You are on page 1of 9

UNIVERSIDAD TECNOLGICA DE COAHUILA

DISTRIBUCIONES Y/O MODELOS


PROBABILSTICOS PARA LA TOMA DE
DECISIONES

Asignatura:
Investigacin de Operaciones
T.S.U. Veronica del Carmen Gallardo
Flores
M.C. Yessica Hdz. Valdez

9 IPOI B

Ramos Arizpe, Coahuila a 18 de Mayo del 2015


MODELOS DE TOMA DE DECISION
El anlisis de decisin proporciona un soporte cuantitativo a los tomadores de decisiones
en todas las reas tales como ingenieros, analistas en las oficinas de planificacin,
agencias pblicas, consultores en proyectos de gerencia, planificadores de procesos de
produccin, analistas financieros y de economa, expertos en diagnsticos de soportes
mdico y tecnolgicos e infinidad de otras reas.
Distribuciones y modelos probabilsticos para la toma de decisiones Aproximacin
Progresiva al Modelado
El modelado para la toma de decisiones envuelve a dos partes diferentes, una es el
tomador de decisiones y la otra es el constructor del modelo, conocido como el analista.
El analista debe asistir al tomador de decisiones en el proceso de decidir. Por lo tanto, el
analista debe estar equipado con ms que un conjunto de mtodos analticos.
Modelos determinsticos y probabilsticos
Los problemas de toma de decisiones se pueden clasificar en dos categoras: modelos de
decisin determinsticos y modelos de decisin probabilsticos.
En los modelos determinsticos, las buenas decisiones se basan en sus buenos
resultados. Se consigue lo deseado de manera "determinstica", es decir, libre de riesgo.
Esto depende de la influencia que puedan tener los factores no controlables, en la
determinacin de los resultados de una decisin y tambin en la cantidad de informacin
que el tomador de decisin tiene para controlar dichos factores.
Como un ejemplo de la diferencia entre los modelos probabilsticos versus
determinsticos, considere el pasado y el futuro: Nada que hagamos ahora puede cambiar
el pasado, pero cualquier cosa que hacemos influencia y cambia el futuro, a pesar de que
el futuro tiene un elemento de incertidumbre. Los gerentes se encuentran mucho ms
cautivados por darle forma al futuro que por la historia pasada.
El concepto de probabilidad ocupa un lugar importante en el proceso de toma de
decisiones, ya sea que el problema es enfrentado en una compaa, en el gobierno, en
las ciencias sociales, o simplemente en nuestra vida diaria. En muy pocas situaciones de
toma de decisiones existe informacin perfectamente disponible todos los hechos
necesarios.- La mayora de las decisiones son hechas de cara a la incertidumbre. La
probabilidad entra en el proceso representando el; rol de sustituto de la certeza un
sustituto para el conocimiento completo.
Los modelos probabilsticos estn ampliamente basados en aplicaciones estadsticas para
la evaluacin de eventos incontrolables (o factores), as como tambin la evaluacin del
riesgo de sus decisiones. La idea original de la estadstica fue la recoleccin de
informacin sobre y para el Estado. La palabra estadstica no se deriva de ninguna raz
griega o latina, sino de la palabra italiana state. La probabilidad tiene una historia mucho

ms larga. La Probabilidad se deriva del verbo probar lo que significa "averiguar" lo que
no es tan fcil de obtener o entender. La palabra "prueba" tiene el mismo origen el cual
proporciona los detalles necesarios para entender lo que se requiere que sea cierto.
Los modelos probabilsticos son vistos de manera similar que a un juego; las acciones
estn basadas en los resultados esperados. El centro de inters se mueve desde un
modelo determinstico a uno probabilstico usando tcnicas estadsticas subjetivas para
estimacin, prueba y prediccin. En los modelos probabilsticos, el riesgo significa
incertidumbre para la cual la distribucin de probabilidad es conocida. Por lo tanto, la
evaluacin de riesgo significa un estudio para determinar los resultados de las decisiones
junto a sus probabilidades.
Los tomadores de decisiones generalmente se enfrentan a severa escasez de
informacin. La evaluacin de riesgo cuantifica la brecha de informacin entre lo que es
conocido y lo que necesita saber para tomar una decisin ptima. Los modelos
probabilstico son utilizados para protegerse de la incertidumbre adversa, y de la
explotacin de la propia incertidumbre.

Modelos Probabilsticos: De los Datos a un Conocimiento Decisivo


La informacin es la comunicacin de conocimientos. En cada intercambio de
conocimientos, hay un remitente y un receptor. El remitente hace comn lo que es
privado, hace la informacin, la comunicacin. La informacin se puede clasificar como
formas explcitas y tcitas. La informacin explcita se puede explicar de forma
estructurada, mientras que la informacin tcita es inconsistente e imprecisa de explicar.
Los datos son conocidos como informacin cruda y no como conocimientos en s. La
secuencia que va desde los datos hasta el conocimiento es (observe el siguiente cuadro):
de los Datos (Data) a la Informacin (Information), de la Informacin (Information) a los
Hechos (Facts), y finalmente, de los Hechos (Facts) al Conocimiento (Knowledge). Los
datos se convierten en informacin, cuando se hacen relevantes para la toma de decisin
a un problema. La informacin se convierte en hecho, cuando es respaldada por los
datos. Los hechos son lo que los datos revelan. Sin embargo el conocimiento instrumental
es expresado junto con un cierto grado estadstico de confianza (gl).
Los hechos se convierten en conocimiento, cuando son utilizados en la complementacin
exitosa de un proceso de decisin. Una vez que se tenga una cantidad masiva de hechos
integrados como conocimiento, entonces su mente ser sobrehumana en el mismo
sentido en que, con la escritura, la humanidad es sobrehumana comparada a la
humanidad antes de escribir. La figura siguiente ilustra el proceso de razonamiento
estadstico basado en datos para construir los modelos estadsticos para la toma de
decisin bajo incertidumbre.
De donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico.
Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de
Decisiones

La figura anterior representa el hecho que a medida que la exactitud de un modelo


estadstico aumenta, el nivel de mejoramiento en la toma de decisin aumenta. Esta es la
razn del porqu necesitamos la estadstica de negocio. La estadstica se cre por la
necesidad de poner conocimiento en una base sistemtica de la evidencia. Esto requiri
un estudio de las leyes de la probabilidad, del desarrollo de las propiedades de medicin,
relacin de datos.
La inferencia estadstica intenta determinar si alguna significancia estadstica puede ser
adjunta luego que se permita una variacin aleatoria como fuente de error. Una inteligente
y crtica inferencia no puede ser hecha por aquellos que no entiendan el propsito, las
condiciones, y la aplicabilidad de las de diversas tcnicas para juzgar el significado.
Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas
decisiones sean tomadas incrementa con la disponibilidad de la buena informacin. El
chance de la disponibilidad de la buena informacin incrementa con el nivel de
estructuracin del proceso de Direccin de Conocimiento. La figura anterior tambin
ilustra el hecho que mientras la exactitud de un modelo estadstico aumenta, el nivel de
mejora en la toma de decisiones aumenta.
Anlisis
La toma de decisin, no se trata simplemente de elegir la mejor opcin, si no, se trata de
hacer una respectiva evaluacin de riesgos tomando como base un mtodo para
encontrar la solucin o la opcin ms efectiva para determinado problema, pues de ello se
desprenden muchas consecuencias, las cuales pueden ser positivas o en dado caso
negativas, dependiendo de la alterativa que se halla elegido, es por ello que es necesario
hacer un buen uso de los diferentes mtodos que se proporcionan para la resolucin de
estos problemas, tal es el caso de los modelos determinsticos, los cuales pueden ser
una buena decisin y es juzgada de acuerdo a los resultados. Sin embargo, en los
modelos probabilsticos, el gerente o decisor no est preocupado solamente por los
resultados, sino que tambin con la cantidad de riesgo que cada decisin acarrea.

Elementos de los Modelos de Anlisis de Decisin


Las teoras y las tcnicas matemticas que se toman en consideracin en el anlisis de
decisiones se ocupan de las teoras de eleccin prescriptivas (accin). Es decir, la
cuestin aqu es ver exactamente de qu modo se comporta un decisor cuando se
enfrenta a una eleccin entre cursos de accin, cuyos resultados estn regidos por el azar
o las acciones de los competidores.
El anlisis de decisiones es un proceso que le permite al decisor seleccionar una decisin
(slo una) entre un conjunto de alternativas posibles de decisin, cuando existe
incertidumbre con respecto al futuro, con el objetivo de optimizar el pago (retorno)
resultante, en trminos de algn tipo de criterio de decisin numrico. Los elementos de
los problemas de anlisis de decisiones son los siguientes:

1. Hay un decisor responsable individual. Por ejemplo, el CEO de una compaa que
quizs deba rendir cuentas ante los accionistas.
2. Un nmero finito de eventos (futuros) posibles, llamados Estados de la Naturaleza, es
decir, un conjunto de escenarios posibles. Las circunstancias en las cuales se toma una
decisin se llaman estados de la naturaleza. Los estados de la naturaleza se identifican y
agrupan en el conjunto S; los miembros se denotan como s. El conjunto S es un grupo de
conjuntos mutuamente excluyentes. Es decir, slo puede ocurrir un estado de la
naturaleza. Qu puede hacer la naturaleza?
3. Un nmero finito de alternativas posibles de decisin. Hay una accin a, miembro del
conjunto A, que puede ser adoptada por el decisor. Slo puede adoptar una. Qu puedo
hacer? Una buena decisin requiere buscar un conjunto ms rico de alternativas que las
que se presentaron inicialmente o que las aceptadas tradicionalmente.
Sea breve en la parte de la lgica y la razn de su decisin. Es probable que existan mil
cosas en un automvil, pero usted no las necesita todas para tomar la decisin. Con
media docena es suficiente.
4. La manera ms sencilla de formular el problema de decisin es usando una matriz de
beneficios (tabla). Hay una matriz de beneficios X bien definida, monetaria (y luego de
utilidad) sobre dos conjuntos de dominio dimensionales A y S. Las filas y las columnas se
asignan a las alternativas de decisin posibles y a los estados posibles de la naturaleza,
respectivamente.
Normalmente no es tarea sencilla construir esta matriz; por lo tanto, puede requerir algo
de prctica.
Los Diagramas de Influencia tambin son utilizados para el desarrollo de modelos de
decisin y como una alternativa de representacin grfica de rboles de decisin. La
figura siguiente muestra un diagrama de influencia para ejemplo.
En el diagrama de influencia anterior, los nudos de decisin y los nudos de oportunidad
son ilustrados similarmente con cuadrados y crculos. Los arcos (flechas) implican
relaciones, incluyendo probabilsticas.
Representacin Matemtica de la Funcin de Utilidad
Podemos construir un modelo matemtico para una funcin de utilidad utilizando la forma
de la funcin de utilidad obtenida mediante su representacin del Mtodo Grfico.
Normalmente, una funcin con forma de parbola se ajusta relativamente bien a las
esferas angostas de la variable D. Para esferas ms amplias, se podran ajustar algunas
piezas pequeas de una funcin de parbola, una para cada sub-esfera apropiada.
Modelos de Parbola
Las regresiones de parbola tienen tres coeficientes con una forma general:
U = a + bD + cD2,
Donde

c = { (Di - Dbarra) 2Ui - n [ (Di - Dbarra) 2


Ui]} / {n (Di - Dbarra) 4 - [ (Di Dbarra)2] 2}
b = [ (Di- Dbarra) Ui]/ [ (Di - Dbarra)2] - 2cDbarra
a = {Ui - [c
(D i - Dbarra) 2)}/n - (cDbarraDbarra + b Dbarra),
Donde Dbarra es la media de Di's.
Para nuestro ejemplo numrico i = 1, 2,..., 12. Mediante la evaluacin de estos
coeficientes utilizando la informacin dada en la seccin de la forma tabular, El mejor
ajuste es caracterizado por sus coeficientes de valores estimados: c = 0,409, b = 0,035, y
a = 3,091. El resultado es; por lo tanto, una funcin de utilidad aproximada por la siguiente
funcin cuadrtica:
U = 0,409D2 + 0,035D + 3,091, para todo D tal que -2 D 15.
La representacin matemtica anterior proporciona informacin ms til que los otros dos
mtodos. Por ejemplo, colocando D = 10, se obtiene el valor predicho de utilidad U = 44,3.
Adicionalmente, tomando la derivada de la funcin proporciona el valor marginal de la
utilidad, por ejemplo,
Utilidad Marginal = 0,035 + 0,818D, para todo D tal que -2 D 15.
Note que para este ejemplo numrico, la utilidad marginal es una funcin creciente porque
la variable D tiene un coeficiente positivo; por lo tanto, se est capacitado a clasificar esta
decisin como un riesgo moderado.
El mtodo Simplex es un algoritmo de solucin muy utilizado para resolver programas
lineales. Un algoritmo es una serie de pasos para cumplir con una tarea determinada.
El Mtodo Simplex Clsico
El Mtodo Simplex es la solucin algortmica inicial para resolver problemas de
Programacin Lineal (PL). Este es una implementacin eficiente para resolver una serie
de sistemas de ecuaciones lineales. Mediante el uso de una estrategia ambiciosa
mientras se salta desde un vrtice factible hacia el prximo vrtice adyacente, el algoritmo
termina en una solucin ptima.
Mtodo de Solucin Grfica
Dado que normalmente es una especie visual (especialmente la cultura estadounidense),
debido a su sistema educativo, muchas de las herramientas de enseanza escolar
utilizadas en la actualidad son de naturaleza grfica. Se les ensea a leer mostrndoles
figuras de las cosas. Les ensean a contar mostrndoles el orden de los nmeros. En
consecuencia, los receptores visuales se agudizan a expensas de otras funciones
cognitivas. Tambin se ha descubierto que las personas de negocios responden mejor a
los grficos y a los cuadros que a los nmeros.
Procedimiento para el Mtodo Grfico de Solucin de Problemas de PL:
1. El problema es un problema de PL? La respuesta es afirmativa si y slo si:
Todas las variables estn elevadas a la primera potencia y son sumadas o restadas (no
dividas ni multiplicadas). La restriccin debe adoptar alguna de las siguientes formas ( ,
, o =, es decir que las restricciones de PL siempre estn cerradas), y el objetivo debe
ser de maximizacin o minimizacin.

Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a . Este


problema tan sencillo no tiene solucin.
2. Puedo utilizar el mtodo grfico? La respuesta es afirmativa si la cantidad de variables
de decisin es 1 o 2.
3. Utilice papel milimetrado. Grafique cada restriccin, una por una, como si fueran
igualdades (como si todo y , es =) y luego trace la lnea.
4. A medida que se crea cada lnea, divida la regin en 3 partes con respecto a cada
lnea. Para identificar la regin factible para esta restriccin en particular, elija un punto en
cualquier lado de la lnea y coloque sus coordenadas en la restriccin, si satisface la
condicin, este lado es factible, de lo contrario el otro lado es factible. En el caso de
restricciones de igualdad, slo los puntos sobre la lnea son factibles.
5. Elimine los lados que no son factibles.
Una vez graficadas todas las restricciones, debe generarse una regin factible no vaca
(convexa), salvo que el problema sea no factible.
6. Cree (como mnimo) dos lneas de igual valor desde la funcin objetivo, fijando la
funcin objetivo en dos nmeros distintos cualquiera. Grafique las lneas resultantes. Al
mover estas lneas paralelas, encontrar el vrtice ptimo (punto extremo), si es que
existe.
En general, si la regin factible se encuentra dentro del primer cuadrante del sistema de
coordenadas (es decir si X1 y X2 0), entonces, para los problemas de maximizacin,
usted debe mover la funcin objetivo de igual valor (funcin iso) paralela a s misma lejos
del punto de origen (0, 0), como mnimo, teniendo a la vez un punto en comn con la
regin factible. Sin embargo, para los problemas de minimizacin, debe realizar lo
opuesto, es decir, mover la funcin objetivo de igual valor (funcin iso) paralela a s misma
acercndola al punto de origen, a su vez teniendo como mnimo un punto en comn con
la regin factible. El punto comn proporciona la solucin ptima.
Mtodo Algebraico:
Los modelos de PL con variables de decisin multidimensional
Se est interesado en resolver el siguiente problema general:
Max(o Min) C.X
Sujeto a:
AX a
BX b
DX = d
Con la posibilidad de algunas variables restringidas: algunos Xi's 0, algunos Xi's 0, y
todos los dems sin restriccin en el signo.

Es utilizada la notacin comn: C = {Cj} para los coeficientes de la funcin objetivo


(conocidos como los coeficientes de costo dado que histricamente, la primera PL fue un
problema de minimizacin de costos), y X = {Xj} se utiliza para las variables de decisin.
A continuacin se presenta el procedimiento de cuatro pasos para la solucin algebraica
del algoritmo:
1. Construccin de los lmites del conjunto de restricciones: Transformar todas las
desigualdades (excepto la condicin de restriccin de cada variable, si existe alguna) a
igualdades, mediante la adicin o sustraccin de variables de exceso o defecto. La
construccin de los lmites de las variables de las variables restringidas es incluida en el
prximo paso.
2. Encontrar Todos los Vrtices: Si el nmero de variables (incluyendo las de exceso y
defecto) son mayores al nmero de ecuaciones, proceda a hacer ceros el siguiente
nmero de variables:
[(Nmero total de variables incluyendo las de exceso y defecto) (Nmero de
ecuaciones)]
Las variables llevadas a cero son las variables de exceso y defecto y las variables
restringidas (cualquier Xi's 0, Xi's 0) solamente. Luego de llevar todas estas
variables a cero, proceda a encontrar las otras variables mediante la resolucin del
sistema cuadrado de ecuaciones.
Note que si Xi 0, entonces podra ser escrito como Xi - Si = 0, llevando los Si
correspondientes a cero significa que Xi = 0, por lo tanto, no es necesario introducir
explcitamente variables de exceso y defecto. Adicionalmente, note que cuando cualquier
Xi no est restringido en el signo, este no adiciona una restriccin.
3. Comprobar la Factibilidad: Todas las variables de defecto o exceso deben ser nonegativas, y compruebe por la condicin de restriccin (si existe alguna) en cada variable.
Cada solucin factible es llamada una Solucin Factible Bsica, la cual es el punto en
cada esquina de la regin de factibilidad.
4. Seleccionar una Esquina Optima: Entre todas las soluciones factibles (i.e., puntos en
las esquinas factibles), encuentre el ptimo (si existe alguno) evaluando cada uno en la
funcin objetivo. Podran existir soluciones ptimas mltiples.
El Mtodo Simplex es otro algoritmo para resolver problemas de PL. El mtodo algebraico
proporciona todos los vrtices incluyendo aquellos que no son factibles. Por lo tanto, esta
no es una manera eficiente de resolver problemas de PL con numerosas restricciones. El
Mtodo Simplex es una modificacin del mtodo algebraico, el cual vence estas
deficiencias. Sin embargo, el Mtodo Simplex tiene sus propias deficiencias. Por ejemplo,
este requiere que todas las variables sean no-negativas ( 0); Adems, todas las dems
restricciones deben estar en la forma con un LMD de valores no-negativos.

Bibliografa
https://es.scribd.com/doc/49866684/MODELOS-DE-TOMA-DE-DECISION#download