Investigacin de

Operaciones II

5. DECISIONES

Ing. Mgp. Grover Snchez Eid

Docente 2016
 Contenido

5.1 Conceptos sobre la toma de decisiones gerenciales

5.1.1 La optimlidad y la oportunidad
5.1.2 Heurstica en la toma de decisiones

5.2 El proceso de decisin

5.2.1 Las condiciones del proceso de decisin
5.2.2 Los elementos del proceso de decisin

5.3 El valor base de las decisiones

5.3.1 Valor monetario
5.3.2 Matriz de pagos
5.3.3 Funcin de riesgo
5.3.4 Funcin de utilidad
 Contenido
5.4 Decisiones en condiciones de certeza

5.5 Decisiones en condiciones de riesgo

5.5.1 Estadsticos
5.5.2 Funciones discretas y contnuas

5.6 Decisiones en condiciones de incertidumbre

5.6.1 Total incertidumbre
5.6.2 Teora Bayesiana de decisiones
5.6.3 Estadsticos apriori y posteriori

5.7 Decisiones secuenciales

5.7.1 rboles de decisin

5.8 Campos de aplicacin de la teora de decisiones

5.9 Bibliografa
 Conceptos

DECIDIR
Elegir entre varias alternativas

INFORMACION ?
 Conceptos

Informacin para tomar la mejor decisin

La decisin optima
La decisin suficiente
La optimalidad o la satisfaccin dependen del costo y
oportunidad del proceso de tomar una decisin
Evaluar lo que se puede obtener contra lo que se quiere
obtener. Frecuentemente es ms valioso la toma de una
decisin oportuna a encarar un proceso costoso de
optimizacin

Medida de la satisfaccin
 Conceptos

PROCESO DE DECISIN

Un proceso de decisin esta vinculado a un decisor

que tiene una motivacin.

En funcin de las caractersticas del decisor se puede

distinguir cuatro tipos de procesos de decisin:

1) Decisiones racionales: procesos atribuidos a personas

racionales.
2) Decisiones establecidas: tambin racionales, pero
preprogramadas (automatizacin, normas).
3) Decisiones aleatorias: libradas al azar, loteras.
4) Decisiones irracionales: procesos atribuidos a animales u
otros seres.
 Divisin

Divisin segn condiciones

Estados Conocimiento de la
Condicin
posibles ocurrencia de los estados
Decisiones bajo
certeza o decisiones 1 Se conoce
estructuradas
Decisiones bajo
Se conoce la probabilidad de
riesgo poco n2
ocurrencia
estructuradas
Decisiones bajo
Se desconoce la probabilidad
incertidumbre o no n2
de ocurrencia
estructuradas
Se conoce o desconoce las
Decisiones bajo
n2 estrategias de otro competidor
competencia
(Teora de juegos)
 Elementos

En un proceso de decisin se deben identificar los

siguientes elementos:

E
l Decisores
e Conjunto de acciones posibles: A
m Conjunto de estados de la naturaleza: E
e Resultados de cada accin: R
n Funcin de vinculacin R: (A, E)
t Proceso de seleccin D: (R(A,E))
o Criterio de seleccin
s
 Elementos
LOS DECISORES
Son racionales
Han establecido objetivos
Sus metas son cuantificables
No tienen control de la naturaleza
Tienen un estado al momento de la decisin

Objetivo
Meta 1
especifico 1

Objetivo
Objetivo Meta i
especifico i

Objetivo
Meta 1
especifico n
 Elementos

ACCIONES POSIBLES
Son los cursos de accin u opciones de decisin

Ms de una opcin
Siempre existe la opcin negativa (no hacer)

A = {a1, a2,a3..ai..am}

Un conjunto con m acciones posibles

 Elementos

ESTADOS DE LA NATURALEZA
De todo lo que puede ocurrir, lo ms influyente a
los resultados esperados de los objetivos

Uno o ms estados
La naturaleza es imparcial

E = {e1, e2, e3..ei..en}

Un conjunto con n estados posibles

En decisiones empresariales se
entiende los estados del mbito
econmico productivo
 Elementos

RESULTADOS

Para cada estado ej

Para cada decisin ai
Valor base de decisiones
Los resultados de objetivos deben ser valorados

El mundo econmico se basa en el valor

monetario, pero hay cosas o beneficios difciles de
valorar, como la salud, la seguridad, la calidad y el
medio ambiente.

Por otro lado, el valor es tambin relativo al estado

o necesidades del decisor.

No es igual 10000.- $ para una empresa con

iliquidez que para otra con buen colchn financiero.
 Elementos

FUNCION DE VINCULACION

Funcin que vincula los Resultados con

los Estados de la naturaleza

Rij = R(ai, ej)

 Elementos

PROCESO DE SELECCION

Es el indicador construido para cada

determinada decisin en funcin a todo lo que
pueda ocurrir con los estados de la naturaleza

Di = (Ri(ai, ej))
 Elementos

CRITERIO DE SELECCION

La mejor opcin:
- El mayor valor o mximo
- El menor valor o mnimo
Mayor valor:

- Ingreso, utilidad, cantidad transportada,

produccin, otros ndices

Menor valor:

- Egreso, costo, perdida, mermas, dispersin,

otros ndices
Condiciones de certeza

Existe un solo estado de la

naturaleza
Condiciones de riesgo
Se conoce la probabilidad de ocurrencia

Donde P(ej): es la probabilidad de que suceda

el estado ej
rij: el resultado asociado a la eleccin de ai y
ocurrencia de ej

Se construye estadsticos con base en esa

probabilidad

Dado que ahora no existe certeza, es necesaria

la construccin de una funcin de decisin, en
este caso al conocer la probabilidad, este es un
estadgrafo o estadstico, que se denominar
D(ai)
Condiciones de riesgo

Los estadgrafos ms conocidos son:

Valor Medio VM o esperanza matemtica

Media con varianza acotada VMVA
Valor Medio corregido VMC
Mnima varianza V
Mnima varianza con media acotada VA
Mayor probabilidad para VM acotada
Condiciones de riesgo

VALOR MEDIO O ESPERANZA MATEMTICA

PARA EL CASO DISCRETO:

La esperanza del resultado o valor esperado para una decisin

ai y ocurrencia de un estado ej es el producto del resultado por
la probabilidad de ocurrencia del estado especfico.

D=VE: (ai, ej) = R(ai, ej) * p(ej) rij * p(ej)

Pero para un ai seleccionado, existen varios valores discretos de

ej, la esperanza VE, esta dada por el producto de cada resultado
en un ai determinado por la probabilidad P(ei):

VE(ai) = ri1*p(e1) + ri2*p(e2) + .........................rin*p(en) o VE(ai)=

ri1*p(e1) para i = 1,2,.........m

Condiciones de riesgo

Mnima varianza:

D(ai) = VA(ai) = p(aj)(rij)2 - VE(ai)

El menor valor varianza de todos los valores

Mnima varianza con media acotada:

Cota = K entonces VE(ai) K

D(ai) = VA(ai) = p(aj)(rij)2 - VE(ai)

La funcin calcula y se selecciona el menor valor de riesgo

(menor varianza), pero solamente de los valores que satisfacen
el valor esperado.
Condiciones de riesgo

Media con varianza acotada:

Cota = K entonces V(ai) K

D(ai) = VEA(ai) = (rij)p(aj)

La funcin calcula y se selecciona el mayor valor esperado, pero

solamente de los valores que tienen una varianza menor a la
estipulada por la cota.

Criterio de la dispersin, valor esperado corregido VEC

D(ai) = VEC(ai) = (rij)p(aj) - K(VA)

Se corrige el valor esperado, reduciendo 1, 2 o 3 veces la

desviacin. Se selecciona el mayor VEC
Condiciones de riesgo

Criterio de la probabilidad mxima PM, acotada

D(ai) = PM(ai) = p(aj) solo para valores de VE(ai) K

Se elegir entonces la mayor sumatoria de los valores

esperados que superen una espectativa mnima.
Condiciones de incertidumbre

Se desconoce la probabilidad de ocurrencia,

entonces:

Se trabaja bajo total incertidumbre

Se aplica la teora bayesiana de decisiones
 Total incertidumbre

Ejemplo - Matriz de pagos

e1 e2 e3 e4 Min
a1 340 450 650 350 340
a2 400 420 500 450 400 Maxmin
a3 240 550 380 460 240 Minmin
a4 450 340 620 430 340
Max 450 550 650 460 400
Minimax Maxmax 450

Maxmax: Identifica el mejor de todos los resultados (Optimista)

Minmax: De lo mejor que puede ocurrir dado un estado,
selecciona el menor (Conformista)
Maxmin: Dada una seleccin ocurre lo peor (pesimista), entonces
se selecciona el mejor de los peores y evita los daos
Minmin: Identifica el peor de todos los resultados
 Teorema de Bayes
P(ei): Probabilidad que ocurra un evento ei de la naturaleza

P(si): Probabilidad que ocurra un evento si denominado

experimento o sondeo
Los conjuntos de eventos E y S, estn relacionados de tal forma
que los eventos S representan experimentos que pueden predecir
la ocurrencia de los eventos E

P(s/e): Probabilidad condicional que ocurra un evento s dado que

ha ocurrido un evento e

P(ei / s ) P ( ei ) P ( s / ei )
P (e) P ( s / e)
 Teorema de Bayes EJEMPLO

En una familia se han dado 60% de nacimientos de nias y 40% de nios,

por ello la abuelita afirma que su nieta embarazada tendr una nia. El
futuro padre quiere cerciorarse y recurre a una ecografa, consultando al
especialista cual fue la proporcin de aciertos. El especialista le comenta
que del historial que lleva el 95% de las veces que se vio como nio, fue
nio. En cambio cuando se vio como nia hubo un error de 7%.
Probabilidad Nio (e1) Nia(e2)
P(e): a priori 0.40 0.60
P(s+/e) 0.95 0.93
P(s-/e) 0.05 0.07
P(e1)P(s/e1) P(e2)P(s/e2)
0.380 0.558 0.938
0.020 0.042 0.062

P(e1)P(s/e1)/ P(e2)P(s/e2)/
0.405 0.595 1.000
0.323 0.677 1.000