Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

La simulación en los negocios: uso eficiente de las distribuciones de probabilidad

Simulation in business: Efficient use of probability distributions



Abrir | Descargar


Sección
Artículos

Cómo citar
García Marín, D., Osorio Pico, K. M., Montoya, M. Ángel, & Boada, A. (2025). La simulación en los negocios: uso eficiente de las distribuciones de probabilidad. Revista Lasallista De Investigación, 21(2), 308-329. https://doi.org/10.22507/

Dimensions
PlumX
Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.


Daniela García Marín,

Administradora financiera de CEIPA powered by Arizona State University. 


Karen Margarita Osorio Pico,

Administradora financiera, CEIPA powered by Arizona State University, Sabaneta, Colombia


Miguel Ángel Montoya,

Administrador Financiero de CEIPA powered by Arizona State University.


Antonio Boada,

Magíster en Finanzas del Instituto de Estudios Superiores de Administración IESA, especialista en Estadística Computacional de la Universidad Simón Bolívar, licenciado en Educación, mención Física y Matemáticas de la Universidad Católica Andrés Bello. Docente e investigador del grupo Orygen de la Escuela de Administración Financiera, CEIPA powered by Arizona State University.


Los procesos de simulación juegan un papel muy importante en las organizaciones a la hora de proyectar, analizar y planear las inversiones. El propósito de esta investigación es realizar un artículo de reflexión que permita una aproximación al análisis y a la descripción de los factores que impactan directamente a la simulación como herramienta prospectiva interdisciplinaria de multiplicidad de escenarios, aplicada a las organizaciones. En este sentido, la herramienta fundamental para lograr simulaciones con calidad y credibilidad corresponde al uso eficiente de las distribuciones de probabilidad, las cuales permiten en la simulación emular una multiplicidad de escenarios para las variables contempladas, a fin de plantear situaciones que permitan general un análisis eficiente del fenómeno que se esté estudiando e impulse una adecuada toma de decisiones.


Visitas del artículo 14 | Visitas PDF 20


Descargas

Los datos de descarga todavía no están disponibles.
  1. Academia Balderix. (2022b, diciembre 19). Distribución normal. https://www.probabilidadyestadistica.net/distribucion-normal.
  2. Academia Balderix. (2022a, diciembre 6). Distribución uniforme continua. https://www.probabilidadyestadistica.net/distribucion-uniforme-continua/.
  3. Anderson, D.; Sweeney, D.; Williams, T.; Camm, J.; Martin, K. (2011). Métodos cuantitativos para los negocios. 11va edición. Cengage Learning. México
  4. Astros, J. T. (2015, abril 24). Métodos de planeación PERT-CPM. https://www.monografias.com/trabajos104/metodos-de-planeacion-pert-cpm/metodos-de-planeacion-pert-cpm.
  5. Benites, L. (2023). Distribución Log normal: definición, ejemplos. https://statologos.com/distribucion-logaritmica-normal/.
  6. Boada, A. y Gallego, N. (2016). Uso del Risk Simulator® como herramienta para valoración de múltiplos comparables. Caso empresas sector eléctrico Colombia. En Memorias Arbitradas en VI Congreso de Investigación Financiera FIMEF. https://www.researchgate.net/publication/309479547_Uso_del_Risk_SimulatorR_como_herramienta_para_valoracion_de_multiplos_comparables_Caso_empresas_sector_electrico_Colombia.
  7. Boada, A. (1999). El uso de conocimientos estadísticos para la realización de conclusiones valederas en experimentos físicos elementales. Memorias Arbitradas en el Evento Internacional de Matemática y Computación (COMAT)’99, pp. 1-15. https://www.researchgate.net/publication/282292104_El_uso_de_conocimientos_estadisticos_para_la_realizacion_de_conclusiones_valederas_en_experimentos_fisicos_elementales.
  8. Boada, A. (2012). ¿Cómo estructurar una base de datos óptima, para lograr pronósticos eficaces? Participación en el 5th Supply Chain Forecasting & Planning Forum. https://www.researchgate.net/profile/Antonio-Boada/publication/282291380_Como_Estructurar_una_Base_de_Datos_Optima_para_lograr_Pronosticos_Eficaces/links/560aa8ab08ae1396914cb6e1/Como-Estructurar-una-Base-de-Datos-Optima-para-lograr-Pronosticos-Eficaces.pdf.
  9. Boada, A. (2017). Uso de la permutación con repetición como enseñanza de experimentos Binomiales. Vivat Academia. Revista de Comunicación, (140), 45-54. ISSN: 1575-2844. http://doi.org/10.15178/va.2017.140.45-54. http://www.vivatacademia.net/index.php/vivat/article/view/1034.
  10. Boada, A., Mayorca, R. y Cardona, G. (2020). La prospectiva: más allá de las proyecciones. CEIPA. https://icontent.ceipa.edu.co/nucleos/comunicaciones/fondo_editorial/assets/files/2020_La_prospectiva_mas_alla_de_las_proyecciones.pdf.
  11. Boada, A. (2021). Patrones históricos vs. patrones futuros, la importancia de la prospectiva a través de las distribuciones probabilísticas. https://www.software-shop.com/emailmarketing/5739/FORO_5739?utm_source=gmail&utm_medium=email&utm_campaign=FORO_5739#csi-sponsors.
  12. Boada, A. (2024). Analítica de datos y simulaciones: Técnicas fundamentales en la toma de decisiones. https://www.researchgate.net/publication/382812871_Analitica_de_datos_y_simulaciones_Tecnicas_fundamentales_en_la_Toma_de_Decisiones_Financieras.
  13. Cárdenas, R., Pérez, M., Tejada, A. y Cevallos, L. (2019). Aplicación de un modelo híbrido de teoría de colas y algoritmo evolutivo para medir la optimización en el servicio de atención al cliente en un local de comida rápida. Ecuadorian Science Journal, 3(1). DOI: 10.46480/ejsri.3.1.23.
  14. Corredor Buitrago, P. (2018). Modelado de la distribución de minas antipersona en Antioquia. Universidad Nacional de Colombia. https://repositorio.unal.edu.co/handle/unal/68992.
  15. Dagnino S., J. (2014). La distribución normal. Revista Chilena de Anestesia, 43(2). https://doi.org/10.25237/revchilanestv43n02.08.
  16. Distribución Uniforme, (s.f.). DISTRIBUCIÓN UNIFORME (DE V. DISCRETA). https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/uniformedis.htm
  17. Equipo Editorial Etecé. (2023). Investigación documental. https://humanidades.com/investigacion-documental/.
  18. Gestiópolis. (2020, septiembre 8). Distribución normal: qué es, ejemplo y propiedades teóricas. https://www.gestiopolis.com/que-es-la-distribucion-normal/.
  19. Granda, J. I. (2003). Algunas reflexiones y consideraciones sobre el factor de impacto. Archivos de Bronconeumología, 39(9), 409-417. https://books.google.es/books?hl=es&lr=&id=eJ8vDwAAQBAJ&oi=fnd&pg=PR2&dq=info:d-H0bvjMbXUJ:scholar.google.com/&ots=oZAJQ6Q1qh&sig=qWLzw-btUn4I_SZ_O3FlR2xFCDc#v=onepage&q&f=false.
  20. Matemóvil. (2022). Distribución de Bernoulli. https://matemovil.com/distribucion-de-bernoulli/.
  21. Libretexts. (2022). 7.1: ¿Qué es una variable aleatoria continua? https://espanol.libretexts.org/Estadisticas/Estadisticas_Introductorias/Libro%3A_Estad%C3%ADstica_inferencial_y_probabilidad_-_Un_enfoque_hol%C3%ADstico_(Geraghty)/07%3A_Variables_aleatorias_continuas/7.01%3A_%C2%BFQu%C3%A9_es_una_Variable_Aleatoria_Continua%3F.
  22. López Briega, R. E. (2016). Distribuciones de probabilidad con Python. https://relopezbriega.github.io/blog/2016/06/29/distribuciones-de-probabilidad-con-python/.
  23. Llinas, H. & Rojas, C. (2006). Estadística descriptiva y distribuciones de probabilidad. Barranquilla: Universidad del Norte.
  24. Márquez, F. (2018). La distribución binomial. https://fisicaymates.com/distribucion_binomial/.
  25. Mun, (2015) Manual de Risk Simulator. (PDF) Risk Simulator User Manual.
  26. Orsi, G. (2011). Beneficios de la Modelización y Simulación de Procesos. Industria & Empresas. p.6.
  27. Riveros, A. (2020, agosto 26). En qué consiste el método de simulación de Montecarlo. https://www.ealde.es/metodo-simulacion-monte-carlo/.
  28. Rodríguez, C. R. (2016). El uso de la simulación para apoyar la toma de decisiones organizacionales. Ensayos: Revista de Estudiantes de Administración de Empresas, 9(1). https://revistas.unal.edu.co/index.php/ensayos/article/view/62075.
  29. Shannon, R. E. (1988). Simulación de sistemas: diseño, desarrollo e implementación. Trillas.
  30. Softwaredeingenieria. (2015). Simulación de Montecarlo. https://softwaredeingenieria.es/@risk/simulacion-de-montecarlo/.
  31. Statologos. (2021, mayo 20). Introducción a la distribución triangular. https://statologos.com/distribucion-triangular/.
  32. Velázquez, A. P. (2017). Estadística inferencial. Centro de Investigación en Geografía y Geomática "Ing. Jorge L. Tamayo", A.C https://centrogeo.repositorioinstitucional.mx/jspui/bitstream/1012/159/1/15-Estadistica%20Inferencial%20-%20%20Diplomado%20en%20An%C3%A1lisis%20de%20Informaci%C3%B3n%20Geoespacial.pdf
  33. Vahos-Zuela, F., Bedoya-Londoño, D. y Boada, A. (2021). Modelaje y simulación del riesgo operativo de las instituciones fiduciarias en Colombia. Revista RETOS de Ciencias de la Administración y Economía, 11(22), pp 217-233, ISSN: 1390-6291, e-ISSN: 1390-8618, Ecuador. DOI https://doi.org/10.17163/ret.n22.2021.02. https://retos.ups.edu.ec/index.php/retos/article/view/22.2021.02.
  34. Westreicher, G. (2022). Variable cuantitativa - Qué es, definición y concepto. 2022. Economipedia. https://economipedia.com/definiciones/variablecuantitativa.html
Sistema OJS 3.4.0.7 - Metabiblioteca |