Upload
leonardo-linarez
View
224
Download
0
Tags:
Embed Size (px)
DESCRIPTION
Técnicas E Instrumentos Para La Toma Racional De Decisiones.
Citation preview
Universidad Fermín Toro
Factultad de Ciencias Económicas y Sociales
Análisis de Problemas y Toma de Decisiones
Autor: Leonardo Linarez
10 De Febrero Del Año 2013
El Metodo 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.
La primera implementación computacional del Método Simplex es el ano 1952
para un problema de 71 variables y 48 ecuaciones. Su resolución tarda 18
horas. Luego, en 1956, un código llamado RSLP1, implementado en un IBM con
4Kb en RAM, admite la resolución de modelos con 255 restricciones.
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.
FORMA ESTÁNDAR DE UN MODELO DE PROGRAMACIÓN LINEAL
Consideremos un modelo de Programación Lineal en su forma estandar, que
denotaremos en lo que sigue por:
Min c1x1 + c2x2 + ... + cnxn
sa a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
... ... ...
am1x1 + am2x2 + ... + amnxn = bm
xi >= 0, i = 1, 2, ..., n y m <= n
Matricialmente escrito como:
Min cTx
s.a Ax = b
x >= 0
Un modelo de programación lineal proporciona un método eficiente para
determinar una decisión óptima, (o una estrategia óptima o un plan óptimo)
escogida de un gran número de decisiones posibles.
En todos los problemas de Programación Lineal, el objetivo es la maximación o
minimización de alguna cantidad.
2. Desarrollo
Construcción de los Modelos de Programación Lineal
De forma obligatoria se deben cumplir los siguientes requerimientos para
construir un modelo de Programación Lineal.
Requerimiento 1. Función objetivo. (F.O).
Debe haber un objetivo (o meta o blanco) que la optimización desea alcanzar.
Requerimiento 2. Restricciones y decisiones.
Debe haber cursos o alternativas de acción o decisiones, uno de los cuáles
permite alcanzar el objetivo.
Requerimiento 3. La F.O y las restricciones son lineales.
Deben utilizarse solamente ecuaciones lineales o desigualdades lineales.
Modelo standard de Programación Lineal
Optimizar Z = C1X1+ C1X2 +….+ Cn Xn). Función objetivo.
Sujeta a a11X1+ a11X2 +…..+ a1nXn) £ b1
a21X1+ a21X2 +…..+ a2nXn) £ b1
Restricciones
am1X1+ am1X2 +…..+ amnXn) £ bm
Debiendo ser
X1 ³ 0, X2 ³ 0, ….. Xn ³ 0
Donde :
Xj : variables de decisión, j = 1,2.., n.
n : número de variables.
m : número de restricciones.
aij , bi , cj constantes, i = 1,2.., m.
Pasos para la construcción del modelo:
1. Definir las variables de decisión.
2. Definir el objetivo o meta en términos de las variables de decisión.
3. Definir las restricciones.
4. Restringir todas las variables para que sean no negativas.
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. Hoy en día, uno de los campos de aplicación es en la teoría de la
decisión, visión artificial (simulación de la percepción en general) y
reconocimiento de patrones por ordenador.
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. Dichas relaciones se
expresan comúnmente mediante un grafo acíclico dirigido.
Teoria 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.
Los analistas de juegos utilizan asiduamente otras áreas de la matemática, en
particular las probabilidades, las estadísticas y la programación lineal, en
conjunto con la teoría de juegos. Además de su interés académico, la teoría de
juegos ha recibido la atención de la cultura popular. La vida del matemático
teórico John Forbes Nash, desarrollador del Equilibrio de Nash y que recibió
un premio Nobel, fue el tema de la biografía escrita por Sylvia Nasar, Una
mente maravillosa (1998), y de la película del mismo nombre (2001). Varios
programas de televisión han explorado situaciones de teoría de juegos, como el
concurso de la televisión de Cataluña (TV3) Sis a traïció (Seis a traición), el
programa de la televisión estadounidense Friend or foe? (¿Amigo o enemigo?)
y, hasta cierto punto, el concurso Supervivientes.
Método De Transporte Y 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.
Técnica De MonteCarlo
El método 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.
El uso de los métodos de Monte Carlo como herramienta de investigación,
proviene del trabajo realizado en el desarrollo de la bomba atómica durante la
Segunda Guerra Mundial en el Laboratorio Nacional de Los Álamos en EE. UU.
Este trabajo conllevaba la simulación de problemas probabilísticos de
hidrodinámica concernientes a la difusión de neutrones en el material de fisión.
Esta difusión posee un comportamiento eminentemente aleatorio. En la
actualidad es parte fundamental de los algoritmos de Raytracing para la
generación de imágenes 3D.
En la primera etapa de estas investigaciones, John von Neumann y Stanislaw
Ulam refinaron esta ruleta rusa y los métodos "de división" de tareas. Sin
embargo, el desarrollo sistemático de estas ideas tuvo que esperar al trabajo
de Harris y Herman Kahn en 1948. Aproximadamente en el mismo año, Enrico
Fermi, Nicholas Metropolis y Ulam obtuvieron estimadores para los valores
característicos de la ecuación de Schrödinger para la captura de neutrones a
nivel nuclear usando este método.
El método de Monte Carlo proporciona soluciones aproximadas a una gran
variedad de problemas matemáticos posibilitando la realización de
experimentos con muestreos de números pseudoaleatorios en una computadora.
El método es aplicable a cualquier tipo de problema, ya sea estocástico o
determinista. A diferencia de los métodos numéricos que se basan en
evaluaciones en N puntos en un espacio M-dimensional para producir una
solución aproximada, el método de Monte Carlo tiene un error absoluto de la
estimación que decrece como en virtud del teorema del límite central.