Page 1

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

Alumna: Sebel Rodríguez Cedula: 20.644.211

Julio, 28-07-2012


Día a día en toda organización, se presentan situaciones de incertidumbre donde la toma de decisiones de manera racional se torna un poco dificultosa o muchas veces no es tomada la correcta, razón por la que es fundamental que se apliquen métodos adecuados que contribuyan a la toma de decisiones exitosas. Los problemas de toma de decisiones se pueden clasificar en dos categorías: modelos de decisión determinísticos y modelos de decisión probabilísticas. En los modelos deterministicos, las buenas decisiones se basan en sus buenos resultados. Se consigue lo deseado de manera "deterministica", 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. Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al problema constante de mejorar (por ejemplo, optimizar) el rendimiento del sistema. El problema puede ser reducir el costo de operación y a la vez mantener un nivel aceptable de servicio, utilidades de las operaciones actuales, proporcionar un mayor nivel de servicio sin aumentar los costos, mantener

un funcionamiento rentable cumpliendo a la vez con las

reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la calidad del producto sin reducir la calidad de otros aspectos. Para identificar la mejora del funcionamiento del sistema, se debe construir una representación sintética o modelo del sistema físico, que puede utilizarse para describir el efecto de una variedad de soluciones propuestas.


Es

un modelo

invariablemente

las

matemático donde mismas salidas,

no

las

mismas entradas producirán

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.

La Programación Lineal (PL) es un procedimiento matemático para determinar la asignación óptima de recursos escasos. La PL es un procedimiento que encuentra su aplicación práctica en casi todas las facetas de los negocios, desde la publicidad hasta la planificación de la producción.

Problemas

de

transporte,

distribución,

y

planificación global de la producción son los objetos más comunes del análisis de PL. Además 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. Cualquier problema de PL consta de una función objetivo y un conjunto de restricciones. En la mayoría de los casos, las restricciones provienen del entorno en el cual usted trabaja para lograr su objetivo. Cuando usted quiere lograr el objetivo deseado, se dará cuenta de que el entorno fija ciertas


restricciones (es decir, dificultades, limitaciones) para cumplir con su deseo (vale decir, el objetivo).

Para formular un problema de PL, recomiendo seguir los siguientes lineamientos generales después de leer con atención el enunciado del problema varias veces. Todo programa lineal consta de cuatro partes: un conjunto de variables de decisión, los parámetros, la función objetivo y un conjunto de restricciones. Al formular un

determinado

problema

de

decisión

en

forma

matemática, debe practicar la comprensión del problema (es decir, formular un Modelo Mental) leyendo detenidamente una y otra vez el enunciado del problema. Mientras trata de comprender el problema, formúlese las siguientes preguntas generales: 1. ¿Cuáles son las variables de decisión? Es decir, ¿cuáles con las entradas controlables? Defina las variables de decisión con precisión utilizando nombres descriptivos. Recuerde que las entradas controlables también se conocen como actividades controlables, variables de decisión y actividades de decisión. 2. Cuáles son los parámetros? Vale decir ¿cuáles son las entradas no controlables? Por lo general, son los valores numéricos constantes dados. Defina los parámetros con precisión utilizando nombres descriptivos. 3. ¿Cuál es el objetivo? ¿Cuál es la función objetivo? Es decir, ¿qué quiere el dueño del problema? ¿De qué manera se relaciona el objetivo con las variables de decisión del dueño del problema? ¿Es un problema de maximización o minimización? El objetivo debe representar la meta del decisor.


4. ¿Cuáles son las restricciones? Es decir, ¿qué requerimientos se deben cumplir? ¿Debería utilizar un tipo de restricción de desigualdad o igualdad? ¿Cuáles son las conexiones entre las variables? Escríbalas con palabras antes de volcarlas en forma matemática. La región factible tiene poco o nada que ver con la función objetivo (minim. o maxim.). Estas dos partes en cualquier formulación de PL generalmente provienen de dos fuentes distintas. La función objetivo se establece para cumplir con el deseo (objetivo) del decisor mientras que las restricciones que forman la región factible generalmente provienen del entorno del decisor que fija algunas limitaciones / condiciones para lograr su objetivo. La programación lineal es una herramienta poderosa para seleccionar alternativas en un problema de decisión y por consiguiente se aplica en una gran variedad de entornos de problemas. La cantidad de aplicaciones es tan alta que sería

imposible

enumerarlas

todas.

Pero es valioso mencionar la aplicación en el área de Recursos Humanos donde los problemas de planificación de personal también se pueden analizar con programación lineal. Por ejemplo, en la industria telefónica, la demanda de servicios de personal de instalación / reparación son estaciónales. El problema es determinar la cantidad de personal de instalación / reparación y reparación de líneas que debemos tener incorporada en la fuerza laboral por cada mes a fin de minimizar los costos totales de contratación, despido, horas extras y salarios en horas ordinarias. El conjunto de restricciones comprende restricciones con respecto a la demanda de servicio que se debe satisfacer, uso de horas extra, acuerdos con los sindicatos y la disponibilidad de personal calificado para contratar. Este ejemplo es opuesto a la hipótesis de divisibilidad. Sin embargo, los niveles de fuerza laboral de cada mes normalmente son lo suficientemente altos como para


poder redondear al número entero más cercano sin problemas, siempre y cuando no se violen las restricciones.

Es la forma que pueden tomar un conjunto de datos obtenidos de muestreos de datos con comportamiento que se supone aleatorio, y la capacidad de cuantificar los resultados de la simulación de incertidumbre de simulaciones.

Consiste

en

razonamientos

circulares,

los

cuales

no

pueden ser evitados al considerar cuestiones estratégicas. Por naturaleza, a los humanos no se les da muy bien pensar sobre los problemas de las relaciones estratégicas, pues generalmente la solución es la lógica a la inversa.

En la Teoría de Juegos la intuición no educada no es muy fiable en situaciones estratégicas,

razón

por

la

que

se

debe entrenar tomando en consideración ejemplos instructivos, sin necesidad que los mismos sean reales. Por lo contrario en muchas ocasiones disfrutaremos de ventajas sustanciales estudiando juegos,


si se eligen cuidadosamente los mismos. En estos juegos-juegos, se pueden desentender de todos los detalles.

Si en lugar de utilizar personajes ficticios utilizamos personajes reales para los juegos si se observase qué tan honesto es ese personaje, cómo manipularía la información obtenida, etc. Para un especialista en Teoría de Juegos el ser deshonesto, etc., sería un error comparable al de un matemático que no respeta las leyes de la aritmética porque no le gustan los resultados que está obteniendo.

La teoría Bayesiana se encarga de estudiar y analizar al consumidor, se observan las características y los atributos que describen el comportamiento del potencial cliente.

Consiste en aislar los atributos que la persona en cuestión le asigna al determinado producto, y una vez hecho esto aislarlo, y estudiarlo y analizarlo. Se dejan de lado todos los otros factores, como características del producto, del cliente, etc., y se centra simplemente en este atributo encontrado. La teoría Bayesiana les da la libertad a los investigadores de estudiar la complejidad del comportamiento humano de una forma mucho más realista, de lo que era previamente posible. Aunque ningún método es 100 % exacto ya que la psiquis humana es demasiado compleja como para simplificarla en una teoría.

El razonamiento bayesiano proporciona un enfoque probabilística a la inferencia. Está basado en la suposición de que las cantidad de


interés son gobernadas por distribuciones de probabilidad y que se pueden tomar decisiones óptimas razonando sobre estas probabilidades junto con los datos obtenidos. Este enfoque está siendo utilizado en multitud de campos de investigación, de los que cabe destacar la robótica móvil y la visión computacional, ambas relacionadas con el contenido de esta tesis. En este apéndice queremos definir dos de las herramientas utilizadas en el desarrollo de esta tesis: el teorema de Bayes y el principio de longitud de descripción mínima.

El equilibrio de Nash ocupa un lugar central en la teoría de juegos; constituye de alguna manera una condición mínima de racionalidad individual ya que, si una combinación de estrategias no es un equilibrio de Nash, existe al menos un jugador que puede aumentar sus ganancias cambiando de estrategia, y en consecuencia, ésta se puede considerar difícilmente como una “solución” del modelo en la medida en que el jugador interesado en cambiar descarta su elección, después de conocer la de los otros.

La metodología híbrida de investigación, es

decir,

la

combinación

de

métodos

cuantitativos y cualitativos en el mismo trabajo, es una aproximación muy utilizada en varios campos, por ejemplo en educación y en sociología. Sin embargo, la atención dedicada a la aplicación y a los beneficios de los métodos híbridos en dirección de empresas es muy baja con relación a otras áreas. Se define como aquella en la que el investigador recoge y analiza datos, integra los resultados y establece inferencias utilizando métodos cuantitativos y cualitativos en un mismo estudio,


la investigación híbrida, como método, se centra en recoger, analizar e integrar datos cuantitativos y cualitativos. En otras palabras, se trata de combinar la recogida de datos cuantitativos y cualitativos y su análisis en un mismo estudio.

Con relación a los beneficios de los métodos híbridos, estos se suelen señalar comparando esta metodología con los trabajos que utilizan únicamente un método (cuantitativo o cualitativo). Una

ventaja

principal

de

la

metodología

híbrida

es

que

permite

simultáneamente generar y verificar teoría en el mismo estudio. En segundo lugar, la metodología híbrida

proporciona

inferencias

más

fuertes,

aprovechando las ventajas de utilizar al mismo tiempo la investigación cuantitativa y cualitativa, y reduciendo o eliminando las desventajas y problemas asociados

con

la

utilización

de

una

única

metodología.

Abarcan una colección de técnicas que permiten obtener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias repetidas. Se ha utilizado durante mucho tiempo con el fin de obtener aproximaciones numéricas de funciones complejas. Este método implica típicamente la generación de puntos de vista de una distribución de probabilidades de la muestra obtenida y se utiliza para aproximar la función de interés.


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. los

El método de transporte permite encontrar la mejor distribución 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.


Revista virtual  

tecnicas e instrumentos para la toma de decisiones racional

Read more
Read more
Similar to
Popular now
Just for you