SEMANA 1: LA TOMA DE DECISIONES

INTRODUCCIÓN

"El dilema de que elección es la más correcta nos causa algo de preocupación por e grado de
incertidumbre que acompaña la opción tomada, es decir la probabilidad de que ocurra o no
un evento.

A pesar de tener una información insuficiente, debemos escoger la mejor opción que plantea
menores riesgos, así utilizaremos la información disponible de la mejor forma para
determinar la probabilidad de ocurrencia de un evento." - (Predro E. Delgado Meléndez)

Libro Tutor:

Titulo: Introducción a la Investigación de Operaciones

Autor: Frederick S. Hillier
Gerald J Lieberman
Edición: Séptima

Libro Tutor:

Titulo: Introducción a la Investigación de Operaciones

Autor: Wayne L. Winston
Edición: Cuarta
SEMANA 2 : TEOREMA DE BAYES
INTRODUCCIÓN

El ejercicio de toma de decisiones está presente en todas las actividades del hombre, existe la
probabilidad de que ocurra o no un evento. Esto genera riesgos independientemente de cuál
decisión se tome, ¿cómo elegir?.

El razonar lógicamente nos dirá que debemos escoger la opción que plantea menos riesgos, para
lo cual utilizaremos la información disponible de la mejor forma posible para determinar la
probabilidad de ocurrencia de un evento.

Para los problemas de decisión nos enfrentamos a dos situaciones: que el estado de la naturaleza
esté controlado por un agente neutro (parte uno) o que esté controlado por un agente no neutro
(parte dos), en cuyo caso hablamos de un juego, ya que el agente generalmente es antagónico a
nuestras decisiones.

La sencilla ecuación de Bayes:

La interpretación más aceptada del teorema de Bayes, es que su estructura permite el calculo de
probabilidades después de haber sido realizado un experimento (probabilidades aposteriori),
basándose en el conocimiento de la ocurrencia de ciertos eventos que dependan del evento
estudiado, o sea, se parte de probabilidades conocidas antes de efectuar el experimento
(probabilidades apriori), las cuales son afectadas por las probabilidades propias del experimento
(las que aparecen durante la ocurrencia del evento).

A continuación, realizamos el siguiente Ejemplo:

PASO 1:

 Obtener el valor probable (a priori) de la matriz.

 Usar la fórmula de Excel (=MAX), para hallar el valor máximo de cada columna de la matriz
, en este caso los valores máximos para 100, 200 y 300, serian 1800, 2400, 3000 respectivamente.
 Para encontrar el valor esperado (GESIP), usar la función sumaproducto (fila * valor
apriori).
 Para enconcotrar el valor GECIP, realizar la multiplicación del valor máximo con el valor de
cada fila.

(Fig. 1)

PASO 2:

 Hallar el valor de la Probabilidad Condicionada: Dividir el valor de cada fila (demanda) con
el Valor total. Fig 1.
 Luego hallamos la Prob. Conjunta: Es el calor a priori , multiplicado por cada fila
(Demanda).
 Para hallar el Valor Marginal: Deberá sumar los valores de cada fila de la Probabilidad
conjunta. Luego la suma de la comuna de la Probabilidad Marginal deberá sumar 1.
 Para hallar el Teorema de Bayes: Deberá dividir el valor de la prob. conjunta, entre el valor
de su respectiva prob. marginal.
 (Fig. 2)


PASO 3:

HALLAR EL VALOR ESPERADO.

(Fig. 3)
 SEMANA 3: ÁRBOL DE DECISIÓN
"Un árbol de decisión proporciona una forma para desplegar visualmente el problema y
después organizar el trabajo de cálculos que se describió en las secciones anteriores. estos
árboles de decisión son en especial útiles cuando debe tomarse una serie de decisiones".

Hillier-Lieberman.

CONSTRUCCIÓN DEL ÁRBOL DE DECISIÓN

El ejemplo prototipo:

1. El señor Joe Willliams, un empresario, está considerando la posibilidad de comprar

uno de los siguientes negocios al menudeo: una tienda de cámaras, una tienda de equipos
de cómputo o una tienda de aparatos electrónicos, todas con aproximadamente la misma
inversión inicial. para la tienda de cámaras, estima que hay una probabilidad de 20% de
que el desempeño de las ventas sea el promedio, lo que tendría como resultado una
recuperación anual de $20 000. estos valores e información parecida para las tiendas de
equipo de cómputo y de aparatos electrónicos se resumen en las siguientes tablas de
ganancia y de probabilidad.

TABLA DE GANANCIAS

TIENDA DESEMPEÑO DE VENTAS

PROMEDIO BUENO EXCELENTE

Cámaras $ 20 000 $ 75 000 $ 100 000

Equipo $ 30 500 $ 60 000 $ 100 000
Electrónica $ 25 000 $ 75 000 $ 150 000

TABLA DE PROBABILIDADES

TIENDA DESEMPEÑO DE VENTAS

PROMEDIO BUENO EXCELENTE

Cámaras 0.20 0.60 0.20

Equipo 0.15 0.70 0.15
Electrónica 0.05 0.60 0.35

a. Trace un árbol de decisiones apropiado que identifique los nodos de probabilidad y de decisión.
b. Calcule la ganancia esperada de cada nodo de probabilidad.
c. Identifique la decisión óptima.

Desarrollo:
 NOTA: Encontrarás más ejemplos en el siguiente enlace.
Libro: Investigación de Operaciones-7maEdición/ Hillier & Lieberman
SEMANA 4: PROGRAMACIÓN DINÁMICA
La programción dinámica encuentra la solución óptima de un problema con n
variables, descomponiéndolos en n etapas, siendo cada etapa un subproblema de
una sola variable. Sin embargo, como la naturaleza de la etapa difiere de
acuerdo con el problema de optimización, la programación dinámica no
proporciona los detalles de cómputo para optimizar cada etapa"

Hamdy A. Taha

RUTA MÁS CORTA

Ejemplo prototipo

 Supongamos que debemos seleccionar la ruta más corta.

1. Gráfico:

1. Desarrollo

 Etapa 4:

 Etapa 3:
 Etapa 2:

 Etapa 1:

 Concluimos que tiene 3 caminos posibles:

"1-3-5-8-10" - Costo 11
"1-4-5-8-10"- Costo 11
"1-4-6-9-10" - Costo 11
SEMANA 5: PROGRAMACIÓN DINÁMICA
SEMANA 7: TEORÍA DE COLAS O LINEAS DE
ESPERA
La teoría que menciona Jaime Enrique Varela en el libro Introducción de Operaciones, indica que
la Teoría de colas se ocupa del análisis matemático de los fenómenos de las líneas de espera o
colas, menciona que las colas se presentan con frecuencia cuando se solicita una servicio por
parte de una serie de clientes y tanto el servicio como los cliente, son de tipo PROBABILÍSTICO.
Esta es una de las definiciones más importantes entre otros autores.

Cada día dentro de nuestra rutina, podemos observar la teoría de colas, como lo puede ser un
semáforo, la espera en un banco, la fila para conseguir el ticket para un concierto, así como el
tráfico en el envio de paquetes en redes.

Existen varios tipos de Colas, como son M/M/1, M/M/1/K y M/M/C. , sin embargo se hará hincapié
en tres casos especiales serán el M/M/1 y M/M/C.

A continuación, se muestra una linea de espera, con un solo servidor:

También pueden existir Teoria de Colas, con más de 1 servidor:

SEMANA 8: MODELOS DE SISTEMAS DE LINEA
DE ESPERA
NOTACIÓN DE KENDALL:

Un Sistema podrá ser notado de la siguiente manera, A/B/X/Y/Z/V, donde:

 A, es el modelo de llegadas (valores posibles), pueden ser:

" M = tiempos entre llegadas exponenciales"
"D= tiempos entre llegadas deterministas"
"G= tiempos entre llegadas generales (cualquier distribución)"
 B, es el modelo de servicio, puede tomar los mismos valores que A.
 X, es el número de servidores.
 Y , es la capacidad del sistema (número máximo de clientes en el sistema),
se puede omitir si es INFINITA.
 Z, es la disciplina (se puede omitir si es FIFO)
 V, es el número de estados de servicio, se puede omititr si es 1.

TIPOS DE SISTEMAS

 A continuación se muestran los Tipos de Colas existentes:

SISTEMA M/M/1

1. Se tiene un sistema de llegadas que se producen según un proceso

de Poisson de razón "lamda", donde los tiempos entre llegadas estarán
distribuidos exponencialmente Exp .
 Donde "lamda" es el número medio de llegadas por unidad de tiempo.
2. Los tiempos entre servicios son distribuidos de manera exponencial Exp.

 Dónde "mu" es el número medio de paquetes que el servidor es capaz de

atender por unidad de tiempo.
Se conocen las siguientes fórmulas para este modelo:
 Tiempo promedio en que el cliente permanece en cola:

 Tiempo proemdio de espera en cola:

 Número previsto en la linea de espera (longitud de cola):

SISTEMA M/M/C:

Es un Sistema de colas de canal múltiple de una sola línea con llegada exponencial y procesos de
servicio.
 Una población de clientes infinita.
 Los clientes se presentan de acuerdo a un proceso de poisson con una tasa promedio de 1
clientes por unidad de tiempo.
 Una sola fila de espera con capacidad infinita.
En base a la siguiente condición:
 Utilizaremos las siguientes fórmulas:

EJERCICIO PRÁCTICO: (EXCEL)

MÉTODO POISSON
SEMANA 10: CADENAS DE MARKOV
Para poder definir las cadenas de Markov primero debe definirse lo que es un Proceso de Markov:

PROCESO DE MARKOV

Un proceso de Markov es aquel en que la probabilidad de ocurrencia de un estado futuro depende

del estado inmediatamente anterior.

Las cadenas de Markov representan o modelan el comportamiento de estos sistemas, de forma

que se puede conocer la probabilidad de cambiar de un estado a otro.

Principios de las cadenas de Markov

1. La matriz de transición debe ser cuadrada.

2. Las probabilidades de los estados entre 0 y 1.

3. Las suma de las probabilidades de los estados es igual a 1.

Las cadenas de Markov, como se definió anteriormente se representan en matrices, y de acuerdo

al tipo de arreglo que tenga la matriz estas se pueden clasificar en:

1. Matriz regular

Es una un arreglo donde los elementos de una matriz son diferentes de 0 y 1.

2. Matriz Absorbentes

Es un arreglo donde un estado de la cadena de Markov es igual a 1.

 3. Matriz Ergodica

Si los estados en una cadena son recurrentes, a periódicos y se comunican entre si, se dice que
la cadena es ergódica.

ES UNA CADENA DISCRETA, QUE RELACIONA ESTADOS FINITOS MEDIANTE

PROBABILIDADES QUE EXPRESAN LOS INTERCAMBIOS DE ESTADOS EN UN PERIODO DE
TIEMPO

SEMANA 10: MATRIZ ABSORBENTE

Veamos el siguiente ejemplo en el cual explicaremos algunos conceptos importantes:

Una empresa emplea a tres tipos de ingenieros: principiantes, con experiencia y

socios. Durante un año determinado hay una probabilidad de 0.15 que un ingeniero
principiante sea ascendido a ingeniero con experiencia y una probabilidad de 0.05
que deje la empresa sin ser socio. También hay una probabilidad de 0.20 que un
ingeniero con experiencia sea ascendido a socio y una probabilidad de 0.10 que deje
la empresa sin ser socio. También hay una probabilidad de 0.05 de que un socio deje
la empresa. Determine:

a) ¿Cuál es la duración promedio de un ingeniero recién contratado?

b) ¿cuál es la probabilidad de que un ingeniero principiante llegue a ser socio?

c) ¿Cuál es la duración promedio que pasa un socio en la empresa?

Primero, determinamos la matriz de transición en la cual se observa que hay dos estados
absorbentes: el ingeniero deje la empresa sin ser socio y que un socio deje la empresa

Donde IP= INGENIERO PRINCIPIANTE

IE= INGENIERO CON EXPERIENCIA

IS = INGENIERO SOCIO

IDS= INGENIERO DEJA LA EMPRESA SIENDO SOCIO

IDSS= INGENIERO DEJA LA EMPRESA SIN SER SOCIO

Luego hallamos la matriz I-N, donde I es la matriz de identidad y N la matriz no

absorbente identificada en el paso anterior.

Luego a través de Gauss-Jordan, hallamos la matriz inversa como se muestra a

continuación.
Para responder la primera pregunta debemos tener presente un nuevo concepto que es
el valor esperado que es el tiempo en que un estado demora antes de ser absorbido.
Este valor esperado se obtiene a través de la matriz inversa. De esta forma, la duración
promedio de un recién contratado seria:

Para hallar la probabilidad de que un ingeniero principiante llegue a ser socio se debe
multiplicar la matriz inversa por la matriz absorbente, de la siguiente manera:

Obsérvese que esta probabilidad es igual a 0.5.

De igual manera como en la primera parte, la duración promedio de un socio en la

empresa es:
 SEMANA 9: MATRIZ ERGODICA

EJERCICIO PRÁCTICO (EXCEL)

1-CONSIDERAMOS UN CAJERO QUE ATIENDE A LAS PERSONAS QUE LLEGAN

A UNA SUCURSAL BANCARIA

2- QUE EN LA FILA NUNCA HAY MÁS DE TRES PERSONAS (INCLUYENDO LA

QUE SE ATIENDE)

3- SUPONGAMOS QUE LOS CLIENTES NO LLEGAN EN GRUPO

SEMANA 12: SIMULACIÓN
SISTEMA DE MONTECARLO

" Es una equivalencia de simulación con nuestra realidad"

La simulación se podría definir como técnica que imita la operación de un sistema del
mundo real a medida que evoluciona con el tiempo. Se desarrolla un MODELO DE
SIMULACIÓN, por lo general, toma la forma de un conjunto de suposiciones acerca de la
operación del sistema, expresado como relaciones matemáticas o lógicas entre los
objetos de interés en el sistema.

La simulación se podría ver como un experimento de muestreo en el sistema real, donde

los resultados son los puntos muestrales.

En general los métodos de simulación son más fáciles de aplicar que los métodos
analíticos. Los modelos analíticos podrían requerir que se hicieran muchas suposiciones
simplificadoras, los modelos de siemulación tienen pocas restricciones de este tipo, asi
que dan una flexibilidad mucho mayor al representar el sistema real. Una vez construido
el modelo, se pueden probar varias políticas de inventario en el modelo en vez de
aprovechar la oportunidad de experimentar en el sistema real.

Se debe tener claro que la simulación, no es una técnica de optimización.

EJERCICIO: SIMULACIÓN DE MEDALLAS GANADAS POR PERÚ EN

LOS JUEGOS BOLIVARIANOS-2013

DISCIPLINA : BOLICHE

DISCIPLINA: KARATE DO
 EJERCICIO EN LABORATORIO (EXCEL)

Comportamiento uniforme de los valores , para simular una teoria de cola,

(M/M/1)(GD/infinito/infinito).