Estadistica Infernecia

1. Elabore una síntesis de cada modelo clasificándolo de acuerdo al cuadro anexo.

La investigación de operaciones, tiene métodos como los siguientes tipos de problemas:

METODOS DETERMINISTICOS: Ej. Programación lineal, programación entera, probabilidad de transporte, programación no lineal, teoría de localización o redes, probabilidad de asignación, programación por metas, teoría de inventarios, etc.

METODOS PROBABILISTICOS: Ej. Cadenas de Marcov, teoría de juegos, líneas de espera, teoría de inventarios, etc.

METODOS HIBRIDOS: Tienen que ver con los métodos determinísticos y probabilísticos como la teoría de inventarios.

METODOS HEURISTICOS: Son las soluciones basadas en la experiencia, como la programación heurística.

MODELOS DE INVESTIGACION DE OPERACIONES

a. DETERMINISTICOS

Los modelos determinísticos son aquellos donde se supone que todos los datos pertinentes se conocen con certeza. Es decir, en ellos se supone que cuando el modelo sea analizado se tendrá disponibles toda la información necesaria para tomar las decisiones correspondientes. La utilidad de los modelos determinísticos suele ser máxima cuando unas cuantas entradas no controladas del modelo presentan incertidumbre. En consecuencia los modelos determinísticos se utilizan a menudo, aunque no siempre, para la toma de decisiones internas de una organización.

Estos modelos son más manejables ciertos procesos complejos pueden modelarse factiblemente. Permiten la introducción de incertidumbre. Optimizan (maximizan o minimizan) algunas funciones objetivo. Pueden hacer más eficientes los procedimientos de solución.

Este es un modelo donde las mismas entradas producirán las mismas salidas. La inclusión de mayor complejidad en las relaciones con una cantidad mayor de variables y elementos ajenos al modelo determinístico hará posible que éste se aproxime a un modelo probabilístico o de enfoque estocástico. Son utilizados para la toma de decisiones y estas buenas decisiones se basan en sus buenos resultados y se consigue lo deseado libre de riesgo, esto depende de la cantidad de información que posea el que toma la decisión, Se denomina entonces modelo determinanticos a aquel que permite determinar el resultado de un experimento cuando se conocen las condiciones en que se lo realiza

b. MODELO ESTOCÁSTICO:

Lo contrario. Aquellos modelos, cuyas variables son de naturaleza probabilística, es decir que dependen de un nivel de incertidumbre; del azar. Por lo tanto, normalmente estas variables representan es una función de probabilidad.

Muchas veces en la práctica, algo que parece probabilística, o del azar, realmente corresponde a algo que se deja como caja negra por el sin número de variables que la componen, por la dificultad de su medición, etc. Si se es consciente de esto, si esto es totalmente claro, se tendrá el primer paso en firme, y como se puede observar en el gráfico de eso depende todo. Prácticamente es una decisión del modelador: Por ejemplo, para el tiempo de proceso de una operación, puede tomar el promedio del tiempo como un valor determinantico y usar un programa matemático de optimización o puede analizar esta variable para determinar la función de densidad de probabilidad, con un promedio, un valor de desviación estándar y tal vez usar simulación.

Tratan los parámetros de modelos de optimización como variables aleatorias de distribuciones muéstrales específicas. Se presentan las cadenas de Harkov, teoría de Juegos líneas de espera etc.

Cuando por lo menos una variable es tomada como un dato al azar las relaciones entre variables se toman por medio de funciones probabilísticas, sirven por lo general para realizar grandes series de muestreos, quitan mucho tiempo en el computador son muy utilizados en investigaciones científicas. La totalidad o un subconjunto de los parámetros tienen una distribución de probabilidad asociada. Por lo general los modelos más realistas son los modelos estocásticos, pero tienen la dificultad de poderlos resolver adecuadamente, y muchas de las técnicas aplicables a los modelos estocásticos tratan de reducir el problema a su versión.

c. HIBRIDOS

Métodos híbridos a aquellos usados tradicionalmente en la investigación cuantitativa y que proponen como métodos también valiosos para el desarrollo de estudios cualitativos. El procedimiento de aplicación no varía; la diferencia generalmente se encuentra en la interpretación de los datos.

el análisis de contenido es uno de los procedimientos que más se acercan a los postulados cualitativos desde sus propósitos; busca analizar mensajes, rasgos de personalidad, preocupaciones y otros aspectos subjetivos. Otras de las características que acercan el análisis de contenido con el paradigma cualitativo es que el examen de los datos se realiza mediante la codificación.

El análisis de contenido requiere de algunos pasos para su puesta en práctica como lo son:

Lo primero es determinar que contenido se estudiará y por qué es importante. Obviamente, esto se relaciona muy de cerca con la necesidad de tener un tema previo, una o varias preguntas de investigación y objetivos claramente definidos.

En segundo lugar, debe tenerse claro los elementos que vamos a buscar. Esto nos remite necesariamente a una guía de análisis. Es importante recalcar que esta guía es una propuesta inicial, como en toda investigación cualitativa, y puede, conforme marcha el proyecto, modificarse de acuerdo con la experiencia en la obtención de datos.

Aquí importa decidir cómo definimos nuestro campo de observación de contenido. Será útil buscar un muestreo aleatorio, aunque esta no sea una preocupación central de la investigación cualitativa.

Dependiendo del propósito de nuestra investigación, se debe decidir la forma de recabar la información. Por ejemplo en hojas de reporte de observación o mediante transcripciones. A su vez, cada una de estas formas se analizará.

Por último, habrá que asegurarse de unificar criterios para la observación y para la codificación, en el caso de que sean varios los observadores o codificadores.

2. Ilustre con un ejemplo cada modelo

Programación no lineal

En este caso se destaca el estudio de optimización en una variable sin restricciones de la forma:

Optimizar

...