempos
recientes, la Sudco hizo que una agencia externa llevara a cabo un estudio sobre la forma en que
los clientes estaban reaccionando a los anuncios. Los resultad os del estudio
mostraron que después de tres meses, el 50 % de los clientes de la Sudco seguían
prefiriendo la Suds Li te, el 30 % preferían la Mills Light Beer y el 20 % preferían la Schotz Easy Beer.
De los clientes de la Mills, el 60 % seguían prefiriend o la Mills Light Beer, el 30 % preferían la Suds
Lite y el 10 % preferían la Schotz Easy. De lo s clientes de la Schotz, 40 % seguían prefiriendo su
marca, 30 % preferían la Sudco y el 30 % preferían la Mills.
Matriz de Transición
Ecuaciones
x = 0.374999
y = 0.42857
z = 0.1964283
Página
4 LÍNEAS DE ESPERA
Uno de los principales factores que motivó al estudio de las líneas de espera es que tiene
aplicación real en la vida c otidiana, de a cuerdo a Azarang M. & García E., en su obra
Simulación y Análisis de Modelos
Estocásticos (1997), definen a una línea de espera como el efecto resultante en un sistema
cuando la demanda de un servicio supera la capacidad de pr oporcionar dicho servicio. Un ejemplo
de ello son las colas que se generan en los bancos, gasolineras, o incluso en el arribo de barcos
a muelles, etc.
Es muy común que diversos autores denominen a las líneas de espera como teoría de colas . En
1910 uno d e los primeros trabajos sobre filas lo realizó un ingeniero
danés de teléfonos, A. K. Erlang (1878- 1929). Erlang estaba interesado en los
problemas que tenían las personas que llam aban a un conmutador
telefónico, debido a que trabajaba en una compañía tele fónic a y se le presentó
el problema clásico de la determinación de cuántos circuitos eran necesarios para proveer un
servicio telefónico aceptable.
El objetivo de los modelos de líneas de espera es más de descrip ción que de optimización, y
cualquier opti mización que tenga lugar debe llevarla a cabo el usuario variando los parámetros
del sistema para obtener diferentes c onjuntos de c ara cterístic as de opera ción. El c onjunto de
c ara cterístic as de
opera ción que se ajusta en forma más estrecha a las necesidade s del usuario define la mejor
estructura del sistema. Por esta razón, es común que los modelos de líneas de espera sean
descriptivos más que normativos. Dado que muchos de los parámetros de los modelos de líneas de
espera no se conocen con certidumbre, estos modelos son más bien estocásticos que determinísticos.
Los parámetros c omo tasas de llegada y tasas de servicio se describen a través de distribuciones
de probabilidad; por ello, en el modelo se utilizan valores esperados o promedio. Al mismo tiempo, l
os modelos de líneas de espera son estáticos y no lineales en vez de dinámicos y lineales, debido a
que
se supone que los parámetros no varían con el tiempo y que los cambios en las características
de operación no son proporcionales a los cambios en los pa rámetros del modelo.
Página
Líneas de e spera 4.1 Prueba de bondad de ajuste
Las pruebas de bondad de ajuste tienen como objetivo determinar si los datos se ajustan a una
determinada distribución. En la teoría estadística, las pru ebas de bondad de ajuste más c onocidas
son la y la Kolmogorov -Smirnov. A continuación se ejemplifica el proceso para realizar un a prueba
2
de bondad de ajuste con 2, p ara determinar si los datos empíricos se ajusta n a una distribución
normal.
Conjunto de datos:
32.5 15.2 35.4 21.3 28.4 26.9 34.6 29.3 24.5 31.0
21.2 28.3 27.1 25.0 32.7 29.5 30.2 23.9 23.0 26.4
27.3 33.7 29.4 21.9 29.3 17.3 29.0 36.8 29.2 23.5
20.6 29.5 21.8 37.5 33.5 29.6 26.8 28.7 34.8 18.6
25.4 34.1 27.5 29.6 22.2 22.7 31.3 33.2 37.0 28.3
36.9 24.6 28.9 24.8 28.1 25.4 34.5 23.6 38.4 24.0
Ordenar la información
Frecuencia
16
12
11
9
8
2 2
Donde:
Zi = (x - µ)/σ
ei , frecuencias esperadas oi
, frecuencias observadas Χ2
= Σ ((oi – ei)2 / ei )
La prueba χ2, es válida si las frecuencias esperadas son mayores de 5, en caso de no ocurrir, se su
man
c on la o las siguientes frecuencias.
El ajuste de la distribución empírica a una distribución normal, se logra si χ 2
CALCULADA < χ2 TABLAS,
donde χ2TABLAS = χ2ν,α en que el valor de ν se obtiene con ν = no. de intervalos – no. de parámetros
que
definen a la distribución normal – 1, y α es el nivel de significancia, que en una prueba de bondad de
ajuste se c onsidera c omo el 0.05 o 5 %:
Página
Χ2 CALCULADA = 5.1053
ν=7–2–1=4
α = 0.05
Χ2TABLAS = χ24, 0.05 = 9.49 (Tabla 4.4 )
Por lo que se puede afirma r que la distribución empírica se ajusta a una distribución normal
estándar con µ = 27.97 y una desviación estándar σ = 5.2.
Página
Líneas de e spera 4.2 Selección del número de muelles
Una compañía siderúrgica que opera su propia flota de barcos para importar mineral de hierro,
está considerando la construcción de facilidades portuarias para sostener una nueva planta. Se
debe
decidir tanto el número de lugares de desc arga c omo el tipo de instala ción en c ada uno, c o
n la
idea de ha cer mínimos los c ostos totales de desc arga.
Se puede construir un máximo de tres lugares de descarga; y se requiere que cada uno de dichos
lugares que se construya tenga el mismo tipo de instalación entre el tipo A, el B y el C, para los cua les
se dispone de la siguiente información:
Los costos f ijos incluyen elementos tales como la amortización del costo original de la instalación a lo
largo de su vida esperada, mantenimiento general, etc.; se aplican estos costos a todos los días, bien
sea que se use o no el equipo. Se incurre en los costos de o peración únicamente durante
los intervalos de tiempo en que el equipo de descarga está realmente en uso.
Cada uno de los barcos que va a desc argarse trae 8,000 toneladas de mineral, y se c onsidera
que llegan según una distribución de Poisson durante todo e l año con una tasa media de
llegada de cinco barcos por semana. Los tiempos de servicio para un tipo dado de instalación se
considera que son exponenciales, con una tasa media de servicio que corresponde a la c apa
cidad de desc arga. Si el tiempo invertido e n el sistema de descarga (tiempo de espera más
tiempo de descarga) se considera que le cuesta a la compañía $2,000 por barco por día, ¿qué tipo
de instalación de descarga debe seleccionarse, y que tantos lugares deben construirse?
Existen 9 alternativas posibles, de las cuales todas son factibles a excep ción de la alternativa (A,
1), esto es, un muelle con instalación A, en la que la tasa media de llegadas λ es 5
barcos por semana/7 días = 0.7143 barcos por d ía y la tasa media de servicio μ es 3,600
/8,000 = 0.45 barcos por día, de manera que la cola se haría enorme , ya que sería mayor el
número de unidades que llegan que el núm ero de unidades atendidas (factor de utilización, ρ >
1) por lo que esta alternativa se puede eliminar:
Página
Tipo de Número de muelles
Instalación 1 2 3
A M/ M/2 M/ M/3
B M/ M/1 M/ M/2 M/ M/3
C M/ M/1 M/ M/2 M/ M/3
Alternativas factibles
Criterio de decisi ón: seleccionar la alternativa que genere el menor costo total, el cual se integrará
con:
Costo fijo + Costo de espera + Costo de operación = Costo total
Parámetros del sistema :
Tasa de servicio, µ A = 0.450 barc os por día , µB = 0.725 barcos por día , µC = 0.800 barcos por día
Lq
2
Número promedio de unidades en la cola
1
M/ M/1 L
W Tiempo promedio que una unidad
pasa en el sistema
Lq
W Tiempo promedio que una
unidad pasa en la c
q
ola
1
P P0 = Probabilidad de que el sistema
0 n S1
1 n 1 esté desocupado
S S (Tabla 4.2)
n! S! S
n 0
S ( S) Probabilidad de que el sistema
PSO
S !(S esté ocupado
P0
M/ M/S
LP* Número promedio de unidades en el
SO
S sistema
LP*
Número promedio de unidades en la cola
S
q SO
L
W Tiempo promedio que una unidad
pasa en el sistema
Lq
W Tiempo promedio que una
unidad pasa en la c
Página
q
ola
Alternativas factibles:
ALT (A, 2) 2 ALT (A, 3) 3
λ 0.714 λ 0.714
μ 0.450 μ 0.450
ρ 1.587 ρ 1.587
Po 0.112 Po 0.188
Pso 1.002 Pso 0.266
L 5.443 L 1.887
Lq 3.856 Lq 0.299
W 7.620 W 2.641
Wq 5.398 Wq 0.419
CF 1680.000 CF 2520.000
CO 1333.360 CO 1333.360
CE 10886.05 CE 3773.053
0
CT 13899.41 CT 7626.41
Se debe utilizar el tipo de instalación C en dos muelles; aunque con un análisis de sensibilidad
(simulación) se pudiera preferir dos mue lles con instalación B, ya que son muy parecidos.
Página
Líneas de e spera 4.3 Decisión entre uno o dos talleres
Una compañía ferroviaria pinta sus propios carros de ferrocarril según se vayan neces itando.
La alternativa 1 consiste en proporcionar 2 talleres de pintura en los que se pinta a mano (un carro a
la
vez en c ada taller), c on un solo c osto anual de $300 000. El tiempo de pintado para cada c arro es de
6 horas. La alternativa 2 consiste en pro porcionar un taller de pintura aerosol que implica un costo
anual de $400 000. En este caso, el tiempo de pintado por carro (de nuevo uno a la vez) es de 3 horas.
Para ambas alternativas, los c arros llegan de a cuerdo a un proceso de Poisson c on una tasa me dia
de uno cada 5 horas. El costo del tiempo inútil por carro es de $50/hora. ¿Qué alternativa debe elegir la
compañía ferroviaria? Supóngase que los talleres siempre están abiertos, es decir, trabajan 24x365 = 8
760 horas por año.
Alternativas
M/ M/2 M/ M/1
4.8 4.8 Unidades p or día
4 8 Unidades p or día
1.2 0.6 Factor de utilización
Probabilidad de sistema
P0 0.25
desocupado, (Tabla 4.2)
Probabilidad de sistema
PS0 0.45
ocupado
L 1.875 1.5 Unidades en el sistema
Lq 0.675 0.9 Unidades en la cola
Días que una unidad
W 0.390625 0.3125 pasa en el sistema
Días que una unidad
Wq 0.140625 0.1875 pasa en la cola
Costo instalación $821.918 $1 095.89 Por día
Costo espera $2 250.00 $ 1800.00 Por día
Costo total $3 071.92 $2 895.89 Por día
El criterio de decisión es seleccionar la alternativa de menor costo total, el cual se integra con
los costos de instalación y los costos de espera. Los costos de instalación están dados por año
como dato del problema; los costos de espera se determinan con el tiempo que un carro pasa en el
sistema
por el númer o de carros que llegan por día ( λ) y por el costo de espera (W x λ x $50 x 24 horas).
Página
De los costos totales por día, se observa que conviene utilizar un solo taller que pinta con aerosol.
Líneas de e spera 4.4 Decisión del número de equipos de trabajadores
Una c ompañía envía cereales al extranjero en barc os c argueros. La c ompañía no es propietaria
de los barcos de carga sino simplemente le vende los granos al propietario de los barc os en los c
asos en que llega un carguero par a ser
atendido. Las naves llegan al azar, lo que sucede a una tasa promedio de una diaria. En el
momento a ctual, existe espa cio para c argar un solo barc o a la vez.
También debido a a cuerdos contra ctuales, toda la labor de c arga deben llevarla a c abo
empleados de la compañía y no la tripulación del barco. Esto significa que mientras el barco
espera ser cargado y mientras está siendo cargado, la tripulación permanece desocupada.
Dado que la utilidad del
propietario de los barcos depende de un tiempo breve, la c ompañía ha a c ordado pagar a los
propietarios de los barcos $1 000 por día completo que el barco invierte en el muelle. De acuerdo
con
los registros de la compañía, un equipo de tres estibadores puede cargar los barcos a una tasa
promedio de ¼ de barco po r día. Los equipos pueden trabajar turnos de 8 horas, 7 días a la
semana, y los trabajadores de cada equipo reciben de la compañía $10 por hora. Es necesario
determinar cuántos equipos deben tenerse disponibles para cargar los buques y minimizar los costos
totales.
Es un sistema M/M/1 en que varía el número de equipos de 3 trabajadores para cargar, por lo que
el mínimo número de equipos a utilizar es 5, ya que con 4 no se supera a λ.
Número de equipos
5 6 7 8 9
1 1 1 1 1
1.25 1.5 1.75 2 2.25
0.8 0.33 0.57 0.5 0.44
L 4 2 1.33 1 0.8
Lq 3.2 1.33 0.76 0.5 0.35
W 4 2 1.33 1 0.8
Wq 3.2 1.33 0.76 0.5 0.35
Costo por día de
trabajadores
$1 200 $1 440 $1 680 $1 920 $2 160
Costo por día de espera $4 000 $2 000 $1 333.33 $1 000 $800
COSTO DIARIO TOTAL $5 200 $3 440 $3 013.33 $2 920 $2 960
El cálculo sugiere utilizar 8 equipos de trabajadores para minimizar los costos totales, que también se
aprecia en la gráfica:
Página
6000
5000
Costo total
Costos
4000
3000
Costo de trabajadores
2000
1000
Costo de espera
0
5 6 7 8 9
Página
Líneas de e spera 4.5 Decisión del número de muelles
Una c ompañía utiliza sus propios barc os c amaroneros para pesc ar c amarón y después lo empa c
a para enviarlo a otras partes. Cuando estos botes llegan durante la temporada, hay que desc
argarlos
tan rápido como sea po sible para que puedan volver al mar. Se ha estimado que el costo de que un
bote permanezca detenido es de $50 por hora (esto incluye los salarios al igual que el tiempo
de pesc a). Los trabajadores que desc argan los botes ganan $8 por hora ya sea que estén
trabajando o no. Si el patrón de llegadas para los botes es aleatorio y el tiempo de descarga
también lo es, ¿Cuál
es el número de trabajadores que la compañía necesita debe utilizar para descargar los botes y
que produzca el menor costo total? Los botes c amaroneros llegan a una tasa promedio de uno
por hora y c ada trabajador puede desc argar medio bote por hora. Ac aba de surgir una nueva
oportunidad para la c ompañía. Puede rentar un muelle adya cente en $20 la hora para desc
argar los botes c amaroneros durant e la temporada fuerte de pesca. Determinar si sería
redituable que la compañía rente ese espacio adicional al muelle. Suponer que todos los valores
siguen siendo los mismos que en el problema original.
Sistema M/ M/ 1
Número de trabajadores
3 4 5 6 7
, botes por hora 1 1 1 1 1
µ botes por hora 1.5 2 2.5 3 3.5
fa ctor de utiliza 0.66 0.5 0.4 0.333 0.286
ción
L, botes en el sistema 2 1 0.66 0.5 0.4
Lq, botes en la cola 1.33 0.5 0.26 0.16 0.11
W, horas que un
2 1 0.66 0.5 0.4
bote est á en el
sistema
Wq, horas que un bote
1.33 0.5 0.26 0.16 0.11
est á en la cola
Costo de trabajadores $24 $32 $40 $48 $56
Costo de espera $100 $50 $33 $25 $20
COSTO TOTAL $124 $82 $73 $73 $76
Inicia el cálculo con tres trabajadores, porque si es un sistema M/M/1 se debe cumplir que µ > λ.
Página
Sistema M/ M/ 2
Página
Líneas de e spera 4.6 Decisión del número de empleados
La c ompañía arrendadora de aut omóviles opera su propia instalación de lavado y limpieza de
automóviles para prepararlos para su renta. Los automóviles llegan a la instalación de limpieza
en forma aleatoria a una tasa de 5 por día. La c ompañía arrendadora ha determinado que los
automóviles pueden limpiarse a un ritmo de 2n por día, en donde n es el número de personas
que trabajan en el automóvil. Por ejemplo, si se encuentran 4 personas trabajando la tasa de lavado
es de
8 automóviles por día. Se ha determinado que este procedimiento de lavado se ajusta a una distribu
ción exponencial negativa. La compañía les paga a sus trabajadores $30 por día y ha determinado
que el costo por un automóvil que no esté disponible para rentarlo es de $25 por día.
a. Calcular el número de empleados que deben contratarse en la instalación de lavado, para
que se produzca menor costo.
b. Calcular las c ara cterísticas de opera ción L, L q , W, Wq para el número de empleados que
eligió.
Sistema M/ M/ 1
n, número de empleados
3 4 5 6 7
λ 5 5 5 5 5
µ 6 8 10 12 14
ρ 0.833 0.625 0.5 0.416 0.357
P0 0.166 0.375 0.5 0.583 0.642
L 5 1.666 1 0.714 0.555
Lq 4.166 1.041 0.5 0.297 0.198
W 1 0.333 0.2 0.142 0.111
Wq 0.833 0.208 0.1 0.059 0.039
Costo de trabajadores $90 $120 $150 $180 $210
Cos to por no disponibilidad $125 $42 $25 $18 $14
Costo total $215 $162 $175 $198 $224
Página
Líneas de e spera 4.7 Operación de caja rápida
La c aja ráp ida de un supermercado atiende sólo clientes con 12 artículos o menos, y como
resultado,
es mucho más veloz para estos clientes que las filas norm ales. El gerente, ha estudiado esta fila y
ha determinado que los clientes llegan a una tasa aleatoria de 30 por hora y que, en promedio, el
tiempo de servicio para un cliente es de un minuto. Suponiendo que la tasa de servicio también es
aleatoria, responda las siguientes preguntas:
a. ¿Cuáles son y para la c aja rápida?
b. En promedio, ¿a cuántos clientes se está a tendiendo o están
esperando? c. En promedio, ¿cuánto debe esperar un cliente antes de
poder retirarse?
Sistema M/ M/ 1
λ 30
µ 60
ρ 0.5
L 1
Lq 0.5
W 0.0333
Wq 0.0166
c. La c ara cterístic a de opera ción es W = 0.0333 horas en promedio que pasa un cliente en
el sistema , 2 minutos.
Página
Líneas de e spera 4.8 Llamada de Erlang
Un hospital local está planeando ofrecer un servicio a la población en general. Este servicio consistirá
en dar información médica sobre diversos temas a las personas que marquen el número de
información del hospital, que es público. El hospital pron ostic a que habrá aproximadamente
10 llamadas por hora y serán de dura ción aleatoria. Una operadora c ontestará a las personas
que llamen e intentará responder a sus preguntas. La experiencia ha demostrado que la
llamada promedio dura 5 minutos. El hospital desea reducir la probabilidad de que
las personas que llamen
encuentren ocupada la línea, a menos de 0.05 aumentando las líneas telefónicas. Habrá sólo una
línea telefónica por operador. Utilizar la fórmula de la Llamada Perdida de Erlang para c alcular el
número de líneas telefónicas necesarias para alcanzar el nivel deseado de probabilidad del
hospital.
∑𝑛𝑛 𝜌𝜌𝑘𝑘
𝑘𝑘=0 𝑘𝑘!
Con n = 3 líneas:
0.08333
𝑃𝑃(𝑙𝑙 𝑙𝑙 𝑚𝑚𝑙𝑙𝑙𝑙𝑙𝑙 𝑝𝑝𝑝𝑝𝑝𝑝𝑙𝑙𝑝𝑝𝑙𝑙𝑙𝑙) = 3!
(0.0833)0 (0.0833)1 (0.0833)2 (0.0833)3 = 0.06099 > 0.050
+ + +
0! 1! 2! 3!
Con n = 4
líneas:
0.0833
3
𝑃𝑃(𝑙𝑙 𝑙 𝑙𝑚𝑚𝑙𝑙𝑙𝑙𝑙𝑙 𝑝𝑝𝑝𝑝𝑝𝑝𝑙𝑙𝑝𝑝𝑙𝑙𝑙𝑙) = (0.0833)1 ( 4! )2 ( = 0.01511 < 0.050
(0.0833)0 )3 ( )4
+ 0.0833 0.0833 0.0833
0! 1! + +
2! 3! 4!
El número de líneas telefónicas necesarias para alcanzar el nivel deseado de probabilidad del
Página
hospital son 4.
Líneas de e spera 4.9 Operación de confesionarios
Un sacerdote utiliza en la actualidad dos confesionarios con filas separadas para atender las
necesidades de los feligreses. Se ha observado que las llegadas son aleatorias, a un ritmo
promedio de 30 personas por hora y el tiempo de servicio tiende a ser aleatorio también,
puesto que la
cantidad de pecados por persona puede diferir en gran medida. Se ha determinado que el tiempo
promedio que se permanece en el confesionario es de 3 minutos. Se ha obtenido también que las
llegadas se distribuyen en forma equitativa ent re las dos líneas. El sacerdote está c onsiderando
c ambiar a un sistema en que se ut ilice una sola fila que alimente ambos confesionarios. El padre
desea saber qué sistema (el actual o el propuesto), conducirá al tiempo promedio más breve en el
sistema para sus feligreses.
+ + + +
λ 15
µ 20
ρ 0.75
L 3
Lq 2.25
W 0.2 hr, 12 min
Wq 0.15 horas en la cola
Página
Sistema propuesto (M/ M/2) :
λ 30
µ 20
ρ 1.5
P0 0.1429 (Tabla 4.2)
PSO 0.643
L 3.429
Lq 1.929
W 0.1143 hr, 6.8 min
Wq 0.064 hr, 3.9 min
Como se aprecia, con el sistema propuesto se tiene el menor tiempo que una persona pasa en el
confesionario, por lo que se prefiere en lugar del sistema actual.
Página
Líneas de e spera 4.10 Operación de cajero automático
Suponer que para un c ajero automátic o , los clientes llegan al a zar y el tiempo necesario para dar
servicio a un clien te es también aleatorio. Suponer además que la tasa de llegadas es de 5 por
hora y la tasa de servicio es de 10 por hora. Responda las siguientes preguntas:
a. ¿Cuál es la probabilidad de que un cliente se le atienda de inmediato, a su llegada, en la
cajera automátic a?
b. ¿Cuál es el promedio de tiempo que un cliente invierte con la cajera automática (tanto en
espera del servicio como recibiéndolo)?
c. En promedio, ¿cuántos clientes se encuentran esperando en la línea para que la c ajera
automátic a los atienda?
Para ser atendido de inmediato, es necesario que el sistema esté desocupado; en un M/M/1 esta
probabilidad es (1 – ρ):
5
𝜌𝜌 = = = 0.5
𝜇𝜇 10
(1 – ρ) = 0.5
b. ¿Cuál es el promedio de tiempo que un cliente invierte con el cajero automático (tanto en espera
del servicio como recibiéndolo)?
12
𝐿𝐿𝑞𝑞 �2� 1
= 1 − 1/2= 2
En promedio, se encuentran 0.5 clientes esperando en la línea para que ser atendidos.
Página
Líneas de espera 4.11 Operación de taquillas
Un autocinema tiene tres taquillas, c ada una de las cuales ati ende una sola fila de clientes. Los
automóviles llegan al autocinema a una tasa total de 90 automóviles por hora y cada taquilla puede
atender a 40 automóviles por hora. Tanto las llegadas como los servicios son por completo aleatorios.
Con base en esta in formación responda las siguientes preguntas:
a. ¿Qué tipo de situación de líneas de espera es ésta?
b. ¿Cuál es la probabilidad de que, si consideramos una sola de las taquillas, se encuentre
desocupada? ¿cuál es la probabilidad de que esté atendiendo a tres aut omóviles o haya
tres automóviles esperando en la fila?
c. ¿Cuál es el número promedio de automóviles en el sistema de líneas de espera de cada
una de las taquillas (esperando y siendo atendidos)?
d. ¿Cuál es el tiempo promedio que un automóvil espera antes de ll egar a la taquilla?
3
𝑃𝑃0 = 1 − 𝜌𝜌 = 1 − = 0.25
4
𝑃𝑛𝑛 = (𝑃𝑃0 )(𝜌𝜌)𝑛𝑛 = (0.25)(0.75)3 = 0.1054
𝐿𝐿 = (0.75)
2 = 9/4 𝐿𝐿 = 9
+ 3
= 12
=3
𝑞𝑞 1−0.75 4 4 4
3 automóviles
𝑊𝑊𝑞𝑞 3
30 = 𝑙𝑙𝑝𝑝 ℎ𝑜𝑜𝑝𝑝𝑙𝑙 = 𝟒𝟒. 𝟏𝟏 𝒎𝒎𝒎𝒎𝒎𝒎𝒎𝒎𝒎𝒎𝒎𝒎𝒎𝒎
= 40(40 −
40
30)
Página
Tabla 4.2 Valores de P 0
S
ρ 1 2 3 4 5 6 7
0.1 0.9 0.9048 0.9048 0.9048 0.9048 0.9048 0.9048
0.2 0.8 0.8182 0.8187 0.8187 0.8187 0.8187 0.8187
0.3 0.7 0.7391 0.7407 0.7408 0.7408 0.7408 0.7408
0.4 0.6 0.6667 0.6701 0.6703 0.6703 0.6703 0.6703
0.5 0.5 0.6 0.6061 0.6065 0.6065 0.6065 0.6065
0.6 0.4 0.5385 0.5479 0.5487 0.5488 0.5488 0.5488
0.7 0.3 0.4815 0.4952 0.4955 0.4966 0.4966 0.4966
0.8 0.2 0.4286 0.4472 0.4491 0.4493 0.4493 0.4493
0.9 0.1 0.3793 0.4035 0.4062 0.4065 0.4066 0.4066
1 0.3333 0.3636 0.3673 0.3678 0.3679 0.3679
1.1 0.2903 0.3273 0.3321 0.3328 0.3329 0.3329
1.2 0.25 0.2941 0.3002 0.3011 0.3012 0.3012
1.3 0.2121 0.2638 0.2712 0.2723 0.2725 0.2725
1.4 0.1765 0.236 0.2449 0.2463 0.2466 0.2466
1.5 0.1429 0.2105 0.221 0.2228 0.2231 0.2231
1.6 0.112 0.1881 0.2003 0.2024 0.2018 0.2018
1.7 0.0811 0.1657 0.1796 0.1821 0.1826 0.1827
1.8 0.0526 0.146 0.1616 0.1646 0.1652 0.1653
1.9 0.0256 0.1278 0.1453 0.1487 0.1494 0.1495
2 0.1111 0.1304 0.1343 0.1351 0.1353
2.1 0.0957 0.1169 0.1213 0.1222 0.1224
2.2 0.0815 0.1046 0.1094 0.1105 0.1107
2.3 0.0683 0.0933 0.0987 0.0999 0.1002
2.4 0.0562 0.0831 0.0889 0.0903 0.0906
2.5 0.0449 0.0757 0.0801 0.0816 0.082
2.6 0.0345 0.0651 0.0721 0.0737 0.0742
2.7 0.0249 0.0573 0.0648 0.0666 0.0671
2.8 0.016 0.0502 0.0581 0.0601 0.0606
2.9 0.0077 0.0437 0.0521 0.0543 0.0548
3 0.0377 0.0466 0.047 0.0496
3.1 0.0323 0.0417 0.0444 0.0448
3.2 0.0273 0.0371 0.0398 0.0405
3.3 0.0227 0.033 0.0358 0.0366
3.4 0.0186 0.0293 0.0322 0.0331
3.5 0.0148 0.0259 0.029 0.0298
3.6 0.0113 0.0228 0.026 0.0269
3.7 0.0081 0.02 0.0233 0.0243
3.8 0.0051 0.0174 0.0209 0.0219
3.9 0.0025 0.0151 0.0187 0.0198
4 0.013 0.0167 0.0178
4.1 0.012 0.0149 0.016
4.2 0.0093 0.0132 0.0144
4.3 0.0077 0.0117 0.013
4.4 0.0063 0.0104 0.0117
4.5 0.005 0.0091 0.0105
4.6 0.0038 0.008 0.0094
4.7 0.0027 0.007 0.0084
4.8 0.0017 0.0061 0.0075
4.9 0.0008 0.0053 0.0067
5 0.0045 0.006
Página
Tabla 4.3 Áreas bajo la curva normal estándar entre 0 y z
1
𝑓𝑓( 𝑧𝑧 ) =
√2𝜋𝜋 𝑝𝑝 /2
𝑧𝑧 2
z 0 1 2 3 4 5 6 7 8 9
0 0 0.004 0.008 0.012 0.016 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0754
0.2 0.0793 0.0832 0.0871 0.091 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.148 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.17 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.195 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.219 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.258 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.291 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.334 0.3365 0.3389
1 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.377 0.379 0.381 0.383
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.398 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.437 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.475 0.4756 0.4761 0.4767
2 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.483 0.4834 0.4838 0.4842 0.4846 0.485 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.489
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.492 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.494 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.496 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.497 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.498 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.499 0.499
3.1 0.499 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 05
Página
Tabla 4.4 Áreas bajo la curva 2
ν= grados de libertad
ν
P 0.99 0.95 0.9 0.5 0.2 0.1 0.05 0.02 0.01
1 0.0002 0.004 0.016 0.455 1.642 2.71 3.84 5.41 6.64
2 0.02 0.103 0.211 1.39 3.22 4.61 5.99 7.82 9.21
3 0.115 0.35 0.584 2.37 4.64 6.25 7.82 9.84 11.34
4 0.3 0.71 1.06 3.36 5.99 7.78 9.49 11.67 13.28
5 0.55 1.14 1.61 4.35 7.29 9.24 11.07 13.39 15.09
6 0.87 1.64 2.2 5.35 8.56 10.64 12.59 15.08 16.81
7 1.24 2.17 2.83 6.35 9.8 12.02 14.07 16.62 18.48
8 1.65 2.73 3.49 7.34 11.03 13.36 15.51 18.17 20.09
9 2.09 3.32 4.17 8.34 12.24 14.68 16.92 19.68 21.67
10 2.56 3.94 4.87 9.34 13.44 15.99 18.31 21.16 23.21
11 3.05 4.58 5.58 10.34 14.63 17.28 19.68 22.62 24.72
12 3.57 5.23 6.3 11.34 15.81 18.55 21.03 24.05 26.22
13 4.11 5.89 7.04 12.34 16.98 19.81 22.36 25.47 27.69
14 4.66 6.57 7.79 13.34 18.15 21.06 23.68 26.87 29.14
15 5.23 7.26 8.55 14.34 19.31 22.31 25 28.26 30.58
16 5.81 7.96 9.31 15.34 20.46 23.54 26.3 29.63 32
17 6.41 8.67 10.08 16.34 21.62 24.77 17.59 31 33.41
18 7.02 9.39 10.86 17.34 22.76 25.99 28.87 32.35 34.8
19 7.63 10.12 11.65 18.34 23.9 27.2 30.14 33.69 36.19
20 8.26 10.85 12.44 19.34 25.04 28.41 31.41 35.02 37.57
21 8.9 11.59 13.24 20.34 26.17 29.62 32.67 36.34 38.93
22 9.54 12.34 14.04 21.34 27.3 30.81 33.92 37.66 40.29
23 10.2 13.09 14.85 22.34 28.43 32.01 35.17 38.97 41.64
24 10.86 13.85 15.66 23.34 29.55 33.2 35.42 40.27 42.98
25 11.52 14.61 16.47 24.34 30.68 34.38 37.65 41.57 44.31
26 12.2 15.38 17.29 25.34 31.8 35.56 38.88 42.86 45.64
27 12.88 16.15 18.11 26.34 32.91 36.74 40.11 44.14 46.96
28 13.56 16.93 18.94 27.34 34.03 37.92 41.34 45.52 48.28
29 14.26 17.71 19.77 28.34 35.14 39.09 42.56 46.69 49.59
30 14.95 18.49 20.6 29.34 36.25 40.26 43.77 47.96 50.89
Página
5 SIMULACIÓN Y MÉTODOS DE MONTECARLO
Es gracias al gran avance de la tecnología en estos tiempos, que la simulación se ha vuelto una
herramienta muy utilizada en el análisis y estudio de sistemas complejos.
Se puede definir como la técnica que imita el funcionamiento de un sistema del mundo real cuando
evoluciona en el tiempo. Esto se hace, por lo general, al crear un modelo de simulación. Un modelo
de simulación comúnmente, toma la forma de un conjunto de hipótesis acerca del funcionamiento
del sistema, expresado c omo rela ciones matemátic as o lógic as entre los o bjetos de interés del
sistema.
El empleo de los métodos de Montecarlo en materia de investigación, proviene del trabajo realizado
en el desarrollo d e la bomba atómica durante la Segunda Guerra Mundial en el Laboratorio
Nacional de Los Álamos en EE. UU. Dicho trabajo condujo a la simulación de problemas
probabilísticos de
hidrodinámica concernientes a la difusión de neutrones en el material de fisión. En la a ctualidad es
parte fundamental de los algoritmos de Raytracing para la generación de imágenes 3D. El método
es aplicable a cualquier tipo de problema, y a sea estoc ástic o o deterministic o .
Ha ciendo una reseña históric a es importante desta c ar a John von Neumann 4 y Stanislaw Ulam 5
quienes refinaron esta ruleta rusa y los métodos de división de tareas. Sin embargo, el desarrollo
sistemátic o de estas ideas tuvo que esperar al trabajo de Herman Kahn 6
en 1948.
La invenció n del método de Montecarlo se atri buye a Stanislaw Ulam y a John von Neumann . Se debe
hacer notar que la simulación no es una técnica de optimización. Se emplea con más
frecuencia para analizar preguntas tipo ¿qué sucede sí...? es posible optimizar con la simulación,
pero, en general, es u n proceso tardado. También, la simulación puede ser costosa. Sin embargo, con
4
John Von Neumann, (1903 -1957), matemático húngaro -estadounidense que realizó c ontribuciones importantes en físic a cuántic a, análisis
funcional, teoría de conjuntos, ciencias de la computa ción, economía, análisis numérico, estadística y muc hos otros c ampos. Está
considerado como uno de los más importantes matemáticos de la historia moderna.
5
Stanislaw Ulam, (1909-1984), matemático pola co –estadounidense que participó en el proye cto Manhattan y propuso el diseño Teller –
Ulam de las
armas termonucleares. Conocido por ser coautor del Método de Montecarlo.
6
Herman Kahn, (1922 -1983), militar estratega estadounidense y teóric o de los sistemas. Fue c onocido por el análisis de las probables conse
cuencias de la guerra nuclear y re comendar forma s de mejorar la supervivencia. Sus teorías contribuyeron al desarrollo de la estrategia nuclear de
los Estados Unidos.
Página
la crea ción de lenguajes especiales para simula ción, c ostos decrecientes de c ómputo y
avances en metodología de simulación, el problema del costo se hace cada vez menos important
e.
Página
Simulación 5.1 Observaciones Aleatorias
Suponer que se necesitan observaciones aleatorias a partir de una distribución triangular cuya función
densida d de probabilidad es:
2x, si 0 ≤ x ≤ 1
f(x) =
0, de otra manera
F(x)=x1 / 2
Los costos fijos incluyen elementos tales como la amortiz ación del costo original de la instalación a
lo largo de su vida esperada, mantenimiento general, etc.; se aplican estos costos a todos los días,
bien sea que se use o no el equipo. Se incurre en los costos de operación únicamente durante los
intervalos de tiempo en que el equipo de descarga está realmente en uso.
Cada uno de los barcos que va a desc argarse trae 8,000 toneladas de mineral, y se c
onsidera que llegan según una distribución de Poisson durante todo el año con una tasa
media de llegada de
cinc o barcos por semana. Los tiempos de servicio para un tipo dado de instalación se
considera que son exponenciales, con una tasa media de servicio que corresponde a la
columna de capacidad media en la tabla.
Si el tiempo invertido en el sistema de descarga (t iempo de espera más tiempo de descarga) se
considera que le cuesta a la compañía $2,000 por barco por día, ¿qué tipo de instalación de
descarga debe seleccionarse, y que tantos lugares deben construirse?
Alternativas factibles
Criterio de decisió n: seleccionar la alternativa que genere el menor costo total, el cual se
integrará con:
Costo fijo + Costo de espera + Costo de operación = Costo total
Parámetros del sistema :
Tasa de servicio, µ A = 0.450 barco s por día, µ B = 0.725 barcos por día, µ C = 0.800 barcos por día
Modelo de simulación:
Alternativa (Tipo de instalación, Número de muelles)
Patrón de Patrón de
llegadas Salida
servicio
1
Simulación del tiempo entre llegadas (Poisson): x ln r
i
Donde r es un decimal aleatorio y λ es la tasa de llegadas.
1
Simulación del tiempo de servicio (Exponencial): x ln r
i
Donde r es un decimal aleatorio y μ es la tasa de servicio.
Página
ALT (A, 2) λ = 0.7143 μ = 0.450
Aleatorio T entre lleg Día llega Espera Día entra serv Aleatorio T de serv Muelle Día sale
0.65551 0.59128 0.59128 x 0.59128 0.01825 8.89685 1 9.48813 T simulación 31.32067
0.54442 0.85125 1.44253 1.44253 0.20811 3.48824 2 4.93077
0.73431 0.43236 1.87489 3.05588 4.93077 0.37300 2.19152 2 7.12229 CF = 52618.72
0.99808 0.00269 1.87759 5.24470 7.12229 0.42073 1.92393 2 9.04622 CE = 240020.06
0.99487 0.00720 1.88479 7.16143 9.04622 0.03858 7.23364 2 16.27986 CO = 42452.24
0.23160 2.04781 3.93260 5.55554 9.48813 0.31230 2.58623 1 12.07436 335091.02
0.69411 0.51117 4.44377 7.63060 12.07436 0.36796 2.22172 1 14.29609
0.31581 1.61368 6.05745 8.23864 14.29609 0.78228 0.54565 1 14.84173 CT/DÍA = 10698.72
0.29814 1.69429 7.75174 7.09000 14.84173 0.96908 0.06978 1 14.91152
0.90768 0.13561 7.88734 7.02418 14.91152 0.91671 0.19324 1 15.10476
0.87747 0.18300 8.07034 7.03442 15.10476 0.14457 4.29781 1 19.40257
0.05679 4.01563 12.08597 4.19388 16.27986 0.19437 3.63995 2 19.91981
0.61342 0.68418 12.77016 6.63242 19.40257 0.99741 0.00577 1 19.40834
0.01349 6.02821 18.79837 0.60997 19.40834 0.68709 0.83396 1 20.24231
0.32224 1.58542 20.38379 x 20.38379 0.48357 1.61459 1 21.99839
0.19523 2.28703 22.67082 x 22.67082 0.78549 0.53656 2 23.20738
0.40303 1.27225 23.94307 x 23.94307 0.19367 3.64799 1 27.59106
0.96759 0.04613 23.98920 x 23.98920 0.48122 1.62542 2 25.61462
0.11542 3.02284 27.01204 x 27.01204 0.14386 4.30863 2 31.32067
0.39570 1.29793 28.30996 x 28.30996 0.73742 0.67689 1 28.98685
69.47165 50.53838
Aleatorio T entre lleg Día llega Espera Día entra serv Aleatorio T de serv Muelle Día sale
0.81292 0.28997 0.28997 x 0.28997 0.97678 0.05222 1 0.34219 T simulación 31.03720
0.64217 0.62006 0.91003 x 0.91003 0.70000 0.79260 2 1.70263
0.28959 1.73500 2.64504 x 2.64504 0.95547 0.10122 3 2.74625 CF = 78213.74
0.98166 0.02592 2.67095 x 2.67095 0.34886 2.34020 1 5.01116 CE = 72451.37
0.85864 0.21337 2.88432 x 2.88432 0.14902 4.23036 2 7.11468 CO = 30429.57
0.35719 1.44129 4.32561 x 4.32561 0.37873 2.15760 3 6.48321 181094.68
0.22324 2.09929 6.42490 x 6.42490 0.92074 0.18350 1 6.60840
0.75967 0.38483 6.80973 x 6.80973 0.07532 5.74669 3 12.55642 CT/DÍA = 5834.76
0.25159 1.93191 8.74164 x 8.74164 0.99103 0.02003 1 8.76167
0.55348 0.82813 9.56977 x 9.56977 0.26765 2.92908 2 12.49885
0.18952 2.32857 11.89834 x 11.89834 0.92361 0.17658 1 12.07492
0.64382 0.61647 12.51481 x 12.51481 0.95175 0.10989 1 12.62471
0.41469 1.23233 13.74714 x 13.74714 0.98825 0.02626 2 13.77340
0.51271 0.93526 14.68240 x 14.68240 0.30680 2.62567 3 17.30807
0.01285 6.09636 20.77876 x 20.77876 0.55702 1.30033 1 22.07909
0.65587 0.59050 21.36926 x 21.36926 0.51042 1.49448 2 22.86375
0.95776 0.06042 21.42968 x 21.42968 0.68981 0.82520 3 22.25488
0.45082 1.11536 22.54505 x 22.54505 0.25858 3.00564 1 25.55068
0.17554 2.43582 24.98087 x 24.98087 0.06552 6.05633 2 31.03720
0.98819 0.01663 24.99750 x 24.99750 0.39720 2.05182 3 27.04932
0.00000 36.22568
Página
ALT (B, 1) λ = 0.7143 μ = 0.725
Aleatorio T entre lleg Día llega Espera Día entra serv Aleatorio T de serv Muelle Día sale
0.65551 0.59128 0.59128 x 0.59128 0.01825 5.52135 6.11263 T simulación 23.45632
0.99808 0.00269 0.59398 5.51865 5.51865 0.42073 1.19398 6.71263
0.69411 0.51117 1.10515 5.60749 6.71263 0.36796 1.37879 8.09142 CF = 31666.03
0.90768 0.13561 1.24075 6.85067 8.09142 0.91671 0.11992 8.21135 CE = 163452.82
0.61342 0.68418 1.92494 6.28641 8.21135 0.99741 0.00358 8.21493 CO = 38640.16
0.19523 2.28703 4.21197 4.00296 8.21493 0.78549 0.33299 8.54792 233759.02
0.11542 3.02284 7.23480 1.31312 8.54792 0.14386 2.67392 11.22184
0.62310 0.66228 7.89708 3.32476 11.22184 0.97778 0.03099 11.25282 CT/DÍA = 9965.72
0.75503 0.39340 8.29048 2.96234 11.25282 0.49388 0.97290 12.22572
0.33647 1.52496 9.81544 2.41028 12.22572 0.99103 0.01243 12.23815
0.44182 1.14361 10.95904 1.27911 12.23815 0.55239 0.81851 13.05666
0.94836 0.07423 11.03327 2.02339 13.05666 0.48970 0.98463 14.04129
0.53774 0.86854 11.90181 1.15485 13.05666 0.22535 2.05501 15.11167
0.89181 0.16030 12.06211 3.04956 15.11167 0.12329 2.88670 17.99837
0.01892 5.55444 17.61655 0.38182 17.99837 0.20878 2.16034 20.15871
0.75881 0.38640 18.00295 2.15576 20.15871 0.38493 1.31662 21.47533
0.67107 0.55843 18.56139 2.91394 21.47533 0.27812 1.76486 23.24019
0.84408 0.23731 18.79870 4.44150 23.24019 0.85495 0.21613 23.45632
0.78634 0.33651 19.13521 x 19.13521 0.07181 3.63218 22.76739
0.61260 0.68606 19.82127 2.94611 22.76739 0.67281 0.54652 23.31391
53.10407 28.62234
Aleatorio T entre lleg Día llega Espera Día entra serv Aleatorio T de serv Muelle Día sale
0.54442 0.85125 0.85125 x 0.85125 0.20811 2.16512 1 3.01636 T simulación 41.17762
0.99487 0.00720 0.85845 x 0.85845 0.03858 4.48985 2 5.34829
0.31581 1.61368 2.47213 0.54424 3.01636 0.78228 0.33868 1 3.35504 CF = 111179.57
0.87747 0.18300 2.65513 0.69992 3.35504 0.14457 2.66761 1 6.02265 CE = 66160.56
0.01349 6.02821 8.68334 x 8.68334 0.68709 0.51763 2 9.20097 CO = 42978.77
0.40303 1.27225 9.95559 x 9.95559 0.19367 2.26427 1 12.21986 220318.90
0.39570 1.29793 11.25352 x 11.25352 0.73742 0.42014 2 11.67366
0.50603 0.95363 12.20715 x 12.20715 0.52275 0.89469 2 13.10184 CT/DÍA = 5350.45
0.84997 0.22757 12.43472 x 12.43472 0.93027 0.09970 1 12.53443
0.39494 1.30063 13.73535 x 13.73535 0.90423 0.13885 1 13.87421
0.65960 0.58258 14.31793 x 14.31793 0.52065 0.90026 2 15.21819
0.06589 3.80769 18.12562 x 18.12562 0.88058 0.17541 1 18.30103
0.63158 0.64334 18.76896 x 18.76896 0.01294 5.99647 2 24.76543
0.22431 2.09261 20.86157 x 20.86157 0.87399 0.18578 1 21.04735
0.30436 1.66536 22.52693 x 22.52693 0.41227 1.22216 1 23.74909
0.08374 3.47201 25.99893 x 25.99893 0.66527 0.56215 2 26.56108
0.45473 1.10328 27.10222 x 27.10222 0.57942 0.75272 1 27.85494
0.01019 6.42045 33.52267 x 33.52267 0.33567 1.50568 2 35.02835
0.12186 2.94683 36.46950 x 36.46950 0.03293 4.70812 1 41.17762
0.48100 1.02464 37.49414 x 37.49414 0.26518 1.83085 2 39.32498
1.24416 31.83612
Página
ALT (B, 3) λ = 0.7143 μ = 0.725
Aleatorio T entre lleg Día llega Espera Día entra serv Aleatorio T de serv Muelle Día sale
0.73431 0.43236 0.43236 x 0.43236 0.37300 1.36025 1 1.79262 T simulación 33.35627
0.23160 2.04781 2.48017 x 2.48017 0.31230 1.60525 2 4.08542
0.29814 1.69429 4.17446 x 4.17446 0.96908 0.04331 3 4.21778 CF = 135092.91
0.05679 4.01563 8.19009 x 8.19009 0.19437 2.25928 1 10.44938 CE = 44414.60
0.32224 1.58542 9.77552 x 9.77552 0.48357 1.00216 2 10.77768 CO = 29979.86
0.96759 0.04613 9.82164 x 9.82164 0.48122 1.00888 3 10.83052 209487.37
0.59423 0.72869 10.55034 x 10.55034 0.35817 1.41622 1 11.96656
0.03299 4.77615 15.32649 x 15.32649 0.22666 2.04731 2 17.37379 CT/DÍA = 6280.30
0.14368 2.71622 18.04271 x 18.04271 0.94082 0.08414 3 18.12684
0.24189 1.98698 20.02969 x 20.02969 0.04593 4.24914 1 24.27883
0.39085 1.31520 21.34489 x 21.34489 0.91565 0.12155 2 21.46644
0.87457 0.18763 21.53253 x 21.53253 0.87490 0.18433 3 21.71686
0.54677 0.84522 22.37774 x 22.37774 0.97736 0.03159 2 22.40934
0.54872 0.84023 23.21797 x 23.21797 0.70763 0.47701 3 23.69498
0.23414 2.03258 25.25055 x 25.25055 0.84313 0.23535 2 25.48590
0.15772 2.58571 27.83626 x 27.83626 0.65642 0.58062 1 28.41689
0.79788 0.31612 28.15239 x 28.15239 0.19651 2.24420 3 30.39659
0.42039 1.21319 29.36558 x 29.36558 0.17780 2.38219 2 31.74777
0.27369 1.81406 31.17964 x 31.17964 0.65645 0.58056 1 31.76020
0.26060 1.88269 33.06233 x 33.06233 0.80807 0.29394 2 33.35627
0.00000 22.20730
Aleatorio T entre lleg Día llega Espera Día entra serv Aleatorio T de serv Muelle Día sale
0.68749 0.52459 0.52459 x 0.52459 0.34788 1.31987 1.84446 T simulación 41.75808
0.21558 2.14817 2.67276 x 2.67276 0.38160 1.20422 3.87698
0.59999 0.71517 3.38793 0.48905 3.87698 0.75268 0.35515 4.23213 CF = 62637.12
0.05319 4.10734 7.49527 x 7.49527 0.09946 2.88500 10.38028 CE = 163667.32
0.33885 1.51509 9.01036 1.36991 10.38028 0.00525 6.56210 16.94238 CO = 46898.31
0.36546 1.40924 10.41961 6.52278 16.94238 0.66628 0.50756 17.44994 273202.75
0.07746 3.58126 14.00087 3.44907 17.44994 0.69839 0.44873 17.89867
0.58412 0.75270 14.75357 3.14510 17.89867 0.01294 5.43430 23.33297 CT/DÍA = 6542.51
0.42091 1.21147 15.96503 7.36794 23.33297 0.82488 0.24064 23.57361
0.09131 3.35087 19.31591 4.25771 23.57361 0.10193 2.85431 26.42792
0.70952 0.48042 19.79633 6.63160 26.42792 0.74209 0.37286 26.80078
0.78597 0.33716 20.13349 6.66729 26.80078 0.10321 2.83869 29.63948
0.09015 3.36877 23.50226 6.13722 29.63948 0.83316 0.22817 29.86765
0.21442 2.15573 25.65799 4.20966 29.86765 0.87725 0.16370 30.03134
0.07361 3.65255 29.31054 0.72081 30.03134 0.70977 0.42852 30.45986
0.23444 2.03076 31.34130 x 31.34130 0.85800 0.19144 31.53274
0.79727 0.31719 31.65849 x 31.65849 0.29930 1.50791 33.16640
0.68117 0.53751 32.19601 0.97039 33.16640 0.93039 0.09019 33.25659
0.71133 0.47688 32.67288 0.58371 33.25659 0.66060 0.51825 33.77484
0.00348 7.92537 40.59825 x 40.59825 0.39540 1.15983 41.75808
52.52221 29.31145
Página
ALT (C, 2) λ = 0.7143 μ = 0.800
Aleatorio T entre lleg Día llega Espera Día entra serv Aleatorio T de serv Muelle Día sale
0.00848 6.67738 6.67738 x 6.67738 0.26868 1.64277 1 8.32015 T simulación 34.78904
0.07160 3.69139 10.36877 x 10.36877 0.53069 0.79198 2 11.16075
0.91220 0.12866 10.49743 x 10.49743 0.56868 0.70554 1 11.20297 CF = 104367.13
0.47429 1.04432 11.54175 x 11.54175 0.91000 0.11789 2 11.65963 CE = 29103.15
0.57289 0.77988 12.32162 x 12.32162 0.85257 0.19938 1 12.52101 CO = 22637.91
0.54237 0.85652 13.17814 x 13.17814 0.56236 0.71951 2 13.89765 156108.19
0.37413 1.37643 14.55457 x 14.55457 0.98486 0.01907 1 14.57363
0.30485 1.66311 16.21768 x 16.21768 0.43547 1.03917 2 17.25684 CT/DÍA = 4487.28
0.41295 1.23821 17.45589 x 17.45589 0.94739 0.06756 1 17.52345
0.04791 4.25368 21.70958 x 21.70958 0.65087 0.53681 1 22.24639
0.98227 0.02505 21.73462 x 21.73462 0.26728 1.64932 2 23.38394
0.16141 2.55331 24.28793 x 24.28793 0.83923 0.21909 1 24.50702
0.96115 0.05547 24.34341 x 24.34341 0.72073 0.40937 2 24.75278
0.06552 3.81549 28.15890 x 28.15890 0.23554 1.80733 1 29.96623
0.58257 0.75643 28.91533 x 28.91533 0.90524 0.12444 2 29.03978
0.93628 0.09218 29.00751 0.03226 29.00751 0.37779 1.21678 2 30.22429
0.54640 0.84616 29.85367 0.37062 29.85367 0.77548 0.31785 1 30.17152
0.44850 1.12259 30.97626 x 30.97626 0.75259 0.35530 1 31.33156
0.94705 0.07616 31.05242 x 31.05242 0.73525 0.38443 2 31.43685
0.25529 1.91151 32.96393 x 32.96393 0.23222 1.82511 1 34.78904
0.40288 14.14869
Aleatorio T entre lleg Día llega Espera Día entra serv Aleatorio T de serv Muelle Día sale
0.75945 0.38522 0.38522 x 0.38522 0.98050 0.02462 1 0.40984 T simulación 20.09037
0.78643 0.33635 0.72157 x 0.72157 0.95981 0.05128 2 0.77285
0.73064 0.43936 1.16093 x 1.16093 0.74053 0.37548 3 1.53641 CF = 90406.65
0.11905 2.97946 4.14039 x 4.14039 0.85299 0.19876 1 4.33915 CE = 55092.35
0.51671 0.92439 5.06478 x 5.06478 0.16272 2.26962 2 7.33440 CO = 36056.80
0.10575 3.14539 8.21017 x 8.21017 0.52034 0.81659 3 9.02676 181555.80
0.97864 0.03023 8.24041 x 8.24041 0.80029 0.27848 1 8.51889
0.29957 1.68757 9.92798 x 9.92798 0.61480 0.60808 2 10.53606 CT/DÍA = 9036.96
0.85214 0.22401 10.15199 x 10.15199 0.90258 0.12812 3 10.28010
0.89593 0.15385 10.30583 x 10.30583 0.36970 1.24383 1 11.54966
0.83834 0.24686 10.55269 x 10.55269 0.01810 5.01498 3 15.56767
0.10181 3.19851 13.75120 x 13.75120 0.36689 1.25335 2 15.00456
0.86828 0.19773 13.94894 x 13.94894 0.07593 3.22243 1 17.17136
0.22541 2.08577 16.03471 x 16.03471 0.14228 2.43747 2 18.47218
0.76003 0.38415 16.41886 x 16.41886 0.28932 1.55030 3 17.96915
0.95526 0.06408 16.48294 0.68843 17.17136 0.22349 1.87300 1 19.04437
0.98712 0.01815 16.50108 1.46807 17.96915 0.72546 0.40119 3 18.37035
0.79763 0.31655 16.81764 1.55271 18.37035 0.69268 0.45899 3 18.82933
0.77709 0.35307 17.17071 1.30147 18.47218 0.88491 0.15283 2 18.62501
0.14090 2.74355 19.91426 x 19.91426 0.86859 0.17611 2 20.09037
5.01068 22.53550
Página
Resumen de costo total:
Existen diferencias entre los costos debido a que se han empleado pocos números aleatorios, muy
lejos de alcanzar la ley de los grandes números; sin embargo, hay convergencia en la selección
del menor costo, que también puede ser coincidencia. Esto condu ce a sugerir que se utilicen 2
muelles con instalación B en cada uno de ellos .
Página
Simulación 5.3 Consumo de energía
La producción diaria de un sistema hidroeléctrico en Kw -hr, obedece a una distribución de
probabilidad uniforme en el intervalo [10,16] kw -hr. El número diario de consumidores de energía
producida tiene una distribución normal conμ = 7 consumidores y una σ=2 consumidores. La
probabilidad de que un consumidor requiera de 1, 2 o 3 kw -hr está dada por la siguiente distribución:
Kw-hr/consumidor 1 2 3
Prob abilidad 0.45 0.35 0.20
Estimar con simulación, el número medio de kw -hr no consumidos y el número medio de kw -hr
requeridos por día debido a una producción insuficiente. Suponer que la producción de un día no
puede ser utilizada en el siguiente.
Modelo de simulación:
DEFICIT
f(x)
1 R
b ax i a
Función densidad
x i a R (b a )
x i R (b a ) a
a b kw-hora
x i R (16 10) 10
x 6R 10
F(x)
1.0
Decimal
R Función de
aleatorio
distribución
a xi b x
Página
El decimal aleatorio R se genera en Excel :
0.3
Función
densidad
distribución normal es necesario generar Distribuciones
0.2
0
aleatoria
xi mediante la expresión:
-4 -3 -2 -1 0 1 2 3 4
x
1 z
Decimal 0.8
aleatorio
0.6
Función de
dis tribu ción
z x
0.4
0.2
x i z
-4 -3 -2 -1 0
0
xi DAN ( )
1234
Desviació
n aleatoria
normal
: Datos
Análisis de datos
0.4
Función densidad
0.2
0.3
0.1
0 1 2 3 4
0 Cada muestra aleato ria se genera proyectando
1 un decimal aleatorio en la función de distribución.
Decimal 0.8
aleatorio Función de distribución
0.6
0.4
0.2
0 1 2 3 4
0 Xi
Resumiendo:
Para c ada día, se simula la produ cción con decimal aleatorio R; c on una desvia ción aleatoria
normal (DAN) se genera el número de consumidores para ese día ,
c ada uno de los cuales tendrá un c onsumo. La suma de estos c
onsumos debe ser c omparada c on la c antidad producida, para finalmente determinar si ese día
hubo un sobrante (superávit) o un faltante (déficit):
Página
Simulación de cinco días de operación
Consumo
Consumidores
Superávit
Déficit
Producción
aleatoria normal
Aleatorio
Aleatorio
Desviación
Día
1 0.832422864 3
2 0.003936888 1
3 0.808404798 3
4 0.943174535 3
5 0.878566851 3
1 0.382 12.292 0.6165169 8 6 0.60155034 2 6.708
7 0.699972533 2
8 0.537583544 2
19
1 0.98129215 3
2 0.46501053 2
3 0.65086825 2
4 0.39265114 1
5 0.13782159 1
2 0.1006 10.604 0.5946 8 6 0.88482315 3 1.396
7 0.5142674 2
8 0.06109806 1
12
1 0.83602405 3
2 0.35157323 1
3 0.85470138 3
4 0.54304636 2
3 0.596 13.578 -0.1847 7 5 0.34330271 1 0.4211
6 0.47102268 2
7 0.62883389 2
14
1 0.56126591 2
2 0.57502976 2
3 0.14581744 1
0.8991 15.3946 -0.5724 6 4 0.30753502 1 6.3946
4 5 0.56877346 2
6 0.93993957 3
9
1 0.97482223 3
2 0.65608692 2
3 0.25165563 1
4 0.50120548 2
5 0.88460952 15.3076 0.4691878 8 5 0.27991577 1 1.6924
6 0.95312357 3
7 0.63161107 2
8 0.82384716 3
17
6.3946 10.2175
De manera que el númer o medio de kw -hr no consumidos por día es de 1.278 kw -hr y el número medio
de kw -hr requeridos por día debido a una producción insuficiente es de 2.043 kw -hr.
Página
Simulación 5.4 Reparaciones
Un expert o en reparaciones encuentra que el tiempo que invierte en sus trabajos tiene una
distribución exponencial con media de 30 minutos. Si repara los aparatos en el orden que llegan, y si
la llegada de ellos es aproximadamente Poisson con una tasa media de 10 por día de 8 horas, ¿cuál es
el tiempo esperado que está desocupado cada día? ¿qué tantos aparatos están por delante del que a
c aba de llegarle?
Tiempo desocupado por día = 0.3132 x 8 = 2.5 horas por día de 8 horas
Página
Simulación 5.5 Área de una Elipse
Calcular con simulación, el área de un cuarto de elipse con valores de radio menor = 1 (a = 1) y de
radio mayor = 1.5 (b = 1.5)
1
FDD
Distribución
r uniforme
0
a x
bi
De la función de distribución uniforme, se puede deducir una expresión para generar una x i aleatoria
en el intervalo de a a b: utilizando triángulos semejantes:
1 r
; x a r(b a)
i
(b a) x i a
xi r(b a) a
a2 b2
x2 y2 1
1 2.25
y2 2.25 2.25x2
El método consiste en simular que se impacta a un área rectangular conocida, y ese impacto puede
a certar o no al área que se busc a; numéric amente c onsiste en simular un impa cto de abscisa x i
con el cual se c alcula una función f(x i), la cual se compara c on una y i aleatoria que puede ser
Página
mayor o
menor que la f(x i); si es menor que la f(x i) se considera como un acierto. Se tendrá una serie de
intentos, de los cuales algunos serán a ci ertos y otros no; se c alcula la probabilidad de a certar y se
multiplica por el área rectangular conocida, con lo cual se obtiene el área buscada.
2L 2L 2L
2L
Se puede establecer que si se define a p como la probabilidad de que una aguja de longitud L
lanzada al azar sobre una superficie plana, en donde se tiene un conjunto de líneas paralelas entre sí
una distancia de D (c on D>L), haga c onta cto con alguna de las líneas, entonces su valor está dado
por:
2L
pD
El caso particular de este problema, representado por la ecuación, se obtiene cuando se hace D=2L,
quedando p = 1/π. De acuerdo con la teoíar de probabilida des, si N es el número de ve ces que se
lanza la aguja y n es el número de aciertos, el cociente n/N tiende a la probabilidad p cuando N
tiende a infinito, de donde al sustituir en p = 1/π se obtiene N = n π que es la relación busc ada.
Para simular el proce so de lanzar la aguja, conviene considerar la figura donde se muestra una
posición cualquiera que puede tomar la aguja al c aer cerc a de una línea. Se observa que la
posibilidad de tocar la línea se puede establecer en términos de la distancia x, que existe entre
el centro de la aguja y la línea más próxima, y en términos del ángulo θ que
forman la aguja y la línea.
Página
L
x
2
L sen
2
2L
L
x sen
2
L
0x
2
0 180
1
p
L
x sen
2
L
0x
2
0 180
Para simular el lanzamiento de la aguja se genera un número aleatorio que representa la distancia
del centro de la aguja a la línea; al multiplicarlo por L/2 se obtiene x. Se genera después otro número
que representa el ángulo que forman la aguja y la línea; multiplicándolo por π se obtiene θ. Después
se calcula el el valor Y = (L/2) seno θ. Si el valor de x es menor o igual al de Y se re gistra como un
acierto, pasando después a generar otros números para simular un nuevo lanzamiento.
El número de aciertos es n=10 y el número de intentos es N=30 por lo que p = 0.333 y entonces el
número π = 3.
Página
Simulación 5.7 Aeropuerto
En un cierto aeropuerto se emplean exactamente 5 minutos en aterrizar un avión, una vez que se le
da la señal de que puede hacerlo. Aunqu e los aviones que llegan tienen programado el
tiempo de llegada, la gran variabilidad en los tiempos de llegada produce un efecto que
hace que la distribución de llegada resulte una Poisson con una tasa media de seis por hora.
Esto produce
aglomera ciones o casionales en el aeropuerto que pueden ser peligrosas y costosas. Bajo estas
circunstancias, ¿cuál será el tiempo promedio que deberá esperar un piloto que circunda el
aeropuerto antes de aterrizar?
μ = 5 minutos (constante)
En promedio, cada avión espera 44.63 minutos entre 20 llegadas simuladas; esto significa un tiempo
de espera antes de aterrizar de 2 minutos con 14 se gundos.
Página
Simulación 5.8 Líneas de Espera
Se tiene un sistema de colas en tres etapas, cada cliente debe pasar sucesivamente por tres
estaciones. Los clientes llegan según una distribución de Poisson de media 3 llegadas por hora.
Los tiempos de servicio en las estaciones son:
Esta ción 1: Distribución normal media = 10 minutos , desviación estándar = 2.5 minutos
Esta ción 2: Expone ncial con media = 1 /15 clientes por minuto = 0.0666 clientes
por minuto Estación 3: Constante, 15 minutos
Modelo de simulación:
1 2 3
3 clientes
por hora Distribución normal Exponencial
10 minutos, Constante
1 clientes por minuto
2.5 minutos 15 minutos
15
Tiempo entre
llegadas:
60
x ln r 20 ln r (minutos)
i
3
Tiempo s de servicio:
Esta ción
1:
xi
z
xi z
xi DAN (2.5) 10 (minutos)
Esta ción 2:
1 1
X ln r ln r 15 ln r (minutos)
0.0666
I
6
Página
Página
Simulación 5.9 Operación de un centro de cómputo
Suponer que un centro de cómputo pone a disposición de los alumnos una terminal conectada a un
ordenador central que funciona a tiempo compartido. Se desea hacer un estudio de este sistema
basado en los siguientes puntos:
Las entradas siguen u na distribución de Poisson con media de 5 usuarios por hora
Los tiempos de servicio siguen una distribución exponencial con media de 10 minutos
El tamaño de la cola puede ser ilimitado, pero sólo hay 4 sillas para esperar, el resto de los
usuarios que esp eran lo harán de pie
Se desea conocer:
a. Número medio de usuarios en el sistema
b. Número medio de usuarios en la cola
c. Número medio de usuarios cuando hay cola
d. Tiempo medio de espera
e. Porcentaje de usuarios que al llegar al sistema no tienen que esperar
f. Porcenta je de usuarios que tienen que esperar algún tiempo de pie
g. Número de sillas necesario en la fila de espera para que por lo menos el 90 % de los usuarios
no tenga que esperar de pie
Modelo de simulación:
5 usuarios
por hora
6 usuarios por hora
1 1
x ln r ln r
Tiempo entre llegadas:
5
i
Tiempos de servicio :
1 1
x ln r ln r
6
i
Página
T entre Hora Hora entra T de Hora
Aleatorio llegadas llega Espera servicio Aleatorio servicio sale L Lq L1 De pie
1 0.65551 0.08447 0.08447 x 0.08447 0.01825 0.66726 0.75173 1 0
2 0.54442 0.12161 0.20608 0.54565 0.75173 0.20811 0.26162 1.01335 2 1 2
3 0.73431 0.06177 0.26784 0.74551 1.01335 0.37300 0.16436 1.17771 3 2 3
4 0.99808 0.00038 0.26823 0.90948 1.17771 0.42073 0.14429 1.32201 4 3 4
5 0.99487 0.00103 0.26926 1.05275 1.32201 0.03858 0.54252 1.86453 5 4 5
6 0.23160 0.29254 0.56180 1.30273 1.86453 0.31230 0.19397 2.05849 6 5 6 ^
7 0.69411 0.07302 0.63482 1.42367 2.05849 0.36796 0.16663 2.22512 7 6 7 ^
8 0.31581 0.23053 0.86535 1.35977 2.22512 0.78228 0.04092 2.26605 7 6 7 ^
9 0.29814 0.24204 1.10739 1.15865 2.26605 0.96908 0.00523 2.27128 7 6 7 ^
10 0.90768 0.01937 1.12676 1.14452 2.27128 0.91671 0.01449 2.28577 8 7 8 ^
11 0.87747 0.02614 1.15291 1.13287 2.28577 0.14457 0.32234 2.60811 9 8 9 ^
12 0.05679 0.57366 1.72657 0.88154 2.60811 0.19437 0.27300 2.88110 8 7 8 ^
13 0.61342 0.09774 1.82431 1.05679 2.88110 0.99741 0.00043 2.88154 9 8 9 ^
14 0.01349 0.86117 2.68548 0.19605 2.88154 0.68709 0.06255 2.94408 3 2 3
15 0.32224 0.22649 2.91197 0.03211 2.94408 0.48357 0.12109 3.06518 3 2 3
16 0.19523 0.32672 3.23869 x 3.23869 0.78549 0.04024 3.27893 1 0
17 0.40303 0.18175 3.42044 x 3.42044 0.19367 0.27360 3.69404 1 0
18 0.96759 0.00659 3.42703 0.26701 3.69404 0.48122 0.12191 3.81594 2 1 2
19 0.11542 0.43183 3.85886 x 3.85886 0.14386 0.32315 4.18201 1 0 1
20 0.39570 0.18542 4.04428 0.13773 4.18201 0.73742 0.05077 4.23277 2 1 2
13.3468 3.7904 89 69 86
Resultados:
f(x)=
¼(5 - x) si 3 ≤ x ≤ 5
Construir un modelo de simulación de este sistema, para determinar las siguientes medidas de
desempeño:
1) El número esperado de trabajos en el taller en cualquier momento.
2) El porcentaj e de tiempo que se detiene el centro A por falta de espacio en la cola del centro B.
3) El tiempo esperado de terminación de un trabajo.
Modelo de simulación
A B
DISTRIBUCIÓN DISTRIBUCIÓN
f(x) UNIFORME f(x) TRIÁNGULAR
x
6 10
x
1 3 5
1 𝑝𝑝𝑝𝑝
f(x) =
10 − 6𝑥𝑥𝑝𝑝 − 6
Función densidad
𝑥𝑥𝑝𝑝 – 6 = 𝑝𝑝𝑝𝑝 (10 − 6)
x
6 10 𝟎𝟎𝒎𝒎 = 𝟒𝟒 𝒓𝒓𝒎𝒎 + 𝟔𝟔
1.0
F(x)
Función de distribución
ri
x
0 6 10
xi
x 𝑥𝑥 2 𝑥𝑥1
1 3 5 8− 4 + 8− 𝑝𝑝𝑝𝑝 = 0
Simulación en Excel:
Aleatorio T entre lleg. Hora entra a A Aleatorio T servicio A Hora sale de A Espera en B Hora entra a B Aleatorio T servicio B T servicio B Hora sale de B L
1 0.77413 3.0721 3.0721 0.00970 6.0388 9.1110 9.1110 0.05036 1.6347 10.7457 1
2 0.18357 20.3420 23.4141 0.02557 6.1023 29.5164 29.5164 0.25272 2.4219 31.9383 2
3 0.37776 11.6820 35.0961 0.88553 9.5421 44.6382 44.6382 0.30689 2.5669 47.2051 1
4 0.92911 0.8824 35.9785 0.74285 8.9714 44.9499 2.2552 47.2051 0.74264 3.5651 50.7703 2
5 0.47426 8.9521 44.9306 0.42384 7.6954 52.6260 52.6260 0.62954 3.2785 55.9044 3
6 0.88571 1.4564 46.3870 0.88787 9.5515 55.9385 55.9385 0.89898 4.1010 60.0396 4
7 0.32395 13.5258 59.9129 0.64028 8.5611 68.4740 68.4740 0.51860 3.0376 71.5115 2
8 0.09854 27.8070 87.7199 0.12363 6.4945 94.2144 94.2144 0.02460 1.4436 95.6580 1
9 0.07996 30.3150 118.0348 0.07794 6.3118 124.3466 124.3466 0.77499 3.6583 128.0049 1
10 0.56160 6.9236 124.9584 0.21659 6.8664 131.8247 131.8247 0.76308 3.6233 135.4480 2
11 0.42076 10.3883 135.3467 0.56169 8.2468 143.5935 143.5935 0.28086 2.4990 146.0925 2
12 0.74584 3.5189 138.8656 0.83853 9.3541 148.2197 148.2197 0.53267 3.0664 151.2862 2
13 0.72839 3.8031 142.6687 0.22224 6.8889 149.5577 1.7285 151.2862 0.25117 2.4175 153.7037 3
14 0.87268 1.6343 144.3030 0.66417 8.6567 152.9597 0.7440 153.7037 0.47942 2.9584 156.6621 4
15 0.49123 8.5302 152.8332 0.50252 8.0101 160.8433 160.8433 0.57018 3.1457 163.9889 3
16 0.83755 2.1273 154.9605 0.79977 9.1991 164.1596 164.1596 0.59407 3.1979 167.3575 3
17 0.74590 3.5179 158.4784 0.45326 7.8130 166.2915 1.0661 167.3575 0.04135 1.5752 168.9327 3
18 0.05014 35.9148 194.3932 0.49312 7.9725 202.3657 202.3657 0.89059 4.0644 206.4301 1
19 0.61638 5.8067 200.1999 0.89294 9.5718 209.7716 209.7716 0.57591 3.1581 212.9297 2
20 0.86557 1.7325 201.9323 0.85159 9.4064 211.3387 1.5910 212.9297 0.21665 2.3165 215.2462 3
161.2546 7.3848 19.8336 37.8963 45