Métodos cuantitativos para la toma de decisiones

Tema 1. Estadística Descriptiva Objetivos del tema Al finalizar el tema, serás capaz de:

y y

Describir el enfoque del análisis cuantitativo. Emplear el uso del modelado en el análisis cuantitativo.

Introducción La estadística siempre ha estado a nuestro alrededor. De hecho sería muy difícil pasar una semana entera sin utilizar la estadística. Imagina un partido de fútbol profesional donde no existiera marcador. ¿Cómo podríamos determinar quién gana o pierde? La acción por sí misma nos dará la suficiente emoción para quitarnos la atención por un rato; pero piensa lo siguiente, sin esto se perdería el drama del juego, si ganar o perder no fuera importante. Ahora imagina que vas a comprar un automóvil, y que quieres comprarte el mejor auto en función del costobeneficio. Sin estadísticas o números ésta podría ser una tarea fácil. Sin embargo, no sabrías si estás haciendo la mejor inversión por él. Sin estadísticas no podríamos planear nuestros presupuestos, pagar nuestros impuestos, disfrutar los deportes, evaluar el desempeño de las personas. ¿Empiezas a captar la idea? ¡Necesitamos la estadística! Vamos a echar un vistazo a la forma más básica de la estadística, conocida como estadística descriptiva. Este tipo de análisis es la base para todo el conocimiento estadístico, sin embargo no es algo que vas simplemente a aprender y utilizarlo en el futuro cercano. La estadística descriptiva es algo que ya utilizas actualmente, por ejemplo, en tus materias de la maestría, en las actividades de tu trabajo, en un partido de fútbol, cuando haces las compras en una tienda de autoservicio. Es muy probable que sepas más estadística de lo que tú crees.

Actividad individual Instrucciones: Realiza cuidadosamente lo que se te indica a continuación en cada uno de los problemas. Ejercicios: 1. Contesta las siguientes preguntas: a. ¿Cuál es el alcance del análisis cuantitativo? b. ¿Cuál es el alcance del análisis cualitativo? c. ¿Cuál es la diferencia entre el análisis cuantitativo y el cualitativo? Realiza un esquema sobre el enfoque del análisis cuantitativo. Investiga y define por medio del modelado del análisis cuantitativo, 3 situaciones de empresas reales. En este ejercicio debes incluir los 7 pasos del modelo. No es necesario que incluyas todo el proceso que siguieron las empresas, sólo incluye un breve resumen de cada uno de los pasos.

2. 3.

Envía la actividad a tu tutor, en formato de práctica de ejercicios.

Modulo 1 Introducción a la Estadística

1

Métodos cuantitativos para la toma de decisiones

Cierre El análisis cuantitativo es el enfoque científico para la toma decisiones. El modelo del análisis cuantitativo incluye los siguientes pasos: 1) Definición del Problema. 2) Desarrollar el Modelo. 3) Recopilación de Datos. 4) Desarrollo de la Solución. 5) Prueba de la Solución. 6) Análisis de Resultados. 7) Implementación de Resultados. En esta actividad pudimos ver cómo la definición del problema y el planteamiento de los objetivos son determinante, asimismo observamos cómo las empresas plantean hipótesis de trabajo. Pudimos ver cómo la recopilación de los datos también debe de llevar un cierto nivel de análisis para evitar incluir situaciones que no reflejen el comportamiento de los datos; cómo antes de aplicar la solución encontrada a toda la empresa tenemos que hacer una prueba piloto y que al corroborar los resultados podemos iniciar con los planes de acción que tendrán cambios en la forma de operar de la organización.

Para aprender más En este apartado encontrarás más información acerca del tema para enriquecer tu aprendizaje.

y y y

Coden, J. (1997). Decision Making Under Conditions of Uncertainty: A Wakeup Call for the Financial Planning Profession. Journal of Financial Planning: 84-91. Howard, R., Schlaifer, R. (2000). Applied Statistical Decision Theory, Nueva York: John Wiley & Sons, Inc. Wallace, S. W. (2000), Decision Making under Uncertainty; Is Sensitivity Analysis of Any Use?, en Operations Research 48 (1): 20-25).

Modulo 1 Introducción a la Estadística

2

Métodos cuantitativos para la toma de decisiones

Explicación del tema 1 Métodos cuantitativos para la toma de decisiones Tema 1. Estadística Descriptiva

1.1. Análisis cuantitativo

El análisis cuantitativo es el método científico más adecuado para ayudarte a hacer la toma de decisiones administrativas. Las corazonadas, sentimientos, emociones no forman parte de él.

Modulo 1 Introducción a la Estadística

3

Otra forma más matemática de plantear esta misma hipótesis puede ser de la siguiente manera: Ho: El promedio de errores de captura no se ve afectado por las jornadas laborales. es hora de desarrollar el modelo. y esto no es exclusivo de alguna rama científica en especial. Por ejemplo. sábado y domingo. Hay muchas formas de hacerlo. Modelo de análisis cuantitativo Podemos definir el proceso del análisis cuantitativo con el siguiente diagrama: Definición del Problema: Todas las partes dentro del proceso son importantes. o si necesitamos iniciar a recopilarlos a partir de este momento. Si la persona incluye estos datos en el análisis podría llegar a concluir que las ventas están disminuyendo o si hace un pronóstico Modulo 1 Introducción a la Estadística 4 . Recopilación de Datos: Otra de las partes esenciales del proceso. Aquí el modelo del gerente es el siguiente: Hipótesis Nula (Ho): No influyen la duración de las jornadas en el desempeño de los capturistas. sino que también implica un cierto análisis para descartar situaciones o comportamientos atípicos en la información. el gerente de una empresa ha notado un comportamiento en el equipo de capturistas.2. y lo determinante aquí es saber priorizar aquellos problemas cuyas soluciones tendrán un mayor beneficio. sin embargo la persona que recopiló los datos no se percató de que debido a la enfermedad de la influenza humana las ventas de esos días disminuyeron drásticamente. lo cual no es incorrecto. se aplica en todos los ámbitos. normalmente las ventas de esa tienda son mayores los días viernes. Este paso del análisis cuantitativo no consiste únicamente en recopilar la información de las variables que se definieron en el estudio. asimismo no notó que habían cerrado por primera vez en su historia un fin de semana por esta misma situación. sin embargo si iniciamos con una pobre definición del problema es muy probable que al finalizar todo el proceso cuantitativo no lleguemos a la solución del problema. En las organizaciones normalmente van surgiendo problemas en la operación de las mismas. la clave aquí es que el investigador o persona encargada del modelo lo defina. Por ejemplo. tiene la hipótesis de que entre más tiempo pasan trabajando tienen más errores de captura. Puedo definir el modelo desde una forma sencilla a una compleja. y en ocasiones la más tardada debido a que en primer lugar tenemos que ver si ya contamos con un historial de la información. y que el periodo de tiempo del que tienen la información es lo que va del año 2009. aunque tal vez no todos lo aplican de manera matemática.Métodos cuantitativos para la toma de decisiones 1. Hipótesis Alterna (Ha): Sí influye la duración de las jornadas en el desempeño de los capturistas. El tiempo es vital y no podemos desperdiciarlo en la solución de casos o problemas que no tendrán impacto. Ha: El promedio de errores de captura se ve afectado por las jornadas laborales. Desarrollo del Modelo: Una vez que ya determinamos los objetivos. Lo que te sugiero en este paso es que en el planteamiento de los objetivos estos sean alcanzables y medibles. imaginemos que una de las variables del estudio son las ventas de una tienda departamental.

El objetivo de este punto es manipular los datos del modelo para llegar a la mejor solución posible. entonces los cambios que podría proponer es tener empleados de medio tiempo en diferentes turnos para disminuir los errores. los conceptos que se manejan en las investigaciones cualitativas en la mayoría de los casos no están operacionalizados desde el principio de la investigación. Ahora que ya vimos los pasos del análisis cuantitativo. Por ejemplo. La misma estrategia indica ya el empleo de procedimientos que dan un carácter único a las observaciones. El investigador desarrolla o afirma las pautas y problemas centrales de su trabajo durante el mismo proceso de la investigación. retomando el caso del gerente del equipo de capturistas si después de los resultados confirma que entre más horas trabajan los empleados cometen más errores de captura. se refiere al papel del investigador en su trato ±intensivo. Modulo 1 Introducción a la Estadística 5 . esto para evitar un error como el de las ventas de la tienda departamental.con las personas involucradas en el proceso de investigación. En estas pruebas aplicaremos la solución sólo a una parte de la población. tenemos que hacer una prueba. y no a través de la medición de algunos de sus elementos. puede ser mediante muestreo. procesos. este método busca menos la generalización y se acerca más a la fenomenología y al interaccionismo simbólico. o alguna agrupación en la cual pueda obtener resultados con los cuales pueda determinar si la solución se acerca a lo que la empresa estaba buscando. Por tal razón. es hora de ver un resumen básico del análisis cualitativo. algún departamento de la tienda. Breve introducción del Análisis Cualitativo: Una primera característica de estos modelos se manifiesta en su estrategia para tratar de conocer los hechos. En la mayoría de los casos los resultados nos ayudarán a definir planes de acción o cambios que se tienen que realizar en la operación o manejo de la organización.Métodos cuantitativos para la toma de decisiones va a estar influido por esto. en este curso veremos algunos métodos de solución que te servirán para solucionar problemas en tu ámbito laboral. es decir. Para lo cual podemos hacer un paso previo que en algunas empresas se determina prueba piloto. es decir. Una tercera característica estratégica importante para este trabajo (ya que sienta bases para el método de la investigación participativa). no están definidos desde el inicio los indicadores que se tomarán en cuenta durante el proceso de investigación. Desarrollo de la Situación: En este paso debemo s seleccionar el método con el cual vamos a resolver el problema. estructuras y personas en su totalidad. para entenderlas. La segunda característica es el uso de procedimientos que hacen menos comparables las observaciones en el tiempo y en diferentes circunstancias culturales. Análisis e Implementación de los Resultados: En esta fase tenemos que analizar las implicaciones de la solución. Prueba de la Solución: Antes de implementar los resultados encontrados.

es necesario familiarizarse con sus elementos básicos. en muchas ocasiones esto depende de las probabilidades de ciertos eventos. a. analizar e interpretar datos. Distinguir los diferentes tipos de distribuciones continuas. quién puede ser el próximo presidente de México. Encuentra la probabilidad de que se seleccione al menos una mujer. Todas estas frases hacen referencia a la incertidumbre de un resultado. El número promedio de sorteos en los que tendrá que participar. Si en cada sorteo tiene una probabilidad de 0.001 de ganar. piensa en algún evento donde el resultado sea incierto. Se te pueden venir a la mente muchos ejemplos. va a llover mañana. el cuarto paso del análisis cuantitativo se debe desarrollar la solución. no tenemos la certeza de cuál será el resultado. parámetros y alguna característica con la cual puedes reconocerla. Ejercicios: 1. lo que constituye la parte central de este tema. Distinguir los diferentes tipos de distribuciones discretas. obtener póker en una mano de cartas. ³hay muchas posibilidades de que pase esto´. etc. Dado que la probabilidad juega un papel muy importante dentro de la estadística. 4. Por otro lado. Realiza un cuadro sinóptico sobre las distribuciones discretas y continuas. ¿Qué es la Probabilidad? ¿Qué significa decir que la probabilidad de lanzar una moneda y obtener sol o águila es de 50%. b. c. no sabes exactamente qué número te va a salir. si lanzas un dado en este momento. cuando aplicamos técnicas estadísticas para recolectar. b. serás capaz de: y y y y Reafirmar los fundamentos básicos del análisis de probabilidad. Introducción Como vimos en el tema anterior. Probabilidad Objetivos del tema Al finalizar el tema. o las posibilidades de aprobar una materia son de 80%. Por ejemplo. encuentra: a. Utilizar el teorema de Bayes para establecer probabilidades posteriores. En cada caso. la teoría de probabilidad proporciona una base para evaluar la confiabilidad de las conclusiones alcanzadas y las inferencias realizadas. incluye las fórmulas. La probabilidad es una herramienta que modela y trata con situaciones bajo incertidumbre. ¿Cuántas mujeres en promedio serán seleccionadas? El número de bacterias de cierto tipo. De un grupo de 30 mujeres y 20 hombres se seleccionan 8 personas al azar. Actividad individual Instrucciones: Realiza cuidadosamente lo que se te indica a continuación en cada uno de los problemas. La probabilidad de que requiera participar en más de 100 sorteos. Una persona decide comprar un boleto de lotería cada viernes hasta que se saque la lotería una vez. como lanzar un dado. sigue una ley de probabilidades de Poisson a razón de 3 bacterias 2. Encuentra la probabilidad de que se seleccionen más mujeres que hombres. Modulo 1 Introducción a la Estadística 6 . ³es muy poco probable´. o que la probabilidad de que un equipo vuelva a quedar campeón de manera consecutiva en el campeonato del fútbol mexicano es 0. tipo (discreta o continua).1? Primero. o si compro un boleto de lotería sacarme el premio mayor. 3.Métodos cuantitativos para la toma de decisiones Tema 2. A menudo escuchamos frases como ³probablemente´.

8ª ed. despachado por una máquina ubicada en la sala de espera de un aeropuerto es una variable aleatoria que tiene distribución uniforme en el intervalo [6. Modulo 1 Introducción a la Estadística 7 . c. Upper Saddle River.5 litros. sabemos que no es algo que se pueda controlar. Vimos cómo el azar puede ser estudiado y aprendimos a interpretarlo. Krehbiel. e. La cantidad diaria en litros de café. y a esperar el resultado. detectados por un radar. Algo podemos concluir de esto. Para aprender más En este apartado encontrarás más información acerca del tema para enriquecer tu aprendizaje. La probabilidad de que en un día determinado la máquina despache más de 7. y Berenson. T. El promedio de venta diaria de café. D. ¿Cuál es la probabilidad de que en los 8 mililitros se encuentren más de 10 bacterias? 5. b. ¿Cuántas bacterias se espera encontrar en una muestra de 8 mililitros de agua? b. Encuentra: a. a. b.. en promedio. ¿Cuál es la probabilidad de que transcurran entre 5 y 10 minutos para detectar un automovilista que circula a alta velocidad? 6. M.Métodos cuantitativos para la toma de decisiones por cada mililitro de agua. podemos decir que un evento tiene cierta probabilidad de que suceda. podremos iniciar a tomar decisiones bajo incertidumbre con una mayor seguridad. Si el número de automovilistas que corren a alta velocidad. se observan 3 defectos por metro cuadrado de tela.. en la Av. Eugenio Garza Sada es una variable aleatoria de Poisson con l=8. ¿Imaginas que se pudiera controlar el azar? Si no existiera el azar entonces los dados y juegos de cartas no existirían. así como los parámetros correspondientes: a. Identifica la distribución que debería aplicarse en cada caso.. Cierre Poco a poco vamos avanzando en el estudio de métodos de probabilidad que nos ayudan a eliminar la incertidumbre. Envía la actividad a tu tutor. La probabilidad de que en un día determinado la cantidad de café despachado por la máquina sea más de 7. únicamente.4 litros pero menos de 9. (2002) Basics Business Statistics. Se cuenta el número de defectos en una tela en la que. d. En el siguiente tema veremos una de las distribuciones más importantes de la probabilidad. Por ejemplo. Se aplica un examen de selección múltiple a un alumno. Un matrimonio decide tener tantos hijos como sean necesarios hasta que nazca un varón.10]. ¿Cuál es la probabilidad de que transcurran menos de 10 minutos entre dos automovilistas que circulan a alta velocidad? b. en formato de práctica de ejercicios. 7. El examen tiene 30 preguntas con tres opciones cada una y el alumno no conoce la respuesta de ninguna de las preguntas. aun cuando conocimos las distribuciones de probabilidad no podemos asegurar que un evento va a pasar. Se entrevistan personas una a una y se les pregunta si son o no creyentes hasta que se localizan 5 creyentes. Levine. NJ: Prentice Hall. De una sección de productos lácteos en la que hay 10 litros de leche del día anterior y 80 litros de leche fresca se compran 6 al azar.5 litros. c. ¿Cuál es la probabilidad de que en los 8 mililitros se encuentren a lo más 5 bacterias? c.4 por hora: a. si entendemos cuál es la naturaleza de las variables de estudio.

SAA. Podemos iniciar con S = {AAA. Los estadísticos utilizan la palabra experimento para describir cualquier proceso que genere un conjunto de datos. En este experimento sólo hay dos resultados posibles. retomando el experimento del lanzamiento de la moneda. el espacio muestral quedaría de la siguiente manera: S = { A. podemos enlistar los miembros separados por comas y encerrarlos en paréntesis. Otro experimento puede ser el lanzamiento de un misil y la observación de su velocidad en tiempos específicos. deseamos ver qué pasaría si lanzamos la moneda 3 veces consecutivas para ver el resultado. y así podemos encontrar miles de ejemplos. Por ejemplo. El conjunto de todos los resultados posibles de un experimento estadístico se llama espacio muestral y se representa con el símbolo S. Conceptos fundamentales En el estudio de la estadística tratamos básicamente con la presentación e interpretación de resultados fortuitos que ocurren en un estudio planeado o investigación científica. donde A = Águila. SAS. los cuales serían: S = {AAA. sin embargo si lo planteamos como un diagrama de árbol. o simplemente punto muestral. Un ejemplo simple de experimento puede ser el lanzamiento al aire de una moneda. podremos correr el riesgo de dejar fuera alguno de los resultados. imagina que además del lanzamiento de la moneda. águila o sol. Cada resultado en un espacio muestral se llama elemento o miembro del espacio muestral. SSA. En algunos experimentos es útil enlistar los elementos del espacio muestral de forma sistemática mediante un diagrama de árbol. Si el espacio muestral tiene un número finito de elementos. AAS. AAS. A continuación veremos algunos conceptos claves para el entendimiento de la probabilidad. Sobre todo se utiliza cuando son de un tamaño más difícil de manejar. ASA. ASA. Por ejemplo. Probabilidad 2.1.Métodos cuantitativos para la toma de decisiones Explicación del tema 2 Métodos cuantitativos para la toma de decisiones Tema 2. S}. « SSS}. ASS. En este caso es más difícil visualizar o enlistar los resultados posibles. y S = Sol. se vería de la siguiente manera: Con esto es más fácil enlistar los posibles resultados. Modulo 1 Introducción a la Estadística 8 .

Para ciertos experimentos estadísticos no es nada extraño definir dos eventos. por ejemplo. 4. SSS} del espacio muestral anterior. Por lo cual A B = 0. A y B. el complemento de A sería: A¶ = {AAS. Para cualquier experimento dado podemos estar interesados en la ocurrencia de ciertos eventos más que en el resultado de un elemento específico en el espacio muestral. SAA. si A y B no tienen elementos en común. denotada mediante el símbolo A elementos que son comunes a A y a B. Si nos interesa saber la intersección de A y B. En un diagrama de Venn representamos el espacio muestral como un rectángulo y los eventos con círculos trazados dentro del rectángulo. en este caso la intersección A B = {3. 5. es el evento que contiene todos los elementos que pertenecen a A o a B o a ambos. B. y el conjunto B es el evento consonantes del abecedario. 3. sea el evento A automóviles producidos por Chevrolet y B automóviles producidos por Honda.Métodos cuantitativos para la toma de decisiones SSS}. Con el diagrama de árbol es muy práctico hacerlo. 3. La relación entre eventos y el correspondiente espacio muestral se puede ilustrar de forma gráfica mediante diagramas de Venn. 6}. el ejemplo anterior quedaría de la siguiente manera: Modulo 1 Introducción a la Estadística 9 . 4. Por lo tanto la intersección de los eventos A y B = A B = el abecedario completo. De esta forma. Ejemplo: Sea A = {1. por lo tanto la unión A U B = {1. que se denota mediante el símbolo A U B. SSA}. Imagina ahora cuando el experimento tiene más de dos posibles resultados. Por ejemplo. La unión de dos eventos A y B. 2. que constituye un subconjunto del espacio muestral. El complemento de un evento A con respecto a S es el subconjunto de todos los elementos de S que no están en A. 6}. Ese subconjunto representa la totalidad de los elementos para los que el evento es cierto. serían los automóviles producidos en ambas armadoras. digamos que A es el evento vocales del abecedario. Se dice entonces que los eventos A y B son mutuamente excluyentes. 4} y B = {3. La intersección de dos eventos A y B. Tenemos la definición siguiente: Dos eventos A y B son mutuamente excluyentes si A B = Ø. Retomando el ejemplo del lanzamiento de las 3 monedas. 4}. Éste ocurrirá si el resultado es un elemento del subconjunto A = {AAA. ASA. Expresado de manera más formal. es decir. Por ejemplo. podemos estar interesados en evento A en el que el resultado sea que los tres lanzamientos de la moneda sean iguales. SAS. dado que el abecedario únicamente tiene vocales y consonantes. Sólo como práctica. Por lo tanto un evento es un subconjunto de un espacio muestral. es el evento que contiene a todos los Aquí podemos hacer un ejemplo muy ilustrativo. que no pueden ocurrir de forma simultánea. 2. 5. ASS. Para cada evento asignamos una colección de puntos muestrales. Denotamos el complemento de A mediante el símbolo A¶. a lo cual no tienen ningún modelo que sea producido en ambas.

la unión de A y B sería = 1. asignamos una probabilidad de ³w´ a cada uno de los puntos muestrales. 0 ” P(A) ” 1. dado A. SS} Si la moneda está balanceada. AS. entonces Por lo tanto si volvemos al ejemplo anterior del Diagrama de Venn. se define como: Modulo 1 Introducción a la Estadística 10 . Por lo tanto. cada uno de estos resultados tendrá la misma probabilidad de ocurrencia. o w = ¼ . debido a que 3 y 4 es la intersección de A y B. 5. Si A representa el evento de que al menos una águila. Entonces 4w = 1. Por lo tanto la probabilidad de un evento A es la suma de los pesos de todos los puntos muestrales de A. P(Ø) = 0. entonces la probabilidad del evento A es: A continuación veremos algunas reglas aditivas de probabilidad: Si A y B son cualesquiera dos eventos. La probabilidad condicional de B. y P(S) = 1 Ejemplo: Se lanzan al aire dos veces una moneda. Si A y A¶ son eventos complementarios. SA} y P(A) = ¼ + ¼ + ¼ = ¾ Si un experimento puede tener como resultado cualquiera de N diferentes resultados igualmente probables. Esta suma se denomina probabilidad de A y se denota P(A). Entonces.Métodos cuantitativos para la toma de decisiones Para encontrar la probabilidad de un evento A. 2. SA. sumamos todas las probabilidades que se asignan a los puntos muestrales en A. que se denota como P(B|A). Si sumamos la probabilidad de las dos obtendremos que tenemos a todos los elementos del espacio muestral. ¿Cuál es la probabilidad de que ocurra al menos una águila? Solución: El espacio muestral de este experimento es: S = {AA. AS. y si exactamente n de estos resultados corresponden al evento A. entonces: A = {AA. 6. entonces En este caso podemos recordar el ejemplo donde A = Vocales del alfabeto y A´= Que no sean vocales (en otras palabras consonantes).

Por tanto. las observaciones que se generan en diferentes experimentos estadísticos tienen el mismo tipo general de comportamiento.5. Tal distribución de probabilidad se denomina Distribución Uniforme Discreta.3. y por tanto se pueden representar mediante una sola fórmula. A y B son dependientes. entonces la distribución Utilizamos la notación f(x. En consecuencia. De hecho. entonces: Por lo tanto dos eventos A y B son independientes si y sólo si: 2. B3. entonces para cualquier evento A en S tal que P(A)  0. las variables aleatorias discretas asociadas con estos experimentos se pueden describir esencialmente con la misma distribución de probabilidad. «.k) en lugar de f(x) para indicar que la distribución uniforme depende del parámetro k. 2. 2. en forma tabular o con una fórmula. k. A menudo. Distribuciones de probabilidad discretas El comportamiento de una variable aleatoria queda descrito por su distribución de probabilidad discreta sin importar si ésta se representa de forma gráfica mediante un histograma. Si la variable aleatoria X toma los valores uniforme discreta está dada por: . Ejemplo: Cuando se lanza un dado. Bk.4.Métodos cuantitativos para la toma de decisiones Dos eventos A y B son independientes si y sólo si: De otra forma. Ahora bien. se necesitan sólo algunas distribuciones de probabilidad importantes para describir muchas de las variables aleatorias discretas que se encuentran en la práctica. con idénticas probabilidades.3. si en un experimento pueden ocurrir los eventos A y B.6} ocurre con probabilidad 1/6. cada elemento del espacio muestral S = {1. tenemos una distribución uniforme. Teorema de Bayes Por último veremos la Regla de Bayes: Si los eventos B1. B2. con Modulo 1 Introducción a la Estadística 11 .2.2. constituyen una partición del espacio muestral S donde P(Bi)  0 para i = 1. La más simple de todas las distribuciones de probabilidad discreta es una donde la variable aleatoria toma cada uno de sus valores con una probabilidad idéntica. «.

es: La media y la varianza de la distribución binomial b(x.n. el número de éxitos en n pruebas independientes.4. En este ejemplo la media y varianza quedarían de la siguiente manera: Distribución Hipergeométrica La distribución de probabilidad de la variable aleatoria hipergeométrica X. Entonces la distribución de probabilidad de la variable aleatoria binomial X.Métodos cuantitativos para la toma de decisiones La media y la varianza de la distribución uniforme discreta f(x. Si el jugador fue invitado a un concurso de tiros de tres puntos en donde se hacen 15 lanzamientos. y un fracaso con probabilidad q=1-p. entonces la media y la varianza quedarían de la siguiente manera: Distribución Binomial Un experimento de Bernoulli puede tener como resultado un éxito con probabilidad p. ¿Cuál es la probabilidad de que enceste al menos 10 tiros? Solución: Sea X el número de tiros encestados.p) son Ejemplo: La probabilidad de que un basquetbolista anote un tiro de tres puntos es 0. el número de éxitos en una muestra aleatoria de tamaño n que se selecciona de N artículos de los que k se denominan éxito y N-k fracaso es: Modulo 1 Introducción a la Estadística 12 .k) son: Con los datos del ejemplo.

en promedio.Métodos cuantitativos para la toma de decisiones Ejemplo: Lotes de 40 componentes cada uno se denominan aceptables si no contienen más de tres defectuosos. que representa el número de resultados que ocurren en un intervalo dado o región específica que se denota con t. los clientes se tengan que ir por falta de atención? Modulo 1 Introducción a la Estadística 13 . La gerencia de la gasolinera sabe que pueden manejar a lo más 15 automóviles al mismo tiempo.71828 El número promedio de automóviles simultáneos que llegan a una gasolinera es 10. ¿Cuál es la probabilidad de que el quinto vehículo en cruzar en cualquier día sea el primer vehículo en marcar la revisión? Solución: Al usar la distribución geométrica con x=5 y p=0. entonces la distribución de probabilidad de la variable aleatoria X.01. es: Donde Ejemplo: es el número promedio de resultados por unidad de tiempo o región y e = 2. el número de la prueba en el que ocurre el primer éxito. N=40. tenemos Distribución Poisson La distribución de probabilidad de la variable aleatoria de Poisson X. ¿Cuál es la probabilidad de que en algún día dado. ¿Cuál es la probabilidad de que se encuentre exactamente un defectuoso en la muestra si hay tres defectuosos en todo el lote? Solución: Si utilizamos la distribución hipergemétrica con n=5. uno de cada 100 vehículos que cruzan es detenido para revisión. El procedimiento para muestrear el lote es la selección de cinco componentes al azar y rechazar el lote si se encuentra un componente defectuoso. k=3 y x=1 encontramos que la probabilidad de obtener un defectuoso es: Distribución Geométrica Si pruebas independientes repetidas pueden tener como resultado un éxito con probabilidad p y un fracaso con probabilidad q=1-p. es: Ejemplo: Se sabe que el proceso de revisión de la aduana en la frontera de México con EUA.

si su función de densidad está dada por: Donde >0 Ejemplo: Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en años está dado por T. Entonces con el uso de la tabla de la distribución Poisson tenemos: 2. ¿cuál es la probabilidad de que al menos dos aún funcionen al final de ocho años? Solución: La probabilidad de que un componente dado aún funcione después de ocho años está dada por: Otra de las distribuciones continuas más importantes es la distribución normal. Distribuciones de probabilidad continuas Distribución Exponencial La variable aleatoria continua X tiene una distribución exponencial.Métodos cuantitativos para la toma de decisiones Solución: Sea X el número de clientes que llegan simultáneamente. Modulo 1 Introducción a la Estadística 14 .4. Si se instalan cinco de estos componentes en diferentes sistemas. con parámetro . la cual se verá en el siguiente tema. La variable aleatoria T se modela bien mediante la distribución exponencial con tiempo medio para la falla =5.

Métodos cuantitativos para la toma de decisiones Tema 3. 3. no puede ser aplicada a todo en el mundo real. La distribución normal describe aproximadamente muchos fenómenos que ocurren en la naturaleza.5). Determina la probabilidad de que la reducción en el consumo 3 de oxígeno esté entre 35 y 40 cm .5 y desviación estándar de 1. y tocamos base con la distribución normal. Aún cuando la distribución normal es extremadamente importante. Asociar la distribución binomial mediante la aproximación a la distribución normal. Los resultados de los exámenes de admisión en la Universidad TecMilenio tienen distribución normal con media 7. estudios de lluvia y mediciones de partes fabricadas a menudo se explican más que adecuadamente con una distribución normal. Encuentra P(-1. las conclusiones o resultados a los que lleguemos no serán válidos.5. Para poder utilizarla se deben de cumplir algunos supuestos importantes. 2.5 ” Z ” 1). Encuentra P(Z>1. Actividad individual Instrucciones: Realiza cuidadosamente lo que se te indica a continuación en cada uno de los problemas. veremos que Gauss fue el primero en descubrir la distribución normal. La distribución normal es por mucho la distribución más importante y más utilizada en la estadística. o de lo contrario si la utilizamos cuando no se cumplen estos supuestos. serás capaz de: y y y Utilizar las tablas de la distribución normal estándar para el cálculo de probabilidades. Distribución Normal Objetivos del tema Al finalizar el tema. Si investigamos un poco de historia respecto a este gran matemático. Es también llamada la distribución Gaussiana o curva de Gauss por el matemático alemán Karl-Friedrich Gauss. Modulo 1 Introducción a la Estadística 15 . Ejercicios: 1. Durante los periodos de meditación trascendental la reducción del consumo de oxígeno de una persona es una variable aleatoria distribuida normalmente con una media igual a 37 centímetros cúbicos (cm3) por 3 minuto y una desviación estándar de 4 cm . que es el área comprendida entre z=-1. Algunas veces es llamada la curva de campana aunque los extremos sean más delgados y alargados que los de una campana de verdad. la industria y la investigación.5 y z=1. Determina el porcentaje de estudiantes cuya calificación se espera 4. Introducción En el tema anterior vimos algunas de las distribuciones discretas y continuas. Aplicar una de las distribuciones continuas más populares y útiles de la estadística. aunque este sólo fue uno de tantos descubrimientos de Gauss y tal vez no el más relevante en su carrera. Las mediciones físicas en áreas como los experimentos meteorológicos.

Modulo 1 Introducción a la Estadística 16 . la distribución normal. etc. psicología. 5ª Ed. Aún cuando este tema fue muy express. y y Newbold. administración. En el siguiente tema iniciaremos a ver algunos métodos que nos ayudarán a ir construyendo mejor nuestro proceso para la toma de decisiones. Statistics for Business and Economics.. donde X~N(20. con integrales y funciones. B. siguen una distribución normal. Thorne. 6. NJ: Prentice Hall. sin embargo la practicidad de las tablas. Como vimos tiene una base matemática fuerte. y los cálculos (incluso en Excel) es algo que la hace más popular. Cierre En este tema conocimos la distribución más famosa y útil de la estadística. Determina el valor Z0 tal que P(-z0 ” Z ” z0) = 0. medicina.Métodos cuantitativos para la toma de decisiones sea superior a 9. Para aprender más En este apartado encontrarás más información acerca del tema para enriquecer tu aprendizaje. P.95 Determina el valor x0 tal que P(-z0 ” Z ” z0) = 0. es factible hacer este tipo de análisis para encontrar probabilidades relevantes. en formato de práctica de ejercicios. 6ª Edición México: Prentice Hall. Myers. Walpole. 5. para que posteriormente puedas aplicar en el ámbito laboral este método sin problemas. Envía la actividad a tu tutor. porque cualquier persona que estudie y siga la fórmula puede aplicarla sin problemas.95. Myers.. te invito a que sigas practicando el cálculo de las probabilidades normales. agricultura.4). Debido a que la naturaleza de muchas variables en diversos ámbitos como la industria. Carlson. (2002). (1999). W. Upper Saddle River. Probabilidad y Estadística para Ingenieros.

De aquí. con media µ y varianza 2. la curva normal queda determinada por completo. La función de densidad de la variable aleatoria normal X.1. denotamos los valores de la densidad X con n(x. ). su media y desviación estándar.Métodos cuantitativos para la toma de decisiones Explicación del tema 3 Métodos cuantitativos para la toma de decisiones Tema 3. La ecuación matemática para la distribución de probabilidad de la variable normal depende de los dos parámetros µ y . Distribución Normal 3. A continuación veremos algunos ejemplos de distribuciones normales con diferente desviación estándar e igual media: A continuación veremos algunos ejemplos de distribuciones normales con diferentes medias e igual desviación estándar: Modulo 1 Introducción a la Estadística 17 . es: Una vez definidos µ y . µ. Áreas bajo la curva normal Una variable aleatoria continua X que tiene la distribución en forma de campana se llama variable aleatoria normal.

La curva normal se aproxima al eje horizontal de manera asintótica conforme nos alejamos de la media en cualquier dirección. La distribución normal es simétrica alrededor de su media. 2. Hoy en día también se pueden hacer estos cálculos para cualquier probabilidad mediante Excel. Para estandarizar los valores de una variable. La fórmula sería la siguiente: Modulo 1 Introducción a la Estadística 18 . 3. La distribución de una variable aleatoria normal con media cero y varianza 1 se llama distribución normal estándar. la tabla de la distribución normal estándar. La curva de cualquier distribución continua de probabilidad o función de densidad se construye de modo que el área bajo la curva limitada por las dos ordenadas x = x1 y x = x2 es igual a la probabilidad de que la variable aleatoria X tome un valor entre x = x1 y x = x2. que es la distribución con media igual a cero y desviación estándar igual a uno. µ y . y se conoce la probabilidad. se elaboró sólo una tabla. 5. la mitad del área bajo la curva está antes del punto central y la otra mitad después. se revisa la tabla.Métodos cuantitativos para la toma de decisiones Hay algunas características importantes que tenemos que tomar en cuenta sobre la distribución normal: 1. sin embargo para facilitar los cálculos se decidió tabular la normal para diferentes probabilidades con variables que siguen la distribución normal. El área total bajo la curva es igual a 1. Así. moda y mediana son iguales y se localizan al centro de la distribución. La curva tiene forma de campana. De esta misma fórmula se puede despejar matemáticamente para obtener el valor de x para un determinado valor de z. puesto que sería imposible tener una tabla para cada posible distribución normal. Por lo tanto. De esta manera sólo se tiene que transformar o estandarizar una distribución normal específica. Pero. para la curva normal una distribución normal quedaría de la siguiente manera: La distribución normal estándar La mayor dificultad se encuentra al resolver las integrales de funciones de densidad normal. La media. se utiliza la siguiente transformación: Gracias a esta fórmula podemos transformar cualquier distribución normal a la distribución normal estándar. 4.

Con este resultado. para no reducir las ganancias y provocar el malestar de los dueños de la fábrica. Aproximación normal a la binomial Las probabilidades asociadas con experimentos binomiales se obtienen fácilmente a partir de la fórmula b(x.8925 y esta tendríamos que restársela a 1.3. Sin embargo. La distribución normal a menudo es una buena aproximación a una distribución discreta cuando la última adquiere una forma de campana simétrica. ¿Qué es lo que tiene que hacer el gerente? Primero podemos enunciar los parámetros del ejercicio: Podemos aplicar la fórmula de la distribución normal estándar para normalizar la variable: De aquí planteamos la probabilidad de la siguiente manera: Ahora tenemos que buscar cual es la probabilidad en la tabla de la distribución normal estándar que equivale a 1. el gerente puede comentarle al Director general que la probabilidad de que eso suceda es 0. la cual es 0. El Director general le preguntó al gerente qué tan probable es que esto sucediera.24. lo cual a pesar de que es una probabilidad baja.p) de la distribución binomial cuando n es pequeña. y para esto haremos un ejemplo: 3.2.1075. las probabilidades binomiales están fácilmente disponibles en muchos paquetes de software.Métodos cuantitativos para la toma de decisiones Una vez entendido esto también debemos tener en cuenta cuál es el proceso para probar hipótesis. Desde un punto de vista teórico. es recomendable que a partir de este resultado ejecuten algún plan de acción para reducir las mermas y bajar esta probabilidad lo más posible. y sabe que la desviación estándar normalmente es de 50 metros entre los días. Aplicaciones de la distribución normal El gerente de producción de una fábrica de telas tiene como estándar que la merma de tela sea en promedio 300 metros.n. sin importar la distribución que estemos utilizando. es instructivo aprender la relación entre la distribución binomial y la normal. Este proceso se ve más teórico de lo que es. 3. La distribución normal es una distribución de aproximación Modulo 1 Introducción a la Estadística 19 . El gerente sabe que la variable de producción de telas sigue una distribución normal. Además. algunas distribuciones convergen a la normal conforme sus parámetros se aproximan a ciertos límites. El Director general le comentó al gerente que si la merma era mayor a 362 metros podrían tener problemas con los dueños porque con esto las ganancias se reducirían.

sino que también proporciona una aproximación bastante buena aún cuando n es pequeña y p está razonablemente cercana a ½. es la distribución normal estándar n(z. Estableceremos ahora un teorema que nos permitirá utilizar áreas bajo la curva normal para aproximar propiedades binomiales cuando n es suficientemente grande. entonces la forma limitante de la Conforme .0. entonces Modulo 1 Introducción a la Estadística 20 .1) 2 Resulta que la distribución normal con µ=np y varianza =npq. Si X es una variable aleatoria binomial con media µ=np y varianza distribución de 2 =npq. no sólo proporciona una aproximación muy precisa a la distribución binomial cuando n es grande y p no está extremadamente cercana a 0 o 1. Ejemplo: Si X es una variable binomial y Z una variable normal estándar. La distribución binomial se aproxima bien por la normal en problemas prácticos cuando se trabaja con la función de distribución acumulada.Métodos cuantitativos para la toma de decisiones conveniente pues la función de distribución acumulada se tabula muy fácil.

Carlos calcula que la probabilidad de que el Director General se retire pronto es 0. serás capaz de: y y Explicar las fases del proceso de toma de decisiones.00. Teoría de Decisiones y Árboles de Decisión Objetivos del tema Al finalizar el tema. Quiero comprar una casa nueva. Analicemos los siguientes ejemplos: ¿Me llevaré mi paraguas el día de hoy? La decisión depende de algo que desconozco. También te pueden ayudar a formar una foto completa de los riesgos y recompensas asociadas con cada curso de acción posible. e investigar los posibles resultados de seleccionar esas opciones. Ha determinado que las prestaciones de cada una de las empresas son similares y que la ubicación de las mismas se encuentra dentro del rango aceptable para no tener que manejar todos los días más de 15 minutos en el traslado de su casa al trabajo. o nombrar a un acusado culpable cuando es inocente. Esto los hace particularmente útiles por seleccionar entre diferentes estrategias. Construir árboles de decisiones precisos y útiles. Aunque la teoría de decisiones no estudia precisamente a los comportamientos humanos. Pero ¿Cómo se cuándo debo de parar de buscar? La corte tiene que decidir si el acusado es culpable o no.3 y que al retirarse lo asciendan al puesto de Director General con un sueldo aproximado de $120. La primera empresa se llama Orange Company. particularmente cuando los recursos son limitados. le ofrecen a Carlos el puesto de Director practicante. si se enfoca en particular en cómo utilizamos nuestra libertad de decisión. en lo que se retira el Director General. Hay dos posibles errores que la corte puede cometer. la cual se dedica a la logística y planeación estratégica. tenemos que empezar a explorar los métodos que nos ayudarán a crear un proceso para tomar decisiones. nombrar al acusado inocente cuando es culpable. ¿Debo comprar esta casa? Esta casa se ve bien. proyectos u oportunidades de inversión. Introducción Una vez que revisamos los conceptos básicos de la probabilidad y de las distribuciones. Los árboles de decisión son herramientas utilizadas para ayudarte a seleccionar la mejor opción de varias. Por lo tanto el hacer una teoría sobre las decisiones es casi como hacer una teoría acerca de la conducta humana. Ellos proveen una estructura altamente efectiva dentro de la cual puedes explorar diversas opciones. esta Modulo 1 Introducción a la Estadística 21 . todo depende de que llueva o no. La teoría de decisiones es básicamente lo que su nombre dice« Decisiones. Actividad individual Instrucciones: Analiza el siguiente problema y resuélvelo por medio de un árbol de decisión. Carlos se acaba de graduar con honores de la maestría en TecMilenio y durante la última semana ha recibido 3 propuestas laborales de 3 distintas empresas y debe escoger una pronto.000. En el mundo actual todo implica una decisión.Métodos cuantitativos para la toma de decisiones Tema 4. pero sé que puedo encontrar una mejor por el mismo precio si continúo buscando. ¿Qué principio debería aplicar la corte si se considera que el primer error es más serio que el segundo? Casi todo el comportamiento humano involucra decisiones. El Director General sufre una enfermedad crónica.

pero sí desarrollo. donde hay una probabilidad de 0. Inc. (2000). Si los árboles de decisión se construyen después de completar el análisis de flujo de datos. R. o bien podría entrar a la Subdirección Regional donde ganaría $60. (2000).00 La tercera empresa es un negocio familiar de consultoría con su tío. Journal of Financial Planning: 84-91. Primero que todo. ¿Qué trabajo debe aceptar Carlos? ¿Por qué? Fundamenta tus respuestas por medio de un árbol de decisión. W. Wallace. Nueva York: John Wiley & Sons.5 de ganar $60.4 de ser nombrado en más de 1 año. De esta forma.00 y de 0. 1. Los árboles de decisión no siempre son la mejor herramienta para el análisis de decisiones.00.3. Cierre El desarrollo de los árboles de decisión ha beneficiado a los analistas en dos formas. sin importar que éste dependa de variables cualitativas o cuantitativas. R. la cual es una distribuidora de automóviles. Applied Statistical Decision Theory. ¿Cuál es el riesgo involucrado en la secuencia óptima de decisiones? Envía la actividad a tu tutor. (1997). el cual sólo puede ofrecer a Carlos un sueldo de $45. J. S.5 de ganar $50.000.7 o $45. Si decide aceptar entrar a esta empresa podría ingresar como Subgerente General. Schlaifer. 2. únicamente si ingresa a Dirección General como asistente. La segunda empresa se llama Jalisco Motors. Si únicamente se usan árboles de decisiones. El árbol de decisiones de un sistema complejo con muchas secuencias de pasos y combinaciones de condiciones puede tener un tamaño considerable. entonces es posible que los datos críticos se encuentren definidos en el diccionario de datos (el cual describe los datos utilizados por el sistema y donde se emplean).6 y de 0. Para aprender más En este apartado encontrarás más información acerca del tema para enriquecer tu aprendizaje. en Operations Research 48 (1): 20-25). Howard. Decision Making Under Conditions of Uncertainty: A Wakeup Call for the Financial Planning Profession. En estos casos los analistas corren el riesgo de no determinar qué políticas o estrategias de la empresa son la guía para la toma de decisiones específicas. Cuando aparecen estos problemas.000. Los árboles también obligan a los analistas a considerar la consecuencia de las decisiones. Modulo 1 Introducción a la Estadística 22 . es difícil para ellos pasar por alto cualquier etapa del proceso de decisión.00 con probabilidad de 0.000. En caso de aceptar el trabajo de asistente del Director General. la necesidad de describir condiciones y acciones llevan a los analistas a identificar de manera formal las decisiones que actualmente deben tomarse.00 con probabilidad de 0. Decision Making under Uncertainty.000. entonces el analista debe tener la certeza de identificar con precisión cada dato necesario para tomar la decisión.Métodos cuantitativos para la toma de decisiones posición no percibe ingresos. entonces es momentos de considerar análisis un poco más complejos de la programación lineal. su sueldo sería aproximadamente $40.. en formato de práctica de ejercicios. Is Sensitivity Analysis of Any Use?. En esta empresa Carlos estima que la probabilidad de ser nombrado Director General en el próximo año es de 0. El gran número de ramas que pertenecen a varias trayectorias construye más un problema que una ayuda para el análisis. y y y Coden.000.00 pero su puesto sería el de Director General.000.

Una decisión es el proceso de elegir la solución para un problema suponiendo que existen varias alternativas. El efecto de las acciones que puede emprender. Los procesos de toma de decisiones los podemos clasificar principalmente en decisiones bajo certidumbre y decisiones bajo incertidumbre.Métodos cuantitativos para la toma de decisiones Explicación del tema 4 Métodos cuantitativos para la toma de decisiones Tema 4. El objetivo del análisis de decisión es que una vez concluido el proceso de análisis. Seis fases del proceso de toma de decisiones A continuación te mostramos cuáles son las seis fases del proceso de la toma de decisiones: Modulo 1 Introducción a la Estadística 23 . Este análisis es un procedimiento lógico para determinar y valorar los factores que afectan la decisión. Como resultado de esto. 4. Teoría de Decisiones y Árboles de Decisión Todos los días las personas nos vemos enfrentadas a innumerables situaciones en las que debemos tomar determinadas decisiones y seguir los cursos de acción. la persona que toma la decisión sabrá con claridad lo que le conviene hacer y podrá explicarlo a otros. la persona que toma la decisión sepa: y y y Lo que desea y cuanto lo valora.1. La naturaleza de la situación que enfrenta. El análisis de decisión se puede usar para seleccionar una estrategia cuando quien tiene que tomar decisiones enfrenta varias alternativas y un patrón incierto de eventos futuros.

Métodos cuantitativos para la toma de decisiones Ahora expliquemos un poco más sobre algunas características de estos procesos: Toma de decisiones bajo certidumbre: y y Los parámetros son constantes conocidas y ciertas. Dentro de estos modelos encontramos la Programación Lineal. Modulo 1 Introducción a la Estadística 24 . Toma de decisiones bajo incertidumbre: y Los parámetros varían con el tiempo y obedecen a procesos estocásticos.

en una jerarquía que puede consistir de varios niveles de objetivos. sin absoluta certeza. y Análisis probabilístico o y Este análisis es básicamente lo que vimos en el tema 2 y 3 del módulo 1. Sirve para modelar sistemas en que la variación o introducción de un elemento afecta sobre la cantidad o presencia de otro elemento. y Análisis de sensibilidad o Una importante función del análisis de sensibilidad es que permite a los administradores experimentar con los valores de los parámetros de entrada. a partir del modelo maestro. Cada vez que se ejecuta un árbol de decisión. y Diagramas de influencia o Un diagrama de influencia es una forma gráfica de modelar un sistema. Cada uno de estos sub-objetivos puede también tener sub-objetivos y así sucesivamente. y Cálculo de valor de la información o Nos muestra cuál es la máxima cantidad de dinero que un individuo está dispuesto a pagar por obtener una información que le indica. especifican las variables que son evaluadas. Ellos proveen una visión gráfica de la toma de decisiones necesaria. el objetivo más general tendrá varios sub-objetivos que deben exitosamente cubrirse primero. sólo un camino será seguido dependiendo del valor actual de la variable evaluada. Árboles de decisión Los árboles de decisión son normalmente construidos a partir de la descripción de la narrativa de un problema. y Modelos reusables de decisión o Un modelo reusable consiste de un modelo maestro de decisión que describe la estructura general de la situación.Métodos cuantitativos para la toma de decisiones Algunas de las técnicas utilizadas en el análisis de decisiones son: y Jerarquías de objetivos o Los objetivos tienden a ocurrir en jerarquías. qué ocurrirá con una determinada variable. Se recomienda el uso del árbol de decisión cuando el número de acciones es pequeño y no son posibles todas las Modulo 1 Introducción a la Estadística 25 . Para cubrirse. qué acciones deben ser tomadas y el orden en la cual la toma de decisión será efectuada. un modelo específico para cada caso particular. y Mapas de conocimiento o Se basa en la identificación de requerimientos de conocimiento de todos los procesos que tienen una fuerte dependencia de los activos intelectuales. Árboles de decisiones o Los árboles de decisión son una técnica que permite analizar decisiones secuenciales basada en el uso de resultados y probabilidades asociadas. 4. y un metamodelo que indica cómo construir.2.

Al final de cada camino se refleja el resultado que correspondería a esa sucesión de decisiones y sucesos. Una rama es un arco conector. Todo árbol consta de nodos y ramas. Alternativas: Son cada uno de los conjuntos de estados relevantes que asume la condición (deben conformar un conjunto disjunto). a los nodos decisionales se les representa con cuadrados. Por convención. Valor Esperado: Es la media de la distribución de probabilidad. éstas se reflejan sobre las ramas. Cuando se conocen las probabilidades de los diversos estados. permitiendo la clasificación de nuevos casos siempre y cuando no existan modificaciones sustanciales en las condiciones bajo las cuales se generaron los ejemplos que sirvieron para su construcción. Explica el comportamiento respecto a una determinada tarea de decisión. Se calcula de la siguiente manera: Varianza: La varianza se calcula como: Donde P(Xj) es la probabilidad del evento Xj y E(X) es el valor esperado de X. Reduce el número de variables independientes. Facilita la interpretación de la decisión adoptada. El primer paso para resolver problemas complejos es descomponerlos en subproblemas más simples.Métodos cuantitativos para la toma de decisiones combinaciones. La situación de alternativas no-disjuntas se conoce como contradicción. en tanto que a los aleatorios se les representa con círculos. Componentes y estructura de un árbol de decisión: Modulo 1 Introducción a la Estadística 26 . Los árboles de decisión ilustran la manera en que se pueden desglosar los problemas y la secuencia del proceso de decisión. Las ventajas de un árbol de decisión se enlistan a continuación: y y y y y y Resume los ejemplos de partida. que las representan. Proporciona un alto grado de comprensión del conocimiento utilizado en la toma de decisiones. Es una herramienta magnífica para el control de la gestión empresarial. Un nodo es un punto de unión. Acciones: Para cada combinación de las distintas alternativas de cada condición se establece una o más acciones. Condiciones: Son todas aquellas situaciones dependientes de una variable del sistema que involucran la bifurcación del flujo de control en un conjunto de alternativas.

$1.000. y y y Generalmente se inicia de derecha a izquierda. 1) ganar la rifa o 2) perder. ¿Cuál es el valor esperado del juego? La distribución de probabilidades es: Evento X Gana P(X) $49.Métodos cuantitativos para la toma de decisiones Ejemplo: Supón que un amigo te vende un boleto para la rifa de una motocicleta Harley-Davidson valuada en $50.00 USD y se van a vender la cantidad de 100 boletos.00 USD. calculando cada pago al final de las ramas.000 USD 1/100 Pierde . Luego en cada nodo se calcula el valor esperado.000 USD 99/100 Por lo tanto el valor esperado es: 49000*(1/100) + -1000*(99/100) = -500 ¿Qué significan esos -500 USD? Análisis: criterio del valor monetario esperado. Ahora veamos cómo quedaría el árbol de decisión: Modulo 1 Introducción a la Estadística 27 .000. Hay dos eventos posibles. Después en cada punto de decisión se selecciona la alternativa con el valor esperado óptimo. El boleto cuesta $1.

en este caso el valor más alto (por ser ganancias).Métodos cuantitativos para la toma de decisiones y y y y En el nodo de evento se calculó el valor esperado de jugar la rifa. Glosario Procesos Estocásticos: Un proceso estocástico es aquel en el que se representan todos y cada uno de los pasos necesarios para realizar una actividad. La decisión desechada se marca con \\. Luego se selecciona. Modulo 1 Introducción a la Estadística 28 . dicho de otra manera. En este caso la decisión es no jugar la rifa. cualquier proceso en el que se involucren probabilidades es un proceso estocástico. además de las formas o maneras en que cada uno de los pasos puede ser llevado a efecto y sus respectivas probabilidades.

Distinguir las diversas aplicaciones de las distribuciones de probabilidad. así como la aplicación de algunas distribuciones discretas y continuas. Cuentan con 5 máquinas para la creación de los embases. Construir un criterio para la toma de decisiones bajo incertidumbre. Y por ende un tema teórico difícil de comprender. por lo cual veremos conceptos fundamentales de la probabilidad. el cual con la crisis financiera mundial de 2009 les hizo ver que sus procesos tenían que evolucionar si querían sobrevivir la crisis. Introducción Cuando la gente escucha la palabra Estadística. Por último. las cuales fueron compradas en el extranjero antes de la devaluación del peso. con los que iniciarás en el análisis cuantitativo. Instrucciones: La firma de Consultoría ³Milenio´ es una empresa joven que acaba de iniciar hace cerca de 2 años. Es por eso que acudió a Milenio para que iniciaran un proyecto de mejora en su empresa. conocerás la distribución continua más importante de la estadística: la distribución normal. El gerente de la empresa Cosmos de Guadalajara ha solicitado una asesoría para resolver un problema que han tenido hace muchos años. saben que la vida de las máquinas tiene una distribución normal. automáticamente la asocia con problemas matemáticos. La información que presentó el gerente es la siguiente: y y y La empresa Cosmos de Guadalajara fue fundada en el año 1980. automáticamente la asocia con problemas matemáticos. Cuando la gente escucha la palabra Estadística. Estos temas te ilustrarán en los supuestos básicos de algunos de los métodos estadísticos existentes.2 Modulo 1 Introducción a la Estadística 29 . Se dedica a la producción de embases de plástico. serás capaz de: y y y Obtener una impresión general sobre el contenido de la estadística descriptiva en particular y sobre la estadística en general. la cual es relevante debido a que muchas de las pruebas estadísticas están basadas en que la distribución de los datos es normal. Ofrece sus servicios especializados a industrias y empresas. Máquina 1 2 3 Años de Uso 29 29 29 Vida Promedio 30 30 30 Varianza de vida promedio 1 0. Según los ingenieros expertos en las máquinas. algunos de sus servicios son la aplicación de métodos cuantitativos para los negocios. Y por ende un tema teórico difícil de comprender. Cada máquina cuesta aproximadamente $100.Métodos cuantitativos para la toma de decisiones Actividad Integradora 1 Objetivos Al finalizar la actividad integradora. Es inevitable estudiar la estadística sin tocar las bases de la probabilidad.000 USD.1 0. y además le dieron al gerente la siguiente tabla que ilustra la vida promedio de cada máquina y la varianza de la vida.

000. Suponiendo que el gerente tiene que comprar una máquina. y Lo que tienes que hacer en este ejercicio es lo siguiente: y y El árbol de decisión.800.00 3.000. apoyándote de un árbol de decisión. los proveedores tardan 15 días en enviar una máquina nueva. Las pérdidas de la empresa son aproximadamente: Máquina Pérdida diaria USD 1 2 3 4 5 $ $ $ $ $ 1.000. Tomar una decisión para sugerirle al gerente de Cosmos.00 60.500.000. o Incluye la probabilidad de falla de cada una de las máquinas.200.00 500.000. Toma en cuenta la siguiente información: o Las probabilidades del ejercicio 2 para cada máquina y la siguiente información sobre las ganancias: Máquina 1 2 3 4 5 Ganancia mensual USD $ $ $ $ $ 7. Modulo 1 Introducción a la Estadística 30 .2. ayúdale a decidir cuál de ellas compraría. justificando la decisión con el análisis adecuado.00 Envía la actividad a tu tutor. La probabilidad de que se descomponga una máquina (sin importar cuál) es 0.00 y Si se descompone alguna máquina. El gerente de Cosmos está interesado en saber cuál de las 5 máquinas es más probable que tenga que reemplazar pronto.Métodos cuantitativos para la toma de decisiones 4 5 29 28 30 30 5 6 Tú fuiste seleccionado para llevar la consultoría de la empresa Cosmos. Como parte de esta actividad tienes que realizar lo siguiente: y y Utiliza la modelación del Análisis Cuantitativo para modelar el problema de Cosmos.000.00 12. o Justifica tu respuesta con datos. en formato de práctica de ejercicios.00 6.00 1.00 1.00 10.

Conocimos la distribución más famosa de la estadística (la distribución normal). las bases probabilísticas de la estadística. Modulo 1 Introducción a la Estadística 31 .Métodos cuantitativos para la toma de decisiones Cierre Ahora podemos iniciar a practicar el mundo de la estadística. Aplicamos un árbol de decisión y es hora de practicar para reforzar el conocimiento adquirido mediante estos temas. y algunas de las más utilizadas distribuciones discretas y continuas. y entramos de lleno a la teoría de decisiones.    Conocimos el modelo del análisis cuantitativo.

Etapa de foro de discusión en equipo: Foro de equipo. Caso 1 El reporte para el caso 1 se entregará en el tema 8 Para ver el Caso 1. Una aplicación de los pronósticos en la industria del Call Center Durante el desarrollo del curso resolverás dos casos a través de foros de discusión empleando el método de resolución de casos. esto con el propósito de darte la oportunidad de experimentar problemas reales. revisa el documento ³Ejemplo de solución de caso´. Contarás con 4 días para realizar tus aportaciones. la efectividad de sus procesos y la tecnología adecuada. un grupo de estudiantes asignados por el maestro analizan. Es por esto que ofrecen un amplio catálogo de servicios para la implementación y gestión de su centro de contacto. revisa el documento ³Ejemplo de solución de caso´.Métodos cuantitativos para la toma de decisiones Caso 1. con una amplia experiencia en la industria del contact y call center. Jalisco. Contarás con dos días para realizar este ejercicio. Responde la pregunta detonante y las preguntas de estudio. esta deberá ser entregada siguiendo los aspectos estipulados en el siguiente formato ³Reporte final individual . y reflexiona individualmente. Recuerda que tus aportaciones debes realizarlas a través del apartado "Discussion Boards" del menú "Comunicación". Cada uno de los casos tendrá una duración de dos semanas y se resolverá en tres etapas de estudio. Pedro Fernández y Alfredo Moreno tienen Modulo 1 Introducción a la Estadística 32 . Etapa individual El estudiante analiza el caso y los objetos de aprendizaje correspondientes. Etapa de foro de discusión plenario: Durante esta etapa el alumno aportará de manera organizada y secuencial todos los aspectos determinantes para la solución del caso (Mínimo 5 aportaciones argumentadas y referenciadas). Deberás realizar mínimo 4 aportaciones estructuradas y argumentadas. Caso 1 Una aplicación de los pronósticos en la industria del Call Center Introducción Ecko Center es una empresa joven establecida en 2007 en la ciudad Guadalajara. Sus socios acumulan más de 20 años de experiencia en la industria. responden y comparten sus respuestas a las preguntas de estudio del caso. interactúan. Al final de este proceso deberás realizar un reporte individual en el cual incluya la resolución al caso de manera detallada. lo cual lo hace una empresa confiable y de gran reconocimiento. incluyendo gráficas y comentarios. Para conocer la manera de realizar tus aportaciones. Contarás con 3 días para realizar tus aportaciones. La misión de la empresa es proveer servicios profesionales de consultoría enfocados a la estrategia de su centro de contacto. Hoy en día los centros de contacto son clave en el logro de las estrategias de negocio de las empresas exitosas y en Ecko Center lo tienen muy en cuenta. Los socios fundadores Ricardo Cardozo. Para conocer la manera de realizar tus aportaciones.Casos´. Una aplicación de los pronósticos en la industria del Call Center. haz clic aquí.

y estaban afectando el resultado. Estaban recibiendo más llamadas de lo que habían pronosticado. Esto debe ser registrado en una bitácora. Lo que le comentaron fue que tenían un historial de 31 semanas. etc. Después de hacer un análisis llegaron a la conclusión de que lo mejor era contratar a una empresa consultora para que analizara a fondo los números.000. capacitación y procesos de reclutamiento. La información que estaban utilizando para pronosticar no era confiable. De acuerdo al mercado. (Anexo 2). el cual iban almacenando diariamente (Anexo 1). En el caso de Ecko Center al no tener un especialista en pronósticos no llevan la bitácora de eventos. Se realizaron algunas gráficas para analizar el comportamiento de las métricas principales. Con la crisis mundial de 2009. tuvieron que pensar en cómo lograr ser una empresa más eficiente.Métodos cuantitativos para la toma de decisiones una amplia experiencia en procesos operativos. el cual acababa de graduarse con honores de la maestría en administración. Situación Actual La empresa hizo la inversión inicial de un software de pronósticos de aproximadamente $20. lo cual no les ha permitido detectar los cambios en esta métrica. un pronóstico se considera adecuado o certero cuando el delta entre las llamadas pronosticadas contra las llamadas recibidas es menor o igual al 5%. El segundo paso de Mario fue investigar si tenían algún historial de llamadas que le permitiera hacer un análisis estadístico. para lo cual los socios fundadores de Ecko Contact le sugirieron a Mario realizar una lluvia de ideas con una parte del personal de la empresa. (Ver Anexo 1 para información específica de la empresa). El modelo El consultor Mario Pearson inició a la brevedad la investigación. 2. incremento de la cartera de clientes. La firma consultora asignó el caso a Mario Pearson. Dentro de las cuales pueden ser por factores como publicidad. Con esta información Mario obtuvo algunas gráficas para comprobar algunas de las hipótesis de los empleados. El método con el cual estaban pronosticando no era el adecuado. Algunos de los resultados más relevantes que encontró Mario con los empleados fueron los siguientes: y y y y y La información que estaban utilizando para pronosticar no era la suficiente. mismas que se muestran en el Anexo 2. A pesar de tener tanta experiencia en los procesos de call center sabían que dentro de sus filas tenían áreas de oportunidad en las cuestiones de pronósticos y series de tiempo. la cual nos ayudará a omitir los datos atípicos o sucesos que difícilmente se van a volver a repetir. ¿Cuáles son los supuestos que debió de considerar Mario para sus análisis? ¿Es suficiente la información para poder hacer un pronóstico? ¿Consideras que los pronósticos realizados por el software de Ecko Center son adecuados? Justifica tu respuesta. Cuando este número es mayor se debe investigar las causas que pudieron hacer mayor la diferencia. algún evento natural como que se vaya la luz en una determinada zona de la ciudad y esto afecte los sistemas del proveedor. Para lo cual subcontrataron a la firma consultora estadística JP Parker. Modulo 1 Introducción a la Estadística 33 .00 USD. la cual se basa en el método de promedios móviles para realizar sus pronósticos. 3. Había factores que no estaban considerando en la proyección. Preguntas 1.

¿Cuáles serían tus recomendaciones finales para Ecko Center? NOTA: Este caso fue escrito con el propósito de servir como material de discusión en clases. no pretende ilustrar buenas o malas prácticas administrativas.Métodos cuantitativos para la toma de decisiones 4. Si Mario tiene que entregar un pronóstico para las siguientes 10 semanas del año. Las variables del estudio son: Semana: Número de la semana del historial. Una aplicación de los pronósticos en la industria del Call Center Este es el historial de llamadas de las últimas 31 semanas. Algunos datos de este documento han sido modificados a petición de las personas e instituciones involucrados. Delta: Porcentaje de diferencia del dato real entre el pronóstico. Anexo 1 Caso 1. Día Final: Día que termina la semana. AHT: Tiempo promedio de llamada. Día Inicial: Día en que inicia la semana. calcula el pronóstico para las siguientes 10 semanas. ¿qué método de pronóstico utilizarías? Y ¿Por qué? De acuerdo al inciso anterior. 5. Pronóstico: Llamadas pronosticadas para la semana. Dato Real 6051 6475 6325 6971 7591 8666 8079 8343 8709 9105 8606 8280 8498 7602 7723 7565 7632 7906 Semana 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Día Inicial Jan 5 2009 12:00AM Jan 12 2009 12:00AM Jan 19 2009 12:00AM Jan 26 2009 12:00AM Feb 2 2009 12:00AM Feb 9 2009 12:00AM Feb 16 2009 12:00AM Feb 23 2009 12:00AM Mar 2 2009 12:00AM Mar 9 2009 12:00AM Mar 16 2009 12:00AM Mar 23 2009 12:00AM Mar 30 2009 12:00AM Apr 6 2009 12:00AM Apr 13 2009 12:00AM Apr 20 2009 12:00AM Apr 27 2009 12:00AM May 4 2009 12:00AM Día Final Jan 11 2009 12:00AM Jan 18 2009 12:00AM Jan 25 2009 12:00AM Feb 1 2009 12:00AM Feb 8 2009 12:00AM Feb 15 2009 12:00AM Feb 22 2009 12:00AM Mar 1 2009 12:00AM Mar 8 2009 12:00AM Mar 15 2009 12:00AM Mar 22 2009 12:00AM Mar 29 2009 12:00AM Apr 5 2009 12:00AM Apr 12 2009 12:00AM Apr 19 2009 12:00AM Apr 26 2009 12:00AM May 3 2009 12:00AM May 10 2009 12:00AM Pronóstico 5085 5653 5588 5991 6456 7514 7178 7336 7149 7107 6948 6744 7595 7367 7226 7488 7731 8877 Diferencia Delta AHT 966 822 737 980 1135 1152 901 1007 1560 1998 1658 1536 903 235 497 77 -99 -971 19% 15% 13% 16% 18% 15% 13% 14% 22% 28% 24% 23% 12% 3% 7% 1% -1% 484 515 500 533 537 533 525 540 558 538 551 566 565 558 565 574 574 -11% 584 Modulo 1 Introducción a la Estadística 34 . Diferencia: Dato Real ± Pronóstico. Dato Real: Llamadas recibidas.

Métodos cuantitativos para la toma de decisiones 19 20 21 22 23 24 25 26 27 28 29 30 31 May 11 2009 12:00AM May 18 2009 12:00AM May 25 2009 12:00AM Jun 1 2009 12:00AM Jun 8 2009 12:00AM Jun 15 2009 12:00AM Jun 22 2009 12:00AM Jun 29 2009 12:00AM Jul 6 2009 12:00AM Jul 13 2009 12:00AM Jul 20 2009 12:00AM Jul 27 2009 12:00AM Aug 3 2009 12:00AM May 17 2009 12:00AM May 24 2009 12:00AM May 31 2009 12:00AM Jun 7 2009 12:00AM Jun 14 2009 12:00AM Jun 21 2009 12:00AM Jun 28 2009 12:00AM Jul 5 2009 12:00AM Jul 12 2009 12:00AM Jul 19 2009 12:00AM Jul 26 2009 12:00AM Aug 2 2009 12:00AM Aug 9 2009 12:00AM 9756 10140 8724 9318 9116 9473 9690 9676 11116 12560 11244 11184 10760 8890 9880 8245 9666 10278 10557 11584 11346 11962 13685 12887 12067 11744 -866 -260 -479 348 1162 1084 1894 1670 846 1125 1643 883 984 -9% -3% -5% 4% 13% 11% 20% 17% 8% 9% 15% 8% 9% 588 607 586 582 579 590 603 620 597 602 611 617 641 Anexo 2 Caso 1. Una aplicación de los pronósticos en la industria del Call Center Modulo 1 Introducción a la Estadística 35 .

Métodos cuantitativos para la toma de decisiones Modulo 1 Introducción a la Estadística 36 .

Sign up to vote on this title
UsefulNot useful