Universidad Nacional Abierta y a Distancia

Vicerrectoría Académica y de Investigación

Syllabus del curso Métodos Probabilísticos

1. IDENTIFICACIÓN DE CURSO

Escuela o unidad: Escuela de Ciencias

Sigla: ECBTI
Básicas, Tecnología e Ingeniería
Campo de formación: Formación
Nivel: Profesional interdisciplinar básica común
Curso: Métodos Probabilísticos Código: 104561
Tipología de curso: Teórico N° de créditos: 2
Diseñador de curso: Alvaro Javier Rojas Actualizador de curso: Alvaro Javier
Baracaldo Rojas Baracaldo
Fecha de elaboración: lunes, 29 de Fecha de actualización: lunes, 25 de
octubre de 2018 noviembre de 2019
Descripción del curso:

El curso Métodos Probabilísticos, es ofertado por la Escuela de Ciencias Básicas,

Tecnología e Ingeniería, desde la Cadena de formación de Ciencias Básicas y
pertenece a la Red curricular de Procedimientos Numéricos y Ciencias de las
Decisiones. Es obligatorio en el programa de Ingeniería Industrial y electivo en el
programa de Ingeniería de Sistemas y se ubica en el campo de formación
interdisciplinar básica común.

El curso Métodos Probabilísticos, es de tipo teórico, en este se abordan modelos

matemáticos donde el comportamiento predominante de sus variables es de tipo
probabilístico, está organizado en dos (2) créditos académicos distribuidos en dos
unidades. La primera unidad, agrupa los modelos probabilísticos de decisión como
representación probabilística de datos, pronósticos probabilísticos e inventarios
probabilísticos. En la segunda unidad, se estudian los modelos probabilísticos de
optimización como: la programación probabilística de proyectos, las líneas de espera
y la programación estocástica.

El curso maneja la estrategia de aprendizaje basada en tareas (ABT), mediante

problemas, relacionados con procesos de producción y de gestión para identificar y
aplicar un modelo probabilístico especifico, mediante su planteamiento, desarrollo,
solución y comprobación de resultados para optimizar los recursos del proceso y
tomar las mejores decisiones en el mismo.
 2. INTENCIONALIDADES FORMATIVAS

Propósitos de formación del curso:

Al finalizar el curso, el estudiante estará en capacidad de:

Aplicar la representación probabilística de datos, los modelos de pronósticos y de

inventarios probabilísticos mediante sus algoritmos, en la solución de problemas de
procesos de producción y gestión.

Aplicar la programación probabilística de proyectos, los modelos de líneas de espera

y de programación estocástica mediante sus algoritmos, en la solución de problemas
de procesos de producción y gestión.

Competencias del curso:

El estudiante utiliza en situaciones reales, la representación probabilística de datos,

los modelos de pronósticos probabilísticos y los modelos de inventarios
probabilísticos para tomar decisiones que garanticen el desarrollo y continuidad de
procesos de producción y gestión.

El estudiante utiliza en situaciones reales, la programación probabilística de

proyectos, los modelos de línea de espera y la programación estocástica para
optimizar los recursos que garanticen el desarrollo y continuidad de procesos de
producción y gestión.

3. CONTENIDOS DEL CURSO

Unidad Recursos educativos requeridos

es/tem
as
1.
Unidad 1
-
Modelos
probabilí
sticos de
decisión.

1.
Hillier, F. y Lieberman, G. (2015). Introducción a la investigación de
Represe
ntación operaciones (pp. 1050-1058). México, México: Editorial McGraw-Hill
probabilí Interamericana. Recuperado de
stica de http://bibliotecavirtual.unad.edu.co:2053/?il=2269
datos.

2. Monks, J. (1988). Administración de operaciones (pp. 168-170).

Modelos
Naucalpan de Juárez, México: Editorial McGraw-Hill Interamericana.
de
pronósti Recuperado de
cos https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=
probabilí 61&docID=3196010&tm=1541110436872
sticos.
Hillier, F. y Lieberman, G. (2010). Introducción a la investigación de
operaciones (pp. 807-812). México, México: Editorial McGraw-Hill
Interamericana. Recuperado de
http://bibliotecavirtual.unad.edu.co/login?url=http://search.ebscohost.co
m/login.aspx?direct=true&db=edselb&AN=edselb.3214887&lang=es&site
=eds-live

3. Monks, J. (1988). Administración de operaciones (pp. 243-247).

Modelos
Naucalpan de Juárez, México: Editorial McGraw-Hill Interamericana.
de
inventari Recuperado de
os https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=
probabilí 61&docID=3196010&tm=1541110436872
sticos.
Rojas, A. (2018). Modelos probabilísticos de decisión [OVA]. Recuperado
de http://hdl.handle.net/10596/22416

Rojas, A. y Ospina, A. (2018). Modelos de pronósticos probabilísticos

[OVI]. Recuperado de http://hdl.handle.net/10596/22263

Rojas, A. y Ospina, A. (2018). Modelos de inventarios probabilísticos

[OVI]. Recuperado de http://hdl.handle.net/10596/22324
2.
Unidad 2
-
Modelos
probabilí
sticos de
Optimiza
ción.

1. Hillier, F. y Lieberman, G. (2015). Introducción a la investigación de

Program operaciones (pp. 961-966). México, México: Editorial McGraw-Hill
ación
Interamericana. Recuperado de
probabilí
stica de http://bibliotecavirtual.unad.edu.co:2053/?il=2269
proyecto
s.

2. Hillier, F. y Lieberman, G. (2010). Introducción a la investigación de

Modelos operaciones (pp. 725-737). México, México: Editorial McGraw-Hill
de líneas
Interamericana. Recuperado de
de
espera. http://bibliotecavirtual.unad.edu.co/login?url=http://search.ebscohost.co
m/login.aspx?direct=true&db=edselb&AN=edselb.3214887&lang=es&site
=eds-live

3. García, A. (2006). Programación estocástica por metas: teoría y

Modelos
aplicaciones económicas (pp. 84-87). Madrid, España: Editorial
de
program Universidad Complutense de Madrid. Recuperado de
ación https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=
estocásti 103&docID=3168854&tm=1541109698692
ca.
Rojas, A. y Ospina, A. (2018). Modelos de líneas de espera [OVI].
Recuperado de http://hdl.handle.net/10596/22265

Rojas, A. y Ospina, A. (2018). Modelos de programación estocástica

[OVI]. Recuperado de http://hdl.handle.net/10596/22264
Recursos educativos adicionales para el curso:

Unidad 1:
Gallagher, C. y Hugh, W. (1982). Métodos cuantitativos para la toma de decisiones
en administración. México, México: Editorial McGraw-Hill Interamericana.
Recuperado de
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=8&docID=
3194160&tm=1541107217175

Unidad 2:
Gallagher, C. y Hugh, W. (1982). Métodos cuantitativos para la toma de decisiones
en administración. México, México: Editorial McGraw-Hill Interamericana.
Recuperado de
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=8&docID=
3194160&tm=1541107217175

4. ESTRATEGIA DE APRENDIZAJE

Descripción de la estrategia de aprendizaje:

Aprendizaje Basado en Tareas (ABT).

El aprendizaje basado en tareas (ABT), también conocido como enfoque por tareas,
es un modelo que logra transformar la enseñanza basada en el profesor a una
enseñanza basada en el estudiante. En ABT el estudiante va ganando de forma
progresiva responsabilidad con su aprendizaje a partir de la solución de problemas
propios de la profesión lo que facilita la motivación y permite un aprendizaje
significativo. Este modelo promueve organizar el curso en función de una tarea final
o de un conjunto de tareas que guiarán la presentación de los diferentes contenidos.
Liang (2008).

La elaboración de la tarea está contemplada, según Nunan en tres fases llamadas:

Pre-tarea, Ciclo de la tarea y Post-tarea. Cada uno de estos momentos requerirán de
cierta información específica para el desarrollo de la tarea y el logro del o los
objetivos propuestos, así:
Pre-tarea: inicia con la actividad de Presaberes para recordar algunos
conocimientos previos que se requieren para desarrollar el curso.

Ciclo de la tarea: continua con las actividades Tarea 1, donde se introduce a los
modelos probabilísticos de decisión y optimización mediante solución de problemas
de procesos de producción y gestión que analizan el comportamiento probabilístico
de la información utilizando la representación probabilística de datos y la
programación probabilística de proyectos, para pasar a la Tarea 2, con la solución
de problemas de procesos de producción y gestión utilizando los algoritmos de los
modelos probabilísticos de decisión como los pronósticos probabilísticos y los
inventarios probabilísticos y luego a la Tarea 3, con la solución de problemas de
procesos de producción y gestión utilizando los algoritmos de los modelos
probabilísticos de optimización como las líneas de espera y la programación
estocástica.

Post-tarea: para terminar con la Evaluación final donde se evalúa la apropiación

de los modelos probabilísticos de decisión y optimización.

5. DISTRIBUCIÓN DE LAS ACTIVIDADES ACADÉMICAS DEL CURSO

Semana Contenidos a Actividad a desarrollar según la

desarrollar estrategia de aprendizaje
1y2 Presaberes Pre-Tarea - Presaberes.

Desarrollar los Presaberes del curso para

recordar conocimientos básicos que requiere
el curso.

3, 4, 5 y Unidad 1 - Modelos Tarea 1 – Introducción a los modelos

6 probabilísticos de decisión. probabilísticos de decisión y
optimización.
1. Representación
probabilística de datos. Solucionar problemas de procesos de
producción y gestión, utilizando la
Unidad 2 - Modelos representación probabilística de datos y la
probabilísticos de programación probabilística de proyectos.
Optimización.
 1. Programación
probabilística de
proyectos.
7, 8, 9 y Unidad 1 - Modelos Tarea 2 - Solución de modelos
10 probabilísticos de decisión. probabilísticos de decisión.

2. Modelos de pronósticos Plantear, desarrollar y solucionar problemas

probabilísticos. de procesos de producción y gestión,
3. Modelos de inventarios utilizando modelos de pronósticos
probabilísticos. probabilísticos y modelos de inventarios
probabilísticos y comprobar los resultados
utilizando software de optimización.

11, 12, Unidad 2 - Modelos Tarea 3 - Solución de modelos

13 y 14 probabilísticos de probabilísticos de optimización.
Optimización.
Plantear, desarrollar y solucionar problemas
2. Modelos de líneas de de procesos de producción y gestión,
espera. utilizando modelos de líneas de espera y
3. Modelos de modelos de programación estocástica y
programación estocástica. comprobar los resultados utilizando Software
de optimización.

15 y 16 Unidad 1 - Modelos Post-Tarea - Prueba Objetiva Cerrada

probabilísticos de decisión. POC.

1. Representación Presentar cuestionario en línea compuesto

probabilística de datos. por 25 preguntas sobre conceptualización,
2. Modelos de pronósticos aplicación y solución de problemas de
probabilísticos. procesos de producción y gestión, utilizando
3. Modelos de inventarios los modelos probabilísticos de decisión y
probabilísticos. optimización.

Unidad 2 - Modelos
probabilísticos de
Optimización.

1. Programación
probabilística de
proyectos.
 2. Modelos de líneas de
espera.
3. Modelos de
programación estocástica.

6. ESTRATEGIAS DE ACOMPAÑAMIENTO DOCENTE

Descripción de las estrategias de acompañamiento docente a utilizar en

este curso.
Con base en la agenda docente, se describe a continuación las estrategias de
acompañamiento:

Acompañamiento sincrónico:

WEB Conference: se programará una WEB Conferencia Educativa, por evaluación

intermedia y final para presentar el desarrollo de las actividades colaborativas con el
fin de explicar las temáticas relacionadas con cada unidad del curso, programación
que se publicará en Acompañamiento docente, entorno de Aprendizaje colaborativo.

Chat+Skype: los docentes de la red de curso, brindarán atención sincrónica vía

Chat+Skype a los estudiantes para resolver dudas, explicar las temáticas y
actividades por solicitud expresa del estudiante en los horarios establecidos, en la
agenda de acompañamiento docente, publicada en Acompañamiento docente,
entorno de Aprendizaje colaborativo.

Atención In-situ: Publicación de la programación de atención del acompañamiento

docente In-situ en el entorno de aprendizaje colaborativo. Este acompañamiento es
de dos tipos:

Franja de Atención en Centro - FAC: que busca resolver inquietudes sobre

situaciones académicas y el manejo del campus virtual, para facilitarle el desarrollo
del curso.

Círculos de Interacción para el Aprendizaje y la Acción Solidaria - CIPAS, que pueden

estar acompañados por un docente o monitor, quienes apoyarán el afianzamiento de
las intencionalidades formativas del curso.

Acompañamiento asincrónico:
Atención por parte de los docentes de la red de curso en los diferentes temas del
foro general y foros de aprendizaje colaborativo para resolver dudas, explicar
temáticas y orientar el desarrollo de las actividades propuestas para el trabajo en
grupo.

Atención por medio de la mensajería interna del curso y correo institucional del
docente con el fin responder las solicitudes de los estudiantes, hacer sugerencias o
recomendaciones y orientar su proceso formativo.

7. PLAN DE EVALUACIÓN DEL CURSO

Númer Momentos Productos a entregar Puntaje

Ponderación
o de de la según la estrategia de máximo/
/500 puntos
semana evaluación aprendizaje 500 puntos
1-2 Inicial Pre-Tarea - Presaberes. 25 25
Intermedia Tarea 1- Introducción a los
3-6 Unidad 1 y modelos probabilísticos de 110
Unidad 2 decisión y optimización.
Tarea 2 - Solución de
Intermedia
7-10 modelos probabilísticos de 120
Unidad 1 350
decisión.
Tarea 3 - Solución de
Intermedia
11-14 modelos probabilísticos de 120
Unidad 2
optimización.
Final
Post-Tarea - Prueba Objetiva
15-16 Unidad 1 y 125 125
Cerrada POC.
Unidad 2
Puntaje Total 500 puntos 100%