Gomory

Es un americano matemático aplicado y ejecutivo . Gomory trabajó en IBM como investigador y luego como un ejecutivo. Durante ese tiempo, su investigación condujo a la creación de nuevas áreas de las matemáticas aplicadas.

Gomory es el hijo de Andrew L. Gomory y Schellenberg Marian. Se graduó de la Escuela George en Newtown, Pensilvania, en 1946. Recibió su BA de la universidad de Williams en 1950, estudió en la Universidad de Cambridge , y recibió su doctorado en matemáticas de la Universidad de Princeton en 1954.

 

Sirvió en la Marina de EE.UU. desde 1954 a 1957. Mientras servía en la marina de guerra, cambió su enfoque hacia las matemáticas aplicadas en la investigación de operaciones . Entre sus logros matemáticos estaban fundando contribuciones al campo de la programación entera , un área activa de investigación en la actualidad. Él era profesor Higgins y profesor asistente en la Universidad de Princeton, 1957-59. Se unió a la División de Investigación de IBM en 1959. Hay, sin dejar su trabajo matemático importante, también inició una carrera que ayudaron a establecer esa empresa como una de las principales instituciones de investigación del mundo. Después de once años en IBM, fue nombrado director de la investigación y de inmediato comenzó a dirigir la compañía en el desarrollo de algunos de los productos más excitantes del mundo y nuevas tecnologías. Él continuó jugando un papel de liderazgo durante 20 años, finalmente fue ascendido al cargo de vicepresidente senior de IBM para la Ciencia y la Tecnología.

 

Gomory fue capaz de desarrollar las mentes mejores y más brillantes - Los investigadores de IBM se concedieron dos Premios Nobel en la física en su reloj. Él y sus colaboradores se acreditan con muchas contribuciones fundamentales a la tecnología avanzada en áreas como la célula de memoria de un solo transistor, de alta densidad de dispositivos de almacenamiento, los métodos de procesamiento de silicio, y la teoría de base de datos relacional.

 

Después de alcanzar la edad de jubilación obligatoria de 60 años para los funcionarios corporativos de IBM, Gomory se convirtió en presidente de la Fundación Alfred P. Sloan en 1989.

 

Durante su mandato como presidente lideró el esfuerzo de la fundación para patrocinar la investigación en numerosos campos relacionados con los grandes temas nacionales. Trabajo pionero de la Fundación en el ámbito de la enseñanza en línea es anterior a la Internet pública, y su continuo apoyo ha dado lugar a más de tres millones de personas que toman cursos en línea para crédito. La fundación comenzó el programa, ahora generalizada de estudios de la industria , y puso en marcha un importante programa aboga por un mayor trabajo flexible . Se desarrolló un enfoque novedoso y exitoso para superar el problema de las minorías subrepresentadas s doctorados en los campos científicos y técnicos. La fundación fue temprano en la percepción de la amenaza del bioterrorismo y participó activamente en esa zona durante años antes de los sucesos del 9/11. Entre los logros científicos, la fundación apoya la ampliamente reconocida Sloan Digital Sky Survey , que ha realizado importantes contribuciones al problema de la energía oscura, e inició un esfuerzo importante en todo el mundo para estudiar la vida en los océanos conocido como el Censo de la Vida Marina . Bajo el liderazgo de Gomory la Alfred P. Sloan Foundation también apoya programas de gran éxito en la comprensión pública de la ciencia y el desarrollo de un título de posgrado innovador, los Maestros de Ciencias profesionales , diseñado para permitir a los estudiantes a seguir una formación avanzada en ciencias o matemáticas, mientras que al mismo tiempo el desarrollo de habilidades laborales valorada por los empleadores.

 

En diciembre de 2007, después de 18 años como presidente de la Fundación Sloan, Gomory se convirtió en presidente emérito y se unió a la Stern School of Business en la Universidad de Nueva York como profesor investigador,

 

Un hombre sin pretensiones, Gomory no se queda atrás a abrazar controversia o abordar temas difíciles, ya sea en su Gomory ha obtenido ocho títulos honorarios y numerosos premios importantes, como la Medalla Nacional de la Ciencia.

 

Premios: Premio Lanchester de la Sociedad de Investigación de Operaciones, 1963; Harry Goode Memorial Award de la Federación Americana de Sociedades de Procesamiento de Información, 1984, John von Neumann Theory Premio de INFORMA, 1984; Medalla de IRI de la Industrial Research Institute , 1985; Medalla Nacional de Science, 1988 ; IEEE de Ingeniería de Liderazgo Premio de Reconocimiento , 1988 Arthur M. Bueche Premio de la Academia Nacional de Ingeniería 1993, la 4ta Entrega Anual del Premio Heinz para la Tecnología, la Economía y el Empleo, 1998; Medalla de Madison Princeton University, 1999; Sheffield Beca de la Facultad de Ingeniería de la Universidad de Yale, 2000; Federación Internacional de Sociedades de Investigación Operativa Salón de la Fama, 2005; Harold Larnder Premio de la Sociedad Canadiense de Investigación Operativa, 2006.

calidad de presidente de la fundación o en su investigación económica personal.

Actualmente centra su trabajo en hacer frente a la creciente complejidad de la economía globalizada y de los objetivos divergentes de los países y las empresas. Su libro de 2001, escrito en colaboración con el profesor William Baumol, el comercio mundial y los intereses nacionales en conflicto , ha contribuido a dar forma a la discusión nacional sobre las funciones y responsabilidades de las empresas estadounidenses en la economía moderna de Estados Unidos.

Gomory actualmente un blog en el Huffington Post y su trabajo ha aparecido en The Nation y The Wall Street Journal .

Bibliografia

Ralph E. Gomory,Wikipedia  Web, Recuperado el 6 de Noviembre de 2012

http://en.wikipedia.org/wiki/Ralph_E._Gomory

Imagen 

Ralph E. Gomory,nndb  Web, Recuperado el 6 de Noviembre de 2012

http://www.nndb.com/people/449/000159969/

Egon Balas

Egon Balas ( Cluj, Rumania , 7 de junio de 1922) es un matemático aplicado y un profesor de la administración industrial y matemáticas aplicadas en la Universidad Carnegie Mellon .  Balas hizo parte de la labor fundamental en el desarrollo de programación entera y disyuntivo .

Tiene la ciudadanía de Estados Unidos de América (emigro en 1967). Vive en Pittsburg Pensilvania Estados Unidos.

Licenciado en Economía ara la Universidad de Bolvai, Cluj, Rumania, doctor en Economía (summa cum laude) por la Universidad de Bruselas y Doctor en Ciencias (matemátcas) por la Universidad de Paris

Desde 1968 el Profesor Egon Calas es profesor de administración Industrial y Matemática Aplicada en la Graduate School of Industrial Administration en Camegie Mellon University, Pittsburg Pensilvania Estados Unidos.

Egon Balas es una de las figuras científicas mas destacadas en programación matemática con especial énfasis en programación entera y discreta así como optimización combinatoria. Han publicado más de 180 trabajos científicos y supervisado más de 25 tesis doctorales. Su investigación ha tenido una influencia extraordinaria en los avances teóricos y en los desarrollos computacionales de la matemática aplicada. Su prolífico trabajo de investigación incluye disciplinas teóricas y prácticas, tales como programación disyuntiva, análisis poliédrico de diversos problemas de optimización combinatoria, problemas de redes y grafos, teoría de la localización, el problema del transporte, el problema del agente viajero, el problema de conjuntos de cubrimiento y particionamiento, el problema de la mochila, planificación de actividades, secuenciación y asignación, asignación de tráfico en comunicaciones vía satélite, planificación y optimización de la gestión de recursos forestales, etc.

La investigación del Profesor Balas ha sido parcialmente financiada por la National Science Foundation la US Office of Naval Research y la NATO. Balas ha sido consultor para el departamento de enrgía de Estados Unidos. Así mismo ha desarrollado y dirigido proyectos para el sector privado en la industria del acero y en empresas tales como IBM, American Airlines, etc.

Su trabajo sobre el método aditivo para resolver problemas de programación lineal con variables 0-1 publicado en diversas entregas en el periodo 1964-1966 ha sido durante muchos años el trabajo más citado en las revistas, libros y otras publicaciones de Investigación Operativa. Uno de sus últimos proyectos a lo largo de los años 90 ha sido el desarrollo del algoritmo “Lift and Project Cutting Plane” para la resolución de problemas lineales con variables 0-1 y continuas.

Desde hace muchos años el profesor Balas pertenece o ha pertenecido a los comités editoriales de las rvistas más prestigiosas de Investigación Operativa, tales como Operation Research Discrete Applied Mathematics, Naval Logistics Research, The European Journal of Operations Research, Computational Optimizatión ans Applications, Journal of Combinatorial Optimization, Annals of Opertations Research, etc.

Reseñas del profesor Balas aparecen en “Who´s who in the World”. Who’s who in America, “American mean and Woman of Science”. También es citado en “Contemporary Classics in Engineering and Applied Science”

Recientemente el Profesor Balas ha publicado “Will to Freedom: A Perilous Journey through Fascim and Comunism”, Syracuse University Press, 2000, 469 pags, un recorrido sobre su vida hasta su llegada a Estados Unidos.

Honores:

v  Medalla de Oro e EURO, la asociación Europea de Sociedades de investigación operativa, 2001.

v  John von Newmann Theory Prize, concedido por INFORMS, la Sociedad de Investigación Operativa de Estados Unidos, 1995

v  University Professor, Camegie Mellon University, 1990

v  The Thomas Lord Professorhip en Investigación-Operativa, Camegie Mellon University, patrocinado por la fundación Thomas Lord, 1996

Senior US Scientific Award, concedido por la fundación Alexander Humboldt, Alemania, 1980-1981.

Referencias:

v  Egon Balas . [en línea]. <http://en.wikipedia.org/wiki/Egon_Balas>. Consulta: Noviembre 5, 2012

v  Egon Balas . <http://blogs.umh.es/comunicacion/2002/09/25/biografa-de-d-egon-balas/>. Consulta: Noviembre 5, 2012

v  [Anónimo]. Egon Balas . [Imagen]. Recuperado de: < http://tinyurl.com/brxn36b >.Noviembre 5, 2012.

Formato de Planeación (Infografía)

Infografía de Ruta más corta

Flujo a costo mínimo

1.- Cada año, Data Corporal produce unas 400 computadoras en Boston y 300 en Raleigh. Los clientes de Los Ángeles deben recibir 400 computadoras y a los clientes de Austin se les debe suministrar 300 computadoras. Producir una computadora cuesta $800 en Boston y $900 en Raleigh. Las computadoras se transportan en avión y se podrían enviar por Chicago. Los costos de enviar una computadora entre pares de ciudades se muestran en la tabla siguiente:

De	A ($)
	Chicago	Austin	Los Ángeles
Boston	80	220	280
Raleigh	100	140	170
Chicago	——–	40	50

Formule un modelo (red) de flujo a costo mínimo que se pueda usar para minimizar el costo total (producción + distribución) de satisfacer la demanda anual de Data Corporal. Plantear red.

¿Cómo modificaría la formulación del inciso (a) si a lo sumo se pudiera enviar 200 unidades vía Chicago? [Sugerencia: agregue un nodo y un arco a la red del inciso (a).] Plantear red.

Ruta más Corta de Problemas No Clásicos

1.-Se tiene una red de comunicaciones entre dos estaciones 1 y 7. Las probabilidades de que un enlace de la red funcione sin fallar se muestran en la siguiente tabla. Los mensajes se mandan de la estación 1 a la estación 7 y el objetivo es determinar la ruta que maximice la probabilidad de una buena transmisión.



Aplicando el Método de Dijkstra se tiene lo siguiente:Plantear la red y resolver como un problema de ruta más corta.

LA PROBABILIDAD QUE MAXIMIZA UNA BUENA TRANSMISIÓN ES DE .52326

Ruta más corta

2).- Encuentre la trayectoria más corta del nodo 1 al nodo 6.

Utilizando el método de dijkstra:



Se tendrá un costo mínimo de 31.

Distribución beta

La distribución beta se utiliza para variables aleatorias entre 0 y 1.

La distribución beta suele utilizarse para modelar la distribución de estadísticos de orden (por ejemplo, el estadístico de orden késimo de una muestra de variables n uniformes (0, 1) tiene una distribución beta (k, n + 1 – k)) y para modelar eventos que se definen por valos mínimos y máximos. La escala de la distribución beta suele modificarse para modelar el tiempo hasta la culminación de una tarea. La distribución beta también se usa en estadísticas bayesianas, por ejemplo, como la distribución de valores previos de una probabilidad binomial.

DISTRIBUCIÓN BETA GENERALIZADA

La distribución beta generalizada nació de manera natural para dar mayor flexibilidad al soporte acotado, donde su función de densidad es definida como:




Donde, del mismo modo que en el modelo estándar, los parámetros u y v son positivos. La distribución Beta estándar es ahora una situación particular de la distribución Beta Generalizada, cuando (a,b)=(0,1).

Si X es una variable aleatoria con distribución Beta Generalizada, entonces la notación será: X~BG(ab)(u,v) o equivalentemente X~BG(u,v,a,b)

CARACTERÍSTICAS DEL MODELO

Para facilitar la operabilidad del modelo, consideraremos que el parámetro b será escrito por b=a+h, de ese modo la densidad queda representada por:




Los elementos siguientes son los que generalmente son presentados para el análisis y comparar evasiones.

Esperanza




Segundo Momento




Varianza




En el proceso de estimación presentaremos dos de los más relevantes; el primero es el de máxima verosimilitud y el segundo es el de momentos.

En este proceso asumiremos que el parámetro h o amplitud del intervalo de los posibles valores de X es conocido.

Para el caso del estimador de máxima verosimilitud, basta resolver el sistema siguiente:




Las estimativas por medio del método de momentos, que representaremos por y respectivamente son:




FUNCIÓN DE SOBREVIVENCIA PARA UNA VARIABLE ALEATORIA BETA GENERALIZADA

La función de sobrevivencia es una de las principales funciones probabilísticas usadas para describir estudios de sobrevivencia (ver Lee 2003). La función de sobrevivencia es definida como la probabilidad de que una observación no falle hasta un cierto tiempo t, es decir, la probabilidad de que una observación sobreviva hasta el tiempo t. En términos probabilísticos, esto es escrito como S(t) = P(T > t). Por tanto, basado en esta definición, la función de sobrevivencia puede ser determinada por

S(t) = 1 - P(T < t) = 1 - F(t), donde F(t) representa la función de distribución de probabilidades de la variable aleatoria T.

En el Gráfico de la Figura 2, es posible observar la flexibilidad de la función de sobrevivencia de la variable aleatoria beta generalizada, con crecimientos fuertes en el inicio del proceso, para posteriormente estabilizarse casi en un decaimiento lineal, como es posible observar en la curva de color amarillo. De forma similar, podemos obtener funciones de sobrevivencia en la cual el decrecimiento de la curva sea significativo después del 50% de las fallas o muertes, como se muestra en la curva de color negro, y las curvas restantes son una muestra de la flexibilidad y la amplia gama de situaciones con soporte acotado posibles de modelar.

                            
Figura 2. En el gráfico consideramos los valores 2, 2, 1, 5 y 0.5 para los parámetros α, 2, 5, 3, 1 y 1 para el parámetro βrepresentados de color verde, rojo, azul, preto y amarillo respectivamente y h=3


FUNCIÓN DE RIESGO PARA UNA VARIABLE ALEATORIA BETA GENERALIZADA

La función de Riesgo también es conocida como función de tasa de falla. Para su definición vamos asumir que la probabilidad de que la falla ocurra en el intervalo [t1,t2[ puede ser expresada en términos de la función de sobrevivencia como: S(t1)-S(t2) (ver Lee 2003). La tasa de falla en el intervalo [t1,t2[ es definida como la probabilidad de que la falla ocurra en este intervalo, dado que no ocurrió antes de t1, dividido por la amplitud del intervalo. Así, la tasa de falla en el intervalo [t1,t2[ es expresada por : ((S(t1)-S(t2))/((t2-t1) S(t1))). De forma general la función de riesgo, λ(t), es definida como: λ(t)=(f(t))/(S(t)).

En el gráfico de la siguiente figura, es posible observar la flexibilidad de la función de riesgo de una variable aleatoria Beta Generalizada, con incrementos en diferentes velocidades. Una situación muy importante de destacar es la modelación de un riesgo que en el tiempo cero tiene un riesgo diferente de cero.

                             
En el Gráfico consideraremos los valores 2, 2 y 1 para el parámetro α, 2, 5 y 4 para el parámetro β representados de color verde, amarillo y azul respectivamente y h=3


GRÁFICAS

La distribución beta es una distribución continua definida por dos parámetros de forma. La distribución puede adoptar diferentes formas dependiendo de los valores de los dos parámetros.

Ambas formas son iguales a 1
Cuando ambas formas son iguales a 1, la distribución beta es la distribución uniforme.


Ambas formas son menores que 1
Cuando ambas formas son menores que 1, la distribución tiene forma de U.


Ambas formas son iguales y son mayores que 1
Cuando ambas formas son iguales y mayores que 1, la distribución es simétrica.


La primera forma es mayor que la segunda forma
Cuando la primera forma es mayor que la segunda forma, la distribución es asimétrica hacia la izquierda
.


La primera forma es menor que la segunda forma
Cuando la primera forma es menor que la segunda forma, la distribución es asimétrica hacia la derecha
.

José González C., Diana Galvis S. y Luis Hurtado T.,La distribución Beta Generalizada como un modelo de sobrevivencia para analizar la evasión universitaria., 2014, Chile,Recuperado el 20 de Abril del 2019 de: https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-07052014000100008

Minitab 18. (2019). Distribución beta. 2017, de minitab Sitio web, Recuperado el 20 de Abril del 2019 de: https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-and-random-data/supporting-topics/distributions/beta-distribution/

[Imagen Gráficas] recuperada el 20 de Abril del 2019 de: Minitab 18. Distribución beta , de minitab Sitio web: https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-and-random-data/supporting-topics/distributions/beta-distribution/