1. DESARROLLAR Y PRESENTAR EL DIAGNÓSTICO Y ANÁLISIS FINAL DEL
ESTUDIO DE CASO
YARSIN PACHECO SUAREZ
CODIGO: 1090414018
GRUPO: 474
PROFESOR:
WILLIAM BARROS
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA
METODOS PROBABILISTICOS
SAN JOSE DE CUCUTA
2018
2. Diseñar trun Mentefacto con tema Modelo de colas M / G / C-FCFS
con una política de sistema de inventario de revisión continua, a
partir del artículo “Developing a M/G/C-FCFS queueing model with
continuous review (R,Q) inventory system policy in a cement industry”
de Ghafour, K., Ramli, R., & Zaibidi, N. que se encuentra en los
contenidos temáticos del Syllabus del curso y fuentes documentales
presentadas en la Unidad 2 - Cadenas de Markov, teoría de colas y
programación no lineal, como estrategia de pensamiento relacionado
con la adquisición e integración del conocimiento, teniendo en cuenta su
estructura de clases y representación gráfica: Concepto, 1. Clase
superior, 2. Propiedades, 3. Versiones y/o subclases, 4. Clase excluidas.
Utilizar el programa Cmaptools o cualquier otro, indicar el autor
(estudiante) y guardar el
Mentefacto como imagen
3. Identificar y reconocer los modelos probabilísticos para plantear,
desarrollar y solucionar la Estrategia de Participación, mediante la
cadena de Markov requerida, la Estrategia de Servicio, mediante el
modelo de línea de espera requerido y la Estrategia de Optimización
mediante el modelo de programación lineal requerido, propuestas en el
estudio de caso (consultar Anexo Estudio de Caso), con base en los
contenidos temáticos del Syllabus del curso y Fuentes documentales
presentadas en la Unidad 2 - Cadenas de Markov, teoría de colas y
programación no lineal para diligenciar los aspectos solicitados en la
tabla Diagnóstico final del estudio de caso.
Tabla Diagnóstico final del estudio de caso
No. Estrategia
propuesta en
el estudio de
caso
Modelo
probabilístico
(requerido para
plantear, desarrollar
y solucionar la
estrategia)
Justificación
(Cita textual)
Referencia
documental
en norma APA
(consulte aquí)
1 Participació
n
Modelo de cadena
de markov
Por medio de estas cadenas se pronostica el
comportamiento fututo de ciertas variables,
este pronóstico se hace mediante el análisis de
los cambios que han sufrido dichas variables en
el presente por lo tanto esta técnica forma parte
de la programación dinámica.
Se establece una matriz llamada transición que
está dada por las probabilidades de los
diferentes cambios observados,recibe el
nombre de matriz de probabilidades y
transición, y es con la que se calculan los
cambios probables que van a suceder en los
siguientes pasos o sea en el transcurso del
tiempo.
Se aplican en gran número de situaciones como
son los cambios de preferencia que en el
mercado tienen diferentes productos, la posible
decisión sobre hacer o no una inversión en
cierta oportunidad,y el estado presente y los
estados futuros se representan pormedio de
matrices.
Taibo, Amaro.
Investigación de
operaciones para los no
matemáticos, Instituto
Politécnico Nacional,
2009. 08 de noviembre
de 2018, ProQuest
Ebook Central,
http://ebookcentral.proq
uest.com/lib/unadsp/det
ail.action?docID=3195
391.
Created from unads on
2018-11-08 17:23:13.
2 Servicio Modelo de línea de
espera de un solo
servidor
Este modelo puede aplicarse a personas
esperando en una línea para comprar boletos
para el cine ,a mecánicos que esperan obtener
herramientas de un expendio o a trabajos de
computadoras que esperan tiempo de
procesador,es uno de los modelos más
antiguos ,más sencillos y más comunes de la
teoría de colas se analizaran las suposiciones
necesarias para este modelo. Las llegadas
entran al sistema de manera completamente
aleatoria, no tienen horario es impredecible en
qué modelo llegaran la probabilidad de una
Charles Gallagher and
Hugh Watson. (1982).
Métodos cuantitativos
para la toma de
decisiones en
administración. En
Métodos cuantitativos
para la toma de
decisiones en
administración (469-
470). España: McGraw-
Hill Interamericana.
4. llegada en cualquier instante de tiempo es la
misma que en cualquier otro momento esto
equivale a afirmar que el número de llegadas
por unidad d tiempo tiene una distribución
´poisson.
3 Optimizació
n
Modelo de
programación
estocástica
La programación estocástica es la herramienta
matemática que ofrece soluciones a los
problemas formulados en sistemas estocásticos,
donde el problema resultante es un problema
Matemático de optimización de dimensión no
trivial.
El problema de optimización es un programa
matemático en ℝ! Que tiene como objetivo
maximizar o minimizar una función
generalmente
Llamada función objetivo, sujeta a
restricciones y con algunos de sus parámetros
aleatorios.
las etapas se corresponden con los periodos de
tiempo en los que se toman las decisiones,y el
horizonte se refiere al máximo periodo
temporal
Considerado. Asumimos que en cualquier
etapa el número de estados del sistema es
finito, y que dichos estados están
perfectamente descritos en las variables (a
menudo multidimensionales). En
Programaciones Estocásticas algunas de estas
variables de estado están afectadas por la
incertidumbre. Dado el estado inicial del
sistema, el objetivo es maximizar o minimizar
una función objetivo definida a partir de estas
etapas y estados (Kall & Wallace, 1994)
Son muchas las aplicaciones de la
programación estocástica,entre ellas destacan
las siguientes.
1. Problemas de Economía y Finanzas.
2. Problemas relativos al diseño de los sistemas
de generación de Energía.
3. Problemas de planificación de la producción
de las Empresas.
Birge, Louveaux.
(2011). Introduction
to Stochastic
Programming.
South Woodlawn,
Chicago, USA:
University of
Chicago Press.
5. REFERENCIAS BIBLIOGRAFICAS
Taibo, Amaro. Investigación de operaciones para los no matemáticos, Instituto
Politécnico Nacional, 2009. 08 de noviembre de 2018, ProQuest Ebook Central,
http://ebookcentral.proquest.com/lib/unadsp/detail.action?docID=3195391.
Created from unads on 2018-11-08 17:23:13
Charles Gallagher and Hugh Watson. (1982). Métodos cuantitativos para la toma de
decisiones en administración. En Métodos cuantitativos para la toma de decisiones
en administración (469-470). España: McGraw-Hill Interamericana.
Birge, Louveaux. (2011). Introduction to Stochastic Programming. South
Woodlawn, Chicago, USA: University of Chicago Press.