132

CAPÍTULO 3
SIMULACIÓN DISCRETA:
CONTINUACIÓN DE MONTE CARLO
NOCIONES DE TEORÍA DE COLAS

3.0 En el capítulo anterior vimos como la estadística trata variables de tipo discreto o
continuo.

El concepto de variable, aquellos elementos de un conjunto que varían con el tiempo o

el espacio como la velocidad, el peso, la motivación, pueden ser medibles o no. A las
primeras se las denomina cuantitativas y a las segundas, cualitativas. Sin entrar en
detalles mayores, una variable es medible cuando es posible asignarle al atributo que
la representa un número, que posee alguna de las propiedades de los números (sumarse
o restarse, multiplicarse o dividirse, sacar logaritmos o antilogaritmos, elevar a poten-
cias o sacar raíces…) y que guarda una relación de orden. Consideremos el atributo
“peso” (en alguna unidad como kilogramos o libras), de una persona. Si A pesa más que
B y B pesa más que C, entonces A necesariamente pesa más que C. Además si A pesa 80
kg, B pesa 60 y C pesa 40, podemos indicar que, además de la relación de orden, A y C
juntos pesan 120 kg o que A pesa el doble que C. El “peso” posee una relación de orden
y, además, se puede sumar (el producto no tiene sentido real). No podemos decir lo
mismo con el amor. Si Pedro ama a María, y María ama a José, Pedro no necesariamente
ama a José. El atributo “amor” no posee una relación de orden, luego no es medible.

Las variables cualitativas o categóricas pueden ser ordinales o nominales. Las ordinales
poseen relación de orden. Tal es el caso de clasificar las respuestas de una evaluación
de la prestación de un servicio siendo 0 la peor y 5 la mejor. Las nominales permiten
establecer categorías pero no se les asigna números y si se les asignaran, no tendría
realizar con ellos ninguna operación aritmética. No cumplen con la relación de orden.
Son ejemplos de estas variables: clasificar la existencia de un almacén en “Artículos
para el hogar”, “Verduras y carnes”, “Productos no perecederos”… o Las facultades de
una Universidad. Si se asigna un número, por ejemplo, “Artículos para el hogar”: 1,
“Verduras y carne”: 2… Estos números no tienen ninguna propiedad numérica.

Las variables cuantitativas se dividen en discretas y continuas. Este es el tipo de varia-

ble que utilizaremos en la simulación. Generalmente indican una medición, por lo que
poseen relación de orden. En el capítulo 1 hicimos una referencia general a ellas cuando
hablamos de los modelos matemáticos continuos y discretos.
 133

Cuando los datos se pueden agrupar en clases (rangos entre valores) y se puede calcular
una frecuencia absoluta a partir de las cuales es posible obtener frecuencias relativas,
podemos generar un histograma tal y como lo vimos en el capítulo anterior.

3.1 Simulación continua, simulación discreta. Como ya se indicó la simulación

continua se refiere al uso de la matemática continua para el estudio de un sistema.
Recordemos el modelo del circuito LC o el modelo del sistema mecánico oscilatorio del
capítulo 1. Por su parte la simulación discreta utiliza la matemática discreta, como es
el caso de las ecuaciones de diferencia, referenciadas ya en el capítulo 1 en los ejemplos
relacionados con la economía de un país o el comportamiento de un embalse; también
los ingresos de una comunidad, estudiados en el capítulo 2.

También se dijo que un fenómeno discreto, aquel cuyo comportamiento se observa en

intervalos discretos de tiempo, puede ser modelado mediante matemática discreta o
continua y que a su vez fenómenos continuos (aquellos en donde el proceso se puede
hacer presente en cualquier instante de tiempo) puede igualmente simularse con ma-
temática continua o discreta.

En este capítulo y en el siguiente nos centraremos en la simulación discreta. En el ca-

pítulo 5 en la simulación continua.

3.2 Simulación a intervalos fijos de tiempo. En este tipo de simulación el tiempo

se divide en intervalos con incrementos fijos escogidos convenientemente. Sea Δt, el
rango de los intervalos de tiempo, que será el tiempo del reloj de la simulación. Este
tiempo se fija, para cada iteración, en un nuevo valor del tiempo prefijado (valor inferior
del rango), es decir, ti+1 = ti + Δt, i = 0, 1, 2… Se analiza entonces el rango correspon-
diente y se observa si han ocurrido uno o más eventos. Si es así, en general se asigna
como tiempo de los eventos el valor del extremo derecho del rango seleccionado y se
pasa al siguiente cálculo. Como puede observarse, se cometen errores ya que los tiempos
asignados no corresponderán, en general, a los en que realmente el evento se hizo pre-
sente (ver figura 3.1). Se dice que la simulación es orientada por intervalos.

Δt Δt

ti ti+Δt
evento
registro
Simulación a intervalos fijos de tiempo.
Fig. 3.1
En el capítulo 1 vimos dos ejemplos de este tipo de simulación: en los ejemplos 1.5 y 1.6:
para el caso de la economía Norteamericana, el rango tenía el valor de 1 año (Δt = 1
 134

año) mientras que, para el caso del embalse, Δt valía un día. Los valores asignados en
cada cálculo se resumían al final de cada período. Nos interesaba el agua consumida en
un día, la cual sólo se conocía al final del día.

En general este procedimiento se utiliza para la simulación de sistemas continuos de-

bido a la forma como este tipo de sistemas se discretiza para poder ser evaluados me-
diante un computador digital, especialmente cuando el sistema es describible en térmi-
nos de ecuaciones diferenciales tema a tratar en el capítulo 5.

Consideremos el siguiente ejemplo.

Ejemplo 3.1 Para la construcción de un edificio una empresa necesita una cuadrilla de
40 obreros altamente entrenados. Debido a la escasez de trabajadores, se puede contra-
tar, cada semana, un 40% de los obreros que faltan para completar la cuadrilla. Por
requerir habilidades especiales, se presenta competencia entre las diversas constructo-
ras por lo que 5% del total de los obreros contratados hasta el inicio de la semana se
van a otros trabajos. Inicialmente hay 20 trabajadores disponibles.

Este problema podemos modelarlo utilizando intervalos iguales de tiempo, ya que los
obreros se contratan al inicio de la semana y los que se retiran lo hacen al final. No hay
contratos o retiros entre semanas. Sea:

Nt : total de trabajadores al inicio de la semana t, t = 1, 2, …

TCt,: tasa de contratación de obreros al comienzo de la semana t.
TRt : la tasa de retiro de obreros al final de la semana t.

TCt TRt TCt+1

Nt Nt+1 Nt+2
t

Semana t Semana t + 1

Esquema de la dinámica de contratación

Figura 3.2
Las ecuaciones de diferencias respectivas son:

Nt+1 = Nt + (TCt − TRt)

TCt = 0.4(40 − Nt) (3-1)
TRt = 0.05 Nt
 135

Usando una hoja Excel obtenemos el resultado mostrado en la tabla de la figura 3.3. Se
incluyen las fórmulas para tales cálculos.

A B C D A B C D
1

2 t Nt Tct TRt T Nt Tct TRt

3 1 20,0 8,0 1,0 1 20 =0,4*(40-B3) =0,05*B3
4 2 27,0 5,2 1,4 =A3+1 =B3+C3-D3 =0,4*(40-B4) =0,05*B4
5 3 30,9 3,7 1,5
6 4 33,0 2,8 1,6
7 5 34,1 2,3 1,7
8 6 34,8 2,1 1,7
9 7 35,1 2,0 1,8
10 8 35,3 1,9 1,8
11 9 35,4 1,8 1,8
12 10 35,5 1,8 1,8
13 11 35,5 1,8 1,8

Resultados de la simulación de la contratación de obreros.

Figura 3.3

Observe como el sistema se estabiliza cuando las tasas de contratación y retiro se igua-
lan. También vale la pena aclarar que la meta de los 40 obreros no se alcanza con esta
forma de contratar.

El siguiente ejemplo de nuevo ilustra una programación a intervalos fijos de tiempo. Lo

interesante es observar el tipo de intervalo escogido y la razón del por qué.

Ejemplo 3.2 En una intersección existe un semáforo en el cual la luz verde tiene una
duración de 36 segundos, la amarilla de 4 segundos y la roja de 60 segundos. El orden
de los colores es: verde, amarillo, rojo, amarillo, verde etc. Aquí los eventos ocurren en
intervalos de tiempo de rangos diferentes: 36, 40, 100, 104, 140, 144… segundos. Debe-
mos tener en cuenta que dado que el amarillo es el color de menor duración, este debe
aparecer en la simulación en el minuto 36 ¿?. En general el color cambiará cuando se
alcance el límite superior de los rangos antes definidos: 36, 40, 100, 104.

Observe que 4 es un múltiplo común de estos tiempos. Por lo tanto establezcamos in-
tervalos fijos de tiempo igual a 4 segundos, para realizar los cálculos. Ahora tenemos
una simulación con intervalos fijos de tiempo. La gráfica de la figura 3.4 explica el com-
portamiento. En la parte izquierda de la figura 3.5 se indica la simulación. A la derecha
se muestran las fórmulas utilizadas.
 136

Amar. Amar.
Verde Roja Verde

0 8 16 24 32 40 48 56 64 72 80 88 96 104 112 120 128

Comportamiento del semáforo
Figura 3.4

Simulación de un semáforo
Figura 3.5

El concepto de “Tiempo de ciclo” es muy importante. Cada 104 segundos la cuenta se

reinicia:

T. ciclo = t – Entero(t/104)*104 (3-2)

Si t = 115 entonces T. ciclo = 115 – Entero(115/104)*104 = 115 ─ (1)*104 = 11. “Entero”

es un comando de Excel que devuelve el entero inferior de un número. Por ejemplo:
Entero (183.65) = 183. Como se indicó en el cálculo anterior el segundo t: = 115, corres-
ponde a 11 segundos de reiniciado el ciclo de 104.

También se obtienen los mismos resultados utilizando la función ya vista de Excel, en

el capítulo 2: RESIDUO(115;104) = 11.
 137

3.3 Simulación Monte Carlo (continuación). En el capítulo anterior hicimos refe-

rencia al uso de números aleatorios en la simulación. En lo que sigue indicaremos la
forma como tales números permiten simular sistemas que, de otra manera, sería muy
difícil o prácticamente imposible llevarla a cabo.

El concepto central del llamado Método de Montecarlo es el uso de números aleatorios.

Podríamos decir que cualquier simulación en la cual se utilicen tales números, es una
simulación Monte Carlo. Por esta razón dedicaremos parte de este capítulo a la manera
como tales números aleatorios pueden ser generados para su uso en un computador.

El método de Monte Carlo es útil para desarrollar cálculos numéricos. Por ejemplo, en-
contrar el máximo (o el mínimo) valor de una función definida en un intervalo dado.
Sea f(x) dicha función, para a ≤ x ≤ b. Se generan números aleatorios entre estos dos
valores y se calcula el valor de la función para cada punto. De los resultados obtenidos,
se acotan los puntos que muestran valores máximos relativos, y con estos nuevos rangos
se repite el procedimiento. Con esto no sólo obtenemos el valor máximo, con una buena
aproximación, sino algunos máximos relativos. El gráfico izquierdo de la figura 3.6 ilus-
tra el procedimiento.

Monte Carlo también es útil para calcular el valor de una integral definida entre dos
valores cuya solución analítica o no existe o es de difícil solución. Aunque esto no es
precisamente una simulación, la técnica es muy efectiva y nos muestra lo versátiles que
puedan ser sus aplicaciones. La idea es sencilla (véase la figura 3.6).

L
f(xi)
f(xi)

a x1 xN x2 xi b a xi b
Uso de números aleatorios para calcular máximos, mínimos y valor de una integral
Fig. 3.6

Se desea calcular la expresión:

𝑏
𝐼 = ∫𝑎 𝑓(𝑥)𝑑𝑥 (3-3)

f(x) ≥ 0. El valor de I es el área de f(x) en el rango [a, b]. Hallemos un valor L de tal
manera que L ≥ f(x) para a ≤ x ≤ b. El rectángulo definido por x = a, x = b, y = 0 y y = L
define un área A = L (b – a). Obviamente A ≥ I. Si generamos puntos aleatorios que
caigan dentro del rectángulo, algunos caerán dentro de área de la integral y otros no.
 138

Si N es el total de puntos generados, y nI es el total de puntos que caen en el área

definida por la integral, a medida que el número N crece, la relación:

nI /N ≈ I/A → I ≈ A (nI /N) (3-4)

tiende a la igualdad. Los ejercicios 1, 2, 3, 4 y 6 de este capítulo se resuelven utilizando

la teoría aquí explicada.

3.3.1 Generación de números aleatorio mediante la función de frecuencia acu-

mulativa. El uso de la función de frecuencia acumulada para generar números aleato-
rios es uno de los recursos más formidables de la simulación discreta.

Como ya sabemos, la frecuencia acumulativa calcula la probabilidad de que una varia-

ble x sea menor o igual a un valor dado X para una función de densidad f(x):

𝑝(𝑥 ≤ 𝑋) = ∑𝑥𝑖≤𝑋 𝑓(𝑥𝑖 ) (3-5)

La gráfica correspondiente a dicha frecuencia se obtiene, como se vio en el capítulo 2, a

partir de una tabla con valores obtenidos mediante la función f(xi). Para ilustrar lo an-
terior retomemos el ejemplo 2.11.

Ejemplo 3.3 La tabla de la figura 2.9 del capítulo 2 muestra los ingresos mensuales de
144 familias de un barrio dado. Se tomaron los datos con intervalos de $100.000. En la
figura (3.7) se reproduce la tabla y al lado se observa la gráfica correspondiente a la
frecuencia acumulada.
Ingresos Frec. Frec. Frec.
mensuales Abs. rel. acum.
0 0 0 0 Función acumulada
50000 5 0,035 0,035 ingresos
150000 15 0,104 0,139
250000 22 0,153 0,292 1
350000 25 0,174 0,465 0,8
450000 30 0,208 0,6740 0,6
550000 20 0,139 0,813 0,4
650000 15 0,104 0,917 0,2
750000 8 0,056 0,972
0
850000 3 0,021 0,993 0 500000 1000000
950000 1 0,007 1,000
144

Frecuencia acumulada a partir de datos empíricos

Fig. 3.7
 139

El eje de las ordenadas tendrá siempre una escala de 0 a 1, que contiene las probabili-
dades de que la variable, en nuestro caso los ingresos mensuales, sea menor o igual a
un valor dado. Por ejemplo, la probabilidad de que los ingresos de esta población sean
menores o iguales a 550.000 es de 0.813. En otras palabras el 81.3% de la población
tienen ingresos menores o iguales a 550.000 unidades monetarias.

Podemos ahora plantear la pregunta inversa. ¿Cuáles son los ingresos del 97.2% de la
población? De acuerdo con la tabla serán los iguales o inferiores a 750.000. ¿Y si pre-
guntáramos por el 85%? Esta pregunta requiere calcular valores interpolados.

De lo anterior podemos sospechar que si generamos números aleatorios U[0, 1), pode-
mos obtener números aleatorios de los ingresos de la población encuestada. En el nu-
meral 2.5.2 demostramos este teorema y resolvimos ejercicios para funciones continuas,
calculando el resultado de aplicar la definición:
𝑋
𝑃(𝑥 ≤ 𝑋) = 𝐹(𝑥) = ∫−∞ 𝑓(𝑥)𝑑𝑥 (3-6)

Para el caso de funciones continuas cuya función de frecuencia acumulativa no es ex-

presable en forma analítica, debemos recurrir a tablas de valores discretos de frecuen-
cias acumuladas como veremos más adelante.

A partir de la figura 3.8 podemos realizar el siguiente análisis. El número aleatorio

0.85 se encuentra en el intervalo [0.813, 0.917], al cual le corresponde el intervalo
[550000, 650000] de la variable “Ingresos mensuales”. Grafiquemos este intervalo.

rsup =0.917 R=(650000, 0.917)

ri=0.850 Q=(xi, ri) 0.917-0.813

0.850–0.813

rinf =0.813 P T S=(650000, 0.813)

=(550000,0.813) =(650000, 0.813)
xi ─ 550000

xinf xi xsup
=550000 =650000

650000-550000

Cálculo del valor de xi correspondiente al número aleatorio uniforme ri

Fig. 3.8
 140

De forma general ri = 0.85  [rinf, rsup], xi  [xinf, xsup], la variable a calcular.

El triángulo PRS es semejante con el triángulo PQT. Establezcamos las siguientes re-
laciones:
𝑅𝑆 𝑃𝑆 0.917−0.813 650000−550000
= → =
𝑄𝑇 𝑃𝑇 0.850−0.813 𝑥𝑖 −550000
650000−550000
𝑥𝑖 − 550000 = 0.917−0.813
(0.850 − 0.813)

Obsérvese que (650000-550000)/(0.917-0.813) = 100000/0.104 = 99999.896 es el inverso

de la pendiente (IP) de la recta PR. Por lo tanto:

𝑥𝑖 = (0.850 − 0.813) × 961538,46 + 550000 = 585576.92.

Al número aleatorio 0.850 le corresponde un ingreso de 585576.92.

A la tabla de la figura 3.7 se le agregará una nueva columna: el inverso de la pendiente.

Tenemos ahora una poderosa herramienta para generar ingresos de familias de la po-
blación estudiada, que sigan la distribución de densidad de probabilidad que dichos
ingresos posean.

La fórmula general es la siguiente:

𝑥𝑖 = (𝑟𝑖 − 𝑟𝑖𝑛𝑓 ) × 𝐼𝑃𝑖𝑛𝑓 + 𝑥𝑖𝑛𝑓 (3-7)

Ejemplo 3.4 Usando los siguientes números aleatorios: 0.4529, 0.0026, 0.9999, genere
tres resultados de una simulación de los ingresos de la población descrita en el ejemplo
3.3.

La tabla, incluyendo el inverso de la pendiente, es la de la figura 3.9.

El número aleatorio ri = 0.4529 está en el rango [0.292; 0.495]. Por lo tanto IPinf =
578034,68, xinf = 250000.

x1 = (0.4529 – 0.292)×578034,68 + 250000 = 343006.

Procediendo de manera similar con los otros dos números aleatorios tendremos que:

x2 = (0.0026 – 0)×1428571,43 + 0 = 3714.

x3 = (0.9999 – 0.993)× 14285714,29 + 850000 =948571.

Como vimos en el capítulo anterior, existe en Excel una fórmula que nos permite calcu-
lar los rangos inferiores a partir de una tabla similar a la de la figura 3.9. Se trata de:
 141

=BUSCARV(valor buscado; matriz de datos; no. columna) (3-8)

Ingresos Frec. Frec. Frec.

Inv. Pend.
mensuales Abs. rel. acum.
0 0 0 0 1428571,43
50000 5 0,035 0,035 961538,46
150000 15 0,104 0,139 653594,77
250000 22 0,153 0,292 578034,68
350000 25 0,174 0,465 478468,90
450000 30 0,208 0,674 719424,46
550000 20 0,139 0,813 961538,46
650000 15 0,104 0,917 1818181,82
750000 8 0,056 0,972 4761904,76
850000 3 0,021 0,993 14285714,29
950000 1 0,007 1,000
144

Tabla para calcular números aleatorios de ingresos

Fig. 3.9
Se fija un valor que se ajuste a los datos de la primera columna. El programa buscará
tal valor en la matriz que define los datos del problema. Si encuentra el número exacto,
entonces indicará el valor correspondiente en la columna indicada; de lo contrario irá
al valor inmediatamente inferior. Debemos aclarar que los valores de la primera co-
lumna deberán estar en estricto orden ascendente. Para nuestros cálculos debemos es-
cribir, en la primera columna, la función de frecuencia acumulada.
Ejemplo 3.5 Usando los siguientes números aleatorios: 0.4529, 0.0026, 0.9999, genere
tres resultados de una simulación de los ingresos en dinero de la población descrita en
el ejemplo 3.3 utilizando la función BUSCARV1.
La tabla de la figura 3.10 ilustra la solución a este problema.

La celda F4 corresponde a la fórmula de la ecuación (3-7): = (E4-G4)*H4+I4

La celda G4 es el valor del rango inferior correspondiente al número 0.4529, que se haya
en el rango [0.292, 0.465] de la primera columna, de la matriz $A$4:$C$14. Se calcula
mediante la expresión: G4 = BUSCARV(0.4529; $A$4:$C$14; 1). H4 tiene la ecuación:

1 Existen otros comandos: INDICE y COINCIDIR que, combinados permiten una programa-
ción más flexible, aunque no lo son para nuestro caso.
 142

=BUSCARV(E4;$A$4:$C$14;3)Es similar a la anterior, salvo que el valor a obtener se

encuentra en la columna 3. La cual nos da el valor del inverso de la pendiente.

El comando para hallar el valor del rango inferior de los ingresos es:
I4: =BUSCARV(E4;$A$4:$C$14;2)

A B C D E F G H I
1 Ejemplo 3.5
2
3 Frec. Ingresos Aleat.
Inv. Pend. Ingresos rinf Inv. Pend. xinf
acum. mens. ri
4 0 0 1428571,43 0,4529 343005,78 0,292 578034,68 250000
5 0,035 50000 961538,46 0,0026 3714,2857 0 1428571,4 0
6 0,139 150000 653594,77 0,9999 948571,43 0,993 14285714 850000
7 0,292 250000 578034,68
8 0,465 350000 478468,9
9 0,674 450000 719424,46
10 0,813 550000 961538,46
11 0,917 650000 1818181,82
12 0,972 750000 4761904,76
13 0,993 850000 14285714,3
14 1 950000

Tabla para resolver el ejemplo 3.5

Fig. 3.10
Nótese que estos valores están en la columna 2. Aunque ya suene repetitivo, el que
se pueda utilizar datos empíricos, una gran fortaleza de la simulación, no implica que
el conocimiento de las distribuciones teóricas no sea importante. Disponer de ellas per-
mite una generalización y flexibilidad que no es posible obtener cuando dependemos
totalmente de los datos. Como ya se indicó se ha encontrado varias distribuciones que
permiten, de forma muy aproximada, representar situaciones reales.

Así, la distribución normal permite englobar medidas tales como la estatura de las per-
sonas de una población y su peso entre otros. El comportamiento de una línea de espera,
uno de los procesos más descriptivos y generales (fabricación en línea, atención de clien-
tes), se modela mediante la distribución de Poisson. Los procesos de nacimiento sin
límite y los de muerte se pueden representar mediante la distribución exponencial. El
comportamiento de las llamadas telefónicas se puede modelar mediante la distribución
de Erlang. La distribución uniforme, aparte de su importancia para genera números
 143

aleatorios, se encuentra en la explicación de fenómenos de procesos repetitivos de dilu-

ción (reducción de la concentración de una sustancia química). Para el análisis de cali-
dad del aire y de la concentración de pesticidas en suelos agrícolas, se utilizan procesos
de Bernoulli. Podríamos seguir enumerando más distribuciones con sus aplicaciones.
Algunas de ellas han sido descritas en el apéndice B.

3.3.2 Generación de números aleatorios N(0, 1) utilizando la frecuencia acu-

mulada. En el capítulo anterior estudiamos la manera de generar números aleatorios
que siguieran una distribución normal de media 0 y varianza 1.

Aclaramos que la integral:

𝑧 1 2
𝐹(𝑧) = ∫−∞ 2𝜋
𝑒 −𝑧 𝑑𝑧 (3-9)
√

no posee una expresión analítica por lo que no es posible obtener fórmulas generales
para hallar valores aleatorios a la manera de, por ejemplo, la función acumulada de la
distribución exponencial como se indicó en la ecuación (2-28).

Por lo anterior se debe recurrir a procedimientos numéricos para calcular la expresión

(3-9). Las fórmulas de Newton-Cotes, la integración de Romberg, la cuadratura de
Gauss-Legendre son algunos de ellos.

La tabla de la figura (3.11) indica los valores calculados para valores de z en el rango
[─4.6, 4.6] de una distribución N(0,1).

Ejemplo 3.6 Usando los siguientes números aleatorios: 0.38678, 0.87041, 0.62912,
0.59293, 0.07754, genere cinco números aleatorios de una distribución normal con me-
dia 3 y desviación estándar 1.5, utilizando La tabla de la figura 3.11.
En esta tabla vemos como el número 0.38678 cae entre 0.34458 y 0.42074. Los valores
correspondientes son –0.4 y –0.2 con una pendiente inversa de 2.63. Por lo tanto:
z1 = (0.38678 – 0.34458)2.63 + (– 0.4) = –0.2891718.
De forma similar:
z2 = (0.87041 – 0.84134)4.59 + 1.00 = 1.1334313;
z3 = (0.62912 – 0.57926)2.63 + 0.20 = 0.3311318.
z4 = (0.59293 – 0.57926)2.63 + 0.20 = 0.2359521.
z5 = (0.07754 – 0.05480)7.71 – 1.60 = –1.4246746.
Estos valores corresponden a una normal N(0,1). Para que la media sea 3 y la desviación
estándar sea 1.5 los datos respectivos son:
x = z +  = –0.2891718  1.5 + 3 = 2.566242.
 144

= 1.1334313  1.5 + 3 = 4.700147.

= 0.3311318  1.5 + 3 = 0.496698.
= 0.2359521  1.5 + 3 = 3.353928.
= –1.4246746  1.5 + 3 = 0.862988.

F(z) z Inverso Pendiente F(z) z Inverso Pendiente

0,000000 -4,6 60604,492 0,579257 0,2 2,626
0,000003 -4,4 25210,521 0,655419 0,4 2,844
0,000011 -4,2 10913,771 0,725744 0,6 3,205
0,000030 -4,0 4916,813 0,788142 0,8 3,759
0,000070 -3,8 2305,198 0,841342 1,0 4,589
0,000157 -3,6 1124,730 0,884927 1,2 5,829
0,000335 -3,4 571,089 0,919240 1,4 7,705
0,000685 -3,2 301,769 0,945197 1,6 10,599
0,001348 -3,0 165,943 0,964066 1,8 15,174
0,002553 -2,8 94,964 0,977247 2,0 22,607
0,004667 -2.6 56,556 0,986093 2,2 35,051
0,008195 -2,4 35,051 0,991799 2,4 56,556
0,013901 -2,2 22,607 0,995336 2,6 94,964
0,022748 -2,0 15,174 0,997442 2,8 165,943
0,035928 -1,8 10,599 0,998647 3,0 301,769
0,054797 -1,6 7,705 0,999310 3,2 571,089
0,080754 -1,4 5,829 0,999660 3,4 1124,730
0,115067 -1,2 4,589 0,999838 3,6 2305,198
0,158653 -1,0 3,759 0,999924 3,8 4916,813
0,211853 -0,8 3,205 0,999965 4,0 10913,771
0,274251 -0,6 2,844 0,999983 4,2 25210,521
0,344576 -0,4 2,626 0,999991 4,4 60604,492
0,420738 -0,2 2,523 1.000000 4,6
0,499997 0,0 2,523

Función de frecuencia acumulada de la distribución N(0,1)

Fig. 3.11

Excel posee una serie de comandos que facilitan estos cálculos. La función:

=INV.NORM(Probabilidad; media; desv.estándar)

Nos calcula el valor de z, para un número aleatorio dado de una distribución de media
y desviación estándar dada. Con respecto a nuestro ejemplo:

=INV.NORM(0.38678; 3;1,5) = 2.56645026

 145

La diferencia en los decimales se debe a las aproximaciones que usan los algoritmos de
cálculo.

Ejemplo 3.7 Una explotación maderera debe decidir el número de árboles a talar por
mes. Se sabe que cada árbol talado tiene un costo de $45.000 y se vende a un precio de
$60.000. Cada árbol almacenado en los meses siguientes a su corte cuesta $1000/mes.
Los árboles no vendidos no pueden ser reemplazados por una venta posterior. Si repe-
tidamente la empresa no satisface la demanda, cada vez serán menos los compradores
que le harán pedidos. Esto se conoce como pérdida de “Goodwill” (reputación) y supon-
dremos que equivale a un “castigo” de $2.000/árbol. Inicialmente no hay ningún árbol
disponible en el inventario de almacén.

a) Si la demanda es de 100 árboles por mes, calcule Ud. el beneficio mensual de esta
empresa.
b) La demanda es de 100 árboles por mes, con una distribución uniforme, de media
100 y un rango de variación [95; 105].
c) La demanda promedio es de 100 árboles por mes, pero es aleatoria. Un estudio ha
demostrado que esta puede representarse mediante la tabla de la figura 3.12. Cal-
cule el beneficio mensual de esta empresa.

Demanda
probabilidad
mensual
95 0.05
98 0.15
100 0.70
105 0.10
Demanda mensual y probabilidad asociada
Figura 3.12
d) La demanda sigue una distribución N(100, 5).

a) Este ejercicio es sencillo. Talar menos de 100 árboles no permite cumplir con la
demanda, lo cual origina disminución de los beneficios en ($15.000+$2.000)/árbol.
Talar más, acrecentaría el número de árboles almacenados, afectando las ganan-
cias en $1.000/árbol. Por lo tanto, la política óptima es talar 100 árboles por mes, y
el beneficio mensual será de: 100($60.000−$45.000) = $1.500.000.

b) Como sigue una distribución uniforme, necesitaremos generar números aleatorios

uniformes en el rango [95; 105]. La figura 3.13 nos da un patrón para poder lograr
este propósito:
 146

95 96 97 98 99 100 101 102 103 104 105

0 1/11 2/11 3/11 4/11 5/11 6/11 7/11 8/11 9/11 10/11 1
Relación entre los números aleatorio uniformes [95,105] y [0, 1)
Figura 3.13
Dividamos este intervalo en 11 partes iguales. La siguiente figura nos indica los
números aleatorios en el rango [0, 1) que corresponderían a los valores de una tala
aleatoria uniforme. De acuerdo con este esquema si un número aleatorio uniforme
en el rango [0, 1) tiene un valor menor a 1/11 la demanda asignada será de 95 árbo-
les. Si el número cae en el rango [5/11, 6/11), la demanda generada será de 100
árboles. Esto implicaría el uso del comando IF THEN ELSE en forma anidada
lo que en ocasiones es engorroso (y poco elegante). Tan bien se puede utilizar la
frecuencia acumulada.
Utilizaremos el comando de Excel ALEATORIO.ENTRE(95;105) para calcular la
demanda. Este comando genera números aleatorio enteros y uniformes en el rango
[95, 105].

Consideremos el siguiente formato para la hoja electrónica. Comenzaremos con una

tala de 96, incrementando en un árbol la tala, hasta cubrir 105 árboles. La figura
3.14 muestra los resultados de algunas iteraciones para una tala de 99 árboles.

A B C D E F G
Ejemplo Tala men-
1
3.7 b) sual= 99
Costo. Al-
2 [$/árbol]
mac.= 1000
3 Costo Goodw.= 2000 [$/árbol]
4 Benef./árbol= 15000 [$/árbol]
5 Iterac. Inv. Demanda Sobran /Faltan Beneficio Benef.Prom.= $1.477.233
6 0 0 0 0 0
7 1 99 102 -3 $1.479.000
8 2 99 97 2 $1.453.000
9 3 101 97 4 $1.451.000
Primeras iteraciones de una empresa maderera.
Figura 3.14
Las fórmulas utilizadas para esta simulación se indican en la tabla de la figura 3.15.
 147

A B C D E F G
1 Ejemplo 3.7 b) Tala mensual= 99
2 Costo. Almac.= 1000 [$/árbol]
3 Costo Goodw.= 2000 [$/árbol]
4 Benef./árbol= 15000 [$/árbol]
Ite- Sobran Benef. =PROME-
5 Inv. Demanda Beneficio
rac. /Faltan Prom.= DIO (E7:E47)
6 0 0 0 0 0
=SI(D7>=0; $D$4*
=ALEATORIO.
7 =A6+1 =D1 =B7-C7 C7-D7*$D$2;
ETRE(95;105)
$D$4*B7+$D$3*D7)
=D1+ =SI(D8>=0; $D$4*
=ALEATORIO.
8 =A7+1 SI(D7>= =B8-C8 C8-D8*$D$2;
ETRE(95;105)
0; D7;0) $D$4*B8+$D$3*D8)
.. --- --- --- --- --- --- ---
=$F$1+ =SI(D47>=0; $D$4*
=A46+ SI(D46> =ALEATORIO. =B47- C47-D47*$D$2;
47
1 =0; ETRE(95;105) C47 $D$4*B47+$D$3*D47
D46;0) ))

Figura 3.15
Fórmulas utilizadas en la simulación de la explotación maderera
Para que los resultados de las diferentes simulaciones puedan compararse, se deben
generar los números aleatorios de la primera simulación, y dejar estos números
iguales para el resto de las simulaciones con el fin de tener una base aleatoria co-
mún. Esto se logra seleccionando la columna de los números generados y escogiendo
la opción “copiar” y, sobre los mismos datos, escoger “pegado especial” seleccionando
la opción “valores”. Las fórmulas quedan transformadas en valores de números alea-
torios que no cambian cuando se simulen nuevas talas. Para este ejemplo se hicieron
30 iteraciones por simulación.

Si repetimos el ejercicio para talas de 96, 98, 100, 102 árboles obtenemos los siguien-
tes resultados (ver tabla de la figura 3.16).

Vemos que hay un óptimo en 100. Esto concuerda con el promedio esperado de la
distribución uniforme. Sin embargo no en todas las corridas es 100 el mejor resul-
tado. Recordemos que la distribución uniforme definida en un rango [a, b] tiene una
media igual a (a+b)/2 y una varianza igual a (b – a)2/12. Para nuestro caso valen 100
y 8.333 respectivamente.
 148

Beneficio es-
Tala
perado
96 $ 1.412.000
97 $1.432.633
98 $1.465.133
100 $1.474.267
102 $1.457.900
Resultados del afinamiento del análisis económico de la empresa maderera.
Figura 3.16
c) Para este caso construyamos una tabla que nos permita utilizar la frecuencia acu-
mulada.

Frecuencia Demanda Inverso

acumulada mensual pendiente
0 95 40
0.05 97 6,67
0.20 98 2,86
0.90 100 50
1.00 105
Frecuencia acumulada para la tala de un bosque
Figura 3.17
La tabla de Excel correspondiente para este ejemplo con una tala de 99 árboles por
mes se ilustra en la figura 3.18.
 149

A B C D E F G H I J K L

1 Ejerc, Tala men-

99
3.7 c) sual=
2 Costo,
1000 [$/árbol]
Almac.=
3
Costo Frec. Dem. Inv.
2000 [$/árbol]
Goodw.= Acum Mens Pend
4 Benef./ár- 1500
[$/árbol] 0 95 40.00
bol= 0
5
Ite- Sobr Benef.
Inv. Demanda Beneficio Aleat. $1.479.091 0.05 97 6.67
rac. /Fal. Prom.=
6 0 0 0 0 0 0.20 98 2.86
7 1 99 99,0 0 $1.485.000 0,415725 0.9 100 50.00
8 2 99 99,0 0 $1.485.000 0,648481 1.0 105
9 3 99 98,0 -1 $1.469.000 0,327942
1
4 100 97,0 3 $1.452.000 0,048823
0

Simulación en Excel de la tala de un bosque, demanda empírica

Figura 3.18

Las fórmulas respectivas son (tabla de la figura 3.19):

A B C D E F
Ite- Sobran
5 Inv. Demanda Beneficio Aleat.
rac. /Faltan
8 0 0 1 0 0
=REDONDEAR((F7-BUS-
CARV(F7;$J$4:$L$7;1)) =SI(D7>=0;
=ALEA-
7 =A6+1 =B6+$D$1 *BUS- =B7-C7 $D$4*C7-D7*$D$2;
TORIO()
CARV(F7;$J$4:$L$7;3)+BUS $D$4*B7+$D$3*D7)
CARV(F7;$J$4:$L$7;2);0)
=REDONDEAR((F8-BUS-
=$D$1+ CARV(F8;$J$4:$L$7;1)) =SI(D8>=0;
=ALEA-
8 =A7+1 SI(D7>=0; *BUS- =B8-C8 $D$4*C8-D8*$D$2;
TORIO()
D7;0) CARV(F8;$J$4:$L$7;3)+BUS $D$4*B8+$D$3*D8)
CARV(F8;$J$4:$L$7;2);0)

Fórmulas de la simulación de la tabla 3-23

Figura 3.19
 150

d) El análisis se muestra en la tabla de la figura 3.20.

A B C D E F G H I
Ejemplo
1
3.7d)
2 Tala mens.= 99
3 Costo, Alm.= 1000 [$/árbol]
4 Costo Good.= 2000 [$/árbol]
5 Benef./árbol= 15000 [$/árbol]
Sob./
6 Iter. Inv. Dem. Beneficio Aleat. Ben. Pro= $1.477.980
Fal
7 0 0 0 0
8 1 99 109,0 -10 $ 1.465.000 0,965886
9 2 99 85,0 14 $ 1.261.000 0,001686
··· ··· ··· ··· ··· ···
55 99 110,0 -11 $ 1.463.000 0,979394
56 99 101,0 -2 $ 1.481.000 0,591448
57 99 99,0 0 $ 1.485.000 0,445001

Tala de bosque. Demanda N(100,5)

Fig. 3.20
Las ecuaciones de este modelo son:
D2=99 (tala); D3=1000 (costo almac.); D4=2000 (costo Goodwill);
D5=15000 (beneficio/árbol).
A9=A8+1; B9=$D$2+SI(E8>=0; E8;0).
B9=$D$2+SI(E8>=0; E8;0).
C9=REDONDEAR(INV.NORM(F9; 100; 5);0)
D9=B9-C9
E9=SI(D9>=0; $D$5*C9-D9*$D$3; $D$5*B9+$D$4*D9)

3.4 Simulación con incrementos variables de tiempo (simulación por eventos).

En la simulación por eventos, los cálculos se realizan en el momento en que uno de ellos
ocurre. Registrados los datos respectivos (actualización del modelo), se pasa al siguiente
evento en el instante en que la simulación indica que debe presentarse. La ventaja de
este procedimiento es que todos los eventos son registrados en el momento exacto en
que se llevan a cabo. La mayoría de los lenguajes existentes utilizan este procedimiento
 151

para realizar simulaciones2. Sabemos cuál evento va a suceder, en los casos aleatorios,
porque podemos utilizar números aleatorios y frecuencias acumuladas para “pronosti-
car” o “fijar” cuándo ocurrirá dicho evento. Las páginas que siguen nos explicarán cómo
lograr estas “¡predicciones del azar!”.

Como ya lo expusimos, el control del tiempo recibe el nombre de “reloj” de la simulación

y es el parámetro fundamental que permite analizar el modelo en su parte dinámica.

Los ejemplos clásicos de la simulación por eventos se dan en los fenómenos de espera o
formación de “colas”. Este es un ejemplo típico de un fenómeno que ocurre en un conti-
nuo (el tiempo) pero se presenta en forma discreta: una llegada, una salida, un servicio.

Antes de entrar en detalle sobre los fenómenos de espera, consideremos los siguientes
ejemplos que están relacionados con el uso de la función de frecuencia acumulativa.

Ejemplo 3.8. El tiempo promedio entre llegadas de los barcos en un puerto es de 6 horas
30 minutos. Estas llegadas siguen una distribución exponencial3. Simule los tiempos
entre llegadas de los cinco primeros. Utilice los siguientes números aleatorios: 0.43580,
0.76101, 0.26201, 0.00615, 0.85243. ¿En qué momento llega cada barco?

En el capítulo anterior dijimos que los tiempos que siguen una distribución exponencial
vienen dados por la expresión:

t = −(1/) ln ri (3-10)

λ es la tasa promedio de llegadas: llegadas por unidad de tiempo. 1/ λ es, por lo tanto
tiempo entre llegadas. Reemplazaremos 1/ λ por dicho tiempo.

Con los datos anteriores podemos decir que los tiempos entre llegadas a este puerto, de
acuerdo con (3-10) son:

t1 = − 390  ln (0.43580) = 324

t2 = − 390  ln (0.76101) = 107
t3 = − 390  ln (0.26201) = 522
t4 = − 390  ln (0.00615) = 1986
t5 = − 390  ln (0.85243) = 62
Por lo tanto, los tiempos de llegada, si iniciamos en t = 0 serán:

2 Tal es el caso, en sus inicios, de los lenguajes SIMSCRIPT, GPSS, SIMULA, GASP etc. Actual-
mente se utiliza Matlab, Simulink, SimEvents etc.
3 Como veremos más adelante, esto implica que los tiempos entre llegadas son completamente

aleatorios.
 152

Primera llegada a los 324 minutos; la segunda llegada ocurrirán en el minuto 324+107
= 431; la tercera llegada será a los 431+522 = 953 minutos, etc.

Ejemplo 3.9 En un puerto pequeño las embarcaciones son descargadas una por una. Si
una embarcación llega y otra está siendo atendida, la embarcación debe esperar (“hacer
cola”). En caso de que varias tengan que esperar se atienden de acuerdo al orden de
llegada. Los tiempos de descarga varían aleatoriamente. Una observación suficiente-
mente larga ha permitido establecer la tabla de la figura 3.21 (se incluye la función de
distribución acumulada y el inverso de las pendientes).

Tiempo de
Frecuencia Inverso
descarga F(x)
relativa pendiente
(min)
0 0 0 660
330 0.50 0.50 266.7
410 0.30 0.80 933.3
550 0.15 0.95 1000
600 0.05 1.00

Tiempos promedio de descarga de los barcos en un puerto.

Figura 3.21

Estos datos significan que, por ejemplo, la mitad de las veces (0.50 de los barcos que
llegan) el tiempo de descarga, en promedio, es de 330 minutos; el 5% de las veces este
tiempo promedio es de 600 minutos, etc. Por otra parte, el 80% de los barcos tardan, en
ser descargados, 410 minutos o menos.

Utilizando los números aleatorios: 0.61, 0.96, 0.58, 0.04, 0.94 obtendremos los tiempos
de descarga (tiempos de servicio) de los primeros cinco barcos (recordar la ecuación
(3-7) que se indican en la figura 3.22.

Barco Tiempo de servicio

1 =(0,61-0,50)*266,7+330=359
2 =(0,96-0,95)*1000+550=560
3 =(0,58-0,50)*266,7+330=351
4 =(0,04-0)*660+0=26
5 =(0,94-0,80)*933,3+410=541

Simulación de los tiempos de descarga en el puerto (5 llegadas)

Figura 3.22
 153

Ejemplo 3.10 En un puerto pequeño, en el cual los barcos deben ser atendidos uno solo
por vez, los tiempos de llegada son aleatorios como en el ejemplo 3.8 y los tiempos de
servicio se han encontrado que tiene los valores indicados en la figura 3.21. Simule Ud.
el comportamiento del puerto con la llegada de los 10 primeros barcos.

Sabemos que los barcos llegan aleatoriamente con un tiempo entre llegadas promedio
igual a 390 minutos. En este ejemplo se calcularon los tiempos entre llegadas de los
primeros cinco barcos. Estos son, en su orden: 324, 107, 522, 1986 y 62 en minutos.Ana-
licemos la llegada y salida de los barcos de acuerdo con los datos indicados.

El primer evento es la llegada del primer barco, a los 324 minutos (a partir de la hora
0 de referencia). Como el tiempo que dura su descarga es de 359 minutos, el evento
siguiente será el tiempo de salida de este barco a los 324+359=683 minutos. El próximo
evento es la llegada del segundo barco a los 324+107=431 minutos. Como este tiempo
es inferior al de la salida, 683, el barco tendrá que esperar 252 minutos. Nótese que en
este caso el máximo entre el tiempo de salida del barco anterior, 683, y el tiempo de
llegada de este barco, 431, es 683, por lo que el barco 2 deberá esperar para poder ser
atendido. El barco es atendido en el minuto 683 y su tiempo de servicio es de 560, por
lo que saldrá en el minuto 683+560=1243. El tercer barco llega en el minuto
431+522=953. Como el puerto está ocupado atendiendo al barco 2, le toca esperar 1243-
953=290 minutos. El barco 4 llega en el minuto 2939 y el barco 3 salió en el minuto
1594: max(1594, 2939) = 2939; este barco es atendido inmediatamente. No tiene que
esperar. Y así sucesivamente. La figura 3.23 ilustra gráficamente el análisis hecho.

La nomenclatura es la siguiente:

107 522

L1 L2 252 L3 290 L4 L5

0 324 431 683 953 1243 2939 3001

683 1243 1594 2965 3542

0 324+359 683+560 1243+351

S1=359 S2=560 S3=351
P1 P2 P3 P4 P5

Relación entre los tiempos de llegada y los de salida de los barcos.

Figura 3.23

Ln: tiempo de llegada del barco (cliente) n.

Sn: tiempo de servicio del barco (cliente) n.
Pn: tiempo de partida del barco (cliente) n.
 154

Podemos establecer la siguiente fórmula [Sheldon R. 2013, p.4]:

Pn = Sn + Max(Ln, Pn-1) (3-11)
Para la simulación por eventos construyamos una tabla como la indicada en la figura
3.24. Utilizaremos la fórmula de la ecuación (3-11). Simulemos la llegada de los 10 pri-
meros barcos. Es claro que los tiempos calculados en esta hoja, por ser aleatorios, son
diferentes a los utilizados como ilustración del procedimiento.
A B C D E F G H I J K
1 Ejemplo 3.10

2 Tiempo de servicio
Tiemp
T. entre T. lle- T. T. sa- Aleat. Aleat. o de Inv.
3 Iterac. Barco F(x)
llegadas gada serv. lida Lleg. Serv. desc. pend.
(min)
4 0 0,0 0,0 0,0 0 0 660

5 1 1 324,0 324,0 359,0 683,0 0,43580 0,61 0,5 330 266,7

6 2 2 107,0 431,0 560,0 1243,0 0,76101 0,96 0,8 410 933,3

7 3 3 522,0 953,0 351,0 1594,0 0,26201 0,58 0,95 550 1000

8 4 4 1986,0 2939,0 26,0 2965,0 0,00615 0,04 1 600

Simulación por eventos, de un puerto

Figura 3.24

La tabla de la figura 3.25 muestra, en Excel, los cálculos respectivos correspondientes

a la figura 3.24.

3.5 Nociones básicas sobre teoría de colas. Una “cola” o línea de espera es un fenó-
meno común en la vida cotidiana. Se caracteriza por tener uno o varios servidores que
atienden a personas, objetos o flujos de información. Algunos esquemas típicos de colas
se ilustran en la figura 3.26. Son ejemplos de estos fenómenos de espera:

• Las personas que esperan pagar sus compras a la salida de un supermercado.

• Las personas que esperan ser despachadas por un cajero en un banco.

• Cuando queremos llenar el tanque de gasolina de nuestro vehículo.

• Los “Call centers” que reciben llamadas para ser atendidas.

• Los automóviles que deben ser reparados en un gran taller.

Los aviones que esperan que les den permiso de aterrizaje en una pista dada de un gran
aeropuerto.
 155

A B C D E F
1 Ejemplo 3.10
2

Ite- T. entre
3 B/co T. lleg. T. servicio T. salida
rac. llegadas

4 0 0 0
=REDONDEAR((H5-BUS-
=REDONDEAR CARV(H5;$I$4:$K$8;1)) * BUSCARV
5 =A4+1 1 =D4+C5 =E5+MAX(C5;F4)
(-390*LN(G5);0) (H5;$I$4:$K$8;3) +BUS-
CARV(H5;$I$4:$K$8;2);0)
=REDONDEAR((H6-BUS-
=REDONDEAR CARV(H6;$I$4:$K$8;1)) *BUS-
6 =A5+1 =B5+1 =D5+C6 =E6+MAX(C6;F5)
(-390*LN(G6);0) CARV(H6;$I$4:$K$8;3)+
BUSCARV(H6;$I$4:$K$8;2);0)
=REDONDEAR((H7-BUS-
=REDONDEAR CARV(H7;$I$4:$K$8;1)) *BUS-
7 =A6+1 =B6+1 =D6+C7 =E7+MAX(C7;F6)
(-390*LN(G7);0) CARV(H7;$I$4:$K$8;3)+BUS-
CARV(H7;$I$4:$K$8;2);0)
=REDONDEAR((H8-BUS-
=REDONDEAR CARV(H8;$I$4:$K$8;1)) *BUS-
8 =A7+1 =B7+1 =D7+C8 =E8+MAX(C8;F7)
(-390*LN(G8);0) CARV(H8;$I$4:$K$8;3)+BUS-
CARV(H8;$I$4:$K$8;2);0)

Ecuaciones utilizadas en la simulación del puerto.

Figura 3.25

Lo interesante en este tipo de estudio es que, a pesar de la aparente diversidad de he-

chos que puede analizar, existen estructuras genéricas que pueden describirlos. Todas
tienen un patrón común.

Desde un punto de vista teórico el tema requeriría cientos de páginas para tener una
idea de la enorme cantidad de fenómenos y tipos de colas que existen en el mundo real.

Nuestro interés es lograr una descripción general, sencilla, que sirva de base para com-
prender muchos fenómenos relacionados con la simulación discreta y este tipo de líneas
de espera.

3.5.1 Taxonomía de las líneas de espera. Una línea de espera se describe mediante
un proceso de llegada (una entrada o input) de los clientes que son originados en una
fuente de entrada, una disciplina de la cola (las reglas que rigen a la llegada del sis-
tema) y un mecanismo de servicio (las reglas que rigen al servicio). Este sería el patrón
de una línea de espera.

3.5.1.1 Disciplina de la cola. Se refiere al orden en el cual los elementos que entran
al sistema (personas o cosas, como clientes, piezas de un proceso productivo o informa-
ción por ejemplo) serán servidos. El tiempo de espera y el de servicio también forman
parte del transcurso de una línea de espera. Estos serían los procesos.
 156

Clientes
Entrada Servidores
(cola)

S Una fila, un servidor

S1

S2

Una fila por servidor

Varios servidores

Sn

S1

S2 Una fila
. Varios servidores
.
.
.

Sn

Clientes Servidor Clientes Servidor

(cola 1) 1 (cola n) n
Servidores
S1 … Sn secuenciales

Ilustración de algunos tipos de líneas de espera

Fig. 3.26

Una disciplina muy común es “Primero que entra, primero que sale” (PEPS o FIFO en
inglés: First In, First Out). Por ejemplo en una taquilla para comprar el boleto para
entrar a la sala de cine.
 157

Otra es “Último que entra, primero que sale” (UEPS o LIFO: Last In First Out), como
es el caso en las salidas de un ascensor cuando lo toman en un primer piso y el ascensor
va directamente a un piso específico superior. También puede ser aleatoria, como en el
caso de preguntas que hace el profesor a sus estudiantes; o prioritaria: “mujeres y niños
primero”, “la tercera edad tiene prioridad”.

Igualmente puede ocurrir que quien espera sea impaciente y abandone la cola antes de
ser atendido.

Es importante aclarar que en la mayoría de los modelos la fuente de entrada se consi-

dera infinita así como la posibilidad de que la longitud de la cola también lo sea. En
caso contrario estas serán finitas según cada caso, lo cual dificulta los cálculos requi-
riéndose modelos más sofisticados. Por facilidad, si la capacidad de esta fuente es
grande, comparada con el funcionamiento normal del sistema, es decir, si no se forman
colas muy extensas, entonces se utilizan los modelos que suponen tal capacidad como
infinita. Por otra parte si la cola puede crecer tanto como sea necesaria, se considerará
infinita; en caso contrario, esta será de longitud finita.

3.5.1.2 Mecanismos de servicio. Nos referimos a las especificaciones del tiempo de

servicio, al número de servidores y al número de elementos que pueden ser atendidos
por cada servidor. En una tienda de calzado, se atiende un cliente por servidor. En un
restaurante un servidor atiende varios clientes simultáneamente. Los servicios pueden
ser uniformes, con es el caso de una máquina que procesa una pieza en forma automá-
tica, en un tiempo determinado. O aleatorio, como es común en el pago de los supermer-
cados. En el caso de un ascensor la palabra “servir” significa entrar o salir del ascensor;
para una pista de aterrizaje el tiempo de servicio será el tiempo que la nave ocupa la
pista durante el proceso de aproximación y aterrizaje hasta que la abandone para ir a
su sitio de estacionamiento.

Para calcular los tiempos de servicio se pueden analizar varios tipos de distribuciones
de probabilidad que logren describir el proceso de atención al cliente, como veremos
luego. Por otra parte las colas pueden estar en serie, algo muy común en los procesos
industriales: la unidad que es servida, pasa a otra cola para continuar su proceso pro-
ductivo.

Las líneas de espera pueden ser múltiples, o una sola; para el caso de los servidores
también puede existir un solo servidor o múltiples servidores. Estamos hablando de la
estructura de las líneas de espera. Estos casos se pueden combinar. Por ejemplo, una
sola línea de espera y varios servidores; quien está en la cola se dirigirá al primer ser-
vidor que esté desocupado. Por otro lado, podrían existir varios servidores, cada uno con
una línea de espera específica. Un solo servidor puede estar compuesto por un grupo de
 158

personas o máquinas que llevan a cabo una función común. Remitimos al lector a la
figura 3.26.

3.5.2 Elementos cuantificables en las líneas de espera. Consideremos por sepa-

rado cada una de los componentes descritas en la taxonomía anteriormente discutida.

3.5.2.1 Entrada de los elementos al sistema. Llegadas al azar. En un fenómeno de

espera se dice que las llegadas son al azar cuando una llegada puede ocurrir en cual-
quier momento; más concretamente, cuando el tiempo que un elemento tarda en llegar
al sistema es independiente de la llegada de cualquier otro elemento. Expresamos ma-
temáticamente este hecho diciendo que la probabilidad de llegada en un intervalo de
tiempo t es proporcional a dicho intervalo. Más aún, en el intervalo t sólo es posible
que ocurra una llegada. Si el número medio de llegadas al sistema es , la probabilidad
de una llegada será t. Es posible demostrar que, bajo estos supuestos, los tiempos
entre llegadas siguen una distribución exponencial. Decimos que el proceso de llegada
es estacionario (homogéneo) y sin memoria. La figura 3.27 explica estos dos conceptos:
el tiempo de llegada y el tiempo entre llegadas.

t0 t1 t2 t3 tn-1 tn
Tiempos de
Tiempo entre llegadas
llegadas

Figura 3.27
Tiempos entre llegadas exponenciales
Las llegadas al azar tienen la importancia de permitir el peor comportamiento, en
cuanto a tiempos de espera en la cola y de servicio en el sistema, de un fenómeno de
espera, por lo que sirve como punto de comparación para otros tipos de llegadas.

La función de densidad de probabilidad de la duración del tiempo entre llegadas al azar

es la función exponencial:

f(t) =  e−λt , t  0. (3-12)

Es decir, una distribución exponencial negativa, con media = 1/λ, y varianza 1/λ2.

Por otra parte si las llegadas son al azar, entonces la probabilidad de que lleguen n
elementos en un intervalo de tiempo T sigue una distribución de Poisson:

𝑝[𝑛 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑒𝑛 𝑢𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑇]=(𝜆𝑇)𝑛 𝑒 −𝜆𝑇 /𝑛! n=0,1,2,... (3-13)

Tenemos que: E[n/T] = λT y Var[n/T] = λT.

 159

Lo anterior implica que si en un proceso llegan 6 unidades por hora ( = 6), y queremos
conocer cuál es la probabilidad de que ocurran 3 llegadas en un intervalo de 2 horas,
entonces utilizaremos la fórmula (3-13) con T = 6×2 = 12.

Estos procesos también se conocen como Markovianos. De nuevo, esto implica que la
llegada entre dos elementos cualesquiera es independiente la una de la otra. Esta dis-
tribución es de amplio uso en estadística y de valiosa ayuda en simulación.

Debemos insistir que si el tiempo entre llegadas es exponencial, la llegada de los ele-
mentos sigue una distribución de Poisson.

En resumen el parámetro básico en este caso es el tiempo promedio de llegada por uni-
dad de tiempo, λ:

λ = tasa de llegada por unidad de tiempo

y por lo tanto:

1/λ = Ta, tiempo medio entre llegadas.

Ejemplo 3.11 A una peluquería llegan, en forma aleatoria, en promedio 5 personas cada
hora. La probabilidad de que durante una hora lleguen 2 personas es, de acuerdo con
(3-12):

P(2) = (51)2 e−5×1/2! = 0.0842. (3-14)

¿Qué nos dice la intuición al respecto?

En el capítulo 2 numeral 2.6.1 vimos cómo se generan las llegadas al azar.

3.5.2.2 Distribución aleatoria de los tiempos de servicio. Es un caso similar al de los

tiempos entre llegadas. Supondremos que un servidor sólo atiende un cliente a la vez.
No consideraremos llegadas en bloque, aunque tales modelos existen. Si los tiempos de
servicio sucesivos son independientes e idénticamente distribuidos y son descritos por
una función de densidad continua entonces, si g(t) es la función de densidad de la lon-
gitud del tiempo t para servir a cualquier cliente, en donde t ≥ 0 y además:
∞
tiempo medio de servicio = ∫0 𝑡𝑔(𝑡)𝑑𝑡 ≡ 1/𝜇 (3-15)

tendremos que:

μ = tasa de servicio por unidad de tiempo que el servidor está ocupado.

De manera similar a los tiempos entre llegadas, si la unidad de tiempo es la hora y

μ = 5 servicios por hora durante los cuales el servidor está ocupado, entonces el tiempo
 160

promedio de servicio 1/μ es 1/5 de hora (0.2 horas, 12 minutos). Similarmente si un

servicio requiere media hora para llevarse a cabo, entonces la tasa de servicio, μ, es de
2 por hora el intervalo de tiempo en el que el servidor está ocupado. De nuevo el caso
extremo se presenta cuando la distribución del tiempo de servicio es exponencial:

𝑔(𝑡) = 𝜇𝑒 −𝜇𝑡 , 𝑡 ≥ 0. (3-16)

Hay una notación universal para describir los fenómenos de espera (notación de Ken-
dall). Para diversos tipos de distribución de probabilides se utiliza la siguiente notación:

M : Llegadas Poisson (tiempos entre llegadas exponencial), servicio exponencial.

(M por Markoviano).
D : Tiempos entre llegadas o de servicio determinados (constantes, regulares).
EK: Distribucion Erlang de orden K para los tiempos entre llegadas o de servicio.
GI: distribución independiente general de tiempos entre llegadas.
G : distribución general de los tiempos de servicio.

La forma general de describir un tipo dado de línea de espera es:

v/w/x/y/z

v: Distrib. Tiempo entre llegadas; w: Distrib. Tiempo servicio; x: Número servidores;

y: capacidad del sistema; z: disciplina de la cola.

Así M/D/2/3/FIFO es una cola con llegada aleatoria, tiempo de servicio determinado,
con 2 servidores con capacidad de máximo 3 unidades cada uno y primero que llega,
primero que sale. Se debe especificar el tiempo promedio entre llegadas y el tiempo
promedio de servicio. Cuando la capacidad es infinita se elimina el valor de y y si la
disciplina es FIFO esta no se indica.

3.5.3 Resume de algunos fenómenos de espera y sus elementos cuantificables.

La figura 3.28 ilustra diversos tipos de fenómenos de espera y los valores teóricos para
conocer las estadísticas fundamentales. La nomenclatura es la siguiente:

a) La probabilidad de que no haya ningún cliente (unidad) en el sistema: P0.

b) La probabilidad de que haya n unidades en el sistema: Pn.
c) Número de clientes en el sistema: L.
d) Número de clientes en la cola: Lq.
e) Tiempo que demora un cliente en el sistema: W.
f) Tiempo que demora un cliente en la cola: Wq.
 161

g) 𝜌 = λ/μ. Factor de utilización o intensidad de tráfico. Si 𝜌 > 1 la tasa de llegada

supera a la de servicio y la cola aumenta sin límite.

Es importante anotar que sin importar el tipo de cola de que se trate, las siguientes
ecuaciones se cumplen siempre:

L = λW, Lq = λWq, W = wq + 1/μ (3-17)

Este tipo de simulación es muy común para el estudio de procesos industriales. Debido
a la complejidad de los mismos es casi imposible simular tales procesos con una hoja
Excel. Para ello existen programas especializados tales como Arena y Promodel por sólo
citar dos. En el siguiente capítulo estudiaremos las bases del software Promodel para
analizar este tipo de situaciones.

Debemos aclarar que los valores teóricos obtenidos se refieren a cuando el sistema está
estable. En los inicios de los fenómenos de espera, el comportamiento de la cola es va-
riable; sólo después de un tiempo este proceso se estabiliza; es el período de calenta-
miento del modelo. Los cálculos y fórmulas aquí consignadas se refieren al período de
estabilidad. Recordemos lo indicado r respecto a la validación y verificación.

Observe que en los casos indicados en la figura 3.28 todas las llegadas son Poisson y
existen fórmulas para distribuciones de servicio diferentes a la exponencial. Cuando las
llegadas no son Poisson y los servicios son exponenciales, los modelos son más complejos
y están fuera del alcance de los objetivos de este texto. Igual observación si las llegadas
y los servicios no son exponenciales. Sin embargo varios de esos modelos pueden estu-
diarse utilizando Promodel como lo veremos posteriormente.

En resumen. Muchos procesos pueden modelarse si identificamos los servicios, sus

tiempos de servicio, las llegadas de los elementos a dicho servicio (disciplina y tiempos
entre llegadas) y la forma en que se interrelacionan.

Ejemplo 3.19 En un taller de reparación de aparatos electrónicos pequeños, con daños

relativamente fáciles de reparar, hay un solo técnico. Al taller llegan, en promedio, 3
clientes por hora. El tiempo promedio de reparación es de 4 aparatos por hora. Las
llegadas son al azar y los tiempos de reparación son exponenciales. Utilice las fórmulas
pertinentes figura 3.28.

a) ¿Cuál es el tiempo durante el cual el taller se encuentra vacío (tiempo que puede
dedicar a arreglar los aparatos)?
b) ¿Cuál es la probabilidad de que dos clientes estén en la tienda?
c) ¿Cuál es la probabilidad de que al menos dos clientes estén en la tienda?
d) ¿Cuál es el número promedio de clientes esperando ser atendidos?
 162

e) ¿Cuál es el tiempo promedio de espera en el sistema (los que esperan y los que están
siendo atendidos)?
La cola es del tipo (M/M/1). Tenemos que λ = 3 [cl/h], μ = 4 [cl/h].

Es importante hacer notar que el valor de ρ = λ/μ = ¾ < 1 lo cual indica que la línea de
espera no “explotará”.
𝜆
a) 𝑝(0) = 1 − 𝜇 = 1 − 3/4= 0.25.
𝜆 2
b) 𝑝(2) = 𝑝(0) (𝜇) = 0.25 × 0.752 = 0.141.
c) 𝑝(1) = 0.25 × 0.75 = 0.1875. 𝑝( 2) = 1 − (0.25 + 0.1875) = 0.5625.
𝜆2 9
d) 𝐿𝑞 = = 4(4−3) = 2.25.
𝜇(𝜇−𝜆)
1 1
e) 𝑊 = = 4−3 = 1 hora.
(𝜇−𝜆)
f) Como ya lo dijimos, los análisis de los fenómenos de espera, nos dan a menudo ¡re-
sultados inesperados! Nos referimos principalmente a los literales d) y e).

Ejemplo 3.20 Un banco tiene que decidir si coloca a sus 5 cajeros en cajas individuales,
de manera que cada cliente tenga que hacer cola en una línea de espera específica. La
otra opción es colocar las 5 cajas una al lado de la otra y hacer que las personas hagan
una sola cola, de tal manera que el que siga en el turno escoja el primer cajero que
quede libre. Al banco entran 40 clientes por hora en forma aleatoria y cada cajero tarda,
en promedio, 5 minutos en atender a cada cliente. Este tiempo es aleatorio y sigue una
distribución de Poisson.

Las fórmulas a utilizar, para el caso de s servidores con s colas, las indicaremos en lo
que sigue (literal b) ya que no forman parte del formulario de la figura 3.28.

a) Caso s servidores con s colas. Es un caso de un servidor y una cola, aplicado a los 5
cajeros. Para este caso λ = 40/5 = 8 clientes/hora por cajero, μ = 12 clientes/hora (que
equivalen a 5 minutos por cliente).
𝜆 8 1
El tiempo promedio de espera en la cola es: 𝑊𝑞 = 𝜇(𝜇−𝜆) = 12(12−8) = 6 hora = 10 min. por
cada cajero. Es decir, cada cliente que llega debe esperar, en promedio, 10 minutos an-
tes de ser atendido.

b) Caso s servidores, una sola cola. Las fórmulas para este tipo de sistema son:
 163

𝜆 𝑛
(𝜇)
𝜆 𝑠
𝑛!
𝑝0 , 𝑠𝑖 0 ≤ 𝑛 ≤ 𝑠 𝑝0 ( ) 𝜌 𝐿𝑞 1
M/M/s: 𝑝𝑛 = 𝜆 𝑛
𝜇
, 𝐿𝑞 = 𝑠!(1−𝜚)2 , 𝑊𝑞 = 𝜆
, 𝑊 = 𝑊𝑞 + 𝜇 ,
( )
𝜇
𝑠!𝑠𝑛−𝑠
𝑝0 , 𝑠𝑖 𝑛 > 𝑠

(3-18)
1 𝜆 1
𝐿 = 𝜆 (𝑊𝑞 + ) = 𝐿𝑞 + , 𝑝0 = .
𝜇 𝜇 (𝜆⁄𝜇 )𝑛 (𝜆⁄𝜇 )𝑠 1
[∑𝑠−1
𝑛=0 𝑛! + 𝑠! ]
1 − (𝜆⁄𝑠𝜇)

En estas ecuaciones ρ = λ/sμ.

Por lo tanto:
1
𝑝0 = 𝑛
(𝜆 ⁄𝜇 ) (𝜆 ⁄𝜇 )𝑠 1
[∑𝑠−1
𝑛=0 𝑛! + 𝑠! 1 − (𝜆⁄𝑠𝜇)]
1
= 0 1 3 42 5
(40⁄12) (40⁄12) (40⁄12) (40⁄12) (40⁄12) (40⁄12) 1
0! + 1! + 2! + 3! + 4! + × 40
5!
1−( )
5 × 12
= 0.032

𝜆 𝑠 40 5 40
𝑝0 ( ) 𝜌 0.032( ) ( ) 𝜆 40
𝜇
𝐿𝑞 = 𝑠!(1−𝜚)2 = 12
40
5×12
2 = 0.6533, 𝐿 = 𝐿𝑞 + 𝜇 = 0.6533 + 12
= 3.987 clientes.
5!(1− )
5×12

𝐿𝑞 0.6533
𝑊𝑞 = = = 0.01633 horas, que es 1 minuto. Una enorme diferencia con respecto
𝜆 40
a los 10 minutos de las 5 colas independientes.

3.6 Confiabilidad de los números aleatorios. Como vimos en el capítulo anterior,

poseemos las herramientas que nos permite dar respuesta a esta pregunta.

Utilizando las pruebas de hipótesis es posible analizar si una serie de datos, sigue una
distribución dada. Para el caso de los números aleatorios, veamos el siguiente ejemplo.
Remitimos el lector al apéndice A.2.12 para recordar algunas ideas al respecto.
 164

Variable
Tipo
P0 Pn L Lq W Wq
𝜆 𝜆 𝑛 𝜆 𝜆2 1 𝜆
M/M/1 1−
𝜇
𝑃0 ( )
𝜇 𝜇−𝜆 (𝜇(𝜇 − 𝜆)) (𝜇 − 𝜆) (𝜇(𝜇 − 𝜆))
(𝜆2 𝜎 2 + 𝜌2 ) 1 𝐿𝑞
M/G/1 1−𝜌 No definida 𝜌 + 𝐿𝑞
(2(1 − 𝜌))
𝑊𝑞 +
𝜇 𝜆
𝜌2 1 𝐿𝑞
M/D/1 1−𝜌 No definida 𝜌 + 𝐿𝑞
2(1 − 𝜌)
𝑊𝑞 +
𝜇 𝜆
1+𝐾 𝜆2 1 1+𝐾 𝜆2
M/EK/1 1−𝜌 No definida 𝜌 + 𝐿𝑞 [
2𝐾
][
(𝜇 − 𝜆)𝜇
] 𝑊𝑞 +
𝜇
[
2𝐾
][
(𝜇 − 𝜆)𝜇
]

1−𝜌 𝜌 (𝑚 + 1)𝜌𝑚+1
M/M/1/m 1 − 𝜌𝑚+1
𝑃0 × 𝜌 × 𝑚
1−𝜌
−
1 − 𝜌𝑚+1

(𝑠𝜌)𝑛
𝑠 2 𝜌𝑠+1 (1−𝜌𝑚−𝑠 ) (𝑠𝜌)𝑛 −1 𝑝0 𝑛 = 1,2, … , 𝑠
[ + ∑𝑠𝑛=0 ] 𝜌≠1 𝑛!
𝑠 2 𝜌𝑠+1
M/M/s/m: 𝑃0 =
𝑠!(1−𝜌) 𝑛!
−1
𝑃𝑛 = 𝑠 2 𝜌𝑛
𝑝0 𝑛 = 𝑠 + 1, … , 𝑚 𝐿𝑞 =
𝑠!(1−𝜌)2
[1 − 𝜌𝑚−𝑠 − (1 − 𝜌)(𝑚 − 𝑠)𝜌𝑚−𝑠 ]𝑃0
𝑠2 𝑠𝑛
[ (𝑚 − 𝑠) + ∑𝑠𝑛=0 ] 𝜌=1 𝑠!
𝑠! 𝑛! 0 𝑛 = 𝑚 + 1, 𝑚 + 2, . .

En el caso M/M/s/m la capacidad es finita (máximo m clientes), hay s servidores que no dependen del estado del sistema,
independientes entre sí y con la misma distribución exponencial. Como en este tipo de colas la capacidad del sistema debe
λ n = 0,1,..., m − 1 𝑛𝜇 𝑛 = 0,1, … , 𝑠
ser al menos igual al número de servidores, s ≤ m. En este sistema: λn = 𝜇𝑛 =
0 n = m, m + 1... 𝑠𝜇 𝑛 = 𝑠 + 1, 𝑠 + 2, …

Algunos tipos de líneas de espera

Fig. 3.28
 165

Ejemplo 3.23 Genere en Excel 54 números aleatorios en el rango [3, 20]. Indique si
tales números pueden considerarse aleatorios uniformes en el rango indicado, con
un nivel de confianza del 95%. Utilice:
a) La prueba ji-cuadrada.
b) La prueba Kolmogorov-Smirnov.
En las columnas A a F de la figura 3.29 se muestran los cálculos para la prueba ji-
cuadrada. En las columnas H a L las de Kolmogorov-Smirnov.

Para la prueba Ji-cuadrada las ecuaciones utilizadas son:

B6: =ALEATORIO.ENTRE(3;20); B60: =CONTAR(B6:B59)

C24 = CONTAR(C6:C23); D6: =CONTAR.SI($B$6:$B$59;C6);
E6: = $B$60/$C$24; F6 =(D6-E6)^2/E6;
F26: =INV.CHICUAD(0,95;17).
𝜒𝑐2 = INV. CHICUAD(0,95; 17) =27.58 > 23.67. La hipótesis no se rechaza.

b) Kolmogorov-Smirnov.

El valor D18, 0.95 = 0.278 para la prueba Kolmogorov-Smirnov se toma de la tabla al

final del apéndice A.

Las fórmulas utilizadas son las siguientes (se ha utilizado las columnas A, B, C, D y
E de la tabla Ji-cuadrada por ser cálculos comunes:

B6: =ALEATORIO.ENTRE(3;20); B60: =CONTAR(B6:B59);

H6 = D6: =CONTAR.SI($B$6:$B$60;C6); I6 = H6/$B$60; J6 = I6; J7=J6+I6;
K6 = E6/$B$60; K7 = K6 + E7/$B$60; L6=ABS(K6-J6);
L24 = MAX(L6:L23); D25 = 0.278.

Como D(18,9,5%) = 0,278 > 0,074 la hipótesis se acepta.

Ambas pruebas aceptan, con un 95% de confiabilidad que los números aleatorios
enteros entre 3 y 20, generados por el computador, siguen una distribución uni-
forme.

Con lo desarrollado hasta ahora queda claro que no es necesario conocer la distribu-
ción teórica de un proceso cuando se tiene datos empíricos. Sin embargo, no es menos
cierto que para el caso de algunas distribuciones de probabilidad este conocimiento
aporta una valiosa información que no es posible obtener sólo de los datos empíricos.
Se hace, pues, necesario, cuando sea posible, postular una distribución teórica dada
y demostrar que tal hipótesis puede ser cierta utilizando las herramientas descritas
 166

en este capítulo. Cuando esto se hace, se reemplazarán los datos empíricos con la
distribución teórica propuesta.

A B C D E F G H I J K L
1 Ejemplo 3.23 a) Ejemplo 3.23 b)
2 Ji-cuadrada Kolmogorov-Smir-
nov
3
4
5
(Oi-Ei)2 Frec. Frec. Frec. Obs. Frec. Teór. ABS(FT-
N Aleat. Núm. Observ. Esperad. Acum. Acum. FA)
/Ei Absol. Relat.

6 1 12 3 2 3 0,33333 2 0,03704 0,03704 0,05556 0,01852

7 2 3 4 8 3 8,33333 8 0,14815 0,18519 0,11111 0,07407
8 3 10 5 2 3 0,33333 2 0,03704 0,22222 0,16667 0,05556
9 4 19 6 1 3 1,33333 1 0,01852 0,24074 0,22222 0,01852
10 5 18 7 3 3 0,00000 3 0,05556 0,29630 0,27778 0,01852
11 6 4 8 5 3 1,33333 5 0,09259 0,38889 0,33333 0,05556
12 7 16 9 5 3 1,33333 5 0,09259 0,48148 0,38889 0,09259
13 8 12 10 3 3 0,00000 3 0,05556 0,53704 0,44444 0,09259
14 9 4 11 0 3 3,00000 0 0,00000 0,53704 0,50000 0,03704
15 10 3 12 5 3 1,33333 5 0,09259 0,62963 0,55556 0,07407
16 11 7 13 1 3 1,33333 1 0,01852 0,64815 0,61111 0,03704
17 12 13 14 5 3 1,33333 5 0,09259 0,74074 0,66667 0,07407
18 13 16 15 2 3 0,33333 2 0,03704 0,77778 0,72222 0,05556
19 14 20 16 5 3 1,33333 5 0,09259 0,87037 0,77778 0,09259
20 15 16 17 1 3 1,33333 1 0,01852 0,88889 0,83333 0,05556
21 16 9 18 1 3 1,33333 1 0,01852 0,90741 0,88889 0,01852
22 17 7 19 3 3 0,00000 3 0,05556 0,96296 0,94444 0,01852
23 18 14 20 2 3 0,33333 2 0,03704 1,00000 1,00000 0,00000
24 19 12 18 suma= 24,66667 Max= 0,09259
25 20 10 χ2c = 27,58711 D(18,9,5%) = 0,278
26 21 4
… … … … … … … … … … … … …
57 52 20
58 53 9
59 54 4
60 54

54 números aleatorios U[3, 20]

Fig. 3.29
 167

Ejercicios capítulo 3

1) Sea la función 𝑓(𝑥) = √1 + 𝑥 𝑠𝑒𝑛(𝑥) definida para 0 ≤ x ≤ 2. Usando números

aleatorios calcule el valor máximo de esta función. En cada iteración genere 30
números aleatorios. Realice 5 iteraciones y obtenga el valor máximo a partir de
estos datos.

2) Sea el siguiente círculo incluido en un cuadrado de dos centímetros de lado. Ge-

nere Ud. coordenadas al azar, en la hoja electrónica
(−1,1) (1,1) Excel. Lleve un recuento de si el par aleatorio cae en
o dentro del círculo, o si no cae. Con estos datos su-
giera Ud. el área de este círculo. Realice 50 iteracio-
nes. Recuerde que la ecuación del círculo con centro
en (0, 0) es:
(−1,−1 (1,−1)
𝑥12 + 𝑥22 = 1
)
¿A qué valor tiende el resultado?

3) Halle el área en el plano xy de la región limitada por y = 4 – x2 y el eje x. Defina

Ud. un rectángulo conveniente que permita, utilizando simulación tipo Monte
Carlo, hallar una aproximación del valor numérico de esta integral. La curva
cruza al eje x en los puntos (−2, 0) y (2, 0). El área exacta es 32/3.

4) Halle, utilizando números aleatorios y proponiendo un valor de L teniendo como

criterio el máximo hallado en el ejercicio 3.2a el valor de:
2
∫0 √1 + 𝑥 𝑠𝑒𝑛(𝑥)

5) Un jugador tiene la siguiente estrategia de juego4. Apuesta, cada vez, $100 con
una probabilidad de p = 0.45 de ganar $20, o perder $20 con una probabilidad
q = 0.55. El jugador se retira si dobla su dinero o no le queda nada de los $100
originales. Calcule el número esperado de veces que el jugador tiene:
a) Cuando más $180 antes de perder todo.
b) Al menos $180 antes de doblar su dinero.
c) Cuando más $90 antes de perder todo.
d) Al menos $90 antes de doblar su dinero.

¿Qué conclusiones saca Ud. de este ejercicio?

4 Adaptado de William J. Stewart p. 624.

 168

6) Sea la función polinomial:

y = – 0.0385x5 + 0.6748x4 – 3.812x3 + 6.8846x2 + 0.9883x – 0.0886, 0 ≤ x ≤ 8.

Use el método de Monte Carlo para hallar el valor máximo de esta función.
El valor máximo es, con tres cifras decimales, 9.658.
Realice cinco corridas de 50 iteraciones. Haga el promedio de 5 réplicas y com-
pare la solución obtenida con la aquí indicada.

7) En el apéndice B se pide, entre otras, calcular la probabilidad de que al arrojar

una moneda perfecta tres veces aparezcan: 2 caras y 1 sello utilizando la ecua-
ción (3B-22). En este ejemplo se muestra que:
1 1 3! 1 2 1
2 𝑐𝑎𝑟𝑎𝑠, 1 𝑠𝑒𝑙𝑙𝑜: 𝑁 = 3, 𝑋 = 2, 𝑝 = , 𝑞 = . 𝑝(2𝐶, 1𝑆) =
2 2
( ) (2)1 = 3/8.
2!(3−2)! 2

La ecuación es la siguiente:
𝑁!
𝑝(𝑋) = 𝐶𝑋𝑁 𝑝 𝑋 𝑞 𝑁−𝑋 = 𝑋!(𝑁−𝑋)!
𝑝 𝑋 𝑞 𝑁−𝑋 , 𝑋 = 0, 1, 2, … , 𝑁 Ecuación (3B-22)

Utilice la técnica de Monte Carlo para resolver este problema. Realice 5 corridas
(réplicas) de 50 iteraciones cada una y dé como solución el promedio de ellas.

8) Un vendedor de revistas vende una que es muy exclusiva y, por ello, costosa.
Durante un año (que consideraremos de 50 semanas) ha llevado datos de venta
con el fin de conocer la demanda promedio de la misma. La tabla adjunta resume
sus anotaciones.
Cada revista se vende a un precio de $40.000 y le cuesta $25.000. Si una revista
no se vende, al vendedor le reembolsan $3000 al devolverla. Si se solicita la re-
vista y no la posee tiene una pérdida de “good-will” de $1500.
La siguiente tabla muestra las ventas promedio por semana de acuerdo a la ex-
periencia en años anteriores.
Ventas/semana 15 16 17 18 19 20
Frecuencia (semanas) 5 10 20 10 3 2
Se desean conocer diferentes estrategias con el fin de decidir cuál de ellas es más
conveniente con el fin de maximizar los ingresos esperados. Realice varias simu-
laciones de cada política y calcule el ingreso promedio. Con estos valores decida
la política a seguir. Al inicio tiene 17 revistas.
a) Para ir “a la fija”, simule Ud. la política de pedir siempre 17 revistas. Por las
revistas devueltas, si devuelve más de dos, debe pagar $10.000.
b) Otra política de pedidos es la siguiente: cada semana ordena una cantidad de
revistas igual a la cantidad que vendió la semana anterior más el número de
 169

revistas que dejó de vender. Si le sobran, pide la misma cantidad que la se-
mana anterior menos dos.
c) Usando la política anterior, analice esta otra opción: si devuelve más de 2
revistas, no se le reconocen sino $2.000, y el vendedor debe pagar $500 por el
resto de revistas devueltas.
9) Considere el ejemplo 3.7 d). Si se quiere obtener el mejor beneficio posible, com-
pare el resultado de este ejemplo con las siguientes opciones:
a) Si, en la semana anterior la demanda sobrepasa el inventario incremente la
tala en un 2% hasta que logre volverlo positivo. Una vez logrado esto, resta-
blezca el corte inicial.
b) ¿Sería mejor un aumento del 1%?
Inicie en ambos casos con una tala de 100.
10) En el capítulo 1, ejercicio 11, vimos un modelo sencillo de la ley de la oferta y
demanda. El siguiente modelo econométrico de “tela de araña”5 muestra una si-
tuación más compleja para analizar esta ley:
St = a + bPt-1 + Vt
Dt = c – dPt + Ut
El mercado se “limpia” mediante la relación:
St = Dt
en donde a, b, c y d son constantes calculadas mediante técnicas especiales para
cálculos econométricos. V y U son variables aleatorias que le dan un carácter de
variabilidad a la oferta, a la demanda y a la liquidación o limpieza del mercado.
Realice diez iteraciones de este modelo asumiendo que: a= 1,5, b= 0,5, c=12, d=
1,2.
a) Las variables V y U son uniformes en los rangos [0, 0,5] y [1, 1,5] respectiva-
mente. Suponga que P0 = 2.
b) Considere que las variables V y U son Normales: V(0.25, 0.1), U(1.25, 0.05).

11) Una pequeña empresa produce un bien6. Desea conocer cuál es la ganancia más
probable ya que el mercado es fluctuante. En concreto, se sabe que el beneficio
total (BT) es la diferencia entre Ingresos y Gastos:

5 De T.H. Naylor, ver bibliografía.

6
Inspirado en P. Macaluso. Ver bibliografía.
 170

BT = I – G

A su vez los ingresos se calculan a partir del precio de venta (PV) multiplicado
por el volumen de ventas (VV). Los gastos son los costos fijos (CF) más los costos
variables (CV). Por lo tanto:

BT = PVVV – CF – CV×VV
Por estudios anteriores se conocen las siguientes probabilidades:

Ventas (VV) Frec.

1000 1.0 Certeza de vender más de 1000
4000 0.75 75% de probab. de vender más de 4000.
6000 0.55 55% de probab. de vender más de 6000.
8000 0.30 30% de probab. de vender más de 8000.
10000 0.00 Nunca se venden más de 10000.

Los precios de venta y los costos variables varían de acuerdo con las s distribu-
ciones de frecuencias indicadas en la tabla adjunta.

Los costos fijos son de $4000. Los datos son mensuales.

Costo Frec. Precio de
Probab.
Variable (CV) relativa venta(PV)
40 0.10 150 0.10
60 0.20 170 0.25
80 0.40 200 0.35
100 0.20 210 0.20
120 0.05 220 0.05
140 0.05 225 0.05

a) ¿Cuál es el beneficio esperado de ésta empresa?

b) Si los costos fijos se aumentan en un 50% (por ejemplo para mayor promoción)
lo que permite que las ventas puedan ser superiores a 10000 unidades con
una probabilidad de 0.10, y las de más de 12000, una probabilidad de cero,
¿cómo varía el beneficio esperado?
c) Si los precios de venta aumentan en un 10%, ¿cómo se afectan las ganancias?

12) En un juego de fútbol se sabe que la probabilidad que tiene un equipo de que le
cometan una falta que origine un tiro libre cerca del área de “penal” es de 0,2. La
probabilidad de que dicho tiro vaya al arco es de 0,7 y la probabilidad de que el
portero la atrape es de 0,6. Simule Ud. diez jugadas de este equipo aclarando en
cada caso si ha habido gol o no.
 171

13) Utilice los datos de la tabla 2.11 (ejemplo 2.12) para calcular, mediante la técnica
del uso de la frecuencia acumulada, la llegada aleatoria de personas a la oficina.
La tabla es la siguiente:

Hora de Marca Frec. Func.

Frec. Abs.
entrada clase relativa Acum.
0 0 0 0,000 0,000
[8-9] 8,5 7 0,081 0,081
(9-10] 9,5 13 0,151 0,233
(10-11] 10,5 15 0,174 0,407
(11-12] 11,5 10 0,116 0,523
(12-13] 12,5 8 0,093 0,616
(13-14] 13,5 6 0,070 0,686
(14-15] 14,5 12 0,140 0,826
(15-16] 15,5 15 0,174 1,000
86 1,000

Redefina, de manera conveniente esta tabla para poder realizar los cálculos. Con-
sidere que sólo pueden darse números enteros de personas que llegan.

14) Qué tipo de cola, de servicio y de disciplina tienen los siguientes casos:
a) Aviones que quieren aterrizar en un aeropuerto en donde hay diferentes pis-
tas de aterrizaje.
b) Galletas que entran al proceso de horneado.
c) Llamadas a un Call-Center de varios recepcionistas.

15) El tiempo promedio entre llegadas de los barcos en un puerto sigue una distribu-
ción uniforme de media 6.5 horas y varianza 1/12.
En lo que respecta a los tiempos de descarga, existe un solo sitio para ser aten-
didos. Estos tiempos siguen una distribución normal de media 5 horas y desvia-
ción estándar de 1.5 horas.
a) Simule Ud. en una hoja Excel la dinámica de este puerto. Realice 50 iteracio-
nes. ¿Cuál es la media y la varianza obtenida de los datos de la simulación?
b) Las 50 iteraciones ¿a cuánto tiempo de trabajo del muelle corresponden? El
muelle trabaja de 5 am a 8 pm.
b) ¿Cuál es el tiempo promedio de espera en el sistema?
c) ¿Cuál es el tiempo promedio de espera en la cola?
d) ¿Cuál es el tiempo promedio de ocupación del puerto?
e) ¿Puede Ud. resolver analíticamente este ejercicio con lo descrito en este capí-
tulo?
 172

16) En un pequeño aeropuerto de una ciudad se espera que, gracias a nuevos desa-
rrollos urbanos y rurales, lleguen aviones de carga a una tasa promedio de 4
aviones por hora. Una vez aterrizado estos aviones demorarían 10 minutos en
promedio, en desocupar la pista. Tanto los tiempos entre llegada como los de ca-
rretaje son exponenciales. Los administradores del aeropuerto desean que un
avión que llegue, no tenga que esperar más de 4 minutos para poder aterrizar.
¿Cuántas pistas de aterrizaje debería tener este aeropuerto?

17) [De Ullmann, p.325] Los pacientes arriban a un consultorio médico a intervalos
promedio de 20 minutos, y dedican un promedio de 15 minutos a la consulta;
ambos tiempos son exponenciales en su distribución. El doctor desea tener sufi-
ciente número de asientos en la sala de espera para que no más del 1% de los
pacientes que llegan tenga que estar de pie. ¿Cuántos asientos se deberá colocar?