Professional Documents
Culture Documents
. El conocimiento de
aplican a problemas en los que hay un solo estado de la naturaleza, y donde variables,
limitaciones y alternativas son, despues de que se aceptan los supuestos, conocidos, definibles,
finitos y predecibles con confidencia estadistica. Algunos modelos, herramientas o tecnicas
deterministicas son: programacion lineal, analisis de Markov, costo/beneficio, entre otros (krone,
1980; lopez, 2001). En otras palabras, unmodelo deterministico se construye para una condicion
de certeza supuesta, y el modelo asume que solo hay un resultado posible (el cual es conocido)
para cada accion o curso alternativo.
Los modelos determinsticos tienen las siguientes caractersticas:
Estos modelos suelen ser introducidos para estudiar el impacto de un cambio en el rgimen,
como la introduccin de nuevo impuesto, por ejemplo.
La solucin no requiere de linealizacin, de hecho, ni siquiera realmente necesita de un estado
estacionario. En su lugar, se trata la simulacin numrica para encontrar las rutas exactas de las
variables endgenas de primer orden que cumplan con las condiciones del modelo y la
estructura.
Este mtodo de solucin por lo tanto puede ser til cuando la economa est muy lejos del
estado estacionario.
Los modelos determinsticos son importantes por cinco razones:
1. Una asombrosa variedad de importantes problemas de administracin pueden formularse
como modelos determinsticos.
2. Muchas hojas de calculo electronicas cuentan con la tecnologia necesaria para optimizar
modelos deterministicos, es decir, para encontrar decisiones optimas. Cuando se trata en
particular de modelos PL grandes, el procedimiento puede realizarse con mucha rapidez y
fiabilidad.
3. El subproducto de las tecnicas de analisis es una gran cantidad de informacion muy util para
la interpretacion de los resultados por la gerencia.
4. La optimizacion restringida, en particular, es un recurso extremadamente util para reflexionar
acerca de situaciones concretas, aunque no piense usted construir un modelo y optimizarlo.
5. La prctica con modelos determinsticos le ayudara a desarrollar su habilidad para la
formulacion de modelos en general.
Ejemplo teorico (SI GUSTAN DECIRLO)
Un ejemplo clsico de modelo determinstico es de cada libre H=1/2 g t2 . Las condiciones de
validez de este modelo de cada: cuerpo puntual (suficientemente pequeo), gravedad constante
(cercano a la Tierra), sin aire (en un tubo con vaco). En estas condiciones se podra predecir la
altura que se desplaza un cuerpo transcurrido un tiempo "t". En la fsica clsica son muy
comunes el uso de modelos determinsticos. Un modelo determinstico que permita predecir si
una moneda cae cara o ceca necesariamente es muy complejo, dependera por ejemplo de la
forma en que se lanza, del espacio que rodea la moneda, de las caractersticas de la moneda en
s. Todo esto implica mucho esfuerzo para general el modelo matemtico y luego para reproducir
las condiciones de validez del mismo.
modelo determinstico en el cual estn cuantificadas las materias primas, la mano de obra, los
tiempos de produccin y los productos finales asociados a cada proceso.
En los modelos determinsticos,una buena decisin es juzgada de acuerdo a los resultados.
MODELOS PROBABILISTICOS.
Sin embargo, en los modelos probabilsticos, el gerente no est preocupado solamente por los
resultados, sino que tambin con la cantidad de riesgo que cada decisin acarrea. Como un
ejemplo de la diferencia entre los modelos probabilsticos versus determinsticos, 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 ms 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 compaa, en el gobierno,
enlas ciencias sociales, o simplemente en nuestra vida diaria. En muy pocas situaciones de toma
de decisiones existe informacin perfectamente disponible.
La mayora de las decisiones son hechas de cara a la incertidumbre (sea que no todas son las
correctas). La probabilidad entra en el proceso representando el rol de sustituto de la certeza.
Los modelos probabilsticos estn ampliamente basados en aplicaciones estadsticas para la
evaluacin de eventos incontrolables (o factores), as como tambin la evaluacin del riesgo de
sus decisiones.
Los modelos probabilsticos son vistos de manera similar que a un juego; las acciones estn
basadas en los resultados esperados. El centro de inters se mueve desde un modelo
determinstico a uno probabilstico usando tcnicas estadsticas subjetivas para estimacin,
prueba y prediccin. En los modelos probabilsticos, el riesgo significa incertidumbre para la cual
la distribucin de probabilidad es conocida. Por lo tanto, la evaluacin de riesgo significa un
estudio para determinar los resultados de las decisiones junto a sus probabilidades.
La evaluacin de riesgo cuantifica la brecha de informacin entre lo que es conocido y lo que
necesita saber para tomar una decisin ptima. Y as tomar la mejor decisin, la que ms
convenga de acuerdo al planteamiento del problema que tienes.
Aqu las variables son normalmente ms numerosas y por lo tanto ms difciles de medir y
controlar. Sin embargo, los pasos para resolverlos son los mismos. Estos son:
1. Simplificar
2. Construir un modelo de decisin (eleccin del modelo a utilizar, y empezarlo a contruir de
acuerdo con las herramientas de ayuda, como el uso de sotfwares, calculadoras,
algoritmos, etc.)
3. Probar el modelo (una vez construido ponerlo a prueba para verificar que te de la solucin
que tu quieres)
4. Usando el modelo para encontrar soluciones:
Este es entendido con mayor facilidad que un suceso emprico (observado), por lo
tanto permite que el problema sea resuelto con mayor facilidad y con un mnimo de
esfuerzo y prdida de tiempo. (el modelo es complejo, pero sencillo de
estructurarlo, esto lo hace un uso ms fcil y no perder mucho tiempo.
5. El modelo puede ser usado repetidas veces para problemas similares, y adems puede
ser ajustado y modificado. ( puede servir como base para problemas similares)
MODELOS LINEALES
Son aquellas situaciones que despus de haber sido analizadas matemticamente, se
representan por medio de una funcin lineal. En algunos casos ste modelo coincide
precisamente con una recta; en otros casos, a pesar de que las variables que nos interesan
no pertenecen todas a la misma lnea, es posible encontrar una funcin lineal que mejor se
aproxime a nuestro problema, ayudndonos a obtener informacin valiosa. Como por ejemplo
haciendo regresin lineal cuando los puntos no estn tan uniformes en una lnea recta.
El modelo lineal se puede determinar de manera grfica o bien, por medio de una
ecuacin.
Existen ocasiones en que a una de nuestras variables le pedimos que cumpla varias
condiciones a la vez, entonces surge un conjunto de ecuaciones donde el punto de
interseccin de dichas ecuaciones representa la solucin de nuestro problema. (Por
ejemplo:
Graficar el sistema y = 3x y
Si las grficas de las ecuaciones se intersectan, entonces existe slo una solucin para las ecuaciones
Mujer
2m
1m
4m
2m
10 m
4.85 m
13 m
6.75 m
18.5 m
9m
20 m
10 m
27 m
13.4 m
La forma geomtrica que mejor aproxima los datos es una recta. Para determinar la ecuacin de
dicha recta, haremos el siguiente anlisis.
* Representaremos por medio de y la distancia recorrida por el hombre y por medio de la x la
distancia recorrida por la mujer.
*Escogeremos dos parejas de datos de la lista, por ejemplo (1,2) y (2,4)
* sustituiremos cada una de estas parejas en la ecuacin y=mx+b y resolveremos el sistema de
ecuaciones, encontrando los valores constantes m y b.
Observaciones:
Notemos que, a pesar de que existen puntos que no satisfacen la ecuacin (por ejemplo (9,18.5)
), hay una mayora de puntos que si satisfacen la ecuacin.
Podemos predecir que, si ambas personas siguen avanzando de manera similar, la mujer no va
a poder haber caminado 56 metros, mientras que el hombre hubiera caminado nicamente 50.
Decimos que una funcin es lineal si se puede expresar de la forma:
f(x)= mx+b
Donde m y b son constantes.
La grfica de una funcin lineal es una recta que tiene pendiente m e intersecta al eje y en el
punto (0, b).
A continuacin se muestran tres funciones lineales con sus respectivas grficas y una lista de
algunas de las parejas ordenadas que pertenecen a dichas funciones lineales.
Cambio horizontal=
1
Cambio
vertical= 4
Para determinar la ecuacin de una recta es necesario encontrar los valores de m y b. Para ello
podemos plantear un sistema de dos ecuaciones con dos incgnitas, utilizando dos parejas
ordenadas distintas que pertenecen a la recta que estamos buscando.
Yo tome el (0,2) y (1,6)
Se multiplica el cambio verticar por el cambio horizontal y es = 4
positivo por lo que mi resultado es 4x+2
y la interseccin es= 2