You are on page 1of 33

INVESTIGACIN DE

OPERACIONES

Teora de Decisiones
Jos Luis Martnez Pichardo
Instituto Tecnolgico de Celaya

MODELOS DE
DECISIN

MODELOS DE DECISIN
DECISIN:

Eleccin de una alternativa entre

varias.
TIPOS PRINCIPALES DE DECISIONES:
1. Bajo certidumbre.
2. En las que puede utilizarse informacin previa
para calcular probabilidades.
3. En las que no existe informacin previa que
permita calcular probabilidades.

TOMA DE DECISIONES
BAJO CERTIDUMBRE
Aquellas

en las que existe slo un resultado.


Ejemplos. La programacin lineal y la
programacin en enteros.
En ambos casos, si se decide que un grupo de
variables sea positivo (es decir, si se toma una
decisin) no hay duda con respecto a cul
ser la utilidad asociada con esa decisin.

TOMA DE DECISIONES UTILIZANDO


INFORMACIN PREVIA (EN
CONDICIONES DE RIESGO)
Caractersticas:

1. Las decisiones se toman bajo las mismas


condiciones.
2. Existe ms de un resultado para cada decisin.
3. Existe experiencia anterior que puede utilizarse
para obtener probabilidades para cada resultado.

TOMA DE DECISIONES SIN


INFORMACIN PREVIA (EN
CONDICIONES DE INCERTIDUMBRE)
Aquellas

en las que no existe experiencia pasada


que pueda utilizarse para calcular probabilidades.
La decisin se toma una sola vez, y como tal, no
existen antecedentes disponibles que ayuden en el
proceso de toma de decisiones.
Pueden utilizarse estimaciones subjetivas,
conocidas como probabilidades subjetivas, para
determinar una decisin.

MODELOS DE DECISIN
Terminologa:

Alternativas. Decisiones de entre las cuales se


puede elegir.
Estados de la naturaleza. Acciones externas que
enfrenta el tomador de decisiones.
Resultados o Pagos. Beneficios o costos obtenidos
por el uso de una alternativa determinada cuando
se presenta cierto estado de la naturaleza.

RBOLES DE DECISIN

Forma de estructurar el proceso de toma de decisiones. Est formado por:


Nodos de accin. Lugares donde se toma una decisin.
Nodos de probabilidad.. Parte en la que ocurre algn estado de la
naturaleza.
< Ramas. Lugares donde se denotan las decisiones o los estados de la
naturaleza.
Las probabilidades se anotan sobre las ramas y al final de ellas se
colocan los pagos para mostrar el resultado obtenido al tomar una
decisin particular y que despus ocurra un estado de la naturaleza
especfico.

EJEMPLO
Una

persona est tratando de decidir si lleva o no


paraguas a su trabajo hoy. De acuerdo al servicio
meteorolgico, la probabilidad de que llueva es 0.6.
La persona ha determinado que los diversos pagos
asociados con las cuatro posibles combinaciones y
estados de la naturaleza son:
- Llevar paraguas y que no llueva
- 1
- Llevar paraguas y que llueva
+ 20
- No llevar paraguas y que no llueva
+ 5
- No llevar paraguas y que llueva
- 40

TOMA DE DECISIONES SIN


INFORMACION PREVIA O
EN CONDICIONES DE
INCERTIDUMBRE

MODELO DE DECISIN DEL


PESIMISTA, CRITERIO DE WALD O
MAXIMIN
Concepto

del modelo: Evitar prdidas elevadas o


inaceptables.
Procedimiento:
1. Determinar el resultado de menor valor para
cada alternativa.
2. Elegir el valor mximo. La alternativa asociada
con l es la estrategia que debe utilizarse.

MODELO DE DECISIN DEL


OPTIMISTA, CRITERIO DE HARWICKS
O MAXIMAX
Concepto

del modelo: El tomador de decisiones


considera que el medio ambiente ser optimista con
respecto al resultado, en vez de ser pesimista.
Procedimiento:
1. Para cada alternativa, determinar el resultado
con el mayor valor.
2. Elegir el valor mximo, la alternativa asociada
con l es la estrategia que debe seguirse.

MODELO DE DECISIN DE MINIMIZACIN


DEL ARREPENTIMIENTO, CRITERIO DE
SAVAGE O MINIMAX
Concepto

del modelo: Minimizar las prdidas de


oportunidad.
Prdida de oportunidad es la cantidad que se
pierde cuando la alternativa que se eligi no fue la
mejor.

PERDIDA DE OPORTUNIDAD = PAGO MAXIMO


PAGO POR LA ALTERNATIVA SELECCIONADA

MODELO DE DECISIN DE MINIMIZACIN


DEL ARREPENTIMIENTO, CRITERIO DE
SAVAGE O MINIMAX
Procedimiento:
1. Para cada estado de la naturaleza:
a. Determinar el pago ms alto.
b. Calcular las prdidas de oportunidad para cada
alternativa utilizando la ecuacin.
c. Colocar los valores de prdida de oportunidad
en una tabla de arrepentimientos.
2. Para cada alternativa de la tabla de arrepentimientos,
determinar la prdida mxima de oportunidad.
3. Determinar la mnima de las prdidas mximas de utilidad.
La alternativa correspondiente es la que debe elegirse.

MODELO DE DECISIN DE
MAXIMIZACIN DEL PAGO PROMEDIO
O CRITERIO DE LAPLACE
Concepto

del modelo: Encontrar el mayor pago


promedio de todas las alternativas.
Procedimiento:
1. Para cada alternativa, calcular el pago promedio
para todos los estados de la naturaleza.
2. Determinar el mayor pago promedio. La
alternativa correspondiente a este pago es la que
debe seleccionarse.

MODELO DE PROBABILIDADES
SUBJETVAS
Concepto

del modelo: Aprovechar la experiencia


anterior para que quien toma las decisiones la pueda
emplear para asignar probabilidades a los resultados.
Procedimiento:
1. Para cada alternativa, calcular el VME, Valor
Monetario Esperado, utilizando la ecuacin
VME = pj rj j=1, 2, ..., n
2. Determinar el mayor VME. La alternativa
asociada con l es la que debe seleccionarse.

VALOR DE LA INFORMACION
PERFECTA (VIP)
Es lo que estara dispuesto a pagar el tomador de decisiones por
obtener informacin adicional sobre cuales sern las circunstancias
reales.
Procedimiento:
1. Calcular el VMEIP, Valor Monetario Esperado de la
Informacin Perfecta, utilizando la ecuacin
VMEIP = Oij pj j=1, 2, ..., n

donde Oij = Utilidad mxima para cada estado de la


naturaleza
pj = Probabilidad de ocurrencia de cada estado de
la naturaleza

VALOR DE LA INFORMACIN
PERFECTA (VIP)
2. Calcular el VIP, Valor de la Informacin

Perfecta, utilizando la ecuacin


VIP = VMEIP VME
donde
de la
Informacin Perfecta
VME = Valor Monetario Esperado sin
Informacin Perfecta

VME IP = Valor Monetario Esperado

TOMA DE DECISIONES UTILIZANDO


INFORMACIN PREVIA O EN
CONDICIONES DE RIESGO
En los casos en que debe repetirse varias veces una
decisin bajo condiciones similares y existe
experiencia anterior que puede utilizarse para
tomar estas decisiones, la situacin se conoce
como toma de decisiones utilizando datos previos
o en condiciones de riesgo.
En esta situacin el modelo de decisin se conoce
como Anlisis Bayesiano.

ANLISIS BAYESIANO
En el anlisis bayesiano se combinan los
datos previos (o probabilidades subjetivas)
con datos muestrales o de prueba, utilizando
la frmula desarrollada por el ministro
ingls Thomas Bayes.

En el anlisis bayesiano se elabora una matriz de resultados


que contiene las consecuencias monetarias de las diversas
decisiones. Enseguida se realiza un anlisis previo utilizando
los datos anteriores. A esto le sigue un segundo anlisis o
preposterior, en el cual se determina si resultara til llevar a
cabo pruebas adicionales. Si este anlisis muestra que las
pruebas seran econmicamente tiles, entonces se realizan. Si
se toma una muestra o se desarrolla una prueba, se utilizan los
resultados para modificar las probabilidades previas con el
objeto de determinar las probabilidades posteriores o
despus de la prueba. Estas probabilidades posteriores
combinan tanto los datos previos como los resultados de la
prueba o muestra.

ANLISIS BAYESIANO
Procedimiento:
1. Elaborar una Tabla de Resultados que contenga
las consecuencias monetarias de las diversas
decisiones.
2. Elaborar una Tabla de Probabilidades de
Prueba, es decir, P(El resultado de la prueba
ser R|el resultado real fue N) y un conjunto de
probabilidades previas P(N), para cada estado de
la naturaleza.

ANLISIS BAYESIANO
Procedimiento:
3. Elaborar una Tabla Modificada Probabilidades
Conjuntas, P(R|N) P(N), multiplicando cada
elemento de cada rengln de la Tabla de
Probabilidades de Prueba por la probabilidad
previa correspondiente de estado de la
naturaleza, P(N). Sumar las probabilidades
resultantes de cada rengln, las cuales son ahora
P(R).

ANLISIS BAYESIANO
Procedimiento:
4. Elaborar una Tabla de Probabilidades
Posteriores (a Posteriori) o Tabla de
Pronsticos, P(N|R), dividiendo cada elemento
de la Tabla Modificada de Probabilidades
Conjuntas entre la suma de su rengln, es
decir, P(R|N) P(N) / P(R).

ANLISIS BAYESIANO
Procedimiento:
5. Calcular por separado el VME Mximo para
cada resultado de prueba, utilizando la Tabla de
Resultados (paso 1) y las probabilidades
posteriores (paso 4) correspondientes a ese
resultado de prueba.

ANLISIS BAYESIANO
Procedimiento:
6. Calcular el VME De la Prueba multiplicando el
VME Mximo para cada resultado de prueba por
la probabilidad de que ocurra ese resultado,
P(R), y sumando todos estos resultados.
7. Calcular el Valor Neto de la prueba mediante la
diferencia entre el VME de la Prueba y el VME
Mximo Posible sin la prueba.

ANLISIS BAYESIANO
EFICIENCIA DE LA INFORMACIN DE PRUEBA
Una medida de eficiencia para expresar el valor de la informacin de prueba
se calcula de la siguiente manera:
E = (Valor Neto / VIP) (100)
Evaluaciones de eficiencia bajas pueden hacer que
el tomador de decisiones busque otros tipos de informacin.
Por otro lado, las evaluaciones altas de eficiencia indican
que la informacin de prueba es casi tan buena como la
informacin perfecta, y que no deberan considerarse como
necesarias otras fuentes adicionales de informacin.

EJEMPLO DE ANLISIS
BAYESIANO
Vincent Fox, Vicepresidente de Mercadotecnia de la Super
Cola est considerando cul de los dos planes de publicidad
debe utilizar para un nuevo refresco de cola sin cafena. El
Plan I costara $500,000, en tanto que un enfoque ms
conservador, el Plan II, costara slo $100,000. En la tabla
siguiente se muestran las utilidades brutas (antes de la
publicidad) proyectadas para el nuevo refresco, para cada uno
de los planes, y bajo dos posibles estados de la naturaleza
(aceptacin completa del producto y aceptacin limitada).

EJEMPLO DE ANLISIS
BAYESIANO
Plan de
publicidad
Plan I
Plan II

Estado de la naturaleza
Aceptacin Aceptacin
limitada
completa
$ 400,000 $1,000,000
$ 300,000 $ 500,000
Utilidades brutas

Vincent estima que existen probabilidades iguales de una


aceptacin completa y de una limitada para el nuevo refresco.

a. Elaborar una tabla de pagos de utilidades netas.


b. Utilizar la estimacin subjetiva de probabilidades para elegir
un plan de publicidad.
c. Cul es el valor de la informacin perfecta en esta
situacin?
d. Es posible llevar a cabo una prueba de mercado a travs de
una investigacin que cuesta $50,000.
En ocasiones anteriores en las que se ha empleado, se ha
visto que esta investigacin pronostica una aceptacin
completa en el 60% de los casos que se ha dado aceptacin
completa y ha pronosticado aceptacin limitada el 70% de las
veces en las que se ha dado una aceptacin limitada. Emplear
esta informacin para determinar si debe efectuarse esta
investigacin para ayudar a decidir con respecto al plan de
publicidad.
e. Determinar la eficiencia de la informacin de prueba.

RBOL DE DECISIN CON ANLISIS


BAYESIANO
1. Trazar un nodo de probabilidad cuyas ramas contengan
los estados de la naturaleza pronosticados, con su
probabilidad correspondiente. Esta es la columna de suma
de la Tabla Modificada de Probabilidades Conjuntas.
2. Al final de cada rama, trazar un nodo de decisin cuyas
ramas contengan las posibles alternativas del problema.
3. Al final de cada rama, trazar un nodo de probabilidad cuyas
ramas contengan los posibles estados de la naturaleza, con
sus correspondientes probabilidades posteriores.

RBOL DE DECISIN CON ANLISIS


BAYESIANO
4. Calcular los VME para cada nodo de probabilidad y elegir
el mayor. Este es el VME del nodo del nodo de decisin
correspondiente.
5. Calcular el VME de la Prueba multiplicando los VME
Mximos del punto anterior, por las probabilidades
correspondientes a cada rama del nodo original del rbol.
6. Calcular el Valor Neto de la Prueba.
Valor Neto = VME De la Prueba VME Mximo s/la prueba