revista analisis y toma de decisiones
DESCRIPTION
Técnicas e instrumentos para la toma racional de decisionesTRANSCRIPT
![Page 1: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/1.jpg)
TÉCNICAS E INSTRUMENTOS PARA LA
TOMA RACIONAL DE DECISIONES
Diana Obando C.I: 18.392.047
UNIVERSIDAD FERMÍN TORO
FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES
ESCUELA DE ADMINISTRACIÓN
![Page 2: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/2.jpg)
La Programación Lineal
• • •
La Programación Lineal (PL) es un
procedimiento matemático para
determinar la asignación óptima de
recursos escasos. La PL es un
procedimiento que encuentra su
aplicación práctica en casi todas las
facetas de los negocios, desde la
publicidad hasta la planificación de
la producción. Problemas de
transporte, distribución, y
planificación global de la producción
son los objetos más comunes del
análisis de PL. La industria petrolera
parece ser el usuario más frecuente
de la PL. Un gerente de
procesamiento de datos de una
importante empresa petrolera
recientemente calculó que del 5% al
10% del tiempo de procesamiento
informático de la empresa es
destinado al procesamiento de
modelos de PL y similares.
La programación lineal aborda una
clase de problemas de programación
donde tanto la función objetivo a
optimizar como todas las relaciones
entre las variables correspondientes
a los recursos son lineales. Este
problema fue formulado y resuelto
por primera vez a fines de la década
del 40. Rara vez una nueva técnica
matemática encuentra una gama tan
diversa de aplicaciones prácticas de
negocios, comerciales e industriales
y a la vez recibe un desarrollo
teórico tan exhaustivo en un período
tan corto. Hoy en día, esta teoría se
aplica con éxito a problemas de
presupuestos de capital, diseño de
dietas, conservación de recursos,
juegos de estrategias, predicción de
crecimiento económico y sistemas de
transporte. Recientemente la teoría
de la programación lineal también
contribuyó a la resolución y
unificación de diversas aplicaciones.
El Método 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 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. (Véase
método Gráfico)
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.
Cabe destacar que para aplicar el
Método Simplex a un modelo lineal,
este debe estar en un formato
especial conocido como formato
estándar el cual definiremos a
continuación.
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.
Deberá tenerse en cuenta que este
método sólo trabaja para
restricciones que tengan un tipo de
desigualdad "≤" y coeficientes
independientes mayores o iguales a
0, y habrá que estandarizar las
mismas para el algoritmo. En caso de
que después de éste proceso,
aparezcan (o no varíen)
restricciones del tipo "≥" o "=" habrá
que emplear otros métodos, siendo el
más común el método de las Dos
Fases.
Métodos Meterminísticos
enenenenenenenenenenenenenenenenen
en n
![Page 3: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/3.jpg)
Consiste en determinar una dieta de manera eficiente, a partir de un conjunto dado de alimentos, de modo de satisfacer requerimientos nutricionales. La cantidad de alimentos a considerar, sus características nutricionales y los costos de éstos, permiten obtener diferentes variantes de este tipo de modelos. Por ejemplo:
Leche(lt)
Legumbre(1 porción)
Naranjas(unidad)
RequerimientosNutricionales
Niacina 3,2 4,9 0,8 13
Tiamina 1,12 1,3 0,19 15
Vitamina C 32 0 93 45
Costo 2 0,2 0,25
1. 2. Variables de Decisión:
3. X1: Litros de Leche utilizados en la Dieta4. X2: Porciones de Legumbres utilizadas en la Dieta5. X3: Unidades de Naranjas utilizadas en la DietaFunción Objetivo: (Minimizar los Costos de la Dieta) Min 2X1 + 0,2X2 + 0,25X3
Restricciones: Satisfacer los requerimientos nutricionales
Niacina: 3,2X1 + 4,9X2 + 0,8X3 >= 13 Tiamina: 1,12X1 + 1,3X2 + 0,19X3 >=15 Vitamina C: 32X1 + 0X2 + 93X3 >= 45 No Negatividad: X1>=0; X2>=0; X3>=0
La solución Óptima es X1=0, X2=11,4677, X3=0,483871, con Valor Óptimo V(P)=2,4145.
EJEMPLO DE MÉTODOS DETERMINÍSTICOS
![Page 4: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/4.jpg)
Probabilidad Bayesiana
• • •
Es una de las diferentes
interpretaciones del concepto de
probabilidad y pertenece a la
categoría de probabilidades
probatorios. La interpretación
bayesiana de la probabilidad puede
ser visto como una extensión de la
lógica que permite el razonamiento
con proposiciones cuya verdad o
falsedad es incierto. Para evaluar la
probabilidad de una hipótesis , la
probabilística bayesiana especifica
alguna probabilidad a priori, que se
actualiza a la luz de nuevos y
relevantes datos .
La interpretación bayesiana
proporciona un conjunto estándar de
procedimientos y fórmulas para
realizar este cálculo. Probabilidad
bayesiana interpreta el concepto de
probabilidad como "un concepto
abstracto, una cantidad que se le
asigna en teoría, con el propósito de
representar a un estado de
conocimiento, o que el cálculo de las
probabilidades asignadas
previamente," en contraste con la
interpretación de que como la
frecuencia o la "propensión" de algún
fenómeno .
El término "bayesiano" se refiere al
matemático del siglo 18 y el teólogo
Thomas Bayes , que proporcionó el
primer tratamiento matemático de
un problema no trivial de la
inferencia bayesiana . Sin embargo,
fue el matemático francés Pierre-
Simon Laplace , que fue pionero y
popularizó lo que ahora se llama
probabilidad bayesiana.
En términos generales, hay dos
puntos de vista sobre la probabilidad
Bayesiana que interpretan el
concepto de probabilidad de
diferentes maneras. De acuerdo con
el punto de vista objetivista, las
reglas de la estadística bayesiana
puede ser justificada por exigencias
de la racionalidad y coherencia y se
interpreta como una extensión de la
lógica . De acuerdo con la visión
subjetivista, la probabilidad
cuantifica una "opinión personal".
Muchas modernas de aprendizaje de
máquinas métodos se basan en
principios bayesianos objetivistas.
En el punto de vista bayesiano, la
probabilidad se asigna a una
hipótesis, mientras que en el punto
de vista frecuentista , una hipótesis
se suele prueba sin que se le asigna
una probabilidad.
Definiciones
Variable aleatoria: un aspecto del
problema para que un valor no está
inicialmente conocido.
Ejemplos: temperatura del paciente,
el paciente tiene infección viral?
Dominio: el rango de valores posibles
de una variable puede tomar. Puede
ser lógico (verdadero / falso),
discreto (negro / rojo / verde) o
valores continuos.
Evento Atómica (resultado): Una
descripción completa de la estado del
mundo sobre el cual el agente es
incierto. –
Por ejemplo, si el mundo se compone
de sólo dos variables de la cavidad de
Boole y Dolor de muelas, entonces
hay 4 sucesos atómicos distintos:
Caries = falso y dolor de muelas =
false
Caries = falso y dolor de muelas =
true
Cavidad = true y dolor de muelas =
false
Cavidad = true y dolor de muelas =
trae
Teoría de Juego
La teoría de juegos es el estudio de la
estratégica toma de decisiones . Más
formalmente, es "el estudio de
modelos matemáticos de conflicto y
la cooperación entre los inteligentes
racionales que toman las decisiones
". Un término alternativo sugerido
"como un nombre más descriptivo
para la disciplina" es interactivo
teoría de la decisión .
La teoría de juegos Se utiliza
principalmente en economía,
ciencias políticas y psicología, así
como la lógica y la biología. El primer
tema abordado juegos de suma cero ,
de modo que las ganancias de una
persona exactamente iguales las
pérdidas netas del otro participante
(s). Hoy, sin embargo, la teoría de
juegos se aplica a una amplia gama
de relaciones de clase, y se ha
convertido en un término genérico
para el lado lógico de la ciencia, para
incluir tanto humanos como no-
humanos, como las computadoras.
Usos clásicos incluyen una sensación
de equilibrio en numerosos juegos,
donde cada persona ha descubierto o
desarrollado una táctica que no
puede con éxito sus mejores
resultados, teniendo en cuenta el
otro enfoque.
Métodos Probabilísticos
tá
![Page 5: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/5.jpg)
La teoría de juegos moderna
comenzó con la idea de la existencia
de equilibrios en estrategias mixtas
en la suma cero de dos personas, los
juegos y su prueba por John von
Neumann . Prueba original de Von
Neumann usa de punto fijo de
Brouwer teorema sobre aplicaciones
continuas en compactos conjuntos
convexos, que se convirtió en un
método estándar en teoría de juegos
y la economía matemática. Su
trabajo fue seguido por su libro 1944
Teoría de Juegos y Comportamiento
Económico , con Oskar Morgenstern ,
que considera los juegos
cooperativos de varios jugadores. La
segunda edición de este libro
proporciona una teoría axiomática
de la utilidad esperada, lo que
permitió estadísticos matemáticos y
economistas para tratar la toma de
decisiones bajo incertidumbre.
Esta teoría fue desarrollada
ampliamente en la década de 1950
por muchos estudiosos. La teoría de
juegos fue más explícita aplicada a la
biología en la década de 1970, a
pesar de una evolución similar se
remontan por lo menos hasta la
década de 1930. La teoría de juegos
ha sido ampliamente reconocido
como una herramienta importante
en muchos campos. Ocho juegos de
los teóricos han ganado el Premio
Nobel de Ciencias Económicas , y
John Maynard Smith fue
galardonado con el Premio Crafoord
para su aplicación de la teoría de
juegos a la biología.
rdrdrdrdrdrd
!"#$%&'()*+,*-(.+*($'+#/*0(
1*-2*3&#(*&#*4'-2*(56(#&(-#7.&4*/'(/#&(7'-4#'(
8'$2+2'6(9:*3#,*;(&*(:'&*<(
=#7.&4*/'76(95(>(:*3#,*;(&*(:'&*(>(5<(
8'7(&*+,*$2#+4'7(/#(&*($27$*($'+#/*(
1*-2*3&#(*&#*4'-2*6((((((((((5(?-#7.&4*/'(/#(&*(%-2$#-*(42-*/*@;(
(((((((((((((((((((((((((((((((((((((((((((((A(?-#7.&4*/'(/#(&*(7#B.+/'(&*+,*$2#+4'@(
8'$2+2'(/#(5(#(A6(9:*3#,*;(&*(:'&*<(=#7.&4*/'76(995(>(:*3#,*;(A(&*(:*3#,*(><;(
95(>(:*3#,*;(&*(:'&*(>(A<;(95(>(:'&*;(&*(:*3#,*(>(A<;(95(>(:'&*;(&*(:'&*(A(><<
Métodos Probabilísticos
EJEMPLO DE MÉTODOS PROBABILÍSTICOS
![Page 6: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/6.jpg)
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. #
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. Para lograr que la
suma de todas las capacidades sea
igual a la suma de todas las
demandas es que se añade una
planta ficticia o un almacén ficticio.
Cuando la matriz inicial está
conformada, el objetivo es establecer
el patrón de asignación de menor
costo que satisfaga todas las
demandas y agote todas las
capacidades. Este patrón se
determina mediante el método de
transporte, el cual garantiza que se
hallará la solución óptima. La matriz
inicial se completa con una solución
que cumpla dos condiciones: sea
factible y satisfaga las demandas de
todos los almacenes y agote las
capacidades de todas las plantas.
Luego se crea una nueva matriz con
una solución nueva, teniendo ésta un
costo total más bajo. Este
procedimiento iterativo se debe
realizar hasta que no sea posible
mejorar la solución anterior, cuando
esto ocurra la solución óptima se ha
encontrado.
En este método es obligatorio que se
cumpla que el número de embarques
no iguales a 0 en la solución óptima
nunca sea mayor que la suma del
número de planta y almacenes
menos 1.
En el caso que se emplee un paquete
de software sólo se introducen los
datos correspondientes a la primera
matriz.
, , , , , ,
dedemamandndndndndndndndndndndndndndndndndndndndndndasasasasasasasasasasasasasasasasasasasasas e e e e e e e e e e e e e e e e e e e e e e e e es s s s s s s s s s s s s s s s s s s s ququququququququququququququququququququququququququququququque e e e e e e e e e e e e e e e e e e e e e e sesesesesesesesesesesesesesesesesesesesesesesesesesese a a a a a a a a a a a a a a a a a a a a a a a a a a a a añañañañañañañañañañañañañañañañañañañañañañañañañañañadedededededededededededededededededededededededededededededededededededededededededede
ta ficticia o un almacé
Métodos Híbridos
![Page 7: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/7.jpg)
Técnica de MonteCarlo
• • •
¿Qué es la simulación
Monte Carlo?
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.
Cómo funciona la simulación Monte
Carlo
La simulación Monte Carlo realiza el
análisis de riesgo con la creación de
modelos de posibles resultados
mediante la sustitución de un rango
de valores —una distribución de
probabilidad— para cualquier factor
con incertidumbre inherente. Luego,
calcula los resultados una y otra vez,
cada vez usando un grupo diferente
de valores aleatorios de las funciones
de probabilidad. Dependiendo del
número de incertidumbres y de los
rangos especificados, para completar
una simulación Monte Carlo puede
ser necesario realizar miles o
decenas de miles de recálculos. La
simulación Monte Carlo produce
distribuciones de valores de los
resultados posibles.
El análisis de riesgo se puede
realizar cualitativa y
cuantitativamente. El análisis de
riesgo cualitativo generalmente
incluye la evaluación instintiva o
“por corazonada” de una situación, y
se caracteriza por afirmaciones
como “Eso parece muy arriesgado” o
“Probablemente obtendremos
buenos resultados”. El análisis de
riesgo cuantitativo trata de asignar
valores numéricos a los riesgos,
utilizando datos empíricos o
cuantificando evaluaciones
cualitativas. Vamos a concentrarnos
en el análisis de riesgo cuantitativo.
Mediante el uso de distribuciones de
probabilidad, las variables pueden
generar diferentes probabilidades de
que se produzcan diferentes
resultados.# Las distribuciones de
probabilidad son una forma mucho
más realista de describir la
incertidumbre en las variables de un
análisis de riesgo.# Las distribuciones
de probabilidad más comunes son:
Normal – O “curva de campana”.# El
usuario simplemente define la media
o valor esperado y una desviación
estándar para describir la variación
con respecto a la media.# Los valores
intermedios cercanos a la media
tienen mayor probabilidad de
producirse.# Es una distribución
simétrica y describe muchos
fenómenos naturales, como puede
ser la estatura de una población.#
Ejemplos de variables que se pueden
describir con distribuciones
normales son los índices de inflación
y los precios de la energía.
Lognormal – Los valores muestran
una clara desviación; no son
simétricos como en la distribución
normal.# Se utiliza para representar
valores que no bajan por debajo del
cero, pero tienen un potencial
positivo ilimitado.# Ejemplos de
variables descritas por la
distribución lognormal son los
valores de las propiedades
inmobiliarias y bienes raíces, los
precios de las acciones de bolsa y las
reservas de petróleo.
Uniform – Todos los valores tienen
las mismas probabilidades de
producirse; el usuario sólo tiene que
definir el mínimo y el máximo.#
Ejemplos de variables que se
distribuyen de forma uniforme son
los costos de manufacturación o los
ingresos por las ventas futuras de un
nuevo producto.
Triangular – El usuario define los
valores mínimo, más probable y
máximo.# Los valores situados
alrededor del valor más probable
tienen más probabilidades de
producirse.# Las variables que se
pueden describir con una
distribución triangular son el
historial de ventas pasadas por
unidad de tiempo y los niveles de
inventario.
Métodos Híbridos
![Page 8: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/8.jpg)
LPERT – El usuario define los valores
mínimo, más probable y máximo,
como en la distribución triangular.#
Los valores situados alrededor del
más probable tienen más
probabilidades de producirse.# Sin
embargo, los valores situados entre
el más probable y los extremos
tienen más probabilidades de
producirse que en la distribución
triangular; es decir, los extremos no
tienen tanto peso.# Un ejemplo de uso
de la distribución PERT es la
descripción de la duración de una
tarea en un modelo de gestión de un
proyecto.
Discrete – El usuario define los
valores específicos que pueden
ocurrir y la probabilidad de cada
uno.# Un ejemplo podría ser los
resultados de una demanda legal:
20% de posibilidades de obtener un
veredicto positivo, 30% de
posibilidades de obtener un
veredicto negativo, 40% de
posibilidades de llegar a un acuerdo,
y 10% de posibilidades de que se
repita el juicio.
Durante una simulación Monte
Carlo, los valores se muestrean
aleatoriamente a partir de las
distribuciones de probabilidad
introducidas.# Cada grupo de
muestras se denomina iteración, y el
resultado correspondiente de esa
muestra queda registrado.# La
simulación Monte Carlo realiza esta
operación cientos o miles de veces, y
el resultado es una distribución de
probabilidad de posibles resultados.#
De esta forma, la simulación Monte
Carlo proporciona una visión mucho
más completa de lo que puede
suceder.# Indica no sólo lo que puede
suceder, sino la probabilidad de que
suceda.
La simulación Monte Carlo
proporciona una serie de ventajas
sobre el análisis determinista o
“estimación de un solo punto”:
Resultados probabilísticos. Los
resultados muestran no sólo lo que
puede suceder, sino lo probable que
es un resultado.
Resultados gráficos. Gracias a los
datos que genera una simulación
Monte Carlo, es fácil crear gráficos
de diferentes resultados y las
posibilidades de que sucedan.# Esto
es importante para comunicar los
resultados a otras personas
interesadas.
Análisis de sensibilidad. Con sólo
unos pocos resultados, en los análisis
deterministas es más difícil ver las
variables que más afectan el
resultado.# En la simulación Monte
Carlo, resulta más fácil ver qué
variables introducidas tienen mayor
influencia sobre los resultados
finales.
Análisis de escenario. En los modelos
deterministas resulta muy difícil
modelar diferentes combinaciones de
valores de diferentes valores de
entrada, con el fin de ver los efectos
de situaciones verdaderamente
diferentes.# Usando la simulación
Monte Carlo, los analistas pueden
ver exactamente los valores que
tienen cada variable cuando se
producen ciertos resultados.# Esto
resulta muy valioso para
profundizar en los análisis.
Correlación de variables de entrada.
En la simulación Monte Carlo es
posible modelar relaciones
interdependientes entre diferentes
variables de entrada.# Esto es
importante para averiguar con
precisión la razón real por la que,
cuando algunos factores suben, otros
suben o bajan paralelamente.
Una empresa dispone de 3 fábricas para la elaboración de sus productos cuyas capacidades de producción son las siguientes:
1 | 2 | 3 |
45 000 uds. | 93 000 uds. | 60 000 uds. |
También dispone de 3 centros de distribución con capacidades:
A | B | C |
28 000 uds. | 65 000 uds. | 35 000 uds. |
Debido al aumento que han experimentado sus ventas (unas 70 000 unidades), la Dirección de la Empresa está evaluando la posibilidades de abrir un nuevo centro de distribución para lo cual tiene dos ubicaciones posibles (D, E).
![Page 9: REVISTA ANALISIS Y TOMA DE DECISIONES](https://reader033.vdocuments.mx/reader033/viewer/2022042703/568bd75c1a28ab20349f70e9/html5/thumbnails/9.jpg)
Los costos de transporte entre las diferentes ubicaciones son:
| A | B | C | D | E |
1 | 8 | 12 | 2 | 6 | 15 |
2 | 13 | 4 | 3 | 10 | 4 |
3 | 0 | 7 | 11 | 8 | 7 |
Tabla 1.
SOLUCIÓN:
Existen muchos métodos para dar solución a este problema, sin embargo es comúnmente utilizado un software, el cual arroja los siguientes resultados:
En la ubicación D se obtiene el siguiente costo:
Ct:2*7000+6*38000+ 4*65000+ 3*28000+ 8*32000= 842.000
| A | B | C | D | Producción |
1 | 8 | | 12 | | 2 | | 6 | | 45 000 |
| | | 7 000 | 38 000 | |
2 | 13 | | 4 | | 3 | | 10 | | 93 000 |
| | 65 000 | 28 000 | | |
3 | 0 | | 7 | | 11 | | 8 | | 60 000 |
| 28 000 | | | 32 000 | |
Necesidades | 28 000 | 65 000 | 35 000 | 70 000 | |
Tabla 2.
Luego en la ubicación E se obtiene el siguiente costo:
Ct:12*10000+2*35000+ 4*55000+ 4*38000+ 7*32000= 786.000
| A | B | C | D | Producción |
1 | 8 | | 12 | | 2 | | 15 | | 45 000 |
| | 10 000 | 35 000 | | |
2 | 13 | | 4 | | 3 | | 4 | | 93 000 |
| | 55 000 | | 38 000 | |
3 | 0 | | 7 | | 11 | | 7 | | 60 000 |
| 28 000 | | | 32 000 | |
Necesidades | 28 000 | 65 000 | 35 000 | 70 000 | |