Revista de tecnicas e instrumentos para la toma de decisiones
tecnicas e instrumentos para la toma de decisiones
-
Upload
gipsy-sequera -
Category
Documents
-
view
217 -
download
0
description
Transcript of tecnicas e instrumentos para la toma de decisiones
UNIVERSIDAD FERMIN TORO
FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES
ÁNALISIS DE PROBLEMAS Y TOMA DE DECISIONES
Autor: Gipsy Sequera
Febrero, 2013
Método Simplex
El método del simplex fue creado en 1947 por el
matemático George Dantzig. Se utiliza, sobre
todo, para resolver problemas de programación
lineal en los que intervienen tres o más variables.
El álgebra matricial y el proceso de eliminación de
Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del método
simplex
Un modelo determinista es un modelo matemático
donde las mismas entradas producirán
invariablemente las mismas salidas, no
contemplándose la existencia del azar ni el principio
de incertidumbre. Está estrechamente relacionado
con la creación de entornos simulados a través de
simuladores para el estudio de situaciones
hipotéticas, o para crear sistemas de gestión que permitan disminuir la
incertidumbre.
En optimización matemática, el término algoritmo simplex habitualmente
se refiere a un conjunto de métodos muy usados para resolver problemas de
programación lineal, en los cuales se busca el máximo de una función lineal
sobre un conjunto de variables que satisfaga un conjunto de inecuaciones
lineales.
Un método llamado de manera similar, pero no
relacionado al anterior, es el método Nelder-Mead
(1965) o método de descenso (o ascenso) simplex; un
método numérico que busca un mínimo (o máximo)
local de una función cualquiera examinando en cada
paso los vértices de un simplex.
El método simplex es un procedimiento iterativo
que permite tender progresivamente hacia la
solución óptima. Es un procedimiento sistemático
y eficiente para encontrar y probar soluciones
situadas en los vértices de optimalidad.
El método 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.
Aspectos Fundamentales Del Método Simplex
1. Encuentra una solución óptima
2. Es un método de cambio de bases
3. Requiere que la función objetivo sea expresada de tal forma que cada variable básica tenga como coeficiente 0
4. Requiere que cada variable básica aparezca en una y solamente una ecuación de restricción.
Lógica Bayesiana
La inferencia bayesiana es un tipo de inferencia
estadística en la que las evidencias u
observaciones se emplean para actualizar o
inferir la probabilidad de que una hipótesis
pueda ser cierta. El nombre «bayesiana» proviene
de uso frecuente que se hace del teorema de
Bayes durante el proceso de inferencia. El
teorema de Bayes se ha derivado del trabajo
realizado por el reverendo Thomas Bayes.
La incertidumbre y la imprecisión son connaturales
en el proceso de razonamiento. 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 la verdad o
falsedad de un enunciado o hipótesis, e imprecisión, enunciados en los que se
admite un rango de variación.
Entre los métodos de razonamiento
aproximado se encuentran los métodos
bayesianos, basados en el conocido teorema
de Bayes. Todos ellos tienen en común la
asignación de una probabilidad como
medida de credibilidad de las hipótesis. En
este contexto, la inferencia se entiende
como un proceso de actualización de las
medidas de credibilidad al conocerse nuevas evidencias. Matemáticamente
se trata de obtener las probabilidades de las hipótesis condicionadas a las
evidencias que se conocen. La actualización de las probabilidades
condicionadas hipótesis a las evidencias se fundamenta en la aplicación del
Teorema de Bayes. La diferencia entre los distintos métodos bayesianos,
modelos causales y redes bayesianas, estriba en las hipótesis de
independencia condicional entre hipótesis y evidencias.
Teoría De Juegos
La teoría de juegos es un área de la matemática
aplicada que utiliza modelos para estudiar
interacciones en estructuras formalizadas de
incentivos (los llamados «juegos») y llevar a cabo
procesos de decisión. Sus investigadores estudian
las estrategias óptimas así como el comportamiento previsto y observado de
individuos en juegos. Tipos de interacción aparentemente distintos pueden,
en realidad, presentar estructura de incentivo similar y, por lo tanto, se
puede representar mil veces conjuntamente un mismo juego.
Desarrollada en sus comienzos como una
herramienta para entender el
comportamiento de la economía, la teoría
de juegos se usa actualmente en muchos
campos, como en la biología, sociología,
psicología y filosofía. Experimentó un
crecimiento sustancial y se formalizó por
primera vez a partir de los trabajos de
John von Neumann y Oskar
Morgenstern, antes y durante la Guerra
Fría, debido sobre todo a su aplicación a la estrategia militar, en particular
a causa del concepto de destrucción mutua garantizada. Desde los setenta,
la teoría de juegos se ha aplicado a la conducta animal, incluyendo el
desarrollo de las especies por la selección natural. A raíz de juegos como el
dilema del prisionero, en los que el egoísmo generalizado perjudica a los
jugadores, la teoría de juegos ha atraído también la atención de los
investigadores en informática, usándose en inteligencia artificial y
cibernética.
Aunque tiene algunos puntos en común con la teoría de la decisión, la teoría
de juegos estudia decisiones realizadas en entornos donde interaccionan. En
otras palabras, estudia la elección de la conducta óptima cuando los costes y
los beneficios de cada opción no están fijados de antemano, sino que
dependen de las elecciones de otros individuos. Un ejemplo muy conocido de
la aplicación de la teoría de juegos a la vida real es el dilema del prisionero,
popularizado por el matemático Albert W. Tucker, el cual tiene muchas
implicaciones para comprender la naturaleza de la cooperación humana. La
teoría psicológica de juegos, que se arraiga en la escuela psicoanalítica del
análisis transaccional, es enteramente distinta.
Método De Transporte
Es una técnica de aplicación de la programación lineal, un enfoque
cuantitativo que tiene como objetivo encontrar los medios menos costosos
(óptimos) para embarcar abastos desde
varios orígenes (fábricas, almacenes o
cualquier otro de los puntos desde donde
se embarcan los bienes) hacia varios
destinos (cualquiera de los puntos que
reciben bienes). Es un caso especial
simplificado de método simplex. Recibe
su nombre de su aplicación a problemas
que tienen que ver con el transporte de
productos desde diversos puntos de origen
hasta diversos destinos.
La programación lineal es una herramienta de modelos cuantitativos para
manejar diferentes tipos de problemas y ayudar a la toma de decisiones. El
modelo de transporte es un método por medio del cual un administrador
debe determinar la mejor forma de cómo hacer llegar los productos de sus
diversos almacenes a sus consumidores, con el fin de satisfacer a los clientes
a un costo mínimo.
El modelo de transporte es un problema de
optimización de redes donde debe
determinarse como hacer llegar los productos
desde los puntos de existencia hasta los
puntos de demanda, minimizando los costos
de envío.
El modelo se utiliza para realizar
actividades como: control de inventarios,
programación del empleo, asignación de
personal, flujo de efectivo, programación de niveles de reservas en prensas
entre otras.
Técnica De Montecarlo
El análisis de riesgo forma parte de todas
las decisiones que tomamos. Nos
enfrentamos continuamente a la
incertidumbre, la ambigüedad y la
variabilidad. Y aunque tenemos un acceso
a la información sin precedentes, no
podemos predecir con precisión el futuro.
La simulación Monte Carlo permite ver
todos los resultados posibles de las decisiones que tomamos y evaluar el
impacto del riesgo, lo cual nos permite tomar mejores decisiones en
condiciones de incertidumbre.
La simulación Monte Carlo es una técnica matemática computarizada que
permite tener en cuenta el riesgo en análisis
cuantitativos y tomas de decisiones. Esta
técnica es utilizada por profesionales de
campos tan dispares como los de finanzas,
gestión de proyectos, energía,
manufacturación, ingeniería, investigación y
desarrollo, seguros, petróleo y gas, transporte
y medio ambiente.
La simulación Monte Carlo ofrece a la persona
responsable de tomar las decisiones una serie de
posibles resultados, así como la probabilidad de
que se produzcan según las medidas tomadas.
Muestra las posibilidades extremas, los
resultados de tomar la medida más arriesgada y
la más conservadora, así como todas las posibles consecuencias de las
decisiones intermedias.
Los científicos que trabajaron con la bomba atómica utilizaron esta técnica
por primera; y le dieron el nombre de Monte Carlo, la ciudad turística de
Mónaco conocida por sus casinos. Desde su introducción durante la
Segunda Guerra Mundial, la simulación Monte Carlo se ha utilizado para
modelar diferentes sistemas físicos y conceptuales.
La simulación Monte Carlo realiza el
análisis de riesgo con la creación de
modelos de posibles resultados mediante
la sustitución de un rango de valores,
una distribución de probabilidad, para
cualquier factor con incertidumbre
inherente. Luego, calcula los resultados
una y otra vez, cada vez usando un
grupo diferente de valores aleatorios de
las funciones de probabilidad. Dependiendo del número de incertidumbres y
de los rangos especificados, para completar una simulación Monte Carlo
puede ser necesario realizar miles o decenas de miles de recálculos. La
simulación Monte Carlo produce distribuciones de valores de los resultados
posibles.
Durante una simulación Monte Carlo, los
valores se muestrean aleatoriamente a partir de
las distribuciones de probabilidad introducidas.
Cada grupo de muestras se denomina iteración,
y el resultado correspondiente de esa muestra
queda registrado. La simulación Monte Carlo
realiza esta operación cientos o miles de veces, y
el resultado es una distribución de probabilidad
de posibles resultados. De esta forma, la simulación Monte Carlo