Manual Modelos Cuantitativos y de Optimización 2020 - I

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:
MODELOS CUANTITATIVOS Y DE
OPTIMIZACIÓN
CICLO IV
SEMESTRE ACADÉMICO 2020 I - II
Material didáctico para uso exclusivo de clase
LIMA – PERÚ
2
UNIVERSIDAD DE SAN MARTIN DE PORRES
RECTOR
DR. JOSÉ ANTONIO CHANG ESCOBEDO
VICE RECTOR
DR. RAÚL EDUARDO BAO GARCÍA
FACULTAD DE CIENCIAS CONTABLES, ECONÓMICAS Y FINANCIERAS
DECANO
DR. JUAN AMADEO ALVA GOMEZ
DIRECTOR DE LA ESCUELA PROFESIONAL DE CONTABILIDAD Y

FINANZAS
DR. SABINO TALLA RAMOS
DIRECTOR ESCUELA DE ECONOMÍA

DR. LUIS CARRANZA UGARTE
DIRECTOR DEL DEPARTAMENTO ACADÉMICO DE CONTABILIDAD,

ECONOMÍA Y FINANZAS
DR. LUIS HUMBERTO LUDEÑA SALDAÑA
DIRECTOR DE LA SECCIÓN DE POSTGRADO

DR. AUGUSTO HIPÓLITO BLANCO FALCÓN
DIRECTOR DE LA OFICINA DE GRADOS Y TÍTULOS

DR. VICTOR LORET DE MOLA COBARRUBIAS
DIRECTOR DE LA OFICINA DE EXTENSIÓN Y PROYECCIÓN

UNIVERSITARIA
DR. REYNALDO ULADISLAO BRINGAS DELGADO
DIRECTOR DEL INSTITUTO DE INVESTIGACIÓN

DR. DOMINGO FÉLIX SÁENZ YAYA
SECRETARIO DE FACULTAD
MG. JUAN CARLOS ZEVALLOS ASTENGO
JEFE DE LA OFICINA DE REGISTROS ACADÉMICOS

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

LIC. MARÍA RICARDINA PIZARRO DIOSES
JEFE DE LA OFICINA DE ADMINISTRACIÓN

Mo. ABOG. LUIS FLORES BARROS
COORDINADOR ACADÉMICO DE LA ESCUELA PROFESIONAL DE

CONTABILIDAD Y FINANZAS
TURNO MAÑANA
DRA. YOLANDA MAURINA SALINAS GUERRERO
3

CONTABILIDAD Y FINANZAS
TURNO NOCHE
DR. DAVID RICARDO VARGAS GONZALES

ECONOMÍA
TURNO MAÑANA Y NOCHE
MG. RENZO JAIR VIDAL CAYCHO
COORDINADOR DE LA SECCIÓN DE POSTGRADO DE CONTABILIDAD Y

FINANZAS
DR. CRISTIAN YONG CASTAÑEDA
COORDINADOR DE LA SECCIÓN DE POSTGRADO DE ECONOMÍA

DR. VICTOR LORET DE MOLA COBARRUBIAS
4
DERECHOS RESERVADOS
El texto de este trabajo o parte del mismo, no puede ser reproducido o

transmitido por métodos o forma alguna, sean estos electrónicos o
mecánicos, incluyendo copias fotostáticas, cintas magnetofónicas,
acumulación en un sistema de información con memoria, Internet u otra
forma, sin autorización escrita de la Escuela Profesional de Contabilidad y
Finanzas. FCCEF. USMP.
Si desea un ejemplar, gestiónelo en la Facultad de Ciencias Contables,

Económicas y Financieras de la Universidad de San Martín de Porres.
.
5
INTRODUCCIÓN
El presente manual contiene el desarrollo teórico-práctico del sílabo

de la asignatura de Modelos Cuantitativos y de Optimización del IV Ciclo
de la Facultad de Ciencias Contables, Económicas y Financieras,
ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS de la
USMP, Semestre Académico 2018 – I y II y tiene como fin principal, facilitar
a los estudiantes el manejo de los instrumentos de optimización 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 analítica, práctica y operacional por computadora,
fundamentales en el ejercicio profesional del Contador Público, así como
en la práctica de áreas conexas, como son La Administración, La Economía
y La Ingeniería aplicadas a las ciencias de la empresa.
Al facilitar a los estudiantes dicho aprendizaje, buscamos el logro de

las competencias generales y específicas de la asignatura de Modelos
Cuantitativos y de Optimización, camino hacia la Calidad total y búsqueda
de la Excelencia en el Ejercicio Profesional del Contador Público, tan
importantes en la dinamización de la economía del país en un entorno
competitivo y globalizado, así como en la ampliación del mercado
ocupacional del Contador Público hacia la alta dirección empresarial.
En esta tarea, presentamos el desarrollo teórico-práctico de cuatro

unidades de aprendizaje, así como los softwares computacionales
correspondientes a ejecutarse en las computadoras de los estudiantes o en
el laboratorio de cómputo de la Universidad y en las aulas de la Facultad
implementadas con computadoras y multimedia.
6
UTILIZACIÓN DE LA COMPUTADORA ENMODELOS CUANTITATIVOS

Y DE OPTIMIZACIÓN
Con la introducción de las computadoras, el trabajo de cálculos

asociado con un gran número de datos, ha sido relegado a las
computadoras, concentrándose el estudiante o profesional, en la
alimentación de los datos y en el análisis de los resultados proporcionados
por la computadora.
Hay muchos programas computacionales en el mercado que

permiten a los estudiantes y futuros especialistas realizar los cálculos
tediosos sin dificultad. Algunos de los programas son SPSS, SAS, BMDP,
SYSTAT y LINDO, todos permiten al usuario comunicarse con el sistema
de la computadora mediante comandos sencillos.
Si usamos el SPSS, una vez cargado en la computadora es muy fácil

de usar.
7
ÍNDICE DE CONTENIDO
UNIDAD I: MODELOS CUANTITATIVOS DE REGRESIÓN Y

CORRELACIÓN ANOVA
TEMA N° 1: ANÁLISIS DE VARIANZA 12

1. Anova de un factor
2. Anova de dos factores
ACTIVIDADES APLICATIVAS
AUTOEVALUACIÓN
REFERENCIAS DOCUMENTALES
TEMA N° 2: REGRESIÓN Y CORRELACIÓNLINEAL SIMPLE 21

1. Regresión lineal simple
2. Correlación lineal simple
AUTOEVALUACIÓN
UNIDAD II: MODELOS CUANTITATIVOS DE SERIE DE TIEMPO Y

NÚMEROS ÍNDICES
TEMA N° 3: REGRESIÓN Y CORRELACIÓNLINEAL MÚLTIPLE 39

1. Regresión lineal múltiple
2. Correlación lineal múltiple
AUTOEVALUACIÓN
TEMA N° 4: SERIES DE TIEMPO 52

1. Serie temporal
2. Descomposición de una serie temporal
AUTOEVALUACIÓN
UNIDAD III: TEORÍA DE LA DECISIÓN ESTADÍSTICA
TEMA N° 5: NÚMEROS ÍNDICE 73

1. Índices simples e Índices agregados
2. Índices en eslabón, Índices en cadena. Cambio de base.
3. Fusión de series de índices. Índice de precios al consumidor ó IPC
4. Soles constantes. Poder de compra. Deflación
AUTOEVALUACIÓN
TEMA N° 6: TEORÍA DE DECISIONES 83

1. Toma de decisiones solo con probabilidades
2. Toma de decisiones solo con consecuencias económicas
8
3. Toma de decisiones por el criterio Bayesiano

AUTOEVALUACIÓN
UNIDAD IV: MODELO DE OPTIMIZACIÓN Y PROGRAMACIÓN LINEAL
TEMA N° 7: MÉTODO SIMPLEX 92

1. Problema de programación lineal
2. Maximización
3. Dualidad
4. Minimización
AUTOEVALUACIÓN
TEMA N° 8: DUALIDAD Y ANÁLISIS DE SENSIBILIDAD 103

1. Cambios en los coeficientes de la función objetivo
2. Cambios en los segundos miembros de las restricciones
AUTOEVALUACIÓN
FUENTES DE INFORMACIÓN.
9
PAUTAS PARA EL ESTUDIO Y LOS

TRABAJOS DE APLICACIÓN
· Lo más importante para el logro de los objetivos de la asignatura es la

asistencia y puntualidad a las clases teóricas, prácticas y/o de laboratorio.
Pero, la asistencia no solamente física, sino, y esto es lo más importante,
la asistencia intelectual, es decir la asistencia lúcida y concentrada a lo más
valioso de la actividad académica que son las clases, lo que redundará que
el estudiante cambie positivamente. Por otro lado, es oportuna la siguiente
reflexión: 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 sólo, después de la clase, mi recomendación es que
después de cada clase el estudiante revise la clase recibida como una
garantía que así de todas maneras se dará el fenómeno del aprendizaje.
· Este manual será utilizado como apoyo, importante en el desarrollo de

la asignatura, recomendándose su lectura previa antes de la clase, lo que
redundará en facilitar comprensión de los temas y la apropiación de los
conocimientos.
· Después de la lectura concentrada, como acciones procedimentales

deberán ejecutarse las actividades de aplicación propuestas, así como
resolver las guías de prácticas dirigidas y con los programas propuestos,
solamente así se darán como resultados la parte actitudinal en los futuros
profesionales.
ÉTICA Y ESTADÍSTICA
El docente proporciona orientación al respecto. Se recomienda la práctica

de la estadística con integridad y honestidad, e instar a “hacer lo correcto”
cuando se trabaja con datos considerando además principios morales.
10
DIAGRAMA DE CONTENIDOS
MODELOS CUANTITATIVOS Y DE
OPTIMIZACIÓN
MODELOS CUANTITATIVOS DE REGRESIÓN

Y
CORRELACIÓN ANOVA

MODELOS CUANTITATIVOS DE SERIE DE TIEMPO
Y
NÚMEROS ÍNDICES

TEORÍA DE LA
DECISIÓN ESTADÍSTICA

MODELO DE OPTIMIZACIÓN
Y
PROGRAMACIÓN LINEAL
11
UNIDAD I
MODELOS CUANTITATIVOS DE REGRESIÓN Y CORRELACIÓN

ANOVA
Buscar el funcionamiento óptimo de la empresa en un entorno competitivo

y globalizado implica hacer investigación en la actual empresa, para
determinar los cambios necesarios. Los temas de esta unidad,
precisamente son instrumentos para esta investigación.
CONTENIDOS PROCEDIMENTALES
1. Comprende el conocimiento del Análisis de Varianza, aplicándolo a

la investigación del funcionamiento de la Empresa y a la toma de
decisiones para optimizar sus resultados.
2. Se reconocen y resuelven ejemplos prácticos del caso 1. Por

razonamiento conceptual, por tabla de ANOVA y por PC.
3. Se reconocen y resuelven ejemplos prácticos de los casos 2 y 3. Por

tabla de ANOVA y por PC.
4. Comprende el conocimiento de la Regresión Lineal Simple y

Múltiple, aplicándola a la investigación de la realidad empresarial y
a la proyección o planificación futuras.
5. Se reconoce las variables dependiente e independiente y resuelven

ejemplos prácticos de regresión para la investigación y predicción en
la empresa, manualmente y por PC.
6. Se prueba la validez del modelo e interpretan los intervalos de

confianza y de predicción.
7. Al trabajar con la correlación, se prueba la significancia de la

correlación.
CONTENIDOS ACTITUDINALES
Se buscará 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 aplicación de soluciones técnicas
determinadas con los instrumentos que son los métodos
cuantitativos.
2. Desarrollar en los estudiantes una actitud creadora y favorable a los

cambios significativos, mediante soluciones técnicas.
12
3. Desarrollar en los estudiantes una actitud responsable en la

asistencia y puntualidad a clases, así como en la elaboración de
tareas.
4. Desarrollar en los estudiantes una conducta ética y de práctica de
valores como estudiantes y futuros profesionales.
5. Desarrollar en los estudiantes la vocación por el trabajo en equipo y

la coparticipación multiprofesional.
CONTENIDOS CONCEPTUALES
TEMA N° 1: ANÁLISIS DE VARIANZA

TEMA N° 2: REGRESIÓN y CORRELACIÒN LINEAL SIMPLE Y
MÚLTIPLE
TEMA Nº 01
ANÁLISIS DE VARIANZA
1. INTRODUCCION.
El ANOVA se utiliza para probar las diferencias entre medias aritméticas

de subpoblaciones, con fines de control de calidad y toma de decisiones
en la empresa.
SUPOSICIONES: El ANOVA supone que las diversas medias

muestrales se obtienen de subpoblaciones con distribución normal y con
la misma varianza  2 .
2. DISTRIBUCIÓN F: El nombre se debe al estadístico británico Fisher.
MÉTODOS DE CÁLCULO.
A) RAZONAMIENTO CONCEPTUAL: Son tres pasos:
1) Estimación de la Varianza poblacional basándose en la variación

entre grupos:
( Xk − μx )
2
1 k
X1 , X 2 , …, Xk → μ x = 
k i =1
X k , así S X =
k −1
k = número de muestras. Luego se reemplaza en:
S 2 = nS x2 = CUADRADO MEDIO ENTRE TRATAMIENTOS = CMET.
n = número de datos por muestra

13
2) Estimación de la Varianza poblacional basándose en la variación

dentro de los grupos:
( )
2
 X −X
Calculamos las varianzas con la fórmula S 2 = :
n −1
 ( ni − 1) Si2
S , S 2 ,..., S k →  =
2 2 2 2
= CUADRADO MEDIO DEL ERROR = CME
N −K
1
N = número total de datos del muestreo.
3) Si la hipótesis nula H o : 1 =  2 = ... k es cierta → cada CM es un

estimador de la misma varianza poblacional 2 y CMET = CME; en
cambio si la hipótesis nula es falsa CMET > CME. Las diferencias
entre las medias incrementan el CMET, pero no tienen ningún efecto
sobre el CME, que se basa sólo en las diferencias internas grupales.
CMET
Luego F calculada es: Fcal =
CME
Si F calculada se encuentra en la región de rechazo de la H o , para
el nivel de significancia dado, k-1 Grado de libertad del numerador y
N-K Grado de libertad del denominador, según la tabla de F ó F
crítica; entonces se habilita la hipótesis alternativa: H1 :no todas las
medias sub poblacionales son iguales o las medias sub
poblacionales son diferentes
TABLA DE ANOVA DE UN FACTOR: Basado en fórmulas abreviadas:
FUENTE DE GRADOS DE SUMA DE CUADRADOS CUADRADO COCIENTE F

VARIACION LIBERTAD
(SC ) (CM ) (Estadístico de
(gl )
MEDIO prueba)
ENTRE
K
Ti 2 T 2 SCA CMA
SCA = 
GRUPOS DE
TRATAMIENTO k-1 − CMA = Fcal =
(A) i =1 ni N K −1 CME
ERROR DE
MUESTREO (E) SCE = SCT - SCA SCE
CME =
N-K N−K
2
n K
T
SCT =  X −
T O T A L (T) 2
N-1 N
ij
j =1 i =1
14
3. ANOVA DE DOS FACTORES.
E1 . Analizar el aprovechamiento de un programa de capacitación, donde

se consideran el efecto de métodos de instrucción y el efecto de la
escolaridad previa.
E 2 . El rendimiento de la gasolina de acuerdo con la marca del automóvil y

el octanaje de la misma.
En un problema de dos factores, la interacción, significa que los dos

factores no son independientes. Para probar la interacción, en cada una de
las celdas de una tabla de datos de dos factores, deben incluirse más de
una observación por celda, caso contrario, no es posible evaluar la
interacción entre los factores.
TABLA DE ANOVA DE DOS FACTORES Y UNA SOLA OBS. POR

CELDA O DISEÑO ALEATORIO EN BLOQUE.
FUENTE DE GRADOS DE SUMA DE CUADRADO COCIENTE

VARIACIÓN LIBERTAD (gl) CUADRADOS (SC) MEDIO (CM) (F)
ENTRE
K
Ti 2 T 2 SCA CMA
SCA = 
GRUPOS DE
TRATAMIENTO − CMA = Fcal =
(A)
K-1
i =1 ni N K −1 CME
ENTRE
1 k 2 T2 SCB CMB
SCB =  Ti −
GRUPOS DE
TRAT. O CMB = Fcal =
BLOQUES (B)
J-1 k i =1 N J −1 CME
ERROR DE
MUESTREO (E) SCE = SCT - SCA CME =
SCE
(J - 1) (K - 1) - SCB (J − 1)(K − 1)
2
T O T A L (T) n K
T
N-1 SCT =  X − 2
ij
j =1 i =1 N
15
TABLA DE ANOVA DE DOS FACTORES Y MÁS DE UNA OBS. POR

CELDA. INTERACCIÓN.
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 = Fcal =
i =1 nJ N K −1 CME
TRATAMIENT
O (A)
ENTRE Tj 2 T 2
J SCB CMB
GRUPOS DE J-1 SCB =  − CMB = Fcal =
j =1 nK N J −1 CME
TRAT. O
BLOQUES (B)
2
1 J K  n 
INTERACCIÓN SCI =   x  SCI
 CMI = Fcal
ENTRE n j =1 k =1 i =1
(J − 1)(K − 1) = CMI
FACTORES A (J - 1) (K - 1) T2 CME
− SCA − SCB −
y B (I) N
SCE = SCT - SCA SCE

CME =
ERROR DE JK (n - 1) - SCB - SCI JK(n − 1)
MUESTREO
(E)
n J
T2
K
T O T A L (T) N-1 SCT =  X − 2
i =1 j =1 k =1 N
16
EJEMPLOS
E1. Se asignan, en forma aleatoria, 15 participantes a 3 tipos distintos de

métodos de instrucción. En la tabla se presentan las calificaciones
obtenidas. Utilice el ANOVA para probar H o ó H1 , con un nivel de
significancia del 5%.
A) Por razonamiento conceptual.

B) Por tabla de ANOVA de un factor.
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) ESTIMACIÓN DE LA VARIANZA POBLACIONAL BASÁNDOSE EN

LA VARIACIÓN ENTRE GRUPOS.
Recordemos la formula,
( Xk − μx )
2
1 k
X1 , X 2 , …, Xk → μ x =  X k , así SX =
k i =1 k −1
80+85+75
80, 85, 75, → μx = = 80 →
3
Sx =
(80 − 80)2 + (85 − 80)2 + (75 − 80)2 =5
3 −1
S 2 = nS x 2 = 5 ( 5) = 125 = CMET
2
17
2) ESTIMACIÓN DE LA VARIANZA POBLACIONAL BASÁNDOSE EN

LA VARIACIÓN DENTRO DE LOS GRUPOS.
Varianza para cada muestra respecto a su media y combinación

ponderada:
(x − x ) (86 − 80)2 + (79 − 80)2 + (81 − 80)2 + (70 − 80)2 + (84 − 80)2 = 38.5
2
S =
2
: 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
S23 =
(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 − 1)S 2 1 + (n 2 − 1)S 2 2 + (n 3 − 1)S 2 3 4(38.5) + 4(35) + 4(38.5)

ˆ 2 = = = = 37.3 = CME
N−K n1 + n 2 + n 3 − k 12
CMET 125
3) F = = = 3.35 ; Según la tabla F crítica (2,12,  = 0.05) = 3.89
CME 37.3
Como 3.35 < 3.89:  H o : u1 = u 2 = u 3

 Los 3 métodos de instrucción, en promedio, dan resultados iguales.
B) POR TABLA DE ANOVA DE UN FACTOR
Se pueden aplicar las fórmulas fuera de la tabla o dentro de la tabla.
T 2 k T 2 160000 180625 140625 1'440,000

K
SCA =  − = + + − = 250
k −1 n k N 5 5 5 15
n
T2K
1'440,000
SCT =  X − =862 + 792 + ... + 812 −
2
= 698
i =1 k =1 N 15
SCE = SCT − SCA = 698 − 250 = 448 .

18
Reemplazando en la tabla:
FUENTE DE GRADOS DE SUMA DE CUADRADO MEDIO COCIENTE

VARIACION LIBERTAD (gl) CUADRADOS (CM) F
(SC)
ENTRE GRUPOS DE
3-1=2 250 250 125
TRATAMIENTO (A)
CMA = = 125 F= = 3.35
2 37.33
ERROR DE
15 - 3 = 12 448 448
MUESTREO (E) CME = = 37.33
12
Total 15 - 1 = 14 698
E2. La siguiente tabla corresponde a calificaciones de 15 personas en

capacitación por tres métodos de instrucción y de acuerdo con su nivel
de habilidad previa.
Nivel de habilidad Métodos de instrucción

Total (Tj )
(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.
R: F = 12.4 y F = 9.1 respectivamente. Ambos casos rechazan H o .

19
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 interacción entre ellos, para los niveles de ventas,
con significancia del 1%.
Descuento en el Con publicidad Sin publicidad Total (Tj )

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.
R: F = 95.84, F = 49.45 Y F = 7.60 respectivamente, comparando con los

correspondientes F críticos, existen diferencias significativas en los dos
factores, no así en la interacción.
TAREA 1
ANÁLISIS DE VARIANZA
1. Manuel, un analista de la cadena de supermercados Wong, quiere saber

si las cinco tiendas tienen el mismo promedio en dólares 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.
20
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 propósito de estudiar el impacto según el cartel
publicitario, obteniéndose las siguientes ventas para el mismo período:
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.

R: F(0.05,3,8) = 4.07 < F( 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 máquinas de escribir. Las palabras por minuto
corresponden a personas asignadas en forma aleatoria, y sin
experiencia previa en estos equipos, después de haberles dado cierta
capacitación. Pruebe si existen o no diferencias entre las tres marcas
de máquinas, en términos de su velocidad de escritura, por tabla de
ANOVA de un factor, con una significancia del 5%.
Marca de máquina Número 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
A3 81 65 79 55 - 280 70.0
R: F = 0.37  F(0.05,2,9) = 4.26, o sea no existe diferencias entre las tres

marcas
4. Tres gerentes de producción evaluaron los diseños elaborados por

cuatro diseñadores de automóviles, según el siguiente reporte.
21
DISEÑADORES Total (Tj )

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% con tabla de ANOVA
R: Fdiseñador = 12.29 (columna)

FEvaluador = ? (Fila)
AUTOEVALUACIÓN
Explique en qué situaciones de la empresa se debe investigar con el Anova,
para decidir cambios y como instrumento de investigación de la empresa.
TEMA Nº 02
REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE

El objetivo de la regresión 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 relación
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 estimación por intervalos en el análisis de regresión,
la distribución de la variable dependiente, para valores diferentes de
la variable independiente, se distribuye normalmente.
22
DIAGRAMA DE DISPERSIÓN: Es una gráfica en la que se traza cada uno

de los puntos que representan un par de valores observados para las
variables independiente y dependiente.
2. MÉTODO DE MÍNIMOS CUADRADOS PARA UNA LÍNEA DE

REGRESIÓN
El modelo es: i = o + 1i + i
Υ i = Valor de la variable dependiente en el i - ésimo ensayo.
βo = Primer parámetro, que indica el valor de Y para X = 0
β 1 = Segundo parámetro, que indica la pendiente de la recta.
Χ i = Valor de la variable independiente en el i - ésimo ensayo
ε i = Error aleatorio de muestreo en el i - ésimo ensayo.
Los parámetros o y  1 ,del modelo teórico se estiman mediante b o y
b 1 respectivamente, calculados en base a los datos muestrales. Según el

método, la línea de regresión que mejor se ajusta es aquella para la cual
se minimiza la suma de los cuadrados de las desviaciones entre los valores
estimados y los valores observados de la variable dependiente.
Los valores de b o y b 1 , que satisfacen este criterio son:
b1 =  − n X Y2 ; bo = Y − b1 
2
 − n X
Y la ecuación de regresión lineal es: Y = bo + b1 X
Una vez determinada la ecuación de regresión, 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 él.
RESIDUALES
Se denotan y definen por: e =  − ˆ ;donde Y= valor observado, ̂ = valor

ajustado.
23
3. ERROR ESTANDAR DE ESTIMACIÓN
El error estándar de estimación es la desviación estándar de la variable

dependiente Y, respecto al valor ajustado de la variable ̂ . Para datos
muestrales es:
( − ˆ ) e 2
2
S = =
yx n−2 n−2
O directamente:
2 − bo − b1

S =
yx n−2
Que es un estimador del error estándar poblacional  yx
4. INFERENCIAS SOBRE LA PENDIENTE
Antes de utilizar la ecuación de regresión en predicciones, debe

determinarse si efectivamente existe, una relación entre las 2 variables de
la población o, si pudiera ser que la relación que se observa en la muestra
haya ocurrido por el azar. Si no existe relación, la pendiente de la línea de
regresión poblacional sería cero, o sea β 1 = 0. Por ello, la hipótesis que se
prueba es H o : β 1 = 0.
Se prueba el valor hipotético de una pendiente calculando el estadístico t,

utilizando n - 2 grados de libertad. Su fórmula es:
b − S yx
t= 1 1 , en donde S b =
  − n X

S 
b1
b
Como la hipótesis nula dice que la pendiente es cero, se usa: t = 1
S
b1
Y el intervalo de confianza para la pendiente β 1 es: b1  t S b1
5. INTERVALOS DE CONFIANZA PARA LA MEDIA.
La estimación de la variable dependiente, dado un valor específico de X, es

el valor de la línea de regresión. Luego, la media condicional es:
ˆ y = b + b X
o 
Con base en los datos muestrales, el error de la media varía según X:
24
(X − X )
2
1
S = S +
y, x y, x ( X )
2
n
 2
−
n
Y el intervalo de confianza para la media, utilizando n - 2 grados de libertad
es:
ˆ  t S
y yx
6. INTERVALOS DE PREDICCION PARA VALORES

INDIVIDUALES DE LA VARIABLE DEPENDIENTE
El error estándar completo para un intervalo de predicción para valores

individuales de la variable dependiente se denomina error estándar del
pronóstico, e incluye la incertidumbre por la dispersión vertical respecto a
la línea de regresión y la incertidumbre por la posición del valor mismo en
la línea de regresión.
La fórmula básica para el error estándar del pronóstico es:
S = S  yx + S  yx , o también: S = S sx
y(siguiente) y ( siguiente) 1 (X −X )
2
1+ +
n
2 −
(  )2
n
Y, el intervalo de predicción para un valor individual de la variable
independiente, utilizando n - 2 grados de libertad es: y  t S
y(siguiente)
7. CORRELACIÓN LINEAL SIMPLE.
La correlación mide el grado de relación que hay entre las variables X, Y
EL COEFICIENTE DE DETERMINACIÓN
2  2 yx
Para datos poblacionales, se denota y define por:  = 1 − 2
 y
S  yx

 b o  + b − n
Y para datos muestrales:  = − = 
   − n
S y
EL COEFICIENTE DE CORRELACIÓN
El coeficiente de correlación poblacional, teniendo el mismo signo de  1

es:
25
 = 2 , Y, el coeficiente de correlación muestral es:  = 2
El signo del coeficiente de correlación indica la dirección de la relación entre

las variables x e y.
n − 
O directamente:  =
n − (  ) nY 2 − ( Y )
2 2 2
Un estimador insesgado para el coeficiente de determinación de la población es:
(
2 = 1− 1−  2 )
 n −1 
n − 2

8. MÉTODO DE LA COVARIANZA PARA CALCULAR EL

COEFICIENTE DE CORRELACIÓN.
La Covarianza evalúa la medida en la que dos variables "varían juntas" y

se utiliza en análisis financiero para determinar el riesgo total asociado con
inversiones interrelacionadas. La fórmula para la Covarianza muestral es:
(
  X − X Y −Y 
COV ( X , Y ) =   )( )
n −1
Y el coeficiente de correlación en función de la Covarianza es:
( ) ( )
2 2
COV ( X , Y )  x−x  y− y
2 2
x − nx
2
y 2 − n y
= ; Sx = = ; Sy = =
S X SY n −1 n −1 n −1 n −1
REGRESIÓN LINEAL
Ejemplo: Cola Real desea experimentar la relación lineal simple entre la

experiencia de sus vendedores en años y las unidades vendidas en miles,
de sus productos para lo cual se eligieron 5 vendedores al azar tal como se
muestra en la tabla siguiente:
vendedor Carlos Juan Manuel Julio Pedro
Experiencia (años) 3 1 2 5 4
26
Ventas(Miles de 9 5 7 14 10
unidades)
Hallar:
A. La gráfica de dispersión, determinar si es apropiado un análisis de
regresión lineal.
B. La ecuación de regresión, interpretar sus coeficientes.
C. Predecir para experiencia de 3,5 años y 4,5 años respectivamente, así
como para 8 años.
D. ¿Existen relación entre las variables, experiencia y ventas? Probar con
α = 0.05
E. Hallar el grado de relación entre experiencia ay ventas de sus
vendedores.
SOLUCION
B) Ecuación de regresión lineal: Y = bo + b1X
X Y XY X2 Y2
3 9 27 9 81
1 5 5 1 25
4 10 40 16 100
5 14 70 25 196
2 7 14 5 49
15 45 156 55 451
15
X = =3
5
45
Y= =9
5
b1 =  − n X Y2 = 156−5(3)(9) = 2.1

55−5(3)2
2
 − n X
bo = Y − b1  =9 - 211(3) = 2.7
Entonces la ecuación de regresión lineal será:
Y = bo + b1X → Y = 2,7 + 2,1X
Interpretación:
bo =2,7: Sin experiencia (X = 0), las ventas serán de 2,7 mil unidades.
27
b1 = 2,1: Por cada año de experiencia (X) adicional, las ventas se

incrementan en 2,1 mil unidades.
c) Predicción:
Si X = 3,5 años: Y = 2,7 + 2,1 (3.5) =
Si X = 4,5 años: Y = 2.7 + 2.1 (4,5) =
Si X = 8 años: No se puede hallar porque sobrepasa el rango del 1 – 5
años
𝑏 2 − bo − b1

d) Tcal = 𝑆𝑏1 calculo del error estándar (Syx), S = =
1 yx n−2
0.80
451−2.7(45)−2.1 (156) S yx 2,1
√ = 0,80; S b = Tcal = 0,25 = ± 8,4
  − n X =0.25
5 −2 
Ho
H1 Aceptación H1 Tcal = 8,4
Rechazo Rechazo
3.182
Tcritico = (gl; α)
(n – 2; 5%)
(5 – 2; 0,05)
Tabla T: (3; 0,05) = ± 3,182
Interpretación: Como T calculado (8,4) es mayor que T crítico (3,182) cae

en la zona de rechazo. Por tanto, existe relación entre ventas y experiencia.
E) Grado de Relación: coeficiente de correlación (r)
𝑛 ∑ 𝑥𝑦− ∑𝑥 ∑𝑦
r=
√𝑛∑𝑥 2 − (∑𝑥)2 . √𝑛∑𝑥 2 −(∑𝑦)2
8(156)−15(45)
r= = 0,98 en % : 0,98 x 100 = 98%
√55(55)−(15)2 . √𝑛∑𝑥 2 −(∑𝑦)2
Existe muy alta relación entre ventas y experiencia

28
TAREA 2
REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE
1. La junta de estudiantes de una universidad desea determinar sí el

precio de admisión a la sala de juegos del centro estudiantil ejerce
algún efecto sobre el número de estudiantes que utilizan las
instalaciones. El precio de admisión y el número de estudiantes que
entran al recinto durante 8 noches de viernes sucesivos se indican
en la tabla. Determinar la ecuación de regresión. Haga 2
predicciones.
Precio $ 1.25 1.50 1.75 2.00 1.50 2.00 2.50 1.50

Nº de 95 83 75 72 69 101 98 85
entradas
2. Se pide a cuatro personas que beben una determinada marca de

gaseosas que registren el número de gaseosas que consumen
durante la semana. Se hace lo mismo con bebedores de otras tres
marcas. Los resultados se muestran a continuación. Por tabla de
ANOVA y una significancia del 5%, determine si existe diferencia en
el número promedio de gaseosas consumidas, para cada marca.
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 electrodomésticos,

piensa que el número de unidades vendidas depende tanto de la
habilidad del vendedor como de la marca que se trata de vender. Ha
registrado el número de unidades vendidas en la tienda del centro,
durante los últimos 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 hipótesis con una significancia
de 10%.
29
4. ¿Merece la pena estudiar? Para contestar a esta pregunta, un

estudiante curioso de una clase de estadística preguntó a otros 10
estudiantes cuántas horas dedicaron al estudio para el último
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 ecuación de regresión y el error estándar.
5. Damián, gerente de una gran cadena de tiendas debe elegir dónde

poner en exhibición una batería conocida. Damián está preocupado
tanto por el nivel como por la variabilidad en las ventas. Está
considerando colocar los expositores en el departamento de
ferretería o junto a las cajas registradoras de salida. Damián los
coloca en las cajas de salida en cuatro tiendas y en la sección de
ferretería en otras cuatro. Los resultados, en número de baterías
vendidas por semana, son:
Cajas registradoras Dpto de ferretería

205 185
185 191
170 178
240 200
¿Produce una localización mejor promedia de ventas que la otra?

Resuelva por tabla de ANOVA para una significancia de 10%.
6. La compañía de helados Sweet Treat está planeando probar tres

sabores nuevos: brandy, melocotón y albaricoque. Cathy, analista
de la compañía, quiere medir también 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 exhibición y precio correctos en todas las
tiendas durante un período 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
%.
Precio Brandy Melocotón 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 reúne una muestra de 5
semanas:
30
Semana Libros vendidos Y Espacio en repisa X

1 275 6.8
2 142 3.3
3 168 4.1
4 197 4.2
5 215 4.8
Determine la ecuación de regresión y los residuales.
8. Charles Tortorelli, gerente de una cadena de montaje en una planta

de fabricación de aspiradoras, cree que la tasa de unidades
defectuosas producidas en un turno de ocho horas en una de las
cintas transportadoras está inflada por el turno que opera la cinta.
Decide probar su hipótesis mediante un muestreo de la cinta, cuatro
veces en cada turno de ocho horas y contando las unidades
defectuosas.
Día 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?
9. Tim, gerente de producción de la corporación Tetronic, piensa que

la variación en el número de unidades producidas por hora se puede
relacionar tanto con el operador como con la máquina que se usa
para producirlas. Se observan tres operadores usando cada una dos
máquinas durante dos horas:
Operador
Máquina A B C
1 12 15 17 23 10 14
2 9 12 20 25 12 12
Por tabla de ANOVA, pruebe las hipótesis con una significancia del
10%.
10. Carlos, gerente de los almacenes Monty Card, se pregunta si sus

clientes realizan más compras con sus tarjetas de crédito 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:
31
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 crédito?. Pruebe con un
nivel de significancia de 10%, por tabla de ANOVA.
11. Debbie directora de Stoneware, está experimentando con tres

métodos de formación de personal diferentes para determinar si
existe alguna diferencia en su efectividad. Debbie tiene 12 nuevos
empleados en períodos de formación y le preocupa que quienes
tengan experiencia previa puedan reaccionar en forma distinta a los
métodos. Por esta razón divide al grupo en dos: sin experiencia y
con experiencia. Después expone a dos miembros de cada grupo
cada uno de los tres métodos. Una vez que terminan su formación,
cada empleado contesta un test diseñado para medir la efectividad
del programa de formación. Las calificaciones que obtuvieron son:
Métodos de Formación
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 hipótesis para alfa 2.5%.
12. Tres tipos distintos de motores a gasolina fueron probados para

determinar cuánto tiempo son útiles antes de necesitar una
reparación; haga una prueba por tabla de ANOVA usando 0.05 de
significancia para determinar si difieren las medias de vida útil antes
de requerir reparación. En la tabla aparecen los tiempos de vida útil,
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
13. Bantam Books emplea tres técnicas de impresión diferentes. Un

estudio de control de calidad halló errores excesivos de impresión,
como manchas, sobreimpresiones, tipos borrosos y algunas páginas
en blanco. Para determinar si hay diferencia en el número medio de
errores a causa del método de impresión, se imprimió un pasaje
determinado por cada método en los cuatro tipos de papel que utiliza
32
Bantam. ¿Indican los resultados que uno o más de los métodos es

mejor?, ¿Influye el tipo de papel?, Resuelva por ANOVA. Fije alfa en
5%.
Métodos de impresión
Tipo de papel A B C
W 2 1 1
X 3 3 2
Y 5 6 3
Z 4 4 4
EJERCICIOS RESUELTOS:
CASO 1
1. Los miembros de un equipo ciclista se dividen al azar en tres grupos

que entrenan con métodos 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. Después 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 métodos producen resultados equivalentes?
O por el contrario ¿Hay algún método superior a los demás? Los
tiempos empleados fueron los siguientes:
Método I Método II Método 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) Estimación de la varianza poblacional basándose en la variación entre
grupos.
K=3 n=5 N=15 gl1=k-1=3-1=2 gl2=N-k=15-3=12
μ 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
S ² = 𝑛 S ² = 5(1.64)2 = 13.45 = CMET
x
33
2) Estimación de la varianza poblacional basándose en la variación 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
= 1.3
2
2
5 −1
S3=
2 (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 4(1.3) + 4(1.3) + 4(1.7)

ˆ 2 = = = 1.43 = CME
N −K 15 − 3
CMET 13.45
3) F= = = 9.40 ; Según la tabla F crítica (2,12,  = 0.05)
CME 1.43
= 3.89
Como 9.40> 3.89  H 1 : u1  u2  u3
 Se rechaza la hipótesis nula y se concluye que los tres métodos de
entrenamiento producen diferencias significativas.
B) POR TABLA DE ANOVA DE UN FACTOR

Se pueden aplicar las fórmulas 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 + 162 + ........+ 112 − =44
i =1 k =1 N 15
CASO 2
2. Tres gerentes de producción evaluaron los diseños elaborados por

cuatro diseñadores de automóviles, según el siguiente reporte.
34
EVALUADOR DISEÑADOR Total (Tj )

1 2 3
A 15 14 13 42
B 16 13 12 41
C 14 15 11 40
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 DISEÑO 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

= 42 + 412 + 402 + 452 + 422 −
3 15

(210) 2
= 4.67
SCE = SCT - SCA – SCB= 44-26.8-4.67 =12.53

n k
T2 (210) 2
SCT =  Xij − = 15 + 16 + .........+ 11 −
2 2 2 2
=44
j =1 i =1 N 15
R: Fdiseñador = 4.46 (columna)

H 1 : u1  u2  u3 Los diseñadores si influyen
FEvaluador = 3.84 (Fila)

H0 : u1 = u2 = u3 = u4 Los evaluadores no influyen
35
FUENTE DE GRADOS DE SUMA DE CUADRADO MEDIO COCIENTE F

VARIACIÓN LIBERTAD CUADRADOS (CM) F Critica
(gl) (SC)
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 12.53
MUESTREO
(E) 2x4=8 CME = = 1.57
8
N-1
Total
(T) 15-1=14 SCT=44
REGRESIÓN LINEAL SIMPLE
1. La junta de estudiantes de una universidad desea determinar si el

precio de admisión a la sala de juegos del centro estudiantil ejerce
algún efecto sobre el número de estudiantes que utilizan las
instalaciones. El precio de admisión y el número de estudiantes que
entran al recinto durante 8 noches de viernes sucesivos se indican en
la tabla. Determinar la ecuación de regresión. Haga 2 predicciones.
Precio 1.20 1.70 1.90 2.50 1.30 1.80 1.70 2.00
Nº de
entradas 93 80 72 65 71 100 95 64
36
A) ECUACIÓN DE REGRESIÓN
1 1.2 93 111.6 1.44 8649 89.39375 3.60625 13.0050391

2 1.7 80 136 2.89 6400 81.04375 -1.04375 1.08941406
3 1.9 72 136.8 3.61 5184 77.70375 -5.70375 32.5327641
4 2.5 65 162.5 6.25 4225 67.68375 -2.68375 7.20251406
5 1.3 71 92.3 1.69 5041 87.72375 -16.72375 279.683814
6 1.8 100 180 3.24 10000 79.37375 20.62625 425.442189
7 1.7 95 161.5 2.89 9025 81.04375 13.95625 194.776914
8 2 64 128 4 4096 76.03375 -12.03375 144.811139
T= 14.1 640 1108.7 26.01 52620 -126.03625 766.03625 586811.536
PROM= 1.7625 80 138.5875 3.25125 6577.5 -15.7545313 95.754531 73351.442
ECUACION DE REGRESION
Ŷ=b0 +b1 X Ŷ=109.4 - 16.7X
b1=  − n X Y -19.3 bo = Y − b1 

2
 − n X
2
1.15875
b0 = 109.43375
b1= -16.656 -16.7
REGRESIÓN
2. Supongamos que el señor 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 continuación:
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
37
X Y XY X² Y² Ŷ e e²
1 1.3 10 13 1.69 100 13.23 -3.23 10.4329
2 2 6 12 4 36 3.08 2.92 8.5264
3 1.7 5 8.5 2.89 25 7.43 -2.43 5.9049
4 1.5 12 18 2.25 144 10.33 1.67 2.7889
5 1.6 10 16 2.56 100 8.88 1.12 1.2544
6 1.2 15 18 1.44 225 14.68 0.32 0.1024
7 1.6 5 8 2.56 25 8.88 -3.88 15.0544
8 1.4 12 16.8 1.96 144 11.78 0.22 0.0484
9 1 17 17 1 289 17.58 -0.58 0.3364
10 1.1 20 22 1.21 400 16.13 3.87 14.9769
T 14.4 112 149.3 21.56 1488 112 2.13163E-14 59.426
PROM 1.44 11.2 14.93 2.156 148.8 11.2 2.13163E-15 5.9426
ECUACIÓN DE REGRESIÓN
Ŷ=b0 +b1 Ŷ=32.08-14.5X
b1= -11.98 b0= 32.08

0.824
b1= -14.54 -14.5
ERROR ESTÁNDAR
( − ˆ ) e 2 7.42825 2.725482
2
59.426
S = =
yx n−2 n−2 8
38
UNIDAD II
MODELOS CUANTITATIVOS DE SERIE DE TIEMPO Y NÚMEROS

ÍNDICES
1. Comprende el conocimiento de las Series de Tiempo y su aplicación

a la investigación en la empresa, con fines de pronóstico y de
planificación en el funcionamiento óptimo de la empresa.
2. Realiza mediciones de componentes cíclicos y estacionales y las usa

para proyectar el futuro de la entidad vía PC.
3. Calcula un Índice de Precios Simple y Ponderado según el período

base. Efectúa ejercicios de los casos propuestos, comparte sus
resultados.
4. Explica cómo se elabora y se interpreta el IPC, Índice de Inflación.

Interpreta la Deflación.
Se buscará 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 aplicación de soluciones técnicas determinadas con
los instrumentos que son los modelos cuantitativos y de optimización.
2. Desarrollar en los estudiantes una actitud creadora y favorable a los

cambios significativos, mediante soluciones técnicas.
3. Desarrollar en los estudiantes una actitud responsable en la asistencia

y puntualidad a clases, así como en la elaboración de tareas.
4. Desarrollar en los estudiantes una conducta ética y de práctica de

valores como estudiante y futuro profesional.
5. Desarrollar en los estudiantes la vocación por el trabajo en equipo y

la coparticipación multiprofesional.
TEMA N° 3: REGRESION Y CORRELACION LINEAL MULTIPLE

TEMA N° 4: SERIES DE TIEMPO
39
TEMA N° 3
REGRESIÓN Y CORRELACIÓN LINEAL MÚLTIPLE
1. INTRODUCCIÓN
El análisis de regresión lineal múltiple es una técnica 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 relación 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 MATEMÁTICO DE LA REGRESIÓN LÍNEAL

MÚLTIPLE CON DOS VARIABLES INDEPENDIENTES.
El diagrama de dispersión se puede trazar en un sistema

rectangular tridimensional. El modelo matemático de la
regresión lineal múltiple es:
Yi =  + 1X1i + 2X2i + i,
donde:
 = Intersección 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 observación i
Una primera meta del análisis es el establecimiento de una

ecuación de regresión lineal múltiple estimada, como:

Y = a + b1X1 + b2X2
Donde la terna a, b1, b2 son estimadores de los parámetros

reales , 1, 2.
MÉTODO DE MÍNIMOS CUADRADOS.
40
El plano de regresión está colocado de modo que se reduzca

al mínimo la suma del cuadrado de los errores

 (Y – Y )²,
Donde: 
Y = valor observado y Y = valor estimado.
Esta condición se cumple cuando se satisfacen las ecuaciones

normales siguientes:
Y = na + b1X1 + b2X2
X1Y = aX1 + b1X²1 + b2X1X2
X2Y = aX2 + b1X1X2 +b2X2²
Sistema, de cuya solución se obtienen los coeficientes

estimados de regresión:
b1=     ( )(
X 22 − nX 22  X 1Y − nX 1Y  −  X 1X 2 − nX 1X 2  X 2Y − nX 2Y
 )
2
X 1 − nX 1  X 2 − nX 2  − X 1X 2 − nX 1X 2
2 2 2 2
    
b2 =
    ( )(
X 12 − nX 12  X 2Y − nX 2Y  −  X 1X 2 − nX 1X 2  X 1Y − nX 1Y
 )
2
X 12 − nX 12  X 22 − nX 22  − X 1X 2 − nX 1X 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
desván en pulgadas de grosor, X2, sobre el consumo mensual
de petróleo para calefacción 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 ecuación de regresión múltiple.
41
Obs. Y X1 X2 X1Y X2Y X1X2 X1² X2² Y²
1 275.3 40 3 11012.0 825.9 120 1600 9 75790.09

2 363.8 27 3 9822.6 1091.4 81 729 9 132350.44
3 164.3 40 10 6572.0 1643.0 400 1600 100 26994.49
4 40.8 73 6 2978.4 244.8 438 5329 36 1664.64
5 94.3 64 6 6035.2 565.8 384 4096 36 8892.49
6 230.9 34 6 7850.6 1385.4 204 1156 36 53314.81
7 366.7 9 6 3300.3 2200.2 54 81 36 134468.89
8 300.6 8 10 2404.8 3006.0 80 64 100 90360.36
9 237.8 23 10 5469.4 2378.0 230 529 100 36548.84
10 121.4 63 3 7648.2 364.2 189 3969 9 14737.96
11 31.4 65 10 2041.0 314.0 650 4225 100 985.96
12 203.5 41 6 8343.5 1221.0 246 1681 36 41412.25
13 441.1 21 3 9263.1 1323.3 63 441 9 194569.21
14 323.0 38 3 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 98060.1 18057 3833 30308 725 939175.68
Y= X = X =
216.49 40.27 6.33
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 fórmulas:

a = 562.15, b1 = -5.44, b2 = -20.01
Y la ecuación de regresión lineal múltiple estimada es:


Y = 562.15 - 5.44X1 - 20.01 X2
3.PRUEBA DE LA RELACION POR ANOVA.
Las hipótesis nula y alternativa son:

H0:1 = 2 = 0. (No hay relación)
H1:1 0 20. (Hay relación)
H0 se prueba mediante la distribución F dada por:
F(p, n-p-1) = S²reg

S²yx
42
Dónde: S²reg = varianza debida a la regresión.

S²yx = cuadrado del error estándar de estimación.
p = número de variables independientes
n = tamaño de la muestra
TABLA DE ANOVA PARA LA PRUEBA. Para el ejemplo:
Fuente DF Suma de los cuadrados (SS) Varianza F

aY + b1 X1Y + b2 X2Y – S²reg = SSreg
1
( y ) = p F = S²reg
2
n
Regresión p=2 = 227717.94 S²yx
562.15(3247.4)+(-5.44)(98060.1) +
2 =113858.97
(-20.01)(18057) – (3247.4) ²/15
= 113858.97 701.44
= 227717.94
= 162.32
Y² - aY - b1 X1Y - b2 X2Y Syx² = SSerror

Error n-p-1=15- 939,175.68 – 562.15 (3247.4) – (- n-p-1
2-1 = 12 5.44)(98060.1)–(-20-01) = 8417.28
(18,057) 12
= 8417.28 = 701.44
Y² - (Y)²
n-1 = 15-1 n
Total =14 =939,175.68 – (3247.4)²
15
= 236,135.23
Si se selecciona un nivel de significación de 0.05, se determina que el valor

crítico 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, está relacionada con el consumo de petróleo.
PREDICCIONES
E1. Predecir el consumo mensual de petróleo en calefacción en una casa

con 6 pulgadas de aislamiento en el desván, para una temperatura
promedio diaria de 30°F.
43
SOLUCION.

Y =562.15 – 5.44 X1 – 20.01 X2 =562.15 – 5.44 (30) – 20.01 (6)
= 278.98 galones.
4. CORRELACIÓN MÚLTIPLE. MEDICIÓN DEL GRADO DE RELACIÓN.
Coeficiente de determinación múltiple: Está dado por:
r²y12 = SSreg
SSt
= 227717.94 = 0.9644
236135.23
Significa que el 96.44% de la variación en el consumo mensual de petróleo

se explica por la variación en la temperatura ambiente promedio y por la
variación en el grosor del aislamiento en el desván, quedando sólo el 3.56%
para ser explicado por el azar.
Coeficiente de correlación múltiple.
Se trata de calcular un solo valor que describa la intensidad total de la

relación entre una variable dependiente y dos o más variables
independientes. Este valor es el coeficiente muestral de correlación
múltiple, su signo se considera siempre positivo:
Para el ejemplo: ry12 = 0.9644 = 0.9829
MATRIZ DE CORRELACIÓN.
A fin de estudiar mejor la relación entre las variables, es útil examinar la

correlación entre cada par de variables incluidas en el modelo, mediante la
matriz de correlación, donde cada elemento se obtiene por la fórmula de
fórmulas:
rxy = ____________n XY - XY____________

n x² - (x)² n y² - (y)²
Para el ejemplo:
ryx1 = ry1 = _________15 (98060.1) – 604 (3247.4)_________
15 (30308) – (604)² 15(939175.68)-(3247.76)²

= - 0.86974.
Y X1 X2
(petróleo) (temperatura) (aislamiento)
Y
44
(petróleo) 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
Se observa que entre la cantidad de petróleo y la temperatura, la

correlación es -.86974, lo que indica una asociación negativa fuerte; que
entre variables independientes no hay correlación (0.00892).
6. VARIABLES FICTICIAS.
El tipo de análisis de regresión que hemos efectuado hasta aquí requiere

que todas las variables sean cuantitativas, pero muchas veces la variable
dependiente está afectada por una variable que es cualitativa, que sólo
puede describirse en forma categórica (hombre / mujer, propietario /
inquilino, La Molina /San Borja / comas, Contador /Economista/
Administrador/ Ingeniero).
CODIFICACION
Las variables ficticias usan el código binario, es decir que pueden tomar
solo dos valores, cero o uno, y se usan para indicar la ausencia o presencia
de una característica cualitativa en particular. Si k = número de categoría
para la variable cualitativa, entonces k-1 = número 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 raíces con 3 ubicaciones: A, B, C:

K = 3 → K-1 = 3-1 = 2 variables ficticias
CODIFICACION: UBICACIÓN: X3 X4
A 0 0
B 1 0
C 0 1
7.ANÁLISIS DE REGRESIÓN POR PASOS HACIA ATRÁS.
Se comienza incluyendo en el modelo todas las variables posibles, luego

según el análisis, generalmente mediante la prueba t, para determinar si el
coeficiente parcial de regresión de cada variable independiente representa
una contribución significativa al modelo global, se elimina una variable en
cada paso.
45
EJERCICIOS
E1. La siguiente tabla corresponde a las remuneraciones anuales

para una muestra de supervisores:
Persona Remuneraci Años de Años de Sexo

muestreada ón 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
E2. En los resultados del primer comando, identifique el coeficiente de

regresión parcial que tiene el estadístico t menor y determine si la
contribución de esa variable al modelo es significativa, a un nivel del
5%.
SOLUCIÓN
Debe observarse que los grados de libertad para la prueba t son los mismos
que para el CME del análisis de varianza que son iguales al tamaño de la
muestra menos el número de parámetros estimados en la ecuación de
regresión múltiple, es decir gl = 14-4 = 10.
La variable de menor estadístico t es el sexo (X 3) con t = 0.30. Como t
crítico para gl = 10 y  = 0.05 es  2.228, t calculado < t crítico, lo cual
no rechaza la hipótesis nula de que 3 = 0.
46
 Hemos probado la hipótesis nula, concluyéndose que el sexo no

contribuye en forma significativa al modelo y se le debe eliminar de la
ecuación de regresión múltiple (análisis de regresión por pasos hacia
atrás).
E4. Observe, los resultados, del segundo comando de regresión, que

nos da la ecuación de regresión:

Y = 25511 + 826 X1 + 1604 X2
Pruebe la hipótesis nula o su rechazo, con un nivel de significancia del 5%.
SOLUCIÓN
Según los resultados F calculada es 11.28, determinamos F crítica para gl1

= 2, gl2 = 11 y  = 0.05: F crítica = 3.98: F calculada > F crítica
Rechazamos la hipótesis nula y concluimos que existe un efecto
significativo de regresión.
E5. Siempre en los resultados del segundo comando, observe cual de

los coeficientes parciales de regresión tienen el menor t, determine
si la contribución de esa variable al modelo de regresión múltiple es
significativa a un nivel del 5%.
SOLUCIÓN
La variable de menor t es X2 (educación) con t = 2.99. Como t crítica

(11,0.05) =  2.201, es decir: T calculada > t crítica.
Rechazamos la hipótesis 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 regresión múltiple. El hecho que no se elimine ninguna
variable en esta etapa del procedimiento por pasos hacia atrás significa que
ya se han determinado las variables independientes del modelo de
regresión múltiple.
E6. Usando la ecuación de regresión múltiple con 2 variables

independientes, estime el sueldo anual de una persona que tiene 5.5
años de experiencia y 4.0 años de educación por secundaria.
SOLUCIÓN
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 ecuación de regresión

del problema anterior.
47
SOLUCIÓN
a = 25511 es la ordenada en el origen respecto al eje Y, para X1 = 0 y X2 =

0, que sería el salario estimado para una persona que no tiene ni
experiencia ni educación postsecundaria. Sin embargo, no existe este
significado práctico, en razón que las variables independientes no incluyen
en sus rangos de los valores muestreados.
b1 = 826 indica que, en promedio, a un aumento de un año en los años de
experiencia le corresponde un aumento de $ 826 de remuneración anual,
dado que la variable años de educación la consideramos constante.
b2 = 1604 indica que, en promedio, al aumento de un año en los años de
educación postsecundaria le corresponde un aumento de $ 1604 en la
remuneración anual, dado que la variable años de experiencia la
consideramos constante.
E8. En los resultados del segundo comando identifique:

a) El intervalo de confianza de 95% para la remuneración anual promedio
de las personas de la población con 5.5 años de experiencia y 4 años
de educación postsecundaria.
b) El intervalo de predicción del 95% para una persona específica que
tiene 5.5 años de experiencia y 4 años de educación postsecundaria.
SOLUCIÓN
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 predicción es un intervalo de probabilidad para un
valor individual de Y. El intervalo de predicción indica que existe una
probabilidad de 0.95 que una persona con 5.5 años de experiencia y 4 años
de educación postsecundaria tenga una remuneración anual entre $ 31548
y $ 41386.
E9. Con referencia a los resultados de los comandos 3), 4) y 5) que son

gráficos de residuales respecto a los valores ajustados Y , a los años
de experiencia y a los años de educación postsecundaria
respectivamente, determinar en cada caso si los requerimientos de
linealidad y de igualdad de varianzas condicionales se satisfacen.
SOLUCIÓN
a) En la gráfica de residuales versus los valores estimados Y parece

satisfacerse la suposición de linealidad; en cambio, con respecto a la
igualdad de varianzas condicionales, parece que estas tienen valores
un tanto mayores que la remuneración estimada, cuando se rebasa el
valor de $ 40,000 de la escala horizontal.
b) Las gráficas de residuales individuales respecto a años de experiencia
y años de educación son lineales, pero ambas muestran varianzas
48
condicionales mayores cuando se eleva el número de años, lo cual

identifica la fuente de la posible dificultad identificada en a) respecto a
la igualdad de varianzas condicionales. Consideración importante al
interpretar los intervalos de confianza y de predicción.
E10. Con referencia a los resultados del comando 6) que es una matriz
de correlación se pide:
a) Identifique ¿qué variable tiene mayor correlación con la remuneración
anual y cuál es esa correlación?
b) Identifique que otras dos variables, aparte de la remuneración anual,
tiene mayor correlación entre sí, y cuál es esa correlación.
SOLUCIÓN
La significancia de estos coeficientes simples de correlación se determina

usando la prueba t.
a) La mayor correlación se da entre la remuneración anual y los años de
experiencia, y es r = 0.637.
b) La mayor correlación, aparte de la remuneración anual, se da entre
experiencia y sexo con r = 0.352.
E11. En los resultados del comando 2) identifique el coeficiente de

determinación múltiple y calcule el coeficiente de correlación
múltiple. Interprete el coeficiente de determinación y de la forma
como podría probarse la significación del coeficiente de correlación.
SOLUCIÓN
El coeficiente de determinación es R² = 0.672, e indica que

aproximadamente el 67.2% de la varianza de las remuneraciones queda
estadísticamente explicada por los años de experiencia y los años de
educación postsecundaria de los supervisores.
El coeficiente de correlación múltiple es R = 0.672 = 0.82, que se reporta
como valor absoluto.
Problema 1.-
¨JUSTOS¨ es un estudio contable en el centro de lima, está pasando por
difíciles momentos financieros ya que fue perdiendo clientes. La contadora
junto con el personal están estudiando otros estudios contables en distritos
adyacentes particularmente desean saber que variables se relaciona con
el número de clientes, a los que les brinda su servicio. Ha podido obtener
la siguiente información de muestra acerca de 8 estudios contables
similares. Se utilizó la siguiente notación. Determine la ecuación de
regresión.
49
TAREA 3
REGRESION Y CORRELACION LINEAL MULTIPLE
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, además de la subdivisión y
del precio, se incluyen los datos de superficie del terreno y la superficie
construida. Siendo el precio la variable dependiente, realice un análisis
de regresión por pasos hacia atrás utilizando algún programa de
computación.
Instalación Precio (en Área Subdivisión Superficie del

fabril miles de construida terreno (m²)
muestreada millones de (m²)
S/.)
1 102200 1500 A 12000
2 103950 1200 A 10000
3 87900 1200 A 10000
4 110000 1600 A 15000
5 97000 1400 A 12000
6 95700 1200 A 10000
7 113600 1600 A 15000
8 109600 1500 A 12000
9 110800 1500 A 12000
10 90600 1300 A 12000
11 109000 1600 B 13000
12 133000 1900 B 15000
13 134000 1800 B 15000
14 120300 2000 B 17000
15 137000 2000 B 17000
16 122400 1700 B 15000
17 121700 1800 B 15000
18 126000 1900 B 16000
19 128000 2000 B 16000
20 117500 1600 B 13000
21 158700 2400 C 18000
22 186800 2600 C 18000
23 172400 2300 C 16000
50
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 ecuación de regresión múltiple para estimar el precio de una

fábrica con base en las tres variables de tamaño del terreno, superficie
construida y ubicación. Prueba la significancia del modelo de regresión
múltiple a un nivel del 5%.
Resp. Y = 40462 + 36.0 X1 + 0.94 X2 + 4267 X3 + 26648 X4.
2. Observe cuál de las variables tienen el coeficiente de regresión parcial

con el menor valor del estadístico t, y determine si la contribución de
esa variable es significativa a un nivel del 5% (Nota: para la solución,
se adopta la posición de que, dado que las dos variables indicadoras
representas una variable cualitativa de ubicación, o se elimina ambas
o ninguna. Por ello se considera el mayor de los dos coeficientes t
asociados con las variables indicadores).
Resp. El tamaño del lote tiene el menor valor del estadístico de prueba
(t=0.44) y se le debe eliminar del modelo.
3. Al continuar con el problema 2, obtenga la ecuación de regresión

múltiple 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 regresión es significativo al nivel del 5%.
4. Al igual que en el problema 2, observe cuál de las variables tiene el

coeficiente de regresión parcial con el menor valor reportado del
estadístico t, y determine si la contribución de esa variable al modelo
de regresión múltiple es significativa a un nivel del 5%.
Resp. t = 0.79, el cual se ignora dada la posición que se describió en el

problema 2 con respecto a las variables indicadoras. La siguiente
estadística 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 gráfica de residuales para el modelo de regresión múltiple

del problema 3. ¿Se satisfacen las suposiciones de linealidad e
igualdad de varianzas condicionales?
51
Resp. Las suposiciones se satisfacen en forma razonable. Existe una

observación “aberrante” en la porción superior derecha de la gráfica, y
debe verificarse su precisión en los datos originales para esa
instalación fabril (fábrica número 29).
6. Utilice el modelo de regresión del problema 3 y estime el precio de una

fábrica con (a) 1200 metros cuadrados, en la subdivisión A; (b) 1800
metros cuadrados, en la subdivisión B; y (c) 2400 metros cuadrados en
la subdivisión C.
Resp. (a) $93423, (b) $123583, (c) $170012.
7. Utilice el modelo de regresión del problema 3 para determinar el

intervalo de confianza del 95% para el precio promedio condicional de
todas las fábricas con
(a) 1299 metros cuadrados, en la subdivisión A; (b) 1800 metros

cuadrados en la subdivisión B, y (c) 2400 metros cuadrados en
la subdivisión 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 predicción del

95% para el precio de una fábrica individual en cada una de las tres
categorías 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 correlación simple para

todas las variables que se incluyeron en el estudio. (a) ¿Qué variable
tiene la mayor correlación con el precio? (b) ¿Cuál de las dos variables
“candidatas” a ser las variables independientes tienen la mayor
correlación entre si?
Rpta. (a) la superficie de construcción con r = 0.962, (b) la superficie de

construcción y de lote, con r = 0.961.
10. Determine (a) el coeficiente de determinación múltiple (sin corrección

por grados de libertad) (b) el coeficiente de correlación múltiple para el
modelo final de regresión múltiple.
R: (a) R² = 0.945, (b) R = 0.945 = 0.972
11. Los siguientes datos muestrales de la escolaridad, experiencia laboral

e ingreso:
52
Escolaridad Experiencia Ingreso Y

Persona X1 (años) laboral (miles de
X2 (años) $ por año)
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 ecuación de regresión.
TEMA Nº 04
SERIES DE TIEMPO
1. INTRODUCCIÓN
La importancia de predecir el futuro con algún grado de exactitud es

inapreciable. Así ocurre en el mundo de la empresa. La capacidad
de prever y predecir sucesos y tendencias refuerza la probabilidad
de éxito, es la razón por la que las empresas invierten gran cantidad
de tiempo, dinero y esfuerzos en conseguir una predicción de la
evolución económica futura.
2. SERIE DE TIEMPO
Serie de tiempo es una serie de datos sobre una variable a lo

largo de varios períodos de tiempo.
E1.
PBI de un País (en
AÑO
millones $)
1997 8029.8
1998 8480.6
1999 9325.6
2000 9878.4
2001 10807.4
Los períodos pueden ser años, semestres, trimestres, meses, días u

horas; lo necesario para, utilizando series temporales, predecir
valores futuros a partir de observaciones pasadas.
53
Modelos Elementales de Predicción: Utiliza la Observación más

reciente para predecir la observación siguiente. O sea:
Ŷt +1 = Yt
O también: Yˆt +1 = Yt + at ; a  =cantidad aleatoria + o -
COMPONENTES DE UNA SERIE DE TIEMPO.
Las series temporales, como mínimo tienen uno de los 4

siguientes componentes: Tendencia, Variación estacional,
Variación cíclica y Variación 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
1970 1975 1980 1985 1990 1970 1975 1980 1985 1990
EMPLEO EN AGRICULTURA EN DÉPOSITOS BANCARIOS
USA (BILLONES DE $)
(MILLONES DE PERSONAS)
VARIACIÓN ESTACIONAL (S): Se refiere a las fluctuaciones
estacionales, que son movimientos de la serie temporal que se repiten
según las estaciones del año.
Para que se evidencie la variación 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

54
Cada año: 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.
VARIACIÓN CÍCLICA (C): Se refiere a variables que fluctúan por

encima o por debajo de la tendencia, obteniéndose fluctuaciones en
forma de onda del nivel general de la actividad económica en un plazo
relativamente largo de tiempo.
Un ciclo económico consta de 4 fases:
1) La reactivación: Durante la cual el nivel de la actividad

económica de las empresas se acelera, la producción es intensa
y el desempleo disminuye.
2) El máximo, pico o auge: En cuyo punto el índice de la actividad

económica ha "llegado al techo" en crecimiento y ya no puede
seguir creciendo.
3) La desaceleración o contracción: Cuando la actividad

económica decrece y el desempleo va en aumento.
4) La recesión: En que la actividad económica está en su punto

más bajo, baja la demanda, es decir no hay circulación de dinero
y el desempleo aumenta.
NÚMERO DE AUTOS
RECTA DE
TENDENCIA
VENDIDOS
1960 1965 1970 1975 1980 1985 1990 1995
VARIACIÓN IRREGULAR (I): Son series temporales causadas por la

aparición 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,
fenómenos del niño, elecciones políticas, embargos petroleros, etc.
55
TÉCNICAS DE SUAVIZACIÓN.
Estudiamos 2 técnicas de suavización de datos de series

temporales:
A) Medias Móviles.
La media móvil (MA) es una serie de medias aritméticas de un
número determinado de períodos, que sirve para estimar la media
de la variable a largo plazo. Una media móvil tiene el efecto de
"aplanar" los datos 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
Diciembre 62
Enero (Predicción) 62.00 59.20
D originales
Valores Media Mov. : 3 períodos

Serie
Media Mov. : 5 períodos
Tiempo
La predicción para Enero del siguiente año es con 62.00 o con

59.20.
Si se trabaja con un número par de períodos debe centrarse los

resultados.
56
E1. Ventas de tarjeta de felicitación (MILES DE $)
MA 4 MA 4 TRIM.
PERÍODO VENTAS
TRIMESTRES CENTRADA
95-1 40
95-2 45
………………… 42.50
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 (Predicción) 44.00
La predicción para el 98-1 es con 44.00.
• Las medias móviles eliminan variaciones estacionales e irregulares.

• La media móvil promedia las variaciones cíclicas.
• Si los datos son muy volátiles, debe utilizarse un número pequeño
de períodos en la predicción, para evitar que se aproxime demasiado
a la media a largo plazo. Por el contrario, cuando los datos no varían
mucho de la media a largo plazo, se debe utilizar un número mayor
de períodos.
• La media móvil aporta más ventajas cuando los datos no presentan
tendencia creciente o decreciente.
Suavización exponencial.
También aplana una serie y suministra un medio efectivo de predicción.

Cuando los datos no presentan tendencia se utiliza la suavización
exponencial de primer orden. Su fórmula es:
Ft +1 =  A t + (1 −  ) Ft ;
Ft +1 = predicción del período siguiente y futuro
A t = valor real del período actual
Ft = predicción hecha anteriormente para el período actual.
57
Valor  : Constante de suavización, se elige entre 0 y 1, es mejor el

que hace mínimo 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 además que las ventas de enero fueron $105 mil.
SOLUCIÓN
Ft +1 =  A t + (1 −  ) Ft
1) A t = ventas reales de Febrero = $110 mil.

2) Ft = ventas previstas para Febrero = desconocido, en razón
que Marzo es el primer mes que se busca predecir. Se
acostumbra reemplazar con el valor real del período anterior
o sea de Enero =$105 mil.
3) Si  =0.3:
Ft +1 = 0.3 (110) + 0.7 (105) = $106.50 miles
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:

Fmay o = 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. Además, mediante el error
cuadrado medio, determine el mejor.
SOLUCIÓN.
MES
V. REALES V. PREVISTAS V. PREVISTAS (Ft − A t )2 (Ft − A t )2
( 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
Agosto - 108.57 107.67 178.26 227.61
(Ft − A t )2 178.26
ECM 0.3 = = = 29.71 ;
n −1 7 −1
58
(Ft − A t )2 227.61
ECM 0.8 = = = 37.94
n −1 7 −1
Por lo tanto, el mejor  es 0.3, que corresponde al menor error

cuadrado medio; este  produce mejores resultados de predicción,
o sea de las dos predicciones para Agosto, la mejor es 108.57.
E3. Predicciones de índices de desempleo.

Los índices mensuales de desempleo de un determinado año aparecen
en la tabla siguiente. Se pide:
1) Suavice las fluctuaciones mediante una media móvil con 4 períodos.

2) Utilice un modelo de suavización exponencial con  =0.4 para
predecir el desempleo de un mes futuro.
Ene. 5.4 Jul. 5.4

Feb. 5.1 Ago. 5.5
Mar. 5.0 Set. 5.2
Abr. 5.2 Oct. 5.5
May. 5.3 Nov. 5.1
Jun. 5.3 Dic 5.4
SOLUCIÓN:
MA Ft
MES INDICE MA
CENTRADA
Ene. 5.4
Feb. 5.1 5.4
5.175
Mar. 5.0 5.16 5.28 Fmar =0.4(5.1)+0.6 (5.4)=5.28
5.150
Abr. 5.2 5.18 5.17
5.200
May. 5.3 5.25 5.18
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 %
59
INTERPRETACIÓN.
El método de la media móvil predice una tasa de 5.31%, la
suavización exponencial predice una tasa de 5.32%, ambos para
Ene del siguiente año o para cualquier período futuro, puesto que
los datos no presentan tendencia, sino que se considera que
fluctúan alrededor de la media a largo plazo.
5. DESCOMPOSICIÓN DE UNA SERIE DE TIEMPO.
a) TENDENCIA.
El modelo es: Ŷt = b 0 + b1t
Ŷ = valor estimado de la variable dependiente.
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 número de viviendas en construcción

en una ciudad por un período de 16 años. Se desea ajustar las
observaciones de la serie temporal, para elaborar un modelo de
predicción del número de viviendas en construcción en el futuro.
SOLUCIÓN
Y (viviendas
AÑO t=X
en constr.)
xy X2
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
60
xy − nxy 1214 − 16(8.50)(8.49)

b1 = = = 0.174 ,
x − nx
2 2
1496 − 16(8.50) 2
b0 = y − b1x =8.49 - 0.174(8.50)= 7.01
La recta de tendencia es: Ŷt = 7.01 + 0.174 t, Como predicciones

tenemos. Para 2013: Ŷ =7.01 + 0.174 (17) =9.97 viviendas.
Para 2015: Ŷ =7.01 + 0.174 (19) =10.32 viviendas.
b) VARIACIÓN ESTACIONAL (S).

E1. La tabla muestra los beneficios de alquiler de un video. Los
beneficios parecen ser más altos en vacaciones escolares y más
bajos en otras épocas del año, esto sugiere presencia de factores
estacionales. Determine los índices estacionales.
61
SOLUCIÓN
Y MA
MA de 12 Relación
PERIODO (Beneficios) centrada
meses (T.C) Y/MA= S.I
cientos de $ (T.C)
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
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 , l
a MA elimina S e I: o sea MA = TxC
62
RELACIÓN DE LOS DATOS CON LA MEDIA MOVIL:
Y T  C S I
= = S I
MA TC
De la tabla anterior se toman los valores de la relación, de la última

columna, con los cuales, por media aritmética, se obtiene la
Relación media con la MA.
Esta relación se normaliza multiplicando cada media por una

razón de normalización que es el cociente: 12 entre la suma de
los medios, obteniéndose los índices estacionales; pues la
normalización elimina I, quedando solo S.
RELACIÓN ÍNDICE
MES 2001 2002 2003 MEDIA CON ESTACION
LA MA. AL
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
RAZÓN DE NORMALIZACIÓN = = 1.0130
11.8455
APLICACIONES DEL ÍNDICE ESTACIONAL.
1. El índice estacional de un mes en particular indica el grado en

que ese mes contribuye al comportamiento global del año. El
índice 0.5858 de Ene indica a la tienda que los beneficios de
Ene son solo el 58.58% de la media de todo el año, es decir
que los beneficios se quedan en el 41.42% por debajo de la
media mensual del año. Es un mes bajo. En cambio, el índice
1.7665 de Ago indica que los beneficios de Ago son el 176.65%
de la media mensual del año. 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 índice estacional de dicho mes.
63
10
E1. Enero 2001 = = 17.07
0.5858
O sea, si no fuera por la variación estacional, Enero de 2001

daría beneficios por $1707.00
3. También se usan para estacionalizar datos y obtener un cuadro

exacto de los beneficios que un período podría generar.
Supongamos que la tienda espera que los beneficios sean 190

al año. Sin estacionalizar esperaríamos.
190
= 15.83 Mensuales de beneficios
12
Su estimación de beneficios para ENE, estacionalizados serían

15.83  0.5858 = 9.27 ó sea $927.00
O si la tienda trabaja con la ecuación de tendencia, que es:
Yt = 13.85 + 0.167t
La predicción para ENE 2004 sería:
Ŷ = 13.85 + 0.167(37) = 20.03

Sin tener en cuenta la bajada estacional que ocurre en ENE
Estacionalizando: 20.03  0.5858 = 11.73 ó sea $1,173.00
Que serían los beneficios del mes.
E2. Marge es propietaria de un criadero. Desea determinar los

índices estacionales de los datos trimestrales sobre ingresos,
que se indican en miles de $ en las dos primeras columnas de
la tabla siguientes:
SOLUCIÓN:
Con datos trimestrales, una media móvil de 4 períodos eliminará

las variaciones estacionales. En la siguiente tabla, determinamos
MA centrada y la Relación Y/ MA centrada:
64
AÑO- RELACIÓN CON

INGRESOS MA MA CENTRADA
TRIMESTRE 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 relación con MA, para calcular la

relación media con la MA y finalmente normalizar para obtener el índice
estacional.
RELACIÓN MEDIA
INDICE
TRIM 2001 2002 2003 CON LA MEDIA
ESTACIONAL
MÓVIL
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
La razón de normalización es: = 1.0026
3.9894
Las ventas del IV trimestre por ejemplo son 40.50% mayores que la
media trimestral. El valor desestacionalizado del IV trimestre de 2001
42
es: = 29.89
1.4050
VARIACIÓN CÍCLICA (C)

Para identificar el componente cíclico se puede empezar por obtener
la tendencia. Para el ejemplo anterior, la recta de tendencia es:
Ŷt = 28.58 + 0.0524 t

65
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 índices
estacionales calculados (4).
Luego se calcula la norma estadística (5): la proyección de la

tendencia (3) por el índice estacional (4). Después se obtienen los
componentes cíclico e irregular (6) mediante:
Y T  S  CI
= = C  I Que se expresa en porcentaje
TS TS
Esta columna contiene componentes cíclicos e irregulares, este

último se elimina tomando una media móvil de 4 períodos, quedando
solo el factor cíclico (8), que representan los niveles reales de
ingresos de la Sra. Marge en los distintos períodos en porcentaje de
la tendencia.
VARIACIÓN IRREGULAR (I).

Si dividimos (6) entre (8) y multiplicamos por 100, se obtienen los índices
irregulares (9).
(4) (5) (6) (8)

(2) (3) NORMA (7) (9)
(1) INDICE COMPON COMPON
INGRESOS PROYECCIÓN DE ESTADIS MA 4 COMPON
PERÍODO ESTAC CICLIC E CICLIC MA
Y TENDENCIA T
S (3) 
(4):T S IRREG
PERÍODOS
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
66
TAREA 4
SERIES DE TIEMPO
1. El rendimiento por acción, para la Compañía Metalúrgica, durante un

periodo de 10 años es el siguiente:
.64 .73 .94 1.14 1.33 1.53 1.67 1.68 2.10 2.50
a. Emplee una proyección de tendencia lineal para pronosticar esta

serie de tiempo en el próximo año.
b. ¿Qué nos dice este análisis de tendencia temporal acerca de la

Compañía Metalúrgica? De acuerdo con los datos históricos, ¿es
recomendable invertir en esta empresa?
2. Al final de la década de los noventa, muchas empresas trataron de

reducir su tamaño para disminuir sus costos. Uno de los resultados
de esas medidas de recorte de costos fue una disminución 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).
Año 2000 2001 2002 2003 2004 2005

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

b. Use la ecuación de la tendencia para estimar el porcentaje de
mujeres gerentes para 2006 y 2007.
3. Los datos de ingresos brutos (en millones de dólares) en Delta

Airlines, para un período de 10 años, son los siguientes:
Año Ingreso Año Ingreso

1 2428 6 4264
2 2951 7 4738
3 3533 8 4460
4 3618 9 5318
5 3616 10 6915
a. Deduzca una ecuación de tendencia lineal para esta serie de tiempo.

Comente acerca de lo que representa la ecuación sobre los ingresos
brutos de Delta Airlines para el periodo de 10 años.
b. Determine los pronósticos de ingresos netos durante los años 11 y
12.
67
TAREA 5
SERIES DE TIEMPO 2
1. La empresa RALPH RHODES desea utilizar las técnicas de

suavización para promediar y predecir los niveles de las
inversiones de capital, basándose en su estadística de
inversiones de los últimos 12 años siguiente:
INVERSIÓN (Y)
AÑO
MILES DE $
2001 73.2
2002 68.1
2003 72.8
2004 75.9
2005 71.8
2006 69.3
2007 68.0
2008 67.5
2009 69.9
2010 73.2
2011 75.3
2012 72.9
a) Calcule medias móviles de 3 y 4 años. Interprete en

cuanto a la predicción para el 2013.
b) Predecir mediante la suavización exponencial para =0.2
y  =0.7 ¿Cuál predicción para el 2013 es más exacta?
c) Determine la recta de tendencia y predicciones para los
años 2013, 2015, 2018.
2. Durante los últimos años las condiciones económicas de

RAINBOW WNTERPRISES han sido negras. El director
ejecutivo ha recogido totales trimestrales del número de
empleados que han sido despedidos en los últimos 4 años, en
la siguiente tabla:
PERIODO DESPEDIDOS PERIODO DESPEDIDOS

(4) (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
68
a) El director ejecutivo predice el número de despidos para los

períodos 2001-I, 2001-II, 2001-III Y 2001-IV, con ayuda del
análisis de tendencia lineal.
b) El director ejecutivo, calcula los índices estacionales del
número 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 económico influyen en la necesidad de
despedir empleados y deciden colindar los componentes
cíclicos de cada período.
e) Si los despidos en 2001-I son 46 ¿Qué despidos totales
podría explicar RAINBOW para 2001?
f) En un esfuerzo final por encontrar el número de despidos
necesarios, RAINBOW desea obtener cifras
desestacionalizadas para cada período.
3. Las ventas que ha registrado CARS-R-US en los últimos

años en miles de dólares son:
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
a) ¿Parece haber alguna tendencia en los datos? ¿Alguna

variación estacional? ¿Alguna variación cíclica?
b) Calcule la media móvil de 12 meses. Interprete.
c) Calcule los índices estacionales de cada mes.
d) ¿Cuáles son las cifras de ventas ajustadas estacionalmente
de los 6 últimos meses del 2011? Interprete.
e) ¿Cuáles son los valores desestacionalizados de los 6
últimos meses del 2011? Interprete.
4. Según BUINES WEEK, la participación de TAIWAN en el

mercado mundial de microchip por trimestres ha sido la que se
indica, en porcentajes:
69
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 móvil de 4 períodos para eliminar las

variaciones estacionales, calcular los índices
estacionales.
b) Calcule las participaciones en el mercado
desestacionalizados.
c) Determine la recta de tendencia.
5. MOPEDS, INC., está preocupada por el hundimiento de las

ventas. Si las ventas mensuales caen por debajo de $ 9,000,
se cerrará la oficina regional del Nordeste. Según las cifras que
se indican a continuación, ¿Es probable que ocurra esto en
cinco meses próximos? Las cifras están 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
a) Determine la recta de tendencia. Calcule los índices

estaciónales.
b) ¿Cuál es la fuerza de la relación entre las ventas y el
tiempo?
AUTOEVALUACIÓN
1. Explique en qué situaciones de la empresa se debe investigar con la
regresión múltiple, para decidir cambios.
2. Explique el basamento de la regresión múltiple y cuando es importante

su uso como instrumento de investigación de la empresa.
TAREA 6
SERIES DE TIEMPO 3
1. Un representante de marketing establece una ecuación de regresión de

las unidades vendidas a partir de la población residente en la zona de
70
ventas y de si en ésta 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 población es de20, 000 habitantes en una zona que tiene una
oficina y también 20,000 en una zona sin oficina, ¿Cuál sería el número
de unidades vendidas en cada una de ellas?
2. La empresa RALPH RHODES desea utilizar las técnicas de suavización

para promediar y predecir los niveles de las inversiones de capital,
basándose en su estadística de inversiones de los últimos 12 años
siguientes:
INVERSIÓN (Y)
AÑO
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 móviles de 6 años y haga la predicción para el 2001.

e) Determine la recta de tendencia y con esta las predicciones para los
años 2001, 2005 y 2007.
3. El director de una empresa local de contabilidad creó un modelo de

regresión para conocer el tiempo que lleva realizar una auditoría. El
modelo es:
Y = 27 - 1.41X1 +2.73X2
Donde Y es el tiempo en horas, X1 los años 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 años de experiencia y es un CPC, ¿cuánto
tiempo le llevaría realizar la auditoria?
b) Si otro auditor tiene diez años de experiencia, pero no es un CPC,
¿cuánto tiempo le llevaría realizar la auditoria?
4. Durante los últimos años las condiciones económicas de RAINBOW

WNTERPRISES han sido negras. El director ejecutivo ha recogido
totales trimestrales del número de empleados que han sido
despedidos en los últimos 4 años, en la siguiente tabla:
71
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 número de despidos para los

períodos 2001-I, 2001-III, 2002-II Y 2002-IV, con ayuda del análisis
de tendencia lineal.
b) El Director ejecutivo, calcula los índices estacionales del número de
despidos.
5. Mario Padilla (un contable de la corporación Palmer) quiere determinar

si los gastos generales se pueden estimar con arreglo al número 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 Nº sillas X1 Nº 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 ecuación muestral de regresión múltiple.

b. Cuando se produce una silla extra, ¿Cuál es el aumento en el
gasto general?
6. Las ventas que ha registrado CARS-R-US en los últimos años en miles

de dólares son:
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
72
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 índices estacionales de cada mes. Interprete. Qué opina sobre los
índices cíclicos e irregulares.
7. El gerente de supermercados Wong, quiere saber si existe una relación

entre el tiempo que tarda un cliente en pasar por caja y dos variables de
predicción: El monto de la compra y el número de artículos comprados,
con el siguiente reporte:
Cliente Tiempo Monto de Nº de

en caja Y compra X1 artículos
(MIN) ($) 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 ecuación de regresión múltiple para la muestra.
Cuando se compra un artículo adicional, ¿Cuál 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 artículos por un monto de $75.
8. Según BUINES, la participación 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
a) Determine la recta de tendencia.

b) Calcule las participaciones en el mercado desestacionalizado.
9. John Wolf piensa que la suavización exponencial con un valor de alfa

0.8 es lo que mejor puede predecir las existencias de septiembre de su
empresa de suministros médicos. Su socio piensa que se debe utilizar
un alfa de 0.4. ¿Cuál es la predicción en cada caso y quién tiene razón?,
si:
73
Mes: E F M A M J J A
Existencias 41 48 37 32 45 43 49 38
(Miles):
10. MOPEDS, INC. , está preocupada por el hundimiento de las ventas. Si

las ventas mensuales caen por debajo de $ 7,000, se cerrará la oficina
regional del Noreste. Según las cifras que se indican a continuación,
que están en miles. ¿Es probable que ocurra esto en los diez meses
próximos? 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
TEMA Nº 05
NÚMEROS ÍNDICE
ÍNDICES SIMPLES e ÍNDICES AGREGADOS.

Un número índice es un relativo porcentual expresado por una medición en
un período determinado sobre la medición en un período base, razón que
se multiplica por 100. Las mediciones pueden ser precios, cantidades ó
valores.
A) ÍNDICES SIMPLES. - Se refieren a un solo artículo. Entre ellos:
• ÍNDICE DE PRECIOS SIMPLE: Denotado por Ip y definido por:

Pn
Ip =  100 ; Pn = Precio del artículo en el período del índice.
Po
Po = Precio del artículo en el período base.
• ÍNDICE DE CANTIDAD SIMPLE: Denotado por Iq y definido por:

qn
Iq =  100 ; qn = Cantidad del producto en el período del índice.
qo
q o = Cantidad del producto en el período base.
• ÍNDICE DE VALOR SIMPLE: Determinado por Iv y definido por:

pnqn
Iv =  100 ; siendo pn, qn, po , qo los anteriores.
poqo
74
B) ÍNDICES AGREGADOS. - Se refieren a varios artículos para el

período del índice y para el período base, ponderando según las
cantidades q de los artículos en los períodos. El más importante es
el índice agregado de precios. Entre ellos tenemos:
• ÍNDICE DE LASPEYRES: Los precios se ponderan con las

p q
cantidades del año base: I L = n o 100
po qo
• ÍNDICE DE PAASCHE: Los precios se ponderan con las

p q
cantidades del año del índice: I p = n n 100 ,resultando más
po qn
moderno que el anterior
• ÍNDICE PROMEDIO PONDERADO: El índice simple de precios

se pondera para cada artículo mediante un valor pq, puedan ser
del año base p o q o ó del año del índice p n q n :
 ( po qo )( pn / po ) 100 
I( p) = , es el más usado.
po qo
E1. La siguiente tabla reporta los precios y consumos de 3 artículos en un

área metropolitana, para los años 2000 y 2012
ARTICULO UNIDA PRECIO PROMEDIO COSUMO MENSUAL

DES 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 índices de precios simple del 2012, base 2000.

a) Los índices de cantidad simple del 2012, base 2000.
b) Los índices de valor simple del 2012, base 2000.
SOLUCIÓN.
a) ÍNDICE DE PRECIOS SIMPLE:
pn 18
Para la carne: Ip =  100 =  100 = 400%
po 4. 5
6
Para la leche: Ip =  100 = 500%
1.2
4
Para los huevos: Iq =  100 = 500%
0.8
75
b) ÍNDICE DE CANTIDAD SIMPLE:

qn 6
Para la carne: Iq =  100 =  100 = 120%
qo 5
7.5
Para la leche: Iq =  100 = 93.75%
8
1.8
Para los huevos: Iq =  100 = 150%
1.2
c) ÍNDICE DE VALOR SIMPLE:

pnqn 18  6
Para la carne: Iv =  100 =  100 = 480%
poqo 4. 5  5
6  7.5
Para la leche: Iv =  100 = 468.75%
1.2  8
4  1.8
Para los huevos: Iv =  100 = 750%
0.8  1.2
E 2 . Para los datos del ejemplo anterior calcule.
a) El índice agregado de precios de LASPEYRES del 2012, base 2000.

b) El índice agregado de precios de PAASCHE del 2012, base 2000.
c) El índice agregado de precios PROMEDIO PONDERADO del 2012, base
2000.
SOLUCIÓN.
a)
ARTÍCULO 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 142.80
IL =  100 =  100 = 431.94%
p o q o 33.06
b)
ARTÍCULO 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 = 427.88%
poqn 37.44
76
c)
Ponderación de Relativo de Relativo
ARTÍCULO valor precios Ponderado
p o qo (p n / p o )  100 (p o qo )(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  14,280

I( p) = = = 431.94%
po qo 33.06
1. ÍNDICES EN ESLABÓN. EN CADENA. CAMBIO DE BASE.
– El índice en eslabón de un período dado es la comparación por

división, expresada en porcentaje, del precio en el período dado con el
precio en el período anterior. Se usa para mostrar los cambios de
precios respecto al período anterior.
– El índice en cadena de un período dado es la comparación por división,

expresada en porcentaje, del precio en el período dado con el precio en
el período base. Se usa para mostrar los cambios de precios respecto
al período base.
– Cambio de base. -Se cambia el período base dividiendo el índice
original entre el índice del nuevo período 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 índices en eslabón

b) Los índices en cadena
c) Los índices en cadena con una nueva base, por cambio de base.
AÑO 2007 2008 2009 2010 2011 2012

VENTA EN
8931 40163 86053 150810 368294 737897
MILLONES $
a) ÍNDICE EN
100% 449.70% 214.26% 175.25% 244.21% 200.36 %
ESLABÓN
b) ÍNDICE EN
CADENA 100% 449.70% 963.53% 1688.61% 4123.77% 8262.20%
B=2007
c) ÍNDICE EN
CADENA 1.21% 5.44% 11. 66% 20.44% 49.91% 100%
B=2012
77
FUSIÓN DE DOS SERIES DE NÚMEROS ÍNDICE

Ciertos productos o por la exclusión de otros, así como por cambios en
el año base; y para mantener la continuidad histórica, es deseable tener
series unificadas de números índice. Los que se cambian son los índices
Con frecuencia, los números índices sufren cambios por la adición de de
la serie antigua, se logra multiplicando cada índice de la serie antigua
anterior al traslape por el cociente del índice menor para el año del
traslape (100, si esta es la nueva base) entre el índice antiguo para ese
año.
E1. Fusione las 2 series de números índice:
INDICES INDICES
INDICES DE INDICES DE
AÑO 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 105.2 105.2 125.4
2007 111.3 111.3 132.7
2008 117.5 117.5 140.1
2009 124.8 124.8 148.8
2010 129.9 129.9 154.8
2011 137.7 137.7 164.1
Al año 2005 se le denomina año del traslape. Una vez unificada, se

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

DEFLACIÓN.
El IPC es el más conocido debido a que se utiliza como indicador del

costo de vida, es un índice de precios agregado para una "canasta
básica" de artículos y servicios, con respecto a un período base, que
puede ser mes o año.
El recíproco del IPC multiplicado por 100 da el poder de compra de la
unidad monetaria respecto al año base. Es decir:
VALOR DEL S/. = (1/ IPC)  100,

Consecuentemente:
CANTIDAD DEFLACIONADA= (Cantidad Reportada / IPC)  100

Deflación: La Deflación de una serie de tiempo es el proceso mediante
el cual, una serie de valores a precios corrientes (nominales) se convierte
a su Equivalente en valores a soles constantes (reales o actuales).
78
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
años, en términos del valor del sol en el año base de 1990.
SOLUCIÓN.
Las 2 primeras columnas de la tabla son datos y en la tercera se reporta
el valor del nuevo sol para cada año en términos del valor del nuevo sol
en 1990.
AÑO IPC SEGÚN 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 determinó el valor del S/. así:

1 1
Valor Nuevo Sol =  100 =  100 = 0.196260
IPC 509.527953
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, según el IPC del problema
anterior a S/. Constantes de 1990.
b) Replantear las remuneraciones a S/.Constantes de 1994.
SOLUCIÓN.
a) Se aplica la fórmula para cada año:
REMUNERACIÓN
REMUNERACI ANUAL DE
AÑO IPC
ÓN ANUAL FLACIONADA A S/.de
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
Utilizado en la Negociación Colectiva Evitando conflictos laborales
79
b) Los índices para la base 1994 se obtienen por cambio de base:
REMUNERACIÓN
REMUNERACI ANUAL DE
AÑO IPC
ÓN 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
INDICES DE INFLACIÓN
Los índices de inflación anuales se miden por el cambio porcentual

del IPC de un año al siguiente:
IPCt − IPCt − 1
Su fórmula es: Ind. Inf. =  100
IPCt − 1
Dónde: IPCt es el IPC en el periodo t

IPCt-1es el IPC en el periodo anterior
E1. De acuerdo a los siguientes datos, hallar los índices de inflación
AÑO IPC Ind. Inf. (%)

2010 109.6
2011 113.6 3.6
2012 118.3 4.1
2013 124.3 5.1
2014 127.2 2.3
80
TAREA 7
ACTIVIDAD APLICATIVA
NÚMEROS ÍNDICE
1. Determine
a) Los índices de precios simples y los índices de cantidad simple.
b) Los índices de valor simple.
c) El índice agregado de precios de LASPEYRES.
d) El índice agregado de precios de PAASCHE.
e) El índice agregado de precios PROMEDIO PONDERADO.
Todos para el año 2010, respecto al año base 2005.
CONSUMO MENSUAL
PRECIO PROMEDIO
ARTÍCULO 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
AZÚCAR 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 índices en eslabón.
b) Los índices en cadena: base 2000.
c) Los índices en cadena con nueva base 2003.
Año 2000 2001 2002 2003 2004 2005

Venta en
millones 45320 56780 90595 100500 105600 120400
S/.
3. Fusione las 2 series de números índices siguientes con 3 bases

diferentes:
Índice de
Año Índice de 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
81
4. Determine el valor del nuevo sol, respecto al año base, si el IPC

dado por el INEI es como sigue en las 2 primeras columnas.
Remuneraciones
Año Índice 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
números índices:
AÑO IPC AÑO 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.
d) Determine los índices de Inflación
7) a) Con los IPC anuales del INEI deflacione S/. 1000,000.00 del
año 2009, el año 2012.
b) Con los IPC anuales del INEI deflacione S/. 5,000.00 del
año 1995, el año 1010.
c) Determine el valor de S/. 10,000.00 de marzo del 2002, el
mes de marzo del 2013, por deflación, sin considerar
intereses.
82
UNIDAD III
TEORÍA DE LA DECISIÓN ESTADÍSTICA
En el estudio de la empresa se destacan los cambios de precios de las

cosas y/o artículos a través del tiempo, el valor de la moneda en el tiempo
o deflación, así como prever el futuro para acertar en las decisiones
empresariales, estos temas se estudian, mediante los instrumentos
denominados números índice y teoría de decisiones.
1. Comprende el conocimiento de la teoría de decisiones estadística,

aplicándolas y a la toma de las mejores decisiones en la empresa
respectivamente.
2. Se resuelven ejemplos prácticos de la empresa simplificando los

cálculos con la computadora.
3. Se interpreta la tabla de pagos como una matriz de doble entrada y

las decisiones las trabajamos por casos.
4. Se interpreta los resultados por modelos económicos y

probabilísticos.
1. Se aplica a la toma de decisiones considerando los riesgos que se

asumirán.
2. Se aplica con fluidez para optimizar el funcionamiento de la empresa.
TEMA Nº 06: TEORÍA DE DECISIONES

1.Toma de decisiones con probabilidades
2.Toma de decisiones con consecuencias económicas
3.Toma de decisiones por el criterio Bayesiano
AUTOEVALUACIÓN
83
TEMA 06
TEORÍA DE DECISIONES
El futuro de la empresa, depende de las decisiones gerenciales, y

consecuentemente, este tema es fundamental para la alta dirección
empresarial
ESTRUCTURA DE UNA TABLA DE PAGOS.
ACCIONES DE
EVENTOS PROBABILIDAD DEL DECISIÓN
ALEATORIOS EVENTO A1 A 2 A 3 …. An
E1 P1 X11 X12 X13 …. X1n
E2 P2 X 21 X 22 X 23 …. X 2n
E3 P3 X31 X32 X33 …. X 3n
…. …. …. …. …. …. ….
Em Pm Xm1 Xm2 Xm3 … Xmn
E1. Un contratista debe comprometerse en la adquisición de unidades

de aire acondicionado, las cuales va a revender durante la próxima
temporada, sobre la base de la demanda de la temporada anterior,
las condiciones económicas 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 crédito de $1600 por unidad devuelta.
Construya una tabla de ganancias.
SOLUCIÓN. Ganancia por unidad vendida $600

Pérdida por unidad devuelta $400
Demanda del Cantidad del Pedido
Probabilidad a priori
mercado A1 :5 A 2 :10 A 3 :15 A 4 :20
E1 : 5 0.10 $ 3000 $ 1000 -$1000 -$3000
E 2 : 10 0.30 3000 6000 4000 2000
E3 : 15 0.40 3000 6000 9000 7000
E 4 : 20 0.20 3000 6000 9000 12000
84
TOMA DE DECISIONES EN BASE SOLO A PROBABILIDADES
Consiste en identificar el evento que tiene mayor probabilidad y elegir

la decisión que corresponde a ese evento.
E1. Para el problema anterior el número de unidades decididas serían

15, que corresponde al evento más probable (0.40).
E2. También 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
E 2 : 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 decisión ninguna

referencia a las consecuencias económicas.
85
TOMA DE DECISIONES EN BASE SOLO A CONSECUENCIAS

ECONÓMICAS.
No se tiene en cuenta la columna de probabilidades, y se

consideran 3 criterios:
El criterio MAXIMIN: Se determina el valor mínimo de cada

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

columna, (Lo mejor que puede pasar), luego se elige la acción de
mayor valor ( A 4 :20)
El criterio del ARREPENTIMIENTO MINIMAX:
1) Se determinan los arrepentimientos o pérdidas de oportunidad

(PO): Diferencia ente la mejor acción para un evento dado y
cada acción de dicho evento.
2) Del mayor arrepentimiento por acción, se elige la acción de
menor arrepentimiento.
Para el problema anterior:
Cantidad del Pedido

Demanda del
mercado
A1 :5 A 2 :10 A3 :15 A 4 :20
Arrepent. Arrepent. Arrepent. Arrepent.
E1 : 5 $ 3000 $ 1000 -$ 1000 -$3000
Arrepentimiento 0 2000 4000 6000
E 2 : 10 3000 6000 4000 2000
E3 : 15 3000 6000 9000 7000
E 4 : 20 3000 6000 9000 12000
MAX.
9000 6000 4000 6000
ARREPENT.
86
TOMA DE DECISIONES BASÁNDOSE EN PROBABILIDADES Y

CONSECUENCIAS ECONÓMICAS O CRITERIO DEL PAGO
ESPERADO O CRITERIO BAYESIANO.
El pago esperado para cada acción se obtiene sumando los

productos de cada pago por su correspondiente probabilidad. Y se
elige la acción 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 xi 2 pi xi 3 pi xi 4
E1 : 5 0.10 $ 300 $ 100 -$ 100 -$300
E 2 : 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
3000 5500 6500 5500
ESPERADO (PE)
TAREA 8
1. Con base a una nueva tecnología, un fabricante ha desarrollado un

aparato de TV a color con una pantalla de 45''. El propietario de una
tienda pequeña estima que al precio de venta de $2,800, las
probabilidades de venta de 2, 3, 4 ó 5 aparatos durante los meses de
interés son 0.30, 0.40, 0.20 y 0.10 respectivamente. Con base sólo en
estos valores de probabilidad, ¿qué número de aparatos debe ordenar
el encargado de la tienda, suponiendo que no es posible reordenar
pedidos durante el período? (DOS PROCEDIMIENTOS).
2. Para la decisión 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 pérdida para la tienda es de $300 por aparato.
Con base sólo en estas consecuencias económicas, e ignorando las
probabilidades, determine las mejores decisiones según los criterios
MAXIMIN Y MAXIMAX.
3. Para la tienda del problema anterior, determine la mejor decisión por el

criterio del arrepentimiento MINIMAX.
87
TAREA 9
1. Con referencia a los datos anteriores, determine la mejor decisión por el

criterio Bayesiano y del pago esperado.
2. Un fabricante ha producido una máquina. El propietario de una tienda

estima que al precio de venta de $5,600.00, las probabilidades de venta
de 2, 3, 4 ó 5 máquinas durante el período de interés son de 0.3, 0.4,
0.2 y 0.1 respectivamente; el margen de utilidad por cada máquina que
se vende es $400.00, si no se venden, la pérdida es de $600.00 por
máquina.
a) Determine el mejor pedido por el criterio del arrepentimiento
mínimas.
b) Determine el mejor pedido por el criterio Bayesiano.
3. En la tabla siguiente se representan los pagos (rendimientos) asociados

con cinco tipos alternativos de decisiones de inversión para un período
de 1 año.
Decisión de inversión
A1 A2 A3 A4 A5
Estado de la
economía Cuenta de Bonos Acciones Acciones Opciones
ahorros corporati de alta especulati sobre
vos calidad vas acciones
E1 : Recesión $600 $500 -$2500 -$5000 -$10000
E 2 : Estable 600 900 8000 400 -5000

E3 : Expansión 600 900 4000 10000 20000
Suponga que las probabilidades asociadas con la recesión, la estabilidad

económica y la expansión son 0.30, 0.50 y 0.20, respectivamente.
Determine la mejor acción desde el punto de vista del criterio bayesiano de
optimización del pago esperado.
AUTOEVALUACIÓN
1. Explique la técnica para la toma de decisiones con solo

probabilidades.
2. Explique los préstamos internacionales, en dólares constantes
3. Resuelva la parte operativa de casos de peritaje contable.

88
TAREA 10
TEORIA DE DECICIONES 2
1. Tome contacto con el INEI, organismo que administra los índices, e

investigue:
a. Los IPC anuales de los últimos 15 años.
b. Los IPC mensuales del año 2010.
c. Los IPC mensuales de los meses transcurridos del año 2011.
2. Determine
a) Los índices de precios simples.
b) Los índices de cantidad simple.
c) Los índices de valor simple.
d) El índice agregado de precios de LASPEYRES.
e) El índice agregado de precios de PAASCHE.
f) El índice agregado de precios PROMEDIO PONDERADO.
Todos para el año 2007, respecto al año base 2002.
CONSUMO
PRECIO PROMEDIO MENSUAL PER
ARTÍCULO UNIDAD 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
AZÚCAR 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
g) Para las siguientes ventas, Determine.:

h) Los índices en eslabón.
i) Los índices en cadena: base 2002.
j) Los índices en cadena con nueva base 2006.
Año 2002 2003 2004 2005 2006 2007

Venta en
95420 156780 190595 200500 305600 320400
millones S/.
3. Determine el valor del nuevo sol del 2000 en los años 2001,
2002, 2003, 2004, 2005, 2006, 2007, según los índices anuales
dados por el INEI.
4. 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 índices
del INEI
89
a) Determine las remuneraciones en S/. Del 2000.

b) Deflacionar las remuneraciones a S/. Del 2006.
5. Con base a una nueva tecnología, 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 interés son 0.20, 0.30, 0.40, 0.05 y 0.05
respectivamente. Con base sólo en estos valores de
probabilidad, ¿qué número de aparatos debe ordenar el
encargado de la tienda, suponiendo que no es posible
reordenar pedidos durante el período de interés? (DOS
PROCEDIMIENTOS).
6. Para la decisión 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 pérdida para la
tienda es de $350 por aparato. Con base sólo en estas
consecuencias económicas, e ignorando las probabilidades,
determine las mejores decisiones según los criterios MAXIMIN
Y MAXIMAX.
7. Para la tienda del problema anterior, determine la mejor

decisión por el criterio del arrepentimiento MINIMAX.
8. Con referencia a los datos anteriores, determine la mejor

decisión por el criterio Bayesiano y de la ganancia esperada.
9. Un fabricante ha producido una máquina. 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 máquinas durante el
período de interés son de 0.30, 0.40, 0.20, 0.05 y 0.05
respectivamente; el margen de utilidad por cada máquina que
se vende es $300.00, si no se venden, la pérdida es de $400.00
por máquina.
a) Determine el mejor pedido por el criterio del arrepentimiento
mínimax.
b) Determine el mejor pedido por el criterio Bayesiano.
10. En la tabla siguiente se representan los pagos (rendimientos)

asociados con cinco tipos alternativos de decisiones de
inversión para un período de 1 año.
90
Decisión de inversión
A1 A2 A3 A4 A5
Estado de la
economía Cuenta de Bonos Acciones Acciones Opciones
ahorros corpora de alta especulativas sobre
tivos calidad acciones
E1 : Recesión $700 $600 -$1500 -$5000 -$11000
E 2 : Estable 700 800 6000 4000 -5000

E3 : Expansión 700 900 8000 10000 20000
Suponga que las probabilidades asociadas con la recesión, la

estabilidad económica y la expansión son 0.25, 0.60 y 0.15,
respectivamente. Determine la mejor acción desde el punto de vista del
criterio bayesiano de optimización del pago esperado
91
UNIDAD IV
MODELO DE OPTIMIZACIÓN Y PROGRAMACIÓN LINEAL
La gerencia de la empresa en un entorno competitivo y globalizado exige una

administración moderna, es decir con métodos cuantitativos que optimice el
funcionamiento de la empresa, en esta realidad es que tratamos esta unidad
1. Comprende el conocimiento del Método Simplex y el Análisis de

Sensibilidad, aplicándolos a la optimización del funcionamiento de la
empresa en un entorno competitivo y globalizado.
2. Se determinan modelos matemáticos representativos de diversas

realidades empresariales, los que se resuelven primero por el método
gráfico, como una introducción al método simplex.
3. Luego, los mismos modelos se resuelven por el método 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 análisis de

sensibilidad.
1. Se optimiza el funcionamiento de diversos tipos de empresas como

modelos de realidades futuras.
2. Se mecanizan la solución de los modelos anteriores, mediante la PC,

usando el software LINDO.
TEMA Nº 07: MÉTODO SIMPLEX.

TEMA Nº 08: ANÁLISIS DE SENSIBILIDAD.
92
TEMA 07
EL MÉTODO SIMPLEX
1. INTRODUCCIÓN.
El MÉTODO SIMPLEX es un procedimiento iterativo (que se repite) que dá

una solución óptima a un problema de programación 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 solución factible inicial, a

continuación, busca una mejor solución, que se mide según que mejore o
no el valor de la "Función objetivo", si se encuentra una mejor solución,
sigue la búsqueda, hasta que la "Función objetivo" ya no mejore.
E1 . DE PROBLEMA DE PL.
Un gerente de producción necesita determinar la producción de fertilizantes

para el siguiente mes. Su empresa es una compañía de productos
químicos, que fabrica, entre otros artículos, 2 tipos de fertilizantes,
combinando ingredientes que se compran de proveedores externos. Los 2
fertilizantes que la compañía fabrica son las mezclas denominadas 5-5-10
y 5-10-5. En cada caso, el primer término 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
compañía pueda fabricar, está 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 está 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:
¿Cómo utilizar los recursos escasos (nitrano, fosfato y potasio) de manera
que se obtengan las mayores utilidades para la compañía?
93
SOLUCIÓN.
DETERMINACIÓN DEL MODELO MATEMÁTICO.
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
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.
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 "Función 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 , " Función 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
94
SOLUCIÓN DEL MODELO:
MÉTODO GRÁFICO: No usable con más de 3 variables. Se grafican las

restricciones como igualdades:
1) 0.05 X1 + 0.05 X2 = 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) = D(18,4 )
Se grafican las rectas, a partir de estas se interpretan las restricciones,

obteniéndose el POLÍGONO DE SOLUCIONES FACTIBLES.
SE GRAFICA Z = 18.5 X1 + 20 X 2 como familia de rectas con Z de
parámetro:
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 demás elementos se obtienen trazando paralelas a dicha recta. La recta
L es aquella paralela que más de aleja del origen de coordenadas sin salirse
del polígono de soluciones factibles.
L  POLÍGONO = C(8,14 ) → Z = 18.5 (8,000) + 20 (14,000) =
$428,000.00.
 LA PRODUCCIÓN QUE OPTIMIZA Z ES: 8,000 Tn del 5-5-10 y 14,000

Tn del 5-10-5, alcanzando la utilidad máxima de $428, 000.00.
OBSERVACIONES:
1. La siguiente tabla muestra los vértices factibles con sus

correspondientes valores de la "FUNCIÓN OBJETIVO":
95
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 solución óptima, solo debe considerarse los

vértices del polígono; que se obtienen por solución simultánea de las
ecuaciones lineales que los determinan.
3. Lo anterior sugiere un procedimiento de solución basado en la solución

simultánea de ecuaciones y pasando de un vértice a otro, hasta llegar a
la solución óptima. Esta es la forma como funciona el ALGORITMO
denominado MS, cuya ventaja es manejar más de 2 variables.
MÉTODO 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
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
número de ecuaciones es igual al número de incógnitas. Sin embargo, m
ecuaciones con n incógnitas con n  m se resuelve aplicando el TEOREMA
BÁSICO DEL ALGEBRA, que sostiene, que si existe solución, puede
determinarse igualando a cero n - m variables y resolviendo el
conjunto de m ecuaciones con m incógnitas resultante. Las variables
que se igualan a cero se denominan NO BASICAS y las que se usan para
resolver el sistema BÁSICAS.
n!
Con m ecuaciones y n incógnitas para n  m, existen soluciones
m!(n − m )!
básicas; para el ejemplo hay 10 soluciones básicas, de las cuales 5
corresponden a los vértices del polígono y las otras 5 resultan no factibles
96
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 solución óptima.
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
SOLUCIÓN.
Modelo modificado:
Z - 2 X1 - 12 X 2 - 8 X 3 + 0 s1 + 0 s2 + 0 s3 = 0
2 X1 + 2 X 2 + s1 + 0 s2 + 0 s3 =100
X3 +
X1 - 2 X 2 + 5 X 3 + 0 s1 + s2 + 0 s3 = 80
10 X1 + 5 X 2 + 4 X 3 + 0 s1 + 0 s2 + s3 =300
Los cálculos están en la siguiente TABLA
CC1 (a ik ) CC 2
(INICIAL)
 
97
BASE Z XX
1 2 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

0 1 -2 5 0 1 0 80 (2) R2
s2 0 10 5 4 0 0 1 300 (3) R3 300/5 = 60
s3
II. Z 1 10 0 -2 6 0 0 600 (0)' R '0 = R 0 + 6R1
→ 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 + R1 180 6 =30  FC2
0 5 0 3/2 -5/2 0 1 50 (3)'
s3 R '3 = R 3 − 5 2 R1 50 3 2 =33.3
III. Z 1 11 0 0 19/3 1/3 0 660 (0)'' R ' '0 = R '0 +1 3 R '2
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
0 17/4 0 0 -11/4 -1/4 1 5 (3)''
s3 R ' '3 = R '3 −1 4 R '2
TODOS LOS ELEMENTOS DE LA FILA R ' '0 son  0 → LA SOLUCIÓN 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 método 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 producción y venta del
whiskey se dan en la tabla. Plantee el problema de PL.
Marca
Idaho Montana Old Cantidad
Recurso Moon Madness Stumpwater disponible
Maíz (búshels/galón) 5 3 1 1000 búshels

Azúcar (libras/galón) 4 2 2 1000 libras
T. de entrega (horas/galón) 1 2 2 400 horas
Utilidad ($/galón) $20 $15.5 $10
E 4 . En la figura se muestran las tablas inicial y óptima obtenidas con el

software SIMPLEX para el problema anterior. Interprete los valores iniciales y
resultados finales:
98
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
LA PRUEBA ESTADÍSTICA DE JI – CUADRADA, USO DEL SPSS

PRUEBAS PARA LA INDEPENDENCIA DE DOS VARIABLES
CATEGÓRICAS (PRUEBAS PARA TABLAS DE CONTINGENCIAS)
Las “pruebas de independencia” implican dos variables categóricas y lo que

se prueba es la suposición de que las variables son estadísticamente
independientes. Pero el problema que nos interesa es saber si las dos
variables son estadísticamente dependientes o que están
relacionadas.
Como se trabaja con dos variables, se anotan las frecuencias observadas

(fo) y esperadas (fe) en una tabla de clasificación doble o Tabla de
contingencias.
Mediante la expresión r x c se definen las dimensiones de este tipo de

Tablas, en donde r indica el número de renglones (filas) y c el número de
columnas.
PRESENTACIÓN: EJEMPLO PARA SER APLICADO CON LA PRUEBA

ESTADISTICA DE JI-CUADRADA
EJEMPLO DEL TIPO 1: Este es un ejemplo del formato más resumido de

una tabla de contingencia donde se consideran las dos variables, se trata
de una tabla de contingencia de 2 x 2.
CUADRO 1
Jabón
Ingresos Total
B1 B2
A1 40 60 100
A2 110 90 200
Total 150 150 300
99
En el Cuadro 1
Observamos en los totales de las filas (renglones) y columnas que:
150 + 150 = 300 personas
100 + 200 = 300 Personas
100 tienen ingresos A1, y
200 tienen ingresos A2
También
150 usan jabón B1, y
150 usan jabón B2
Resultando:
CUADRO 2
Jabón
Ingresos Total
B1 B2
A1 100
A2 200
Total 150 150 300
Investigando (Por encuesta, entrevista)

Se encontró que 40 de los 100 tienen renta A1 y jabón B1, entonces sin
necesidad de investigar se halla automáticamente que 100 – 40 – 60
Del mismo modo se determina los valores de 110 y 90
f rf c
Utilizando fe =
n
ygl = (r – 1 ) (c – 1)
Donde: fe = Frecuencia esperada

fr = Es la frecuencia total de una fila determinada
fe = Es la frecuencia total de una columna determinada
gl = Grados de libertad
frfc 100 x150
fe1 = = = 50
n 300
frfc 100 x150
fe2 = = = 50
n 300
frfc 200x150
fe3 = = = 100
n 300
frfc 200x150
fe4 = = = 100
n 300
Obtenemos:
100
CUADRO 3
Jabón
Ingresos Total
B1 B2
A1 40 (50) 60 (50) 100
A2 110 (100) 90 (100) 200
Total 150 150 300
MINIMIZACIÓN.
La optimización no solamente trata de maximizar utilidades u otros objetos

empresariales, sino también de la minimización de costos por ejemplo o
también de otros objetos empresariales en relación a la minimización.
Igual que la maximización, se trata de determinar el MODELO

MATEMÁTICO que se debe minimizar, consistente en una "FUNCIÓN
OBJETIVO" sujeta a RESTRICCIONES, generalmente de la forma  , y de
resolver el modelo, gráficamente para el caso de 2 variables y por el MS
cuando las variables son más 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  24
X1 , X 2  0
SOLUCIÓN.
METODO GRÁFICO:
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
101
 El mínimo es 52 y se produce para X1 =8, X 2 =2.
MÉTODO SIMPLEX.
Se trabaja con las variables de exceso (E) y las variables artificiales (A),
restando las primeras y sumando las segundas, además 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 solución matricial como sigue:
cc2 cc1(a >0) Se llevan aceros
BASE Z X1 X2 E1 E2 A1 A2 bi FORMULA bi/ a ik
I. Z 1 -5 -6 0 0 -M -M 0 R0
A1 0 1 1 -1 0 1 0 10 R1
0 2 4 0 -1 0 1 24
A2 R2
II. Z 1 -5+3M -6+5M -M -M 0 0 34M R '0 = R 0 + MR1 + MR2

A1 0 1 1 -1 0 1 0 10
R '1 = R1 10/2=10
24/4=6  1
 A2 0 2 4 0 -1 0 1 24
R'2 = R 2
III. Z 1 - 0 -M - 0 3/2- 5/4M 36+4M R' '0 = R'0 +(6 − 5M)R' '2
2+1/2M 3/2+1/4M
4/1/2=8  2
 A1 0 1/2 0 -1 1/4 1 -1/4 4
R ' '1 = R '1 −R ' '2
6/1/2=12
→ X2 0 1/2 1 0 -1/4 0 1/4 6
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 renglón R ' ' '0 para las variables básicas y no básicas
son  0, por consiguiente, se trata de una matriz terminal u óptima.
Luego, analizando los resultados, se tiene que X1 =8 i X 2 =2 minimizan la
función objetivo, siendo Z=52.
E 2 . Resolver por el método gráfico y por el MS:
MINIMIZAR: Z= 120 X1 + 260 X 2

S.a. : 3 X1 + 4 X 2  5
2 X1 + 6 X 2  6
X1 , X 2  0
102
TAREA 11
EL MÉTODO SIMPLEX
1. Resuelva el siguiente problema de programación lineal utilizando el

método simplex.
MAXIMIMAR Z= 10 X1 + 14 X 2
SUJETO A 4 X1 + 6 X 2  24
2 X1 + 6 X 2  20
X1 , X 2  0
¿Cuáles son los valores de las variables básicas en cada iteración?
2. Resuelva el siguiente problema utilizando el método 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 producción de un radio de AM requiere 4 horas, en tanto que
la fabricación de un radio AM/FM requiere 6 horas. En la planta existe
un total disponible de 96 horas-hombre semanales para la producción.
Los administradores de la empresa han determinado que lo máximo que
se puede vender a la semana son 30 radios AM y 20 AM/FM. La
contribución a las utilidades por cada radio AM que se vende es $6, y
cada radio AM/FM contribuye con $12 a las utilidades. ¿Qué cantidad
de cada tipo de radio debe fabricar la compañía cada semana para
maximizar sus utilidades? ¿podría la compañía incrementar sus
utilidades aumentando su capacidad de producción?
4. Dado el siguiente problema de programación 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 método simplex.
b. ¿Tiene el problema un óptimo alternativo? Si es así, calcule
esa solución alternativa.
c. Desarrolle una ecuación lineal que describa la familia de
soluciones óptimas que cae entre las soluciones óptimas que
se encontraron en las partes (a) y (b).
103
5. Una compañía de carga aérea desea maximizar los ingresos que

obtiene por la carga que transporta. La compañía tiene un solo avión
diseñado para transportar dos clases de carga: carga frágil y carga
normal. La compañía no recibe pago extra por transportar carga frágil;
sin embargo, para asegurar ciertos contratos de negocios, la compañía
ha acordado transportar cuando menos 5 toneladas de carga frágil. 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 más de 10 toneladas de carga. El avión
tiene una restricción de peso que le impide llevar más 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, más una tonelada. La compañía recibe $1000 por tonelada de
cualquiera de los dos tipos de carga que transporta. En seguida se
presenta un planteamiento de programación lineal para el problema:
Sean: X1 = toneladas de carga normal que se transportan X 2 =

toneladas de carga frágil que se transportan.
MAXIMIZAR: Z= 1000 X1 + 1000 X 2

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

b. Interprete las variables de holgura para el problema.
c. ¿Tiene el problema un óptimo alternativo? Explique su
respuesta.
TEMA 08
DUALIDAD Y ANÁLISIS DE SENSIBILIDAD
DUALIDAD.
La dualidad se caracteriza con la siguiente afirmación: Para todo problema

de maximización existe un problema equivalente de minimización; y a la
inversa, para todo problema de minimización existe un problema de
maximización.
La dualidad es importante por las siguientes razones:

104
a) El planteamiento dual de un problema de PL puede dar como

resultado una reducción considerable en los cálculos para resolver
el problema.
b) La relación dual tiene un nexo importante en el análisis de
sensibilidad.
c) Es posible obtener importante información económica 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
maximización como:
MAXIMIZAR Z P = c1X1 + c 2 X 2 + c3X3

SUJETO A a11X1 + a12 X 2 + a13X3  b1
a 21X1 + a 22X 2 + a 23X3  b 2
a 31X1 + a 32 X 2 + a 33X3  b 3
X1 , X 2 , X 3  0
el problema dual correspondiente de minimización es:
MINIMIZAR Z d = b1y1 + b2 y2 + b3y3

SUJETO A a11y + a 21y 2 + a 31y3  c1
a12 y1 + a 22 y 2 + a 32 y3  c 2
a13 y1 + a 23 y 2 + a 33 y3  c 3
y1 , y 2 , y 3  0
Donde y1 , y 2 , y 3 representan las variables duales.
Una relación importante entre el primal y el dual es que:
Si el problema primal tiene una solución óptima, entonces el problema dual

correspondiente también tiene una solución óptima y el valor óptimo de la
función objetivo del primal es igual al valor óptimo de la función objetivo del
dual.
Examinamos el problema original de los dos fertilizantes, a fin de explicar

la relación entre el primal y el dual.
PRIMAL: DUAL:
MAX. Z= 18.5 X1 + 20 X2 MIN. Z= 1100 y1 + 1800 y 2 + 2000 y3

S.a. 0.05 X1 + 0.05 X 2  1100 S. a. 0.05 y1 + 0.05y2 + 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 , y 3  0
X1 , X 2  0
105
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 3 , y 3 Son los dólares 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.
Obsérvese que:
0.05 y1 es el valor en dólares con que el nitrato contribuye a la producción
de una tonelada del fertilizante 1 0.05 y 2 , es el valor de la contribución en
dólares del fosfato, y 0.10 y 3 es el valor en dólares de la contribución del
potasio.
Y la suma 0.05 y1 +0.05 y 2 +0.10 y 3 es el valor total de los recursos que se

consumen en la fabricación de una tonelada del fertilizante 1 que debe ser
 a la contribución 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 contribución a las utilidades,
la desigualdad se satisfacerá en forma estricta.
Si el valor de los recursos que se requieren para fabricar una tonelada del
5-5-10 excede la contribución a las utilidades, entonces la empresa podría
usar en forma más 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 + c3X3

SUJETO A a11X1 + a12 X 2 + a13X3  b1
a 21X1 + a 22X 2 + a 23X3  b 2
a 31X1 + a 32 X 2 + a 33X3 = b 3
X1 , X 2 , X 3  0
Antes de ir al dual, las dos últimas restricciones deben convertirse en

restricciones menor o igual, resultando:
MAXIMIZAR: Z = c1X1 + c 2 X 2 + c3X3
SUJETO A: a11X1 + a12 X 2 + a13X3  b1
- a 21X1 - a 22X 2 - a 23X3  - b 2
a 31X1 + a 32 X 2 + a 33X3  b 3
- a 31X1 - a 32X 2 - a 33X3  - b 3
X1 , X 2 , X 3  0
106
Y el dual es: MINIMIZAR: Z= b1y1 - b 2 y 2 + b3y3 - b3y3'

SUJETO A: a 11 y1 - 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 23 y 2 + a 33 y3 - a 33y3'  y1
y1 , y 3 , y 3 , 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
-4 X1 - 2 X 2  -30
X1 , X 2  0
Y su dual es: MINIMIZAR: Z = 60 y1 - 40 y2 + 30 y3 - 30y3'

SUJETO A: y1 + 2 y 2 + 4 y 3 - 4 y3'  10
3y1 - y 2 + 2 y 3 - 2 y3'  20
y1 , y 3 , y 3 , y3'  0
RELACION ENTRE SOLUCIÒN ÓPTIMA PRIMAL Y SOLUCIÒN ÓPTIMA

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
107
cc2 cc1
BASE Z X1 X2 S1 S2 S3 bi FORMULA bi/aik
I. Z 1 -18.5 -20 0 0 0 0 R0
S1 0 0.05 0.05 1 0 0 1100 R1 22000

18000  FC1
 S2 0 0.05 0.10 0 1 0 1800
R2
0 0.10 0.05 0 0 1 2000 40000
S3 R3
II. Z 1 -8.5 0 0 200 0 360000

R'0 = R0 + 20R'2
 S1 0 0.025 0 1 -0.5 0 200
R1' = R1 − 0.05R '2
8000  FC2
0 0.5 1 0 10 0 18000
→ X2 R'2 = 1/ 0.10R 2
36000
0 0.075 0 0 -0.5 1 1100 14667
S3
R3' = R3 − 0.05R'2
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/ 0.025R1'
0 0 1 -20 20 0 14000
X2 R '2' = R '2 − 0.5R1''
0 0 0 -3 1 1 500
S3
R 3'' = R 3' − 0.075R1''
Los coeficientes de R '0' para las variables básicas y no básicas son  0,

luego se trata de una matriz terminal óptima.
DUAL
Para resolver el dual del primal para el caso de los dos fertilizantes, se
requieren dos variables de exceso y dos variables artificiales, además en
vez de M hemos tomado el mayor coeficiente de la función objetivo
multiplicado por 1000, resultando el modelo modificado y la solución
simplex
Z - 1100 y1 - 1800 y 2 - 2000 y 3 + 0 E1 + 0 E 2 - 20000 1 - 20000  2 = 0

0.05 y1 + 0.05 y 2 + 0.10 y 3 - E1 + 0 E 2 + 1 + 0  2 =18.5
0.05 y1 + 0.10 y 2 + 0.05 y 3 + 0 E1 - E 2 + 0 1 +  2 =20
108
cc3 cc2 cc1

BASE Z y1 y1 y3 E1 E2 1 2 bi
R, R'.R'' , R''' , R'
bi/aik
I. 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
II. Z 1 900 1200 1000 -20000 -20000 0 0 770000 R 0 + 20000 R 1 + 20000 R 2
 1 0 0.05 0.05 0.10 -1 0 1 0 18.5 R1 185 
0 0.05 0.10 0.05 0 -1 0 1 20
2 R2 400
III. 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
1/0.10 R 1
' 370
 2 0 0.025 0.075 0 0.5 -1 -0.5 1 10.75 143 

R '2 − 0.05R1''
IV. Z1 500 0 0 − 44000 − 32000 − 16000 − 28000 1'454000 R '0' − 700R '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
V. z1 0 0 -500 -8000 -14000 -12000 -6000 428000
R '0'' − 500 / 3R1'
0 1 0 3 -40 20 40 -20 340
y1 3R1'''
0 0 1 -1 20 -20 -20 20 30
y2
R '2'' − 13 R1'
Los coeficientes del renglón Z para las variables básicas y no básicas son
 0 , luego se trata de una matriz terminal u óptima.
La solución del problema dual da como resultado Zd = 428000 , que es igual

al valor óptimo de la función objetivo del problema primal Zp = 428000.
Obsérvese que la disponibilidad de nitrato es 1100 y la contribución al valor
de la función objetivo en el dual es 1100 y1 ; si se aumentara la disponibilidad
de nitrato en una unidad, la contribución al valor de la función objetivo sería
(1100+1) y1 o 1100 y1 + y1 , es decir aumentará en el valor de la variable dual
correspondiente y1 y dado que Zp es igual a Zd en el nivel óptimo, un
aumento de una unidad de nitrato dará como resultado un aumento en el
valor de la función objetivo del primario en una cantidad equivalente a y1 ;
consecuentemente, una disminución unitaria en el nivel de un recurso dará
como resultado una disminución en el valor de la función objetivo en la
solución óptima 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 tendría impacto en las utilidades, pues en las
solución primal existen 500 toneladas de potasio sin utilizar.
109
Para resolver el dual, además de resolver el primal, se requiere un esfuerzo

doble, por fortuna, los valores de las variables duales se encuentran en la
tabla óptima del primal, debido a la existencia de una correspondencia uno
a uno entre las variables duales y las variables de holgura; así mismo la
solución del problema primal aparece en la tabla óptima 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 ningún

significado en el problema primal; estas se utilizan solo para tener una
solución factible básica inicial y en la solución factible óptima valen cero.
INTERPRETACIÓN ECONÓMICA 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.
y 3 = 0 → No se obtienen utilidades adicionales al añadir toneladas extras
de potasio.
Es decir, desde el punto de vista de la toma de decisiones en la

administración, las variables duales indican la cantidad extra que se estaría
en disposición de pagar por una unidad adicional de un recurso específico.
Para el ejemplo, significa que por los recursos escasos se podría 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 será la diferencia entre el valor de la variable dual correspondiente
y el adicional al precio que se pague. Así, si el proveedor cobrara $10
adicionales por tonelada de fosfato que exceda de 1800 toneladas, todavía
se obtendrían $20 adicionales de utilidad por tonelada de fosfato; si el
aumento extra fuera de $31, no estaríamos dispuestos a comprar fosfato
adicional.
ANÁLISIS DE SENSIBILIDAD.
El análisis de sensibilidad es un método que investiga el efecto que tienen

los cambios en los parámetros de un problema de PL en la solución óptima.
Pueden cambiar: Los coeficientes de la función objetivo.

Los valores del segundo miembro de las restricciones.
Los valores de los coeficientes de las restricciones.
Es frecuente que los coeficientes de la función objetivo o los valores del

segundo miembro de las restricciones sean estimaciones, de ahí la
importancia de analizar la sensibilidad de la solución óptima a cambios de
110
estos parámetros; en cambio, el impacto de los cambios en los coeficientes

de las restricciones es de menor importancia, porque estos se obtienen de
la tecnología del problema generalmente son valores reales y no
estimaciones. Por estas razones, se consideran solo los cambios en los
coeficientes de la función objetivo y en los valores del segundo miembro de
las restricciones.
Para explicar el análisis de sensibilidad utilizamos el ejemplo inicial visto en

Método Simplex de los fertilizantes; recordemos que la solución óptima 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 compañía desea considerar la fabricación de un tercer
producto, un fertilizante 5-5-5, que puede venderse a $60 la Tn; igual, debe
fabricarse la combinación de fertilizantes que maximice las utilidades.
Para plantear el problema, sea X 3 las Tn del 5-5-5 que deben fabricarse, la
contribución 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 X 3  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 X 3 + 0S1 + S2 + 0S3 = 1800
0.10 X1 + 0.05 X 2 + 0.05 X 3 + 0S1 + 0S2 + S3 = 2000
111
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
S1 0 0.05 0.05 0.05 1 0 0 1100 R1 22000

18000 
 S2 0 0.05 0.10 0.05 0 1 0 1800
R2
0 0.10 0.05 0.05 0 0 1 2000 FC1
S3
R3 40000
II. Z 1 -8.5 0 -4.5 0 200 0 360000

R'0 = R0 + 20R'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/ 0.10R 2
36000
0 0.075 0 0.025 0 -0.5 1 1100 14667
S3
R3' = R3 − 0.05R'2
III. 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/ 0.025R1'
0 0 1 0 -20 20 0 14000
X2 R '2' = R '2 − 0.5R1''
0 0 0 -0.05 -3 1 1 500
S3
R 3'' = R 3' − 0.075R1''
Los coeficientes del renglón R '0' para las variables básicas y no básicas
todos son  0, por consiguiente, se trata de una matriz óptima.
La solución es X1 =8000, X 2 = 14000, X 3 =0, S1 =0, S2 =0 i S3 =500 y Z

máxima $428000.00
Es decir, una solución 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,
obteniéndose las mismas utilidades de $428000.00; solución que significa
que el programa de producción 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. También
se avizora una posible reducción del precio del 5-5-10 debido a que la
competencia ha reducido su precio del fertilizante. Se informa también para
el mes siguiente una reducción de la disponibilidad de nitrato.
Por todas estas razones, la compañía debe revisar la decisión de continuar

fabricando solo dos fertilizantes, para incluir en el análisis los problemas
planteados. Para comprenderlos, es necesario analizarlos por separado;
por ejemplo, para analizar el aumento del precio del 5-5-5, supondremos
que la disponibilidad de nitrato permanecerá constante; para analizar la
disponibilidad de nitrato, supondremos que la contribución del 5-5-5 a las
utilidades es el valor actual de $14.50.
112
CAMBIO EN EL COEFICIENTE DE UNA VARIABLE NO BÁSICA

DE LA FUNCIÓN OBJETIVO.
La sensibilidad de la solución óptima a cambios de los coeficientes de la

función objetivo puede determinarse añadiendo  j al coeficiente c j ,
obteniéndose como nuevo coeficiente: c j = c j +  j
Es posible determinar qué tan grande debe ser  j a partir del requerimiento
de optimidad en la tabla óptima. La sensibilidad se mide por  j , si
consideramos el intervalo de costos sobre los cuales la solución óptima
existente sigue siendo óptima. Si consideramos el fertilizante 5-5-5 ó X 3 al
nuevo precio de $ 60 +  3 , la contribución a las utilidades será $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
18000 
 S2 0 0.05 0.10 0.05 0 1 0 1800
R2
0 0.10 0.05 0.05 0 0 1 2000 FC1
S3
R3 40000
II. Z 1 -8.5 0 -4.5-  3 0 200 0 360000

R'0 = R0 + 20R'2
S1 0 0.025 0 0.025 1 -0.5 0 200
R1' = R1' − 0.05R '2
8000 
→ X2 0 0.5 1 0.5 0 10 0 18000
R'2 = 1/ 0.10R 2
FC2
0 0.075 0 0.025 0 -0.5 1 11000 36000
S3
R3' = R3 − 0.05R'2 14667
III. Z 1 0 0 4- 3 340 30 0 428000

R'0' = R'0 + 8.5R1''
→ X1 0 1 0 1 40 -20 0 8000
R1'' = 1/ 0.025R1'
0 0 1 0 -20 20 0 14000
X2 R '2' = R '2 − 0.5R1''
0 0 0 -0.05 -3 1 1 500
S3
R 3'' = R 3' − 0.075R1''
Considerando la optimidad de X 3 antes de que se vuelva básica:

4 - 3  0 (1)
Luego: 3  4
O también: 14.5 +  3  4 + 14.5
c 3  18.5
Esto indica que si el precio de X3 se incrementa hasta $4, su contribución

a las utilidades sería hasta $18.50 y entonces la producción de X3 no sería
rentable. Si el precio aumentara exactamente $4, se llegaría a un punto de
113
decisión en el que podría fabricarse X3 , sin obtener utilidades adicionales,

es decir la utilidad seguiría siendo $428, 000.00; sería una solución
alternativa con la misma utilidad. En cambio, si  3 >4, la contribución a las
utilidades de X3 sería mayor que 18.5, entonces la producción de X3 sería
rentable y X3 entraría a la base, cambiando la solución óptima anterior.
CAMBIO EN EL COEFICIENTE DE UNA VARIABLE BÁSICA DE

LA FUNCIÓN OBJETIVO.
Para el análisis utilizaremos el fertilizante 5-5-10. Estaremos interesados

en saber cuál es el valor máximo en el que puede cambiar este coeficiente
básico de utilidades antes de cambiar las variables básicas restantes en la
solución óptima. En el caso de variables que si son básicas deben
considerarse tanto aumentos como disminuciones en los coeficientes de
contribución, Sea la nueva contribución: c j = c j +  j , que afectaría a más 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 FÒRMULA bi/aij
I. Z 1 -18.5- 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 18000  1
R2
S3 0 0.10 0.05 0.05 0 0 1 2000 40000
R3
II. Z 1 -8.5- 1 0 -4.5 0 200 0 R'0 = R0 + 20R'2

 S1 0 0.025 0 0.025 1 -0.5 0 200 R1' = R1' − 0.05R '2 8000  2
→ X2 0 0.5 1 0.5 0 10 0 18000 R'2 = 1/ 0.10R 2 36000
S3 0 0.075 0 0.025 0 -0.5 1 1100 R3' = R3 − 0.05R'2 14667
III. Z 1 0 0 4+ 1 340+40 30-20 0 428000+ R'' = R' + (8.5 +  )R''

0 0 1 1
1 1 8000 1
→ X1 0 1 0 1 40 -20 0 8000 R1'' = 1/ 0.025R1'

X2 0 0 1 0 -20 20 0 14000 R '2' = R '2 − 0.5R1''
S3 0 0 0 -0.05 -3 1 1 500 R 3'' = R 3' − 0.075R1''
114
Considerando las condiciones de optimidad se tiene:
Para X3 : 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
ó 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:
1. Si existen varias condiciones de la forma  j  −gi

se elige la que tenga el − g i más cercano a cero.
2. Si existen varias condiciones de la forma  j  hi
se elige la que tenga el h i más cercano a cero.
Si el cambio en el coeficiente de la función objetivo de una variable no

básica ó básica no está 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
límites antes descritos, con lo cual la solución anterior no sería la óptima;
en la última Tabla óptima se puede reemplazar 1 = 25 − 18.5 = 6.5 ,
obteniéndose 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 función 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 solución no es óptima y que S2 debe entrar en la base para volver a
la optimidad. A partir de la Tabla anterior, la nueva Tabla sería:
115
BASE Z X1 X2 X3 S1 S2 S3 bi R
IV. Z 1 0 0 5.5 300 0 100 530000

R '0'' = R'0' + 100R3'''
0 1 0 0 -20 0 20 18000
X1 R1''' = R1'' + 20R 3
'''
0 0 1 1 40 0 -20 4000
X2
0 0 0 -0.05 -3 1 1 500 R '2'' = R '2' − 20R '2''
→ S2
'''
R3 = R3
''
Como en R '0'' todos son  0, la solución es óptima, y X1 =18,000, X 2 =4000

i ZMAX = $530,000.00
CAMBIOS EN LOS SEGUNDOS MIEMBROS DE LAS RESTRICCIONES.
Al igual que en caso de cambios en los coeficientes de la función objetivo,

la sensibilidad de la solución óptima a cambios en los recursos se mide a
través 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 solución es:
cc2 cc1
BASE Z X1 X 2 X3 S1 S2 S3 bi R bi/aij
I. Z 1 -18.5 -20 -14.5 0 0 0 0 R0
S1 0 0.05 0.05 0.05 1 0 0 1100+  N R1 22000+20  N

 S2 0 0.05 0.10 0.05 0 1 0
1800 R2 18000  1
0 0.10 0.05 0.05 0 0 1
S3 2000 40000
R3
II. Z 1 -8.5 0 -4.5 0 200 0 360000
R'0 = R0 + 20R'2
 S1 0 0.025 0 0.025 1 -0.5 0 200+  N R1' = R1 − 0.05R '2 8000+  N /0.025  2
→ X2 0 0.5 1 0.5 0 10 0
18000 R'2 = 1/ 0.10R 2 36000
0 0.075 0 0.025 0 -0.5 1
S3 1100 14667
R3' = R3 − 0.05R'2
III. Z 1 0 0 4 340 30 0 428000+340  N R'0' = R'0 + 8.5R1''

X1 0 1 0 1 40 -20 0 8000+40  N R1'' = 1/ 0.025R1'
0 0 1 0 -20 20 0
X2 14000-20  N R '2' = R '2 − 0.5R1''
0 0 0 -0.05 -3 1 1
S3
500-3  N R 3'' = R 3' − 0.075R1''
Por la no negatividad de la solución, se tiene:
X1 : 8000 + 40 N  0 →  N  −200

X2 : 14000 − 20 N  0 →  N  700
S3 : 500 − 3 N  0 →  N  166.67
116
De donde: − 200   N  166.67
Lo que significa que la disponibilidad de nitrato puede aumentar hasta en

166.67 Tn o disminuir hasta en 200 Tn sin ocasionar que las variables de
la solución óptima cambien. Los valores de la función objetivo y el valor del
segundo miembro cambiarán, pero la mezcla actual de variables seguirá
siendo óptima o expresado en términos de disponibilidad de nitrato:
1100 − 200  b N  1100 + 166.67 ó 900  b N  1266 .67
Si el cambio actual  N , se encuentra en los límites que se han dado, puede

seguirse utilizando el mismo método para calcular los nuevos valores de la
solución y de la función objetivo. Por ejemplo, si la disponibilidad de nitrato
se reduce en 100 Tn, entonces  N = -100 y la nueva solución sería:
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 utilizarían 800 Tn de potasio y la utilidad se reduciría a $394000.
Observe que los coeficientes de  N en la Tabla óptima 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 óptima, es el
valor de Z III para S1 de 340, que indica que una unidad adicional de nitrato
aumenta las utilidades en $340, luego, la empresa estaría dispuesta a
pagar hasta $340 más de lo que paga actualmente por el nitrato; por
ejemplo si hay nitrato adicional a $400 por Tn o sea $200 más de lo que
costaba antes la Tn, la compañía podría comprar nitrato adicional, ya que
aun tendría $340-$200=$140 de utilidad adicional por Tn de nitrato
adicional.
Como los valores de Z III de cada holgura indican el valor adicional de una
unidad adicional del recurso correspondiente, a estos valores se les
denominan precios sombra. La relación entre los precios sombra como
recurso y la función objetivo puede expresarse así: El precio sombra para
un recurso determinado refleja el impacto que tiene sobre la función
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
límites determinados por el análisis de sensibilidad. En cambio, si  N =200,
el nuevo valor de S3 sería 500-3(200) = - 100 < 0, en este caso, sería
necesario volver a resolver el problema en forma completa, porque la
mezcla óptima de productos cambiaría; bajo la nueva solución, se obtendría
un conjunto diferente de precios sombra.
117
Obsérvese que precios sombra es lo mismo que variables duales.
Como ejemplo adicional, determinemos los límites de cambio para

el fosfato  F , según la Tabla óptima para la variable de holgura S2 , por la
no negatividad de las variables se tendrán:
X1 : 8000 − 20 F  0 →  F  400

X2 : 14000 + 20 F  0 →  F  −700
S3 : 500 +  F  0 →  F  −500
Es decir que, los límites finales son:
− 500   F  400
que nos indica que la disponibilidad de fosfato podría reducirse hasta 500
Tn o aumentarse hasta 400 Tn sin obligar a que las variables óptimas
actuales conduzcan a una solución no factible. Dentro de estos límites de
cambio podrían calcularse los nuevos valores óptimos 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
solución óptima a cambios en los niveles de recursos puede generalizarse
de la siguiente forma:
1. Si se tiene una solución óptima, el aumento o disminución en utilidades

debido al aumento o disminución de una unidad del K-ésimo recurso
puede obtenerse tomando el valor del renglón Z j de la k-ésima variable
de holgura. Estos valores se denominan precios sombra.
2. Para resumir el cálculo de los límites superior e inferior de la

disponibilidad de algún recurso escaso, sean b k y  k la disponibilidad
original y el cambio del K-ésimo recurso respectivamente y rF i a ik , el
valor óptimo del segundo término y el coeficiente de la variable Sk
respectivamente en el i-ésimo renglón, entonces para cada una de las
m variables básicas se tiene
(rF )i + a ik .k  0
Las desigualdades se resuelven para determinar l y u, límites inferior y
superior de  k , entonces:
l  k  u
son los límites del cambio en la disponibilidad del k-ésimo recurso, con
el objeto de mantener la solución óptima.
CAMBIOS OBLIGADOS EN LA PRODUCCIÒN.

¿Qué haríamos si deseáramos fabricar cantidades diferentes a las que
aparecen en la tabla óptima?
TASAS FÌSICAS DE SUSTITUCIÒN.- Son los números 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
118
productos finales; si se tienen solo restricciones  las variables básicas son

las variables de holgura e equivalen a la cantidad de recursos disponibles,
es decir Sk = recurso k señala la cantidad de recurso k que no se utiliza.
En este caso las tasas físicas de sustitución convierten variables básicas

(las de holgura) en variables no básicas (productos finales); esta relación
es cierta durante todas las tablas subsecuentes, afirmándose 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).
Si a ij es el coeficiente del i-ésimo renglón y la j-ésima columna, entonces
a ij es la tasa a la que la i-ésima variable básica se convierte en la j-ésima
variable no básica. Un coeficiente positivo significa que el valor de la
variable básica se reducirá al aumentar el valor de la variable no básica y
un coeficiente negativo significa que el valor de la variable básica
aumentará al aumentar el valor de la variable no básica.
Para comprender mejor, consideremos en la tabla óptima la columna de la

variable no básica X 3 y la columna BASE:
 La variable básica X1 se convierte en la variable no básica X 3 con la
tasa 1, es decir una unidad de X1 en una unidad de X 3 .
 La variable básica X 2 no se convierte en ninguna X 3 .
 La producción 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 fabricará, habrá una
reducción de $4 en la utilidad total.
Si los administradores decidieran la fabricación de 1000 Tn del fertilizante

3 para un cliente importante, el plan modificado de producción sería:
Fertilizante o Nivel de producción Nivel de producción

materia prima original o materia prima nuevo o materia prima
no usada no usada
X1 8000 7000
X2 14000 14000
X3 0 1000
S3
500 550
La utilidad para este plan de producción se reducirá en 4  (1000 ) =$4000,

es decir será $424,000.00
119
EJERCICIOS
ANÁLISIS DE SENSIBILIDAD
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 método gráfico.

b) Si la utilidad en X1 cambiará de 2 a 10. ¿Cuál sería la nueva solución
óptima?
c) Suponga que la disponibilidad del recurso 1 cambia de 8 a 16. Si los
valores de las utilidades no cambian. ¿Cuál sería la solución óptima?
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)
Función objetivo:
Z=2 X1 +2 X 2 = 0 → X 2 = X1
Z es máx. 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 máx. 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)
X 2 =0 → X1 =8:(8,0)
Z=2 X1 +2 X 2 = 0 → X 2 =- X1
Z es máx. en X1 =0, X 2 =3:B(0,3)

Luego: Z=2(0) + 2(3) =6
E 2. Para el siguiente problema de PL:

120
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 X 2 X3 S1 S2 bi
II. Z 1 7 6 0 10 0 100 100+10  b

1
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 sí:
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
solución óptima cambie.
d) Determine el aumento o reducción de la disponibilidad del primer
recurso antes de que la solución óptima 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 solución.
SOLUCION.
a) 1  7 : 3 + 1  3 + 7 → c1  10
 c1 =10: Solución alternativa, sin utilidades adicionales.

 c1 >10: X1 ingresa a la base con nueva solución óptima.
b)  2  6 : 4 +  2  4 + 6 → c 2  10
 c 2 = 0: Solución alternativa, sin utilidades adicionales.
 c 2 >10: X 2 ingresa a la base con nueva solución.
c) Para c 3 = 10 +  3 se tiene según la tabla óptima:

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
121
Es decir que c 3  4,  con la misma solución óptima; sin embargo, el valor
de Z cambiará según la expresión 100 + 10  3 ,  3  -6. la solución óptima
cambiará si c 3 < 4.
d) Según la columna S1 y la columna bi:
X 3 = 10 +  b  0 →  b  -10
1 1
10 +  b1  10 -10
b1  0
e) Según la columna S2 y la columna bi:
S2 = 15 + b  0 → b  -15
2 2
15 + b2  15 -15
b2  0
f) PRODUCTO Ó 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 producción se reducirá en 6 (4)=24, es
decir será 100-24=76. Se comprueba por: Z= 3(0) + 4(4) + 10(6)=76.
RESULTADOS POR COMPUTADORA
Además del software SIMPLEX, tenemos otro software de optimización,

como el LINDO y el SUPER LINDO.
E3. Con el aplicativo LINDO, resolver el problema de los 3 fertilizantes de

la página 113.
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
122
End (CLIK en de color rojo y continuar con el cuadro de diálogo,

hasta obtener los resultados, que se leerán 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,

según el enunciado del problema: El valor de la función 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 están en la base, ingresen a la base, el análisis
de sensibilidad de los coeficientes de la función objetivo y el análisis de
sensibilidad de los segundos miembros de las restricciones.
AUTOEVALUACIÓN
1. Explique la sensibilidad de la empresa a los cambios externos de la misma y
su tratamiento computacional.
2. Explique cuando la empresa óptima, debe cambiar su modelo matemático.

3 Explique la variación de los coeficientes de la función objetivo y la variación de
los segundos miembros de las restricciones.
PROBLEMAS ADICIONALES
PARTE 4
1. Max. Z = 5X1 + 3X2 Por el método gráfico.
St. 3X1 + 5X2 < = 15
5X1 + 2X2 < = 10
X1, X2 >= 0
2. Resolver el problema anterior por el método simplex.
3. Min. Z =2Y1 + 3Y2 Por el método gráfico.

St. 2 Y1 + Y2 >=4
6Y1 +2Y2 >=8
Y1 + 5Y2 >=4
Y1, Y2>=0
5. MAXIMIZAR: Z= 8 X1 + 12 X 2 + 10 X 3 Por el método simplex.

St 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
123
6. Max. Z = 2.5X1 + 3X2 Por el método gráfico.

St. 3X1 + 5X2 < = 15
5X1 + 2X2 < = 10
X1, X2 >= 0
8. Se dispone de información dietética de cuatro alimentos A, B, C y D

referentes a calorías, vitaminas y precios en la siguiente tabla. Si el
número de calorías y vitaminas requeridas son de 18 y 10 unidades
respectivamente ¿Cuánto de cada alimento debe adquirirse para
satisfacer el mínimo nutricional a un costo mínimo?
A B C D
Calorías 2 0 1 3
Vitaminas 0 3 1 4
Precios 5 10 12 15
Resuelva por el método simplex.
9. Min. Z = 15Y1 + 10Y2 Por el método gráfico.

St. 3Y1 + 5Y2 > = 2.5
5Y1 + 2Y2 > = 3
Y1, Y2 > = 0
11. Las máquinas A y B tienen 3 y 4 horas de capacidad disponibles

respectivamente. La producción de 1 unidad del producto M
representa 2 horas de la máquina A y 4 horas de la máquina B. La
producción de 1 unidad del producto N requiere 3 horas de la
máquina A y 1 hora de la máquina B. Si cada unidad de M produce
una utilidad de 1 sol y cada unidad de N produce una utilidad de 2
soles. ¿ Cuántas unidades de M y N deberán producirse para
obtener una máxima utilidad?. Resolver, por el método simplex.
12. Max. Z = 4X1 + 5X2

St. 3X1 + 6X2 < = 2100
6X1 + 5X2 < = 2100
X1, X2 > = 0
13. La OBC se especializa en la fabricación de colchones, fabricando tres
clases: matrimonial, king-size e individual. Los tres tipos de colchones
se fabrican en dos plantas diferentes de la compañía. En un día normal
124
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 será de 2500, 3000 y 7000
unidades respectivamente. Los contadores de la compañía indican que
el costo diario de operación de la planta 1 es $ 2500 y de la planta 2 es
$ 3500. Los administradores desean determinar el número óptimo de
días de operación por mes en cada planta, con el objeto de minimizar el
costo total de producción, al mismo tiempo que se satisface la demanda.
Resuelva, mediante el dual, por el método 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 doméstico. En estos momentos, se fabrican tres tamaños
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 día
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 cuántos días debe trabajarse en
cada planta para minimizar los costos y satisfacer la demanda.
125
FUENTES DE INFORMACIÓN
Bibliográficas
1. Anderson, D., Sweeney, D. y Willians, T. (2011). Estadística para

administración y economía. México: Thomson Learning. (11a. ed.)
2. Kazmier,L. (2006). Estadística aplicada a la administración y a la

economía. México: McGraw-HiIl. (4a. ed.)
3. Hanke, J. y Reitsch, A. G. (2003). Estadística para negocios. Madrid:

Mc Graw Hill, IRWIN.
4. Mason, R. Douglas A., L. Marchal, W. (2003). Estadística para

administración y economía. México: Alfaomega. (10a ed.)
5. Taha, Handy A. (2004). Investigación de operaciones. México:

Prentice Hall. (7a ed.)
6. Levin, R. y Rubin, D. (2004). Estadística para administración y

economía. México: Pearson Educación. (7a. ed.)
7. Box. (2008). Estadística para investigación, diseño y descubrimiento.

(2a ed.)
Electrónicas
1. http://www.latinoamerica.cengage.com
2. http://www.stats.com
3. http://www.wikipedia.org
4. http://www.statsofware.com

Manual Modelos Cuantitativos y de Optimización 2020 - I

Cargado por

Copyright:

Formatos disponibles

Manual Modelos Cuantitativos y de Optimización 2020 - I

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 Modelos Cuantitativos y de Optimización 2020 - I

Cargado por

Copyright:

Formatos disponibles

1

ACREDITADA POR ACCREDITATION COUNCIL FOR BUSINESS SCHOOLS AND PROGRAMS

ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS

SEMESTRE ACADÉMICO 2020 I - II

Material didáctico para uso exclusivo de clase

UNIVERSIDAD DE SAN MARTIN DE PORRES

FACULTAD DE CIENCIAS CONTABLES, ECONÓMICAS Y FINANCIERAS

DIRECTOR DE LA ESCUELA PROFESIONAL DE CONTABILIDAD Y

DIRECTOR ESCUELA DE ECONOMÍA

DIRECTOR DEL DEPARTAMENTO ACADÉMICO DE CONTABILIDAD,

DIRECTOR DE LA SECCIÓN DE POSTGRADO

DIRECTOR DE LA OFICINA DE GRADOS Y TÍTULOS

DIRECTOR DE LA OFICINA DE EXTENSIÓN Y PROYECCIÓN

DIRECTOR DEL INSTITUTO DE INVESTIGACIÓN

JEFE DE LA OFICINA DE REGISTROS ACADÉMICOS

JEFE DE LA OFICINA DE BIENESTAR UNIVERSITARIO

JEFE DE LA OFICINA DE ADMINISTRACIÓN

COORDINADOR ACADÉMICO DE LA ESCUELA PROFESIONAL DE

COORDINADOR ACADÉMICO DE LA ESCUELA PROFESIONAL DE

COORDINADOR ACADÉMICO DE LA ESCUELA PROFESIONAL DE

COORDINADOR DE LA SECCIÓN DE POSTGRADO DE CONTABILIDAD Y

COORDINADOR DE LA SECCIÓN DE POSTGRADO DE ECONOMÍA

El texto de este trabajo o parte del mismo, no puede ser reproducido o

Si desea un ejemplar, gestiónelo en la Facultad de Ciencias Contables,

El presente manual contiene el desarrollo teórico-práctico del sílabo

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

En esta tarea, presentamos el desarrollo teórico-práctico de cuatro

UTILIZACIÓN DE LA COMPUTADORA ENMODELOS CUANTITATIVOS

Con la introducción de las computadoras, el trabajo de cálculos

Hay muchos programas computacionales en el mercado que

Si usamos el SPSS, una vez cargado en la computadora es muy fácil

UNIDAD I: MODELOS CUANTITATIVOS DE REGRESIÓN Y

TEMA N° 1: ANÁLISIS DE VARIANZA 12

TEMA N° 2: REGRESIÓN Y CORRELACIÓNLINEAL SIMPLE 21

UNIDAD II: MODELOS CUANTITATIVOS DE SERIE DE TIEMPO Y

TEMA N° 3: REGRESIÓN Y CORRELACIÓNLINEAL MÚLTIPLE 39

TEMA N° 4: SERIES DE TIEMPO 52

UNIDAD III: TEORÍA DE LA DECISIÓN ESTADÍSTICA

TEMA N° 5: NÚMEROS ÍNDICE 73

TEMA N° 6: TEORÍA DE DECISIONES 83

3. Toma de decisiones por el criterio Bayesiano

UNIDAD IV: MODELO DE OPTIMIZACIÓN Y PROGRAMACIÓN LINEAL

TEMA N° 7: MÉTODO SIMPLEX 92

TEMA N° 8: DUALIDAD Y ANÁLISIS DE SENSIBILIDAD 103

PAUTAS PARA EL ESTUDIO Y LOS

· Lo más importante para el logro de los objetivos de la asignatura es la

· Este manual será utilizado como apoyo, importante en el desarrollo de

· Después de la lectura concentrada, como acciones procedimentales

El docente proporciona orientación al respecto. Se recomienda la práctica

MODELOS CUANTITATIVOS DE REGRESIÓN

MODELOS CUANTITATIVOS DE REGRESIÓN Y CORRELACIÓN

Buscar el funcionamiento óptimo de la empresa en un entorno competitivo

1. Comprende el conocimiento del Análisis de Varianza, aplicándolo a

2. Se reconocen y resuelven ejemplos prácticos del caso 1. Por

3. Se reconocen y resuelven ejemplos prácticos de los casos 2 y 3. Por

4. Comprende el conocimiento de la Regresión Lineal Simple y

5. Se reconoce las variables dependiente e independiente y resuelven

6. Se prueba la validez del modelo e interpretan los intervalos de