TABLA DE DIAGNOSTICOS

Tabla Diagnóstico final del estudio de caso

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.