UNIVERSIDAD DE ORIENTE

NÚCLEO DE ANZOÁTEGUI
ESCUELA DE INGENIERÍA Y CIENCIAS APLICADAS
DEPARTAMENTO DE SISTEMAS INDUSTRIALES
CÁTEDRA: INVESTIGACIÓN OPERATIVA I

TEMA I: TEORIA DE LAS DECISIONES

El análisis de decisiones proporciona una metodología racional para la toma de decisiones

frente a la incertidumbre. Permite a un gerente o administrador elegir entre varias alternativas de
una manera óptima (la que nos genere la máxima ganancia o la mínima pérdida), tomando en
cuenta el valor de la adquisición de datos experimentales para reducir la incertidumbre.

Un proceso de decisión es el que requiere un conjunto de decisiones o una secuencia de decisiones

para su conclusión. Cada decisión permitida tiene una ganancia o pérdida asociada, la cual se
determina conjuntamente a partir de circunstancias externas que rodean el proceso.

Se pueden considerar diferentes situaciones en un proceso de decisiones:

1. El tomador de decisiones tiene un número finito de Cursos de Acción disponibles (Variables

Controlables).
2. Un número finito de Estados Naturales disponibles para cada Curso de Acción (Variables
Incontrolables).
3. Una Ganancia o Pérdida en la cual se incurre por cada combinación de Curso de Acción – Estado
Natural, por ello se tienen dudas respecto a cual curso de acción es mejor.

LA FORMULACIÓN DEL PROBLEMA EN LA DE TOMA DE DECISIONES SE BASA EN LO SIGUIENTE:

1. Definir posibles cursos de acción (variables controlables).

2. Definir su medio ambiente (variables incontrolables).
3. Definir un criterio de selección.

TIPO DE DECISIONES:

En esencia existen tres tipos principales de decisiones:

 Bajo Certidumbre
Toma de decisiones  Bajo Riesgo
 Bajo Incertidumbre
Toma de decisiones bajo certidumbre: El que toma las decisiones sabe con precisión cual estado de
la naturaleza ocurrirá, y en consecuencia, conoce el resultado que obtendrá por cada curso de
acción disponible. En esta categoría caen los problemas determinísticos, tales como la
programación lineal y programación de enteros.

Toma de decisiones bajo riesgo: Situaciones en las cuales, para cada curso de acción el tomador de
decisiones piensa que pueden ocurrir resultados alternos, cuyas probabilidades se conocen o se
pueden inferir. Muchos problemas de control de inventarios y de líneas de espera caen en esta
categoría.

Toma de decisiones bajo incertidumbre: Situaciones en las cuales, para cada curso de acción, el
tomador de decisiones no sabe que resultados puede ocurrir y por lo tanto, no puede asignar
probabilidades a los posibles resultados.

Características y Elementos de un Problema de Decisiones:

Sea:

A={a₁, a₂,……., am}; Las posibles acciones que tiene disponible quien va a tomar la decisión.

E= {E₁, E₂,……., En}; Los eventos, situaciones o estados que se presentan en el ambiente.

R= {ai, Ej} La pérdida o ganancia de usar la acción ai cuando se ocurre el estado natural real
(resultado) Ej

Tabla de Decisiones General:

Estados Naturales

Curso de Acción 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}

… … … … …

am R= {am, E₁} R= {am, E₂} R= {am, E₁} R= {am, En}

TOMA DE DECISIONES BAJO INCERTIDUMBRE:

La toma de decisiones bajo incertidumbre supone que el que toma las decisiones no tiene
ningún conocimiento acerca de la probabilidad con la que ocurrirán los estados naturales. Por lo
cual se descarta el uso de tales probabilidades para la toma de decisión. La alternativa consiste en
abordar el problema aplicando criterios empíricos y/o subjetivos para obtener una solución.

Modelo de Decisión de Laplace:

Este modelo consiste en asumir que los diversos Estados Naturales son igualmente probables, y por
lo tanto, el problema se reduce a escoger el Curso de Acción que ofrezca el mejor promedio simple
entre sus resultados posibles.

Modelo de Decisión Pesimista (Criterio Max-Min):

Este modelo se aplica cuando el tomador de decisiones es pesimista con respecto al ambiente y
circunstancias que rodean el problema, y que debido a la inseguridad económica, trata de evitar
pérdidas altas o inaceptables.

El procedimiento puede describirse como sigue:

1- Determinar el resultado de menor valor para cada alternativa o curso de acción (el peor
resultado en caso de utilidades).
2- De los resultados obtenidos elegir el valor máximo (el menos malo de la lista de peores
resultados obtenida en el paso anterior).
3- La alternativa asociada con este resultado (Max-Min) es la estrategia que debe seleccionarse.

En resumen:

Max Min R = {ai, Ej}

Ai Ej

Modelo de Decisión del Optimista (Criterio Max-Max):

El tomador de decisiones considera que el medio ambiente es propicio, y por lo tanto es

absolutamente optimista con respecto al resultado que puede obtener, independientemente de la
decisión que tome. Bajo este supuesto, el tomador de decisiones determina el mayor pago para
cada alternativa y después elige el máximo de estos.

El procedimiento puede describirse como sigue:

1- Determinar el resultado de mayor valor para cada alternativa o curso de acción (el mejor
resultado en caso de utilidades).
2- De los resultados obtenidos en el paso anterior elegir al máximo (lo mejor de lo mejor).
3- La alternativa asociada con este resultado (Max-Max) es la estrategia que debe seguirse.

En resumen:

Max Max R = {ai, Ej}

Ai Ej

Modelo de decisión de Minimización del Arrepentimiento (criterio Min-Max).

Este modelo representa una visión bastante mala del medio ambiente que rodea al problema, y es
también conocido como el de Minimización de las Pérdidas de Oportunidad.

Para entender este modelo de decisión es necesario definir “Pérdida de Oportunidad”. Para un
estado de naturaleza determinado existen siempre una o más alternativas que producen mayor
pago. Si se elige una estrategia que dé como resultado un pago inferior al máximo para ese estado
de la naturaleza en particular, entonces se incurrirá en una pérdida de oportunidad, que es igual a la
diferencia entre el pago más alto y el pago que se da con la estrategia elegida ; lo cual nos produce
arrepentimiento.

La pérdida de oportunidad es el valor que se pierde cuando la alternativa que se eligió no era
la mejor. Si la decisión conduce al pago más alto para un estado de naturaleza en particula r, no hay
pérdida de oportunidad y no se siente arrepentimiento.

El procedimiento puede describirse como sigue:

1- Transformar la Matriz de Resultados en una Matriz de Pérdida de Oportunidad. Para lo cual, si

la matriz de pago está en función de utilidades, la matriz de pesar o de pérdida de oportunidad
se obtiene restándole en cada columna de la matriz de pago a la entrada más grande el valor
correspondiente por posición. La entrada más grande en una columna tendrá un pasar de cero.
En otras palabras para un estado determinado de la naturaleza:
Pérdida de oportunidad = Pago máximo – Pago de la alternativa seleccionada.

En el caso de que la tabla de pago estuviera en términos de pérdidas o costos, se escogería la

menor pérdida para cada evento y la restaría de cada entrada en cada posición de la columna
analizada. Cada entrada de la tabla de pesar es ahora, la pérdida de oportunidad asociada con
 la combinación acto-evento. Las celdas donde aparecían antes los menores costos son ahora
iguales a cero.

2- Para cada alternativa de la tabla de pesar, determine la máxima pérdida de oportunidad y

coloque este valor en una lista.
3- De los resultados obtenidos en la lista anterior, determine la mínima de las máximas pérdidas
de oportunidad.
4- La alternativa asociada con este resultado (Min-Max) es la estrategia que debe seleccionarse.

En resumen:

Min Max R = {ai, Ej}

Ai Ej

TOMA DE DESICIONES BAJO RIESGO:

Cuando las decisiones se basan en la estimación de probabilidades de ocurrencia de los

eventos naturales, se dice que son decisiones Bajo Riesgo, ya que se corre el riesgo de que ocurra lo
menos probable o que el error asociado nos lleve a tomar una decisión inconveniente. Para este
tipo de problemas de decisión se usa el procedimiento de decisiones de BAYES, el cual tiene dos
alternativas: Bayes Sin datos y Bayes Con datos.

Toma de decisiones Bajo Riesgo de Bayes sin Datos:

Condiciones generales:

1- Se supone que la naturaleza es un oponente activo benévolo.

2- El tomador de decisiones puede tomar acciones basadas en algún tipo de pérdidas o ganancias
esperadas.
3- Se requiere asignar una probabilidad de ocurrencia a cada estado normal.
4- El tomador de decisiones utiliza la distribución a priori de probabilidades de ocurrencia de los
eventos naturales, para calcular la pérdida o ganancia esperada de cada acción.

Sea:

P (Ej): la probabilidad de ocurrencia del estado natural (o resultado posible) Ej.

VE (ai): Valor esperado de cada curso de acción ai.

 Criterio de selección:

- Si se analizan pérdidas, será el:

Min VE (ai)
Ai Ej

- Si se analizan utilidades, será el:

Max VE (ai)
Ai Ej

Donde:
𝑛

𝑉𝐸(𝑎𝑖 ) = ∑ 𝑃 (𝐸𝑗) ∗ 𝑅(𝑎𝑖, 𝐸𝑗)

𝑗 =𝑖

Árbol de decisiones:

Ilustración diagramática de los diversos estados de la naturaleza y alternativas de la decisión. La

cual esta constituida por:

Nodos Cuadrados ( ); Nodos Decisionales que representan puntos de decisión.

Nodos redondos ( ); Nodos Probabilísticos que representan puntos de probabilidades.

El valor de los Nodos Decisionales es igual al mejor valor de las ramas que de él salen (el Max. en
caso de Utilidades ó el Mín. en caso de Costos).

El valor de los Nodos Probabilísticos es igual al valor esperado de las ramas que de él salen
(promedio ponderado).

Toma de Decisiones bajo Riesgo de Bayes con Datos:

En los casos en donde se tomen decisiones muy trascendentales, que acarrean riesgos o costos muy
altos. Se hace imprescindible buscar información adicional, que permita al tomador de decisiones
seleccionar el curso de acción más favorable, sobre bases más firmes. Sin embargo, en términos
prácticos, los sistemas de información adicional, siempre provendrán de algún procedimiento
imperfecto de prueba. Con esto quiere hacerse notar que la información perfecta en la práctica no
existe, sin embargo conceptualmente se utiliza como criterio inicial para decidir si vale la pena o no
adquirir algún sistema de información adicional que se nos ofrezca.
Valor esperado de la información perfecta (VIP): Entendiendo las situaciones en las que el tomador
de decisiones estaría dispuesto a pagar para obtener información adicional, lo que le ayudaría
eventualmente a profundizar su conocimiento acerca de cuales serían las circunstancias reales del
problema que está abordando, concluiremos que lo primero que esto acarrea es afrontar una
decisión adicional: ¿Valdrá o no la pena adquirir esa información adicional?. Para responder a esta
pregunta el tomador de decisiones cuenta con una medida de referencia inicial que es el Valor de la
Información Perfecta, la cual le va a indicar cual es el valor máximo que podría pagar por un
Sistema De Información Adicional, ya que lógicamente nunca sería mas de lo que costaría un
sistema de información 100% asertivo (VIP).

Si se sabe con exactitud cual es el estado de la naturaleza que ocurrirá, es fácil determinar que debe
elegirse. Si se analizan ganancias, se elegirá la alternativa que produce mayor pago para cada estado
de la naturaleza. En función a lo anterior, el valor de la información perfecta (VIP) será la diferencia
entre el valor esperado bajo certeza (VEBC) menos el Mejor Valor Esperado (MVE).
Donde:
𝑛
Siendo R (ai, Ej)* la máxima utilidad ó mínima perdida,
𝑉𝐸𝐵𝐶 = ∑ 𝑃 (𝐸𝑗) ∗ 𝑅(𝛼𝑖, 𝐸𝑗)∗
𝑗=𝑖 para cada estado natural.

Nota: El Valor de la Información Perfecta siempre será

VIP = VEBC - VME
positivo, por lo tanto cuando se analicen costos la resta
debe invertirse.

Criterio de decisión del VIP:

- Si el VIP > VIA, se debe pasar al análisis completo de Bayes con Datos
- Si el VIP < VIA, se descarta a priori la adquisición de la Información Adicional

* VIA: Valor de la Información Adicional

Análisis Completo de Bayes con Datos:

Este análisis es una extensión del de Bayes sin Datos; pues al árbol inicial se le agrega otra gran
rama que muestra todas las posibilidades de decisión, partiendo de los resultados que ofrezca el
sistema de información adicional, o sea, las mismas decisiones pero condicionadas a tales
resultados. Para comprender el procedimiento que se utiliza para realizar estos cálculos, se deben
estudiar las probabilidades condicionales, o sea:
P(Ei / θi) = probabilidad de que ocurra n realidad el evento E j, dado que el resultado de la
información adicional fue θ j.

Sin embargo, por lo general desconocemos esa probabilidad, puesto que estos valores solo se
conocen después de haber utilizado la prueba las suficientes veces para recopilar los datos que
permitan calcular tal probabilidad. Normalmente lo que se conoce es la probabilidad opuesta
P(θi/Ej), es decir, la probabilidad de que ocurra el resultado de la prueba dado el resultado
correspondiente.

Para calcular P(Ej / θi), en base de su opuesto P(θi/Ej), se usa el teorema de Bayes para
probabilidades condicionales:

𝑃( 𝐸𝑗  𝜃𝑖 𝑃 (𝐸𝑗 ) 𝑃 (𝜃𝑖 /𝐸𝑗)

𝑃(𝐸𝑗 / 𝜃𝑖 ) = =∑
𝑃 𝜃𝑖 𝑃 (𝐸𝑗)𝑃(𝜃𝑖/𝐸𝑗)

Análisis de Sensibilidad:

Estudia como afecta a la decisión de las asignaciones o estimaciones de las probabilidades de

ocurrencia de los eventos naturales, en un problema de toma de decisiones.

Procedimiento:

- Se encuentran los conjuntos de distribuciones de probabilidades en donde una acción dada

siempre se prefiere a otras acciones S8 se fija una para compararla con el resto.
- Se igualan los valores esperados y se resuelven las probabilidades que lo acotan ⟦𝑉𝐸 (𝛼𝑖 ) ≥
𝑉𝐸 (𝑎𝑖 − 1)⟧ , considerando las características generalidades de un valor probabilístico
(0 ≤ 𝑃 (𝐸𝑗) ≤ 1 𝑦 ∑ 𝑃 (𝐸𝑗) = 1).