Métodos probabilísticos

Paso 3 - Desarrollar y presentar el

diagnóstico y análisis final del estudio de caso

DORIS MATILDE ARIAS SIERRA

INGENIERÍA INDUSTRIAL
Diseñar un Mentefacto con tema Modelo de colas M / G / C-FCFS con una política de sistema de inventario
de revisión continua
Este modelo tiene como fin
reducir el largo tiempo de
espera esperado por los
minoristas en el sistema
Propone la clasificación de
los centros de distribución,
asignación de minoristas y
política de administración de
inventarios
Se utiliza para determinar y
minimizar los costos, bajo el
riesgo de interrupciones
probabilísticas y corregir las
ubicaciones entre proveedor
y el minorista
Líneas de espera de varios
servidores con disciplina
general.
Primeros en llegar –
Primeros en salir
Investigación de las
operaciones
- Programación de
proyectos PERT CPM.
- Técnicas de pronósticos
determinísticos.
- Técnicas de pronósticos
Modelo de colas M / G / exponenciales.
C-FCFS con una política - Programación lineal.
- Programación entera.
de sistema de inventario - Modelos de transporte.
de revisión continua - Modelos de redes.
- Programación dinámica.
- Cadenas de Markov.
- Teoría de las decisiones.
- Teoría de juegos.
- Programación no lineal.
Tipos
Modelo de colas de varios Líneas de espera de varios Modelo de colas de varios
servidores con disciplina general. servidores con disciplina general. servidores con disciplina general.
Primeros en llegar – Primeros en Primeros en llegar – Primeros en Primeros en llegar – Primeros en
salir ser servidores ser servidores
 Tabla Diagnóstico final del estudio de caso

Modelo probabilístico
Estrategia
(requerido para plantear, Justificación Referencia documental
No. propuesta en el
desarrollar y solucionar la (Cita textual) en norma APA (consulte aquí)
estudio de caso
estrategia)

• Según Taibo, A. (2009). Por medio de las cadenas de Markov se Taibo, A. Investigación de
pronostica el comportamiento futuro de ciertas variables, y dicho operaciones para los no
pronosticó se hace mediante el análisis de los cambios que matemáticos (pp. 71-77),
han sufrido dichas variables durante el presente. México, D.F., MX: Instituto
Cadenas de Markov • Estas se aplican en un gran número de situaciones como lo son Politécnico Nacional, 2009.
1 Participación los cambio s de preferencia en el mercado tienen diferentes Accessed November 27, 2016.
productos. La posible decisión de hacer o no una inversión en
Recuperado de:
cierta oportunidad etc.
http://bibliotecavirtual.unad.edu.
co:2077/lib/unadsp/reader.actio
n?docID=10504970&ppg=8.

• Gallagher, C., & Watson, H. (1982).Es uno de los modelos más Gallagher, C., & Watson, H.
antiguos, más sencillos, y más comunes de la teoría de colas. (1982). Métodos cuantitativos
Este modelo puede aplicarse a personas esperando una línea para la toma de decisiones en
para comprar boletos para el cine entre otros. administración (pp. 331-351),
Línea de espera para un • En este modelo se considera que el tamaño de la cola sea infinito, México, D.F., MX: McGraw-Hill
2 Servicio
solo Servidor además se supone que un solo servidor proporciona el servicio Interamericana. Recuperado de:
que varía aleatoriamente y no se permite que las unidades que http://bibliotecavirtual.unad.edu.
acaban de salir vuelvan a entrar inmediatamente al sistema, por co:2077/lib/unadsp/reader.actio
tanto: - Un servidor y una cola - Llegadas Poisson - Cola infinita, n?docID=10479349&ppg=8.
primero en llegar, primero en ser servido - Tiempos de servicio
exponenciales
 • La estocasticidad o incertidumbre aparece en todos los Santiago, R. (2016).
sistemas, pero hasta ahora no era posible la solución de Optimización Estocástica (pp.
problemas de optimización de grandes Sistemas 3-4), Madrid. Universidad
considerando explícitamente ésta. La incertidumbre puede Pontificia ICAI ICADE
deberse a carencia de datos fiables, errores de medida o Comillas. Recuperado de:
tratarse de parámetros que representan información sobre https://www.iit.comillas.edu/ara
Programación el futuro. mos/simio/apuntes/a_sp.pdf
estocástica • En optimización estocástica No se conocen sus valores,
sólo sus distribuciones y habitualmente se supone que
3 Optimización éstas son discretas con un 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 a priori, existente o
supuesta, sobre situaciones futuras sin realizar
observaciones adicionales.
 Bibliografía
Taibo, A. Investigación de operaciones para los no matemáticos (pp. 71-77), México, D.F., MX: Instituto Politécnico
Nacional, 2009. Accessed November 27, 2016. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10504970&ppg=8.

Gallagher, C., & Watson, H. (1982). Métodos cuantitativos para la toma de decisiones en administración (pp. 331-351),
México, D.F., MX: McGraw-Hill Interamericana. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10479349&ppg=8.

Santiago, R. (2016). Optimización Estocástica (pp. 3-4), Madrid. Universidad Pontificia ICAI ICADE Comillas.
Recuperado de: https://www.iit.comillas.edu/aramos/simio/apuntes/a_sp.pdf

Ghafour, K., Ramli, R., & Zaibidi, N. (2017). Developing a M/G/C-FCFS queueing model with continuous review (R,Q)
inventory system policy in a cement industry. Journal of Intelligent & Fuzzy Systems, 32(6), 4059-4068.
doi: 10.3233/JIFS-152509 Recuperado
de http://bibliotecavirtual.unad.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=buh&AN=123
249076&lang=es&site=eds-live
Gracias!