Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DEL PERU
ESCUELA DE POST GRADO
MAESTRA EN ADMINISTRACIN
MENCIN: MARKETING
MTODOS CUANTITATIVOS
Identificar
alternativas
Determinar Toma
los criterios de
decision
Resolucin Evaluar
alternativas es
de
problemas Escoger
una
alternativa
Implementa
r la Decisin
decisin
Evaluar los
resultados
1.2 Anlisis Cuantitativo y toma de
decisiones
Anlisis
cualitativo
Anlisis
cuantitativo
Formas bsicas en el anlisis del proceso de
toma de decisiones
Mximo 5(15)
Valor de la cantidad de Sujeto a Utilidad = 75
produccin (x = 15) 4(15) 60 Tiempo utilizado = 60
15 0
Entrada Modelo
Salida
controlable matemtico
Solucin del modelo
Identificar cules son los valores de las variables de
decisin que dan el mejor resultado
Solucin ptima para el modelo
Procedimiento de ensayo y error
Generacin de informes
$
Ingresos totales
R(x) = 5x
Utilidad
Costo fijo
Costo total
C(x) = 3000 + 2x
3000 Prdida Punto de equilibrio = mil
unidades
0 1000 x
Volumen
1.5 Mtodos Cuantitativos
Programacin lineal
Programacin lineal entera
Programacin de proyectos: PERT/CPM
Modelos de inventario
Modelos de lneas de espera (modelos de colas)
Simulacin por computadora
Anlisis de decisiones
Programacin de metas
Proceso de jerarquas analticas
Pronsticos
Modelos de procesos de Markov
II. PROBABILIDADES
2.1 INTRODUCCION
Las decisiones de los negocios a menudo se basan en un
anlisis de incertidumbre
i . P(A) 0
ii. P() = 1
Consecuencias
- 0 P(A) 1
- P() = 0
- P(AUA) = P(A) + P(A) = 1
b. Probabilidad condicional
Aplicacin Probabilida-
Probabilidades Informacin
del teorema des
a priori nueva
de Bayes posteriores
Particin de un espacio muestral
Probabilidad total
Si A1, A2 es una particin de A, y B es un subconjunto de A,
entonces la probabilidad de B ser:
Sustituyendo:
A1 A2
B
Teorema de Bayes
A1 A2
B
Si la particin estuviera formada por los eventos A1, A2, , Ak,
entonces el teorema de Bayes es:
f(x) = P[ X = x ]
3.3 FUNCION DE DENSIDAD
F(t) = P( X t ) = f(x)
xt
Propiedades:
i ) E(a) = a
ii ) E(aX) = a E(X)
iii) E(aX + bY) = a E(X) + b E(Y)
V(X) = E [ (X )2 ] = (X )2 f(x)
VxDf
ii ) V( aX + b) = a2 V(X)
Iii) Si a = 0; V(a) = 0
3.7 MODELOS DE DISTRIBUCION DE UNA
VARIABLE ALEATORIA DISCRETA
a. Distribucin de Bernoulli
Observaciones :
i ) La v.a. X toma nicamente dos valores x= 0,1
x = 1 (xito) x = 0 (fracaso)
ii ) La probabilidad de conseguir exactamente x xitos en un
ensayo de Bernoulli :
Observaciones:
i ) La v.a. X toma valores como X = 0, 1, 2, , n
x : n elementos pertenecientes a la clase de los
xitos en la muestra
ii ) La probabilidad de conseguir exactamente x xitos
en un experimento binmico:
P[X=x] = f(x) = Cnx px (1-p)n-x ; x = 0, 1, 2, , n
p : probabilidad de xito
f : CUANTIA BINOMIAL con dos parmetros : n y p
iii ) Funcin de Distribucin :
0 ; x<0
f(0) ;0x<1
F(x) = f(0) + f(1) ;1x<2
f(0) + f(1) + f(2) ; 2 x < 3
1 ;xn
Observaciones:
i ) La v.a. X toma valores como x = 0, 1, 2, 3,
x : frecuencia con que se presenta el fenmeno
ii ) La probabilidad de conseguir exactamente x xitos,
cuando el fenmeno aleatorio es de Poisson:
P[ X = x ] = f(x) = e- x ; x = 0, 1, 2, 3,
x
: nmero esperado de xitos
x : nmero de xitos por unidad
f : CUANTIA DE POISSON con parmetro
x
F(x; ) = f(t; ) ; t, x = 0, 1, 2,
t=0
vi ) RELACION:
a. Distribucin Uniforme
Una v.a X tiene una distribucin Uniforme si su funcin
de densidad es:
1/ - ; x
f(x) = 0 ; en otro lugar
(si x < x > )
Sus parmetros: y
Funcin de Distribucin:
0 ; x<
F(x) = x- / - ; x <
1 ; x
Si X~Uniforme (x; , ) Media : E(x) = + / 2
Varianza : V(x) = (-)2 / 12
b. Distribucin Exponencial
Una v.a. X tiene una distribucin exponencial si su
funcin de densidad est dado por:
f(x) = e-x ; x0
0 ; en otros casos (x < 0)
Parmetro: es una constante positiva
Funcin de Distribucin:
F(x) = 1 e-x ; x0
0 ; en otro lugar (x < 0)
Si X~Exponencial (x; ) Media : E(x) = 1 /
Varianza : V(x) = 1 / 2
c. Distribucin Normal
Una v.a. continua X tiene distribucin normal con media
E(x) = donde - < < y varianza V(x) = 2 si su
funcin de densidad es:
Parmetros: y 2
Caractersticas:
i ) La curva tiene un mximo absoluto en x =
ii ) Los puntos de inflexin estn en : x = +; x = -
iii) El grafo de f (Curva de Gauss) tiene forma
acampanada, asinttica al eje X, simtrica con respecto a
la centroide vertical y continua en toda R
iv ) P[ X ] = ; P[ X ] =
v ) Si X~Normal (x; ,2) Media : E(x) =
Varianza : V(x) = 2
vi ) Funcin de Distribucin:
Caractersticas:
i ) Z~N(z; 0, 1) E(z) = 0 y V(z) = 1
ii ) Los puntos de inflexin estn en 1
iii) La forma es acampanada, simtrica con respecto al
eje Y, asinttica al eje Z y contnua en toda R
iv) La media, moda y mediana coinciden y son iguales a
cero
v ) P(Z 0) = P(Z 0) = 0.5
vi) Funcin de Distribucin Normal Estndar
z