Revista Virtual
-
Upload
ivette-vasquez -
Category
Documents
-
view
214 -
download
0
description
Transcript of Revista Virtual
![Page 1: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/1.jpg)
Universidad Fermín Toro
Vice-Rectorado Académico
Facultad de Ciencias Económicas y Sociales
Escuela de Administración
Análisis de Problemas y toma de Decisiones
Alumna:
Vásquez Ivette CI: 21141485
Técnicas e Instrumentos para la
Toma Racional de Decisiones
Volumen I. Numero 1. Febrero 2013. Precio Bs.xx
![Page 2: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/2.jpg)
DECISIONES 2
1. Métodos Deterministicos
1.1. Programación Lineal
1.2. Método Simplex
Editorial
2. Métodos Probabilísticos
2.1.Lógica Bayesiana
2.2. Teoría de Juegos
3. Métodos Híbridos
3.1. Modelo de Transporte y Localización
3.2. Técnica Monte Carlo
3
4 y 8
9 y14
Pág.
15 y 21
![Page 3: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/3.jpg)
DECISIONES 3
Durante el transcurso de los últimos años la investigación de operaciones, ha
sido una de las herramientas fundamentales para el mejoramiento de la eficacia y
eficiencia de muchas organizaciones. Sus métodos son de gran ayuda para el
gerente, en cuanto permiten la resolución, de manera racional, mediante la
generación de las soluciones mas acertadas. La Programación Lineal es una
herramienta para la ayuda en la toma de decisiones, permitiéndonos plantear un tipo
particular de modelo matemático, donde representamos en forma simplificada
el problema de decisión, las variables de decisión, el objetivo y las restricciones
mediante símbolos matemáticos y ecuaciones. Se encuentra el método simplex que
permite entender solución óptima, la Lógica bayesiana que es una aproximación
general al problema de inferencia, la Teoría de Juegos que consiste en
razonamientos al considerar cuestiones estratégicas. El método de Monte Carlo es
una técnica numérica para calcular probabilidades y otras cantidades relacionadas,
utilizando secuencias de números aleatorios.
Editora
Ivette Vásquez
![Page 4: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/4.jpg)
DECISIONES 4
s un caso especial de la programación matemática, en donde todas las
funciones que hay en el modelo son lineales: siempre tenemos una función
objetivo lineal a optimizar (maximizar o minimizar), sujeta a restricciones
lineales individuales. Las variables del modelo, que son continuas, únicamente
pueden coger valores no negativos. Si bien puede parecer que estos supuestos quitan
realismo al problema porque el modelador está limitado al uso de ecuaciones que
quizás no son frecuentes en el mundo real, las técnicas de programación lineal se
utilizan en un amplísimo espectro de problemas como, entre otros, de planificación y
gestión de recursos humanos y materiales, de transporte, de planificación financiera
y de organización de la producción.
E
Características
-Un único objetivo lineal a optimizar (maximizar o minimizar).
-Una o más restricciones lineales
-Conocimiento exacto de los parámetros y recursos utilizados en la construcción
del modelo.
-Son frecuentemente usados para abordar una gran variedad de problemas en
las ciencias sociales, lo que ha permitido a empresas y organizaciones
importantes beneficios y ahorros asociados a su utilización.
![Page 5: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/5.jpg)
DECISIONES 5
Ejemplo:
Un constructor va a edificar dos tipos de viviendas A y B. Dispone de 600 millones
de bolívares y el coste de una casa de tipo A es de 13 millones y 8 millones una de
tipo B. El número de casas de tipo A ha de ser, al menos, del 40 % del total y el de
tipo B, el 20 % por lo menos. Si cada casa de tipo A se vende a 16 millones y cada
una de tipo B en 9. ¿Cuántas casas de cada tipo debe construir para obtener el
beneficio máximo?
Sean las variables de decisión:
x= n: de viviendas construidas tipo A
y= n: de viviendas construidas tipo B.
La función objetivo es:
Las restricciones son:
![Page 6: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/6.jpg)
DECISIONES 6
La zona de soluciones factibles queda, pues:
Siendo los vértices:
A intersección de r,s:
B intersección de r,t:
C (0, 0)
Y la función objetivo toma los valores:
Teniendo que vender 40 viviendas tipo A y 10 tipo B para obtener un beneficio
máximo de 130 millones de bolívares.
![Page 7: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/7.jpg)
DECISIONES 7
Es un procedimiento interactivo que permite tender progresivamente hacia la
solución óptima, para encontrar y probar soluciones situadas en los vértices de
Optimalidad, asimismo este requiere que las restricciones sean ecuaciones en lugar
de inecuaciones, lo cual se logra añadiendo variables de holgura a cada inecuación
del modelo, variables que nunca pueden ser negativas y tienen coeficiente 0 en la
función objetivo.
Es de gran relevancia destacar que es uno de los más utilizados en la búsqueda de
soluciones óptimas de programas lineales.
Características
Encuentra una solución óptima
Es un método de cambio de bases
Requiere que la función objetivo sea expresada de tal forma que cada
variable básica tenga como coeficiente 0
Requiere que cada variable básica aparezca en una y solamente una
ecuación de restricción.
Ejemplo:
Maximizar = f(x, y) = 3x + 2y
![Page 8: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/8.jpg)
DECISIONES 8
Sujeto a:
2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥ 0, y ≥ 0
Convertir las desigualdades en igualdades
2x + y + r = 18
2x + 3y + s = 42
3x +y + t = 24
Igualar la función objetivo a cero
- 3x - 2y + Z = 0
Tabla I . Iteración nº 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 0 24 3 1 0 0 1
Z
0 -3 -2 0 0 0
Condición de parada: Cuando en la fila Z no existe ningún valor negativo, se ha
alcanzado la solución óptima del problema. En tal caso, se ha llegado al final del
algoritmo.
![Page 9: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/9.jpg)
DECISIONES 9
Es una aproximación general al problema de inferencia consistente con la
teoría de la decisión, la aplicación de formulas derivadas del teorema de Bayes a la
determinación de probabilidades, asociadas a una serie de hipótesis, fundamentadas
en evidencias observadas. La lógica establece unas reglas de inferencia a partir de
las cuales se construye el sistema de razonamiento deductivo, en el que
una proposición determinada es considerada como cierta o falsa, sin que se admitan
grados entre estos dos extremos. Los métodos de razonamiento aproximado, entre los
que se encuentran los métodos bayesianos, aportan modelos teóricos que simulan la
capacidad de razonamiento en condiciones de incertidumbre, cuando no se conoce
con absoluta certeza de la hipótesis, e imprecisión, enunciados en los que se admite
un rango de variación.
A pesar de todo, algunos estadísticos bayesianos creen que las probabilidades
pueden tener un valor objetivo y por lo tanto la inferencia bayesiana puede proveer
un método objetivo de inducción. El teorema de Bayes ajusta las probabilidades,
dada una nueva evidencia, de la siguiente manera:
Donde
representa una hipótesis, llamada hipótesis nula, que ha sido inferida
antes de que la nueva evidencia, , resultara disponible.
![Page 10: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/10.jpg)
DECISIONES 10
se llama la probabilidad a priori de .
se llama la probabilidad condicional de que se cumpla la
evidencia si la hipótesis es verdadera. Se llama también la función de
verosimilitud cuando se expresa como una función de dado .
se llama la probabilidad marginal de : la probabilidad de observar
la nueva evidencia bajo todas las hipótesis mutuamente excluyentes. Se la
puede calcular como la suma del producto de todas las hipótesis mutuamente
excluyentes por las correspondientes probabilidades
condicionales: .
se llama la probabilidad a posteriori de dado .
El factor representa el impacto que la evidencia tiene en la
creencia en la hipótesis. Si es posible que se observe la evidencia cuando la
hipótesis considerada es verdadera, entonces este factor va a ser grande.
Multiplicando la probabilidad a priori de la hipótesis por este factor va a
resultar en una gran probabilidad a posteriori dada la evidencia. En la
inferencia bayesiana, por lo tanto, el teorema de Bayes mide cuánto la nueva
evidencia es capaz de alterar la creencia en la hipótesis.
Toma de
Decisiones Población
Inferencia Muestreo
Muestra Análisis de
Datos
![Page 11: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/11.jpg)
DECISIONES 11
Es un área de la matemática aplicada que utiliza modelos para estudiar
interacciones en estructuras formalizadas de incentivos y llevar a cabo procesos
de decisión. Sus investigadores estudian las estrategias óptimas así como el
comportamiento previsto y observado de individuos en juegos. Esta teoría se basa en
analiza el comportamiento estratégico cuando dos o más individuos interactúan y
cada decisión individual resulta de lo que él (o ella) espera que los otros hagan. Es
decir, qué debemos esperar que suceda a partir de las interacciones entre los
individuos. Trata de la toma de decisiones bajo conflicto, un juego incluye dos o más
tomadores de decisiones que buscan maximizar su propio bienestar, es decir, ganar.
Las ideas de la Teoría de Juegos pueden ser una gran relevancia para
explicar las guerras comerciales, así como las guerras de precios y cualquier otra
situación en que dos o más individuos requieran interactuar a fines de obtener
ganancias económicas. En sus inicios se desarrollo como una herramienta para
entender el comportamiento de la economía, en la actualidad se emplea en muchos
campos. Asimismo se puede decir que estudia la elección de la conducta óptima
cuando los costes y los beneficios de cada opción no están fijados de anticipación,
sino que dependen de las elecciones de otros individuos. Según los analistas de
juegos se utilizan otras áreas de la matemática, como lo son las probabilidades,
las estadísticas y la programación lineal, en conjunto con la teoría de juegos.
![Page 12: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/12.jpg)
DECISIONES 12
Objetivos de la Teoría de Juegos
El principal objetivo de la teoría de los juegos es determinar los papeles de conducta
racional en situaciones de "juego" en las que los resultados son condicionales a las
acciones de jugadores interdependientes.
Clasificación de los Juegos
Dilema del Prisionero
Criterio Maximin y Minimax
Simétricos y asimétricos
Suma cero y de suma no cero
Equilibrio de Nash.
Juegos cooperativos
Simultáneos y secuenciales
De información perfecta
Juegos de longitud infinita
Sus investigadores estudian:
1. Las estrategias,
2. Comportamiento previsto y
observado de individuos en
juegos.
La estructura básica de un juego
comprende los jugadores que
tienen diferentes estrategias y los
pagos, que describen los beneficios
que obtienen los jugadores en cada
resultado. El concepto clave es
utilizar la herramienta de matriz de
pagos.
![Page 13: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/13.jpg)
DECISIONES 13
Ejemplo MAXIMIN
Consideremos un “juego de suma cero” en el que un jugador gana lo pierde el otro
jugador. Cada jugador dispone de tres estrategias posibles a las que se designara
como A, B, y C (supongamos que son tres tarjetas con dichas letras impresas).
Los premios o pagos consisten en la distribución de diez monedas que se repartirán
según las estrategias elegidas por ambos jugadores y se muestran en la siguiente
tabla llamada matriz de pagos. Mis ganancias, los pagos que puedo recibir, se
muestran sobre fondo verde. Los pagos al otro jugador se muestran sobre fondo
rosa. Para cualquier combinación de estrategias, los pagos de ambos jugadores
suman diez.
Por ejemplo. Si yo juego la tarjeta C y el otro jugador elige su tarjeta B entonces yo
recibiré ocho monedas y el otro jugador recibirá dos.
Éste es por tanto un juego de suma cero. Se llama juego de suma cero aquél en el
que lo que gana un jugador es exactamente igual a lo que pierde o deja de ganar el
otro. Para descubrir qué estrategia me conviene más vamos a analizar la matriz que
indica mis pagos, la de fondo verde. Ignoro cuál es la estrategia (la tarjeta) que va a
ser elegida por el otro jugador. Una forma de analizar el juego para tomar mi
decisión consiste en mirar cuál es el mínimo resultado que puedo obtener con cada
![Page 14: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/14.jpg)
DECISIONES 14
una de mis cartas. En la siguiente tabla se ha añadido una columna indicando mis
resultados mínimos.
En efecto,
· Si yo elijo la tarjeta A, puedo obtener 9, 1 o 2, luego como mínimo obtendré un
resultado de 1.
· Si elijo la tarjeta B, puedo obtener 6, 5 o 4, luego como mínimo obtendré 4.
· Si elijo la tarjeta C, puedo obtener 7, 8 o 3, luego como mínimo obtendré 3.
De todos esos posibles resultados mínimos, el que prefiero es 4 ya que es el máximo
de los mínimos. La estrategia MAXIMIN consiste en elegir la tarjeta B ya que esa
estrategia me garantiza que, como mínimo, obtendré 4.
![Page 15: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/15.jpg)
DECISIONES 15
El modelo de transporte es aquel que busca determinar un plan de transporte de
una mercancía de varias fuentes a varios destinos. Los datos del modelo son:
1. Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.
2. El costo de transporte unitario de la mercancía a cada destino.
Como solo hay una mercancía un destino puede recibir su demanda de una o más
fuentes. El objetivo del modelo es el de determinar la cantidad que se enviará de
cada fuente a cada destino, tal que se minimice el costo del transporte total. La
suposición básica del modelo es que el costo del transporte en una ruta es
directamente proporcional al número de unidades transportadas. La definición de
“unidad de transporte” variará dependiendo de la “mercancía” que se transporte.
![Page 16: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/16.jpg)
DECISIONES 16
El esquema siguiente representa el modelo de transporte como una red
con m fuentes y n destinos. Una fuente o un destino esta representado por un nodo, el
arco que une fuente y un destino representan la ruta por la cual se transporta la
mercancía. La cantidad de la oferta en la fuente i es ai, y la demanda en el
destino j es bj. El costo de transporte unitario entre la fuente i y el destino j es Cij.
Pasos de la Solución del Problemas del Problema de Transporte
Los pasos básicos de la técnica de transporte son:
Paso 1: determínese una solución factible.
Pasó 2: determínese la variable que entra, que se elige entre las variables no
básicas. Si todas estas variables satisfacen la condición de optimidad (del método
simplex), deténgase; de lo contrario, diríjase al paso 3.
Pasó 3: determínese la variable que sale (mediante el uso de la condición de
factibilidad) de entre las variables de la solución básica actual; después obténgase la
nueva solución básica.
![Page 17: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/17.jpg)
DECISIONES 17
Ejemplo:
Una compañía construye una planta maestra para la producción de un artículo en
un periodo de cuatro meses. Las demandas en los cuatro meses son: 100, 200, 180 y
300 unidades. Una demanda para el mes en curso puede satisfacerse a través de:
1. Producción excesiva en un mes anterior almacenada para su consumo
posterior.
2. Producción en el mes actual.
3. Producción excesiva en un mes posterior para cubrir pedidos de meses
anteriores.
El costo de producción variable por unidad en un mes cualquiera es de $4.00.
Una unidad producida para consumo posterior incurrirá en un costo de
almacenamiento razón de $0.50 por unidad por mes. Por otra parte, los artículos
ordenados en meses anteriores incurren en un costo de penalización de $2.00 por
unidad por mes. La capacidad de producción para elaborar el producto varía cada
mes. Los cálculos de los cuatro meses siguientes son 50, 180, 280 y 270 unidades,
respectivamente.
El objetivo es el de formular el plan de inventario de producción a costo
mínimo. Este problema se puede formular como un modelo de “transporte”. La
equivalencia entre los elementos de los sistemas de producción y transporte se
establece de la manera siguiente:
![Page 18: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/18.jpg)
DECISIONES 18
Sistema de Transporte Sistema de Producción
1. Fuente i 1. Periodo de producción i
2. Destino j 2. Periodo de demanda j
3. Oferta en la fuente i 3. Capacidad de producción del periodo i
4. Demanda en el destino j 4. Demanda del periodo j
5. Costo de transporte de la fuente i al
destino j
5. Costo de producto e inventario del
periodo i al j
En tabla de abajo se presenta un resumen del problema como un modelo de transporte:
Periodo
1 2 3 4 Capacidad
Demanda 1 4 4.5 5 5.5 50
2 6 4 4.5 5 180
3 8 6 4 4.5 280
4 10 8 6 4 270
Demanda: 100 200 180 300
La definición de C i j indica que la producción en el periodo i para el mismo
periodo (i = j) sólo iguala el costo unitario de producción. Si el periodo i se produce
para periodos futuros j (i < j), se incurre en un costo de almacenamiento adicional.
De la misma manera, la producción en i para cubrir j pedidos hechos con
anterioridad (i > j) incurre en un costo de penalización adicional.
![Page 19: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/19.jpg)
DECISIONES 19
Es un método no determinístico o estadístico numérico, usado para
aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud.
Proporciona soluciones aproximadas a una gran variedad de problemas
matemáticos posibilitando la realización de experimentos con muestreos de números
pseudoaleatorios en una computadora.
Monte Carlo es un proceso de resolver un problema simulando datos originales
con generadores de números al azar. Su aplicación sólo requiere Tres cosas básicas:
1. Se debe tener un modelo que represente una imagen de realidad tal como lo
vemos. El modelo en este caso no es más que la distribución por
probabilidades de la variable que se considera. El mérito importante de la
simulación es que puede ser aplicada aunque las distribuciones de
probabilidades no puedan ser expresadas explícitamente en cualquiera de
las formas teóricas, tales como aquellas que han sido presentadas en este
texto. Todo lo que se requiere es una tabla o un gráfico de una distribución
de una variable directa o, indirectamente, por el uso de registros pasados.
2. Es un mecanismo para simular el modelo. El mecanismo pudo ser cualquier
generador de números al azar, tal como un par de dados, un puntero
giratorio, una rueda de ruleta, una tabla de dígitos al azar o una
computadora de alta velocidad apropiadamente instruida.
3. El método Monte Carlo es para simular, mediante procedimientos al azar,
situaciones del mundo real de naturaleza probabilística
![Page 20: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/20.jpg)
DECISIONES 20
Según John Von Neumann, aplicaba la simulación para resolver Problemas
complejos que no podrían ser resueltos de forma analítica. Puede ser adaptada
fácilmente a cualquier situación, con tal que las alternativas puedan ser especificadas
cuantitativamente y que los datos requeridos puedan ser calculados con aceptable
confianza.
Ejemplo:
Una nueva empresa industrial que ha estado en el negocio por espacio de 3000 horas
de operación, tiene en uso un gran número de máquinas idénticas. Tiene una sola
estación de servicio con un equipo de operarios, La reparación de cualquier maquina
es un esfuerzo conjunto del equipo. Cuando la estación de servicio es ocupada por
una maquina y ocurren otras descomposturas, se crea una línea de espera. Se han
registrado cuidadosamente durante las 3000 horas pasadas datos sobre él número de
computadoras por hora y él número de reparaciones que requieren varios periodos de
tiempo para prestarles servicio. Las probabilidades de estos dos conjuntos de hechos
basados en datos del pasado se indican en los cuadros 1 y 2, respectivamente.
Cuadro 1, datos sobre descomposturas
HORAS DE
REPARACION
PROBABILIDAD
PROBABILIDAD
ACUMULATIVA
INTERVALO DE
NUMEROS AL
AZAR DE TRES
DIGITOS
1 0.251 0.251 000-250
2 0.375 0.626 251-625
3 0.213 0.839 626-838
4 0.124 0.963 839-962
5 0.037 1.000 963-999
![Page 21: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/21.jpg)
DECISIONES 21
Cuadro 2, datos sobre tiempo requerido para reparación
Se considera que los dos conjuntos de hechos son estadísticamente
independientes. Una prueba Chi Cuadrado sobre las frecuencias absolutas conjuntas
mostraría si la independencia estadística es razonable.
Lo primero que debemos hacer es asignar intervalos de números al azar a
descomposturas de maquinas por hora y a números de horas requeridos para
reparar las máquinas. Estos intervalos se dan en las últimas columnas de los
cuadros 1 y 2. Obsérvese que en ambos casos los intervalos de números al azar
asignados n proporcionales a las probabilidades de ocurrencia de los hechos
respectivos.
El método de monte carló es muy usado es los lenguajes de programación ya
que se usa para hallar la probabilidad de un suceso, el trabajo que les presento
explica el Método Monte Carlo , usado en la simulación de la mecánica estadística..
Una estimación de Monte Carlo de es obtenida por dibujar al azar N
muestras desde la distribución f. Muestra desde f medios esta probabilidad de elegir
un muestreo x* desde el intervalo (x,x+x) es f(x)x. El Monte Carlo de estimación
es dada por
Descomposturas por
horas
Probabilidad
Probabilidad
Acumulativa
Intervalo de
números al azar de
tres dígitos
0 0.900 0.900 000-899
1 0.090 0.990 900-989
2 0.008 0.998 990-997
3 0.002 1.000 998-999
![Page 22: Revista Virtual](https://reader034.fdocuments.us/reader034/viewer/2022051519/568c4b2f1a28ab49169b367a/html5/thumbnails/22.jpg)
DECISIONES 22
Referencias Bibliográficas
Taha. H Investigación de Operaciones. Editorial Alfa-Omega
Davis. D Investigación en Administración. Editorial Thomson
Referencias Electrónicas
Matías. M (2005) Teoría de Juegos
http://www.gestiopolis.com/recursos4/docs/rrhh/teorijuegos.htm
Sánchez. D (2001) Método de Montecarlo
http://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo