Documentos de Académico
Documentos de Profesional
Documentos de Cultura
r.
TEORIA DE LAS DECISIONES 06
Ju
Bibliografía
Anderson, Sweeney y Williams; Introducción a los
.y
modelos cuantitativos para Administración. Grupo
Editorial Iberoamérica.
Eppen, Gould, Schmidt, Moore, Weatherford;
Investigación de Operaciones en la Ciencia
on
Administrativa - Creación de modelos de decisiones
con hojas de cálculo electrónicas. Prentice-Hall
Mathur y Solow; Investigación de Operaciones - El
Ec
arte de la toma de decisiones. Ed. Prentice Hall
s.
.C
ac
Ámbito de aplicación
-F
Teoría de la Decisión 1
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Estructuración del Problema de Decisión
Aplicación cuando se enfrentan alternativas de decisión
con patrón de eventos futuros inciertos o dudosos.
.y
1. Identificar opciones a evaluar.
2. Identificar posibles eventos futuros. (Estados de la
Naturaleza).
3. Obtener información sobre las posibles consecuencias
on
de cada combinación Opción-Estado de la Naturaleza.
Ejemplo (Anderson)
Opciones: Equipo Grande (d1)
Ec
Equipo Mediano (d2)
Equipo Chico (d3)
Estados de la Naturaleza: Alta aceptación de los clientes (N1)
Baja aceptación de los clientes (N2)
s.
.C
ac
Estados de Naturaleza
am
N1 N2
d1 200 -20
Alternativas d2 170 40
d3 100 60
LP
UN
Teoría de la Decisión 2
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Toma de decisiones sin probabilidades (Incertidumbre)
Aplicable cuando:
No se requiere conocimiento de las probabilidades de los E.N.
.y
Poca confianza en evaluar las probabilidades de E.N.
Cada uno depende del juicio del decisor.
1. Criterio WALD: minimax (criticable y a veces inaceptable).
on
También llamado Método (criterio) conservador o pesimist
Decisión recomendada: la mejor de las peores que pudieran
ocurrir.
N1 N2
Procedimiento:
Ec
1. Seleccionar el peor resultado
que puede dar cada opción.
2. De los valores seleccionados,
d1
d2
200 -20
170 40
-20
40
d3 100 60 60
tomar el mejor.
s.
.C
ac
2. Criterio maximax.
También denominado Método (criterio) optimista.
La decisión recomendada es la mejor de las mejores que
pudieran ocurrir.
am
N1 N2
Procedimiento:
1. Seleccionar el mejor d1 200 -20 200
resultado que puede dar cada d2
opción.
170 40 170
LP
Teoría de la Decisión 3
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Toma de decisiones sin probabilidades (Incertidumbre) (CONT.)
.y
hi = Ai ( 1 ) ai
O fijación de rangos de preferencia entre los hi.
on
Si = 1, equivale a Maximax
Si = 0?
estado Nj.
Ec
4. Criterio de LAPLACE: Incertidumbre de ocurrencia de cada
Se asume equiprobabilidad:
1
M ax
i n
( a i 1 a i 2 . . . a in )
s.
.C
ac
5. Criterio de SAVAGE:
a) Pérdidas por ignorancia de estados Nj ( lamentos).
con (“lamentos”)
am
rij 0
Teoría de la Decisión 4
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Toma de decisiones con probabilidades
Puede tratarse de un caso de certeza: en qué casos? Modelo?
Caso de riesgo
.y
Procedimiento:
a) Para cada decisión, determinar utilidad de cada resultado
posible.
b) Determinar probabilidad de cada resultado posible.
on
c) Calcular utilidad esperada de cada decisión.
d) Seleccionar decisión con mayor utilidad esperada.
Según creencias (o Subjetivas...
expectativas) del
decisor.
Por ejemplo, para
Ec Utilidad de la separación?
Al separarlas se obliga al decisor
a considerarlas apropiada e
N1: 0,6 y para N2 : 0,4. independientemente antes de
s.
combinarlas
.C
ac
Caso de riesgo:
a) Árbol de escenarios:
polietápico con azar que condiciona decisiones posteriores.
b) Árbol de decisión:
am
Teoría de la Decisión 5
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Representación del modelo: Árbol de decisión
.y
Azar 2
N2 (u hoja)
d1 -20
Vértice
Decisión
on
N1 170
d2
1 3
N2
Vértice
d3 40
Inicial
(o raíz)
Ec 4
N1
N2
100
60
s.
.C
ac
Construcción:
Desde la raíz hacia las hojas
Valoración
Desde las hojas hacia la raíz.
am
Teoría de la Decisión 6
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
A lta Representación
Baja del modelo: Árbol de decisión
Probabilida des 0,6 0,4
.y
0,6
Alta (E1)
200
Grande (d1) 200 200
0 112 0,4
Ba ja (E2)
-20
on
-20 -20
0,6
Alta (E1)
170
Mediano (d2) 170 170
2
118 0 118 0,4
Ba ja (E2)
Ec
40
40 40
VME=0,6 . 170 +0,4 . 40 0,6
Alta (E1)
100
Chico (d3) 100 100
0 84 0,4
Ba ja (E2)
s.
60
60 60
.C
ac
Análisis de sensibilidad
Analiza efecto de cambios en las estimaciones de probabilidad
-F
140
140
3 80
p(E2) = 1 - p(E1) 80
60
60
40
LP
40
200 p(E1) - 20 (1-p(E1)) = VE 2
20
p1
170 p(E1)+40 (1- p(E1)) = VE 0
0
0 0,1 0.2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
100 p(E1)+60 (1- p(E1)) = VE-20 p1=0,6 -20
-40
-40
UN
-60
-60
Teoría de la Decisión 7
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Valor esperado de la información perfecta (VEIP)
Se debe establecer...
... cuánto pagar por confirmar que la información sobre las
.y
probabilidades es cierta?
Calcular media ponderada según las probabilidades asignadas.
Ejemplo: si por tener información perfecta se adopta siempre
la decisión que reporta el mejor resultado,
on
GECIP = p(E1) . 200.000 + p(E2) . 60.000
GECIP = 0,6 . 200.000 + 0,4 . 60.000
GECIP = 120.000 + 24.000
Ganancia adicional?:
Ec VEIP = GECIP - GESIP
VEIP = 144.000 - 118.000
VEIP = 26.000
Cuánto SE PUEDE pagar?
s.
.C
ac
Teoría de la Decisión 8
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Valor esperado de la información muestral (VEIM)
Probabilidades previas (a priori): las vistas p(E1) y p(E2)
Probabilidades posteriores (a posteriori) o modificadas:
.y
surgen de modificación en proceso Bayesiano. Según
muestras; reflejan información adicional proveniente de
Indicadores (información muestral).
I1: reporte favorable según mercado
on
I2: reporte desfavorable según condiciones de mercado
Son el resultado final de la transformación bayesiana:
ocurrido Ik Ec
Probabilidad Condicional de que ocurra Ej habiendo
p(Ej / Ik )
Probabilidad Conjunta de que se presenten dos sucesos
p(Ej y Ik) = p(Ik /Ej) . p(Ej)
s.
.C
ac
p(I1)
Teoría de la Decisión 9
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Valor esperado de la información muestral (VEIM)
N1 N2 Paso 1: Estimar
C onfiabilidad es E1 E2
confiabilidades
Alta Baja
Favorab le (I 1 ) 0,8 0,1 Probabilidad
.y
Desfavorab le (I 2 ) 0,2 0,9 <----de D esfavorable siendo Baja , p (I 2 |B)
on
Paso 3: Probabilidades marginales
Probabilid ades conjuntas y m arg inales
Alta Baja
= suma de la fila para cada Ik
Favorab le (I 1 ) 0,48 0,04 0,52 Probabilidad
Desfavorab le (I 2 ) 0,12 0,36 0,48 <----------de D esfavorable p (I 2 )
Ec
0,6 0,4
<--Prob de D esfav y Baja , p (I 2 y B)
decisión.
Nodo 2 (compara Nodos 4, 5 y 6): $183.077. ==> = VE(4)
Nodo 3 (compara Nodos 7, 8 y 9) : $ 72.500. ==> = VE(9)
3. Para el nodo de azar inicial (raíz), calcular Valor Esperado
LP
del problema.
Nodo 1: VE = 0,52 . 183 077 + 0,48 . 72 500
UN
VE = 130.000
Teoría de la Decisión 10
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Valor esperado de la información muestral (VEIM)
Definición de la estrategia óptima0,923
(Árbol
0,923 para I1)
Alta (E1)
200
200
Grande (d1) 200 200
.y
0 183,077 0,077
0,077
Baja (E2)
-20
-20
-20 -20
0,923
0,923
Alta (E1)
170
on
0,52 170
Favorable (I1) Mediano (d2) 170 170
Ec
0,923
0,923
Alta (E1)
100
100
Chico (d3) 100 100
0 96,923 0,077
0,077
Baja (E2)
60
60
60 60
s.
1
.C
ac
Alta (E1)
VME=0,923 . 200 +0,077 . (-20) 200
Grande (d1) 200 200
0 183,077 0,077
Baja (E2)
-20
-20 -20
VME=0,923 . 170 +0,077 . 40
0,923
am
Alta (E1)
0,52 170
Favorable (I1) Mediano (d2) 170 170
0,923
Alta (E1)
100
Chico (d3) 100 100
0 96,923 0,077
Baja (E2)
UN
60
60 60
1
Teoría de la Decisión 11
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Valor esperado de la información muestral (VEIM)
Definición de la estrategia óptima (Árbol para I2)
1
130,000 0,250
Alta (E1)
200
.y
Grande (d1) 200 200
0 35,000 0,750
Baja (E2)
-20
-20 -20
0,250
on
Alta (E1)
0,48 170
Desfavorable (I2) Mediano (d2) 170 170
Ec
40 40
0,250
Alta (E1)
100
Chico (d3) 100 100
0 70,000 0,750
Baja (E2)
60
s.
60 60
.C
ac
Teoría de la Decisión 12
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Valor esperado de la información muestral (VEIM)
Definición de la estrategia óptima
.y
En cuánto representa a la información perfecta, que tiene la
calificación ideal?
on
E = (VEIM / VEIP) . 100 =x%
E = 46,15%
Ec
s.
.C
ac
Teoría de la Decisión 13
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Decisiones basadas en la utilidad
GANANCIA (profit) o UTILIDAD (utility)?
.y
tiene en cuenta un conjunto de factores como ganancia,
pérdida y riesgo.
on
resultados” (Eppen).
Ec
s.
.C
ac
N1 N2
d1 200 -20
EJEMPLO.
d2 170 40
Partiendo del utilizado d3 100 60
previamente, con el supuesto
Resuelto con el criterio
adicional de que existe la
am
de la Ganancia Esperada:
disposición a correr riesgos.
Opción d2, VME= 118
1. A cada resultado (ganancia) de la matriz asignarle un valor
relativo (utilidad).
LP
Por ejemplo, 10 y 0.
Teoría de la Decisión 14
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Decisiones basadas en la utilidad
METODOLOGÍA (cont.) N1 N2
d1 200 -20
1.2. Convertir los valores intermedios. d2 170 40
.y
El decisor debe evaluar si prefiere: d3 100 60
a) Una ganancia segura de $X (valor intermedio de la matriz);
b) El resultado de una apuesta en la que puede ganar el
on
máximo de los resultados posibles con una probabilidad po
el mínimo de los resultados posibles con probabilidad 1-p
U(100) = 10 . 0,3
Ec
Para a31 = 100, si fuera p = 0,30. GME = 200 . 0,3 + (-20) . 0,7
GME = 60 - 14 (Analizar
68 y 100)
s.
U(100) = 30 GME = 46
.C
ac
d2-N1 0,7 7 8
d3-N1 0,3 3 7
N1 N2 3
d1 10 0 2
d2 7 1,1 1
0
Resultado
d3 3 1,8 -20 0 20 40 60 80 100 120 140 160 180 200
-1
UN
Teoría de la Decisión 15
Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas
18 - Métodos Cuantitativos para la Administración
r.
TEORIA DE LAS DECISIONES 06
Ju
Decisiones basadas en la utilidad
METODOLOGÍA (cont.)
2. Seleccionar la opción que arroja la mayor utilidad
esperada, aplicando las probabilidades (condicionales)
.y
como factores de ponderación.
Utilidad B
Cambia la decisión a 10
9
recomendar cuando se 8
on
aplica Utilidad? 7
Tomador
la persona neutral al 5
de riesgo
riesgo?
4
Ec
3
Utilidades
2
200 10,00
170 8,64 1
A
100 5,45 0
Resultado
-20 0 20 40 60 80 100 120 140 160 180 200
60 3,64
-1
40 2,73 Funciones de utilidad (neutral y tomador)
s.
-20 0,00
.C
ac
-F
am
LP
UN
Teoría de la Decisión 16