UNIVERSIDAD UNIVERMILENIUM

ALUMNO: Luis Angel Sánchez Nava

Matricula: 1252201738

ASIGNATURA: Investigación de operaciones:

Métodos y Modelos Determinísticos

Profesor: Ing. Olivia Mora Jacobo

INGENIERÍA INDUSTRIAL
INTRODUCCION
La investigación de métodos y modelos determinísticos es fundamental en el
ámbito de la ciencia y la ingeniería, ya que proporciona herramientas analíticas
y predictivas para comprender y resolver problemas complejos. Estos métodos
se centran en el estudio de sistemas cuyo comportamiento futuro puede
preverse con certeza a partir de condiciones iniciales y reglas bien definidas.
La determinística contrasta con la aleatoriedad, ya que en los modelos
determinísticos no se incorpora la incertidumbre. Este enfoque permite realizar
predicciones precisas y reproducibles, lo que resulta esencial en situaciones
donde la variabilidad no es un factor dominante.
En esta investigación, exploraremos a fondo los métodos y modelos
determinísticos, analizando su aplicación en diversas disciplinas como la
planificación de operaciones, la optimización de recursos, la simulación de
sistemas y la toma de decisiones estratégicas. Se examinarán las bases
teóricas que sustentan estos enfoques, así como sus aplicaciones prácticas en
situaciones del mundo real.
Además, se abordarán las limitaciones y desafíos asociados con los modelos
determinísticos, ya que es crucial comprender las condiciones en las que estos
métodos son apropiados y las circunstancias en las que la incorporación de
factores estocásticos podría ser más adecuada.
A lo largo de esta investigación, se destacará la importancia de los modelos
determinísticos como herramientas valiosas para la toma de decisiones
informadas y la resolución eficiente de problemas. Al comprender y aplicar
estos métodos, se busca contribuir al avance de la ciencia y la ingeniería,
proporcionando soluciones sólidas y predecibles en un mundo que demanda
cada vez más precisión y eficacia.

CITAS TEXTUALES
Investigacion de operaciones: 4.2 Modelos determinísticos.
(investigaciondeoperacionesonline.blogspot.com)

Modelos determinísticos.
Los modelos de gestión de inventarios se dividen entre demanda dependiente
e independiente. Dentro de la demanda dependiente encontramos los modelos
determinísticos de inventario. Para la demanda independiente encontramos
además de los determinísticos, los probabilísticos.

Los modelos determinísticos son aquellos donde se toma como supuesto que
tenemos certeza de la demanda. Esta puede estar dada por pronósticos de
demanda o pedidos reales de los clientes. Ahora bien, dentro de los modelos
podemos generar una subclasificación si consideramos además del supuesto
de certeza, que la demanda puede ser estática, que es aquella donde esta
permanece constante; y dinámica, donde a pesar de ser conocida, varía a
través del tiempo.

Un Modelo determinístico es un modelo matemático donde las mismas

entradas 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.
DEFINICION DE ANALIS DE SENSIBILIDAD.
El análisis de sensibilidad es una técnica utilizada en la modelización y simulación de
sistemas para evaluar cómo cambia el resultado de un modelo en respuesta a variaciones
en sus parámetros o variables de entrada. El objetivo principal es comprender la
influencia y la importancia de cada uno de estos factores en la salida del modelo.
ELEMENTOS BASICOS DE ANALIS DE SENSIBILIDAD.
El análisis de sensibilidad implica la evaluación de cómo cambios en los
parámetros de un modelo afectan sus resultados. Aquí están los elementos
básicos del análisis de sensibilidad:
 Variables de Entrada (Parámetros): Son las variables que se utilizan
como insumos en el modelo. Estas pueden ser parámetros fijos o
variables que pueden variar. El análisis de sensibilidad se centra en
entender cómo las variaciones en estas variables afectan los resultados
del modelo.
 Variable de Salida (Objetivo): Es la variable que se observa o analiza
en relación con las variaciones en las variables de entrada. Puede ser
una medida de rendimiento, eficiencia, costo, ingresos, u otro indicador
relevante según el contexto del modelo.
 Rango de Variación: Indica la amplitud o rango de variación que se
considerará para cada variable de entrada. Este puede ser establecido
de manera arbitraria o basado en conocimientos previos del sistema.
 Métodos de Análisis: Existen varios enfoques para realizar análisis de
sensibilidad. Algunos de los métodos comunes incluyen:
o Análisis Univariante: Evalúa el impacto de variar un parámetro a
la vez, manteniendo los demás constantes. Es útil para entender
la sensibilidad individual de cada parámetro.
o Análisis Multivariante: Examina el impacto de variar múltiples
parámetros simultáneamente. Puede revelar interacciones
complejas entre variables de entrada.
o Diseño de Experimentos (DOE): Utiliza un conjunto planificado
de experimentos para explorar de manera eficiente el espacio de
entrada y entender las relaciones entre variables.
o Métodos Estadísticos: Incluyen técnicas como regresión,
análisis de varianza (ANOVA) y análisis de componentes
 principales para cuantificar la contribución relativa de cada
variable.
 Resultados e Interpretación: Los resultados del análisis de sensibilidad
se presentan de diversas maneras, como gráficos, tablas o índices de
sensibilidad. La interpretación se centra en identificar las variables más
influyentes y entender cómo estas afectan la variabilidad en la salida del
modelo.
 Validación: Es crucial validar los resultados del análisis de sensibilidad
para asegurarse de que sean robustos y aplicables al sistema real. La
validación puede implicar comparar los resultados con datos observados
o con el conocimiento experto del dominio.
 Iteración y Mejora Continua: El análisis de sensibilidad no es un
proceso único. A medida que se obtienen más datos o se refina el
modelo, es necesario repetir el análisis para garantizar que siga siendo
relevante y útil. Este enfoque iterativo contribuye a la mejora continua
del modelo y del proceso de toma de decisiones.

TIPOS DE ANALISIS DE SENSIBILIDAD.

Existen varios tipos de análisis de sensibilidad que se aplican según el contexto del
modelo y los objetivos de la investigación. Aquí se presentan algunos de los tipos más
comunes:
 Análisis Univariante:
o Descripción: Evalúa el impacto de variar un parámetro a la vez,
manteniendo los demás constantes.
o Uso: Útil para entender la sensibilidad individual de cada parámetro. Se
realiza variando cada variable de entrada por separado y observando
cómo afecta la variable de salida.
 Análisis Multivariante:
o Descripción: Examina el impacto de variar múltiples parámetros
simultáneamente.
o Uso: Revela interacciones complejas entre variables de entrada. Puede
ayudar a identificar combinaciones de parámetros que tienen un impacto
significativo en la salida del modelo.
 Análisis de Perturbación:
o Descripción: Consiste en introducir pequeñas perturbaciones o cambios
en los valores de los parámetros y observar cómo afectan la salida del
modelo.
o Uso: Permite entender la estabilidad del modelo frente a pequeñas
variaciones en los parámetros y resalta la sensibilidad del sistema.
 Análisis de Escenarios:
o Descripción: Explora diferentes conjuntos de valores de parámetros para
representar distintos escenarios posibles.
o Uso: Útil para evaluar el modelo bajo diversas condiciones y entender
cómo responde a variaciones amplias en los parámetros.
  Diseño de Experimentos (DOE):
o Descripción: Utiliza un conjunto planificado de experimentos para
explorar eficientemente el espacio de entrada y entender las relaciones
entre variables.
o Uso: Proporciona información detallada sobre cómo las variables
interactúan entre sí y permite identificar configuraciones óptimas.
 Análisis de Sensibilidad Global y Local:
o Descripción: El análisis de sensibilidad global examina la influencia de
cada parámetro en la salida del modelo, considerando las interacciones
entre ellos. El análisis de sensibilidad local se centra en la influencia de
un parámetro en un punto específico del espacio de entrada.
o Uso: La sensibilidad global es útil para comprender la contribución
general de cada parámetro, mientras que la sensibilidad local es valiosa
para puntos específicos de interés.
 Métodos Estadísticos:
o Descripción: Utiliza técnicas estadísticas como regresión, análisis de
varianza (ANOVA) y análisis de componentes principales para
cuantificar la contribución relativa de cada variable.
o Uso: Proporciona medidas cuantitativas de la importancia de cada
parámetro y su interacción.
La elección del tipo de análisis de sensibilidad dependerá de la complejidad del modelo,
los recursos disponibles y los objetivos específicos de la investigación. En muchos
casos, una combinación de estos enfoques puede ofrecer una comprensión más completa
del comportamiento del sistema modelado.
REFERENCIAS.
Hillier.s,&G.J Introduccion( 20123) destacan que el analisis de investigacion de
oprracuibes McGraw-Gil