Documentos de Académico
Documentos de Profesional
Documentos de Cultura
POR:
RANOL RAFAEL BONIVENTO FERRER
CODIGO:
84.085.196
TUTOR:
VICTOR HUGO RODRIGUEZ
GRUPO: 212026_22
INFERENCIA ESTADÍSTICA
Conjunto de métodos y técnica que permiten a inducir a partir de la información
empírica proporcionada por una muestra, cual es el comportamiento de una
determinada población con un riesgo de error medible en términos de probalidad.
Los métodos paramétricos de la inferencia estadística se pueden dividir,
básicamente, en dos: métodos de estimación de parámetros y métodos de
contraste de hipótesis. Ambos métodos se basan en el conocimiento teórico de la
distribución de probabilidad del estadístico muestral que se utiliza como estimador
de un parámetro.
La estimación de parámetros consiste en asignar un valor concreto al parámetro o
parámetros que caracterizan la distribución de probabilidad de la población.
Cuando se estima un parámetro poblacional, aunque el estimador que se utiliza
posea todas las propiedades deseables, se comete un error de estimación que es
la diferencia entre la estimación y el verdadero valor del parámetro. El error de
estimación es desconocido por lo cual es imposible saber en cada caso cual ha
sido la magnitud o el signo del error; para valorar el grado de precisión asociado
con una estimación puntual se parte de dicha estimación para construir un
intervalo de confianza. En síntesis, un intervalo de confianza está formado por un
conjunto de valores numéricos tal que la probabilidad de que éste contenga al
verdadero valor del parámetro puede fijarse tan grande como se quiera.
CLASE DE MUESTREO
Aleratorio: todos los elementos de la población son seleccionados al azar.
Aletario con reposición: los elementos seleccionados vuelven a formar parte del
conjunto del que hacemos el muestreo
Aletorio sin reposición: Una vez seleccionado un elemento no puede volver a
ser seleccionado.
Aleatorio estratificado: La población se divide en subconjunto, en cada uno de
los cuales se lleva a cabo el muestro de elemento.
Aleatorios conglomerados En el muestreo por conglomerados, en lugar de
seleccionar a todos los sujetos de la población inmediatamente, el investigador
realiza varios pasos para reunir su muestra de la población.
LA PROGRAMACIÓN LINEAL
Corresponde a un algoritmo a través del cual se resuelven situaciones reales en
las que se pretende identificar y resolver dificultades para aumentar la
productividad respecto a los recursos (principalmente los limitados y costosos),
aumentando así los beneficios. El objetivo primordial de la Programación Lineal es
optimizar, es decir, maximizar o minimizar funciones lineales en varias variables
reales con restricciones lineales (sistemas de inecuaciones lineales), optimizando
una función objetivo también lineal.
El Método Simplex es un método iterativo que permite ir mejorando la solución en
cada paso. La razón matemática de esta mejora radica en que el método consiste
en caminar del vértice de un poliedro a un vértice vecino de manera que aumente
o disminuya (según el contexto de la función objetivo, sea maximizar o minimizar),
dado que el número de vértices que presenta un poliedro solución es finito
siempre se hallará solución.
Observaciones importantes al utilizar método simplex
Variables de holgura y exceso.
Variable artificial / método de la "m"
El problema.
Paso 1: modelación mediante programación lineal.
Paso 2: convertir las inecuaciones en ecuaciones.
Paso 3: definir la solución básica inicial.
Paso 4: definir la tabla simplex inicial.
MODELOS DETERMINÍSTICOS
Son aquellos en los que la información necesaria para obtener la solución se
conoce con certeza. Como ejemplo de este tipo de modelos se tiene: la
programación lineal, programación por metas, programación no lineal,
programación entera, problemas de transporte y asignación, teoría de inventarios.
Además de ser una herramienta fundamental para la toma de decisiones, optimiza
los resultados logísticos, administrativos y financieros de una organización con el
fin de mejorar procesos, reducir costos y mejorar sus recursos técnicos.
MODELOS PROBABILÍSTICOS
Son aquellos en los que parte de la información requerida no se conoce con
certeza. Como ejemplo de este tipo de modelos se tiene: las cadenas de Márkov,
líneas de espera, teoría de juegos, teoría de inventarios, entre otros.
Función Objetivo
En un problema de LP, se debe tomar la decisión de maximizar (usualmente las
utilidades) o de minimizar (usualmente los costos) cierta función de las variables
de decisión. La función a maximizar o minimizar se denomina función objetivo.
Antes de formular el modelo matemático conviene resumir los datos del problema
Función Objetivo (Fn Objetivo): Ecuación matemática que relaciona las
variables de decisión (según el modelo mostrado es Z, puede ser del tipo
Maximizar o Minimizar)
Restricciones: Son ecuaciones matemáticas que limitan las decisiones del
problema (pueden ser del tipo ≥ o ≤)
Variables de Decisión: Variables cuyos valores se desean determinar con la
resolución del modelo (Según el modelo son: X1, X2, Xn)
Condición de no negatividad: estipula que las variables de decisión sean
mayores o iguales a 0 (lo que quiere decir que las variables no pueden tomar
valores negativos).
Vector disponibilidad: es el valor numérico que restringe los valores máximos y
mínimos que pueden tomar las restricciones (es el lado derecho de las
restricciones B1, B2, Bm).
El análisis de sensibilidad, dado un cierto rango de variables, es una forma de
predecir el resultado de una decisión. Es conocido también como análisis de
simulación o «qué pasa si». Al crear un conjunto dado de variables, un analista
puede determinar cómo los cambios en una variable afectan el resultado.
Una práctica relacionada es el análisis de incertidumbre, que se centra más en la
cuantificación y propagación de la incertidumbre. Idealmente, la incertidumbre y el
análisis de sensibilidad se deben ejecutar en conjunto
¿Para qué sirve?
Una de las aplicaciones clave del análisis de sensibilidad es en el uso de modelos
por parte de los gerentes y responsables en la toma de decisiones. Se puede
utilizar todo el contenido necesario para el modelo de decisión mediante la
aplicación repetida del análisis de sensibilidad.
Ayuda a los analistas de decisión a comprender las incertidumbres, los pros y los
contras, con las limitaciones y el alcance de un modelo de decisión.
CONCLUSIONES