TEORÍA DE DECISIONES

TEMA:
• Toma de decisiones con objetivos múltiples y heurística
• Análisis de Decisiones
 TOMA DE DECISIONES CON OBJETIVOS MÚLTIPLES Y HEURÍSTICA

1. INTRODUCCIÓN
De vez en cuando, el modelo utilizado por un administrador puede llegar a ser tan
complejo, que el modelo matemático construido para el efecto no puede ser resuelto
mediante los algoritmos tradicionales que el analista tiene a su alcance. Esta situación
puede presentarse porque
1. El modelo, “correctamente formulado”, es demasiado grande, demasiado no lineal
o demasiado complejo desde el punto de vista lógico (por ejemplo, cuando
requiere el empleo de muchas variables 0–1 en su formulación).
2. Se considera que la imposición de suposiciones o aproximaciones de simplificación,
con las cuales el modelo podría ser más accesible, destruiría demasiados elementos de
la estructura del modelo que son importantes en el mundo real (es decir, alejaría tanto
de la realidad al modelo, que dejaría de ser útil).
La especialidad conocida como heurística de programación se ha desarrollado, en parte,
para responder a estos problemas. Con esto queremos decir que el modelo matemático
era tan complicado que, aun cuando exista una solución rigurosa (por ejemplo, una
solución óptima en un modelo de optimización), resulta demasiado difícil, demasiado
laborioso o quizá hasta imposible encontrarla con los conocimientos y la tecnología
actuales. En esos casos se puede aplicar un algoritmo heurístico
Un algoritmo heurístico es el que proporciona en forma eficiente soluciones
aproximadas satisfactorias para un modelo determinado. Con frecuencia cuando se
emplea ese tipo de algoritmos es posible medir con precisión qué tan “buena” es la
aproximación obtenida. Por ejemplo, en el contexto de la optimización, se puede decir:
“Al terminar el proceso podrá tener seguridad de contar con _____% de optimalidad”

Por ejemplo, cuando va usted al banco, decide colocarse en la hilera más corta para
reducir el tiempo de espera. A pesar de que nada le garantiza a usted que esta actitud
sea la óptima, obedece a una regla empírica que frecuentemente produce buenos
resultados.
En términos generales, desde el punto de vista de un administrador, un procedimiento heurístico
puede ser sin duda alguna tan aceptable como un algoritmo “más exacto” que produzca una
solución óptima, y tal vez incluso preferible a éste (en términos de costos). En este caso, las
consideraciones predominantes deberán ser qué cantidad de conocimientos y orientaciones
podrá proporcionar el modelo y cuál será el beneficio neto global, medido por la diferencia entre
“los ahorros obtenidos con el modelo y el costo de producción del propio modelo y de su
solución”.
 TOMA DE DECISIONES CON OBJETIVOS MÚLTIPLES Y HEURÍSTICA

1. 1. SOLUCIONES HEURÍSTICAS
considere que un operador de computadora necesita “correr” tres trabajos bastante
largos el lunes por la tarde. Actualmente la computadora está ociosa. A cada uno de esos
trabajos le corresponde un tiempo de ajuste inicial (el necesario para la búsqueda de las
cintas de entrada, la colocación de las mismas, el ajuste apropiado de las unidades de
disco y demás equipo auxiliar) según se especifica en la figura 1. Como el número de
secuencias es solamente 3! = 3 x 2 = 6 secuencias posibles, todas ellas pueden ser
enumeradas. Los resultados aparecen en la tabla 1. Como podrá usted ver, la secuencia
óptima (la que corresponde al tiempo de ajuste inicial mínimo) es 0 → A → C → B
 Figura 2:
Figura 1:
Datos
Tiempos de ajuste
transformados
inicial en min

Tabla 1:
Resultados de
la elaboración
exhaustiva
Una heurística codiciosa
La regla que vamos a ilustrar se conoce como la regla del segundo mejor, conocida en
ocasiones como el algoritmo codicioso. Podemos expresarla así:
1. En el paso 1 (por ejemplo, cuando seleccione el primer trabajo), realice la tarea a la
cual corresponda el menor tiempo de ajuste inicial.
2. Para cada uno de los siguientes pasos elija la tarea asociada al menor tiempo de
ajuste inicial, de acuerdo con el estado actual del proceso.
Apliquemos ahora esta regla a los datos que aparecen en la figura 2. La tarea a la cual
corresponde el menor tiempo de ajuste inicial es B. Por consiguiente, sabemos que el
primer paso es 0 → B. De acuerdo con el algoritmo codicioso, ahora que ya hemos
terminado con B, la tarea que resulta conveniente seleccionar es C, ya que el ajuste
inicial para B → C es menor que el de B → A. Así pues, tenemos 0 → B → C, y ahora
solamente podemos terminar con A. Con estas operaciones obtenemos
heurística codiciosa: 0 → B → C → A
tiempo total de ajuste inicial = 21 + 46 + 46 =113
Una heurística mejor
Mediante la siguiente heurística modificada se obtienen resultados todavía mejores:
1. Transforme los datos originales de la figura 1, restando el mínimo tiempo de ajuste de cada columna a todos
los demás datos contenidos en dicha columna. Con este procedimiento obtenemos los datos que aparecen en
la figura 2.
2. Aplique el algoritmo codicioso a este conjunto de datos transformados. Al hacerlo, obtenemos
El mejor primer paso 0 → A
El mejor segundo paso A → C
El tercer paso C → B
y así, la heurística modificada produce la secuencia 0 → A → C → B que, según se ha demostrado, es la óptima
para este modeo.
Aunque es cierto que esta heurística modificada no siempre nos proporciona la
solución óptima, su aplicación es sencilla y, en la práctica, produce a menudo
resultados muy satisfactorios cuando se trata de modelos grandes.
 ANÁLISIS DE DECISIONES

2. INTRODUCCIÓN
En términos generales, la teoría de decisiones se ocupa de decisiones contra la
naturaleza. Esta frase se refiere a una situación donde el resultado (rendimiento) de una
decisión individual depende de la acción de otro agente (naturaleza), sobre el cual no se
tiene control.
Por ejemplo, si la decisión consiste en llevar o no paraguas, el rendimiento (mojarse o
no) dependerá del estado subsiguiente de la naturaleza. Es importante observar que en
este modelo los rendimientos afectan únicamente al que toma la decisión. A la
naturaleza no le importa cuál es el resultado.
En los modelos de la teoría de decisiones, la pieza

fundamental de información es la tabla de retribuciones. El

proceso de decisión es como sigue:

1. Usted, quien toma la decisión, selecciona una de las

decisiones alternativas d1, . . ., dn. Suponga que elige

d1.

2. Una vez tomada su decisión, ocurre un estado de la

naturaleza que queda fuera de su control. Suponga

que ocurre el estado 2.

3. El rendimiento que usted reciba puede ser

determinado ahora a partir de la tabla de

retribuciones. Dado que usted tomó la decisión d1 y

ocurrió el estado de la naturaleza 2, el resultado es r

En general la pregunta es, ¿cuál de las decisiones debemos seleccionar? Nos gustaría un
rendimiento tan grande como sea posible; esto es, el valor de rij más grande posible, donde
i representa la decisión tomada y j el estado de la naturaleza ocurrido. Es obvio que la
decisión que debemos seleccionar dependerá de lo que creamos que la naturaleza hará,
esto es, cuál de los estados de la naturaleza ocurrirá. Si creemos que el estado 1 ocurrirá,
seleccionaremos la decisión asociada con el mayor valor en la columna 1. Si creemos que es
más probable que ocurra el estado 2, escogeremos la decisión a la que corresponde la
retribución más alta en la columna 2, y así sucesivamente
1. Decisiones bajo certidumbre: Quien toma la decisión sabe exactamente qué estado de la naturaleza
ocurrirá. El “único” problema es seleccionar la mejor decisión. Los modelos determinísticos como la
programación lineal, la programación con enteros, la programación no lineal y la CEP en inventarios
quedan incluidos en esta categoría.
2. Decisiones bajo condiciones de riesgo: En los estados de la naturaleza está definida una distribución
de probabilidades. Quien toma la decisión puede utilizar los siguientes criterios para seleccionar la
“mejor decisión”:
a. Maximizar el rendimiento esperado medido por un rendimiento neto.
b. Minimizar el arrepentimiento esperado (costo de oportunidad).
c. Maximizar el rendimiento esperado medido por su utilidad.
Los criterios a y b siempre conducen a la misma decisión. La mayor parte de los modelos de decisiones
administrativas caen dentro de esta categoría de decisiones bajo riesgo.
3. Decisiones bajo incertidumbre: Aquí se asume que quien toma la decisión no tiene conocimiento
de cuál estado de la naturaleza ocurrirá. Quien toma la decisión puede aplicar el criterio de Laplace;
esto es, asignar iguales probabilidades a los diferentes estados de la naturaleza, y después elegir la
decisión que maximice el rendimiento esperado. De manera alternativa, quien toma la decisión puede
atacar el modelo sin utilizar probabilidades. En este caso hay tres criterios diferentes para tomar la
“mejor decisión”:
a. Maximizar el rendimiento neto mínimo.
b. Maximizar el rendimiento neto máximo
c. Minimizar el arrepentimiento máximo.
Cada uno de estos criterios conducirá, en general, a diferentes decisiones, con las cuales muchos
administradores se sentirán inconformes.
1.1. ÁRBOL DE DECISIÓN
Un árbol de decisiones es un dispositivo gráfico para el análisis de decisiones bajo riesgo;
esto es, modelos en los que tanto las decisiones como las probabilidades de los estados de
la naturaleza están definidas. De manera más precisa, los árboles de decisiones fueron
diseñados para utilizarse en modelos en los que hay una secuencia de decisiones, cada una
de las cuales podría llevarnos a uno de varios resultados inciertos.
Por ejemplo, un concesionario tiene que decidir típicamente cuánto ofrecer por cada uno de los
diversos locales posibles en la feria estatal. El resultado de esta decisión no es seguro, ya que
depende de cuánto decidirán ofrecer los competidores. Una vez conocida la localización, el
concesionario debe decidir cuánta comida almacenar. El resultado de esta decisión en términos de
utilidades tampoco es seguro, dado que dependerá de la demanda de los clientes.
1.1.1. ESTRATEGIAS ALTERNATIVAS DE MERCADOTECNIA Y DE PRODUCCIÓN
Acaba de completarse la fase de diseño y prueba de producto para la nueva línea de tractores para
jardín y uso doméstico de PROTRAC. La alta gerencia está tratando de decidir la estrategia
de mercadotecnia y producción apropiadas para usarse con este producto. Se están considerando
tres alternativas principales. Cada alternativa está identificada mediante una sola palabra.
1. Agresiva (A):
Esta estrategia representa un compromiso importante por parte de la empresa con esta
línea de producto. Se incurriría en importantes desembolsos de capital para una nueva y
eficiente planta de producción. Se acumularían grandes inventarios para garantizar la
entrega apropiada de todos los modelos. Se iniciaría una gran campaña de publicidad
incluyendo un patrocinio a nivel nacional de comerciales en televisión y se arrancaría un
programa de descuentos a distribuidores.
2. Básica (B):
En este plan, la producción del E-4 (el tractor oruga pequeño) sería trasladada
de Joliet a Moline. Este traslado eliminaría el problemático departamento de producción
del pelícano ajustable y del excavador. Al mismo tiempo, la línea E-4 en Joliet sería
modificada para producir el nuevo producto para jardín y uso doméstico. Se mantendrían
inventarios sólo para los productos más populares. Las oficinas centrales pondrían fondos a
disposición para apoyar esfuerzos locales o regionales de publicidad, pero no se haría una
campaña publicitaria nacional.
3. Cautelosa (C):
En este plan, la capacidad sobrante en varias de las líneas E-4 se utilizaría
para manufacturar los nuevos productos. Se desarrollaría un mínimo de nuevo montaje. La
producción se programaría para satisfacer la demanda y la publicidad correría a cargo del
comerciante local.

La administración decide clasificar el estado del mercado (es decir, el nivel de la demanda) como
fuerte (F) o débil (D’)(se escribe D’ para diferenciarla de D, que corresponde a “Desalentador”). En
realidad, la demanda se caracteriza por un continuo de resultados posibles. En este ejemplo
introductorio nos limitaremos a dos estados posibles (fuerte y débil) para simplificar las cosas.
Figura 1:
Modelo
Probabilísti
co.
Figura 2: Árbol
de decisiones
completo para
el modelo de
tractor.
Los pasos para la realización de los árboles de decisión son las siguientes:
1. Construir el árbol de decisión: Para la construcción del árbol es necesario considerar
las diferentes alternativas o cursos de acción y los posibles eventos asociados a estos.
2. Determinar los flujos: Determinar los flujos de cada una de las ramas
3. Evaluar las probabilidades: Evaluar las probabilidades de cada una de las ramas del
árbol obtenido en el paso anterior.
4. Determinar el valor: Determinar el valor presente en cada una de las ramas del árbol.
5. Resolver el árbol: Resolver el árbol de decisión con el propósito de ver cual alternativa
debe ser seleccionada
Un árbol de decisión contiene las siguientes características:
• Un nodo de decisión representa un punto en el que se debe tomar una decisión, se
representa con un cuadrado.
• De un nodo de decisión salen ramas de decisión que representan las decisiones
posibles.
• Un nodo de estado de la naturaleza representa el momento en que se produce un
evento incierto, se representa con un círculo.
ALGUNAS VENTAJAS DE LOS ÁRBOLES DE DECISIÓN
• Pueden usarse para desarrollar una estrategia optima cuando el tomador de decisiones
se enfrenta con:
• Una serie de alternativas de decisión.
• Incertidumbre o eventos futuros con riesgo.
• Facilita la interpretación de la decisión adoptada.
• Reeja mejor a las situaciones con decisiones secuenciales (con más de un momentode
decisión).
• Proporciona un alto grado de comprensión del conocimiento utilizado en la toma de
decisiones.
Una vez que el árbol de decisión ha sido definido, se pueden correr dos tipos de análisis:
• Análisis de decisión
• Análisis de sensibilidad
Análisis de decisión: Determina el camino óptimo a través del árbol de decisión y
calcula los posibles resultados de este camino. Dará como resultado un análisis estadístico
y un perfil de riesgo.
El perfil de riesgo es una función de distribución que describe las oportunidades asociadas
con cada resultado posible de su modelo de decisión. Esta información muestra un gráfico
de frecuencia o frecuencia acumulada.
Análisis de sensibilidad: Este dice cómo, al cambiar un valor del modelo, se afecta el
resultado de la decisión y determina cuales valores tienen mayor impacto en los resultados
de la decisión. Los gráficos de tornado y de araña, combinan gráficos de sensibilidad de una
sola vía.
• Gráficas de Tornados: Los cambios en el valor esperado para cada variable de
sensibilidad son mostrados en una sola gráfica.
• Gráficas de araña: Muestra el cambio porcentual en el valor esperado a medida que la
variable de sensibilidad cambia en cada análisis.
SW:
TreePlan, elabora los árboles de decisión en una hoja de cálculo. Este paquete de software
fue desarrollado por Michael Middleton y está disponible como shareware.
Visite su sitio web en http://www.treeplan.com.