Este documento presenta 3 posibles estrategias para abordar el estudio de caso. La primera estrategia propuesta es utilizar cadenas de Markov para pronosticar el comportamiento futuro de ciertas variables en base al análisis de sus cambios pasados. La segunda estrategia sugiere utilizar un modelo de línea de espera para un solo servidor para analizar situaciones donde personas esperan turno, como comprar boletos de cine. La tercera estrategia recomienda la programación estocástica para resolver problemas de optimización que involucren incertidumb
Este documento presenta 3 posibles estrategias para abordar el estudio de caso. La primera estrategia propuesta es utilizar cadenas de Markov para pronosticar el comportamiento futuro de ciertas variables en base al análisis de sus cambios pasados. La segunda estrategia sugiere utilizar un modelo de línea de espera para un solo servidor para analizar situaciones donde personas esperan turno, como comprar boletos de cine. La tercera estrategia recomienda la programación estocástica para resolver problemas de optimización que involucren incertidumb
Este documento presenta 3 posibles estrategias para abordar el estudio de caso. La primera estrategia propuesta es utilizar cadenas de Markov para pronosticar el comportamiento futuro de ciertas variables en base al análisis de sus cambios pasados. La segunda estrategia sugiere utilizar un modelo de línea de espera para un solo servidor para analizar situaciones donde personas esperan turno, como comprar boletos de cine. La tercera estrategia recomienda la programación estocástica para resolver problemas de optimización que involucren incertidumb
Modelo probabilíst ico (requerido Estrategia para Justificación Referencia documental No. propuesta en el plantear, (Cita textual) en norma APA (consulte aquí) estudio de caso desarrollar y solucionar la estrategia) Cadenas • Según Taibo, A. (2009). Por Taibo, A. Investigación de de Markov medio de las cadenas de operaciones para los no Markov se matemáticos (pp. 71-77), México, Pronostica el comportamiento D.F., MX: Instituto Politécnico futuro de ciertas variables, y Nacional, 2009. Accessed dicho pronosticó se hace November 27, 2016. Recuperado mediante el análisis de los de:http://bibliotecavirtual.unad.ed cambios que han sufrido u.co:2077/lib/unadsp/reader.actio dichas variables durante el n?docID=10504970&ppg=8. presente. • Estas se aplican en un gran 1 Participación Número de situaciones como lo son los cambios de preferencia en el mercado tienen diferentes productos. La posible decisión de hacer o no una inversión en cierta oportunidad etc.
Línea de • Gallagher, C., & Watson, H. Gallagher, C., & Watson, H.
espera (1982). (1982).Métodos cuantitativos para un Es uno de los modelos más para la toma de decisiones en solo antiguos, más sencillos, y administración (pp. 331-351), Servidor más comunes de la teoría de México, D.F., MX: McGraw-Hill colas. Interamericana. Recuperado Este modelo puede aplicarse de:http://bibliotecavirtual.unad. a personas esperando edu.co:2077/lib/unadsp/reader. una línea para comprar action?docID=10479349&ppg=8 boletos para el cine entre . 2 Servicio otros. • En este modelo se considera que el tamaño de la cola sea infinito, además se supone que un solo servidor proporciona el servicio que varía aleatoriamente y no se permite que las unidades que acaban de salir vuelvan a entrar inmediatamente al sistema, por tanto:- Un servidor y una cola- Llegadas Poisson- Cola infinita, primero en llegar, primero en ser servido- Tiempos de servicio exponenciales
Programac • La estocasticidad o Santiago,
ión incertidumbre aparece en todos R. (2016). Optimización estocástic los Estocástica (pp. 3-4), Madrid. a Sistemas, pero hasta ahora no Universidad Pontificia ICAI era posible la solución de ICADEComillas. Recuperado problemas de optimización de de:https://www.iit.comillas.edu/ grandes Sistemas aramos/simio/apuntes/a_sp.pdf considerando explícitamente ésta. La incertidumbre puede deberse a carencia de datos fiables, errores de medida o tratarse de parámetros que representan información sobre el futuro. • En optimización estocástica No se conocen sus valores, sólo sus Distribuciones y habitualmente se supone que éstas son discretas con un 3 Optimización número finito de estados posibles. La suposición de distribuciones discretas es habitual en los optimizadores de optimización estocástica. • Los tipos de modelos que aparecen en programación lineal Estocástica son motivados principalmente por problemas con decisiones de tipo aquí y ahora decisiones previas bajo futuro incierto. Esto es, decisiones que deben tomarse asándose en información apriori, existente o supuesta, sobre situaciones futuras sin realizar observaciones adicionales.