Investigacion Operativa II Unidad I if-FCE - UNIDAD 1

INTRODUCCION A LA INVESTIGACIÓN OPERATIVA II
APLICADA A CARRERAS DE LA FACULTAD DE CIENCIAS ECONOMICAS

Cochabamba – Bolivia
1
Contenido
UNIDAD 1 ........................................................................................................................................ 4
TEORÍA DE LA DECISION ...................................................................................................................... 4
1. INTRODUCCION ........................................................................................................................... 4
1.2. Características y fases de un proceso de decisión .................................................................. 5
1.2.1. Conceptos Básicos ............................................................................................................... 6
1.3. Clasificación de los modelos de decisión ............................................................................... 6
a) Decisiones en ambiente de certidumbre o certeza .................................................................... 6
b) Decisiones en ambiente de riesgo .............................................................................................. 6
c) Decisiones en ambiente de incertidumbre ................................................................................. 6
1.3.1. Decisiones en ambiente de certidumbre o certeza ............................................................ 7
1.3.2. Decisiones en ambiente de riesgo .................................................................................... 10
1.3.2.1. Definición de Riesgo ...................................................................................................... 11
1.3.2.2. Valor esperado o Valor Monetario Esperado................................................................ 11
1.3.2.3. Matriz de Decisión o Tabla de Retribuciones ................................................................ 12
1.3.2.3.1. Ejemplo.......................................................................................................................... 13
1.3.2.3.2. Valor esperado de la información perfecta .................................................................. 14
1.3.2.4. Arboles de Decisión ....................................................................................................... 16
1.3.2.4.1. Ejemplo.......................................................................................................................... 16
1.3.2.5. Decisiones Bayesianas ................................................................................................... 17
1.3.2.5.1. Ejemplo.......................................................................................................................... 18
1.3.3. Decisiones en ambiente de Incertidumbre ....................................................................... 19
1.3.3.1. Criterio Optimista .......................................................................................................... 19
1.3.3.2. Criterio Pesimista .......................................................................................................... 20
1.3.3.3. Criterio Realista (Criterio de Hurwicz) ........................................................................... 21
1.3.3.4. Criterio de Probabilidades iguales (Laplace) ................................................................. 22
1.3.3.5. Arrepentimiento minimax ............................................................................................. 23
2
INDICE
CAPITULO 1 TEORÍA DE LA DECISION
CAPITULO 2 PROGRAMACION DINAMICA
CAPITULO 3 CADENAS DE MARKOV
CAPITULO 4 TEORÍA DE COLAS O LINEAS DE ESPERA
CAPITULO 5 INTRODUCCION A LA SIMULACION
3
UNIDAD 1
TEORÍA DE LA DECISION
1. INTRODUCCION
En el cotidiano vivir de cualquier persona el hecho de tomar decisiones es algo tan habitual como
respirar, pero depende mucho del grado de importancia que tenga esta decisión así como también
la información que se tenga disponible sobre cada alternativa, para elegir y seleccionar la más
conveniente en función a un objetivo que se quiere alcanzar. Así, un organismo unicelular asimila
partículas de su medio ambiente, unas nutritivas y otras nocivas para él. Conforme aumenta la
complejidad del ser vivo, aumenta también la complejidad de sus decisiones y la forma en que
éstas se toman. Así, pasamos de una toma de decisiones guiada instintivamente, a procesos de
toma de decisiones que deben estar guiados por un pensamiento racional en el ser humano.
Recordemos también que anteriormente en la materia de Investigación de Operaciones I se ha

centrado principalmente en la toma de decisiones cuando las consecuencias de las alternativas de
decisión se conocen con un grado razonable de certidumbre. Este ambiente de toma de decisiones
permitió que se formularan valiosos modelos matemáticos (programación lineal, modelos de
transporte, etc.) con funciones objetivo que especifican las consecuencias estimadas de cualquier
combinación de decisiones. Aunque en general estas consecuencias no se pueden predecir con
certeza absoluta, pueden por lo menos estimarse con suficiente precisión como para justificar el
uso de esos modelos (junto con el análisis de sensibilidad, etc.). Sin embargo, a menudo se deben
tomar decisiones en ambientes con mayor incertidumbre, como por ejemplo:
1. Una empresa financiera invierte en valores bursátiles. ¿Cuáles son los sectores de
mercado y los valores individuales con las mejores perspectivas? ¿Hacia dónde se dirige la
economía? ¿Qué pasa con las tasas de interés? ¿Cómo afectarían estos factores a las
decisiones de inversión?
2. Un fabricante lleva un nuevo producto al mercado. ¿Cuál será la reacción de los clientes
potenciales? ¿Cuánto debe producir? ¿El producto debe probarse en una región pequeña
antes de decidir su distribución completa? ¿Cuánta publicidad se necesita para lanzar con
éxito el producto?
4
3. Un contratista participa en un concurso para ganar una licitación del gobierno. ¿Cuáles
serán los costos reales del proyecto? ¿Qué otras compañías podrían estar concursando?
¿Cuáles son sus cotizaciones probables?
4. Una empresa agropecuaria está eligiendo la mezcla de cosecha y ganado para la próxima
temporada. ¿Cuáles serán las condiciones del clima? ¿Hacia dónde se dirigen los precios?
¿Cuáles serán los costos?
5. Una compañía minera debe decidir donde perforar en un sitio particular para buscar
mineral. ¿Qué tan probable es que haya mineral en ese sitio? ¿En qué cantidad? ¿Qué tan
profundo se tendrá que perforar? ¿Deben investigar los geólogos todavía más antes de
perforar?
La Teoría de la Decisión tratará, por tanto, el estudio de los procesos de toma de decisiones desde
una perspectiva racional.
1.2. Características y fases de un proceso de decisión

Un proceso de decisión presenta las siguientes características principales:
Existen al menos dos posibles formas de actuar, que llamaremos alternativas o acciones,
excluyentes entre sí, de manera que la actuación según una de ellas imposibilita
cualquiera de las restantes.
Mediante un proceso de decisión se elige una alternativa, que es la que se lleva a cabo.
La elección de una alternativa ha de realizarse de modo que cumpla un fin determinado.
El proceso de decisión consta de las siguientes fases fundamentales:
Predicción de las consecuencias de cada actuación. Esta predicción deberá basarse en la

experiencia y se obtiene por inducción sobre un conjunto de datos. La recopilación de este
conjunto de datos y su utilización entran dentro del campo de la Estadística.
Valoración de las consecuencias de acuerdo con una escala de bondad o deseabilidad. Esta
escala de valor dará lugar a un sistema de preferencias.
Elección de la alternativa mediante un criterio de decisión adecuado. Este punto lleva a su
vez asociado el problema de elección del criterio más adecuado para nuestra decisión,
cuestión que no siempre es fácil de resolver de un modo totalmente satisfactorio.
5
1.2.1. Conceptos Básicos

¿Cuáles son los elementos que intervienen en un proceso de toma de decisiones?
Ante que todo está la persona que toma la decisión que se llama: DECISOR que debe tener
presente la meta que quiere alcanzar.
Decisiones alternativas: Son alternativas, curso de acción o estrategias de entre las cuales el que
toma la decisión debe elegir.
Estados de la naturaleza: Son las circunstancias o acciones externas que afectan el resultado de la
decisión; pero que están fuera del control del decidor se le denomina también eventos y debe
presentarse en términos mutuamente excluyentes.
Resultados: Puede expresarse en términos económicos (ganancia, costos, etc.) o en términos de

alguna medida no monetaria como preferencia a escala de valoración.
Ambiente: Dominio que tiene el decidor sobre la posible ocurrencia de los estados de la
naturaleza este puede concretarse en tres modalidades fundamentales según el grado de
información que se obtiene: certeza, riesgo e incertidumbre.
1.3. Clasificación de los modelos de decisión
a) Decisiones en ambiente de certidumbre o certeza: Se presenta cuando el decidor

conoce con precisión el estado de la naturaleza que va a presentarse.
b) Decisiones en ambiente de riesgo: Se presenta cuando el conjunto de los posibles
estados de la naturaleza es de carácter aleatorio y se conoce la probabilidad de
ocurrencia de cada uno de ellos.
c) Decisiones en ambiente de incertidumbre: Se presenta cuando el conjunto de los
posibles estados de la naturaleza es de carácter aleatorio; pero no se conoce la
probabilidad de ocurrencia de cada uno de ellos
Hay autores que incluyen un cuarto ambiente: Ambiente de conflicto suponiendo que en lugar de
estados de la naturaleza hay un oponente, otros lo consideran un caso especial dentro de
incertidumbre y riesgo, en algunas bibliografías es abordado bajo el tema Teoría de juegos.
6
1.3.1. Decisiones en ambiente de certidumbre o certeza
Una decisión en este tipo de escenario es aquella en la que el componente decisor sabe cuál es el
estado de la naturaleza que va a ocurrir. De manera alternativa, usted puede pensar en ella como
un caso con un solo estado de la naturaleza. Suponga, por ejemplo, que por la mañana usted está
tratando de decidir si debe llevar su paraguas al trabajo, y usted está seguro de que estará
lloviendo para cuando salga de trabajar por la tarde. En la tabla de retribuciones para este modelo
el costo de limpiar su traje si le sorprende la lluvia es de 35 Bs. Entra en la tabla con un signo de
menos, ya que es una tabla de rendimientos, y un costo es un rendimiento negativo. Obviamente,
la decisión óptima es llevar paraguas
LLUVIA
Llevar paraguas 0
No llevar -35
Todos los modelos de programación lineal, los modelos de programación con enteros, etc.,
pueden considerarse como decisiones contra la naturaleza debido a que solo hay un estado de la
naturaleza. Esto es así dado que estamos seguros (dentro del contexto del modelo) del
rendimiento que obtendremos para cada decisión que tomemos. Para un ejemplo concreto,
consideraremos el siguiente modelo de Programación Lineal.
- PLANIFICACIÓN FINANCIERA. Willie Hanes es el presidente de una microempresa de

inversiones que se dedica a administrar las carteras de acciones de varios clientes. Un
nuevo cliente ha solicitado que la compañía se haga cargo de administrar para él una
cartera de $ 100.000. a ese cliente le agradaría restringir una cartera a una mezcla de dos
tipos de acciones únicamente, como podemos apreciar en la siguiente tabla. Formule
usted un modelo de programación lineal para mostrar cuantas acciones de cada tipo
tendría que comprar Willie con el fin de maximizar el rendimiento anual.
7
ACCIONES PRECIO POR ACCION RENDIMIENTO INVERSION MAXIMA

($) ANUAL ESTIMADO POSIBLE ($)
POR ACCION ($)
CAN OIL 25 3 3.500
SLOTH PETROLEUM 20 3 3.000
MAX Xo ₌ 3X1 + 3X2

25X1 + 20X2 ≤ 100000
X1 ≤ 3500
X2 ≤ 3000
V≥0
“Reporte: Solution List del programa Q.M. for Windows”
8
“Reporte : Graph del programa Q.M. for Windows”
“Reporte: Graph – Corner Points del programa Q.M. for Windows”
Este Resultado indica que para cualquier par (X1, X2) factible, el rendimiento se define como el
valor de la función objetivo; es decir, 3X1 + 3X2. En el caso de este modelo conocemos
exactamente el resultado que obtenemos para cada decisión (cada selección para el par X1, X2).
Por lo tanto, también es posible identificar en el reporte “Corner Points” todos los posibles
rendimientos que ocurrirán en la columna “Z” y considerarla como la representación de un estado
de la naturaleza del cual estamos seguros que ocurrirá.
Teóricamente, es fácil resolver un modelo con un solo estado de la naturaleza. Simplemente se

selecciona la decisión con el rendimiento más alto si la función objetivo es maximizar o el más bajo
si es minimizar. En la práctica, de manera contraria a “la teoría”, encontrar esa decisión es otra
historia. Dado que X1 y X2 pueden asumir un número infinito de valores, habrá un número infinito
9
de filas para este modelo. Incluso en este modelo simple, no es posible enumerar todas las
alternativas factibles y seleccionar la mejor. Se necesitara un análisis matemático adicional (en
este caso el QM for Windows) para encontrar la solución óptima.
1.3.2. Decisiones en ambiente de riesgo
Una falta de certidumbre respecto a los eventos futuros es una característica de muchos, si no es
que de la mayoría, de los modelos de decisiones administrativas. Considere como cambiarían las
decisiones de la vicepresidenta financiera de una compañía de seguros, si pudiera saber
exactamente qué cambios habrá en el mercado de bonos. Imagine el alivio de una empresa para
presentarse a una licitación al saber las cotizaciones probables de los competidores.
Está claro que aquellos que manejan de manera eficiente estos modelos, ya sea por habilidad o
por suerte, a menudo son generosamente recompensados por sus logros. En el primer libro del
Viejo Testamento, José es ascendido de esclavo a asistente del faraón de Egipto por pronosticar
acertadamente siete años de abundancia y siete años de escasez.
El riesgo del que toma decisiones consiste en que no sabe cuál estado de la naturaleza va a ocurrir
para así poder tomar la mejor alternativa, esta decisión no es sencilla porque algunas operaciones
son mejores si ocurren ciertos estados de la naturaleza y se preferiría operaciones distintas si
ocurren otros eventos. Por lo cual es necesario un criterio para determinar el curso de acción que
se seleccionara.
En el uso de modelos cuantitativos, la falta de certidumbre se puede manejar de diversas maneras.

Por ejemplo, en un modelo de programación lineal, una parte de los datos puede consistir en una
estimación del valor futuro. En el ejemplo con el modelo de PLANIFICACION FINANCIERA antes
citado, la capacidad del dinero disponible anual para la inversión (capacidad del lado derecho de la
primera restricción), puede depender de factores que ocurrirán el año siguiente, pero el plan de
inversión de acciones, digamos, tiene que ser definido hoy. Se puede manejar esta falta de
certidumbre estimando esa capacidad de dinero anual disponible en $ 100.000 y después llevando
a cabo el análisis de sensibilidad.
10
1.3.2.1. Definición de Riesgo
El termino riesgo tiene un significado bien definido y restrictivo. Cuando hablamos de decisiones
bajo riesgo, nos referimos a una clase de modelos de decisión para la cual hay más de un estado
de la naturaleza y para la cual suponemos que quien toma la decisión puede llegar a una
estimación de probabilidades de la ocurrencia de cada uno de los diversos estados de la
naturaleza. La probabilidad relacionada a un estado de la naturaleza es un número comprendido
entre 0 y 1, y representa el riesgo o la posibilidad de que ocurra ese evento. Una probabilidad de
cero significara que el estado de la naturaleza es imposible; si P= 0,50, es tan probable que el
estado de la naturaleza ocurra como que no; si P= 1, es seguro que suceda el evento asociado a
esa probabilidad. El valor de P que es la probabilidad no puede ser negativo ni mayor a 1.
Supongamos que por ejemplo, que hay m>1 estados de la naturaleza, y pj será la probabilidad
estimada de que ocurrirá al estado j. Generalmente estimaremos la probabilidad de que ocurra el
estado j (pj) utilizando frecuencias históricas, lo cual significa que investigaremos a lo largo de la
historia y registraremos el porcentaje de tiempo que ese estado j realmente ocurrió en todas
nuestras observaciones. Por ejemplo, si en los últimos 1.000 días encontramos que llovió en 300,
estimaremos la probabilidad futura de lluvia en un día dado como 0.30 (= 300/1.000).
1.3.2.2. Valor esperado o Valor Monetario Esperado

El valor esperado de cualquier variable aleatoria es el promedio ponderado de todos los valores
posibles de la variable aleatoria, donde los coeficientes de ponderación son las probabilidades de
que estos valores ocurran. Dado que los diferentes rendimientos se asocian distintos estados de la
naturaleza, el rendimiento esperado asociado con la decisión i es la suma, en todos los estados j
posibles, de términos de la forma: (el rendimiento en el estado j cuando la decisión es i)
multiplicado por (la probabilidad de ocurrencia del estado j), o rijpj. Entonces podemos utilizar la
siguiente ecuación para calcular el VALOR MONETARIO ESPERADO i (VMEi), el rendimiento
esperado si seleccionamos la decisión i:
VMEi =
11
1.3.2.3. Matriz de Decisión o Tabla de Retribuciones
El análisis de matriz de decisión es aplicable a una amplia variedad de situaciones que involucran la
toma de decisiones bajo riesgo y bajo incertidumbre, También es un elemento del campo de
estudio llamado teoría estadística de decisiones.
Cuando debe hacerse una sola decisión y no una serie de decisiones, se puede usar una matriz de
decisión o matriz de pagos. Por ejemplo, la matriz de pagos podría emplearse para decidir qué
cantidad producir de determinado producto teniendo en cuentas las posibles demandas del
mismo. No es raro que la matriz de pagos use un formato matricial, en que los renglones son los
cursos de acción abiertos al tomador de decisiones y las columnas son los eventos posibles que
pueden ocurrir. Los elementos de la matriz son las consecuencias de las combinaciones entre los
cursos de acción y los eventos.
La tabla o matriz de pagos proporciona una estructura organizada para analizar situaciones
probabilistas en las que se debe seleccionar una sola alternativa de decisión de un conjunto de
alternativas. Por ejemplo, una decisión que se presenta con frecuencia en producción requiere
seleccionar una sola máquina para compra, de entre varias máquinas posibles. Un gerente de
comercialización debe seleccionar un plan para poner el precio de un producto, de entre varios
planes. Un auditor debe decidir si contabilizar por completo ciertos registros o sólo tomar una
muestra cuando realiza una auditoria. La matriz de pagos es muy útil para respaldar la toma de
decisiones en situaciones tan diversas como estas.
Estados de la Naturaleza
Alternativas e1 e2 ... en
a1 x11 x12 ... x1n
a2 x21 x22 ... x2n
... ... ... ... ...
am xm1 xm2 ... xmn
12
Dónde:
am= Es la alternativa (m) que se podría decidir.
en= Es el evento o estado de la naturaleza (n).
xmn= Es la consecuencia o resultado de decidir la alternativa (m) asociado a un evento o estado de

la naturaleza (n).
1.3.2.3.1. Ejemplo
La pastelería “La Deliciosa” elabora al día varios lotes de pastelillos con el objetivo de satisfacer la
demanda de cumpleaños. Los lotes de pastelillos se componen por veinte unidades. Las unidades
son vendidas a Bs. 15 y el costo tiene un valor de Bs. 10
La mitad de los lotes que no sean vendidos, son destinados a un centro infantil más cercano sin
obtener a cambio remuneración económica, la otra mitad se liquida a Bs. 11.00. Construya la
matriz de decisiones, si en un día se pueden solicitar 5; 6; 7; 8 lotes; pero se desconoce a la hora
de la elaboración la cantidad específica de lotes que se van a solicitar en el día, además se sabe
que por cada unidad demandada no existente se hace un descuento Bs. 0,50 a la pastelería esto
por los costos de imagen que le arrancaría al no cumplir con la demanda prevista.
La demanda de lotes sigue la distribución siguiente:
Lotes 5 6 7 8
Probabilidades de la Demanda 0.20 0.25 0.32 0.23
En este caso:
Alternativas Estados de La naturaleza

a1 Elaborar 5 lotes e1 Que se demanden 5 lotes
a 2 Elaborar 6 lotes e2 Que se demanden 6 lotes
a3 e3
Elaborar 7 lotes Que se demanden 7 lotes
a 4 Elaborar 8 lotes e4 Que se demanden 8 lotes
13
Cálculos
UT= IT - CT
xij ingreso cos tos descuento liquidacion
x11 15 100 10 100 500 x21 15 100 10 120 (20 11)0,5 410
x12 15 100 10 100 20 0,5 490 x22 15 120 10 120 600
x13 15 100 10 100 40 0,5 480 x23 15 120 10 120 20 0,5 590
x14 15 100 10 100 60 0,5 470 x24 15 120 10 120 40 0,5 580
x31 15 100 10 140 (40 11)0,5 320 x41 15 100 10 160 (60 11)0,5 230
x32 15 120 10 140 (20 11)0,5 510 x42 15 120 10 160 (40 11)0,5 420
x33 15 140 10 140 700 x43 15 140 10 160 (20 11)0,5 610
x34 15 140 10 140 20 0,5 690 x44 15 160 10 160 800
Alternativas e1 100 e2 120 e3 140 e4 160 VME

Probabilidades 0.20 0.25 0.32 0.23
a1 100 500 490 480 470 484,20
a2 120 410 600 590 580 554,20
a3 140 320 510 700 690 574,20
a4 160 230 420 610 800 530,20
E a1 0,20 500 0,25 490 0,32 480 0,23 470 484,20

E a2 0,20 410 0,25 600 0,32 590 0,23 580 554,20
E a3 0,20 320 0,25 510 0,32 700 0,23 690 574,20
E a4 0,20 230 0,25 420 0,32 610 0,23 800 530,20
La alternativa óptima según el criterio del valor esperado sería a3 elaborar 7 lotes con un VME de
574,20, pues proporciona el máximo de los valores esperados.
1.3.2.3.2. Valor esperado de la información perfecta

En el ejemplo anterior con la distribución de probabilidades de la demanda, la política óptima es
elaborar 7 lotes y que el valor monetario esperado era de 574,20. En particular continuando con el
análisis de ese ejemplo, se puede determinar el grado de riesgo que se tendría al decidir esa
alternativa, mediante el concepto del valor esperado de la información perfecta (VEIP) y el valor
14
esperado con información perfecta (VECIP). Estas técnicas ayudaran a tomar una decisión para
conseguir información adicional y hasta que costo sería admisible obtenerla.
El valor esperado con información perfecta es el rendimiento promedio o esperado, a largo plazo,
si tenemos información perfecta antes de tomar una decisión. Para calcular este valor elegimos la
mejor alternativa para cada estado de la naturaleza y multiplicamos su pago por la probabilidad de
ocurrencia de ese estado de la naturaleza.
VECIP= ∑ (mejor pago en el estado de la naturaleza i)(probabilidad del estado de la naturaleza i)
Si expandimos esto, se convierte en:
VECIP= (mejor pago en el primer estado de la naturaleza) X (probabilidad del primer estado de la
naturaleza) + (mejor pago en el segundo estado de la naturaleza) X (probabilidad del segundo
estado de la naturaleza) +……+ (mejor pago en el último estado de la naturaleza) X (probabilidad
del ultimo estado de la naturaleza)
El valor esperado de la información perfecta, VEIP, es el valor esperado con información perfecta,
menos el valor esperado sin información perfecta (es decir, el VME mejor o máximo). Entonces, el
VEIP es la mejora en el VME que resulta al tener información perfecta.
VEIP= VECIP – el mejor VME
En el ejemplo anterior utilizando estos conceptos tendríamos:
Estados de la e1 e2 e3 e4
Naturaleza
VECIP
Mejores Pagos 500 600 700 800 658
El mejor VME = 574,20

VEIP= 658 – 574,20 = 83,8
Este resultado indica que si se conociera con certeza el comportamiento de la demanda futura, se
tomaría las mejores alternativas en cada caso y en promedio se dejaría de ganar 83,80 adicionales.
También representa el arrepentimiento mínimo al tomar la mejor alternativa en condiciones de
riesgo. Por otro lado, permite realizar una evaluación de algún posible costo de investigación en
caso de querer conocer mejor el comportamiento de la demanda a través de una investigación. En
este caso, no conviene, desde el punto de vista económico, pagar una suma mayor a Bs. 83,80 en
la realización de una investigación.
15
1.3.2.4. Arboles de Decisión
Cualquier problema que se pueda presentar en una tabla de decisiones también se puede ilustrar
mediante una gráfica denominada árbol de decisiones. Todos los arboles de decisiones son
similares en cuanto a que contienen puntos de decisión o nodos de decisión y puntos de estados
de la naturaleza o nodos de estado de la naturaleza.
De manera más precisa, los arboles 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.
Un nodo de decisión es aquel donde se puede elegir una entre varias alternativas.
Un nodo de estado de la naturaleza indica de los estados de naturaleza que pueden
ocurrir.
Al dibujar un árbol, comenzamos por la izquierda y nos movemos hacia la derecha. Así, el árbol
presenta decisiones y resultados en orden secuencial. Las líneas o ramas que salen de los cuadros
o asteriscos (nodos de decisión) representan las alternativas; en tanto que las ramas que salen de
los círculos representan estados de la naturaleza que deben tener una probabilidad asignada, al
resolver el problema se debe calcular los valores monetarios esperados (VME) para cada estado de
la naturaleza. Esto se hace trabajando hacia atrás, es decir, comenzando en la derecha del árbol y
trabajando hacia atrás a los nodos de decisión a la izquierda. Además, en cada nodo de decisión,
se selecciona la alternativa con el mejor VME.
1.3.2.4.1. Ejemplo
A un fabricante se le presentó una propuesta para un producto nuevo y debe decidir si

desarrollarlo o no. La probabilidad de éxito en caso de desarrollarlo es del 0.70. Si el desarrollo no
tiene éxito se termina el proyecto con una pérdida de 200.000 $us. Si tiene éxito, el fabricante
debe entonces decidir si el nivel de producción ha de ser alto o bajo. Si la demanda es alta, la
ganancia, dado un nivel elevado de producción es de 500.000$ y dado un nivel bajo es de 50.000.
Si la demanda es baja, la perdida, dado un nivel elevado de producción es de 100.000 $; dado un
nivel bajo la ganancia es de 45.000 $. Se estima que la probabilidad de una demanda elevada es
del 0.40 y de demanda baja es del 0.60. Elaborar un árbol de decisiones; decidir si debe desarrollar
o no el producto y en caso de desarrollarlo, si lo debe hacer a un nivel bajo o alto.
16
Armado del árbol de izquierda a derecha
Resolución y cálculo de los VME de derecha a izquierda
Se debe desarrollar el producto y en caso de tener éxito se debe de fabricarlo en una producción
alta, VME de 38000 $us.
1.3.2.5. Decisiones Bayesianas

El teorema de Bayes se emplea para incluir información adicional cuando esté disponible y ayuda a
crear probabilidades posteriores o revisadas. Esto significa que podemos tomar datos nuevos o
recientes y luego revisar y mejorar nuestras estimaciones de probabilidades anteriores para un
evento. Consideremos el siguiente ejemplo.
17
1.3.2.5.1. Ejemplo
En la materia de Investigación de Operaciones grupo 09, se sabe por experiencia de varios
semestres que el 80% de los alumnos terminan sus ejercicios de sus laboratorios asignados.
También se determinó que entre quienes hacen sus tareas el 90% pasara de curso. Entre los que
no hacen su tarea 15% pasara de curso. Juan aprobó Investigación Operativa II el semestre pasado
con el mismo grupo 09. Cuál es la probabilidad de que haya terminado sus tareas?
Calculo de Bayes dado que se aprueba en la materia de Investigación Operativa II.
ESTADO DE LA P(Aprobado) PROBABILIDAD PROBABILIDAD PROBABILIDAD

NATURALEZA ESTADO DE LA PREVIA CONJUNTA POSTERIOR
NATURALEZA
Hagan sus Tareas 0.90 X 0.80 = 0.72 0.72/0.75 =
0.96
No hagan sus 0.15 X 0.20 = 0.03 0.03/0.75 =
Tareas ∑=1 P(aprobado) TOTAL= 0.75 0.04
La probabilidad de que haya aprobado Juan haciendo sus tareas es del 96%
Forma general del Teorema de Bayes
P(A/B) = P(B/A)P(A) .
I I
P(B/A)P(A) + P(B/A )P(A )
Dónde:
AI= el complemento del evento A;
Por ejemplo, si A es el evento “haga sus tareas”, entonces AI es que “no haga sus tareas”.
La probabilidad condicional del evento A, dado el evento B, es:
P(A/B) = P(AB)
P(B)
Ahora utilizando esta ecuación de la forma general de Bayes para calcular las probabilidades
revisadas para el ejemplo si queremos saber si Juan realizo sus laboratorios de Investigación
Operativa II el semestre pasado, si él aprobó la materia, es decir. P(hacer tareas/aprobar),
hacemos que:
Evento “hacer tareas” sustituya a A en la Ecuación General

Evento “no hacer tareas” sustituya a Al en la Ecuación General
Evento “aprobar” sustituya a B en la Ecuación General
Se reescribe la ecuación y se resuelve como sigue:

P(hacer tareas/aprobar)
18
= P(aprobar/hacer tareas)P(hacer tareas)

P(aprobar/hacer tareas)P(hacer tareas) + P (aprobar/no hacer tareas)P(no hacer tareas)
= (0.90)(0.80) = 0.72 = 0.96

(0.90)(0.80) + (0.15)(0.20) 0.75
La probabilidad de que haya aprobado Juan haciendo sus tareas es del 96%
Esta es la misma respuesta que la calculada en el ejemplo anterior. Con esto se puede determinar
que cualquier procedimiento es aceptable.
1.3.3. Decisiones en ambiente de Incertidumbre
Cuando existen varios estados de la naturaleza y un gerente no puede evaluar la probabilidad del
resultado con confianza, o cuando prácticamente no se dispone de datos de probabilidad, el
entorno se llama toma de decisiones en ambiente de Incertidumbre. Hay varios criterios para
tomar decisiones en estas condiciones. Las que se analizaran en esta sección son las siguientes
Optimista (maximax)
Pesimista (maximin)
Criterio de realismo (Hurwicz)
Probabilidades iguales (Laplace)
Arrepentimiento minimax
Los primeros cuatro criterios se calculan directamente de la tabla de decisiones que previamente
ya debe estar calculada (Tabla de Pagos), en tanto que el criterio arrepentimiento minimax
requiere el uso de la tabla de costo de oportunidad o también llamada tabla de arrepentimiento.
La presentación de estos criterios se basa en la suposición de que el pago es algo donde son
mejores los mayores valores y son deseables los valores altos. Para consecuencias, resultados o
pagos como ganancias, ventas totales, rendimientos sobre la inversión e interés ganado, la mejor
decisión sería una cuyo resultado fuera algún tipo de pago máximo. Sin embargo, existen
situaciones donde menores resultados, pagos o consecuencias (como costos) son mejores y estos
pagos se minimizaran en vez de maximizarse. El enunciado del criterio de decisión se modificara
un poco para los problemas de tipo minimización. Se verá cada uno de los criterios y se aplicara al
ejemplo de la pastelería “La Deliciosa”.
1.3.3.1. Criterio Optimista
Al utilizar el criterio Optimista, se considera el mejor pago (máximo) para cada tipo de alternativa
posible y se elige la alternativa con el mejor (máximo) de ellos. Este criterio recibe el nombre de
19
maximax. En el siguiente ejemplo con el caso de la pastelería “La Deliciosa se elige la alternativa a4
ya que representa el máximo de los máximos con 800 Bs.
Alternativas e1 e2 e3 e4 Maximax
a1 500 490 480 470 500
a2 410 600 590 580 600
a3 320 510 700 690 700
a4 230 420 610 800 800
Mejor Alternativa a 4 800
Para problemas de tipo minimizar (costos) se debe seleccionar el mínimo de todos los mínimos
para elegir la alternativa más óptima mediante este criterio.
1.3.3.2. Criterio Pesimista
Al utilizar el criterio pesimista, se considera el peor pago (mínimo) de cada alternativa y se elige la
que tiene el mejor (máximo) de ellas. Por consiguiente el criterio pesimista en ocasiones se llama
criterio maximin. Este criterio garantiza que el pago será al menos el valor maximin (el mejor de
los peores valores). Elegir una alternativa quizá permita que hubiera un peor pago (más bajo).
Alternativas e1 e2 e3 e4 Maximin
a1 500 490 480 470 470
a2 410 600 590 580 410
a3 320 510 700 690 320
a4 230 420 610 800 230
Mejor Alternativa a1 470
20
En el siguiente ejemplo con el caso de la pastelería “La Deliciosa se elige la alternativa a1 ya que
representa el máximo de los mínimos con 470 Bs.
Al usar el criterio pesimista para problemas de tipo minimización donde los menores pagos (como
costos) son mejores, se busca el peor pago (máximo) para cada alternativa y se elige la que tiene el
mejor (mínimo) de ellos.
Ambos criterios, maximax y maximin consideran tan solo un pago extremo para cada alternativa,
mientras que se ignoran los otros pagos. El siguiente criterio tomara en cuenta ambos extremos.
1.3.3.3. Criterio Realista (Criterio de Hurwicz)
Con frecuencia llamado promedio ponderado, el criterio de realismo (criterio de Hurwicz) es un

compromiso entre una decisión optimista y una pesimista. Para comenzar se selecciona un
coeficiente de realismo, también llamado índice de actitud u optimismo, α; esto mide el nivel de
optimismo del tomador de decisiones. El valor de este coeficiente esta entre 0 y 1. Cuando α es 1,
quien toma decisiones esta 100% optimista acerca del futuro. Cuando α es 0, quien toma de las
decisiones es 100% pesimista acerca del futuro. La ventaja de este enfoque permite al tomador de
decisiones manejar sentimientos personales acerca del optimismo y pesimismo relativos. El
promedio ponderado se calcula como:
Promedio ponderado = α (mejor fila) + (1 - α) (peor fila)
Para problemas de maximización el mejor pago para una alternativa es el valor más alto, y el peor
pago es el valor más bajo. Observe que cuando α = 1, este criterio es el mismo que el optimista y
cuando α = 0 este criterio es el mismo que el pesimista. Su valor se calcula para cada alternativa y
la alternativa con el mayor promedio ponderado es la elección.
En el siguiente ejemplo con el caso de la pastelería “La Deliciosa” que es de utilidades, se tiene lo
siguiente considerando que el valor α asignado es de α = 0.85.
Mejor Peor
e1 e2 e3 e4 fila Fila
Alternativas Máximo Mínimo
a1 500 490 480 470 500 470
a2 410 600 590 580 600 410
a3 320 510 700 690 700 320
a4 230 420 610 800 800 230
21
Promedio ponderado a1 = 0.85 (500) + (1 – 0.85) (470) = 495,50

Promedio ponderado a3 = 0.85 (700) + (1 – 0.85) (320) = 643
La mejor alternativa seria la a4 ya que tiene el mayor promedio ponderado ya que se quiere
maximizar en este ejemplo.
Al utilizar el criterio de realismo en problemas de tipo minimización, el mejor pago para una
alternativa será la más baja en la fila y la peor será la más alta en la fila. Se elige la alternativa con
el menor promedio ponderado.
1.3.3.4. Criterio de Probabilidades iguales (Laplace)
Este criterio utiliza todos los pagos/resultados de cada alternativa, es también llamado de Laplace.
Ahora debe encontrarse el pago promedio para cada alternativa y se elegirá la alternativa con el
mejor promedio o el más alto. El enfoque de probabilidades iguales supone que todas las
probabilidades de ocurrencia para los estados de naturaleza son las mismas y con ello cada estado
de la naturaleza tiene probabilidades iguales.
Probabilidad de cada estado de la naturaleza = (1/n)

n = número de estados de la naturaleza en total
En el siguiente ejemplo con el caso de la pastelería “La Deliciosa” que es de utilidades, se tiene lo
siguiente:
VME
e1 e2 e3 e4 con
Alternativas LAPLACE
a1 500 490 480 470 485
a2 410 600 590 580 545
a3 320 510 700 690 555
a4 230 420 610 800 515
La mejor alternativa seria la a3 ya que tiene el máximo pago promedio. Al utilizar el criterio de
probabilidades iguales para problemas de tipo minimización, los cálculos son exactamente los
mismos, pero la peor alternativa es la que tiene el menor pago promedio.
22
1.3.3.5. Arrepentimiento minimax
Este criterio se basa en el costo de oportunidad o el arrepentimiento. El costo de oportunidad se

refiere a la diferencia entre la ganancia o el pago óptimo por un estado de naturaleza dado y el
pago real recibido por una decisión especifica. En otras palabras, es la perdida por no elegir la
mejor alternativa en un estado de naturaleza dado.
El primer paso es crear la tabla de costo oportunidad determinando las perdidas por no elegir la
mejor alternativa para cada estado de la naturaleza. La pérdida de oportunidad para cualquier
estado de la naturaleza o cualquier columna, se calcula restando cada pago en la columna del
mejor pago en la misma columna.
Alternativas e1 e2 e3 e4
a1 500 490 480 470
a2 410 600 590 580
a3 320 510 700 690
a4 230 420 610 800
Mejor alternativa
500 600 700 800
por cada en
e1 e2 e3 e4
Alternativas Minimax
a1 0 110 220 330 330
a2 90 0 110 220 220
a3 180 90 0 110 180
a4 270 180 90 0 270
23
Si usamos la tabla de costo oportunidad (arrepentimiento), el criterio de arrepentimiento

minimax encuentra la alternativa que minimiza la perdida de oportunidad máxima dentro de cada
alternativa. Primero se encuentra la máxima (peor) perdida de oportunidad para cada alternativa.
Luego, entre estos valores máximos, se elige la alternativa con el numero mínimo (mejor). Al
hacerlo se garantiza que la perdida de oportunidad que ocurre en realidad no sea mayor que este
valor minimax. En el ejemplo se observa que la elección de arrepentimiento minimax es la tercera
alternativa y así se minimiza la perdida de oportunidad máxima.
Al calcular la perdida de oportunidad para problemas de minimización como los que incluyen
costos, el mejor pago o el mejor costo (más bajo) en una columna se resta de cada pago en esa
columna. Una vez elaborada la tabla de la perdida de oportunidad, se aplica el criterio de
arrepentimiento minimax de la misma manera descrita. Se encuentra la perdida de oportunidad
máxima para cada alternativa y se selecciona aquella que tiene el mínimo de los máximos. Al igual
que en los problemas de maximización, el costo de oportunidad nunca puede ser negativo.
24

Investigacion Operativa II Unidad I if-FCE - UNIDAD 1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigacion Operativa II Unidad I if-FCE - UNIDAD 1

Cargado por

Copyright:

Formatos disponibles

INTRODUCCION A LA INVESTIGACIÓN OPERATIVA II

APLICADA A CARRERAS DE LA FACULTAD DE CIENCIAS ECONOMICAS

INTRODUCCION A LA INVESTIGACIÓN OPERATIVA II

CAPITULO 1 TEORÍA DE LA DECISION

CAPITULO 2 PROGRAMACION DINAMICA

CAPITULO 3 CADENAS DE MARKOV

CAPITULO 4 TEORÍA DE COLAS O LINEAS DE ESPERA

CAPITULO 5 INTRODUCCION A LA SIMULACION

Recordemos también que anteriormente en la materia de Investigación de Operaciones I se ha

1.2. Características y fases de un proceso de decisión

El proceso de decisión consta de las siguientes fases fundamentales:

Predicción de las consecuencias de cada actuación. Esta predicción deberá basarse en la

1.2.1. Conceptos Básicos

Resultados: Puede expresarse en términos económicos (ganancia, costos, etc.) o en términos de

1.3. Clasificación de los modelos de decisión

a) Decisiones en ambiente de certidumbre o certeza: Se presenta cuando el decidor

1.3.1. Decisiones en ambiente de certidumbre o certeza

- PLANIFICACIÓN FINANCIERA. Willie Hanes es el presidente de una microempresa de

ACCIONES PRECIO POR ACCION RENDIMIENTO INVERSION MAXIMA

MAX Xo ₌ 3X1 + 3X2

“Reporte: Solution List del programa Q.M. for Windows”

“Reporte : Graph del programa Q.M. for Windows”

“Reporte: Graph – Corner Points del programa Q.M. for Windows”

Teóricamente, es fácil resolver un modelo con un solo estado de la naturaleza. Simplemente se

1.3.2. Decisiones en ambiente de riesgo

En el uso de modelos cuantitativos, la falta de certidumbre se puede manejar de diversas maneras.

1.3.2.1. Definición de Riesgo

1.3.2.2. Valor esperado o Valor Monetario Esperado

1.3.2.3. Matriz de Decisión o Tabla de Retribuciones

am= Es la alternativa (m) que se podría decidir.

en= Es el evento o estado de la naturaleza (n).

xmn= Es la consecuencia o resultado de decidir la alternativa (m) asociado a un evento o estado de

Probabilidades de la Demanda 0.20 0.25 0.32 0.23

Alternativas Estados de La naturaleza

Alternativas e1 100 e2 120 e3 140 e4 160 VME

a1 100 500 490 480 470 484,20

a2 120 410 600 590 580 554,20

a3 140 320 510 700 690 574,20

a4 160 230 420 610 800 530,20

E a1 0,20 500 0,25 490 0,32 480 0,23 470 484,20

1.3.2.3.2. Valor esperado de la información perfecta

VECIP= ∑ (mejor pago en el estado de la naturaleza i)(probabilidad del estado de la naturaleza i)

Si expandimos esto, se convierte en:

VEIP= VECIP – el mejor VME

En el ejemplo anterior utilizando estos conceptos tendríamos:

El mejor VME = 574,20

1.3.2.4. Arboles de Decisión

A un fabricante se le presentó una propuesta para un producto nuevo y debe decidir si

Armado del árbol de izquierda a derecha

Resolución y cálculo de los VME de derecha a izquierda

1.3.2.5. Decisiones Bayesianas

Calculo de Bayes dado que se aprueba en la materia de Investigación Operativa II.

ESTADO DE LA P(Aprobado) PROBABILIDAD PROBABILIDAD PROBABILIDAD

Forma general del Teorema de Bayes

Evento “hacer tareas” sustituya a A en la Ecuación General

Se reescribe la ecuación y se resuelve como sigue:

= P(aprobar/hacer tareas)P(hacer tareas)

= (0.90)(0.80) = 0.72 = 0.96

1.3.3. Decisiones en ambiente de Incertidumbre

1.3.3.1. Criterio Optimista

a1 500 490 480 470 500

a2 410 600 590 580 600

a3 320 510 700 690 700