INSTITUTO TECNOLOGICO DE QUERETARO

APUNTES DEL CURSO DE

Investigación de Operaciones
Clave de la asignatura: AEF-1076
Carrera: Ingeniería en Gestión Empresarial

PROFESOR JOSE MANUEL SANCHEZ ALVAREZ

 CONTENIDO

A. REPORTE DE INICIO DEL CURSO.

B. RETICULA DE LA CARRERA DE INGENIERIA INDUSTRIAL.
C. TEMARIO DEL CURSO.
D. INSTRUMENTACION DIDACTICA.
E. PLANEACION DEL CURSO.
F. APUNTES DEL CURSO:
 UNIDAD TEMÁTICA 1. Toma de decisiones.

G. ANEXOS:
 LISTAS DE ASISTENCIA.

F. APUNTES DEL CURSO.

PARA LEER ESTE DOCUMENTO, SE SUGIEREN LAS SIGUIENTES CONVENCIONES:

  CONCEPTOS MAS IMPORTANTES (EN COLOR ROJO Y
SUBRAYADOS)

 TEXTO PARA ANOTARSE (EN LETRA NEGRITA)

 PARRAFO RELEVANTE (PARA TOMAR EN CUENTA)

UNIDAD TEMÁTICA

1. TOMA DE DECISIONES.

SUBTEMA 1.1 AMBIENTES Y CRITERIOS PARA LA TOMA DE DECISIONES.

La toma de decisiones es el proceso mediante el cual se
realiza una elección entre diferentes opciones o formas
posibles para resolver diferentes situaciones en la vida en
diferentes contextos: empresarial, laboral, económico, familiar,
personal, social, etc.(utilizando metodologías cuantitativas que
brinda la administración). La toma de decisiones consiste,
básicamente, en elegir una opción entre las disponibles, a los
efectos de resolver un problema actual o potencial (aun cuando
no se evidencie un conflicto latente).
La toma de decisiones se refiere a la elección correcta entre
diversas opciones para concretar un proyecto.

En ocasiones los ingenieros consideran la toma de decisiones

como su trabajo principal ya que tienen que seleccionar
constantemente qué se hace, quien lo hace y cuándo, dónde e
incluso como se hará. Sin embargo la toma de decisiones es
sólo un paso de la planeación ya que forma la parte esencial
de los procesos que se siguen para elaboración de los
objetivos o metas trazadas a seguir. Rara vez se puede juzgar
sólo un curso de acción, porque prácticamente cada decisión
tiene que estar engranada con otros planes.
El proceso que conduce a la toma de decisión:
  Elaboración de premisas 

  Identificación de alternativas 

  Evaluación de las alternativas, en términos de
metas que se desea 
alcanzar 

  Selección de una alternativa, es decir tomar una
decisión
SUBTEMA 1.2 TOMA DE DECISIONES BAJO MODELOS DE
CERTIDUMBRE, INCERTIDUMBRE Y RIESGO.


Ejemplo 15.1-1

Martin Hans, un brillante estudiante del último año de la preparatoria, recibió ofertas de
becas académicas completas de tres instituciones: U de A, U de B y U de C. Martin
fundamenta su elección en dos criterios: la ubicación y la reputación académica. Para él, la
reputación académica es cinco veces más importante que la ubicación, y asigna un peso de
aproximadamente 83% a la reputación y un 17% a la ubicación (17% X 5 = 85%). Luego
utiliza un proceso sistemático para calificar las tres universidades desde el punto de vista de
la ubicación y la reputación, como se muestra en la tabla siguiente:
La estructura del problema de decisión se resume en la figura 15.1.

El problema implica una sola jerarquía (nivel) con dos criterios (ubicación y reputación) y
tres alternativas de decisión (U de A, U de B y U de C).
La calificación de cada universidad se basa en los siguientes pesos compuestos:

Calificación de universidad =

= (peso de ubicación) X (peso en porcentaje para ubicación) +

+ (peso de reputación académica ) X (peso en porcentaje para reputación académica)

Basado en estos cálculos, Martin elige la U de A porque tiene el peso compuesto más
alto.

15.3 DECISIÓN BAJO INCERTIDUMBRE

La toma de decisiones bajo incertidumbre, así como bajo riesgo, implica acciones
alternativas cuyas retribuciones dependen de los estados de la naturaleza
(aleatorios). Específicamente, la matriz de retribución de un problema de decisión
con m acciones alternativas y n estados de la naturaleza puede representarse como
El elemento ai representa la acción i y el elemento s, representa el estado de la
naturaleza j. La retribución o resultado asociado con la acción ai y el estado sj es
v(ai, sj).

En la toma de decisiones bajo incertidumbre, la distribución de probabilidad aso-

ciada con los estados sj, j = 1,2,..., n, o se desconoce o no puede ser determinada.
Esta falta de información condujo al desarrollo de criterios de decisión especiales:

1. Laplace

2. Minimax

3. Savage

4. Hurwicz

Estos criterios difieren en el enfoque que adopte el tomador de decisiones ante el

problema.

El criterio de Laplace se basa en el principio de razón insuficiente. Ya que no se

conocen las distribuciones de probabilidad, no hay razón alguna para creer que las
probabilidades asociadas con los estados de la naturaleza sean diferentes. Por tanto,
las alternativas se evalúan utilizando la suposición simplificadora de que todos los
estados son igualmente probables de que ocurran; es decir, P{ 𝑠1 } = P{𝑠2 } = …=
 1
P{𝑠2 } = . Si la retribución v(ai, sj) representa la ganancia, la mejor alternativa es
𝑛
la que da por resultado

El criterio maximin (minimax) está basado en la actitud conservadora de hacer la

mejor de las peores condiciones posibles. Si v(ai, sj) es una pérdida, entonces
seleccionamos la acción que corresponde al siguiente criterio minimax.
Si v(ai, sj) es una ganancia, utilizamos el criterio maximin dado por

El criterio de lamento de Savage “modera” el grado de conservadurismo del cri-

terio minimax (maximin) al reemplazar la matriz de retribución (ganancia o pérdida)
v(ai, sj) con una matriz de pérdida (o lamento), r(ai, sj) mediante la siguiente
transformación:

matriz de pérdida (o lamento) =

= (para cada columna de pérdida) - (para cada renglón el menor de las pérdidas)

matriz de pérdida (o lamento) =

= (para cada renglón el mayor de las ganancias)

- (para cada columna de ganancia)

Para demostrar por qué el criterio de Savage modera el criterio minimax (maxi-
min), considere la siguiente matriz de pérdida:
La aplicación del criterio minimax muestra que a2, con una pérdida definida de
$10,000, es la alternativa preferida. Sin embargo, puede ser mejor elegir a1 porque
hay una probabilidad de limitar la pérdida a $90 sólo si s2 ocurre. Éste suele ser el
caso cuando se utiliza la matriz de lamento:
El último criterio, Hurwicz, está diseñado para representar diferentes actitudes de
decisión que van desde la más optimista hasta la más pesimista. Defina 0 ≤ α ≤ 1. La
acción seleccionada debe asociarse con

El parámetro α es el índice de optimismo. Si α = 0, entonces el criterio se reduce al

criterio minimax conservador, que busca la mejor de las peores condiciones. Si α =
1, entonces el criterio es optimista porque busca la mejor de las mejores
condiciones. El grado de optimismo (o pesimismo) puede ajustarse seleccionando un
valor de α entre 0 y 1. Sin la fuerte sensación con respecto a un optimismo y a un
pesimismo extremos, α = .5 puede ser una elección justa.

Ejemplo 15.3-1
National Outdoors School (NOS) está preparando un sitio para acampar en el verano en el
corazón de Alaska para enseñar técnicas de sobrevivencia en áreas salvajes. NOS estima
que la asistencia puede caer dentro de una de cuatro categorías: 200, 250, 300 y 350
personas. El costo del campamento será mínimo cuando su tamaño satisfaga la demanda
con exactitud. Las desviaciones por encima y por debajo de los niveles de demanda ideales
incurren en costos adicionales por construir más capacidad que la necesaria o por perder
oportunidades de ingresos cuando la demanda no se satisface. Si a1 a a4 representan los
tamaños de los campamentos (200, 250, 300 y 350 personas) y s1 a s4 el nivel de asistencia,
la siguiente tabla resume la matriz de costos (en miles de dólares) para la situación.

El problema se analiza aplicando los cuatro criterios.


1
Laplace. Dado que P{ 𝑠𝑗 } = 4 , j = 1 a 4, los valores esperados con las diferentes acciones
se calculan como
Minimax.

El criterio minimax produce la siguiente matriz:

Savage. La matriz de arrepentimiento se determina restando 5, 7, 12 y 15 de las columnas 1
a 4, respectivamente. Por lo tanto,

Hurwicz.

La siguiente tabla resume los cálculos.

Utilizando una α apropiada podemos determinar la alternativa óptima. Por ejemplo, en

α =.5, a1 = 25-10=15, a2 = 23-8=15, a3 = 21-4.5=16.5, a4 = 30-7.5=22.5, a1 o a2 es la

óptima, y en α = .25, a1 = 25-5=20, a2 = 23-4=19, a3 = 21-2.25=18.5, a4 = 30-3.75=26.25
a3 es la óptima.

15.2 TOMA DE DECISIONES EN CONDICIONES DE RIESGO

En condiciones de riesgo, los beneficios asociados con cada alternativa de decisión

están representados por distribuciones de probabilidad, y la decisión puede basarse
en el criterio de valor esperado, maximización de la utilidad esperada o la
minimización del costo esperado. En ocasiones, el criterio del valor esperado se
modifica para tener en cuenta otras situaciones, como se describirá más adelante en
esta sección.

15.2.1 Árbol de decisiones. Basado en el criterio del valor esperado

El criterio del valor esperado busca maximizar la utilidad esperada (promedio) o la

minimización del costo esperado. Los datos del problema asumen que la retribución
(o costo) asociado con cada alternativa de decisión es probabilística.

Análisis con árbol de decisiones. El siguiente ejemplo considera situaciones de

decisión simples con una cantidad finita de alternativas de decisión y matrices
explícitas de retribución.
Ejemplo 15.2-1
Suponga que desea invertir $10,000 en el mercado de valores adquiriendo acciones en una
de dos compañías: A y B. Las acciones de la compañía A, aun cuando son riesgosas,
podrían redituar 50% durante el siguiente año. Si las condiciones del mercado de valores no
son favorables (es decir, un mercado “bajista”) las acciones pueden perder 20% de su valor.
La compañía B proporciona inversiones seguras con 15% de rendimiento en un mercado
“alcista” y de sólo 5% en un mercado “bajista”. Todas las publicaciones que ha consultado
(¡y siempre hay una abundancia de ellas al final del año!) pronostican una probabilidad de
60% de un mercado “alcista” y 40% de un mercado “bajista”. ¿Cómo debe invertir su
dinero?

El problema de decisión se resume en la siguiente tabla.


El problema también puede representarse como un árbol de decisiones como se muestra en

la figura 15.4.
Se utilizan dos tipos de nodos en el árbol: Un cuadrado (☐) representa un punto de
decisión, y un círculo (O) representa un evento aleatorio. Por lo tanto, las dos ramas que
emanan del punto de decisión 1 representan las dos alternativas de invertir en la acción A o
en la acción B. A continuación, las dos ramas que emanan de los eventos aleatorios 2 y 3
representan los mercados “alcista” y “bajista” con sus respectivas probabilidades y
retribuciones.

Según la figura 15.4, las retribuciones esperadas a 1 año son

Se elige la acción A porque produce un rendimiento esperado más alto.

1.3 ENFOQUE CUANTITATIVO EN LA TOMA DE DECISIONES.

Estas herramientas ayudan a aplicar el pensamiento racional para que guíe, ayude
y automatice las decisiones y sirvan al gerente a descubrir la solución deseada al
problema de la mejor forma, mediante la división de problemas en fragmentos
menores, lo cual facilita el diagnóstico.

Las técnicas cuantitativas facilitan el diagnóstico de problemas pero no permite el

análisis de los aspectos cualitativos como los aspectos humanos que no se pueden
contar en términos numéricos.

La toma de decisiones no es fácil, pues se enfrenta a la incertidumbre y muchas

veces los gerentes ven la conducta pasada como un indicador del futuro.

Algunos elementos de apoyo cuantitativos en la toma de decisiones gerenciales

son:
1. Matriz de resultados
2. Árboles de decisiones
3. Modelos de tamaños de inventarios
4. Programación lineal
5. Teoría de colas
6. Teoría de redes
7. La programación entera
8. La simulación
9. El análisis de Markov

1.4 TEORÍA DE LA UTILIDAD.

Según la teoría de la utilidad esperada, ante varias alternativas, la persona evalúa la

probabilidad de que ocurra cada una de ellas y le asigna una puntuación en función de su
utilidad en una situación concreta. La que maximice la utilidad esperada seriá la elección
más acertada.

Funciones de utilidad.

En la sección anterior el criterio del valor esperado se aplica a situaciones en que la

retribución es dinero real. Hay casos en que debe aplicarse la utilidad en lugar del
valor real en el análisis. Para ilustrar este punto, suponga que hay una probabilidad
50-50 de que una inversión de $20,000 produzca una retribución de $40,000 o que
se pierda. La retribución esperada asociada es de

($40,000 X 0.5) — ($20,000 X 0.5) = $10,000.

Aunque hay una retribución esperada neta, diferentes individuos interpretan de

forma diferente el resultado. Un inversionista que desea correr el riesgo puede
realizar la inversión con 50% de probabilidades de obtener una retribución de
$40,000. Por el contrario, quizás un inversionista conservador no esté dispuesto a
correr el riesgo de perder $20,000. El concepto de función de utilidad se ideó para
reflejar estas diferencias. La función de utilidad ocupa entonces el lugar del dinero
real en el modelo de toma de decisiones.

¿Cómo se cuantifica la actitud subjetiva ante el riesgo en la forma de una función de

utilidad? En la ilustración anterior de inversión, la mejor retribución es de $40,000,
y la peor de - $20,000. Podemos establecer una escala de utilidad, U, de 0 a 100 que
especifique U(- $20,000) = 0 y U($40,000) = 100. El valor de U para un rendimiento
de la inversión entre - $20,000 y $40,000 se determina como sigue: Si la actitud del
tomador de decisiones hacia el riesgo es neutra (indiferente), entonces U puede
representarse por medio de una línea recta que une (0, — $20,000) y (100, $40,000).
En este caso, tanto el dinero real como su utilidad conducen a las mismas decisiones.
De manera más general, la función U puede adoptar otras formas que reflejan
diferentes actitudes hacia el riesgo. La figura 15.6
 ilustra los casos de los individuos X, Y y Z. El individuo Y es neutro ante el riesgo,
el individuo X es adverso al riesgo (o precavido), y el individuo Z es lo opuesto de
X, es un propenso al riego. La figura demuestra que para el adverso al riesgo X, la
reducción de la utilidad bc correspondiente a una pérdida de $10,000 es mayor que
el incremento ab asociado con una ganancia de $10,000. Lo contrario funciona para
el propenso al riesgo Z donde de > ef. Por lo general, un individuo puede ser tanto
propenso como adverso al riesgo, en cuyo caso la curva de utilidad seguirá una
forma de S alargada.

Curvas de utilidad similares a las demostradas en la figura 15.6 se determinan

“cuantificando” la actitud del tomador de decisiones hacia el riesgo, con diferentes
niveles de efectivo. En nuestro ejemplo, el intervalo deseado es (-$20,000 a
$40,000) con U(-$20,000) = 0 y U($40,000) = 100. Para especificar los valores de U
para valores de efectivo intermedio (por ejemplo, -$10,000, $0, $10,000, $20,000 y
$30,000), establecemos una lotería para una suma de efectivo x cuya utilidad
esperada es
Para determinar U(x), el tomador de decisiones debe formular una preferencia entre
una cantidad de efectivo garantizada x y la oportunidad de jugar una lotería en la
que puede haber una pérdida de -$20,000 con probabilidad p y una utilidad de
$40,000 con probabilidad 1 - p. El valor de p refleja la neutralidad del tomador de
decisiones (o indiferencia) hacia el riesgo. Por ejemplo, para x = $20,000, el
tomador de decisiones puede pensar que un efectivo garantizado de $20,000 y la
lotería con p = 0.8 son igualmente atractivos. En este caso podemos calcular la
utilidad de x = $20,000 como

U($20,000) = 100 - (100 * 0.8) = 20


Observe que los altos valores de p con la misma lotería reflejan la búsqueda del
riesgo (en oposición a la aversión al riesgo). Por ejemplo, con p = 0.2,

U($20,000) = 100 - (100 * 0.2) = 80

1.5 LA OBTENCIÓN DE DATOS PARA LA TOMA DE DECISIONES.

Los datos son una base parcial sobre la que se toman las decisiones. Los datos
ayudan a describir los sistemas del mundo real. Todas estas perspectivas son correctas
y útiles para entender el papel de los datos.
DATOS: son hechos o conceptos conocidos o supuestos y generalmente se expresan
en forma numérica. Ejemplo: la tasa de arrendamiento, el número de unidades
producidas en el periodo anterior, los salarios para los nuevos vendedores, etc.…

La toma de decisiones, en los diferentes niveles administrativos debe establecer

claramente que las necesidades de datos y la facilidad con que estos se obtienen
varían mucho. Aún cuando casi todas las necesidades de la administración a bajo nivel
y de la administración media son de datos objetivos e internos

1.6 ÁRBOLES DE DECISIÓN.

15.4 ÁRBOLES DE DECISIÓN

Un árbol de decisión proporciona una forma para desplegar visualmente el problema y después organizar el
trabajo de cálculos que se describió en las secciones anteriores. Estos árboles de decisión son en especial
útiles cuando debe tomarse una serie de decisiones.

Construcción del árbol de decisión

El ejemplo prototipo incluye una serie de dos decisiones:

¿Debe llevarse a cabo un sondeo sísmico antes de elegir una acción? 


¿Qué acción debe elegirse (perforar o vender el terreno)? 


El árbol de decisión correspondiente (antes de llevar a cabo los cálculos) se muestra

en la figura 15.4.
La GOFERBROKE COMPANY es dueña de unos terrenos en los que puede haber
petróleo. Un geólogo consultor ha informado a la administración que piensa que
existe una posibilidad de 1 entre 4 de encontrar petróleo.

Debido a esta posibilidad, otra compañía petrolera ha ofrecido comprar las tierras en
90 000 dólares. Sin embargo, la Goferbroke considera conservarlas para perforar
ella misma. El costo de la perforación es de 100 000 dólares. Si encuentra petróleo,
el ingreso esperado será de 800 000 dólares; así, la ganancia esperada para la
compañía (después de deducir el costo de la perforación) será de 700 000 dólares. Se
incurrirá en una pérdida de 100 000 dólares (el costo de barrenar) si no se encuentra
petróleo.

En la tabla 15.1 se resumen estos datos. La sección 15.2 estudia cómo abordar la
decisión de si se debe perforar o vender con base sólo en estos datos. (Éste será el
primer problema de Goferbroke Co.)

Sin embargo, antes de decidir entre perforar o vender, otra opción es llevar a cabo
una exploración sismológica detallada en el área para obtener una mejor estimación
de la probabilidad de encontrar petróleo. (Este proceso de decisión se conoce con el
nombre de problema de Goferbroke completo.) En la sección 15.3 se presenta este
caso de toma de decisiones con experimentación, momento en el cual se
proporcionarán los datos adicionales necesarios.

Esta compañía opera sin mucho capital por lo que una pérdida de 100 000 dólares
sería bastante seria.

Como se mencionó al final de la sección 15.1, una opción disponible antes de tomar
una decisión es llevar a cabo una exploración sismológica del terreno para obtener
una mejor estimación de la probabilidad de que haya petróleo. El costo es de 30 000
dólares.

Una exploración sismológica obtiene sondeos sísmicos que indican si la estructura

geológica es favorable para la presencia de petróleo. Los resultados posibles de la
exploración se dividen en las siguientes categorías:

SSD: sondeos sísmicos desfavorables; es poco probable encontrar petróleo. SSF:

sondeos sísmicos favorables; es bastante probable encontrar petróleo.

Con base en la experiencia, si hay petróleo, la probabilidad de sondeos sísmicos

desfavorables es:

P(SSD 􏰛 Estado = Petróleo) = 0.4, y P(SSF 􏰛 Estado = Petróleo) = 1 – 0.4 = 0.6.

De igual manera, si no hay petróleo —es decir, si el verdadero estado de la
naturaleza es Seco—, entonces la probabilidad de sondeos sísmicos desfavorables se
estima en:
Los puntos de ramificación del árbol de decisión se conocen como nodos y los arcos
se llaman ramas.

Un nodo de decisión, representado por un cuadrado, indica que en ese punto del
proceso debe tomarse una decisión. Un nodo de probabilidad, representado por un
círculo, indica que en ese punto ocurre un evento aleatorio.

Así, en la figura 15.4, la primera decisión se representa por el nodo de decisión a. El

nodo b es un nodo de probabilidad que representa el evento aleatorio del resultado
del sondeo sísmico. Las dos ramas que salen de b representan los dos resultados
posibles de la exploración. Después es necesario tomar la segunda decisión (nodos c,
d y e) con sus opciones posibles. Si la decisión es perforar, entonces se llega a otro
nodo de probabilidad (los nodos f, g y h), donde las dos ramas corresponden a los
dos estados posibles de la naturaleza.

Observe que la trayectoria seguida para llegar a cualquier pago (excepto la inferior)
está determinada tanto por la decisión tomada como por los eventos aleatorios que
están fuera del control del tomador de decisiones. Ésta es una característica de los
problemas que se estudia en el análisis de decisiones.

El siguiente paso en la construcción del árbol de decisión es insertar números en el

árbol como se muestra en la figura 15.5.

Los números abajo y arriba de las ramas que no están entre paréntesis son flujos de
efectivo (en miles de dólares) que ocurren en esas ramas. En el caso de cada
trayectoria a través del árbol desde el nodo a hasta las ramas terminales, estos
números se suman para obtener el pago total que resulta, que se muestra en negritas
a la derecha de cada rama. El último conjunto de números es el de las probabilidades
de los eventos. En particular, como cada rama que sale de un nodo de probabilidad
representa un evento aleatorio posible, la probabilidad de este evento que ocurre a
partir de él se encuentra entre paréntesis junto con esta rama. En el nodo de
probabilidad h, las probabilidades son las probabilidades a priori de los estados de
la naturaleza, puesto que en este caso no se ha realizado un sondeo sísmico para
obtener más información. Sin embargo, los nodos f y g salen de una decisión de
explorar (y después perforar). Entonces, las probabilidades de estos nodos son las
probabilidades a posteriori de los estados de la naturaleza, dados los resultados del
estudio, y los números se dan en las figuras 15.2

Y FIGURA 15.3
Por último, se tienen dos ramas que salen del nodo de probabilidad b. Los números
son las probabilidades de los resultados del estudio, Favorable (SSF) o Desfavorable
(SSD), como se presentan abajo del diagrama del árbol de probabilidad en la figura
15.2 o en las celdas C15:C16 de la figura 15.3.

Realización del análisis

Una vez construido el árbol de decisión, con sus números, se puede analizar el
problema con el siguiente procedimiento:

1. Inicie en el lado derecho del árbol de decisión y muévase a la izquierda

una columna a la vez. En cada columna, realice el paso 2 o el 3 según si
los nodos en esa columna son de probabilidad o de decisión. 


2. Para cada nodo de probabilidad, calcule su pago esperado. Para ello,

debe multiplicar el pago esperado de cada rama (dado en negritas a la
derecha) por la probabilidad de esa rama y después sumar ambos
productos. Registre esta cantidad esperada en cada nodo de decisión en
negritas junto al nodo y designe esta cantidad como el pago esperado de
la rama que conduce a este nodo. 


3. En cada nodo, compare los pagos esperados de sus ramas y seleccione la

alternativa cuya rama tenga el mayor pago esperado. En cada caso,
registre la elección en el árbol de decisión con una doble raya como
 barrera en las ramas rechazadas. 


Para comenzar el procedimiento, considere la columna de nodos de la

derecha, es decir, los nodos de probabilidad f, g y h. Si aplica el paso 2, sus
pagos esperados (PE) serán

Estos pagos esperados se colocan arriba de estos nodos, como se muestra en la

figura 15.6.

A continuación se hace un movimiento una columna a la izquierda, que consiste en
los nodos c, d y e. El pago esperado de una rama que conduce a un nodo de
probabilidad se registra en negritas arriba de ese nodo. Por lo tanto, el paso 3 se
puede aplicar de la siguiente manera:
El pago esperado de cada alternativa elegida se registra en negritas arriba del nodo
de decisión, como se mostró en la figura 15.6. La alternativa seleccionada también
se indica con la inserción de una doble raya como una barrera en cada rama
rechazada.

Después, el proceso se mueve una columna más hacia la izquierda hasta el nodo b.
Como es un nodo de probabilidad, debe aplicarse el paso 2 del procedimiento. El
pago esperado de cada rama se registra arriba del nodo de decisión que sigue. Por lo
tanto, el pago esperado es

como se registra en dicho nodo en la figura 15.6.
Por último, el proceso se mueve

al nodo de la izquierda a, un nodo de decisión. Con la aplicación del paso 3 se
obtiene
Este pago esperado de 123 se registra arriba del nodo y con la doble raya que indica
la rama rechazada, como se muestra en la figura 15.6.

Este procedimiento se ha movido de derecha a izquierda para el análisis. Sin

embargo, al completar el árbol, el tomador de decisiones ahora puede leerlo de
izquierda a derecha para ver el avance real de los eventos. Las rayas dobles han
cerrado las trayectorias no deseadas. Entonces, dados los pagos de los eventos
finales en el lado derecho, la regla de decisión de Bayes dice que se siga sólo las
trayectorias abiertas de izquierda a derecha para lograr el pago esperado mayor
posible.

Al seguir las trayectorias abiertas de izquierda a derecha en la figura 15.6 se llega a

la siguiente política óptima.

Política óptima:

Realizar el sondeo sísmico.


Si el resultado es desfavorable, vender el terreno.


Si el resultado es favorable, perforar en busca de petróleo.
El pago esperado (que

incluye los costos del sondeo) es 123 (123 000 dólares).

Es evidente que esta solución óptima (única) es la misma que la que se obtuvo en la
sección anterior sin el beneficio de un árbol de decisión.
Para cualquier árbol de decisión, este procedimiento de inducción hacia atrás
siempre conducirá a la política óptima (o políticas óptimas) después de calcular las
probabilidades de las ramas que salen de un nodo de probabilidad.
2. PROGRAMACIÓN LINEAL.

2.1. SUBTEMA 2.1 FORMULACIÓN Y APLICACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL.

2.2. SUBTEMA 2.2 MÉTODO GRÁFICO.
2.3. SUBTEMA 2.3 MÉTODO SIMPLEX .
2.3.1 MÉTODO ALGEBRAICO.


El método consiste en :
Generar una solución básica posible
Evaluar si la solución básica es óptima
En caso que no lo es, generar una nueva solución
básica posible, tal que

Znuevo > Zanterior

2.3.2 LA TABLA SIMPLES.

2.4. SUBTEMA 2.4 MÉTODO DUAL.
2.5. SUBTEMA 2.5 MÉTODO DUAL-SIMPLEX.
2.6. SUBTEMA 2.6 ANÁLISIS DE RESULTADOS.

El análisis de sensibilidad o postoptimal para los modelos de Programación Lineal, tiene por objetivo identificar el
impacto que resulta en los resultados del problema original luego de determinadas variaciones en los
parámetros, variables o restricciones del modelo, sin que esto pase por resolver el problema
nuevamente.

Es decir, ya sea si resolvemos nuestro modelo gráficamente o utilizando el Método Simplex, lo que se busca es que
estas variaciones o sensibilidad hagan uso de la solución y valor óptimo actual, sin tener la necesidad de resolver para
cada variación un nuevo problema. En especial nos concentraremos en el análisis de sensibilidad o postoptimal que
hace uso de la tabla final del Método Simplex.

3. ASIGNACIÓN Y TRANSPORTE.

3.1. SUBTEMA 3.1 MÉTODO DE ESQUINA NOROESTE.