Manual Métodos Cuantitativos II - 2013 - I - II

1
ACREDITADA POR ACCREDITATION COUNCIL FOR BUSINESS SCHOOLS AND PROGRAMS (ACBSP),
EUROPEAN COUNCIL FOR BUSINESS EDUCATION (ECBE)
Y AXENCIA PARA A CALIDADE DO SISTEMA UNIVERSITARIO DE GALICIA (ACSUG)
ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS
MANUAL:
MTODOS CUANTITATIVOS II
GANANCIAS FINANCIERAS VIA METODOS CUANTITATIVOS
CICLO IV
SEMESTRE ACADMICO 2014 -I - II
Material didctico para uso exclusivo de clase
Copias-cesar
Calandrias 280 LIMA PER
2
UNIVERSIDAD DE SAN MARTIN DE PORRES

RECTOR
ING. JOS ANTONIO CHANG ESCOBEDO
VICE RECTOR
ING. RAL EDUARDO BAO GARCA
FACULTAD DE CIENCIAS CONTABLES, ECONMICASY FINANCIERAS

DECANO
DR. DOMINGO FLIX SENZ YAYA
DIRECTOR DE LA ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS

DR. JUAN AMADEO ALVA GMEZ
DIRECTOR ESCUELA DE ECONOMA

DR. LUIS CARRANZA UGARTE
DIRECTOR DEL DEPARTAMENTO ACADMICO DE CONTABILIDAD, ECONOMA Y FINANZAS

DR. LUIS HUMBERTO LUDEA SALDAA
DIRECTOR DE LA SECCIN DE POSTGRADO

DR. AUGUSTO HIPLITO BLANCO FALCN
DIRECTOR DE LA OFICINA DE GRADOS Y TTULOS

DR. VICTOR LORET DE MOLA COBARRUBIA
DIRECTOR DE LA OFICINA DE EXTENSIN Y PROYECCIN UNIVERSITARIA

DR. REYNALDO ULADISLAO BRINGAS DELGADO
DIRECTOR DEL INSTITUTO DE INVESTIGACIN

DR.SABINO TALLA RAMOS
SECRETARIO DE FACULTAD
DR. LUIS ANTONIO CUEVA ZAMBRANO
JEFE DE LA OFICINA DE REGISTROS ACADMICOS

SRA. BELINDA MARGOT QUICAO MACEDO
JEFE DE LA OFICINA DE BIENESTAR UNIVERSITARIO

LIC. MARA RICARDINA PIZARRO DIOSES
JEFE DE LA OFICINA DE ADMINISTRACIN

Mo. ABOG. LUIS FLORES BARROS
COORDINADOR ACADMICO DE LA ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS

TURNO MAANA
DRA. YOLANDA MAURINA SALINAS GUERRERO
COORDINADOR ACADMICO DE LA ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS

TURNO NOCHE
DR. ANTONIO AMILCAR ULLOA LLERENA
COORDINADOR ACADMICO DE LA ESCUELA PROFESIONAL DE ECONOMA

TURNO MAANA Y NOCHE
MG. RENZO JAIR VIDAL CAYCHO
COORDINADOR DE LA SECCIN DE POSTGRADO DE CONTABILIDAD Y FINANZAS

DR. CRISTIAN YONG CASTAEDA
COORDINADOR DE LA SECCIN DE POSTGRADO DE ECONOMA

DR. VICTOR LORET DE MOLA COBARRUBIA
3
DERECHOS RESERVADOS
El texto de este trabajo o parte del mismo, no puede ser reproducido o transmitido por
mtodos o forma alguna, sean estos electrnicos o mecnicos, incluyendo copias fotostticas,
cintas magnetofnicas, acumulacin en un sistema de informacin con memoria, Internet u
otra forma, sin autorizacin escrita dela Escuela Profesional de Contabilidad y Finanzas.
FCCEF. USMP.
Si desea un ejemplar, gestinelo en la Facultad de Ciencias Contables, Econmicas y

Financieras de la Universidad de San Martn de Porres.
.
4
INTRODUCCIN
El presente manual contiene el desarrollo terico-prctico del slabo de la asignatura de

Mtodos Cuantitativos II del IV 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 Ingeniera aplicadas a las ciencias de la empresa.
Al facilitar a los estudiantes dicho aprendizaje, buscamos el logro de las competencias

generales y especficas de la asignatura de Mtodos Cuantitativos II, 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 softwarescomputacionales correspondientes a ejecutarse en las
computadoras de los estudiantes oen el laboratorio de cmputo de la Universidad y en las
aulas de la Facultad implementadas con computadoras y multimedia.
5
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 MINITAB, SPSS, SAS, BMDP, SYSTAT y LINDO, todos permiten al usuario comunicarse
con el sistema de la computadora mediante comandos sencillos.
Si usamos el MINITAB, 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 MINITAB y las

correspondientes respuestas usadas para determinar la media de los nmeros: 34, 68, 39, 21
y 42.
MTB > SET C1

DATA > 34 68 39 21 42
DATA > END
MTB > MEAN C1
MEAN = 40.80
MTB >
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 MINITAB 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
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
Smbolo MTB > para continuar con otra orden.
Tambin con el Minitab: Luego de ingresar los datos en la hoja de clculo, desde el MENU
principal se selecciona la secuencia:
6
"Stat Basic Statistics Display Descriptive Statistics", como resultado se

obtiene los estadgrafos: Media, Mediana, Cuartiles, etc.
SPSSLuego de definir las variables e ingreso de datos en la hoja de trabajo, desde el MENU
PRINCIPAL seleccionar la secuencia:
" Analyse Descriptive Statistics Descriptive ", Como resultado se obtienen
los estadgrafos descriptivos.
NDICE DE CONTENIDO
UNIDAD I: ANLISIS DE VARIANZA Y REGRESIN SIMPLE
TEMA N 1: ANLISIS DE VARIANZA

1. Anova de un factor
2. Anova de dos factores
ACTIVIDADES APLICATIVAS
AUTOEVALUACIN
REFERENCIAS DOCUMENTALES
TEMA N 2: REGRESIN Y CORRELACINLINEAL SIMPLE

1. Regresin lineal simple
2. Correlacin lineal simple
AUTOEVALUACIN
UNIDAD II: REGRESIN Y CORRELACINLINEAL MLTIPLE Y SERIES DE TIEMPO
TEMA N 3: REGRESIN Y CORRELACINLINEAL MLTIPLE

1. Regresin lineal mltiple
2. Correlacin lineal mltiple
AUTOEVALUACIN
TEMA N 4: SERIES DE TIEMPO

1. Serie temporal
2. Descomposicin de una serie temporal
AUTOEVALUACIN
UNIDAD III: NMEROS NDICE Y TEORA DE DECISIONES
TEMA N 5: NMEROS NDICE

1. ndices simples e ndices agregados
2. ndices en eslabn, ndices en cadena. Cambio de base.
7
3. Fusin de series de ndices. ndice de precios al consumidor IPC

4. Soles constantes. Poder de compra. Deflacin
AUTOEVALUACIN
TEMA N 6: TEORA DE DECISIONES

1. Toma de decisiones solo con probabilidades
2. Toma de decisiones solo con consecuencias econmicas
3. Toma de decisiones por el criterio Bayesiano
AUTOEVALUACIN
UNIDAD IV: MTODO SIMPLEX Y ANLISIS DE SENSIBILIDAD
TEMA N 7: MTODO SIMPLEX

1. Problema de programacin lineal
2. Maximizacin
3. Dualidad
4. Minimizacin
AUTOEVALUACIN
TEMA N 8: ANLISIS DE SENSIBILIDAD

1. Cambios en los coeficientes de la funcin objetivo
2. Cambios en los segundos miembros de las restricciones
AUTOEVALUACIN
FUENTES DE INFORMACIN.
8
PAUTAS PARA EL ESTUDIO Y LOS

TRABAJOS 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 procedimentalesdebern 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
ANLISIS DE VARIANZA
Y
REGRESIN Y CORRELACIN LINEAL SIMPLE

REGRESIN Y CORRELACIN LINEAL MLTIPLE
Y
SERIES DE TIEMPO

NMEROS NDICE
Y
TEORA DE DECISIONES

MTODO SIMPLEX
Y
ANLISIS DE SENSIBILIDAD
10
UNIDAD I
ANLISIS DE VARIANZA y REGRESINY 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 realidadempresarial 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.
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.
11
CONTENIDOS CONCEPTUALES
TEMA N 1: ANLISIS DE VARIANZA

TEMA N 2: REGRESIN y CORRELACIN LINEAL SIMPLE
TEMA N 01
ANLISIS DE VARIANZA
1. INTRODUCCION.
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

2
subpoblaciones con distribucin normal y con la misma varianza .
2. DISTRIBUCIN F:El nombre se debe al estadstico britnico Fisher.
MTODOS DE CLCULO.
A) RAZONAMIENTO CONCEPTUAL: Son tres pasos:
1) Estimacin de la Varianza poblacional basndose en la variacin entre grupos:

Xk x
2
1 k

X1 , X 2 , , Xk x = k i 1
Xk
S k 1
, as X =
k = nmero de muestras. Luego se reemplaza en:
S 2 nS x2
= CUADRADO MEDIO ENTRE TRATAMIENTOS = CMET.
n = nmero de datos por muestra
2) Estimacin de la Varianza poblacional basndose en la variacin dentro de

losgrupos:

2
XX
S2
Calculamos las varianzas con la frmula n 1 :
ni 1 Si2
S 21 , S 22 ,..., S 2 k 2
N K = CUADRADO MEDIO DEL ERROR = CME
N = nmero total de datos del muestreo.
H o : 1 2 ... k
3) Si la hiptesis nula es cierta cada CM es un estimador de la misma
2
varianza poblacional y CMET = CME; en cambio si la hiptesis nula es falsa CMET >
12
CME. Las diferencias entre las medias incrementan el CMET, pero no tienen ningn
efecto sobre el CME, que se basa slo en las diferencias internas grupales.
CMET
Fcal
Luego F calculada es: CME
H
Si F calculada se encuentra en la regin de rechazo de la o , para el nivel de significancia
dado, k-1 Grado de libertad del numerador y N-K Grado de libertad del denominador, segn la
tabla de F F crtica; entonces se habilita la hiptesis alternativa: H1 : no todas las medias
subpoblacionales son iguales o las medias subpoblacionales son diferentes
B) TABLA DE ANOVA DE UN FACTOR: Basado en frmulas abreviadas:
FUENTE DE GRADOS SUMA DE CUADRADO COCIENTE F

CUADRADOS SC MEDIO CM
VARIACION DE (Estadstico de
LIBERTAD prueba)
gl
ENTRE GRUPOS K
Ti 2 T 2 SCA CMA
DE k-1 SCA CMA Fcal
i 1 ni N K 1 CME
TRATAMIENTO
(A)
ERROR DE SCE = SCT - SCA SCE

CME
MUESTREO (E) N-K NK
2
n K
T
T O T A L (T) N-1 SCT X 2
ij
j 1 i 1 N
C) POR COMPUTADORA.
Existen programas de computacin para todos los casos de ANOVA. Nosotros usaremos
el programa MINITAB.Ver el Manual del Minitab adjunto.
3. ANOVA DE DOS FACTORES.
E1 . Analizar el aprovechamiento de un programa de capacitacin, donde se consideran el

efecto de mtodos de instruccin y el efecto de la escolaridad previa.
E 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
13
de dos factores, deben incluirse ms de una observacin por celda, caso contrario, no es
posible evaluar la interaccinentre los factores.
TABLA DE ANOVA DE DOS FACTORES Y UNA SOLA OBS. POR CELDA O DISEO
ALEATORIO EN BLOQUE.
FUENTE DE GRADOS DE SUMA DE CUADRADO

VARIACIN LIBERTAD (gl) CUADRADOS (SC) MEDIO (CM) COCIENTE (F)
ENTRE K
Ti 2 T 2 SCA CMA
GRUPOS DE K-1 SCA CMA
K 1
Fcal
i 1 ni N CME
TRATAMIENTO
(A)
ENTRE 1 k 2 T2 SCB CMB

GRUPOS DE J-1 SCB Ti N
k i 1
CMB
J 1
Fcal
CME
TRAT. O
BLOQUES (B)
ERROR DE SCE = SCT - SCA CME

SCE
MUESTREO (E) (J - 1) (K - 1) - SCB J 1 K 1
2
n K
T
ij
j 1 i 1 N
TABLA DE ANOVA DE DOS FACTORES Y MS DE UNA OBS. POR CELDA.

INTERACCIN.
FUENTE DE GRADOS SUMA DE CUADRADO COCIENTE

VARIACION DE CUADRADOS (SC) MEDIO (CM) F
LIBERTAD
(gl)
ENTRE K
Ti 2 T 2 SCA CMA
GRUPOS DE K-1 SCA CMA
K 1
Fcal
i 1 nJ N CME
TRATAMIENT
O (A)
14
ENTRE J
Tj 2 T 2 SCB CMB
GRUPOS DE J-1 SCB CMB
J 1
Fcal
j 1 nK N CME
TRAT. O
BLOQUES (B)
2
1 J K n

INTERACCIN SCI x SCI CMI
ENTRE n j 1 k 1 i 1 CMI Fcal
J 1 K 1 SME
FACTORES A (J - 1) (K - 1) T2
y B (I) SCA SCB
N
SCE = SCT - SCA SCE

CME
ERROR DE JK (n - 1) - SCB - SCI JK n 1
MUESTREO
(E)
n J K
T2
i 1 j 1 k 1 N
15
TALLER 1
ANLISIS DE VARIANZA
Objetivo
Investigar las situaciones de la empresa que tienen que compararse mediante el Anova, para,
segn los resultados, plantear o no cambios en la empresa.
Orientaciones
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
H o H1 , con un nivel de significancia del 5%.
A) Por razonamiento conceptual.

B) Por tabla de ANOVA de un factor.
C) Por computadora, mediante MINITAB.
METODOS DE CALIFICACIONES
TOTALES
Tk PROMEDIOS O
INSTRUCCION MEDIAS
A1 86 79 81 70 84 400 80
A2 90 76 88 82 89 425 85
82 68 73 71 81 375 75
A3
T = 1200
SOLUCION
A) POR RAZONAMIENTO CONCEPTUAL
1) ESTIMACIN DE LA VARIANZA POBLACIONAL BASNDOSE EN LA VARIACIN

ENTRE GRUPOS.
Recordemos la formula,
Xk x
2
1 k
X1 , X 2 , , Xk x Xk
k i 1 S k 1
= , as X =
16
80+85+75
80 Sx
80 80 2 85 80 2 75 80 2 5

80, 85, 75, x = 3 3 1
S 2 nS x 2 5 5 125 CMET
2
2) ESTIMACIN DE LA VARIANZA POBLACIONAL BASNDOSE EN LA VARIACIN

DENTRO DE LOS GRUPOS.
Varianza para cada muestra respecto a su media y combinacin ponderada:
x x 86 80 2 79 80 2 81 80 2 70 80 2 84 80 2 38.5
2
S2 : S21
n 1 5 1
S2 2
90 85 2 76 85 2 88 85 2 82 85 2 89 85 2 35.0
5 1
S2 3
82 75 2 68 75 2 73 75 2 71 75 2 81 75 2 38.5
5 1
n i 1 S i2 n 1 1S 2 1 n 2 1S 2 2 n 3 1 S 2 3 4 38.5 4 35 4 38.5

2
37.3 CME
NK n1 n 2 n 3 k 12
CMET 125
F 3.35
3) CME 37.3 ; Segn la tabla F crtica (2,12, = 0.05) = 3.89
Como 3.35 < 3.89: H o : u 1 u 2 u 3

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.
K
T 2 k T 2 160000 180625 140625 1'440,000
SCA 250
k 1 n k N 5 5 5 15
n K
T2 1'440, 000
SCT X 2 862 792 ... 812 698
i 1 k 1 N 15
SCE SCT SCA 698 250 448 .

17
Reemplazando en la tabla:
FUENTE DE GRADOS DE SUMA DE CUADRADO MEDIO COCIENTE

VARIACION LIBERTAD (gl) CUADRADOS (CM) F
(SC)
ENTRE GRUPOS DE
TRATAMIENTO (A) 3-1=2 250 250 125
CMA 125 F 3.35
2 37 .33
ERROR DE
MUESTREO (E) 15 - 3 = 12 448 448
CME 37.33
12
Total 15 - 1 = 14 698
C) POR COMPUTADORA, MEDIANTE MINITAB
MTB > READ TEST SCORES BY METHOD INTO C1 - C3

DATA > 86 90 82
DATA > 79 76 68
DATA > 81 88 73
DATA > 70 82 71
DATA > 84 89 81
DATA > END
MTB > NAME C1 = 'A - 1, C2 = 'A - 2, C3 = 'A - 3'
MTB >AOVONEWAY FOR DATA IN C1 - C3
18
E2. La siguiente tabla corresponde a calificaciones de 15 personas en capacitacin por tres

mtodos de instruccin y de acuerdo con su nivel de habilidad previa.
Nivel de habilidad Mtodos de instruccin

Total
T
j
(BLOQUES) A1 A2 A3
B1 86 90 82 258
B2 84 89 81 254
B3 81 88 73 242
B4 79 76 68 223
70 82 71 223
B5
Total Tk 400 425 375 Gran Total

T =1200
Determine los valores de F para los dos factores, e interprete los resultados, con una
significancia del 5%.
a) Por tabla de ANOVA con 2 F. b) Por MINITAB, as:
MTB > READ METHOD IN C1, BLOCK IN C2, SCORE IN C3
DATA > 1 1 86
1 2 84
1 3 81
1 4 79
1 5 70
2 1 90
2 2 89
. . .
. . .
DATA > END
MTB > NAME C1 = 'METHOD', C2 = 'BLOCK', C3 = 'SCORE'
19
MTB > TWOWAY AOV FOR SCORE, DIMENSIONS 'METHOD', 'BLOCK'
R: F = 12.4 y F = 9.1 respectivamente. Ambos casos rechazan H o .
E3. Se tienen los siguientes datos de ventas semanales en millones de nuevos soles, en
ocho regiones asignadas al azar. Pruebe el efecto de los dos factores y la interaccin entre
ellos, para los niveles de ventas, con significancia del 1%.
Descuento en el Con publicidad Sin publicidad

Total
T
j
precio
Con descuento 9.8 6.0 31.7

10.6 5.3
Sin descuento 6.2 4.3 21.5

7.1 3.9
Total Tk 33.7 19.5 Gran Total

T = 53.2
a) Por tabla de ANOVA con 3 F. b) Por MINITAB, as:
MTB > READ METHOD IN C1, SUBJECT IN C2, SCORE IN C3

DATA > 1 1 9.8
DATA > 1 1 10.6
DATA > 1 2 6.2
DATA > 1 2 7.1
DATA > 2 1 6.0
DATA > 2 1 5.3
DATA > 2 2 4.3
DATA > 2 2 3.9
DATA > END
MTB > NAME C1 = 'METHOD', C2 = 'SUBJECT', C3 = 'SCORE'
MTB > TWOWAY AOV FOR SCORE, DIMENSIONS METHOD, 'SUBJECT'
R: F = 95.84, F = 49.45 Y F = 7.60 respectivamente, comparando con los correspondientes

F crticos, existen diferencias significativas en los dos factores, no as en la interaccin.
20
CASOS PROPUESTOS.
1. Manuel, un analista de la cadena de supermercados Wong, quiere saber si las cinco
tiendas tienen el mismo promedio en dlares por compra. Se elige una muestra
aleatoria de cuatro compras en cada tienda:
Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
23.94 18.52 6.92 20.15 17.48
14.63 19.57 10.47 17.14 9.02
25 78 21.40 7.63 18.25 25.50
17.52 13.59 11.90 15.20 15.50
Determine la respuesta, con 99% de confianza, por razonamiento conceptual y por
Minitab.
2. En doce tiendas se colocaron cuatro tipos de publicidad, y se asignaron tres de esas

tiendas al azar a cada uno de los distintos tipos de publicidad, con el propsito de estudiar
el impacto segn el cartel publicitario, obtenindose las siguientes ventas para el mismo
perodo:
Tipo de cartel Ventas Ventas Ventas

Totales Promedio
A1 40 44 43 127 42.3
A2 53 54 59 166 55.3
A3
48 38 46 132 44.0
A4 48 61 47 156 52.0
Resuelva, con una significancia del 5 %:
a) Por tabla de ANOVA de un factor.

b) Por computadora, aplicando MINITAB.
F F
R: ( 0.05,3,8) = 4.07 < ( 3,8 ) = 4.53, lo cual rechaza la H o .
3. En la tabla se reportan las palabras por minuto que se mecanografiaron en diferentes
marcas de mquinas de escribir. Las palabras por minuto corresponden a personas
asignadas en forma aleatoria, y sin experiencia previa en estos equipos, despus de
haberles dado cierta capacitacin. Pruebe si existen o no diferencias entre las tres marcas
de mquinas, en trminos de su velocidad de escritura, por tabla de ANOVA de un factor,
con una significancia del 5%.
Marca de mquina Nmero de palabras Total Promedio

De escribir por minuto PPM PPM
A1 79 83 62 51 77 352 70.4
A2 74 85 72 - - 231 77.0
21
A3
81 65 79 55 - 280 70.0
F 0.37 F(0.05,2,9)
R: = 4.26, o sea no existe diferencias entre las tres marcas
4. Tres gerentes de produccin evaluaron los diseos elaborados por cuatro diseadores de
automviles, segn el siguiente reporte.
DISEADORES
Total
T j
EVALUADORES 1 2 3 4
A 87 79 83 92 341
B 83 73 85 89 330
C 91 85 90 92 358
GRAN TOTAL
Total Tk 261 237 258 273 T = 1029
Determine los valores de F e interprete los resultados con una significancia del 1%.
a) Con tabla de ANOVA
b) Por MINITAB
Fdiseador
R: = 12.29 (columna)
FEvaluador = ? (Fila)
5. Se obtienen datos para analizar el efecto del gnero y del estado civil de una persona
sobre la calificacin crediticia que merece. Las calificaciones se han obtenido de un
servicio de crdito local y se reflejan a continuacin. Resuelva con una significancia del 1%
y programe la solucin por Minitab.
Hombre Mujer
Casado 70 40 55 69 64 54
Soltero 65 45 43 45 34 65
AUTOEVALUACIN
1. Explique en qu situaciones de la empresa se debe investigar con el Anova, para
decidir cambios.
2. Explique el basamento del Anova y cuando es importante su uso como instrumento
de investigacin de la empresa.
22
TEMA N 02
REGRESIN Y CORRELACIN LINEAL SIMPLE
REGRESIN LINEAL SIMPLE

El objetivo de la regresin lineal simple es estimar el valor de una variable llamada variable
dependiente, conociendo el valor de una variable asociada llamada variable
independiente.
1. SUPOSICIONES
1) La variable dependiente es una variable aleatoria.

2) Las variables dependiente e independiente tienen una relacin lineal.
3) Las varianzas de las distribuciones de la variable dependiente, para diversos valores
de la variable independiente, son iguales.
4) Si se utiliza la estimacin por intervalos en el anlisis de regresin, la distribucin de la
variable dependiente, para valores diferentes de la variable independiente, se
distribuye normalmente.
DIAGRAMA DE DISPERSIN: Esuna grfica en la que se traza cada uno de los puntos que
representan un par de valores observados para las variables independiente y dependiente.
2. MTODO DE MNIMOS CUADRADOS PARA UNA LNEA DE REGRESIN
i o 1 i i
El modelo es:
i = Valor de la variable dependiente en el i - simo ensayo.
o
= Primer parmetro, que indica el valor de Y para X = 0
1 = Segundo parmetro, que indica la pendiente de la recta.
i = Valor de la variable independiente en el i - simo ensayo
i = Error aleatorio de muestreo en el i - simo ensayo.

o y 1 ,del modelo terico se estiman mediante b o y b 1 respectivamente,
Los parmetros
calculados en base a los datos muestrales.Segn el mtodo, la lnea de regresin que mejor
23
se ajusta es aquella para la cual se minimiza la suma de los cuadrados de las desviaciones
entre los valores estimados y los valores observados de la variable dependiente.
Los valores de b o y b1 , que satisfacen este criterio son:
n X Y
b1 2 n X 2 ; bo Y b1
Y bo b1 X
Y la ecuacin de regresin lineal es:
Una vez determinada la ecuacin de regresin, puede usarse para estimar el valor de la
variable dependiente para un determinado valor de la variable independiente, en el rango de
valores del muestreo y no fuera de l.
RESIDUALES
Se denotan y definen por: e

; donde Y= valor observado, = valor ajustado.
3. ERROR ESTANDAR DE ESTIMACIN
El error estndar de estimacin es la desviacin estndar de la variable dependiente Y,

respecto al valor ajustado de la variable
. Para datos muestrales es:

2
e 2
S
yx n2 n2
O directamente:
2 bo b1
S
yx n2
yx
Que es un estimador del error estndar poblacional
4. 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 H o : 1 = 0.
Se prueba el valor hipottico de una pendiente calculando el estadstico t, utilizando n - 2

grados de libertad. Su frmula es:
24
b S yx
t 1 1
S n X

b1 , en donde S b =
b
t 1
S
Como la hiptesis nula dice que la pendiente es cero, se usa: b1
b t S b1
Y el intervalo de confianza para la pendiente 1 es: 1
5. INTERVALOS DE CONFIANZA PARA LA MEDIA.
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:
y b b X
o
Con base en los datos muestrales, el error de la media vara segn X:
X X
2
1

X
2
n
S S 2

y, x = y, x n
Y el intervalo de confianza para la media, utilizando n - 2 grados de libertad es:
t S
y yx
6. 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.
La frmula bsica para el error estndar del pronstico es:
S Ssx
y ( siguiente) 1 X X
2
1
S S y x S yx n 2
y( siguiente) , o tambin: n
2
Y, el intervalo de prediccin para un valor individual de la variable independiente, utilizando n -

S
2 grados de libertad es: y t y (siguiente )
7. CORRELACIN LINEAL SIMPLE.
La correlacin mide el grado de relacin que hay entre las variables X, Y

25
EL COEFICIENTE DE DETERMINACIN
2 2 yx
1
y 2
Paradatos poblacionales, se denota y define por:
S yx b o b n

n
S y
Y para datos muestrales:
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.
n

n 2 nY 2 Y
2 2
O directamente:
Un estimador insesgado para el coeficiente de determinacin de la poblacin es:

2 1 1 2
n 1
n 2

8. MTODO DE LA COVARIANZA PARA CALCULAR EL COEFICIENTE DE

CORRELACIN.
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:
COV X , Y

X X Y Y

n 1
Y el coeficiente de correlacin en funcin de la Covarianza es:

2 2
COV X , Y xx y y
2 2
x 2 nx y 2 n y
; Sx ; Sy
S X SY n 1 n 1 n 1 n 1
26
9. SIGNIFICACIN DEL COEFICIENTE DE CORRELACIN

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

0:

t
1 2
n2
TALLER 2
REGRESIN y CORRELACIN LINEAL SIMPLE
Objetivo
Investigar 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.
Orientaciones
En forma individual o si lo prefiere en trabajo de grupo, resolver los siguientes casos que son
1. Suponga que un analista toma una muestra aleatoria de 10 embarques enviados por
camin de una compaa y registra la distancia en kilmetros 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.
Embarque 1 2 3 4 5 6 7 8 9 10
muestreado
Distancia (X), 825 215 1070 550 480 920 1350 325 670 1215
Kilmetros
Tiempo de 3.5 1.0 4.0 2.0 1.0 3.0 4.5 1.5 3.0 5.0
entrega (Y),
das
R: si es apropiado un anlisis de regresin lineal.

27
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.
Syx 0.4812 0.48
R:
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.
Syx 0.4587 0.46

R:
7. Al utilizar el error estndar del estimador del problema 6, pruebe la hiptesis nula
Ho :
1 0 , 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

Ho : 1 0 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: b1 tSb1 0.0036 2.306 0.0004 0.0027 ,0.0045

28
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.
R : y tS yx . . . .,. das
11. Al utilizar los valores que se determinaron en los problemas anteriores, determine el
intervalo de prediccin del 95% para el tiempo de entrega de los embarques que se
envan a una distancia de 1000 Kilmetros. Compare ese intervalo con el que se
construy en el problema 10.
R : y tS y siguiente . . . .,. das

12. Para los datos de distancia y tiempo de entrega, el procedimiento de muestreo que se
describe en el problema 1 indica que ambas variables son variables aleatorias. S,
adems, se asume una distribucin normal bivariada para la poblacin e iguales
varianzas para cada variable, entonces se puede aplicar el anlisis de correlacin a los
datos muestrales. Utilizando los datos que se calcularon en el problema 2, calcule el
coeficiente de determinacin para los datos muestrales (ignore el sesgo de este
coeficiente).
R : 2 0.9091 0.91
13. Para los datos de distancia y de tiempo de entrega (a) calcule el coeficiente de
correlacin, con respecto al coeficiente de determinacin del problema 12, y (b)
determine el coeficiente de correlacin utilizando la frmula abreviada alternativa para

R: a) 0.9535 0.95 b) = + 0.9489 0.95
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) 0.9489 0.95
15. Determine si el valor de la correlacin que se calcul en el problema 14 (b) es

significativamente distinto de 0 en la poblacin, a un nivel de significacin del 5%.
R: t = + 8.50 . Se rechaza la hiptesis nula.
16. Se encuentra que el coeficiente de correlacin entre los ingresos y los montos de las
deudas pendientes a corto plazo es de = + 0.50, para una muestra de n = 10
personas a las que una institucin financiera otorg un prstamo.
a) Pruebe la hiptesis de que no existe correlacin entre variables, en toda la poblacin

de personas que obtienen prstamos, utilizando el nivel de significancia del 5%.
29
b) Interprete el significado del coeficiente de correlacin que se calcul.
R: a) t = 1.634. b) Como H o , la varianza de y no est asociada a x.
17. Use Minitab para determinar la regresin y correlacin del problema. Compare los
resultados con los obtenidos en los clculos manuales. As:
30
AUTOEVALUACIN
1. Explique en que situaciones de la empresa se debe investigar con la regresin

simple, para decidir cambios.
2. Explique el basamento de la regresin simple, para decidir cambios.
Y cuando es importante su uso como instrumento de investigacin de la empresa.
PROBLEMAS ADICIONALES
PARTE 1
1.. La junta de estudiantes de una universidad desea determinar s el precio de admisin

a la sala de juegos del centro estudiantil ejerce algn efecto sobre el nmero de
estudiantes que utilizan las instalaciones. El precio de admisin y el nmero de
estudiantes que entran al recinto durante 8 noches de viernes sucesivos se indican en
la tabla. Determinar la ecuacin de regresin. Haga 2 predicciones. Adems programe
la solucin por Minitab.
Precio $ 1.25 1.50 1.75 2.00 1.50 2.00 2.50 1.50
Nmero de entradas 95 83 75 72 69 101 98 85
2. Se pide a cuatro personas que beben una determinada marca de gaseosas que
registren el nmero de gaseosas que consumen durante la semana. Se hace lo mismo con
bebedores de otras tres marcas. Los resultados se muestran a continuacin. Por tabla de
ANOVA y una significancia del 5%, determine si existe diferencia en el nmero promedio
de gaseosas consumidas, para cada marca. Adems programe la solucin por Minitab.
Marca A Marca B Marca C Marca D
10 5 8 14
8 12 10 6
5 4 5 4
6 6 7 5
3. Antonio, gerente de Coldpoint, distribuidor de electrodomsticos, piensa que el nmero
de unidades vendidas depende tanto de la habilidad del vendedor como de la marca
que se trata de vender. Ha registrado el nmero de unidades vendidas en la tienda del
centro, durante los ltimos dos meses:
Vendedor
Marca A B C D
1 8 5 3 2 12 10 5 3
2 5 7 9 9 8 9 3 5
Por tabla de ANOVA pruebe todas las hiptesis con una significancia de 10%. Adems
programe la Solucin por Minitab.
31
4. Merece la pena estudiar? Para contestar a esta pregunta, un estudiante

curioso de una clase de estadstica pregunt a otros 10 estudiantes cuntas horas
dedicaron al estudio para el ltimo examen y la nota que obtuvieron. Los datos son:
HORAS : 25 26 12 32 29 10 21 27 15 18
NOTA : 89 92 32 92 90 30 87 88 34 30
Determinar la ecuacin de regresin y el error estndar. Adems programe la solucin
por Minitab.
5. Damin, gerente de una gran cadena de tiendas debe elegir dnde poner en exhibicin
una batera conocida. Damin est preocupado tanto por el nivel como por la variabilidad
en las ventas. Est considerando colocar los expositores en el departamento de ferretera
o junto a las cajas registradoras de salida. Damin los coloca en las cajas de salida en
cuatro tiendas y en la seccin de ferretera en otras cuatro. Los resultados, en nmero de
bateras vendidas por semana, son:
Cajas registradoras Departamento de ferretera

205 185
185 191
170 178
240 200
Produce una localizacin mejor promedio de ventas que la otra?. Resuelva por tabla
de ANOVA para una significancia de 10%. Adems programe la solucin por Minitab.
6. La compaa de helados Sweet Treat est planeando probar tres sabores nuevos: brandy,
melocotn y albaricoque. Cathy, analista de la compaa, quiere medir tambin los efectos
de tres niveles de precio de venta: $ 1.19, $ 1.29 y $1.39 por pinta. Cathy hizo los arreglos
para mandar los nuevos sabores a las tiendas cada semana y para que se tuviera la
exhibicin y precio correctos en todas las tiendas durante un perodo de 2 semanas. Al
final de cada semana, se registraron las pintas vendidas de cada sabor para cada nivel de
precio. Resuelva, por tabla de ANOVA, para una significancia de 2.5 %. Adems programe
la solucin por Minitab
Precio Brandy Melocotn Albaricoque

1.19 16 13 17 12 10 11
1.29 14 10 14 14 9 7
1.39 18 15 13 19 13 15
7.Anna Sheehan (Gerente de la cadena de supermercados Spendwise) desea pronosticar las

ventas semanales de los libros de bolsillo, para ello se basa en la cantidad de espacio
en las repisas (en pies) que se le proporciona. Anna rene una muestra de 5 semanas:
Semana Libros vendidos Y Espacio en repisa X

1 275 6.8
2 142 3.3
3 168 4.1
4 197 4.2
5 215 4.8
32
Determine la ecuacin de regresin y los residuales. Adems programe la solucin por

Minitab
8.Charles Tortorelli, gerente de una cadena de montaje en una planta de fabricacin de

aspiradoras, cree que la tasa de unidades defectuosas producidas en un turno de ocho
horas en una de las cintas transportadoras est inflada por el turno que opera la cinta.
Decide probar su hiptesis mediante un muestreo de la cinta, cuatro veces en cada turno
de ocho horas y contando las unidades defectuosas.
Da Tarde Noche
12 15 27
12 17 17
17 18 25
15 25 24
Con significancia de 0.01, por ANOVA producen los tres turnos la misma tasa media?
Programe por MTB.
9. Tim, gerente de produccin de la corporacin Tetronic, piensa que la variacin en el nmero

de unidades producidas por hora se puede relacionar tanto con el operador como con la
mquina que se usa para producirlas. Se observan tres operadores usando cada una dos
mquinas durante dos horas:
Operador
Mquina A B C
1 12 15 17 23 10 14
2 9 12 20 25 12 12
Por tabla de ANOVA, pruebe las hiptesis con una significancia del 10%. Adems
programe por MTB
10. Carlos, gerente de los almacenes Monty Card, se pregunta si sus clientes realizan
ms compras con sus tarjetas de crdito de Monty Card que con la Master Charge o la
VISA. Carlos decide examinar seis tarjetas, elegidas al azar, de las compras realizadas
con las tres tarjetas. Los resultados son:
Monty Card Master Charge VISA

$ 103 $ 71 $ 98
91 102 111
62 83 72
85 15 24
175 49 39
23 36 64
Puede concluir Carlos, que hay diferencia en el promedio de compras realizadas con
las tres tarjetas de crdito?. Pruebe con un nivel de significancia de 10%, por tabla de
ANOVA. Adems programe por Minitab.
11. Debbie directora de Stoneware, est experimentando con tres mtodos de formacin
de personal diferentes para determinar si existe alguna diferencia en su efectividad.
Debbie tiene 12 nuevos empleados en perodos de formacin y le preocupa que quienes
tengan experiencia previa puedan reaccionar en forma distinta a los mtodos. Por esta
33
razn divide al grupo en dos: sin experiencia y con experiencia. Despus

expone a dos miembros de cada grupo cada uno de los tres mtodos. Una vez que
terminan su formacin, cada empleado contesta un test diseado para medir la efectividad
del programa de formacin. Las calificaciones que obtuvieron son:
Mtodos de formacin
A B C
Sin experiencia 72 78 75 79 81 74
Con experiencia 82 76 73 78 80 72
Por tabla de ANOVA, pruebe las hiptesis para alfa 2.5%. Adems programe la solucin
por Minitab.
12. Tres tipos distintos de motores a gasolina fueron probados para determinar cunto
tiempo son tiles antes de necesitar una reparacin; haga una prueba por tabla de ANOVA
usando 0.05 de significancia para determinar si difieren las medias de vida til antes de
requerir reparacin. En la tabla aparecen los tiempos de vida til, en decenas de miles de
millas, para cada tipo de motor.
A B C
6 8 3
2 7 2
4 7 5
7 6 1
Adems programe la solucin por Minitab.
13.Bantam Books emplea tres tcnicas de impresin diferentes. Un estudio de control de

calidad hall errores excesivos de impresin, como manchas, sobreimpresiones, tipos
borrosos y algunas pginas en blanco. Para determinar si hay diferencia en el nmero
medio de errores a causa del mtodo de impresin, se imprimi un pasaje determinado
por cada mtodo en los cuatro tipos de papel que utiliza Bantam. Indican los resultados
que uno o ms de los mtodos es mejor?, Influye el tipo de papel?, Resuelva por
ANOVA. Fije alfa en 5%. Adems programe por Minitab.
Mtodos deimpresin
Tipo de papel A B C
W 2 1 1
X 3 3 2
Y 5 6 3
Z 4 4 4
14.Una sociedad de contables estadounidense est interesada en comparar los pagos por
hora iniciales de los graduados de contabilidad de tres universidades. Para estudiar el
34
caso eligieron muestras aleatorias de seis graduados de contabilidad de cada

universidad. La tabla muestra el salario por hora inicial de cada contable:
Universidad
A B C
11.25 12.50 11.75
11.25 13.05 12.00
12.35 13.12 10.85
12.25 13.35 11.61
12.00 12.55 12.10
11.85 12.60 12.15
Por tabla de ANOVA, para una significancia de 10%, determine si hay diferencia entre
las medias de los salarios iniciales de los contables de las tres universidades. Adems
programe la solucin por Minitab.
15.El propietario de Stop & Shop ha probado ya cuatro polticas de cobro por cheque para
disminuir el gran nmero de cheques incobrables que reciben sus tiendas. Como la zona
en que est situada la tienda puede influir, se anota el nmero de cheques devueltos por
falta de fondos por cada poltica en las tres tiendas de la ciudad. Fije alfa en el 5%. Es
alguna de las polticas mejor que las dems?, El emplazamiento influye?. Por tabla de
ANOVA. Adems programe por Minitab.
Poltica
Emplazamiento A B C D
1 22 35 47 43
2 27 28 31 47
3 20 17 15 12
16.Hay que estudiar el efecto de las tcnicas docentes y del turno de la asignatura sobre las
calificaciones finales de los estudiantes. A partir de los datos que se indican, fije alfa en 10% y
resuelva por tabla de ANOVA. Adems programe por Minitab.
Tcnica
Hora Auto enseanza Con trabajo a casa Sin trabajo a casa
Da 79 85 82 89 93 92 62 55 42
Noche 70 71 69 73 75 81 52 51 51
18. Una firma qumica utiliza tres laboratorios para realizar anlisis. Con propsitos de
control de calidad, se decidi mandar cinco muestras del mismo material a cada
laboratorio y comparar su anlisis para determinar si da, en promedio, los mismos
resultados. Los datos de los anlisis son:
35
Laboratorio A: 58.6 60.7 59.4 59.6 60.5

Laboratorio B: 61.6 64.8 62.8 59.2 60.4
Laboratorio C: 60.7 55.6 57.3 55.2 60 2
Utilice 0.05 de significancia para determinar si los laboratorios producen, en promedio,

los mismos resultados, por tabla de ANOVA.
19. Jos, gerente de Coldpoint, distribuidor de electrodomsticos, piensa que el nmero de

unidades vendidas depende tanto de la habilidad del vendedor como de la marca que
se trata de vender. Ha registrado el nmero de unidades vendidas en la tienda del
centro, durante los ltimos tres meses:
Vendedor
Marca A B C D
1 8 3 5 3 4 2 12 9 10 5 1 3
2 5 7 7 9 9 9 8 7 9 3 2 5
Por tabla de ANOVA pruebe las hiptesis relevantes con una significancia de 0.05.
EJERCICIOS RESUELTO
CASO 1
1. Los miembros de un equipo ciclista se dividen al azar en tres grupos que entrenan con
mtodos diferentes. El primer grupo realiza largos recorridos a ritmo pausado, el segundo grupo
realiza series cortas de alta intensidad y el tercero trabaja en el gimnasio con pesas y se ejercita
en el pedaleo de alta frecuencia. Despus de un mes de entrenamiento se realiza un test de
rendimiento consistente en un recorrido cronometrado de 9 Km. A un nivel de confianza del 95%
Puede considerarse que los tres mtodos producen resultados equivalentes? O por el contrario
Hay algn mtodo superior a los dems? Los tiempos empleados fueron los siguientes:
Mtodo I Mtodo II Mtodo III

15 14 13
16 13 12
14 15 11
15 16 14
17 14 11
Tk 77 72 61 T=210
x 15.4 14.4 12.2
A) POR RAZONAMIENTO CONCEPTUAL
1) Estimacin de la varianza poblacional basndose en la variacin entre grupos.
K=3 n=5 N=15 gl1=k-1=3-1=2 gl2=N-k=15-3=12
x 15.4 +14.4+12.2
=14
= 3
Sx
15.4 14 2 14.4 14 2 12.2 14 2 1.64
3 1
2
=n =5 ( 1.64 ) =13.45=CMET
36
2) Estimacin de la varianza poblacional basndose en la variacin dentro de los

grupos.
x x 15 15.4 16 15.4 14 15.4 15 15.4 17 15.4 1.3
2 2 2 2 2 2
S
2
: S 21
n 1 5 1
S 2

14 14.4 13 14.4 15 14.4 16 14.4 14 14.4
2 2 2 2 2
1. 3
2
5 1
S 23
13 12.2 12 12.2 11 12.2 14 12.2 11 12.2
2 2 2 2 2
1.7
5 1
ni 1 Si2 41.3 41.3 4(1.7)

2 1.43 CME
N K 15 3
CMET 13.45
F 9.40
3) CME 1.43 ; Segn la tabla F crtica (2,12, = 0.05) = 3.89
> 3.89 H 1 : u1 u2 u3
Como 9.40
Se rechaza la hiptesis nula y se concluye que los tres mtodos de entrenamiento
producen diferencias significativas.
B) POR TABLA DE ANOVA DE UN FACTOR

Se pueden aplicar las frmulas fuera de la tabla o dentro de la tabla.
K
T 2 k T 2 (77) 2 (72) 2 (61) 2 ( 210) 2
SCA 26.80
k 1 nk N 5 5 5 15
SCE SCT SCA 44 26.80 17.2

n k
T2 (210) 2
SCT X 2 152 16 2 ........ 112 44
i 1 k 1 N 15
FUENTE DE GRADOS SUMA DE CUADRADO MEDIO COCIENTE F
VARIACIN DE CUADRADOS (CM) F Critica
LIBERTAD (SC)
(gl)
ENTRE GRUPOS
DE TRATAMIENTO K-1 SCA=26.80 CMA
26.8
13.4 F
13.4
9.37 > 3.89
(A) 3-1= 2 2 1.43
ERROR DE
MUESTREO N-K SCE= 17.20 CME
17.20
1.43
(E) 15 - 3 = 12
12
37
N-1
Total
(T) 15 -1 = SCT= 44
14
C) POR COMPUTADORA MEDIANTE MINITAB

MTB>SETC1
DATA>1516141517
DATA>1413151614
DATA>1312111411
DATA>END
MTB>SETC2
DATA>111112222233333
DATA>END
MTB>NAMEC1'AMOUNT'C2'STORES'
MTB>ONEWAYC1C2
RESULTADOS
FuenteGLSCMCFP
STORES226.8013.409.350.004
Error1217.201.43
Total1444.00
S=1.197Rcuad.=60.91%Rcuad.(ajustado)=54.39%
ICsde95%individualesparalamedia
basadosenDesv.Est.agrupada
NivelNMediaDesv.Est.++++
1515.4001.140(*)
2514.4001.140(*)
3512.2001.304(*)
++++
12.013.515.016.5
Desv.Est.agrupada=1.197
CASO 2
2. Tres gerentes de produccin evaluaron los diseos elaborados por cuatro diseadores de
automviles, segn el siguiente reporte.
EVALUADOR DISEADOR Total

T
j
1 2 3
A 15 14 13 42
B 16 13 12 41
C 14 15 11 40
38
D 15 16 14 45
E 17 14 11 42
GRAN TOTAL
Total Tk 77 72 61 T = 210
Determine los valores de F e interprete los resultados con una significancia del 5%.
A) TABLA DE ANOVA DE DOS FACTORES Y UNA SOLA OBS. POR CELDA O DISEO
ALEATORIO EN BLOQUE.
K=4 J=3 n=3 N=12
K
T 2 k T 2 (77) 2 (72) 2 (61) 2 (120) 2
SCA 26.8
k 1 nk N 5 5 5 15
SCB
1 j 2 T2 1 2

k i 1
Tj
N

3
42 412
40 2
45 2
42 2

(210) 2
15
4.67
SCE = SCT - SCA SCB= 44-26.8-4.67 =12.53

n k
T2 (210) 2
SCT Xij 2 152 16 2 ......... 112 44
j 1 i 1 N 15
R:
Fdiseador = 4.46 (columna)
H 1 : u1 u2 u3 Los diseadores si influyen
FEvaluador = 3.84 (Fila)

H 0 u1 u 2 u 3 u 4
: Los evaluadores no influyen

VARIACIN DE CUADRADOS (CM) F Critica
LIBERTAD (SC)
(gl)
ENTRE GRUPOS
K-1 SCA=26.8 26.8 13.4
DE TRATAMIENTO CMA 13.4 F 8.54 >
(A) 3-1=2 2 1.57 4.46
<
ENTRE GRUPOS J-1 4.67 1.17
DE TRATAMIENTO CMB 1.17 F 0.75
(B) 5-1=4 SCB=4.67 4 1.57 < 3.84
ERROR DE
K-1. J-1 SCE=12.53
39
MUESTREO 2x4=8 12.53

(E) CME 1.57
8
N-1
Total
(T) 15-1=14 SCT=44
B) POR COMPUTADORA MEDIANTE MINITAB

MTB>SETC1
DATA>1516141517
DATA>1413151614
DATA>1312111411
DATA>END
MTB>SETC2
DATA>111112222233333
DATA>END
MTB>SETC3
DATA>123451234512345
DATA>END
MTB>NAMEC1'AMOUNT'C2'COLUMNS'C3'ROWS'
MTB>TWOWAYC1C2C3
ANOVA de dos factores: AMOUNT vs. COLUMNS, ROWS
FuenteGLSCMCFP
COLUMNS226.800013.40008.550.010
ROWS44.66671.16670.740.588
Error812.53331.5667
Total1444.0000
CASO 3
3. Se obtienen datos para analizar el efecto del gnero y del estado civil de una persona sobre
la calificacin crediticia que merece. Las calificaciones se han obtenido de un servicio de crdito
local y se reflejan a continuacin. Resuelva con una significancia del 5 % y programe la solucin
por Minitab.
HOMBRE MUJER TOTAL (Tj)

40
CASADO 50 40 65 70 60 55
340
155 185
SOLTERO 70 75 50 45 60 85
385
195 190
TOTAL (Tk) 350 375 T= 725
A) TABLA DE ANOVA DE DOS FACTORES Y MS DE UNA OBS. POR CELDA.

INTERACCIN.
K=2 J=2 n=3 N=12
T 2 k T 2 (318) 2 (331) 2 (649) 2

K
SCA 14.08
i 1 nJ N 6 6 12
Tj 2 T 2 (352) 2 (297) 2 (649) 2

J
SCB 252.08
j 1 nK N 6 6 12
2
1 J k T2 1
(649) 2
n
SCI x SCA SCB 165 2 187 2 153 2 144 2 14.08 252.08 80.09
n j 1 k 1 i 1 N 3 12
SCE = SCT SCA - SCB SCI= 1702.92- 14.08 252.08 -80.09= 1356.67
n J K
T2 (649) 2
SCT X 2 70 2 40 2 ....... 652 1702.92
i 1 J 1 K 1 N 12

VARIACIN DE CUADRADOS (SC) (CM) F Critica
LIBERTAD
(gl)
ENTRE GRUPOS
K-1 SCA=14.08 14.08 14.08
DE TRATAMIENTO CMA 14.08 F 0.08 < 11.26
(A) 2-1=1 1 169 . 58 <
ENTRE GRUPOS J-1 252.08 252.08
DE TRATAMIENTO
2-1=1 SCB=252.08 CMB 252.08 F 1.486
(B) 1 169.58 < 11.26
<
41
INTERACCIN (K-1)(J-1) SCI=80.09 80.09 80.09

ENTRE CMI 80.09 F 0.47
1x1=1 1 169.58
FACTORES A y B < 11.26
(I)
<
ERROR DE
MUESTREO JK(n-1) SCE=1356.67 1356.67
(E) 4(2)=8 CME 169.58
8
N-1
Total
(T) 12-1=11 SCT=1702.92
H 0 u1 u 2
El gnero no influye
H 0 u1 u 2
El estado civil no influye
H 0 u1 u 2
No hay interaccin
MTB>SETC1
DATA>704055654543
DATA>696454453465
DATA>END
MTB>SETC2
DATA>111111222222
DATA>END
MTB>SETC3
DATA>111222111222
DATA>END
MTB>NAMEC1'AMOUNT'C2'COLUMNS'C3'ROWS'
MTB>TWOWAYC1C2C3
ANOVA de dos factores: AMOUNT vs. COLUMNS, ROWS
FuenteGLSCMCFP
COLUMNS114.0814.0830.080.781
ROWS1252.08252.0831.490.257
Interaccin180.0880.0830.470.511
Error81356.67169.583
Total111702.92
REGRESIN LINEAL SIMPLE

42
1. La junta de estudiantes de una universidad desea determinar si el precio de admisin a la

sala de juegos del centro estudiantil ejerce algn efecto sobre el nmero de estudiantes que
utilizan las instalaciones. El precio de admisin y el nmero de estudiantes que entran al recinto
durante 8 noches de viernes sucesivos se indican en la tabla. Determinar la ecuacin de
regresin. Haga 2 predicciones. Adems programe la solucin por Minitab.
Precio $ 1.20 1.70 1.90 2.50 1.30 1.80 1.70 2.00

Nmero de entradas 93 80 72 65 71 100 95 64
A) ECUACIN DE REGRESIN

MTB>NAMEC1='X',C2='Y'
MTB>READ'X','Y'
DATA>1.2093
DATA>1.7080
DATA>1.9072
DATA>2.5065
DATA>1.3071
DATA>1.80100
DATA>1.7095
DATA>2.0064
DATA>END
8rowsread.
MTB>PLOT'Y'*'X'
43
100
90
Y
80
70
60
1.5 2.0 2.5
X
MTB>REGRESS'Y'USING1PREDICTOR'X',C3PUTFITSINC4.
Regression Analysis
Theregressionequationis
Y=10916.7X
PredictorCoefStDevTP
Constant109.3622.674.820.003
X16.6612.571.330.233
S=13.53RSq=22.6%RSq(adj)=9.7%
AnalysisofVariance
SourceDFSSMSFP
Regression1321.5321.51.760.233
Error61098.5183.1
Total71420.0
MTB>NAMEC4='ESTIMATE',C5='RESIDUAL'
MTB>PLOT'RESIDUAL'*'ESTIMATE'
44
20
10
RESIDUAL
-10
-20
70 80 90
ESTIMATE
MTB>CORRELATIONOF'X'AND'Y'
Correlations (Pearson)
CorrelationofXandY=0.476
REGRESIN
1. Supongamos que el seor Bump observa el precio y el volumen de venta de leche durante 10
semanas seleccionadas al azar. Los datos que se ha recabado se muestran a continuacin:
Precio de venta 1.30 2.00 1.70 1.50 1.60 1.20 1.60 1.40 1.00 1.10
Miles de galones 10 6 5 12 10 15 5 12 17 20
A) ECUACIN DE REGRESIN
45
B) POR COMPUTADORA, MEDIANTE MINITAB
MTB>NAMEC1='X',C2='Y'
MTB>READ'X','Y'
DATA>1.3010
DATA>2.006
DATA>1.705
DATA>1.5012
DATA>1.6010
46
DATA>1.2015
DATA>1.605
DATA>1.4012
DATA>1.0017
DATA>1.1020
DATA>END
10rowsread.
MTB>PLOT'Y'*'X'
20
15
Y
10
1.0 1.5 2.0

X
MTB>REGRESS'Y'USING1PREDICTOR'X',C3,PUTFITSINC4.
Regression Analysis
Theregressionequationis
Y=32.114.5X
PredictorCoefStDevTP
Constant32.1364.4097.290.000
X14.5393.0024.840.000
S=2.725RSq=74.6%RSq(adj)=71.4%
AnalysisofVariance
SourceDFSSMSFP
Regression1174.18174.1823.450.000
Error859.427.43
Total9233.60
MTB>NAMEC4='ESTIMATE',C5='RESIDUAL'
MTB>PLOT'RESIDUAL'*'ESTIMATE'
47
MTB>CORRELATIONOF'X'AND'Y'
2
RESIDUAL
-1
-2
-3
-4
2 7 12 17
ESTIMATE
Correlations (Pearson)
CorrelationofXandY=0.863
48
UNIDAD II
REGRESIN Y CORRELACIN LINEAL MLTIPLE y SERIES DE TIEMPO.
1. Comprende el conocimiento de la Regresin Mltiple, aplicndola a la investigacin de la

realidad empresarial y a la prediccin y/o planificacin futura en casos de funciones
multivariables.
2. Comprende el conocimiento de las Series de Tiempo y su aplicacin a la investigacin en la

empresa, con fines de pronstico y de planificacin en el funcionamiento ptimo de la
empresa.
3. Se resuelven ejemplos prcticos de investigacin, manualmente para casos de 2 variables

independientes y por PC para casos de ms de dos variables.
4. Se suavizan datos por los mtodos de medias mviles y suavizacin exponencial con fines
de pronstico.
5. Se determina la ecuacin de la tendencia, los ndices estacionales, cclicos e irregulares con

fones de investigacin.
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.
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 estudiante
y futuro profesional.
5. Desarrollar en los estudiantes la vocacin por el trabajo en equipo y la coparticipacin

multiprofesional.
TEMA N 3: REGRESINY CORRELACIN LINEAL MLTIPLE

TEMA N 4: SERIES DE TIEMPO
49
TEMA N 3
REGRESIN Y CORRELACIN LINEAL MLTIPLE
1. INTRODUCCIN
El anlisis de regresin lineal mltiple es una tcnica en la que se utilizan

varias variables independientes para estimar el valor de una variable
dependiente desconocida.
SUPOSICIONES
1) La variable dependiente es una variable aleatoria.
2) La relacin entre la variable dependiente y cada variable independiente debe
ser lineal.
3) Las varianzas de las distribuciones de la variable dependiente, para diversos
valores de las variables independientes, son iguales.
4) Las distribuciones para la variable dependiente son normales.
2. MODELO MATEMTICO DE LA REGRESIN LNEAL MLTIPLE

CON DOS VARIABLES INDEPENDIENTES.
El diagrama de dispersin se puede trazar en un sistema rectangular

tridimensional. El modelo matemtico de la regresin lineal mltiple es:
Yi = + 1X1i + 2X2i + i, donde:

= Interseccin con el eje Y
1 = Pendiente de Y respecto a X1, cuando X2 es constante.
2 = Pendiente de Y respecto a X2, cuando X1 es constante.
i = Error aleatorio en Y para la observacin i
- Una primera meta del anlisis es el establecimiento de una ecuacin de
regresin

lineal mltiple estimada, como:
Y = a + b1X1 + b2X2
Donde la terna a, b1, b2 son estimadores de los parmetros reales , 1, 2.
MTODO DE MNIMOS CUADRADOS.

El plano de regresin est colocado de modo que se reduzca al mnimo la suma
del cuadrado de los errores (Y Y ), donde Y = valor observado y Y = valor
estimado. Esta condicin se cumple cuando se satisfacen las ecuaciones
normales siguientes:
Y = na + b1X1 + b2X2
X1Y = aX1 + b1X1 + b2X1X2
X2Y = aX2 + b1X1X2 +b2X2
50
Sistema, de cuya solucin se obtienen los coeficientes estimados de

regresin:
X 22 n X 22

X 1Y n X 1Y X 1X 2 n X 1X 2 X 2Y n X 2Y

2
X 12 n X 12 X 2 2 n X 22 X 1X 2 n X 1X 2
b1 =
b2

X 2Y n X 2 Y X 1X 2 n X 1X 2 X 1Y n X 1Y
X 12 n X 12

2
X 1 n X 1 X 2 n X 2 X 1X 2 n X 1X 2
2 2 2 2

a Y b1 X 1 b2 X 2
E1. Se desea estudiar el efecto de la temperatura ambiente promedio diario en F,

X1, y la cantidad de aislamiento en el desvn en pulgadas de grosor, X2, sobre
el consumo mensual de petrleo para calefaccin en galones, Y, en casas. Para
el efecto se ha tomado una muestra aleatoria de 15 casas cuyos datos se
reportan en las cuatro primeras columnas. Determine la ecuacin de regresin
mltiple.
Obs Y X1 X2 X1 Y X2 Y X1 X2 X1 X2 Y
.
1 275.3 40 3 11012. 825.9 120 1600 9 75790.09

0
2 363.8 27 3 9822.6 1091.4 81 729 9 132350.44
3 164.3 40 10 6572.0 1643.0 400 1600 100 26994.49
4 40.8 73 6 2978.4 244.8 438 5329 36 1664.64
5 94.3 64 6 6035.2 565.8 384 4096 36 8892.49
6 230.9 34 6 7850.6 1385.4 204 1156 36 53314.81
7 366.7 9 6 3300.3 2200.2 54 81 36 134468.89
8 300.6 8 10 2404.8 3006.0 80 64 100 90360.36
9 237.8 23 10 5469.4 2378.0 230 529 100 36548.84
10 121.4 63 3 7648.2 364.2 189 3969 9 14737.96
11 31.4 65 10 2041.0 314.0 650 4225 100 985.96
12 203.5 41 6 8343.5 1221.0 246 1681 36 41412.25
13 441.1 21 3 9263.1 1323.3 63 441 9 194569.21
14 323.0 38 3 122740 969.0 114 1444 9 104329.00
15 52.5 58 10 3045.0 525.0 580 3364 100 2756.25
3247.4 604 95 98060. 18057 3833 3030 725 939175.68

1 8
51
Y 216.49 X 40.2 X 6.33

7
SOLUCION
Las 3 ecuaciones normales son:
3247.4 = 15 a + 604 b1 + 95 b2
98060.1 = 604 a+ 30308b1 + 3833 b2
18057.0 = 95 a + 3833 b1 + 725 b2
Y resolviendo el sistema o empleando las frmulas:

a = 562.15, b1 = -5.44, b2 = -20.01
Y la ecuacin de regresin lineal mltiple estimada es:
Y = 562.15 - 5.44X1 - 20.01 X2
3.PRUEBA DE LA RELACION POR ANOVA.
Las hiptesis nula y alternativa son:

H0:1 = 2 = 0. (No hay relacin)
H1:1 0 20. (Hay relacin)
H0 se prueba mediante la distribucin F dada por:
F(p, n-p-1) = Sreg

Syx
Donde: Sreg = varianza debida a la regresin.

Syx = cuadrado del error estndar de estimacin.
p = nmero de variables independientes

n = tamao de la muestra
TABLA DE ANOVA PARA LA PRUEBA. Para el ejemplo:
Fuente DF Suma de los cuadrados (SS) Varianza F

aY + b1 X1Y + b2 X2Y Sreg = SSreg
52
1 p F = Sreg
( y )
2
Regresin p=2 n = = 227717.94 Syx

562.15(3247.4)+(-5.44)(98060.1)
2 =113858.97
+ (-20.01)(18057) (3247.4) /15
= 113858.97 701.44
= 227717.94
= 162.32
Y - aY - b1 X1Y - b2 Syx = SSerror

Error n-p- X2Y n-p-1
1=15-2-1 939,175.68 562.15 (3247.4) = 8417.28
= 12 (-5.44)(98060.1)(-20-01) 12
(18,057) = 701.44
= 8417.28
Y - (Y)
n-1 = 15- n
Total 1 =14 =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
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.
SOLUCION.

Y =562.15 5.44 X1 20.01 X2 = 562.15 5.44 (30) 20.01 (6)
= 278.98 galones.
4.CORRELACIN MLTIPLE. MEDICIN DEL GRADO DE RELACIN.
Coeficiente de determinacin mltiple: Est dado por:

53
ry12 = SSreg
SSt
= 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.
Coeficiente de correlacin mltiple.
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:ry12 = 0.9644 = 0.9829
5. MATRIZ DE CORRELACIN.
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:
rxy = _______n XY - XY______

n x - (x) n y - (y)
Para el ejemplo:
ryx1 = ry1 = _________15 (98060.1) 604 (3247.4)_________
15 (30308) (604) 15(939175.68)-(3247.76)

= - 0.86974.
Y X1 X2
(petrleo) (temperatura) (aislamiento)
Y
(petrleo) ryy = 1.0 ry1 = -.86974 ry2 = -.46508
X1
(temperatura) ry1 = -.86974 r11 = 1.0 r12 = .00892

X2
(aislamiento) ry2 = -.46508 r12 = .00892 R22 = 1.0

54
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).
6. VARIABLES FICTICIAS.
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/ Ingeniero).
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.
CODIFICACION: SEXO: X3
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
CODIFICACION: UBICACIN: X3 X4
A 0 0
B 1 0
C 0 1
7.ANLISIS DE REGRESIN POR PASOS HACIA ATRS.
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 3
55
REGRESIN Y CORRELACIN MLTIPLE

Objetivo
Investigar las situaciones de la empresa que tienen que compararse mediante la regresin
mltiple, para segn los resultados plantear o no cambios.
Orientaciones
E1. La siguiente tabla corresponde a las remuneraciones anuales para una muestra
de supervisores:
Persona Remuneraci Aos de Aos de Sexo

muestreada n anual (Y) experiencia Educ. pos- (X3)
(X1) Secund. (X2)
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 MINITAB :
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 PREDICTORS C2 C4
MTB > REGRESS C1 ON 2 PREDICTORS C2 C3, C5 PUT FITS IN C6;
SUBC> RESIDUALS IN C7;
SUBC> PREDICT 8.5 5.5.
56
MTB> NAME C6 = ESTIMATE', C7 = RESIDUAL

MTB > PLOT RESIDUAL * ESTIMATE
MTB > PLOT RESIDUAL * X1
MTB > CORRELATION 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 gl1 = 3, gl2 = 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 X1 + 1596X2 + 383 X3
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 (X3) 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 X1 + 1604 X2
Pruebe la hiptesis nula o su rechazo, con un nivel de significancia del 5%.
57
SOLUCIN
Segn los resultados F calculada es 11.28, determinamos F crtica para gl 1 = 2, gl2 =

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 X2 (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 X2 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 + b1 X1 + b2 X2 = 25511 + 826 X1 + 1604 X2

= 25511 + 826 (5.5) + 1604 (4) = $ 36470.00
E7. Interprete 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 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.
58
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% CI = $ 35180 a $ 37775

b) 95% PI = $ 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.
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:
59
a) Identifique qu variable tiene mayor correlacin con la remuneracin anual y

cual es esa correlacin?
b) Identifique 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. Interprete 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 = 0.672 = 0.82, que se reporta como
valor absoluto.
CASOS PROPUESTOS.
1. 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. Siendo el precio la variable dependiente, realice un
anlisis de regresin por pasos hacia atrs utilizando algn programa de computacin.
Instalacin fabril Precio (en miles rea Subdivisin Superficie del

muestreada de millones de construida terreno (m)
S/.) (m)
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
60
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.
2. 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 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.
3. 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%.
4. 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%.
61
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.
5. 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).
6. 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.
7. 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
(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.
8. 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.
9. 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.
10. 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 = 0.945 = 0.972

62
11. Los siguientes datos muestrales muestran la escolaridad, experiencia laboral e

ingreso:
Escolaridad Experiencia Ingreso Y

Persona X1 (aos) laboral (miles de $
X2 (aos) por ao)
A 2 9 5.0
B 4 18 9.7
C 8 21 28.4
D 8 12 8.8
E 8 14 21.0
F 10 16 26.6
G 12 16 25.4
H 12 9 23.1
I 12 18 22.5
J 12 5 19.5
Determine la ecuacin de regresin. Programe la solucin por MTB.
AUTOEVALUACIN
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 04
SERIES DE TIEMPO
1. INTRODUCCIN
63
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.
2. SERIE DE TIEMPO,
Serie de tiempo es una serie de datos sobre una variable a lo largo de varios
perodos de tiempo.
E1.
PBI de un Pas
AO
(en millones $)
1997 8029.8
1998 8480.6
1999 9325.6
2000 9878.4
2001 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.
Modelos Elementales de Prediccin: Utiliza la Observacin ms reciente para predecir

la observacin siguiente. O sea:
Yt 1 Yt
O tambin:
Yt 1 Yt at ; a =cantidad aleatoria + o -
3.COMPONENTES DE UNA SERIE DE TIEMPO.
Las series temporales, como mnimo tienen uno de los 4 siguientes componentes:
Tendencia, Variacin estacional, Variacin cclica y Variacin irregular.
TENDENCIA (T):Es el componente permanente a largo plazo de una variable:
RECTA DE TENDENCIA
100 RECTA DE TENDENCIA
300
90
250
80
200
70
150
60
100
50
50
1970 1975 1980 1985 1990 1970 1975 1980 1985

EMPLEO EN AGRICULTURA 1990
EN USA DPOSITOS
64
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.
PORCENTAJE DESEMPLEO
ENE JUL DIC ENE JUL DIC ENE JUL DIC
FLUCTUACIONES DEL DESEMPLEO EN USA
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.
VARIACIN CCLICA (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 reactivacin: Durante la cual el nivel de la actividad econmica de las

empresas se acelera, la produccin es intensa y el desempleo disminuye.
2) El mximo, pico o auge: En cuyo punto el ndice de la actividad econmica ha

"llegado al techo" en crecimiento y ya no puede seguir creciendo.
3) La desaceleracin o contraccin: Cuando la actividad econmica decrece y el

desempleo va en aumento.
4) La recesin: 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.
65
NMERO DE AUTOS VENDIDOS

RECTA DE TENDENCIA
1960 1965 1970 1975 1980 1985 1990 1995
VARIACIN IRREGULAR (I): 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.
4. TCNICAS DE SUAVIZACIN.
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 elefecto de "aplanar" losdatos y producir un movimiento
donde no aparezcan picos y valles tan pronunciados.
E1. De las ventas de una tienda. Determinar la MA de 3 meses y la MA de 5 meses.
VENTAS
MES MA 3 meses MA 5 meses
(cientos $)
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
Media Mov.
66 : 3 perodos
D originales
Diciembre 62 Media Mov. : 5 perodos
Valores
Serie
Tiempo
Enero (Prediccin) 62.00 59.20
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.
E1. Ventas de tarjeta de felicitacin (MILES DE $)
MA 4 MA 4 TRIM.
PERODO VENTAS
TRIMESTRES 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 (Prediccin) 44.00
La prediccin para el 98-1 es con 44.00.
67
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.
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:
Ft 1 A t 1 Ft ;
Ft 1 = prediccin del perodo siguiente y futuro
A t = valor real del perodo actual
Ft = prediccin hecha anteriormente para el perodo actual.
Valor : Constante de suavizacin, se elige entre 0 y 1, es mejor el que hace mnimo

al Error Cuadrado Medio dado por:
Ft A t 2
ECM = n 1
E1. 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
Ft 1 A t 1 Ft
1) A t = ventas reales de Febrero = $110 mil.

F
2) t = 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:
Ft 1 0.3 (110) + 0.7 (105) = $106.50 miles

68
Si las ventas reales de marzo son $107 mil:

Fabril = (0.3)107+(0.7)106.5=$106.65 mil
Si las ventas reales de Abril son $112 mil:

Fmayo
= 0.3 (112)+0.7 (106.65)=$108.26 mil
E2. Sea la tabla de ventas reales de Enero a Julio. Calcule las ventas previstas para
=0.3 y para =0.8. Adems mediante el error cuadrado medio, determine el mejor.
SOLUCIN.
V. REALES V. PREVISTAS V. PREVISTAS

Ft At 2 Ft A t 2
MES
At ) =0.3) ( Ft ) =0.8) ( Ft )
( ( ( ( =0.3) ( =0.8)
Enero 105 - - - -
Febrero 110 105.00 105.00 25.00 25.00
Marzo 107 106.50 109.00 0.25 4.00
Abril 112 106.65 107.40 28.62 21.16
Mayo 117 108.26 111.08 76.39 35.08
Junio 104 110.88 115.82 47.33 139.71
Julio 108 108.82 106.36 0.67 2.69
178.26 227.61
Agosto - 108.57 107.67
Ft A t 2 178 .26
29.71
ECM 0.3 = n 1 = 7 1 ;
Ft A t 2 227 .61
37.94
ECM 0.8 = n 1 = 7 1
Por lo tanto el mejor es 0.3, que corresponde al menor error cuadrado medio; este
produce mejores resultados de prediccin, o sea de las dos predicciones para
Agosto, la mejor es 108.57.
E3 . Predicciones de ndices de desempleo.
Los ndices mensuales de desempleo de un determinado ao aparecen en la tabla

siguiente. Se pide:
1) Suavice las fluctuaciones mediante una media mvil con 4 perodos.
2) Utilice un modelo de suavizacin exponencial con =0.4 para predecir el desempleo

de un mes futuro.
Ene. 5.4 Jul. 5.4

Feb. 5.1 Ago. 5.5
Mar. 5.0 Set. 5.2
Abr. 5.2 Oct. 5.5
69
May. 5.3 Nov. 5.1

Jun. 5.3 Dic 5.4
SOLUCIN.
ME MA Ft
INDICE MA
S CENTRADA
Ene
5.4
.
Feb. 5.1 5.4
5.175
Mar. 5.0 5.16 Fmar =0.4(5.1)+0.6 (5.4)=5.28
5.28
5.150
Abr. 5.2 5.18 5.17
5.200
May 5.3 5.25 5.18
.
5.300
Jun. 5.3 5.34 5.23
5.375
Jul. 5.4 5.36 5.26
5.350
Ago 5.5 5.38 5.31
.
5.400
Set. 5.2 5.36 5.39
5.325
Oct. 5.5 5.31 5.31
5.300
Nov. 5.1 5.39
Dic. 5.4 5.27
Ene 5.31% 5.32, FENE =0.4(5.4)+0.6(5.27)= 5.32 %
.
INTERPRETACIN.
El mtodo de la media mvil predice una tasa de 5.31%, la suavizacin
exponencial predice una tasa de 5.32%, ambos para Ene del siguiente ao o para
cualquier perodo futuro, puesto que los datos no presentan tendencia, sino que se
considera que fluctan alrededor de la media a largo plazo.
5. DESCOMPOSICIN DE UNA SERIE DE TIEMPO.
a)TENDENCIA.

El modelo es: Yt b 0 b1t
Y = valor estimado de la variable dependiente.
70
b 0 = ordenada en el origen de la recta de tendencia.

b1 = pendiente de la recta de tendencia.
t = variable independiente.
E1. La tabla recoge los datos del nmero de viviendas en construccin en una ciudad por
un perodo de 16 aos. Se desea ajustar las observaciones de la serie temporal, para
elaborar un modelo de prediccin del nmero de viviendas en construccin en el
futuro.
AQU.
SOLUCIN
Y (viviendas 2
AO t=X xy X
en constr.)
1997 1 7.0 7.0 1
1998 2 7.1 14.2 4
1999 3 7.9 23.7 9
2000 4 7.3 29.2 16
2001 5 8.2 41.0 25
2002 6 8.3 49.8 36
2003 7 8.1 56.7 49
2004 8 8.6 68.8 64
2005 9 8.8 79.2 81
2006 10 8.9 89.0 100
2007 11 8.7 95.7 121
2008 12 9.1 109.2 144
2009 13 9.4 122.2 169
2010 14 9.1 127.4 196
2011 15 9.5 142.5 225
2012 16 9.9 158.4 256
136 135.9 1214.0 1496
x =8.50, y =8.49
xy nxy 1214 16(8.50 )(8.49 )

b1 0.174
x 2 nx 2 = 1496 16(8.50 ) 2 ,
b0 y b1 x=8.49 - 0.174(8.50)= 7.01

La recta de tendencia es: Yt 7.01 + 0.174 t, Como predicciones tenemos.
Para 2013: Y =7.01 + 0.174 (17) =9.97 viviendas.
Para 2015: Y =7.01 + 0.174 (19) =10.32 viviendas.

71
b) VARIACIN ESTACIONAL (S).

E1. La tabla muestra los beneficios de alquiler de un video. Los beneficios parecen
ser ms altos en vacaciones escolares y ms bajos en otras pocas del ao, esto
sugiere presencia de factores estacionales. Determine los ndices estacionales.
SOLUCIN
Y (Beneficios) cientos MA de 12 meses MA centrada Relacin

PERIODO
de $ (T.C) (T.C) Y/MA= S.I
2001 Ene. 10
Feb. 9
Mar. 11
Abr. 12
May. 18
Jun 23
15. 5833
Jul. 27 15. 5417 1.7373
15.5000
Ago. 26 15. 5833 1.6685
15. 6667
Set. 18 15. 6250 1.1520
15. 5833
Oct. 13 15. 5833 0.8342
15. 5833
Nov. 10 15. 6250 0.6400
15. 6667
Dic 10 15. 7500 0.6349
15. 8333
2002 Ene. 9 15. 8750 0.5669
15. 9067
Feb. 11 16. 1250 0.6822
16. 3333
Mar. 10 16. 5000 0.6061
16.6667
Abr. 12 16. 7500 0.7164
16. 8333
May. 19 16. 8750 1.1259
16.9167
Jun 25 17. 0000 1.4706
17.0831
Jul. 28 17. 1250 1.6350
17. 1667
Ago. 31 17. 0417 1.8191
16. 9167
Set. 22 16.9167 1.3005
16.9167
Oct. 25 16.9167 0. 8867
16.9167
Nov. 11 16.9167 0.6502
16.9167
Dic 12 16.9167 0.7094
16.9167
2003 Ene. 10 16.9583 0.5897
17.0000
Feb. 8 17.0000 0.4706
17.0000
Mar. 10 16.9583 0.5897
16.9167
Abr. 12 16.9583 0.7076
17.0000
72
May. 19 17.2916 1.0988

17.5833
Jun 25 17.8750 1.3986
18.1667
Jul. 29
Ago. 31
Set. 21
Oct. 16
Nov. 18
Dic 19
El modelo multiplicativo es Y T C S I, la MA elimina S e I: o sea MA = TxC
RELACIN DE LOS DATOS CON LA MEDIA MOVIL:
Y T C S I
SI
MA TC
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 I, quedando solo S.
RELACIN MEDIA NDICE

MES 2001 2002 2003
CON LA MA. ESTACIONAL
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
12
1.0130
RAZN DE NORMALIZACIN = 11 . 8455
APLICACIONES DEL NDICE ESTACIONAL.
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
73
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.
10

E1. Enero 2001 0.5858 17.07
O sea, si no fuera por la variacin estacional, Enero de 2001 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.
190
15.83
12 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:
Yt 13.85 0.167 t
La prediccin para ENE 2004 sera:
Y 13.85 0.167(37 ) 20.03
Sin tener en cuenta la bajada estacional que ocurre en ENE
Estacional izando: 20.03 0.5858 = 11.73 sea $1,173.00
Que seran los beneficios del mes.
E2. Marge es propietaria de un criadero. 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:
74
SOLUCIN.
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:
RELACIN CON
AO-TRIMESTRE INGRESOS MA MA CENTRADA
MA CENTRADA
2001-I 24
II 31
29.50
III 21 29. 8750 0.7029
30.25
IV 42 30. 3750 1.3827
30.50
2002-I 27 31. 0000 0.8710
31.50
II 32 31. 3750 1.0199
31.25
III 25 30. 3750 0.8230
29.50
IV 41 28. 8750 1.4200
28.25
2003-I 20 27. 3750 0.7306
26.50
II 27 26. 2500 1.0286
26.00
III 18
IV 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.
RELACIN MEDIA CON LA INDICE

TRIM 2001 2002 2003
MEDIA MVIL ESTACIONAL
I 0.8710 0.7306 0.8008 0.8029
II 1.0199 1.0286 1.0242 1.0269
III 0.7029 0.8230 0.7630 0.7650
IV 1.3827 1.4200 1.4014 1.4050
3.9894 3.9998 4
4
1.0026
La razn de normalizacin es: 3.9894
Las ventas del IV trimestre por ejemplo son 40.50% mayores que la media trimestral.
42
29.89
El valor desestacionalizado del IV trimestre de 2001 es: 1.4050
c) VARIACIN CCLICA (C)

75
Para identificar el componente cclico se puede empezar por obtener la tendencia.

Para el ejemplo anterior, la recta de tendencia es: Yt 28.58 + 0.0524 t
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:
Y T S CI
C I
TS TS Que se expresa en porcentaje
Esta columna contiene componentes cclicos e irregulares, este ltimo se elimina

tomando una media mvil de 4 perodos, quedando solo el factor cclico (8), que
representan los niveles reales de ingresos de la Sra.Marge en los distintos perodos en
porcentaje de la tendencia.
d) VARIACIN IRREGULAR (I).
Si dividimos (6) entre (8) y multiplicamos por 100, se obtienen los ndices irregulares (9).
(3) (4) (5) (6) (8)

(2) NORMA (7) (9)
(1) PROYECCIN INDICE COMPON COMPON
INGRESOS ESTADIS MA 4 COMPON
PERODO DE TENDENCIA ESTAC CICLIC E CICLIC MA
Y
T S (3) (4):T S IRREG
PERODOS
CENTRADA
IRREG
2001-I 24 28.63 0. 8029 22.99 104.39

II 31 28.68 1.0269 29.45 105.26
102.24
III 21 28.74 0.7650 21.99 95.50 103.76 92.04
105.29
IV 42 28.79 1.4050 40.45 103.83 105.62 98.30
105.94
2002-I 27 28.84 0.8029 23.16 116.58 108.11 107.83
110.28
II 32 28.89 1.0269 29.67 107.85 109.88 98.15
109.48
III 25 28.95 0.7650 22.15 112.87 105.63 106.85
101.78
IV 41 29.00 1.4050 40.74 100.64 99.60 101.04
97.41
2003-I 20 29.05 0.8029 23.32 85.76 93.38 91.84
89.36
II 27 29.10 1.0269 29.88 90.36 88.66 101.92
87.96
III 18 29.16 0.7650 22.31 80.68
IV 39 29.21 1.4050 41.04 95.03
76
RESULTADOS POR COMPUTADORA
E 1. Por Minitab, determinamos la ecuacin de la tendencia del ejemplo ltimo.

SOLUCIN
MTB > NAME C1='t', C2='Y'
MTB > READ 't', 'Y'
DATA>1 24
DATA> 2 31
DATA> 3 21
DATA> 4 42
DATA>5 27
DATA> 6 32
DATA> 7 25
DATA> 8 41
DATA> 9 20
DATA> 10 27
DATA> 11 18
DATA> 12 39
DATA> END
12 rows read.
MTB > REGRESS 'Y' USING 1 PREDICTOR 't', C3, PUT FITS IN C4;
SUBC> PREDICT 13;
SUBC> PREDICT 14.
The regression equation is

Y = 28.6 + 0.052 t
Predictor Coef StDev T P

Constant 28.576 5.296 5.40 0.000
t 0.0524 0.7196 0.07 0.943
S = 8.605 R-Sq = 0.1% R-Sq(adj) = 0.0%
Analysis of Variance
Source DF SS MS F P
Regression 1 0.39 0.39 0.01 0.943
Error 10 740.52 74.05
Total 11 740.92
Fit StDev Fit 95.0% CI 95.0% PI

29.26 5.30 ( 17.45, 41.06) ( 6.74, 51.78)
Fit StDev Fit 95.0% CI 95.0% PI
29.31 5.94 ( 16.07, 42.55) ( 6.00, 52.62)
E 2 . Por Minitab, determine los ndices estacionales del ejemplo ltimo.

77
SOLUCIN
MTB > SET C1

DATA> 24 31 21 42 27 32 25 41 20 27 18 39
DATA> END
MTB > LET C2=C1
MTB > LET C3=C1
MTB > LET C4=C1
MTB > DELETE 1 C2
MTB > DELETE 1:2 C3
MTB > DELETE 1:3 C4
MTB > LET C5=C1+C2+C3+C4
MTB > PRINT C1-C5
Data Display
Row C1 C2 C3 C4 C5
1 24 31 21 42 118
2 31 21 42 27 121
3 21 42 27 32 122
4 42 27 32 25 126
5 27 32 25 41 125
6 32 25 41 20 118
7 25 41 20 27 113
8 41 20 27 18 106
9 20 27 18 39 104
10 27 18 39
11 18 39
12 39
MTB > LET C6=C5

MTB > DELETE 1 C6
MTB > LET C7=C5+C6
MTB > PRINT C1-C7
Data Display
Row C1 C2 C3 C4 C5 C6 C7
1 24 31 21 42 118 121 239

2 31 21 42 27 121 122 243
3 21 42 27 32 122 126 248
4 42 27 32 25 126 125 251
5 27 32 25 41 125 118 243
6 32 25 41 20 118 113 231
78
7 25 41 20 27 113 106 219

8 41 20 27 18 106 104 210
9 20 27 18 39 104
10 27 18 39
11 18 39
12 39
MTB > LET C8=C7/8
MTB > LET C9=(C3/C8)*100
MTB > PRINT C9
Data Display
C9
70.293 138.272 87.097 101.992 82.305 141.991 73.059 102.857
MTB > SET C10

DATA> 3 4 1 2 3 4 1 2
DATA> END
MTB > DESCRIBE C9;
SUBC> BY C10.
Variable C10 N Mean Median Tr Mean StDev SE Mean

C9 1 2 80.08 80.08 80.08 9.93 7.02
2 2 102.42 102.42 102.42 0.61 0.43
3 2 76.30 76.30 76.30 8.49 6.01
4 2 140.13 140.13 140.13 2.63 1.86
Los ndices se leen en Median, faltando solo la normalizacin, es decir ajustarlos para
que sumen 400.
TALLER 4
SERIES DE TIEMPO
Objetivo
Investigar las situaciones de la empresa que tienen que compararse mediante las series de
tiempo, para segn los resultados plantear o no cambios.
Orientaciones
1. El rendimiento por accin, para la Compaa Metalrgica, durante un periodo de 10

aos es el siguiente:
.64 .73 .94 1.14 1.33 1.53 1.67 1.68 2.10 2.50
79
a. Emplee una proyeccin de tendencia lineal para pronosticar esta serie de tiempo en
el prximo ao.
b. Qu nos dice este anlisis de tendencia temporal acerca de la Compaa

Metalrgica? De acuerdo con los datos histricos, es recomendable invertir en esta
empresa?
2. Al final de la dcada de los noventa, muchas empresas trataron de reducir su tamao

para disminuir sus costos. Uno de los resultados de esas medidas de recorte de costos
fue una disminucin en el porcentaje de empleos gerenciales en la industria privada.
Los siguientes datos corresponden al porcentaje de mujeres gerentes, de 2000 a 2005
(The Wall Street Journal Almanac, 1998).
Ao 2000 2001 2002 2003 2004 2005

Porcentaje 7.45 7.53 7.52 7.65 7.62 7.73
a. Deduzca un ecuacin de tendencia lineal para esta serie de tiempo.

b. Use la ecuacin de la tendencia para estimar el porcentaje de mujeres gerentes para
2006 y 2007.
3. Los datos de ingresos brutos (en millones de dlares) en Delta Airlines, para un perodo
de 10 aos, son los siguientes:
Ao Ingreso Ao Ingreso
1 2428 6 4264
2 2951 7 4738
3 3533 8 4460
4 3618 9 5318
5 3616 10 6915
a. Deduzca una ecuacin de tendencia lineal para esta serie de tiempo. Comente acerca
de lo que representa la ecuacin sobre los ingresos brutos de Delta Airlines para el
periodo de 10 aos.
b. Determine los pronsticos de ingresos netos durante los aos 11 y 12.
4. La empresa RALPH RHODES desea utilizar las tcnicas de suavizacin para

promediar y predecir los niveles de las inversiones de capital, basndose en su
estadstica de inversiones de los ltimos 12 aos siguiente:
INVERSIN (Y)
AO
MILES DE $
2001 73.2
2002 68.1
2003 72.8
2004 75.9
2005 71.8
80
2006 69.3
2007 68.0
2008 67.5
2009 69.9
2010 73.2
2011 75.3
2012 72.9
a) Calcule medias mviles de 3 y 4 aos. Interprete en cuanto a la prediccin para el

2013.
b) Predecir mediante la suavizacin exponencial para =0.2 y =0.7 Cul
prediccin para el 2013 es ms exacta?
c) Determine la recta de tendencia y predicciones para los aos 2013, 2015, 2018.
5. Durante los ltimos aos las condiciones econmicas de RAINBOW
WNTERPRISES 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 (4) PERIODO DESPEDIDOS (4)

1997-I 25 1999-I 35
II 27 II 37
III 32 III 37
IV 29 IV 39
1998-I 28 2000-I 38
II 32 II 42
III 34 III 44
IV 38 IV 45
a) El Director ejecutivo predice el nmero de despidos para los perodos 2001-I,

2001-II, 2001-III Y 2001-IV, con ayuda del anlisis de tendencia lineal.
b) El Director ejecutivo, calcula los ndices estacionales del nmero de despidos.
c) El Director ejecutivo determina los despidos si se eliminaran factores
estacionales.
d) Los ejecutivos de RAINBOW 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-I son 46 Qu despidos totales podra explicar
RAINBOW para 2001.
f) En un esfuerzo final por encontrar el nmero de despidos necesarios, RAINBOW
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 2008 2009 2010

Ene 17.2 18.1 16.3
81
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
Oct. 19.3 18.0 17.3
Nov 22.7 19.7 21.2
Dic. 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. Interprete.
c) Calcule los ndices estacionales de cada mes.
d) Cules son las cifras de ventas ajustadas estacionalmente de los 6 ltimos meses
del 2011? Interprete.
e) Cules son los valores desestacionalizados de los 6 ltimos meses del 2011?
Interprete.
7. Segn BUINES WEEK, la participacin de TAIWAN en el mercado mundial de

microchip por trimestres ha sido la que se indica, en porcentajes:
2008 2009 2010

I 1.1 1.4 2.5
II 1.3 1.8 2.8
III 1.6 2.1 3.1
IV 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, INC. , 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:
2009
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
2010
13.9 13.1 12.8 12.4 11.8 11.9 11.7 11.5 11.1 11.2 11.2 11.1
82
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
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.
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
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:
INVERSIN (Y)
AO
MILES DE $
1989 73.2
1990 68.1
1991 72.8
1992 75.9
1993 71.8
1994 69.3
1995 68.0
1996 67.5
1997 69.9
1998 73.2
1999 75.3
2000 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.
83
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 RAINBOW WNTERPRISES 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 (4) PERIODO DESPEDIDOS (4)

1997-I 25 1999-I 35
II 27 II 37
III 32 III 37
IV 29 IV 39
1998-I 28 2000-I 38
II 32 II 42
III 34 III 44
IV 38 IV 45
a) El Director ejecutivo predice el nmero de despidos para los perodos 2001-I, 2001-III,
2002-II Y 2002-IV, 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:
84
Mes 2008 2009 2010

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
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. Interprete. 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. Segn BUINES, la participacin de TAIWAN en el mercado mundial de microchips por
trimestres ha sido la que se indica, en porcentajes:
2008 2009 2010
I 1.1 1.4 2.5
II 1.3 1.8 2.8
III 1.6 2.1 3.1
IV 1.5 2.6 3.1
d) Determine la recta de tendencia.
e) Calcule las participaciones en el mercado desestacionalizado.
85
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 sedebe 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
EXISTENCIAS (MILES) : 41 48 37 32 45 43 49 38
10. MOPEDS, INC. , 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, que estn en miles. Es probable que ocurra esto
en los diez meses prximos?. b) Son estacionales las ventas?.
2009
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
2010
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
NMEROS NDICE Y TEORA DE DECISIONES
En el estudio de la empresa se destacan los cambios de precios de las cosas y/o artculos a
travs del tiempo, el valor de la moneda en el tiempo o deflacin, as como prever el futuro para
acertar en las decisiones empresariales, estos temas se estudian, mediante los instrumentos
denominados nmeros ndice y teora de decisiones.
1. Comprende el conocimiento de los nmeros ndice y la teora de decisiones, aplicndolas a

la valoracin del dinero en el tiempo y a la toma de las mejores decisiones en la empresa
respectivamente.
2. Se resuelven ejemplos prcticos de la empresa simplificando los clculos con la calculadora.
3.Se interpreta la tabla de pagos como una matriz de doble entrada y las decisiones las
trabajamos por casos.
86
1.Se aplica a la valoracin del dinero en el tiempo y sobre todo al peritaje contable.
2.Se aplica con fluidez para optimizar el funcionamiento de la empresa.
TEMA N 05: NMEROS NDICE

1.ndices simples y agregados
2. Fusin de series de ndices. IPC
3. Poder de compra y deflacin
AUTOEVALUACIN
TEMA N 06: TEORA DE DECISIONES

1.Toma de decisiones con probabilidades
2.Toma de decisiones con consecuencias econmicas
3.Toma de decisiones por el criterio Bayesiano
AUTOEVALUACIN
TEMA N 05
NMEROS NDICE
1. NDICES SIMPLES e NDICES AGREGADOS.
Un nmero ndice es un relativo porcentual expresado por una medicin en un

perodo determinado sobre la medicin en un perodo base, razn que se
multiplica por 100. Las mediciones pueden ser precios, cantidades valores.
NDICES SIMPLES.- Se refieren a un solo artculo. Entre ellos:
Ip
NDICE DE PRECIOS SIMPLE: Denotado por y definido por:
P
Ip n 100
Po ; Pn Precio del artculo en el perodo del ndice.
Po Precio del artculo en el perodo base .
Iq
NDICE DE CANTIDAD SIMPLE: Denotado por y definido por:
87
qn
Iq 100
qo ; qn Cantidad del producto en el perodo del ndice.
q o Cantidad del producto en el perodo base.
NDICE DE VALOR SIMPLE: Determinado por Iv y definidopor:

pnqn
Iv 100
poqo ;siendo pn, qn, po, qo los anteriores.
NDICES AGREGADOS.- 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:
NDICE DE LASPEYRES:Los precios se ponderan con las cantidades del ao

pn qo
IL 100
base: po qo
NDICE DE PAASCHE:Los precios se ponderan con las cantidades del ao del

pn qn
Ip 100
ndice: po qn , resultando ms moderno que el anterior
NDICE PROMEDIO PONDERADO:El ndice simple de precios se pondera para cada
artculo mediante un valor pq, puedan ser del ao base p o q o del ao del ndice p n qn :
po qo pn / po 100
I( p)
po qo , es el ms usado.
E1. La siguiente tabla reporta los precios y consumos de 3 artculos en un rea metropolitana,
para los aos 2000 y 2010
ARTICULO UNIDADES PRECIO PROMEDIO COSUMO MENSUAL PERC

2000 ( p o ) 2012 ( p n ) 2000 ( q o ) 2012( q n )
Carne Kg S/.4.50 S/.18.00 5 6
Leche Litro 1.20 6.00 8 7.5
Huevos Kg 0.80 4.00 1.2 1.8
Determinar a) Los ndices de precios simple del 2012, base 2000.

a) Los ndices de cantidad simple del 2012, base 2000.
b) Los ndices de valor simple del 2012, base 2000.
SOLUCIN.
a) NDICE DE PRECIOS SIMPLE:

88
pn 18
Ip 100 100 400 %
Para la carne: po 4.5
6
Ip 100 500 %
Para la leche: 1 .2
4
Iq 100 500 %
Para los huevos: 0.8
b) NDICE DE CANTIDAD SIMPLE:

qn 6
Iq 100 100 120 %
Para la carne: qo 5
7 .5
Iq 100 93.75%
Para la leche: 8
1.8
Iq 100 150 %
Para los huevos: 1.2
c) NDICE DE VALOR SIMPLE:

pnqn 18 6
Iv 100 100 480 %
Para la carne: poqo 4 .5 5
6 7.5
Iv 100 468 .75%
Para la leche: 1.2 8
4 1 .8
Iv 100 750 %
Para los huevos: 0.8 1.2
E 2 . Para los datos del ejemplo anterior calcule.
a) El ndice agregado de precios de LASPEYRES del 2012, base 2000.

b) El ndice agregado de precios de PAASCHEdel 2012, base 2000.
c) El ndice agregado de precios PROMEDIO PONDERADOdel 2012, base 2000.
SOLUCIN.
a)
ARTCULO pnqo p o qo
Carne S/. 90.00 S/. 22.50
Leche 48.00 9.60
Huevos 4.80 0.96
142.80 33.06
p n q o
IL 100 142 .80 100
p o q o 33.06 431 .94%
b)
89
ARTCULO p n qn p o qn
Carne S/. 108.00 S/. 27.00
Leche 45.00 9.00
Huevos 7.20 1.44
160.20 37.44
pnqn 160 .20

Ip 100 100
poqn 37.44 427 .88%
c)
Ponderacin de Relativo de Relativo
ARTCULO valor precios Ponderado
p o qo (p n / p o ) 100 (p o q o )(p n / p o ) 100
Carne S/. 22.50 S/.400 9,000
Leche 9.60 500 4,800
Huevos 0.96 500 480
33.06 14,280
po qo pn / po 100
I( p) 14,280
po qo
33.06 431.94 %
2. NDICES EN ESLABN. EN CADENA. CAMBIO DE BASE.
El ndice en eslabn 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.
El ndice en cadena 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.
Cambio de base.-Se cambia el perodo base dividiendo el ndice original entre el
ndice del nuevo perodo base y multiplicando por 100. Es decir:
I nuevo = (I antiguo original 100) /( I antiguo de la nueva base)
E1. 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.
AO 2007 2008 2009 2010 2011 2012

VENTA EN
8931 40163 86053 150810 368294 737897
MILLONES $
a) NDICE EN 100% 449.70% 214.26% 175.25% 244.21% 200.36 %
90
ESLABN
b) NDICE EN
CADENA 100% 449.70% 963.53% 1688.61% 4123.77% 8262.20%
B=2007
c) NDICE EN
CADENA 1.21% 5.44% 11. 66% 20.44% 49.91% 100%
B=2012
3. FUSIN DE DOS SERIES DE NMEROS NDICE

ciertos productos o por la exclusin de otros, as como por cambios en el ao base; y
para mantener la continuidad histrica, es deseable tener series unificadas de nmeros
ndice. Los que se cambian son los ndices Con frecuencia, los nmeros ndices sufren
cambios por la adicin de de la serie antigua, se logra multiplicando cada ndice de la
serie antigua anterior al traslape por el cociente del ndice menor para el ao del
traslape (100, si esta es la nueva base) entre el ndice antiguo para ese ao.
E1. Fusione las 2 series de nmeros ndice:
AQUI
INDICES INDICES
INDICES DE INDICES DE
AO UNIFICADO UNIFICADO
PRECIOS PRECIOS
B: 2005 B: 2000
2000 100.0% 83.9% 100.0%
2001 103.0 86.5 103.0
2002 106.9 89.7 106.9
2003 110.0 92.3 110.0
2004 114.1 95.7 114.1
2005 119.2 100.0% 100.0 119.2
2006 105.2 105.2
2007 111.3 111.3
2008 117.5 117.5
2009 124.8 124.8
2010 129.9 129.9
2011 137.7 137.7
Al ao 2005 se le denomina ao del traslape. Una vez unificada, se puede llevar a

cualquier base, mediante cambio de base.
4. INDICE DE PRECIOS AL CONSUMIDOR (IPC). PODER DE COMPRA.

DEFLACIN.
El IPC es el ms conocido debido a que se utiliza como indicador del costo de vida,
es un ndice de precios agregado para una "canasta bsica" de artculos y servicios,
con respecto a un perodo base, que puede ser mes o ao.
El recproco del IPC multiplicado por 100 da el poder de compra de la unidad
monetaria respecto al ao base. Es decir:
VALOR DEL S/. = (1/ IPC) 100,
Consecuentemente:
CANTIDAD DEFLACIONADA= (Cantidad Reportada / IPC) 100
91
E1. En la siguiente tabla se reportan los valores del IPC 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.
SOLUCIN.
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 IPC SEGN EL INEI VALOR DEL S/.

1990 100.000000 1. 000000
1991 509. 527953 0.196260
1992 884.176085 0. 113100
1993 1313. 708271 0.076120
1994 1625. 510715 0.061519
1995 1806.438245 0. 055358
1996 2015. 064731 0. 049626
1997 2187.286162 0.045719
Por ejemplo para 1991 se determin el valor del S/. as:

1 1
100 100
Valor Nuevo Sol IPC 509 .527953 0.196260
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 IPC del problema anterior a S/. Constantes de 1990. b) Replantear las
remuneraciones a S/.Constantes de 1994.
SOLUCIN.
a) Se aplica la frmula para cada ao:
REMUNERACIN ANUAL
REMUNERACI
AO IPC DE FLACIONADA A S/.de
N ANUAL
1990
1990 100.000 000 S/. 8,000 S/. 8,000.00
1991 509.527 953 25,000 4,906.50
1992 884.176 850 42,000 4,750.18
1993 1313.708 271 67,000 5,100.07
1994 1625. 510 715 110,000 6,767.10
1995 1806.438 245 167,000 9,244 .71
1996 2015.064 731 267,000 13,250.19
1997 2187.286 162 360,000 16,458.75
b) Los ndices para la base 1994 se obtienen por cambio de base:
AO IPC REMUNERACI REMUNERACIN

92
N ANUAL DE
ANUAL FLACIONADA A S/.de
1994
1990 6.151913 S/. 8,000 130,040.85
1991 31.345715 25,000 79,755. 72
1992 54.393788 42,000 77,214.70
1993 80.818186 67,000 82,902. 13
1994 100.000000 110,000 110,000.00
1995 111.130504 167,000 150,273. 77
1996 123.965023 267,000 215,383.33
1997 134.559935 360,000 267,538.77
TALLER 05
ACTIVIDAD APLICATIVA
NMEROS NDICE
Objetivo
Identificar 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.
Orientaciones
Tomar contacto con el INEI 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.
d) El ndice agregado de precios de PAASCHE.
e) El ndice agregado de precios PROMEDIO PONDERADO.
Todos para el ao 2010, respecto al ao base 2005.
CONSUMO MENSUAL
PRECIO PROMEDIO
ARTCULO UNIDAD PER CAPITA
2005 ( p o ) 2010( p n ) 2005 ( q o ) 2010( q n )
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
FIDEOS 1/2 KG. 1.20 1.60 2.0 3.0
2. Determine. Para las siguientes ventas:

a) Los ndices en eslabn.
93
b) Los ndices en cadena: base 2000.

c) Los ndices en cadena con nueva base 2003.
Ao 2000 2001 2002 2003 2004 2005

Venta en
45320 56780 90595 100500 105600 120400
millones S/.
3. Fusione las 2 series de nmeros ndices siguientes con 3 bases diferentes:
ndice de ndice de
Ao
Precios Precios
1998 100.000000
1999 185.214678
2000 225.523976
2001 256.802143
2002 270.094565
2003 285.032540
2004 290.712639 100.000000
2005 120.214598
2006 135.123546
2007 146.032457
2008 154.945328
2009 160.021549
2010 165.810358
4. Determine el valor del nuevo sol, respecto al ao base, si el IPC dado por el
INEI es como sigue en las 2 primeras columnas.
Remuneraciones
Ao ndice de Precios
anuales en S/.
1994 100.000000 8,450.00
1995 111.130504 10,325.50
1996 123.965023 13,428.20
1997 134.559935 16,545.00
1998 144.322204 20,310.80
1999 149.329205 22,400.00
2000 154.941806 24,000.00
5) Determine las remuneraciones deflacionadas de las remuneraciones de la columna

3 del problema anterior:
a) En S/.constantes de1999.
b) En S/.constantes de 2000.
6) Las remuneraciones anuales de un trabajador fueron: 1990: S/. 25,200.00, 1991: S/.
36,000.00, de 1992 a 1995: S/. 42,000.00 anuales, de 1996 al 2000: S/. 44,600.00 anuales; si
se tienen las dos series de nmeros ndices:
94
AO IPC AO IPC
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) Determine las remuneraciones en S/. Del 2000.
b) Deflacionar las remuneraciones a S/. De 1999.
c)Deflacionar las remuneraciones a S/. De 1995.
AUTOEVALUACIN
Explique la tcnica para el clculo del IPC.

Explique los prstamos internacionales, en dlares constantes
Resuelva la parte operativa de casos de peritaje contable.
TEMA 06
TEORA 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 PAGOS.
ACCIONES DE
EVENTOS PROBABILIDAD DEL DECISIN
ALEATORIOS EVENTO A1 A 2 A 3 . An
E1 P1 X11 X12 X13 . X1n
E2 P2 X21 X22 X23 . X2n
E3 P3 X31 X32 X33 . X 3n
. . . . . . .
Em Pm Xm1 Xm2 Xm3 Xmn
E1. 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.
95
SOLUCIN. Ganancia por unidad vendida $600

Prdida por unidad devuelta $400
Demanda del Cantidad del Pedido
Probabilidad a priori A1 :5A 2 :10 A 3 :15 A 4 :20
mercado
E1 : 5 0.10 $ 3000 $ 1000 -$1000 -$3000
E2 : 10 0.30 3000 6000 4000 2000
E3 : 15 0.40 3000 6000 9000 7000
E 4 : 20 0.20 3000 6000 9000 12000
2, 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.
E1. Para el problema anterior el nmero de unidades decididas seran 15, que
corresponde al evento ms probable (0.40).
E2. Tambin se puede trabajar con la demanda esperada D(E) siguiente:
DEMANDA DEL PROBABILIDAD DE LA

DP(D)
MERCADO (D) DEMANDA P(D)
E1 : 5 0.10 0.50
E2 : 10 0.30 3.00
E3 : 15 0.40 6.00
E 4 : 20 0.20 4.00
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.
3. 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 MAXIMIN: Se determina el valor mnimo de cada columna, (Lo

peor que puede pasar), luego se elige la accin de mayor valor ( A1 :5)
96
El criterio MAXIMAX: Se determina el valor mayor de cada columna, (Lo mejor

que puede pasar), luego se elige la accin de mayor valor ( A 4 :20)
El criterio del ARREPENTIMIENTO MINIMAX:
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.
Para el problema anterior:
Cantidad del Pedido

Demanda del A1 :5 A 2 :10 A 3 :15 A 4 :20
mercado
Arrepent. Arrepent. Arrepent. Arrepent.
E1 : 5 $ 3000 $ 1000 -$ 1000 -$3000
Arrepentimiento 0 2000 4000 6000
E2 : 10 3000 6000 4000 2000
E3 : 15 3000 6000 9000 7000
E 4 : 20 3000 6000 9000 12000
MAX.
9000 6000 4000 6000
ARREPENT.
4. TOMA DE DECISIONES BASNDOSE EN PROBABILIDADES Y CONSECUENCIAS

ECONMICAS O CRITERIO DEL PAGO ESPERADO O CRITERIO BAYESIANO.
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 (
A 3 :15).
Cantidad del Pedido

Demanda del A1 :5 A 2 :10 A 3 :15 A 4 :20
Probabilidad
mercado
pi xi1 pi xi2 pi xi3 pi xi4
E1 : 5 0.10 $ 300 $ 100 -$ 100 -$300
E2 : 10 0.30 900 1800 1200 600
E3 : 15 0.40 1200 2400 3600 2800
E 4 : 20 0.20 600 1200 1800 2400
xp( x ) O PAGO ESPERADO (PE) 3000 5500 6500 5500
97
TALLER 06
TEORA DE DECISIONES
Objetivo
Se trata de la formacin para la toma de decisiones con profesionalismo, o sea con
tcnica con ciencia.
Orientaciones
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 PROCEDIMIENTOS).
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 MAXIMIN Y MAXIMAX.
3. Para la tienda del problema anterior, determine la mejor decisin por el criterio del
arrepentimiento MINIMAX.
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.
Decisin de inversin
98
A1 A2 A3 A4 A5
Estado de la
Cuenta de Bonos Acciones de Acciones Opciones sobre
economa
ahorros corporativos alta calidad especulativas acciones
E1 : Recesin $600 $500 -$2500 -$5000 -$10000
E 2 : Estable 600 900 8000 400 -5000
E3 600 900 4000 10000 20000
: Expansin
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
3. Resuelva la parte operativa de casos de peritaje contable.
PARTE 3
1. Tome contacto con el INEI, organismo que administra los ndices, e investigue:
a. Los IPC anuales de los ltimos 15 aos.
b. Los IPC mensuales del ao 2010.
c. Los IPC mensuales de los meses transcurridos del ao 2011.
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 PROMEDIO PONDERADO.
Todos para el ao 2007, respecto al ao base 2002.
CONSUMO MENSUAL
PRECIO PROMEDIO
ARTCULO UNIDAD PER CAPITA
2002( p o ) 2007( p n ) 2002 ( q o ) 2007( q n )
ARROZ 5 KG. S/. 13.00 S/. 17.50 1.2 1.0
99
AZCAR 2 KG. 4.50 5.60 1.8 2.2

CARNE 1 KG. 13.00 18.00 2.0 1.5
FIDEOS 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.
Ao 2002 2003 2004 2005 2006 2007

Venta en
95420 156780 190595 200500 305600 320400
millones S/.
4. 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 INEI.
5. Las remuneraciones anuales de un trabajador fueron: 2000: S/. 5,200.00, 2001: S/. 6,000.00,
de 2002 a 2005: S/.7,200.00 anuales, de 2006 al 2007: S/. 8,600.00 anuales. Con los ndices del
INEI
a) Determine las remuneraciones en S/. Del 2000.

b) Deflacionar las remuneraciones a S/. Del 2006.
6.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
PROCEDIMIENTOS).
7. 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 MAXIMIN Y MAXIMAX.
8. Para la tienda del problema anterior, determine la mejor decisin por el criterio del
arrepentimiento MINIMAX.
9.Con referencia a los datos anteriores, determine la mejor decisin por el criterio
Bayesiano y de la ganancia esperada.
10. 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
100
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.
11. En la tabla siguiente se representan los pagos (rendimientos) asociados con cinco tipos
alternativos de decisiones de inversin para un perodo de 1 ao.
Decisin de inversin
A1 A2 A3 A4 A5
Estado de la
Cuenta de Bonos Acciones de Acciones Opciones sobre
economa
ahorros corporativos alta calidad especulativas acciones
E1 : Recesin $700 $600 -$1500 -$5000 -$11000
E 2 : Estable 700 800 6000 4000 -5000
E3 700 900 8000 10000 20000
: Expansin
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 SIMPLEX Y ANLISIS DE SENSIBILIDAD
La gerencia de la empresa en un entorno competitivo y globalizado exige una

administracin moderna, es decir con mtodos cuantitativos que optimice el funcionamiento de la
empresa, en esta realidad es que tratamos esta unidad
.
1. Comprende el conocimiento del Mtodo Simplex y el Anlisis de Sensibilidad,

aplicndolos a la optimizacin del funcionamiento de la empresa en un entorno
competitivo y globalizado.
2. Se determinan modelos matemticos representativos de diversas realidades

empresariales, los que se resuelven primero por el mtodo grfico, como una introduccin
al mtodo simplex.
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.

101
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

LINDO.
TEMA N 07: MTODO SIMPLEX.

TEMA N 08: ANLISIS DE SENSIBILIDAD.
TEMA 07
EL MTODO SIMPLEX
1. INTRODUCCIN.
El MTODO SIMPLEX 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
MATEMATICO representativo de una realidad, llamado "FUNCION OBJETIVO", sujeto a
RESTRICCIONES.
El ALGORITMO 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.
E1 . DE PROBLEMA DE PL.
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 NITRATO, el segundo de FOSFATO y el tercero
de POTASIO. 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 $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?
SOLUCIN.
DETERMINACIN DEL MODELO MATEMTICO.

Utilidad por Tn producida del fertilizante 5-5-10:
COSTO: NITRANO: 0.05 x $200 = $10.00
FOSFATO:0.05 x $80 = 4.00
POTASIO: 0.10 x $160 = 16.00
102
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: NITRANO: 0.05 x $200 = $10.00
FOSFATO: 0.10 x $80 = 8.00
POTASIO: 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 X1 Tn del 5-5-10 y X 2 Tn del 5-
10-5 producidas:
Max. Z= 18.5 X1 + 20 X 2 , " Funcin Objetivo" que debe maximizarse.
RESTRICCIONES DE LOS RECURSOS:

NITRATO: 0.05 X1 + 0.05 X 2 1100
FOSFATO: 0.05 X1 + 0.10 X 2 1800
POTACIO: 0.10 X1 + 0.05 X 2 2000
NO NEGATIVIDAD DE LA PRODUC. X1 ; X 2 0
SOLUCIN DEL MODELO:
MTODO GRFICO: No usable con ms de 3 variables. Se grafican las restricciones como

igualdades:
1) 0.05 X1 + 0.05 X 2 = 1100

X1 = 0: X 2 =22000: (0,22)
X 2 =0: X1 =22,000: (22,0)
2) 0.05 X1 + 0.10 X 2 =1800

X1 = 0: X 2 =18000: (0,18)
X 2 = 0: X1 =36000: (36,0)
3) 0.10 X1 + 0.05 X 2 = 2000

X1 = 0: X 2 = 40,000: (0,40)
X 2 = 0: X1 = 20,000: (20,0)

1) 2) = C 8,14
1) 3) =
D18,4
103
Se grafican las rectas, a partir de estas se interpretan las restricciones, obtenindose el

POLGONO DE SOLUCIONES FACTIBLES.
SE GRAFICA Z = 18.5 X1 + 20 X 2 como familia de rectas con Z de parmetro:
Z = 0: 18.5 X1 + 20 X 2 = 0
X1 = 0 X 2 = 0: (0,0);
X1 =10 X 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 =
C 8,14 Z = 18.5 (8,000) + 20 (14,000) = $428,000.00.
LA PRODUCCIN QUE OPTIMIZA Z ES: 8,000 Tn del 5-5-10 y 14,000 Tn del 5-10-5,
alcanzando la utilidad mxima de $428, 000.00.
OBSERVACIONES:
1. La siguiente tabla muestra los vrtices factibles con sus correspondientes valores de la
"FUNCIN OBJETIVO":
VERTICE PROD. X1 PROD. X 2 UTILIDAD Z

A 0 0 $ 0
B 0 18,000 360,000
C 8,000 14,000 428,000
D 18,000 4,000 413,000
E 20,000 0 370,000
2. Cuando se busca una solucin ptima, solo debe considerarse los vrtices del polgono; que
se obtienen por solucin simultnea de las ecuaciones lineales que los determinan.
3. Lo anterior sugiere un procedimiento de solucin basado en la solucin simultnea de

ecuaciones y pasando de un vrtice a otro, hasta llegar a la solucin ptima. Esta es la forma
como funciona el ALGORITMO denominado MS, cuya ventaja es manejar ms de 2 variables.
MTODO SIMPLEX
La primera etapa del MS consiste en convertir las restricciones en ecuaciones lineales,

agregando a los primeros miembros VARIABLES DE HOLGURA y a las restricciones en
ecuaciones lineales, restando a los primeros miembros VARIABLES DE EXCESO, ambas
variables son mayores o iguales que cero; y obtener un modelo modificado.
Para el ejm. el modelo modificado es:
Z - 18.50 X1 - 20 X 2 +
os1 + os2 + os3 = 0
0.05 X1 + 0.05 X 2 +
s1 + os2 +
os3 = 1100
104
0.05 X1 + 0.10 X 2 +
os1 + s2 + os3 = 1800
0.10 X1 + 0.05 X 2 +
os1 + os2 + s3 = 2000
Normalmente un sistema de ecuaciones puede resolverse cuando el nmero de ecuaciones es
igual al nmero de incgnitas. Sin embargo, m ecuaciones con n incgnitas con n m se resuelve
aplicando el TEOREMA BSICO DEL ALGEBRA, que sostiene, que si existe solucin, puede
determinarse igualando a cero n - m variables y resolviendo el conjunto de m ecuaciones
con m incgnitas resultante. Las variables que se igualan a cero se denominan NO BASICAS y
las que se usan para resolver el sistema BSICAS.
n!
Con m ecuaciones y n incgnitas para n m, existen m! n m ! soluciones bsicas; para el
ejemplo hay 10 soluciones bsicas, de las cuales 5 corresponden a los vrtices del polgono y las
otras 5 resultan no factibles porque las variables no cumplen la NO NEGATIVIDAD. Observemos
el siguiente cuadro:
SOLUCION X1 X2 s1 s2 s3 Z
1 0 0 1100 1800 2000 $ 0
2 0 22000 0 -400 900 NO FACT.
3 0 18000 200 0 1,100 360,000
4 0 40000 -900 -2200 0 NO FACT.
5 36,000 0 -700 0 -1,600 NO FACT.
6 20,000 0 100 800 0 370,000
7 22,000 0 0 900 -200 NO FACT.
8 8,000 14000 0 0 500 428, 000
9 18,000 4000 0 500 0 413, 000
10 14,666.6 10,666.6 -166.6 0 0 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.
E1 . Resolver por el MS: MAX Z= 2 X1 + 12 X 2 + 8 X 3
S. a. 2 X1 + 2 X 2 + X 3 100
X1 - 2 X 2 + 5 X 3 80
10 X1 + 5 X 2 + 4 X 3 300
X1 , X 2 , X 3 0
SOLUCIN.Modelo modificado:
s s s
Z - 2 X1 - 12 X 2 - 8 X 3 + 0 1 + 0 2 + 0 3 = 0
105
s s
2 X1 + 2 X 2 + X 3 + 1 + 0 2 + 0 3
s =100
X1 - 2 X 2 + 5 X 3 + 0 s1 + s2 + 0 s3 = 80
s s
10 X1 + 5 X 2 + 4 X 3 + 0 1 + 0 2 +
s3 =300
Los clculos estn en la siguiente TABLA
CC1 a ik CC2
(INICIAL)
BASE Z X1 X2 X3 s1 s2 s3 Bi R FORMULA bi / a ik
I. Z 1 -2 -12 -8 0 0 0 0 (0) Ro
s1 0 2 2 1 1 0 0 100 (1) R1 100/2=50 FC1
s2 0 1 -2 5 0 1 0 80 (2) R2
s3 0 10 5 4 0 0 1 300 (3) R3 300/5 = 60
II. 1 10 0 -2 6 0 0 600 (0)' R '0 R 0 6R1

Z
X2 0 1 1 1/2 1/2 0 0 50 (1)' R '1 1 2 R1 50 1 2 = 100
S2 0 3 0 6 1 1 0 180 (2)' R '2 R 2 R 1 180 6 =30 FC2
s3 0 5 0 3/2 -5/2 0 1 50 (3)'
R '3 R 3 5 2 R1 50 3 2 =33.3
III. 1 11 0 0 19/3 1/3 0 660 (0)'' R ' '0 R '0 1 3 R '2

Z
X2 0 3/4 1 0 5/12 -1/12 0 35 (1)'' R ' '1 R '1 1 12 R '2
X3 0 1/2 0 1 1/6 1/6 0 30 (2)'' R ' '2 1 6 R '2
s3 0 17/4 0 0 -11/4 -1/4 1 5 (3)''
R ' '3 R '3 1 4 R '2
TODOS LOS ELEMENTOS DE LA FILA R ' '0 son 0 LA SOLUCIN ES OPTIMA, Y:

X1 =0 s1 =0 Z= 2(0) + 12(35) + 8(30) = 660
X 2 =35 s2 =0
X 3 =30 s3 =5
E 2 . Resolver por el mtodo Simplex el problema de los fertilizantes.
E 3 .La Uncle Brown de Elks, Nevada, fabrica tres variedades de whiskey. Los principales
elementos relacionados con la produccin y venta del whiskey se dan en la tabla. Plantee el
problema de PL.
106
Marca
Idaho Montana Old Cantidad

Recurso Moon Madness Stumpwater disponible
Maz (bshels/galn) 5 3 1 1000 bshels

Azcar (libras/galn) 4 2 2 1000 libras
T. de entrega (horas/galn) 1 2 2 400 horas
Utilidad ($/galn) $20 $15.5 $10
E 4 . En la figura se muestran las tablas inicial y ptima obtenidas con el software SIMPLEX para el
problema anterior. Interprete los valores iniciales y resultados finales:
TABLEAU 1
C (J) 20.00 15.50 10.00 0.00 0.00 0.00
C (J) BASIS 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' (OPTIMAL SOL) INVECTOR IS X (3) OUT VECTOR IS X (6)

C (J) 20.00 15.50 10.00 0.00 0.00 0.00
C (J) BASIS 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 OBJECTIVE FUNCTION IS 4666.67
MINIMIZACIN.
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.
Igual que la maximizacin, se trata de determinar el MODELO MATEMTICO que se debe

minimizar, consistente en una "FUNCIN OBJETIVO" sujeta a RESTRICCIONES, 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 SIMPLEX, se restan a los primeros miembros de las restricciones de la
forma mayor o igual ( ), las variables de exceso y se suman VARIABLES ARTIFICIALES.
E1 . MINIMIZAR: Z = 5 X1 + 6 X 2
St. X1 + X 2 10
2 X1 + 4 X 2 2
107
X1 , X 2 0
SOLUCIN.
METODO GRFICO:
1) X1 + X 2 = 10 X1 =0 : X 2 =10:(0,10)
X 2 =0 : X1 =10:(10,0)
2) 2 X1 + 4 X 2 = 24 X1 =0 : X 2 = 6:(0,6)
X 2 =0 : X1 =12:(12,0
1) 2) : 2 X1 + 2 X 2 = 20
2 X1 + 4 X 2 = 24
2 X 2 = 4 X 2 =2: X1 =8: A(8,2)
"F. OBJETIVO"
Z=0:5 X1 + 6 X 2 = 0 X1 =0: X 2 =0:(0,0)
X1 =6: X 2 =-5:(6,-5)
Z= 5 X1 + 6 X 2 = 5 (8) + 6 (2) = 52 MIN
El mnimo es 52 y se produce para X1 =8, X 2 =2.
MTODO SIMPLEX.
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 X1 - 6 X 2 + 0 E1 + 0 E 2 - M A1 - M A 2 = 0
X1 + X 2 - E1 + 0 E 2 + A1 + 0 A 2 = 10
2 X1 + 4 X 2 + 0 E1 - E 2 + 0 A1 + A 2 = 24
Y la solucin matricial como sigue:
cc2 cc1(a >0) Se llevan aceros
bi/ a ik
BASE Z X1 X2 E1 E2 A1 A2 bi FORMULA
I. Z 1 -5 -6 0 0 -M -M 0 R0
A1 0 1 1 -1 0 1 0 10 R1
A2 0 2 4 0 -1 0 1 24 R2
II. Z 1 -5+3M -6+5M -M -M 0 0 34M R '0 R 0 MR1 MR 2

108
A1 0 1 1 -1 0 1 0 10 R '1 R1 10/2=10
A2 24/4=6 1
0 2 4 0 -1 0 1 24 R'2 R 2
III. Z 1 -2+1/2M 0 -M -3/2+1/4M 0 3/2- 5/4M 36+4M R ' '0 R '0 (6 5M )R ' '2
A1 0 1/2 0 -1 1/4 1 -1/4 4 R ' '1 R '1 R ' '2 4/1/2=8 2
X2 0 1/2 1 0 -1/4 0 1/4 6 6/1/2=12
R ' ' 2 1 / 4 R '2
IV. Z 1 0 0 -4 -1/2 4-M 1/2-M 52 R ' ' '0 R ' '0 (2 M / 2)R ' ' '1
X1 0 1 0 -2 1/2 2 -1/2 8 R ' ' '1 2R ' '1
X2 0 0 1 1 -1/2 -1 1/2 2 R ' ' '2 R ' '2 1 / 2R ' ' '1
Los coeficientes del rengln R ' ' '0 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 X1 =8 i X 2 =2 minimizan la funcin objetivo, siendo Z=52.
E 2 . Resolver por el mtodo grfico y por el MS:
MINIMIZAR: Z= 120 X1 + 260 X 2

S.a. : 3 X1 + 4 X 2 5
2 X1 + 6 X2 6
X1 , X 2 0
TALLER 07
EL MTODO SIMPLEX
Objetivo
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.
Orientaciones
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.
MAXIMIMAR Z= 10 X1 + 14 X 2
SUJETO A 4 X1 + 6 X 2 24
2 X1 + 6 X 2 20
109
X1 , X 2 0
Cules son los valores de las variables bsicas en cada iteracin?
2. Resuelva el siguiente problema utilizando el mtodo simplex.
MAXIMIMAR Z= 2 X1 + X 2 + 3 X 3
SUJETO A X1 + X 2 + 2 X 3 400
2 X1 + X 2 + X 3 500
X1 , X 2 , X 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:
MAXIMIZAR Z= 8 X1 + 12 X 2 + 10 X 3
SUJETO A 2 X1 + 4 X 2 + 2 X 3 60
9 X1 + 4 X 2 + 16 X 3 242
5 X1 +4 X 2 +6 X 3 125 X1 , X 2 , X 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. En seguida se presenta un planteamiento de programacin
lineal para el problema:
Sean: X1 = toneladas de carga normal que se transportan X 2 = toneladas de carga frgil que se
transportan.
110
MAXIMIZAR: Z= 1000 X1 + 1000 X 2

SUJETO A: X2 5
X1 20
X 2 10
X1 + X 2 28
-2/3 X1 + X2 1
X1 , X 2 0
a. Resuelva el problema utilizando el mtodo simplex.

b. Interprete las variables de holgura para el problema.
c. Tiene el problema un ptimo alternativo? Explique su respuesta.
TEMA 08
1. DUALIDAD.
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:
MAXIMIZAR Z P = c1X1 + c 2X 2 + c3X 3

SUJETO A a11X1 + a12X 2 + a13X3 b1
a 21X1 + a 22 X 2 + a 23X3 b 2
a 31X1 + a 32X 2 + a 33X3 b3
X1 , X 2 , X 3 0
el problema dual correspondiente de minimizacin es:
111
MINIMIZAR Z d = b1y1 + b 2 y 2 + b 3 y3
SUJETO A a11y + a 21y 2 + a 31y3 c1

a12 y1 + a 22 y 2 + a 32 y3 c 2
a13 y1 + a 23y 2 + a 33 y3 c3
y1 , y 2 , y3 0
Donde y1 , y 2 , y3 representan las variables duales.
Una relacin importante entre el primal y el dual es que:
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.
PRIMAL: DUAL:
MAX. Z= 18.5 X1 + 20 X 2 MIN. Z= 1100 y1 + 1800 y 2 + 2000 y3
S.a. 0.05 X1 + 0.05 X 2 1100 S. a. 0.05 y1 + 0.05 y 2 + 0.10 y3 18.5
0.05 X1 + 0.10 X 2 1800 0.05 y1 + 0.10 y2 + 0.05 y3 20.0
0.10 X1 + 0.05 X 2 2000 y1 , y 2 , y3 0

X1 , X 2 0
Donde: X1 y X 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.
y1 , y 2 , y3 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.
Obsrvese que:
0.05 y1 es el valor en dlares con que el nitrato contribuye a la produccin de una tonelada del
fertilizante 1 0.05 y 2 , es el valor de la contribucin en dlares del fosfato, y 0.10 y3 es el valor
en dlares de la contribucin del potasio.
Y la suma 0.05 y1 +0.05 y 2 +0.10 y3 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.
112
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", MENOR o IGUAL y DE "IGUALDAD".
Supongamos el siguiente problema primal:
MAXIMIZAR Z = c1X1 + c 2 X 2 + c 3X 3
SUJETO A a11X1 + a12X 2 + a13X3 b1

a 21X1 + a 22 X 2 + a 23X3 b 2
a 31X1 + a 32X 2 + a 33X3 b3
X1 , X 2 , X 3 0
Antes de ir al dual, las dos ltimas restricciones deben convertirse en restricciones menor o
igual, resultando:
MAXIMIZAR: Z = c1X1 + c 2 X 2 + c3X 3
SUJETO A: a11X1 + a12X 2 + a13X3 b1
- a 21X1 - a 22X 2 - a 23X3 - b 2

a 31X1 + a 32X 2 + a 33X3 b3
- a 31X1 - a 32X 2 - a 33X3 - b3

X1 , X 2 , X 3 0
'
Y el dual es: MINIMIZAR: Z= b1y1 - b 2 y 2 + b3 y3 - b3 y3
SUJETO A: a 11y1 - a 21y 2 + a 31y3 - a 31y3' c1
a12 y1 - a 22 y 2 + a 32 y3 - a 32 y3' c 2
a13 y1 - a 23y 2 + a 33 y3 - a 33 y3' c3
y1 , y 2 , y3 , y3' 0
E1. MAXIMIZAR: Z= 10 X1 + 20 X 2
SUJETO A: X1 + 3 X 2 60
-2 X1 + X 2 40
4 X1 + 2 X 2 30
X1 , X 2 0
El problema es: MAXIMIZAR: Z= 10 X1 + 20 X 2

SUJETO A: X1 + 3 X 2 60
2 X1 - X 2 -40
4 X1 + 2 X 2 30
113
-4 X1 - 2 X 2 -30
X1 , X 2 0
'
Y su dual es: MINIMIZAR: Z = 60 y1 - 40 y 2 + 30 y3 - 30 y3
SUJETO A: y1 + 2 y 2 + 4 y3 - 4 y3' 10
3y1 - y 2 + 2 y3 - 2 y3' 20
y1 , y 2 , y3 , y3' 0
RELACION ENTRE SOLUCIN PTIMA PRIMAL Y SOLUCIN PTIMA DUAL.
Las soluciones del primal y del dual para el caso de los fertilizantes se tienen en las siguientes
tablas:
PRIMAL.
Z - 18.5 X1 - 20 X 2 + 0S1 + 0S2 + 0S3 = 0
0.05 X1 + 0.05 X 2 + S1 + 0S2 + 0S3 = 1100
0.05 X1 + 0.10 X 2 + 0S1 + S2 + 0S3 = 1800
0.10 X1 + 0.05 X 2 + 0S1 + 0S2 + S3 = 2000
cc2 cc1
BASE Z X1 X2 S1 S2 S3 bi FORMULA bi/aik
Z 1 -18.5 -20 0 0 0 0 R0
S1 0 0.05 0.05 1 0 0 1100 R1 22000
S2 0 0.05 0.10 0 1 0 1800 R2 18000 FC1
S3 0 0.10 0.05 0 0 1 2000 R3 40000
II. Z 1 -8.5 0 0 200 0 360000 R '0 R 0 20 R '2

S1 0 0.025 0 1 -0.5 0 200 R1' R1 0.05R '2 8000 FC2
X2 0 0.5 1 0 10 0 18000 R '2 1 / 0.10 R 2 36000
S3 0 0.075 0 0 -0.5 1 1100 R 3' R 3 0.05 R '2 14667
III. Z 1 0 0 340 30 0 428000 R '0' R '0 8.5R1''

X1 0 1 0 40 -20 0 8000 R1'' 1 / 0.025 R1'
X2 0 0 1 -20 20 0 14000 R '2' R '2 0.5R 1''
S3 0 0 0 -3 1 1 500 R 3'' R 3' 0.075 R 1''
''
Los coeficientes de R 0 para las variables bsicas y no bsicas son 0, luego se trata de una
matriz terminal ptima.
114
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 y1 - 1800 y 2 - 2000 y3 + 0 E1 + 0 E 2 - 20000 1 - 20000 2 = 0
0.05 y1 + 0.05 y 2 + 0.10 y3 - E1 + 0 E 2 + 1 + 0 2 =18.5
0.05 y1 + 0.10 y 2 + 0.05 y3 + 0 E1 - E 2 + 0 1 + 2 =20
cc3 cc2 cc1

BASE Z y1 y1 y3 E1 E2 1 2 bi R , R ' .R '' , R ''' , R ' bi/aik
Z 1 -1100 -1800 -2000 0 0 -20000 -20000 0 R0

1 0 0.05 0.05 0.10 -1 0 1 0 18.5 R1
2 0 0.05 0.10 0.05 0 -1 0 1 20 R2
Z 1 900 1200 1000 -20000 -20000 0 0 770000 R 0 20000 R 1 20000R 2
1 0 0.05 0.05 0.10 -1 0 1 0 18.5 R1 185
2 0 0.05 0.10 0.05 0 -1 0 1 20 R2 400
Z 1 400 700 0 -10000 -20000 -10000 0 585000 R '0 1000 R1''
y3 0 0.5 0.5 1 -10 0 10 0 185 ' 370
1/0.10 R 1
2 0 0.025 0.075 0 0.5 -1 -0.5 1 10.75 R '2 0.05 R 1''
143
1 500 0 0 44000 32000 16000 28000 1'454000 R '0' 700 R '2''

3 3 3 3 3 3
y3 0 1/3 0 1 -40/3 20/3 40/3 -20/3 340/3 R1'' 0.5R '2'' 340
y2 0 1/3 1 0 20/3 -40/3 -20/3 40/3 430/3 430
1 0 0 -500 -8000 -14000 -12000 -6000 428000 R '0'' 500 / 3R 1'
y1 0 1 0 3 -40 20 40 -20 340 3R1'''

y2 0 0 1 -1 20 -20 -20 20 30 R '2'' 13 R1'
Los coeficientes del rengln Z para las variables bsicas y no bsicas son 0 , luego se trata
de una matriz terminal u ptima.
La solucin del problema dual da como resultado Zd 428000 , que es igual al valor ptimo de
Z 428000 .
la funcin objetivo del problema primal p
Obsrvese que la disponibilidad de nitrato es 1100 y la contribucin al valor de la funcin
objetivo en el dual es 1100 y1 ; si se aumentara la disponibilidad de nitrato en una unidad, la
contribucin al valor de la funcin objetivo sera (1100+1) y1 o 1100 y1 + y1 , es decir aumentar
115
Z
en el valor de la variable dual correspondiente y1 y dado que p es igual a
Zd en el nivel ptimo, un aumento de una unidad de nitrato dar como resultado un aumento
en el valor de la funcin objetivo del primario en una cantidad equivalente a y1 ;

consecuentemente, una disminucin unitaria en el nivel de un recurso dar como resultado
una disminucin en el valor de la funcin objetivo en la solucin ptima del problema primario
en una cantidad equivalente al valor de la variable dual correspondiente .
Para el ejemplo esto significa, que un aumento de la tonelada en la disponibilidad de nitrato

da como resultado $340 de aumento en las utilidades; un aumento en una tonelada en el uso
de fosfato da como resultado un aumento de $30 en las utilidades y un aumento en la
disponibilidad de potasio no tendra impacto en las utilidades, pues en las solucin primal
existen 500 toneladas de potasio sin utilizar.
Para resolver el dual, adems de resolver el primal, se requiere un esfuerzo doble, por
fortuna, los valores de las variables duales se encuentran en la tabla ptima del primal, debido
a la existencia de una correspondencia uno a uno entre las variables duales y las variables de
holgura; as mismo la solucin del problema primal aparece en la tabla ptima del dual, ya que
la correspondencia uno a uno se da entre las variables primales y las variables de exceso.
Los valores de las variables artificiales en el dual no tienen ningn significado en el problema
primal; estas se utilizan solo para tener una solucin factible bsica inicial y en la solucin
factible ptima valen cero.
INTERPRETACIN ECONMICA DEL DUAL.
y1 =340 1Tn adicional de nitrato produce $340 adicionales de utilidad.

y 2 = 30 1Tn adicional de fosfato produce $30 adicionales de utilidad.
y3 = 0 No se obtienen utilidades adicionales al aadir toneladas extras de potasio.
Es decir, desde el punto de vista de la toma de decisiones en la administracin, las variables

duales indican la cantidad extra que se estara en disposicin de pagar por una unidad
adicional de un recurso especfico. Para el ejemplo, significa que por los recursos escasos se
podra pagar hasta:
NITRATO: $200 + $340 = $540

FOSFATO: HASTA $80 + $30 = $110
En este caso, el aumento neto en la utilidad por tonelada adicional de recurso ser la
diferencia entre el valor de la variable dual correspondiente y el adicional al precio que se
pague. As, si el proveedor cobrara $10 adicionales por tonelada de fosfato que exceda de
1800 toneladas, todava se obtendran $20 adicionales de utilidad por tonelada de fosfato; si
el aumento extra fuera de $31, no estaramos dispuestos a comprar fosfato adicional.
2. ANLISIS DE SENSIBILIDAD.
116
El anlisis de sensibilidad es un mtodo que investiga el efecto que tienen los cambios en
los parmetros de un problema de PL en la solucin ptima.
Pueden cambiar: Los coeficientes de la funcin objetivo.

Los valores del segundo miembro de las restricciones.
Los valores de los coeficientes de las restricciones.
Es frecuente que los coeficientes de la funcin objetivo o los valores del segundo miembros de las
restricciones sean estimaciones, de ah la importancia de analizar la sensibilidad de la solucin
ptima a cambios de estos parmetros; en cambio, el impacto de los cambios en los coeficientes de
las restricciones es de menor importancia, porque estos se obtienen de la tecnologa del problema
generalmente son valores reales y no estimaciones. Por estas razones, se consideran solo los
cambios en los coeficientes de la funcin objetivo y en los valores del segundo miembro de las
restricciones.
Para explicar el anlisis de sensibilidad utilizamos el ejemplo inicial visto en Mtodo

Simplex de los fertilizantes; recordemos que la solucin ptima era fabricar 8000 Tn del 5-5-
10 y 14000 Tn del 5-10-5, maximizando las utilidades a $ 428, 000.00.
Ahora, aunque las disponibilidades y costos de las materias primas no han cambiado, la
compaa desea considerar la fabricacin de un tercer producto, un fertilizante 5-5-5, que
puede venderse a $60 la Tn; igual, debe fabricarse la combinacin de fertilizantes que
maximice las utilidades.
Para plantear el problema, sea X 3 las Tn del 5-5-5 que deben fabricarse, la contribucin a
las utilidades resulta de $14.50 por Tn y el modelo es:
Maximizar : Z= 18.5 X1 + 20 X 2 + 14.5 X3

S. a. : 0.05 X1 + 0.05 X 2 + 0.05 X 3 1100
0.05 X1 + 0.10 X 2 + 0.05 X 3 1800
0.10 X1 + 0.05 X 2 + 0.05 X3 2000
X1 , X 2 , X 3 0
Utilizando el MS para resolver el problema se tiene:
Z - 18.5 X1 - 20 X 2 - 14.50 X 3 + 0S1 + 0S2 + 0S3 = 0

0.05 X1 + 0.05 X 2 + 0.05 X 3 + S1 + 0S2 + 0S3 = 1100
0.05 X1 + 0.10 X 2 + 0.05 X3 + 0S1 + S2 + 0S3 = 1800
0.10 X1 + 0.05 X 2 + 0.05 X3 + 0S1 + 0S2 + S3 = 2000
117
cc2 cc1
BASE Z X1 X2 X3 S1 S2 S3 bi FORMULA bi/aij
Z 1 -18.5 -20 -14.5 0 0 0 0 R0

S1 0 0.05 0.05 0.05 1 0 0 1100 R1 22000
S2 0 0.05 0.10 0.05 0 1 0 1800
R2 18000 FC1
S3 0 0.10 0.05 0.05 0 0 1 2000 40000
R3
. Z 1 -8.5 0 -4.5 0 200 0 360000 R '0 R 0 20 R '2
S1 0 0.025 0 0.025 1 -0.5 0 200 R1' R1 0.05R '2 8000 FC2
X2 0 0.5 1 0.5 0 10 0 18000 R '2 1 / 0.10 R 2 36000
S3 0 0.075 0 0.025 0 -0.5 1 1100 R 3' R 3 0.05R '2 14667
I. Z 1 0 0 4 340 30 0 428000 R '0' R '0 8.5R1''

X1 0 1 0 1 40 -20 0 8000 R1'' 1 / 0.025 R1'
X2 0 0 1 0 -20 20 0 14000 R '2' R '2 0.5R 1''
S3 0 0 0 -0.05 -3 1 1 500 R 3'' R 3' 0.075 R 1''
''
Los coeficientes del rengln R 0 para las variables bsicas y no bsicas todos son 0, por
consiguiente se trata de una matriz ptima.
La solucin es X1 =8000, X 2 = 14000, X 3 =0, S1 =0, S2 =0 i S3 =500 y Z mxima $428000.00
Es decir una solucin igual a la del problema original de los productos; o sea debe fabricarse
8000 Tn del 5-5-10 y 14000 Tn del 5-10-5, obtenindose las mismas utilidades de
$428000.00; solucin que significa que el programa de produccin puede seguir sin
modificarse.
Pero, se sabe que fabricar el 5-5-5 es de importancia para la empresa, por razones de
mercadotecnia, aunque no se pueden sacrificar utilidades para fabricar alguna cantidad del 5-
5-5, sin embargo se tiene la posibilidad de aumentar el precio de este producto a fin de que
resulte rentable. Tambin se avizora una posible reduccin del precio del 5-5-10 debido a que
la competencia ha reducido su precio del fertilizante. Se informa tambin para el mes
siguiente una reduccin de la disponibilidad de nitrato.
Por todas estas razones, la compaa debe revisar la decisin de continuar fabricando
solo dos fertilizantes, para incluir en el anlisis los problemas planteados. Para
comprenderlos, es necesario analizarlos por separado; por ejemplo, para analizar el aumento
118
del precio del 5-5-5, supondremos que la disponibilidad de nitrato permanecer

constante; para analizar la disponibilidad de nitrato, supondremos que la contribucin del 5-5-
5 a las utilidades es el valor actual de $14.50.
CAMBIO EN EL COEFICIENTE DE UNA VARIABLE NO BSICA DE LA FUNCIN

OBJETIVO.
La sensibilidad de la solucin ptima a cambios de los coeficientes de la funcin

j cj
objetivo puede determinarse aadiendo al coeficiente , obtenindose como nuevo
c cj j
coeficiente: j
j
Es posible determinar que tan grande debe ser a partir del requerimiento de optimidad en

la tabla ptima. La sensibilidad se mide por j , si consideramos el intervalo de costos sobre
los cuales la solucin ptima existente sigue siendo ptima. Si consideramos el fertilizante 5-
5-5 X3 al nuevo preciode $ 60 + 3 , la contribucin a las utilidades ser $14.5 + 3 y la
nueva tabla la siguiente:
cc2 cc1
BASE Z X1 X2 X3 S1 S2 S3 bi FORMULA bi/aij
I. Z 1 -18.5 -20 -14.5- 0 0 0 0 R0

3
S1 0 0.05 0.05 0.05 1 0 0 1100 R1 22000
S2 0 0.05 0.10 0.05 0 1 0 1800
R2 18000 FC1
S3 0 0.10 0.05 0.05 0 0 1 2000 40000
R3
-4.5- 3
II. Z 1 -8.5 0 0 200 0 360000 R '0 R 0 20 R '2
S1 0 0.025 0 0.025 1 -0.5 0 200 R1' R1' 0.05 R '2 8000 FC2
X2 0 0.5 1 0.5 0 10 0 18000 R '2 1 / 0.10 R 2 36000
S3 0 0.075 0 0.025 0 -0.5 1 11000 R 3' R 3 0.05R '2 14667
4 - 3
III. Z 1 0 0 340 30 0 428000 R '0' R '0 8.5R1''
X1 0 1 0 1 40 -20 0 8000 R1'' 1 / 0.025 R1'
X2 0 0 1 0 -20 20 0 14000 R '2' R '2 0.5R 1''
S3 0 0 0 -0.05 -3 1 1 500 R 3'' R 3' 0.075 R 1''
Considerando la optimidad de X 3 antes de que se vuelva bsica:

4 - 3 0 (1)
Luego : 3 4
O tambin: 14.5 3 4 14.5

119
c 3 18.5
Esto indica que si el precio de X3 se incrementa hasta $4, su contribucin a las utilidades
sera hasta $18.50 y entonces la produccin de X3 no sera rentable. Si el precio aumentara
exactamente $4, se llegara a un punto de decisin en el que podra fabricarse X3 , sin obtener
utilidades adicionales, es decir la utilidad seguira siendo $428, 000.00; sera una solucin
alternativa con la misma utilidad. En cambio, si 3 >4, la contribucin a las utilidades de X3
sera mayor que 18.5, entonces la produccin de X3 sera rentable y X3 entrara a la base,
cambiando la solucin ptima anterior.
CAMBIO EN EL COEFICIENTE DE UNA VARIABLE BSICA DE LA FUNCIN

OBJETIVO.
Para el anlisis utilizaremos el fertilizante 5-5-10. Estaremos interesados en saber cual

es el valor mximo en el que puede cambiar este coeficiente bsico de utilidades antes de
cambiar las variables bsicas restantes en la solucin ptima. En el caso de variables que si
son bsicas deben considerarse tanto aumentos como disminuciones en los coeficientes de
cj cj j
contribucin, Sea la nueva contribucin: , que afectara a ms de una columna de la
tabla simplex. Para el ejemplo veamos para X1 : c1 c1 1 18.5 1
cc2 cc1
BASE Z X1 X2 X3 S1 S2 S3 bi R FRMULA bi/aij
-18.5- 1
I. Z 1 -20 -14.5 0 0 0 0 R0
S1 0 0.05 0.05 0.05 1 0 0 1100 R1 22000
S2 0 0.05 0.10 0.05 0 1 0 1800
R2 18000 1
S3 0 0.10 0.05 0.05 0 0 1 2000 40000
R3
-8.5- 1
II. Z 1 0 -4.5 0 200 0 R '0 R 0 20 R '2
S1 0 0.025 0 0.025 1 -0.5 0 200 R1' R1' 0.05 R '2 8000 2
X2 0 0.5 1 0.5 0 10 0 18000 R '2 1 / 0.10 R 2 36000
S3 0 0.075 0 0.025 0 -0.5 1 1100 R 3' R 3 0.05 R '2 14667
III. Z 1 0 0
4+ 1
340+ 30-20 0 428000+ R '0' R '0 8.5 1 R1''
40 1
1 8000 1
X1 0 1 0 1 40 -20 0 8000 R1'' 1 / 0.025 R1'
X2 0 0 1 0 -20 20 0 14000 R '2' R '2 0.5R 1''
S3 0 0 0 -0.05 -3 1 1 500 R 3'' R 3' 0.075 R 1''
Considerando las condiciones de optimidad se tiene:

120
Para X 3 : 4 + 1 0 1 4
Para S1 : 340 + 40 1 0 1 8.5
Para S2 : 30 - 20 1 0 1 1.5
O sea los cambios de c1 son 4 1 1.5
o las utilidades de X1 quedan entre c1 4 y c1 1.5
o lo que es lo mismo c1 4 c1 1 c1 1.5
18.5 - 4 c1 18 .5 1.5
14.5 c1 20
Para determinar el intervalo apropiado de utilidades se pueden generalizar los resultados con
dos reglas:
j g i
1. Si existen varias condiciones de la forma
se elige la que tenga el g i ms cercano a cero.
j hi
2. Si existen varias condiciones de la forma
se elige la que tenga el h i 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 X1 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 1 25 18.5 6.5 , obtenindose nueva Tabla:
BASE Z X1 X2 X3 S1 S2 S3 bi R
III. Z 1 0 0 10.5 600 -100 0 480000 R '0'
X1 0 1 0 1 40 -20 0 8000
X2 0 0 1 0 -20 20 0 14000 700
S3 0 0 0 -0.05 -3 1 1 500 500
''
El valor total de la funcin objetivo ha aumentado a $480000.00, sin embargo en la fila R 0 hay
un valor negativo de -100 para S2 , esto implica que la solucin no es ptima y que S2 debe
entrar en la base para volver a la optimidad. A partir de la Tabla anterior, la nueva Tabla sera:
BASE Z X1 X2 X3 S1 S2 S3 bi R
IV. 1 0 0 5.5 300 0 100 530000 R '0'' R '0' 100 R 3'''
Z
121
X1 0 1 0 0 -20 20 18000 R 1''' R 1'' 20 R 3'''

0
X2 0 0 1 1 40 -20 4000
0
S2 0 0 0 -0.05 -3 1 500 R '2'' R '2' 20 R '2''
1
R 3''' R 3''
'''
Como en R 0 todos son 0, la solucin es ptima, y X1 =18,000, X 2 =4000 i ZM AX =
$530,000.00
CAMBIOS EN LOS SEGUNDOS MIEMBROS DE LAS RESTRICCIONES.
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 + N en donde N es positivo o negativo para reflejar aumentos
o disminuciones en la disponibilidad del nitrato. La solucin es:
cc2 cc1
BASE Z X1 X2 X3 S1 S2 S3 bi R bi/aij
I. Z 1 -18.5 -20 -14.5 0 0 0 0 R0
1100+ N 22000+20 N
S1 0 0.05 0.05 0.05 1 0 0 R1
S2 0 0.05 0.10 0.05 0 1 0
1800 R2 18000 1
S3 0 0.10 0.05 0.05 0 0 1
2000 R3 40000
II. Z 1 -8.5 0 -4.5 0 200 0 360000 R '0 R 0 20 R '2

S1 0 0.025 0 0.025 1 -0.5 0
200+ N R1' R1 0.05 R '2 8000+ N /0.025 2
X 2 0 0.5 1 0.5 0 10 0 R '2 1 / 0.10 R 2
18000 36000
S3 0 0.075 0 0.025 0 -0.5 1
1100 R 3' R 3 0.05 R '2 14667
428000+340 N
III. Z 1 0 0 4 340 30 0 R '0' R '0 8.5R1''
8000+40 N
X1 0 1 0 1 40 -20 0 R1'' 1 / 0.025 R1'
X2 0 0 1 0 -20 20 0 R '2' R '2 0.5R 1''
S3 14000-20 N
0 0 0 -0.05 -3 1 1 R 3'' R 3' 0.075 R 1''
500-3 N
Por la no negatividad de la solucin, se tiene:
X1 : 8000 40 N 0 N 200
X2 : 14000 20 N 0 N 700
S3 : 500 3 N 0 N 166 .67
De donde: 200 N 166 .67

122
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 variablesde la solucinptima 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:
1100 200 b N 1100 166 .67 900 b N 1266 .67
Si el cambio actual N , se encuentra en los lmites que se han dado, puede seguirse
utilizando el mismo mtodo para calcular los nuevos valores de la solucin y de la funcin
objetivo. Por ejemplo, si la disponibilidad de nitrato se reduce en 100 Tn, entonces N = -100
y la nueva solucin sera:
BASE Z X1 X2 X3 S1 S2 S3 bi
III. Z 1 0 0 4 340 30 0 394000
X1 0 1 0 1 40 -20 0 4000
X2 0 0 1 0 -20 20 0 16000
S3 0 0 0 -0.05 -3 1 1 800
Es decir fabricar 4000 Tn del fertilizante 1 y 16000 Tn del fertilizante 2, no se utilizaran

800 Tn de potasio y la utilidad se reducira a $394000. Observe que los coeficientes de N en
la Tabla ptima son los mismos que los coeficientes de la columna S1 , se debe a que S1 es la
variable de holgura asociada con el nitrato. Otro resultado importante en la Tabla ptima, es el
valor de ZIII para S1 de 340, que indica que una unidad adicional de nitrato aumenta las
utilidades en $340, luego, la empresa estara dispuesta a pagar hasta $340 ms de lo que
paga actualmente por el nitrato; por ejemplo si hay nitrato adicional a $400 por Tn o sea $200
ms de lo que costaba antes la Tn, la compaa podra comprar nitrato adicional, ya que aun
tendra $340-$200=$140 de utilidad adicional por Tn de nitrato adicional.
Como los valores de ZIII de cada holgura indican el valor adicional de una unidad
adicional del recurso correspondiente, a estos valores se les denominan precios sombra. La
relacin entre los precios sombra como recurso y la funcin objetivo puede expresarse as: El
precio sombra para un recurso determinado refleja el impacto que tiene sobre la funcin
objetivo un cambio unitario en el recurso, este impacto en el precio se mantiene mientras el
cambio en el recurso se encuentra dentro de los lmites determinados por el anlisis de
sensibilidad. En cambio, si N =200, el nuevo valor de S3 sera 500-3(200) = - 100 < 0, en
este caso, sera necesario volver a resolver el problema en forma completa, porque la mezcla
ptima de productos cambiara; bajo la nueva solucin, se obtendra un conjunto diferente de
precios sombra.
Obsrvese que precios sombra es lo mismo que variables duales.

123
Como ejemplo adicional, determinemos los lmites de cambio para el

fosfato F , segn la Tabla ptima para la variable de holgura S2 , por la no negatividad de las
variables se tendrn:
X1 : 8000 20 F 0 F 400
X2 : 14000 20 F 0 F 700
S3 : 500 F 0 F 500
Es decir que, los lmites finales son:
500 F 400
que nos indica que la disponibilidad de fosfato podra reducirse hasta 500 Tn o aumentarse
hasta 400 Tn sin obligar a que las variables ptimas actuales conduzcan a una solucin no
factible. Dentro de estos limites de cambio podran calcularse los nuevos valores ptimos de
X1 , X 2 y S3 sin tener que volver a resolver el problema completo.
Para los problemas con solo restricciones , la sensibilidad de la solucin ptima a

cambios en los niveles de recursos puede generalizarse de la siguiente forma:
1. Si se tiene una solucin ptima, el aumento o disminucin en utilidades debido al aumento

o disminucin de una unidad del K-simo recurso puede obtenerse tomando el valor del
Zj
rengln de la k-sima variable de holgura. Estos valores se denominan precios sombra.
2. Para resumir el clculo de los lmites superior e inferior de la disponibilidad de algn

recurso escaso, sean b k y k la disponibilidad original y el cambio del K-simo recurso
respectivamente y rF i a ik , el valor ptimo del segundo trmino y el coeficiente de la
variable Sk respectivamente en el i-simo rengln, entonces para cada una de las m
variables bsicas se tiene
rF i a ik . k 0
Las desigualdades se resuelven para determinar l y u, lmites inferior y superior de k ,
entonces:
l k u
son los lmites del cambio en la disponibilidad del k-simo recurso, con el objeto de
mantener la solucin ptima.
CAMBIOS OBLIGADOS EN LA PRODUCCIN.
Qu haramos si deseramos fabricar cantidades diferentes a las que aparecen en la tabla

ptima?
TASAS FSICAS DE SUSTITUCIN.- 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
124
variables bsicas son las variables de holgura e equivalen a la cantidad de recursos

disponibles, es decir Sk = 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 COEFICIENTES DE UNA TABLA DE PL SON
TASAS FISICAS DE SUSTITUCION PARA TRANSFORMAR ASIGNACIONES ACTUALES
DE RECURSOS (VARIABLES BASICAS) EN ASIGNACIONES NUEVAS DE PRODUCTOS
(VARIABLES NO BASICAS).
a a
Si ij es el coeficiente del i-simo rengln y la j-sima columna, entonces ij 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

X 3 y la columna BASE:
La variable bsica X1 se convierte en la variable no bsica X 3 con la tasa 1,

es decir una unidad de X1 en una unidad de X 3 .
La variable bsica
X 2 no se convierte en ninguna X 3 .
La produccin de una unidad de X 3 disminuye 0.05 Tn de S3 .

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:
Fertilizante o materia prima Nivel de produccin original o Nivel de produccin nuevo o

materia prima no usada materia prima no usada
X1 8000 7000
X2 14000 14000
X3 0 1000
S3 500 550
La utilidad para este plan de produccin se reducir en 4 1000 =$4000, es decir ser
$424,000.00
125
TALLER 08
Objetivo
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.
Orientaciones
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
E1. Para el siguiente problema de PL:
MAXIMIMAR Z= 2 X1 + 2 X 2
SUJETO A 2 X1 + 4 X 2 8
3 X1 + 4 X 2 12
X1 , X 2 0
a) Resolver por el mtodo grfico.

b) Si la utilidad en X1 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?
SOLUCION.
a) 1) 2 X1 +4 X 2 = 8 : X1 =0 X 2 =2:(0,2)
X 2 =0 X1 =4:(4,0)
2) 3 X1 +4 X 2 =12 : X1 =0 X 2 =3:(0,3)
X 2 =0 X1 =4:(4,0)
Funcin objetivo:
Z=2 X1 +2 X 2 = 0 X 2 = X1
Z es mx. en X1 =4, X 2 =0:A(4,0)

Luego: Z=2(4) + 2(0) =8
b) Z=10 X1 +2 X 2 =0 X 2 =-5 X1
Z es mx. en X1 =4, X 2 =0:A(4,0)

Luego: Z=10(4) + 2(0)=40
c) 3) 2 X1 +4 X 2 =16 : X1 =0 X 2 =4:(0,4)
126
X 2 =0 X1 =8:(8,0)
Z=2 X1 +2 X 2 = 0 X 2 =- X1
Z es mx. en X1 =0, X 2 =3:B(0,3)

Luego: Z=2(0) + 2(3) =6
E 2. Para el siguiente problema de PL:
MAXIMIMAR Z= 3 X1 + 4 X 2 + 10 X 3
SUJETO A X1 + X 2 + X 3 10
5 X1 + 3 X 2 15
X1 , X 2 , X 3 0
BASE Z X1 X2 X3 S1 S2 bi
II. Z 1 7 6 0 10 0 100
100+10 b1
X3 0 1 1 1 1 0 10 10 b1 0
S2 0 5 3 0 0 1 15
15 0 b1 0
Suponiendo todos los cambios independientes entre s:
a) Determine el aumento en las utilidades de X1 , para que esta variable ingrese a la base.
b) Haga lo mismo para X 2 .
c) Determine el cambio del coeficiente de utilidad de X3 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 X 2 . Calcule la nueva solucin.
SOLUCION.
a) 1 7 : 3 + 1 3 + 7 c1 10

c1 =10: Solucin alternativa, sin utilidades adicionales.

c1 >10: X1 ingresa a la base con nueva solucin ptima.
b) 2 6 : 4 + 2 4 + 6 c2 10

c 2 = 0: Solucin alternativa, sin utilidades adicionales.

c 2 >10: X 2 ingresa a la base con nueva solucin.
127
c) Para c3 = 10 + 3 se tiene segn la tabla ptima:

Para X1 : 7 + 3 0 3 -7
Para X 2 : 6 + 3 0 3 -6
Para S1 : 10 + 3 0 3 -10
Concluyendo que: 3 -6
10 + 3 10 - 6
c3 4
Es decir que c3 4, con la misma solucin ptima; sin embargo, el valor de Z cambiar
segn la expresin 100 + 10 3 , 3 -6. la solucin ptima cambiar si c3 < 4.
d) Segn la columna S1 y la columna bi:
X 3 = 10 + b1 0 b1 -10
b1
10 + 10 -10
b1 0
e) Segn la columna S2 y la columna bi:
S2 = 15 + b 2 0 b 2 -15
b2
15 + 15 -15
b2 0
f) PRODUCTO NIVEL DE PRODUCCION NIVELDE PRODUCCION

MATERIA PRIMA ORIGINAL O MATERIA NUEVO O MATERIA
PRIMA NO USADA PRIMANO USADA
X1 0 0
X2 0 4
X3 10 6
S2 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 SIMPLEX, tenemos otro software de optimizacin, como el LINDO y el
SUPER LINDO.
E3. Con el aplicativo LINDO, resolver el problema de los 3 fertilizantes de la pgina 113.
128
SOLUCION.
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 (CLIK 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 LINDO, resolver todos los problemas de las unidades VIII y IX.
Nota: 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.
PARTE 4
1. Max. Z = 5X1 + 3X2 Por el mtodo grfico.
St. 3X1 + 5X2 < = 15
5X1 + 2X2 < = 10
X1, X2 >= 0
2. Resolver el problema anterior por el mtodo simplex.
3. Min. Z =2Y1 + 3Y2 Por el mtodo grfico.

St. 2 Y1 + Y2 >=4
6Y1 +2Y2 >=8
Y1 + 5Y2 >=4
Y1, Y2>=0
129
5. MAXIMIZAR: Z= 8 X1 + 12 X 2 + 10 X3 Por el mtodo simplex.
St 2 X1 + 4 X 2 + 2 X 3 60
9 X1 + 4 X 2 + 16 X3 242
5 X1 +4 X 2 +6 X 3 125
X1 , X 2 , X 3 0
6. Max. Z = 2.5X1 + 3X2 Por el mtodo grfico.
St. 3X1 + 5X2 < = 15
5X1 + 2X2 < = 10
X1, X2 >= 0
8. 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
Vitaminas 0 3 1 4
Precios 5 10 12 15
Resuelva por el mtodo simplex.

9. Min. Z = 15Y1 + 10Y2 Por el mtodo grfico.
St. 3Y1 + 5Y2 > = 2.5
5Y1 + 2Y2 > = 3
Y1, Y2 > = 0
11. 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.
12. Max. Z = 4X1 + 5X2

St. 3X1 + 6X2 < = 2100
130
6X1 + 5X2 < = 2100

X1, X2 > = 0
13. 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 costo total de produccin, al mismo
tiempo que se satisface la demanda. Resuelva, mediante el dual, por el mtodo
simplex.
14. Min Z = 2100Y1 + 2100Y2
St. 3Y1 + 6Y2 > = 4
6Y1 + 5Y2 > = 5
Y1, Y2 > = 0
16. Max. Z = 50X1 + 84X2 + 60X3
St. 3X1 + 4X2 + 2X3 < = 60
2X1 + X2 + 2X3 < = 36
X1 + 3X2 + 2X3 < = 62
X1, X2, X3 > = 0
17.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 cuntos das debe trabajarse en cada
planta para minimizar los costos y satisfacer la demanda.
18. 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
131
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. Resuelva el problema utilizando el mtodo simplex.
FUENTES DE INFORMACIN
BIBLIOGRFICAS:
1. Anderson, D., Sweeney, D. y Williams, T. (2008).Estadstica

paraadministracin y economa (10a. ed.). Mxico: Thomson Learning:
CENGAGE Learning.
2. Kazmier,Leonard J.(2006). Estadstica aplicada a la administracin y a
laeconoma(4a. ed.). Mxico: McGrawHill.
3. Mason, R., Douglas A., L. y Marchal, W. (2003). Estadstica para
administracin y economa (10a. ed.). Mxico: Alfa omega.
4. Taha, H.(1992).Investigacin de operaciones (2a. ed.).Mxico: Alfaomega.
5. Taha, Hamdy A.(2004).Investigacin de Operaciones (7a. ed.). Mxico:
Prentice Hall.
6. Webster, A. (1996). Estadstica aplicada a la empresa y a la economa
(2a. ed.). Madrid: IRWIN.
7. Weimer, R. (1996). Estadstica. Mxico: Continental.
8. HANKE, J. y Reitsch, A. G. (2003).Estadstica para negocios.
Madrid: Mc. GrawHill, IRWIN.
9. Levin, R. y Rubin, D. (2004). Estadstica para Administracin y
Economa. (7a. ed.). Mxico: Pearson Educacin.
10. Box (2008). Estadstica para Investigadores, diseo, innovacin y
descubrimiento. (2 Edicin).
SOFTWARE ESPECIALIZADOS:
MINITAB 11, 12, 13, 14, 15; 16, SPSS 16

LINDO Y SUPER LINDO.
132

Manual Métodos Cuantitativos II - 2013 - I - II

Cargado por

Copyright:

Formatos disponibles

Manual Métodos Cuantitativos II - 2013 - I - II

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Métodos Cuantitativos II - 2013 - I - II

Cargado por

Copyright:

Formatos disponibles

1

ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS

GANANCIAS FINANCIERAS VIA METODOS CUANTITATIVOS

SEMESTRE ACADMICO 2014 -I - II

Material didctico para uso exclusivo de clase

UNIVERSIDAD DE SAN MARTIN DE PORRES

FACULTAD DE CIENCIAS CONTABLES, ECONMICASY FINANCIERAS

DIRECTOR DE LA ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS

DIRECTOR ESCUELA DE ECONOMA

DIRECTOR DEL DEPARTAMENTO ACADMICO DE CONTABILIDAD, ECONOMA Y FINANZAS

DIRECTOR DE LA SECCIN DE POSTGRADO

DIRECTOR DE LA OFICINA DE GRADOS Y TTULOS

DIRECTOR DE LA OFICINA DE EXTENSIN Y PROYECCIN UNIVERSITARIA

DIRECTOR DEL INSTITUTO DE INVESTIGACIN

JEFE DE LA OFICINA DE REGISTROS ACADMICOS

JEFE DE LA OFICINA DE BIENESTAR UNIVERSITARIO

JEFE DE LA OFICINA DE ADMINISTRACIN

COORDINADOR ACADMICO DE LA ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS

COORDINADOR ACADMICO DE LA ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS

COORDINADOR ACADMICO DE LA ESCUELA PROFESIONAL DE ECONOMA

COORDINADOR DE LA SECCIN DE POSTGRADO DE CONTABILIDAD Y FINANZAS

COORDINADOR DE LA SECCIN DE POSTGRADO DE ECONOMA

Si desea un ejemplar, gestinelo en la Facultad de Ciencias Contables, Econmicas y

El presente manual contiene el desarrollo terico-prctico del slabo de la asignatura de

Al facilitar a los estudiantes dicho aprendizaje, buscamos el logro de las competencias

En esta tarea, presentamos el desarrollo terico-prctico de cuatro unidades de

UTILIZACIN DE LA COMPUTADORA EN MTODOS CUANTITATIVOS

Con la introduccin de las computadoras, el trabajo de clculos asociado con un gran

Hay muchos programas computacionales en el mercado que permiten a los estudiantes

Si usamos el MINITAB, una vez cargado en la computadora es muy fcil de usar; la

Por ejemplo, la siguiente pantalla muestra las rdenes de MINITAB y las

MTB > SET C1

"Stat Basic Statistics Display Descriptive Statistics", como resultado se

UNIDAD I: ANLISIS DE VARIANZA Y REGRESIN SIMPLE

TEMA N 1: ANLISIS DE VARIANZA

TEMA N 2: REGRESIN Y CORRELACINLINEAL SIMPLE

UNIDAD II: REGRESIN Y CORRELACINLINEAL MLTIPLE Y SERIES DE TIEMPO

TEMA N 3: REGRESIN Y CORRELACINLINEAL MLTIPLE

TEMA N 4: SERIES DE TIEMPO

UNIDAD III: NMEROS NDICE Y TEORA DE DECISIONES

TEMA N 5: NMEROS NDICE

3. Fusin de series de ndices. ndice de precios al consumidor IPC

TEMA N 6: TEORA DE DECISIONES

UNIDAD IV: MTODO SIMPLEX Y ANLISIS DE SENSIBILIDAD

TEMA N 7: MTODO SIMPLEX

TEMA N 8: ANLISIS DE SENSIBILIDAD

PAUTAS PARA EL ESTUDIO Y LOS

Lo ms importante para el logro de los objetivos de la asignatura es la asistencia y

Este manual ser utilizado como apoyo, importante en el desarrollo de la asignatura,

Despus de la lectura concentrada, como acciones procedimentalesdebern ejecutarse las

ANLISIS DE VARIANZA y REGRESINY CORRELACIN LINEAL SIMPLE

Buscar el funcionamiento ptimo de la empresa en un entorno competitivo y globalizado

1. Comprende el conocimiento del Anlisis de Varianza, aplicndolo a la investigacin del

4. Comprende el conocimiento de la Regresin Lineal Simple, aplicndola a la investigacin de

5. Se reconoce las variables dependiente e independiente y resuelven ejemplos prcticos de

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.

Se buscar su logro, de manera transversal, en todas las unidades de aprendizaje.