Universidad José María Vargas

Facultad de Administración Gerencia y Contaduría
Cátedra: Estadística y Probabilidades II

Proyecto Estadística II

TOMA DE DECISIONES DETERMINISTICO Y PROBABILISTICOS

Autor:
Merle Rojas

Profesora:
LLendy Gil

Caracas, Septiembre 2016
INDICE

2

Pág.
Modelos Determinísticos y Probabilisticos...............................................................3
Modelo Bernoulli ………………………………………….………………..............4
Distribución Binomial……………………………….……………………...............5
Distribución de Poisson…….………………………………………….....................5
Distribución Hipergeométrica………………………………………........................6
Distribución Geométrica ………………………………………….……..................7
Modelo Determinístico…………………………………………..……………….....7
Objetivos……………………………………………………………………………10
Ejemplos……………………………………………………………………………10
Bibliografía

............................................................................................................13

Modelos Determinísticos y Probabilísticos

3

Los problemas de toma de decisiones se pueden clasificar en dos categorías:
modelos de decisión determinísticos y modelos de decisión probabilísticos. En los
modelos determinísticos, las buenas decisiones se basan en sus buenos resultados. Se
consigue lo deseado de manera "determinística", es decir, libre de riesgo. Esto depende
de la influencia que puedan tener los factores no controlables, en la determinación de
los resultados de una decisión y también en la cantidad de información que el tomador
de decisión tiene para controlar dichos factores. Como un ejemplo de la diferencia entre
los modelos probabilísticos versus determinísticos, considere el pasado y el futuro:
Nada que hagamos ahora puede cambiar el pasado, pero cualquier cosa que hacemos
influencia y cambia el futuro, a pesar de que el futuro tiene un elemento de
incertidumbre. Los gerentes se encuentran mucho más cautivados por darle forma al
futuro que por la historia pasada.
El concepto de probabilidad ocupa un lugar importante en el proceso de toma de
decisiones, ya sea que el problema es enfrentado en una compañía, en el gobierno, en
las ciencias sociales, o simplemente en nuestra vida diaria. En muy pocas situaciones de
toma de decisiones existe información perfectamente disponible todos los hechos
necesarios. La mayoría de las decisiones son hechas de cara a la incertidumbre. La
probabilidad entra en el proceso representando el; rol de sustituto de la certeza un
sustituto para el conocimiento completo. Los modelos probabilísticos están
ampliamente basados en aplicaciones estadísticas para la evaluación de eventos
incontrolables (o factores), así como también la evaluación del riesgo de sus decisiones.
Los modelos probabilísticos son vistos de manera similar que a un juego; las
acciones están basadas en los resultados esperados. El centro de interés se mueve desde
un modelo determinístico a uno probabilístico usando técnicas estadísticas subjetivas
para estimación, prueba y predicción.
El Modelo probabilístico, es la forma que pueden tomar un conjunto de datos
obtenidos de muestreos de datos con comportamiento que se supone aleatorio.
El modelo probabilístico como modelo de recuperación de independencia binaria
fue desarrollado por Robertson y Spark Jones. Este modelo afirma que pueden
caracterizarse los documentos de una colección mediante el uso de términos de
indización. Obviamente existe un subconjunto ideal de documentos que contiene
únicamente los documentos relevantes a una necesidad de información para la cual se

4

realiza una ponderación de los términos que componen la consulta realizada por el
usuario. A continuación el sistema calcula la semejanza entre cada documento de la
colección y la consulta y presentando los resultados ordenados por grado de
probabilidad de relevancia en la relación a la consulta. Este modelo evita la
comparación exacta (existencia o no de un término de la consulta en el documento) y
facilita al usuario realizar un proceso de retroalimentación valorando la relevancia de
los documentos recuperados para que el sistema pueda calcular la probabilidad en
posteriores consultas de que los documentos recuperados sean o no relevantes en
función de los términos utilizados en la consulta sean o no relevantes.
Modelo probabilístico, es la forma que pueden tomar un conjunto de datos
obtenidos de muestreos de datos con comportamiento que se supone aleatorio.

Los modelos probabilísticos más típicos son:

Distribución Normal

Usada ampliamente en muestras mayores a 30 datos.

Distribución Chi Cuadrado:

Usada en muestras pequeñas.

Distribución Exponencial:

Usada en duración o donde interviene el paso del tiempo.

Distribución F-Snedecor:

Usada para controlar la varianza de 2 distribuciones.

Modelo de Bernoulli

5

En teoría de probabilidad y estadística, la distribución de Bernoulli (o
distribución dicotómica), nombrada así por el matemático y científico suizo Jakob
Bernoulli, es una distribución de probabilidad discreta, que toma valor 1 para la
probabilidad de éxito y valor 0 para la probabilidad de fracaso.
Si es una variable aleatoria que mide "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria se distribuye como una Bernoulli de parámetro.
La fórmula será:

Su función de probabilidad viene definida por:

Distribución Binomial
La distribución de probabilidad binomial es uno de los modelos matemáticos
(expresión matemática para representar una variable) que se utiliza cuando la variable
aleatoria discreta es el número de éxitos en una muestra compuesta por n observaciones.
Fórmulas de la distribución binomial
Ejemplo
k = 6, al lanzar una moneda 10 veces y obtener 6 caras.
Distribución binomial: La distribución binomial se suele representar por B(n, p).
·

n es el número de pruebas de que consta el experimento.

·

p es la probabilidad de éxito.

La probabilidad de es 1− p, y la representamos por q.

Distribución de Poisson

6

Se trata de un modelo discreto, pero en el que el conjunto de valores con
probabilidad no nula no es finito, sino numerable. Se dice que una variable aleatoria X
sigue la distribución de Poisson si su función de densidad viene dada por:
Esta distribución suele utilizarse para contajes del tipo número de individuos por
unidad de tiempo, de espacio, etc.
Características
En este tipo de experimentos los éxitos buscados son expresados por unidad de área,
tiempo, pieza.

núm. de defectos de una tela por m2

núm. de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.

núm. de bacterias por cm2 de cultivo

núm. de llamadas telefónicas a un conmutador por hora, minuto, etc.

núm. de llegadas de embarcaciones a un puerto por día, mes, etc.

Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área,
o producto, la fórmula a utilizar sería:
Ejemplo.
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques
sin fondos en cualquiera de dos días consecutivos?

Solución
a) x = variable que nos define el número de cheques sin fondo que llegan al banco en un
día cualquiera = 0, 1, 2, 3, etc.
l = 6 cheques sin fondo por día
e = 2.718

7

Distribución Hipergeométrica
La distribución hipergeométrica es especialmente útil en todos aquellos casos en
los que se extraigan muestras o se realizan experiencias repetidas sin devolución del
elemento extraído o sin retornar a la situación experimental inicial.
Ejemplo
Tenemos una baraja de cartas españolas (N=40 naipes), de las cuales nos vamos
a interesar en el palo de oros (D=10 naipes de un mismo tipo). Supongamos que de esa
baraja extraemos n=8 cartas de una vez (sin reemplazamiento) y se nos plantea el
problema de calcular la probabilidad de que hayan k=2 oros (exactamente) en esa
extracción.
En lugar de usar como dato D es posible que tengamos la proporción existente,
p, entre el número total de oros y el número de cartas de la baraja

Distribución Geométrica
Es un modelo adecuado para aquellos procesos en los que se repiten pruebas
hasta la consecución del éxito a resultado deseado y tiene interesantes aplicaciones en
los muestreos realizados de esta manera. También implica la existencia de una
dicotomía de posibles resultados y la independencia de las pruebas entre sí. A demás
esta distribución es un caso especial de la Binomial, ya que se desea que ocurra un éxito
por primera y única vez en el último ensayo que se realiza del experimento, para obtener
la fórmula de esta distribución.

Modelo Determinístico
Estos modelos establecen que las condiciones en las cuales se realiza un
experimento determinan la ocurrencia de un resultado particular. Por ej., si observamos
el desplazamiento de un móvil cierta distancia (d), podemos utilizar como modelo

8

matemático para describir la velocidad media desarrollada (v) la ecuación v = d/t (con t
el tiempo transcurrido).
Este es un modelo determinístico, porque cada vez que se repita la experiencia ´
y se obtengan los mismos valores d y t, se producirá el mismo valor de v. Obviamente,
este es un modelo simplificado en el que muchos factores no han sido tenidos en cuenta
(temperatura del aire, presión atmosférica, etc.), sin embargo, las pequeñas desviaciones
que se podrían llegar a obtener no invalidan el modelo.
Son modelos cuya solución para determinadas condiciones es única y siempre la
misma.
Según Jeffer (2002), los modelos determinísticos, “son aquellos que a cada valor
de la variable independiente corresponde otro valor de la variable dependiente. Son
especialmente útiles en los sistemas que evolucionan con el tiempo, como son los
sistemas dinámicos. En ellos podemos conocer el estado del sistema transcurrido cierto
tiempo una vez que hemos dado valores a los distintos parámetros que aparecen en el
modelo"
Según Crhirtofer (2007), "es un modelo matemático donde las mismas entrada
producirán invariablemente las mismas salidas, no contemplándose la existencia del
azar ni el principio de incertidumbre. Está estrechamente relacionado con la creación de
entornos simulados a través de simuladores para el estudio de situaciones hipotéticas, o
para crear sistemas de gestión que permitan disminuir la incertidumbre. La inclusión de
mayor complejidad en las relaciones con una cantidad mayor de variables y elementos
ajenos al modelo determinístico hará posible que este se aproxime a un modelo
probabilístico o de enfoque estocástico.
Los modelos determinísticos son los que hacen predicciones definidas de
cantidades, dentro de cualquier distribución de probabilidades; también se les puede
definir como aquellos que se aplican a problemas en los que hay un solo estado de la
naturaleza, y donde variables, limitaciones y alternativas son, después de que se aceptan
los supuestos, conocidos, definibles, finitos y predecibles con confidencia estadística.
Algunos modelos, herramientas o técnicas determinísticas son: programación lineal,
análisis de Markov, costo/beneficio, entre otros (krone, 1980; López, 2001). En otras
palabras, un modelo determinístico se construye para una condición de certeza supuesta,

9

y el modelo asume que solo hay un resultado posible (el cual es conocido) para cada
acción o curso alternativo (Malczewski, 1999).
Los modelos determinísticos tienen las siguientes características:

Como la literatura del modelo estocástico se ha ganado la atención en la
economía, los modelos determinísticos se han convertido en algo raro. Los
ejemplos incluyen los modelos OLG (Modelos de Generaciones Traslapadas) sin
incertidumbre agregada.

Estos modelos suelen ser introducidos para estudiar el impacto de un cambio en
el régimen, como la introducción de nuevo impuesto, por ejemplo.

Asume toda la información, hay suposición perfecta y no hay incertidumbre en
torno a los choques.

Los choques pueden afectar a la economía de hoy o la de cualquier momento en
el futuro, dado el caso de previsión perfecta. También puede durar uno o varios
períodos.

Muy a menudo, sin embargo, los modelos introducen un choque positivo hoy y
ningún choque a partir de entonces (con certeza).

La solución no requiere de linealización, de hecho, ni siquiera realmente
necesita de un estado estacionario. En su lugar, se trata la simulación numérica
para encontrar las rutas exactas de las variables endógenas de primer orden que
cumplan con las condiciones del modelo y la estructura del choque.

Este método de solución por lo tanto puede ser útil cuando la economía está muy
lejos del estado estacionario.

Los modelos determinísticos son importantes por cinco razones:
1. Una asombrosa variedad de importantes problemas de administración pueden
formularse como modelos determinísticos.
2. Muchas hojas de cálculo electrónicas cuentan con la tecnología necesaria para
optimizar modelos determinísticos, es decir, para encontrar decisiones óptimas. Cuando

10

se trata en particular de modelos PL grandes, el procedimiento puede realizarse con
mucha rapidez y fiabilidad.
3. El subproducto de las técnicas de análisis es una gran cantidad de información muy
útil para la interpretación de los resultados por la gerencia.
4. La optimización restringida, en particular, es un recurso extremadamente útil para
reflexionar acerca de situaciones concretas, aunque no piense usted construir un modelo
y optimizarlo.
5. La práctica con modelos determinísticos le ayudara a desarrollar su habilidad para la
formulación de modelos en general.

Objetivos
Comprender la asombrosa variedad de importantes problemas de administración
con la formulación de los modelos determinísticos, desarrollando las técnicas necesarias
para optimizar dichos algoritmos que encuentres soluciones reales para la toma de
decisiones generando las estrategias necesarias para continuar procedimientos con
metodologías de desarrollos de mayor rapidez y fiabilidad en su resultado final.
Objetivos Específicos
Comprender los elementos teóricos que sustentan los métodos determinísticos.
Identificar y utilizar los métodos determinísticos para la solución de problemas.
Distinguir y manejar los conceptos teóricos de redes y aplicarlos para la planeación y
control de proyectos usando el computador.
Evaluar y aplicar las operaciones de acuerdo al campo de acción específico en el que se
desenvuelve el futuro profesional.

Ejemplos de Modelos Determinísticos de Inventario

11

Un proveedor le ofrece la siguiente tabla de descuento para la adquisición de su
principal producto, cuya demanda anual usted ha estimado en 5.000 unidades. El costo
de emitir una orden de pedido es de $49 y adicionalmente se ha estimado que el costo
anual de almacenar una unidad en inventario es un 20% del costo de adquisición del
producto. ¿Cuál es la cantidad de la orden que minimiza el costo total del inventario?.

Tamaño del Lote (Unidades)

Descuento (%)

Valor del Producto ($/Unidad)

0 a 999

0%

5

1.000 a 1999

4%

4,8

2.000 o más

5%

4,75

Para dar respuesta a esta situación se propone seguir los siguientes pasos:
Paso 1: Determinar el tamaño óptimo de pedido (Q*) para cada nivel o quiebre de
precios.
Paso 2: Ajustar la cantidad a pedir en cada quiebre de precio en caso de ser necesario.
En nuestro ejemplo para el tramo 1 Q (1)=700 unidades está en el intervalo por tanto se
mantiene; para el tramo 2 Q (2)=714 está por debajo de la cota inferior del intervalo, por
tanto se aproxima a esta cota quedando Q (2)=1.000; finalmente en el tramo 3 Q
(3)=718 que también está por debajo de la cota inferior del intervalo, por tanto se
aproxima a esta cota quedando Q (3)=2.000
Paso 3: Calcular el costo asociado a cada una de las cantidades determinadas
(utilizando la fórmula de costo total presentada anteriormente)
Costo Tramo 1 = C (700)=$25.700
Costo Tramo 2 = C (1.000)=$24.725
Costo Tramo 3 = C (2.000)=$24.822
Se concluye que el tamaño óptimo de pedido que minimiza los costos totales es 1.000
unidades, con un costo total anual de $24.725.

12

Ejercicio 2:
Una compañía se abastece actualmente de cierto producto solicitando una cantidad
suficiente para satisfacer la demanda de un mes. La demanda anual del artículo es de
1500 unidades. Se estima que cada vez que hace un pedido se incurre en un costo de
$20. el costo de almacenamiento por inventario unitario por mes es de $2 y no se admite
escasez.
a. Determinar la cantidad de pedido optima y el tiempo entre pedidos
b. Determinar la diferencia de costos de inventarios anuales entre la política optima
y la política actual, de solicitar un abastecimiento de un mes 12 veces al año.

Solución:
r = 1500 unidades/año
C3 =$20
C1 =$2 unidad/mes = $24 unidad/año

T=Q*/r = 50/1500 = 1/30 año x 360 días/año = 12 días
Política Actual se le agota cada mes o sea 1/12 año
1/12=Q*/1500 Q*=125 (política actual)
Política Óptima
Q*= 50
Diferencia de $540 por lo tanto se ahora más cuando existe la política óptima.

13

Bibliografía
Pág Web Visitadas:
http://mate1294.blogspot.com/2012/06/analisis-de-modelos-probabilisticos.html
Modelos Probabilísticos.
http://investigacionoperativa-solruiz.blogspot.com/p/blog-page_21.html
Modelos Determinístico.
http://modelo-determinisco.webnode.com.ve/news/modelo-deterministico/
Modelos Determinístico