INTEGRANTES:

JUAN CARLOS CUAPIO TEYSSIER.

ARELI RAYMUNDO AGUILAR.
MARCOS FLORES PEREZ.
LOURDES QUIROZ HERNANDEZ.
INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN

4.4.-
PRO MODE
BAB LOS
ILIST
ICOS
.
 ¿QUÉ ES
MODELO PROBABILISTICO?
Es la forma que pueden tomar un
conjunto de datos obtenidos de
muestreos de datos con
comportamiento que se supone
aleatorio.
 TIPOS:
Pueden ser modelos probabilísticos
discretos o continuos. Los primeros,
en su mayoría se basan en
repeticiones de pruebas de Bernoulli.
Los más utilizados son:
 TIPOS:
• Modelo de Bernoulli
• Modelo Binomial.
• Modelo Geométrico.
• Modelo Binomial negativo.
• Modelo Hipergeométrico.
• Modelo de Poisson.
 DISTRIBUCIONES
• Por otro lado, y tal como he mencionado antes, existen
modelos probabilísticos continuos, entre ellos
destacamos:
• Distribución Normal: usada ampliamente en muestras
mayores a 30 datos.
• Distribución Chi Cuadrado: usada en muestras pequeñas.
• Distribución Exponencial: usada en duración o donde
interviene el paso del tiempo.
• Distribución F-Snedecor: usada para controlar la varianza
de 2 distribuciones.
 COMPONENTES DE UN MODELO
PROBABILISTICO.
• En estos modelos de
inventarios, a diferencia
de los anteriores, tienen
una demanda incierta o
probabilística. En vez de
conocer exactamente la
demanda de un producto,
ahora se conoce la
distribución de
probabilidad para la
demanda.
• El resultado de un experimento aleatorio puede ser descrito
en ocasiones como una cantidad numérica.

• En estos casos aparece la noción de variable aleatoria

– Función que asigna a cada suceso un número.

• Las variables aleatorias pueden ser discretas o continuas

(como en el primer tema del curso).

• En las siguientes transparencias vamos a recordar conceptos

de temas anteriores, junto con su nueva designación. Los
nombres son nuevos. Los conceptos no.
FUNCIÓN DE PROBABILIDAD (V. DISCRETAS)

Asigna a cada posible 40%

•
valor de una variable 35%
discreta su 30%

probabilidad. 25%
Recuerda los conceptos 20%
de frecuencia relativa y
15%
diagrama de barras.
10%
Ejemplo
5%
Número de caras al
lanzar 3 monedas. 0%
0 1 2 3
• FUNCIÓN DE DENSIDAD (V. CONTINUAS)

• . Definición
– Es una función no negativa de integral 1.
• Piénsalo como la generalización del histograma con
frecuencias relativas para variables continuas.

• ¿Para qué lo voy a usar?

– Nunca lo vas a usar directamente.
– Sus valores no representan probabilidades
¿PARA QUÉ SIRVE LA F. DENSIDAD?
• M
ucho
viene s proce
s
form n descrito os aleato
a
prob que son s por var rios
abilid c ia
ades onocidas bles de
en in
• La terva las
integ los.
de de r al defi
coinc sidad en nida de la
n
mism ide con la dichos in función
os. prob t
abilid ervalos
• Es ad de
decir los
prob , identi
a fi
área bilidad d camos la
bajo e
la fun un interv
ción a
de de lo con el
nsida
d.
INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN
 INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN

• FUNCIÓN DE DISTRIBUCIÓN
• Es la función que asocia a cada valor de una
variable, la probabilidad acumulada
de los valores inferiores o iguales.

Piénsalo como la generalización de las

frecuencias acumuladas. Diagrama integral.

.A los valores extremadamente bajos les corresponden valores de la función de

distribución cercanos a cero.

• A los valores extremadamente altos les corresponden valores de la función de

distribución cercanos a uno.

• Lo encontraremos en los artículos y aplicaciones en forma de “p-valor”, significación,…

– No le deis más importancia a este comentario ahora. Ya os irá sonando conforme
avancemos.
 INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN

• ¿PARA QUÉ SIRVE LA F. DISTRIBUCIÓN?

• Sé que una persona de altura 210cm es “anómala” porque la función de distribución en 210 es muy
alta.
• Sé que una persona adulta que mida menos de 140cm es “anómala” porque la función de
distribución es muy baja para 140cm.

• Sé que una persona que mida 170cm no posee una altura nada extraña pues su función de
distribución es aproximadamente 0,5.

• Relaciónalo con la idea de cuantil.

• En otro contexto (contrastes de hipótesis) podremos observar unos resultados

experimentales y contrastar lo “anómalos” que son en conjunto con respecto a una
hipótesis de terminada.

– Intenta comprender la explicación de clase si puedes. Si no, ignora esto de momento. Revisita
este punto cuando hayamos visto el tema de contrastes de hipótesis.
 INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN

N(Μ, Σ): INTERPRETACIÓN PROBABILISTA

• Entre la media y una

desviación típica
tenemos siempre la
misma probabilidad:
aprox. 68%

• Entre la media y dos

desviaciones típicas
aprox. 95%
 INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN

• EJEMPLO:

• b) Modelo de cantidad fija de reorden cuando se conoce el costo de

escasez.
• Modelo de cantidad fija de reorden cuando no se conoce el costo de
escasez.
• El procedimiento para resolver este modelo es el siguiente:
• 1) Encontrar la cantidad que debe ordenarse por medio de la
formula: h DK Q 2 Q = Tamaño del lote económico
• D = Demanda promedio en cierto tiempo
• K = Costo por ordenar
• h = costo de conservación.
INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN

EJEMPLO:

• Z B B = Tamaño del
inventario de seguridad
• Z = valor de acuerdo al
nivel de servicio
(obtenerla de la tabla
de distribuciones de
probabilidad).
• σ= desviación estándar
de para la demanda del
tiempo de entrega.
INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN

• CONCLUSION:
• En estos modelos de
inventarios, a diferencia de
los anteriores, tienen una
demanda incierta o
probabilística. En vez de
conocer exactamente la
demanda de un producto,
ahora se conoce la
distribución de probabilidad
para la demanda.
INSTITUTO TECNOLÓGICO SUPERIOR DE SAN MARTÍN
TEXMELUCAN

Gracias…