06 - MCA Teorico Teoria Decision

Universidad Nacional de La Pampa
Facultad de Ciencias Económicas y Jurídicas

18 - Métodos Cuantitativos para la Administración
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
En términos generales, se ocupa de decisiones contra la

Naturaleza: el resultado de la acción individual depende
de la acción de otro agente sobre el cual no se tiene
control. El resultado afecta sólo al decisor.
am
Provee un marco para analizar modelos en función de:

1. la cantidad de información disponible para el modelo.
2. proveer un criterio de decisión. (medida de “bondad”
de la decisión para cada tipo de modelo)
LP
Permite aplicar modelos de decisiones secuenciales que

incluyen eventos inciertos.
UN
Teoría de la Decisión 1
r.
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
Representación del modelo: Tabla (matriz) de “pagos”,

“ganancias” o “consecuencias”
-F
Estados de Naturaleza
am
N1 N2
d1 200 -20
Alternativas d2 170 40
d3 100 60
LP
UN
r.
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

-F
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
2. De los valores seleccionados, d3 100 60 100

tomar el mejor.
UN
r.
Ju
Toma de decisiones sin probabilidades (Incertidumbre) (CONT.)
3. Criterio de HURWICZ: asignar un factor de optimismo ( ).

De todas las estrategias puras, el mayor hi
.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

-F
5. Criterio de SAVAGE:
a) Pérdidas por ignorancia de estados Nj ( lamentos).
rij  aij  Max akj (lo que dejo de ganar por no

k elegir akj, que era el mejor)
con (“lamentos”)
am
rij  0
b) Aplicar Minimax ( o Hurwicz, o Laplace).

LP
UN
r.
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
Toma de decisiones con probabilidades

-F
Caso de riesgo:
a) Árbol de escenarios:
polietápico con azar que condiciona decisiones posteriores.
b) Árbol de decisión:
am
1. Número razonable de alternativas. Discretos

2. Número razonable de estados. ambos
3. Cada decisión condiciona o no lo que pueda ocurrir
posteriormente.
LP
UN
r.
Ju
Representación del modelo: Árbol de decisión
Vértice N1 200 Vértice

Terminal
.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
Representación del modelo: Árbol de decisión

-F
Construcción:
Desde la raíz hacia las hojas
Valoración
Desde las hojas hacia la raíz.
am
1. Nodos azar: valor según criterios. En general, Valor medio.

2. Nodos decisión: según la mejor decisión en función del
criterio empleado. No seleccionado, implica rechazo, y el
camino saliente vale cero.
LP
UN
r.
Ju
A lta Representación
Baja del modelo: Árbol de decisión
Probabilida des 0,6 0,4
Esta dos de Naturale za

DECISION Alta (N 1 ) Baja (N 2 ) Va lor Espe ra do
Grande (d 1 )
Mediano (d 2 )
200
170
-20
40
112
118
VME=0,6 . 200 +0,4 . (-20)
Chico (d 3 ) 100 60 84
.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
de los Ej sobre la decisión a recomendar.

Muchos Estados posibles? Requiere numerosos cálculos. (Soft)
VE 1
180
Si sólo existen E1 y 180
160
160
E2 se admite la 2
am
140
140
representación 120 VE=118 120
gráfica, porque 100

100
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
r.
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
Valor esperado de la información muestral (VEIM)

Utilización de la investigación de mercados.
-F
1. Diseño y ejecución de la investigación de mercados.

2. Revisar probabilidades en función de la I.M.
3. Identificar mejor opción según probabilidades revisadas.
Repaso probabilidades.
am
• Sucesos mutuamente excluyentes: (que se produzca alguno de

los sucesos). Suma de las probabilidades de ocurrencia de cada uno.
• Sucesos independientes: la probabilidad de ocurrencia de uno de
ellos, no es afectada por la ocurrencia de otro.
• Sucesos compuestos con componentes independientes:
LP
producto de las probabilidades de los sucesos independientes.

• Sucesos compuestos con componentes no independientes:
(que se verifiquen dos sucesos) Producto de la probabilidad no
condicional de un suceso por la probabilidad condicionada de otro,
UN
dada la ocurrencia del primero.
r.
Ju
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

Cuándo puede utilizarse este proceso?
-F
Requiere conocer relaciones de probabilidad entre Ik y Ej

Cómo? Registros históricos; experiencia pasada...
Aplicación al ejemplo:
Probabilidad de la rama I1. Hay dos posibilidades:
am
a) Cuando se da E1, p(I1 y E1) = p(I1 /E1) . p(E1) o (+)

b) Cuando se da E2, p(I1 y E2) = p(I1 /E2) . p(E2)
Sumando se tiene p(I1)
LP
Cálculo de las probabilidades a posteriori (o modificadas):

Del E1 , p(I1 /E 1) . p(E1)
cuando el informe es favorable:
p(E1 /I 1) 
UN
p(I1)
r.
Ju
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)
Probabilid ades A priori

Alta Paso 2: Probabilidades conjuntas
Baja
0,6 0,4 = Confiabilidades x a priori
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)
Probabilidades A posteriori Paso 4: Probabilidades a posteriori

Alta Baja = prob. conjunta dividido P(Ik)
Favorable (I1 ) 0,923 0,077 Probabilidad
s.
Desfavorable (I2 ) 0,250 0,750 <----de Baja siendo Desfavorable, p (B|I2)
.C
ac

Definición de la estrategia óptima
-F
1. En cada nodo de Estado Nj calcular el valor esperado:

n
VE ( ij )  a
j1
ij .P ( E j / I k ) i  1, 2, ... , m para todo k
2. Para cada nodo de decisión evaluar Max VE(ij) de cada nodo

am
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
r.
Ju
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
0 183,077 0 160,000 0,077

0,077
Baja (E2)
40
40
40 40
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

Definición de la estrategia óptima0,923
(Árbol para I1)
-F
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
0 183,077 0 160,000 0,077

Baja (E2)
40
40 40
LP
0,923
Alta (E1)
100
Chico (d3) 100 100
0 96,923 0,077
Baja (E2)
UN
60
60 60
1
r.
Ju
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
0 72,500 0 72,500 0,750

Baja (E2)
40
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

-F
Cuál es la decisión final?

NO SE CONOCE.
Sólo se sabe cuál sería su VALOR ESPERADO, y qué hacer
según el resultado de la muestra:
Indicador Favorable? ---------> Estrategia d1 (Equipo grande)
am
Indicador Desfavorable? -----> Estrategia d3 (Equipo chico)

Cuánto puede pagarse por el estudio muestral?
Lo define el VEIM: VEIM = GECIM - GESIP
LP
VEIM = 130 000 - 118 000

VEIM = 12 000
UN
r.
Ju
Eficiencia (E) de la información muestral.
.y
En cuánto representa a la información perfecta, que tiene la
calificación ideal?
on
E = (VEIM / VEIP) . 100 =x%
E = (12 000 / 26 000) . 100
E = 46,15%
Ec
s.
.C
ac
Decisiones basadas en la utilidad

Es siempre conveniente basarse en la ganancia media
-F
esperada para tomar una decisión?

Qué ocurre en los juegos de azar? El valor neto esperado de
los pagos futuros es negativo!!!
Qué ocurre en la contratación de seguros? El valor neto
am
esperado de los pagos futuros es negativo!!!

Y sin embargo, existen personas que intervienen en juegos de
azar y personas que contratan seguros ...
Cómo se explica? Por el valor asignado a cada unidad
LP
monetaria en idéntica situación; cada individuo lo valora de

distinta manera.
Qué se considera UTILIDAD?
UN
r.
Ju
GANANCIA (profit) o UTILIDAD (utility)?
UTILIDAD: valor relativo de un resultado, en el cual el decisor
.y
tiene en cuenta un conjunto de factores como ganancia,
pérdida y riesgo.
“Refleja con exactitud los aspectos atractivos de los
on
resultados” (Eppen).
Ec
s.
.C
ac

METODOLOGÍA
-F
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
1.1. Ordenamiento descendente de U(200) = 10

las ganancias; dar valor
arbitrario asociado a los U(-20) = 0
extremos.
UN
Por ejemplo, 10 y 0.
r.
Ju
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
De la evaluación debe surgir el valor de p que le da una

situación de indiferencia.
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

METODOLOGÍA (cont.)
-F
Se repite el proceso para los demás valores de la matriz.

Resultado final: Tabla de
utilidades del decisor. Utilidad
10
Dec.-Est p U
9
d1-N1 1 10
am
d2-N1 0,7 7 8
d3-N1 0,3 3 7
d3-N2 0,18 1,8 6
d2-N2 0,11 1,1 5 Tomador

de riesgo
d1-N2 0 0 4
LP
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
Funciones de utilidad (neutral y tomador)
r.
Ju
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
En qué basa su decisión 6
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

06 - MCA Teorico Teoria Decision

Cargado por

Información del documento

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

06 - MCA Teorico Teoria Decision

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional de La Pampa

Facultad de Ciencias Económicas y Jurídicas

TEORIA DE LAS DECISIONES 06

En términos generales, se ocupa de decisiones contra la

Provee un marco para analizar modelos en función de:

Permite aplicar modelos de decisiones secuenciales que

TEORIA DE LAS DECISIONES 06

Representación del modelo: Tabla (matriz) de “pagos”,

TEORIA DE LAS DECISIONES 06

Toma de decisiones sin probabilidades (Incertidumbre)

2. De los valores seleccionados, d3 100 60 100

3. Criterio de HURWICZ: asignar un factor de optimismo ( ).

TEORIA DE LAS DECISIONES 06

Toma de decisiones sin probabilidades (Incertidumbre)

rij  aij  Max akj (lo que dejo de ganar por no

b) Aplicar Minimax ( o Hurwicz, o Laplace).

TEORIA DE LAS DECISIONES 06

Toma de decisiones con probabilidades

1. Número razonable de alternativas. Discretos

Vértice N1 200 Vértice

TEORIA DE LAS DECISIONES 06

Representación del modelo: Árbol de decisión

1. Nodos azar: valor según criterios. En general, Valor medio.

Esta dos de Naturale za

TEORIA DE LAS DECISIONES 06

de los Ej sobre la decisión a recomendar.

representación 120 VE=118 120

gráfica, porque 100

TEORIA DE LAS DECISIONES 06

Valor esperado de la información muestral (VEIM)

1. Diseño y ejecución de la investigación de mercados.

• Sucesos mutuamente excluyentes: (que se produzca alguno de

producto de las probabilidades de los sucesos independientes.

dada la ocurrencia del primero.

TEORIA DE LAS DECISIONES 06

Valor esperado de la información muestral (VEIM)

Requiere conocer relaciones de probabilidad entre Ik y Ej

a) Cuando se da E1, p(I1 y E1) = p(I1 /E1) . p(E1) o (+)

Cálculo de las probabilidades a posteriori (o modificadas):

Probabilid ades A priori

Probabilidades A posteriori Paso 4: Probabilidades a posteriori

TEORIA DE LAS DECISIONES 06

Valor esperado de la información muestral (VEIM)

1. En cada nodo de Estado Nj calcular el valor esperado:

2. Para cada nodo de decisión evaluar Max VE(ij) de cada nodo

0 183,077 0 160,000 0,077

TEORIA DE LAS DECISIONES 06

Valor esperado de la información muestral (VEIM)

0 183,077 0 160,000 0,077

0 72,500 0 72,500 0,750

TEORIA DE LAS DECISIONES 06

Valor esperado de la información muestral (VEIM)

Cuál es la decisión final?

Indicador Desfavorable? -----> Estrategia d3 (Equipo chico)

VEIM = 130 000 - 118 000

Eficiencia (E) de la información muestral.

E = (12 000 / 26 000) . 100

TEORIA DE LAS DECISIONES 06

Decisiones basadas en la utilidad

esperada para tomar una decisión?

esperado de los pagos futuros es negativo!!!

monetaria en idéntica situación; cada individuo lo valora de

UTILIDAD: valor relativo de un resultado, en el cual el decisor

“Refleja con exactitud los aspectos atractivos de los