Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Teoria de Decision
Teoria de Decision
Introducción
ESUMEN La toma de decisiones es una situación que está presente en nuestras vidas desde que
despertamos hasta que nos acostamos, solamente al despertar debemos elegir entre levantarnos
o no, cuando nos levantamos elegimos si nos ponemos o no zapatos para caminar dentro el
dormitorio y así sucesivamente, nuestra vida está llena de elecciones, unas más difíciles que otras,
con más o menos implicancia, pero al final siempre estamos decidiendo. Es por esta razón que
desde hace bastante tiempo las personas vienen estudiando este tema, tratando de facilitar la
toma de decisiones y reducir el riesgo al mínimo posible cuando de elegir se trata. Este trabajo
busca optimizar la toma decisiones a través de modelos matemáticos que ayudan en el proceso y
brindan resultados objetivos.
Introducción
En la vida el hombre se enfrenta a la necesidad de tomar constantemente decisiones. Este utiliza reglas que
fijan su comportamiento tras observar, repetidamente, los fenómenos del mundo circundante. El éxito de ellas
es evaluado al considerar en que proporción estas han sido acertadas. Las ciencias del comportamiento
modelan este, y establecen la cordura de los individuos, al considerar su aptitud para fijar reglas que le lleven
a ser racional y exitoso. Esto ha conllevado la necesidad de establecer teorías que modelen la toma de
decisiones en diversas ciencias particulares. Piense en la Sicología y las Ciencias Políticas, por ejemplo. La
racionalidad de los individuos se mide de acuerdo a ciertos modelos de comportamiento desarrollados en
estas ciencias. Al considerar el problema general, el punto de vista matemático ha conllevado a desarrollar
modelos que conforman la Teoría de Decisión. Esta se imbrica con la Teoría de Juegos por lo que un campo
fértil de su uso está en la variopinta de problemas que se planteada en el diseño de sistemas inteligentes para
los videojuegos y en la Economía.
Los gerentes se hacen conscientes de un problema al comparar el estado actual de las cosas con
la situación en la que deberían estar o quisieran que estuvieran. Si las cosas no están donde los
gerentes quieren o marchan como deberían, hay discrepancia. Pero esto no es suficiente para
que se trate de un problema.
Una discrepancia sin la presión para actuar es un problema que puede posponerse. Para iniciar
el proceso de toma de decisiones, el problema debe acuciar al gerente para que actué. La
presión puede venir, por ejemplo, de políticas de la organización, plazos, crisis económicas,
actos de la competencia, quejas de los clientes, expectativas del jefe o una evaluación inminente
del desempeño.
Por ultimo, no es probable que los gerentes señalen algo como problema si les parece que no
tienen la autoridad, la información o los recursos para actuar. Si los gerentes reconocen un
problema y están presionados para actuar pero les parece que no tienen los recursos
adecuados, explican que es una situación en la que hay expectativas poco realistas acerca de lo
que pueden hacer.
CRITERIO PESO
COSTO DE INICIO 10
CALIFICACIONES FINANCIERAS 6
REGIONES ABIERTAS 4
1. Certeza: Es aquél en el que el decisor conoce con absoluta seguridad los estados de la
naturaleza que van a presentarse.
2. Riesgo: Es aquél en el que el decisor sabe qué estados de la naturaleza se pueden presentar y
la probabilidad que tiene cada uno de ellos de presentarse.
- Criterio maximax: Se considera como el criterio de decisión más optimista. Se enfoca sólo en lo
mejor que pueda suceder. Tiene en cuenta la mayor ganancia de cada estado de la naturaleza y
elige la mayor, con su alternativa de decisión correspondiente. Todo lo que necesitará es que
suceda el estado de la naturaleza correcto y así maximizara sus beneficios.
- Criterio maximin: Se considera como el criterio más pesimista. Éste nos pide concentrarnos en lo
peor que pueda suceder. Identifica la menor ganancia de cada estado de la naturaleza y elige la
mayor, con su alternativa de decisión correspondiente. El razonamiento de este criterio es que
proporciona la mejor protección posible contra la falta de suerte.
- Criterio de Laplace: Se consideran todos los estados de la naturaleza igualmente probables. Este
punto de vista puede tomarse como “si nada sé, todo es igualmente posible”. Se calcula el
resultado de cada estado de la naturaleza posible y se elige la alternativa que contenga el
resultado más alto.
Las buenas decisiones son aquellas que están basadas en la lógica, examinan
toda la información disponible en función de unos objetivos predefinidos y aplican
un modelo de toma de decisiones cuantitativo. La elección del modelo dependerá
de la situación de cada empresa, pero siempre tendrá una base en criterios
estadísticos y matemáticos.
La idea en esta sección es que podría modificarse el conocimiento que se tiene acerca de los
estados de la naturaleza. Esa modificación puede conllevar un coste y la pregunta es, ¿qué valor
tiene disponer de esa información? ¿cuánto estamos dispuestos a pagar por ella? Hay que tener
en cuenta que con mayor información la ganancia esperada será mayor. Así, se define la ganancia
esperada con información perfecta a la esperanza de la ganancia tomando para cada estado la
mejor opción. Para el ejemplo de la sección anterior sería 0.1 1500 0.3 3000 0.4 4500 0.2 6000
4050 ⋅ +⋅ +⋅ +⋅ = . Por otro lado, se estima la ganancia esperada con incertidumbre, es decir, la
ganancia esperada con la decisión que se haya tomado con alguno de los criterios anteriores. Así,
si la decisión seleccionada es la A3 , la ganancia esperada es 3250. Por último se define el valor
esperado de la información perfecta, denotado por VEIP, a la diferencia entre ambas ganancias, es
decir, la diferencia entre la ganancia esperada con información perfecta y la esperada con
incertidumbre. Para el ejemplo sería VEIP= 4050 – 3250 = 800. Obsérvese que es equivalente a
utilizar el criterio de Savage con la mínima penalización esperada.
Árbol de decisión
En las empresas todo el tiempo se toman decisiones, la gran mayoría bajo
una estrategia que tome en cuenta la complejidad de las situaciones. Para
facilitarlo, los expertos han creado metodologías que les permitan tomar el
camino más adecuado, en beneficio de su organización y su personal. Una
de ellas es el árbol de decisiones.
Proceso de Márkov
Ir a la navegaciónIr a la búsqueda
En la teoría de la probabilidad y en estadística, un proceso de Márkov, llamado
así por el matemático ruso Andréi Márkov, es un fenómeno aleatorio dependiente
del tiempo para el cual se cumple una propiedad específica: la propiedad de
Márkov. En una descripción común, un proceso estocástico con la propiedad de
Márkov, o sin memoria, es uno para el cual la probabilidad condicional sobre el
estado presente, futuro y pasado del sistema son independientes.1Los procesos
de Márkov surgen en probabilidad y en estadística en una de dos maneras:
i) Un proceso estocástico, que se define a través de un argumento separado,
puede demostrarse (matemáticamente) que tiene la propiedad de Márkov y como
consecuencia tiene las propiedades que se pueden deducir de ésta para todos los
procesos de Márkov.
ii) De más importancia práctica es el uso de la suposición que la propiedad de
Márkov es válida para un proceso aleatorio con el fin de construir, ab initio, un
modelo estocástico para este proceso. En términos de modelado, suponer que la
propiedad de Márkov es válida es una de un limitado número de formas sencillas
de introducir dependencia estadística en un modelo para un proceso estocástico,
de tal manera que permita que la fuerza de la dependencia en los diferentes
retardos decline a medida que el retardo aumenta.
Frecuentemente el término cadena de Márkov se usa para dar a entender que un
proceso de Márkov tiene un espacio de estados discreto (infinito o numerable).
Usualmente una cadena de Márkov sería definida para un conjunto discreto de
tiempos (es decir, una cadena de Márkov de tiempo discreto), 2 aunque algunos
autores usan la misma terminología donde "tiempo" puede tomar valores
continuos
Procesos de decision_markovianos
BIBLIOGRAFÍA
Bronson, Richard, (1988) “Investigación de Operaciones. Teoría y 310 Problemas
Resueltos. Serie Schaum” Mc Graw Hill. México.
Render, B.; Stair, R.; Hanna, M., (2006) “Métodos cuantitativos para los
negocios” Pearson Prentice Hall. México.
Goberna, Miguel Ángel; Jornet, Valentín y Puente, Rubén, (2004) “Optimización Lineal.
Teoría, métodos y Modelos” Mc Graw Hill. España.
Lieberman y Hillier, (2001) “Investigación de Operaciones” Mc Graw Hill. México.
Prawda, Juan, (1991) “Métodos y Modelos de Investigación de Operaciones. Volumen 2
Modelos Estocásticos” Editorial Limusa. México.
Taha, Hamdy, (2004) “Investigación de Operaciones” Editorial Alfaomega. México
https://prezi.com/dte75ggjjee-/193-modelo-con-etapas-infinitas/
http://virtual.umng.edu.co/distancia/ecosistema/ovas/ingenieria_civil/investigacion_de_operacio
nes_ii/unidad_4/DM.pdf
https://www.iit.comillas.edu/aramos/simio/transpa/t_dp_ar.pdf