Métodos Cuantitativos II

ACREDITADA POR LA ASSOCIATION OF COLLEGIATE BUSINESS SCHOOLS AND PROGRAMS (ACBSP)
Y EUROPEAN COUNCIL FOR BUSINESS EDUCATION (ECBE)

ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS
MANUAL:
MTODOS CUANTITATIVOS II
GANANCIAS FINANCIERAS VIA METODOS CUANTITATIVOS
CICLO IV
SEMESTRE ACADMICO 2010 I II
Material didctico para uso exclusivo de clase.
LIMA - PER
1
UNIVERSIDAD DE SAN MARTIN DE PORRES
Rector
ng. Ral E Bao Garca
FACULTAD DE CIENCIAS CONTABLES, ECONMICAS
Y FINANCIERAS
Decano
Dr. Juan Amadeo Alva Gmez
Director de la Escuela Profesional de Contabilidad y Finanzas
Dr. Sabino Talla Ramos
Director del Departamento Acadmico de Contabilidad y Finanzas
Dr. Enrique Loo Ayne
Secretario de Facultad
Dr. Luis A. Cueva Zambrano
Director de la Seccin Postgrado
Dra. Augusto H. Blanco Falcn
Director del nstituto de nvestigacin
Dr. Domingo F. Senz Yaya
Director de la Oficina de Grados y Ttulos
Mg. Oswaldo Coz Lpez
Jefa de la Oficina de Registros Acadmicos
Sra. Belinda Quicao Macedo
Jefa de la Oficina de Bienestar Universitario
Lic. Mara Pizarro Dioses
Jefe de la Oficina de Administracin
Dr. Luis Flores Barros
2
DERECHOS RESERVADOS

El texto de este trabajo o parte del mismo, no puede ser reproducido o transmitido
por mtodos o forma alguna, sean estos electrnicos o mecnicos, incluyendo
copias fotostticas, cintas magnetofnicas, acumulacin en un sistema de
informacin con memoria, Internet u otra forma, sin autorizacin escrita de la
Escuela Profesional de Contabilidad y Finanzas FCCEF !"#P

"i desea un ejemplar, gestinelo en la Facultad de Ciencias Contables,
Econmicas y Financieras de la !ni$ersidad de "an #art%n de Porres
3
INTRODUCCIN
El presente manual contiene el desarrollo terico-prctico del slabo de la
asignatura de Mtodos Cuantitativos del V Ciclo de la Facultad de Ciencias
Contables, Econmicas y Financieras, ESCUELA PROFESIONAL DE
CONTABILIDAD Y FINANZAS de la USMP y tiene como fin principal, facilitar a los
estudiantes el manejo de los instrumentos de optimizacin del funcionamiento de
la empresa, en un entorno competitivo y globalizado, mediante el aprendizaje de
los temas listados en la sumilla de la asignatura en sus formas analtica, prctica y
operacional por computadora, fundamentales en el ejercicio profesional del
Contador Pblico, as como en la prctica de reas conexas, como son La
Administracin, La Economa y La ngeniera aplicadas a las ciencias de la
empresa.
Al facilitar a los estudiantes dicho aprendizaje, buscamos el logro de los
objetivos generales y especficos de la asignatura de Mtodos Cuantitativos ,
camino hacia la Calidad total y bsqueda de la Excelencia en el Ejercicio
Profesional del Contador Pblico, tan importantes en la dinamizacin de la
economa del pas en un entorno competitivo y globalizado, as como en la
ampliacin del mercado ocupacional del Contador Pblico hacia la alta direccin
empresarial.
En esta tarea, presentamos el desarrollo terico-prctico de cuatro
unidades de aprendizaje, as como los programas computacionales
correspondientes a ejecutarse en las computadoras de los estudiantes, en la
modalidad de trabajo de grupo y previa instalacin de los software necesarios, o
en forma alternativa en el laboratorio de computacin de la Universidad o en las
aulas de la Facultad implementadas con computadoras y multimedia.
4
UTILIZACIN DE LA COMPUTADORA EN MTODOS CUANTITATIVOS
Con la introduccin de las computadoras, el trabajo de clculos asociado
con un gran nmero de datos, ha sido relegado a las computadoras,
concentrndose el estudiante o profesional, en la alimentacin de los datos y en el
anlisis de los resultados proporcionados por la computadora.
Hay muchos programas computacionales en el mercado que permiten a los
estudiantes y futuros especialistas realizar los clculos tediosos sin dificultad.
Algunos de los programas son MNTAB, SPSS, SAS, BMDP, SYSTAT y LNDO,
todos permiten al usuario comunicarse con el sistema de la computadora mediante
comandos sencillos.
Si usamos el MNTAB, una vez cargado en la computadora es muy fcil de
usar; la aparicin del smbolo MTB> en la pantalla del monitor le informa al usuario
que el sistema est listo para aceptar una orden de un dispositivo de entrada,
despus que los datos se han introducido en el programa, el usuario da la orden
con comandos de salida y el sistema proporciona inmediatamente los resultados.
Por ejemplo, la siguiente pantalla muestra las rdenes de MNTAB y las
correspondientes respuestas usadas para determinar la media de los nmeros: 34,
68, 39, 21 y 42.
O sea: El smbolo MTB >, nos indica que hemos entrado al Minitab
El usuario escribe SET C1 y presiona la tecla de entrada.
(Esta accin ordena a MNTAB crear la columna C1, en la memoria
que contendr los datos).
El sistema responder con DATA >
El usuario escribe 34 68 39 21 42 y presiona la tecla de entrada.
La computadora responde con DATA >
El usuario, como no habr ms informacin, escribe END para entrar
en el sistema.
El sistema responde con MTB > para informar que espera orden del
El usuario escribe la orden MEAN C1 y presiona la tecla de entrada.
La computadora responde con MEAN = 40.80, que es la media y otro
5
MTB > SET C1
DATA > 34 68 39 21 42
DATA > END
MTB > MEAN C1
MEAN = 40.80
MTB >
smbolo MTB > para continuar con otra orden.
Ta!"#$ %&$ e' M"$"(a!: Luego de ingresar los datos en la hoja de clculo, desde
el MENU principal se selecciona la secuencia:
"Stat Basic Statistics Display Descriptive Statistics",
como
resultado se obtiene los estadgrafos: media, mediana, cuartiles etc.
SPSS Luego de definir las variables e ingreso de datos en la hoja de trabajo,
desde el MENU PRNCPAL seleccionar la secuencia:
" ", Analyse Descriptive Statistics Descriptive
como resultado
se obtiene los estadgrafos descriptivos.
)NDICE DE CONTENIDO
UNIDAD I: AN*LISIS DE VARIANZA Y REGRESIN SIMPLE
TEMA N 1: ANLSS DE VARANZA
1. Anova de un factor
2. Anova de dos factores
ACTVDADES APLCATVAS
AUTOEVALUACN
REFERENCAS DOCUMENTALES
TEMA N 2: REGRESN Y CORRELACN LNEAL SMPLE
1. Regresin lineal simple
2. Correlacin lineal simple
ACTVDADES APLCATVAS
AUTOEVALUACN
UNIDAD II: REGRESIN Y CORRELACIN LINEAL M+LTIPLE Y SERIES DE
TIEMPO
TEMA N 3: REGRESN Y CORRELACN LNEAL MLTPLE
1. Regresin lineal mltiple
2. Correlacin lineal mltiple
ACTVDADES APLCATVAS
AUTOEVALUACN
TEMA N 4: SERES DE TEMPO
1. Serie temporal
2. Descomposicin de una serie temporal
ACTVDADES APLCATVAS
AUTOEVALUACN
6
UNIDAD III: N+MEROS )NDICE Y TEOR)A DE DECISIONES
TEMA N 5: NMEROS NDCE
1. ndices simples e ndices agregados
2. ndices en eslabn, ndices en cadena. Cambio de base.
3. Fusin de series de ndices. ndice de precios al consumidor PC
4. Soles constantes. Poder de compra. Deflacin
ACTVDADES APLCATVAS
AUTOEVALUACN
TEMA N 6: TEORA DE DECSONES
1. Toma de decisiones solo con probabilidades
2. Toma de decisiones solo con consecuencias econmicas
3. Toma de decisiones por el criterio Bayesiano
ACTVDADES APLCATVAS
AUTOEVALUACN
UNIDAD IV: MTODO SIMPLE, Y AN*LISIS DE SENSIBILIDAD
TEMA N 7: MTODO SMPLEX
1. Problema de programacin lineal
2. Maximizacin
3. Dualidad
4. Minimizacin
ACTVDADES APLCATVAS
AUTOEVALUACN
TEMA N 8: ANLSS DE SENSBLDAD
1. Cambios en los coeficientes de la funcin objetivo
2. Cambios en los segundos miembros de las restricciones
ACTVDADES APLCATVAS
AUTOEVALUACN
FUENTES DE NFORMACN.
7
OB-ETIVOS
OB-ETIVOS GENERALES:
El objetivo principal de la asignatura es optimizar el funcionamiento de la empresa en un
entorno competitivo y globalizado.
Facilitar a los estudiantes el manejo de los mtodos estadsticos descriptivos e
inferenciales y los mtodos de optimizacin en sus formas analticas y por computadora,
necesarios como instrumentos en el logro del objetivo anterior para liderar en la gerencia
empresarial
OB-ETIVOS ESPEC)FICOS
Los objetivos especficos los planteamos por cada unidad de aprendizaje listados
en la sumilla respectivamente. Al finalizar el estudio de la asignatura, los
estudiantes sern capaces de:
1. Aplicar el Anlisis de Varianza para probar las relaciones entre medias
aritmticas de subpoblaciones, con fines de control de calidad en la empresa y
toma de decisiones para cambios en la empresa. Y aplicar la regresin lineal
simple y correlacin en las actividades empresariales a la determinacin de
modelos matemticos de dos variables con fines de prediccin, produccin,
comercializacin e investigacin empresariales.
2. Aplicar la regresin lineal mltiple y correlacin en las actividades
empresariales a la determinacin de modelos matemticos de n variables
independientes y 1 variable dependiente, con fines de prediccin, produccin,
comercializacin e investigacin empresariales. Y estudiar las series de tiempo
presentes en la empresa con fines de pronstico y de planificacin de un
funcionamiento ptimo de la empresa.
3. Calcular e interpretar los nmeros ndice e ndice de precios al consumidor
(PC), el poder de compra y la deflacin del dinero, con fines comparativos de
situaciones en el tiempo, de actualizacin de valores, de aplicaciones al
peritaje, de planificacin e investigacin. Y estudiar los mtodos tcnicos de la
teora de decisiones empresariales, determinantes en el xito empresarial.
4. Aplicar el Mtodo Simplex en la optimizacin de la "Funcin Objetivo en los
procesos productivos y administrativos con fines de optimizar el funcionamiento
de la empresa. Y aplicar el anlisis de sensibilidad a los cambios en la
empresa segn los cambios externos y la globalizacin empresariales.
.
8
PAUTAS PARA EL ESTUDIO Y LOS
TRABA-OS DE APLICACIN
. Lo ms importante para el logro de los objetivos de la asignatura es la
asistencia y puntualidad a las clases tericas, prcticas y de laboratorio. Pero, la
asistencia no solamente fsica, sino, y esto es lo ms importante, la asistencia
intelectual, es decir la asistencia lcida y concentrada a lo ms valioso de la
actividad acadmica que son las clases, lo que redundar que el estudiante
cambie positivamente. Por otro lado, es oportuna la siguiente reflexin: El
aprendizaje es un resultado estrictamente personal y algunas veces no seda
totalmente en la clase y es necesario que el educando revise la clase recibida slo
despus de la clase, m recomendacin es que despus de cada clase el
estudiante revise la clase recibida como una garanta que as de todas maneras se
dar el fenmeno del aprendizaje.
. Este manual ser utilizado como apoyo, importante en el desarrollo de la
asignatura, recomendndose su lectura previa antes de la clase, lo que redundar
en facilitar comprensin de los temas y la apropiacin de los conocimientos.
. Despus de la lectura concentrada, como acciones pro sedimntales debern
ejecutarse las actividades de aplicacin propuestas, as como resolver las guas
de prcticas dirigidas y ejecutarse las prcticas de laboratorio con los programas
propuestos, solamente as se darn como resultados la parte actitudinal en los
futuros profesionales.
9
DIAGRAMA DE CONTENIDOS
MTODOS CUANTITATIVOS II
ANLSS DE VARANZA
Y
REGRESN LNEAL SMPLE
REGRES LNEAL MLTPLE

Y
SERES DE TEMPO
NMEROS NDCE
Y
TEORA DE DECSONES
MTODO SMPLEX
Y
ANLSS DE SENSBLDAD
10
UNIDAD I
AN*LISIS DE VARIANZA Y REGRESIN Y CORRELACIN LINEAL SIMPLE
Buscar el funcionamiento ptimo de la empresa en un entorno competitivo y
globalizado implica hacer investigacin en la actual empresa, para determinar los
cambios necesarios. Los temas de esta unidad, precisamente son instrumentos
para esta investigacin.
CONTENIDOS PROCEDIMENTALES
1. Comprende el conocimiento del Anlisis de Varianza, aplicndolo a la
investigacin del funcionamiento de la Empresa y a la toma de decisiones para
optimizar sus resultados.
2. Se reconocen y resuelven ejemplos prcticos del caso 1. Por razonamiento
conceptual, por tabla de anova y por PC.
3. Se reconocen y resuelven ejemplos prcticos de los casos 2 y 3. Por tabla de
anova y por PC.
4. Comprende el conocimiento de la Regresin Lineal Simple, aplicndola a la
investigacin de la realidad empresarial y a la proyeccin o planificacin futuras.
5. Se reconoce las variables dependiente e independiente y resuelven ejemplos
prcticos de regresin para la investigacin y prediccin en la empresa,
manualmente y por PC.
6. Se prueba la validez del modelo e interpretan los intervalos de confianza y de
prediccin.
7. Al trabajar con la correlacin, se prueba la significancia de la correlacin.
CONTENIDOS ACTITUDINALES
Se buscar su logro, de manera transversal, en todas las unidades de
aprendizaje.
1. Desarrollar en los estudiantes una actitud cuestionadora de la realidad
empresarial y de aplicacin de soluciones tcnicas determinadas con los
instrumentos que son los mtodos cuantitativos.
2. Desarrollar en los estudiantes una actitud creadora y favorable a los Cambios
Significativos, mediante soluciones tcnicas.

11
3. Desarrollar en los estudiantes una actitud responsable en la asistencia y
puntualidad a clases, as como en la elaboracin de tareas.
4. Desarrollar en los estudiantes una conducta tica y de prctica de valores
como estudiantes y futuros profesionales.
5. Desarrollar en los estudiantes la vocacin por el trabajo en equipo y la
coparticipacin multiprofesional.
CONTENIDOS CONCEPTUALES
TEMA N 1: ANLSS DE VARANZA
TEMA N 2: REGRESN SMPLE
TEMA N/ 01
AN*LISIS DE VARIANZA
1. INTRODUCCION2
El ANOVA se utiliza para probar las diferencias entre medias aritmticas de
subpoblaciones, con fines de control de calidad y toma de decisiones en la
empresa.
SUPOSICIONES: El ANOVA supone que las diversas medias muestrales se
obtienen de subpoblaciones con distribucin normal y con la misma varianza
2
.
32 DISTRIBUCIN F: El nombre se debe al estadstico britnico Fisher.
MTODOS DE C*LCULO2
A) RAZONAMIENTO CONCEPTUAL: Son tres pasos:
1) Estimacin de la Va4"a$5a 6&!'a%"&$a' basndose en la 7a4"a%"8$ e$(4e
94:6&s:

1 X ,
2 X , ., k X
x
=
1
1
k
k
i
X
k
=
, as
X
S
=
( )
2
1
k
x
X
k

k = nmero de muestras. Luego se reemplaza en:

2 2
x
S nS = = CUADRADO MEDO ENTRE TRATAMENTOS = CMET.

n
= nmero de datos por muestra
12
2) Estimacin de la Va4"a$5a 6&!'a%"&$a' basndose en la 7a4"a%"8$ ;e$(4& ;e
'&s 94:6&s:
Calculamos las varianzas con la frmula
( )
2
2
1
X X
S
n

=
:

( )
2
2 2 2 2
1 2
1
, ,...,
i i
k
n S
S S S
N K
= CUADRADO MEDO DEL ERROR = CME

N = nmero total de datos del muestreo.
3) Si la hiptesis nula 2 1 !
... " # = =
es cierta cada CM es un estimador
de la misma varianza poblacional
2
y CMET = CME; en cambio si la
hiptesis nula es falsa CMET > CME. Las diferencias entre las medias
incrementan el CMET, pero no tienen ningn efecto sobre el CME, que se
basa slo en las diferencias internas grupales.
Luego F calculada es:
cal
CMET
F
CME
=
Si F calculada se encuentra en la regin de rechazo de la !
#
, para el nivel de
significancia dado, n-1 Grado de libertad del numerador y N-K Grado de libertad
del denominador, segn la tabla de F F crtica; entonces se habilita la hiptesis
alternativa:
1
H
: no todas las medias subpoblacionales son iguales o las medias
subpoblacionales son diferentes
B) TABLA DE ANOVA DE UN FACTOR: Basado en frmulas abreviadas:
FUENTE DE
VARIACION
GRADOS
DE
LIBERTA
D ( ) $l
SUMA DE
CUADRADOS ( ) S%
CUADRADO
MEDIO( ) %&
COCIENTE F
(Esta'stic! 'e
pr(e)a*
ENTRE GRUPOS
DE
TRATAMIENTO
(A)
+ 1
2
1
2 K
i
i
i
T T
SCA
n N
=
=
1 ,
S%-
%&-
=
cal
CMA
F
CME
=
ERROR DE
MUESTREO (E) . + ,
S%/ = S%0 + S%-
, .
S%/
%&/
=
T O T A L (T) . + 1
2
2
1 1
n K
ij
j i
T
SCT X
N
= =
=
C) POR COMPUTADORA2
13
Existen programas de computacin para todos los casos de ANOVA. Nosotros
usaremos el programa MNTAB. Ve4 e' Ma$:a' ;e' M"$"(a! a;<:$(&.
=2 ANOVA DE DOS FACTORES2
1
/
2 Analizar el aprovechamiento de un programa de capacitacin, donde se
consideran el efecto de mtodos de instruccin y el efecto de la escolaridad
previa.
2
/
2 El rendimiento de la gasolina de acuerdo con la marca del automvil y el
octanaje de la misma.
En un problema de dos factores, la interaccin, significa que los dos factores
no son independientes. Para probar la interaccin, en cada una de las celdas de
una tabla de datos de dos factores, deben incluirse ms de una observacin por
celda, caso contrario, no es posible evaluar la interaccin entre los factores.
TABLA DE ANOVA DE DOS FACTORES Y UNA SOLA OBS2 POR CELDA O
DISE>O ALEATORIO EN BLO?UE2
FUENTE DE
VARIACIN
GRADOS DE
LIBERTAD (9')
SUMA DE
CUADRADOS (SC)
CUADRADO
MEDIO (CM) COCIENTE (F)
ENTRE
GRUPOS DE
TRATAMENTO
(A)
K - 1
2 2
1
K
i
i
i
T T
SCA
n N
=
=
1 ,
S%-
%&-
=
cal
CMA
F
CME
=
ENTRE
GRUPOS DE
TRAT. O
BLOQUES (B)
J - 1
2
2
1
1
k
i
i
T
SCB T
k N
=
=
1 1
S%B
%&B
=
cal
CMB
F
CME
=
ERROR DE
MUESTREO (E) (J - 1) (K - 1)
SCE = SCT - SCA
- SCB ( )( ) 1 , 1 1
S%/
%&/

=
T O T A L (T) N - 1
2
2
1 1
n K
ij
j i
T
SCT X
N
= =
=

14
TABLA DE ANOVA DE DOS FACTORES Y M*S DE UNA OBS2 POR CELDA2
INTERACCIN2
FUENTE DE
VARIACION
GRADOS
DE
LIBERTAD
(9')
SUMA DE
CUADRADOS (SC)
CUADRADO
MEDIO (CM)
COCIENTE
F
ENTRE
GRUPOS DE
TRATAMIENT
O (A)
K - 1
2 2
1
K
i
i
T T
SCA
nJ N
=
=
1 ,
S%-
%&-
=
cal
CMA
F
CME
=
ENTRE
GRUPOS DE
TRAT2 O
BLO?UES (B)
J - 1
2 2
1
J
j
Tj T
SCB
nK N
=
=
1 1
S%B
%&B
=
cal
CMB
F
CME
=
INTERACCIN
ENTRE
FACTORES A
@ B (I)
(J - 1) (K - 1)
2
1 1 1
2
1
J K n
j k i
SCI x
n
T
SCA SCB
N
= = =

=

( )( ) 1 , 1 1
S%2
%&2

=
cal
CMI
F
SME
=
ERROR DE
MUESTREO
(E)
JK (n - 1)
SCE = SCT - SCA
- SCB - SC
( ) 1 3 1,
S%/
%&/
=
T O T A L (T)
N - 1
2
2
1 1 1
n J K
i j k
T
SCT X
N
= = =
=

TALLER 1
ACTIVIDADES APLICATIVAS
15
AN*LISIS DE VARIANZA
O!<e("7&
nvestigar las situaciones de la empresa que tienen que compararse mediante el
Anova, para segn los resultados plantear o no cambios en la empresa.
O4"e$(a%"&$es
En forma individual o si lo prefiere en trabajo de grupo, resolver los siguientes
casos que son problemas de la empresa.
E1. Se asignan, en forma aleatoria, 15 participantes a 3 tipos distintos de mtodos
de instruccin. En la tabla se presentan las calificaciones obtenidas. Utilice el
ANOVA para probar
!
#

1
H
, con un nivel de significancia del 5%.
A) Por razonamiento conceptual.
B) Por tabla de ANOVA de un factor.
C) Por computadora, mediante MNTAB.
METODOS DE
INSTRUCCION
CALIFICACIONES
TOTALES ( )
0
PROMEDIOS
1
-
2
-
3
-
AB CD A1 C0 AE
D0 CB AA A3 AD
A3 BA C= C1 A1
E00
E3F
=CF
A0
AF
CF
T G 1300
SOLUCION
A) POR RAZONAMIENTO CONCEPTUAL
1) ESTIMACIN DE LA VARIANZA POBLACIONAL BAS*NDOSE EN LA
VARIACIN ENTRE GRUPOS2
Recordemos la formula,

1 X ,
2 X , ., k X
x
=
1
1
k
k
i
X
k
=
, as
X
S
=
( )
2
1
k
x
X
k

88, 85, 75,
=
80485475
80
3
=
( ) ( ) ( )
5
1 3
80 75 80 85 80 80
S
2 2 2
x
=
+ +
=
16
( )
2
2 2
5 5 125
x
S nS CMET = = = =
3) ESTIMACIN DE LA VARIANZA POBLACIONAL BAS*NDOSE EN LA
VARIACIN DENTRO DE LOS GRUPOS2
Varianza para cada muestra respecto a su media y combinacin ponderada:
( ) ( ) ( ) ( ) ( ) ( )
5 . 38
1 5
80 84 80 70 80 81 80 79 80 86
S :
1 n
x x
S
2 2 2 2 2
1
2
2
2
=
+ + + +
=

=

( ) ( ) ( ) ( ) ( )
0 . 35
1 5
85 89 85 82 85 88 85 76 85 90
S
2 2 2 2 2
2
2
=
+ + + +
=

( ) ( ) ( ) ( ) ( )
5 . 38
1 5
75 81 75 71 75 73 75 68 75 82
S
2 2 2 2 2
3
2
=
+ + + +
=
( ) ( ) ( ) ( ) ( ) ( ) ( )
%&/ 3 . 37
12
5 . 38 4 35 4 5 . 38 4
3 3 3
S 1 3 S 1 3 S 1 3
, .
S 1 3
5
3 2 1
3
2
3
2
2
2
1
2
1
2
i i 2
= =
+ +
=
+ +
+ +
=

=
3) 3.35
37.3
125
%&/
%&/0
6 = = = ; Segn la tabla F crtica (2,12,
= 0.05) = 3.89
Como 3.35 < 3.89:
!
#
:
3 2 1
( ( ( = =
Los 3 mtodos de instruccin, en promedio, dan resultados iguales.
B) POR TABLA DE ANOVA DE UN FACTOR
Se pueden aplicar las frmulas fuera de la tabla o dentro de la tabla.
= + + = =
,
1
2
2
250
15
000 , 440 7 1
5
140625
5
180625
5
160000
.
0
3
0
S%-
2
2 2 2 2
1 1
17 440, 000
86 79 ... 81 698
15
n K
i k
T
SCT X
N
= =
= = + + + =
448 250 698 S%- S%0 S%/ = = = .

Reemplazando en la tabla:
FUENTE DE
VARIACION
GRADOS DE
LIBERTAD (9')
SUMA DE
CUADRADOS
(SC)
CUADRADO MEDIO
(CM)
COCIENTE
F
17
ENTRE GRUPOS DE
TRATAMIENTO (A)
3 - 1 = 2
250
125
2
250
%&- = = 35 . 3
33 . 37
125
6 = =
ERROR DE
MUESTREO (E)
15 - 3 = 12
448

33 . 37
12
448
%&/ = =

T&(a'
15 - 1 = 14

698
C) POR COMPUTADORA, MEDIANTE MINITAB
MTB > READ TEST SCORES BY METHOD NTO C1 - C3
DATA > 86 90 82
DATA > 79 76 68
DATA > 81 88 73
DATA > 70 82 71
DATA > 84 89 81
DATA > END
MTB > NAME C1 = 'A - 1', C2 = 'A - 2', C3 = 'A - 3'
MTB > AOVONEWAY FOR DATA N C1 - C3
E2. La siguiente tabla corresponde a calificaciones de 15 personas en
capacitacin por tres mtodos de instruccin y de acuerdo con su nivel de
habilidad previa.
Nivel de habilidad
(BLOQUES)
Mtodos de instruccin
Total
( )
8
0

1
-
2
- 3
-
18

1
B

2
B
3
B

4
B
5
B
86
84
81
79
70
90
89
88
76
82
82
81
73
68
71
258
254
242
223
223
Total
( )
0 400 425 375 Gran Total

T =1200
Determine los valores de F para los dos factores, e interprete los resultados, con
una significancia del 5%.
a) Por tabla de ANOVA. b) Por MNTAB, as:
MTB > READ METHOD N C1, BLOCK N C2, SCORE N C3
DATA > 1 1 86
1 2 84
1 3 81
1 4 79
1 5 70
2 1 90
2 2 89
. . .
. . .
DATA > END
MTB > NAME C1 = 'METHOD', C2 = 'BLOCK', C3 = 'SCORE'
MTB > TWOWAY AOV FOR 'SCORE', DMENSONS 'METHOD', 'BLOCK'
R: F = 12.4 y F = 9.1 respectivamente. Ambos casos rechazan
!
#
.
E3. Se tienen los siguientes datos de ventas semanales en millones de nuevos
soles, en ocho regiones asignadas al azar. Pruebe el efecto de los dos factores
y la interaccin entre ellos, para los niveles de ventas, con significancia del 1%.
19
Descuento en el
precio
Con publicidad Sin publicidad
Total
( )
8
0
Con descuento 9.8
10.6
6.0
5.3
31.7
Sin descuento 6.2
7.1
4.3
3.9
21.5
Total
( )
0 33.7 19.5 Gran Total

T = 53.2
a) Por tabla de ANOVA. b) Por MNTAB, as:
MTB > READ METHOD N C1, SUBJECT N C2, SCORE N C3
DATA > 1 1 9.8
DATA > 1 1 10.6
DATA > 1 2 6.2
DATA > 1 2 7.1
DATA > 2 1 6.0
DATA > 2 1 5.3
DATA > 2 2 4.3
DATA > 2 2 3.9
DATA > END
MTB > NAME C1 = 'METHOD', C2 = 'SUBJECT', C3 = 'SCORE'
MTB > TWOWAY AOV FOR 'SCORE', DMENSONS 'METHOD', 'SUBJECT'
R: F = 95.84, F = 49.45 Y F = 7.60 respectivamente, comparando con los
correspondientes F crticos, existen diferencias significativas en los dos factores,
no as en la interaccin.
CASOS PROPUESTOS2
20
1. Manuel, un analista de la cadena de supermercados Wong, quiere saber si
las cinco tiendas tienen el mismo promedio en dlares por compra. Se elige
una muestra aleatoria de cuatro compras en cada tienda:
Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
23.94 18.52 6.92 20.15 17.48
14.63 19.57 10.47 17.14 9.02
25 78 21.40 7.63 18.25 25.50
17.52 13.59 11.90 15.20 15.50
Determine la respuesta, con 99% de confianza, por razonamiento conceptual y
por Minitab.
2. En doce tiendas se colocaron cuatro tipos de publicidad, y se asignaron tres de
esas tiendas al azar a cada uno de los distintos tipos de publicidad, con el
propsito de estudiar el impacto segn el cartel publicitario, obtenindose las
siguientes ventas para el mismo perodo:
Tipo de cartel Ventas Ventas Ventas
Totales Promedio

1
- 40 44 43 127 42.3

2
-
53 54 59 166 55.3
3
-
48 38 46 132 44.0

4
-
48 61 47 156 52.0
Resuelva, con una significancia del 5 %:
a) Por tabla de ANOVA de un factor.
b) Por computadora, aplicando MNTAB.
R: * 8 , 3 , 05 . 0 9
6
= 4.07 < * 8 , 3 9
6
= 4.53, lo cual rechaza la
!
#
.
3. En la tabla se reportan las palabras por minuto que se mecanografiaron en
diferentes marcas de mquinas de escribir. Las palabras por minuto
corresponden a personas asignadas en forma aleatoria, y sin experiencia
previa en estos equipos, despus de haberles dado cierta capacitacin. Pruebe
si existen o no diferencias entre las tres marcas de mquinas, en trminos de
su velocidad de escritura, por tabla de ANOVA de un factor, con una
significancia del 5%.
Marca de mquina Nmero de palabras Total Promedio
21
De escribir por minuto PPM PPM

1
- 79 83 62 51 77 352 70.4

2
-
74 85 72 - - 231 77.0
3
-
81 65 79 55 - 280 70.0
R: (0.05,2,9)
F 0.37 F < =
= 4.26, o sea no existe diferencias entre las tres marcas
4. Tres gerentes de produccin evaluaron los diseos elaborados por cuatro
diseadores de automviles, segn el siguiente reporte.
EVALUADOR
DSEADOR
Total
( )
8
0
1 2 3 4
A
B
C
87
83
91
79
73
85
83
85
90
92
89
92
341
330
358
Total
( )
0 261 237 258 273

GRAN TOTAL
T = 1029
Determine los valores de F e interprete los resultados con una significancia del
1%.
a) Con tabla de ANOVA
b) Por MNTAB
R: 'ise:a'!r
6
= 12.29 (columna)
/val(a'!r
6
= ? (Fila)
5. Se obtienen datos para analizar el efecto del gnero y del estado civil de una
persona sobre la calificacin crediticia que merece. Las calificaciones se han
obtenido de un servicio de crdito local y se reflejan a continuacin. Resuelva
con una significancia del 1% y programe la solucin por Minitab.
Hombre Mujer
Casado 70 40 55 69 64 54

Soltero 65 45 43 45 34 65
AUTOEVALUACIN
22
1. Explique en que situaciones de la empresa se debe investigar con el
Anova, para decidir cambios.
2. Explique el basamento del Anova y cuando es importante su uso como
instrumento de investigacin de la empresa.
TEMA N/ 03
REGRESIN Y CORRELACIN LINEAL SIMPLE
REGRESIN LINEAL SIMPLE
El objetivo de la regresin lineal simple es estimar el valor de una variable
llamada variable dependiente, conociendo el valor de una variable asociada
llamada variable independiente.
12 SUPOSICIONES
1) La variable dependiente es una variable aleatoria.
2) Las variables dependiente e independiente tienen una relacin lineal.
3) Las varianzas de las distribuciones de la variable dependiente, para
diversos valores de la variable independiente, son iguales.
4) Si se utiliza la estimacin por intervalos en el anlisis de regresin, la
distribucin de la variable dependiente, para valores diferentes de la
variable independiente, se distribuye normalmente.
DIAGRAMA DE DISPERSIN: Es una grfica en la que se traza cada uno de los
puntos que representan un par de valores observados para las variables
independiente y dependiente.
32 MTODO DE M)NIMOS CUADRADOS PARA UNA L)NEA DE REGRESIN
El modelo es:
1 i o i i
= + +
i
Y
= Valor de la variable dependiente en el i - simo ensayo.
o
= Primer parmetro, que indica el valor de Y para X = 0

1
= Segundo parmetro, que indica la pendiente de la lnea recta.

23
i
X
= Valor de la variable independiente en el i - simo ensayo
i
s
= Error aleatorio de muestreo en el i - simo ensayo.
Los parmetros
o
y
1
, del modelo terico se estiman mediante

o
b
y
1
b
respectivamente, calculados en base a los datos muestrales. Segn el mtodo, la
lnea de regresin que mejor se ajusta es aquella para la cual se minimiza la suma
de los cuadrados de las desviaciones entre los valores estimados y los valores
observados de la variable dependiente.
Los valores de
o
b y
1
b , que satisfacen este criterio son:

=
1
)
2
2
nXY
nX

;
=
1
Y
o
Y la ecuacin de regresin lineal es:
1 o
Y X = +
Una vez determinada la ecuacin de regresin, puede usarse para estimar el valor
de la variable dependiente para un determinado valor de la variable independiente,
en el rango de valores del muestreo y no fuera de el.
RESIDUALES
Se denotan y definen por: = e ; donde Y= valor observado, = valor
ajustado.
=2 ERROR ESTANDAR DE ESTIMACIN
El error estndar de estimacin es la desviacin estndar de la variable
dependiente Y, respecto al valor ajustado de la variable . Para datos muestrales
es:
( )
2 3
e
2 3
5
2
2

=
yx
S
O directamente:
yx
S
2 3
) )
2
1 !

=
24
Que es un estimador del error estndar poblacional y;

E2 INFERENCIAS SOBRE LA PENDIENTE
Antes de utilizar la ecuacin de regresin en predicciones, debe determinarse si
efectivamente existe, una relacin entre las 2 variables de la poblacin o, si
pudiera ser que la relacin que se observa en la muestra haya ocurrido por el
azar. Si no existe relacin, la pendiente de la lnea de regresin poblacional sera
cero, o sea
1
= 0. Por ello, la hiptesis que se prueba es
!
#
:
1
= 0.
Se prueba el valor hipottico de una pendiente calculando el estadstico t,
utilizando n - 2 grados de libertad. Su frmula es:
1 b
S
1 1
b
t

=
, en donde S
1
b =
2
2
X n
S
yx
Como la hiptesis nula dice que la pendiente es cero, se usa:
1 )
S
1
)
t =
Y el intervalo de confianza para la pendiente
1
es:
t
1
)
1 )
S
F2 INTERVALOS DE CONFIANZA PARA LA MEDIA2
La estimacin de la variable dependiente, dado un valor especfico de X, es el
valor de la lnea de regresin. Luego, la media condicional es:
X b
o
b
y
1
+ =
Con base en los datos muestrales, el error de la media vara segn X:
x , y
S
= ; , y
S

( )
( )
2
2
2
1
X X
n
X
n

Y el intervalo de confianza para la media, utilizando n - 2 grados de libertad es:
t
y

x y
S
B2 INTERVALOS DE PREDICCION PARA VALORES INDIVIDUALES DE
LA VARIABLE DEPENDIENTE
El error estndar completo para un intervalo de prediccin para valores
individuales de la variable dependiente se denomina error estndar del pronstico,
e incluye la incertidumbre por la dispersin vertical respecto a la lnea de regresin
y la incertidumbre por la posicin del valor mismo en la lnea de regresin.
25
La frmula bsica para el error estndar del pronstico es:
x y yx S S
y
S
) siguiente (
2 2
+ =
, o tambin:
( )
( )
2
2
2
1
1
9 *
x
s
X X
n
n
si!"iente
S S
y

+ +

=

Y, el intervalo de prediccin para un valor individual de la variable independiente,
utilizando n - 2 grados de libertad es:
t y
* si$(ie3te 9 y
S
C2 CORRELACION LINEAL SIMPLE2
La correlacin mide el grado de relacin que hay entre las variables X, Y
EL COEFICIENTE DE DETERMINACIN
Para datos poblacionales, se denota y define por:
y
y;
2
2
2
1
=
Y para datos muestrales:
2
2
2
1

+
= 1 =
2
2
2
n
n b b
S
S
o
y
yx

EL COEFICIENTE DE CORRELACIN
El coeficiente de correlacin poblacional, teniendo el mismo signo de
1
es:
2
= , Y, el coeficiente de correlacin muestral es:
2
=
El signo del coeficiente de correlacin indica la direccin de la relacin entre las
variables x e y.
O directamente:
( ) ( )
2 2
2 2
n
n n Y Y

=

Un estimador insesgado para el coeficiente de determinacin de la poblacin es:
( )

=
2 3
1 3
1 1
2 2
A2 MTODO DE LA COVARIANZA PARA CALCULAR EL COEFICIENTE
DE CORRELACIN2
26
La Covarianza evala la medida en la que dos variables "varan juntas" y se utiliza
en anlisis financiero para determinar el riesgo total asociado con inversiones
interrelacionadas. La frmula para la Covarianza muestral es:
( )
( ) ( )
,
1
X X Y Y
C#$ X Y
n

=
Y el coeficiente de correlacin en funcin de la Covarianza es:

( )
( ) ( )
2 2
2 2
2 2
,
< <
1 1 1 1
x y
X Y
x x y y
C#$ X Y x nx y ny
S S
S S n n n n

= = = = =

D2 SIGNIFICACIN DEL COEFICIENTE DE CORRELACIN
!
#
:
= 0, porque si se rechaza esta hiptesis a un nivel de significancia
, se
concluira que existe una relacin real entre las variables.
El siguiente estadstico muestral se distribuye como la distribucin t, con gl = n-2,
cuando
= 0:

2 3
1
t
2
=
TALLER 3
REGRESIN @ CORRELACIN LINEAL SIMPLE
O!<e("7&
nvestigar las relaciones de dos variables en la empresa y con los datos determinar
diagrama de dispersin, ecuacin de regresin y todos los indicadores tratados en el
Tema.
O4"e$(a%"&$es
En forma individual o si lo prefiere en trabajo de grupo, resolver los siguientes casos
que son problemas de la empresa.
1. Suponga que un analista toma una muestra aleatoria de 10 embarques
enviados por camin de una compaa y registra la distancia en kilmetros
27
y el tiempo en das, y a partir del momento en que el embarque estuvo listo
para su transportacin. Construya la grfica de dispersin para los datos y
determine si un anlisis de regresin lineal es apropiado.
E!a4H:e
:es(4ea;&
1 2 3 4 5 6 7 8 9 10
D"s(a$%"a (,),
I"'8e(4&s
825 215 1070 550 480 920 1350 325 670 1215
T"e6& ;e
e$(4e9a (Y),
;Jas
3.5 1.0 4.0 2.0 1.0 3.0 4.5 1.5 3.0 5.0
R: si es apropiado un anlisis de regresin lineal.
2. Determine la ecuacin de regresin por mnimos cuadrados para los datos
del problema 1, y trace la lnea de regresin sobre la grfica de dispersin
para estos datos.
R:
y
= 0.11 + 0.0036X
3. Determine los residuales y construya una grfica de residuales con
respecto a los valores ajustados para los datos de la Tabla anterior,
utilizando la ecuacin de regresin que se elabor en el problema 2.
4. Utilizando la ecuacin de regresin, estime el tiempo de entrega, desde el
momento en que el embarque est disponible para un viaje de 1000
Kilmetros. Podra utilizarse esta ecuacin de regresin para estimar el
tiempo de entrega para un embarque de 2500 Kilmetros?.
R: 3. 71 das. No es apropiada para 2500 Km.
5. Calcule el error estndar mediante la frmula bsica que utiliza los
residuales y que se determin en el problema 3.
R:
48 . 0 4812 . 0 S
y;
=
6. Calcule el error estndar del estimador para el problema del anlisis de
tiempo de entrega, y con referencia a los valores que se determinaron en la
solucin del problema 2.
R:
46 . 0 4587 . 0 S
y;
=
28
7. Al utilizar el error estndar del estimador del problema 6, pruebe la hiptesis
nula
!
#
:
0
1
=
, para la distancia del viaje y el tiempo de entrega de la
Tabla anterior, utilizando un nivel de significancia del 5%.
R: Existe una relacin significativa entre las variables.
8. Con referencia al problema 7 anterior, pruebe la hiptesis nula
!
#
:
0
1

a un nivel de significancia del 5%.
R: Existe una relacin directa entre las variables.
9. Determine el intervalo de confianza del 95% para la hiptesis nula
1
, con
los datos de distancia y tiempo de entrega que se analizaron en los
problemas anteriores.
R:
( ) ( ) ( ) 0045 . 0 , 0027 . 0 0004 . 0 306 . 2 0036 . 0 tS )
1 ) 1
= =
10. Al utilizar los valores que se determinaron en los problemas anteriores,
construya el intervalo de confianza del 95% para media del tiempo de
entrega para una distancia de 1000 kilmetros.
( ) ( )das . , . . . . tS : R
x y y
10 4 32 3 = 17 0 306 2 71 3 =
11. Al utilizar los valores que se determinaron en los problemas anteriores,

determine el intervalo de prediccin del 95% para el tiempo de entrega de
los embarques que se envan a una distancia de 1000 Kilmetros. Compare
ese intervalo con el que se construy en el problema 10.
y
tS y : R ( ) ( )das . , . . . .
siguiente
84 4 58 2 = 49 0 306 2 71 3 =
12. Para los datos de distancia y tiempo de entrega, el procedimiento de
muestreo que se describe en el problema 1 indica que ambas variables son
variables aleatorias. S, adems, se asume una distribucin normal
bivariada para la poblacin e iguales varianzas para cada variable,
entonces se puede aplicar el anlisis de correlacin a los datos muestrales.
Utilizando los datos que se calcularon en el problema 2, calcule el
coeficiente de determinacin para los datos muestrales (ignore el sesgo de
este coeficiente).
91 . 0 9091 . 0 " =
2
=
13. Para los datos de distancia y de tiempo de entrega (a) calcule el coeficiente
de correlacin, con respecto al coeficiente de determinacin del problema
12, y (b) determine el coeficiente de correlacin utilizando la frmula
abreviada alternativa para
R: a)
95 . 0 9535 . 0 + =
b)
= + 0.9489 0.95
29
14. Para los datos de distancia y de tiempo de entrega, (a) calcule la
covarianza muestral, y (b) convierta el valor de la covarianza en el
coeficiente de correlacin. Compare su respuesta al inciso (b) con las
respuestas que se obtuvieron para el coeficiente de correlacin en el
problema 13.
R: a) cov (x,y) = 517 b)
95 . 0 9489 . 0 + =

15. Determine si el valor de la correlacin que se calcul en el problema 14 (b)
es significativamente distinto de 0, a un nivel de significacin del 5%.
R : t = + 8.50 . Se rechaza la hiptesis nula.
16. Se encuentra que el coeficiente de correlacin entre los ingresos y los
montos de las deudas pendientes a corto plazo es de
= + 0.50, para una

muestra de n = 10 personas a las que una institucin financiera otorg un
prstamo.
a) Pruebe la hiptesis de que no existe correlacin entre variables, en toda la
poblacin de personas que obtienen prstamos, utilizando el nivel de
significancia del 5%.
b) nterprete el significado del coeficiente de correlacin que se calcul.
R: a) t = 1.634. b) Como
!
#
, la varianza de y no est asociada a x.
17. Use Minitab para determinar la regresin y correlacin del problema.
Compare los resultados con los obtenidos en los clculos manuales. As:
AUTOEVALUACIN
1. Explique en que situaciones de la empresa se debe investigar con la
regresin simple, para decidir cambios.
2. Explique el basamento de la regresin simple, para decidir cambios.
Y cuando es importante su uso como instrumento de investigacin de la
empresa.
PROBLEMAS ADCONALES
PARTE 1
30
1. Manuel, un analista de la cadena de supermercados Wong, quiere saber si
las cinco tiendas tienen el mismo promedio en dlares por compra. Se elige
una muestra aleatoria de cuatro compras en cada tienda. El reporte de las
compras es:
Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
23.94 18.52 6.92 20.15 17.48
14.63 19.57 10.47 17.14 9.02
25 78 21.40 7.63 18.25 25.50
17.52 13.59 11.90 15.20 15.50
Determine la respuesta, con 99% de confianza, por tabla de ANOVA.
Adems programe la solucin por Minitab.
2. Se obtienen datos para analizar el efecto del sexo y del estado civil de una
persona sobre la calificacin crediticia que merece. Las calificaciones se
han obtenido de un servicio de crdito local y se reflejan a continuacin.
Cules son sus conclusiones?. Resolver por tabla de ANOVA para 0.01 de
significancia. Adems programar la solucin por Minitab.
Hombre Mujer

Casado 70 40 55 69 64 54

Soltero 65 45 43 45 34 65
3. La junta de estudiantes de una universidad desea determinar s el precio
de admisin a la sala de juegos del centro estudiantil ejerce algn efecto
sobre el nmero de estudiantes que utilizan las instalaciones. El precio de
admisin y el nmero de estudiantes que entran al recinto durante 8
noches de viernes sucesivos se indican en la tabla. Determinar la ecuacin
de regresin. Haga 2 predicciones. Adems programe la solucin por
Minitab.

Precio $ 1.25 1.50 1.75 2.00 1.50 2.00 2.50 1.50
Nmero de entradas 95 83 75 72 69 101 98 85
4. Se pide a cuatro personas que beben una determinada marca de gaseosas
que registren el nmero de gaseosas que consumen durante la semana. Se
hace lo mismo con bebedores de otras tres marcas. Los resultados se
muestran a continuacin. Por tabla de ANOVA y una significancia del 5%,
determine si existe diferencia en el nmero promedio de gaseosas
consumidas, para cada marca. Adems programe la solucin por Minitab.
Marca A Marca B Marca C Marca D
10 5 8 14
8 12 10 6
5 4 5 4
6 6 7 5
31
5. Antonio, gerente de Coldpoint, distribuidor de electrodomsticos, piensa que
el nmero de unidades vendidas depende tanto de la habilidad del
vendedor como de la marca que se trata de vender. Ha registrado el
nmero de unidades vendidas en la tienda del centro, durante los ltimos
dos meses:
Vendedor

Marca A B C D
1 8 5 3 2 12 10 5 3
2 5 7 9 9 8 9 3 5
Por tabla de ANOVA pruebe todas las hiptesis con una significancia
de 10%. Adems programe la Solucin por Minitab.
6. Merece la pena estudiar? Para contestar a esta pregunta, un estudiante
curioso de una clase de estadstica pregunt a otros 10 estudiantes cuntas
horas dedicaron al estudio para el ltimo examen y la nota que obtuvieron.
Los datos son:
HORAS : 25 26 12 32 29 10 21 27 15 18
NOTA : 89 92 32 92 90 30 87 88 34 30
Determinar la ecuacin de regresin y el error estndar. Adems programe
la solucin por Minitab.
7. Damin, gerente de una gran cadena de tiendas debe elegir dnde poner
en exhibicin una batera conocida. Damin est preocupado tanto por el
nivel como por la variabilidad en las ventas. Est considerando colocar los
expositores en el departamento de ferretera o junto a las cajas
registradoras de salida. Damin los coloca en las cajas de salida en cuatro
tiendas y en la seccin de ferretera en otras cuatro. Los resultados, en
nmero de bateras vendidas por semana, son:
Cajas registradoras Departamento de ferretera
205 185
185 191
170 178
240 200
Produce una localizacin mejor promedio de ventas que la otra?.
Resuelva por tabla de ANOVA para una significancia de 10%. Adems
programe la solucin por Minitab.
8. La compaa de helados Sweet Treat est planeando probar tres sabores
nuevos: brandy, melocotn y albaricoque. Cathy, analista de la compaa,
quiere medir tambin los efectos de tres niveles de precio de venta: $ 1.19,
$ 1.29 y $1.39 por pinta. Cathy hizo los arreglos para mandar los nuevos
sabores a las tiendas cada semana y para que se tuviera la exhibicin y
32
precio correctos en todas las tiendas durante un perodo de 2 semanas. Al
final de cada semana, se registraron las pintas vendidas de cada sabor
para cada nivel de precio. Resuelva, por tabla de ANOVA, para una
significancia de 2.5 %. Adems programe la solucin por Minitab
Precio Brandy Melocotn Albaricoque
1.19 16 13 17 12 10 11
1.29 14 10 14 14 9 7
1.39 18 15 13 19 13 15
9. Anna Sheehan (Gerente de la cadena de supermercados Spendwise) desea
pronosticar las ventas semanales de los libros de bolsillo, para ello se basa
en la cantidad de espacio en las repisas (en pies) que se le proporciona.
Anna rene una muestra de 5 semanas:
Semana Libros vendidos Y Espacio en repisa X
1 275 6.8
2 142 3.3
3 168 4.1
4 197 4.2
5 215 4.8
Determine la ecuacin de regresin y los residuales. Adems programe la
solucin por Minitab
10. Charles Tortorelli, gerente de una cadena de montaje en una planta de
fabricacin de aspiradoras, cree que la tasa de unidades defectuosas
producidas en un turno de ocho horas en una de las cintas transportadoras
est inflada por el turno que opera la cinta. Decide probar su hiptesis
mediante un muestreo de la cinta, cuatro veces en cada turno de ocho
horas y contando las unidades defectuosas.
Da Tarde Noche
12 15 27
12 17 17
17 18 25
15 25 24
Con significancia de 0.01, por ANOVA producen los tres turnos la misma
tasa media? Programe por MTB.
11. Tim, gerente de produccin de la corporacin Tetronic, piensa que la
variacin en el nmero de unidades producidas por hora se puede
relacionar tanto con el operador como con la mquina que se usa para
producirlas. Se observan tres operadores usando cada una dos mquinas
durante dos horas:
Operador
33
Mquina A B C
1 12 15 17 23 10 14
2 9 12 20 25 12 12
Por tabla de ANOVA, pruebe las hiptesis con una significancia del 10%.
Adems programe por MTB
12. Carlos, gerente de los almacenes Monty Card, se pregunta si sus clientes
realizan ms compras con sus tarjetas de crdito de Monty Card que con la
Master Charge o la VSA. Carlos decide examinar seis tarjetas, elegidas al
azar, de las compras realizadas con las tres tarjetas. Los resultados son:
Monty Card Master Charge VSA
$ 103 $ 71 $ 98
91 102 111
62 83 72
85 15 24
175 49 39
23 36 64
Puede concluir Carlos, que hay diferencia en el promedio de compras
realizadas con las tres tarjetas de crdito?. Pruebe con un nivel de
significancia de 10%, por tabla de ANOVA. Adems programe por Minitab.
13. Debbie directora de Stoneware, est experimentando con tres mtodos de
formacin de personal diferentes para determinar si existe alguna diferencia
en su efectividad. Debbie tiene 12 nuevos empleados en perodos de
formacin y le preocupa que quienes tengan experiencia previa puedan
reaccionar en forma distinta a los mtodos. Por esta razn divide al grupo
en dos: sin experiencia y con experiencia. Despus expone a dos miembros
de cada grupo cada uno de los tres mtodos. Una vez que terminan su
formacin, cada empleado contesta un test diseado para medir la
efectividad del programa de formacin. Las calificaciones que obtuvieron
son:
Mtodos de formacin

A B C
Sin experiencia 72 78 75 79 81 74
Con experiencia 82 76 73 78 80 72
Por tabla de ANOVA, pruebe las hiptesis para alfa 2.5%. Adems programe
la solucin por Minitab.
14. Tres tipos distintos de motores a gasolina fueron probados para determinar
cunto tiempo son tiles antes de necesitar una reparacin; haga una
34
prueba por tabla de ANOVA usando 0.05 de significancia para determinar si
difieren las medias de vida til antes de requerir reparacin. En la tabla
aparecen los tiempos de vida til, en decenas de miles de millas, para cada
tipo de motor.
A B C
6 8 3
2 7 2
4 7 5
7 6 1
Adems programe la solucin por Minitab.
15. Bantam Books emplea tres tcnicas de impresin diferentes. Un estudio de
control de calidad hall errores excesivos de impresin, como manchas,
sobreimpresiones, tipos borrosos y algunas pginas en blanco. Para
determinar si hay diferencia en el nmero medio de errores a causa del
mtodo de impresin, se imprimi un pasaje determinado por cada mtodo
en los cuatro tipos de papel que utiliza Bantam. ndican los resultados que
uno o ms de los mtodos es mejor?, nfluye el tipo de papel?, Resuelva
por ANOVA. Fije alfa en 5%. Adems programe por Minitab.
Mtodos de impresin
Tipo de papel A B C
W 2 1 1
X 3 3 2
Y 5 6 3
Z 4 4 4
16. Una sociedad de contables estadounidense est interesada en comparar
los pagos por hora iniciales de los graduados de contabilidad de tres
universidades. Para estudiar el caso eligieron muestras aleatorias de seis
graduados de contabilidad de cada universidad. La tabla muestra el salario
por hora inicial de cada contable:
Universidad
A B C
11.25 12.50 11.75
11.25 13.05 12.00
12.35 13.12 10.85
12.25 13.35 11.61
12.00 12.55 12.10
11.85 12.60 12.15
Por tabla de ANOVA, para una significancia de 10%, determine si hay
diferencia entre las medias de los salarios iniciales de los contables de las
tres universidades. Adems programe la solucin por Minitab.
35
17. El propietario de Stop & Shop ha probado ya cuatro polticas de cobro por
cheque para disminuir el gran nmero de cheques incobrables que reciben
sus tiendas. Como la zona en que est situada la tienda puede influir, se
anota el nmero de cheques devueltos por falta de fondos por cada poltica
en las tres tiendas de la ciudad. Fije alfa en el 5%. Es alguna de las
polticas mejor que las dems?, El emplazamiento influye?. Por tabla de
ANOVA. Adems programe por Minitab.
Poltica
Emplazamiento A B C D______

1 22 35 47 43
2 27 28 31 47
3 20 17 15 12

18. Hay que estudiar el efecto de las tcnicas docentes y del turno de la
asignatura sobre las calificaciones finales de los estudiantes. A partir de los datos
que se indican, fije alfa en 10% y resuelva por tabla de ANOVA. Adems programe
por Minitab.
Tcnica

Hora Auto enseanza Con trabajo a casa Sin trabajo a casa

Da 79 85 82 89 93 92 62 55 42
Noche 70 71 69 73 75 81 52 51 51
19. Una firma qumica utiliza tres laboratorios para realizar anlisis. Con
propsitos de control de calidad, se decidi mandar cinco muestras del
mismo material a cada laboratorio y comparar su anlisis para determinar si
da, en promedio, los mismos resultados. Los datos de los anlisis son:
Laboratorio A: 58.6 60.7 59.4 59.6 60.5
Laboratorio B: 61.6 64.8 62.8 59.2 60.4
Laboratorio C: 60.7 55.6 57.3 55.2 60 2
Utilice 0.05 de significancia para determinar si los laboratorios producen, en
promedio, los mismos resultados, por tabla de ANOVA.
20. Se recogen datos para analizar el efecto del sexo y del estado civil de una
persona sobre la calificacin crediticia que merece. Las calificaciones se
36
han obtenido de un servicio de crdito local y se reflejan a continuacin.
Cules son sus conclusiones?. Fijar alfa en el 10%.
Hombre Mujer
Casado 70 40 55 69 64 54

Soltero 65 45 43 45 34 65
21. Jos, gerente de Coldpoint, distribuidor de electrodomsticos, piensa que el
nmero de unidades vendidas depende tanto de la habilidad del vendedor
como de la marca que se trata de vender. Ha registrado el nmero de
unidades vendidas en la tienda del centro, durante los ltimos tres meses:
Vendedor
Marca A B C D
1 8 3 5 3 4 2 12 9 10 5 1 3
2 5 7 7 9 9 9 8 7 9 3 2 5
Por tabla de ANOVA pruebe las hiptesis relevantes con una
significancia de 0.05.

UNIDAD II
REGRESIN Y CORRELACIN LINEAL M+LTIPLE Y SERIES DE TIEMPO2
1. Comprende el conocimiento de la Regresin Mltiple, aplicndola a la
investigacin de la realidad empresarial y a la prediccin y/o planificacin futura en
casos de funciones multivariables.
2. Comprende el conocimiento de las Series de Tiempo y su aplicacin a la
investigacin en la empresa, con fines de pronstico y de planificacin de un
funcionamiento ptimo de la empresa.
3. Se resuelven ejemplos prcticos de investigacin, manualmente para casos de
2 variables independientes y por PC para casos de ms de dos variables.
4. Se suavizan datos por los mtodos de medias mviles y suavizacin
exponencial.
37
5. Se determina la ecuacin de la tendencia y los ndices estacionales, cclicos e
irregulares
Se buscar su logro, de manera transversal, en todas las unidades de
aprendizaje.
2. Desarrollar en los estudiantes una actitud cuestionadora de la realidad
empresarial y de aplicacin de soluciones tcnicas determinadas con los
instrumentos que son los mtodos cuantitativos.
2. Desarrollar en los estudiantes una actitud creadora y favorable a los cambios
significativos, mediante soluciones tcnicas.

6. Desarrollar en los estudiantes una actitud responsable en la asistencia y
puntualidad a clases, as como en la elaboracin de tareas.
7. Desarrollar en los estudiantes una conducta tica y de prctica de valores
como estudiante y futuro profesional.
8. Desarrollar en los estudiantes la vocacin por el trabajo en equipo y la
coparticipacin multiprofesional.
TEMA N 3: REGRESN Y CORRELACN LNEAL MLTPLE
TEMA N 4: SERES DE TEMPO
TEMA NK =
REGRESIN Y CORRELACIN LINEAL M+LTIPLE
1. INTRODUCCIN
El anlisis de regresin lineal mltiple es una tcnica en la que se
utilizan diversas variables independientes para estimar el valor de una
variable dependiente desconocida.
SUPOSICIONES
1) La variable dependiente es una variable aleatoria.
2) La relacin entre la variable dependiente y cada variable
independiente debe ser lineal.
38
3) Las varianzas de las distribuciones de la variable dependiente,
para diversos valores de las variables independientes, son
iguales.
4) Las distribuciones para la variable dependiente son normales.
32 MODELO MATEM*TICO DE LA REGRESIN L)NEAL M+LTIPLE
CON DOS VARIABLES INDEPENDIENTES2
El diagrama de dispersin se puede trazar en un sistema rectangular
tridimensional. El modelo matemtico de la regresin lineal mltiple es:
Yi = +
1
X
1i
+
2
X
2i
+
i
, donde:
= nterseccin con el eje Y

1
= Pendiente de Y respecto a X
1
, cuando X
2
es constante.

2
= Pendiente de Y respecto a X
2
, cuando X
1
es constante.

i
= Error aleatorio en Y para la observacin i
- Una primera meta del anlisis es el establecimiento de una ecuacin
de regresin lineal mltiple estimada, como:
Y
= a + b1X1 + b2X2
Donde la terna a, b1, b2 son estimadores de los parmetros reales ,
1
,
2
.
MTODO DE M)NIMOS CUADRADOS2
El plano de regresin est colocado de modo que se reduzca al
mnimo la suma del cuadrado de los errores (Y Y
), donde Y =
valor observado y Y
= valor estimado. Esta condicin se cumple

cuando se satisfacen las ecuaciones normales siguientes:
Y = na + b
1
X
1
+ b
2
X
2
X1Y = aX
1
+ b
1
X
1
+ b
2
X
1
X
2
X2Y = aX
2
+ b
1
X
1
X
2
+b
2
X
2
Sistema, de cuya solucin se obtienen los coeficientes estimados de

regresin:
39
b1 =
( ) ( )
2 2
2
2 2 2 2
2 2 1 1 1 2 1 2 2 2
1 1 2 2 1 2 1 2
X nX X Y nX Y X X nX X X Y nX Y
X nX X nX X X nX X

( ) ( )
2 2
2
2 2 2 2
1 1 2 2 1 2 1 2 1 1
)2
1 1 2 2 1 2 1 2
X nX X Y nX Y X X nX X X Y nX Y
X nX X nX X X nX X

=

1 2
1 2
a Y X X =
E1. Se desea estudiar el efecto de la temperatura ambiente promedio
diario en F, X1, y la cantidad de aislamiento en el desvn en
pulgadas de grosor, X2, sobre el consumo mensual de petrleo para
calefaccin en galones, Y, en casas. Para el efecto se ha tomado una
muestra aleatoria de 15 casas cuyos datos medidos se reportan en
las cuatro primeras columnas de la tabla. Determine la ecuacin de
regresin lineal mltiple estimada.
Obs. Y X
1
X
2
X
1
Y X
2
Y X
1
X
2
X
1
X
2
Y
1 275.3 40 3 11012.0 825.9 120 1600 9 75790.09
2 363.8 27 3 9822.6 1091.4 81 729 9 132350.44
3 164.3 40 10 6572.0 1643.0 400 1600 100 26994.49
4 40.8 73 6 2978.4 244.8 438 5329 36 1664.64
5 94.3 64 6 6035.2 565.8 384 4096 36 8892.49
6 230.9 34 6 7850.6 1385.4 204 1156 36 53314.81
7 366.7 9 6 3300.3 2200.2 54 81 36 134468.89
8 300.6 8 10 2404.8 3006.0 80 64 100 90360.36
9 237.8 23 10 5469.4 2378.0 230 529 100 36548.84
10 121.4 63 3 7648.2 364.2 189 3969 9 14737.96
11 31.4 65 10 2041.0 314.0 650 4225 100 985.96
12 203.5 41 6 8343.5 1221.0 246 1681 36 41412.25
13 441.1 21 3 9263.1 1323.3 63 441 9 194569.21
14 323.0 38 3 12274.0 969.0 114 1444 9 104329.00
15 52.5 58 10 3045.0 525.0 580 3364 100 2756.25
3247.4 604 95 98060.1 18057 3833 30308 725 939175.68
= Y
216.49
= 1 X
40.27
= 2 X
6.33
40
SOLUCION
Las 3 ecuaciones normales son:
3247.4 = 15 a + 604 b
1
+ 95 b
2
98060.1 = 604 a + 30308 b
1
+ 3833 b
2
18057.0 = 95 a + 3833 b
1
+ 725 b
2
Y resolviendo el sistema o empleando las frmulas:
a = 562.15 b
1
= -5.44 b
2
= -20.01
Y la ecuacin de regresin lineal mltiple estimada es:

Y
= 562.15 - 5.44X
1
- 20.01 X
2
PRUEBA DE LA RELACION POR ANOVA2
Las hiptesis nula y alternativa son:
H
0
:
1
=
2
= 0. (No hay relacin)
H
1:

1
0
2
0. (Hay relacin)
H
0
se prueba mediante la distribucin F dada por:
F
(p, n-p-1)
= Sreg
S
yx
Donde: Sreg = varianza debida a la regresin.
S
yx
= cuadrado del error estndar de estimacin.
p = nmero de variables independientes
n = tamao de la muestra
41
TABLA DE ANOVA PARA LA PRUEBA2 Pa4a e' e<e6'&:
F:e$(e DF S:a ;e '&s %:a;4a;&s (SS) Va4"a$5a F
Re94es"8$
p = 2
a> 4 )1 ?1> 4 )2 ?2> @
2 1
9 * y
n

=
562.15(3247.4)+(-5.44)(98060.1)
+ (-20.01)(18057) (3247.4) /15
= 227717.94
Sreg = SSreg
p
= 227717.94
2
= 113858.97
F = Sreg
Syx
=113858.97
701.44
= 162.32
E44&4
n-p-
1=15-2-1
= 12
Y - aY - b1 X1Y - b2 X2Y
939,175.68 562.15 (3247.4)
(-5.44)(98060.1)(-20-01)
(18,057)
= 8417.28
S
yx
= SSerror
n-p-1
= 8417.28
12
= 701.44
T&(a'
n-1 = 15-
1 =14
Y - ( Y)
n
=939,175.68 (3247.4)
15
= 236,135.23
Si se selecciona un nivel de significacin de 0.05, se determina que el valor
crtico de F es de 3.89. Como F
(2,12)
= 162.32 > 3.89, se rechaza Ho y
concluye en H1:Que al menos una, entre temperatura, aislamiento o ambas,
est relacionada con el consumo de petrleo.
PREDICCIONES
42
E1. Predecir el consumo mensual de petrleo en calefaccin en una casa
con 6 pulgadas de aislamiento en el desvn, para una temperatura
promedio diaria de 30F.
SOLUCION2
Y
=562.15 5.44 X
1
20.01 X
2
= 562.15 5.44 (30) 20.01 (6)
= 278.98 galones.
CORRELACIN M+LTIPLE2 MEDICIN DEL GRADO DE RELACIN2
El coeficiente de determinacin mltiple est dado por:
r
y12
= SSreg
SS
t

= 227717.94 = 0.9644
236135.23
Significa que el 96.44% de la variacin en el consumo mensual de petrleo
se explica por la variacin en la temperatura ambiente promedio y por la
variacin en el grosor del aislamiento en el desvn, quedando slo el 3.56%
para ser explicado por el azar.
CONCEPTOS ADICIONALES EN REGRESIN M+LTIPLE2
Como extensin de la regresin simple, se tienen:
- El intervalo de confianza para la media, dado por:
12

. y y
S . t
; 12 . y
S
= error estndar de la media condicional.
- El intervalo de prediccin de una observacin, dado por:
Y
t.s
y (siguiente)
=2 MATRIZ DE CORRELACIN2
43
Se trata de calcular un solo valor que describa la intensidad total de la
relacin entre una variable dependiente y dos o ms variables
independientes. Este valor es el coeficiente muestral de correlacin
mltiple, su signo se considera siempre positivo:
Para el ejemplo: r
y12
= 9644 . 0 = 0.9829
A fin de estudiar mejor la relacin entre las variables, es til examinar
la correlacin entre cada par de variables incluidas en el modelo,
mediante la matriz de correlacin, donde cada elemento se obtiene por
la frmula de frmulas:
r
xy
= _______n XY - X Y ______
n x - (x) n y - (y)
Para el ejemplo:
r
yx1
= r
y1
= _________15 (98060.1) 604 (3247.4)_________
15 (30308) (604) 15(939175.68)-(3247.76)
= - 0.86974.
Y
(6e(48'e&)
,
1
((e6e4a(:4a)
,
3
(a"s'a"e$(&)
Y
(6e(48'e&) r
yy
= 1.0 r
y1
= -.86974 r
y2
= -.46508
,
1
((e6e4a(:4a)
r
y1
= -.86974 r
11
= 1.0 r
12
= .00892
,
3
(a"s'a"e$(&)
r
y2
= -.46508 r
12
= .00892 R
22
= 1.0
Se observa que entre la cantidad de petrleo y la temperatura, la
correlacin es -.86974, lo que indica una asociacin negativa fuerte; que
entre variables independientes no hay correlacin (0.00892).
E2 VARIABLES FICTICIAS2
44
El tipo de anlisis de regresin que hemos efectuado hasta aqu requiere
que todas las variables sean cuantitativas, pero muchas veces la variable
dependiente est afectada por una variable que es cualitativa, que slo
puede describirse en forma categrica (hombre / mujer, propietario /
inquilino, La Molina /San Borja / comas, Contador /Economista/
Administrador/ ngeniero).
CODIFICACION
Las variables ficticias usan el cdigo binario, es decir que pueden tomar
solo dos valores, cero o uno, y se usan para indicar la ausencia o presencia
de una caracterstica cualitativa en particular. Si k = nmero de categora
para la variable cualitativa, entonces k-1 = nmero de variables ficticias para
codificar la variable cualitativa.
E1. Si en un estudio de remuneraciones se desea incluir la variable
cualitativa, sexo de los trabajadores: Masculino, Femenino.
K = 2 K-1 = 2-1 = 1, o sea una sola variable ficticia.
CODFCACON : SEXO: X
3
M 1
F 0
E2. En un estudio de bienes races con 3 ubicaciones: A, B, C:
K = 3 K-1 = 3-1 = 2 variables ficticias
CODFCACON: UBCACN: X
3
X
4
A 0 0
B 1 0
C 0 1
AN*LISIS DE REGRESIN POR PASOS HACIA ATR*S2
Se comienza incluyendo en el modelo todas las variables posibles, luego
segn el anlisis, generalmente mediante la prueba t, para determinar si el
coeficiente parcial de regresin de cada variable independiente representa
una contribucin significativa al modelo global, se elimina una variable en
cada paso.
TALLER =
REGRESIN Y CORRELACIN M+LTIPLE
O!<e("7&
nvestigar las situaciones de la empresa que tienen que compararse mediante la
regresin mltiple, para segn los resultados plantear o no cambios.
45
O4"e$(a%"&$es
E1. La siguiente tabla corresponde a las remuneraciones anuales para
una muestra de supervisores:
Pe4s&$a
:es(4ea;a
Re:$e4a%"
8$ a$:a' (Y)
AL&s ;e
eM6e4"e$%"a
(,
1
)
AL&s ;e
E;:%2 6&sN
Se%:$;2 (,
3
)
SeM&
(,
=
)
1 $ 34900 5.5 4.0 F
2 40500 9.0 4.0 M
3 38900 4.0 5.0 F
4 39000 8.0 4.0 M
5 37500 9.5 5.0 M
6 35500 3.0 4.0 F
7 36000 7.0 3.0 F
8 32700 1.5 4.5 F
9 45000 8.5 5.0 M
10 40000 7.5 6.0 F
11 36000 9.5 2.0 M
12 33600 6.0 2.0 F
13 35000 2.5 4.0 M
14 32500 1.5 4.5 M
Programa MNTAB :
MTB > NAME C1 = 'Y', C2 = 'X1', C3 = 'X2', C4 = 'X3'
MTB >READ 'Y', 'X1', 'X2', 'X3'
DATA > 34900 5.5 4.0 0
DATA > 40500 9.0 4.0 1
..... .. .. ... ...
DATA > 32500 1.5 4.5 1
DATA > END
MTB > REGRESS C1 ON 3 PREDCTORS C2 C4
MTB > REGRESS C1 ON 2 PREDCTORS C2 C3, C5 PUT FTS N C6;
SUBC> RESDUALS N C7;
SUBC> PREDCT 8.5 5.5.
MTB > NAME C6 = 'ESTMATE', C7 = 'RESDUAL'
46
MTB > PLOT 'RESDUAL' * 'ESTMATE'
MTB > PLOT 'RESDUAL' * 'X1'
MTB > CORRELATON FOR C1 C4
E2. Con los resultados correspondientes al primer comando pruebe la
hiptesis alternativa, de que existe un efecto significativo de regresin,
utilizando 5% de significancia.
SOLUCION
Segn los resultados F calculada es 6.92.
Determinamos F crtica para gl
1
= 3, gl
2
= 10 y = 0.05: F crtica (3, 10,
0.05) = 3.71. Luego F calculada > F crtica, lo cual rechaza la hiptesis
nula de que no existe efecto de regresin. Hemos probado la hiptesis
alternativa, que existe efecto de regresin entre la variable dependiente
respecto a las 3 variables independientes La funcin es:
Y
= 25495 + 802 X
1
+ 1596X
2
+ 383 X
3
E3. En los resultados del primer comando, identifique el coeficiente de
regresin parcial que tiene el estadstico t menor y determine si la
contribucin de esa variable al modelo es significativa, a un nivel del
5%.
SOLUCIN
Debe observarse que los grados de libertad para la prueba t son los mismos
que para el CME del anlisis de varianza que son iguales al tamao de la
muestra menos el nmero de parmetros estimados en la ecuacin de
regresin mltiple, es decir gl = 14-4 = 10.
La variable de menor estadstico t es el sexo (X
3
) con t = 0.30. Como t
crtico para gl = 10 y = 0.05 es 2.228, t calculado < t crtico, lo cual no
rechaza la hiptesis nula de que
3
= 0.
Hemos probado la hiptesis nula, concluyndose que el sexo no
contribuye en forma significativa al modelo y se le debe eliminar de la
ecuacin de regresin mltiple (anlisis de regresin por pasos hacia atrs).
E4. Observe, los resultados, del segundo comando de regresin, que nos
da la ecuacin de regresin:
Y
= 25511 + 826 X
1
+ 1604 X
2
47
Pruebe la hiptesis nula o su rechazo, con un nivel de significancia del 5%.
SOLUCIN
Segn los resultados F calculada es 11.28, determinamos F crtica para gl
1
= 2, gl
2
= 11 y = 0.05: F crtica = 3.98: F calculada > F crtica
Rechazamos la hiptesis nula y concluimos que existe un efecto
significativo de regresin.
E5. Siempre en los resultados del segundo comando, observe cual de los
coeficientes parciales de regresin tienen el menor t, determine si la
contribucin de esa variable al modelo de regresin mltiple es
significativa a un nivel del 5%.
SOLUCIN
La variable de menor t es X
2
(educacin) con t = 2.99. Como t crtica
(11,0.05) = 2.201, es decir: T calculada > t crtica.
Rechazamos la hiptesis nula de que
2
= 0 a un nivel de significancia del
5% y se concluye que la variable X
2
si contribuye en forma significativa al
modelo de regresin mltiple. El hecho que no se elimine ninguna variable
en esta etapa del procedimiento por pasos hacia atrs significa que ya se
han determinado las variables independientes del modelo de regresin
mltiple.
E6. Usando la ecuacin de regresin mltiple con 2 variables
independientes, estime el sueldo anual de una persona que tiene 5.5 aos
de experiencia y 4.0 aos de educacin por secundaria.
SOLUCIN
Y = a + b
1
X
1
+ b
2
X
2
= 25511 + 826 X
1
+ 1604 X
2
= 25511 + 826 (5.5) + 1604 (4) = $ 36470.00
E7. nterprete el significado de a, b1 y b2 para la ecuacin de regresin
del problema anterior.
SOLUCIN
a = 25511 es la ordenada en el origen respecto al eje Y, para X1 = 0 y X2 =
0, que sera el salario estimado para una persona que no tiene ni
experiencia ni educacin pos-secundaria. Sin embargo, no existe este
48
significado prctico, en razn que las variables independientes no incluyen
en sus rangos de los valores muestreados.
b1 = 826 indica que, en promedio, a un aumento de un ao en los aos de
experiencia le corresponde un aumento de $ 826 de remuneracin anual,
dado que la variable aos de educacin la consideramos constante.
b2 = 1604 indica que, en promedio, al aumento de un ao en los aos de
educacin pos-secundaria le corresponde un aumento de $ 1604 en la
remuneracin anual, dado que la variable aos de experiencia la
consideramos constante.
E8. En los resultados del segundo comando identifique:
a) El intervalo de confianza de 95% para la remuneracin anual promedio
de las personas de la poblacin con 5.5 aos de experiencia y 4 aos de
educacin pos-secundaria.
b) El intervalo de prediccin del 95% para una persona especfica que tiene
5.5 aos de experiencia y 4 aos de educacin pos-secundaria.
SOLUCIN
a) 95% C = $ 35180 a $ 37775
b) 95% P = $ 31548 a $ 41386
El intervalo de confianza es un intervalo de probabilidad para una media, en
cambio el intervalo de prediccin es un intervalo de probabilidad para un
valor individual de Y. El intervalo de prediccin indica que existe una
probabilidad de 0.95 que una persona con 5.5 aos de experiencia y 4 aos
de educacin pos-secundaria tenga una remuneracin anual entre $ 31548
y $ 41386.
E9. Con referencia a los resultados de los comandos 3), 4) y 5) que son
grficos de residuales respecto a los valores ajustados Y
, a los aos
de experiencia y a los aos de educacin pos-secundaria
respectivamente, determinar en cada caso si los requerimientos de
linealidad y de igualdad de varianzas condicionales se satisfacen.
SOLUCIN
a) En la grfica de residuales versus los valores estimados Y parece
satisfacerse la suposicin de linealidad; en cambio, con respecto a la
igualdad de varianzas condicionales, parece que estas tienen valores
un tanto mayores que la remuneracin estimada, cuando se rebasa el
valor de $ 40,000 de la escala horizontal.
49
b) Las grficas de residuales individuales respecto a aos de experiencia y
aos de educacin son lineales, pero ambas muestran varianzas
condicionales mayores cuando se eleva el nmero de aos, lo cual
identifica la fuente de la posible dificultad identificada en a) respecto a la
igualdad de varianzas condicionales. Consideracin importante al
interpretar los intervalos de confianza y de prediccin.
E10. Con referencia a los resultados del comando 6) que es una matriz de
correlacin se pide:
a) dentifique qu variable tiene mayor correlacin con la remuneracin
anual y cual es esa correlacin?
b) dentifique que otras dos variables, aparte de la remuneracin anual,
tiene mayor correlacin entre s, y cual es esa correlacin.
SOLUCIN
La significancia de estos coeficientes simples de correlacin se determinan
usando la prueba t.
a) La mayor correlacin se da entre la remuneracin anual y los aos de
experiencia, y es r = 0.637.
b) La mayor correlacin , aparte de la remuneracin anual, se da entre
experiencia y sexo con r = 0.352.
E11. En los resultados del comando 2) identifique el coeficiente de
determinacin mltiple y calcule el coeficiente de correlacin mltiple.
nterprete el coeficiente de determinacin y de la forma como podra
probarse la significacin del coeficiente de correlacin.
SOLUCIN
El coeficiente de determinacin es R = 0.672, e indica que
aproximadamente el 67.2% de la varianza de las remuneraciones queda
estadsticamente explicada por los aos de experiencia y los aos de
educacin pos-secundaria de los supervisores.
El coeficiente de correlacin mltiple es R = 672 . 0 = 0.82, que se reporta
como valor absoluto.
CASOS PROPUESTOS2
12 En la tabla se reportan los precios de instalaciones fabriles, con una
muestra aleatoria de 30 instalaciones elegidas al azar, 10 de cada una de 3
subdivisiones. Tal como se observa, adems de la subdivisin y del precio,
se incluyen los datos de superficie del terreno y la superficie construida.
50
Siendo el precio la variable dependiente, realice un anlisis de regresin
por pasos hacia atrs utilizando algn programa de computacin.
I$s(a'a%"8$ Oa!4"'
:es(4ea;a
P4e%"& (e$ "'es
;e "''&$es ;e
SP2)
*4ea
%&$s(4:";a
(Q)
S:!;"7"s"8$ S:6e4O"%"e ;e'
(e44e$& (Q)
1 102200 1500 A 12000
2 103950 1200 A 10000
3 87900 1200 A 10000
4 110000 1600 A 15000
5 97000 1400 A 12000
6 95700 1200 A 10000
7 113600 1600 A 15000
8 109600 1500 A 12000
9 110800 1500 A 12000
10 90600 1300 A 12000
11 109000 1600 B 13000
12 133000 1900 B 15000
13 134000 1800 B 15000
14 120300 2000 B 17000
15 137000 2000 B 17000
16 122400 1700 B 15000
17 121700 1800 B 15000
18 126000 1900 B 16000
19 128000 2000 B 16000
20 117500 1600 B 13000
21 158700 2400 C 18000
22 186800 2600 C 18000
23 172400 2300 C 16000
24 151200 2200 C 16000
25 179100 2800 C 20000
26 182300 2700 C 20000
27 195850 3000 C 22000
28 168000 2400 C 18000
29 199400 2500 C 20000
30 163000 2400 C 18000
Obtenga la ecuacin de regresin mltiple para estimar el precio de una fbrica
con base en las tres variables de tamao del terreno, superficie construida y
ubicacin. Prueba la significancia del modelo de regresin mltiple a un nivel del
5%.
Resp. Y = 40462 + 36.0 X1 + 0.94 X2 + 4267 X3 + 26648 X4.
32 Observe cul de las variables tienen el coeficiente de regresin parcial con
el menor valor del estadstico t, y determine si la contribucin de esa
51
variable es significativa a un nivel del 5% (Nota: para la solucin, se adopta
la posicin de que, dado que las dos variables indicadoras representas una
variable cualitativa de ubicacin, o se elimina ambas o ninguna. Por ello se
considera el mayor de los dos coeficientes t asociados con las variables
indicadores).
Resp. El tamao del lote tiene el menor valor del estadstico de prueba
(t=0.44) y se le debe eliminar del modelo.
=2 Al continuar con el problema 2, obtenga la ecuacin de regresin mltiple
para el modelo reducido y pruebe la significancia del modelo a un nivel del
5%.
Resp. Y = 41153 + 43.6X1 + 4025X3 + 24319X4
El modelo de regresin es significativo al nivel del 5%.
E2 Al igual que en el problema 2, observe cual de las variables tiene el
coeficiente de regresin parcial con el menor valor reportado del estadstico
t, y determine si la contribucin de esa variable al modelo de regresin
mltiple es significativa a un nivel del 5%.
Resp. t = 0.79, el cual se ignora dada la posicin que se describi en el
problema 2 con respecto a las variables indicadoras. La siguiente estadstica
de prueba de menor magnitud es la correspondiente a la segunda variable
indicadora (t=2.44) y es significativa a un nivel del 5%. Por ello, esta variable
no debe eliminarse del modelo.
F2 Observe la grfica de residuales para el modelo de regresin mltiple del
problema 3. Se satisfacen las suposiciones de linealidad e igualdad de
varianzas condicionales?
Resp. Las suposiciones se satisfacen en forma razonable. Existe una
observacin "aberrante en la porcin superior derecha de la grfica, y debe
verificarse su precisin en los datos originales para esa instalacin fabril
(fbrica nmero 29).
B2 Utilice el modelo de regresin del problema 3 y estime el precio de una
fbrica con (a) 1200 metros cuadrados, en la subdivisin A; (b) 1800 metros
cuadrados, en la subdivisin B; y (c) 2400 metros cuadrados en la
subdivisin C.
Resp. (a) $93423, (b) $123583, (c) $170012.
C2 Utilice el modelo de regresin del problema 3 para determinar el intervalo
de confianza del 95% para el precio promedio condicional de todas las
fbricas con
52
(a) 1299 metros cuadrados, en la subdivisin A; (b) 1800 metros cuadrados en
la subdivisin B, y (c) 2400 metros cuadrados en la subdivisin C.
Resp. (a) $87118 a $99728, (b) $118229 a $128937, (c) $164250 a 175774.
A2 Al continuar con el problema 7, determine el intervalo de prediccin del 95%
para el precio de una fbrica individual en cada una de las tres categoras
que se identificaron en el problema anterior.
Resp. (a) $75428 a $111419, (b) $105898 a $141268, (c) $152199 a $ 187825.
D2 Con referencia a la matriz de coeficientes de correlacin simple para todas
las variables que se incluyeron en el estudio. (a) Qu variable tiene la
mayor correlacin con el precio? (b) Cul de las dos variables "candidatas
a ser las variables independientes tienen la mayor correlacin entre si?
Rpta. (a) la superficie de construccin con r = 0.962, (b) la superficie de
construccin y de lote, con r = 0.961.
102 Determine (a) el coeficiente de determinacin mltiple (sin correccin por
grados de libertad) (b) el coeficiente de correlacin mltiple para el modelo
final de regresin mltiple.
R: (a) R = 0.945, (b) R = 945 . 0 = 0.972

112 Los siguientes datos muestrales muestran la escolaridad, experiencia
laboral e ingreso:
Pe4s&$a
Es%&'a4";a;
,1 (aL&s)
EM6e4"e$%"a
'a!&4a'
,3 (aL&s)
I$94es& Y
("'es ;e R
6&4 aL&)
A
B
C
D
2
4
8
8
9
18
21
12
5.0
9.7
28.4
8.8
53
E 8 14 21.0
F
G
H
J
10
12
12
12
12
16
16
9
18
5
26.6
25.4
23.1
22.5
19.5
Determine la ecuacin de regresin. Programe la solucin por MTB.
AUTOEVALUACIN
regresin mltiple, para decidir cambios.
2. Explique el basamento de la regresin mltiple y cuando es importante
su uso como instrumento de investigacin de la empresa.
TEMA N/ 0E
SERIES DE TIEMPO
12 INTRODUCCIN
La importancia de predecir el futuro con algn grado de exactitud es
inapreciable. As ocurre en el mundo de la empresa. La capacidad de prever
y predecir sucesos y tendencias refuerza la probabilidad de xito, es la
razn por la que las empresas invierten gran cantidad de tiempo, dinero y
esfuerzos en conseguir una prediccin de la evolucin econmica futura.
32 SERIE DE TIEMPO Y SUS COMPONENTES
Serie de tiempo es una serie de datos sobre una variable a lo largo de
varios perodos de tiempo.
. /
1
AO
PB de un Pas
(en millones $)
1997
1998
1999
8029.8
8480.6
9325.6
54
2000
2001
9878.4
10807.4
Los perodos pueden ser aos, semestres, trimestres, meses, das u
horas; lo necesario para, utilizando series temporales, predecir
valores futuros a partir de observaciones pasadas.
M&;e'& E'ee$(a' ;e P4e;"%%"8$: Utiliza la Observacin ms reciente para
predecir la observacin siguiente. O sea:

t 1 t
Y Y
=
+
O tambin:
1
5
t t t
Y Y a
+
= + S
a
=cantidad aleatoria + o -
COMPONENTES DE UNA SERIE TEMPORAL2
Las series temporales, como mnimo tienen uno de los 4 componentes:
Tendencia, variacin estacional, variacin cclica y variacin irregular.
TENDENCIA (T): Es el componente permanente a largo plazo de una
variable:
VARIACIN ESTACIONAL (S): Se refiere a las fluctuaciones estacionales,
que son movimientos de la serie temporal que se repiten segn las estaciones
del ao.
Para que se evidencie la variacin estacional es necesario tomar los datos
trimestrales, mensuales o semanales.
55
RECTA DE
TENDENCIA
=00
3F0
300
1F0
100
F0
1DC0 1DCF 1DA0 1DAF 1DD0
EMPLEO EN AGRICULTURA EN
USA
(MILLONES DE PERSONAS)
1DC0 1DCF 1DA0 1DAF
1DD0
DPOSITOS BANCARIOS
(BILLONES DE R)
RECTA DE
TENDENCIA
100
D0
A0
C0
B0
F0
ENE -UL DIC ENE -UL DIC ENE -UL DIC
FLUCTUACIONES DEL DESEMPLEO EN USA
P
O
R
C
E
N
T
A
-
E

D
E
S
E
M
P
L
E
O
Cada ao: Mayo tiende a aumentar el desempleo, cuando los
estudiantes del bachillerato entran al mercado en verano. Noviembre
disminuye el desempleo, cuando las tiendas de venta al por menor
contratan ayuda temporal para atender en Navidad.
VARACN CCLCA (C): Se refiere a variables que fluctan por
encima o por debajo de la tendencia, obtenindose fluctuaciones en
forma de onda del nivel general de la actividad econmica en un plazo
relativamente largo de tiempo.
Un ciclo econmico consta de 4 fases:
1) La 4ea%("7a%"8$: Durante la cual el nivel de la actividad econmica de
las empresas se acelera, la produccin es intensa y el desempleo
disminuye.
2) E' TM"&, 6"%& & a:9e: En cuyo punto el ndice de la actividad
econmica ha "llegado al techo" en crecimiento y ya no puede seguir
creciendo.
3) La ;esa%e'e4a%"8$ & %&$(4a%%"8$: Cuando la actividad econmica
decrece y el desempleo va en aumento.
4) La 4e%es"8$: En que la actividad econmica est en su punto ms bajo,
baja la demanda, es decir no hay circulacin de dinero y el desempleo
aumenta.
56
RECTA DE
TENDENCIA
1DB0 1DBF 1DC0 1DCF 1DA0 1DAF 1DD0 1DDF
N
+
M
E
R
O

D
E

A
U
T
O
S

V
E
N
D
I
D
O
S
VARACN RREGULAR O ALEATORA (): Son series temporales
causadas por la aparicin de sucesos que producen movimientos sin
ninguna regla y que es improbable que vuelvan a ocurrir de manera
similar. Pueden ser causadas por episodios como: guerras,
inundaciones, terremotos, fenmenos del nio, elecciones polticas,
embargos petroleros, etc.
=2 TCNICAS DE SUAVIZACIN2
Estudiamos 2 tcnicas de suavizacin de datos de series temporales:
A) Medias Mviles.
La media mvil (MA) es una serie de medias aritmticas de un nmero
determinado de perodos, que sirve para estimar la media de la variable
a largo plazo. Una media mvil tiene el efecto de "aplanar" los datos y
producir un movimiento donde no aparezcan picos y valles tan pronunciados.
. /
1
De las ventas de una tienda. Determinar la MA de 3 meses y la MA
de 5 meses.
MES
VENTAS
(cientos $)
MA 3 meses MA 5 meses
Enero 52
Febrero 81 60.00
Marzo 47 64.33 59.00
Abril 65 54.00 63.20
Mayo 50 62.67 56.00
Junio 73 56.00 58.60
Julio 45 59.33 55.60
Agosto 60 51.67 61.40
Setiembre 50 63.00 55.80
Octubre 79 58.00 59.20
Noviembre 45 62.00
Diciembre 62
Enero 62.00 59.20
57
Va'&4es
Se4"e
T"e6&
D &4"9"$a'es
Me;"a M&72 : = 6e4J&;&s
Me;"a M&72 : F 6e4J&;&s
La prediccin para Enero del siguiente ao es con 62.00 o con 59.20.
Si se trabaja con un nmero par de perodos debe centrarse los resultados.
. /
1
Ventas de tarjeta de felicitacin (MLES DE $)
PERODO VENTAS
MA 4
TRMESTRES
MA 4 TRM.
CENTRADA
95-1 40
95-2 45
....... 45.50
95-3 38 .......... 44.13
45.75
95-4 47 45.00
44.25
96-1 53 45.35
46.50
96-2 39 44.63
42.75
96-3 47 42.50
42.75
96-4 32 43.00
43.75
97-1 51 42.50
41.25
97-2 45 44.00
46.75
97-3 37
97-4 54
98-1 44.00
La prediccin para el 98-1 es con 44.00.
Las medias mviles eliminan variaciones estacionales e irregulares.
La media mvil promedia las variaciones cclicas.
Si los datos son muy voltiles, debe utilizarse un nmero pequeo de
perodos en la prediccin, para evitar que se aproxime demasiado a la
media a largo plazo. Por el contrario, cuando los datos no varan
mucho de la media a largo plazo, se debe utilizar un nmero mayor de
perodos.
La media mvil aporta ms ventajas cuando los datos no presentan
tendencia creciente o decreciente.
B) Suavizacin exponencial.
58
Tambin aplana una serie y suministra un medio efectivo de prediccin.
Cuando los datos no presentan tendencia se utiliza la suavizacin
exponencial de primer orden. Su frmula es:

=
+1 t
F

( ) + 1 A
t t
F
;

1 t
F
+
= prediccin del perodo siguiente y futuro

t
A = valor real del perodo actual

t
F = prediccin hecha anteriormente para el perodo actual.
Valor
: Constante de suavizacin, se elige entre 0 y 1, es mejor el que

hace mnimo al Error Cuadrado Medio dado por:
ECM =
( )
1 n
A F
2
t t

. /
1
Se tiene ventas de Febrero $110 mil y se desea predecir las ventas de
Marzo. Se sabe adems que las ventas de Enero fueron $105 mil.
SOLUCIN
=
+1 t
F ( ) + 1 A
t t
F
1)
t
A
= ventas reales de Febrero = $110 mil.
2)
t
F
= ventas previstas para Febrero = desconocido, en razn que Marzo
es el primer mes que se busca predecir. Se acostumbra reemplazar
con el valor real del perodo anterior o sea de Enero =$105 mil.
3) Si
=0.3:
=
+1 t
F
0.3 (110) + 0.7 (105) = $106.50 miles
Si las ventas reales de marzo son $107 mil:
abril
F
= (0.3)107+(0.7)106.5=$106.65 mil
Si las ventas reales de Abril son $112 mil:
mayo
F
= 0.3 (112)+0.7 (106.65)=$108.26 mil
. E
2
Sea la tabla de ventas reales de Enero a Julio. Calcule las ventas
previstas para
=0.3 y para
=0.8. Adems mediante el error cuadrado

medio, determine el mejor.
SOLUCN.
MES
V. REALES
(
t
A )
V. PREVSTAS
( =0.3) (
t
F )
V. PREVSTAS
( =0.8) (
t
F )
( )
2
t t
A F
( =0.3)
( )
2
t t
A F
( =0.8)
Enero 105 - - - -
Febrero 110 105.00 105.00 25.00 25.00
59
Marzo 107 106.50 109.00 0.25 4.00
Abril 112 106.65 107.40 28.62 21.16
Mayo 117 108.26 111.08 76.39 35.08
Junio 104 110.88 115.82 47.33 139.71
Julio 108 108.82 106.36 0.67 2.69
178.26 227.61
Agosto - 108.57 107.67
ECM
3 . 0
G
( )
1 n
A F
2
t t

G 71 . 29
1 7
26 . 178
=
S
ECM
8 . 0
G
( )
1 n
A F
2
t t

G 94 . 37
1 7
61 . 227
=
Por lo tanto el mejor
es 0.3, que corresponde al menor error cuadrado

medio; este
produce mejores resultados de prediccin, o sea de las dos

predicciones para Agosto, la mejor es 108.57.
. E
3
Predicciones de ndices de desempleo.
Los ndices mensuales de desempleo de un determinado ao aparecen en la
tabla siguiente. Se pide:
1) Suavice las fluctuaciones mediante una media mvil con 4 perodos.
2) Utilice un modelo de suavizacin exponencial con
=0.4 para predecir el

desempleo de un mes futuro.
Ene. 5.4 Jul. 5.4
Feb. 5.1 Ago. 5.5
Mar. 5.0 Set. 5.2
Abr. 5.2 Oct. 5.5
May. 5.3 Nov. 5.1
Jun. 5.3 Dic 5.4
SOLUCN.
ME
S
NDCE MA
MA
CENTRADA

(
F
Ene. 5.4
Feb. 5.1 5.4
5.175
Mar. 5.0 5.16 5.28
mar
F
=0.4(5.1)+0.6 (5.4)=5.28
5.150
Abr. 5.2 5.18 5.17
5.200
May
.
5.3 5.25 5.18
60
5.300
Jun. 5.3 5.34 5.23
5.375
Jul. 5.4 5.36 5.26
5.350
Ago. 5.5 5.38 5.31
5.400
Set. 5.2 5.36 5.39
5.325
Oct. 5.5 5.31 5.31
5.300
Nov. 5.1 5.39
Dic. 5.4 5.27
Ene. 5.31%
5.32,
ENE
F
=0.4(5.4)+0.6(5.27)= 5.32 %
NTERPRETACN.
El mtodo de la media mvil predice una tasa de 5.31%, la suavizacin
exponencial predice una tasa de 5.32%, ambos para Ene del siguiente
ao o para cualquier perodo futuro, puesto que los datos no presentan
tendencia, sino que se considera que fluctan alrededor de la media a
largo plazo.
E2 DESCOMPOSICIN DE UNA SERIE TEMPORAL2
a) TENDENCIA2
El modelo es:
t b b Y
1 0 t
+ =
Y
= valor estimado de la variable dependiente.

0
b
= ordenada en el origen de la recta de tendencia.

1
= pendiente de la recta de tendencia.

t = variable independiente.
. E
1
La tabla recoge los datos del nmero de viviendas en construccin en una
ciudad por un perodo de 16 aos. Se desea ajustar las observaciones de la
serie temporal, para elaborar un modelo de prediccin del nmero de
viviendas en construccin en el futuro.
SOLUCIN
AO t=X
Y (viviendas
en const.)
xy X
3
1977 1 7.0 7.0 1
1978 2 7.1 14.2 4
1979 3 7.9 23.7 9
61
1980 4 7.3 29.2 16
1981 5 8.2 41.0 25
1982 6 8.3 49.8 36
1983 7 8.1 56.7 49
1984 8 8.6 68.8 64
1985 9 8.8 79.2 81
1986 10 8.9 89.0 100
1987 11 8.7 95.7 121
1988 12 9.1 109.2 144
1989 13 9.4 122.2 169
1990 14 9.1 127.4 196
1991 15 9.5 142.5 225
1992 16 9.9 158.4 256
136 135.9 1214.0 1496
x =8.50,
y
=8.49
1 2 2
xy nxy
x nx

=

=
174 . 0
) 50 . 8 ( 16 1496
) 49 . 8 )( 50 . 8 ( 16 1214
2
=
,

0 1
y x =
= 8.49 - 0.174(8.50)= 7.01
La recta de tendencia es:
=
t
Y
7.01 + 0.174 t, Como predicciones tenemos.

Para 1993: Y
=7.01 + 0.174 (17) =9.97 viviendas.

Para 1995: Y
=7.01 + 0.174 (19) =10.32 viviendas.

!) VARIACIN ESTACIONAL (S)2
. E
1
La tabla muestra los beneficios de alquiler de un video. Los
beneficios parecen ser ms altos en vacaciones escolares y ms bajos
en otras pocas del ao, esto sugiere presencia de factores
estacionales. Determine los ndices estacionales.
SOLUCIN
PERODO
Y (Beneficios) cientos
de $
MA de 12 meses
(T.C)
MA centrada
(T.C)
Relacin
Y/MA= S.
1991 Ene. 10
Feb. 9
Mar. 11
Abr. 12
May. 18
Jun 23
15. 5833
Jul. 27 15. 5417 1.7373
15.5000
62
Ago. 26 15. 5833 1.6685
15. 6667
Set. 18 15. 6250 1.1520
15. 5833
Oct. 13 15. 5833 0.8342
15. 5833
Nov. 10 15. 6250 0.6400
15. 6667
Dic 10 15. 7500 0.6349
15. 8333
1992 Ene. 9 15. 8750 0.5669
15. 9067
Feb. 11 16. 1250 0.6822
16. 3333
Mar. 10 16. 5000 0.6061
16.6667
Abr. 12 16. 7500 0.7164
16. 8333
May. 19 16. 8750 1.1259
16.9167
Jun 25 17. 0000 1.4706
17.0831
Jul. 28 17. 1250 1.6350
17. 1667
Ago. 31 17. 0417 1.8191
16. 9167
Set. 22 16.9167 1.3005
16.9167
Oct. 25 16.9167 0. 8867
16.9167
Nov. 11 16.9167 0.6502
16.9167
Dic 12 16.9167 0.7094
16.9167
1993 Ene. 10 16.9583 0.5897
17.0000
Feb. 8 17.0000 0.4706
17.0000
Mar. 10 16.9583 0.5897
16.9167
Abr. 12 16.9583 0.7076
17.0000
May. 19 17.2916 1.0988
17.5833
Jun 25 17.8750 1.3986
18.1667
Jul. 29
Ago. 31
Set. 21
Oct. 16
Nov. 18
Dic 19
El modelo multiplicativo es Y T C S I = , la MA elimina S e : o sea MA
= TxC
RELACIN DE LOS DATOS CON LA MEDIA MOVIL:
63
S
C T
S C T
MA
Y
=

=
De la tabla anterior se toman los valores de la relacin, de la ltima
columna, con los cuales, por media aritmtica, se obtiene la Relacin
media con la MA.
Esta relacin se normaliza multiplicando cada media por una razn de
normalizacin que es el cociente: 12 entre la suma de los medios,
obtenindose los ndices estacionales; pues la normalizacin elimina ,
quedando solo S.

RAZN DE NORMALZACN = 0130 . 1
8455 . 11
12
=
MES 1991 1992 1993
RELACN MEDA
CON LA MA.
NDCE
ESTACONAL
Ene. 0.5669 0.5897 0.5783 0.5858
Feb. 0.6822 0.4706 0.5764 0.5839
Mar. 0.6061 0.5897 0.5979 0.6057
Abr. 0.7164 0.7076 0.7120 0.7212
May. 1.1259 1.0988 1.1124 1.1269
Jun. 1.4706 1.3986 1.4346 1.4532
Jul. 1.7373 1.6350 1.6862 1.7081
Ago. 1.6685 1.8191 1.7438 1.7665
Set. 1.1520 1.3005 1.2262 1.2421
Oct. 0.8342 0.8867 0.8604 0.8716
Nov. 0.6400 0.6502 0.6451 0.6535
Dic. 0.6349 0.7094 0.6722 0.6809
11.8455 11.9994 12
APLCACONES DEL NDCE ESTACONAL.
1. El ndice estacional de un mes en particular indica el grado en que
ese mes contribuye al comportamiento global del ao. El ndice
0.5858 de Ene indica a la tienda que los beneficios de Ene son solo el
58.58% de la media de todo el ao, es decir que los beneficios se
quedan en el 41.42% por debajo de la media mensual del ao. Es un
mes bajo. En cambio el ndice 1.7665 de Ago indica que los
beneficios de Ago son el 176.65% de la media mensual del ao. Es
un buen mes para la tienda.
2. Se pueden utilizar para desestacionalizar los datos. El valor
desestacionalizado se obtiene dividiendo el valor real del mes entre el
ndice estacional de dicho mes.
64
. E
1 1991
Ene

= =
5858 . 0
10
17.07
O sea, si no fuera por la variacin estacional, Enero de 1991 dara
beneficios por $1707.00
3. Tambin se usan para estacionalizar datos y obtener un cuadro
exacto de los beneficios que un perodo podra generar.
Supongamos que la tienda espera que los beneficios sean 190 al ao.
Sin estacionalizar esperaramos.
83 . 15
12
190
=
Mensuales de beneficios
Su estimacin de beneficios para ENE, estacionalizados seran 15.83
0.5858 = 9.27 sea $927.00
O si la tienda trabaja con la ecuacin de tendencia, que es:
t 167 . 0 85 . 13 Y
t
+ =
La prediccin para ENE 1994 sera:
03 . 20 ) 37 ( 167 . 0 85 . 13 Y
= + =
Sin tener en cuenta la bajada estacional que ocurre en ENE

Estacional izando: 20.030 5858 = 11.73 sea $1,173.00
Que seran los beneficios del mes.
. E
2
Marge es propietaria de un criadero de perros. Desea determinar los
ndices estacionales de los datos trimestrales sobre ingresos, que se
indican en miles de $ en las dos primeras columnas de la tabla
siguientes:
SOLUCN.
Con datos trimestrales, una media mvil de 4 perodos eliminar las
variaciones estacionales. En la siguiente tabla, determinamos MA
centrada y la Relacin Y/ MA centrada:
65
AO-TRMESTRE NGRESOS MA MA CENTRADA
RELACN CON
MA CENTRADA
1991- 24
31
29.50
21 29. 8750 0.7029
30.25
V 42 30. 3750 1.3827
30.50
1992- 27 31. 0000 0.8710
31.50
32 31. 3750 1.0199
31.25
25 30. 3750 0.8230
29.50
V 41 28. 8750 1.4200
28.25
1993- 20 27. 3750 0.7306
26.50
27 26. 2500 1.0286
26.00
18
V 39
De donde se toman los valores de la relacin con MA, para calcular la relacin
media con la MA y finalmente normalizar para obtener el ndice estacional.
La razn de normalizacin es:
0026 . 1
9894 . 3
4
=
TRM 1991 1992 1993
RELACN MEDA CON LA
MEDA MVL
NDCE
ESTACONAL
0.8710 0.7306 0.8008 0.8029
1.0199 1.0286 1.0242 1.0269
0.7029 0.8230 0.7630 0.7650
V 1.3827 1.4200 1.4014 1.4050
3.9894 3.9998 4
Las ventas del V trimestre por ejemplo son 40.50% mayores que la media
trimestral. El valor desestacionalizado del V trimestre de 1991 es:
89 . 29
4050 . 1
42
=
c) VARIACIN C)CLICA (C)
Para identificar el componente cclico se puede empezar por obtener la
tendencia. Para el ejemplo anterior, la recta de tendencia es:
=
t
Y
28.58 +
0.0524 t
66
En la siguiente tabla se muestran: los datos de la serie temporal (2), los
valores previstos a partir del modelo de tendencia (3) y los ndices
estacionales calculados (4).
Luego se calcula la norma estadstica (5): la proyeccin de la tendencia (3)
por el ndice estacional (4). Despus se obtienen los componentes cclico e
irregular (6) mediante:
C
S T
C S T
S T
Y
=
Que se expresa en porcentaje

Esta columna contiene componentes cclicos e irregulares, este ltimo se
elimina tomando una media mvil de 4 perodos, quedando solo el factor
cclico (8), que representan los niveles reales de ingresos de la Sra. Marge
en los distintos perodos en porcentaje de la tendencia.
d) VARIACIN IRREGULAR (I)2
Si dividimos (6) entre (8) y multiplicamos por 100, se obtienen los ndices irregulares (9).
(1)
PER)ODO
(3)
INGRESOS
Y
(=)
PROYECCIN
DE TENDENCIA
T
(E)
INDICE
ESTAC
S
(F)
NORMA
ESTADIS
(=) (E):TS
(B)
COMPON
CICLIC E
IRREG
(C)
MA E
PER)ODOS
(A)
COMPON
CICLIC MA
CENTRADA
(D)
COMPON
IRREG
1DD1NI 3E 3A2B= 02 A03D 332DD 10E2=D
II =1 3A2BA 1203BD 3D2EF 10F23B
10323E
III 31 3A2CE 02CBF0 312DD DF2F0 10=2CB D320E
10F23D
IV E3 3A2CD 12E0F0 E02EF 10=2A= 10F2B3 DA2=0
10F2DE
1DD3NI 3C 3A2AE 02A03D 3=21B 11B2FA 10A211 10C2A=
11023A
II =3 3A2AD 1203BD 3D2BC 10C2AF 10D2AA DA21F
10D2EA
III 3F 3A2DF 02CBF0 3321F 1132AC 10F2B= 10B2AF
1012CA
IV E1 3D200 12E0F0 E02CE 1002BE DD2B0 10120E
DC2E1
1DD=NI 30 3D20F 02A03D 3=2=3 AF2CB D=2=A D12AE
AD2=B
II 3C 3D210 1203BD 3D2AA D02=B AA2BB 1012D3
AC2DB
III 1A 3D21B 02CBF0 332=1 A02BA
IV =D 3D231 12E0F0 E120E DF20=
67
RESULTADOS POR COMPUTADORA
. E
1
Por Minitab, determinamos la ecuacin de la tendencia del ejemplo
ltimo.
SOLUCIN
MTB U NAME C1GV(V, C3GVYV
MTB U READ V(V, VYV
DATAU 1 3E
DATAU 3 =1
DATAU = 31
DATAU E E3
DATAU F 3C
DATAU B =3
DATAU C 3F
DATAU A E1
DATAU D 30
DATAU 10 3C
DATAU 11 1A
DATAU 13 =D
DATAU END
13 4&Ws 4ea;2
MTB U REGRESS VYV USING 1 PREDICTOR V(V, C=, PUT FITS IN CES
SUBCU PREDICT 1=S
SUBCU PREDICT 1E2
TXe 4e94ess"&$ eH:a("&$ "s
Y G 3A2B Y 020F3 (
P4e;"%(&4 C&eO S(De7 T P
Con!"n! 2#.$%& $.2'& $.(0 0.000
( 020F3E 02C1DB 020C 02DE=
S G A2B0F RNSH G 021Z RNSH(a;<) G 020Z
A$a'@s"s &O Va4"a$%e
S&:4%e DF SS MS F P
Re94ess"&$ 1 02=D 02=D 0201 02DE=
E44&4 10 CE02F3 CE20F
T&(a' 11 CE02D3
F"( S(De7 F"( DF20Z CI DF20Z PI
3D23B F2=0 ( 1C2EF, E120B) ( B2CE, F12CA)
F"( S(De7 F"( DF20Z CI DF20Z PI
3D2=1 F2DE ( 1B20C, E32FF) ( B200, F32B3)
68
. E
2
P&4 M"$"(a!, ;e(e4"$e '&s J$;"%es es(a%"&$a'es ;e' e<e6'& ['("&2
SOLUCIN
MTB > SET C1
DATA> 24 31 21 42 27 32 25 41 20 27 18 39
DATA> END
MTB > LET C2=C1
MTB > LET C3=C1
MTB > LET C4=C1
MTB > DELETE 1 C2
MTB > DELETE 1:2 C3
MTB > DELETE 1:3 C4
MTB > LET C5=C1+C2+C3+C4
MTB > PRNT C1-C5
Data Display
Row C1 C2 C3 C4 C5
1 24 31 21 42 118
2 31 21 42 27 121
3 21 42 27 32 122
4 42 27 32 25 126
5 27 32 25 41 125
6 32 25 41 20 118
7 25 41 20 27 113
8 41 20 27 18 106
9 20 27 18 39 104
10 27 18 39
11 18 39
12 39
MTB > LET C6=C5
MTB > DELETE 1 C6
MTB > LET C7=C5+C6
MTB > PRNT C1-C7
Data Display
Row C1 C2 C3 C4 C5 C6 C7
1 24 31 21 42 118 121 239
2 31 21 42 27 121 122 243
69
3 21 42 27 32 122 126 248
4 42 27 32 25 126 125 251
5 27 32 25 41 125 118 243
6 32 25 41 20 118 113 231
7 25 41 20 27 113 106 219
8 41 20 27 18 106 104 210
9 20 27 18 39 104
10 27 18 39
11 18 39
12 39
MTB > LET C8=C7/8
MTB > LET C9=(C3/C8)*100
MTB > PRNT C9
Data Display
C9
70.293 138.272 87.097 101.992 82.305 141.991 73.059 102.857
MTB > SET C10
DATA> 3 4 1 2 3 4 1 2
DATA> END
MTB > DESCRBE C9;
SUBC> BY C10.
Variable C10 N Mean Median Tr Mean StDev SE Mean
C9 1 2 80.08 80.08 80.08 9.93 7.02
2 2 102.42 102.42 102.42 0.61 0.43
3 2 76.30 76.30 76.30 8.49 6.01
4 2 140.13 140.13 140.13 2.63 1.86
Los ndices se leen en Median, faltando solo la normalizacin, es decir
ajustarlos para que sumen 400.
TALLER E
SERIES DE TIEMPO
O!<e("7&
nvestigar las situaciones de la empresa que tienen que compararse mediante las
series de tiempo, para segn los resultados plantear o no cambios.
O4"e$(a%"&$es
70
1. El rendimiento por accin, para la Compaa Metalrgica, durante un
periodo de 10 aos es el siguiente:
.64 .73 .94 1.14 1.33 1.53 1.67 1.68 2.10 2.50
a. Emplee una proyeccin de tendencia lineal para pronosticar esta serie de
tiempo en el prximo ao.
b. Qu nos dice este anlisis de tendencia temporal acerca de la Compaa
Metalrgica? De acuerdo con los datos histricos, es recomendable
invertir en esta empresa?
2. Al final de la dcada de los noventa, muchas empresas trataron de reducir
su tamao para disminuir sus costos. Uno de los resultados de esas
medidas de recorte de costos fue una disminucin en el porcentaje de
empleos gerenciales en la industria privada. Los siguientes datos
corresponden al porcentaje de mujeres gerentes, de 1990 a 1995 (&'e (all
"treet )ournal *lmanac, +,,-).
-:! 1990 1991 1992 1993 1994 1995
A!rce3ta8e 7.45 7.53 7.52 7.65 7.62 7.73
a. Deduzca un ecuacin de tendencia lineal para esta serie de tiempo.
b. Use la ecuacin de la tendencia para estimar el porcentaje de mujeres
gerentes para 1996 y 1997.
3. Los datos de ingresos brutos (en millones de dlares) en Delta Airlines,
para un perodo de 10 aos, son los siguientes:
A)o In*+,o A)o In*+,o
1
2
3
4
5
2428
2951
3533
3618
3616
6
7
8
9
10
4264
4738
4460
5318
6915
a. Deduzca una ecuacin de tendencia lineal para esta serie de tiempo.
Comente acerca de lo que representa la ecuacin sobre los ingresos brutos
de Delta Airlines para el periodo de 10 aos.
b. Determine los pronsticos de ingresos netos durante los aos 11 y 12.
4. La empresa RALPH RHODES desea utilizar las tcnicas de
suavizacin para promediar y predecir los niveles de las inversiones
de capital, basndose en su estadstica de inversiones de los ltimos
12 aos siguiente:
71
AO
NVERSN (Y)
MLES DE $
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
73.2
68.1
72.8
75.9
71.8
69.3
68.0
67.5
69.9
73.2
75.3
72.9
a) Calcule medias mviles de 3 y 4 aos. nterprete en cuanto a la
prediccin para el 2001.
b) Predecir mediante la suavizacin exponencial para
=0.2 y
=0.7
Cul prediccin para el 2001 es ms exacta?
c) Determine la recta de tendencia y predicciones para los aos 2001,
2003, 2005.
5. Durante los ltimos aos las condiciones econmicas de RANBOW
WNTERPRSES han sido negras. El director ejecutivo ha recogido
totales trimestrales del nmero de empleados que han sido
despedidos en los ltimos 4 aos, en la siguiente tabla:
PERIODO DESPEDIDOS (E) PERIODO DESPEDIDOS (E)
1997- 25 1999- 35
27 37
32 37
V 29 V 39
1998- 28 2000- 38
32 42
34 44
V 38 V 45
a) El Director ejecutivo predice el nmero de despidos para los perodos
2001-, 2001-, 2001- Y 2001-V, con ayuda del anlisis de
tendencia lineal.
b) El Director ejecutivo, calcula los ndices estacionales del nmero de
despidos.
72
c) El Director ejecutivo determina los despidos si se eliminaran factores
estacionales.
d) Los ejecutivos de RANBOW piensan que los movimientos generales
del ciclo econmico influyen en la necesidad de despedir empleados y
deciden colindar los componentes cclicos de cada perodo.
e) Si los despidos en 2001- son 46 Qu despidos totales podra
explicar RANBOW para 2001.
f) En un esfuerzo final por encontrar el nmero de despidos necesarios,
RANBOW desea obtener cifras desestacionalizadas para cada
perodo.
6. Las ventas que ha registrado CARS-R-US en los ltimos aos en
miles de dlares son:
Mes 1DDA 1DDD 3000
E$e 17.2 18.1 16.3
Fe!2 18.7 19.2 17.3
Ma42 19.7 20.3 18.5
A!42 20.2 21.5 20.3
Ma@2 21.7 22.0 21.0
-:$2 23.1 24.7 25.0
-:'2 24.2 23.9 22.7
A9&2 25.7 26.2 25.0
Se(2 21.2 22.0 21.9
O%(2 19.3 18.0 17.3
N&7 22.7 19.7 21.2
D"%2 19.3 17.3 16.2
a) Parece haber alguna tendencia en los datos? Alguna variacin
estacional? Alguna variacin cclica?
b) Calcule la media mvil de 12 meses. nterprete.
c) Calcule los ndices estacionales de cada mes.
d) Cules son las cifras de ventas ajustadas estacionalmente de los 6
ltimos meses del 2000? nterprete.
e) Cules son los valores desestacionalizados de los 6 ltimos meses del
2000? nterprete.
7. Segn BUNES WEEK, la participacin de TAWAN en el mercado
mundial de microchip por trimestres ha sido la que se indica, en
porcentajes:
73
1DDA 1DDD 3000
1.1 1.4 2.5
1.3 1.8 2.8
1.6 2.1 3.1
V 1.5 2.6 3.1
a) Utilice la media mvil de 4 perodos para eliminar las variaciones
estacionales, calcular los ndices estacionales.
b) Calcule las participaciones en el mercado desestacionalizados.
c) Determine la recta de tendencia.
8. MOPEDS, NC. , est preocupada por el hundimiento de las ventas.
Si las ventas mensuales caen por debajo de $ 9,000, se cerrar la
oficina regional del Nordeste. Segn las cifras que se indican a
continuacin, Es probable que ocurra esto en cinco meses
prximos? Las cifras estn en miles:
1DDD
E F M A M - - A S O N D
18 17.3 16.9 18.1 16.8 16.3 15.1 14.5 14 14.5 14 13.1
3000
13.9 13.1 12.8 12.4 11.8 11.9 11.7 11.5 11.1 11.2 11.2 11.1
a) Determine la recta de tendencia. Calcule los ndices estacinales.
b) Cul es la fuerza de la relacin entre las ventas y el tiempo?
AUTOEVALUACIN
regresin mltiple, para decidir cambios.
2. Explique el basamento de la regresin mltiple y cuando es
importante su uso como instrumento de investigacin de la empresa.
PROBLEMAS ADCONALES
PARTE 2
1. Un representante de marketing establece una ecuacin de regresin de las
unidades vendidas a partir de la poblacin residente en la zona de ventas y de
si en sta hay oficina local de la cual dependa el personal de ventas. El modelo
es:
Y = 78.12 +2.01X1 - 7.2X2
74
donde Y representa las unidades vendidas, X1 los habitantes en miles , X2 es
0 si la zona tiene oficina y 1 si no la tiene.
Si la poblacin es de20, 000 habitantes en una zona que tiene una oficina y
tambin 20,000 en una zona sin oficina, Cul sera el nmero de unidades
vendidas en cada una de ellas?
2. La empresa RALPH RHODES desea utilizar las tcnicas de suavizacin para
promediar y predecir los niveles de las inversiones de capital, basndose en su
estadstica de inversiones de los ltimos 12 aos siguientes:
AO
NVERSN (Y)
MLES DE $
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
73.2
68.1
72.8
75.9
71.8
69.3
68.0
67.5
69.9
73.2
75.3
72.9
d) Calcule medias mviles de 6 aos y haga la prediccin para el 2001.
e) Determine la recta de tendencia y con esta las predicciones para los aos
2001, 2005 y 2007.
3. El director de una empresa local de contabilidad cre un modelo de regresin
para conocer el tiempo que lleva realizar una auditora. El modelo es:
Y = 27 - 1.41X1 +2.73X2
Donde Y es el tiempo en horas, X1 los aos de experiencia del auditor y X2 si el
auditor es un CPC: 0 si lo es; 1 si no lo es.
a) Si el auditor tiene diez aos de experiencia y es un CPC, cunto tiempo le
llevara realizar la auditoria?
b) Si otro auditor tiene diez aos de experiencia pero no es un CPC, cunto
tiempo le llevara realizar la auditoria?
4. Durante los ltimos aos las condiciones econmicas de RANBOW
WNTERPRSES han sido negras. El director ejecutivo ha recogido totales
trimestrales del nmero de empleados que han sido despedidos en los ltimos
4 aos, en la siguiente tabla:
PERODO DESPEDDOS (4) PERODO DESPEDDOS (4)
1997- 25 1999- 35
75
27 37
32 37
V 29 V 39
1998- 28 2000- 38
32 42
34 44
V 38 V 45
a) El Director ejecutivo predice el nmero de despidos para los perodos 2001-,
2001-, 2002- Y 2002-V, con ayuda del anlisis de tendencia lineal.
b)El Director ejecutivo, calcula los ndices estacionales del nmero de despidos.
5. Mario Padilla ( un contable de la corporacin Palmer) quiere determinar si los
gastos generales se pueden estimar con arreglo al nmero de mesas y sillas
producidas. Mario recoge los siguientes datos sobre los gastos generales para
producir sillas y mesas en siete plantas diferentes:
Planta Gastos generales Y Nmero de sillas X1 Nmero de mesas X2
1 $ 576 112 95
2 497 122 84
3 789 147 102
4 862 173 108
5 361 94 75
6 688 151 99
7 532 109 91
a. Determine la ecuacin muestral de regresin mltiple.
b. Cuando se produce una silla extra, Cul es el aumento en el gasto
general ?
6. Las ventas que ha registrado CARS-R-US en los ltimos aos en miles de
dlares son:
Mes 1998 1999 2000
Ene 17.2 18.1 16.3
Feb. 18.7 19.2 17.3
Mar. 19.7 20.3 18.5
Abr. 20.2 21.5 20.3
May. 21.7 22.0 21.0
Jun. 23.1 24.7 25.0
Jul. 24.2 23.9 22.7
Ago. 25.7 26.2 25.0
Set. 21.2 22.0 21.9
76
Oct. 19.3 18.0 17.3
Nov 22.7 19.7 21.2
Dic. 19.3 17.3 16.2
Calcule los ndices estacionales de cada mes. nterprete. Qu opina sobre los ndices
cclicos e irregulares.
7. El gerente de supermercados Wong, quiere saber si existe una relacin entre el
tiempo que tarda un cliente en pasar por caja y dos variables de prediccin: El
monto de la compra y el nmero de artculos comprados, con el siguiente
reporte:
Cliente Tiempo en caja Y (min) Monto de compra X1 ($) Nmero artculos X2
1 3.1 35 8
2 1.1 14 6
3 0.4 4 2
4 6.4 78 13
5 5.8 81 12
6 8.4 106 18
7 4.9 61 11
8 7.9 66 12
9 2.1 22 6
10 5.9 54 12
a. Determine la ecuacin de regresin mltiple para la muestra. Cuando se
compra un artculo adicional, Cul es el promedio de aumento en el
tiempo de pasar por caja?
b. Estime el tiempo que tarda un cliente en pasar por caja, si compra 15
artculos por un monto de $75.
8. Se$B3 BC2./S, la participaciD3 'e 0-2E-. e3 el Ferca'! F(3'ial 'e Ficr!cGips p!r
triFestres Ga si'! la H(e se i3'ica, e3 p!rce3ta8es"
1998 1999 2000
1.1 1.4 2.5
1.3 1.8 2.8
1.6 2.1 3.1
V 1.5 2.6 3.1
d) Determine la recta de tendencia.
e) Calcule las participaciones en el mercado desestacionalizado.
9. John Wolf piensa que la suavizacin exponencial con un valor de alfa 0.8 es lo
que mejor puede predecir las existencias de septiembre de su empresa de
suministros mdicos. Su socio piensa que se debe utilizar un alfa de 0.4.
Cul es la prediccin en cada caso y quin tiene razn?, si:
MES : E F M A M J J A
EXSTENCAS (MLES) : 41 48 37 32 45 43 49 38
77
10. MOPEDS, NC. , est preocupada por el hundimiento de las ventas. Si las
ventas mensuales caen por debajo de $ 7,000, se cerrar la oficina regional del
Noreste. Segn las cifras que se indican a continuacin. Es probable que
ocurra esto en los diez meses prximos?. b) Son estacionales las ventas?.
1999
E F M A M J J A S O N D
18 17.3 16.9 18.1 16.8 16.3 15.1 14.5 14 14.5 14 13.1
2000
13.9 13.1 12.8 12.4 11.8 11.9 11.7 11.5 11.1 11.2 11.2 11.1
UNIDAD III
N+MEROS )NDICE Y TEOR)A DE DECISIONES
En el estudio de la empresa se destacan los cambios de precios de las cosas y/o
artculos a travs del tiempo, el valor de la moneda en el tiempo o deflacin, as como
prever el futuro para acertar en las decisiones empresariales, estos temas se estudian,
mediante los instrumentos denominados nmeros ndice y teora de decisiones.

1. Comprende el conocimiento de los nmeros ndice y la teora de decisiones,
aplicndolas a la valoracin del dinero en el tiempo y a la toma de las mejores
decisiones en la empresa respectivamente.
2. Se resuelven ejemplos prcticos de la empresa simplificando los clculos con la
calculadora.
3. Se interpreta la tabla de pagos como una matriz de doble entrada y las
decisiones las trabajamos por casos.
1. Se aplica a la valoracin del dinero en el tiempo y sobre todo al peritaje contable.
78
2. Se aplica con fluidez para optimizar el funcionamiento de la empresa.
TEMA N/ 0F: N+MEROS )NDICE
5. ndices simples y agregados
6. Fusin de series de ndices. PC
7. Poder de compra y deflacin
ACTVDADES APLCATVAS
AUTOEVALUACN
TEMA N/ 0B: TEOR)A DE DECISIONES
4. Toma de decisiones con probabilidades
5. Toma de decisiones con consecuencias econmicas
6. Toma de decisiones por el criterio Bayesiano
ACTVDADES APLCATVAS
AUTOEVALUACN
TEMA N/ 0F
N+MEROS )NDICE
12 )NDICES SIMPLES e )NDICES AGREGADOS2
U$ $[e4& J$;"%e es :$ 4e'a("7& 6&4%e$(:a' eM64esa;& 6&4 :$a
e;"%"8$ e$ :$ 6e4J&;& ;e(e4"$a;& s&!4e 'a e;"%"8$ e$ :$ 6e4J&;&
!ase, 4a58$ H:e se :'("6'"%a 6&4 1002 Las e;"%"&$es 6:e;e$ se4
64e%"&s, %a$(";a;es 8 7a'&4es2
)NDICES SIMPLES2N Se refieren a un solo artculo. Entre ellos:
)NDICE DE PRECIOS SIMPLE: Denotado por p
y definido por:
100
P
P
o
n
p
=
S
=
n
P
Precio del artculo en el perodo del ndice.

=
o
P
Precio del artculo en el perodo base2
)NDICE DE CANTIDAD SIMPLE: Denotado por q
y definido por:
100
q
q
o
n
q
=
S
=
n
q
Cantidad del producto en el perodo del ndice.
=
o
q
Cantidad del producto en el perodo base.
79
)NDICE DE VALOR SIMPLE: Determinado por
v
y definido por:
100
q p
q p
o o
n n
v
=
S o o n n
q , p , q , p
los anteriores.
)NDICES AGREGADOS2N Se refieren a varios artculos para el perodo del
ndice y para el perodo base, ponderando segn las cantidades q de los
artculos en los perodos. El ms importante es el ndice agregado de precios.
Entre ellos tenemos:
NDCE DE LASPEYRES: L&s 64e%"&s se 6&$;e4a$ %&$ 'as
%a$(";a;es ;e' aL& !ase:
100
n o
%
o o
p &
I
p &
NDCE DE PAASCHE: L&s 64e%"&s se 6&$;e4a$ %&$ 'as

%a$(";a;es ;e' aL& ;e' J$;"%e:
100
n n
p
o n
p &
I
p &
, 4es:'(a$;& Ts
&;e4$& H:e e' a$(e4"&4
)NDICE PROMEDIO PONDERADO: El ndice simple de precios se pondera
para cada artculo mediante un valor pq, puedan ser del ao base
o
p

o
q
del
ao del ndice
n
p

n
q
:

( ) ( )
9 *
I 100
o o n o
p
o o
p & p p
I
p &

=
, es el ms usado.
. E
1 La siguiente tabla reporta los precios y consumos de 3 artculos en un rea
metropolitana, 1995 y 2006.
ARTCULO UNDADES PRECO PROMEDO COSUMO MENSUAL PERC
1995 (
o
p ) 2006 (
n
p ) 1995 (
o
q ) 2006(
n
q )
Carne
Leche
Huevos
Kg
Litro
Kg
S/.4.50
1.20
0.80
S/.18.00
6.00
4.00
5
8
1.2
6
7.5
1.8
Determinar a) Los ndices de precios simple el 2006, base 1995
a) Los ndices de cantidad simple el 2006, base 1995
b) Los ndices de valor simple el 2006, base 1995.
SOLUCIN2
a) NDCE DE PRECOS SMPLE:
80
Para la carne:
% 400 100
5 . 4
18
100
p
p
o
n
p
= = =
Para la leche:
% 500 100
2 . 1
6
p
= =
Para los huevos:
% 500 100
8 . 0
4
q
= =
b) NDCE DE CANTDAD SMPLE:
Para la carne:
% 120 100
5
6
100
q
q
o
n
q
= = =
Para la leche:
% 75 . 93 100
8
5 . 7
q
= =
Para los huevos:
% 150 100
2 . 1
8 . 1
q
= =
c) NDCE DE VALOR SMPLE:
Para la carne:
% 480 100
5 5 . 4
6 18
100
q p
q p
o o
n n
v
=
= =
Para la leche:
% 75 . 468 100
8 2 . 1
5 . 7 6
v
=
=
Para los huevos:
% 750 100
2 . 1 8 . 0
8 . 1 4
v
=
=
. E
2
Para los datos del ejemplo anterior calcule.
a) El ndice agregado de precios de LASPEYRES 2006, base 1995
b) El ndice agregado de precios de PAASCHE 2006, base 1995
c) El ndice agregado de precios PROMEDO PONDERADO 2006, base
1995.
SOLUCIN2
a)
ARTCULO
& $
H 6
& &
H 6
Carne S/. 90.00 S/. 22.50
Leche 48.00 9.60
Huevos 4.80 0.96
142.80 33.06
100
q p
q p
o o
o n
L

=
100
06 . 33
80 . 142
= % 94 . 431 =
b)
81
ARTCULO
$ $
H 6
$ &
H 6
Carne S/. 108.00 S/. 27.00
Leche 45.00 9.00
Huevos 7.20 1.44
160.20 37.44
100
q p
q p
n o
n n
p

=
100
44 . 37
20 . 160
= % 88 . 427 =
c)
ARTCULO
Ponderacin de
valor
& &
H 6
Relativo de
precios
100 ) 6 P 6 (
& $

Relativo
Ponderado
100 ) 6 P 6 )( H 6 (
& $ & &

Carne S/. 22.50 S/.400 9,000
Leche 9.60 500 4,800
Huevos 0.96 500 480
33.06 14,280
( ) ( )
9 *
I 100
o o n o
p
o o
p & p p
I
p &

=
06 . 33
280 , 14
= % 94 . 431 =
32 )NDICES EN ESLABN, EN CADENA2 CAMBIO DE BASE2
E' J$;"%e e$ es'a!8$ de un perodo dado es la comparacin por divisin,
expresada en porcentaje, del precio en el perodo dado con el precio en
el perodo anterior. Se usa para mostrar los cambios de precios respecto
al perodo anterior.
E' J$;"%e e$ %a;e$a de un perodo dado es la comparacin por divisin,
expresada en porcentaje, del precio en el perodo dado con el precio en
el perodo base. Se usa para mostrar los cambios de precios respecto al
perodo base.
Ca!"& ;e !ase2N Se cambia el perodo base dividiendo el ndice
original entre el ndice del nuevo perodo base y multiplicando por 100.
Es decir:
I nuevo G (I antiguo original 100) P( I antiguo de la nueva base)
. E
1
Sean las ventas de una tienda, las dos primeras filas de la siguiente
tabla. Se ha determinado en la misma tabla:
a) Los ndices en eslabn
b) Los ndices en cadena
c) Los ndices en cadena con una nueva base, por cambio de base.
82
AO 2000 2001 2002 2003 2004 2005
VENTA EN
MLLONES $
8931 40163 86053 150810 368294 737897
a) NDCE EN
ESLABN
100% 449.70% 214.26% 175.25% 244.21% 200.36 %
b) NDCE EN
CADENA
B=2000
100% 449.70% 963.53% 1688.61% 4123.77% 8262.20%
c) NDCE EN
CADENA
B=2005
1.21% 5.44% 11. 66% 20.44% 49.91% 100%
=2 FUSIN DE DOS SERIES DE N+MEROS )NDICE
C&$ O4e%:e$%"a, '&s $[e4&s J$;"%es s:O4e$ %a!"&s 6&4 'a
a;"%"8$ ;e %"e4(&s 64&;:%(&s & 6&4 'a eM%':s"8$ ;e &(4&s, asJ
%&& 6&4 %a!"&s e$ e' aL& !aseS @ 6a4a a$(e$e4 'a
%&$("$:";a; X"s(84"%a, es ;esea!'e (e$e4 se4"es :$"O"%a;as ;e
$[e4&s J$;"%e2 L&s H:e se %a!"a$ s&$ '&s J$;"%es ;e 'a se4"e
a$("9:a, se '&94a :'("6'"%a$;& %a;a J$;"%e ;e 'a se4"e a$("9:a
a$(e4"&4 a' (4as'a6e 6&4 e' %&%"e$(e ;e' J$;"%e e$&4 6a4a e' aL&
;e' (4as'a6e (100, s" es(a es 'a $:e7a !ase) e$(4e e' J$;"%e a$("9:&
6a4a ese aL&2
. E
1
Fusione las 2 series de nmeros ndice:
AO
NDCES DE
PRECOS
NDCES DE
PRECOS
NDCES
UNFCADO B: 1991
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
100.0%
103.0
106.9
110.0
114.1
11D23 10020Z
105.2
111.3
117.5
124.8
129.9
137.7
83.9%
86.5
89.7
92.3
95.7
10020
105.2
111.3
117.5
124.8
129.9
137.7
Al ao 1991 se le denomina ao del traslape.
E2 INDICE DE PRECIOS AL CONSUMIDOR (IPC)2 PODER DE COMPRA2
DEFLACIN2
El PC es el ms conocido debido a que se utiliza como indicador del
costo de vida, es un ndice de precios agregado para una "canasta
83
bsica" de artculos y servicios, con respecto a un perodo base, que
puede ser mes o ao.
El recproco del PC multiplicado por 100 da el poder de compra de la
unidad monetaria respecto al ao base. Es decir:
VALOR DEL SP2 G (1P IPC) 100,
Consecuentemente,
CANTDAD DEFLACONADA G (Ca$(";a; Re6&4(a;a P IPC) 100
. E
1
En la siguiente tabla se reportan los valores del PC de 1990 a 1997.
Determine el poder de compra del nuevo sol para cada uno de los
aos, en trminos del valor del sol en el ao base de 1990.
SOLUCN.
Las 2 primeras columnas de la tabla son datos y en la tercera se reporta
el valor del nuevo sol para cada ao en trminos del valor del nuevo sol
en 1990.
AO PC SEGN EL NE VALOR DEL S/.
1990
1991
1992
1993
1994
1995
1996
1997
100.000 000
509. 527 953
884.176085
1313.708 271
1625. 510 715
1806.438 245
2015. 064 731
2187.286 162
1. 000000
0.196260
0. 113100
0.076120
0.061519
0. 055358
0. 049626
0.045719
Por ejemplo para 1991 se determin el valor del S/. as:
Va'&4 N:e7& S&'
100
527953 . 509
1
100
PC
1
= = 196260 . 0 =
. E
2
Se tienen las siguientes remuneraciones anuales en S/. desde 1990
a 1997 respectivamente: S/.8,000; S/.25,000; S/.42,000; S/.67,000;
S/.110,000; S/.167,000; S/. 267.000; S/.360,000, se pide: a)
Deflacionar las remuneraciones, segn el PC del problema anterior a
S/. Constantes de 1990. b) Replantear las remuneraciones a
S/.Constantes de 1994.
SOLUCIN2
a) Se aplica la frmula para cada ao:
AO PC REMUNERAC REMUNERACN ANUAL
84
N ANUAL
DE FLACONADA A S/.de
1990
1990
1991
1992
1993
1994
1995
1996
1997
100.000 000
509.527 953
884.176 850
1313.708 271
1625 510 715
1806.438 245
2015.064 731
2187.286 162
S/. 8,000
25,000
42,000
67,000
110,000
167,000
267,000
360,000
S/. 8,000.00
4,906 50
4,750.18
5,100.07
6,767 10
9,244 71
13,250 19
16,458.75
b) Los ndices para la base 1994 se obtienen por cambio de base:
AO PC
REMUNERAC
N ANUAL
REMUNERACN
ANUAL DE
FLACONADA A S/.de
1994
1990
1991
1992
1993
1994
1995
1996
1997
6.151913
31.345715
54.393788
80.818186
100.000000
111.130504
123.965023
134.559935
S/. 8,000
25,000
42,000
67,000
110,000
167,000
267,000
360,000
130,040.85
79,755 72
77,214.70
82,902 13
110,000.00
150,273 77
215,383.33
267,538.77
TALLER 0F
ACTIVIDAD APLICATIVA
N+MEROS )NDICE
O!<e("7&
dentificar el valor cambiante de los precios de las cosas en el tiempo y el
valor de la moneda en el tiempo y entrenarse para realizar clculos con
fluidez.
O4"e$(a%"&$es
Tomar contacto con el NE que es el organismo que administra los ndices
y practicar operaciones de peritaje contable. Luego, practicar y resolver los
ejercicios de la empresa.
1. Determine
a) Los ndices de precios simples y los ndices de cantidad simple.
b) Los ndices de valor simple.
c) El ndice agregado de precios de LASPEYRES.
85
d) El ndice agregado de precios de PAASCHE.
e) El ndice agregado de precios PROMEDO PONDERADO.
Todos para el ao 2005, respecto al ao base 1995.
ART)CULO UNIDAD
PRECIO PROMEDIO
CONSUMO MENSUAL
PER CAPITA
1DDF (
o
p ) 300F(
n
p ) 1DDF (
o
q ) 300F(
n
q )
ARROZ 5 KG. S/. 11.00 S/. 15.00 0.7 1.0
AZCAR 2 KG. 4.00 5.20 1.5 2.0
CARNE 1 KG. 12.00 16.00 3.0 1.5
FDEOS 1/2 KG. 1.20 1.60 2.0 3.0
2. Determine. Para las siguientes ventas:
a) Los ndices en eslabn.
b) Los ndices en cadena: base 2000.
c) Los ndices en cadena con nueva base 2003.
AL& 3000 3001 3003 300= 300E 300F
Ve$(a e$
"''&$es SP2
45320 56780 90595 100500 105600 120400
3. Fusione las 2 series de nmeros ndice siguientes con 3 bases diferentes:
AL& )$;"%e ;e P4e%"&s
)$;"%e ;e
P4e%"&s
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
100.0
185.0
225.5
256.8
270.0
285.0 100.0
120.0
135.0
146.0
154.0
160.0
4. Determine el valor del nuevo sol, respecto al ao base, si el PC
dado por el NE es como sigue en las 2 primeras columnas.
AL& I$;"%e ;e P4e%"&s
Re:$e4a%"&$es
a$:a'es e$ SP2
1994 100.000000 8,450.00
86
1995
1996
1997
1998
1999
2000
111.130504
123.965023
134.559935
144.322204
149.329205
154.941806
10,325.50
13,428.20
16,545.00
20,310.80
22,400.00
24,000.00
5) Determine las remuneraciones deflacionadas de las remuneraciones de
la columna 3 del problema anterior:
a) En S/.constantes de1994.
b) En S/.constantes de1999.
6* Jas reF(3eraci!3es a3(ales 'e (3 tra)a8a'!r K(er!3" 1990" SI. 25,200.00, 1991"
SI. 36,000.00, 'e 1992 a 1995" SI. 42,000.00 a3(ales, 'e 1996 al 2000" SI.
44,600.00 a3(ales< si se tie3e3 las '!s series 'e 3BFer!s 3'ices"
-LM 2A% -LM 2A%
1990" 100.000000 1995" 100.000000
1991" 509.527953 1996" 111.130504
1992" 884.176850 1997" 123.965023
1993"1313.908270 1998" 134.559935
1994"1625.510715 1999" 144.322204
1995"1632.452816 2000" 149.329205
a* DeterFi3e las reF(3eraci!3es e3 SI. 'el 2000.
b) Deflacionar las remuneraciones a S/. de 1996.
AUTOEVALUACIN
Explique la tcnica para el clculo del PC.
Explique los prstamos internacionales, en dlares constantes
Resuelva la parte operativa de casos de peritaje contable.
TEMA 0B
TEOR)A DE DECISIONES
El futuro de la empresa, depende de las decisiones gerenciales, y
consecuentemente, este tema es fundamental para la alta direccin empresarial
1. ESTRUCTURA DE UNA TABLA DE PAGOS2
EVENTOS
ALEATORIOS
PROBABILIDAD DEL
EVENTO
ACCIONES DE
DECISIN
87
1
A
2
A
3
A
\2
n
A
1
E
1
P
11
X
12
X
13
X \2
n 1
X
2
E
2
P
21
X
22
X
23
X \2
n 2
X
3
E
3
P
31
X
32
X
33
X \2
n 3
X
\2 \2 \2 \2 \2 \2 \2
m
E
m
P
1 m
X
2 m
X
3 m
X \
mn
X
. E
1
Un contratista debe comprometerse en la adquisicin de unidades de
aire acondicionado, las cuales va a revender durante la prxima temporada,
sobre la base de la demanda de la temporada anterior, las condiciones
econmicas actuales y los factores del mercado se estiman las
probabilidades de 0.10, 0.30, 0.40 y 0.20 de vender 5, 10, 15 y 20 unidades
respectivamente. Los aparatos pueden ordenarse en conjuntos de 5 a un
precio unitario de $2000 y revender a $2600. Las unidades no vendidas al
final de la temporada se devuelven al fabricante, otorgando un crdito de
$1600 por unidad devuelta. Construya una tabla de ganancias.
SOLUCN. Ganancia por unidad vendida $600
Prdida por unidad devuelta $400
Demanda del
mercado
Probabilidad a priori
Cantidad del Pedido
1
A :5
2
A :10
3
A :15
4
A :20
1
E : 5 0.10 $ 3000 $ 1000 -$ 1000 -$3000
2
E : 10 0.30 3000 6000 4000 2000
3
E : 15 0.40 3000 6000 9000 7000
4
E : 20 0.20 3000 6000 9000 12000
3, TOMA DE DECISIONES EN BASE SOLO A PROBABILIDADES
Consiste en identificar el evento que tiene mayor probabilidad y elegir la
decisin que corresponde a ese evento.
. E
1
Para el problema anterior el nmero de unidades decididas seran 15,
que corresponde al evento con probabilidad mayor (0.40).
. E
2
Tambin se puede trabajar con la demanda esperada D(E) siguiente:
DEMANDA DEL
MERCADO (D)
PROBABLDAD DE LA
DEMANDA P(D)
DP(D)
1
E
: 5 0.10 0.50
2
E
: 10 0.30 3.00
3
E
: 15 0.40 6.00
4
E
: 20 0.20 4.00
88
1.00 D(E)=13.50
Como las unidades se ordenan en conjuntos de 5 se tienen 2 alternativas:
ordenar 10, con la esperanza de no tener disponibles 3.5 unidades en
promedio u ordenar 15 con la esperanza de tener un exceso de 1.5
unidades en promedio.
Ambas formas adolecen de no considerar en la decisin ninguna
referencia a las consecuencias econmicas.
=2 TOMA DE DECISIONES EN BASE SOLO A CONSECUENCIAS
ECONMICAS.
No se tiene en cuenta la columna de probabilidades, y se consideran 3
criterios:
El criterio MAXMN: Se ;e(e4"$a e' 7a'&4 J$"& ;e %a;a
%&':$a, (L& 6e&4 H:e 6:e;e 6asa4), ':e9& se e'"9e 'a a%%"8$ ;e
a@&4 7a'&4 (
1
A
:F)
E' %4"(e4"& MA,IMA,: Se determina el valor mayor de cada columna, (Lo
mejor que puede pasar), luego se elige la accin de mayor valor (
4
A
:20)
E' %4"(e4"& ;e' ARREPENTIMIENTO MINIMA,:
1) Se determinan los arrepentimientos o prdidas de oportunidad (PO):
Diferencia ente la mejor accin para un evento dado y cada accin de
dicho evento.
2) Del mayor arrepentimiento por accin, se elige la accin de menor
arrepentimiento.
Pa4a e' 64&!'ea a$(e4"&4:
Demanda del
mercado
Cantidad del Pedido
1
A :5
Arrepent.
2
A :10
Arrepent.
=
A :15
Arrepent.
4
A :20
Arrepent.
1
E : 5
Arrepentimiento
$ 3000
0
$ 1000
2000
-$ 1000
4000
-$3000
6000
2
E : 10
Arrepentimiento
3000
3000
6000
0
4000
2000
2000
4000
3
E : 15
Arrepentimiento
3000
6000
6000
3000
9000
0
7000
2000
89
4
E : 20
Arrepentimiento
3000
9000
6000
6000
9000
3000
12000
0
MAX.
ARREPENT.
9000 6000 4000 6000
E2 TOMA DE DECISIONES BAS*NDOSE EN PROBABILIDADES Y
CONSECUENCIAS ECONMICAS O CRITERIO DEL PAGO ESPERADO O
CRITERIO BAYESIANO2
El pago esperado para cada accin se obtiene sumando los productos de
cada pago por su correspondiente probabilidad. Y se elige la accin de
mayor pago esperado (
3
A
:15).
Demanda del
mercado
Probabilidad
Cantidad del Pedido
1
A
:5
pi
1
xi
2
A
:10
pi
2
xi
3
A
:15
pi
3
xi
4
A
:20
pi
4
xi
1
E
: 5 0.10 $ 300 $ 100 -$ 100 -$300
2
E
: 10 0.30 900 1800 1200 600
3
E
: 15 0.40 1200 2400 3600 2800
4
E
: 20 0.20 600 1200 1800 2400
) x ( xp
O PAGO ESPERADO (PE) 3000 5500 6500 5500

TALLER 0B
TEOR)A DE DECISIONES
O!<e("7&
Se trata de la formacin para la toma de decisiones con profesionalismo, o
sea con tcnica con ciencia.
O4"e$(a%"&$es
Trataremos casos de la realidad empresarial a efecto de apropiarnos de las
tcnicas ms actualizadas en toma de decisiones. Resolver:
1. Con base a una nueva tecnologa, un fabricante ha desarrollado un
aparato de TV a color con una pantalla de 45''. El propietario de una
tienda pequea estima que al precio de venta de $2,800, las
probabilidades de venta de 2, 3, 4 5 aparatos durante los meses de
inters son 0.30, 0.40, 0.20 y 0.10 respectivamente. Con base slo en
estos valores de probabilidad, qu nmero de aparatos debe ordenar el
encargado de la tienda, suponiendo que no es posible reordenar pedidos
durante el perodo? (DOS PROCEDMENTOS).
90
2. Para la decisin de inventarios del problema anterior, el margen de
utilidad por cada aparato que se vende es $200, si no venden aparatos
durante los tres meses, la prdida para la tienda es de $300 por aparato.
Con base slo en estas consecuencias econmicas, e ignorando las
probabilidades, determine las mejores decisiones segn los criterios
MAXMN Y MAXMAX.
3. Para la tienda del problema anterior, determine la mejor decisin por el
criterio del arrepentimiento MNMAX.
4. Con referencia a los datos anteriores, determine la mejor decisin por el
criterio Bayesiano y del pago esperado.
5. Un fabricante ha producido una mquina. El propietario de una tienda estima
que al precio de venta de $5,600.00, las probabilidades de venta de 2, 3, 4 5
mquinas durante el perodo de inters son de 0.3, 0.4, 0.2 y 0.1
respectivamente; el margen de utilidad por cada mquina que se vende es
$400.00, si no se venden, la prdida es de $600.00 por mquina.
a) Determine el mejor pedido por el criterio del arrepentimiento mnimas.
b) Determine el mejor pedido por el criterio Bayesiano.
6. En la tabla siguiente se representan los pagos (rendimientos) asociados con
cinco tipos alternativos de decisiones de inversin para un perodo de 1 ao.
Es(a;& ;e 'a
e%&$&Ja
De%"s"8$ ;e "$7e4s"8$
1
A
C:e$(a ;e
aX&44&s
2
A
B&$&s
%&46&4a("7&s
3
A
A%%"&$es ;e
a'(a %a'";a;
4
A
A%%"&$es
es6e%:'a("7as
5
A
O6%"&$es s&!4e
a%%"&$es
1
E : Recesin
2
E : Estable
3
E :
Expansin
$600
600
600
$500
900
900
-$2500
8000
4000
-$5000
400
10000
-$10000
-5000
20000
Suponga que las probabilidades asociadas con la recesin, la estabilidad
econmica y la expansin son 0.30, 0.50 y 0.20, respectivamente. Determine la
mejor accin desde el punto de vista del criterio bayesiano de optimizacin del
pago esperado.
AUTOEVALUACIN
1. Explique la tcnica para la toma de decisiones con solo probabilidades.
2. Explique los prstamos internacionales, en dlares constantes
91

3. Resuelva la parte operativa de casos de peritaje contable.
PROBLEMAS ADICIONALES
PARTE =
1. Tome contacto con el NE, organismo que administra los ndices, e
investigue:
a. Los PC anuales de los ltimos 15 aos.
b. Los PC mensuales del ao 2007.
c. Los PC mensuales de los meses transcurridos del ao 2008.
2. Determine
f) Los ndices de precios simples.
g) Los ndices de cantidad simple.
h) Los ndices de valor simple.
i) El ndice agregado de precios de LASPEYRES.
j) El ndice agregado de precios de PAASCHE.
k) El ndice agregado de precios PROMEDO PONDERADO.
Todos para el ao 2007, respecto al ao base 2002.
ART)CULO UNIDAD
PRECIO PROMEDIO
CONSUMO MENSUAL
PER CAPITA
3003(
o
p ) 300C(
n
p ) 3003 (
o
q ) 300C(
n
q )
ARROZ 5 KG. S/. 13.00 S/. 17.50 1.2 1.0
AZCAR 2 KG. 4.50 5.60 1.8 2.2
CARNE 1 KG. 13.00 18.00 2.0 1.5
FDEOS 1/2 KG. 1.50 1.80 3.0 3.0
3. Para las siguientes ventas, Determine.:
b) Los ndices en eslabn.
d) Los ndices en cadena: base 2002.
e) Los ndices en cadena con nueva base 2006.
AL& 3003 300= 300E 300F 300B 300C
Ve$(a e$
"''&$es SP2
95420 156780 190595 200500 305600 320400
4. Fusione las 2 series de nmeros ndice siguiente con 3 bases diferentes:
92
AL& )$;"%e ;e P4e%"&s
)$;"%e ;e
P4e%"&s
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
100.00
115.50
125.50
156.80
170.09
185.90 100.00
110.00
115.00
124.00
130.00
136.00

5. Determine el valor del nuevo sol del 2000 en los aos 2001, 2002, 2003,
2004, 2005, 2006, 2007, segn los ndices anuales dados por el NE.
6. Jas reF(3eraci!3es a3(ales 'e (3 tra)a8a'!r K(er!3" 2000" SI. 5,200.00, 2001" SI.
6,000.00, 'e 2002 a 2005" SI.7,200.00 a3(ales, 'e 2006 al 2007" SI. 8,600.00
a3(ales. %!3 l!s 3'ices 'el 2./2
a* DeterFi3e las reF(3eraci!3es e3 SI. 'el 2000.
b) Deflacionar las remuneraciones a S/. del 2006.
7. Con base a una nueva tecnologa, un fabricante ha desarrollado un
aparato LCD de 45''. El propietario de una tienda estima que al precio de
venta de $2,800, las probabilidades de venta de 2, 3, 4,5 y 6 aparatos
durante los meses de inters son 0.20, 0.30, 0.40, 0.05 y 0.05
respectivamente. Con base slo en estos valores de probabilidad, qu
nmero de aparatos debe ordenar el encargado de la tienda, suponiendo
que no es posible reordenar pedidos durante el perodo de inters? (DOS
PROCEDMENTOS).
8. Para la decisin de inventarios del problema anterior, el margen de
utilidad por cada aparato que se vende es $300, si no venden aparatos
durante los tres meses, la prdida para la tienda es de $350 por aparato.
Con base slo en estas consecuencias econmicas, e ignorando las
probabilidades, determine las mejores decisiones segn los criterios
MAXMN Y MAXMAX.
9. Para la tienda del problema anterior, determine la mejor decisin por el
criterio del arrepentimiento MNMAX.
93
10. Con referencia a los datos anteriores, determine la mejor decisin por el
criterio Bayesiano y de la ganancia esperada.
11. Un fabricante ha producido una mquina. El propietario de una tienda estima
que al precio de venta de $6,600.00, las probabilidades de venta de 2, 3, 4 , 5 o 6
mquinas durante el perodo de inters son de 0.30, 0.40, 0.20 , 0.05 y 0.05
respectivamente; el margen de utilidad por cada mquina que se vende es
$300.00, si no se venden, la prdida es de $400.00 por mquina.
a) Determine el mejor pedido por el criterio del arrepentimiento mnimax.
b) Determine el mejor pedido por el criterio Bayesiano.
12. En la tabla siguiente se representan los pagos (rendimientos) asociados con
cinco tipos alternativos de decisiones de inversin para un perodo de 1 ao.
Es(a;& ;e 'a
e%&$&Ja
De%"s"8$ ;e "$7e4s"8$
1
A
C:e$(a ;e
aX&44&s
2
A
B&$&s
%&46&4a("7&s
3
A
A%%"&$es ;e
a'(a %a'";a;
4
A
A%%"&$es
es6e%:'a("7as
5
A
O6%"&$es s&!4e
a%%"&$es
1
E : Recesin
2
E : Estable
3
E :
Expansin
$700
700
700
$600
800
900
-$1500
6000
8000
-$5000
4000
10000
-$11000
-5000
20000
Suponga que las probabilidades asociadas con la recesin, la estabilidad
econmica y la expansin son 0.25, 0.60 y 0.15, respectivamente. Determine la
mejor accin desde el punto de vista del criterio bayesiano de optimizacin del
pago esperado
UNIDAD IV
MTODO SIMPLE, Y AN*LISIS DE SENSIBILIDAD
La gerencia de la empresa en un entorno competitivo y globalizado exige una
administracin moderna, es decir con mtodos cuantitativos que optimice el
funcionamiento de la empresa, en esta realidad es que tratamos esta unidad
.
1. Comprende el conocimiento del Mtodo Simplex y el Anlisis de Sensibilidad,
aplicndolos a la optimizacin del funcionamiento de la empresa en un
entorno competitivo y globalizado.
2. Se determinan modelos matemticos representativos de diversas realidades
empresariales, los que se resuelven primero por el mtodo grfico, como una
introduccin al mtodo simplex.
94
3. Luego, los mismos modelos se resuelven por el mtodo simplex las
maximizaciones y las minimizaciones mediante el dual, interpretando los
resultados primales y los resultados duales.
4. Se monitorea lo que sucede fuera de la empresa, mediante el anlisis de
sensibilidad.
1. Se optimiza el funcionamiento de diversos tipos de empresas como modelos
de realidades futuras.
2. Se mecanizan la solucin de los modelos anteriores, mediante la PC, usando
el software LNDO.
TEMA N 07: MTODO SMPLEX.
TEMA N 08: ANLSS DE SENSBLDAD.
TEMA 0C
EL MTODO SIMPLE,
12 INTRODUCCIN2
El MTODO SMPLEX es un procedimiento iterativo (que se repite) que d una
solucin ptima a un problema de programacin lineal (PL).
El problema de PL que resuelve el MS, consiste en optimizar el valor de un
MODELO MATEMATCO representativo de una realidad, llamado "FUNCON
OBJETVO", sujeto a "RESTRCCONES.
El ALGORTMO del MS, consiste en identificar la solucin factible inicial, a
continuacin busca una mejor solucin, que se mide segn que mejore o no el
valor de la "Funcin objetivo", si se encuentra una mejor solucin, sigue la
bsqueda, hasta que la "Funcin objetivo" ya no mejore.
1
/
2 DE PROBLEMA DE PL2
Un gerente de produccin necesita determinar la produccin de fertilizantes para el
siguiente mes. Su empresa es una compaa de productos qumicos, que fabrica, entre
otros artculos, 2 tipos de fertilizantes, combinando ingredientes que se compran de
proveedores externos. Los 2 fertilizantes que la compaa fabrica son las mezclas
denominadas 5-5-10 y 5-10-5. En cada caso, el primer trmino se refiere al % que el
producto final tiene de NTRATO, el segundo de FOSFATO y el tercero de POTASO. El
fertilizante se estabiliza con un material de relleno como tierra. Un mayorista compra
cualquier cantidad de ambos fertilizantes que la compaa pueda fabricar, est dispuesto
a pagar $71.50 por Tn del 5-5-10 y $69 por Tn del 5-10-5. Este mes la disponibilidad y
costos de materias primas son: 1100 Tn de nitrato a $200 por Tn, 1800 Tn de fosfato a
95
$80 por Tn y 2000 Tn de potasio a $160 por Tn. El relleno est disponible en cantidades
ilimitadas a $10 por Tn. No hay restricciones de mano de obra ni de maquinaria durante el
mes, pero se tiene un costo de $15 por Tn por concepto de mezclado. La pregunta que el
gerente debe resolver es: Cmo utilizar los recursos escasos (nitrano, fosfato y potasio)
de manera que se obtengan las mayores utilidades para la compaa?
SOLUCIN2
DETERMINACIN DEL MODELO MATEM*TICO2
Utilidad por Tn producida del fertilizante 5-5-10:
COSTO: NTRANO: 0.05 x $200 = $10.00
FOSFATO: 0.05 x $80 = 4.00
POTASO:0.10 x $160 = 16.00
RELLENO: 0.80 x $10 = 8.00
MEZCLADO = 15.00
Costo total: $. 53.00
Utilidad: $71.50-$53.00=$18.50/Tn.
Utilidad por Tn producida del fertilizante 5-10-5:
COSTO: NTRANO: 0.05 x $200 = $10.00
FOSFATO: 0.10 x $80 = 8.00
POTASO: 0.05 x $160 = 8.00
RELLENO: 0.80 x $10 = 8.00
MEZCLADO = 15.00
Costo total: $49.00
Utilidad: $69.00 - $49.00 = $20/Tn.
Con las dos utilidades construimos la "Funcin objetivo" para
1
?
Tn del 5-5-10 y
2
?
Tn del 5-10-5 producidas:
Max. Z= 18.5
1
?
+ 20
2
?
, " Funcin Objetivo" que debe maximizarse.
RESTRCCONES DE LOS RECURSOS:
NTRATO: 0.05
1
?
+ 0.05
2
?
1100
FOSFATO: 0.05
1
?
+ 0.10
2
?
1800
POTACO: 0.10
1
?
+ 0.05
2
?
2000
DE NO NEGATVDAD DE LA PRODUC.
1
?
;
2
? 0
SOLUCIN DEL MODELO:
MTODO GRFCO: No usable con ms de 3 variables. Se grafican las restricciones
como igualdades:
1) 1100 = X 05 . 0 + X 05 . 0
2 1
1
?
= 0:
2
?
=22000: (0,22)
2
?
=0:
1
?
=22,000: (22,0)
96
2) 0.05
1
?
+ 0.10
2
?
=1800
1
?
= 0:
2
?
=18000: (0,18)

2
?
= 0:
1
?
=36000: (36,0)
3) 0.10
1
?
+ 0.05
2
?
G 2000
1
?
= 0:
2
?
= 40,000: (0,40)
2
?
= 0:
1
?
= 20,000: (20,0)
1) 2) =
( ) { } 14 , 8 %
1) 3) =
( ) { } 4 , 18 D
Se grafican las rectas, a partir de estas se interpretan las restricciones, obtenindose
el POLGONO DE SOLUCONES FACTBLES.
SE GRAFCA Z = 18.5
1
?
+ 20
2
?
como familia de rectas con Z de parmetro:
Z = 0: 18.5
1
?
+ 20
2
?
= 0
1
?
= 0
2
?
= 0: (0,0);
1
?
=10
2
?
= -9.25: (10, -9.25)
Uniendo los dos puntos como recta se obtiene un elemento de la familia, los dems
elementos se obtienen trazando paralelas a dicha recta. La recta L es aquella paralela
que ms de aleja del origen de coordenadas sin salirse del polgono de soluciones
factibles.
L POLGONO =
( ) { } 14 , 8 %

Z = 18.5 (8,000) + 20 (14,000) = $428,000.00.

LA PRODUCCN QUE OPTMZA Z ES: 8,000 Tn del 5-5-10 y 14,000 Tn del 5-
10-5, alcanzando la utilidad mxima de $428, 000.00.
OBSERVACIONES:
1. La siguiente tabla muestra los vrtices factibles con sus correspondientes valores
de la "FUNCN OBJETVO":
VERTCE
PROD.
1
?
PROD.
2
? UTLDAD Z
A
B
C
D
E
0
0
8,000
18,000
20,000
0
18,000
14,000
4,000
0
$ 0
360,000
428,000
413,000
370,000
2. Cuando se busca una solucin ptima, solo debe considerarse los vrtices del
polgono; que se obtienen por solucin simultnea de las ecuaciones lineales que
los determinan.
97
3. Lo anterior sugiere un procedimiento de solucin basado en la solucin simultnea
de ecuaciones y pasando de un vrtice a otro, hasta llegar a la solucin ptima.
Esta es la forma como funciona el ALGORTMO denominado MS, cuya ventaja es
manejar ms de 2 variables.
MTODO SIMPLE,
La primera etapa del MS consiste en convertir las restricciones en ecuaciones
lineales, agregando a los primeros miembros VARABLES DE HOLGURA y a las
restricciones en ecuaciones lineales, restando a los primeros miembros
VARABLES DE EXCESO, ambas variables son mayores o iguales que cero; y
obtener un modelo modificado.
Para el ejm. el modelo modificado es:
Z - 18.50
1
?
- 20
2
?
+
1
!s
+
2
!s
+
3
!s
= 0
0.05
1
?
+ 0.05
2
?
+
1
s
+
2
!s
+
3
!s
= 1100
0.05
1
?
+ 0.10
2
?
+
1
!s
+
2
s
+
3
!s
= 1800
0.10
1
?
+ 0.05
2
?
+
1
!s
+
2
!s
+
3
s
= 2000
Normalmente un sistema de ecuaciones puede resolverse cuando el nmero de
ecuaciones es igual al nmero de incgnitas. Sin embargo, m ecuaciones con n
incgnitas con n m se resuelve aplicando el TEOREMA BSCO DEL ALGEBRA,
que sostiene, que s" eM"s(e s&':%"8$, 6:e;e ;e(e4"$a4se "9:a'a$;& a %e4& $ N
7a4"a!'es @ 4es&'7"e$;& e' %&$<:$(& ;e e%:a%"&$es %&$ "$%89$"(as
4es:'(a$(e2 Las variables que se igualan a cero se denominan NO BASCAS y las que
se usan para resolver el sistema BSCAS.
Con m ecuaciones y n incgnitas para n m, existen
( )N F 3 N F
N 3
soluciones
bsicas; para el ejemplo hay 10 soluciones bsicas, de las cules 5 corresponden a
los vrtices del polgono y las otras 5 resultan no factibles porque las variables no
cumplen la NO NEGATVDAD. Observemos el siguiente cuadro:
SOLUCON
1
?
2
?
1
s
2
s
3
s
Z
1
2
3
4
5
6
7
0
0
0
0
36,000
20,000
22,000
0
22000
18000
40000
0
0
0
1100
0
200
-900
-700
100
0
1800
-400
0
-2200
0
800
900
2000
900
1,100
0
-1,600
0
-200
$ 0
NO FACT.
360,000
NO FACT.
NO FACT.
370,000
NO FACT.
98
8
9
10
8,000
18,000
14,666.6
14000
4000
10,666.6
0
0
-166.6
0
500
0
500
0
0
428, 000
413, 000
NO FACT.
Es necesario ver que solo las soluciones 1,3, 6, 8 y 9 son factibles, mientras que 2,4,5,7 y 10
son no factibles, del modelo modificado se pasa al modelo matricial inicial, con el que se
trabaja hasta obtener la solucin ptima.
1
/
. Resolver por el MS: MAX Z= 2
1
?
+ 12
2
?
+ 8
3
?
S. a. 2
1
?
+ 2
2
?
+
3
?
100

1
?
- 2
2
?
+ 5
3
?
80
10
1
?
+ 5
2
?
+ 4
3
?
300

1
?
,
2
?
,
3
?
0
SOLUCIN2 Modelo modificado:
Z - 2
1
?
- 12
2
?
- 8
3
?
+ 0
1
s
+ 0
2
s
+ 0
3
s
= 0
2
1
?
+ 2
2
?
+
3
?
+
1
s
+ 0
2
s
+ 0
3
s
=100

1
?
- 2
2
?
+ 5
3
?
+ 0
1
s
+
2
s
+ 0
3
s
= 80
10
1
?
+ 5
2
?
+ 4
3
?
+ 0
1
s
+ 0
2
s
+
3
s
=300
Los clculos estn en la siguiente TABLA
2. (NCAL)
( )
i 1
a %%

2
%%

BASE Z
1
?
2
?
3
?
1
s
2
s
3
s
Bi R FORMULA
bi /
i
a
. Z 1 -2 -12 -8 0 0 0 0 (0) Ro
1
s

2
s

3
s
0
0
0
2
1
10
2
-2
5
1
5
4
1
0
0
0
1
0
0
0
1
100
80
300
(1)
(2)
(3)
R1
R2
R3
100/2=50 FC1
300/5 = 60
22.
Z
1 10 0 -2 6 0 0 600 (0)'
1 0 0
= 6 = 7 = + =
2
?
2
S

3
s
0
0
0
1
3
5
1
0
0
1/2
6
3/2
1/2
1
-5/2
0
1
0
0
0
1
50
180
50
(1)'
(2)'
(3)'
1 1
= 2 1 7 = =
1 2 2
= = 7 = + =
1 3 3
= 2 5 = 7 = =
2 1 50
= 100
6 180
=30 F
C2
99
2 3 50
=33.3
222.
Z
1 11 0 0 19/3 1/3 0 660 (0)''
2 0 0
7 = 3 1 7 = 7 7 = + =

2
?
3
?

3
s
0
0
0
3/4
1/2
17/4
1
0
0
0
1
0
5/12
1/6
-11/4
-1/12
1/6
-1/4
0
0
1
35
30
5
(1)''
(2)''
(3)''
2 1 1
7 = 12 1 7 = 7 7 = =
2
7 = 6 1 2 7 7 = =
2 3 3
7 = 4 1 7 = 7 7 = =
TODOS LOS ELEMENTOS DE LA FLA
0
7 7 =
son 0
LA SOLUCN ES
OPTMA, Y:
1
?
=0
1
s
=0 Z= 2(0) + 12(35) + 8(30) = 660
2
?
=35
2
s
=0
3
?
=30
3
s
=5
2
/
. Resolver por el mtodo Simplex el problema de los fertilizantes.
3
/
.La Uncle Brown de Elks, Nevada, fabrica tres variedades de .'is/ey. Los
principales elementos relacionados con la produccin y venta del whiskey se dan en la
tabla. Plantee el problema de PL.
#arca
Ida'o #ontana 0ld Cantidad
1ecurso #oon #adness "tump.ater disponible

Maz (bushels/galn) 5 3 1 1000
bushels
Azcar (libras/galn) 4 2 2 1000 libras
Tiempo de entrega (horas/galn) 1 2 2 400
horas
100
Utilidad ($/galn) $20 $15.5 $10
4
/
. En la figura se muestran las tablas inicial y ptima obtenidas con el software
SMPLEX para el problema anterior. nterprete los valores iniciales y resultados
finales:
TABLEAU 1
C (J) 20.00 15.50 10.00 0.00 0.00 0.00
C (J) BASS B X (1) X (2) X (3) X (4) X (5) X (6)
0.00 X (4) 1000.00 5.00 3.00 1.00 1.00 0.00 0.00
0.00 X (5) 1000.00 4.00 2.00 2.00 0.00 1.00 0.00
0.00 X (6) 400.00 1.00 2.00 2.00 0.00 0.00 1.00
C (J) - Z (J) 0.00 20.00 15.50 10.00 0.00 0.00 0.00
TABLEAU 3' (OPTMAL SOL) N VECTOR S X (3) OUT VECTOR S X (6)
C (J) 20.00 15.50 10.00 0.00 0.00 0.00
C (J) BASS B X (1) X (2) X (3) X (4) X (5) X (6)
20.00 X (1) 177.73 1.00 .44 0.00 .22 0.00 -.11
0.00 X (5) 66.67 0.00 -1.33 0.00 -.67 1.00 -.67
10.00 X (3) 111.11 0.00 .78 1.00 -.11 0.00 .56
C (J) - Z (J) 4666.67 0.00 - 1.17 0.00 -3.33 0.00 -3.33
THE VALUE OF THE OBJECTVE FUNCTON S EBBB2BC
MINIMIZACIN2
La optimizacin no solamente trata de maximizar utilidades u otros objetos
empresariales, sino tambin de la minimizacin de costos por ejemplo o tambin de
otros objetos empresariales en relacin a la minimizacin.
gual que la maximizacin, se trata de determinar el MODELO MATEMTCO que se
debe minimizar, consistente en una "FUNCN OBJETVO" sujeta a
RESTRCCONES, generalmente de la forma , y de resolver el modelo,
grficamente para el caso de 2 variables y por el MS cuando las variables son ms de
2. En este caso para convertir las desigualdades en ecuaciones lineales, para el
METODO SMPLEX, se restan a los primeros miembros de las restricciones de la
forma mayor o igual ( ), las variables de exceso y se suman VARABLES
ARTFCALES.
1
/
. MNMZAR: Z = 5
1
?
+ 6
2
?
S.a.
1
?
+
2
?
10
2
1
?
+ 4
2
?
2 para
1
?
,
2
?
0
SOLUCIN2
METODO GRFCO:
1)
1
?
+
2
?
= 10
1
?
=0 :
2
?
=10:(0,10)

2
?
=0 :
1
?
=10:(10,0)

2) 2
1
?
+ 4
2
?
= 24
1
?
=0 :
2
?
= 6:(0,6)

2
?
=0 :
1
?
=12:(12,0
101
1) 2) : 2
1
?
+ 2
2
?
= 20
2
1
?
+ 4
2
?
= 24

2
2
?
= 4
2
?
=2:
1
?
=8: A(8,2)
"F. OBJETVO"
Z=0:5
1
?
+ 6
2
?
= 0
1
?
=0:
2
?
=0:(0,0)

1
?
=6:
2
?
=-5:(6,-5)
Z= 5
1
?
+ 6
2
?
= 5 (8) + 6 (2) = 52
MN
El mnimo es 52 y se produce para
1
?
=8,
2
?
=2.
MTODO SIMPLE,2
Se trabaja con las variables de exceso (E) y las variables artificiales (A), restando
las primeras y sumando las segundas, adems con la constante M. El modelo
modificado o pre matricial es:
Z - 5
1
?
- 6
2
?
+ 0
1
/
+ 0
2
/
- M
1
-
- M
2
-
= 0

1
?
+
2
?
-
1
/
+ 0
2
/
+
1
-
+ 0
2
-
= 10
2
1
?
+ 4
2
?
+ 0
1
/
-
2
/
+ 0
1
-
+
2
-
= 24
Y la solucin matricial como sigue:

cc2 cc1(a >0) Se llevan aceros
BASE Z
1
?
2
?
1
/
2
/
1
-
2
- bi FORMULA
bi/
i
a
. Z 1 -5 -6 0 0 -M -M 0
0
=
1
-
2
-
0
0
1
2
1
4
-1
0
0
-1
1
0
0
1
10
24
1
=
2
=
. Z 1 -5+3M -6+5M -M -M 0 0 34M
2 1 0 0
&= &= = 7 = + + =

1
-
2
-
0
0
1
2
1
4
-1
0
0
-1
1
0
0
1
10
24
1 1
= 7 = =
2 2
= 7 = =
10/2=10
24/4=6
1
. Z 1 -2+1/2M 0 -M -3/2+1/4M 0 3/2- 5/4M 36+4M
2
7 7 = * & 5 6 9
0
7 =
0
7 7 = + =
102
1
-
2
?
0
0
1/2
1/2
0
1
-1
0
1/4
-1/4
1
0
-1/4
1/4
4
6
2
7 7 =
1
=
1
7 7 = 7 =
4 I 1 7 7 =
2
=

2
7 =
4/1/2=8
2
6/1/2=12
V. Z 1 0 0 -4 -1/2 4-M 1/2-M 52
1 0 0
7 7 7 = * 2 I & 2 9 7 7 = 7 7 7 = + =
1
?

2
?
0
0
1
0
0
1
-2
1
1/2
-1/2
2
-1
-1/2
1/2
8
2
1 1
7 7 = 2 7 7 7 = =
1 2 2
7 7 7 = 2 I 1 7 7 = 7 7 7 = =
Los coeficientes del rengln
0
7 7 7 = para las variables bsicas y no bsicas son 0, por
consiguiente se trata de una matriz terminal u ptima.
Luego, analizando los resultados, se tiene que
1
? =8 i
2
? =2 minimizan la funcin objetivo,
siendo Z=52.
2
/
. Resolver por el mtodo grfico y por el MS:
MNMZAR: Z= 120
1
?
+ 260
2
?
S.a. : 3
1
? + 4
2
?
5
2
1
?
+ 6
2
?
6

1
? ,
2
?
0
TALLER 0C
EL MTODO SIMPLE,
O!<e("7&
Se trata de optimizar el funcionamiento de la empresa, determinando un modelo
matemtico representativo de una realidad empresarial ptima y con los
resultados hacer funcionar la empresa.
O4"e$(a%"&$es
Entrenarse en la obtencin del modelo matemtico, tanto recurriendo a la
bibliografa, como recurriendo a la realidad problemtica para optimizarla.
Resolver los casos planteados.
1. Resuelva el siguiente problema de programacin lineal utilizando el mtodo
simplex.
MAXMMAR Z= 10
1
?
+ 14
2
?
SUJETO A 4
1
? + 6
2
?
24
2
1
? + 6
2
?
20

1
? ,
2
?
0
Cules son los valores de las variables bsicas en cada iteracin?
103
2. Resuelva el siguiente problema utilizando el mtodo simplex.
MAXMMAR Z= 2
1
?
+
2
?
+ 3
3
?
SUJETO A
1
? +
2
? + 2
3
?
400
2
1
? +
2
? +
3
?
500

1
? ,
2
? ,
3
?
0
3. La Watts Manufacturing Company fabrica y vende radios de AM y de AM/FM. la
produccin de un radio de AM requiere 4 horas, en tanto que la fabricacin de un radio
AM/FM requiere 6 horas. En la planta existe un total disponible de 96 horas-hombre
semanales para la produccin. Los administradores de la empresa han determinado
que lo mximo que se puede vender a la semana son 30 radios AM y 20 AM/FM. La
contribucin a las utilidades por cada radio AM que se vende es $6, y cada radio
AM/FM contribuye con $12 a las utilidades. Qu cantidad de cada tipo de radio debe
fabricar la compaa cada semana para maximizar sus utilidades? podra la
compaa incrementar sus utilidades aumentando su capacidad de produccin?
4. Dado el siguiente problema de programacin lineal:
MAXMZAR Z= 8
1
?
+ 12
2
?
+ 10
3
?
SUJETO A 2
1
? + 4
2
? + 2
3
?
60
9
1
?
+ 4
2
?
+ 16
3
?
242
5
1
? +4
2
? + 6
3
?
125

1
?
,
2
?
,
3
?
0
a. Resuelva el problema utilizando el mtodo simplex.
b. Tiene el problema un ptimo alternativo? Si es as, calcule esa solucin
alternativa.
c. Desarrolle una ecuacin lineal que describa la familia de soluciones ptimas que
cae entre las soluciones ptimas que se encontraron en las partes (a) y (b).
6. Una compaa de carga area desea maximizar los ingresos que obtiene por la
carga que transporta. La compaa tiene un solo avin diseado para transportar
dos clases de carga: carga frgil y carga normal. La compaa no recibe pago
extra por transportar carga frgil; sin embargo, para asegurar ciertos contratos de
negocios, la compaa ha acordado transportar cuando menos 5 toneladas de
carga frgil. Este tipo de carga debe llevarse en una cabina presurizada, mientras
que la carga normal puede llevarse en una cabina principal no presurizada. La
capacidad de la cabina principal es de 20 toneladas de carga. La cabina
presurizada no puede llevar ms de 10 toneladas de carga. El avin tiene una
restriccin de peso que le impide llevar ms de 28 toneladas de carga. Para
mantener el equilibrio de peso, la carga de la cabina presurizada debe ser menor o
igual dos tercios del peso de la cabina principal, ms una tonelada. La compaa
recibe $1000 por tonelada de cualquiera de los dos tipos de carga que transporta.
104
En seguida se presenta un planteamiento de programacin lineal para el
problema:
Sean:
1
?
= toneladas de carga normal que se transportan
2
?
= toneladas de carga frgil
que se transportan.
MAXMZAR: Z= 1000
1
?
+ 1000
2
?
SUJETO A:
2
?
5

1
?
20

2
?
10

1
?
+
2
?
28
-2/3
1
?
+
2
?
1

1
?
,
2
?
0
a. Resuelva el problema utilizando el mtodo simplex.
b. nterprete las variables de holgura para el problema.
c. Tiene el problema un ptimo alternativo? Explique su respuesta.
TEMA 0A
AN*LISIS DE SENSIBILIDAD
12 DUALIDAD2
La dualidad se caracteriza con la siguiente afirmacin: Para todo problema de
maximizacin existe un problema equivalente de minimizacin; y a la inversa,
para todo problema de minimizacin existe un problema de maximizacin.
La dualidad es importante por las siguientes razones:
1) El planteamiento dual de un problema de PL puede dar como resultado una
reduccin considerable en los clculos para resolver el problema.
2) La relacin dual tiene un nexo importante en el anlisis de sensibilidad.
3) Es posible obtener importante informacin econmica acerca del valor de los
recursos escasos que se utilizan examinando el problema dual.
PROBLEMA PRIMAL Y PROBLEMA DUAL
.
El planteamiento original del problema se denomina problema primal y el
planteamiento alternativo problema dual. Para un problema primal de
maximizacin como:
MAXMZAR Z
A
=
1 1
? c
+
2 2
? c
+
3 3
? c
SUJETO A
1 11
? a
+
2 12
? a
+
3 13
? a

1
)
105

1 21
? a
+
2 22
? a
+
3 23
? a

2
)

1 31
? a
+
2 32
? a
+
3 33
? a

3
)

1
?
,
2
?
,
3
?
0
el problema dual correspondiente de minimizacin es:
MNMZAR Z
'
=
1 1
y )
+
2 2
y )
+
3 3
y )
SUJETO A
y a
11
+
2 21
y a
+
3 31
y a

1
c

1 12
y a
+
2 22
y a
+
3 32
y a

2
c

1 13
y a
+
2 23
y a
+
3 33
y a

3
c

1
y
,
2
y
,
3
y
0
Donde
1
y
,
2
y
,
3
y
representan las variables duales.
U$a 4e'a%"8$ "6&4(a$(e e$(4e e' 64"a' @ e' ;:a' es H:e:
Si el problema primal tiene una solucin ptima, entonces el problema dual
correspondiente tambin tiene una solucin ptima y el valor ptimo de la funcin
objetivo del primal es igual al valor ptimo de la funcin objetivo del dual.
Examinamos el problema original de los dos fertilizantes, a fin de explicar la
relacin entre el primal y el dual.
PRMAL: DUAL:
Donde:
1
?
y
2
?
son las toneladas de 5-5-10 y 5-10-5 que deben fabricarse, y
1100, 1800 y 2000 son las toneladas disponibles de nitrato, fosfato y potasio
respectivamente.
1
y
,
2
y
,
3
y
Son los dlares por tonelada de nitrato, fosfato y potasio
respectivamente, y 18.5 y 20.0 son las contribuciones a las utilidades por tonelada
de los fertilizantes 5-5-10 y 5-10-5 respectivamente.
O!s#47ese H:e:
0.05
1
y
es el valor en dlares con que el nitrato contribuye a la produccin de una
tonelada del fertilizante 1 0.05
2
y
, es el valor de la contribucin en dlares del
fosfato, y 0.10
3
y
es el valor en dlares de la contribucin del potasio.
106
MAX. Z= 18.5
1
?
+ 20
2
?

S.a. 0.05
1
?
+ 0.05
2
?
1100
0.05
1
?
+ 0.10
2
?
1800
0.10
1
?
+ 0.05
2
?
2000

1
? ,
2
?
0
MN. Z=
1
y 1100
+
2
y 1800
+
3
y 2000
S. a.
1
y 05 . 0 +
2
y 05 . 0 +
3
y 10 . 0 5 . 18

1
y 05 . 0 +
2
y 10 . 0 +
3
y 05 . 0 0 . 20

1
y
,
2
y
,
3
y
0
Y la suma 0.05
1
y
+0.05
2
y
+0.10
3
y
es el valor total de los recursos que se
consumen en la fabricacin de una tonelada del fertilizante 1 que debe ser a la
contribucin a las utilidades de una tonelada del fertilizante 1, que es 18.5. Si el
valor que tiene para la empresa utilizar los recursos para fabricar el fertilizante 5-5-
10 es exactamente igual a la contribucin a las utilidades, la desigualdad se
satisfacer en forma estricta.
Si el valor de los recursos que se requieren para fabricar una tonelada del 5-5-10
excede la contribucin a las utilidades, entonces la empresa podra usar en forma
ms rentable los recursos para fabricar los otros fertilizantes.
RESTRICCIONES ]MAYOR O IGUAL] Y DE ]IGUALDAD]
Supongamos el siguiente problema primal:
MAXMZAR Z =
1 1
? c
+
2 2
? c
+
3 3
? c
SUJETO A
1 11
? a
+
2 12
? a
+
3 13
? a

1
)

1 21
? a
+
2 22
? a
+
3 23
? a

2
)

1 31
? a
+
2 32
? a
+
3 33
? a
= 3
)

1
?
,
2
?
,
3
?
0
Antes de ir al dual, las dos ltimas restricciones deben convertirse en restricciones
menor o igual, resultando:
MAXMZAR: Z =
1 1
? c
+
2 2
? c
+
3 3
? c
SUJETO A:
1 11
? a +
2 12
? a +
3 13
? a

1
)
-
1 21
? a
-
2 22
? a
-
3 23
? a
-
2
)

1 31
? a +
2 32
? a +
3 33
? a

3
)
-
1 31
? a -
2 32
? a -
3 33
? a
-
3
)

1
?
,
2
?
,
3
?
0
Y el dual es: MNMZAR: Z=
1 1
y )
-
2 2
y )
+
3 3
y )
-
7
3 3
y )
SUJETO A:
1 11
y a -
2 21
y a +
3 31
y a -
7
3 31
y a
1
c

1 12
y a
-
2 22
y a
+
3 32
y a
-
7
3 32
y a
2
c

1 13
y a -
2 23
y a +
3 33
y a -
7
3 33
y a
3
c

1
y
,
2
y
,
3
y
,
7
3
y 0
. 1
/ MAXMZAR: Z= 10
1
? + 20
2
?
SUJETO A:
1
? + 3
2
?
60
-2
1
?
+
2
?
40
4
1
? + 2
2
?
=
30

1
?
,
2
?
0
107
El problema es: MAXMZAR: Z= 10
1
?
+ 20
2
?
SUJETO A:
1
? + 3
2
?
60
2
1
?
-
2
?
-40
4
1
? + 2
2
?
30
-4
1
? - 2
2
?
-30

1
?
,
2
?
0
Y su dual es: MNMZAR: Z =
1
y 60
-
2
y 40
+
3
y 30
-
7
3
y 30
SUJETO A:
1
y +
2
y 2 +
3
y 4 -
7
3
y 4 10

1
y 3
-
2
y
+
3
y 2
-
7
3
y 2 20

1
y
,
2
y
,
3
y
,
7
3
y 0
RELACION ENTRE SOLUCI^N PTIMA PRIMAL Y SOLUCI^N PTIMA DUAL2
Las soluciones del primal y del dual para el caso de los fertilizantes se tienen en
las siguientes tablas:
PRIMAL2
Z - 18.5
1
?
- 20
2
?
+
1
S 0
+
2
S 0
+
3
S 0
= 0
0.05
1
? + 0.05
2
? +
1
S +
2
S 0 +
3
S 0 = 1100
0.05
1
? + 0.10
2
? +
1
S 0 +
2
S +
3
S 0 = 1800
0.10
1
? + 0.05
2
? +
1
S 0 +
2
S 0 +
3
S = 2000
cc2 cc1
BASE Z
1
?
2
?
1
S
2
S
3
S
!" FORMULA !"Pa"_
. Z 1 -18.5 -20 0 0 0 0
0
=

1
S
2
S

3
S
0
0
0
0.05
0.05
0.10
0.05
0.10
0.05
1
0
0
0
1
0
0
0
1
1100
1800
2000
1
=
2
=
3
=
22000
18000 FC
1
40000
. Z 1 -8.5 0 0 200 0 360000
7
2 0
7
0
= 20 = = + =
108

1
S
2
?

3
S
0
0
0
0.025
0.5
0.075
0
1
0
1
0
0
-0.5
10
-0.5
0
0
1
200
18000
1100
7
2 1
7
1
= 05 . 0 = = =
2
7
2
= 10 . 0 I 1 = =
7
2 3
7
3
= 05 . 0 = = =
8000 FC2
36000
14667
. Z 1 0 0 340 30 0 428000
7 7
1
7
0
7 7
0
= 5 . 8 = = =
1
?

2
?

3
S
0
0
0
1
0
0
0
1
0
40
-20
-3
-20
20
1
0
0
1
8000
14000
500
7
1
7 7
1
= 025 . 0 I 1 = =
7 7
1
7
2
7 7
2
= 5 . 0 = = =
7 7
1
7
3
7 7
3
= 075 . 0 = = =
Los coeficientes de
7 7
0
= para las variables bsicas y no bsicas son 0, luego se
trata de una matriz terminal ptima.
DUAL
Para resolver el dual del primal para el caso de los dos fertilizantes, se requieren
dos variables de exceso y dos variables artificiales, adems en vez de M hemos
tomado el mayor coeficiente de la funcin objetivo multiplicado por 1000,
resultando el modelo modificado y la solucin simplex
Z - 1100
1
y - 1800
2
y - 2000
3
y + 0
1
/ + 0
2
/ - 20000
1
- 20000
2
= 0
0.05
1
y + 0.05
2
y + 0.10
3
y -
1
/ + 0
2
/ +
1
+ 0
2
=18.5
0.05
1
y + 0.10
2
y + 0.05
3
y + 0
1
/ -
2
/ + 0
1
+
2
=20
cc3 cc2 cc1
BASE Z
1
y
1
y
3
y
1
/
2
/
1
!"
7 7 7 7 7 7 7
= , = , = . = , =
!"Pa"_
. Z 1 -1100 -1800 -2000 0 0 -20000 -20000 0
0
=

1
0
0
0.05
0.05
0.05
0.10
0.10
0.05
-1
0
0
-1
1
0
0
1
18.5
20
1
=
2
=
. Z 1 900 1200 1000 -20000 -20000 0 0 770000
2
= 20000
1
= 20000
0
= + +
1

0
0
0.05
0.05
0.05
0.10
0.10
0.05
-1
0
0
-1
1
0
0
1
18.5
20
1
=
2
=
185
400
109
2
. Z 1 400 700 0 -10000 -20000 -10000 0 585000

7 7
1
7
0
= 1000 =
3
y
2

0
0
0.5
0.025
0.5
0.075
1
0
-10
0.5
0
-1
10
-0.5
0
1
185
10.75
1/0.10
7
1
=
7 7
1
7
2
= 05 . 0 =
370
143
V.
Z
1
3
500 0 0
3
44000
3
32000
3
16000
3
28000
3
454000 7 1
7 7 7
2
7 7
0
= 700 =
3
y
2
y
0
0
1/3
1/3
0
1
1
0
-40/3
20/3
20/3
-40/3
40/3
-20/3
-20/3
40/3
340/3
430/3
7 7 7
2
7 7
1
= 5 . 0 =
340
430
V.
z
1 0 0 -500 -8000 -14000 -12000 -6000 428000
7
1
7 7 7
0
= 3 I 500 =
1
y
2
y
0
0
1
0
0
1
3
-1
-40
20
20
-20
40
-20
-20
20
340
30
7 7 7
1
= 3
7
1
3
1 7 7 7
2
= =
Los coeficientes del rengln Z para las variables bsicas y no bsicas son 0 ,
luego se trata de una matriz terminal u ptima.
La solucin del problema dual da como resultado
, 428000 O
'
=
que es igual al
valor ptimo de la funcin objetivo del problema primal
. 428000 O
p
=

Obsrvese que la disponibilidad de nitrato es 1100 y la contribucin al valor de la
funcin objetivo en el dual es 1100
1
y
; si se aumentara la disponibilidad de nitrato
en una unidad, la contribucin al valor de la funcin objetivo sera (1100+1)
1
y
o
1100
1
y
+
1
y
, es decir aumentar en el valor de la variable dual correspondiente
1
y
y dado que p
O
es igual a
'
O
en el nivel ptimo, un aumento de una unidad
de nitrato dar como resultado un aumento en el valor de la funcin objetivo del
primario en una cantidad equivalente a
1
y
; consecuentemente, una disminucin
unitaria en el nivel de un recurso dar como resultado una disminucin en el valor
de la funcin objetivo en la solucin ptima del problema primario en una cantidad
equivalente al valor de la variable dual correspondiente.
Para el ejemplo esto significa, que un aumento de la tonelada en la disponibilidad
de nitrato da como resultado $340 de aumento en las utilidades; un aumento en
una tonelada en el uso de fosfato da como resultado un aumento de $30 en las
utilidades y un aumento en la disponibilidad de potasio no tendra impacto en las
utilidades, pues en las solucin primal existen 500 toneladas de potasio sin utilizar.
Para resolver el dual, adems de resolver el primal, se requiere un esfuerzo doble,
por fortuna, los valores de las variables duales se encuentran en la tabla ptima
del primal, debido a la existencia de una correspondencia uno a uno entre las
variables duales y las variables de holgura; as mismo la solucin del problema
primal aparece en la tabla ptima del dual, ya que la correspondencia uno a uno
se da entre las variables primales y las variables de exceso.
110
Los valores de las variables artificiales en el dual no tienen ningn significado en el
problema primal; estas se utilizan solo para tener una solucin factible bsica
inicial y en la solucin factible ptima valen cero.
INTERPRETACIN ECONMICA DEL DUAL2
1
y
=340
1Tn adicional de nitrato produce $340 adicionales de utilidad.

2
y
= 30
1Tn adicional de fosfato produce $30 adicionales de utilidad.

3
y
= 0
No se obtienen utilidades adicionales al aadir toneladas extras de

potasio.
Es decir, desde el punto de vista de la toma de decisiones en la administracin, las
variables duales indican la cantidad extra que se estara en disposicin de pagar
por una unidad adicional de un recurso especfico. Para el ejemplo, significa que
por los recursos escasos se podra pagar hasta:
NTRATO: $200 + $340 = $540
FOSFATO: HASTA $80 + $30 = $110
En este caso, el aumento neto en la utilidad por tonelada adicional de recurso ser
la diferencia entre el valor de la variable dual correspondiente y el adicional al
precio que se pague. As, si el proveedor cobrara $10 adicionales por tonelada de
fosfato que exceda de 1800 toneladas, todava se obtendran $20 adicionales de
utilidad por tonelada de fosfato; si el aumento extra fuera de $31, no estaramos
dispuestos a comprar fosfato adicional.
32 AN*LISIS DE SENSIBILIDAD2
El anlisis de sensibilidad es un mtodo que investiga el efecto que tienen los
cambios en los parmetros de un problema de PL en la solucin ptima.
Pueden cambiar: Los coeficientes de la funcin objetivo.
Los valores del segundo miembro de las restricciones.
Los valores de los coeficientes de las restricciones.
Es O4e%:e$(e H:e '&s %&eO"%"e$(es ;e 'a O:$%"8$ &!<e("7& & '&s 7a'&4es ;e' se9:$;&
"e!4&s ;e 'as 4es(4"%%"&$es sea$ es("a%"&$es, ;e aXJ 'a "6&4(a$%"a ;e a$a'"5a4
'a se$s"!"'";a; ;e 'a s&':%"8$ 86("a a %a!"&s ;e es(&s 6a4Te(4&sS e$ %a!"&, e'
"6a%(& ;e '&s %a!"&s e$ '&s %&eO"%"e$(es ;e 'as 4es(4"%%"&$es es ;e e$&4
"6&4(a$%"a, 6&4H:e es(&s se &!("e$e$ ;e 'a (e%$&'&9Ja ;e' 64&!'ea 9e$e4a'e$(e
s&$ 7a'&4es 4ea'es @ $& es("a%"&$es2 P&4 es(as 4a5&$es, se %&$s";e4a$ s&'& '&s
%a!"&s e$ '&s %&eO"%"e$(es ;e 'a O:$%"8$ &!<e("7& @ e$ '&s 7a'&4es ;e' se9:$;&
"e!4& ;e 'as 4es(4"%%"&$es2
111
Para explicar el anlisis de sensibilidad utilizamos el ejemplo inicial visto en
Mtodo Simplex de los fertilizantes; recordemos que la solucin ptima era
fabricar 8000 Tn del 5-5-10 y 14000 Tn del 5-10-5, maximizando las utilidades a $
428, 000.00.
Ahora, aunque las disponibilidades y costos de las materias primas no han
cambiado, la compaa desea considerar la fabricacin de un tercer producto, un
fertilizante 5-5-5, que puede venderse a $60 la Tn; igual, debe fabricarse la
combinacin de fertilizantes que maximice las utilidades.
Para plantear el problema, sea
3
?
las Tn del 5-5-5 que deben fabricarse, la
contribucin a las utilidades resulta de $14.50 por Tn y el modelo es:
Maximizar : Z= 18.5
1
?
+ 20
2
?
+ 14.5
3
?
S. a. : 0.05
1
?
+ 0.05
2
?
+ 0.05
3
?
1100
0.05
1
?
+ 0.10
2
?
+ 0.05
3
?
1800
0.10
1
?
+ 0.05
2
?
+ 0.05
3
?
2000

1
?
,
2
?
,
3
?
0
Utilizando el MS para resolver el problema se tiene:
Z - 18.5
1
?
- 20
2
?
- 14.50
3
?
+
1
S 0
+
2
S 0
+
3
S 0
= 0
0.05
1
?
+ 0.05
2
?
+ 0.05
3
?
+
1
S
+
2
S 0
+
3
S 0
= 1100
0.05
1
?
+ 0.10
2
?
+ 0.05
3
?
+
1
S 0
+
2
S
+
3
S 0
= 1800
0.10
1
?
+ 0.05
2
?
+ 0.05
3
?
+
1
S 0
+
2
S 0
+
3
S
= 2000
cc2 cc1
BASE Z
1
?
2
?
3
?
1
S
2
S
3
S
!" FORMULA !"Pa"<
. Z 1 -18.5 -20 -14.5 0 0 0 0
0
=

1
S
2
S

3
S
0
0
0
0.05
0.05
0.10
0.05
0.10
0.05
0.05
0.05
0.05
1
0
0
0
1
0
0
0
1
1100
1800
2000
1
=
2
=
3
=
22000
18000 FC1
40000
112
. Z 1 -8.5 0 -4.5 0 200 0 360000
7
2 0
7
0
= 20 = = + =

1
S
2
?

3
S
0
0
0
0.025
0.5
0.075
0
1
0
0.025
0.5
0.025
1
0
0
-0.5
10
-0.5
0
0
1
200
18000
1100
7
2 1
7
1
= 05 . 0 = = =
2
7
2
= 10 . 0 I 1 = =
7
2 3
7
3
= 05 . 0 = = =
8000 FC2
36000
14667
. Z 1 0 0 4 340 30 0 428000
7 7
1
7
0
7 7
0
= 5 . 8 = = =
1
?

2
?

3
S
0
0
0
1
0
0
0
1
0
1
0
-0.05
40
-20
-3
-20
20
1
0
0
1
8000
14000
500
7
1
7 7
1
= 025 . 0 I 1 = =
7 7
1
7
2
7 7
2
= 5 . 0 = = =
7 7
1
7
3
7 7
3
= 075 . 0 = = =
Los coeficientes del rengln
7 7
0
= para las variables bsicas y no bsicas todos son
0, por consiguiente se trata de una matriz ptima.
La solucin es
1
?
=8000,
2
?
= 14000,
3
?
=0,
1
S
=0,
2
S
=0 i
3
S
=500 y Z
mxima $428000.00
Es decir una solucin igual a la del problema original de los productos; o sea debe
fabricarse 8000 Tn del 5-5-10 y 14000 Tn del 5-10-5, obtenindose las mismas
utilidades de $428000.00; solucin que significa que el programa de produccin
puede seguir sin modificarse.
Pero, se sabe que fabricar el 5-5-5 es de importancia para la empresa, por
razones de mercadotecnia, aunque no se pueden sacrificar utilidades para fabricar
alguna cantidad del 5-5-5, sin embargo se tiene la posibilidad de aumentar el
precio de este producto a fin de que resulte rentable. Tambin se avizora una
posible reduccin del precio del 5-5-10 debido a que la competencia ha reducido
su precio del fertilizante. Se informa tambin para el mes siguiente una reduccin
de la disponibilidad de nitrato.
Por todas estas razones, la compaa debe revisar la decisin de continuar
fabricando solo dos fertilizantes, para incluir en el anlisis los problemas
planteados. Para comprenderlos, es necesario analizarlos por separado; por
ejemplo, para analizar el aumento del precio del 5-5-5, supondremos que la
disponibilidad de nitrato permanecer constante; para analizar la disponibilidad de
nitrato, supondremos que la contribucin del 5-5-5 a las utilidades es el valor
actual de $14.50.
CAMBIO EN EL COEFICIENTE DE UNA VARIABLE NO B*SICA DE LA
FUNCIN OB-ETIVO2
113
La sensibilidad de la solucin ptima a cambios de los coeficientes de la
funcin objetivo puede determinarse aadiendo 8
al coeficiente 8
c
,
obtenindose como nuevo coeficiente: 8 8 8
c c + =
Es posible determinar que tan grande debe ser 8
a partir del requerimiento de

optimidad en la tabla ptima. La sensibilidad se mide por 8
, si consideramos el
intervalo de costos sobre los cuales la solucin ptima existente sigue siendo
ptima. Si consideramos el fertilizante 5-5-5
3
?
al nuevo precio de $ 60 +
3
,
la contribucin a las utilidades ser $14.5 +
3
y la nueva tabla la siguiente:

cc2 cc1
BASE Z
1
?
2
?
3
?
1
S
2
S
3
S
!" FORMULA !"Pa"<
. Z 1 -18.5 -20 -14.5-
3
0 0 0 0
0
=

1
S
2
S

3
S
0
0
0
0.05
0.05
0.10
0.05
0.10
0.05
0.05
0.05
0.05
1
0
0
0
1
0
0
0
1
1100
1800
2000
1
=
2
=
3
=
22000
18000 FC1
40000
. Z 1 -8.5 0
-4.5-
3
0 200 0 360000
7
2 0
7
0
= 20 = = + =

1
S
2
?

3
S
0
0
0
0.025
0.5
0.075
0
1
0
0.025
0.5
0.025
1
0
0
-0.5
10
-0.5
0
0
1
200
18000
11000
7
2
7
1
7
1
= 05 . 0 = = =
2
7
2
= 10 . 0 I 1 = =
7
2 3
7
3
= 05 . 0 = = =
8000 FC2
36000
14667
. Z 1 0 0
4 -
3
340 30 0 428000
7 7
1
7
0
7 7
0
= 5 . 8 = = + =
1
?

2
?

3
S
0
0
0
1
0
0
0
1
0
1
0
-0.05
40
-20
-3
-20
20
1
0
0
1
8000
14000
500
7
1
7 7
1
= 025 . 0 I 1 = =
7 7
1
7
2
7 7
2
= 5 . 0 = = =
7 7
1
7
3
7 7
3
= 075 . 0 = = =
Considerando la optimidad de
3
? antes de que se vuelva bsica:
4 -
3
0 (1)
Luego :
3
4
O tambin:
5 . 14 4 5 . 14
3
+ +

5 . 18 c
3

Esto indica que si el precio de
3
?
se incrementa hasta $4, su contribucin a las
utilidades sera hasta $18.50 y entonces la produccin de
3
?
no sera rentable.
Si el precio aumentara exactamente $4, se llegara a un punto de decisin en el
que podra fabricarse
3
?
, sin obtener utilidades adicionales, es decir la utilidad
seguira siendo $428, 000.00; sera una solucin alternativa con la misma utilidad.
114
En cambio, si
3
>4, la contribucin a las utilidades de

3
?
sera mayor que 18.5,
entonces la produccin de
3
?
sera rentable y
3
?
entrara a la base, cambiando
la solucin ptima anterior.

CAMBIO EN EL COEFICIENTE DE UNA VARIABLE B*SICA DE LA
FUNCIN OB-ETIVO2
Para el anlisis utilizaremos el fertilizante 5-5-10. Estaremos interesados en
saber cual es el valor mximo en el que puede cambiar este coeficiente bsico de
utilidades antes de cambiar las variables bsicas restantes en la solucin ptima.
En el caso de variables que si son bsicas deben considerarse tanto aumentos
como disminuciones en los coeficientes de contribucin, Sea la nueva
contribucin: 8 8 8
c c + =
, que afectara a ms de una columna de la tabla simplex.
Para el ejemplo veamos para
1
?
:
1 1 1 1
5 . 18 c c + = + =

cc2 cc1
BASE Z
1
?
2
?
3
?
1
S
2
S
3
S
!" R F^RMULA !"Pa"<
. Z 1
-18.5-
1
-20 -14.5 0 0 0 0
0
=

1
S
2
S

3
S
0
0
0
0.05
0.05
0.10
0.05
0.10
0.05
0.05
0.05
0.05
1
0
0
0
1
0
0
0
1
1100
1800
2000
1
=
2
=
3
=
22000
18000
1
40000
. Z 1
-8.5-
1
0 -4.5 0 200 0
7
2 0
7
0
= 20 = = + =

1
S
2
?

3
S
0
0
0
0.025
0.5
0.075
0
1
0
0.025
0.5
0.025
1
0
0
-0.5
10
-0.5
0
0
1
200
18000
1100
7
2
7
1
7
1
= 05 . 0 = = =
2
7
2
= 10 . 0 I 1 = =
7
2 3
7
3
= 05 . 0 = = =
8000 2
36000
14667
. Z 1 0 0
4+
1
340+
40
1
30-20
1
0 428000+
8000
1
( )
7 7
1 1
7
0
7 7
0
= 5 . 8 = = + + =
1
?

2
?

3
S
0
0
0
1
0
0
0
1
0
1
0
-0.05
40
-20
-3
-20
20
1
0
0
1
8000
14000
500
7
1
7 7
1
= 025 . 0 I 1 = =
7 7
1
7
2
7 7
2
= 5 . 0 = = =
7 7
1
7
3
7 7
3
= 075 . 0 = = =
Considerando las condiciones de optimidad se tiene:
Para
3
? : 4 +
1
0 4
1

Para
1
S : 340 + 40
1
0 5 . 8
1

Para
2
S : 30 - 20
1
0 5 . 1
1

115
O sea los cambios de
1
c son 5 . 1 4
1

o las utilidades de
1
? quedan entre 4 c
1
y 5 . 1 c
1
+
o lo que es lo mismo 5 . 1 c c 4 c
1 1 1 1
+ +
18.5 - 4 5 . 1 5 . 18 c
1
+
20 c 5 . 14
1

Para determinar el intervalo apropiado de utilidades se pueden generalizar los
resultados con dos reglas:
1. Si existen varias condiciones de la forma i 8
$
se elige la que tenga el
i
$
ms cercano a cero.
2. Si existen varias condiciones de la forma i 8
G
se elige la que tenga el
i
G
ms cercano a cero.
Si el cambio en el coeficiente de la funcin objetivo de una variable no
bsica bsica no est en lo permisible para mantener la optimidad, entonces
debe volverse a calcular la tabla; esto es posible usando la tabla anterior.
Supongamos que las condiciones del mercado permiten incrementar las utilidades
del producto
1
?
hasta $25, es decir fuera de los lmites antes descritos, con lo
cual la solucin anterior no sera la ptima; en la ltima Tabla ptima se puede
reemplazar
5 . 6 5 . 18 25
1
= =
, obtenindose nueva Tabla:
BASE Z
1
?
2
?
3
?
1
S
2
S
3
S
bi R
. Z 1 0 0 10.5 600 -100 0 480000
7 7
0
=

1
?

2
?
3
S
0
0
0
1
0
0
0
1
0
1
0
-0.05
40
-20
-3
-20
20
1
0
0
1
8000
14000
500
700
500
El valor total de la funcin objetivo ha aumentado a $480000.00, sin embargo en la
fila
7 7
0
= hay un valor negativo de -100 para
2
S
, esto implica que la solucin no es
ptima y que
2
S
debe entrar en la base para volver a la optimidad. A partir de la
Tabla anterior, la nueva Tabla sera:
BASE Z
1
?
2
?
3
?
1
S
2
S
3
S
bi R
V.
Z
1 0 0 5.5 300 0 100 530000
7 7 7
3
7 7
0
7 7 7
0
= 100 = = + =
1
?
2
?
2
S
0
0
0
1
0
0
0
1
0
0
1
-0.05
-20
40
-3
0
0
1
20
-20
1
18000
4000
500
7 7 7
3
7 7
1
7 7 7
1
= 20 = = + =
7 7 7
2
7 7
2
7 7 7
2
= 20 = = =
7 7
3
7 7 7
3
= = =
116
Como en
7 7 7
0
= todos son 0, la solucin es ptima, y
1
?
=18,000,
2
?
=4000 i
&-?
O
= $530,000.00
CAMBIOS EN LOS SEGUNDOS MIEMBROS DE LAS RESTRICCIONES2
Al igual que en caso de cambios en los coeficientes de la funcin objetivo,
la sensibilidad de la solucin ptima a cambios en los recursos se mide a travs
de una cota superior y una cota inferior para el nivel del recurso que se modifica.
Para el ejemplo, sea el nuevo nivel de nitrato 1100 +
.
en donde
.
es
positivo o negativo para reflejar aumentos o disminuciones en la disponibilidad del
nitrato. La solucin es:
cc2 cc1
BASE Z
1
?
2
?
3
?
1
S
2
S
3
S
!" R !"Pa"<
. Z 1 -18.5 -20 -14.5 0 0 0 0
0
=

1
S
2
S

3
S
0
0
0
0.05
0.05
0.10
0.05
0.10
0.05
0.05
0.05
0.05
1
0
0
0
1
0
0
0
1
1100+
.
1800
2000
1
=
2
=
3
=
22000+20
.
18000 1
40000
. Z 1 -8.5 0 -4.5 0 200 0 360000
7
2 0
7
0
= 20 = = + =
1
S
2
?
3
S
0
0
0
0.025
0.5
0.075
0
1
0
0.025
0.5
0.025
1
0
0
-0.5
10
-0.5
0
0
1
200+
.
18000
1100
7
2 1
7
1
= 05 . 0 = = =
2
7
2
= 10 . 0 I 1 = =
7
2 3
7
3
= 05 . 0 = = =
8000+
.
/0.025
2
36000
14667
. Z 1 0 0 4 340 30 0
428000+340
.
7 7
1
7
0
7 7
0
= 5 . 8 = = + =
1
?
2
?
3
S
0
0
0
1
0
0
0
1
0
1
0
-0.05
40
-20
-3
-20
20
1
0
0
1
8000+40
.
14000-20
.
500-3
.
7
1
7 7
1
= 025 . 0 I 1 = =
7 7
1
7
2
7 7
2
= 5 . 0 = = =
7 7
1
7
3
7 7
3
= 075 . 0 = = =
Por la no negatividad de la solucin, se tiene:
1
? : 200 0 40 8000
. .
+
2
? : 700 0 20 14000
. .

3
S : 67 . 166 0 3 500
. .

De donde: 67 . 166 200
.

117
Lo que significa que la disponibilidad de nitrato puede aumentar hasta en 166.67
Tn o disminuir hasta en 200 Tn sin ocasionar que las variables de la solucin
ptima cambien. Los valores de la funcin objetivo y el valor del segundo
miembro cambiarn, pero la mezcla actual de variables seguir siendo ptima o
expresado en trminos de disponibilidad de nitrato:
67 . 166 1100 ) 200 1100
.
+ 67 . 1266 ) 900
.

Si el cambio actual
.
, se encuentra en los lmites que se han dado,

puede seguirse utilizando el mismo mtodo para calcular los nuevos valores de la
solucin y de la funcin objetivo. Por ejemplo, si la disponibilidad de nitrato se
reduce en 100 Tn, entonces
.
= -100 y la nueva solucin sera:

BASE Z
1
?
2
?
3
?
1
S
2
S
3
S
bi
. Z 1 0 0 4 340 30 0 394000
1
?
2
?
3
S
0
0
0
1
0
0
0
1
0
1
0
-0.05
40
-20
-3
-20
20
1
0
0
1
4000
16000
800
Es decir fabricar 4000 Tn del fertilizante 1 y 16000 Tn del fertilizante 2, no
se utilizaran 800 Tn de potasio y la utilidad se reducira a $394000. Observe que
los coeficientes de
.
en la Tabla ptima son los mismos que los coeficientes de

la columna
1
S
, se debe a que
1
S
es la variable de holgura asociada con el
nitrato. Otro resultado importante en la Tabla ptima, es el valor de
222
O
para
1
S

de 340, que indica que una unidad adicional de nitrato aumenta las utilidades en
$340, luego, la empresa estara dispuesta a pagar hasta $340 ms de lo que paga
actualmente por el nitrato; por ejemplo si hay nitrato adicional a $400 por Tn o sea
$200 ms de lo que costaba antes la Tn, la compaa podra comprar nitrato
adicional, ya que aun tendra $340-$200=$140 de utilidad adicional por Tn de
nitrato adicional.
Como los valores de
222
O
de cada holgura indican el valor adicional de una
unidad adicional del recurso correspondiente, a estos valores se les denominan
64e%"&s s&!4a. La relacin entre los precios sombra como recurso y la funcin
objetivo puede expresarse as: El precio sombra para un recurso determinado
refleja el impacto que tiene sobre la funcin objetivo un cambio unitario en el
recurso, este impacto en el precio se mantiene mientras el cambio en el recurso se
encuentra dentro de los lmites determinados por el anlisis de sensibilidad. En
cambio, si
.
=200, el nuevo valor de

3
S
sera 500-3(200) = - 100 < 0, en este
caso, sera necesario volver a resolver el problema en forma completa, porque la
mezcla ptima de productos cambiara; bajo la nueva solucin, se obtendra un
conjunto diferente de precios sombra.
118
O!s#47ese H:e 64e%"&s s&!4a es '& "s& H:e 7a4"a!'es ;:a'es2
Como ejemplo adicional, determinemos los lmites de cambio para el fosfato
6
, segn la Tabla ptima para la variable de holgura

2
S
, por la no negatividad
de las variables se tendrn:
1
? : 400 0 20 8000
6 6

2
? : 700 0 20 14000
6 6
+
3
S : 500 0 500
6 6
+
Es ;e%"4 H:e, '&s 'J"(es O"$a'es s&$:
400 500
6

que nos indica que la disponibilidad de fosfato podra reducirse hasta 500 Tn o
aumentarse hasta 400 Tn sin obligar a que las variables ptimas actuales
conduzcan a una solucin no factible. Dentro de estos limites de cambio podran
calcularse los nuevos valores ptimos de
1
?
,
2
?
y
3
S
sin tener que volver a
resolver el problema completo.
Para los problemas con solo restricciones , la sensibilidad de la solucin
ptima a cambios en los niveles de recursos puede generalizarse de la siguiente
forma:
1. Si se tiene una solucin ptima, el aumento o disminucin en utilidades debido
al aumento o disminucin de una unidad del K-simo recurso puede obtenerse
tomando el valor del rengln 8
O
de la k-sima variable de holgura. Estos
valores se denominan precios sombra.
2. Para resumir el clculo de los lmites superior e inferior de la disponibilidad de
algn recurso escaso, sean
)
y
la disponibilidad original y el cambio del

K-simo recurso respectivamente y
6
r
i
i
a
, el valor ptimo del segundo
trmino y el coeficiente de la variable
S
respectivamente en el i-simo
rengln, entonces para cada una de las m variables bsicas se tiene
( ) 0 . a r
i
i
6
+
Las desigualdades se resuelven para determinar l y u, lmites inferior y
superior de
, entonces:
( l

son los lmites del cambio en la disponibilidad del k-simo recurso, con el
objeto de mantener la solucin ptima.
CAMBIOS OBLIGADOS EN LA PRODUCCI^N2
Qu haramos si deseramos fabricar cantidades diferentes a las que aparecen
en la tabla ptima?
119
TASAS F`SICAS DE SUSTITUCI^N.- Son los nmeros que aparecen en el
cuerpo de cualquier Tabla de PL; en la tabla inicial los coeficientes indican la tasa
o ritmo al cual las materias primas se convierten en los productos finales; si se
tienen solo restricciones las variables bsicas son las variables de holgura e
equivalen a la cantidad de recursos disponibles, es decir
S
= recurso k seala la
cantidad de recurso k que no se utiliza.
En este caso las tasas fsicas de sustitucin convierten variables bsicas (las de
holgura) en variables no bsicas (productos finales); esta relacin es cierta
durante todas las tablas subsecuentes, afirmndose lo siguiente: LOS
COEFCENTES DE UNA TABLA DE PL SON TASAS FSCAS DE
SUSTTUCON PARA TRANSFORMAR ASGNACONES ACTUALES DE
RECURSOS (VARABLES BASCAS) EN ASGNACONES NUEVAS DE
PRODUCTOS (VARABLES NO BASCAS).
Si i8
a
es el coeficiente del i-simo rengln y la j-sima columna, entonces i8
a
es
la tasa a la que la i-sima variable bsica se convierte en la j-sima variable no
bsica. Un coeficiente positivo significa que el valor de la variable bsica se
reducir al aumentar el valor de la variable no bsica y un coeficiente negativo
significa que el valor de la variable bsica aumentar al aumentar el valor de la
variable no bsica.
Para comprender mejor, consideremos en la tabla ptima la columna de la variable
no bsica
3
?
y la columna BASE:
La variable bsica
1
?
se convierte en la variable no bsica
3
?
con la tasa 1,
es decir una unidad de
1
?
en una unidad de
3
?
.
La variable bsica
2
?
no se convierte en ninguna
3
?
.
La produccin de una unidad de
3
?
disminuye 0.05 Tn de
3
S
.
Si la empresa se viera obligada a fabricar el fertilizante 3 sin tener aumento en
las utilidades, por cada Tn que se fabricara, habr una reduccin de $4 en la
utilidad total.
Si los administradores decidieran la fabricacin de 1000 Tn del fertilizante 3 para
un cliente importante, el plan modificado de produccin sera:
Fe4("'"5a$(e & a(e4"a 64"a N"7e' ;e 64&;:%%"8$ &4"9"$a' &
a(e4"a 64"a $& :sa;a
N"7e' ;e 64&;:%%"8$ $:e7& &
a(e4"a 64"a $& :sa;a
1
?
2
?
3
?
3
S
8000
14000
0
500
7000
14000
1000
550
La :("'";a; 6a4a es(e 6'a$ ;e 64&;:%%"8$ se 4e;:%"4T e$ E
( ) 1000
GRE000, es
;e%"4 se4T RE3E,000200
TALLER 0A
120
AN*LISIS DE SENSIBILIDAD
O!<e("7&
Se trata de optimizar el funcionamiento de la empresa, monitoreando lo que ocurre fuera
de la empresa, para determinar el momento preciso en que esta debe cambiar el modelo
matemtico, es decir cuan sensible es la empresa hacia los cambios externos.
O4"e$(a%"&$es
Entrenarse en el monitoreo empresarial y sobre todo en la operatividad del centro de
cmputo para hacer anlisis de sensibilidad. En esta tarea resolver los siguientes
ejercicios
. 1
/
Para el siguiente problema de PL:
MAXMMAR Z= 2
1
?
+ 2
2
?
SUJETO A 2
1
?
+ 4
2
?
8
3
1
?
+ 4
2
?
12

1
?
,
2
?
0
a) Resolver por el mtodo grfico.
b) Si la utilidad en
1
?
cambiar de 2 a 10. Cul sera la nueva solucin ptima?
c) Suponga que la disponibilidad del recurso 1 cambia de 8 a 16. Si los valores de
las utilidades no cambian. Cul sera la solucin ptima?
SOLUCION2
a) 1) 2
1
?
+4
2
?
= 8 :
1
?
=0
2
?
=2:(0,2)

2
?
=0
1
?
=4:(4,0)
2) 3
1
?
+4
2
?
=12 :
1
?
=0
2
?
=3:(0,3)
2
?
=0
1
?
=4:(4,0)
Funcin objetivo:
Z=2
1
? +2
2
? = 0
2
? =
1
?
Z es mx. en
1
?
=4,
2
?
=0:A(4,0)
L:e9&: ZG3(E) Y 3(0) GA
b) Z=10
1
?
+2
2
?
=0
2
?
=-5
1
?
Z es mx. en
1
?
=4,
2
?
=0:A(4,0)
Luego: Z=10(4) + 2(0)=40
c) 3) 2
1
?
+4
2
?
=16 :
1
?
=0
2
?
=4:(0,4)

2
?
=0
1
?
=8:(8,0)
121
Z=2
1
?
+2
2
?
= 0
2
?
=-
1
?
Z es mx. en
1
?
=0,
2
?
=3:B(0,3)
Luego: Z=2(0) + 2(3) =6
. 2
/
Para el siguiente problema de PL:
MAXMMAR Z= 3
1
?
+ 4
2
?
+ 10
3
?
SUJETO A
1
? +
2
? +
3
?
10
5
1
? + 3
2
? 15

1
? ,
2
? ,
3
?
0
BASE Z
1
?
2
?
3
?
1
S
2
S
bi
. Z 1 7 6 0 10 0 100
100+10
1
)

3
?
2
S
0
0
1
5
1
3
1
0
1
0
0
1
10
15

0 10
1
)
+

0 0 15
1
)
+
Suponiendo todos los cambios independientes entre s:
a) Determine el aumento en las utilidades de
1
?
, para que esta variable ingrese
a la base.
b) Haga lo mismo para
2
?
.
c) Determine el cambio del coeficiente de utilidad de
3
?
antes de que la solucin
ptima cambie.
d) Determine el aumento o reduccin de la disponibilidad del primer recurso antes
de que la solucin ptima que se tiene se vuelva no factible.
e) Haga los mismo para el recurso 2.
f) Suponga que se viera obligado a fabricar 4 unidades de
2
?
. Calcule la nueva
solucin.
SOLUCION2
a)
1
7 : 3 +
1
3 + 7

1
c
10
>
1
c =10: Solucin alternativa, sin utilidades adicionales.
>
1
c >10:
1
? ingresa a la base con nueva solucin ptima.
b)
2
6 : 4 +
2
4 + 6

2
c
10
>
2
c = 0: Solucin alternativa, sin utilidades adicionales.
>
2
c >10:
2
? ingresa a la base con nueva solucin.
c) Para
3
c
= 10 +
3
se tiene segn la tabla ptima:

122
Para
1
?
: 7 +
3
-7
Para
2
?
: 6 +
3
-6
Para
1
S
: 10 +
3
-10
Concluyendo que:
3
-6
10 +
3
10 - 6

3
c
4
Es decir que
3
c

[ [ , 4
con la misma solucin ptima; sin embargo, el valor de Z
cambiar segn la expresin 100 + 10
3
,
3
-6. la solucin ptima cambiar

si
3
c
< 4.
d) Segn la columna
1
S
y la columna bi:
3
?
= 10 +
1
)
1
)
-10
10 +
1
)
10 -10

1
)
0
e) Segn la columna
2
S
y la columna bi:
2
S
= 15 +
2
)
2
)
-15
15 +
2
)
15 -15

2
)
0
f) PRODUCTO NVEL DE PRODUCCON NVELDE
PRODUCCON
MATERA PRMA ORGNAL O MATERA NUEVO O
MATERA
PRMA NO USADA PRMANO USADA

1
?
0 0

2
?
0 4

3
?
10 6

2
S 15 15
La utilidad para el nuevo plan de produccin se reducir en 6 (4)=24, es decir ser 100-24=76.
Se comprueba por: Z= 3(0) + 4(4) + 10(6)=76.
RESULTADOS POR COMPUTADORA
Adems del software SMPLEX, tenemos otros software de optimizacin, como el
LNDO y el SUPER LNDO.
123
E3. Con el aplicativo LNDO, resolver el problema de los 3 fertilizantes de la
pgina 113.
SOLUCION2
PANTALLA DE DATOS.
Max 18.5 x1 + 20.0 x2 + 14.5 x3
St 0.05x1 + 0.05x2 + 0.05x3 <= 1100
0.05x1 + 0.10x2 + 0.05x3 <= 1800
0.10x1 + 0.05x2 + 0.05x3 <= 2000
End (CLK en de color rojo y continuar con el cuadro de dilogo, hasta obtener los
resultados, que se leern en la PANTALLA DE RESULTADOS).
E4. Con el aplicativo LNDO, resolver todos los problemas de las unidades V y X.
N&(a: En los resultados por computadora, deben leerse e interpretarse, segn el
enunciado del problema: El valor de la funcin objetivo, los valores de las variables
primales, los valores de las variables de holgura, los valores de las variables
duales o precios sombra, las condiciones para que las variables primales que no
estn en la base, ingresen a la base, el anlisis de sensibilidad de los coeficientes
de la funcin objetivo y el anlisis de sensibilidad de los segundos miembros de
las restricciones.

AUTOEVALUACIN
1. Explique la sensibilidad de la empresa a los cambios externos de la misma y su
tratamiento computacional.
2. Explique cuando la empresa ptima, debe cambiar su modelo matemtico.
3 Explique la variacin de los coeficientes de la funcin objetivo y la variacin de los
segundos miembros de las restricciones.

PROBLEMAS ADICIONAMES
PARTE E
1. Max. Z = 5X1 + 3X2 Por el mtodo grfico.
St. 3X1 + 5X2 < = 15
5X1 + 2X2 < = 10
X1, X2 >= 0
124
2. Resolver el problema anterior por el mtodo simplex.
3. La Watts Manufacturing Company fabrica y vende radios AM y
AM/FM. La produccin de un radio de AM requiere 4 horas, en tanto
que la fabricacin de un radio AM/FM requiere 6 horas. En la planta
existe un total disponible de 96 horas-hombre semanales para la
produccin. Los administradores de la empresa han determinado que
lo mximo que se puede vender a la semana son 30 radios AM y 20
AM/FM. La contribucin a las utilidades por cada radio AM que se
vende es $6, y cada radio AM/FM contribuye con $12 a las utilidades.
Qu cantidad de cada tipo de radio debe fabricar la compaa cada
semana para maximizar sus utilidades?. Resolver por el mtodo
simplex.
4. Min. Z =2Y1 + 3Y2 Por el mtodo grfico.
St. 2 Y1 + Y2 >=4
6Y1 +2Y2 >=8
Y1 + 5Y2 >=4
Y1, Y2>=0
6. MAXMZAR: Z= 8
1
?
+ 12
2
?
+ 10
3
?
Por el
mtodo simplex.
S. a. 2
1
?
+ 4
2
?
+ 2
3
?
60
9
1
?
+ 4
2
?
+ 16
3
?
242
5
1
?
+ 4
2
?
+6
3
?
125
Para
1
?
,
2
?
,
3
?
0
7. Max. Z = 2.5X1 + 3X2 Por el mtodo grfico.
St. 3X1 + 5X2 < = 15
5X1 + 2X2 < = 10
X1, X2 >= 0
9. Se dispone de informacin diettica de cuatro alimentos A, B, C y D
referentes a caloras, vitaminas y precios en la siguiente tabla. Si el nmero
de caloras y vitaminas requeridas son de 18 y 10 unidades respectivamente
Cunto de cada alimento debe adquirirse para satisfacer el mnimo
nutricional a un costo mnimo?.
A B C D
Caloras 2 0 1 3
125
Vitaminas 0 3 1 4
Precios 5 10 12 15
Resuelva por el mtodo simplex.
10. Min. Z = 15Y1 + 10Y2 Por el mtodo grfico.
St. 3Y1 + 5Y2 > = 2.5
5Y1 + 2Y2 > = 3
Y1, Y2 > = 0
12. Las mquinas A y B tienen 3 y 4 horas de capacidad disponibles
respectivamente. La produccin de 1 unidad del producto M
representa 2 horas de la mquina A y 4 horas de la mquina B. La
produccin de 1 unidad del producto N requiere 3 horas de la
mquina A y 1 hora de la mquina B. Si cada unidad de M produce
una utilidad de 1 sol y cada unidad de N produce una utilidad de 2
soles. Cuntas unidades de M y N debern producirse para
obtener una mxima utilidad?. Resolver, por el mtodo simplex.
13. Max. Z = 4X1 + 5X2
St. 3X1 + 6X2 < = 2100
6X1 + 5X2 < = 2100
X1, X2 > = 0
14. .Resolver el problema anterior por el mtodo simplex.
15 La OBC se especializa en la fabricacin de colchones, fabricando
tres clases: matrimonial, king-size e individual. Los tres tipos de
colchones se fabrican en dos plantas diferentes de la compaa. En
un da normal de 8 horas, la planta 1 fabrica 50 matrimoniales, 80
king-size y 100 individuales. La planta 2 fabrica 60 matrimoniales,
60 king-size y 200 individuales. El gerente de la OBC ha proyectado
la demanda mensual para los tres tipos de colchones y calcula que
ser de 2500, 3000 y 7000 unidades respectivamente. Los
contadores de la compaa indican que el costo diario de operacin
de la planta 1 es $ 2500 y de la planta 2 es $ 3500. Los
administradores desean determinar el nmero ptimo de das de
operacin por mes en cada planta, con el objeto de minimizar el
126
costo total de produccin, al mismo tiempo que se satisface la
demanda. Resuelva, mediante el dual, por el mtodo simplex.
16 Min Z = 2100Y1 + 2100Y2
St. 3Y1 + 6Y2 > = 4
6Y1 + 5Y2 > = 5
Y1, Y2 > = 0
18. Max. Z = 50X1 + 84X2 + 60X3
Por el mtodo simplex.
St. 3X1 + 4X2 + 2X3 < = 60
2X1 + X2 + 2X3 < = 36
X1 + 3X2 + 2X3 < = 62
X1, X2, X3 > = 0
19. La HSC fabrica estufas que usan madera como combustible para el
mercado domstico. En estos momentos, se fabrican tres tamaos
de estufas: la Baby Burner (BB), la Mama Burner (MB) y la Papa
Burner (PB). La HSC tiene plantas en Michigan y en Missouri. La
planta de Michigan puede fabricar 120 BB, 100MB y 50 PB en un da
de 8 horas, en tanto que la planta de Missouri puede fabricar 140 BB,
90 MB y 60 PB. La demanda mensual de BB es 3000 unidades, de
MB es 2500 unidades y de PB es 1500 unidades. El costo diario en la
planta de Michigan es de $4700, en tanto que en la planta de
Missouri es de $3900. La HSC desea saber cuantos das debe
trabajarse en cada planta para minimizar los costos y satisfacer la
demanda.
20. Una compaa de carga area desea maximizar los ingresos que
obtiene por la carga que transporta. La compaa tiene un solo avin
diseado para transportar dos clases de carga: carga frgil y carga
normal. La compaa no recibe pago extra por transportar carga
frgil; sin embargo, para asegurar ciertos contratos de negocios, la
compaa ha acordado transportar cuando menos 5 toneladas de
carga frgil. Este tipo de carga debe llevarse en una cabina
presurizada, mientras que la carga normal puede llevarse en una
cabina principal no presurizada. La capacidad de la cabina principal
es de 20 toneladas de carga. La cabina presurizada no puede llevar
ms de 10 toneladas de carga. El avin tiene una restriccin de peso
que le impide llevar ms de 28 toneladas de carga. Para mantener el
127
equilibrio de peso, la carga de la cabina presurizada debe ser menor
o igual dos tercios del peso de la cabina principal, ms una tonelada.
La compaa recibe $1000 por tonelada de cualquiera de los dos
tipos de carga que transporta. Resuelva el problema utilizando el
mtodo simplex.
FUENTES DE INFORMACIN
BIBLIOGR*FICAS:

1. Anderson, D., Sweeney, D. y Williams, T. (2008). Estad%stica
para
administracin y econom%a (10a. ed.). Mxico: Thomson
Learning : CENGAGE Learning.
2. Kazmier, Leonard J. (2006). Estad%stica aplicada a la
administracin y a la econom%a (4a. ed.). Mxico: McGraw
Hill.
3. Mason, R., Douglas A., L. y Marchal, W. (2003). Estad%stica
para administracin y econom%a (10a. ed.). Mxico:
Alfaomega.
4. Taha, H. (1992). In$estigacin de operaciones (2a. ed.).
Mxico: Alfaomega.
5. Taha, Hamdy A. (2004). In$estigacin de 0peraciones (7a.
ed.). Mxico: Prentice Hall.
6. Webster, A. (1996). Estad%stica aplicada a la empresa y a
la econom%a (2a. ed.). Madrid: RWN.
7. Weimer, R. (1996). Estad%stica. Mxico: Continental.

SOFTaARE ESPECIALIZADOS:
. MNTAB 15, SPSS 16
. LNDO Y SUPER LNDO.
NOTA: Es(T$ e$ e' La!&4a(&4"& ;e C86:(& USMP2

LIBROS CUYA COMPRA SE SOLICIT A LA USMP:
128
1. HANKE, J. y Reitsch, A. G. (2003). Estad%stica para negocios.
Madrid: Mc. GrawHill, RWN.
2. Levin, R. y Rubin, D. (2004). Estad%stica para administracin y
econom%a (7a. ed.). Mxico: Pearson Educacin.
129

Métodos Cuantitativos II

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Métodos Cuantitativos II

Загружено:

Авторское право:

Доступные форматы

ACREDITADA POR LA ASSOCIATION OF COLLEGIATE BUSINESS SCHOOLS AND PROGRAMS (ACBSP)

Y EUROPEAN COUNCIL FOR BUSINESS EDUCATION (ECBE)

REGRES LNEAL MLTPLE

k = nmero de muestras. Luego se reemplaza en:

= CUADRADO MEDO DEL ERROR = CME

88, 85, 75,

448 250 698 S%- S%0 S%/ = = = .

0 400 425 375 Gran Total

0 33.7 19.5 Gran Total

0 261 237 258 273

= Primer parmetro, que indica el valor de Y para X = 0

= Segundo parmetro, que indica la pendiente de la lnea recta.

, del modelo terico se estiman mediante

Y el coeficiente de correlacin en funcin de la Covarianza es:

= 0, porque si se rechaza esta hiptesis a un nivel de significancia

11. Al utilizar los valores que se determinaron en los problemas anteriores,

= + 0.50, para una

= valor estimado. Esta condicin se cumple

Sistema, de cuya solucin se obtienen los coeficientes estimados de

: Constante de suavizacin, se elige entre 0 y 1, es mejor el que

=0.8. Adems mediante el error cuadrado

Por lo tanto el mejor

es 0.3, que corresponde al menor error cuadrado

produce mejores resultados de prediccin, o sea de las dos

=0.4 para predecir el

= valor estimado de la variable dependiente.

= pendiente de la recta de tendencia.

7.01 + 0.174 t, Como predicciones tenemos.

=7.01 + 0.174 (17) =9.97 viviendas.

=7.01 + 0.174 (19) =10.32 viviendas.

Que se expresa en porcentaje

NDCE DE PAASCHE: L&s 64e%"&s se 6&$;e4a$ %&$ 'as

Z = 18.5 (8,000) + 20 (14,000) = $428,000.00.

. Z 1 400 700 0 -10000 -20000 -10000 0 585000

1Tn adicional de nitrato produce $340 adicionales de utilidad.

1Tn adicional de fosfato produce $30 adicionales de utilidad.

No se obtienen utilidades adicionales al aadir toneladas extras de

a partir del requerimiento de

y la nueva tabla la siguiente:

>4, la contribucin a las utilidades de

, se encuentra en los lmites que se han dado,

= -100 y la nueva solucin sera:

en la Tabla ptima son los mismos que los coeficientes de

=200, el nuevo valor de

, segn la Tabla ptima para la variable de holgura

la disponibilidad original y el cambio del

se tiene segn la tabla ptima:

-6. la solucin ptima cambiar

Вам также может понравиться