You are on page 1of 49

UNIVERSIDAD NACIONAL DEL CENTRO

DEL PERU
ESCUELA DE POST GRADO

MAESTRA EN ADMINISTRACIN
MENCIN: MARKETING

MTODOS CUANTITATIVOS

Mg. CASIO A. TORRES LOPEZ

Marzo del 2007


I. INTRODUCCION
Mtodos Cuantitativos = Ciencias de la Administracin,
Investigacin de Operaciones y Ciencias de las decisiones

Todos tratan de procedimientos racionales para la toma


de decisiones con base en mtodos cientficos.

Desarrollo y uso de los mtodos cuantitativos :


- George Dantzig (1947) : mtodo simplex
- Churchman, Ackoff y Arnoff (1957): publicaron primer
libro de Investigacin de Operaciones
- Computadoras digitales
1.1 Solucin de Problemas y Toma de
decisiones
Proceso de identificar la diferencia entre
un estado de cosas real y el deseado, y
luego tomar acciones para resolver dicha
diferencia.

La toma de decisiones es el trmino


generalmente asociado con los cinco pasos del
proceso de solucin de problemas.

El proceso de resolucin de problemas


involucra siete pasos.
PASOS:
1. Identificar y definir el problema
2. Determinar el conjunto de soluciones
alternativas
3. Determinar el criterio(s) que se utilizarn
para evaluar dichas alternativas
4. Evaluar las alternativas
5. Elegir una alternativa
6. Implementar la alternativa seleccionada (la
decisin)
7. Evaluar los resultados
Fig. 1.1 Relacin entre resolucin de
problemas y toma de decisiones
Definir el
problema

Identificar
alternativas

Determinar Toma
los criterios de
decision
Resolucin Evaluar
alternativas es
de
problemas Escoger
una
alternativa
Implementa
r la Decisin
decisin
Evaluar los
resultados
1.2 Anlisis Cuantitativo y toma de
decisiones

Fig. 1.2 Una clasificacin alterna del proceso


de toma de
decisiones

Estructuracin del problema Anlisis del problema

Definir Identific Determi Evaluar Escoger


el ar nar los alternati una
proble alternati criterios vas alternativ
ma vas a
Fig. 1.3 El papel de los anlisis cualitativo y
cuantitativo

Anlisis del problema

Anlisis
cualitativo

Estructuracin del problema

Definir el Identificar Determinar Resumen Toma de


problema alternativas los criterios y decisin
evaluacin

Anlisis
cuantitativo
Formas bsicas en el anlisis del proceso de
toma de decisiones

Anlisis cualitativo Anlisis cuantitativo


Se basa principalmente en El analista se concentrar
el juicio y experiencia del en los hechos o datos
administrador cuantitativos asociados con
el problema y desarrollar
Incluye la sensacin
expresiones matemticas
intuitiva del
que describan los objetivos,
administrador en relacin
los lmites y otras
con el problema relaciones que existan
Es ms un arte que una dentro del problema
ciencia Las habilidades slo se
Aplica habilidades que se aprenden mediante el
incrementa con la estudio y uso de los
experiencia mtodos cuantitativos
Razones para utilizar un procedimiento
cuantitativo en el proceso de la toma de
decisiones:
1. El problema es complejo y no puede
desarrollarse sin el auxilio del anlisis
cuantitativo
2. El problema es muy importante, es
necesario un anlisis cualitativo y
cuantitativo completos antes de llegar a
una decisin
3. El problema es nuevo y no hay
experiencia previa
4. El problema es repetitivo, y para dar
recomendaciones de decisin de tipo
rutinario, se ahorra tiempo y esfuerzo
apoyndose en procedimientos
cuantitativos computarizados
1.3 Anlisis Cuantitativo
Desarrollo de modelos:
Modelo: Representacin de objetos o de
situaciones reales
Clases de modelos: Modelos
icnicos
Modelos analgicos
Modelos
matemticos
Fig. 1.4 Diagrama Entradas
de no controlables
flujo del proceso de
(factores de entorno)
transformacin de entradas del modelo en
resultados
Salida
Entradas Modelo (resultados
controlables matemtico proyectados)
(variables de
Preparacin de datos

Fig. 1.5 Diagrama de flujo para un modelo


de produccin
Entradas no controlables

Utilidad de 5 soles por unidad


Cuatro horas de trabajo por unidad
Capacidad de 60 horas de trabajo

Mximo 5(15)
Valor de la cantidad de Sujeto a Utilidad = 75
produccin (x = 15) 4(15) 60 Tiempo utilizado = 60
15 0

Entrada Modelo
Salida
controlable matemtico
Solucin del modelo
Identificar cules son los valores de las variables de
decisin que dan el mejor resultado
Solucin ptima para el modelo
Procedimiento de ensayo y error

Generacin de informes

1.4 Modelos de Costo, Ingresos y Utilidades


Modelos de Costos y volmenes
Modelos de ingresos y volmenes
Modelos de utilidad y volumen
Anlisis de punto de equilibrio
Fig. 1.6 Grfica del anlisis de punto de
equilibrio

$
Ingresos totales
R(x) = 5x

Utilidad

Costo fijo
Costo total
C(x) = 3000 + 2x
3000 Prdida Punto de equilibrio = mil
unidades

0 1000 x
Volumen
1.5 Mtodos Cuantitativos

Programacin lineal
Programacin lineal entera
Programacin de proyectos: PERT/CPM
Modelos de inventario
Modelos de lneas de espera (modelos de colas)
Simulacin por computadora
Anlisis de decisiones
Programacin de metas
Proceso de jerarquas analticas
Pronsticos
Modelos de procesos de Markov
II. PROBABILIDADES

2.1 INTRODUCCION
Las decisiones de los negocios a menudo se basan en un
anlisis de incertidumbre

* Cul es la posibilidad de que las ventas se


incrementan si disminuyen los precios?
* Qu tan probable es que el proyecto se termine a
tiempo?
* Cules son las posibilidades a favor de que una
nueva inversin sea redituable?
* Cul es la posibilidad de que una nueva tecnologa
incremente la productividad?

Probabilidad : es una medida numrica de la posibilidad


de que ocurra un evento
2.2 EXPERIMENTOS Y ESPACIO MUESTRAL

Experimento: cualquier proceso que genere resultados


bien definidos
Experimento aleatorio: es un experimento en el cual el
resultado no puede ser determinado por anticipado
Espacio muestral : es el conjunto de todos los resultados
posibles de un experimento aleatorio
Punto muestral : es el resultado individual de un
experimento aleatorio
Suceso o Evento : es cada resultado del experimento
aleatorio o una combinacin de resultados

No. Eventos = 2n n= nmero de elementos del


espacio muestral
Los eventos pueden ser:

Evento seguro : es el evento que de todas maneras debe ocurrir


Evento imposible : es el evento que no va a ocurrir
Evento complementario : el complemento del evento A, significa
que el evento A no ocurre
Eventos mtuamente excluyentes : dos o ms eventos son
mtuamente excluyentes, si la ocurrencia de uno de ellos, anula la
ocurrencia de los dems
Eventos independientes : dos eventos son independientes si ambos
no tienen ninguna relacin entre s, e. i., si la ocurrencia de uno de
ellos, no influye en la ocurrencia del otro
2.3 ASIGNACION DE PROBABILIDADES

En la asignacin de probabilidades deben satisfacerse dos


requisitos bsicos de probabilidades
i . Para cada resultado experimental Ei . 0 P(Ei) 1 , y
ii. P(E1) + P(E2) + + P(En) = 1

Mtodos para asignar valores probabilsticos

METODO CLASICO : Mtodo de asignar probabilidades


basado en la hiptesis de que los resultados
experimentales son igualmente posibles
- Probabilidad a priori o probabilidad objetiva o lgica
- No ser apropiada para tratar problemas econmicos o
administrativos
METODO DE FRECUENCIA RELATIVA: es un
mtodo de asignar probabilidades con base en la
experimentacin o en datos histricos

- Probabilidad experimental, emprica o a posteriori


- Dado A :
P(A) = No. de veces que ocurri A
No. total veces que se repiti experimento

METODO SUBJETIVO: mtodo de asignar las


probabilidades con base en el juicio
- Probabilidad asignada bajo un criterio personal,
basado en cualquier tipo de evidencia disponible
- Implica un grado de creencia personal
2.4 AXIOMAS DE PROBABILIDAD

i . P(A) 0
ii. P() = 1

Consecuencias
- 0 P(A) 1
- P() = 0
- P(AUA) = P(A) + P(A) = 1

2.5 PROBABILIDAD EN MULTIPLICIDAD DE EVENTOS


a. Regla de la suma de probabilidades
Si A y B son mtuamente excluyentes

P(AUB) = P(A) + P(B)

Si A y B no son mtuamente excluyentes

P(AUB) = P(A) + P(B) P(AB)

b. Probabilidad condicional

- La probabilidad condicionada de A, dado B, es

P(A/B) = P(AB) con P(B) 0


P(B)
P(B/A) = P(AB) con P(A) 0
P(A)
c. Regla de la multiplicacin de probabilidades
- Se utiliza para calcular la probabilidad de ocurrencia
simultnea de dos o ms eventos

Si los eventos A y B son dependientes, la


ocurrencia simultnea de los eventos es:

P(AB) = P(A) . P(B/A)

Si los eventos A y B son independientes, la


ocurrencia simultnea de los eventos es:

P(AB) = P(A). P(B)


Probabilidad conjunta: es la probabilidad de la
interseccin de dos eventos
Tabla de probabilidades conjuntas: tabla utilizada para
mostrar probabilidades conjuntas y marginales

Probabilidades marginales: son los valores en los


mrgenes de la tabla de probabilidades conjuntas, que
proporcionan la probabilidad de cada evento por
separado
Eventos dependientes: los eventos A y B son
dependientes si: P(A/B) P(A) o P(B/A) P(B)
Eventos independientes: los eventos A y B son
independientes si: P(A/B) = P(A) y P(B/A) = P(B)
Probabilidades previas: son las probabilidades iniciales
de eventos
Probabilidades posteriores: son las probabilidades de
eventos revisadas con base en informacin adicional
2.6 TEOREMA DE BAYES
- Mtodo utilizado para calcular probabilidades
posteriores
Revisin de probabilidades utilizando el teoerma de Bayes

Aplicacin Probabilida-
Probabilidades Informacin
del teorema des
a priori nueva
de Bayes posteriores
Particin de un espacio muestral

i . Si los eventos A1, A2, .., Ak son mutuamente excluyentes, e.i.


Ai Aj =

ii. Si lo eventos A1, A2, , Ak, son colectivamente


exaustivos, e.i., A1 U A2, ,U Ak = A , entonces A1, A2, ,
Ak se llama particin de A

Probabilidad total
Si A1, A2 es una particin de A, y B es un subconjunto de A,
entonces la probabilidad de B ser:

P(B) = P(A1B) + P(A2B)


Se sabe que:
P(A1B) = P(A1) . P(B/A1)
P(A2B) = P(A2) . P(B/A2)

Sustituyendo:

P(B) = P(A1) . P(B/A1) + P(A2) . P(B/A2)


A

A1 A2

B
Teorema de Bayes

Si A1 y A2 es una particin de un espacio muestral, donde


se conoce las probabilidades: P(A1), P(A2), P(B/A1),
P(B/A2), entonces:

P(A1/B) = P(B/A1) . P(A1)


P(A1B) + P(A2B)


A1 A2

B
Si la particin estuviera formada por los eventos A1, A2, , Ak,
entonces el teorema de Bayes es:

P(Ai/B) = P(B/Ai) . P(Ai) i = 1,2,k


P(AiB)
i=1
III.MODELOS DE DISTRIBUCIONES
DE PROBABILIDAD PARA LA
TOMA DE DECISIONES
3.1 VARIABLES ALEATORIAS
Una variable aleatoria es una funcin real valorada
definida en un espacio muestral
Una v.a. es la descripcin numrica del resultado
de un experimento

Una v.a. puede ser: discreta o contnua


v.a. discreta: slo puede tomar una secuencia de
valores finita o infinita (p.e.: 0,1,2,3,)
v.a contnua: puede tomar cualquier valor en un
intervalo o en una coleccin de intervalos (p.e:
peso, tiempo y temperatura)
3.2 FUNCIONES DE CUANTIA O PROBABILIDAD

Sea x el valor de una v.a. DISCRETA X


Una funcin real valorada f definida en el rango de X,
ser una funcin de cuanta, si:

i ) f(x) 0 V xDf = Rx Rx : rango de X


Df : dominio de X
ii) f(x) = 1
VxDf

Si x es el valor de una v.a. X,


f(x) es la probabilidad que la v.a. X tome el valor x

f(x) = P[ X = x ]
3.3 FUNCION DE DENSIDAD

Sea x el valor de una v.a. CONTINUA X


i Una
) f(x) 0 ; real
funcin V valorada
xDcR f definida en DcR, ser una
funcin
de densidad si:
ii) f(x) dx = 1
-
Si x es el valor de una v.a. contnua X
f(x) no representa la probabilidad de x; f(x)
representa la ordenada de f en X

Si A es un evento P(A) = A f(x) dx


b

Si A = a,b] P(A) = a f(x) dx


3.4 FUNCION DE DISTRIBUCION

Sea X una v.a. discreta o contnua


Una funcin real valorada F definida por:

F(t) = P[ X t ] = P( - < x t ) VtR

se denomina funcin de distribucin de la v.a. X


Si f es una FUNCION DE CUANTIA

F(t) = P( X t ) = f(x)
xt

Si f es una FUNCION DE DENSIDAD


t

F(t) = P(Xt) = -f(x) dx


3.5 ESPERANZA MATEMATICA

E(X) = x f(x) si X es una v.a. DISCRETA


VxDf

E(X) = - x f(x) dx si X es una v.a. CONTINUA

Propiedades:
i ) E(a) = a
ii ) E(aX) = a E(X)
iii) E(aX + bY) = a E(X) + b E(Y)

E(X) : media poblacional o terica de la v.a. X


3.6 VARIANZA

V(X) = E [ (X )2 ] = (X )2 f(x)
VxDf

si X es una v.a. DISCRETA; f es una funcin de cuanta


V(x) = E [(x-)2] = - (x-)2 f(x) dx

si X es una v.a CONTINUA; f es una funcin de


densidad

V(X) 2 : varianza poblacional o terica


= V(X) : desviacin estdar o desviacin tpica
Propiedades:

Si X es una v.a. con media :

i ) V(X) = 2 = E (x2) - [ E(x) ] 2 = E (x2) 2

ii ) V( aX + b) = a2 V(X)

Iii) Si a = 0; V(a) = 0
3.7 MODELOS DE DISTRIBUCION DE UNA
VARIABLE ALEATORIA DISCRETA

a. Distribucin de Bernoulli

Un ensayo de Bernoulli se caracteriza por:


i ) Ser un experimento aleatorio que consiste en
efectuar una sola prueba con dos posibles resultados,
mtuamente excluyentes, arbitrariamente llamados
xito(E) y fracaso(F)
ii) Ser un e.a. que consiste en seleccionar un solo
elemento de una poblacin finita o infinita dividida en
dos clases, arbitrariamente llamadas, la clase de los
xitos y la clase de los fracasos

Observaciones :
i ) La v.a. X toma nicamente dos valores x= 0,1
x = 1 (xito) x = 0 (fracaso)
ii ) La probabilidad de conseguir exactamente x xitos en un
ensayo de Bernoulli :

P(X=x) = f(x) = px(1-p)1-x x = 0,1

p = probabilidad de conseguir un xito


f : CUANTIA DE BERNOULLI con parmetro p
iii) La Funcin de Distribucin de Bernoulli :
0 ; x<0
F(X) = 1-p ;0x<1
1 ; x 1
iv ) Si X ~Bernoulli (x; p) Media : = E(x) = p
Varianza: 2 = V(x) = p(1-p)
b. Distribucin Binomial
Un experimento binmico se caracteriza por:
i ) Ser un experimento aleatorio que consiste en efectuar n
pruebas independientes y repetitivas de Bernoulli, la
probabilidad de xito p se mantiene constante a travs de las
n pruebas
ii) Ser un e.a. que consiste en seleccionar una muestra
aleatoria de tamao n, una a una, con reposicin,
de una poblacin finita o infinita particionada en dos
clases arbitrariamente llamadas la clase de los
xitos y la clase de los fracasos

Observaciones:
i ) La v.a. X toma valores como X = 0, 1, 2, , n
x : n elementos pertenecientes a la clase de los
xitos en la muestra
ii ) La probabilidad de conseguir exactamente x xitos
en un experimento binmico:
P[X=x] = f(x) = Cnx px (1-p)n-x ; x = 0, 1, 2, , n

p : probabilidad de xito
f : CUANTIA BINOMIAL con dos parmetros : n y p
iii ) Funcin de Distribucin :
0 ; x<0
f(0) ;0x<1
F(x) = f(0) + f(1) ;1x<2
f(0) + f(1) + f(2) ; 2 x < 3

1 ;xn

iv ) Si X ~ Binomial (x; n,p) Media : E(x) = np


Varianza : V(x) = np(1-p)
v ) USO DE TABLAS

x ~ Binomial (x; n,p) b(x; n,p)


x
F(X) = B(x; n,p) = b(t; n,p)
Teoremas: t=0

I ) b(x; n,p) = B(x; n,p) B(x-1; n,p) = F(x) F(x-1)


II) Si p>0.5 b(x; n,p) = b(n-x; n,1-p)
c. Distribucin de Poisson

Un experimento poissoniano se caracteriza por:


i ) Ser un fenmeno que se presenta aleatoria o
independientemente en el tiempo o espacio en el que solo
interesa la ocurrencia del fenmeno un nmero contable de
vecesii y) no interesa
Ser un tipo la no ocurrencia
especial del fenmeno
de un experimento binmico en el
que la probabilidad de xito es bastante pequea, en
tanto que el tamao de la muestra es grande

Observaciones:
i ) La v.a. X toma valores como x = 0, 1, 2, 3,
x : frecuencia con que se presenta el fenmeno
ii ) La probabilidad de conseguir exactamente x xitos,
cuando el fenmeno aleatorio es de Poisson:

P[ X = x ] = f(x) = e- x ; x = 0, 1, 2, 3,
x
: nmero esperado de xitos
x : nmero de xitos por unidad
f : CUANTIA DE POISSON con parmetro

iii) Funcin de Distribucin :


0 ; x<0
f(0) ; 0x<1
F(x) = f(0) + f(1) ; 1x<2

f(0) + + f(n) ; nx<n+1

iv ) Si X~Poisson (x; ) Media : E(x) =


Varianza : V(x) =
v ) USO DE TABLAS

x~Poisson (x; ) f(x; ) = e- x = f(x)


x

x
F(x; ) = f(t; ) ; t, x = 0, 1, 2,
t=0

vi ) RELACION:

f(x; ) = F(x; ) F(x-1; ) f(x) = F(x) F(x-1)


3.8 MODELOS DE DISTRIBUCION DE UNA
VARIABLE ALEATORIA CONTINUA

a. Distribucin Uniforme
Una v.a X tiene una distribucin Uniforme si su funcin
de densidad es:
1/ - ; x
f(x) = 0 ; en otro lugar
(si x < x > )
Sus parmetros: y
Funcin de Distribucin:
0 ; x<
F(x) = x- / - ; x <
1 ; x
Si X~Uniforme (x; , ) Media : E(x) = + / 2
Varianza : V(x) = (-)2 / 12

b. Distribucin Exponencial
Una v.a. X tiene una distribucin exponencial si su
funcin de densidad est dado por:

f(x) = e-x ; x0
0 ; en otros casos (x < 0)
Parmetro: es una constante positiva
Funcin de Distribucin:

F(x) = 1 e-x ; x0
0 ; en otro lugar (x < 0)
Si X~Exponencial (x; ) Media : E(x) = 1 /
Varianza : V(x) = 1 / 2

c. Distribucin Normal
Una v.a. continua X tiene distribucin normal con media
E(x) = donde - < < y varianza V(x) = 2 si su
funcin de densidad es:

f(x) = 1 / 2 . e-1/2 (x-)2 / 2 ; - < x <

Parmetros: y 2
Caractersticas:
i ) La curva tiene un mximo absoluto en x =
ii ) Los puntos de inflexin estn en : x = +; x = -
iii) El grafo de f (Curva de Gauss) tiene forma
acampanada, asinttica al eje X, simtrica con respecto a
la centroide vertical y continua en toda R

iv ) P[ X ] = ; P[ X ] =
v ) Si X~Normal (x; ,2) Media : E(x) =
Varianza : V(x) = 2
vi ) Funcin de Distribucin:

F(x) = P[ Xx ] = - 1 / 2 . e -1/2 (r-u)2/2 . dr


d. Distribucin Normal Estndar
Si X~N(x; , 2), entonces mediante la transformacin Z =
X / se obtiene la normal estndar cuya densidad es:

f(z) = 1/2 . e-z2/2 ; - < z <

Caractersticas:
i ) Z~N(z; 0, 1) E(z) = 0 y V(z) = 1
ii ) Los puntos de inflexin estn en 1
iii) La forma es acampanada, simtrica con respecto al
eje Y, asinttica al eje Z y contnua en toda R
iv) La media, moda y mediana coinciden y son iguales a
cero
v ) P(Z 0) = P(Z 0) = 0.5
vi) Funcin de Distribucin Normal Estndar
z

F(Z) = (z) = P[Zz) = - 1/2 . e-t2/2 . dt


vii) USO DE TABLAS
Si X~n(x; , 2) debe aplicarse las propiedades:

i ) P[ X < k ] = P[ X-/ < k-/ ] = P[ Z < k-/ ]


ii ) P[ X > k ] = 1 - P[ X k ]
iii) P[ k1 X k2 ] = P[ k1-/ X-/ k2-/ ]
= P[ k1-/ z k2-/ ]
iv) P[ X < -k ] = P[ X > k ]
v ) P[ IXI k ] = P[ -k X k ]
vi) P[ IXI > k ] = 1 - P[ IXI k ]
Problemas :
I . Dados los valores de z, encontrar el rea
comprendida (probabilidad)
II. Dada la probabilidad (rea), encontrar z