Modelación

Sistemas
Las organizaciones empresariales son sistemas muy
complicados, creados para satisfacer necesidades,
compuestos por componentes que intervienen y
interactúan de manera armónica para lograr los
objetivos.

Para entender y describir estos sistemas, se debe

construir un modelo que idealice y simplifique su
funcionamiento.
 Modelo -‐Definición

Representación simplificada de un sistema real,

para resolver un problema en función de ciertos
objetivos.

El modelo incluye las variables relevantes del

problema.
Modelos-‐Tipos
Icónicos Esquemáticos

Representación -sica a Representación gráfica

escala de larealidad. del sistema.

Matemáticos

Para describir y
relacionar las variables
seleccionadas del
mundo real, a base de
ecuaciones
matemáticas:
Determinísticos y
Probabilísticos
Modelación

Un Modelo siempre es una simplificación de la

realidad.

Un Modelo Cuantitativo representa las relaciones

entre las variables en forma matemática.

 El Modelo debe satisfacer una necesidad.

Modelos -‐Factores Básicos
Variables
Variables de Decisión Variables Exógenas
Intermedias
• Aquellas que se • Variables • Se utilizan para
encuentran bajo el condicionadas por relacionar las
control de quien factores que están variables de
toma la decisión fuera del alcance decisión y las
• Nuevo producto, de la persona que variables exógenas
precio de venta, decide con las medidas de
cantidad a invertir • Condiciones desempeño. Son
en publicidad. económicas, variables de
acciones de los contabilidad que se
competidores, relacionan con
precio materia factores de costo o
prima. ingresos.
Modelos -‐Factores Básicos

Políticas y Restricciones Medidas de desempeño

• Políticas de nivelesde • Criterios de

calidad, restricciones desempeño para
legales o limitaciones medir los objetivos
-sicas. cuantitativamente.
• Utilidad, participación
del mercado, retorno
de la inversión.
 Para un fanático de futbol es la información referente a los
partidos ganados, empatados y perdidos, para el gerente de
una central de energía eléctrica puede ser la información
sobre la cantidad de contaminantes que están siendo emitidos
Estadística hacia la atmósfera, para el Director de una escuela es la
información acerca del ausentismo, las calificaciones de los
alumnos y los sueldos de los profesores, para un investigador
médico que indague los efectos de un nuevo medicamento, es
la evidencia del éxito o fracaso de sus trabajos de
investigación…

La Estadística es la parte de las Matemáticas

que se encarga del estudio de una
determinada característica en una
población, recogiendo los datos,
organizándolos en tablas, representándolos
gráficamente y analizándolos para sacar
conclusiones de dichapoblación.
Los ingenieros de control de calidad del agua
del AyA son responsables del nivel de cloración
del agua, dicho nivel debe acercarse bastante
al que exige el ministerio de salud.
Conceptos fundamentales
Datos

• Los datos son colecciones de un número cualquiera de observaciones relacionadas entre sí.

Representación de todos losgrupos

• Se seleccionan las observaciones de manera que todos los grupos relevantes estén representados
en los datos.

Obtención de datos

• Los datos provienen de observaciones reales o de documentos que se conservan para usos
diarios.

Muestra y población

• La población es un todo y la muestra es una parte o segmento de él.

Distribución de frecuencias

• Es una tabla que organiza los datos en clases, es decir, en grupos de valores que describen una
característica de los datos.
Probabilidades
Laprobabilidad marginal P(A) es la probabilidad
de que ocurra un evento.

Unaprobabilidad conjunta es el producto de las

probabilidades marginales.

Unaprobabilidad condicional es la probabilidad

de que ocurra un evento considerando que otro
evento ha sucedido.
Conceptos fundamentales
La probabilidad P de que ocurra cualquier evento
es mayor o igual a 0 y menor o igual a 1.

La suma de las probabilidades simples de

todos los resultados posibles de una
actividad debe ser igual a1.

Al conjunto de todos los resultados posibles

de un experimento se le llama espacio
muestral y se representa por el símbolo S.

Un evento es un subconjunto del espacio

muestral.
Ley de la adición

P(B) P(A o B) =P(A)+P(B)

P(B) P(A o B) =P(A) +P(B) –P(Ay B)

Eventos mutuamente excluyentes y
colectivamente exhaustivos
Se dice que ciertoseventos son
mutuamente excluyentes
cuando sólo uno de ellos puede
ocurrir.

Se dice que ciertos eventos son

colectivamente exhaustivos si la
lista de resultados incluye todoslos
resultados posibles.
Variables Aleatorias
Unavariable aleatoria es una función que asocia un
número real a cada elemento del espacio muestral.

Porejemplo considérese una tienda de teléfonos

celulares. El número de teléfonos iPhone vendidos
durante un día cualquiera puede ser la variable aleatoria.

Lasvariables pueden ser discretas o continuas.

Ejercicio 1
Tabla de frecuencias
En los últimos 30 días Rafael ha vendido 8,9,10 u 11 enteros
de lotería cada día. Nunca vendió menos de 8 ni más de 11.
Si se supone que el pasado es similar al futuro, encuentre
las probabilidades del número de boletos vendidos si las
ventas fueron: en 10 días se vendieron 8 enteros, en 12
días se vendieron 9 enteros, en 6 días se vendieron 10
enteros y solo en 2 días se logró vender 11 enteros de
lotería.
¿Cuál esla distribución de frecuencias?
 Probabilidad
Ventas Frecuencia Probabilidad Acumulada
Vendío 8 10 0.33 0.33
Vendió 9 12 0.40 0.73
Vendió 10 6 0.20 0.93
Vendió 11 2 0.07 1.00
30

Distribución de Frecuencias
14
12
10
8
6
4
2
0
Vendío 8 Vendió 9 Vendió 10 Vendió 11
Distribuciones de Probabilidad
Una distribución de probabilidad indica toda la gama de
valores que pueden representarse como resultado de un
experimento si éste se llevase a cabo.
Distribución Binomial
Frecuentemente un experimento consiste en ensayos
repetidos, cada uno con dos posibles resultados que
pueden llamarse éxito o fracaso.
1.El experimento consiste en n intentos repetidos
2.Los resultados de cada uno de los intentos pueden
clasificarse como un éxito o como un fracaso
3.La probabilidad de éxito representada por p, permanece
constante en todos los intentos
4.Los intentos repetidos son independientes
Este procedimiento se conoce como El proceso de Bernoulli
Distribución Binomial
El número Xde éxitos en n experimentos de Bernoulli recibe el
nombre de variable aleatoria binomial.
La distribución de probabilidad de esta variable aleatoria
discreta se llama distribución binomial y sus valores se
representan por: b(x; n, p)

b(x; n, p) = ()n
x
p xq n-x
Distribución Binomial
Probabilidad de x éxitos en nensayos es:

n! xqn-x
P
x! (n-x)!
Distribución Binomial

Media Varianza

μ= np σ2 = npq
Ejercicio 2
Distribución Binomial
La probabilidad de que cierta clase de componente pase con éxito
una determinada prueba de impacto es de ¾. Encuentre la
probabilidad de que exactamente 2 de los siguientes 4 componentes
que se prueban pasen la prueba

b(x; n, p) =() n
x
p xq n-x

b(2; 4, ¾) = ( ) (¾)
4 2 (¼)4-2
2
Ejercicio 3
Distribución Binomial
*Uso detabla
La probabilidad de que un paciente se recupere de una
rara enfermedad es 0.4. Si se sabe que 15 personas han
contraído esta enfermedad, ¿cuál es la probabilidad de
que: a) al menos 10 sobrevivan, b) sobrevivan entre 3 y 8
personas y c) sobrevivan exactamente 5 personas?

Calcule la media y la varianza.

Distribución Normal
La distribución normal, también llamada distribución de Gauss o
distribución gaussiana, es la distribución de probabilidad que
con más frecuencia aparece en estadística y teoría de
probabilidades. Esto se debe a dos razones fundamentales:
Su función de densidad es simétrica y con forma de campana,
lo que favorece su aplicación como modelo a gran número de
variables estadísticas
Además es límite de otras distribuciones y aparece relacionada
con multitud de resultados ligados a la teoría de las
probabilidades gracias a sus propiedades matemáticas.
La función de densidad está dadapor:
Teorema del LímiteCentral
El teorema del límite central es un teorema fundamental de probabilidad y
estadística. El teorema describe la distribución de la media de una muestra aleatoria
proveniente de una población con varianza finita. Cuando el tamaño de la muestra es
lo suficientemente grande, la distribución de las medias sigue aproximadamente una
distribución normal. El teorema se aplica independientemente de la forma de la
distribución de la población.
Si la distribución de la población es simétrica, un tamaño de muestra de 5 podría
producir una aproximación adecuada. Si la distribución de la población es
considerablemente asimétrica, es necesario un tamaño de muestra más grande. Por
ejemplo, la distribución de la media puede ser aproximadamente normal si el tamaño
de la muestra es mayor que 50.
Distribución Normal
Teorema del LímiteCentral
Si la media de una muestra aleatoria de tamaño n que se toma de una población
con media μ y variancia finita σ2 entonces la forma límite de la distribución es:

x-μ
Z=
σ /√n
Conforme n →∞, es la distribución normal estándar n(z;0,1)
Distribución Normal
Normal estándar
Cuando μ= 0 y σ = 1, la distribución se conoce con el nombre de
normal estándar. Dada una variable aleatoria normal X, con media μ y
desviación tipica σ, si definimos otra variable aleatoria:

x- μ
Z=
σ

Sedice que se ha estandarizado la variable X.

Ejercicio 4
Distribución Normal
*Uso detabla

Una compañía fabrica focos cuya duración es

normalmente distribuida con una media igual a 800
horas y una desviación estándar de 40 horas. Encuentre
la probabilidad de que un foco se funda entre las 778 y
834 horas de uso.
Distribución dePoisson
En teoría de probabilidad y estadística, la distribución de Poisson es una
distribución de probabilidad discreta. Expresa la probabilidad de un número k de
eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa
media conocida, y son independientes del tiempo desde el último evento.
La distribución fue descubierta por Siméon-‐Denis Poisson, proponiendo que el trabajo
estaba enfocado en ciertas variables aleatorias N que cuentan, entre otras cosas, un
número de ocurrencias discretas (muchas veces llamadas "arribos") que tienen lugar
durante un intervalo de tiempo de duración determinada. Si el número esperado de
ocurrencias en este intervalo es λ, entonces la probabilidad de que haya exactamente k
ocurrencias (siendo k un entero no negativo, k =0, 1, 2, ...) esigual a:

e -λ λ k
∫(k;λ) =
k!
Donde:

e es el base del logaritmo natural (e = 2.71828...),

k! es el factorial de k,

k es el número de ocurrencias de un evento,

λ es un número real positivo, equivalente al número esperado de ocurrencias durante un intervalo dado. Por ejemplo, si los
eventos ocurren de media cada 4 minutos, y se está interesado en el número de eventos ocurriendo en un intervalo de 10
minutos, se usaría como modelo una distribución de Poisson con λ = 2.5. Esto quiere decir que landa es la media y la
variancia en Poisson
Ejercicio 5
Distribución dePoisson

Si 2% de los libros encuadernados en cierto taller tiene

encuadernación defectuosa, obtener la probabilidad de
que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas.
Ejercicio 6
Distribución dePoisson
*Uso detabla

Sesabe que 10 es el número promedio de camiones

cisterna de aceite que llegan por día a una cierta ciudad
portuaria. Las instalaciones del puerto pueden atender
cuando mucho a 15 camiones en un día. ¿Cuál es la
probabilidad de que en un determinado día se tengan
que regresar los camiones?
Microsos
Excel
Como apoyo para la
aplicación de los algoritmos
de Métodos Cuantitativos
Cómo agregar el complemento de Análisis dedatos?
Cómo agregar el complemento de Análisis dedatos?

Pulsamos el botón de Opciones para instalar las aplicaciones de

Visual Basic y Analisis Tool Pack
Cómo agregar el complemento de Análisis dedatos?

Marc a mos
Cómo agregar el complemento de Análisis dedatos?

Marc a mos
Cómo agregar el complemento de Análisis dedatos?

Llenamos las
correspondientes
casillas para aplicar
Herramientas para
Análisis que
utilizaremos en el
curso
y le damos Aceptar:
Ejemplos de
Modelación
 Ejemplo 1.
Modelación utilizando Simulación
La Portátil S. A., fabrica computadoras personales y periféricos. El grupo de diseño de
productos de la compañía elaboró un prototipo para una nueva impresora portátil de alta
calidad. La nueva impresora presenta un diseño innovador y el potencial de captar una
porción significativa del mercado de las impresoras portátiles. Los análisis financieros y de
mercadotecnia preliminares proporcionan los siguientes datos: precio de venta de $249
por unidad, costo administrativo de $400,000 y costos de publicidad de $600,000.
El costo de la mano de obra directa, el costo de las partes y la demanda del primer año
para la impresora no se conocen con certeza y se consideran entradas probabilísticas. La
empresa supone que el costo de la mano de obra directa variará de $43 a $47 por unidad
con una probabilidad de ocurrencia de: 0.1 para $43, 0.2 para $44, 0.4 para $45, 0.2 para
$46 y 0.1 para $47.
El departamento de manufactura estima que el costo de las partes variará uniformemente
de $80 a $100 por unidad, por otro lado la gente de mercadeo estima que la demanda
para el primer año se describe con una distribución de probabilidad normal con un valor
medio de 15,000 y una desviación estándar de 4,500 unidades. Gabriela, gerente general
de la compañía, quisiera un análisis de la utilidad potencial de la impresora en el primer
año. Debido a la situación de flujo de efectivo restringido Gabriela está particularmente
preocupada por el potencial de unapérdida.
Bajar la hoja de cálculo con los encabezados de la página: www.ucreanop.org
Buscar en la carpeta con el nombre: Ejercicios de Clase

Primer paso definir variables de interés

Ingresar titulos de variables de ejecución y medición
Realizar 500 simulaciones:
Para ello nos colocamos en la celda donde se escribió el 1
y dentro del menú de inicio a la derecha le damos:
Ahora simularemos el comportamiento de la Mano de Obra Directa:
Siguiente paso ir al menú de Datos:
Dentro del menú de Datos, encontraremos a su derecha la
herramienta para Análisis de Datos:
Ahora simularemos el comportamiento del Costo de las
Partes:
Ahora simularemos el comportamiento de la Demanda:
Ahora Calcularemos las utilidades para cada posible escenario:
En la celda E13 digitamos lafórmula:
=((($B$3-‐B13-‐C13)*D13)-‐($B$4+$B$5))
En el menú de Inicio le damos formato:
Procedemos a copiar la fórmula acercando el mouse:

+
Ahora calcularemos los resultados resumen del análisis:
Nos vamos al menú de Fórmulas y procedemos a calcular
cada uno de los datos:
Le damos el formato respectivo:
Para calcular la σ de las utilidades nos vamos a la función fx
dentro del menú de Fórmulas:
Continuamos con el Menor Ingreso:
Damos el formato deseado:
Continuamos con el Mayor Ingreso:
Continuamos con las veces que se nos presentó una pérdida:
Terminamos calculando la probabilidad de obtener una pérdida:
Como es una probabilidad le damos formato de %:
¿Eseste proyecto riesgoso?