1. Descripci´n del juego
o
Modelos propuestos
Modelos Matem´ticos para el juego de
a
“El Gran DT”
F. Bonomo1,2 , G. Dur´n2,3,4 y J. Marenco1,5
a
1
Departamento de Computaci´n, FCEyN, UBA
o
2
CONICET
3
Departamento de Matem´tica, FCEyN, UBA
a
4
Departamento de Ingenier´ Industrial, FCFM, Universidad de Chile
ıa
5
Instituto de Ciencias, Universidad Nacional de General Sarmiento
Diciembre de 2010
2. Descripci´n del juego
o
Modelos propuestos
Descripci´n del juego
o
Cada participante debe armar un equipo, con los jugadores del
f´tbol argentino, compuesto por 11 titulares y 4 suplentes.
u
Dentro de los 11 titulares, se pueden armar 3 t´cticas
a
diferentes: 1 arquero, 4 defensores, 4 volantes y 2 delanteros
(la unica que exist´ hasta hace 2 campeonatos); 1-4-3-3; o
´ ıa
1-3-4-3.
Los 4 suplentes son un arquero, un defensor, un volante y un
delantero. S´lo son considerados para el juego en una
o
determinada fecha si alguno de sus respectivos titulares no
juega.
Cada jugador tiene un valor monetario, que va de los
$300.000 (los que a´n no debutaron en primera) hasta
u
$13.500.000 (Ver´n). Los equipos no pueden superar los 60
o
millones de pesos (por la mitad de este torneo se subi´ este
o
valor a 65 millones).
3. Descripci´n del juego
o
Modelos propuestos
Descripci´n del juego
o
No puede haber m´s que 3 jugadores del mismo club en un
a
equipo.
Cada jugador titular suma o resta puntos en cada fecha por
criterios subjetivos (la nota que le pone el diario, o si es
catalogado como la figura de la cancha) y objetivos (si
convierte goles, si no le convierten, si es expulsado, si es
amonestado).
Fecha a fecha se pueden cambiar titulares por suplentes de
manera ilimitada y se pueden realizar hasta 4 transferencias
(reemplazos donde se incorpora a un jugador que no
pertenec´ al equipo y se retira a uno que s´ pertenec´
ıa ı ıa).
4. Descripci´n del juego
o
Modelos propuestos
Presentamos en esta charla diversas propuestas de modelos de
optimizaci´n combinatoria para resolver problemas asociados
o
con el juego de “El Gran DT”.
La resoluci´n de este tipo de modelos permite hallar una
o
combinaci´n ´ptima para problemas que involucran una
o o
cantidad predeterminada de opciones sujeta a ciertas
restricciones (en este caso, el armado de un equipo con
restricciones de presupuesto, cantidad de jugadores por
equipo, etc.).
5. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelos propuestos
A continuaci´n, presentamos una serie de modelos, que se
o
encuentran clasificados en dos categor´
ıas.
Los modelos “a posteriori” (descriptivos) se ejecutan al
finalizar el campeonato (tambi´n podr´ ejecutarse despu´s
e ıan e
de cada fecha), y permiten encontrar equipos ´ptimos de
o
acuerdo con los resultados de todo el torneo (es decir, trabajan
una vez conocidos los puntajes obtenidos por cada jugador).
Los modelos “a priori” (prescriptivos) se ejecutan antes del
inicio del campeonato y de cada fecha, y permiten generar
equipos “robustos” con la informaci´n que se dispone de cada
o
jugador.
6. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelos “a posteriori” (descriptivos)
7. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 1: Equipo fijo optimo de titulares.
´
Los 11 mejores titulares respetando las restricciones del juego.
Se consideran s´lo titulares, s´lo se guardan $1.200.000 para
o o
4 suplentes de $300.000 (pero a los efectos del puntaje s´lo se
o
consideran los titulares).
8. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 1: Equipo fijo optimo de titulares.
´
E : equipos; J: jugadores; P: posiciones;
x[J] binaria: x[i] = 1 es titular
par´metros: equipo[J], posicion[J], precio[J], puntaje[J]
a
(acumulado total)
cant[P] (cantidad de titulares por posici´n)
o
m´x
a puntaje[i]x[i]
i∈J
s.a.
i∈J precio[i]x[i] ≤ 58,800,000
i∈J:equipo[i]=e x[i] ≤ 3 ∀e ∈ E
i∈J:posicion[i]=p x[i] = cant[p] ∀p ∈ P
9. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 2: Equipo fijo optimo con suplentes.
´
Los suplentes s´lo juegan cuando alg´n titular correspondiente
o u
no jug´.
o
10. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 2: Equipo fijo optimo con suplentes.
´
Variables y par´metros:
a
E : equipos; J: jugadores; P: posiciones; F : fechas;
x[J] binaria: x[i] = 1 es titular
y [J] binaria: y [i] = 1 es suplente
pt[P × F ] real: pt[p, k] = puntos del suplente en la posici´n p
o
en la fecha k
par´metros: equipo[J], posicion[J], precio[J], puntaje[J × F ],
a
juega[J × F ], M[P × F ]
M[p, k] = m´xj∈J:posicion[j]=p and juega[j,k]=1 puntaje[j, k]
a
cant[P] (cantidad de titulares por posici´n)
o
11. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 2: Equipo fijo optimo con suplentes.
´
m´x
a puntaje[i, k]x[i] + pt[p, k]
i,k∈J×F p,k∈P×F
s.a.
i∈J precio[i](x[i] + y [i]) ≤ 60,000,000
i∈J:equipo[i]=e x[i] + y [i] ≤ 3 ∀e ∈ E
i∈J:posicion[i]=p x[i] = cant[p] ∀p ∈ P
i∈J:posicion[i]=p y [i] = 1 ∀p ∈ P
( j∈J:posicion[j]=p and juega[j,k]=0 x[j])M[p, k] ≥ pt[p, k] ∀p, k ∈ P × F
j∈J:posicion[j]=p puntaje[j, k]y [j] ≥ pt[p, k] ∀p, k ∈ P × F
12. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 3: Equipo fijo optimo con suplentes y usando
´
cambios.
En cada fecha se determina qu´ cambios se realizan (o sea,
e
qui´nes son titulares y qui´nes son suplentes).
e e
Variables y par´metros:
a
E : equipos; J: jugadores; P: posiciones; F : fechas; F : fechas
desde la segunda.
x[J × F ] binaria: x[i, k] = 1 juega de titular en la fecha k
y [J × F ] binaria: y [i, k] = 1 juega de suplente en la fecha k
par´metros: equipo[J], posicion[J], precio[J], puntaje[J × F ]
a
cant[P] (cantidad de titulares por posici´n)
o
13. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 3: Equipo fijo optimo con suplentes y usando
´
cambios.
m´x
a puntaje[i, k]x[i, k]
i,k∈J×F
s.a.
x[i, k] + y [i, k] ≤ 1 ∀i, k ∈ J × F
i∈J precio[i](x[i, k] + y [i, k]) ≤ 60,000,000 ∀k ∈ F
i∈J:equipo[i]=e x[i, k] + y [i, k] ≤ 3 ∀e, k ∈ E × F
i∈J:posicion[i]=p x[i, k] = cant[p] ∀p, k ∈ P × F
i∈J:posicion[i]=p y [i, k] = 1 ∀p, k ∈ P × F
x[i, k] + y [i, k] − x[i, k − 1] − y [i, k − 1] = 0 ∀i, k ∈ J × F
14. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 4: Equipo perfecto.
Equipo fijo ´ptimo con suplentes, usando cambios y las 3
o
transferencias permitidas por el reglamento.
En cada fecha se determina qu´ transferencias se realizan,
e
qui´nes son titulares y qui´nes son suplentes.
e e
15. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 4: Equipo perfecto.
Variables y par´metros:
a
E : equipos; J: jugadores; P: posiciones; F : fechas; F : fechas
desde la segunda.
x[J × F ] binaria: x[i, k] = 1 juega de titular en la fecha k
y [J × F ] binaria: y [i, k] = 1 juega de suplente en la fecha k
z[J × F ] binaria: z[i, k] = 1 es jugador nuevo a partir de la
fecha k
par´metros: equipo[J], posicion[J], precio[J], puntaje[J × F ]
a
cant[P] (cantidad de titulares por posici´n)
o
16. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo 4: Equipo perfecto.
m´x
a puntaje[i, k]x[i, k]
i,k∈J×F
s.a.
x[i, k] + y [i, k] ≤ 1 ∀i, k ∈ J × F
i∈J precio[i](x[i, k] + y [i, k]) ≤ 60,000,000 ∀k ∈ F
i∈J:equipo[i]=e x[i, k] + y [i, k] ≤ 3 ∀e, k ∈ E × F
i∈J:posicion[i]=p x[i, k] = cant[p] ∀p, k ∈ P × F
i∈J:posicion[i]=p y [i, k] = 1 ∀p, k ∈ P × F
x[i, k] + y [i, k] − x[i, k − 1] − y [i, k − 1] ≤ z[i, k] ∀i, k ∈ J × F
x[i, k] + y [i, k] ≥ z[i, k] ∀i, k ∈ J × F
1 − (x[i, k − 1] + y [i, k − 1]) ≥ z[i, k] ∀i, k ∈ J × F
i∈J z[i, k] ≤ 3 ∀k ∈ F
17. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Resultados Gran DT Clausura 2009
Equipo ´ptimo Modelo 2
o
18. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Resultados Gran DT Clausura 2009
Modelo Puntaje Tiempo
Ganador GranDT 1279 ?
Modelo 1 1318 2 seg
Modelo 2 1394 2 hs
Modelo 3 1491 10 seg
Modelo 4 1990 10 min
19. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Resultados Gran DT Apertura 2009
Modelo Puntaje Tiempo
Ganador GranDT 1375 ?
Modelo 1 1336 1 seg
Modelo 2 1442 5 min
Modelo 3 1535 5 seg
Modelo 4 2173 2 hs.
20. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Resultados Gran DT Clausura 2010
Modelo Puntaje Tiempo
Ganador GranDT 1227 ?
Modelo 1 1232 1 seg
Modelo 2 1343 3 min
Modelo 3 1401 1 seg
Modelo 4 2027 50 min
21. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Resultados Gran DT Apertura 2010
Modelo Puntaje Tiempo
Ganador GranDT 1394 ?
Modelo 1 1412 2 seg
Modelo 2 1527 57 min
Modelo 3 1613 2 seg
Modelo 4 2027 116 min
22. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Prensa
Equipo Perfecto 2008: 2068
puntos (gap 0,16 % despu´s
e
de 12hs)
Ganador GranDT 2008
(Martin Yelen): 1307 puntos
23. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Prensa
Equipo Perfecto Clausura 2009: 1990 puntos
Ganador GranDT Clausura 2009 (Leonardo Varas) 1279 puntos
24. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Prensa
Equipo Perfecto Apertura 2009: 2173 puntos
Ganador GranDT Apertura 2009 (Luc´ Zanel) 1375 puntos
ıa
25. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Prensa
Equipo Perfecto Clausura 2010: 2027 puntos
Ganador GranDT Clausura 2010 (Alberto Wul) 1227 puntos
26. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelos “a priori” (prescriptivos)
27. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Sobre la composici´n del equipo
o
Dise˜amos un modelo que dados los puntajes estimados que
n
aportar´ cada futbolista por fecha (estimaci´n que debe
ıa o
hacer el usuario), arma el equipo “´ptimo” teniendo en cuenta
o
las restricciones del juego.
Generamos un ´ındice por jugador, ponderando 50 % al
promedio del campeonato pasado, y 50 % a las fechas jugadas
hasta el momento (3 al inicio del juego).
Buscamos maximizar el ´ ındice del equipo sujeto a cumplir con
las condiciones del juego.
28. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo
Variables y par´metros:
a
E : equipos; J: jugadores; P: posiciones
x[J] binaria: x[i] = 1 juega de titular
y [J] binaria: y [i] = 1 juega de suplente
par´metros: equipo[J], posicion[J], precio[J], indice[J]
a
cantMax[P], cantMin[P] (cantidad m´xima y m´
a ınima de
titulares por posici´n)
o
29. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo
m´x
a indice[i]x[i] + 0, 1indice[i]y [i]
i∈J
s.a.
x[i] + y [i] ≤ 1 ∀i ∈ J
i∈J precio[i](x[i] + y [i]) ≤ 60,000,000
i∈J:equipo[i]=e x[i] + y [i] ≤ 3 ∀e ∈ E
i∈J:posicion[i]=p x[i] ≤ cantMax[p] ∀p ∈ P
i∈J:posicion[i]=p x[i] ≥ cantMin[p] ∀p ∈ P
i∈J x[i] = 11
i∈J:posicion[i]=p y [i] = 1 ∀p ∈ P
30. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿C´mo hacer las transferencias y los cambios fecha a
o
fecha?
Actualizamos el ´
ındice de los jugadores con los resultados de
la fecha que acaba de terminar. Sumamos un 2 % a la
ponderaci´n del torneo actual (48-52; 46-54, etc).
o
Maximizamos el ´ ındice del equipo sujeto a la realizaci´n de las
o
3 transferencias.
Observaci´n: Corremos el modelo varias veces para conseguir
o
varios sets de transferencias. Se elige a trav´s del juicio
e
experto del usuario.
Se pueden incluir otros escenarios, por ejemplo, ¿c´mo hago
o
para incluir a determinado jugador?
31. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo
Variables y par´metros:
a
E : equipos; J: jugadores; P: posiciones
x[J] binaria: x[i] = 1 juega de titular
y [J] binaria: y [i] = 1 juega de suplente
par´metros: equipo[J], posicion[J], precio[J], indice[J]
a
cantMax[P], cantMin[P] (cantidad m´xima y m´
a ınima de
titulares por posici´n)
o
Equi1 (equipo actual)
32. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Modelo
m´x
a indice[i]x[i] + 0, 1indice[i]y [i]
i∈J
s.a.
x[i] + y [i] ≤ 1 ∀i ∈ J
i∈J precio[i](x[i] + y [i]) ≤ 60,000,000
i∈J:equipo[i]=e x[i] + y [i] ≤ 3 ∀e ∈ E
i∈J:posicion[i]=p x[i] ≤ cantMax[p] ∀p ∈ P
i∈J:posicion[i]=p x[i] ≥ cantMin[p] ∀p ∈ P
i∈J x[i] = 11
i∈J:posicion[i]=p y [i] = 1 ∀p ∈ P
iinEqui1 x[i] + y [i] ≥ 11
33. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Equipo inicial Apertura 2009
34. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Equipo (Tercera fecha GDT)
35. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿C´mo le fue al modelo en el Apertura 2009?
o
Fecha Predicci´n
o Puntaje Real
4 97,26 82
5 89,91 74
6 86,58 56
7 76,55 59
8 77,45 64
9 83,53 57
10 82,39 84
11 81,76 89
12 85,06 79
13 86,54 61
14 83,82 74
15 85,85 65
16 84,54 73
17 84,32 86
18 85,64 78
19 84,66 74
Total 1355,86 1155
36. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿C´mo le fue al modelo en el Apertura 2009?
o
Posici´n del modelo en el torneo: 92.688
o
Puntaje del primero: 1375
Posici´n que hubiera tenido el modelo de tener los puntos de
o
la predicci´n: 7
o
Cantidad de jugadores: 1.800.000
37. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿En qu´ trabajamos para ajustar las predicciones?
e
Queremos conseguir una predicci´n de los puntajes futuros de
o
los jugadores m´s ajustada a la realidad (no usar una mera
a
ponderaci´n de los promedios de los ultimos campeonatos).
o ´
Si consigui´ramos estas predicciones m´s ajustadas, a partir
e a
de ah´ podemos aplicar nuestro modelo de optimizaci´n.
ı o
Buscamos identificar qu´ factores influyen en la actuaci´n de
e o
un jugador en el pr´ximo partido: sus ultimas actuaciones; es
o ´
local o visitante; a qui´n enfrenta; en qu´ estadio juega; juega
e e
Copa la semana anterior o posterior; juega un cl´sico;
a
qu´ t´ctica usa el entrenador.
e a
El desaf´ pasa por usar estas covariables para predecir la
ıo
variable aleatoria que representa al puntaje de cada jugador.
38. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿Cu´les de estas ideas fueron implementadas en el
a
Clausura 2010?
La actuaci´n en el torneo anterior tiene menos peso que la
o
que el jugador tiene en el torneo actual.
Factor de ponderaci´n del ´
o ındice de cada jugador de acuerdo a
si el equipo que integra es local o visitante (1,1 para los
locales; 0,9 para los visitantes).
Factor de ponderaci´n del ´
o ındice de cada jugador de acuerdo a
la posici´n en la tabla del equipo que enfrenta el equipo que
o
integra (0,9 para los 5 primeros; 1 para los del medio; 1,1 para
los 5 ultimos).
´
Implementamos un equipo random para compararlo con el
equipo del modelo.
39. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿C´mo le fue al modelo en el Clausura 2010?
o
Fecha Predicci´n
o Puntaje Real
5 97,84 48
6 90,47 76
7 90,06 59
8 86,40 63
9 86,84 67
10 95,64 77
11 87,05 81
12 91,27 81
13 90,12 88
14 94,81 69
15 86,51 69
16 90,31 73
17 91,01 72
18 91,72 59
19 83,68 88
Total 1353,73 1070
40. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿C´mo le fue al modelo en el Clausura 2010?
o
Posici´n del modelo en el torneo: 13.547 (en el 1 % mejor de
o
la competencia)
Puntaje del primero: 1227
Posici´n que hubiera tenido el modelo de tener los puntos de
o
la predicci´n: 1
o
Puntaje del equipo random: 899 (posici´n 498.726).
o
Cantidad de jugadores: 1.500.000
41. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿Qu´ hicimos para el Apertura 2010?
e
Usamos un modelo de predicciones similar al del campeonato
anterior. Ajustamos con m´s detalle el ´
a ındice de ponderaci´n
o
que considera al rival en cada partido (ya no es lo mismo
enfrentar al primero que al quinto, por ejemplo).
Consideramos no s´lo los promedios de las actuaciones de los
o
jugadores, sino tambi´n las varianzas (preferimos elegir
e
jugadores m´s “estables”).
a
En las ultimas fechas ponemos un ponderador por definici´n
´ o
del torneo, esto quiere decir que se les sube un poco el ´
ındice
global de cada jugador, a aquellos jugadores de equipos que
juegan por algo importante (definici´n del campeonato,
o
clasificaci´n a la Copa).
o
Las 4 transferencias que permite ahora el juego (antes eran 3)
le da al modelo la posibilidad de explorar muchas m´s a
posibilidades de mejorar al equipo fecha a fecha.
¿C´mo le fue?
o
42. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Notables mejoras en predicciones y puntajes
Fecha Predicci´n
o Puntaje Real
4 89,85 91
5 101,77 77
6 92,64 105
7 97,07 95
8 93,9 65
9 89,6 83
10 102,44 82
11 95,85 97
12 95,01 84
13 89,25 88
14 100,34 55
15 101,16 90
16 95,58 80
17 96,73 78
18 98,03 67
19 92,56 85
Total 1531,19 1322
43. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
¿Y c´mo le fue en el torneo?
o
Posici´n del modelo en el torneo con sus 1322 puntos: 643
o
(con 1.500.000 jugadores!!!)
Puntaje del primero: 1394
Posici´n que hubiera tenido el modelo de tener los puntos de
o
la predicci´n: 1
o
Posici´n del modelo en la ciudad de Buenos Aires: 127
o
Posici´n del modelo en Villa Urquiza: 3
o
Posici´n del modelo entre los menores de 12 a˜os (juega con
o n
el nombre de mi hija!!): 7
44. Descripci´n del juego
o Modelos “a posteriori” (descriptivos)
Modelos propuestos Modelos “a priori” (prescriptivos)
Problemas similares en la industria
Planificaci´n de la producci´n con demanda incierta.
o o
Si conoci´ramos la demanda podemos aplicar los modelos de
e
optimizaci´n a posteriori.
o
Pero si no la conocemos debemos analizar los hist´ricos de
o
demanda, y aplicar all´ los modelos a priori (algo similar a lo
ı
que ocurre con las actuaciones hist´ricas de los jugadores de
o
f´tbol).
u
Otra aplicaci´n similar: Finanzas. Definici´n de una cartera de
o o
acciones en funci´n de comportamientos hist´ricos de las
o o
acciones de diferentes empresas.