Issuu on Google+

Universidad Fermín Toro Facultad de Ciencias Económicas y Sociales Análisis de Problemas y Toma de Decisiones

TÉCNICAS E INSTRUMENTOS PARA LA TOMA RACIONAL DE DECISIONES

Autor: Laura Gómez

Cabudare; 05 de Febrero de 2013


INTRODUCCION

Para investigar es necesario contar primero con un problema para resolver Sólo conociendo a fondo los fenómenos estudiados y la estructura total de la teoría que los contempla, pueden detectarse las irregularidades o las lagunas existentes en el cuerpo de conocimientos. Es decir, los Métodos en Investigación Operativa. Ahora bien, para hablar de estos métodos se hace primero hincapié en la investigación operativa, la cual surge durante la segunda Guerra Mundial, luego y con motivo de la revolución industrial, ha ido teniendo cada vez más importancia dado el crecimiento y complejidad de las nuevas organizaciones. Actualmente está cobrando especial importancia con el desarrollo de la informática. •

Definición

Aplicación del método científico por un grupo multidisciplinario personas a la resolución de un problema. •

Objetivo

Decidir

mediante

métodos

científicos

el

diseño

que

optimiza

el

funcionamiento del proceso analizado, generalmente bajo condiciones que implican la utilización de recursos escasos. •

Métodos Determinísticos: Programación lineal, programación entera, probabilidad de transporte, teoría de la localización o redes, programación multicriterio, teoría de inventarios, etc.

Métodos probabilísticos: Cadenas de Markov, teoría de juegos, líneas de espera, teoría de inventarios, etc.

Métodos híbridos: Conjugan métodos Determinísticos y probabilísticos.


MÉTODOS DETERMINÍSTICOS

Un modelo mismas entradas

determinista, producirán

es

un

modelo

invariablemente

matemático las

donde

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. Los modelos deterministas sólo pueden ser adecuados para sistemas deterministas, para sistemas azarosos y caóticos los modelos deterministas no pueden predecir adecuadamente la mayor parte de sus características. En los modelos Determinísticos, las buenas decisiones se basan en sus buenos resultados. Se consigue lo deseado de manera "determinística", es decir, libre de riesgo. Esto depende de la influencia que puedan tener los factores no controlables, en la determinación de los resultados de una decisión y también en la cantidad de información que el tomador de decisión tiene para controlar dichos factores. Los

modelos deterministas suponen que toda la información necesaria

para la toma de una decisión administrativa se conoce. Por ejemplo, el número de unidades de producción que deben generarse para maximizar la utilidad, cuando se conoce la disponibilidad de materia prima, y la cantidad de mano de obra requerida para la producción de un bien. Estos modelos también son estructuralmente sencillos y pueden aplicarse a problemas tan dispares como situaciones de producción, logística, planificación de la fuerza de ventas, entre otras. A continuación se mencionan las herramientas clásicas de este enfoque: •

Programación Lineal: Es una de las principales ramas de la Investigación Operativa. En esta categoría se consideran todos aquellos modelos de


optimización donde las funciones que lo componen, es decir, función objetivo y restricciones, son funciones lineales en las variables de decisión Es por ello que, se considera que las variables de decisión tienen un comportamiento lineal, tanto en la función objetivo como restricciones del problema. En este sentido, la Programación Lineal es una de las herramientas más utilizadas en la Investigación Operativa debido a que por su naturaleza se facilitan los cálculos y en general permite una buena aproximación de la realidad. La programación lineal es un método determinista de análisis para elegir la mejor entre muchas alternativas. Cuando esta mejor alternativa incluye un conjunto coordinado de actividades, se le puede llamar plan o programa. •

Método Simplex: El Método Simplex publicado por George Dantzig en 1947 consiste en un algoritmo iterativo que secuencialmente a través de iteraciones se va aproximando al óptimo del problema de Programación Lineal en caso de existir esta última. Es decir, es un algoritmo de solución muy utilizado para resolver programas lineales. Un algoritmo es una serie de pasos para cumplir con una tarea determinada.

El Método Simplex hace uso de la propiedad de que la solución óptima de un problema de Programación Lineal se encuentra en un vértice o frontera del dominio de puntos factibles (esto último en casos muy especiales), por lo cual, la búsqueda secuencial del algoritmo se basa en la evaluación progresiva de estos vértices hasta encontrar el óptimo. Cabe destacar que para aplicar el Método Simplex a un modelo lineal, este debe estar en un formato especial conocido como formato estándar. 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. MÉTODOS PROBABILÍSTICOS

Modelo probabilístico, es la forma que pueden tomar un conjunto de datos obtenidos de muestreos de datos con comportamiento que se supone aleatorio. Pueden ser modelos probabilísticos discretos o continuos. Los primeros, en su mayoría se basan en repeticiones de pruebas de Bernoulli. Los más utilizados son: •

Modelo de Bernoulli

Modelo Binomial.

Modelo Geométrico.

Modelo Binomial negativo.

Modelo Hipergeométrico.

Modelo de Poisson. Por otro lado, tal como se ha mencionado antes, existen modelos

probabilísticos continuos, entre ellos destacamos: •

Distribución Normal: usada ampliamente en muestras mayores a 30 datos.

Distribución Chi Cuadrado: usada en muestras pequeñas.

Distribución Exponencial: usada en duración o donde interviene el paso del tiempo.

Distribución F o distribución F de Snedecor: usada para controlar la varianza de 2 distribuciones.


A continuación se mencionan las herramientas clásicas de este enfoque: •

Lógica de 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. Hoy en día, uno de los campos de aplicación es en la teoría de la decisión,1 visión artificial2 (simulación de la percepción en general)3 y reconocimiento de patrones por ordenador. En otras palabras, no es otra cosa que la aplicación de las fórmulas derivadas del teorema de Bayes

a la determinación de las llamadas probabilidades

revisadas; asociadas a un conjunto dado de hipótesis (escenarios factibles de presentarse) mutuamente excluyentes, como consecuencia de las evidencias (hechos) observados.

Teoría de Juegos: Esta herramienta se utiliza básicamente para elegir entre diferentes estrategias de acción bajo condiciones de conflicto, es decir, cuando existen oponentes activos. Para tal herramienta también se construye una matriz utilizándose en algunos casos los criterios máximo y mínimo, entre otros procedimientos probabilistas. Los juegos pueden utilizarse para múltiples situaciones tales como negociaciones sindicales, negociaciones entre grupos al interior o fuera de la organización, en cuestiones de economía internacional, entre otros, según (Binmore, 1994).

No obstante, contemplar situaciones de varios oponentes activos, cooperación entre los oponentes, juegos de ganar-ganar, estrategias múltiples, son difíciles de modelar.


MÉTODOS HÍBRIDOS

A continuación se mencionan las herramientas clásicas de este enfoque:

Modelo de Transporte: El Modelo de transporte es una clase especial de problema de Programación Lineal. Trata la situación en la cual se envía un bien de los puntos de origen (fábricas), a los puntos de destino (almacenes, bodegas, depósitos). El objetivo es determinar las cantidades a enviar desde cada punto de origen hasta cada punto de destino, que minimicen el costo total de envío, al mismo tiempo que satisfagan tanto los límites de la oferta como los requerimientos de la demanda. El modelo supone que el costo de envío de una ruta determinada es directamente proporcional al número de unidades enviadas en esa ruta. Sin embargo, algunas de sus aplicaciones importantes (como la

Programación de la Producción) de hecho no tienen nada que ver con el transporte. Se puede decir también que, esta técnica es una aplicación de la programación lineal. Para este tipo de problemas se considera que existe una red de fábricas, almacenes o cualquier otro tipo de puntos, orígenes o destinos de unos flujos de bienes. La localización de nuevos puntos en la red afectará a toda ella, provocando reasignaciones y reajustes dentro del sistema. transporte permite encontrar la mejor distribución de los

El método de

flujos mencionados

basándose, normalmente en la optimización de los costes de transporte (o, alternativamente, del tiempo, la distancia, el beneficio, etc.) En los problemas de localización, este método puede utilizarse para analizar la mejor ubicación de un nuevo centro, de varios a la vez y en general para cualquier reconfiguración de la red.


En cualquier caso, debe ser aplicado a cada una de las alternativas a considerar para determinar la asignación de flujos óptima. Para utilizar el método de transporte hay que considerar los siguientes pasos: 1. Los puntos de origen y la capacidad o abasto por período, para cada uno. 2. Los puntos de destino y la demanda por período para cada uno. 3. El costo de embarque por una unidad desde cada origen hacia cada destino. •

Técnica de Monte Carlo: Es un método no determinístico o estadístico numérico, usado para aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud. El método se llamó así en referencia al Casino de Monte Carlo (Principado de Mónaco) por ser “la capital del juego de azar”, al ser la ruleta un generador simple de números aleatorios. El nombre y el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora.


Técnicas e instrumentos para la toma racional de decisiones.