Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DECISIONES
Elementos de la Toma de
Decisiones
Un problema que requiere solución
Decisiones Tácticas
Control y Operaciones
Control y Mano de Obra
I Control y Materias
Primas
Control y Bodega
Control de Calidad
etc…
Clasificación de acuerdo a la cantidad
y calidad de la Información
Certeza
Riesgo
Incertidumbre
Conflicto
Toma de Decisiones bajo condiciones
de Certeza
También llamado Modelo Determinístico
Se dispone de suficiente información
para suponer que las condiciones
actuales se mantendrán durante un
periodo determinado.
El problema se reduce a calcular el
resultado del modelo derivado de la
interacción de las variables
consideradas.
Ejemplo:
Utilidad =
Empleados Precio Costo (Precio – Costo) x Nº de empleados
Programación Lineal
Programación de la Producción
Control de Inventarios
Toma de Decisiones bajo condiciones
de Riesgo
Componentes:
Ai: Un conjunto de alternativas de decisión.
Ej: Un conjunto de eventos posibles.
pj: Un conjunto de probabilidades asociadas a los eventos.
Xi j: Resultados de las iteraciones entre las Alternativas y los
Eventos.
Estructura de una Matriz de Pagos:
E1 E2 En
...
p1 p2 pn
A1 X11 X12 ... X1n
A2 X21 X22 ... X2n
A3 X31 X32 ... X3n
...
...
...
...
Am Xm1 Xm2 ... Xmn
Criterios
Para cada alternativa de decisión se debe realizar el cálculo de su Valor
Monetario Estimado (VEM)
VEM (A i) = ∑ Xi j p j
j=1
Criterios
Si los resultados de las interrelaciones
Xij representan utilidades, el criterio del
VEM será el siguiente:
VEM = Max VEM (Ai) (El VEM más grande)
VEC = ∑ Xj* p j
j=1
VEC = 48.750
Componentes
Alternativas de Decisión en cada punto de decisión,
Eventos que puedan incidir en el resultado de cada alternativa de
decisión.
Probabilidades de ocurrencia de los eventos que afectan a los
resultados.
Resultado de las posibles interacciones entre alternativas de decisión y
eventos.
Estructura de un Árbol de
Decisiones
Evento Aleatorio Punto de Decisión
E X
p
E
p X
A1 E E
p X p X
E
p X
A2 A3 E
p X
A4
E X
p
E
p X
E
p X
Árbol de Decisiones asociado al
ejemplo anterior:
Buen Tiempo
0,25 40.000
Tiempo Variable
0,50 60.000
Mal Tiempo
0,25
10.000
Buen Tiempo
0,25 50.000
Tiempo Variable
0,50 40.000
Mal Tiempo
0,25
15.000
Buen Tiempo
0,25 60.000
Tiempo Variable
0,50 20.000
Mal Tiempo
0,25
12.000
Ejemplo
El Gerente de Producción debe satisfacer un pedido de tornillos con un diseño específico.
Para fabricarlos se hace necesario un equipo especial que es escasamente requerido por la
compañía.
La empresa posee una máquina antigua que no se encuentra en óptimas condiciones, existiendo
la posibilidad de que falle antes de completar la producción de tornillos.
En el caso de que la máquina llegue a fallar, el tiempo necesario para su reparación haría
imposible cumplir con el pedido.
Ante esta eventualidad habría que arrendar una máquina en $500.000.-
Al mismo tiempo se incurriría en un gasto adicional de $100.000.- debido al sobretiempo
necesario para recuperar el tiempo perdido.
Si no se arrienda la máquina nueva, el cliente no recibirá el pedido y demandará a la empresa por
incumplimiento de contrato, exigiendo una indemnización por $10.000.000.-
Por otra parte, existe la posibilidad de arrendar una máquina nueva desde el principio, la que no
estaría sujeta a posibles fallas. Sin embargo, si se utiliza dicha máquina, existe la posibilidad de
efectuar un gasto adicional de $50.000 por concepto de calibración.
Por antecedentes históricos se sabe que la probabilidad de que la máquina antigua llegue a fallar
es de un 60 %, mientras que la probabilidad de que la máquina nueva necesite ser calibrada es
del 20 %.
Además, en el juzgado correspondiente un 30% de las demandas por incumplimiento de contrato
conceden la indemnización al demandante.
¿Qué le recomendaría a este Gerente?
va
Nue
uina
ua Máq
dar
g
nti
aA rren
áqu
in A 2: A
rM
Usa 1
A:
No Falla
40 %
gua
nti
Falla
aA
in
60 %
áqu
rM
Usa
A:
1
A 2: A
rren
dar
Máq
uina
20 %
va
80 %
No Falla
$ 0.-
40 %
gua
nti
Falla
aA
in
60 %
áqu
rM
Usa
A:
1
A 2: A
rren
dar
Máq
uina
ir
pl
m
cu
3:
No
A
gua
nti
Falla
aA
in
60 %
A
áqu
4 :A
rM
rr
en
Usa
da
r
A:
1
A 2: A
rren
dar
Máq
uina
30 %
No Falla
$ 0.-
40 %
ir
pl
m
cu
No hay que pagar
3:
No
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
A:
1
A 2: A
80 %
Máq
uina
No Falla
$ 0.-
40 %
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
A:
1
A 2: A
80 %
Máq
uina
No Falla
$ 0.-
40 %
VEM
VEM (A
(A33):): [(10.000.000
[(10.000.000 xx 0,3)
0,3) ++ (0
(0 xx 0,7)]
0,7)] == $$ 3.000.000.-
3.000.000.-
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
A:
1
A 2: A
80 %
Máq
uina
No Falla
$ 0.-
40 %
VEM
VEM (A
(A33):): [(10.000.000
[(10.000.000 xx 0,3)
0,3) ++ (0
(0 xx 0,7)]
0,7)] == $$ 3.000.000.-
3.000.000.-
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
A:
1
VEM
VEM (A
(A44):): [(650.000
[(650.000 xx 0,2)
0,2) ++ (600.000
(600.000 xx 0,8)]
0,8)] == $$ 610.000.-
610.000.-
A 2: A
80 %
Máq
uina
No Falla
$ 0.-
40 %
VEM
VEM (A
(A33):): [(10.000.000
[(10.000.000 xx 0,3)
0,3) ++ (0
(0 xx 0,7)]
0,7)] == $$ 3.000.000.-
3.000.000.-
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
VEM
VEM (A
(A11):): [(0
[(0 xx 0,4)
0,4) ++ (610.000
(610.000 xx 0,7)]
0,7)] == $$ 366.000.-
A:
366.000.-
1
VEM
VEM (A
(A44):): [(650.000
[(650.000 xx 0,2)
0,2) ++ (600.000
(600.000 xx 0,8)]
0,8)] == $$ 610.000.-
610.000.-
A 2: A
80 %
Máq
uina
No Falla
$ 0.-
40 %
VEM
VEM (A
(A33):): [(10.000.000
[(10.000.000 xx 0,3)
0,3) ++ (0
(0 xx 0,7)]
0,7)] == $$ 3.000.000.-
3.000.000.-
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
VEM
VEM (A
(A11):): [(0
[(0 xx 0,4)
0,4) ++ (610.000
(610.000 xx 0,7)]
0,7)] == $$ 366.000.-
A:
366.000.-
1
VEM
VEM (A
(A44):): [(650.000
[(650.000 xx 0,2)
0,2) ++ (600.000
(600.000 xx 0,8)]
0,8)] == $$ 610.000.-
610.000.-
A 2: A
80 %
Máq
uina
VEM
VEM (A
(A22):): [(550.000
[(550.000 xx 0,2)
0,2) ++ (500.000
(500.000 xx 0,8)]
0,8)] == $$ 510.000.-
510.000.-
No Falla
$ 0.-
40 %
VEM
VEM (A
(A33):): [(10.000.000
[(10.000.000 xx 0,3)
0,3) ++ (0
(0 xx 0,7)]
0,7)] == $$ 3.000.000.-
3.000.000.-
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
VEM
VEM (A
(A11):): [(0
[(0 xx 0,4)
0,4) ++ (610.000
(610.000 xx 0,7)]
0,7)] == $$ 366.000.-
A:
366.000.-
1
VEM
VEM (A
(A44):): [(650.000
[(650.000 xx 0,2)
0,2) ++ (600.000
(600.000 xx 0,8)]
0,8)] == $$ 610.000.-
610.000.-
A 2: A
80 %
Máq
uina
VEM
VEM (A
(A22):): [(550.000
[(550.000 xx 0,2)
0,2) ++ (500.000
(500.000 xx 0,8)]
0,8)] == $$ 510.000.-
510.000.-
No Falla
$ 0.-
40 %
VEM
VEM (A
(A33):): [(10.000.000
[(10.000.000 xx 0,3)
0,3) ++ (0
(0 xx 0,7)]
0,7)] == $$ 3.000.000.-
3.000.000.-
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
VEM
VEM (A
(A11):): [(0
[(0 xx 0,4)
0,4) ++ (610.000
(610.000 xx 0,7)]
0,7)] == $$ 366.000.-
A:
366.000.-
1
VEM
VEM (A
(A44):): [(650.000
[(650.000 xx 0,2)
0,2) ++ (600.000
(600.000 xx 0,8)]
0,8)] == $$ 610.000.-
610.000.-
A 2: A
80 %
Máq
uina
VEM
VEM (A
(A22):): [(550.000
[(550.000 xx 0,2)
0,2) ++ (500.000
(500.000 xx 0,8)]
0,8)] == $$ 510.000.-
510.000.-
No Falla
$ 0.-
40 %
VEM
VEM (A
(A33):): [(10.000.000
[(10.000.000 xx 0,3)
0,3) ++ (0
(0 xx 0,7)]
0,7)] == $$ 3.000.000.-
3.000.000.-
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
VEM
VEM (A
(A11):): [(0
[(0 xx 0,4)
0,4) ++ (610.000
(610.000 xx 0,7)]
0,7)] == $$ 366.000.-
A:
366.000.-
1
VEM
VEM (A
(A44):): [(650.000
[(650.000 xx 0,2)
0,2) ++ (600.000
(600.000 xx 0,8)]
0,8)] == $$ 610.000.-
610.000.-
A 2: A
80 %
Máq
uina
VEM
VEM (A
(A22):): [(550.000
[(550.000 xx 0,2)
0,2) ++ (500.000
(500.000 xx 0,8)]
0,8)] == $$ 510.000.-
510.000.-
No Falla
$ 0.-
40 %
VEM
VEM (A
(A33):): [(10.000.000
[(10.000.000 xx 0,3)
0,3) ++ (0
(0 xx 0,7)]
0,7)] == $$ 3.000.000.-
3.000.000.-
ir
pl
m
cu
No hay que pagar
No
0 + 0 + 0 = $ 0.-
3:
A
70 %
gua
nti
Falla
aA
in
60 %
A
áqu
rr
en
20 %
Usa
da
r
VEM
VEM (A
(A11):): [(0
[(0 xx 0,4)
0,4) ++ (610.000
(610.000 xx 0,7)]
0,7)] == $$ 366.000.-
A:
366.000.-
1
VEM
VEM (A
(A44):): [(650.000
[(650.000 xx 0,2)
0,2) ++ (600.000
(600.000 xx 0,8)]
0,8)] == $$ 610.000.-
610.000.-
A 2: A
80 %
Máq
uina
VEM
VEM (A
(A22):): [(550.000
[(550.000 xx 0,2)
0,2) ++ (500.000
(500.000 xx 0,8)]
0,8)] == $$ 510.000.-
510.000.-
Campa
ña fracas
F
a
en
ada
ntu
27 – 31,5 = -4,5
ja
Ba 5%
-Ve
a 5
int
Dd
54 – 31,5 = 22,5
Jo
a
Medi
Dda 35%
Filial en Francia
3 Dda Alta
10% 90 – 31,5 = 58,5
Est
so
exito -31,5 – 9 + 72 = 31,5
rat
ltad o 60%
Resu
eg
ia d
eci
a l
4 Malos R
eP
Es p e sultado
òn s
oci
ene
b le
i
ra
òn
e sfavo Retirarse
nD -31,5 + 25,2 = 6,3
e acciò 60%
R
5 Reac
ciòn
F avo
40% ra b le
-31,5 + 63 = 31,5
La mejor opción es instalar una filial en Francia y, si la
demanda por los productos de Golo S.A. es baja, se
debe realizar una campaña publicitaria, con lo que se
espera obtener MM$23,625.
Otro Ejemplo:
La presidenta de una compañía dedicada a la investigación y desarrollo de nuevas
tecnologías cree que un empleado de la compañía está proporcionado Información
confidencial a la competencia. Ella está segura en un 80% que éste informante es el
tesorero de la compañía, cuyos contactos han sido extremadamente valiosos para
obtener financiamiento para la compañía. Si lo despide y es el informante, la compañía
gana $100.000. Si lo despide pero no es el informante, la compañía pierde su
experiencia y aún tiene a un informante en el equipo, con una pérdida para la compañía
de $300.000. Si ella no despide al tesorero, la compañía pierde $200.000, sea o no sea
el informante, ya que en ambos casos el informante continúa en la compañía.
Antes de decidir la suerte del tesorero, la presidenta podría ordenar pruebas con un
detector de mentiras, pero para evitar posibles demandas, estas pruebas tendrían que
administrarse a todos los empleados, con un costo total de $30.000. Otro problema es
que las pruebas con el detector de mentiras no son definitivas. Si una persona está
mintiendo (el tesorero es culpable), la prueba la revelara el 90% de las veces, pero si
una persona no está mintiendo (el tesorero es inocente), la prueba lo indicará solo 70%
de las veces. Construya el Árbol de Decisiones asociado a este problema y determine
qué acciones deberá tomar la presidenta de la compañía.
No despedir a nadie
- 230.000
B1
te
i en Tesorero es inocente
m - 330.000
ro B2 0,10
re
so Despedir
: Te 80
do 0, al Tesorero
l ta
u Tesorero es culpable
Rse
Re + 70.000
su 0,90
r lta
to do
c :T
e es
et as o
D ir 0, rero
s ar n t 20 no No despedir a nadie
e
1 : Ue m mi
en - 230.000
A d te B3
A2
:N
o Tesorero es
us inocente
- 330.000
ar B4
D Despedir al 0,70
et Tesorero
ec
to Tesorero es
r culpable + 70.000
de
m 0,30
en
ti
ra No despedir a nadie
s - 200.000
C1
Tesorero es
inocente
- 300.000
C2
Despedir al 0,20
Tesorero
Tesorero es
culpable + 100.000
0,80
Lo mas conveniente es despedir al Tesorero inmediatamente sin realizar pruebas con el detector de mentiras (+20.000 v/s -18.0
Un famoso chef desea comprar 1 caja de salmón en el mercado central y se dirige al negocio
que mejores resultados le ha significado, donde está certificado que el 62 % de las cajas que
venden son de excelente calidad (Para facilitar los cálculos se supondrá que el contenido de las
cajas sólo puede ser excelente o decepcionante).
El pescado se vende en cajas cerradas que no permiten distinguir la calidad del producto,
pero el chef es capaz de identificar un pescado de alta calidad y ofrece al dueño del negocio
$40.000 por la posibilidad de abrir una caja y extraer un pescado del interior antes de comprarla
con el fin de testear su contenido.
El dueño del negocio accede, pero establece que sólo le permitirá realizar la prueba en 1
caja.
Si la muestra resulta ser de alta calidad, hay un 90% de probabilidad de que la caja sea
de excelente calidad, lo que generará una ganancia de $500.000 por la venta de platos en el
restaurante.
Si la muestra resulta ser de mala calidad, hay un 80% de probabilidad de que la caja sea
de calidad decepcionante, lo que generará pérdidas por $300.000 atribuibles a la imagen
comercial del restaurant.
Considere que la probabilidad de sacar un pescado de alta calidad es del 61% y:
NOTA: Si el chef decide no comprar la caja de pescado, deberá comprar carne de Wagyú,
es $500.000
j a
ca
La elente
do exc La62%
pes
c a dece caja es
pcion
rar ant $-300.000
omp
C 38% e
Comprar Wa
gyu
eba
$200.000
pru
cer
ha
es $460.000
c a j a
No
La elente
c
Leax ca 90%
sc ado dece a es
j
r pe pcion
Ha
ra e ant
omp $-340.000
cer
o C
c ad Comprar Wa 10%
es idad gyu
pru
p l
c a 1 a ca $160.000
Sa e alt 1%
eb
d 6
a
Sa es $460.000
de ca 1
ba pe
c a
La elen
j a
t e
ja sc eLxac 20%
39 cali ado sc ado caja
es
% da pe dece
d ar pcion
r e ant $-360.000
omp
C
Comprar Wa 80%
gyu
$160.000
$ 0,6 -$ 0,3
VEM¯ = ( 500.000 x 2) + ( 300.000 x 8)
$
VEM¯ = 196.000
$ 0,9 -$ 0,1
VEM = ( 460.000 x 0) + ( 340.000 x 0)
$
VEM = 380.000
$ 0,2 -$ 0,8
VEM« = ( 460.000 x 0) + ( 340.000 x 0)
-$
VEM« = 180.000
$ 0,6 $ 0,3
VEMJ = ( 380.000 x 1) + ( 160.000 x 9)
$