“TCNOLÓGICO NACIONAL DE

MÉXICO”

INSTITUTO TECNOLÓGICO DE TIZIMÍN

“INGENIERIA EN GESTION EMPRESARIAL”

CARPETA:
PORTAFOLIO DE EVIDENCIAS

ASIGNATURA:
INVESTIGACIÓN DE OPERACIONES

UNIDAD 1:
TOMA DE DECISIONES

Alumno:
Geisser Joan ADINETT can

Grado:
4° semestre grupo “u”

TIZIMÍN YUCATÁN 9 DE FEBRERO DEL 2017

 ÍNDICE

Introducción……………………………………………………………

Examen…………………………………………………………………

Investigación documental………………………………………….

Reporte de aplicación en el campo laboral…………………….

Reporte de ejercicios……………………………………………….

Referencias……………………………………………………………
 INTRODUCCIÓN

En este trabajo le presentare algunos de los modelos de aplicación estadística, ya

que gracias a ellos se puede lograr un control más eficiente en las organizaciones,
por lo que nos permiten medir y realizar un mejor registro de una gran cantidad de
factores o situaciones que se van presentando en las empresas con la finalidad de
poder desarrollar una mejor habilidad en el ámbito laboral y poder evitar que
existan perdidas al momento de realizar nuestras operaciones de ventas y de esta
manera poder tener una idea de todas aquellas variables que pueden ocurrir al
momento de ofrecer y vender nuestro producto al mercado.

Estos modelos son de suma importancia al momento de realizar un estimado del

producto que pretendemos vender con la finalidad de obtener las mejores ventas
posibles y por consiguiente las mayores ganancias posibles sin que existan
demasiadas perdidas, en pocas palabras son eficientes para anticiparnos a lo que
podría suceder y así poder lograr el mínimo de perdidas posibles y por
consiguiente la mayor utilidad en la empresa.
EXAMEN
Investigación
documental
 REPORTE DE
APLICACIÓN EN
EL CAMPO
LABORAL
REPORTE DE
EJERCICIOS
 Teorema de Bayes

Vamos a llamar P(A) a la probabilidad de que ocurra el suceso A.

P(A.B) a la probabilidad de que ocurran los sucesos A y B (ambos).

P(A / B) a la probabilidad de que ocurra A cuando sabemos que ha ocurrido B (se

denomina probabilidad condicionada).

La probabilidad de que ocurra A y B es igual a la probabilidad de B multiplicada

por la probabilidad de A condicionada a que haya ocurrido B.

P(A.B) = P(B) x P(A / B) = P(A) x P(B / A)

Por simetría es obvio que se cumple la tercera igualdad.

Si tenemos un conjunto de posibles sucesos Ai (A1 ... An), mutuamente

excluyentes (no puede ocurrir dos de ellos a la vez) y que constituyen todas las
posibles situaciones (o lo que es lo mismo P(A1)+P(A2)+...+P(An)=1, el que ocurra
alguno de los sucesos A tiene probabilidad 1, suceso seguro). Lo representamos
gráficamente en la figura. El cuadrado corresponde a todas las situaciones
posibles, que en este caso pueden dividirse en tres: A1, A2, A3. El suceso B se
puede producir en cualquiera de las tres situaciones.

Si reescribimos ahora la anterior ecuación por ejemplo para A1 tenemos

P(A1.B)=P(A1/B) x P(B) = P(B/A1) x P(A1)

Con un poco de álgebra elemental tenemos que constituye el famoso teorema de

Bayes. Para cualquiera de las otras situaciones (A2,A3) la fórmula es similar.
Aplicación del teorema de Bayes

La aplicación más intuitiva en medicina este teorema, y con la que todo el mundo
está familiarizado, la encontramos en el campo de las pruebas diagnósticas, y nos
permite, conociendo la prevalencia de una enfermedad en la población a la que
pertenece un individuo y los valores de sensibilidad y especificidad de la prueba,
calcular la probabilidad de que un sujeto que ha dado positivo en el test,
verdaderamente tenga esa enfermedad.

Si llamamos P a la probabilidad a priori de que el sujeto esté enfermo, y Q=1-P a

su complementaria, S a la sensibilidad y E a la especificidad de la prueba T;
aplicando el teorema de Bayes podemos calcular la probabilidad de que un sujeto
esté verdaderamente enfermo cuando dio positivo (valor predictivo positivo de la
prueba) y la probabilidad de que no esté enfermo cuando dio negativo (valor
predictivo negativo). Sin más que reescribir la fórmula anterior del teorema de
Bayes tenemos

Pongamos algunos números en estas fórmulas: si sabemos que la prevalencia en

la población del VIH es de 1/1000 y que el test de VIH que efectuamos tiene una
sensibilidad del 98 % y una especificad del 98 % ¿cuál es la probabilidad de que
un sujeto que ha resultado positivo sea verdaderamente portador del VIH?

Substituyendo esos valores en la primera de las fórmulas anteriores obtenemos

una probabilidad de 0.047, o lo que es lo mismo ¡cerca del 95% de los positivos
obtenidos en el test son realmente falsos positivos!. Esto inicialmente choca con
nuestra intuición, ¿cómo puede ser que una prueba con una sensibilidad y
especificidad altas parezca en la práctica tan mala?. El problema radica en el valor
de la prevalencia que es muy bajo y si se refiere a la población general
probablemente no será aplicable a un sujeto que acude a consulta a un hospital y
al que se le realiza la prueba porque hay otros motivos de sospecha -porque
pertenece a un grupo de riesgo, porque presenta síntomas específicos...- y
entonces ya no es aplicable la prevalencia de la población general, sino la del
subgrupo de población al que pertenece y en el que la prevalencia (probabilidad a
priori) de padecer la enfermedad será radicalmente mayor. Sin embargo los
cálculos sí que son válidos si estamos pensando en la población general, por
ejemplo porque valoramos la posibilidad de plantear un programa de "screening" y
habrá que considerar entonces el coste social, personal y económico que supone
el tener un gran número de falsos positivos, frente al beneficio de detectar
verdaderos enfermos, no vaya ocurrir que sea el propio diagnóstico el que cree
una epidemia.

Partiendo de este pequeño repaso al teorema de Bayes, que en esencia es un

razonamiento plasmado en una fórmula que nos permite, como en el ejemplo
anterior, modificar la probabilidad conocida de que ocurra un suceso cuando
tenemos nueva información al respecto.

EJEMPLO 1

En la sala de pediatría de un hospital, el 60% de los pacientes son niñas. De los

niños el 35% son menores de 24 meses. El 20% de las niñas tienen menos de 24
meses. Un pediatra que ingresa a la sala selecciona un infante al azar.

a. Determine el valor de la probabilidad de que sea menor de 24 meses.

b. Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea

una niña.

SOLUCIÓN:

Se definen los sucesos:

Suceso H: seleccionar una niña.

Suceso V: seleccionar un niño.

Suceso M: infante menor de 24 meses.

En los ejercicios de probabilidad total y teorema de bayes, es importante identificar
los sucesos que forman la población y cuál es la característica que tienen en
común dichos sucesos. Estos serán los sucesos condicionados.

a. En este caso, la población es de los infantes. Y la característica en común es

que sean menores de 24 meses. Por lo tanto, la probabilidad de seleccionar un
infante menor de 24 meses es un ejemplo de probabilidad total. Su probabilidad
será:

b. Para identificar cuando en un ejercicio se hace referencia al teorema de bayes,

hay que partir de reconocer esta es una probabilidad condicionada y que la
característica común de los sucesos condicionantes ya ha ocurrido. Entonces, la
probabilidad de que sea niña una infante menor de 24 meses será:

EJEMPLO 2

Un médico cirujano se especializa en cirugías estéticas. Entre sus pacientes, el

20% se realizan correcciones faciales, un 35% implantes mamarios y el restante
en otras cirugías correctivas. Se sabe además, que son de genero masculino el
25% de los que se realizan correcciones faciales, 15% implantes mamarios y 40%
otras cirugías correctivas. Si se selecciona un paciente al azar, determine:

a. Determine la probabilidad de que sea de género masculino

b. Si resulta que es de género masculino, determine la probabilidad que se haya

realizado una cirugía de implantes mamarios.

SOLUCIÓN:
Se definen los sucesos:

Suceso F: pacientes que se realizan cirugías faciales

Suceso M: pacientes que se realizan implantes mamarios

Suceso O: pacientes que se realizan otras cirugías correctivas

Suceso H: pacientes de género masculino

a. La probabilidad de que sea de género masculino se refiere a un problema de

probabilidad total, ya que es el suceso condicionado y las cirugías los
condicionantes. Dicho valor será:

b. Como el suceso condicionado ha ocurrido entonces se aplica el teorema de

bayes, luego, el valor de la probabilidad será:

Tema: Solución de Ejercicios de Maximización de Pago

Ejercicio # 1:

Alternativas de decisión

A1: Ordenar 100 sombrillas

A2: Ordenar 200 sombrillas

A3: Ordenar 300 sombrillas

Eventos o estados de la naturaleza

E1: Se demandan 100 sombrillas

E2: Se demandan 200 sombrillas

E3: Se demandan 300 sombrillas

R11: Ingreso por venta de 100 sombrillas = 100 (80)

- costo de 100 sombrillas = 100 (35)

Ganancia total = 4500

R12: Se ofertan 100 sombrillas y se demandan 200. En este caso hacen falta 100
sombrillas para cubrir la demanda, estas deben reordenarse con un costo de
52.50. Luego los ingresos Son por la venta de 200 sombrillas y los costos serían
de 100 sombrillas por 35 cada una y de 100 sombrillas por 52.5 cada una.

R12= 200 (80) – 100 (35) – 100 (52.50) = 7250

R13 = 300 (80) – 100 (35) – 200 (52.50) = 10,000 (aquí se reordenaron 200
sombrillas para cubrir la demanda)

R21: Se ofertan 200 sombrillas, pero la demanda es de 100, sobran 100 que
revenderán con un descuento del 60% por lo tanto el precio será de 0.40 (80) = 32

R21 = 100 (80) + 100 (32) – 200 (35) = 4,200

R22 = 200 (80) – 200 (35) = 9000

R23 = 300 (80) – 200 (35) – 100 (52.50) = 11,750

R31 = 100 (80) + 200 (32) – 300 (35) = 3,900

R32 = 200 (80) – 100 (32) – 300 (35) = 8,700

R33 = 300 (80) – 300 (35) = 13,500

La mejor alternativa según VME será A3: Almacenar 300 sombrillas

0.30 0.30 0.40

100 200 300 VME

100 4500 7250 10000 7525

200 4200 9000 11750 8660

300 3900 8700 13500 9180

Ejercicio # 2:

Para plantear las alternativas se necesitan saber cuántos maestros pueden

realizar 27 consultorías. Si cada uno puede realizar 3, la respuesta es 27/3 = 9
maestros.

Para atender 30 consultorías se necesitan 30/3 = 10 maestros.

Para atender 33 se necesitan 33/3 = 11 maestros.

Alternativas:

A1: Contratar 9 maestros

A2: Contratar 10 maestros

A3: Contratar 11 maestros

Eventos o estados de la naturaleza:

E1: Se reciben 27 trabajos de consultorías

E2: Se reciben 30 trabajos de consultorías

E3: Se reciben 33 trabajos de consultorías

R11: Se contratan 9 maestros y se reciben 27 trabajos. Se calcula el ingreso por

los 27 trabajos realizados y se resta el costo de contratar 9 maestros.

R11= 27 (25,000) – (9) (3) (10,000) = 405,000

R12: Se contratan 9 maestros y se reciben 30 trabajos. Solamente se podrán

atender 27 trabajos porque solo hay 9 maestros contratados, por lo tanto se tendrá
que contratar otro maestro al que le pagará 12,000.

R12 = 30 (25,000) – 9 (3) (10,000) – 1 (3) (12,000) = 444,000

R13 = 33 (25,000) – 9 (3) (10,000) – 2 (3) (12,000) =483,000

R21: Se contratan 10 maestros, pero se reciben 27 trabajos. Observar que habría

un maestro que no realizaría ninguna consultoría.

R21 = 27 (25,000) – 10 (3) (10,000) = 375,000

R22 = 30 (25,000) – 10 (3) (10,000) = 450,000

R23 = 33 (25,000) – 10 (3) (10,000) – 1 (3) (12,000) = 489,000

R31 = 27 (25,000) – 11 (3) (10,000) = 345,000

R32 = 30 (25,000) – 11 (3) (10,000) = 420,000

R33 = 33 (25,000) – 11 (3) (10,000) = 495,000

EJERCICIO RESUELTO TEORÍA DE DECISIONES

1. La vendedora de periódicos Phyllis Pauley vende periódicos y todos los días

debe determinar cuántos periódicos debe comprar al día, si paga a la compañía
$20 unidades/monetarias por cada ejemplar y lo vende a $25 unidades/monetarias
cada uno. Los periódicos que no se venden al final del día no tiene valor alguno,
Ella sabe que cada día puede vender entre 6 y 10 ejemplares, cada una con una
posibilidad probable, es decir, la misma. Demuestre como se ajusta este problema
en el modelo del estado del mundo.

Solución En este ejemplo, los elementos de S= {6, 7, 8, 9,10} son los valores
posibles de la demanda diaria de periódicos.

Se sabe que  P6=P7=P8=P9=P10= 1/5. Phyllis debe elegir una acción (el número
de periódicos que debe ordenar cada día) de A= {6, 7, 8, 9,10}.

Si Phyllis compra i ejemplares y la demanda es de j, entonces se compran i

ejemplares a un costo de $20i, y min (i, j) periódicos de venden a $25 cada uno.
Así, si Phyllis compra i periódicos y se venden j, obtiene una ganancia por
periódico  de $5i; (25i-20j).
Ahora calculemos la utilidad en cada una de las alternativas:

   Si Phyllis pide 6 periódicos, se pueden presentar  las siguientes situaciones:

o   La demanda sea de 6 periódicos; obteniendo así una ganancia de $30 {(6*25) –
(6*20)} o   La demanda sea de 7 periódicos; obteniendo así una ganancia de $30
ya que solo tiene 6 para la venta {(6*25) – (6*20)}, además para el presente
ejemplo, no hay penalización por no satisfacer la demanda. o   La demanda sea
de 8 periódicos; obteniendo así una ganancia de $30 ya que solo tiene 6 para la
venta {(6*25) – (6*20)}. O   La demanda sea de 9 periódicos; obteniendo así una
ganancia de $30 ya que solo tiene 6 para la venta {(6*25) – (6*20)}.

o   La demanda sea de 10 periódicos; obteniendo así una ganancia de $30 ya que
solo tiene 6 para la venta {(6*25) – (6*20)}. Si Phyllis pide 7 periódicos, se pueden
presentar las siguientes situaciones: o   La demanda sea solo de 6 periódicos;
obteniendo así una ganancia neta de solo $10, ya que de la venta de los 6
periódicos recibe $30, pero como le hizo falta vender uno y para el presente
ejemplo este no tiene ningún valor, perdería por este $20; {(6*25) – (7*20)}. o    La
demanda sea de 7 periódicos; obteniendo así una ganancia neta de  $35; {(7*25) –
(7*20)}. o   La demanda sea de 8 periódicos; obteniendo así una ganancia de $35
ya que solo tiene 7 para la venta {(7*25) – (7*20)}, además para el presente
ejemplo, no hay penalización por no satisfacer la demanda. o   La demanda sea
de 9 periódicos; obteniendo así una ganancia de $35 ya que solo tiene 7 para la
venta {(7*25) – (7*20)}. o   La demanda sea de 10 periódicos; obteniendo así una
ganancia de $35 ya que solo tiene 7 para la venta {(7*25) – (7*20)}.

 Si Phyllis pide 8 periódicos, se pueden presentar las siguientes situaciones:

o   La demanda sea solo de 6 periódicos; obteniendo así una pérdida de -$10, ya
que de la venta de los 6 periódicos recibe $30, pero como le hizo falta vender dos
y para el presente ejemplo este no tiene ningún valor, perdería por estos $40;
{(6*25) – (8*20)}. o   La demanda sea solo de 7 periódicos; obteniendo así una
ganancia neta de        $15, ya que de la venta de los 7 periódicos recibe $35, pero
como le hizo falta vender 1 y para el presente ejemplo este no tiene ningún valor,
perdería por este $20; {(7*25) – (8*20)}. o   La demanda sea de 8 periódicos;
obteniendo así una ganancia de $40 {(8*25) – (8*20)}. o   La demanda sea de 9
periódicos; obteniendo así una ganancia de $40 ya que solo tiene 8 para la venta
{(8*25) – (8*20)}, además para el presente ejemplo, no hay penalización por no
satisfacer la demanda. o   La demanda sea de 10 periódicos; obteniendo así una
ganancia de $40 ya que solo tiene 8 para la venta {(8*25) – (8*20)}. Si Phyllis pide
9 periódicos, se pueden presentar las siguientes situaciones: o   La demanda sea
solo de 6 periódicos; obteniendo así una pérdida de -$30, ya que de la venta de
los 6 periódicos recibe $30, pero como le hizo falta vender tres y para el presente
ejemplo estos no tienen ningún valor, perdería por estos $60; {(6*25) – (9*20)}.

o   La demanda sea solo de 7 periódicos; obteniendo así una pérdida de -$5, ya
que de la venta de los 7 periódicos recibe $35, pero como le hizo falta vender 2,
perdería por estos $40; {(7*25) – (9*20)}. o   La demanda sea solo de 8 periódicos;
obteniendo así una ganancia neta de        $20, ya que de la venta de los 8
periódicos recibe $40, pero como le hizo falta vender 1, perdería por este $20;
{(8*25) – (9*20)}. o   La demanda sea de 9 periódicos; obteniendo así una
ganancia de $45 {(9*25) – (9*20)}. o   La demanda sea de 10 periódicos;
obteniendo así una ganancia de $45 ya que solo tiene 9 para la venta {(9*25) –
(9*20)}, además para el presente ejemplo, no hay penalización por no satisfacer la
demanda. Si Phyllis pide 10 periódicos, se pueden presentar las siguientes
situaciones: o   La demanda sea solo de 6 periódicos; obteniendo así una pérdida
de -$50, ya que de la venta de los 6 periódicos recibe $30, pero como le hizo falta
vender 4 y para el presente ejemplo estos no tienen ningún valor, perdería por
estos $80; {(6*25) – (10*20)}.

o   La demanda sea solo de 7 periódicos; obteniendo así una pérdida de -$25, ya
que de la venta de los 7 periódicos recibe $35, pero como le hizo falta vender 3,
perdería por estos $60; {(7*25) – (10*20)}. o   La demanda sea solo de 8
periódicos; obteniendo así una ganancia neta de        $0, ya que de la venta de los
8 periódicos recibe $40, pero como le hizo falta vender 2, perdería por este $20;
{(8*25) – (10*20)}. o   La demanda sea solo de 9 periódicos; obteniendo así una
ganancia neta de        $25, ya que de la venta de los 9 periódicos recibe $45, pero
como le hizo falta vender 1, perdería por este $20; {(9*25) – (10*20)}.

La demanda sea de 10 periódicos; obteniendo así una ganancia de $50 {(10*25) –

(10*20)}.

A continuación se presenta la matriz de pagos que resume la explicación anterior

para cada una de las situaciones:

Ejemplare Demanda de ejemplares

s pedidos 6 7 8 9 10
6 30 30 30 30 30
7 10 35 35 35 35
8 -10 15 40 40 40
9 -30 -5 20 45 45
10 -50 -25 0 25 50

Luego, con esta información aplicamos los criterios MAXIMIN, MAXIMAX,

ARREPENTIMIENTO MINIMAX Y VEIPER.

10 -50 -25 0 25 50 -50

Bajo este criterio, Phyllis debe pedir 6 periódicos para la venta, esta decisión le
garantiza que en el peor de los casos ella obtendrá una utilidad de $30. Sin
embargo, estaría perdiendo la oportunidad de obtener mayores utilidades, nunca
podrá obtener más de $30 en ganancias.
CRITERIO MAXIMAX
Como ya sabemos, consiste en escoger el mejor de los resultados de cada
alternativa y luego el mayor de estos.
Ejemplare Demanda de ejemplares
Maximax
s pedidos 6 7 8 9 10
6 30 30 30 30 30 30
7 10 35 35 35 35 35
8 -10 15 40 40 40 40
9 -30 -5 20 45 45 45
10 -50 -25 0 25 50 50

Bajo este criterio, Phyllis debe pedir 10 periódicos para la venta, esta decisión le
garantiza que en el mejor de los casos ella obtendrá una utilidad de $50. Sin
embargo, estaría corriendo un riesgo muy grande, puesto que si no vende más de
7 periódicos, estaría perdiendo dinero; esta decisión sería optimista, sin embargo,
bastante riesgosa.

CRITERIO ARREPENTIMIENTO MINIMAX

Como ya sabemos, Consiste en que para cada acción y cada estado del mundo,
se compara lo mejor que pudo haber sucedido en cada situación con lo que puede
suceder.
De cada alternativa se debe escoger el mayor arrepentimiento, y luego de estos el
menor.
Para la primera alternativa, Phyllis pide 6 periódicos, lo mejor que podría suceder
es que la demanda sea de 6 y obtener una ganancia de $30. Este valor lo
comparamos con los demás resultados de las otras alternativas para esta misma
demanda (6 periódicos).
Para la Segunda alternativa, Phyllis pide 7 periódicos, lo mejor que podría suceder
es que la demanda sea de 7 y obtener una ganancia de $35. Este valor lo
comparamos con los demás resultados de las otras alternativas para esta misma
demanda (7 periódicos).
Para la Tercera alternativa, Phyllis pide 8 periódicos, lo mejor que podría suceder
es que la demanda sea de 8 y obtener una ganancia de $40. Este valor lo
comparamos con los demás resultados de las otras alternativas para esta misma
demanda (8 periódicos).
Para la Cuarta alternativa, Phyllis pide 9 periódicos, lo mejor que podría suceder
es que la demanda sea de 9 y obtener una ganancia de $45. Este valor lo
comparamos con los demás resultados de las otras alternativas para esta misma
demanda (9 periódicos).

Para la Quinta alternativa, Phyllis pide 10 periódicos, lo mejor que podría suceder
es que la demanda sea de 10 y obtener una ganancia de $50. Este valor lo
comparamos con los demás resultados de las otras alternativas para esta misma
demanda (10 periódicos).

Arrepent.
Ejemplares Demanda de ejemplares
Minimax
pedidos
6 7 8 9 10
40- 45- 50-
6 30-30=0 35-30=5 20
30=10 30=15 30=20
45- 50-
7 30-10=20 35-35=0 40-35=5 20
35=10 35=15
30+10=4 50-
8 35-15=20 40-40=0 45-40=5 40
0 40=10
30+30=6 40-
9 35+5=40 45-45=0 50-45=5 60
0 20=20
30+50=8 35+25=6 45-
10 40-0=40 50-50=0 80
0 0 25=20

Bajo este criterio, Phyllis debe pedir 6 o 7 periódicos para la venta.

 CRITERIO MAXIMAX

Bajo la alternativa ai, el mejor resultado posible que puede ocurrir tiene un valor
para el decisor dado por:

El valor oi se denomina nivel de optimismo de la alternativa ai y representa la

recompensa máxima que el decisor recibirá si selecciona tal alternativa. El criterio
maximax  consiste en elegir aquella alternativa que proporcione el mayor nivel de
optimismo posible, por lo que S(ai)=oi. Esta regla de decisión puede enunciarse de
la siguiente forma:

Este criterio corresponde a un pensamiento optimista, ya que el decisor supone

que la naturaleza siempre estará de su parte,  por lo que siempre se presentará el
estado más favorable.

EJEMPLO

Partiendo del ejemplo de construcción del hotel, la siguiente tabla muestra las

recompensas obtenidas junto con los niveles de optimismo de las diferentes
alternativas:

Estados de la Naturaleza  
 Alternativas

Terreno Aeropuerto en A Aeropuerto en B

comprado
oi
      A    13 - 12   13    

B -8 11 11

AyB 5 -1 5

Ninguno 0 0 0

La alternativa óptima según el criterio maximax sería comprar la parcela en la

ubicación A, pues proporciona el mayor de los niveles de optimismo.

Decisiones secuenciales. Árboles de decisión.

Anteriormente hemos analizado el caso en que el decisor toma una decisión

única. Sin embargo, son muy frecuentes en la empresa los procesos en los que el
decisor debe adoptar una secuencia de decisiones La toma de decisiones en la
empresa 10 (decisiones posteriores dependientes de la decisión inicial), ya que
una decisión en el momento actual puede condicionar y exigir otras decisiones en
momentos del tiempo posteriores.

En estos casos para ayudarnos a la toma de decisiones se utiliza una técnica

denominada árbol de decisión.

Un árbol de decisión es un sistema de representación del proceso decisional en el

que se reflejan las posibles alternativas pro las que se puede optar y los
resultados que corresponden a cada alternativa según cual sea el estado de la
naturaleza que se presente.

Todo árbol consta de nudos y ramas.

Los nudos, también llamados vértices, representan situaciones en las cuales debe
tomarse una u otra decisión (nudos decisionales), o el decisor se enfrenta a
distintos estados de la naturaleza o sucesos aleatorios (nudos aleatorios).

Las ramas, también denominadas aristas, que parten de los nudos decisionales
representan alternativas de decisión; las que parten de nudos aleatorios
representan posibles estados de la naturaleza, o sea sucesos que pueden pasar y
entre los que no es posible elegir.

Cuando se conocen las probabilidades de los diversos estados, éstas se reflejan

sobre las ramas que les representan.

Al final de cada camino (sucesión de aristas) se expresa el resultado que

correspondería a esa sucesión de decisiones y sucesos. Por convenio, los nudos
decisionales se representan con cuadrados, en tanto que a los aleatorios se les
representa con círculos. El primer nudo es siempre decisional, y representa la
primera decisión que ha de tomarse. Una vez diseñada la secuencia de decisión-
acontecimientos que compone el árbol es necesario realizar unas operaciones de
cálculo.

En primer lugar en cada vértice de acontecimientos habrá que asignar a los

distintos estados de la naturaleza sus respectivas probabilidades de aparición. En
segundo lugar cada una de las posibles combinaciones de decisiones y
acontecimientos dará lugar a un posible resultado que ha de ser evaluado, bien
sea en términos de beneficio o coste. La técnica de resolución (método de avance
hacia atrás o Roll-back) se basa en ir determinando los valores monetarios
esperados de cada punto aleatorio, empezando por los más próximos a los
resultados que se sitúan al final del árbol donde terminan las aristas. El resultado
se pondría encima del nudo aleatorio. En los nudos decisionales, se escogería el
mejor de los valores de los distintos nudos aleatorios o decisionales situados al
final de las ramas que parten de él. Y así hasta que se llega al nudo inicial. Tal vez
un ejemplo sencillo ayude a comprender todos estos conceptos necesarios por
otra parte para la construcción de un árbol de decisión.
 Doña María del Carmen, propietaria de la bombonería “la invasión” hace sus
pedidos a la empresa “amanolar”, distribuidora de los caramelos, bombones y
demás golosinas comercializados por ella, al principio de cada mes. Dichos
pedidos vienen siendo de un tamaño reducido, no obstante, y ante la próxima
apertura de un colegio muy cercano a su establecimiento se está planteando la
posibilidad de hacer un pedido de mayor tamaño.

Ella estima que la probabilidad de que el número de niños que entren en su

establecimiento al mes sea La toma de decisiones en la empresa 11 mayores o
igual a 1001 es del 65%, entre 501 y 1000 es del 10% y que sea igual o inferior a
500 es del 25%. Si Doña María del Carmen decide realizar un pedido grande los
resultados que obtendría serían: si el número de niños es mayor o igual a 1001
ganaría 1000 unidades monetarias, entre 501 y 1000 ganaría 500 u.m. y si fuera
igual o inferior a 500 perdería 100 u.m. Si realiza un pedido de tamaño mediano
ganaría 100 u.m. si el número de niños que van a su establecimiento es mayor o
igual 1001, 700 u.m. si oscila entre 501 y 1000, perdiendo 10 u.m. caso de ser
igual o inferior a 500. Finalmente si hiciera un pedido pequeño perdería 500 u.m. si
el número de niños es mayor o igual a 1001, ganaría 100 u.m. si varía entre 501 y
1000, ganando 500 u.m. si es igual o inferior a 500.
A la vista del anterior árbol de decisión la secuencia de decisiones óptima que
debe adoptar Doña María del Carmen sería hacer el pedido grande, sus beneficios
estarán en función de lo que la naturaleza le depare, es decir, del número de niños
que una vez abierto el nuevo colegio acuda a su establecimiento. Para llegar a la
solución anterior hemos aplicado “el método de avance hacia atrás o roll- back”.

Metodo Mínimax

1) Se escoge el mejor resultado de cada estado del mundo, para armar la matriz
de arrepentimiento.
2) Cada valor de la matriz se determina por: lo mejor - lo que se dio.
3) Se determina la acción con el mejor de los resultados de cada acción.
4) Finalmente se escoge el peor de los mejores.
R/ Debe comprar 6 o 7 periódicos. 

Valor esperado
Se determina mediante la sumatoria de las probabilidades de cada estado por su
valor en la matriz de premios. Se escoge los mejores premios.

R/ Debe comprar 6 o 7 periódicos. 

Valor esperado con información perfecta.
Se determina mediante la sumatoria de las probabilidades de cada estado por los
mejores premios de cada estado.

VIPER = (30)(0.2)+(35)(0.2)+(40)(0.2)+(45)(0.2)+(50)(0.2)

VIPER = 40

Método de distribución de probabilidad continúa

Distribuciones continúas de probabilidad

Objetivo: Familiarizar al alumno con las formas y propiedades de las
distribuciones, con el fin de poder usarlas en los métodos y/o técnicas para la
toma de decisiones.
Notación: f(x) = Función de densidad de probabilidad (f.d.p) de una v.a.c.(continua)
F(x) = Función de densidad acumulada (F.D.A) de una v.a.c. (continua)
Distribución Uniforme
a < media =" ,Variancia">0
Distribución acumulada: x>0
Media = , Varianza =
Aplicaciones: Teoría de colas (Relacionada con la distribución de Poisson)
Distribución Normal
Aplicaciones: - Es la base de la estadística inferencial y del análisis de regresión.
Sirve para aproximar muchas poblaciones a través de los valores normales
estándar.

Media = desviación estándar =

Los valores de distribución acumulada se leen en tablas o en los asistentes de
funciones estadísticas de Excel.
Distribución Triangular Se utiliza para estimar la probabilidad en flujos efectivo
aleatorio para los proyectos de inversión.

Distribución acumulada
Distribución acumulada

Media =

Varianza =

Aplicaciones: La distribución triangular se define luego que se conocen los 3

parámetros a, b y c.
• La distribución triangular es útil como una aproximación inicial en situaciones par
las que no se dispone de datos confiables.
• Nos permite estimar las duraciones de las actividades de un proyecto usando las
tres estimaciones: optimista, más probable, y pesimista.
Sabiendo que la demanda aleatoria de gasolina durante un período de tiempo se
comporta con arreglo a una ley normal de media 150000 litros y desviación
estándar 10000 litros, determinar la cantidad de gasolina que hay que tener
dispuesta a la venta en dicho período para poder satisfacer la demanda con una
probabilidad de 0,95.

Ejemplo Numérico: Los pacientes de la sala emergencia llegan a un hospital a una

tasa de 0,033 por minuto. ¿Cuál es la probabilidad de que exactamente dos
pacientes lleguen durante los próximos 30 minutos?
La tasa de llegada durante 30 minutos es  = (30)(0,033) = 1. Por lo tanto,
P (2 llegadas) = [12 /(2!)] e-1 = 18%
La media y la desviación estándar de la distribución son:
 =  = 1, and  =  1/2 = 1,

Aplicaciones a la toma de decisiones financieras:

Distribución de probabilidad del valor presente neto:

Valor esperado del valor presente neto:

Varianza del valor presente neto:

Los valores de los coeficientes están dados por:

Donde es la tasa de inflación.

Ejemplo: Cierta empresa desea analizar un proyecto de inversión que promete

generar los siguientes flujos de efectivo probabilísticos:

año E pesimista E probable E Optimista

0 -140 -100 -80
1 30 40 60
2 35 40 45
3 30 40 50
4 25 35 45
5 20 40 60
También considere que los flujos de efectivo de un periodo a otro son
independientes. Finalmente considere que esta empresa utiliza una trema de 20%
para evaluar sus proyectos de inversión y que la alta administración solo acepta
proyectos que tengan una probabilidad de al menos 90% de que el VPN sea
mayor que cero:.

año Cj MEDIA E(VPN) Cj^2 VAR Var (VPN)

0 -1,00 107 -107 1,00 156 156
1 0,83 43 36 0,69 39 27
2 0,69 40 28 0,48 4 2
3 0,58 40 23 0,33 17 6
4 0,48 35 17 0,23 17 4
5 0,40 40 16 0,16 67 11
13.1 205
Probabilidad=NORMDIST(13.1;0;14.31;1)

DE= 14,31
Pr= 0,8241

Conclusión: El proyecto se rechaza

Ejemplo: Cierta empresa desea entrar en un negocio de alto grado de riesgo y

estima una inversión inicial de 90 millones con un flujo de efectivo distribuido
uniformemente de 30, 40, 50, 60, y 70 millones por los siguientes 5 años. La
empresa utiliza una trema de 20% y espera una tasa de inflación media anual del
10%. La política de riesgo de la empresa es aceptar un proyecto solo si la
probabilidad de que el valor presente neto sea mayor o igual a cero se encuentra
por arriba del 90%.

Año FEAI uniforme Cj Media E(VPN) Cj^2 Var VAR(VPN)

0 $90,00 $90,00 $90,00 $90,00 $90,00 -1 $90,00 -$90,00 1,00 0 $0,00
1 $30,00 $40,00 $50,00 $60,00 $70,00 0,76 $50,00 $37,88 0,57 200 $114,78
2 $30,00 $40,00 $50,00 $60,00 $70,00 0,57 $50,00 $28,70 0,33 200 $65,88
3 $30,00 $40,00 $50,00 $60,00 $70,00 0,43 $50,00 $21,74 0,19 200 $37,81
4 $30,00 $40,00 $50,00 $60,00 $70,00 0,33 $50,00 $16,47 0,11 200 $21,70
5 $30,00 $40,00 $50,00 $60,00 $70,00 0,25 $50,00 $12,48 0,06 200 $12,45 PROB
$27,26 $252,62 0,9568
$15,89

Probabilidad=NORMDIST(27,26;0;$15,89;1)DE=$15,89Pr= 0,9568

REFERENCIAS

 http://www4.ujaen.es/~cruiz/diplot-5.pdf
 http://ingunilibre.blogspot.mx/p/3-teoria-de-decisiones.html
 http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/
 Tomado del libro: Investigación de Operaciones, Winston
 http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-
03002009000300013
 http://www.ma.uva.es/~antonio/Industriales/Apuntes_10-
11/EstaE/10_Tema-03.pdf
 http://cuadernosdecontabilidad.javeriana.edu.co/vol3_n_17/vol3_
17_2.pdf
 http://www2.famaf.unc.edu.ar/rev_edu/documents/vol_26/26-3-
Teor-de-bayes-II.pdf
 http://upcommons.upc.edu/bitstream/handle/2117/18004/garriga+
garzon+problemas+teoria+decision.pdf;jsessionid=05B26FDC2D
55AE8E1D1C5DBDC26B5240?sequence=1
  http://www.pdcahome.com/4655/modelos-para-la-toma-de-
decisiones/
 http://thales.cica.es/rd/Recursos/rd99/ed99-0191-
03/maximax.htm

REPORTE DE APLICACIÓN EN EL CAMPO LABORAL

 Aplicación del teorema de Bayes

Este modelo se puede aplicar en Mérida, en un hospital general (T1) ya que

permite conocer mediante una prueba diagnóstica la prevalencia de una
enfermedad en esa población mediante las pruebas de test que se le3 aplican a
los pacientes que acuden a ese hospital.

 Aplicación del modelo minimax

Este modelo se puede aplicar en Tizimín en una taquería para poder determinar la
mejor decisión al momento de determinar la cantidad de tacos que se deberán
preparar para que sea factible su venta y no sobre.

 Aplicación del modelo optimista o Hurwicz

Este modelo se puede aplicar en tizimin en una panadería, al momento de decidir

entre comprar bolsas de platico o utilizar bolsas de papel, lo cual nos ayuda a
elegir una sola alternativa tomando en cuenta que bolsa es más factible
considerando su precio, calidad y comodidad ya que la empresa será quien las va
a comprar y posteriormente implementar pero también debe tomar en cuenta la
comodidad de los clientes en cuanto a cómo se conserva mejor los panes y las
barras ( en bolsa de plástico o bolsa de papel).

 Aplicación del modelo de maximización

Este método se puede aplicar ya sea en tizimin o en Mérida en cualquier imprenta

de periódicos como “POR ESTO” para poder determinar la cantidad de periódicos
que podrían vender en un día considerando el costo de producción para cada una,
de tal manera que se pueda hacer un estimado de las ventas que se podrían
realzar por consiguiente poder tomar la mejor decisión.