TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES
-
Upload
luis-eduardo-vargas -
Category
Documents
-
view
217 -
download
4
description
Transcript of TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES
![Page 1: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/1.jpg)
UNIVERSIDAD “FERMIN TORO” FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES ANALISIS DE PROBLEMAS Y TOMA DE DECISIONES
TÉCNICAS E INSTRUMENTOS
PARA LA TOMA DE DECISIONES.
Autor: Luis E. Vargas Enero, 2012
![Page 2: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/2.jpg)
Toma de Decisiones
En el contexto laboral todas las personas que componen la empresa son
partícipes, en mayor o menor medida, del rumbo de dicha organización, por ello,
es fundamental analizar la
participación en la toma de
decisiones, y más concretamente
la forma en que se toman esas
decisiones. Por eso,
distinguimos entre la toma
individual de decisiones y la
toma de decisiones colectiva,
pues las personas que tienen
funciones directivas deben
alcanzar acuerdos, Esto sólo
puede conseguirse mediante la utilización de técnicas que aúnen creatividad y el
poder de sintetizar las ideas e intereses de todos.
La toma de decisiones es una habilidad esencial del liderazgo. Si usted
puede aprender cómo hacer a tiempo, bien consideradas las decisiones,
entonces usted puede llevar su
equipo a un merecido éxito. Sin
embargo, si se toman malas
decisiones, el tiempo como un líder
va a ser brutalmente corta.
Hablaremos un poco sobre
algunos métodos e instrumentos
para la toma de decisiones que
son, Método Determinístico, complementado con (programación lineal y método
SIMPLEX), Método Probabilístico, integrado por (lógica bayesiana y teoría de
juego) y Método Híbridos compuesto por (modelo de transporte y localización y
técnica de Montecarlo).
![Page 3: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/3.jpg)
Métodos e Instrumentos para la Toma de Decisiones
Método Determinístico:
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.
La inclusión de mayor complejidad en las relaciones con una cantidad
mayor de variables y elementos ajenos al modelo determinístico hará posible
que éste se aproxime a un modelo probabilístico o de enfoque estocástico.
Programación Línea:
La Dirección de cualquier empresa sea
con fines de lucro o no, así como las
organizaciones gubernamentales en
general, siempre se enfrenta ante diversos
tipos de problemas de toma de decisiones que
van a encausar el futuro del negocio hacia
los objetivos organizacionales previamente
planteados. En general siempre podríamos decir que se trata de maximizar la
ganancia o disminuir los costos en función de una cantidad de recursos
disponibles (dinero, variedad del personal, maquinarias y equipos utilizables,
capacidad de la planta, etc.). En muchos casos, una amplia variedad de recursos
debe asignarse en forma simultánea. Estos recursos normalmente son
![Page 4: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/4.jpg)
requeridos para diferentes actividades; fabricación de productos,
comercialización, inversiones de capital, programación de tareas, todas estas
actividades juntas, etc.
La Programación Lineal es una
herramienta para la ayuda en la toma de
decisiones, permitiéndonos plantear un tipo
particular de modelo matemático, donde
representamos en forma simplificada
el problema de decisión, las variables de
decisión, el objetivo y las restricciones
mediante símbolos matemáticos y ecuaciones.
Un modelo de Programación Lineal, es
un modelo matemático particular en el cual las relaciones que involucran las
variables son lineales y hay una medida de desempeño o un único objetivo. Una
de las grandes ventaja de utilizar este tipo de modelos es que mediante un
algoritmo de resolución se puede obtener la decisión más óptima o incluso la
mejor aunque haya miles de variables y relaciones entre ellas.
La programación lineal da respuesta a situaciones en las que se
exige maximizar o minimizar funciones que se encuentran sujetas a
determinadas limitaciones, que llamaremos restricciones.
Su empleo es frecuente en aplicaciones de la
industria, la economía, la estrategia militar, etc.
Función objetivo
En esencia la programación lineal
consiste en optimizar (maximizar o
minimizar) una función objetivo, que es
una función lineal de varias variables:
f(x,y) = ax + by.
![Page 5: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/5.jpg)
Restricciones
La función objetivo está sujeta a una
serie de restricciones, expresadas
por inecuaciones lineales:
Cada desigualdad del sistema de
restricciones determina un semiplano.
Solución factible
El conjunto intersección, de todos los
semiplanos formados por las restricciones,
determina un recinto, acotado o no, que recibe el
nombre de región de validez o zona
de soluciones factibles.
a1x + b1y ≤ c1
a2x + b2y ≤c2
... ... ...
anx + bny ≤cn
![Page 6: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/6.jpg)
Solución óptima
El conjunto de los vértices del recinto se
denomina conjunto de soluciones factibles
básicas y el vértice donde se presenta
la solución óptima se llama solución máxima (o
mínima según el caso).
Valor del programa lineal
El valor que toma la función objetivo en el vértice de solución
óptima se llama valor del programa lineal.
Método SIMPLEX
El 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.
![Page 7: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/7.jpg)
El método 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.
Desarrollando Método Simplex
Una vez que hemos estandarizado nuestro modelo, puede ocurrir que
necesitemos aplicar el método Simplex o el método de las Dos Fases. Véase en la
figura como debemos actuar para llegar a la solución de nuestro problema.
![Page 8: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/8.jpg)
Explicación del Proceso con el Método Simplex
Construcción de la primera tabla: En la primera columna de la tabla
aparecerá lo que llamaremos base, en la segunda el coeficiente que tiene en la
función objetivo cada variable que aparece en la base (llamaremos a esta
columna Cb), en la tercera el término independiente de cada restricción (P0), y a
partir de ésta columna aparecerán cada una de las variables de la función
objetivo (Pi). Para tener una visión más clara de la tabla, incluiremos una fila en
la que pondremos cada uno de los nombres de las columnas. Sobre ésta tabla
que tenemos incluiremos dos nuevas filas: una que será la que liderará la tabla
donde aparecerán las constantes de los coeficientes de la función objetivo, y
otra que será la última fila, donde tomará valor la función objetivo. Nuestra tabla
final tendrá tantas filas como restricciones.
Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0 será
el de sustituir Cim en la función objetivo (y cero si no aparece en la base). El
resto de columnas se obtiene restando a este valor el del coeficiente que aparece
en la primera fila de la tabla.
Se observará al realizar el método Simplex, que en esta primera tabla, en
la base estarán las variables de holgura.
Tabla
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
Pi1 Ci1 bi1 a11 a12 ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn
Z Z0 Z1-C1 Z2-C2 ... Zn-Cn
![Page 9: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/9.jpg)
- Condición de parada: Comprobaremos si debemos de dar una nueva
iteración o no, que lo sabremos si en la fila Z aparece algún valor negativo. Si no
aparece ninguno, es que hemos llegado a la solución óptima del problema.
- Elección de la variable que entra: Si no se ha dado la condición de
parada, debemos seleccionar una variable para que entre en la base en la
siguiente tabla. Para ello nos fijamos en los valores estrictamente negativos de la
fila Z, y el menor de ellos será el que nos de la variable entrante.
- Elección de la variable que
sale: Una vez obtenida la variable
entrante, obtendremos la variable que
sale, sin más que seleccionar aquella
fila cuyo cociente P0/Pj sea el menor
de los estrictamente positivos (teniendo
en cuenta que sólo se hará cuando
Pj sea mayor de 0). La intersección
entre la columna entrante y la fila
saliente nos determinará el elemento
pivote.
- Actualización de la tabla: Las filas correspondientes a la función
objetivo y a los títulos permanecerán inalterados en la nueva tabla. El resto
deberá calcularse de dos formas diferentes:
Si es la fila pivote cada nuevo elemento se calculará:
Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.
Para el resto de elementos de filas se calculará:
Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna
Pivote en la fila actual * Nuevo Elemento Fila).
![Page 10: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/10.jpg)
Método Probabilístico:
En los modelos determinísticos,
una buena decisión es juzgada de
acuerdo a los resultados. Sin embargo, en
los modelos probabilísticos, el gerente no
esta preocupado solamente por los
resultados, sino que también con
la cantidad de riesgo que cada decisión
acarrea.
Como un ejemplo de la diferencia
entre los modelos probabilísticos versus determinísticos, considere el pasado y
el futuro: Nada que hagamos ahora puede cambiar el pasado, pero cualquier
cosa que hacemos influencia y cambia el futuro, a pesar de que el futuro tiene un
elemento de incertidumbre. Los gerentes se encuentran mucho mas cautivados
por darle forma al futuro que por la historia pasada.
El concepto de probabilidad ocupa un
lugar importante en el proceso de toma de
decisiones, ya sea que el problema es
enfrentado en una compañía, en el gobierno,
en las ciencias sociales, o simplemente en
nuestra vida diaria. En muy pocas
situaciones de toma de decisiones existe información perfectamente disponible –
todos los hechos necesarios.- La mayoría de las decisiones son hechas de cara
a la incertidumbre. La probabilidad entra en el proceso representando el; rol de
sustituto de la certeza – un sustituto para el conocimiento completo.
Los modelos probabilísticos están ampliamente basados en aplicaciones
estadísticas para la evaluación de eventos incontrolables (o factores), así como
también la evaluación del riesgo de sus decisiones. La idea original de
la estadística fue la recolección de información sobre y para el Estado. La
palabra estadística no se deriva de ninguna raíz griega o latina, sino de la
palabra italiana state. La probabilidad tiene una historia mucho mas larga. La
![Page 11: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/11.jpg)
Probabilidad se deriva del verbo probar lo que significa "averiguar" lo que no es
tan fácil de obtener o entender. La palabra "prueba" tiene el mismo origen el cual
proporciona los detalles necesarios para entender lo que se requiere que sea
cierto.
Los modelos probabilísticos son
vistos de manera similar que a un juego; las
acciones están basadas en los resultados
esperados. El centro de interés se mueve
desde un modelo determinístico a uno
probabilístico usando técnicas estadísticas
subjetivas para estimación, prueba y
predicción. En los modelos probabilísticos,
el riesgo significa incertidumbre para la cual
la distribución de probabilidad es conocida.
Por lo tanto, la evaluación de riesgo significa un estudio para determinar los
resultados de las decisiones junto a sus probabilidades.
Los tomadores de decisiones generalmente se enfrentan a severa escasez
de información. La evaluación de riesgo cuantifica la brecha de información
entre lo que es conocido y lo que necesita saber para tomar una decisión óptima.
Los modelos probabilístico son utilizados para protegerse de la incertidumbre
adversa, y de la explotación de la propia incertidumbre.
Lógica Bayesiana:
![Page 12: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/12.jpg)
Llamado así por Thomas Bayes, un clérigo Inglés y matemático, la lógica
bayesiana es una rama de la lógica aplicada a la toma de decisiones y la
estadística inferencial que se refiere a la probabilidad de inferencia: a partir del
conocimiento de los hechos antes de predecir eventos futuros. Bayes propuso
por primera vez su teorema en su
obra 1763 (publicada dos años
después de su muerte en 1761), un
ensayo en la solución de un problema
en la Doctrine of Chances. El teorema
de Bayes proporciona, por primera
vez, un método matemático que
podría ser utilizado para el cálculo,
los casos se emplea en ensayos
anteriores, la probabilidad de un
suceso objetivo en futuros ensayos.
De acuerdo a la lógica bayesiana, la
única manera de cuantificar la situación con un resultado incierto es a través de
la determinación de su probabilidad.
Teorema de Bayes es un medio de cuantificar la incertidumbre. Teorema
de Bayes es un medio de cuantificar la incertidumbre. Basado en la teoría de
probabilidades, el teorema define una regla para refinar una hipótesis de un
factoraje de pruebas e información adicional de fondo, y conduce a un número
que representa el grado de probabilidad de que la hipótesis es verdadera.
Para demostrar una aplicación del teorema de Bayes, supongamos que
tenemos una canasta cubierta que contiene tres bolas, cada una de ellas puede
ser verde o roja. En una prueba a ciegas, que meter la mano y sacar una bola
roja. Nos devuelve la pelota a la canasta y vuelva a intentarlo, de nuevo sacando
una bola roja. Una vez más, devolver la pelota a la canasta y tirar una pelota -
rojo de nuevo. Formamos la hipótesis de que todas las bolas son, de hecho, de
color rojo. Teorema de Bayes se puede utilizar para calcular la probabilidad (p)
que todas las bolas son de color rojo (un evento etiquetado como "A") da
![Page 13: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/13.jpg)
(simbolizado por "|") que todas las selecciones han sido de color rojo (un evento
etiquetado como "B "):
p (A | B) = p {A + B} / p {B}
De todas las combinaciones posibles
(RRR, RRG, RGG, GGG), la posibilidad de que
todas las bolas son de color rojo es 1 / 4, en 1 / 8
de todos los resultados posibles, todas las
bolas son de color rojo y todas las selecciones
son de color rojo. Teorema de Bayes calcula la
probabilidad de que todas las bolas en la
canasta son de color rojo, ya que todas las
selecciones han sido el rojo como 0.5
(probabilidades se expresan como números entre 0. Y 1., Con "1." Indicando 100%
de probabilidad y "0." indica probabilidad cero).
La Sociedad Internacional para el Análisis Bayesiano (ISBA) fue fundada
en 1992 con el propósito de promover la aplicación de métodos bayesianos a
problemas en diversas industrias y el gobierno, así como a lo largo de las
Ciencias. La encarnación moderna de la lógica bayesiana ha evolucionado más
allá teorema de Bayes inicial ", desarrollado por el teórico del siglo 18 francés
Pierre-Simon de Laplace, y los profesionales del siglo 20 y 21 como Edwin
Jaynes, Bretthorst Larry, y Loredo Tom. Las aplicaciones actuales y posibles de
la lógica bayesiana incluyen una gama casi infinita de áreas de investigación,
incluyendo la genética, la astrofísica, la
psicología, la sociología, la inteligencia
artificial ( AI ), la minería de datos , y el
equipo de programación .
Teoría del Juego:
La teoría de juegos como tal fue
creada por el matemático húngaro John
![Page 14: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/14.jpg)
Von Neumann (1903-1957) y por Oskar Morgenstern (1902-1976) en 1944 gracias a
la publicación de su libro “The Theory of Games Behavior”.
La teoría de los juegos es una rama de la matemática con aplicaciones a
la economía, sociología, biología y psicología, que analiza las interacciones
entre individuos que toman decisiones en un marco de incentivos formalizados
(juegos). En un juego, varios agentes buscan maximizar su utilidad eligiendo
determinados cursos de acción. La utilidad final obtenida por cada individuo
depende de los cursos de acción escogidos por el resto de los individuos.
La teoría de juegos es una herramienta
que ayuda a analizar problemas de optimización
interactiva. La teoría de juegos tiene muchas
aplicaciones en las ciencias sociales. La
mayoría de las situaciones estudiadas por la
teoría de juegos implican conflictos de intereses,
estrategias y trampas. De particular interés son
las situaciones en las que se puede obtener un
resultado mejor cuando los agentes cooperan
entre sí, que cuando los agentes intentan
maximizar sólo su utilidad.
La teoría de juegos fue ideada en primer lugar por John von Neumann.
Luego, John Nash, A.W. Tucker y otros hicieron grandes contribuciones a la
teoría de juegos.
El principal objetivo de la teoría de los
juegos es determinar los papeles de conducta
racional en situaciones de "juego" en las que los
resultados son condicionales a las acciones de
jugadores interdependientes.
La teoría de juegos esta básicamente
ligada a las matemáticas, ya que es principalmente una categoría de matemáticas
![Page 15: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/15.jpg)
aplicadas, aunque los analistas de juegos utilizan asiduamente otras áreas de
esta ciencia, en particular las probabilidades, la estadística y la programación
lineal en conjunto con la teoría de juegos. Pero la mayoría de la investigación
fundamental es desempeñada por especialistas en otras materias.
Pero sin duda, su principal aplicación la encontramos en las ciencias
económicas porque intenta encontrar estrategias racionales en situaciones
donde el resultado depende no solamente de la estrategia de un participante y de
las condiciones del mercado, sino también de las estrategias elegidas por otros
jugadores, con objetivos distintos o coincidentes.
Método Hibrido:
Modelo 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.
![Page 16: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/16.jpg)
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.
La programación lineal es una
herramienta de modelos cuantitativos
para manejar diferentes tipos de
problemas y ayudar a la toma de
decisiones.
En este capítulo se considera el
modelo de transporte por medio del
cual un administrador debe determinar
la mejor forma de como hacer llegar
los productos de sus diversos
almacenes a sus consumidores, con el fin de satisfacer de los clientes y 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 busca determinar un plan de transporte de una mercancía de varias
fuentes a varios destinos. Entre los datos del modelo se cuenta:
1.- Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.
2.- El costo de transporte unitario de la mercancía de cada fuente a cada
destino.
El método 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 otros.
![Page 17: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/17.jpg)
Origen Destino
a1 1 1 b1
ai i j bj
am m n bn
Figura 1 Modelo de transporte Donde: ai = Capacidad de la fuente i. bj = Demanda del almacén j. m = Número de fuentes distribuidoras. n = Número de destinos receptores.
Los criterios que decidirán la optimalidad de una localización se basarán
en costes de proximidad a la demanda y proveedores, costes del suelo,
impuestos y construcción, y costes de efectos legales y ambientales.
Existen muchos métodos para
resolver el problema de ubicación de un
solo centro aunque la mayoría lo
resuelven prescindiendo de los costes
de inventario (stocks), lo cual, para
determinados productos es un error, ya
que dichos costes llegan a ser mucho
más importantes que los del propio
transporte (Colomer et al., 1995)
En algunas empresas este hecho no se da o se da mínimamente, ya que la
mercancía que llega a la plataforma de consolidación solo es redistribuida para
poder ser repartida de forma que se realice un transporte de carga completa, es
![Page 18: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/18.jpg)
decir, que la mercancía que llega solo está de paso, no se almacena como stock.
Aunque podrían darse casos no habituales, en los que se recogiera mercancía
de los clientes de origen y que la una fecha de entrega acordada fuera algún día
posterior al de la recogida,
con lo que tendríamos que
almacenarla, pero esta no
sería la política habitual, ya
que se podría dar la situación
de saturación del almacén si
se guardasen las mercancías
de todos los clientes de
origen.
En este caso de localización de un único almacén, la mayoría de los
métodos se basan en la minimización de la suma de los costes de transporte de
las mercancías en la región de influencia en consideración. El problema consiste
en, dar una situación de demanda (en unidades de flujo de material) y una de
costes de distribución, y ubicar los diferentes modos de una red de distribución.
Método de monte Carlo:
Bajo el nombre de “Método de Monte
Carlo” o “Simulación Monte Carlo” se agrupan
una serie de procedimientos que analizan
distribuciones de variables aleatorias usando
simulación de números aleatorios.
El Método de Monte Carlo da solución a
una gran variedad de problemas matemáticos
haciendo experimentos con muestreos
estadísticos en una computadora. El método es
aplicable a cualquier tipo de problema, ya sea estocástico o determinístico.
![Page 19: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/19.jpg)
Generalmente en estadística los modelos aleatorios se usan para simular
fenómenos que poseen algún componente aleatorio. Pero en el método de Monte
Carlo, por otro lado, el objeto de la investigación es el objeto en sí mismo, un
suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo.
A veces la aplicación del método de Monte Carlo se usa para analizar
problemas que no tienen un componente aleatorio explícito; en estos casos un
parámetro determinista del problema se expresa como una distribución aleatoria
y se simula dicha distribución. Un ejemplo sería el famoso problema de las
Agujas de Bufon.
La simulación de Monte Carlo
fue creada para resolver integrales
que no se pueden resolver por
métodos analíticos, para resolver
estas integrales se usaron números
aleatorios. Posteriormente se utilizó
para cualquier esquema que emplee
números aleatorios, usando
variables aleatorias con
distribuciones de probabilidad
conocidas, el cual es usado para resolver ciertos problemas estocásticos y
determinísticos, donde el tiempo no juega un papel importante.
El método fue llamado así por el principado de Mónaco por ser ``la
capital del juego de azar‟„, al tomar una ruleta como un generador simple de
números aleatorios. El nombre y el desarrollo sistemático de los métodos de
Monte Carlo data aproximadamente de 1944 con el desarrollo de la computadora
electrónica. Sin embargo hay varias instancias (aisladas y no desarrolladas) en
muchas ocasiones anteriores a 1944.
![Page 20: TÉCNICAS E INSTRUMENTOS PARA LA TOMA DE DECISIONES](https://reader034.fdocuments.mx/reader034/viewer/2022042900/568bf48d1a28ab89339e7814/html5/thumbnails/20.jpg)
El uso real de los métodos de
Monte Carlo como una herramienta de
investigación, viene del trabajo de la
bomba atómica durante la Segunda
Guerra Mundial. Este trabajo
involucraba la simulación directa de
problemas probabilísticos de
hidrodinámica concernientes a la
difusión de neutrones aleatorios en
material de fusión.