Io Manual Final
-
Upload
luisa-katherine-quineche-ramirez -
Category
Documents
-
view
59 -
download
0
Transcript of Io Manual Final
MODELO DE PROBABILIDADES PARA LA TOMA DE DECISIONES
Es un modelo en que las acciones o alternativas posibles están signadas por el azar, es decir dependen de eventos aleatorios; y que estos han sido estudiados y medidos con ayuda de la estadística, lo que te permite estimar la probabilidad de ocurrencia de un evento concreto.
1. VARIABLE ALEATORIA
Una variable aleatoria es una función cuyos valores son números reales determinados por los elementos del espacio muestral.
Distribución de probabilidad.- Es una lista que contiene el valor de la variable aleatoria y sus probabilidades correspondientes
1.1. VARIABLE ALEATORIA DISCRETA: La obtención de estos valores se da a través del proceso de conteo, de ahí que los valores se expresan generalmente como números enteros.
a) Función de Probabilidad o Cuantía
Sea una función f(x) de una variable aleatoria discreta X , la cual relaciona a todo número real x con la probabilidad de que X asuma ese valor:
f(x)=P[X=x]
Se deben cumplir las siguentes propiedades:
1.∀ x ; f (x )≥0
2.∑1
f ( x )=1
3. Representación gráfica:
b) Función de distribución acumulada
Si una función tiene como función de probabilidad:
Su función de distribución es:
Su representación gráfica tiene forma escalonada, siendo los saltos coincidentes con las probabilidades pi correspondiente a los valores xi de la variable X.
1.2. VARIABLES ALEATORIAS CONTINUAS: Puede suponer un valor en cualquier punto fraccionario de un intervalo especificado. Los valores continuos se generan por el proceso de medición.
Por ejemplo: el peso promedio de los panes permitidos para la comercialización.
a) Función de densidad
Una función de densidad debe satisfacer las siguientes propiedades:
1.f ( x )≥0∀ x∈R
2. ∫−∞
+∞
f ( x )dx=1
3.P (a≤ X ≤b )=∫−∞
x
f ( x)dx
b) Función de distribución acumulada: está definida por :
F ( x )=P (X ≤ x )=∫−∞
X
f ( x )dx
2. VALOR ESPERADO DE UNA VARIABLE O ESPERANZA MATEMÁTICA
La media de una variable aleatoria X se denomina valor esperado y se denota por E(X ).
Si X es una v.a. cualquier función de ella, h(x), es también una v.a., en consecuencia también se define este parámetro para una función de v.a.
3. VARIANZA DE UNA VARIABLE ALEATORIA
La varianza mide la dispersión de la variable alrededor de la media.
Se define como:Var (X )=E ( X2 )−[E (X )]2
4. DISTRIBUCIÓN DE PROBABILIDADES DE UNA V.A. DISCRETA
Distribuciones de Poisson: Utilizamos la distribución Poisson para determinar la probabilidad de que ocurra un número determinado de eventos, cuando estos ocurren en un tiempo o espacio continuo.
f ( x )=P (X=x )= e−ℷ ℷ x
x !, x=0;1 ;2 ;…donde : e=2.71828
Distribución Normal: También llamada distribución de Gauss o distribución gaussiana, posee una función de densidad simétrica y con forma de campana.
a) Función de densidad
Está dada por:
Donde: μ (mu) es la media y σ (sigma) es la desviación
típica (σ2 es la varianza).
Representación Gráfica
b) Función de distribución acumulada:Esta dada por:
F ( X )=∫−∞
X1
σ √2 π∗e
−(X−μ)2
2∗σ2
dx
−∞<X<∞
F ( X )=P(X≤ x)
DISTRIBUCIÓN NORMAL ESTÁNDAR
Es una distribución normal en la que la media es igual a cero y la desviación estándar es igual a la unidad, cualquier valor X de una población con distribución normal puede convertirse a su valor normal estándar equivalente a Z, mediante la fórmula:
Z= X−μσ
Su función está dada por:
φ ( X )= 1σ √2π
∗e− z2
2 ;−∞<Z<+∞.
F (Z )=P (Z ≤z )=φ ( z )= 1√2 π
∫−∞
z
e−t2
2 dt
1. PROBLEMA DE VARIABLE ALEATORIA DISCRETA
Un juego consiste en tirar dos dados. Si la suma de sus caras es mayor o igual a 10 se ganan 300 pts, si está comprendida entre 7 y 9 se ganan 100 pts. y para cualquier otro resultado no se gana nada.
a) Determinar F(x)b) Calcular P≥6c) ¿Cuál debería ser el precio de la apuesta para que la
ganancia esperada de la banca sea de 50 pts?
Solución
El espacio muestral para el problema es = {(1,1), (1,2), (1,3), ..., (6,6)} con 36 puntos muestrales. Todos los sucesos elementales tiene la misma probabilidad 1/36. Se define la v.a. X: suma de las dos caras. Esta variable puede tomar los valores 2, 3, 4, ....,12.
x Sucesos f(x)
2 {(1,1)} 1/36
3 {(1,2), (2,1)} 2/36
4 {(1,3), (2,2), (3,1)} 3/36
5 {(1,4), (2,3), (3,2), (4,1)} 4/36
6 {(1,5), (2,4), (3,3), (4,2), (5,1)}
5/36
7 {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}
6/36
8 {(2,6), (3,5), (4,4), (5,3), (6,2)}
5/36
9 {(3,6), (4,5), (5,4), (6,3)} 4/36
10 {(4,6), (5,5), (6,4)} 3/36
11 {(5,6), (6,5)} 2/36
12 {(6,6)} 1/36
La tabla de la función premio es:
x h(x)
2 0
3 0
4 0
5 0
6 0
7 100
8 100
9 100
10 300
11 300
12 300
1. Determinar F(x)
F ( x )=¿
2. Calcular P≥6
P(≥6)=1- P(≤5) =1-10/36 =1-0.278 =0.722
0 x<21/36 2≤x<33/36 3≤x<46/36 4 ≤x<510/36
5≤x<6
15/36
6≤ x<7
21/36
7≤ x<8
26/36
8≤ x<9
30/36
9≤ x<10
33/36
10≤x<11
35/36
11≤ x<12
1 x≥12
3. ¿Cuál debería ser el precio de la apuesta para que la ganancia esperada de la banca sea de 50 pts?
El valor esperado del premio es
En consecuencia, la apuesta debería costar 91,7 + 50 = 141,7 para que la ganancia esperada de la banca sea 50 ptas.
2. PROBLEMA DE VARIABLE ALEATORIA CONTINUA
Sea X una variable aleatoria continua con función de densidad:
f ( x )={ 0 ,∧x ≤0a (1+x) ,∧0<x≤1
23,∧1<x≤2∧¿0 ,∧x>2
Se pide:
a) Valor de a para que f sea función de densidad. b) Graficar f(x).c) Determinar F(X) y graficar.d) Calcular E(X) y V(X).e) Calcular P(0,5≤X≤1,5).
Solución:
a) Hallando “a”.
∫−∞
∞
f ( x )dx=1
∫−∞
0
f (x )dx+∫0
1
f (x)dx+∫1
2
f (x)dx+∫2
∞
f (x)dx=1
∫−∞
0
0dx+∫0
1
a(1+x)dx+∫1
2
(2/3)dx+∫2
∞
0dx=1
[ax+ a x2
2 ] 1
0+[ 2x3 ]
21=1
a+ a2+ 2
3=1
a=29
Así tenemos:
f ( x )={0 ,∧x ≤0
29(1+x ),∧0<x ≤1
23,∧1<x≤2∧¿0 ,∧x>2
b) Determinando F(x).
Segundatos del problema :F ( x≤0 )=0 ;F (1<x≤2 )=23; F ( x>2 )=0
F ( x ≤1 )=∫0
x29
(1+x )dx=29x+ x2
9
F ( x ≤2 )=F ( x≤1 )+F (1<x ≤2 )=29x+ x2
9+ 2
3
F ( xϵR )=1
Luego F(x) será:
F ( x )={0 ,∧x≤0
29x+ x2
9,∧0<x ≤1
23+ 2
9x+ x2
9,∧1<x ≤2∧¿1 ,∧x>2
c) Calculando E ( x ) y V ( x ) .
HallandoE ( x ).
E ( x )=∫−∞
∞
xf ( x )dx
E ( x )=∫−∞
0
xf (x )dx+∫0
1
xf (x )dx+∫1
2
xf (x)dx+∫2
∞
xf (x )dx
E ( x )=∫−∞
0
0dx+∫0
129x (1+x)dx+∫
1
2
x (2/3)dx+∫2
∞
0 dx
E ( x )=[ x2
9+ 2x3
27 ] 1
0+[ x2
3 ]21
E ( x )= 527
+1
E ( x )=3227
Calculando E (x2 ).
E (x2 )=∫−∞
∞
x2 f (x )dx
E (x2 )=∫−∞
0
x2 f (x)dx+∫0
1
x2 f (x )dx+∫1
2
x2 f (x )dx+∫2
∞
x2 f (x )dx
E (x2 )=∫−∞
0
0dx+∫0
129x2(1+x)dx+∫
1
2
x2(2/3)dx+∫2
∞
0dx
E (x2 )=[ 2 x3
27+ x4
18 ] 1
0+[ 2x3
9 ]21
E (x2 )= 227
+ 118
+ 149
E (x2 )=9154
Hallando V ( x ) .
V ( x )=E (x2 )−[E ( x )]2
V ( x )=9154
−(32/27)2
V ( x )=409 /1458
d) Calculando: P(0.5≤ x≤1.5)
P(0.5≤ x≤1.5)=∫1 /2
3 /2
f (x )d ( x )
P(0.5≤ x≤1.5)=∫1 /2
1
(2/9)(1+x)dx+∫1
3/2
2/3dx
P(0.5≤ x≤1.5)=[ 29(x+ x2
2)] 1
1/2+[ 23x ]
3/21
P(0.5≤ x≤1.5)= 736
+ 13
P(0.5≤ x≤1.5)=1936
3. PROBLEMA DE DISTRIBUCIÓN NORMAL
PANADERÍA “JHOMI”
De la panadería “Jhomi”, ubicada en… se obtuvieron los siguientes datos:
n2=33
X=∑i=1
n
f∗X
n
s=√∑i=1
n
f∗(X−X )2
n−1
X=27.3030g .
s=3.1173 g .
La panaderia “JHOMI” elabora y vende pan francés. Cada mañana la panadería satisface la demanda del día con pan recién horneado con un peso que se ajusta a una distribución normal de media 27.3030 g y desviación estándar de 3.1173 g .a)¿Cuál es la probabilidad de obtener un pan cuyo peso oscile entre 26 g y la media?b)¿Cuál es la probabilidad de obtener uno con un peso de 30 g o más?
Solución a)= 27.3030 g
=3.1173 g .
X (Peso en gramos)
f (Frecuencia)
30 g. 5
26 g. 3
27 g. 6
32 g. 3
31 g. 4
28 g. 2
24 g. 5
23 g. 5
Total n=33
P (26<X<27.3030) = P (26 –27.3030
3.1173≤Z≤
27.3030 – 27.30303.1173
) = P (-
0,4180≤Z≤0¿
= P (0≤Z≤0,4180) = P ( Z≤0,4180)-P(Z<=0) = 0.6628 – 0.5 = 0.1628
= 16.28%
Interpretatión : La probabilidad de obtener un pan cuyo pero oscile entre 26g. y 27.3030 g. es de 16.28%.
Solución b)= 27.3030 g
=3.1173 g .
P (X=30) = P (30– 27.3030
3.1173≤Z) = P (1.0596≤Z¿
= 0.8531 = 85.31%
Interpretatión : La probabilidad de encontrar un pan con un peso de 30g. a mas es de 85.31.
4. PROBLEMA DE DISTRIBUCIÓN NORMAL
INTERNET “FULL RED”
El centro de internet “FullRed”, ubicado en ofrece su servicio 12 hrs por día, desde las 9:00 am hasta la 1:00 pm y de 3:00 pm a 11:00 pm. Realizando un seguimiento de estudio en esta empresa por tres días y analizando su ficha de control obtuvo que la cantidad promedio de usuarios que acuden a este local es de 10 personas por hora.
Planteamiento:Sabiéndose que el promedio de clientes que llegan al internet “FullRed” es de 10 personas/ hora. ¿Cuál es la probabilidad de que en 20 min lleguen por lo menos 4 clientes?
e - · x x!
= 10 personashora
∗hora
60min*20 min
= 3.34
P (X ≥4) = 1- P (X≤ 3)
= 1- ∑x=0
2e−¿ .❑x
x !¿
= 1- ( e−3.34 .3.340
0!+ e−3.34 .3.341
1 !+ e−3.34 .3.342
2 !)
= 1- (0.035+0.12+0.20) = 1- (0.035+0.12+0.20)
= 0.645Interpretación: Es casi probable que en 20 minutos lleguen por lo menos 4 clientes dada que la probabilidad es de 0.645.
MODELO DE REDES. ADMINISTRACIÓN DE PROYECTOS
LA ADMINISTRACIÓN DE PROYECTOS
La buena administración de proyectos a gran escala requiere planeación, programación y coordinación cuidadosa de muchas actividades interrelacionadas.
FASES DE LA ADMINISTRACIÓN DE PROYECTOS PLANIFICACIÓN
Detallar el proyecto y todas sus actividades o tareas significativas
Definir las interrelaciones entre actividades; qué actividades deben preceder a otras.
Dibujar la red conectando todas las actividades
PROGRAMACIÓN Calcular la RUTA CRITICA. las holguras aplicando las
técnicas para administrar un proyecto (PERT/CPM). Realizar el programa de actividades.
CONTROL Hacer uso de la red y de la gráfica de tiempos para elaborar
reportes periódicos del progreso de la ejecución del proyecto. Puede incluir un nuevo programa en relación con las actividades que faltan ejecutarse.
TÉCNICAS PARA ADMINISTRAR UN PROYECTO
Redes deterministas (CPM = Método de la ruta crítica) Redes probabilistas (PERT = Técnica de evaluación y revisión de
programas)
TIEMPOS ESTIMADOS EN PERT
• Una diferencia importante entre CPM y PERT es el uso en este último de tres tiempos o duraciones estimadas para cada actividad.
• En CPM se usa un solo valor.
• Para cada actividad en PERT se debe determinar un Tiempo OPTIMISTA, un Tiempo PROBABLE y un Tiempo PESIMISTA. Con estos tres valores calculamos el tiempo de conclusión o duración esperados y la respectiva varianza. Asumiendo que estos tiempos siguen la Distribución de Probabilidad “Beta” tenemos:
t ij=(aij+4 mij+b ij)
6
a ij = Tiempo optimista para ejecución de la actividad. b ij= Tiempo pesimista para ejecución de la actividad. mij = Tiempo más probable para ejecución de la actividad. t ij = Tiempo esperado para ejecución de la actividad.
RUTA CRÍTICA: Es la secuencia de los elementos terminales de la red de proyectos con la mayor duración entre ellos, determinando el tiempo más corto para completar el proyecto.
La duración de la ruta crítica determina la duración del proyecto entero.
T ij=∑ tij
VARIANZA:
σ ij2=
(bij−a ij)2
36
Donde:
σ ij2=∑ σ ij
2
DESVIACIÓN ESTÁNDAR:
σ ij=√∑ σ ij2
CÁLCULO DE PROBABILIDADES: Asumiendo que la duración esperada de una actividad es una variable aleatoria independiente, podemos también suponer que la duración esperada del proyecto es una variable aleatoria que aproxima a la distribución de Gauss (para tareas > 30) y por lo tanto podemos calcular algunas probabilidades haciendo uso de una tabla de distribución normal, tomando en consideración las siguientes relaciones:
Consideremos que para números de Tareas < 30, debemos aproximar a una distribución de Student.
La probabilidad de que el proyecto se termine antes de una duración dada t0 está dada por:
Donde z0 es el valor de entrada a una tabla de distribución normal y que se calcula según:
APLICACIÓN DEL TEMA
1.LISTA DE ACTIVIDADES:A. Movilización y desmovilización de materiales.B. Alquiler de Local Para Almacén, Caseta de Guardianía y
Oficina Provisional.C. Cartel de identificación.D. Limpieza de terreno manual.E. Trazo y Replanteo Inicial en Redes de Agua Potable.F. Excavación de Zanja Manual en Terreno Normal.G. Trazo y Replanteo Durante la Ejecución de la Obra.H. Reparación de Redes Existentes de Agua (Matriz y
Domiciliaria).I. Refine y Nivelación de Fondo de Zanja.J. Preparación Cama de Apoyo en Terreno Normal.K. Suministro e Instalación de Tuberías.L. Suministro e Instalación de Accesorios.M.Prueba Hidráulica y Desinfección de Tuberías.N. Dados de concreto para anclaje de accesoriosO. Relleno Compactado con Material Propio Seleccionado.P. Eliminación de Material Excedente.
Q. Entrega de Obra.
2.TABLA DE RESUMEN DE LAS ACTIVIDADES:
ACTIVIDAD
PRECEDENCIA
TIEMPO PESIMISTA
(A)
TIEMPO REAL
(M)
TIEMPO OPTIMISTA
(B)
TIEMPO PROMEDIO
(T)
VARIANZA
σ 2
DESVIACIÓN ESTANDAR
σ
A - 1 2 3 2 0.3333 0.1111
B A 31 33 41 34 1.6667 2.7778
C A 1 1 1 1 0 0
D C 1 1 1 1 0 0
E D 1 1 1 1 0 0
F E 5 6 7 6 0.3333 0.1111
G E 4 6 8 6 0.6667 0.4444
H F 4 7 10 7 1 1
I G,H 3 4 5 4 0.3333 0.1111
J I 3 4 5 4 0.3333 0.1111
K I 2 3 4 3 0.3333 0.1111
L J 3 4 5 4 0.3333 0.1111
M L 1 1 1 1 0 0
N K,M 3 5 7 5 0.6667 0.4444
O N 1 1 1 1 0 0
P K 1 2 3 2 0.3333 0.1111
Q P,O,B 1 1 1 1 0 0
5.4443 2.3333
3.RED DE ACTIVIDADES
Ruta Crítica : A,C,D,E,F,H,I,J,L,M,N,O,Q
Tiempo de duración: 38 días
4.PROGRAMA DE ACTIVIDADES
ACTIVI
DAD
PRECEDE
NCIA
INICIO
TEMPR
ANO
FINAL
TEMPR
ANO
INICI
O
TARD
IO
FINAL
TARD
IO
RUTA
CRITI
CA
HOLGU
RA
A - 0 2 0 2 Si 0
B A 2 36 3 37 No 1
C A 2 3 2 3 Si 0
D C 3 4 3 4 Si 0
E D 4 5 4 5 Si 0
F E 5 11 5 11 Si 0
G E 5 11 12 18 No 7
H F 11 18 11 18 Si 0
I G,H 18 22 18 22 Si 0
J I 22 26 22 26 Si 0
K I 18 21 28 31 No 10
L J 26 3 26 30 Si 0
M L 30 31 30 31 Si 0
N K,M 35 36 35 36 Si 0
O N 36 37 36 37 Si 0
P K 21 23 35 37 No 4
Q P,O,B 37 38 37 38 Si 0
5.DIAGRAMA DE GANNT
6.PLANTEO DE PROBABILIDAD
El proyecto para el mejoramiento de red de agua potable del distrito de Hualmay tiene una duración de finalización estimada de 38 días, con una desviación estándar de 2.3333 días.
a) ¿Cuál es la probabilidad de finalizar el proyecto en 35 días o menos?
Z=t−Tσ
Z=35−382.3333
Z=−1.2857
P (Z ≤−1.2857 )=1−P(Z ≤1.2857)
P (Z ≤−1.2857 )=1−0.9015
P (Z ≤−1.2857 )=0.0985
b) ¿Cuál es la probabilidad de finalizar el proyecto en 37 o más días?
Z=t−Tσ
Z=37−382.3333
Z=−0.4286
P (Z ≥−0.4286 )=1−P (Z ≤−0.4286)
P (Z ≥−0.4286 )=1−0.3336
P (Z ≥−0.4286 )=0.6664
Interpretación: Con los resultados obtenidos podemos estimar que el tiempo en el cual se llevará a cabo el proyecto serán más de 38 días, debido a las fallas de conexiones existentes u otro improvisto en el desarrollo de la obra.
TEMA: SISTEMA PERT/COSTTEMA: SISTEMA PERT/COST
Del Proyecto “Mejoramiento de las redes de agua potable del distrito Hualmay”, en el AA-HH Santa Rosa con una dimensión de 1,018.86m2, con fecha del 01-06-09 al 05-07-09; se dio por conveniente realizar un control de los costos de cada una de las actividades según su porcentaje de avance, con la finalidad de determinar si se ajusta al presupuesto planeado. Con los datos correspondientes a la fecha: 10-07-09 se obtuvieron los Costos Reales de las siguientes actividades:
PROGRAMA DE ACTIVIDADES
DÍAS
ACTIVID
AD
TIEMPO PROMEDIO
(T)
INICIO
TEMPRA
NO
FINAL
TEMPRA
NO
INICIO
TARDI
O
FINAL
TARDI
O
RUTA
CRITIC
A
HOLGU
RA
C i , j
(Soles
)
A 2 0 2 0 2 Si 0 250.00
B 34 2 36 3 37 No 1 200.00
C 1 2 3 2 3 Si 0 656.30
D 1 3 4 3 4 Si 0 1,162.00
E 1 4 5 4 5 Si 0 1,280.50
F 6 5 11 5 11 Si 0 11,550.6
0
G 6 5 11 12 18 No 7 2,018.20
H 7 11 18 11 18 Si 0 300.00
I 4 18 22 18 22 Si 0 1,910.50
J 4 22 26 22 26 Si 0 4,645.50
K 3 18 21 28 31 No 10 7,835.40
L 4 26 3 26 30 Si 0 1,823.00
M 1 30 31 30 31 Si 0 1,750.20
N 5 35 36 35 36 Si 0 385.30
O 1 36 37 36 37 Si 0 9,425.60
P 2 21 23 35 37 No 4 2,815.00
PROGRAMA DE COSTOS (INICIO Y FINAL TEMPRANO)
Días
A1 2 3 4 5 6 7 8 9 10 11 12 13 14
15
16 17 18 19 20 21 22 23 24 2526
27 28 29 3031
32 33 34 3536
37
38
A 125
125
B5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
C 656,3
D 1162
E 1280,5
F 19
19
1925
1925
1925
1925
25,1
25,1 ,1 ,1 ,1 ,1
G 336,37
336,37
336,37
336,37
336,37
336,37
H42,86
42,86
42,86
42,86
42,86
42,86
42,86
I 477,63
477,63
477,63
477,63
J
1161,38
1161,38
1161,38
1161,38
K 2611,8
2611,8
2611,8
L 455,75
455,75
455,75
455,75
M 175
0,2
N 385,3
O 9425,6
P 1407,5
1407,5
TOTAL
125
125
662,18
1167,88
1286,38
2267,35
2267,35
2267,35
2267,35
2267,35
2267,35
48,74
48,74
48,74
48,74
48,74
48,74
48,74
3095,31
3095,31
3095,31
1891,01
2574,76
1167,26
1167,26
1167,26
461,63
461,63
461,63
461,63
1756,08
5,88
5,88
5,88
5,88
391,18
9425,6
0
T.ACOM
125
250
912,18
2080,06
3366,44
5633,79
7901,14
10168,49
12435,84
14703,19
16970,54
17019,28
17068,02
17116,76
17165,5
17214,24
17262,98
17311,72
20407,03
23502,34
26597,65
28488,66
31063,42
32230,68
33397,94
34565,2
35026,83
35488,46
35950,09
36411,72
38167,8
38173,68
38179,56
38185,44
38191,32
38582,5
48008,1
48008,1
PROGRAMA DE COSTOS (INICIO Y FINAL TARDIO)
Días
A1 2 3 4 5 6 7 8 9 10 11 12 13
1
415 16 17 18 19 20 21 22 23
2
425 26 27 28 29 30 31
3
233 34 35 36 37
3
8
A 125
125
B 5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
5,88
C 656,3
D 1162
E 1280,5
F 192
192
192
1925
1925
1925
5,1
5,1
5,1 ,1 ,1 ,1
G
336,37
336,37
336,37
336,37
336,37
336,37
H42,86
42,86
42,86
42,86
42,86
42,86
42,86
I 477,63
477,63
477,63
477,63
J
1161,38
1161,38
1161,38
1161,38
K 2611,8
2611,8
2611,8
L 455,75
455,75
455,75
455,75
M 1750,2
N 385,3
O 9425,6
P 1407,5
1407,5
T
O
T
A
L
125
125
656,3
1167,88
1286,38
1930,98
1930,98
1930,98
1930,98
1930,98
1930,98
48,74
385,11
385,11
385,11
385,11
385,11
385,11
483,51
483,51
483,51
483,51
1167,26
1167,26
1167,26
1167,26
461,63
461,63
3073,43
3073,43
4367,88
5,88
5,88
5,88
5,88
1798,68
10838,98
0
T.
A
C
U
M
125
250
906,3
2074,18
3360,56
5291,54
7222,52
9153,5
11084,48
13015,46
14946,44
14995,18
15380,29
15765,4
16150,51
16535,62
16920,73
17305,84
17789,35
18272,86
18756,37
19239,88
20407,14
21574,4
22741,66
23908,92
24370,55
24832,18
27905,61
30979,04
35346,92
35352,8
35358,68
35364,56
35370,44
37169,12
48008,1
48008,1
Días
Total AcumuladoGRÁFICO DE LA REGIÓN FACTIBLE DEL PRESUPUESTO
REPORTE DESPUÉS DE 20 DÍAS (21-06-09)
ACTIVIDAD CR (Soles) C i , j (Soles) AVANCE (%) Vi Di
A 252.10 250.00 100 250.00 2,1
B 252.11 200.00 52 104.00 148,11
C 656.15 656.30 100 656.30 0,15
D 1,161.50 1,162.00 100 1162.00 -0,5
E 1,283.76 1,280.50 100 1280.50 3,76
F 11,547.83 11,550.60 100 11550.60 -2,77
G 2,017.34 2,018.20 100 2018.20 -0,86
H 252.10 300.00 100 300.00 -47,9
I 1,946.02 1,910.50 50 955.25 990,77
J 4,625.62 4,645.50 - - -
K 7,600.70 7,835.40 - - -
L 1,868.06 1,823.00 - - -
M 1,783.01 1,750.20 - - -
N 370.64 385.30 - - -
O 9,402.58 9,425.60 - - -
P 2,831.54 2,815.00 - - -
1092,86
TEMA: CONTRACCIÓN DE LA REDTEMA: CONTRACCIÓN DE LA RED
A) Método PrácticoMétodo Práctico : : CONTRACCIÓN TOTAL DE LA RED
Días Soles Días Soles/Días Días Soles
ACT.
TIEMPO PROMEDIO
(T)
TIEMPO DE URGENCIA (T’)
C i , j
COSTO DE URGENCIA (C’)
MARGEN DE REDUCCIÓN (Mj)
COSTO DE REDUCCIÓN
(Kj)
RUTA
CRITIC
A
TIEMPO DE REDUCCIÓN
(Yj)
COSTO POR REDUCCION DE ACTIVIDAD
(KjYjJ)
A 2 2 250.00 250.00 0 M Si
B 34 32 200.00 212.00 2 6.00 No / si Y=2 12.00
C 1 1 656.30 656.30 0 M Si
D 1 1 1,162.00 1,162.00 0 M Si
E 1 1 1,280.50 1,280.50 0 M Si
F 6 4 11,550.60 15,500.60 2 1975.00 Si
G 6 5 2,018.20 2,356.50 1 338.30 No
H 7 4 300.00 425.00 3 41.67 Si Y=1,Y=2 125.01
I 4 3 1,910.50 2,370.50 1 460.00 Si
J 4 2 4,645.50 6,948.50 2 1151.50 Si
K 3 2 7,835.40 10,500.60 1 2665.20 No
L 4 2 1,823.00 2,730.00 2 453.50 Si
M 1 1 1,750.20 1,750.20 0 M Si
N 5 3 385.30 540.00 2 77.35 Si
O 1 1 9,425.60 9,425.60 0 M Si
P 2 1 2,815.00 4,218.00 1 1403.00 No
TOTAL 137.01
Resultados al disminuir un día en la actividad H Ruta Crítica: A,C,D,E,F,H,I,J,L,M,N,O,QResultados al disminuir 2 días tanto en la actividad B y H Ruta Crítica: A,B,C,D,E,F,H,I,J,L,M,N,O,Q(nueva RC en B)
Contracción Total de la RedContracción Total de la Red
de Actividadesde Actividades
B)B) do de Programación Linealdo de Programación Lineal
Objetivo:
Min W = M*Y A+6.00∗Y B+M∗Y C+M∗Y D+M∗Y E+ I 975.00∗Y F+338.30∗Y G+41.67∗Y H+460.00∗Y I+1151.50∗Y J+2665.20∗Y K+453.50∗Y L+M∗YM+77.35∗Y N+M∗Y O+1403.00∗Y P
Restricciones:
a) Descripción de la red:
X1=0X2≥2−Y A+X1
X3≥1−Y C+X 2
X 4≥1−Y D+X3
X5≥1−Y E+X 4
X6≥6−Y F+X5
X7≥7−Y H+X6
X7≥6−Y G+X5
X 8≥4−Y I+X7
X 9≥4−Y J+X8
X10≥3−Y K+X 9
X11≥4−Y L+X9
X12≥1−YM+X11
X12≥0−Y f 1+X10
X13≥5−Y N+X12
X14≥1−Y o+X13
X14≥2−Y P+X10
X14≥34−Y B+X2
X15≥1−Y Q+X 14
b) Tiempo de reducción por actividades
Y A=0Y B≤2Y C=0Y D=0Y E=0Y F≤2
Y G≤1Y H≤3Y I≤1Y J ≤2Y K≤1
Y L≤2Y M=0Y N≤2Y O=0Y P≤1
c) Contracción de la Red:
X15≤35
d) Criterio de No Negación:
X j;Y j≥0
TEMA 5: MODELO DE DECISIONES
Dado que la toma individual de decisiones no es un proceso simple, y que se encuentra condicionado por metas, características sicológicas y marcos de referencia de quien toma las decisiones, los modelos de decisión brindan un verdadero apoyo a la toma de decisiones proporcionando diferentes opciones para manejar la información y evaluarla.
Con frecuencia se toman decisiones en entornos que tienen incertidumbre, estas se analizan teniendo en cuenta las probabilidades a priori y a posteriori.
1. TOMA DE DECISIONES CON PROBABILIDADES A PRIORI
Terminología utilizada en los modelos de toma de decisiones:
• Alternativas de solución (di): El tomador de decisiones necesita elegir una de las alternativas posibles. Esta bajo su control
• Estados de la naturaleza (Sj): Acontecimientos o eventos que afectan el resultado de la decisión. No es controlado por el tomador de decisiones.
• Resultados V (di, Sj): Cada combinación de una alternativa de solución y un estado de la naturaleza da como resultado un pago, que se da por medio de una tabla de pagos.
• Matriz de Pago o de Resultados: el conjunto de resultados constituye la matriz de pagos. Las entradas de una matriz de pagos se pueden cuantificar en términos de utilidad, costo, tiempo o cualquier otra medida de resultado que pudiera ser apropiada para la situación a analizar.
Sj
d(i)
Estados de la naturaleza
S1 S2 ... Sj ... Sn
d1 V(d1;S1)
d2
.
di V(di;Sj)
.
dm
p(Sj) p1 p2 ... pj ... Pn
• Árbol de decisión: Está formada por nodos de decisión ; nodos de estado , enlace entre los nodos (ramas) y resultados al final de las ramas. Representa gráficamente el proceso de toma de decisiones.
2. CRITERIOS DE DECISIÓN
TOMA DE DECISIONES SIN PROBABILIDADES
Este criterio ignora las probabilidades de los estados de la naturaleza. Se enfoca en los siguientes métodos:
2.1. El Método Optimista
Propone buscar los mejores resultados posibles para cada alternativa de decisión y escoger la alternativa que tenga el resultado más óptimo. Esta estrategia ignora las consecuencias que puede traer dicha elección.
La elección de la alternativa depende del tipo de problema. Para un problema de maximización le corresponde optar por aquella alternativa con la utilidad más alta; para un problema de minimización le corresponde optar por aquella alternativa con el menor valor.
2.2. El Método Pesimista
Propone buscar los peores resultados posibles para cada alternativa de decisión y escoger la alternativa con el mejor de los peores resultados posibles.
La elección de la alternativa depende del tipo de problema. Para un problema de maximización le corresponde el max (min); para un problema de minimización le corresponde el min (max).
2.3. El Método de la Deploración
La elección de la alternativa se realiza mediante el costo de oportunidad y depende del tipo de problema.
Hallar la matriz de deploración mediante R (d i , S j )=V∗(S j )−V (d i ,S j)
S1 ... Sm
d1 R (d1 , S1) ... R (d1 , Sm )
dn R (dn , S1 ) ... R (dn , Sm )
a) Para un problema de maximización: V*(S j¿ es el mayor valor. Se identifican los máximos resultados de cada fila en la matriz hallada. Luego se opta por la mejor decisión mediante el min (max) de los valores encontrados.
b) Para un problema de minimización: V*(S j¿ es el menor valor. Se identifican los mínimos resultados de cada fila en la matriz hallada. Luego se opta por la mejor decisión mediante el max (min) de los valores encontrados.
TOMA DE DECISIONES CON PROBABILIDADES A PRIORI
En muchas situaciones de toma de decisión podemos obtener estimaciones de probabilidades para cada uno de los estados de la naturaleza. Cuando sus probabilidades están disponibles podemos usar el enfoque de valor esperado para identificar cual es la mejor alternativa de decisión.
N = Número de estados de la naturaleza
p (S j )= Probabilidad del estado de la naturaleza S j
Dado que solamente pueden ocurrir uno y solamente uno de los N estados de la naturaleza, las probabilidades deben de satisfacer dos condiciones:
Para cada alternativa de decisión calcule el valor esperado VE (di).
VE (d i )=∑j=1
n
p (S j )∗V (d i , S j)
Las probabilidades correspondientes deben satisfacer las siguientes condiciones:
P(sj)≥ 0 Para todos los estados de la naturaleza
∑j=1
n
p (S j )=p (S1 )+ p (S2 )+…+p (Sn )=1
Finalmente, seleccione la alternativa con el mayor valor esperado.
3. ANALISIS DE SENSIBILIDAD
Permite diseñar escenarios en los cuales podremos analizar posibles resultados de nuestro proyecto, cambiando los valores de sus variables y restricciones financieras y determinar el cómo esta afecta el resultado final.
Para el caso con dos estados de la naturaleza, se puede realizar un análisis de sensibilidad usando un procedimiento gráfico; para ello se le asigna:
p (S1 )=p y p (S2 )=( p−1)
Luego se evalúa el VE (di); graficando estas ecuaciones lineales en:
En el gráfico se realiza el análisis correspondiente, estableciéndose los rangos de variación de p y las modificaciones de las decisiones recomendadas.
VALOR ESPERADO DE LA INFORMACION PERFECTA (VE de IP)
La VEIP puede considerarse como una medida general de impacto económico de la incertidumbre en el problema de decisión. Es un indicador de valor máximo que convendría pagar por conseguir información adicional antes de actuar.
VEdeIP = VEconIP - VE*
VEconIP =∑j=1
n
p(Sj) . (mejor valor en Sj)
VE*: Mejor valor esperado.
TRABAJO APLICATIVOTRABAJO APLICATIVO
La empresa Piedrín ubicada en la cuidad de Huacho, está considerando preparar las siguientes cantidades de hamburguesa de carne 65,80 y 120 unidades; además se cuenta con los siguientes datos correspondientes a las ventas de la última semana en la ya mencionada hamburguesería.
Baja Demanda Alta Demanda
Lunes
MartesMiércoles
Jueves Viernes Sábado Domingo
52 68 85 75 105 112 120
Dichos datos nos han permitido hallar las posibles demandas, las cuales 70,112.
La matriz de utilidades se muestra a continuación:
S1(70) S2(112)
d1(65)+52 -24
d2(80) +56 -28
d3(120) -40 +89.6
Probabilidades
0.57 0.43
Ofertas
d1=65
d2=80
d3=120
CRITERIOS DE DECISIÓN
TOMA DE DESICIONES SIN PROBABILIDADES
1. El Método Optimista En este método elijaremos d3 ya que es el mejor resultado que nos brinda mayor utilidad
d3(120)
2. El Método ConservadorEn este método optamos por la decisión 1, ya que es la peor decisión de donde se obtendría la utilidad mínima.
d1(65)
3. El Método De La Deploración (Costo De Oportunidad)
S1(70) S2(112) Min(Max)
d1(65)4 113.6 113.6
d2(80) 0 117.6 117.6
d3(120) 96 0 96
TOMA DE DECISIONES CON PROBABILIDADES A PRIORI
1. Criterio De Probabilidad Máxima.Se opta por la decisión 2 ya que es la alternativa de decisión que tiene el mayor pago para el estado de naturaleza de probabilidad 0.57 (el mayor).
d2(80)2. Criterio de igual probabilidad.
Probabilidadde decisiones
d1(65)14
d2(80) 14
d3(12 0) 24.8
3. Regla De Decisión De Bayes.
VE ( di ) = ∑j=1
n
p(Sj) V ( di , Sj )
Donde:
n es el número de posibles estados de la naturaleza
p( Sj) es la probabilidad de ocurrencia del estado de la naturaleza Sj.
Entonces:
VE (d1 )=0.57∗(52 )+0.43∗(−24 )
VE (d1 )=19.32
VE¿ (d2 )=0.57∗(56 )+0.43∗(−28 )
VE (d1 )=19.88 Optamos por la decision 2
VE (d3 )=0.57∗(−40 )+0.43∗(89.6 )
VE (d1 )=15.73
4. Árbol de decisión.
5. Análisis De Sensibilidad
VE (d1 )=52 p−24∗(1−p )=76 p−24
VE (d2 )=56 p−28∗(1−p )=84 p−28
VE (d3 )=−400+89.6∗(1−p )=−129.6 p+89.6
6. Valor Esperado De La Información Perfecta (Vedeip)VEdeIP = VEconIP - VE*
Valor Esperado con la Información Perfecta (Veconip)
VEconIP =∑j=1
n
p(Sj) . (Mejor valor en Sj)VEconIP =0.57*(56)+0.43*(89.6)VEconIP =75.578
Entonces:
VEdeIP = 75.578 – 19.88
VEdeIP = 55,698
∴El margen de utilidad que se puede conseguir es de 55,698
P=0.55P
VE
84p-28 = -129.6p+89.6213.6p=117.6
P=0.55
P∈¿
P∈[0.55 ;1]→d2
Tema 6: MODELO DE DECISIONES CON PROBABILIDADES A POSTERIORI
USO DE NUEVA INFORMACION PARA ACTUALIZAR PROBABILIDADProbabilidad A Priori de los estados de la naturaleza, son subjetivos por ello solo puede que sean estimaciones de las verdaderas probabilidades. Por ello se da sondeos adicionales (a cierto costo) para mejorarlas, estas reciben el nombre de probabilidades a posterioriANALISI BAYESIANOCombina datos de la probabilidad a priori con los datos muestrales, desarrollados por BAYES
La información adicional sobre los estados de la naturaleza que actualizara las probabilidades anteriores, se llama INFORMACIÓN MUESTRAL.
La nueva información combinada con la anterior, mediante el procedimiento bayesiano se le llama probabilidad posteriori o modificada
La nueva información se llama INFORMACION MUESTRAL (IM) o indicador I k Y la probabilidad será P(Sk /J k)
Ley de bayes: p (Sk / I k )=p ( I k /Sk ) p (Sk )
P(I k )
Donde p ( I k )=∑j=1
N
p ( I k /S j ) p(S j)
El análisis Bayesiano se puede realizar en un árbol de decisión
VALOR ESPERADO DE LA INFORMACIÓN MUESTRAL (VEIM)VEde ℑ=VEcon ℑ−VE¿
EFICIENCIA DE LA INFORMACIÓN MUESTRAL
E= VEde ℑVE de IP
Para valores de E:
Bajos se recomienda buscar otro tipos de información Altos la IM es casi tan buena como la IP
UTILIDAD Y PREFERENCIA EN LA TOMA DE DECISIONESEsto se da para casos en que la decisión que muchas veces tomemos no solo depende del mejor valor monetario que nos brinde esa opción, sino de criterios o preferencias del decisor.Utilidad Esperada (UE) :Para poder hallar la Utilidad Esperada se deben seguir los siguientes pasos:
Se asigna en primer lugar un valor utilitario a los posibles resultados mejor y peor de las situaciones de decisión.
Se determina luego la utilidad correspondiente a cada uno de los resultados V(di;Sj) restantes.
U (di ; Sj) = p. U[máx.(di ; Sj)] +(1-p). U [min(di ; Sj)] =10p
Donde p es la preferencia que tiene el decisor al máx. (di ; Sj) respecto al V(di;Sj). Luego se obtiene la siguiente tabla:
di S1 S2 . . . SN
d1 U(d1;S1) U(d1;S2) . . . U(d1;SN)d2 U(d2;S1) U(d2;S2) . . . U(d2;SN). . . . . . .. . . . . . .dm U(dm;S1) U(dm;S2) . . . U(dm;SN)P(Sj) P(S1) P(S2) . . . P(SN)
La utilidad esperada se obtiene mediante:
La decisión elegida será aquella con el mejor UE(di )
TRABAJO APLICATIVOTRABAJO APLICATIVO
La empresa Pedrín, está considerando preparar las siguientes cantidades de hamburguesa de carne 65,80 y 120 unidades. La matriz de utilidades se muestra a continuación:
U [min(di ; Sj)] = 0
U [máx.(di ; Sj)] = 10
UE (d i )=∑j=1
N
p (S j )U (d i ;S j)
Ofertas
d1=65
d2=80
d3=120
S1(70) S2(112)d1(65)52 14.4
d2(80) 56 30.4d3(120) 56 89.6
Probabilidades
0.57 0.43
S1: Promedio de Demanda Baja (70).
S2: Promedio de Demanda Alta (112).
VARIABLES DE LA INFORMACIÓN MUESTRAL:
I 1: Cliente Paciente: Aquellos clientes que esperan pacientemente la atención de su pedido.
I 2: Cliente Impaciente: Aquellos clientes ansiosos que no desean esperar mucho para ser atendidos. Estos dejan el
establecimiento por el tiempo de espera y se dirigen a otro de la competencia.
LA INFORMACION MUESTRAL
Se recabó información aleatoria con respecto al último mes, en la cual se contempla aproximadamente que de cada 10 clientes en que la demanda era baja, se estimaba que 2 clientes resultaban ser impacientes, y de cada 10 clientes en que la demanda era alta, 6 clientes eran impacientes.
Dicha información ha sido plasmada en el siguiente cuadro.
La información en porcentajes es la siguiente.
1. Cálculo del Valor Esperado:
Ofertas
d1=65
d2=80
d3=120
I 1 I 2 Total
S1 2 8 10S2 6 4 10
I 1 I 2
S1 0.20 0.80
S2 0.60 0.40
VE (d1 )=0.57∗(52 )+0.43∗(14.4 )
VE (d1 )=35.832
VE¿ (d2 )=0.57∗(56 )+0.43∗(30.4 )
VE (d2 )=44.992 VE (d3 )=0.57∗(56 )+0.43∗(89.6 )VE (d3 )=70.448
2. Cálculo del Valor Esperado de Información Perfecta:
VEdeIP = VEconIP - VE*
Valor Esperado con la Información Perfecta (Ve con ip)
VEconIP =∑j=1
n
p(Sj) . (Mejor valor en Sj)VEconIP =0.57*(56)+0.43*(89.6)VEconIP =75.578
Entonces:
VEdeIP = 75.578 – 70.45
VEdeIP = 5,128
∴El margen de utilidad que se puede conseguir es de 5,128
3. Cálculo del Valor Esperado de Información Muestral:
P ( I k )=∑j=1
N
P ( I k /S j ) P(¿ S j)¿
P ( I1 )=(0.57∗0.2 )+(0.43∗0.6 )=0.372
P ( I 2)=(0.57∗0.8 )+(0.43∗0.4 )=0.628
P(S j / I k)=P(I k /S j)P (S j)
P ( I k )
P( S1
I1)=0.57∗0.2
0.372=0.306
P( S2
I1)=0.43∗0.6
0.372=0.694
P( S1
I 2)=0.57∗0.8
0.628=0.726
P( S2
I2)=0.43∗0.4
0.628=0.274
Optamos por la
Valor Esperado con Información Muestral (Ve con im)
VEconIM =(0.372*79.318)+(0.628*65.206)VEconIM =70.456
Entonces:
VEdeIM = 70.456 – 70.448
VEdeIM = 0.008
4. Eficiencia de la Información Muestral:
E= VEdeIM/ VEdeIP
E= 0.008/5,128 = 0.0016
5. Utilidad Esperada
U[min(d1;Sj)] = 0
U[max(d1;Sj)] = 10
U(d1;Sj) =p. U[max(d1;Sj)] = 10 + (1-p) U[min(d1;Sj)]
U(d1;Sj) = 10p
V (d1 , S j) Preferencia (p)
89.6 1
56 0.8
52 0.6
30.4 0.4
14.4 0.2
S1 S2d1 6 2d2 8 4d3 8 1P(Sj) 0.57 0.43
UE(d1) = (0.57*6)+(0.43*2) = 4.28UE(d2) = (0.57*8)+(0.43*4) = 6.28UE(d3) = (0.57*8)+(0.43*1) = 4.99
Conclusiones
Para la toma de decisiones con probabilidades a posteriori es necesario realizar un estudio muy minucioso del mercado para obtener de esa manera la información más exacta posible y tomara decisiones con la mayor confiabilidad posible, reduciendo el grado de incertidumbre.
Optamos por la
Con el método de la utilidad y preferencias establecimos los criterios que según el decisor deben de tener sus decisiones, asignándoles preferencias para cada uno de ellos.
La toma de decisiones con la regla de decisión de Bayes muestran la incertidumbre de tomar una decisión, planteadas en modelos matemáticos pero a diferencia de Bayes el segundo toma como punto principal las preferencias del decisor para cada uno de sus posibles resultados.
TEMA 7 : TOMA DE DECISIONES CON CRITERIOS MÚLTIPLES
En el mundo real, se consideran problemas con objetivos múltiples en forma simultánea; por lo tanto es necesario utilizar técnicas que permitan evaluar estos criterios múltiples para llegar a la mejor decisión global; para ello se consideran las siguientes técnicas.
1. PROGRAMACIÓN META (PM)
La programación por metas es un enfoque para tratar problemas de decisión gerencial que comprenden metas múltiples o inconmensurables, de acuerdo a la importancia que se le asigne a estas metas.
Un factor clave que diferencia la PM de la lineal es la estructura y la función objetivo. En la PL se incorpora una meta en la función objetivo, mientras que en la PM se incorporan muchas metas expresadas en forma de restricción, incluyendo una variable de desviación para reflejar la medida en que se llegue o no a lograr la meta, e incorporando esa función en la función objetivo. Estas variables de desviación, que se denominan de "holgura" o "sobrantes" en PL toman un nuevo significado en la PM. Ellas se dividen en desviaciones positivas y negativas de cada una de las submetas o metas.
En la PM, en vez de intentar minimizar o maximizar la Función Objetivo directamente, como en la PL, se minimizan las desviaciones entre las metas. (Todos los problemas de PM son de MIN).
PROCEDIMIENTO
1. Identificar las metas y nivel de prioridades.2. Definir las variables de decisión.3. Plantear las restricciones.
Restricción del sistema (duras). Restricciones metas (suaves); (se incluyen las variables de desviación “d “ ).
d+ : por encima de la meta. d- : por debajo de la meta.
4. Plantear la función objetivo (MIN: d+ o d-).5. Solución del modelo.
TEMA 8: PROCESO ANALÍTICO DE JERARQUÍAS ( PAJ )
DEFINICIÓN: Es técnica estructurada que fue diseñada para resolver problemas complejos que tienen criterios múltiples para la toma de decisiones sobre todo en la investigación de mercados de nuevos productos.
PROCEDIMIENTO
1. Desarrollo de jerarquías. 2. Elaboración de la matriz de comparaciones
pareadas.3. Sintetización.
Vector de prioridades.4. Jerarquización global.
PRUEBA DE CONSISTENCIAEvalúa la calidad de las comparaciones pareadas mediante la relación de consistencia (RC).RC = IC / IA ; si RC 0.10; se considera un nivel de consistencia aceptable.
El índice aleatorio (IA) depende del número de elementos que se comparan (Tabla).
n 3 4 5 6 7 8IA 0.58 0.90 1.12 1.24 1.32 1.41
El índice de consistencia (IC) se obtiene mediante:
IC=(λ¿¿max−n)/(n−1)¿
Para hallar λmax. : 1. Se halla el vector suma ponderada.
2. Se divide los elementos del vector suma ponderada entre el correspondiente valor de prioridad.
3. λmax.. es el promedio de (2).Escala para comparaciones PAR a PAR
1 Igualmente importante2 Moderadamente importante3 Fuertemente importante4 Muy fuertemente importante5 Extremadamente importanteAplicación del Proceso Analítico Jerárquico a un caso de Elección de la Mejor Pollería
Se trata de aplicar la teoría del PAJ en un problema en el que existe un consumidor que quiere elegir una pollería, la cual
podría estar ofertando servicio con cierto valor agregado. Por ello este individuo, al que nos referimos como centro
decisor, se plantea como debe seleccionar la mejor pollería para satisfacer sus necesidades. El objetivo de esta aplicación
es mostrar a este individuo un método que facilite la toma de decisión.
Modelización del problema:
Objetivo: Elección de la Mejor Pollería.
Criterios:
Precio
Calidad
Entretenimiento
Atención
Alternativas: Aquellas propuestas factibles que nos llevara a alcanzar el objetivo, en este caso, determinado por las más
importantes pollerías ubicadas en la Av. 28 de Julio de Huacho:
Pollo Loco
Yorkys
Rockys
1. Jerarquía
2. MATRIZ DE COMPARACIÓN DE CRITERIOS:
CriteriosPrecio
Calidad
Entretenimiento
Atención
Precio 1 1/3 4 1/2Calidad 3 1 5 2Entretenimiento 1/4 1/5 1 1/4
Atención 2 1/2 4 1
Elección de la Mejor Pollería
Precio
Pollo Loco
Yorkys
Rockys
Calidad
Pollo Loco
Yorkys
Rockys
Entretenimiento
Pollo Loco
Yorkys
Rockys
Atencion
Pollo Loco
Yorkys
Rockys
Total 6.25 2.03 14 3.75
2.1. Hallando el vector de prioridad
CriteriosPrecio
Calidad
Entretenimiento
Atención
V.P
Precio 0.16 0.16 0.29 0.13 0.19Calidad 0.48 0.49 0.36 0.53 0.47Entretenimiento 0.04 0.10 0.06 0.07 0.07
Atención 0.32 0.25 0.29 0.27 0.28
2.2. Prueba de Consistencia:
Calculando Vector Suma ponderado
1
* 0.19
+
1/3
* 0.47
+
4
* 0.07 +
1/2
*0.28
=
0.77
3 1 5 2 1.95
1/4 1/5 1 1/4 0.28
2 1/2 4 1 1.18
Calculando la media ℷmax
λ=( 0.770.19 )+( 1.95
0.47 )+( 0.280.07 )+( 1.18
0.28 )4
=4.10
Calculando el índice de Consistencia (IC):
IC=( λ−n)n−1
IC=(4.10−4)
3=0.03
Calculando la Razón de Consistencia:
RC= ICIA
RC=0.030.90
=0.03
En este caso el grado de consistencia dio aceptable (0.03) al ser menor que 0.10
3. MATRIZ DE COMPARACIÓN DE ALTERNATIVAS EN TERMINOS DEL CRITERIO PRECIO
Precio Pollo Loco
Yorkys
Rockys
Pollo Loco 1 1/3 2
Yorkys 3 1 4Rockys 1/2 1/4 1Total 4.50 1.58 7.00
3.1. Hallando el vector de prioridad
Precio Pollo Loco
Yorkys
Rockys
V.P
Pollo Loco 0.22 0.21 0.29 0.24
Yorkys 0.67 0.63 0.57 0.62Rockys 0.11 0.16 0.14 0.14
3.2. Prueba de Consistencia:
Calculando Vector Suma ponderado
1 1/3 2 0.72
3* 0.24
+ 1* 0.62
+ 4 * 0.14
=1.89
1/2 1/4 1 0.41
Calculando la media ℷmax
λ=( 0.720.24 )+( 1.89
0.62 )+( 0,410.14 )
3=3.02
Calculando el índice de Consistencia (IC):
IC=( λ−n)n−1
IC=(3.02−3)
2=0.01
Calculando la Razón de Consistencia:
RC= ICIA
RC=0.010.58
=0.017
En este caso el grado de consistencia dio aceptable (0.017) al ser menor que 0.10
4. MATRIZ DE COMPARACIÓN DE ALTERNATIVAS EN TERMINOS DEL CRITERIO CALIDAD
Calidad Pollo Loco
Yorkys
Rockys
Pollo Loco 1 4 3
Yorkys 1/4 1 1/2Rockys 1/3 2 1Total 1.58 7.00 4.50
4.1. Hallando el vector de prioridad
Calidad Pollo Loco
Yorkys
Rockys
V.P
Pollo Loco 0.63 0.57 0.67 0.62
Yorkys 0.16 0.14 0.11 0.14Rockys 0.21 0.29 0.22 0.24
4.2. Prueba de Consistencia:
Calculando Vector Suma ponderado
1 4 3 1.89
1/4* 0.62 + 1 *
0.17+ 1/2 *
0.24=
0.41
1/3 2 1 0.7
2
Calculando la media ℷmax
λ=( 1.890.62 )+( 0.41
0.14 )+( 0.720.24 )
3=3.02
Calculando el índice de Consistencia (IC):
IC=( λ−n)n−1
IC=(3.02−3)
2=0.01
Calculando la Razón de Consistencia:
RC= ICIA
RC=0.010.58
=0.017
En este caso el grado de consistencia dio aceptable (0.017) al ser menor que 0.10
5. MATRIZ DE COMPARACIÓN DE ALTERNATIVAS EN TERMINOS DEL CRITERIO ENTRETENIMIENTO
Entretenimiento
Pollo Loco
Yorkys
Rockys
Pollo Loco 1 2 1/2Yorkys 1/2 1 1/2Rockys 2 2 1Total 3.5 5.00 2.00
5.1. Hallando el vector de prioridad
Entretenimiento
Pollo Loco
Yorkys
Rockys
V.P
Pollo Loco 0.29 0.4 0.25 0.31Yorkys 0.14 0.2 0.25 0.20Rockys 0.57 0.4 0.5 0.49
5.2. Prueba de Consistencia:
Calculando Vector Suma ponderado
1 2 1/2 0.96
1/2* 0.31 + 1 *
0.20+ 1/2 *
0.49=
0.60
2 2 1 1.85
Calculando la media ℷmax
λ=( 0.960.31 )+( 0.60
0.20 )+( 1.850.49 )
3=3.06
Calculando el índice de Consistencia (IC):
IC=( λ−n)n−1
IC=(3.06−3)
2=0.0 3
Calculando la Razón de Consistencia:
RC= ICIA
RC=0.030.58
=0.05
En este caso el grado de consistencia dio aceptable (0.05) al ser menor que 0.10
6. MATRIZ DE COMPARACIÓN DE ALTERNATIVAS EN TERMINOS DEL CRITERIO ATENCIÓN
Atención
Pollo Loco
Yorkys
Rockys
Pollo Loco 1 1/4 3
Yorkys 4 1 5Rockys 1/3 1/5 1Total 5.33 1.45 9.00
6.1. Hallando el vector de prioridad
Atención
Pollo Loco
Yorkys
Rockys
V.P
Pollo Loco 0.19 0.17 0.33 0.19
Yorkys 0.75 0.69 0.56 0.75Rockys 0.06 0.14 0.11 0.06
6.2. Prueba de Consistencia:
Calculando Vector Suma ponderado
1 1/4
3 0.70
4* 0.19 + 1 *
0.75+ 5 *
0.06=
2.09
1/3 1/5
1 0.31
Calculando la media ℷmax
λ=( 0.700.19 )+( 2.09
0.75 )+( 0.310.06 )
3=3.09
Calculando el índice de Consistencia (IC):
IC=( λ−n)n−1
IC=(3.09−3)
2=0.0 45
Luego:
Calculando la Razón de Consistencia:
RC= ICIA
RC=0.0450.58
=0.08
10 8
Investigación Operativa II Ing. De sistemas
En este caso el grado de consistencia dio aceptable (0.08) al ser menor que 0.10
7. PRIORIDAD GLOBAL
PGPolloLoco=(0.24 )∗(0.19 )+(0.62 ) (0.47 )+ (0.31 ) (0.07 )+(0.19 ) (0.28 )=0.4119
PGYorkys=(0.62 )∗(0.19 )+ (0.14 ) (0.47 )+ (0.20 ) (0.07 )+(0.75 ) (0.28 )=0.4076
PGRockys=(0.14 )∗(0.19 )+ (0.24 ) (0.47 )+(0.49 ) (0.07 )+(0.06 ) (0.28 )=0.1905
Luego de los procedimiento anteriormente realizados podremos observar que la alternativa que mejor se ajuste a las necesidades del centro decisor sería la Pollería Pollo Loco.
CONCLUSIÓN
Tanto la Programación por Metas como la aplicación del Proceso Analítico Jerárquico no nos garantiza la mejor
decisión, ya que estos son modelos que nos permite realizar un análisis de que la decisión que se recomienda o
adopta este basada en el análisis minucioso de un problema y en la síntesis de la información formada por el
conocimiento, experiencia, opiniones y preferencias de los diferentes agentes que se hallan involucrado en el
proceso de toma de decisión. En otras palabras hay que considerarlo como un procedimiento que permite en la
generalidad de los casos obtener resultados razonables de problemas multicriterio de gran complejidad e
importancia.
10 8
Investigación Operativa II Ing. De sistemas
PROGRAMACIÓN DINÁMICA
1. DEFINICIÓN DE PROGRAMACIÓN DINÁMICA:
La programación dinámica es un enfoque general para la solución de problemas en los que es
necesario tomar decisiones en etapas sucesivas. Las decisiones tomadas en una etapa
condicionan la evolución futura del sistema, afectando a las situaciones en las que el sistema
se encontrará en el futuro (denominadas estados), y a las decisiones que se plantearán en el
futuro.
Conviene resaltar que a diferencia de la programación lineal, el modelado de problemas de
programación dinámica no sigue una forma estándar. Así, para cada problema será necesario
especificar cada uno de los componentes que caracterizan un problema de programación
dinámica.
En muchos casos las decisiones del pasado afectan los escenarios del futuro. En estos casos se
pueden tomar 2 opciones: asumir que el efecto temporal o dinámico espoco relevante y solo
considerar modelos de un periodo (PPL) o considerar el efectodinámico dentro del modelo
(programación dinámica).
La programación dinámica nace después de la segunda guerra mundial, donde se presentó la
necesidad de resolver procesos de decisión en múltiples etapas. Está técnica usa funciones
recursivas y un principio de optimalidad, desarrollado por Bellman, para resolver este tipo de
problemas.
2. EL MODELO DE PROGRAMACIÓN DINÁMICA
La formulación del modelo que se verá a continuación corresponde a la formulación
backward. Cabe señalar que también existe la formulación forward.
El concepto de programación dinámica se basa en el uso de ecuaciones funcionales y
el principio de optimalidad de Bellman. Las ecuaciones funcionales corresponden a:
10 8
Investigación Operativa II Ing. De sistemas
Las funciones que dan cuenta de la función objetivo (desde una etapa k hasta el fin del
horizonte de tiempo)
La función de interrelación entre estados de 2 etapas consecutivas.
Condiciones de borde.
A continuación se muestra la formulación backward:
fk(yk) =máx{Hk(yk,xk,fk+1(yk+1))}
xk ∈Ak(yk)
yk+1 = Tk(yk,xk)
k = n, n − 1,...,1
y1 = M
fn+1(yn+1) = F
Describamos cada elemento:
1. Etapas: k
Particiones del problema en los cuales se pueden tomar decisiones que no dependan de
estados anteriores, sino sólo del estado actual. Ej.: días, meses, años, etapas de
producción en una línea, etc. Para su programación debe existir una etapa final(n).
2. Variables de Estado: yk
Variables que caracterizan la situación en la que se encuentra el sistema en una etapa
dada. Estás variables dan la independencia a la etapa actual de las etapas anteriores, por
lo que deben existir tantas variables de estado como las que permitan establecer en qué
condiciones comienza (o finaliza) una etapa para su posterior optimización.
3. Variables de Decisión: xk
Decisiones cuantificables cuyos valores se intenta determinar por medio de la resolución
del modelo. Su valor determina el valor de las variables de estado de las etapas futuras.
10 8
Investigación Operativa II Ing. De sistemas
4. Espacio de Soluciones Factibles: Ak(yk)
Espacio de soluciones factibles de las variables de decisión. Estos valores pueden
depender de las variables de estado, es decir, para valores distintos de las variables de
estado puede haber distintos espacios de soluciones factibles.
5. Ecuaciones de Recurrencia:
Función de Recursión: fk
Ecuación que indica cómo se acumula la función de valor desde la etapa k hasta la etapa
final.
Función de Transformación: yk+1 = Tk(yk,xk)
Ecuación que indican cómo se relaciona las variables de estado y decisión de una etapa
con la variable de estado de la etapa posterior.
6. Función de Valor o Beneficio: ( Función Objetivo) Hk
Criterio de comparación entre distintos valores de las variables de estado. Es el objetivo
a alcanzar por la resolución del problema en cada etapa.
7. Condiciones de Borde: y1 = M y fn+1(yn+1) = F
Limitaciones que deben imponerse al problema, corresponden a condiciones iniciales o
finales que deben cumplirse.
Veamos algunas características de este modelo importantes de ser destacadas:
1. Esta formulación tiene el concepto de recursividad, que es la generalización del concepto
dinámico del modelo. Esto se observa en que fk(yk) es definido en función de las variables
(yk, xk) del periodo k y en función de s´ı misma en el periodo siguiente (fk+1(yk+1)).
10 8
Investigación Operativa II Ing. De sistemas
2. Las condiciones de borde permiten obtener la solución explicita del modelo, ya que la
etapa n requiere conocer fn+1, y la etapa 1 requiere desparametrizar la solución, asignando
un valor conocido a y1.
3. La función Hk corresponde a la representación de la función objetivo en la etapa k hasta la
etapa n. Ella deberá construirse de manera que otorgue el valor de la función objetivo en cada
etapa.
4. La función de transformación Tk(yk,xk) establece la relación entre las variables de
estado yk e yk+1 para 2 periodos consecutivos. La variable de estado de la etapa siguiente
(yk+1) es expresada como una función de la variable de estado (yk) y de la variable de decisión
(xk) de la etapa actual.
5. El conjunto Ak representa al conjunto de restricciones asociadas a la variable de decisión de
la etapa k. Estas restricciones sólo deben incluir a las variables de decisión de la etapa k y no
deben incluir a las de otras etapas.
6. La solución del subproblema de optimización en la etapa k, es una solución paramétrica en
la variable de estado yk, ya que f es en función de ella. Este subproblema de optimización tiene
como variable de decisión a xk, y el resultado es leído como: “para la etapa k, xk es la mejor
decisión para un yk dado, y fk(yk) es el mejor valor de la función objetivo desde la
etapa k hasta la etapa n”.
7. Se denomina política óptima de la etapa k, k + 1,...,n para un determinado estado inicial en
la etapa k. La política óptima global, esto es, desde la etapa 1,constituye la solución óptima del
problema, puesto que en la etapa 1 se tiene sólo un estado inicial factible.
3. PRINCIPIO DE OPTIMALIDAD DE BELLMAN
10 8
Investigación Operativa II Ing. De sistemas
La resolución del modelo en forma óptima mediante programación dinámica está garantizada
siempre y cuando las soluciones del problema verifiquen el principio de optimalidad de
Bellman: “Una solución óptima tiene la propiedad que cualquiera sea el estado inicial y la
decisión inicial, las decisiones para las etapas posteriores deben constituir una política óptima
con respecto al estado resultante de la primera decisión”.
En otras palabras, las decisiones involucradas desde una etapa en adelante sólo dependen del
estado inicial de la etapa y no de las decisiones previas.
4. CARACTERÍSTICAS DE UN PROBLEMA DE PROGRAMACIÓN DINÁMICA
Para que un problema pueda ser resuelto con la técnica de programación dinámica, debe
cumplir con ciertas características:
Naturaleza secuencial de las decisiones: El problema puede ser dividido en etapas.
Cada etapa tiene un número de estados asociados a ella.
La decisión óptima de cada etapa depende solo del estado actual y no de las decisiones
anteriores.
La decisión tomada en una etapa determina cual será el estado de la etapa siguiente.
En síntesis, la política óptima desde un estado s de la etapa k a la etapa final está constituida
por una decisión que transforma s en un estado s de la etapa k +1 y por la política óptima
desde el estado s hasta la etapa final.
5. RESOLUCIÓN DE UN PROBLEMA DE PROGRAMACIÓN DINÁMICA
Para resolver un problema de programación dinámica debemos al menos realizar:
A. Identificación de etapas, variables de estados y variables de decisión:
• Cada etapa debe tener asociada una o más decisiones (problema de optimización),cuya
dependencia de las decisiones anteriores está dada exclusivamente por las variables de
estado.
10 8
Investigación Operativa II Ing. De sistemas
• Cada estado debe contener toda la información relevante para la toma de decisión
asociada a la etapa.
• Las variables de decisión son aquellas sobre las cuales debemos definir su valor de
modo de optimizar el beneficio acumulado y modificar el estado de la próxima etapa.
B. Descripción de ecuaciones de recurrencia:
Nos deben indicar como se acumula la función de beneficios a optimizar y como varían
las funciones de estado de una etapa a otra.
C. Resolución:
Debemos optimizar cada subproblema por etapas en función de los resultados de la
resolución del subproblema siguiente. Notar que para que las recurrencias estén bien
definidas requerimos de condiciones de borde.
Respecto a lo último, la resolución tiene la particularidad de realizarse desde atrás hacia
adelante, realizando los siguientes pasos:
1. Partir en la etapa n, haciendo k = n.
2. Colocar todos los valores factibles de las variables de estado y las de decisión en la
etapa k.
3. Calcular Hk para cada valor del par ordenado (yk, xk) calculado anteriormente.
4. Elegir para cada yk el valor óptimo que debe tener xk y el correspondiente valor de
Hk.
5. Si k = 1 parar, sino disminuir k en 1 y volver a (2).
6. Hacer k = 1
7. Dado que y∗k se conoce, buscar el valor óptimo de xk correspondiente a y∗k y
guardarlo en x∗k, a partir del cual determinar y∗k+1.
8. Si k = n parar, sino aumentar k en 1 y volver a (7).
Luego, los valores de x∗k, con k = 1,...,n corresponde a las decisiones óptimas a tomar
en cada etapa y f∗1(y∗1) corresponde al valor del beneficio en la solución óptima.
6. TIPOS DE MODELOS DE PROGRAMACIÓN DINÁMICA:
10 8
Investigación Operativa II Ing. De sistemas
A. EL PROBLEMA DE LA DILIGENCIA
El problema de la diligencia es un problema clásico en la programación dinámica.
La idea de este problema es que un vendedor está viajando de una ciudad a otra ciudad.
Su medio de transporte es una diligencia. Cada camino que elija de su viaje cuesta una
cantidad y quiere encontrar el costo mínimo de su viaje, teniendo en cuenta varias rutas.
Pasos a seguir mediante un ejemplo.
Se desea ir de la ciudad 1 a la ciudad 10
Comience por dividir el problema en etapas como se muestra
Supongamos que usted está en el nodo i, que desea encontrar la ruta
de menor costo de i a 10. Comience en el nodo 10, y trabaje hacia atrás a través
de la red como se muestra a continuación.
Comience en la Etapa 1 (la última etapa).
s f*1(s) x* 1
10 8
Investigación Operativa II Ing. De sistemas
En la etapa 2 se calcula (s, x2) f2=CSX2+f *1 (x2) para todo (s,x2)
En la etapa 3 se calcula (s, x 3) f3= csx3 + f * 2 (x3) para todo (s, x3)
En la etapa 4 se calcula (s; x4) f4 = CSX2 + f * 3 (x4) para todo (s, x 4) Elegir de la
etapa 4 a la etapa 1 la mejor ruta de las tablas.
A continuación, se suman los números a lo largo de la ruta y se haya la mejor
solución del problema.
B. PROBLEMA DE MOCHILA
El problema de la mochila es un problema de optimización combinatoria : Dado un conjunto
de elementos, cada uno con un peso y un valor, determina el número de cada elemento a
incluir en una colección de modo que el peso total es inferior o igual a un límite establecido
y el valor total es tan grande como sea posible. Deriva su nombre del problema enfrentado
por alguien que se ve limitado por un tamaño fijo de mochila, y le llenan de artículos más
útiles.
El problema surge a menudo en la asignación de recursos con limitaciones financieras.
Formulación del Modelo.
Donde:
n objetos
aj: espacio que ocupa el objeto j
Max∑j=1
n
c j x j
s .a .
∑j=1
n
a jx j≤b
x j∈ {0,1 }
E1 E2 E3 E47
8
9
4
5
3
2
3
1
2
2
3
1
4
2
3
1
3 10 8
Investigación Operativa II Ing. De sistemas
cj: valor del objeto j
b: capacidad de la mochila (o contenedor).
xj: 1 si se escoge el objeto j
C. PROGRAMACIÓN DE PRODUCCIÓN E INVENTARIO
El problema consiste en determinar un programa de producción para un periodo de tiempo
con el fin de minimizar los costos totales relacionados. Hay demandas conocidas para cada
periodo, límites de capacidad tanto para la producción como para los inventarios
(almacenamiento). Cuando hay más producción que demanda, se acumula inventario, y
cuando la producción es menor que la demanda, se generarán retrasos en el cumplimiento
de pedidos (backorder). Para cada periodo, una producción no-cero incurre en un costo de
preparación. En programación dinámica, el costo variable se expresa como una función de la
producción (P), el inventario (H), y backorder (B).
APLICACIÓN DE PROGRAMACIÓN DINAMICA
1. PROBLEMA DE LA DILIGENCIA (STAGECOACH PROBLEM), O VIAJERO.Identificación del Problema.
La hamburguesería Pedrin Ubicada en calle San Román está dedicada al servicio de comida rápida, dicha empresa realiza entrega deliverys cuando es requerido, y su principal objetivo es la entrega de sus servicios en las mejores condiciones posibles, para lo cual siempre buscan la manera de hacer llegar sus pedidos de manera rápida.
En esta ocasión la empresa que solicito sus servicios es Telefónica la cual está ubicada entre la esquina de San Martin con Domingo Coloma, para lo cual se citó cuales serian las rutas a seguir y también se le asigno a cada ruta cual sería el tiempo (en minutos) que le tomará en transitar por dicha ruta a las 1.00pm (hora que se solicito el pedido) para así poder determinar cuál es la ruta que nos lleve de manera más rápida a nuestro destino
10 8
Investigación Operativa II Ing. De sistemas
Diagnóstico del Problema.
Características del Problema:
El empleado debe elegir una de las alternativas (un ruta a seguir). Su viaje inicia en la Hamburguesería Pedrín. Su viaje termina en la Central de Telefónica-Huacho
Solución del Modelo.
Para E4:
d4
x4
9d4
¿ f 4¿
7 1 9 18 3 9 3
Para E3:
Para E2:
d2
x2
4 5 6d2
¿ f 2¿
2 10
6 -- 5 6
3 -- 4 7 5 4
Para E1:
Leyenda de Rutas
1. Hamburguesería Pedrín2. Echenique3. Alfonzo Ugarte4. Atahualpa5. Av. Grau6. Francisco Rosas7. Domingo Coloma8. San Martín9. Central de Telefónica-Huacho
d3
x3
78 d3
¿ f 3¿
4 -- 7 8 75 3 -- 7 36 -- 6 8 6
10 8
31 5 7 9
Investigación Operativa II Ing. De sistemas
d1
x1
2 3d1
¿ f 1¿
1 8 6 3 6
Por lo tanto la ruta que le conviene seguir es pasar por las rutas:
Comentarios.
En encargado de trasladar el pedido deberá salir de Pedrín (por Sáenz Peña), continuar por Echenique, Av. Grau, Coloma y así llegar a la central de telefónica con su pedido en el menor tiempo (6 minutos) ya que se evitaron las rutas de congestión vehicular y así entregar los idos las mejores condiciones.
2. PROBLEMA DE CASO MOCHILA:
Identificación del Problema.
La Librería “Jacky” ubicada en Av. San Martin N° 215 del Distrito de Huaura, ofrece a sus clientes el servicio de envío de los materiales que se requieran, donde lo mas solicitado son los 3 siguientes tipos de papel: Lustre, Papelógrafo y Cartulina, la Sra. Jacky Carrera Farro necesita saber cuál es la utilidad que le genera enviar el paquete de papeles conformado por los tres ya mencionados, sabiendo que este debe tener una capacidad máxima de 10 kg., en la siguiente tabla se muestran los respectivos pesos por tipo de papel , y el grado de preferencia según su utilidad:
Tipo de Papel Pesoen Kg(W ¿¿ i)¿ Valor (V i)Lustre 2 20Papelografo 4 30Cartulina 5 50
W 0=10Kg.
Diagnóstico del problema.
Características del Problema:
Posee tres variables enteras: Papel Lustre, paleógrafo y cartulina. Posee una única restricción a tener en cuenta: Capacidad máxima de 10 kg. Problema de tipo Maximización: Maximizar la utilidad.
*Por lo tanto, resulta adecuado aplicar el método Mochila de Programación Dinámica.
Formulación del Modelo:
d1d2d3
10 8
Investigación Operativa II Ing. De sistemas
¿10 x2=x3−2∗d3 x1=x2−4∗d2 x0=x1−5∗d1
MaxZ=50∗d1+30∗d2+20∗d3
5∗d1+4∗d2+2∗d3≤10
d1 , d2 , d3≥0
Solución del Modelo.
Resolución por Etapas
Etapa 1:
d1
x10 1 2 d1
¿ f 1¿
0 0 - - 0 01 0 - - 0 02 0 - - 0 03 0 - - 0 04 0 - - 0 05 0 50 - 1 506 0 50 - 1 507 0 50 - 1 508 0 50 - 1 509 0 50 - 1 50
10 0 50100
2100
Etapa 2:
d2
x20 1 2 d2
¿ f 2¿ x1=x2−4∗d2
0 0 - - 0 0 0
r1 =50d1 r2=30d2 r3=20d3
Lustre Papelógrafo Cartulina
10 8
Investigación Operativa II Ing. De sistemas
1 0 - - 0 0 12 0 - - 0 0 23 0 - - 0 0 3
4 030
- 0 30 4 ; 0
5 5030
- 0 50 5 ; 1
6 5030
- 0 50 6 ; 2
7 5030
- 0 50 7 ; 3
8 5030
60 2 60 8 ; 4 ; 0
9 5080
60 1 80 9 ; 5 ; 1
10 10080
60 0 100 10 ; 6 ; 2
Etapa 3:
d2
x20 1 2 3 4 5 d2
¿ f 2¿ x1=x2−4∗d2
10100
80
90 90 80100
0100
10; 8 ; 6 ; 4 ; 2 ; 0
Resumen:
Tipo de Papel
d i V i
Lustre 0 0Papelografo
0 0
Cartulina 2 50
MaxZ=50∗2+30∗0+20∗0
MaxZ=100
Comentarios.
10 8
Investigación Operativa II Ing. De sistemas
Si se desea obtener una utilidad máxima la Sra. Jacky deberá considerar enviar 2 paquetes de Cartulina, ya que tendría los 10 kilogramos completos y una utilidad referencial de 100.
10 8
Investigación Operativa II Ing. De sistemas
3. PROBLEMA DE CASO DE PRODUCCIÓN E INVENTARIO
Identificación del Problema.
La empresa “San Román”, ubicada en la provincia de Huaura elabora diversidades de calzados, estima la siguiente demanda de pares de sandalias de tipo “flats” para los próximos 3 meses.
Mes Enero Febrero MarzoCantidad 150 200 110Los costes de producción de cada par se evalúan en 32.00 soles en horas normales, y en horas extras es de 35.00 soles por cada par elaborado. El número de horas normales disponibles por día son 8. El número de días laborables por mes son 20. Cada mes se puede trabajar un máximo de 40 horas. Durante cada día de producción es posible fabricar 8 pares de sandalias. El costo de almacenar un par de un mes para otro es de 5.00 soles por par. Se dispone de 50 pares en stock en estos momentos.
Establecer el modelo que permite definir el plan de trabajo para los próximos meses a mínimo costo, teniendo en cuenta la siguiente información:
Mes DemandaCapacidad de Producción
Capacidad de Almacenamiento
Enero 150 160 200Febrero 200 180 170Marzo 110 100 80Diagnóstico del Problema.
Caracteristicas del Problema:
La producción de zandalias debe permitir a lo menos, cubrir la demanda en forma íntegra.
Se asumen dos tipos de costos: se incurre en un costo de preparación siempre que se inicia un nuevo lote de producción; además de un costo de almacenamiento, cada vez que hay acumulación de inventario.
Se distinguen tres períodos de tiempo de producción. Es un problema de minimización: Minimizar la suma de los costos de producción, de
preparación y de almacenamiento
Formulacion del Modelo.
D3=150P3=165W3=200d3=??
D2=200P2=180W2=170d2=??
D1=110P1=110W1=80d1=??
10 8
Investigación Operativa II Ing. De sistemas
Min(r3 ¿=37d3+5x3−750 Min(r2 ¿=40d2+5x2−1000 Min(r1 ¿=37 d1+5 x1−550
x3+d3≤350
d3≤165
x3+d3≥150
x3 ,d3≥0
x2+d2≤350
d2≤180
x2+d2≥200
x2 , d2≥0
x1+d1≤240
d1≤110
x1+d1≥110
x1 , d1≥0
Solución del Modelo.
ETAPA 1
x1 d1 f*1=r1+f*0
0 110 352010 100 320020 90 288030 80 256040 70 224050 60 192060 50 160070 40 128080 30 96090 20 640100 10 320110 0 --120 -- --
ETAPA 2
0 1 2 3 4 50 60 70 80 90 100 110 120 130 140 150 160 170 180 d2 f*2=r2+f*1 X1=x2+d2-200
r1=32d1+5(x1+d1−110)r2=35 d2+5 (x2+d2−200)
x3=20 x2=x3+d3−150 x1=x2+d2−200 x0=x1+d1−110
10 8
Investigación Operativa II Ing. De sistemas
0 0 0 0
0….
….
…..
….
…. …. ….. …. …. …. ….. …. …. …. ….. …. …. …. …..
.. … …
10….
….
…..
….
…. …. ….. …. …. …. ….. …. …. …. ….. …. …. …. …..
.. … …
20….
….
…..
….
…. …. ….. …. …. …. ….. …. …. …. ….. …. …. ….
9820 180
9820 0
30….
….
…..
….
…. …. ….. …. …. …. ….. …. …. …. ….. …. ….
9470
9550 170
9470 0, 10
40….
….
…..
….
…. …. ….. …. …. …. ….. …. …. …. ….. ….
9120
9200
9280 160
9120 0, 10 , 20
50….
….
…..
….
…. …. …. …. …. ….. …. …. …. ….. ….
8770
8850 150
8770 0, 10 , 20, 30
60….
….
…..
….
…. …. …. …. …. ….. …. …. …. …..
8420
8500 140
8420 0, 10 , 20, 30 , 40
70….
….
…..
….
…. …. …. …. …. ….. …. …. ….
8070
8150 130
8070 0, 10 , 20, 30 , 40, 50
80….
….
…..
….
…. …. …. …. …. ….. …. ….
7720
7800 120
7720 0, 10 , 20, 30 , 40,50,60
90….
….
…..
….
…. …. …. …. …. ….. ….
7370
7450 110
7370 0, 10 , 20, 30 , 40,50,60,70
100….
….
…..
….
…. …. …. …. …. …..
7020
7100 100
7020 0, 10 , 20, 30 , 40,50,60,70,80
110….
….
…..
….
…. …. …. …. ….
6670
6750 90
6670 0, 10 , 20, 30 , 40,50,60,70,80,90
120….
….
…..
….
…. …. …. ….
6320
6400 80
6320 0, 10 , 20, 30 , 40,50,60,70,80,90, 100
130….
….
…..
….
…. …. ….
5970
6020 70
5970 0, 10 , 20, 30 , 40,50,60,70,80,90, 100,110
140….
….
…..
….
…. ….
5620
5700 60
5620 0, 10 , 20, 30 , 40,50,60,70,80,90,100,110,120
150….
….
…. 5270 …
0, 10 , 20, 30 , 40,50,60,70,80,90,100,110,120,130
ETAPA 3 :
010 20
30 40 50 60
70 80 90
100 110
120 130 140 150
160 165
d*3 f*3=r3+f*2 X2=x3+d3-150
20 …. …. ….. …. …. …. ….. …. …. …. ….. …. …. …. …. 14720 150 14720 20
10 8
Investigación Operativa II Ing. De sistemas
Resumen:
Temporada d1 CP IF CW CT1 150 150(32) 20 20(5) 49002 180 180(35) 0 0 63003 110 110(32) 0 0 3520TOTAL 14720
Comentarios.
En base a los resultados, se concluye que en el mes de Enero se deben producir 150 pares de sandalias, en Febrero 180 y en Marzo 110. Para obtener así el menor costo total, correspondiente a 16 170.00 nuevos soles.
10 8
Investigación Operativa II Ing. De sistemas
CONCLUSIONES
La toma de decisiones constituye esencialmente la elección de una de las
posibles alternativas de solución a un problema actual o potencial. La
Investigación de Operaciones proporciona a los decisores bases cuantitativas
para seleccionar las mejores decisiones y permite elevar habilidades para
hacer planes futuros. La Programación Dinámica es una técnica que se puede
aplicar para resolver muchos problemas de optimización, convirtiendo un
problema grande y engorroso en una serie de problemas más pequeños y más
tratables gracias a su método de solución en reversa (desde el final de un
problema hacia el principio).
PROCESO DE MARKOV
Representa un sistema que varía su estado a lo largo del tiempo, siendo cada cambio una transición del sistema. Dichos cambios no están predeterminados, aunque sí lo está la probabilidad del próximo estado en función de los estados anteriores, probabilidad que es constante a lo largo del tiempo. Las cadenas de Markov tienen la propiedad de que la probabilidad de que X n= j sólo depende del estado inmediatamente anterior del sistema: X n−1.
Terminología:
Estado: Situación en que se encuentra el proceso en un momento del tiempo. Ensayo: Ocurrencias repetidas de un determinado evento. Probabilidad de transición: Probabilidad de pasar de un estado al siguiente.
Modelo Matemático:
pij: Probabilidad de pasar del estado “i” al estado “j”.
10 8
Investigación Operativa II Ing. De sistemas
P: Matriz de transición.
Si(t ): Probabilidad de encontrarse en el estado “i” en un tiempo “t”
S(t ): Vector de probabilidad en el tiempo “t”.
Planteamiento:
∑i=1
n
S i ( t )=1…(α )
∑j=1
n
pij=1… (β)
pij≥0
La transición de un periodo al siguiente se expresa de la siguiente manera:
S (t+1 )=S (t)P ...(I)
Evaluando (I) en cada periodo se tiene:
S (1 )=S(0)P
S (2 )=S (1 )P=S (0 ) P2
S (3 )=S (2 ) P=S (0 )P3
En general:
S ( t )=S (0 )P t ...(II)
Estado Estacionario:
Un estado es estacionario cuando las características del mismo no varían con el tiempo.
Esto se expresa de la siguiente forma:
S=S (t+1 )=S (t) ...(III)
Donde:
S: Vector de probabilidad de estado estacionario.
T: Periodo o tiempo.
Haciendo uso de las ecuaciones (I) y (III) obtenemos:
10 8
Investigación Operativa II Ing. De sistemas
S=SP ...(IV)
Y haciendo uso de las ecuaciones(α ) y (I ) obtenemos:
∑i=1
n
S i=1…(δ)
Estado absorbente:
Es aquel estado que tiene una probabilidad de ser abandonado igual a cero, es decir. Una vez en él es imposible dejarlo. Esto quiere decir: Si i es un estado absorbente si se cumple que pij =0 si i≠ j y pii =1.
En otras palabras generalizando:
Una cadena de markov absorbente contiene p estados transitorios y q estados absorbentes. Con base a esto la matriz se representa así:
Donde R es una submatriz
Q corresponde al complemento de R
APLICACIÓN DE CASO INFINITO
La hamburguesería “Pedrin” produce entre su amplia variedad de hamburguesas tres tipos de hamburguesas: la hamburguesa de Carne, de Pollo y la de Tocino. Cuando una persona ha comprado una hamburguesa de Carne hay una probabilidad de 50% de que siga comprándola la vez siguiente y una probabilidad de 30% que elija una de Pollo. Si una persona compró la hamburguesa de Pollo existe un 40% de que repita la vez siguiente y un 30% de que opte por las otras dos, sea de Carne o Tocino. Mientras que para una persona que consume hamburguesas de Tocino hay una probabilidad del 60% para que siga consumiéndola, y un 30% para que decida comer una hamburguesa de Pollo. Por lo tanto, se pide:
a) Si una persona actualmente es consumidor de hamburguesas de Pollo. ¿Cuál es la probabilidad de que compre hamburguesas de Carne pasadas dos compras a partir de hoy?
10 8
Investigación Operativa II Ing. De sistemas
b) Si en la actualidad una persona es comprador de hamburguesas de Tocino. ¿Cuál es la probabilidad de que decida comprar hamburguesas de Carne luego de tres compras a partir de ahora?
c) Si el último fin de semana 85 clientes consumieron hamburguesas de carne, 70 de pollo y 60 de tocino. ¿Luego de 3 semanas cuantos consumirán cada una de estas hamburguesas?
d) Determinar la situación estable del modelo.
Solución:
Hamburguesa de Carne
Hamburguesa de Pollo
Hamburguesa de Tocino
Hamburguesa de Carne
0.5 0.3 0.2
Hamburguesa de Pollo
0.3 0.4 0.3
Hamburguesa de Tocino
0.1 0.3 0.6
a) Aplicando: S (t+1 )=S (t)P
S(0)=[0¿1¿0 ]
S (1 )=[0¿1¿0]*[0 .5 0 .3 0.20 .3 0 .4 0 .30 .1 0 .3 0 .6]=[0.3¿0.4¿0.3 ]
S (1 )=[0.3¿0.4¿0.3]∗[0 .5 0 .3 0 .20 .3 0 .4 0 .30 .1 0 .3 0 .6]=[0.3¿034¿0.36]
El diagrama de árbol de dos periodos es el siguiente:
10 8
Investigación Operativa II Ing. De sistemas
Interpretación: La probabilidad de que una persona siendo consumidor de hamburguesas de pollo decida comprar hamburguesas de carne luego de dos compras desde ahora es de un 30%, lo cual indica que es posiblemente probable que dicho evento suceda, dado que las probabilidades para las hamburguesas de carne y tocino son de 34% y 36% respectivamente.
b) Aplicando: S ( t+1 )=S (t)P
S(0)=[0 0 1]
S (1 )=[ 0 0 1 ]∗[0.50.30 .1
0.30 .40.3
0 .20.30.6 ]=[ 0 .1 0.3 0.6 ]
S (2 )=[ 0 .10.3 0.6 ]∗[0 .50 .30 .1
0 .30.40 .3
0 .20 .30 .6]=[0.2 0.33 0.47]
S (3 )= [0.2 0.33 0.47 ]∗[0 .50 .30 .1
0 .30 .40 .3
0 .20 .30 .6]=[ 0.246 0.333 0.421 ]
El diagrama de árbol de tres periodos es el siguiente:
¿ S1
¿ S2
¿ S3
S(2)
10 8
Investigación Operativa II Ing. De sistemas
¿ S1
¿ S2
¿ S3
S(3)
10 8
Investigación Operativa II Ing. De sistemas
Interpretación: La probabilidad de que una persona siendo consumidor de hamburguesas de tocino decida comprar hamburguesas de carne luego de tres compras desde ahora es de un 24,6%, lo cual indica que es poco probable que dicho evento suceda, dado que las probabilidades para las hamburguesas de carne y tocino son de 33,3% y 42,1% respectivamente.
c) El vector de probabilidad inicial es [85¿70¿60], por tanto la probabilidad de consumir las hamburguesas a partir de tres etapas es: [85¿70¿60]* S(3)
S (0 )=[1 0 00 1 00 0 1]
S (1 )=[1 0 00 1 00 0 1]*[0.5 0.3 0.2
0.3 0.4 0.30.1 0.3 0.6]=[0.5 0.3 0.2
0.3 0.4 0.30.1 0.3 0.6]
S (2 )=[0.5 0.3 0.20.3 0.4 0.30.1 0.3 0.6]*[0.5 0.3 0.2
0.3 0.4 0.30.1 0.3 0.6]=[0.36 0.33 0.31
0.30 0.34 0.360.20 0.33 0.47 ]
S (3 )=[0.36 0.33 0.310.30 0.34 0.360.20 0.33 0.47]*[0.5 0.3 0.2
0.3 0.4 0.30.1 0.3 0.6]=[ 0.31 0.333 0.357
0.288 0.334 0.3780.246 0.333 0.421 ]
[85¿70¿60]∗S (3 )=¿
[85¿70¿60]*[ 0.31 0.333 0.3570.288 0.334 0.3780.246 0.333 0.421]=[61.27¿71.665¿82.065]≅ [61¿72¿82]
Interpretación: Si el último fin de semana 85 clientes consumieron hamburguesas de carne, 70 de pollo y 60 de tocino, se estima que luego de 3 compras de este total de 215 clientes, 61 compraran hamburguesas de carne, 72 compraran hamburguesas de pollo y 82 de tocino.
d) Aplicando: S=SP
[ S1S2S3 ]=[S1S2S3 ]∗[0 .50 .30 .1
0 .30.40 .3
0 .20 .30.6 ]
10 8
Investigación Operativa II Ing. De sistemas
[ S1S2S3 ]=[ (0 .5S1+0.3S2+0.1S3 ) ( 0.3 S1+0.4 S2+0.3S3 )(0 .2S1+0.3S2+0.6S3)]
Obteniendo el siguiente sistema de ecuaciones:
¿
Del cual luego de resolver se obtiene:
S1=5
18; S2=
13;S3=
718
Obteniendo así el vector de probabilidad para la situación estable del modelo.
S=[ 518
13
718 ]≅ [0.28 0.33 0.39]
APLICACIÓN DE CASO FINITO (ABSORVENTE)
La hamburguesería Pedrín tiene como personal fijo a 8 empleados (cocineras, recepcionista, meseras, cajeras y seguridad), pero por campaña navideña tuvo que contratar a 4 personas para poder cubrir la demanda. Habiéndose terminado dicho mes de campaña el dueño Pedro Regalado va a realizar una reducción de personal, para lo cual se tendrá que tener en cuenta las probabilidades de que despida o renueve el contrato a un personal principiante o con experiencia que se dieron al culminar la campaña navideña del año anterior, el cual se muestra a continuación:
DESPEDIDO
RENOVADO
PRINCIPIANTE
EXPERIENCIA
DESPEDIDO 1 0 0 0RENOVADO 0 1 0 0PRINCIPIANTE
0,3 0.2 0,3 0,2
EXPERIENCIA
0,1 0,5 0 0,4
Solución:
S(0)= [ 4 , 8 ]
10 8
Investigación Operativa II Ing. De sistemas
Hallando la Matriz Fundamental N:
N¿ [ I−M ]−1
N¿ [1 00 1]−[0.3 0.2
0 0.4 ] -1
N¿ [0.7 −0.20 0.6 ]
−1
=[a bc d]
De la propiedad :
A A∗A−1=I
[a bc d ]∗[0.7 −0.2
0 0.6 ]=[1 00 1]
[0.7∗a−0.2∗c 0.7∗b−0.2∗d0∗a+0.6∗c 0∗b+0.6∗d ]=[1 0
0 1]Esto nos brinda el siguiente sistema de ecuaciones:
0.7∗a−0.2∗c=1
0.7∗b−0.2∗d=0
0∗a+0.6∗c=0
0∗b+0.6∗d=1
Del cual obtenemos los siguientes resultados:
a = 1.43 b=0.48
c=0 d=1.67
Y con ello obtenemos la matriz fundamental N:
N¿ [1.43 0.480 1.67]
Calculando N∗L
N *L¿ [1.43 0.480 1.67]∗[0.3 0.2
0.1 0.5]N *L¿ [0.48 0.52
0.17 0.83 ]
10 8
Investigación Operativa II Ing. De sistemas
Los empleados principiantes que serán despedidos es de 0.48 % y los que renovaran contrato son 0.52 %
Los empleados expertos que serán despedidos es de 0.17% y los que renovaran contrato son 0.83%
[ 4 8 ]∗[0.48 0.520.17 0.83 ]=[3,28 8,72 ]
Despedidos Renovados
P E P E
2 1 2 7
Por lo tanto de los empleados Principiantes despedirá 2 los cuales no sobresalieron en sus labores y solo renovara a 2 eficientes; y de los empleados expertos despedirá a 1que su labor haya bajado y podrá renovar contrato a 7; quedando así con un numero de personal igual a 9.
CONCLUSIÓN
Las cadenas de Markov discretas son una herramienta estadística que ofrece grandes posibilidades en la descripción y pronóstico de la evolución de un fenómeno dinámico. Cuando notamos que la probabilidad de ocurrencia de los eventos es cambiante con respecto al paso del tiempo, resulta útil el uso de los procedimientos matemáticos que nos otorga el Proceso de Markov; ya sea el caso de Cadena Infinita, previo a múltiples ensayos podremos determinar la preferencia de los estados especificados, y en el caso de Cadena Finita, encontrar el porcentaje de personas que han pasado de un estado en proceso a un estado absorbente.
10 8
Investigación Operativa II Ing. De sistemas
LA TEORÍA DE LOS JUEGOS
Definición: La teoría de los juegos es una rama de la matemática con aplicaciones a la economía, sociología, biología y psicología, que analiza las interacciones entre individuos que toman decisiones en un marco de incentivos formalizados (juegos). En un juego, varios agentes buscan maximizar su utilidad eligiendo determinados cursos de acción. La utilidad final obtenida por cada individuo depende de los cursos de acción escogidos por el resto de los individuos.
Esta teoría estudia las estrategias de conflicto, guerras de precios, decisiones de cartel, relaciones sindicato-empresa, acuerdos y negociaciones políticas, económicas, militares, etc.
Elementos de todo juego:
1. Agentes: individuos, empresas, grupos de personas, países, etc.2. Estrategia: Son los planes de acción; es decir decisiones previstas con respecto al
futuro.Estrategia dominante: da el mejor resultado independientemente de lo que haga el adversario.Estrategia Dominada: da el peor resultado independientemente de lo que haga el adversario.
3. Combinación de las diferentes estrategias en un juego “MATRIZ DE PAGOS” o de resultados o de beneficios o de pérdidas. Por lo general, la matriz de pago se da para el jugador I., ya que del jugador II es negativo, debido a la naturaleza de la suma cero.
Casos fundamentales:
1.Punto Silla: En este caso la estrategia optima se ubica en un punto el cual se obtiene hallando:
En cada columna se debe buscar: minmax En cada fila se debe buscar el maxmin
Si el máximo de los mínimos es igual al mínimo de los máximos entonces se ha encontrado el punto de silla que se convertirá automáticamente en el valor del juego
10 8
Investigación Operativa II Ing. De sistemas
2. Estrategias dominantes: Una estrategia dominante es la que hace que un jugador esté mejor que si hubiera usado cualquier otra estrategia, sin importar cuál haya sido la estrategia elegida por el otro jugador.
Se aplica tanto para filas y columnas Una fila elimina a otra si y solo si sus elementos son mayores o iguales que otra fila Una columna elimina a otra si y solo si sus elementos son menores o iguales que
otra columna.
3. Estrategias Mixtas: Es aquella estrategia en la que el jugador asigna una probabilidad estrictamente positiva a casa estrategia. Se utiliza cuando no existe punto silla ni estrategias dominantes y las estrategias son 2xn ó mx2 ya que su objetivo es poder graficarlos previamente habiendo hallado el Valor Esperado.
V=∑i=1
m
∑j=1
n
PijX iY j
4. Programación Lineal: Se aplica cuando los competidores tienen mxn estrategias y donde se desea maximizar el valor del juego (representado por las Estrategias de un jugador), sujeto a la combinación lineal por la matriz de juego.
MODELO DE JUEGOS APLICACIÓN
Las dos empresas, Hamburguesería “Pedrín” y Hamburguesería “Lolo´s”, se constituyen como las más acogidas por el público en el sector de venta de comida rápida, ambas empresas desean capturar más clientes con la finalidad de maximizar sus utilidades, para lo cual cada una de estas realizan una diversidad de estrategias, que son detalladas a continuación:
LOLO´S:
E1:Diversidad de Cremas.E2:Uso de Sistema de Informacion.E3: Eventos promocionales (concierto).E4: Diversidad de tipos de hamburguesas.
PEDRIN:E1: Café gratis y precios bajos.E2: Servicio de estacionamiento.E3: Días de entretenimiento.E4: Food Car.E5: Agilidad de atención.
LOLO´SE1 E2 E3 E4
PEDRIN
E1 -2 -4 -1 4E2 3 -3 1 -3E3 3 -1 0 4E4 3 -3 4 3
E5 1 2 5 4
10 8
Investigación Operativa II Ing. De sistemas
Para evaluar los posibles resultados se puede ordenar los valores ponderados con respecto a la utilidad que se genera en la siguiente Matriz de Pagos, con el objetivo de encontrar el mejor valor que menos perjudique a ambas empresas y sus respectivas estrategias.
1. Punto Silla:
No hay punto de equilibrio o punto silla
2. Estrategia dominante:
3. Estrategia Mixta
V=∑i=1
m
∑j=1
n
PijX iY j
V=∑i=1
5
∑j=1
4
PijX iY j
Max(Min) = 1
LOLO´S
E1 E2 E3 E4PEDRIN
E1 -2 -4 -1 4 -4E2 3 -3 1 -3 -3E3 3 -1 0 4 -1E4 3 -3 4 3 -3
E5 1 2 5 4 1
3 2 5 4
Y1 Y2X3 3 -1X5 1 2
LOLO´S
E1 E2 E3 E4PEDRIN
E1 -2 -4 -1 4E2 3 -3 1 -3E3 3 -1 0 4E4 3 -3 4 3
E5 1 2 5 4
10 8
Investigación Operativa II Ing. De sistemas
V=∑i=1
5
¿¿¿
V=∑i=1
5
P i1 X iY 1+∑i=1
5
Pi2X iY 2+∑i=1
5
Pi3 X iY 3+∑i=1
5
P i4 X iY 4
V= (P11 X1Y 1+P21 X2Y 1+P31 X3Y 1+P41X 4Y 1+P51 X5Y 1 )+(P12X1Y 2+P22X2Y 2+P32X3Y 2+P42 X4Y 2+P52X5Y 2 )+(P13 X1Y 3+P23 X2Y 3+P33X3Y 3+P43 X4Y 3+P53 X5Y 3 )+(P14 X1Y 4+P24 X2Y 4+P34 X3Y 4+P44 X4Y 4+P54 X5Y 4)
V=3 X3Y 1+1 X5Y 1−1 X3Y 2+2X 5Y 2
Se quiere dibujar X:
X3=1−X5
V=Y 1 [3 X3+X 5 ]+Y 2 [−X 3+2 X 5 ]
V=Y 1 [3 (1−X5 )+X5 ]+Y 2 [−(1−X5 )+2 X5 ]
V=Y 1 [3−2 X5 ]+Y 2 [3 X5−1 ]
10 8
Investigación Operativa II Ing. De sistemas
Grafica
V ¿=Max (Min ) {3−2 X5 ;3 X5−1}
0≤ X5≤1
3−2 X5=3 X5−1
X5=45
X3=15
X1=0
X2=0
X 4=0
10 8
Ing. De Sistemas
Hallando el valor optimo:
V ¿=3−2X 5=3−2 ( 45)
V ¿=75
Hallando los valores de Y1 y Y2
V ¿=Y 1 [3−2 X5 ]+Y 2 [3 X5−1 ]=75
X5=0 ;3Y 1−Y 2=75…( I )
X5=1;Y 1+2Y 2=75…(II )
Multiplicamos por 2 a (I):
6Y 1−2Y 2=145
… ( III )
Sumamos (III)+(II):
(6Y 1−2Y 2 )+(Y 1+2Y 2)=215
7Y 1=215
Y 1=35
Y 2=25
Interpretación
Para que ambas empresas obtengan máximas utilidades sin perjudicar a ninguna, el mejor valor encontrado es de 7 /5 , donde la Hamburguesería Pedrín tendría que realizar la Estrategia 5 : Agilidad de atención ; mientras que la Hamburguesería Lolo´s realizaría la Estrategia 1: Diversidad de Cremas.
10 8
Ing. De Sistemas
CONCLUSION
La Teoría de los Juegos explica cómo los resultados que podemos obtener dependen no sólo de nuestra planeación individual, sino de la interacción con otros individuos racionales. En ese sentido, cualquier Organización (y sus directivos) deben anticipar cómo pueden responder sus competidores, para lograr el objetivo deseado.
MODELO DE LINEA DE ESPERA
Todos en alguna ocasión hemos esperado que llegue nuestro turno para recién ser atendidos, y en algunas ocasiones ese tiempo de espera suele ser molestoso; este problema puede ser analizado mediante la Teoría de Colas o también llamado Modelo de línea de espera. Lo que en si se analiza en este problema de colas es el costo ocasionado al cliente y al servidor que tienen correlación inversa.
Los objetivos del Modelo de Colas son:
Caracterizar cuantitativamente y cualitativamente una fila de espera
Determinar los niveles adecuados de ciertos parámetros del sistema, que armonicen el costo social de espera con el costo asociado al consumo de recursos.
Para cuantificar una línea de espera, hacemos un análisis matemático o un proceso de simulación; para ello se han desarrollado modelos cuantitativos que permiten tomar decisiones ante estos problemas.
Según algunas de las características de las líneas de espera se pueden clasificar:
1. Según sus canales: Etapa única Múltiple etapas Canales múltiples Una sola línea de espera con canales múltiples
2. Considerando la tasa de llegada y tasa de servicio:Para ello se utiliza la notación KENDALL: A/B/C
10 8
Ing. De Sistemas
A: distribución de llegadaB: distribución de servicioC: nº de canales, puede ser 1, 2,3…, kA y B pueden ser: M, D, GM: Modelo probabilísticoD: Modelo determinanticoG: Modelo General
3. De acuerdo a la naturaleza de la cola se pueden considerar otros casos
ANALISIS ECONOMICO DE LINEAS DE ESPERA
Para realizar el análisis económico de un sistema de líneas de espera, debe desarrollarse un modelo de costo total, que incluye el costo de espera y el de ofrecer el servicio, para ello utilizamos esta notación:
CT=CW L+CS K
Donde:
CT: Costo total por periodo
CW : Costo de la espera por periodo para cada unidad
L: Numero promedio de unidades en el sistema
CS : Costo de servicio por periodo para cada canal
K: Numero de canales
La forma general de las curvas del costo de la espera, del costo del servicio y del costo total, en modelos de líneas de espera se da de la siguiente forma:
10 8
Ing. De Sistemas
MODELO M/M/1
Restricciones:
La línea de espera tienen un solo canal El patrón de llegada sigue una distribución probabilística de Poisson Los tiempos de servicio siguen una distribución probabilística exponencial La disciplina de la línea de espera “Primero que llega, primero que se atiende” (PLPA)
Notaciones:
µ = número promedio de servicio por periodo (tasa promedio de servicio) λ = número promedio de llegada por periodo (tasa promedio llegada)
Ecuaciones a utilizar en este modelo:
1. Probabilidad que no haya unidades en el sistema
Po=1− λµ
2. Número promedio de unidades en la línea de espera (largo de la fila)
Lq=λ2
µ(µ−λ)3. Número promedio de unidades en el sistema (largo total)
10 8
Ing. De Sistemas
L=Lq+λµ
4. Tiempo promedio que una unidad pasa en la línea de espera
W q=Lq
λ5. Tiempo promedio que una unidad pasa ene l sistema
W=W q+1µ
6. Probabilidad que una unidad que llega tenga que esperar para obtener el servicio (factor de utilización)
Pw=λµ
7. Probabilidad que haya “n” unidades en el sistema
Pn=[ λµ ]n
Po
Para utilizar estas ecuaciones se debe tener que: µ > λ
10 8
Ing. De Sistemas
MODELO M/M/k
Restricciones:
La línea de espera tiene dos o más canales El patrón de llegada sigue una distribución probabilística de Poisson El patrón de servicio es de tipo exponencial µ es el mismo para todos los canales Las unidades que llegan aguardan en una sola línea de espera y después pasan al primer canal abierto para
obtener el servicio La disciplina de la fila es PLPA
Notaciones:
µ = tasa promedio de servicio para cada canal λ = tasa promedio de llegada para el sistema k = número de canales
Las formulas son aplicables para: kµ > λ
Ecuaciones a utilizar en este modelo:
1. Probabilidades que no haya unidades en el sistema
P0=1
(∑n=0
k−1 ( λ/µ)n
n! )+ ( λ/µ )k
k ! ( kµkµ− λ )
2. Número promedio de unidades en la línea de espera
Lq=( λ/µ )k λµ
(K−1 )! ( kµ−λ )2P0
3. Número promedio de unidades en el sistema
L=Lq+λµ
4. Tiempo promedio que cada unidad pasa en la línea de espera
W q=Lq
λ5. Tiempo promedio que una unidad pasa por el sistema
W=W q+1µ
6. Probabilidad de que una unidad que llega tenga que esperar
Pw=1k ! ( λµ )
2
( kµkµ−λ )P0
10 8
Ing. De Sistemas
7. Probabilidad de que haya “n” unidades en el sistemaPara n≤k
Pn=( λ /µ )n
n!P0
Para n>k
Pn=( λ /µ)n
k !k (n−k ) P0
MODELO M/G/1
Notaciones:
µ = tasa promedio de servicio para cada canal 1/ µ = tiempo promedio de servicio λ = tasa promedio de llegada para el sistema σ = desviación estándar del tiempo de servicio
Ecuaciones a utilizar en este modelo:
1. Probabilidad de que no haya unidades en el sistema
Po=1− λµ
2. Número promedio de unidades en la línea de espera
Lq=λ2σ 2+ ( λ/µ)2
2 (1−λ /µ )3. Número promedio de unidades ene le sistema
L=Lq+λµ
4. Tiempo promedio que una unidad pasa en la línea de espera
W q=Lq
λ5. Tiempo promedio que una unidad pasa en el sistema
W=W q+1µ
6. Probabilidad de que una unidad que llega tenga que esperar
W=W q+1µ
10 8
Ing. De Sistemas
10 8
Ing. De Sistemas
MODELO M/G/K SIN LINEA DE ESPERA
Restricciones:
El sistema tiene k canales La llegada sigue una distribución probabilística de Poisson Los tiempos de servicio para cada canal pueden tener cualquier distribución de probabilidad La tasa promedio de servicio µ es la misma para todos los canales
Ecuaciones a utilizar en este modelo:
P j=( λ /µ ) j / j !
∑i=0
k
( λ /µ )i
i !
DONDE:
j = 0, 1,2…, k.; representa el numero de los k canales que estén ocupados
En este modelo puede que el cálculo más importante sea Pk, que es cuando todos los canales estén ocupados. También interesa el promedio de unidades que se encuentran en el sistema, y esta evaluación se lleva a cabo
mediante:
L= λµ
(1−Pk )
10 8
Ing. De Sistemas
MODELO M/M/1 CON POBLACION DEMANDANTE FINITA
En este caso N es el tamaño de la población
Restricciones:
Tiene un solo canal Población a ser atendida finita Llegada de tipo Poisson Tasa de servicio exponencial Disciplina de la cola PLPA
Ecuaciones a utilizar en este modelo:
1. Probabilidad de que no haya unidades en el sistema
P0=1
(∑n=0
NN !
(N−n ) ! )( λµ )n
2. Número promedio de unidades en la línea de espera
Lq=N− λ+µλ
(1−P0 )
3. Número promedio de unidades en el sistemaL=Lq+(1−P0)
4. Tiempo promedio que una unidad pasa en la línea de espera
W q=Lq
(N−L) λ5. Tiempo promedio que una unidad pasa en el sistema
W=W q+1µ
6. Probabilidad que haya “n” unidades en el sistema
Pn=N !
(N−n)! ( λµ )n
Paran=0;1 ;2 ;…;N
10 8
Ing. De Sistemas
CASO APLICATIVO
Considérese la biblioteca de la Institución Educativa Emblemática Ventura Calamaqui cuyo personal está tratando de decidir cuántas fotocopiadoras debe de instalar para uso de los estudiantes. Se ha escogido un equipo particular que puede hacer hasta 10 copias por minuto. No se sabe cuál es el costo de espera para un estudiante, pero se piensa que no deben tener que esperar más de dos minutos en promedio. Si el número promedio de copias que se hacen por usuario es 3, y la frecuencia con la que llegan es 2.Por tanto se desea establecer los parámetros, que ayudaran al personal establecer estrategias para controlar y hacer más ágil la atención.
Solución:
1. Formulación del Modelo:
Como las llegadas de los clientes son aleatorias y siguen una distribución de Poisson, hablamos de llegadas probabilísticas. Además vemos que la tasa de servicio (μ) sigue una distribución exponencial. La línea de espera tiene un solo canal. Por tanto nos encontramos ante el modelo: M/M/1: ∞/PLPA
2. Hallamos los parámetros que describen el sistema: Tenemos:
λ = 2 Alumnos/minuto → Tasa de llegada μ = 3 Alumnos /minuto → Tasa de servicio o atención
Calculamos los parámetros:
a) Probabilidad de que los alumnos no soliciten el servicio de fotocopia.
P0=1− λμ=1−2
3=1
3=0.33
b) Número promedio de alumnos en la cola.
Lq=λ2
μ (μ− λ )= 22
3 (3−2 )=4
3=1.33
c) Número promedio de alumnos en el sistema.
10 8
Ing. De Sistemas
L=Lq+λμ=4
3+ 2
3=2
d) Tiempo promedio en la cola.
W q=Lq
λ=1.33
2=4
6=0.67
e) Tiempo promedio que el alumno se encuentra en el sistema.
W=W q+1μ=4
6+ 1
3=6
6=1
f) Factor de utilización
Pw=λμ=2
3=0.67