Académique Documents
Professionnel Documents
Culture Documents
MÉTODOS CUANTITATIVOS I
OBJETIVO GENERAL:
Desarrollar en el estudiante la habilidad para analizar problemas y la capacidad
para la creación de modelos matemáticos que le permitan optimizar los recursos de
su empresa, haciéndolo un elemento eficiente en el desempeño de sus funciones.
OBJETIVOS ESPECÍFICOS:
1. Adquirir habilidad en el cálculo de probabilidades para la toma de
decisiones.
CONTENIDO
SEMANA 1
UNIDAD I TEORÍA DE PROBABILIDADES
1. Concepto de espacio muestral, evento y probabilidad de un evento.
SEMANA 2
5. Probabilidades conjuntas y marginales.
7. Teorema de Bayes.
SEMANA 3
UNIDAD II DISTRIBUCIONES DE PROBABILIDAD
1. Distribución Normal. Parámetros. Fórmula de estandarización. Cálculo de
probabilidades normales.
SEMANA 4
2. Distribución Binomial. Proceso de Bernoulli. Calcular probabilidades
binomiales.
SEMANA 5
UNIDAD III PROCESOS DE MARKOV
1. Matriz de transición
2. Vector de estado inicial Vo. Vector de estado Vn. Vector de estado estable
Q.
SEMANA 6
3. Probabilidades de transición de un estado a otro.
SEMANA 7
4. Estados absorbentes. Matriz fundamental.
SEMANA 8
UNIDAD IV TEORIA DE DECISIÓN
1. Acciones, estados de naturaleza, pagos.
3. Tabla de pagos.
SEMANA 9
4. Diagrama de árbol en problemas de decisión.
SEMANA 10
• EXAMEN FINAL
III METODOLOGÍA
La metodología en cada sesión de clase de aplicará de acuerdo con las siguientes
modalidades:
• Lecciones magistrales.
• Prácticas de laboratorio.
• Resolución de problemas.
IV EVALUACIÓN
• Tareas 20 pts. 4 tareas, una de cada tema.
• Pruebas cortas 40 pts. 4 pruebas, una de cada tema, en semanas 3, 5, 8 y
9.
V CRONOGRAMA
DIA TEMA METODOLOGÍA OBJETIVOS
I TEORÍA DE Determinar el espacio
PROBABILIDADES Clase magistral, muestral de varios
1 1. Concepto de espacio clase magistral experimentos.
muestral, evento y participativa, Determinar diferentes
probabilidad de un solución de eventos de un espacio
evento. problemas. muestral.
2. Eventos mutuamente Calcular la
excluyentes. Regla probabilidad de
de adición. ocurrencia de eventos.
3. Eventos Aplicar regla de
independientes. adición y de
Regla de multiplicación en la
multiplicación. solución de
4. Eventos problemas.
dependientes. Regla
de probabilidad
condicional.
5. Probabilidades Clase magistral, Calcular
conjuntas y clase magistral probabilidades
marginales. participativa, conjuntas y
6. Diagrama de árbol solución de marginales.
2 para calcular problemas, Aplicar diagrama de
probabilidades. práctica de árbol para calcular
7. Teorema de Bayes. laboratorio. probabilidades.
Aplicar teorema de
Bayes en la solución
de problemas.
II DISTRIBUCIONES DE Evaluación por Resolver problemas
PROBABILIDAD medio de prueba de aplicación de
1. Distribución Normal. corta, clase probabilidades
3 Parámetros. Fórmula magistral, clase normales.
de estandarización. magistral
Cálculo de participativa,
probabilidades solución de
normales. problemas.
2. Distribución Binomial. Clase magistral, Resolver problemas
Proseso de Bernoulli. clase magistral de aplicación de
Calcular participativa, probabilidades
probabilidades solución de binomiales y de
4 binomiales. problemas, Poisson.
3. Distribución de práctica de
Poisson. Calcular laboratorio, trabajo
probabilidades por proyectos.
Poisson.
III PROCESOS DE Evaluación por Calcular
MARKOV medio de prueba probabilidades de un
1. Matriz de transición corta, clase estado a otro.
2. Vector de estado magistral, solución Calcular el procentaje
5 inicial Vo. Vector de de problemas. de fidelidad.
estado Vn. Vector de Determinar el
estado estable Q. posicionamiento en el
mercado en el largo
plazo.
3. Probabilidades de Clase magistral, Resolver problema de
transición de un clase magistral migraciones.
6 estado a otro. participativa,
solución de
problemas.
4. Estados Clase magistral, Estimar cuánto puede
absorbentes. Matriz clase magistral ser pagado y cuánto
fundamental. participativa, no pagado del total de
7 solución de cuentas por cobrar de
problemas, una empresa.
práctica de
laboratorio.
IV TEORIA DE DECISIÓN Evaluación por Aplicar criterios
1. Acciones, estados de medio de prueba maximin, maximax,
naturaleza, pagos. corta, clase minimax y de Bayes
8 2. Criterios de decisión: magistral, solución en problemas de
Maximin, maximax, de problemas. decisión.
minimax y de Bayes. Elaborar tabla de
3. Tabla de pagos. pagos y tomar la mejor
decisión.
4. Diagrama de árbol en Evaluación por Usar diagrama de
problemas de medio de prueba árbol en la solución de
decisión. corta, clase problemas de
magistral, clase decisión.
magistral
9 participativa,
solución de
problemas,
práctica de
laboratorio,
elaboración de
proyectos.
Evaluación del Comprobar el logro de
10 EXAMEN FINAL curso por medio los objetivos del curso.
de prueba final.
BIBLIOGRAFÍA
Métodos Cuantitativos para los Negocios. Anderson/Sweeney/Williams
Editorial: Thomson. Novena Edición, 2004.
a) S = { 1, 2, 3, 4, 5, 6 } n(S) = 6
c) El evento E1: “El resultado es menor que 5”. La expresión “menor que 5”,
no incluye al 5.
E1 = { 1, 2, 3, 4 } n(E1) = 4
P(E1) = 4 / 6 = 0.6667
n(S) = 36
b) El evento A : “La suma de los resultados es 7”
A = { (1,6) (2,5) (3,4) (4,3) (5,2) (6,1) }
n(A) = 6
P(A) = 6 / 36 = 0.1667
P(Ac) = 1 – P(A)
Ejemplo
En una empresa, 65 personas han solicitado trabajo, de las cuales 40 tienen
experiencia (E), 30 tienen título universitario (T) y 10 tienen experiencia y
título. Si se selecciona aleatoriamente una solicitud, calcular la probabilidad
de que la persona: a) Tenga experiencia o título. b) Tenga experiencia o
título pero no ambos. c) No tenga experiencia ni título. d) Tenga sólo
experiencia. e) Tenga sólo título.
P(E∩T)=
EVENTOS INDEPENDIENTES
Dos eventos A y B son independientes si la probabilidad de ocurrencia o no
ocurrencia de uno de ellos no afecta la probabilidad de ocurrencia del otro.
Ejemplo
Se tienen dos eventos A y B, estadísticamente dependientes. Si P(A) = 0.39,
P(B) = 0.21 y P(A o B) = 0.47, calcule la probabilidad de que:
a) No ocurra ni A ni B.
b) Ocurra B dado que A ya ha ocurrido.
c) Ocurra A dado que B ya ha ocurrido.
Ejemplo
Dado que P(A) = 3/4, P(B) = 1/6, P(C) = 1/3, P(A y C) = 1/7, y
P(B|C) = 5 /21 calcule: a) P(A|C), b) P(C|A), c) P(B y C), d) P(C|B)
Tabla de probabilidades
Partido A favor En contra Indiferente Total
A 18/82= 10/82= 7/82= 35/82=
B 15/82= 8/82= 3/82= 26/82=
C 12/82= 5/82= 4/82= 21/82=
Total 45/82= 23/82= 14/82= 82/82=
TEOREMA DE BAYES
Se aplica cuando conociendo la probabilidad de lo último que ocurrió, se
quiere conocer la probabilidad de un evento que ocurrió al inicio.
Ejemplo.
Un fabricante de cámaras de video utiliza un microchip en el ensamble de
cada cámara que produce. Los microchips son comprados a los proveedores
A, B y C y son tomados al azar para ser ensamblados en cada cámara. El
20% de los microchips provienen del proveedor A, el 35% proviene de B y el
resto proviene de C. Con base en la experiencia, el fabricante cree que la
probabilidad de que un microchip defectuoso provenga de A es de 0.03, la
probabilidad de que provenga de B es 0.02 y de que provenga de C es 0.01.
De la producción de un día, una cámara es seleccionada al azar y su
microchip está defectuoso. Calcule la probabilidad de que el microchip
defectuoso haya sido suministrado por: a) El proveedor A. b) El proveedor B.
c) Por el proveedor C. d) ¿De qué proveedor es más probable que provenga
el microchip defectuoso?
DISTRIBUCIONES DE PROBABILIDAD
Una distribución de probabilidad es el listado de las probabilidades de los
resultados que podrían obtenerse si se realizara un experimento.
Las distribuciones de probabilidad pueden ser discretas o continuas.
Las distribuciones discretas a estudiar son la distribución binomial y la
distribución de Poisson.
Distribuciones continuas son la distribución Normal, la distribución “ t ” de
student, la distribución F, la exponencial, etc.
DISTRIBUCIÓN NORMAL
Características:
1. Su gráfica tiene forma de campana.
2. La media, la moda y la mediana son iguales.
3. Es simétrica con relación a la media.
4. Sus extremos son asíntotas con el eje X.
5. La probabilidad bajo la curva de la distribución normal es igual a 1.
6. Sus parámetros son la media (mu o miu ) y la desviación estándar
(sigma).
7. Es mesocúrtica.
8. Se tienen más - menos cuatro Z respecto a la media.
9. Es continua.
Ejemplo
En una clase de estadística, la media de las calificaciones es de 72 con una
desviación estándar de 12. Si se selecciona aleatoriamente un estudiante,
calcular la probabilidad de que la calificación sea:
a) Mayor o igual que 90.
b) Menor que 85.
c) Mayor que 60.
d) Menor que 55.
e) Sea mayor que 50 y menor o igual que 95
f) Esté entre 80 y 95
g) Sea mayor o igual que 45 y menor que 60.
Observación.
1. Las probabilidades son siempre positivas.
2. El valor de Z se da siempre con dos decimales por lo que se debe
redondear correctamente este valor.
3. Las probabilidades se dan siempre con 4 decimales.
4. Los valores de probabilidad que da la tabla corresponden a intervalos
entre la media y el valor real X.
LABORATORIO
En una empresa, el salario semanal promedio de los trabajadores es de Q680
con una desviación estándar de Q75. Si se selecciona aleatoriamente un
trabajador, calcular la probabilidad de que su salario sea:
a) Menor o igual que Q600
b) Menor o igual que Q650 y mayor o igual que Q575
c) Mayor que Q750
d) Menor que Q800
e) Mayor o igual que Q500
f) Esté entre Q850 y Q720
g) Mayor que Q480 y menor o igual que Q740
DISTRIBUCIÓN BINOMIAL
Es una distribución discreta que se aplica cuando un evento tiene sólo dos
posibles resultados. Ejemplos: bueno-malo, verdadero-falso, éxito-fracaso,
cara-escudo, ganar-perder, etc.
Los parámetros de una distribución binomial son la probabilidad de éxito
“p” y el tamaño de la muestra “n”.
DISTRIBUCIÓN DE POISSON
Es una distribución discreta que se utiliza en problemas de colas. Su
parámetro es λ (lambda).
λ = Promedio de ocurrencias en la unidad de tiempo.
P( x│λ ) = λX e- λ / x!