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.