Teoría de Decisiones: Ejercicios Resueltos

Teoría de Decisiones
Ejercicios Resueltos
7º. Semestre
Licenciatura en
Ingeniería Civil
M. I. Iveth Adriana Samayoa Aquino

M. I. José Francisco Grajales Marín
Agosto 2013
INDICE
INTRODUCCIÓN
OBJETIVO
1 SÍNTESIS DE PROBABILIDAD 1
2 MODELOS DE DECISIÓN 9
2.1 Construc tor 11

2.2 Rutas 15
2.3 Vendedor 19
2.4 Programas 22
2.5 Valor de la información 24
2.6 Compra de terrenos 27
2.7 Vendedor de periódicos 29
2.8 Mantenimiento 30
2.9 Inversión 31
2.10 Actitud frente a riesgo 33
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.
M. I. José Francisc o Grajales Marín

marinj@unach.mx
M. I. Iveth Adriana Samayoa Aquino

iveth_samayoa1@hotmail.com
Dr. Francisco Alberto Alonso Farrera

alfa@unach.mx
Dr. José Ernesto Castellanos Castellanos

jecc69@hotmail.com
1 SÍNTESIS DE PROBABILIDAD
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
tiva realizada c on datos muestrales.

Población
Es un grupo de datos que se toma como referencia en un estudio estadístico, y que considera todas
las c ara cterístic as de la variable definida en el problema bajo estudio.
Muestra
Es cualquier sub conjunto de datos seleccionados de una población.
Diseño del experimento
Estudio de los métodos de muestreo y los problemas que con él se relacionan.
Espacio de eventos
Colección d e todos los resultados posibles de un experimento.
Experimento aleatorio
Experimento que reúne las siguientes características: una acción, un resultado y una observación.
Evento simple
Es cada uno de los eventos que constituyen un espacio de eventos.
Estadística descriptiva
La estadística descriptiva hace uso de varias medidas para describir numéricamente un conjunto de datos
muéstrales o poblacionales. Tales medidas se pueden clasificar como sigue:
 Medidas de posi ción. Este tipo de medidas indican la dis tribución que guardan los datos a lo
largo de su rango (el dato mayor menos el menor). Se sub clasifican en:
 Medidas de tendencia central. Son medidas que normalmente se localizan alrededor del centro
de los datos. Dentro de este tipo de medidas se encuent ran la media aritmética, la
mediana, el modo, la media armónica, la media geométric a y la media cuadrátic a.
 Cuantiles. Estas medidas indican la localización de los datos de acuerdo con una subdivisión
que se realiza del rango de los mismos. Existen tres tipos de cuantiles: cuartiles, deciles, y
percentiles.
 Medidas de dispersión . Son medidas que indican el grado en el cual están dispersos los
datos con respecto a alguna medida de tendencia central. Este tipo de medidas lo
conforman la variancia, la desvia ci ón estándar, la desviación media absoluta y el
coeficiente de variación.
 Medidas de deformación. Este tipo de medidas son relativas a la forma que tienen las curvas de
frecuencias y también están relacionadas con la dispersión que tienen los datos. Existe dos
tipos de medidas de deformación: el coeficiente de sesgo o
asimetría y el coeficiente de kurtosis o de apuntamiento.
Rango: Se define como la diferencia entre el mayor y el menor valor de una distribución .
Criterio de Sturges para establecer el número de intervalos a utilizar en una distribución:
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
donde n=número de datos, m=número de intervalos, t =intervalo de clase, f =frecuencia de clase,

k=orden del momento.
Media . Se define como el momento de primer orden con respecto al origen:
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
donde n =número de datos; m =número de intervalos; t =intervalo de clase; f =frecuencia de

clase
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
Variancia. Se define como el momento de orden dos con respecto a la media:
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
1.4 MEDIDAS DE ASIMETRÍA
Asimetría = [(q3 – q2) – (q2 – q1)] / Sx

Página
donde q 1, q 2 y q 3 son los cuartiles del 25 %, 50 % , que corresponde a la mediana y del 75 %,
Sx es
la desviación estándar. También se puede calcular una medida de asimetría con el momento de
orden
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
1.5 MEDIDAS DE APLANAMIENTO O EXCESO (KURTOSIS)
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(AB) = P(C) = P(A) + P(B)
Página
Probabilidad condicional
Un concepto de gran importancia práctica es el de probabilidad condici onal, P(AB), 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)
1.7 TEOREMA DE BAYES

Se dice que un grupo de eventos es colectivamente exhaustivo si la unión de todos ellos es el
espacio de eventos correspondient es c omo se muestra en la figura 1.1:
A Espacio de eventos
B2
B1
Bn
Bi
A  Bi
Figura I.1 Eventos colectivamente exhaustivos
Con lo cual se define el llamado teorema de la probabilidad total
. Considerando que
P (Bj  A)  P (A  Bj )
P (Bj  A) P (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
1.8 VARIABLE ALEATORIA

Una variable aleatoria es una función que asocia un número con cada punto en un espacio muestral
del experimento.
Para un espa cio muestral E de algún experimento, una variable aleatoria es cualquier regla que
asocia un número c on c ada resultado de E . Existen dos tipo de variables aleatorias , discretas y
continuas; una variable discreta es aquella cuyos valores posibles forman un conjunto finito o bien
se
pueden listar en una sucesión infinita donde hay un primer elemento, un segundo elemento, etc. Una
variable aleatoria es continua si su conjunto de valores posibles abarca todo un intervalo.
1.9 DISTRIBUCIONES TEÓRICAS DE PROBABILIDAD

Distribución normal
1
f(x) e -∞ 
( x   ) 2 /( 2 2 ) 
2  x
donde: x = variable aleatoria

e, = constantes
 = media
σ= desviación estándar
2 = variancia
Distribución normal estánda r
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,…..
donde: x= variable aleatoria

e = cte .
 = media
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.
Abraham Wald (1902-1950), matemátic o austría c o, na cionalizado estadounidense. Exi liado a

EE UU en 1938, se especializó en estadística y aportó a esta ciencia un elevado rigor matemático.
Fue el fundador del análisis secuencial; son notables sus aportaciones a la toma de decisiones
bajo
incertidumbre, y propuso una función de preferencias reveladas, que dista mucho de semejarse a las
consideradas hoy día. Su criterio es también conocido como Criterio Maximin o Criterio de Wald y establ ece
que p ara cada posible alternativa el ejecutivo determina cuál es el peor de los posibles resultados,
Página
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.
a. Elaborar una matriz de pagos para este pr oblema.

b. Elija una alternativa utilizando cada uno de los modelo s de decisión que sean apropiados
para este tipo de problema.
c. Si Chip Conley ha decidido que la probabilidad de que la tasa hipotecaria aumente es de 0.6 y
las c antidades , en pesos, son una med ida ad ecuada de su utilidad, determinar la estrategia
que debe seguir.
a. Elaborar la matriz de pagos.
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
b. Alternativas con los modelos de decisión:
Criterio M aximin de Wald
Aumento en la
tasa de interés
MÁX {-5 000, 7 000} 7 000
La alternativa seleccionada es hacer dos trabajos de ampliación

Página
Criterio Maximax de Baumol
Aumento en la
tasa de interés
Dos trabajos de amp liación $7 000 $7 000
MÁX {10 000, 7 000} 10 000
Según Baumol , bajo u n criterio optimista, selecciona construir una casa
Criterio de Savage
Aumento en la
tasa de interés
Matriz de Arrepentimiento
Aumento en la
tasa de interés
Construir una c asa $12 000 0
Dos trabajos de amplia ción 0 $3 000
MíN {12 000, 3 000} 3 000
La alternativa seleccio nada es hacer dos trabajos de ampliación
Criterio de Hurwicz
Aumento en la
tasa de interés
Pesimista
Construir una casa: (3 /4)( -5000)+(1/4)(10000)= - 1 250
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
Construir una casa: (3 /4)(10 000)+(1 /4)( -5000)= 6250
Ha cer dos trabajos de amplia ción: (3/4)(7000)+(1/4)(7000)= 7
000 MÁX {6250, 7000} 7 000
Un optimista selecciona hacer dos trabajos de ampliación
Análisis de sen sibilidad
Aumento de
la tasa de
interés
0 0.25 0.5 0.75 1
Construir una c asa -5000 -1250 2500 6250 10000

Dos trab ajos de amplia ción 7000 7000 7000 7000 7000
La función lineal de construir una casa pasa por los puntos: P 1(0, -5000), P2(1, 10000):
𝑦𝑦2 − 𝑦𝑦1 −5000 − 10000

𝑚𝑚 = 𝑥𝑥 − 𝑥𝑥 = 0−1 = 15 000
2 1
𝑦𝑦 − 10000 = 15 000(𝑥𝑥 − 1)
𝒚𝒚 = 𝟏𝟏𝟏𝟏 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 − 𝟏𝟏 𝟎𝟎𝟎𝟎𝟎𝟎
La función lineal de hacer dos trabajos de ampliación pasa por los puntos: P 1(0, 7000), P2(1, 7 000):
𝑦𝑦2 − 𝑦𝑦1 7000 − 7000

𝑚𝑚 = 𝑥𝑥 − 𝑥𝑥 = 0 − 1 =0
2 1
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
-2000 0 0.25 0.5 0.75 1
Probabilidad
-4000
-6000
Análisis de sensibilidad
La Intersección de las dos rectas :
7000 = 15 000𝑥𝑥 − 5 000
𝟎𝟎 = 𝟎𝟎. 𝟖𝟖, 𝒚𝒚 = 𝟕𝟕𝟎𝟎𝟎𝟎𝟎𝟎
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 .
c. Probabilidad de que la tasa hipotec aria aumente es de 0.6 .
VME= (-5000)(0.6)+(10000)(0.4)= 1000
VME= (7000)(0.6)+(7000)(0.4)= 7000
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
Si se envía un camión de Silver City a través de ruta 64 y el puente no está funcionando,

tendría que regresar a Silver City y dirigirse después a Cowee Road. De manera similar, si un
camión va por Cowee Road y encuentra derrumbes, entonces tendría que regresar por la ruta
64 y dirigirse al camino vecinal 1101. Acaba de llover, y Evelyn intenta determinar cuál es la
mejor ruta para enviar una flotilla
de camiones, de manera que puedan evitarse las demoras en la medida posible. (Nota: puede
haber inundaciones y derrumbes al mismo tiempo).
a. Elaborar una matriz de pagos que muestre todas las alternativas posibles, los estados de la
naturaleza y los tiempos correspondientes de viaje.
b. Elegir el model o de decisión que pueda utilizarse para seleccionar la alternativa que debe
seguirse en este problema.
c. Hacer lo mismo utilizando un segundo modelo de decisión.
Rutas de los camiones

Página
a) Matriz de pagos (tiempo s)
Opcione s Derrumbes Inundaciones Ambas

Cowee Road 75 45 75
Ruta 64 50 75 105
b) Modelo de decisión
Criterio Maximin de
Wald
Opciones Derrumbes Inundaciones Ambas

Cowee Road 75 45 75
Ruta 64 50 75 105
MAX {45, 50}= 50
La alternativa según Wald (maximin) , convendría que Evelyn mandara la flotilla de camiones por
Cowee Road.
c) Utilizando otro modelo de
decisión. Criterio de Hurwicz
Op ciones Derrumbes Inundaciones Ambas
Cowee Road 75 45 75
Ruta 64 50 75 105
Pesimista
Cowee Road: (3 /4)(75)+(1/4)(45)= 67.5
Ruta 64: (3/4)(105)+(1/4)(50)= 91.25
MIN {67.5, 91.25}= 67.5
La op ción seleccionada es mandar la flotilla de camiones por Cowee Road.

Página
Optimista
Cowee Road: (3 /4)(45)+(1/4)(75)= 52.5

Ruta 64: (3/4)(50)+(1/4)(105)= 63.75
MIN {52.5, 63.75}= 52.5
La op ción seleccionada es mandar la flotilla de camiones por Cowee Road .
Los valores más altos por fila:
Op ciones Derrumbes Inundaciones Ambas
Cowee Road 75 45 75
Ruta 64 50 75 105
0 0.25 0.5 0.75 1

Cowee Road 45 52.5 60 67.5 75
Ruta 64 50 63.75 77.5 91.25 105
Las funciones lineales son:
Cowee Road: (1,75), (0, 45)
𝑦𝑦2 − 𝑦𝑦1 45 − 75
𝑚𝑚 =
𝑥𝑥2 − 𝑥𝑥1 0=− 1 = 30
𝑦𝑦 − 75 = 30(𝑥𝑥 − 1)
𝒚𝒚 = 𝟑𝟑𝟎𝟎𝟎𝟎 + 𝟒𝟒𝟏𝟏
Ruta 64: (1,105), (0,

50)
𝑦𝑦2 − 𝑦𝑦1 50 − 105
𝑚𝑚 =
𝑥𝑥2 − 𝑥𝑥1 =
0−1 = 55
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
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.
Clima Clima que ocurrió en realidad

Pronosticado Bueno Regular Malo
Bueno 0.4 0.3 0.2
Regular 0.4 0.4 0.3
Malo 0.2 0.3 0.5
a. Definir las alternat ivas y 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
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
c. Alternativa que genera mayores uti lidades.
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
Regular: (37.5)(0.5)+(37.5)(0 .2)+(12.5)(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.
d. Valor de la Informa ción Perfecta
VME IP= (50)(0.5)+(37.5)(0.2)+(25)(0.3) =
40
VIP= 40-30= $10.00
El valor de la Información Perfecta (VIP) es de $10.00 , que es igual al precio de suscribirse al

servicio meteorológico; por lo tanto se justifica el análisis.
P(AǀE) P(AǀE) P(E) P(EǀA)

Prob.
Marg.
B1 R1 M1 B1 R1 M1 B1 R1 M1
1 0.4 0.3 0.2 1 0.2 0.06 0.06 0.32 1 0.625 0.188 0.188
Op ciones
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
0.5 0.2 0.3 Σ=1

Probabilidad es a priori Probabilidades a posteriori
Página
Las op ciones 1,2 y 3 corresponden a los climas pr onostic ados bueno, regular y malo
respectivamente, mientras que B1, R1 y M1 corresponde a los cl imas que ocurrieron en realidad:
bueno, regular y malo.
Utilizando las probabilidades a posteriori obtenidas y con la matriz de pagos se calculan los VME con
los pronóst icos del clima :
Con pronóstico de op ción 1:
VME
1 Bueno 35.950
2 Regular 32.838
3 Malo 25
VME
1 Bueno 32.45
2 Regular 31.425
3 Malo 25
VME
1 Bueno 21.00
2 Regular 25.438
3 Malo 25
VME de la Información:
VMEINF = (35.95)(0.32)+(32.45)(0.37)+(25.438)(0.31)= 31.396
VNI (Valor Neto de la Inform ación):
VNI = 31.396-30 = 1.396
VNI = $1.396 < $10.00
NO es conveniente adquirir el servicio de pronósticos meteorológicos .

Página
Toma de decisiones bajo r iesgo 2.4 Programas
En cada uno de los juegos lo c ales, los estudiantes locales de nivel medio superior venden
programas. Los estudiantes pueden adquirir los programas en $1.00 y venderlos en $1.50. Los
programas que no se venden carecen de valor después del juego, por lo que representan una
pérdida para los
estudiantes.
El número de programas que un estudiante individual puede vender depende de la cantidad de
personas que acude al juego. Dado que muchos aficionados adquieren boletos en la entrada, no
hay manera de saber con anticipa ción la c antidad de pe rsonas que acude a cualquier
juego. Al estudiar los registros anteriores de asistencia, David Alfonso, un vendedor local de
programas, ha determinado que se venden todos los boletos 50% de las veces, se vende 90%
de la capacidad del estadio 30% de las vece s y el 20% de los juegos tienen una entrada del
80% de sus capacidad. Sus
registros de ventas muestran que cuando hay un “lleno completo” puede vender 200 programas;
cuando hay una entrada del 90% puede vender 150 programas, y cuando es del 80% puede vende
r 100 programas. Si usted fuera amigo de David, ¿cuántos programas le sugeriría comprar para vender
en cada uno de los juegos?
Definir las alternativas y estados de la naturaleza.
Número de Programas vendido s,

Programas que
puede según el lleno del Estadio
Comprar Lleno 90% 80%
200 200 150 100
150 150 150 100
100 100 100 100
0.5 0.3 0.2
Matriz de Pagos
Programas vendido s, según el

Número de Programas
que puede C omprar lleno del Estadio
Lleno 90% 80% VME
200 100 25 -50 47.5
150 75 75 0 60
100 50 50 50 50
0.5 0.3 0.2
Página
Cálculo del Valor Monetario Esperado
200 Programas: (1000)(0.5)+(25)(0.3)+( -50)(0.2)= 47.5
150 Programas: (75)(0.5)+(75)(0.3)+(0)(0.3)= 60
100 Programas : (50)(0.5)+(50)(0.3)+(50)(0.2)= 50
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.
Tasa preferencial al final del año

Op ciones
8% 12% 15%
Acciones 125 000 110 000 60 000
Bonos 140 000 112 000 75 000
Mercado de dinero 108 000 112 000 115 000
Ha entrevistado a diversos profesores en economía y ha determinado que el 40% de ellos considera

que la tasa preferencial se reducirá, el 30% opina que subirá. En estas condiciones, ¿Cuál es el
valor de la información perfecta?
También le han comentado que un servicio de pronósticos afirma estar en posibilidades de
pronosticar las tasas futuras de interés. El servicio puede obtenerse por $5 000. La tabla muestra los
resultados anteriores del servicio de pronósticos.
Cambio Pronosticado Cambio real en la tasa preferencial

en la T asa Aumento Igual Baja
Aumento 60% 20% 10%
Igual 20% 50% 30%
Baja 20% 30% 60%
Determinar si el individuo debe utilizar el servicio de pronósticos.
Matriz de Pagos
Tasa preferencial al final del año

Op ciones VME
8% 12% 15%
Acciones 25 000 10 000 -40 000 1 000
Bonos 40 000 12 000 -25 000 12 100
Mercado de dinero 8 000 12 000 15 000 11 300
0.4 0.3 0.3
Página
VME:
Acciones: (25 000)(0.4)+(10 000)(0.3)+( -40 000)(0.3)= 1 000
Bonos: (40 000)(0.4)+(12 000)(0.3)+( -20 000)(0.3)= 12 100 (Mayor)
Mercado de dinero: (8 000)(0.4)+(12 000)(0.3)+(15 000)(0.3)= 11 300
La op ción que genera mayor utilidad es Bonos , de a cuerdo a su valor monetario
esperado. Valor de la Informa ción Perfecta:
VME IP = (40 000)(0.4)+ (12 000)(0.3)+(15 000)(0.3)= 24100
VIP = 24 100-12 100= $12 000
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 :
P(A|E) P(A|E) P(E) P(E|A)

A I B A I B A I B
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:
Con pronó stico de Aumento (Op ción 1):
VME
1 Aumento -20 000
2 Igual -7 880
3 Baja 13 240
Con pronóstico de Igual (Op ción 2):

Página
VME
1 Aumento 6 300
2 Igual 15 300
3 Baja 10 980
Con pronóstico de Baja (0p ción 3 ):
VME
1 Aumento 11 550
2 Igual 23 410
3 Baja 9 890
VME de la Información:
VMEINF = (0.28)(13 240)+(0.33)(15 300)+(0.39)(23 410)= 17 886.1
Valor neto de la información:
VNI = 17 886.1-12 100= 5786.1
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:
Comprar los terrenos
No comprar los terrenos
Para cada alternativa asociar el estado de la naturaleza:
Alternativas Estados de la naturaleza

Hay gas en los terrenos
Comprar los terrenos
No hay gas en los terrenos
No comprar los terren os
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
Demanda alta 200

Hay gas
0.7 0.5
Explotar
Comprar 0.3 0.5

No hay gas
-50 Demanda baja 75
No comprar
0 * Cantidades en millones de pesos
Árbol de decisión
Página
Solución del árbol de derecha a izquierda:
125
Vender terrenos
137.5
Demanda alta 200

Hay gas
81.250.7 137.5 0.5
Explotar
Comprar 0.3 0.5

81.25 No hay gas
-50 Demanda baja 75
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
¿Cuántos periódicos debe adquirir?
Frecuencias y la probabilidad asociada
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
16 11 12.8 12.8 12.8 12.8 12.8 12.656

17 10 11.8 13.6 13.6 13.6 13.6 13.078
18 9 10.8 12.6 14.4 14.4 14.4 13.05
19 8 9.8 11.6 13.4 15.2 15.2 12.536
20 7 8.8 10.6 12.4 14.2 16 11.752
0.08 0.13 0.25 0.27 0.15 0.12
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
¿Conviene a la empresa la renovación o n o del c ontrato de mantenimiento c on su a ctual

proveedor?
Las probabilidades a priori asociadas a cada estado de la naturaleza . La probabilidad (frecuencia

relativa) de c ada estado de la naturaleza está dado por:
Frecuencia relativa = frecuencia absolut a / Número de c asos
El número total de casos = 100, por lo que las probabilidades son:
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
El costo de mantenimiento antes y despué s de la firma del contrato con el proveedor de

mantenimiento .
El número esperado de averías por semana antes de la firma del contrato:
(0x0.09)+1x0.10)+(2x0.12)+(3x0.16)+(4x0.24)+(5x0.18)+(6x0.11) = 3.34 averías/semana
Costo de las reparaciones antes de la firma del contrato:
3.34 averías/semana x 1000 pesos/avería = 3340 pesos/semana
Costo del servicio de mantenimiento actual tras la firma del contrato:
Costo del servicio + costo de las reparaciones =
600 pesos/semana + (2.5 averías/semana x 1000 pe sos/ avería) = 3100 pesos/semana
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
Este nivel de ingreso tiene asociado un nivel de utilidad U1.
Invertir $2 000 en A y $2 000 en B. Se tienen 4 escenarios posibles:
B: resultado malo B: resultado bueno

A: resulta do bueno 6 000 10 000
A: resultado malo 10 000 14 000
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.
Utilidad total, Ingreso, miles

unidades de pesos
100 5.0
80 2.6
60 1.6
40 1.0
20 0.4
0 0.0
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.
a) Dos maneras de responder:

1) Grafic ar los valores dados y notar que se trata de una persona con aversión al riesgo p
orque resulta una curva c ónc ava:
100
Utilidad total, unidades
80
60
40
20
0
0 1 2 3 4 5
Ingreso, miles de pesos
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.
b) El ingres o esperado, son los ingresos que se espera obtener en promedio:

E(I) = 4 000 * 0.5 + 0 * 0.5 = 2 000
La utilidad esperada, es la utilidad que se espera tener en promedio:
E(U) = U(4 000)*0.5 + U(0)*0.5
Como no se tiene el valor exacto de la utilidad asocia da a un ingreso de $4 000,se puede
estimar: Se sabe que el valor de $4 000 está entre $2 600 y $5 000. Se podría ver en forma
gráfica o tomar un valor de utilidad entre 80 y 100. Para facilitar los cálculos, se tomará un valor
de utilidad de 90.
E(U) = 90*0.5 +0*0.5 = 45
¡Importante! : No es lo mismo haber calculado la utilidad asociada al ingreso esperado de $2 000
(estimada en 70), porque eso sería la utilidad del ingreso esperado y se necesita calcular la
utilidad esperada (Figura II.8) :
U(E(I)) = 70
Utilidad del
ingreso esperado
E(U) = 45
Utilidad
esperada
E(I) = 2000 4000
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
500 1250 5000
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
Andrei Andreyevich Markov
Nació el 14 de junio de 1856 en Ryazan, Rusia y murió el 20 de julio de 1922 en Petrogrado, (h oy

San Petersburgo). Los primeros trabajos de Markov fueron sobre teoría de números y análisis , fra
cciones continuas, límites de integrales, teoría de aproximación y convergencia de series. Después
de 1900,
Markov aplic a los métodos de fra cciones continuas , que había c omenzado su maestro Pafnuty
Chebyshev 1, a la Teoría de Probabilidades. Markov fue el más elegante portavoz y continuador de
las ideas de Chebyshev . Desta c a su aporta ción al teorema de Ja cob Ber noulli conocido como la
Ley de Los Grandes Números , a dos teoremas fundamentales de probabilidad debidos a
Chebyshev, y al
método de los mínimos cuadrados.
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
enuncia teorías importantes a cerc a de los procesos de Markov.
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)
Ciudad en la Ciudad a la que va a viajar

que se
Encuentra A B C
A 0.1 0.3 0.6
B 0.2 0.2 0.6
C 0.2 0.4 0.4
0.1 0.3 0.6

[𝑥𝑥 𝑦𝑦 𝑧𝑧] ∗ �0.2 0.2 0.6�
0.2 0.4 0.4
Se crea un sistema de ecuaciones de la forma:
𝑥𝑥 = 0.1𝑥𝑥 + 0.2𝑦𝑦 + 0.2𝑧𝑧

𝑦𝑦 = 0.3𝑥𝑥 + 0.2𝑦𝑦 + 0.4𝑧𝑧
𝑧𝑧 = 0.6𝑥𝑥 + 0.6𝑦𝑦 + 0.4𝑧𝑧
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 1
Con Excel  , se puede resolver el sistema de ecuaciones lineales mediante la multiplicación de

la matriz inversa por el vector de términos independiente
Introducir matriz en Excel 

Página
Posicionarse en cualquier celda fuera de la matriz e introducir =MINVERSA( seleccionar matriz
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.
Seleccionar un espacio de (m x n) iniciando en el

resultado arrojado, en este caso es de 4 x 4. F2
Presionar a l
ENTER CTRL
SHIFT
mismo tiempo
Multiplicación de matriz inversa

por términos independientes
Situarse en una celda cualquiera y teclear:

=MMULT(MATRIZ INVERSA,TÉRMINOS INDEPENDIENTES)
ENTER
Seleccionar un espacio de
F2 1 x 4, incluyendo
el resultado
obtenido
CTRL SHIFT ENTER

Página
X= 2/11=0.181818
Y=7/22= 0.3181
Z=1/2= 0.5
El porcentaje de que el agente esté en A es 18.18 %, en B= 31.82 % y en C= 50 %.
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  .
Introducir matriz en Excel 
Situarse en una celda cualquiera y teclear:

=MMULT(MATRIZ DE TRANSICIÓN,MATRIZ DE TRANSICIÓN )
ENTER Seleccionar un espacio de

3 x 3, incluyendo el F2
resultado obtenido
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
0.1 0.3 0.6 4 0.1819 0.3189 0.4992 Matriz a la cuarta

�0.2 0.2 0.6� = �0.1818 0.319 0.4992 �
potencia
0.2 0.4 0.4 0.1818 0.3174 𝟎𝟎. 𝟏𝟏𝟎𝟎𝟎𝟎𝟖𝟖
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
El cliente está Supermerc ado al

en el que se va el
supermercado Cliente
S1 S2 S3
S1 0.9 0.1 0
S2 0.85 0.05 0.1
S3 0.5 0.1 0.4
0.25 1/3 5/12
b. Proporción de clientes para los supermercados después de 2 meses.
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.
c. Hallar el vector de probabilidad estable.
0.9 0.1 0
[𝑥𝑥 𝑦𝑦 𝑧𝑧 ] ∗ �0.85 0.05 0.1�
0.5 0.1 0.4
Sistema de ecuaciones lineales:
−𝑥𝑥 + 8.5𝑦𝑦 + 5𝑧𝑧 = 0

𝑥𝑥 − 9.5𝑦𝑦 + 𝑧𝑧 = 0
0𝑥𝑥 + 𝑦𝑦 − 6𝑧𝑧 = 0
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 1
Página
El vector de probabilidades estables es:
[𝟎𝟎. 888 0.0952 0.0158]

Para la solución se procede de la manera des crita con anterioridad utilizando Excel ®
.
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 :
Buena Repara ción Repara ción

Condición Menor Mayor
Buena
Con dición 350 40 10
Repara ción
50 25 5
Menor
Repara
15 3 2
ción
Mayor
Buena Repara ción Repara ción

Condición Menor Mayor
Buena
0.875 0.1 0.025
Condición
Repara ción
0.625 0.3125 0.0625
Menor
Repara ción
0.75 0.15 0.1
Mayor
0.875 0.1 0.025

�0.625 0.3125 0.0625�
0.75 0.15 0.1
Página
Cadenas de Markov 3.4 Matriz de transición
La Bulldog Construction Company ha ganado un c ontrato para c onstruir una c arretera que vaya al
área del Monte de Santa Helena en W ashington. Esta c arretera ayudará a estudiar los efectos de la
explosión volc ánic a de 1980. La c ompañía ha determinado que el polvo volcánico obstruirá los
filtros de las máquinas con mucha rapidez y provocará que los camiones dejen de funcionar. Los filtr
os
se
revisan todos los días y se clasifican como recién limpiados, parcialmente obstruidos o totalmente
obstruidos. Experiencias anteriores han demostrado que un filtro que se acaba de limpiar tiene
una probabilidad de 0.1 de permanecer limpio, una probabilidad de 0.8 de quedar parcialmente
obstruido y una probabilidad de 0.1 de quedar totalmente obstruido. Un filtro que ya está
parcialmente obstruido tiene una probabilidad de 0.5 de permanecer en el mismo estado y una
probabilidad de 0.5 de quedar totalme nte obstruido. Para poder utilizar un camión que tiene un
filtro totalmente obstruido éste se debe limpiar primero.
a. Elabore una matriz de transición para este problema.

b. Si un camión deja de operar, esto le cuesta a la compañía $100 por el tiempo perdido y $20 para
limpiar el filtro. ¿Cuánto le costará a la compañía seguir una política de no limpiar filtros sino
hasta
que se detengan los camiones?
a. Matriz de transición
Recién Parcialmente Totalmente

limpiados obstruidos obstruidos
Recién
0.1 0.8 0.1
limpiados
Parcialmente
0 0.5 0.5
Obstruidos
Totalmente
Obstruidos 1 0 0
0.1 0.8 0.1

� 0 0.5 0.5�
1 0 0
b. ¿Cuánto le costará a la compañía seguir una política de no limpiar filtros sino hasta que
Página
se detengan los camiones?

Sistema de ecuaciones lineales:
0.1 0.8 0.1

[𝑥𝑥 𝑦𝑦 𝑧𝑧] ∗ � 0 0.5 0.5�
1 0 0
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:
a. Calcular la matriz de probabilidades de transición de la

cadena. b. Dibujar el grafo asociado.
c. ¿Cuál es la probabilidad de que, a largo plazo, el ascensor se encuentre en cada uno de los tres
pisos?
a. La m atriz de transición tiene la forma:
p 00 p 01 p 02
p1 0 p 11 p 12
p 20 p 21 p 22
Donde p 01 = P(Rn =1 |R n-1=0) =1 /2 : probabilidad de que ascensor se encuentre en la planta 1, si

en la etapa anterior estaba en la planta baja, por lo que la matriz de transición es:
Piso en el Piso al que se d irige

que se
encue ntra 0 1 2
0 0 0.5 0.5
1 0.75 0 0.25
2 1 0 0
b. Grafo asociado
01
Grafo del ascensor

Página
c. Probabilidad de que se encuentre en cada uno de los tres pisos.
0 0.5 0.5
[𝑥𝑥 𝑦𝑦 𝑧𝑧 ] ∗ �0.75 0 0.25�
1 0 0
4𝑥𝑥 − 3𝑦𝑦 − 4𝑧𝑧 = 0

𝑥𝑥 − 2𝑦𝑦 = 0
2𝑥𝑥 + 𝑦𝑦 − 4𝑧𝑧 = 0
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 1
De donde:
X = 0.470
y = 0.2352
z = 0.2941
La probabilidad de que se encuentre en la planta baja es 0.47, en la planta 1 es de 0.2352 y en la planta

2 es de 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
a) Si las compras se hacen mensualmente, ¿Cuál será la distribución del merca do de

ca fé en Pontevendra en el mes de junio?
b) A la larga, ¿Cómo se distribuirán los clientes de
café? Matriz de transición
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
a) Distribución del mercado en el mes de

junio:
0.237 0.485 0.278
0.3 0.5 0.2 3 = � 0.236 0.486 0.278�
� 0.2 0.6 0.2� 0.2425 0.4525 0.305
0.25 0.25 0.5
b) Probabilidades estacionarias:
0.3 0.5 0.2

[𝑥𝑥 𝑦𝑦 𝑧𝑧 ] ∗ � 0.2 0.6 0.2�
0.25 0.25 0.5
7𝑥𝑥 − 2𝑦𝑦 − 2.5𝑧𝑧 = 0

−5𝑥𝑥 + 4𝑦𝑦 − 2.5𝑧𝑧 = 0
−2𝑥𝑥 − 2𝑦𝑦 + 5𝑧𝑧 = 0
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 1
Página
Los valores obtenidos son los siguientes:
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.
a. Si una persona actualmente es comprador de Pepsi. ¿Cuál es la probabilidad de que compre

Coc a Cola pasadas dos compras a partir de ahora?
b. Si una persona actualmente es comprador de Coca Cola. ¿Cuál es la probabilidad de que
c ompre Coc a Cola pasadas tres c ompras a partir de ahora?
c. Supongamos 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 c ompradores estará tomando Coc a
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?
Coca Cola Pepsi

Coca Cola 0.9 0.1
Pepsi 0.2 0.8
0.6 0.4
Matriz de transición
0.9 0.1 2 0.83 0.17

�0.2 0.8 � = � 𝟎𝟎. 𝟑𝟑𝟒𝟒 0.66 �
Hay una probabilidad del 34% de que pasadas dos compras consuma Coca Cola.
b. Si una persona actualmente es comprador de Coca Cola. ¿Cuál es la probabilidad de que

c ompre Coc a Cola pasadas tres c ompras a partir de ahora?
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. Escriba l a matriz de transición para este problema.

b. Si en la actualidad existen $100 000 de las cuentas por cobrar e n la c ategoría de saldadas, $50
000 en la categ oría de saldo insoluto, $20 000 en la ca tegoría de saldos vencidos y $5 000
en la c ategoría de cuentas per didas, ¿qué c antidad habrá en c ada c ategoría al mes siguiente?
¿Y al mes después de éste?
a. Matriz d e transición
Cuentas Cuentas c on Cuentas c on Cuenta

saldadas saldo i nsoluto saldo v encido perdida
Cuentas
1 0 0 0
saldadas
Cuentas c on
0.6 0.3 0.1 0
saldo insoluto
Cuentas c on
0.3 0.4 0.2 0.1
saldo vencido
Cuenta
0 0 0 1
perdida
b. Cantidad de c ada tipo de cuentas pasados

 dos y tres meses.
Página
Pasados dos meses: 0

.6
1 0
0.3
0 0 
0.1
0
100000 50000 20000 5000*   23000 900 7000
0.3 0.4 0.2 136000 0.1
  0
 0 0 0 1
Pasados tres meses:
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:
Cuentas Cuentas c on Cuentas c on Cuenta

saldadas saldo i nsoluto saldo v encido perdida
A un mes $136 000 $23 000 $9 000 $7 000
A dos meses $152 500 $10 500 $4 100 $7 900
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).
Grafo de asignaci ones
a. Construir y etiquetar la matriz de transición correspondiente al diagrama.

b. Si los estudiantes tienen hoy una asignación completa, ¿cuál es la probabilidad de que
tengan una asignación completa de nuevo la próxima clase?
c. Si hoy no tienen asignación, ¿cuál es la probabilidad de que no tengan una asignación
de nuevo la próxima clase?
d. Hoy es miércoles y los estudiantes tienen una asignación parcial. ¿Cuál es la probabilidad
de que no tengan tareas el viernes?
e. La matriz A es la matriz de transición para un día. Encontrar la matriz de transición para
dos días (por ejemplo, si hoy es lunes, ¿cuáles son las oportunidades de c ada clase de
asigna ción el día miércoles?).
f. Encontrar la matriz de transición para tres días.
g. Si no se tienen tareas este viernes, ¿cuál es la probabilidad de que no se tengan tareas el
próximo viernes ? (c onsiderar sólo cinc o días de escuela a la semana). Dar respuesta exa
cta para dos decimales.
h. Encontrar, con dos decimales, la matriz c on la cual la matriz A converge después de
muchos días.
i. Explicar el significado de la solución en el inciso h .
Página
a. Matriz de Transición.
Completa Parcial Sin asignació n

Completa 0.4 0.35 0.25
Parcial 0.45 0.4 0.15
Sin asignación 0.8 0.15 0.05
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 %.
c. ¿Cuál es la probabilidad de que no tengan una asignación de nuevo la próxima clase?
0.4 0.35 0.25

�0.45 0.4 0.15 �
0.8 0.15 𝟎𝟎. 𝟎𝟎𝟏𝟏
La probabilidad es del 5 % de que no t engan asignación la próxima clase.
d. ¿Cuál es la probabilidad de que no tengan tareas el viernes?
0.4 0.35 0.25 2 0.5175 0.3175 0.165

�0.45 0.4 0.15� = � 0.48 0.34 𝟎𝟎. 𝟏𝟏𝟖𝟖
0.8 0.15 0.05 �
0.4275 0.3475 0.225
La probabilidad de que no tengan asignación el día viernes es del 18 %.
e. Encontrar la matriz de transición para dos días.

𝐶𝐶 0.5175 0.3175 0.165
𝐴𝐴2 = 𝑃𝑃 � 0.48 0.34 0.18 �
𝑁𝑁 0.4275 0.3475 0.225
f. Encontrar la matriz de transición para tres días.
𝐶𝐶 0.481875 0.332875 0.18525

𝐴𝐴3 = 𝑃𝑃 � 0.489 0.331 0.18 �
𝑁𝑁 0.507375 0.322375 0.17025
g. ¿cuál es la probabilidad de que no se tengan tareas el próximo viernes?
𝐶𝐶 0.488345 0.330547 0.181108

𝐴𝐴5 = 𝑃𝑃 0.330348 0.180765 �
�0.488888
𝑁𝑁 0.490088 0.329861 𝟎𝟎.
𝟏𝟏𝟖𝟖𝟎𝟎𝟎𝟎𝟏𝟏𝟏𝟏
Página
La probabilidad de que no tengan tar eas el próximo viernes, considerando una semana como 5
días, es del 18 %.
h. Probabilidades estacionarias:
0.4 0.35 0.25 𝐶𝐶

𝑥𝑥 𝑦𝑦 𝑧𝑧 ∗ �0.45 0.4 0.15� 𝑃𝑃
0.8 0.15 0.05 𝑁𝑁
−6𝑥𝑥 + 4.5𝑦𝑦 + 8𝑧𝑧 =

0 3.5𝑥𝑥 − 6𝑦𝑦 + 1.5𝑧𝑧
=0
2.5𝑥𝑥 + 1.5𝑦𝑦 − 9.5𝑧𝑧 = 0
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 1
Los resultados son:
x = 0.4888839
y = 0.33330357
z = 0.180804
i. Explicar el significado de la solución en el inciso h.
Si se consideran dos decimales, las probabilidades estacionarias ya no tienen cambio.
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.
a. Elabore la Matriz de Transición para este problema de cambios de marca.

b. Determine el porcentaje de estado estacionario de los clientes que prefieren cada tipo de
cerveza.
Matriz de Transición
Sudco Mills Schotz

Sudco 0.5 0.3 0.2
Mills 0.3 0.6 0.1
Schotz 0.3 0.3 0.4
0.5 0.3 0.2

�0.3 0.6 0.1�
0.3 0.3 0.4
a. Estado estacionario de la matriz de transición.
0.5 0.3 0.2

[𝑥𝑥 𝑦𝑦 𝑧𝑧] ∗ �0.3 0.6 0.1�
0.3 0.3 0.4
Ecuaciones
−5𝑥𝑥 + 3𝑦𝑦 + 3𝑧𝑧 =

0 3𝑥𝑥 − 4𝑦𝑦 + 3𝑧𝑧 =
0
2𝑥𝑥 + 𝑦𝑦 − 6𝑧𝑧 = 𝑧𝑧
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 1
Página
Los valores obtenidos se muestran a continuación:
x = 0.374999
y = 0.42857
z = 0.1964283
En el largo plazo, el 37.5 % preferirán Sudco, el 42.857 % Mills y el 19.64 % Schotz.
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
Intervalos 14-17.38 17.38-20.76 20.76-24.14 24.14-27.52 27.52-30.9 30.9-34.28 34.28-41.04

Frecuencia 2 2 11 12 16 8 9
Frecuencia
16
12
11
9
8
2 2
14.00 17.38 20.76 24.14 27.52 30.90 34.28 37.66

x
Frecuencias observadas y frecuencias espera das

Página
Media, variancia y desviación estándar de la distribución
Intervalo M de clase Frecuencia

1 15.69 2 31.38 301.5968 5.026613333
2 19.07 2 38.14 158.42 2.640333333
3 22.45 11 246.95 335.1744 5.58624
4 25.83 12 309.96 54.9552 0.91592
5 29.21 16 467.36 24.6016 0.410026667
6 32.59 8 260.72 170.7552 2.84592
7 35.97 9 323.73 576 9.6
60 1678.24 27.02505333
Media = 27.97 Desv. Est. = 5.199
Prueba de bondad de ajuste de los datos empíricos a una distribución normal
Intervalo xi Zi A a la izq. de Zi Área ei ei oi χ2

1 17.38 -2.036 0.0207 0.0207 1.242 4.9388 4 0.1784
2 20.76 -1.386 0.0823 0.0616 3.6968
3 24.14 -0.736 0.2296 0.1473 8.838 8.838 11 0.5288
4 27.52 -0.086 0.4641 0.2345 14.07 14.07 12 0.3045
5 30.9 0.56 0.7123 0.2482 14.892 14.892 16 0.0824
6 34.28 1.21 0.8869 0.1746 10.476 10.476 8 0.5852
7 37.66 1.86 0.9686 0.0817 4.902 4.902 9 3.426
χ2 5.1053
Donde:
xi , límite superior de clase
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:
Costo de Capa cidad: tonelaje

Tipo de Costo fijo
operación medio descargado por
instalación por día
por día día de opera ción
A $840 $840 3,600 ton
B 1,350 1,350 5,800 ton
C 1,500 1,600 6,400 ton
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 llegadas, λ = 0.7143 barcos por día
Tasa de servicio, µ A = 0.450 barc os por día , µB = 0.725 barcos por día , µC = 0.800 barcos por día
Tabla 4.1 Características de operación para los modelos M/ M/1 y M/ M/ S
Modelo Fórmula Concepto

 Número promedio de unidades en el
L 1   sistema
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  S1
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 
LP*  Número promedio de unidades en el
SO
S sistema

LP*
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
ALT (B, 1) 1 ALT (B, 2) 2 ALT (B, 3) 3

λ 0.714 λ 0.714 λ 0.714
μ 0.725 μ 0.725 μ 0.725
ρ 0.985 ρ 0.985 ρ 0.985
Po Po 0.333 Po 0.364
Pso Pso 0.319 Pso 0.086
L 66.757 L 1.295 L 1.027
Lq 65.772 Lq 0.309 Lq 0.042
W 93.458 W 1.812 W 1.438
Wq 92.079 Wq 0.433 Wq 0.059
CF 840.000 CF 2700.000 CF 4050.000
CO 1330.076 CO 1330.076 CO 1330.076
CE 133514.019 CE 2589.035 CE 2054.884
CT 135684.09 CT 6619.11 CT 7434.96
ALT (C, 1) 1 ALT (C, 2) 2 ALT (C, 3) 3

λ 0.714 λ 0.714 λ 0.714
μ 0.800 μ 0.800 μ 0.800
ρ 0.893 ρ 0.893 ρ 0.893
Po Po 0.339 Po 0.404
Pso Pso 0.244 Pso 0.068
L 8.335 L 1.090 L 0.922
Lq 7.442 Lq 0.197 Lq 0.029
W 11.669 W 1.526 W 1.290
Wq 10.419 Wq 0.276 Wq 0.040
CF 1350.000 CF 3000.000 CF 4500.000
CO 1428.600 CO 1428.600 CO 1428.600
CE 16669.778 CE 2179.837 CE 1843.510
CT 19448.4 CT 6608.44 CT 7772.11
Página
Resumen de costo total:
Tipo d e Número de muelles

Instalación 1 2 3
A 13899.41 7626.41
B 135684.09 6619.11 7434.96
C 19448.4 6608.44 7772.11
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.
Como se observa en la descrip ción de problema la alternativa 1 corresponde a un sistema M/M/2 y la

alternativa 2 a un sistema M/M/1.
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
Número de equipos de trabajadores
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
Número de trabajadores por muelle

2 3 4 5 6
, botes por hora 1 1 1 1 1
µ botes por hora 1 1.5 2 2.5 3
 fa ctor de utiliza 1 0.7 0.5 0.4 0.3
ción
P0, Probabilidad de
0.33 0.49 0.6 0.66 0.73
sistema desocupado
PSO, Probabilidad de
0.33 0.16 0.1 0.06 0.04
siste ma ocupado
L, botes en el sistema 1.33 0.74 0.53 0.41 0.34
Lq, botes en la cola 0.33 0.08 0.03 0.015 0.008
W, horas que un bote
1.33 0.74 0.53 0.41 0.34
est á en el sistema
Wq, horas que un bote
0.33 0.08 0.03 0.015 0.008
est á en la c ola
Costo de espera $66.500 $37 $26.50 $20.50 $17
Costo adicional $20 $20 $20 $20 $20
Costo total $118.50 $105.00 $110.50 $120.50 $133.00
Inicia el c álculo c on 2 trabajadores en c ada muelle, ya que en el sistema M/M/2 se debe

cumplir que Sµ > λ.
Al comparar la alternativa preferente del sistema M/ M/1 (1 muelle con 6 trabajadores con un costo
total de $73) con la alternativa preferente del sistema M/ M/2 (2 muelles con 3 trabajadores en cada
muelle, con un costo total de $105 ), ambas con 6 trabajadores , finalmente se sugiere utilizar un
solo muelle para descarga.
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
 = 5 automóviles por día
 = 2n automóviles por día
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
Cos to por no disponibilidad $125 $42 $25 $18 $14
Costo total $215 $162 $175 $198 $224
a. La alternativa de menor costo total es utilizar 4 empleados en el sistema ($162)

Página
b. Características de operación:
L= 1.666 automóviles promedio en el sistema
Lq= 1.041 automóviles pr omedio en la cola
W= 0.333 días en promedio pasa un automóvil en el sistema
Wq=0.208 días en promedio pasa un automóvil en la cola
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
a. λ = 30 clientes por hora y µ = 60 clientes por hora.
b. La característica de operación es L = 1 cliente en promedio en el sistema
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.
Para una llamada de Erlang:

𝜌𝜌
𝑃𝑃(𝑙𝑙𝑙 𝑙𝑙𝑚𝑚𝑙𝑙𝑙𝑙𝑙𝑙 𝑝𝑝𝑝𝑝𝑝𝑝𝑙𝑙𝑝𝑝𝑙𝑙𝑙𝑙) = 𝑛𝑛!
∑𝑛𝑛 𝜌𝜌𝑘𝑘
𝑘𝑘=0 𝑘𝑘!
λ = 10 llamadas por hora
µ = 12 llamadas por hora

 10
𝜌𝜌 = = = 0.08333
𝜇𝜇 12
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 = 30 filigreses por hora
µ = 20 filigreses por hora
Sistema a ctual (dos sistemas M/M/1), basta analizar uno de ellos :
Sistema actual Sistema propuesto
+ + + +
Sistema a ctual (dos sistemas M/M/1), basta analizar uno de ellos:
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?
a. ¿Cuál es la probabilidad de que un cliente se le atienda de inmediato, a su llegada, en la

cajera automátic a?
λ = 5 clientes por hora
µ = 10 clientes por hora
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
La probabilidad de que un cliente se le atienda de i nmediato es 0.5 .
b. ¿Cuál es el promedio de tiempo que un cliente invierte con el cajero automático (tanto en espera
del servicio como recibiéndolo)?
L = 1 , W = 1 / 5 = 0.2 horas = 12 minutos
El tiempo promedio que in cliente invierte en la cajera automática es de 12 minutos.
c. En promedio, ¿cuántos clientes se encuentran esperando en la línea para que la c

ajera automátic a los atienda?
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?
a. Son tres sistemas M/ M/1
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 automóviles o haya tres
automóviles esperando en la fila?
λ = 30 autos por hora
µ = 40 autos por hora
3
𝑃𝑃0 = 1 − 𝜌𝜌 = 1 − = 0.25
4
𝑃𝑛𝑛 = (𝑃𝑃0 )(𝜌𝜌)𝑛𝑛 = (0.25)(0.75)3 = 0.1054
La probabilidad de que una taquilla se encuentre desocupada es de 0.25 y la probabilidad de que

haya tres automóviles siendo at endidos o esperando en la fila es de 0.1054.
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)?
𝐿𝐿 = (0.75)
2 = 9/4 𝐿𝐿 = 9
+ 3
= 12
=3
𝑞𝑞 1−0.75 4 4 4
3 automóviles
d. ¿Cuál es el tiempo promedio que un automóvil espera antes de llegar a la taquilla?
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
p = p robabilidad de exceder un valor dado de  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
La distribución tiene la forma:
F(x)=x1 / 2
Integrando la función densidad en el intervalo de 0 a x, se tiene una expresión en x; sustituyendo

a F(x) por el decimal aleatorio r, se tiene una expresión en función de r, con la cual se obtienen
muestras aleatorias en la función de distribución:
F(x)   2xdx   x2  x2  x2

2 x
xdx  2 x 
0 0  0
 2 0
r  x2
x r
Página
Simulación 5.2 Selección del número de muelles
Una compañía siderúrgica, que opera su propia flota de barcos para importa r mineral de hierro,
está considerando la construcción de facilidades portuarias para sostener una nueva planta. Se
debe
decidir tanto el número de lugares de descarga como el tipo de instalación en cada uno, con la
idea de hacer mínimos los costos totales de descarga.
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 cuales se dispone de la siguiente información:
Costo de Capa cidad: tonelaje

Tipo de Costo fijo
operación medio descargado por
instalación por día
por día día de opera ción
A $840 $840 3,600 ton
B 1,350 1,350 5,800 ton
C 1,500 1,600 6,400 ton
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?
Existen 9 alternativas posibles, de las cuales toda s son fa ctibles a excepción 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 >
Página
1) por lo que esta alternativa se puede eliminar:

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 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 llegadas, λ = 0.7143 barcos por día
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
ALT (A, 3) λ = 0.7143 μ = 0.450
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
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
ALT (B, 2) λ = 0.7143 μ = 0.725
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
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
ALT (C, 1) λ = 0.7143 μ = 0.800
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
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
ALT (C, 3) λ = 0.7143 μ = 0.800
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:

Instalación 1 2 3
A 10968.72 5834.76
B 9965.72 5350.45 6280.3
C 6542.51 4478.28 9036.96
Comparando con los costos determinados con línea de espera:

Instalación 1 2 3
A 13899.41 7626.41
B 135684.09 6619.11 7434.96
C 19448.4 6608.44 7772.11
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.
Generar desviaciones Generar

aleatorias normales para simularnúmeros aleatorios
número de para simular el consumo por consumidor
consumidores
Generar números aleatorios para simular la producción
Producción >
Comparar producción VS consumo Consumo
SUPERAVIT
Simular el consumo diario por consumidor

Simular el número diario de consumidores Producción < Consumo
Simular la producción diaria
DEFICIT
Distribución uniforme (producción):
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 :
Datos Análisis de datos
Generación de números aleatorios Aceptar
Distribución normal (número diario de consumidores):
Para generar una muestra aleatoria x i con la

0.4
0.3
Función
densidad
distribución normal es necesario generar Distribuciones
0.2
Aleatorias Normales (DAN) y luego obtener una muestra

0.1
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
Una desviación aleatoria normal se genera en Excel
: Datos
Análisis de datos
Generación de números aleatorios Aceptar

Página
Distribución empírica (consumo por consumidor):
0.5
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:
Producción diaria: x i = 6R + 10 kw-hr

Número diario de consumidores: x i = DAN () + µ = 2 DAN + 7
Consumo diario por consumidor: para 0 ≤ R ≤ 0.45, x i = 1 kw-hr por consumidor
0.45 ≤ R ≤ 0.8, xi = 2 kw-hr por consumidor
0.8 ≤ R ≤ 1.0, xi = 3 kw-hr por consumidor
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?
λ = tasa de llegadas = 10 /8 = 1.25 aparatos por

hora μ = tasa de servicio = 2 aparatos por hora
xi = Tiempo entre llegadas 1

 ln r
= 
xi = Tiempo de servicio 1
 ln r
= 
L = Número de aparatos en el sistema
Lq = Número de unidades en la cola
T entre Hora Hora entra Tiempo

Aleatorio llegadas llega Espera servicio Aleatorio T de serv Hora sale desocupado L Lq
1 0.65551 0.33788 0.33788 x 0.33788 0.01825 2.00179 2.33967 0.33788 1 0
2 0.54442 0.48643 0.82430 1.51537 2.33967 0.20811 0.78485 3.12452 0.00000 2 1
3 0.73431 0.24706 1.07137 2.05316 3.12452 0.37300 0.49309 3.61762 0.00000 3 2
4 0.99808 0.00154 1.07291 2.54471 3.61762 0.42073 0.43288 4.05050 0.00000 4 3
5 0.99487 0.00411 1.07702 2.97348 4.05050 0.03858 1.62757 5.67807 0.00000 5 4
6 0.23160 1.17018 2.24720 3.43087 5.67807 0.31230 0.58190 6.25997 0.00000 6 5
7 0.69411 0.29210 2.53929 3.72068 6.25997 0.36796 0.49989 6.75986 0.00000 6 5
8 0.31581 0.92210 3.46140 3.29846 6.75986 0.78228 0.12277 6.88263 0.00000 6 5
9 0.29814 0.96817 4.42956 2.45307 6.88263 0.96908 0.01570 6.89833 0.00000 5 4
10 0.90768 0.07749 4.50705 2.39128 6.89833 0.91671 0.04348 6.94181 0.00000 6 5
11 0.87747 0.10457 4.61162 2.33019 6.94181 0.14457 0.96701 7.90882 0.00000 7 6
12 0.05679 2.29465 6.90627 1.00255 7.90882 0.19437 0.81899 8.72781 0.00000 3 2
13 0.61342 0.39096 7.29723 1.43058 8.72781 0.99741 0.00130 8.72911 0.00000 3 2
14 0.01349 3.44469 10.74193 x 10.74193 0.68709 0.18764 10.92957 2.01282 1 0
15 0.32224 0.90595 11.64788 x 11.64788 0.48357 0.36328 12.01117 0.71831 1 0
16 0.19523 1.30687 12.95476 x 12.95476 0.78549 0.12073 13.07548 0.94359 1 0
17 0.40303 0.72700 13.68176 x 13.68176 0.19367 0.82080 14.50255 0.60627 1 0
18 0.96759 0.02636 13.70811 0.79444 14.50255 0.48122 0.36572 14.86827 0.00000 2 1
19 0.11542 1.72734 15.43545 x 15.43545 0.14386 0.96944 16.40489 0.56717 1 0
20 0.39570 0.74167 16.17712 0.22777 16.40489 0.73742 0.15230 16.55719 0.00000 2 1
5.18604 46
Tiempo de simulación =16.55719 horas

Página
Tiempo desocupado por hora = 5.18604/16.55719 = 0.3132 horas
Tiempo desocupado por día = 0.3132 x 8 = 2.5 horas por día de 8 horas
Lq = 46 /20 = 2.3 aparatos delante del que acaba de llegar
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)
El área busc ada es el área sombreada que se muestra:
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
Por lo que resulta que:
xi  r(b  a)  a
La ecuación de la elipse con a = 1 y b =

1.5 es:
x2  y 2  1

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.
Aleatorio xi f(x i ) aleatorio yi aciertos

1 0.65551 0.65551 1.13278 0.01825 0.02738 ok
2 0.54442 0.54442 1.25822 0.20811 0.31216 ok
3 0.73431 0.73431 1.01823 0.37300 0.55950 ok
4 0.99808 0.99808 0.09297 0.42073 0.63109
5 0.99487 0.99487 0.15170 0.03858 0.05786 ok
6 0.23160 0.23160 1.45921 0.31230 0.46844 ok
7 0.69411 0.69411 1.07980 0.36796 0.55194 ok
8 0.31581 0.31581 1.42324 0.78228 1.17342 ok
9 0.29814 0.29814 1.43179 0.96908 1.45363
10 0.90768 0.90768 0.62949 0.91671 1.37507
11 0.87747 0.87747 0.71945 0.14457 0.21685 ok
12 0.05679 0.05679 1.49758 0.19437 0.29156 ok
13 0.61342 0.61342 1.18463 0.99741 1.49611
14 0.01349 0.01349 1.49986 0.68709 1.03064 ok
15 0.32224 0.32224 1.41998 0.48357 0.72535 ok
16 0.19523 0.19523 1.47114 0.78549 1.17823 ok
17 0.40303 0.40303 1.37278 0.19367 0.29051 ok
18 0.96759 0.96759 0.37879 0.48122 0.72182
19 0.11542 0.11542 1.48997 0.14386 0.21580 ok
20 0.39570 0.39570 1.37757 0.73742 1.10613 ok
15
La probabilidad de acertar es, Pa = 15/20 = 0.75
El área rectangular c onocida es A R = 1.5
El área buscada Abuscada = (1.5)(0.75) = 1.125 U 2
Si se c alcula el área real, A = π ab/4 = 3.1416 (1) (1.5) / 4 = 1.1781 U2

Página
Simulación 5.6 Las agujas de Buffon
En 1773, Georges Buffon logró estimar el número π por medio de un experimento que consiste en
tomar una aguja de longitud L, y lanzarla sobre una superficie plana en donde se tiene un
conjunto de líneas paralelas separadas entre sí por una distancia 2L, como se muestra en la figura.
El proceso se
repite varias veces y se anota c ada una de las oc asiones en qu e la aguja intercepta una de las
líneas. Si N es el número de veces que se lanza la aguja y n es el número de aciertos logrados al
cruzar una línea, entonces cuando N es un número suficientemente grande, se cumple que:
Nn
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
pD
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
Además se puede concluir que si
L
x sen 
2
L
0x
2
0    180
1

p
La aguja deberá estar toc ando la línea y si
L
x sen 
2
La aguja no toc a la línea.
De la figura se observa que x y θ quedan limitados en la forma siguiente:
L
0x
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 proceso se repite N veces y si n es el número de aciertos, la probabilidad p estará dada

aproximadamente por n/N. El valor así obtenido permite calcular el valor de π:
1
 
p
Página
En el ejemplo siguiente se simulan 30 lanzamientos de la aguja y se supone por simpleza de cálculo,
que L/2 = 1.
Centro de Y
Aleatorio Aguja a línea x Aleatorio Ángulo (L /2)sen θ Aciertos
1 0.58913 0.58913 0.58913 0.01825 0.05733 0.05730
2 0.92718 0.92718 0.92718 0.20811 0.65378 0.60820
3 0.92917 0.92917 0.92917 0.37300 1.17181 0.92145
4 0.49742 0.49742 0.49742 0.42073 1.32176 0.96915 ok
5 0.70238 0.70238 0.70238 0.03858 0.12119 0.12089
6 0.96139 0.96139 0.96139 0.31230 0.98111 0.83111
7 0.25364 0.25364 0.25364 0.36796 1.15599 0.91519 ok
8 0.59627 0.59627 0.59627 0.78228 2.45761 0.63188 ok
9 0.12839 0.12839 0.12839 0.96908 3.04448 0.09696
10 0.69726 0.69726 0.69726 0.91671 2.87995 0.25867
11 0.45924 0.45924 0.45924 0.14457 0.45417 0.43872
12 0.37465 0.37465 0.37465 0.19437 0.61064 0.57339 ok
13 0.70327 0.70327 0.70327 0.99741 3.13345 0.00814
14 0.95529 0.95529 0.95529 0.68709 2.15857 0.83218
15 0.59862 0.59862 0.59862 0.48357 1.51917 0.99867 ok
16 0.63219 0.63219 0.63219 0.78549 2.46768 0.62405
17 0.65575 0.65575 0.65575 0.19367 0.60844 0.57158
18 0.66683 0.66683 0.66683 0.48122 1.51179 0.99826 ok
19 0.52467 0.52467 0.52467 0.14386 0.45196 0.43673
20 0.36915 0.36915 0.36915 0.73742 2.31667 0.73449 ok
21 0.80764 0.80764 0.80764 0.35817 1.12521 0.90236 ok
22 0.39811 0.39811 0.39811 0.97778 3.07180 0.06973
23 0.94348 0.94348 0.94348 0.52275 1.64228 0.99745 ok
24 0.75304 0.75304 0.75304 0.22666 0.71208 0.65341
25 0.29957 0.29957 0.29957 0.49388 1.55158 0.99982 ok
26 0.29823 0.29823 0.29823 0.93027 2.92252 0.21732
27 0.19556 0.19556 0.19556 0.94082 2.95569 0.18483
28 0.89941 0.89941 0.89941 0.99103 3.11341 0.02818
29 0.87326 0.87326 0.87326 0.90423 2.84074 0.29634
30 0.37684 0.37684 0.37684 0.04593 0.14429 0.14379
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?
λ = 6 aviones por hora
μ = 5 minutos (constante)
T entre Hora Hora entra

Aleatorio llegadas llega Espera servicio T de servicio Hora sale
1 0.65551 4.22346 4.22346 x 4.22346 5 9.22346
2 0.01825 40.03586 44.25933 x 44.25933 5 49.25933
3 0.54442 6.08035 50.33967 x 50.33967 5 55.33967
4 0.20811 15.69709 66.03677 x 66.03677 5 71.03677
5 0.73431 3.08830 69.12506 1.91170 71.03677 5 76.0367655
6 0.37300 9.86184 78.98690 x 78.98690 5 83.986905
7 0.99808 0.01925 79.00615 4.98075 83.98690 5 88.986905
8 0.42073 8.65768 87.66383 1.32307 88.98690 5 93.986905
9 0.99487 0.05140 87.71524 6.27167 93.98690 5 98.986905
10 0.03858 32.55141 120.26664 x 120.26664 5 125.266643
11 0.23160 14.62722 134.89386 x 134.89386 5 139.893863
12 0.31230 11.63804 146.53190 x 146.53190 5 151.531905
13 0.69411 3.65121 150.18311 1.34879 151.53190 5 156.531905
14 0.36796 9.99777 160.18087 x 160.18087 5 165.180875
15 0.31581 11.52629 171.70716 x 171.70716 5 176.707161
16 0.78228 2.45541 174.16257 2.54459 176.70716 5 181.707161
17 0.29814 12.10208 186.26465 x 186.26465 5 191.264653
18 0.96908 0.31403 186.57868 4.68597 191.26465 5 196.264653
19 0.90768 0.96862 187.54730 8.71735 196.26465 5 201.264653
20 0.91671 0.86959 188.41689 12.84776 201.26465 5 206.264653
44.63166
Los tiempos en la tabla están en minutos.
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
¿Cuál es el tiempo medio de espera?
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
Esta ción 3: Constante, 15 minutos

T entre Hora Hora T de Hora
Aleatorio llegadas llega Espera entra a 1 DAN servicio sale de 1 Espera
1 0.6555 8.447 8.4469 x 8.447 -1.205 7.589 16.036 x
2 0.5444 12.161 20.608 x 20.608 -0.432 9.135 29.743 46.347
3 0.7343 6.177 26.784 2.959 29.743 0.667 11.333 41.076 58.559
4 0.9981 0.038 26.823 14.254 41.076 0.022 10.044 51.120 63.308
5 0.9949 0.103 26.926 24.194 51.120 -1.603 6.794 57.913 69.501
6 0.2316 29.254 56.180 1.733 57.913 1.245 12.490 70.404 105.838
7 0.6941 7.302 63.482 6.921 70.404 0.137 10.274 80.677 113.022
8 0.3158 23.053 86.535 x 86.535 0.573 11.146 97.681 111.015
9 0.2981 24.204 110.739 x 110.739 -0.653 8.693 119.432 92.946
10 0.9077 1.937 112.676 6.756 119.432 0.436 10.872 130.305 82.545
11 0.8775 2.614 115.291 15.014 130.305 -0.004 9.991 140.296 73.858
12 0.0568 57.366 172.657 x 172.657 0.951 11.902 184.559 58.606
13 0.6134 9.774 182.431 2.128 184.559 0.962 11.925 196.484 71.251
14 0.0135 86.117 268.548 x 268.548 1.915 13.830 282.378 x
15 0.3222 22.649 291.197 x 291.197 -0.855 8.290 299.487 x
16 0.1952 32.672 323.869 x 323.869 0.902 11.803 335.672 x
17 0.4030 18.175 342.044 x 342.044 1.289 12.578 354.622 x
18 0.9676 0.659 342.703 11.919 354.622 1.020 12.041 366.663 12.583
19 0.1154 43.183 385.886 x 385.886 0.872 11.745 397.631 x
20 0.3957 18.542 404.428 x 404.428 1.004 12.008 416.436 10.278
85.879 214.484 969.656
Hora T de Hora Hora T de Hora

entra a 2 Aleatorio servicio sale Espera entra a 3 servicio sale
1 16.036 0.0183 60.054 76.090 x 76.090 15 91.090
2 76.090 0.2081 23.546 99.635 x 99.635 15 114.635
3 99.635 0.3730 14.793 114.428 0.207 114.635 15 129.635
4 114.428 0.4207 12.987 127.415 2.221 129.635 15 144.635
5 127.415 0.0386 48.827 176.242 x 176.242 15 191.242
6 176.242 0.3123 17.457 193.699 x 193.699 15 208.699
7 193.699 0.3680 14.997 208.696 0.003 208.699 15 223.699
8 208.696 0.7823 3.683 212.379 11.320 223.699 15 238.699
9 212.379 0.9691 0.471 212.850 25.849 238.699 15 253.699
10 212.850 0.9167 1.304 214.154 39.545 253.699 15 268.699
11 214.154 0.1446 29.010 243.164 25.535 268.699 15 283.699
12 243.164 0.1944 24.570 267.734 15.965 283.699 15 298.699
13 267.734 0.9974 0.039 267.773 30.926 298.699 15 313.699
14 282.378 0.6871 5.629 288.008 25.691 313.699 15 328.699
15 299.487 0.4836 10.899 310.386 18.313 328.699 15 343.699
16 335.672 0.7855 3.622 339.294 4.405 343.699 15 358.699
17 354.622 0.1937 24.624 379.246 x 379.246 15 394.246
18 366.663 0.4812 10.972 377.634 16.611 394.246 15 409.246
19 397.631 0.1439 29.083 426.714 x 426.714 15 441.714
20 416.436 0.7374 4.569 421.005 20.709 441.714 15 456.714
341.134 237.30 300 2148.45
Página
El tiempo medio de espera será la suma de los tiempos de espera y de servicio (2148.45 minutos)
entre 20 clientes que se simularon = 107.42 minutos = 1 hora con 47 minutos.
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
  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:
a. Número medio de usuarios en el sistema, L/20 = 89/20 = 4.45

b. Número medio de usuarios en la cola, Lq/ 20 = 69/20 = 3.45
c. Número medio de usuarios cuando hay cola, L1/20 = 86 / 20 = 4.30
d. Tiempo medio de espera, tiempos de es pera + tiempos de servicio: (13.3468 + 3.7904)/20 = 0.86
horas
e. Porcentaje de usuarios que al llegar al sistema no tienen que esperar; los usuarios que no
esperan son el 1, 16, 17 y 19, que representan el 4/20 % = 20 %
f. Porcentaje de usuarios que tienen que esperar algún tiempo de pie, (^) = 8/20 = 40 %
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, con 1 silla esperan 13 que representan el 65 % de usuarios.
Página
Simulación 5.10 Observaciones Aleatorias
A un taller que tiene dos centros de trabajo, A y B, le llegan trabajos en serie , a una frecuencia
exponencial de 5 por hora. Cada trabajo necesita procesarse en ambos centros. Primero en A y
después en B. Los trabajos que esperan a ser procesados en c ada centro pueden esperar en la c
ola;
la c ola para el centro A tiene espacio ilimitado y la cola para B sólo tiene espacio para cuatro
trabajos. Si el espa cio alc anza su c apa cidad no pueden salir los trabaj os del centro A. En otras
palabras, el centro A interrumpe su trabajo hasta que haya lugar en la c ola de B. El tiempo de
procesamiento de un trabajo en el centro A, se distribuye de modo uniforme en el intervalo [6, 10]. El
tiempo de procesamiento para un trabajo en el centro B se representa mediante la λsiguiente
distribución triangular:
¼(x - 1) si 1 ≤ x ≤ 3
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
5 trabajos por hora
Máximo de cuatro trabajos en el

espacio de B
DISTRIBUCIÓN DISTRIBUCIÓN
f(x) UNIFORME f(x) TRIÁNGULAR
x
6 10
x
1 3 5
Tiempo de servicio en A Tiempo de servicio en B

Página
Simulación del tiempo entre llegadas (distribución exponencial)
λ = 5 trabajos por hora = 0.08333 trabajos por minuto

xi= Tiempo entre llegadas =  1 ln r , donde r es un decimal aleat orio de la distribución exponencial .

1ln r = 12 ln r
Tiempo entre llegadas =  0.0833
Simulación del tiempo de servicio en A (distribución uniforme)

Distribución uniforme
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
Simulación del tiempo de servicio en B (distribución triangular)

Distribución triángular 1𝑥𝑥
𝐹𝐹1(𝑥𝑥) = 4 ∫1 (𝑥𝑥 − 1)𝑙𝑙𝑥𝑥
f(x)
1𝑥𝑥 1𝑥𝑥 1 𝑥𝑥2
𝑥𝑥 1 𝑥𝑥
𝑓𝑓1 𝑓𝑓2 𝐹𝐹1 (𝑥𝑥) = ∫1𝑥𝑥𝑙𝑙𝑥𝑥 − ∫1 𝑙𝑙𝑥𝑥 =]
4 2 −𝑥𝑥
14 ] = 𝑝𝑝
1𝑝𝑝
Función densidad 4 4
x 𝑥𝑥 2 𝑥𝑥1
1 3 5 8− 4 + 8− 𝑝𝑝𝑝𝑝 = 0
1.0 0.25+�0.0625 −4(0.125)(0.125− 𝑝𝑝𝑝𝑝 )

F(x) 𝐹𝐹2
0.5 x0.25
==
Función de distribución
𝟎𝟎.𝟑𝟑𝟏𝟏+ �𝟎𝟎.𝟏𝟏 𝒓𝒓𝒎𝒎

𝐹𝐹1
x =𝟎𝟎.𝟑𝟑𝟏𝟏
x
0 1 3 5
𝐹𝐹2(𝑥𝑥) = 0.5 + 1 ∫𝑥𝑥 (5 − 𝑥𝑥)𝑙𝑙𝑥𝑥 = 0.5 + 5 ∫𝑥𝑥 𝑙𝑙𝑥𝑥 − 1 ∫𝑥𝑥 𝑥𝑥𝑙𝑙𝑥𝑥
4 3 4 3 4 3
5 1 𝑥𝑥 2
= 0.5 +𝑥𝑥 ]𝑥𝑥
3 −4 2 3
]𝑥𝑥
4
Página
5 15 1 9
= 0.5 +𝑥𝑥 −− � 𝑥𝑥2 − � − 𝑝𝑝𝑝𝑝 = 0
4 48 8
−0.125 𝑥𝑥2 + 1.25 𝑥𝑥 − 17 − 𝑝𝑝𝑝𝑝 = 0

8
− 1.25+ �1.252 − 4(−0.125)(−17− 𝑝𝑝𝑝𝑝 )

8
x= − 0.25
x = 𝟏𝟏.𝟑𝟑𝟏𝟏 − �𝟎𝟎.𝟏𝟏−𝟎𝟎.𝟏𝟏 𝒓𝒓𝒎𝒎

𝟎𝟎.𝟑𝟑𝟏𝟏
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
1) El número esperado de trabajos en el taller en cualquier momento: L/ 20 = 45 / 20 = 2.25 trabajos

2) El porcentaje de tiempo que se detiene el centro A por falta de espacio en la cola del centro B:
no sucede nunca, es 0.
3) El tiempo esperado de terminación de un trabajo: (161.2546 + 7.3848 + 19.8336)/20 = 11.3185
minutos
Página
BIBLIOGRAFÍA
1. Winston , Wayne L.,1990. 1ª Edición

Investigación de Operaciones
Grupo Editorial Iberoamérica S. A de C. V., México
2. Samayoa Aquino, Iveth A.; Grajales Marín, José F. , 2010. 1º Edición

Apuntes de Teoría de Decisiones
Editorial UNACH,
Méxic o
3. Sasieni, Maurice; Yaspan, Arthur; Friedman, Lawrence., 1982. 8ª Edición

Investigación de Operaciones
Editorial Limusa S. A de C. V,
Grupo Noriega Editores, México
4. Namakforoosh, Mohammad Naghi. 1996. 4ª Edición

Investigació n de Operaciones, Interpretación de Modelos y Casos
5. Gerez Greiser, Victor; Csitróm, Verónica, 1978. 1ª Edición

Introducción al Análisis de Sistemas e Investigación de Oper aciones
Representaciones y Servicios de Ingeniería, S. A., México
6. Ackoff, Russell L. y Sasieni M. W, 1985.

Fundamentos de Investigación de Operaciones
7. Thierauf R obert J. y Grosse Richard A., 1976. 3ª Edición

Toma de Decisiones por Medio de Investigación de operaciones
Editorial Limusa. S. A de C. V,
Grupo Noriega editores, México
8. Hillier Frederick S. Y Lieberman, Gerald J., 1992. 1ª Edición

Introduction to Operations Research
Holden -day, Inc. San Francisc o, California, USA
9. Davis, Roscoe K. ; McKeown, Patrick G. 1986. 1ª Edición

Modelos Cuantitativos para Administración
Grupo Editorial Iberoamérica, S. A de C. V., México
Página

Teoría de Decisiones: Ejercicios Resueltos

Cargado por

Copyright:

Formatos disponibles

Teoría de Decisiones: Ejercicios Resueltos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teoría de Decisiones: Ejercicios Resueltos

Cargado por

Copyright:

Formatos disponibles

Teoría de Decisiones

M. I. Iveth Adriana Samayoa Aquino

2.1 Construc tor 11

M. I. José Francisc o Grajales Marín

M. I. Iveth Adriana Samayoa Aquino

Dr. Francisco Alberto Alonso Farrera

Dr. José Ernesto Castellanos Castellanos

tiva realizada c on datos muestrales.

Criterio de Sturges para establecer el número de intervalos a utilizar en una distribución:

donde n=número de datos, m=número de intervalos, t =intervalo de clase, f =frecuencia de clase,

Media . Se define como el momento de primer orden con respecto al origen:

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

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

1.4 MEDIDAS DE ASIMETRÍA

Asimetría = [(q3 – q2) – (q2 – q1)] / Sx

1.5 MEDIDAS DE APLANAMIENTO O EXCESO (KURTOSIS)

1.7 TEOREMA DE BAYES

Con lo cual se define el llamado teorema de la probabilidad total

1.8 VARIABLE ALEATORIA

1.9 DISTRIBUCIONES TEÓRICAS DE PROBABILIDAD

donde: x = variable aleatoria

donde: x= variable aleatoria

Abraham Wald (1902-1950), matemátic o austría c o, na cionalizado estadounidense. Exi liado a

a. Elaborar una matriz de pagos para este pr oblema.

a. Elaborar la matriz de pagos.

b. Alternativas con los modelos de decisión:

Criterio M aximin de Wald

MÁX {-5 000, 7 000} 7 000

La alternativa seleccionada es hacer dos trabajos de ampliación

MÁX {10 000, 7 000} 10 000

Según Baumol , bajo u n criterio optimista, selecciona construir una casa

MíN {12 000, 3 000} 3 000

La alternativa seleccio nada es hacer dos trabajos de ampliación

Construir una casa: (3 /4)( -5000)+(1/4)(10000)= - 1 250

Construir una casa: (3 /4)(10 000)+(1 /4)( -5000)= 6250

Ha cer dos trabajos de amplia ción: (3/4)(7000)+(1/4)(7000)= 7

000 MÁX {6250, 7000} 7 000

Un optimista selecciona hacer dos trabajos de ampliación

Análisis de sen sibilidad

0 0.25 0.5 0.75 1

Construir una c asa -5000 -1250 2500 6250 10000

𝑦𝑦2 − 𝑦𝑦1 −5000 − 10000

𝒚𝒚 = 𝟏𝟏𝟏𝟏 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 − 𝟏𝟏 𝟎𝟎𝟎𝟎𝟎𝟎

𝑦𝑦2 − 𝑦𝑦1 7000 − 7000

-2000 0 0.25 0.5 0.75 1

La Intersección de las dos rectas :

7000 = 15 000𝑥𝑥 − 5 000

𝟎𝟎 = 𝟎𝟎. 𝟖𝟖, 𝒚𝒚 = 𝟕𝟕𝟎𝟎𝟎𝟎𝟎𝟎

c. Probabilidad de que la tasa hipotec aria aumente es de 0.6 .

VME= (-5000)(0.6)+(10000)(0.4)= 1000

VME= (7000)(0.6)+(7000)(0.4)= 7000

Si se envía un camión de Silver City a través de ruta 64 y el puente no está funcionando,

Rutas de los camiones

Opcione s Derrumbes Inundaciones Ambas

Opciones Derrumbes Inundaciones Ambas

MAX {45, 50}= 50

c) Utilizando otro modelo de

decisión. Criterio de Hurwicz

Op ciones Derrumbes Inundaciones Ambas