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.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Individual oscar bustos_fase_3
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