UNIVERSIDAD FERMIN TOROFACULTAD DE CIENCIAS ECONOMICAS Y SOACIALESANALISIS 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.