UNIVERSIDAD MARIANO GÁLVEZ

MAESTRÍA EN ADMINISTRACIÓN DE NEGOCIOS

MÉTODOS CUANTITATIVOS I
CATEDRÁTICO: ING. FRANCISCO FERNÁNDEZ MARTÍNEZ (MAI, MF)

UNIVERSIDAD MARIANO GÁLVEZ DE GUATEMALA

FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN
DIRECCIÓN DE POSTGRADOS

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.

2. Desarrollar la competencia del uso de las distribuciones de probabilidad en

la solución de problemas específicos.

3. Aplicar los procesos de Markov en las diferentes áreas operativas de la

empresa.

4. Diagnosticar, evaluar y aplicar criterios en la toma de decisiones en

diferentes escenarios empresariales.

CONTENIDO
SEMANA 1
UNIDAD I TEORÍA DE PROBABILIDADES
1. Concepto de espacio muestral, evento y probabilidad de un evento.

2. Eventos mutuamente excluyentes. Regla de adición.

3. Eventos independientes. Regla de multiplicación.

4. Eventos dependientes. Regla de probabilidad condicional.

SEMANA 2
5. Probabilidades conjuntas y marginales.

6. Diagrama de árbol para calcular probabilidades.

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.

3. Distribución de Poisson. Calcular probabilidades Poisson.

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.

2. Criterios de decisión: Maximin, maximax, minimax y de Bayes.

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.

• Lecciones magistrales participativas.

• Prácticas de laboratorio.

• Resolución de problemas.

• Trabajo por proyectos.

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.

• Proyectos 20 pts. 2 proyectos, uno sobre teoría de probabilidades y

distribuciones de probabilidad y otro sobre procesos de Markov y teoría de
decisión.

• Evaluación final 20 pts.

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.

CATEDRÁTICO: J. FRANCISCO FERNÁNDEZ MARTÍNEZ

MÉTODOS CUANTITATIVOS I. PLAN DE CLASES. SEMANA No. 1

OBJETIVO METODOLOGÍA MATERIAL TIEMPO OBSERVA-
CIONES
1. Determinar el 1. Explicar 1. Plataforma Programa: 10 Se darán a
espacio contenidos del de Moodle minutos. conocer los
muestral de programa de con contenidos del
varios curso. programa y Conceptos básicos curso y cómo
experimentos 2. Formar grupos contenido en grupo: 40 serán evaluados.
2. Determinar de 4 para del curso. minutos.
diferentes determinar los Con las clases
eventos de conceptos de 2. Laptop de Clase magistral magistrales se
un espacio espacio los para aclarar aclararán dudas
muestral. muestral, evento estudiantes. conceptos : 30 de conceptos y
3. Calcular y probabilidad de minutos. de cómo resolver
probabilidad un evento. 3. Pizarra problemas con
de eventos. 3. Clase magistral electrónica. Receso: 20 significado para
4. Aplicar regla para aclarar minutos. el estudiante.
de adición y conceptos.
de 4. Hacer grupos de Laboratorio para Se resolverán las
multiplicación 4 para resolver resolver problemas: dudas
problemas. 40 minutos. consultadas en
5. Clase magistral los distintos
para explicar Clase magistral grupos.
cómo se para resolver
resuelven problemas: 40
problemas. minutos.
Espacio Muestral, S. Es el conjunto de todos los resultados posibles de un
experimento. La cantidad de elementos del espacio muestral S, se denota n(S).

Evento, E. Un evento E, es cualquier subconjunto del espacio muestral S. La

cantidad de elementos de un evento E, se denota n(E).
Para determinar un evento se indica la propiedad o condiciòn que deben
satisfacer los elementos del espacio muestral para pertenecer a ese evento.

Probabilidad de ocurrencia de un evento E

La probabilidad de ocurrencia de un evento E se denota P(E)

Para calcular la probabilidad de ocurrencia de un evento E, se aplica

P(E) = n(E) / n(S)

La probabilidad de ocurrencia P(E), de un evento E, es un número entre 0 y 1

inclusives, es decir, 0 ≤ P(E) ≤ 1
P(E) = 1 cuando es seguro de que el evento E ocurre.
P(E) = 0 cuando es seguro de que el evento E no ocurre.

Ejemplo: Sea el experimento “lanzar un dado”. Determine el espacio muestral

S, los siguientes eventos y la probabilidad de ocurrencia de cada evento.

a) S = { 1, 2, 3, 4, 5, 6 } n(S) = 6

b) El evento E: “El resultado es un número par”

E = { 2, 4, 6 } n(E) = 3
P(E) = 3 / 6 = 0.50

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

Nota: Los valores de probabilidad se dan con 4 decimales generalmente

d) El evento E2 : “El resultado es múltiplo de 3”

E2 = { 3, 6 } n(E2) = 2
P(E2) = 2 / 6 = 0.3333

Ejemplo: Sea el experimento “lanzar dos dados”. Determine el espacio

muestral S, los siguientes eventos y la probabilidad de ocurrencia de cada evento.
S = { (1,1) (1,2) (1,3) (1,4) (1,5) (1, 6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2)
(3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4)
(5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6) }

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

c) El evento B : “El producto de los resultados es divisible por 4”

B = { (1,4) (2,2) (2,4) (2,6) (3,4) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,4)
(6,2) (6,4) (6,6) }
n(B) = 15
P(B) = 15 / 36 = 0.4167

d) El evento C: “El resultado de restar el segundo elemento del par al

primero, es un número positivo impar”

C = { (2,1) (3,2) (4,1) (4,3) (5,2) (5,4) (6,1) (6,3) (6,5)}

n(C) = 9
P(C) = 9 / 36 = 0.25

EVENTOS MUTUAMENTE EXCLUYENTES

Dos eventos A y B son mutuamente excluyentes entre sí, cuando al ocurrir uno de
ellos se anula la posibilidad de ocurrencia del otro.

Ejemplos: Son eventos mutuamente excluyentes entre sí los siguientes: ganar–

perder, verdadero - falso, aceptar–rechazar, bueno – malo, etc.

Si los eventos A y B son mutuamente excluyentes entre sí, la intersección entre

ellos es el conjunto vacío. Es decir, que si los eventos A y B son mutuamente
excluyentes entre sí, entonces A ∩ B = θ

Regla de adición para eventos mutuamente

excluyentes
Si los eventos A y B son mutuamente
excluyentes, entonces:

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

Regla de adición para eventos no excluyentes

Si los eventos A y B no son excluyentes entre sí, existe intersección entre ellos.
Entonces:

P(A o B) = P(A) + P(B) – P(A ∩ B)

Probabilidad del complemento del evento A

Si A es un evento, el complemento de A se denota por A’ o Ac
A’ o Ac es el evento cuyos elementos pertenecen al espacio muestral S
pero no pertenecen al evento A.

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) = 40/65 = 10/65

P(T) = 30/65 =

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.

Regla de multiplicación para eventos independientes

Si los eventos A y B son independientes, entonces
P(A y B) = P(A ∩ B) = P(A)P(B)

Regla de multiplicación para eventos dependientes.

Si los eventos A y B son dependientes, se aplica el concepto de probabilidad
condicional que se denota P(A|B) que se lee: “probabilidad de que ocurra A
dado que ya ocurrió B”. La línea vertical se lee “dado que”.
Si los eventos A y B son
P(A|B) = P(A ∩ B) / P(B) independientes
P(A|B) = P(A)
P(B|A) = P(B ∩ A) / P(A) P(B|A) = P(B)

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.

Solución: Existe intersección porque P(A o B) = P(A) + P(B) = 0.39 + 0.21 =

0.60 que no es el valor de 0.47 que se da en e l problema. Por lo que:
P(A o B) = P(A U B) = P(A) + P(B) – P(A ∩ B)

0.47 = 0.39 + 0.21 – P(A ∩ B)

 De donde P(A ∩ B) = 0.60 – 0.47 = 0.13

a) P(Ni A, ni B) = 1 – P(A o B) = 1 – 0.47 = 0.53

b) P(B|A) = P(B ∩ A) / P(A) = 0.13 / 0.39 = 0.3333

c) P(A|B) = P(A ∩ B) / P(B) = 0.13 / 0.21 = 0.6190

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)

a) P(A|C) = P(A ∩ C) / P(C) = (1/7) / (1/3) = 3/7 = 0.4286

b) P(C|A) = (1/7) / (3/4) = 4/21 = 0.1905
c) P(B y C) = P(B ∩ C) = P(B|C)P(C) = (5/21)(1/3) = 5/63 = 0.0794

PROBABILIDADES CONJUNTAS Y MARGINALES

Probabilidades marginales son las probabilidades de ocurrencia de un solo
evento.
Probabilidades conjuntas son las probabilidades de dos o más eventos que
ocurren simultáneamente.

Ejemplo. Los diputados de tres partidos A, B y C han votado a favor, en

contra o indiferente con relación a un proyecto de desarrollo social como se
indica a continuación. Calcule la probabilidad de que un diputado
aleatoriamente seleccionado:
a) Esté a favor dado que es del partido A.
b) Sea del partido B dado que está en contra.
c) Esté en contra dado que es del partido C.
d) Sea del partido A dado que está a favor.

Tabla de datos observados

Partido A favor En contra Indiferent Total
e
A 18 10 7 35
B 15 8 3 26
C 12 5 4 21
Total 45 23 14 82

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?

En una empresa, la producción se realiza con tres màquinas 1, 2, 3. La

màquina 1 produce 90% de unidades buenas, la màquina 2 produce 5% de
unidades defectuosas y la màquina 3 produce 80% de unidades buenas. De

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.

En una distribución Normal para transformar datos reales en valores Z, se

aplica la fórmula de estandarización

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.

Si X (el valor real) es mayor que la media, el valor de Z es positivo.

Si X es menor que la media, el valor de Z es negativo.

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”.

Para calcular probabilidades binomiales, se aplica la fórmula siguiente e:

P(x│n, p) = nCx pxqn – x

Donde x = Número deseado de éxitos.

n = Tamaño de la muestra.
 p = Probabilidad de éxito.
q = 1 – p = probabilidad de no éxito.

Ejemplo: Un vendedor debe visitar 10 clientes en un día. La probabilidad

de que un cliente compre es de 0.40. Calcule la probabilidad de que:
a) A lo más siete clientes compren.
b) Al menos cinco clientes compren.
c) Entre tres y ocho clientes compren.
d) Si debe visitar 45 clientes en un mes, cuál es la probabilidad de que
a lo más 22 compren.
e) Al menos 25 clientes compren.
f) Al menos 13 clientes compren.
g) A lo más 10 clientes compren.
h) Entre 12 y 24 clientes compren.

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.

Para calcular probabilidades Poisson se aplica

P( x│λ ) = λX e- λ / x!

Ejemplo. A un celular entran en promedio 15 llamadas en una hora. Calcular

la probabilidad de que se reciban:
a) 10 llamadas en una hora.
b) Al menos 6 llamadas en una hora.
c) A lo más 8 llamadas en una hora.
d) 5 llamadas en media hora.
e) A lo más 5 llamadas en media hora.
f) Al menos 8 llamadas en media hora.
g) 3 llamadas en 15 minutos.