Академический Документы
Профессиональный Документы
Культура Документы
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
REFERENCAS DOCUMENTALES
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
REFERENCAS DOCUMENTALES
TEMA N 4: SERES DE TEMPO
1. Serie temporal
2. Descomposicin de una serie temporal
ACTVDADES APLCATVAS
AUTOEVALUACN
6
REFERENCAS DOCUMENTALES
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
REFERENCAS DOCUMENTALES
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
REFERENCAS DOCUMENTALES
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
REFERENCAS DOCUMENTALES
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
REFERENCAS DOCUMENTALES
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
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$(4e
94:6&s:
1 X ,
2 X , ., k X
x
=
1
1
k
k
i
X
k
=
, as
X
S
=
( )
2
1
k
x
X
k
:
( )
2
2 2 2 2
1 2
1
, ,...,
i i
k
n S
S S S
N K
1 ,
S%-
%&-
=
cal
CMA
F
CME
=
ERROR DE
MUESTREO (E) . + ,
S%/ = S%0 + S%-
, .
S%/
%&/
=
T O T A L (T) . + 1
2
2
1 1
n K
ij
j i
T
SCT X
N
= =
=
C) POR COMPUTADORA2
13
Existen programas de computacin para todos los casos de ANOVA. Nosotros
usaremos el programa MNTAB. Ve4 e' Ma$: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
=
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
= =
= = + + + =
y
1
=
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
=
= = = = =
D2 SIGNIFICACIN DEL COEFICIENTE DE CORRELACIN
!
#
:
, 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
ACTIVIDADES APLICATIVAS
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 =
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
= 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
= 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 =
ACTIVIDADES APLICATIVAS
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
En forma individual o si lo prefiere en trabajo de grupo, resolver los siguientes
casos que son problemas de la empresa.
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
1. Explique en que situaciones de la empresa se debe investigar con la
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
. /
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
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
=
1 0 t
+ =
Y
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
=
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
=
=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
1. Explique en que situaciones de la empresa se debe investigar con la
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.
CONTENIDOS PROCEDIMENTALES
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.
CONTENIDOS ACTITUDINALES
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.
CONTENIDOS CONCEPTUALES
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
REFERENCAS DOCUMENTALES
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
REFERENCAS DOCUMENTALES
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$(";a;es ;e' aL& !ase:
100
n o
%
o o
p &
I
p &
, 4es:'(a$;& 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 -$300
2
E
: 10 0.30 900 1800 1200 600
3
E
: 15 0.40 1200 2400 3600 2800
4
E
: 20 0.20 600 1200 1800 2400
) x ( xp
O PAGO ESPERADO (PE) 3000 5500 6500 5500
TALLER 0B
ACTIVIDAD APLICATIVA
TEOR)A DE DECISIONES
O!<e("7&
Se trata de la formacin para la toma de decisiones con profesionalismo, o
sea con tcnica con ciencia.
O4"e$(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
.
CONTENIDOS PROCEDIMENTALES
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.
CONTENIDOS ACTITUDINALES
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.
CONTENIDOS CONCEPTUALES
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 %
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
ACTIVIDAD APLICATIVA
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
al coeficiente 8
c
,
obtenindose como nuevo coeficiente: 8 8 8
c c + =
Es posible determinar que tan grande debe ser 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
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
-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
.
)
y
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
ACTIVIDAD APLICATIVA
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
-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
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
5. Resolver el problema anterior por el mtodo simplex.
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
8. Resolver el problema anterior por el mtodo simplex.
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
11. Resolver el problema anterior por el mtodo simplex.
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
17. Resolver el problema anterior por el mtodo simplex.
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