Está en la página 1de 7

MODELOS DE TOMA DE DECISIONES

Estos son algunos mtodos ms usados en la toma de decisiones y para


explicarlo usaremos el siguiente ejemplo.
De un local se obtuvieron los siguientes datos en un periodo de 3 meses se iso
un posible pronstico de ventas el costo de venta del producto es de $ 20 y la
compra del producto $ 15.5

MODELOS DE DECISIN DE CRITERIOS INGENUOS


Estos modelos son llamados de criterios ingenuos porque no toman en cuenta
las probabilidades que tiene cada estado de la naturaleza de suceder, por lo
cual tambin suele llamrseles modelos de decisin sin datos previos. Tenemos
cinco modelos de este tipo.
MODELO MINIMAX
Este modelo tambin es conocido como pesimista y como criterio de decisin
de Wold. Se basa en suponer que la naturaleza es un contrincante muy
inteligente que har acontecer aquel estado que es menos conveniente para
quien toma las decisiones. Consta de las siguientes etapas:
Se selecciona la siguiente opcin que fue la de menor valor

Despus se seleccionara la el de mayor valor en esta ocasin ser el D2


MODELO OPTIMISTA
Este modelo tambin es conocido como Criterio de Decisin de Hurwicz y es
totalmente opuesto al anterior, ya que considera que la naturaleza siempre
jugar a favor del tomador de decisiones. Consiste en los pasos siguientes.
Para la seleccin de este modelo se seleccionara el mximo de ganancia

De estos datos se seleccionara el de mayor ganancia que en este caso es el de


D3

MODELO DE MINIMIZACIN DEL ARREPENTIMIENTO


A este modelo tambin se le denomina Criterio de Decisin de Salvaje y est
basado en el hecho de que el encargado de tomar decisiones puede
arrepentirse de no haber elegido una opcin adecuada, entonces lo que se
hace es convertir la matriz de pagos en una matriz de arrepentimientos, para
la cual los valores de sus elementos se calculan con la ecuacin siguiente:

Para obtener el resultado de este ejemplo se utilizara la ecuacin anterior que


es los valores ms altos de cada columna menos los valores de cada rengln y
se obtuvieron los siguientes resultados

A continuacin se realizara un listado de los valores mximos

Despus se escoger el valor mnimo que en este caso es el D2


MODELO DE MAXIMIZACIN DEL PAGO PROMEDIO
Este modelo tambin es conocido como Criterio de decisin Laplace consta de
sacar el promedio de cada rengln

De este mtodo se seleccionara el valor mximo de promedio que es el D2


MODELO DE MAXIMIZACIN DEL PUNTO MEDIO
Este modelo es muy parecido al anterior, con la diferencia de que en ste se
obtiene el punto medio para cada decisin, el cual se calcula por medio de la
siguiente formula:
Punto medio para Di = (Valor mximo del rengln i + Valor mnimo del rengln
i)/2 Ec(1)
Se realiz la siguiente ecuacin y se obtuvieron los siguientes resultados

En este mtodo es el valor mximo pero en esta ocasin todas resultaron


ptimas
MODELOS DE DISTRIBUCIN DE PROBABILIDAD DISCRETA
Estos modelos se utilizan cuando se tienen datos previos acerca de las
probabilidades que tienen los diferentes estados de la naturaleza de suceder y
que resultan especialmente adecuados cuando la cantidad de alternativas
posibles de decisin no es elevada.
ANLISIS DE BAYES
Este es un mtodo muy popular para tomar decisiones cuando el nmero de
opciones alternativas no es alto. Se divide en 2 partes, las cuales son :
CRITERIO A PRIORI Y CRITERIO A POSTERIORI.
CRITERIO A PRIORI
Este es un modelo muy simple pero no menos til para quien enfrenta el
problema de tomar una decisin. Tambin suele conocrsele como MTODO DE
LAS GANANCIAS ESPERADAS, en condiciones de incertidumbre. Consiste en
calcular la ganancia esperada para cada una de las posibles decisiones
alternativas y elegir la que sea mxima. La ganancia esperada se obtiene por
medio de la sig. ecuacin:

Primero se sacara la probabilidad

Despus se empleara la ecuacin

Esto indica que la mejor opcin es la segunda que genera mas ganancia
A continuacin se presentara el rbol de decisiones

CRITERIO A POSTERIORI
Este mtodo consiste en calcular las ganancias esperadas despus de haber
modificado las probabilidades de los estados de la naturaleza, lo cual se
efecta basado en informacin que se obtiene mediante pruebas
experimentales. Estas pruebas nos dan datos sobre las probabilidades
condicionales de que un pronostico se cumpla dado que suceda en realidad un
determinado estado de la naturaleza.

A continuacin se sacan las probabilidades condicionales con el pronstico de


ventas del mes
MES 1
P1=10/30=
P2=7/30=

0.33
0.23

p3=13/30=

0.43

MES 2
P1=8/30=
P2=6/30=
P3=16/30=

0.27
0.20
0.53

MES 3

El siguiente paso es obtener la ganancia esperada para cada pronstico con el


teorema de bayes para este paso se utiliso la probabilidad que se obtuvo en el
modelo de A PRIORI

A continuacin se obtendr la ganancia esperada

Como podemos observar la ganancia esperada con mayor ganancia es la GE2

La ganancia esperada es la GE3

La ganancia esperada es la GE2


ANALISIS MARGINAL
Este es un mtodo mas simple que el anlisis de bayesiano para la toma de
decisiones que conduce exactamente a los mismos resultados que el criterio a
priori. Es especialmente adecuado cuando el numero de alternativas de
decisin que se maneja es elevado.
Primero se obtendr m que se obtiene de las ganancias y las perdidas

Se utilizara la probabilidad

Despus se obtendr la probabilidad acumulada

Como el valor de m entra en la probabilidad acumulada se utilizara el de 150


que es GE3 de el mtodo A PRIORI

GANANCIA ESPERADA CON LA INFORMACIN PERFECTA.


La informacin perfecta podra hipotticamente lograrse si el nivel de demanda
manejando por quien toma las decisiones fuese exactamente igual al estado de
la naturaleza que sucediese en todas las ocasiones. Aunque esta situacin no
es posible en la realidad, es til obtener la ganancia esperada en estas
condiciones , pues esto nos dar una clara idea de lo que se deja de ganar por
la imperfeccin de la informacin con la cual se toma una determinacin
decisin.

Para obtener la ganacia esperada se usara la siguiente ecuacin