UNIVERSITAT POLITÈCNICA DE CATALUNYA – BARCELONATECH

OPE – ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS

Y ECONÓMICOS EN PRODUCCIÓN )

Fundamentos de Teoría de la Decisión

Modelos y Herramientas de Decisión – Máster Universitario de Ingeniería de Organización - ETSEIB

Joaquín Bautista, Guillermo López

OPE-PROTHIUS – OPE-MSc.2015/03 (20150201) - http://futur.upc.edu/OPE - www.prothius.com -
Departamento de Organización de Empresas – UPC

MHD 15 - FTD: 0
J. Bautista, G. López
Contenido

 Introducción
 Universo. Tipología
 Elementos de decisión
 Métodos de decisión en universo incierto
 Método de Bayes
 Árboles de decisión

MHD 15 - FTD: 1
J. Bautista, G. López
Introducción

 Concepto de decisión: Decidir es sinónimo de elegir.

Utilidad
DECISOR UNIVERSO
(RACIONAL) (REALIDAD)
Preferencias Acción

ACCIONES PROCESO DE
POSIBLES DECISIÓN

• Utilidad: Es la información que comunica el universo al decisor.

• Acciones: Decisiones tomadas por el decisor.

MHD 15 - FTD: 2
J. Bautista, G. López
Universo. Tipología
 Tipos de universo:
• Universo determinista: Se conoce con certeza el estado de la naturaleza sj que se presentará.
Sólo intervienen factores perfectamente definidos y conocidos. Se produce un estado de la
naturaleza (a cada acción corresponde una y solo una consecuencia).

ACCIÓN An ESTADO Un RESULTADO Rn (An,Un)

• Universo aleatorio: No se conoce con certeza el estado de la naturaleza sj que se presentará.

Puede existir una ley de probabilidad objetiva.

• Universo incierto: Diversos estados de la naturaleza posibles. Ninguna ley de probabilidad

objetiva referida a ellos (pueden distinguirse diversos niveles de incertidumbre).

• Universo hostil: Diversos estados de la naturaleza posibles. Ninguna ley de probabilidad

objetiva referida a ellos, pero el estado de la naturaleza está influido por la decisión de otros
entes inteligentes con objetivos no coincidentes con el decisor.

MHD 15 - FTD: 3
J. Bautista, G. López
Elementos de decisión

 Elementos:
• Estados de la naturaleza: Situaciones en las que nos encontramos.
• Acciones del decisor: Alternativas ante la elección.
• Utilidad (resultados): Evaluación de las consecuencias al elegir (ganancias o perdidas).

s1 s2 … sn
s j !S a1 u11 u12 u1n
ai !A a2 u21 u22 u2n
uij !R …
am um1 um2 umn

MHD 15 - FTD: 4
J. Bautista, G. López
Ejemplo 1. Descripción

 Ejemplo 1. Enunciado:
Una empresa quiere hacer una inversión. Los posibles estados de la naturaleza en los que se
puede encontrar son:
- Crecimiento.
- Leve crecimiento.
- Leve recesión.
- Recesión.
Y las acciones que se plantea la empresa son:
- Mantenerse.
- Fuerte crecimiento.
- Leve crecimiento.
- Diversificarse.
Determinar la decisión que hará obtener un mayor beneficio a la empresa.

MHD 15 - FTD: 5
J. Bautista, G. López
Ejemplo 1. Datos
 Ejemplo 1. Tabla de utilidades Acciones vs. Estados:

Estados

Leve
Crecimiento Leve recesión Recesión
crecimiento

Mantenerse 3 2 2 0

Fuerte
Acciones

crecimiento 4 2 0 0

Leve
crecimiento 6 2 0 -2

Diversificarse 1 1 2 2

Resultados (Utilidades)
uij = Utilidad de la acción i frente al estado j.

MHD 15 - FTD: 6
J. Bautista, G. López
Métodos de decisión. Descripción
 Métodos para la toma de decisiones (Universo incierto):
Existen diversos métodos para la toma de decisiones:
• Método Plunger (optimista): para cada alternativa se supone que pasará lo mejor, y se
elige la que ofrezca mejor valor. No considera riesgo.
• Método Wald (pesimista): Para cada alternativa se supone que va a pasar lo peor, y elige
aquella alternativa que ofrezca mejor valor. De esta forma se asegura que en el peor de
los casos se obtenga lo mejor posible.
• Método Hurwitz: combina las actitudes pesimista y optimista, valorando cada alternativa
con una ponderación entre lo mejor y lo peor posible.
• Método Laplace: pondera de igual forma todas las opciones estableciendo una media del
valor de las utilidades en función de los diferentes estados de la naturaleza.
• Método Savage (costes de oportunidad): Este criterio toma en consideración el coste de
oportunidad o penalización por no prever correctamente el estado de la naturaleza más
favorable.

MHD 15 - FTD: 7
J. Bautista, G. López
Métodos de decisión. Formulación (1)

 Método optimista: PLUNGER

Realizar aquella acción que en el mejor caso proporcione la satisfacción máxima (se cree que
siempre pasa lo mejor).

Ganancias: ( )
max i !" max j uij #$ ( )
Pérdidas: min i !" min j lij #$

 Método pesimista: WALD

Realizar aquella acción tal que en el peor de los casos proporcione la satisfacción máxima (se
cree que siempre pasa lo peor).

Ganancias: ( )
max i !" min j uij #$ Pérdidas: ( )
min i !" max j lij #$

MHD 15 - FTD: 8
J. Bautista, G. López
Métodos de decisión. Formulación (2)

 Método HURWITZ
El decisor es ‘α optimista’ y ‘(1-α) pesimista’.
‘α’ define el grado de predilección de una persona u otra ante una acción (0 ≤ α ≤ 1). Índice de
optimismo. Si α = 1, el criterio es demasiado optimista ; y si α = 0 es demasiado pesimista.

Ganancias:
( ) ( )
max i #$! ! max j uij + (1 " ! ) ! min j uij %&

Pérdidas:
( ) ( )
min i #$! ! min j lij + (1" ! ) ! max j lij %&

MHD 15 - FTD: 9
J. Bautista, G. López
Métodos de decisión. Formulación (3)
 Método HURWITZ:
Comportamiento al variar el parámetro α.

6 Frente Pareto:
Para α > 0.5 → a3
5
Para α = 0.5 → a3 , a2
4 Para α < 0.5 → a2 , a4
a1
3
a2
2
a3
1
a4
0

‐1 a=0
! =1 !a=0,5
= 0.5 !a=1
=0

‐2

‐3

MHD 15 - FTD: 10
J. Bautista, G. López
Métodos de decisión. Formulación (4)
 Método LAPLACE
Ante la falta de información sobre la frecuencia de cada estado, se adopta la visión en que
los estados son igualmente probables: Principio de la Razón Insuficiente.
"1 n % "1 n %
Ganancias: max i $ ! uij ' Pérdidas: min i $ ! lij '
# n j=1 & # n j=1 &

 Método SAVAGE
Concepto de frustración: Si se alcanza el mejor resultado, no hay frustración; pero si no se
alcanza, la frustración (acción/estado) es la diferencia entre el máximo alcanzable por las
acciones ante un estado y la utilidad obtenida (acción/estado).
Criterio: Minimizar la máxima frustración dadas fij

Ganancias: fij = maxi (uij ) ! uij " min i #$ max j ( fij )%& Pérdidas: fij = lij - min i (lij ) ! min i "# max j ( fij )$%

MHD 15 - FTD: 11
J. Bautista, G. López
Ejemplo 1. Soluciones
 Ejemplo 1. Aplicación de métodos:
Una empresa quiere hacer una inversión. α=0.5

C LC LR R Plunger Wald Hurwitz Laplace

M 3 2 2 0 3 0 3/2 7/4
FC 4 2 0 0 4 0 2 6/4
LC 6 2 0 -2 6 -2 2 6/4
D 1 1 2 2 2 1 3/2 6/4

C LC LR R Savage
Estados: Acciones:
M 3 0 0 2 3
- Crecimiento. - Mantenerse.
- Leve crecimiento. - Fuerte crecimiento. FC 2 0 2 2 2
- Leve recesión. - Leve crecimiento. LC 0 0 2 4 4
- Recesión. - Diversificarse.
D 5 1 0 0 5

( ) ( )
fij = max i uij ! uij " min i #$ max j fij %&
MHD 15 - FTD: 12
J. Bautista, G. López
Método de Bayes. Concepto

 Decisión en universo aleatorio:

Ahora tenemos una idea de lo que puede suceder. Disponemos de unas probabilidades de que
ocurran una serie de sucesos.

• Utilidad de Bayes (UB):

Se promedian las utilidades de cada acción (esperanza matemática) y se escoge aquella que
proporcione una mayor utilidad o un menor riesgo.

( )
Ganancias: max i # " p j ! u ij %
$ j &
( )
Pérdidas: min i #$ " j p j !l ij %&

MHD 15 - FTD: 13
J. Bautista, G. López
Método de Bayes. Aplicación

 Bayes en Ejemplo 1:
Una empresa quiere hacer una inversión. Esperanza
Matemática

Estados naturaleza:
- Crecimiento. P 0.1 0.2 0.4 0.3
- Leve crecimiento. EM
C LC LR R
- Leve recesión.
-Recesión. M 3 2 2 0 1.5
Posibles acciones:
FC 4 2 0 0 0.8
- Mantenerse.
- Fuerte crecimiento. LC 6 2 0 -2 0.4
- Leve crecimiento. D 1 1 2 2 1.7 Utilidad de Bayes
- Diversificarse.

MHD 15 - FTD: 14
J. Bautista, G. López
Método de Bayes. Valor de la información

 Valor de la información adicional:

• Utilidad Media Límite / Pérdida Media Inevitable (UML/PMI): Es el mejor valor que se
puede obtener eliminando la incertidumbre del sistema.

Ganancias: UML = ! p j " max i (uij ) Pérdidas: PMI = ! p j " min i (lij )
j j

• Perdida por Falta de Información (PFI): Es lo máximo que se está dispuesto a pagar por
tener la información (por eliminar la incertidumbre).

Ganancias: PFI = UML − UB Pérdidas: PFI = UB − PMI

MHD 15 - FTD: 15
J. Bautista, G. López
Método de Bayes. Experimentación (1)

 Probabilidades:
Dado un fenómeno, intentar truncar las probabilidades a través de la experimentación.

• Probabilidad a priori: Probabilidad de cada uno de los estados de la naturaleza antes del
experimento.

P(s j )

• Probabilidad condicional: Probabilidad de que el resultado de un experimento sea

xk cuando se está en el estado s j .

P(xk s j )

MHD 15 - FTD: 16
J. Bautista, G. López
Método de Bayes. Experimentación (2)

• Probabilidad marginal: Probabilidad de que suceda en cualquier caso un resultado concreto

de un experimento.

P(xk ) = ! P(s j )" P(xk s j )

j

• Probabilidad a posteriori: Probabilidad de estar en un estado concreto cuando el resultado

de un experimento ha sido xk

P(xk s j )! P(s j )
P(s j xk ) =
P(xk )

MHD 15 - FTD: 17
J. Bautista, G. López
Ejemplo 2. Descripción

 Enunciado. Ejemplo 2:
De un proceso llega un lote de 10 piezas que puede ser de 2 tipos (aceptable e inaceptable). Si
se acierta el tipo de lote, hay una ganancia de 100 um; si se falla, la ganancia es nula.

0.5 0.5
Lote bueno
Lote malo
Procesar
Descartar
Lote 1 (caja 1) Lote 2 (caja 2)

Se permite realizar un experimento (sacar una pieza) con un coste de 25 um

¿Conviene o no conviene realizar el experimento?

MHD 15 - FTD: 18
J. Bautista, G. López
Ejemplo 2. Contexto

Características de un motor
1.- 747 piezas y 330 referencias en 6 versiones del motor diesel
2.- Nº de operaciones de Montaje: 378 (incluida la prueba rápida).
3.- Nº de operarios, para un turno de 301 motores: 79

Características de la fabricación
1.- Montaje: 9 tipos de motores de 3 familias: 4x4 (p1 a p3); furgonetas (p4, p5); camiones MT (p6 a p9).
2.- Nº de operaciones: 140. Atributos: temporales, espaciales y de riesgo
3.- Demanda diaria: 30 motores de cada tipo (instancia #1 Nissan-BCN), 2 turnos de 6h 45’ (8h): c=180 s.

MHD 15 - FTD: 19
J. Bautista, G. López
Ejemplo 2. Solución (1)
 Ejemplo 2:
Sin experimento. UML = utilidad media límite
UB = utilidad de Bayes
P 0.5 0.5 PFI = pérdida por falta de información
EM
s1 s2
a1 100 0 50 UML = 100 · 0.5 + 100 · 0.5 = 100
UB = 50
a2 0 100 50 PFI = UML – UB = 100 – 50 = 50

Conclusiones:
- Si podemos abrir lote para decidir → U = 100 Obviamente: “Cuanto más conocimiento se
tiene de un problema, mejores decisiones
- Si podemos sacar 1 pieza → U↑ se toman.”

Por lo tanto, si UB (con experimento) > 50 + 25 =75 → Realizar experimento.

MHD 15 - FTD: 20
J. Bautista, G. López
Ejemplo 2. Solución (2)
Probabilidad de escoger lote
 Ejemplo 2: S2 (7 buenas, 3 malas)

• Probabilidad a priori: P(s1 ) = 0.5 P(s2 ) = 0.5 Probabilidad de sacar una pieza buena
P(s j ) en lote S1 (9 buenas, 1 mala).

• Probabilidad condicional: P(x1 s1 ) = 9 10 = 0.9 P(x2 s1 ) = 1 ! 0.9 = 0.1

P(x1 s2 ) = 3 10 = 0.3 P(x2 s2 ) = 1 ! 0.3 = 0.7
P(xk s j )

Probabilidad de sacar una pieza mala

• Probabilidad marginal: P(x1 ) = 0.5! 0.9 + 0.5! 0.3 = 0.6 en lote S2
P(x2 ) = 0.5! 0.1 + 0.5! 0.7 = 0.4
P(xk ) = ! P(s j )" P(xk s j )
j
0.9 ! 0.5 0.3! 0.5
P(s1 x1 ) = = 0.75 P(s2 x1 ) = = 0.25
• Probabilidad a posteriori: 0.6 0.6
0.1! 0'5 0.7 ! 0.5
P(s j xk ) =
P(xk s j )! P(s j ) P(s1 x2 ) = = 0.125 P(s2 x2 ) = = 0.875
P(xk ) 0.4 0.4

MHD 15 - FTD: 21
J. Bautista, G. López
Ejemplo 2. Solución (3)
 Ejemplo 2:
Hacen referencia a x1
Realizamos experimento → Sacamos 1 pieza (pieza buena)

a) La pieza es buena:
P 0.75 0.25
EM Si la pieza extraída es una pieza
s1 s2
buena, la decisión es que pertenece
a1 100 0 75 UB = 75 al Lote 1, obteniendo una utilidad
de 75 um.
a2 0 100 25
b) La pieza es mala:
P 0.125 0.875
EM
s1 s2
Si la pieza extraída es una pieza
a1 100 0 12.5 mala, la decisión es que pertenece
a2 0 100 87.5 UB = 87.5 al Lote 2, obteniendo una utilidad
de 87.5 um.

MHD 15 - FTD: 22
J. Bautista, G. López
Ejemplo 2. Solución (4)

 Ejemplo 2:

Por lo tanto, la Utilidad de Bayes del sistema realizando el experimento será:

UB = 0.6 · 75 + 0.4 · 87.5 = 80 > 75

En conclusión, como la “UB (con experimento)” es mayor que “UB (sin experimento) +
Coste de la información”: 75. Ergo:

Conviene realizar el experimento!

MHD 15 - FTD: 23
J. Bautista, G. López
Árboles de decisión. Concepto

 Estudio de problemas polietápicos:

Tipos de vértices:
• De decisión: Utilidad esperada a obtener si se toma la mejor opción posible.

uD = max(R1 ,...Rn ) R1
lD = min(R1 ,...Rn ) UD

Rn
• De azar: Utilidad esperada a obtener según las probabilidades de cada situación.

( )
uA = " j p j ! u ij R1
UA
lA = " (p !u )
j j ij
Rn
• Terminales: Utilidad obtenida (Resultados).
Ri

MHD 15 - FTD: 24
J. Bautista, G. López
Árboles de decisión. Representación
 Ejemplo 2:
Un árbol de decisión del ejemplo de los lotes con piezas:

C aja 1 100
II C aja 1 100
No
0 III
C aja 2
I C aja 2 0
C aja 1 B lanca
Sí (0'9)
(0'5) ‐25 C aja 1 100
A zul IV
(0'1)
C aja 2 0
C aja 1 0
II C aja 1 0
C aja 2 No
(0'5) C aja 2 100 III
I 100
C aja 2
B lanca
Sí
(0'3)
‐25 C aja 1 0
A zul IV
(0'7)
C aja 2 100

MHD 15 - FTD: 25
J. Bautista, G. López
Árboles de decisión. Estrategias puras (1)
Una estrategia es una secuencia de acciones frente a una secuencia de conjuntos de
información.
En el Ejemplo 2: Seis estrategias posibles frente a los conjuntos de información

E1 E2 E3 E4 E5 E6
I No No Si Si Si Si
II Lote 1 Lote 2 - - - -
III (blanca) - - Lote 1 Lote 2 Lote 1 Lote 2
IV (azul) - - Lote 1 Lote 2 Lote 2 Lote 1

MHD 15 - FTD: 26
J. Bautista, G. López
Árboles de decisión. Estrategias puras (2) C aja 1 100
II C aja 1 100
No
0 III
C aja 2
I C aja 2 0
C aja 1 B lanca
E1 E2 E3 E4 E5 E6 Sí (0'9)
(0'5) ‐25 C aja 1 100
I No No Si Si Si Si A zul IV
(0'1)
II Lote 1 Lote 2 - - - - C aja 2 0
C aja 1 0
III (blanca) - - Lote 1 Lote 2 Lote 1 Lote 2
II C aja 1 0
IV (azul) - - Lote 1 Lote 2 Lote 2 Lote 1 C aja 2 No
(0'5) C aja 2 100 III
I 100
C aja 2
B lanca
Sí
(0'3)
‐25 C aja 1 0
A zul IV
(0'7)
I II III (blanca) IV (azul) Utilidad media C aja 2 100

E1 0 (No) 100 (0.5) + 0 (0.5) - 50

E2 0 (No) 0 (0.5) + 100 (0.5) 50
E3 -25 (Si) - 75 (0.6) 12.5 (0.4) 50 – 25 = 25
E4 -25 (Si) - 25 (0.6) 87.5 (0.4) 50 – 25 = 25
E5 -25 (Si) - 75 (0.6) 87.5 (0.4) 80 – 25 = 55
E6 -25 (Si) - 25 (0.6) 12.5 (0.4) 20 – 25 = -5

MHD 15 - FTD: 27
J. Bautista, G. López
Ejemplo 3. Descripción

 Ejemplo 3:
Una empresa tiene tres opciones sobre su futuro:

Opción a: Continuar con su producto → Obtendrá un beneficio de 10 um.

Opción b: Modificar su producto → Supone un coste de 5 um.

- Hay una probabilidad del 60% de que salga bien → Beneficio de 35 um.
- Si sale mal: - Puede hacer la “opción b2” → Beneficio de 17.5 um.
- Puede cerrar → Beneficio de 15 um.

Opción c: Fabricar un nuevo producto → Supone una inversión de 1 um.

- Hay una probabilidad del 75% de que salga bien → Beneficio de 20 um.
- Si sale mal → Beneficio de 10 um.

MHD 15 - FTD: 28
J. Bautista, G. López
Ejemplo 3. Solución (1)

 Ejemplo 3:
Árbol de decisión:

10

a OK
(0'6) 35

b2
c 17'5
I b KO
‐5 II
(0'4)
OK C ierra 15
c (0'75) 20
‐1

KO 10
(0'25)

MHD 15 - FTD: 29
J. Bautista, G. López
Ejemplo 3. Solución (2)

 Ejemplo 3:
Árbol de decisión:

10

a OK
(0'6) 35

b2 c 17'5
I b KO
‐5 II
(0'4)
OK 17'5 C ierra 15
c (0'75) 20
‐1

KO 10
(0'25)

MHD 15 - FTD: 30
J. Bautista, G. López
Ejemplo 3. Solución (3)

 Ejemplo 3:
Árbol de decisión:

10

a OK
(0'6) 35

b2 c 17'5
I b KO
‐5 28 II
(0'4)
OK 17'5 C ierra 15
c (0'75) 20
‐1

KO 10
17'5 (0'25)

MHD 15 - FTD: 31
J. Bautista, G. López
Ejemplo 3. Solución (4)

 Ejemplo 3:
Árbol de decisión:

10

a OK
(0'6) 35

b2 c 17'5
I b KO
‐5 28 II
(0'4)
23 C ierra 15
OK 17'5
c (0'75) 20
‐1

KO 10
17'5 (0'25)

MHD 15 - FTD: 32
J. Bautista, G. López