MODELOS DE TOMA DE DECISION

El análisis de decisión proporciona un soporte cuantitativo a los tomadores de decisiones en

todas las áreas tales como ingenieros, analistas en las oficinas de planificación, agencias
publicas, consultores en proyectos de gerencia, planificadores de procesos de producción,
analistas financieros y de economía, expertos en diagnósticos de soportes medico y
tecnológicos e infinidad de otras áreas.

Aproximación 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 más que un conjunto de métodos analíticos.

Modelos deterministicos y probabilisticos

Los problemas de toma de decisiones se pueden clasificar en dos categorías: modelos de

decisión determinísticos y modelos de decisión probabilísticos. En los modelos deterministicos,
las buenas decisiones se basan en sus buenos resultados. Se consigue lo deseado de manera
"deterministica", es decir, libre de riesgo. Esto depende de la influencia que puedan tener los
factores no controlables, en la determinación de los resultados de una decisión y también en la
cantidad de información que el tomador de decisión tiene para controlar dichos factores.

Como un ejemplo de la diferencia entre los modelos probabilísticos versus determinísticos,

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 mas 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 compañía, en el gobierno, en las ciencias
sociales, o simplemente en nuestra vida diaria. En muy pocas situaciones de toma de
decisiones existe información perfectamente disponible – todos los hechos necesarios.- La
mayoría 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 probabilísticos están ampliamente basados en aplicaciones estadísticas para la

evaluación de eventos incontrolables (o factores), así como también la evaluación del riesgo de
sus decisiones. La idea original de la estadística fue la recolección de información sobre y para
el Estado. La palabra estadística no se deriva de ninguna raíz griega o latina, sino de la palabra
italiana state. La probabilidad tiene una historia mucho mas larga. LaProbabilidad se deriva del
verbo probar lo que significa "averiguar" lo que no es tan fácil 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 probabilísticos son vistos de manera similar que a un juego; las acciones están
basadas en los resultados esperados. El centro de interés se mueve desde un modelo
determinístico a uno probabilístico usando técnicas estadísticas subjetivas para estimación,
prueba y predicción. En los modelos probabilísticos, el riesgo significa incertidumbre para la
cual la distribución de probabilidad es conocida. Por lo tanto, la evaluación 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 información. La

evaluación de riesgo cuantifica la brecha de información entre lo que es conocido y lo que
necesita saber para tomar una decisión óptima. Los modelos probabilístico son utilizados para
protegerse de la incertidumbre adversa, y de la explotación de la propia incertidumbre.

Modelos Probabilísticos: De los Datos a un Conocimiento Decisivo

La información es la comunicación de conocimientos. En cada intercambio de conocimientos,

hay un remitente y un receptor. El remitente hace común lo que es privado, hace la
información, la comunicación. La información se puede clasificar como formas explícitas y
tácitas. La información explícita se puede explicar de forma estructurada, mientras que la
información tácita es inconsistente e imprecisa de explicar.

Los datos son conocidos como información cruda y no como conocimientos en sí. La secuencia
que va desde los datos hasta el conocimiento es (observe el siguiente cuadro): de los Datos
(Data) a la Información (Information), de la Información (Information) a los Hechos (Facts), y
finalmente, de los Hechos (Facts) al Conocimiento (Knowledge) . Los datos se convierten en
información, cuando se hacen relevantes para la toma de decisión a un problema. La
información 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 estadístico de confianza (gl).

Los hechos se convierten en conocimiento, cuando son utilizados en la complementación

exitosa de un proceso de decisión. Una vez que se tenga una cantidad masiva de hechos
integrados como conocimiento, entonces su mente será 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 estadístico basado en datos
para construir los modelos estadísticos para la toma de decisión bajo incertidumbre.

de donde:

Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadístico.

Level of improvements on decisión making = Nivel de Mejoramiento en la Toma de Decisiones

La figura anterior representa el hecho que a medida que la exactitud de un modelo estadístico
aumenta, el nivel de mejoramiento en la toma de decisión aumenta. Esta es la razón del
porqué necesitamos la estadística de negocio. La estadística se creo por la necesidad de poner
conocimiento en una base sistemática de la evidencia. Esto requirió un estudio de las leyes de
la probabilidad, del desarrollo de las propiedades de medición, relación de datos.

La inferencia estadística intenta determinar si alguna significancia estadística puede ser

adjunta luego que se permita una variación aleatoria como fuente de error. Una inteligente y
crítica inferencia no puede ser hecha por aquellos que no entiendan el propósito, las
condiciones, y la aplicabilidad de las de diversas técnicas 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 información”. El chance de la
disponibilidad de “la buena información” incrementa con el nivel de estructuración del
proceso de Dirección de Conocimiento. La figura anterior también ilustra el hecho que
mientras la exactitud de un modelo estadístico aumenta, el nivel de mejora en la toma de
decisiones aumenta.

Análisis

La toma de decisión, no se trata simplemente de elegir la mejor “opción”, si no, se trata de

hacer una respectiva evaluación de riesgos tomando como base un método para encontrar la
solución o la opción mas 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 métodos que se proporcionan para la resolución de estos problemas, tal es el caso
de los modelos determinísticos, los cuales pueden ser una buena decisión y es juzgada de
acuerdo a los resultados. Sin embargo, en los modelos probabilísticos, el gerente o decisor no
esta preocupado solamente por los resultados, sino que también con la cantidad de riesgo que
cada decisión acarrea.

Elementos de los Modelos de Análisis de Decisión

Las teorías y las técnicas matemáticas que se toman en consideración en el análisis de

decisiones se ocupan de las teorías de elección prescriptivas (acción). Es decir, la cuestión aquí
es ver exactamente de qué modo se comporta un decisor cuando se enfrenta a una elección
entre cursos de acción, cuyos resultados están regidos por el azar o las acciones de los
competidores.

El análisis de decisiones es un proceso que le permite al decisor seleccionar una decisión (sólo
una) entre un conjunto de alternativas posibles de decisión, cuando existe incertidumbre con
respecto al futuro, con el objetivo de optimizar el pago (retorno) resultante, en términos de
algún tipo de criterio de decisión numérico. Los elementos de los problemas de análisis de
decisiones son los siguientes:

1. Hay un decisor responsable individual. Por ejemplo, el CEO de una compañía que
quizás deba rendir cuentas ante los accionistas.

2. Un número 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 decisión
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, sólo puede ocurrir un estado de la naturaleza. ¿Qué puede
hacer la naturaleza?

3. 3. Un número finito de alternativas posibles de decisión. Hay una acción a, miembro

del conjunto A, que puede ser adoptada por el decisor. Sólo puede adoptar una. ¿Qué puedo
hacer? Una buena decisión requiere buscar un conjunto más rico de alternativas que las que se
presentaron inicialmente o que las aceptadas tradicionalmente.

Sea breve en la parte de la lógica y la razón de su decisión. Es probable que existan mil cosas
en un automóvil, pero usted no las necesita todas para tomar la decisión. Con media docena es
suficiente.

4. La manera más sencilla de formular el problema de decisión 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 decisión 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
práctica.

Los Diagramas de Influencia también son utilizados para el desarrollo de modelos de decisión y
como una alternativa de representación grafica de árboles de decisión. La figura siguiente
muestra un diagrama de influencia para ejemplo.

En el diagrama de influencia anterior, los nudos de decisión y los nudos de oportunidad son
ilustrados similarmente con cuadrados y círculos. Los arcos (flechas) implican relaciones,
incluyendo probabilísticas.

Representación Matemática de la Función de Utilidad

Podemos construir un modelo matemático para una función de utilidad utilizando la forma de
la función de utilidad obtenida mediante su representación del Método Gráfico. Normalmente,
una función con forma de parábola se ajusta relativamente bien a las esferas angostas de la
variable D. Para esferas más amplias, se podrían ajustar algunas piezas pequeñas de una
función de parábola, una para cada sub-esfera apropiada.
Modelo Matematico

Un modelo matemático es una ecuación, desigualdad o sistema de ecuaciones o

desigualdades, que representa determinados aspectos del sistema físico representado en el
modelo. Los modelos de este tipo se utilizan en gran medida en las ciencias físicas, en el campo
de la ingeniería, los negocios y la economía.

Un modelo ofrece al analista una herramienta que puede manipular en su análisis del sistema
en estudio, sin afectar al sistema en sí. Por ejemplo, supóngase que se ha desarrollado un
modelo matemático para predecir las ventas anuales como una función del precio de venta
unitario. Si se conoce el costo de producción por unidad, se pueden calcular con facilidad las
utilidades anuales totales para cualquier precio de venta. Para determinar el precio de venta
que arrojará las utilidades totales máximas, se pueden introducir en el modelo distintos
valores para el precio de venta, uno a la vez, determinando las ventas resultantes y calculando
las utilidades anuales totales para cada valor de precio de venta examinado. Mediante un
proceso de prueba y error, el analista puede determinar el precio de venta que maximizará las
utilidades anuales totales.

Lo ideal sería que si el modelo matemático es una representación válida del rendimiento del
sistema, mediante la aplicación de las técnicas analíticas adecuadas, la solución obtenida a
partir del modelo debería ser también la solución para el problema del sistema. Así, la
efectividad de los resultados de la aplicación de cualquier técnica operativa es en gran medida
una función del grado en el cual el modelo representa al sistema en estudio.

A fin de definir las condiciones que nos conducirán a la solución del problema del sistema, el
analista primero debe identificar un criterio según el cual se podrá medir el sistema. Este
criterio a menudo se denomina medida del rendimiento del sistema o medida de efectividad.
En aplicaciones empresariales, la medida de efectividad generalmente son los costos o las
utilidades, mientras que en aplicaciones gubernamentales esta medida generalmente se
define en términos de un índice costo/beneficio.

El modelo matemático que describe el comportamiento de la medida de efectividad se

denomina función objetivo. Si la función objetivo es describir el comportamiento de la medida
de efectividad, debe capturar la relación entre esa medida y aquellas variables que hacen que
dicha medida fluctúe. Las variables del sistema pueden categorizarse en variables de decisión y
parámetros. Una variable de decisión es una variable que puede ser directamente controlada
por el decisor. También existen algunos parámetros cuyos valores pueden ser inciertos para el
decisor. Esto requiere un análisis de sensibilidad después de descubrir la mejor estrategia. En
la práctica, resulta casi imposible capturar la relación precisa entre todas las variables del
sistema y la medida de efectividad a través de una ecuación matemática. En cambio, el analista
de IO/CA debe tratar de identificar aquellas variables que afectan en mayor grado la medida
de efectividad y luego debe intentar definir de manera lógica la relación matemática entre
estas variables y la medida de efectividad. Esta relación matemática es la función objetivo que
se emplea para evaluar el rendimiento del sistema en estudio.
Sabemos que queremos una función cuadrática que se ajuste mejor al diagrama de dispersión
que ha sido construido previamente. Por lo tanto, utilizamos el análsis de regresión para
estimar los coeficientes en la función que mejor se ajusta a los pares de datos (D, U).

Modelos de Parábola

Las regresiones de parábola tienen tres coeficientes con una forma general:

U = a + bD + cD2,

donde

c = { (Di - Dbarra)2Ui - n[(Di - Dbarra) 2Ui]} / {n(Di - Dbarra) 4 - [(Di - Dbarra)2] 2}

b = [(Di- Dbarra) Ui]/[(Di - Dbarra)2] - 2cDbarra

a = {Ui - [c(D i - Dbarra) 2)}/n - (cDbarraDbarra + bDbarra),

donde Dbarra es la media de Di's.

Para nuestro ejemplo numérico i = 1, 2,..., 12. mediante la evaluación de estos coeficientes
utilizando la información dada en la sección 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 función de utilidad aproximada por la siguiente función
cuadrática:

U = 0,409D2 + 0,035D + 3,091, para todo D tal que -2  D  15.

La representación matemática anterior proporciona información mas útil que los otros dos
métodos. Por ejemplo, colocando D = 10, se obtiene el valor predicho de utilidad U = 44,3.
Adicionalmente, tomando la derivada de la función 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 numérico, la utilidad marginal es una función creciente porque la
variable D tiene un coeficiente positivo; por lo tanto, se esta capacitado a clasificar esta
decisión como un riesgo moderado.

El método Simplex es un algoritmo de solución muy utilizado para resolver programas lineales.
Un algoritmo es una serie de pasos para cumplir con una tarea determinada.

El Método Simplex Clásico

El Método Simplex es la solución algorítmica inicial para resolver problemas de Programación

Lineal (PL). Este es una implementación eficiente para resolver una serie de sistemas de
ecuaciones lineales. Mediante el uso de una estrategia ambiciosa mientras se salta desde un
vértice factible hacia el próximo vértice adyacente, el algoritmo termina en una solución
óptima.

Método de Solución Gráfica

Dado que normalmente es una especie visual (especialmente la cultura estadounidense),

debido a su sistema educativo, muchas de las herramientas de enseñanza escolar utilizadas en
la actualidad son de naturaleza gráfica. Se les enseña a leer mostrándoles figuras de las cosas.
Les enseñan a contar mostrándoles el orden de los números. En consecuencia, los receptores
visuales se agudizan a expensas de otras funciones cognitivas. También se ha descubierto que
las personas de negocios responden mejor a los gráficos y a los cuadros que a los números.

Procedimiento para el Método Gráfico de Solución de Problemas de PL:

1. ¿El problema es un problema de PL? La respuesta es afirmativa si y sólo si:

Todas las variables están elevadas a la primera potencia y son sumadas o restadas (no dividas
ni multiplicadas). La restricción debe adoptar alguna de las siguientes formas (, , o =, es decir
que las restricciones de PL siempre están cerradas), y el objetivo debe ser de maximización o
minimización.

Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a . Este problema
tan sencillo no tiene solución.

2. ¿Puedo utilizar el método gráfico? La respuesta es afirmativa si la cantidad de variables

de decisión es 1 o 2.

3. Utilice papel milimetrado. Grafique cada restricción, una por una, como si fueran
igualdades (como si todo  y , es = ) y luego trace la línea.

4. A medida que se crea cada línea, divida la región en 3 partes con respecto a cada línea.
Para identificar la región factible para esta restricción en particular, elija un punto en cualquier
lado de la línea y coloque sus coordenadas en la restricción, si satisface la condición, este lado
es factible, de lo contrario el otro lado es factible. En el caso de restricciones de igualdad, sólo
los puntos sobre la línea son factibles.

5. Elimine los lados que no son factibles.

Una vez graficadas todas las restricciones, debe generarse una región factible no vacía
(convexa), salvo que el problema sea no factible.

6. Cree (como mínimo) dos líneas de igual valor desde la función objetivo, fijando la
función objetivo en dos números distintos cualquiera. Grafique las líneas resultantes. Al mover
estas líneas paralelas, encontrará el vértice óptimo (punto extremo), si es que existe.

En general, si la región factible se encuentra dentro del primer cuadrante del sistema de
coordenadas (es decir si X1 y X2  0), entonces, para los problemas de maximización, usted
debe mover la función objetivo de igual valor (función iso) paralela a sí misma lejos del punto
de origen (0, 0), como mínimo, teniendo a la vez un punto en común con la región factible. Sin
embargo, para los problemas de minimización, debe realizar lo opuesto, es decir, mover la
función objetivo de igual valor (función iso) paralela a sí misma acercándola al punto de origen,
a su vez teniendo como mínimo un punto en común con la región factible. El punto común
proporciona la solución óptima.

Método Algebraico:

Los modelos de PL con variables de decisión multidimensional

Se esta interesado en resolver el siguiente problema general:

Max( ó 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 demás sin restricción en el signo.

Es utilizada la notación común: C = {Cj} para los coeficientes de la función objetivo (conocidos
como los coeficientes de costo dado que históricamente, la primera PL fue un problema de
minimización de costos), y X = {Xj } se utiliza para las variables de decisión.

A continuación se presenta el procedimiento de cuatro pasos para la solución algebraica del

algoritmo:

1. Construcción de los límites del conjunto de restricciones: Transformar todas las

desigualdades (excepto la condición de restricción de cada variable, si existe alguna) a
igualdades, mediante la adición o sustracción de variables de exceso o defecto. La construcción
de los límites de las variables de las variables restringidas es incluido en el próximo paso.

2. Encontrar Todos los Vértices: Si el número de variables (incluyendo las de exceso y

defecto) son mayores al número de ecuaciones, proceda a hacer ceros el siguiente número de
variables:

[(Número total de variables incluyendo las de exceso y defecto) – (Número de ecuaciones)]

Las variables llevadas a cero son las variables de exceso y defecto y las variables restringidas
(cualquier Xi's  0, ó Xi's  0) solamente. Luego de llevar todas estas variables a cero, proceda a
encontrar las otras variables mediante la resolución del sistema cuadrado de ecuaciones.

Note que si Xi  0, entonces podría ser escrito como Xi - Si = 0, llevando los Si correspondientes
a cero significa que Xi = 0, por lo tanto, no es necesario introducir explícitamente variables de
exceso y defecto. Adicionalmente, note que cuando cualquier Xi no esta restringido en el
signo, este no adiciona una restricción.

3. Comprobar la Factibilidad: Todas las variables de defecto o exceso deben ser no-
negativas, y compruebe por la condición de restricción (si existe alguna) en cada variable. Cada
solución factible es llamada una Solución Factible Básica, la cual es el punto en cada esquina de
la región de factibilidad.

4.

Seleccionar una Esquina Optima: Entre todas las soluciones factibles (i.e., puntos en las
esquinas factibles), encuentre el óptimo (si existe alguno) evaluando cada uno en la función
objetivo. Podrían existir soluciones óptimas múltiples.

El Método Simplex

El Método Simplex es otro algoritmo para resolver problemas de PL. El método algebraico
proporciona todos los vértices incluyendo aquellos que no son factibles. Por lo tanto, esta no
es una manera eficiente de resolver problemas de PL con numerosas restricciones. El Método
Simplex es una modificación del método algebraico, el cual vence estas deficiencias. Sin
embargo, el Método Simplex tiene sus propias deficiencias. Por ejemplo, este requiere que
todas las variables sean no-negativas ( 0); Además, todas las demás restricciones deben estar
en la forma  con un LMD de valores no-negativos.