Issuu on Google+

UNIVERSIDAD FERMIN TORO FACULTAD DE CIENCIAS ECONOMICAS Y SOACIALES ANALISIS DE PROBLEMAS Y TOMA DE DECISIONES

Por: Ricardo Ciccotti C.I.: 18.423.436

CABUDARE, JULIO 2012


INTRODUCCION Es común que existan grupos interdisciplinarios del método científico en las cuales quieran resolver los problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organización”. Es importante el análisis de los problemas porque es una ciencia y su fundamento es ofrecer técnicas para resolver problemas de decisión adecuada, pero desde el punto de vista del campo administrativo. La misma alcanza a solucionar en todas sus fases, dependiendo del personal, sus habilidades, capacidad para tomar decisiones, pero tomando en cuenta las diferentes áreas como la Administrativa, la cual se refiere a los siguientes:


METODO DETERMINISTICO 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. Programación Lineal

 

Es

 

un 

procedimiento   o   algoritmo   matemático   mediante   el   cual   se   resuelve   un  problema   indeterminado,   formulado   a   través   de   ecuaciones   lineales,  optimizando la función objetivo, también lineal.


Consiste   en   optimizar   (minimizar   o   maximizar)   una   función   lineal,  denominada función objetivo, de tal forma que las variables de dicha función  estén   sujetas   a   una   serie   de   restricciones   que   expresamos   mediante   un  sistema de inecuaciones lineales. Método Simplex

  Es   un  procedimiento iterativo que permite ir mejorando la solución a cada paso. El  proceso   concluye   cuando   no   es   posible   seguir   mejorando   más   dicha  solución.  Partiendo del valor de la función objetivo en un vértice cualquiera, el  método consiste en buscar sucesivamente otro vértice que mejore al anterior. 


La búsqueda se hace siempre a través de los lados del polígono (o de las  aristas del poliedro, si el número de variables es mayor). Cómo el número de  vértices (y de aristas) es finito, siempre se podrá encontrar la solución. El método del simplex se basa en la siguiente propiedad: si la función  objetivo, f, no toma su valor máximo en el vértice A, entonces hay una arista  que parte de A, a lo largo de la cual f aumenta. 


METODO PROBABILISTICO Es   la   forma   que   pueden   tomar   un   conjunto   de   datos   obtenidos   de  muestreos de datos con comportamiento que se supone aleatorio. Lógica de Bayesiana

  Es   un   tipo   de   análisis   estadístico  que permite cuantificar un resultado incierto, determinando la probabilidad de  que ocurra, mediante el uso de datos relacionados previamente conocidos.  Por su  parte, la  probabilidad  básica resulta  simple  de  calcular, porque se  está   tratando   con   una   cantidad   limitada   de   factores   y   posibilidades.   Por 


ejemplo, si la única información de que disponemos a la hora de realizar una  apuesta  en  una carrera  de  caballos es que hay 10  equinos participantes,  podemos elegir cualquiera de los mismos como ganador basándonos en que  la probabilidad de ganar es de 1 entre 10, es decir, de 0,10. Sin embargo,  aplicar ese tipo de matemáticas a las carreras, probablemente redundará en  pérdidas monetarias, y es aquí donde la lógica de Bayes entra en acción. 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. 


METODO HIBRIDO Tienen que ver con los métodos determinísticos y probabilísticos como  el Método de Transporte o Localización y la técnica de Montecarlo. Método de Transporte o Localización

 

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. El método de transporte permite encontrar la  mejor distribución de los 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.  El   primer   paso   en   el   procedimiento   de   este   tipo   de   problema   es 


establecer una matriz de transporte, la cual tiene como objetivo resumir de  manera   provechosa   y   concisa   todos   los   datos   relevantes   y   continuar   los  cálculos del algoritmo.  Para crear la matriz de transporte deben seguirse los siguientes pasos: 1. Crear una fila que corresponda a cada planta (existente o nueva) que  se esté considerando y crear una columna para cada almacén.  2. Agregar una columna para las capacidades de las plantas y una fila  para   las   demandas   de   los   almacenes,   e   insertar   después   sus   valores  numéricos específicos.  3.   Cada   celda   que   no   se   encuentre   en   la   fila   de   requisitos   ni   en   la  columna de capacidad representa una ruta de embarque desde una planta  hasta un almacén.  Insertar los costos unitarios en la esquina superior derecha de cada una  de   esas   celdas.   En   muchos   problemas   reales,   a   veces   sucede   que   la  capacidad   excede   a   los   requisitos   unidades,   se   agrega   una   columna   (un  almacén ficticio) con una demanda de unidades y los costos de embarque en  las nuevas celdas creadas son igual a $0, pues en realidad esos embarques  no   se   realizan,   por   lo   que   representan   capacidad   de   planta   no   utilizada. 


Igualmente, si los requerimientos exceden a la capacidad por unidades, se  agrega  una  fila  más  (una  planta  ficticia) con  capacidad  de  unidades  y se  asignan costos de embarque iguales a los costos faltantes de las nuevas  celdas. Si estos últimos costos no se conocen o su valor es el mismo para  todos los almacenes, se le asigna $0 por unidad a los costos de embarque  de cada celda de la fila ficticia. La solución óptima no resulta afectada, pues  el mismo faltante de unidades se necesita en todos los casos.  Técnica de Montecarlo 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. 


Ricardo Ciccotti