Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD N°4
Uso De Modelos Matemáticos En La Toma De Decisiones
Contenido
3.4.Introducción
3.5.Simuladores
4.2.1 Concepto de simuladores
4.2.2 Simuladores y toma de
decisiones 3.6.Árbol de probabilidad.
4.3.1 Certeza y probabilidad en la toma de decisiones
4.3.2 Importancia del uso de la probabilidad en la toma de
decisiones 3.7.Teoría bayesiana
Objetivo de la unidad: el alumno definirá y aplicará las simulaciones de los distintos modelos
matemáticos basados en la toma de decisiones en escenarios requeridos a la vida real basándose
en el árbol de problemas y la teoría bayesiana.
4.1 INTRODUCCIÓN.
La toma de decisiones es una tarea a la que nos enfrentamos continuamente, prácticamente todas
nuestras acciones son antepuestas por una decisión tanto en el ámbito empresarial como en el día
a día de cada persona.
La esencia de asumir responsabilidades está en tomar decisiones y la mayoría de las decisiones
que debemos tomar son decisiones frente a algún grado de incertidumbre. Es decir, que aunque
busquemos información y trabajemos hasta el cansancio analizando las alternativas y sus posibles
resultados, no vamos a saber la consecuencia de nuestras decisiones hasta que las tomemos.
Además, no hay nada que garantice que las condiciones en las que se tomó la decisión sigan
siendo las mismas, ya que estamos en un medio que cambia constantemente; aunque las que se
toman sin previo análisis, al azar, están más expuestas que aquellas que siguen el proceso
adecuado. Simón dijo: “constantemente optaremos por el curso de acción que consideremos lo
“suficientemente bueno” a la luz de las circunstancias dadas en ese momento”.
Cuando se emprende un proyecto o cuando se lleva a cabo la dirección de una empresa,
automáticamente se asume un riesgo. Debemos identificar los riesgos que cada actividad conlleva
y tomar las medidas necesarias para minimizar las dificultades. Pero hay que asumir que el riesgo
es algo inherente a la vida. Asumir riesgos es positivo para aprender de los éxitos y de los
fracasos a los que tendrá que enfrentarse.
Un buen profesional debe tomar muchas decisiones todos los días. Algunas de ellas son decisiones
de rutina o intrascendentes mientras que otras tienen una repercusión drástica en las
Para poder tomar una buena decisión es recomendable recurrir a varios modelos matemáticos de
aplicación dependiendo de la decisión que se quiera tomar. Entre los modelos que utilizan
lenguaje matemático se pueden mencionar los modelos de Programación lineal. De lo cual
programación significa elegir la mejor combinación de valores de las variables que intervienen en
el programa, y si se habla de matemática se debe a los instrumentos utilizados para hacer la
selección.
Con frecuencia, la selección de una alternativa incluye satisfacer varios criterios al mismo
tiempo. Justamente ésta es la estructura de los modelos. En donde se incluyen variaciones sobre
el tipo de funciones que se utilizan, lineales o no lineales; así como los tipos de variables que
intervienen, enteras o reales; también del número de objetivos por alcanzar, uno o varios.
4.2 SIMULADORES
Al hablar de simuladores hay que tener en cuenta que la simulación es un medio mediante el cual
tanto nuevos procesos como procesos ya existentes pueden proyectarse, evaluarse y contemplarse
sin correr el riesgo asociado a experiencias llevadas a cabo en un sistema real. Es decir, permite a
las organizaciones estudiar sus procesos desde una perspectiva sistemática procurando una mejor
comprensión de la causa y efecto entre ellos además de permitir una mejor predicción de ciertas
recursos en el nuevo proceso o incluso el tiempo para minimizarle. Todas estas posibilidades
hacen de la simulación un instrumento ideal para un esfuerzo de replanteamiento de la empresa.
4.2.1 CONCEPTO DE SIMULADORES
La simulación es una técnica de experimentación en que se usan modelos lógico-matemáticos.
Una simulación puede ser determinista o probabilista según el comportamiento de las variables
incluidas. Las simulaciones deterministas son bastante comunes en la planeación corporativa de
una empresa.
Por ejemplo, una empresa puede usar simulación para pronosticar las ganancias sobre un alcance
de ventas estimadas. Sin embargo, se hará hincapié en la simulación probabilista para comprobar
cómo se tratan las variables aleatorias.
La simulación no es ni nueva ni rara en el mundo de los negocios es considerada como
experimentación anticipada a lo que pueda ocurrir en términos probabilísticos en temas sobre la
construcción de un modelo a escala de un nuevo automóvil, las pruebas de mercado de un nuevo
producto, el que un departamento ensaye nuevos procedimientos contables o el hacer una
pequeña inversión en un negocio, son formas de experimentación. Puede pensarse en la
experimentación como en un método organizado de prueba y error que usa un modelo del mundo
real para obtener información. Por ejemplo, un modelo de planeación corporativa puede usarse
para probar una nueva política sobre ciertas condiciones futuras ya sea de operaciones
productivas o financieras. En pocos minutos en una computadora, pueden simularse muchos años
de operación para explorar los efectos de dichas operaciones. La información obtenida de las
simulaciones ayuda a la administración a explorar las nuevas políticas. También puede examinar
políticas actuales bajo otras condiciones económicas futuras. De esta manera, la simulación
acorta el tiempo y es menos costosa que llevar todo esto a la práctica.
Por otro lado, la repetición es común en simulación la razón es que los resultados de un
experimento de simulación están sujetos a las probabilidades si el modelo incluye variables
aleatorias. Cada corrida de prueba es sólo una muestra y los resultados de muchas iteraciones son
estadísticos, y no leyes inmutables o soluciones óptimas. Al repetir el experimento muchas veces,
es posible aumentar la confianza en los resultados, pero de todas maneras se deberán interpretar
en forma estadística.
Siempre cuando tómanos una decisión corremos riesgos fundamentales lo que hacen los
simuladores es minimizar ese riesgo o en otras palabras descubrir el grado de certeza de
nuestra decisión a tomar, en este caso podemos decir que el riesgo más importante al
experimentar se refiere a resultados del experimento; éstos pueden diferir de los resultados de la
puesta en práctica también. Por lo cual el modelo que se usa debe ser una representación válida
del mundo real, debe incluir todas las variables significativas y sus relaciones en forma correcta.
Si el modelo no es válido, existen muy pocas posibilidades de que conduzca a resultados seguros.
La simulación es mucho más general. No está limitada a una categoría de problemas, como
control de inventarios, o a un método de solución, como programación lineal. Los límites que
existen son los de la imaginación, de los recursos de computación y de tiempo. No hay principios
ni teoremas de simulación. Pero, por fortuna, existen aspectos de la simulación que pueden
estudiarse con grandes beneficios.
Podemos decir que este capítulo se presenta un procedimiento de simulación ampliamente
aceptado que se basa en el método científico y facilita la toma de decisiones. Este procedimiento
es más aplicable a la técnica específicas, como la de Monte Carlo, que se emplean con frecuencia
en simulación. Se incluyen bastantes ejemplos con el fin de estimular la imaginación en cuanto al
campo de las aplicaciones de simulación.
4.2.2 SIMULADORES Y TOMA DE DECISIONES
Para determinar y tener en claro los procesos de los simuladores y especialmente para la técnica
de Monte Carlo, es importante tener en claro los tipos de simuladores matemáticos que están
basadas en la investigación de operaciones:
1. Los modelos continuos se ocupan de sistemas cuyo comportamiento cambia
continuamente con el tiempo. Estos modelos suelen utilizar ecuaciones diferenciales para
describir las interacciones entre los diferentes elementos del sistema. Un ejemplo típico
tiene que ver con el estudio de la dinámica de la población mundial.
2. Los modelos discretos tienen que ver principalmente con el estudio de líneas de espera
con el objetivo de determinar medidas como el tiempo de espera promedio y la longitud
de la cola. Estas medidas cambian sólo cuando un cliente entra o sale del sistema. Los
instantes en que ocurren los cambios en puntos discretos específicos del tiempo (eventos
de llegada y salida), originan el nombre simulación de evento discreto.
Estos dos modelos son vitales dentro de la toma de decisiones, pero hay que ser más específicos a
la hora de realizarlo por tal motivo se tiene el siguiente ejercicio, pero basándose en el modelo
discreto del cual esta formuladas las simulaciones.
Ejemplo 1: Supóngase que una empresa está considerando la introducción de un nuevo
producto. Se sabe, que los costos fijos serán de $10.000 y que el precio de venta debe ser
de $2 por razones competitivas. La empresa quiere por lo menos alcanzar el punto de equilibrio
en el primer año de ventas. Este problema surge gracias a la incertidumbre en cuanto a los costos
variables y a la demanda del producto. Las mejores estimaciones son que los costos variables
estarán entre $0.95 y $1.05. Se piensa que la demanda dependerá de la reacción de los
competidores. Si reaccionan rápidamente en el primer año, se espera que las ventas sean de 8000,
9000 o 10000 unidades. Si no hay reacción fuerte, entonces las ventas pueden llegar a 10000,
11000 o 12000 unidades. La firma piensa que existe un 60% de posibilidades de que sus
competidores reaccionen fuertemente.
Método a aplicar: selección aleatoria o método de sombrero.
Objetivo: La administración desea saber el riesgo de seguir adelante con el producto. ¿Qué
posibilidad existe de llegar al punto de equilibrio? Esta situación presenta la oportunidad de una
simulación:
Existen varias variables interrelacionadas
Algunas variables se comportan aleatoriamente
Se dispone de datos sobre las variables
No hay disponibilidad inmediata de una solución analítica
Con simulación la administración puede "someter a prueba" el nuevo producto muchas veces.
Después pueden graficarse los resultados de cada prueba para observar con qué frecuencia se
obtiene el punto de equilibrio. Por tanto, el objetivo será proporcionar una distribución de
probabilidad para las ganancias del primer año.
La ecuación básica del modelo es:
𝐺𝑎𝑛𝑎𝑛𝑐𝑖𝑎 = (𝑝𝑟𝑒𝑐𝑖𝑜 − 𝑐𝑜𝑠𝑡𝑜 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒) (𝑑𝑒𝑚𝑎𝑛𝑑𝑎) − 𝑐𝑜𝑠𝑡𝑜 𝑓𝑖𝑗𝑜
Se sabe que el costo fijo y el precio son constantes en $10 000 y $2, respectivamente. El costo
variable y la demanda se deben determinar para cada corrida de prueba. No debe olvidarse que la
demanda depende de la reacción del competidor. Para alcanzar el objetivo de obtener la
probabilidad de llegar al punto
de equilibrio, tendrá que repetirse el experimento cierto número de veces. Pero cuantas veces se
debería realizar esa es una respuesta que se debe encontrar con la aplicación del muestreo, en este
caso no lo haremos si no que se basaremos en la simulación, uno de aquellos métodos es usar el
método de los números en un sombrero, considerándose el costo variable existen 11 costos
posibles si se supone su incremento en un centavo, en este caso se pone los once números en un
sombrero y se selecciona uno para cada prueba, de una manera similar podrían ponerse
ADMINISTRACIÓN PARA LA TOMA DE DECISIONES pág. 58
ADMINISTRACIÓN MSc. LIC. ANGEL DAVID SOSA FLORES
asignando valores de manera aleatoria a las variables de dicho modelo, se obtengan diferentes
escenarios y resultados.
Este modelo será la representación de la realidad a analizar a través de una estructura de cálculos
matemáticos, en la cual se detectan las variables significativas de riesgo y se ponen en relación
con el resto de variables que afectan a un proyecto.
Por consiguiente, el ejemplo a tomar en cuenta estar fundamentada con un flujo de caja del cual
este serán la aplicación de riesgo basada en la metodología de Montecarlo que se tomara como
cuenta 10000 (diez mil ocurrencias de sucesos que pueda suceder en un flujo de caja donde
trabajaremos con un VAN igual a cero).
Ejemplo: basándose en las variables para poner en marcha una nueva empresa se tiene: volumen
de ventas en unidades de 55000 unidades a un precio unitario de 26,50 bs. - costo unitario15 bs. -,
un costo fijo 344468 bs. - un valor residual 1000 bs. - y una inversión 1085200 bs. a una tasa del
10% y un crecimiento en ventas 10%. Y el rango de variación que se tiene volumen de ventas en
unidades: mínimo 54500, medio 55000, máximo 55500, precio unitario: mínimo 25, medio 26.5,
máximo 28, costo unitario:14.9 mínimo, 15 medio,15.10 máximo.
Determinar el riesgo del negocio basada en la aplicación Montecarlo.
En este caso se puede aplicar la simulación de distintos complementos de Excel como el
simulador Risk Simulator o Cristal Ball. En este caso los resultados que nos arrojan son los
siguientes,
Para realizar la simulación hay que tomar en cuenta tanto las funciones de probabilidad como un
rango de variación o esencio para una toma de decisiones juntamente con el desarrollo de un flujo
de caja que en este caso para esta empresa es:
Como se observa en esta imagen se puede ver lo máximo que puede ganar la empresa 657.275,67bs.
- como también lo mínimo que pueda perder 566.468,56 bs. -, pero que ocurriría en una
simulación del van si es 0 neto.
Con estos ejemplos dados las simulaciones son fundamentales para la toma de decisiones y
ayudan en cuanto a reducir la incertidumbre y a tomar buenas decisiones para cualquier tipo de
problema especialmente en la empresa para las tomas de decisiones financiera u operativas que
son las que más variabilidades o sucesos tienen.
4.3 ÁRBOL DE PROBABILIDAD.
Podemos hacer un breve repaso para determinar a lo que se fundamenta un árbol de probabilidad,
en este sentido debemos recordar lo que son las probabilidades que tiene que ver con los
resultados aleatorios de un experimento. La conjunción de todos los resultados es el espacio de
muestreo, y un subconjunto de éste es un evento. A modo de ilustración, el experimento de lanzar
dado (de 6 caras) produce el espacio de muestreo {1,2,3,4,5,6}. El subconjunto {l,3,5} define el
evento de obtener valores impares.
Al determinar las probabilidades estamos tomando en cuenta varias situaciones o sucesos como
lo hacíamos en los ejercicios de simulación, en este caso dependiendo del ámbito de
probabilidades o suceso que se quiera tomar pertenecen también a la toma de decisiones, pero
basadas en la probabilidad.
Los resultados de posibles futuros se llaman eventos. Los eventos posibles pueden ser un número
finito, como cuando se pierde o se gana un concurso sobre un contrato de construcción, o pueden
ser infinitos o casi, como cuando se pronostican al dólar más cercano las utilidades futuras de una
corporación. En el primer caso, se dice que los eventos son discretos, en el último son continuos.
Los eventos mutuamente excluyentes son aquéllos en que la ocurrencia de uno de elle s evita toda
posibilidad de que suceda cualquier otro. Por ejemplo, el rentar o no un edificio son eventos
mutuamente excluyentes. Se dice que los eventos son colectivamente exhaustivos cuando
describen todos los eventos que pueden ocurrir. Por ejemplo, el introducir o no un nuevo
producto son eventos colectivamente exhaustivos. Para eventos discretos, todas las
probabilidades están entre 0.00 y
1.00. Si los eventos son mutuamente excluyentes y colectivamente exhaustivos, la suma de sus
probabilidades debe ser igual a 1.00. Los eventos continuos se manejan un poco diferentes. Como
en esencia son un número infinito de eventos, no es apropiado hablar de la probabilidad de que
ocurra uno de ellos en particular, porque la probabilidad es infinitamente pequeña. Más bien se
habla de la probabilidad de que ocurra un evento de los comprendidos entre dos puntos.
4.3.1 CERTEZA Y PROBABILIDAD EN LA TOMA DE DECISIONES
La certeza y la probabilidad son la base fundamental de la toma de decisiones por lo tanto
podemos decir que los arboles de decisión se usan en situaciones de toma de decisión en lo que se
optimiza una serie de decisiones, por ejemplo, la administración tendrá que seleccionar un plan
de promoción inicial sabiendo que dentro de seis meses será necesario un segundo plan. Una
compañía de bienes raíces puede tener que decidir cuantos condominios construir en la primera
fase de un proyecto sabiendo que tendrá que tomar decisiones parecidas para la segunda y tercera
fases.
Un concepto fundamental en las situaciones que involucran alternativas de decisión y eventos
secuenciales es que deben identificar todas esas alternativas y eventos para luego analizar de
Como se observa en ese diagrama de árbol la probabilidad para que saque dos escudos es de
25%, y en el sentido de que saque un solo escudo se da en base a los sucesos combinados entre
(P(AՈB) =1/2*1/2=1/4 =0.25= 25% + P(BՈA) =1/2*1/2=1/4 =0.25= 25%) que da una probabilidad
del 50% en el que puedo sacar un escudo en dos lanzamientos.
Pues bien, este fue un ejemplo sencillo de interpretar, pero si llevamos el árbol de problemas como la base
la retribución (o costo) asociado con cada alternativa de decisión es probabilística. Análisis con árbol de
decisiones. El siguiente ejemplo considera situaciones de decisión simples con una cantidad finita de
alternativas de decisión y matrices explícitas de retribución.
Por ejemplo: Suponga que desea invertir $10,000 en el mercado de valores adquiriendo acciones en una de
dos compañías: A y B. Las acciones de la compañía A, aun cuando son riesgosas, podrían redituar 50%
durante el siguiente año. Si las condiciones del mercado de valores no son favorables (es decir, un
mercado “bajo”) las acciones pueden perder 20% de su valor. La compañía B proporciona inversiones
seguras con 15% de rendimiento en un mercado “alto” y de sólo 5% en un mercado “bajo”. Todas las
publicaciones que ha consultado (¡y siempre hay una abundancia de ellas al final del año!) pronostican una
probabilidad de 60% de un mercado “alto” y 40% de un mercado “bajo”. ¿Cómo debe invertir su dinero?
-5000 $
P(AՈb) = 0.5*0.4=0.2=20%
-1500 $
P(BՈa) = 0.5*0.6=0.3=30%
500 $
P(BՈb) = 0.5*0.4=0.2=20%
-5000 $
-1500 $
500 $
Desarrollo:
𝑃(𝐴) ∗ 𝑃(𝐴/𝑎)
𝑃(𝐴/𝑎) =
𝑃(𝑎)
0.5 ∗ 0.6
𝑃(𝐴/𝑎) = 0.3
(0.5 ∗ 0.6) + (0.5 ∗ 0.60)
= = 0.5 = 50%
0.6
Como se observa este análisis de teorema de bayes nos sirve para calcular la probabilidad
del suceso que se obtenga como respuesta
Como se observa la unidad temática se puede notar que los modelos matemáticos son muy
importantes en la toma de decisiones cada aplicación es la base fundamental tanto para el
administrador o el ingeniero comercial, cuando deciden optar por una decisión en este caso ellos
pueden salir de la incertidumbre manejando estos modelos matemáticos como también existen
varios modelos aplicables para la toma de decisión ya se basados en riesgo como es el caso del
teorema de bayes, árbol de probabilidades o las simulación de motecarlos, y si se aplica en base a
la certeza o incertidumbre se tiene la programación lineal, método simplex, aplicación del método
Maximin o Wald, Maximax, Hurwicz, Laplace y Savage, cualquier método es importante de
realizarlo solo si se sabe aplicar se podrá reducir el riesgo de una mala decisión en este caso cada
modelo es muy importante.
Bibliografía utilizada:
Davenport t, Harris j, toma de decisiones, editorial Mc Graw Hill. México 2007.
Wheatley, M, Maruska d, como se toma las grandes decisiones, editorial pirámide Perú
2011
Duane, Davis Investigación en administración para la toma de decisiones editorial
Thompson paraninfo España 2001.
Charles A. Gallagher métodos cuantitativos para la toma de decisiones en administración,
College of Business Administration, University of Central Florida, McGraw-Hill México
1985.
Administración De Recursos Humanos - Idalberto Chiavenato, Novena edición, mcgraw-
hill/interamericana editores, s.a. De c.v, México 2012.