Investigación de

Operaciones II

5. DECISIONES

Ing. Mgp. Grover Sánchez Eid

Docente ® 2019
 Contenido

5.1 Conceptos sobre la toma de decisiones gerenciales

5.1.1 La optimálidad y la oportunidad
5.1.2 Heurística en la toma de decisiones

5.2 El proceso de decisión

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

5.3 El valor base de las decisiones

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

5.5 Decisiones en condiciones de riesgo

5.5.1 Estadísticos
5.5.2 Funciones discretas y contínuas

5.6 Decisiones en condiciones de incertidumbre

5.6.1 Total incertidumbre
5.6.2 Teoría Bayesiana de decisiones
5.6.3 Estadísticos apriori y posteriori

5.7 Decisiones secuenciales

5.7.1 Árboles de decisión

5.8 Campos de aplicación de la teoría de decisiones

5.9 Bibliografía
 Conceptos

DECIDIR
Elegir entre varias alternativas

¿ INFORMACION ?
 Conceptos

Información para tomar la mejor decisión

• La decisión optima
• La decisión suficiente
La optimalidad o la satisfacción dependen del costo y
oportunidad del proceso de tomar una decisión
Evaluar lo que se puede obtener contra lo que se quiere
obtener. Frecuentemente es más valioso la toma de una
decisión oportuna a encarar un proceso costoso de
optimización

Medida de la satisfacción
 Conceptos

PROCESO DE DECISIÓN

Un proceso de decisión esta vinculado a un decisor

que tiene una motivación.

En función de las características del decisor se puede

distinguir cuatro tipos de procesos de decisión:

1) Decisiones racionales: procesos atribuidos a personas

racionales.
2) Decisiones establecidas: también racionales, pero
preprogramadas (automatización, normas).
3) Decisiones aleatorias: libradas al azar, loterías.
4) Decisiones irracionales: procesos atribuidos a animales u
otros seres.
 División

División según condiciones

Estados Conocimiento de la
Condición
posibles ocurrencia de los estados
Decisiones bajo
certeza o decisiones 1 Se conoce
estructuradas
Decisiones bajo
Se conoce la probabilidad de
riesgo poco n≥2
ocurrencia
estructuradas
Decisiones bajo
Se desconoce la probabilidad
incertidumbre o no n≥2
de ocurrencia
estructuradas
Se conoce o desconoce las
Decisiones bajo
n≥2 estrategias de otro competidor
competencia
– (Teoría de juegos)
 Elementos

En un proceso de decisión 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 acción: R
n  Función de vinculación R: (A, E)
t  Proceso de selección D: (R(A,E))
o  Criterio de selección
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 decisión

Objetivo
Meta 1
especifico 1

Objetivo
Objetivo Meta i
especifico i

Objetivo
Meta 1
especifico n
 Elementos

ACCIONES POSIBLES

Son los cursos de acción u opciones de decisión

 Más de una opción

 Siempre existe la opción 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 más influyente a
los resultados esperados de los objetivos

 Uno o más 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 ámbito
económico productivo
 Elementos

RESULTADOS

 Para cada estado ej

 Para cada decisión ai

Ri = f(ai, ej)

El resultado es una valoración individual

técnica económica muy meticulosa
Valor base de decisiones
Los resultados de objetivos deben ser valorados

El mundo económico se basa en el valor

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

Por otro lado, el valor es también relativo al estado

o necesidades del decisor.

No es igual 10000.- $ para una empresa con

iliquidez que para otra con buen colchón financiero.
 Elementos

FUNCION DE VINCULACION

Función que vincula los Resultados con

los Estados de la naturaleza

Rij = R(ai, ej)

Los resultados valorados

individualmente deben relacionarse
 Elementos
Matriz de pagos
La expresión discreta de la relación de
resultados y los estados de la naturaleza
e1 e2 …….. ej …….. en
a1 R(a1,e1) R(a1,e2) …….. R(a1, ej) …….. R(a1, en)
a2 R(a2,e1) R(a2,e2) …….. R(a2, ej) …….. R(a2, en)
…….. …….. …….. …….. …….. …….. ……..
…….. …….. …….. …….. …….. …….. ……..
ai R(ai,e1) R(ai,e2) …….. R(ai, ej) …….. R(ai,en)
…….. …….. …….. …….. …….. …….. ……..
…….. …….. …….. …….. …….. …….. ……..
am R(am,e1) R(am,e2) …….. R(am,ej) …….. R(am, en)

La expresión puede ser también una función continua

 Elementos

PROCESO DE SELECCION
Es el indicador construido para cada
determinada decisión en función a todo lo que
pueda ocurrir con los estados de la naturaleza

Di = (Ri(ai, ej), p(ej))

El indicador es un estadígrafo en
función a la probabilidad de ocurrencia
de ej, es decir p(ej)
 Elementos

CRITERIO DE SELECCION

La mejor opción:
- El mayor valor o máximo
- El menor valor o mínimo
Mayor valor:

- Ingreso, utilidad, cantidad transportada,

producción, otros índices

Menor valor:

- Egreso, costo, perdida, mermas, dispersión,

otros índices
Condiciones de certeza
Existe un solo estado de la
naturaleza
El proceso consiste en solo
seleccionar la mejor opción de los
resultados conocidos
e1
a1 R(a1,e1)
a2 R(a2,e1)
…….. ……..
…….. ……..
ai R(ai,e1)
…….. ……..
…….. ……..
am R(am,e1)
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 elección de ai y
ocurrencia de ej

Se construye estadísticos con base en esa

probabilidad

Dado que ahora no existe certeza, es necesaria

la construcción de una función de decisión, en
este caso al conocer la probabilidad, este es un
estadígrafo o estadístico, que se denominará
D(ai)
Condiciones de riesgo

Los estadígrafos más conocidos son:

• Valor Medio VM o esperanza matemática

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

VALOR MEDIO O ESPERANZA MATEMÁTICA

PARA EL CASO DISCRETO:

La esperanza del resultado o valor esperado para una decisión

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

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

Mínima varianza:

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

El menor valor varianza de todos los valores

Mínima varianza con media acotada:

Cota = K entonces VE(ai) ≥ K

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

La función 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 función 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 dispersión, 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

desviación. Se selecciona el mayor VEC
Condiciones de riesgo

Criterio de la probabilidad máxima PM, acotada

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

Se elegirá entonces la mayor sumatoria de los valores

esperados que superen una espectativa mínima.
Condiciones de incertidumbre

Se desconoce la probabilidad de ocurrencia,

entonces:

 Se trabaja bajo total incertidumbre

 Se aplica la teoría 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 selección ocurre lo peor (pesimista), entonces
se selecciona el mejor de los peores y evita los daños
Minmin: Identifica el peor de todos los resultados
 Total incertidumbre
Ejemplo - Matriz de pagos
Hurwicz
e1 e2 e3 e4 VEIV α = 0,4
a1 340 450 650 350 447.5 464

a2 400 420 500 450 442.5 440

a3 240 550 380 460 407.5 364
a4 450 340 620 430 460.0 452

VEIV: Valor esperado a igual verosimilitud – criterio de Laplace

HURWICZ: Para un criterio intermedio entre optimista y pesimista,

valor α, se calcula el D(ai) = (α)(max rij) + (1- α)(min rij)
 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, están 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 niñas y 40% de niños,

por ello la abuelita afirma que su nieta embarazada tendrá una niña. El
futuro padre quiere cerciorarse y recurre a una ecografía, consultando al
especialista cual fue la proporción de aciertos. El especialista le comenta
que del historial que lleva el 95% de las veces que se vio como niño, fue
niño. En cambio cuando se vio como niña hubo un error de 7%.
Probabilidad Niño (e1) Niña(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) Ʃ
0.380 0.558 0.938
0.020 0.042 0.062

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