El documento presenta un resumen de tres métodos probabilísticos utilizados en el diagnóstico y análisis final de un estudio de caso: 1) Cadenas de Markov para pronosticar el comportamiento futuro de variables, 2) Teoría de colas para modelar líneas de espera con un solo servidor, y 3) Programación estocástica para la optimización de problemas considerando incertidumbre. Cada método incluye una breve descripción y referencias bibliográficas en formato APA.

1. Unidad 2 – paso 3
Cadenas de Markov, teoría de colas y programación no lineal
diagnóstico y análisis final del estudio de caso
Presenta:
Oscar Javier Bustos Rodríguez
Código: 80545055
Presentado A:
Alberto López
Métodos probabilísticos 104561_8
Zipaquirá, Cundinamarca noviembre de 2018

2. DESARROLLO DE LA ACTIVIDAD
1. DiseñarunMentefactocon temaModelode colasM / G / CFCFScon una políticade sistemade inventariode revisióncontinua,apartir del artículo
“DevelopingaM/G/C-FCFSqueueingmodel withcontinuousreview(R,Q) inventorysystempolicyinacementindustry”
MODELO DE COLAS
M/G/C - FGFS
Métodos o modelos
probabilísticos
Investigación de operaciones
 PEPS(primerosenentrar,
primerosensalir) =líneasde
esperaymodelosde colasde
variosservidorescondisciplina
general
 PEPS(primerosenllegar,
primerosservidos)=líneasde
esperaymodelosde colasde
variosservidorescondisciplina
general
SIGNIFICADO
Reduce el tiempo de
espera de los
minoristas en el
sistema
CLASIFICACION
De los centros de
distribución,
minoristas y política
de administraciónde
inventarios
APLICACIONES
Determina y minimiza
costos por
interrupciones
probabilísticas
corrigiendo ubicaciones
entre proveedor y
minorista
TECNICAS
Aplicaciónde modelo
de colas,
programación no
lineal,distribución de
poissonyexponencial
EJEMPLOS:
 Tiempode atenciónal
cliente enunbanco
 Atenciónenun
supermercado
Estos ejemplossuponen
atenciónrelativa
 Programaciónlineal,entera,
dinámica,proyectosPERTCPM, y no
lineal
 Modelosde transporte yredes
 Técnicasde pronósticos
determinísticosyexponenciales
 CadenasMARKOV
 Teoría de decisionesyjuegos

3. Estudiant
e
No. Método o
modelo
probabilístico
Justificación Referencia documental En norma APA
(consulte aquí)
SebastiánBedoyaGómez
Participación Cadenas de
Markov
 Taibo,A. (2009). Por estas cadenas sepronostica el comportamiento
futuro de ciertas variables,sehacemediante el análisisdelos cambios que
han sufrido variables duranteel presente, esta técnica forma parte de la
programación dinámica
 Se aplican en un gran número de situaciones como:
 los cambios s depreferencia en el mercado tienen diferentes
productos.
 La posibledecisión dehacer o no una inversión
 Es estado presente y estados futuros se representan con matrices
Taibo,A. Investigación deoperaciones
para los no matemáticos (pp. 71-77),
México, D.F., MX: Instituto Politécnico
Nacional,2009.Accessed November 27,
2016.Recuperado de:
http://bibliotecavirtual.unad.edu.co:207
7/lib/unadsp/reader.action?docID=1050
4970&ppg=8.
Servicio Línea de espera
para un solo
Servidor
 Gallagher,C., & Watson, H. (1982). Es uno de los modelos más antiguos,
sencillos y comunes de la teoría de colas,puede aplicarsea personas
esperando un turno en el banco.
 En este modelo se considera queel tamaño de la cola sea infinito, supone
que un solo servidor proporciona el servicio quevaría aleatoriamente y no
se permite que las unidades queacaban desalirvuelvan a entrar
inmediatamente al sistema, por tanto:
 Un servidor y una cola
 Llegadas Poisson
 Cola infinita,primero en llegar,primero en ser servido
 Tiempos de servicio exponenciales
Gallagher,C., & Watson, H. (1982).
Métodos cuantitativos para latoma de
decisiones en administración (pp.331-
351), México, D.F., MX: McGraw-Hill
Interamericana.Recuperado de:
http://bibliotecavirtual.unad.edu.co:207
7/lib/unadsp/reader.action?docID=1047
9349&ppg=8.
Optimización Programación
estocástica
 La estocasticidad o incertidumbreapareceen todos los sistemas,pero
hasta ahora no era posiblela solución deproblemas de optimización de
grandes Sistemas considerando explícitamenteésta. La incertidumbre
puede deberse a carencia dedatos fiables,errores de medida o tratarsede
parámetros que representan información sobreel futuro.
 En optimización estocásticaNo se conocen sus valores,sólo sus
distribuciones y habitualmentese supone que éstas son discretas con un
número finito de estados posibles.La suposición dedistribuciones
discretas es habitual en los optimizadores deoptimización estocástica.
 Los tipos de modelos que aparecen en programación lineal estocásticason
motivados principalmentepor problemas con decisiones de tipo aquí y
ahora decisiones previasbajo futuro incierto.Esto es, decisiones que
deben tomarse asándoseen información a priori,existente o supuesta,
sobre situaciones futuras sin realizar observaciones adicionales.
Santiago,R. (2016). Optimización
Estocástica (pp.3-4),Madrid.
Universidad PontificiaICAI ICADE
Comillas.Recuperado de:
https://www.iit.comillas.edu/aramos/si
mio/apuntes/a_sp.pdf

4. BIBLIOGRAFIA
 Gallagher, C., & Watson, H. (1982). Métodos cuantitativos para la toma de decisiones en administración (pp. 331-351), México,
D.F., MX: McGraw-Hill Interamericana. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10479349&ppg=8.
 Taibo, A. Investigación de operaciones para los no matemáticos (pp. 71-77), México, D.F., MX: Instituto Politécnico Nacional,
2009. Accessed November 27, 2016. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10504970&ppg=8.
 Gallagher, C., & Watson, H. (1982). Métodos cuantitativos para la toma de decisiones en administración (pp. 331-351), México,
D.F., MX: McGraw-Hill Interamericana. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10479349&ppg=8.
 Santiago, R. (2016). Optimización Estocástica (pp. 3-4), Madrid. Universidad Pontificia ICAI ICADE Comillas. Recuperado
de: https://www.iit.comillas.edu/aramos/simio/apuntes/a_sp.pdf