Modelamiento y Toma de Decisiones Vol 1

TEORIA DE DECISIONES Y MODELACION
P ( v j ) =2
pta. g.
1 1
toda j
65
P ( m i , v j )55 j ,
7 2 4 75 25 9 8
45
20000 30000 45000 60000 25000
35
P (v j ) =
PROFESOR:
pta. p.
toda j
P ( m i,v j ), j
5 10
Mg. Ing. JUAN C. UBILLUS CALMET
CONTENIDO DE LA SESION Teora de Decisiones y Modelacin

I.- El proceso de decisin, modelos para anlisis de decisin, ventajas y desventajas del uso de modelos, riesgos y tomas de decisiones, tablas de retribucin. II.-Modelamiento de Anlisis de decisin bajo incertidumbre: mtodo de La Place, minimax, maximax, maximin, Hurwicz, mtodo analtico de jerarqua. Resolucin de casos mediante computadora.
Mg. Juan C. Ubillus Calmet
III.-Modelamiento y Anlisis de decisin bajo riesgo:Arboles de decisin simple y de decisin multinivel Resolucin de casos mediante computadora. IV.-Modelos probabilsticos yTeorema de Bayes, probabilidades posteriores, probabilidades conjuntas y condicionales. Resolucin de casos mediante computadora. V.-Valor esperado de la informacin perfecta VEIP, Valor esperado de la Mg. Juan C. Ubillus Calmet informacin de muestraVEIM, Funcin de
VI.-Anlisis de Sensibilidad. Software para toma de decisiones. Consideraciones Gerenciales. VII.-Modelamiento y Anlisis de decisiones bajo certeza. Modelos determinsticos, casos especiales: Seleccin de proyectos,control de proyectos, mezclas de agregados , construccin de puentes). Resolucin de casos mediante computadora.
VIII.- Suplemento. Casos y Problemas. IX.- Anlisis de decisiones y Riesgo: La varianza, la desviacin estndar y el Coeficiente de Variacin. Casos.
Objetivos del Curso

1.- Brindar los conocimientos necesarios para que los participantes puedan desarrollar sus capacidades para formular, desarrollar y resolver Modelos de Anlisis De Decisiones, bajo escenarios de certeza, bajo incertidumbre y en situaciones bajo riesgo. 2.- Dar especial nfasis al uso de la computadora como herramienta potencial para el Modelamiento y Anlisis de Decisiones (Hojas de clculo y software).
Metodologa
1.- Exposiciones sobre el marco terico de cada unidad temtica segn el sylabus. 2.- Desarrollo de ejemplos de aplicacin de las tcnicas o herramientas y procedimientos. 3.- Control o comentario de lecturas asignadas 4.- Casustica, exposicin, dilogo. 5.- Exposiciones y sustentacin de casos asignados a los alumnos por cada unidad temtica. 6.- Presentacin de trabajos de investigacin colectivos asignados a los estudiantes.
Referencias Bibliogrficas
1.- Mathur y Solow. El arte de la toma de decisiones. 2.- Schalaifer, R. Analysis of Decisions Under Certainly.Ed. McGraw-Hill. 3.- Raiffa, H. Decision Analysis. Ed. Adisson-Wesley 4.- Eppen, Gould, Schmidt. Investigacin de Operaciones. Ed. Prentice Hall
5.-Render y Heizer. Administracin de Operaciones Ed.Prentice Hall 6.- Render, B. R.M. Stair, Jr. Quantitative Analylisis for Management. Ed.Allyn and Bacon. 7.-Separatas del Profesor del Curso Mg Ing. Juan C. Ubillus Calmet Modelamiento y Anlisis de decisin
Informacin relacionada en Internet

http://www.promodel.com http://www.lindo.com http://www.sm..com
Sesin I.EL PROCESO DE DECISIN, MODELOS PARA ANLISIS DE DECISIONES
INTRODUCCIN
Para tomar decisiones bajo riesgo o incertidumbre, el Modelamiento y Anlisis mediante la Teora de Decisiones es la herramienta fundamental. Las inversiones en investigacin y desarrollo, planta y equipo, y an la de nuevos edificios y estructuras se pueden analizar con la teora de decisin. Planeacin agregada, inventarios mantenimiento y control de produccin, son algunas otras ms de sus mltiples aplicaciones.
Diferencia entre una mala y una buena decisin

Existe una gran diferencia entre una buena y una mala decisin: Una buena decisin utiliza criterios cientficos analticos, basado en la lgica Una buena decisin considera todos los datos disponibles, y considera todas las alternativas
Decisiones acertadas
Tomar decisiones acertadas es asignar los recursos de manera eficiente Permite mejorar los procesos de gestin tecnolgica y administrativos. Se logra un mejoramiento de la productividad los factores y de la rentabilidad de las operaciones.
Justificacin del uso del modelamiento

El actual equipamiento y modo operacional genera baja productividad y rentabilidad Se trabaja muy cerca al punto de equilibrio Fluctuaciones de los precios internacionales afectan la rentabilidad Impactos negativos de los precios internacionales de los sustitutos Impactos negativos de los precios internacionales de los combustibles Preocupacin mundial por el tema ambiental
Generar una ventaja competitiva

Se puede lograr una ventaja competitiva personal u organizacional a travs del modelamiento y anlisis de la toma de decisin El modelamiento permite analizar todas las alternativas de decisin en los diferentes escenarios. Es un medio rpido, barato y confiable.
PROCESO DE DECISIN
: Es el proceso que utilizan las personas que toman decisiones mediante criterios cientficos o analticos. Este proceso, considera todos los datos y sigue los siguientes pasos: Definir el problema Establecer metas Formular un modelo Identificar soluciones alternas Seleccionar la mejor alternativa Mg. Juan C. Ubillus Calmet Ejecutar la decisin
MODELOS PARA LA TOMA DE DECISIONES:

Para tomar decisiones se usan los modelos cuantitativos de decisiones Un modelo es una abstraccin selectiva de la realidad Los modelos evalan datos numricos y proporcionan datos numricos adicionales En el contexto de los modelos de decisin, las decisiones son nmeros
Modelos y variables
Los modelos de decisin describen selectivamente el ambiente Los modelos de decisin designan variables de decisin que emulan el comportamiento de la realidad bajo estudio Los modelos de decisin designan objetivos
Ventajas del uso de modelos

Permiten evaluar todas las alternativas antes de tomar la decisin La toma de decisiones es ms confiable al haberse evaluado toda la informacin Reducen el tiempo necesario para la toma de decisiones Son ms econmicos y menos complicados que experimentar con el sistema real Permiten resolver preguntas ante cambios en los valores de las C. Ubillus Calmet variables Mg. Juan
Limitaciones del uso de modelos

Muchas veces son subutilizados y mal comprendidos debido a su aparente complejidad matemtica En otros casos, tienden a relegar el rol y la informacin no cuantificable. Algunas veces hacen suposiciones que simplifican exageradamente las variables del mundo real.
Categoras de modelos :
Existen muchas categoras de modelos: analgicos, fsicos a escala, de ecuaciones difefenciales, de toma de decisiones y otros. Uno de los modelos ms utilizados para tomar decisiones en operaciones bajo riesgo e incertidumbre son los modelos de la Teora de Decisin, que utilizan tablas de decisin y rboles de decisin.
Tipos de modelos para toma decisisones:

Los modelos de decisin pueden ser clasificados segn su clase de incertidumbre, en: Modelos Determinsticos Modelos Probabilsticos o Estocsticos Modelos que combinan los dos anteriores
Modelos determinsticos (decisiones en que es estado de la naturaleza es uno solo y es conocido) Modelos probabilsticos (decisiones bajo riesgo, se conocen las probabilidades de los estados de la naturaleza ) Modelos bajo incertidumbre (no se conocen las probabilidades de los estados de la naturaleza)
TIPO DE DECISIONES
Decisiones bajo certeza Decisiones bajo riesgo Decisiones bajo incertidumbre
Ejemplos:
Toma de decisiones bajo certidumbre (Un depsito de US$ 100 en ahorros ganar 0.5% en 30 das Toma de decisiones bajo riesgo (la probabilidad de lluvia en Huancayo es 0.3%) Toma de decisiones bajo incertidumbre, no se conoce la probabilidad de ocurrencia de cada alternativa. Ejemplo no se conoce la probabilidad de que un demcrata sea Mg. de 20 Calmet presidente dentroJuan C. Ubillus aos.
FUNDAMENTOS DE LA TEORA DE DECISIONES: Trminos

La Teora de decisiones trata de las decisiones contra la naturaleza. Se refiere a una situacin en que el resultado (rendimiento) de una decisin depende de otro (la naturaleza en este caso) Por ejemplo si la decisin es llevar paraguas o no, el rendimiento (mojarse o no) depende de la accin que realice la naturaleza. Mg. Juan C. Ubillus Calmet
Fundamentos de la Teora de decisiones: Trminos

a) Alternativa = un curso de accin estrategia que puede ser elegida (llevar un paraguas a Huancayo) b) Estado Natural = ocurrencia o situacin, el que toma decisiones tiene poco o nulo control (el clima de maana en Huancayo)
Anlisis de alternativas de decisin y estados naturales:

Para analizar las alternativas de decisin podemos desarrollar los siguientes modelos: a) Tablas de decisin (retribucin) b) Arboles de de decisin
Tabla de retribuciones
En los problemas de la teora de decisiones, es fundamental agrupar los datos disponibles mediante una Tabla de Retribuciones. Incluye una lista de alternativas de decisin y los estados de la naturaleza posibles Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 1 2 ... m d1 e11 e12 e13 e1m d2 e21 e22 e23 e2m ... ..... ..... ..... ..... Mg. Juan C. Ubillus Calmet dn en1 en2 en3 en4
Ejemplo de Tabla de Decisiones, con valores condicionales

ESTADOS NATURALES MERCADO FAVORABLE CONSTRUIR UNA PLANTA GRANDE $ 200,000 MERCADO DESFAVORABLE -$ 180,000 -$ 20,000 $ 00
CONSTRUIR UNA PLANTA PEQUEA $ 180,000 NO HACER NADA $ 00
Sesin II.MODELAMIENTO DE ANLISIS DE DECISIN BAJO INCERTIDUMBRE
TOMA DE DECISIONES BAJO INCERTIDUMBRE

El que toma las decisiones no puede especificar las probabilidades en que ocurran los diversos estados de la naturaleza Puede ocurrir que no est dispuesto a especificar las probabilidades Parte del supuesto de que si nada se, entonces todo es igualmente probable Hay diferentes enfoques para esta clase de problemas: Criterio de Laplace, maximin, maximax, perjuicio(prdida minimax) Mg. Juan C. Ubillus Calmet
Criterio de Laplace
Este enfoque interpreta la condicin incertidumbre como equivalente al supuesto que todos los estados de la naturaleza tienen la misma probabilidad de ocurrencia. Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 Mg. Juan C. Ubillus Calmet 3 -30 -5 20 45
Al suponer que todos los estados de la naturaleza tienen la misma probabilidad significa que dado que son cuatro, la probabilidad es .25 de c/u. El problema se convierte en una decisin bajo riesgo y se puede calcular el rendimiento esperado. Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 Mg. Juan C. Ubillus Calmet 3 -30 -5 20 45
Aplicacin: Criterio de Laplace
Otros Criterios maximin, maximax y minimax

Estos tres criterios se pueden utilizar sin necesidad de especificar probabilidades, cuando stas no se conocen. Para tomar una decisin sin supuestos sobre las probabilidades de los estados de la naturaleza. Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 Mg. Juan C. Ubillus Calmet 3 -30 -5 20 45
Criterio MAXIMIN (pesimista): Es un criterio conservador en extremo (pesimista), se toma la decisin por el rendimiento mnimo, que en este caso es -$30 asociado con la decisin de adquirir 3 unidades. Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 Mg. Juan C. Ubillus Calmet 3 -30 -5 20 45
Criterio MAXIMAX(optimista): Es un criterio en extremo optimista, se toma la decisin por el rendimiento mximo que en este caso es $45 asociado con la decisin de adquirir 3 unidades. Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 Mg. Juan C. Ubillus Calmet 3 -30 -5 20 45
Criterio PERJUICIO MINIMAX o perdida (costo de oportunidad): Es un criterio de la perdida por no tomar la mejor decisin para un estado de la naturaleza dado. Se toma la decisin de la menor perdida. El mximo de la columna es la referencia para perdida cero. Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 Mg. Juan C. Ubillus Calmet 3 -30 -5 20 45
Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 3 -30 -5 20 45 Tabla de perdidas o perjuicios Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 15 30 45 1 10 0 15 30 2 20 10 0 15 Mg. Juan C. Ubillus Calmet 3 30 20 10 0
Criterio de Hurwicz
Este enfoque combina el criterio optimista con el pesimista Se escoge un coeficiente alfa entre 0 y 1 que refleja su optimismo. Ganancia esperada para cada alternativa =
* ( gananciamx) + (1 ) * ( gananciamn)
Ej: Alternativa2 = 0.7*(15)+ (1-0.7)*(-10) = 7.5 Se construye una nueva tabla Seleccionar la alternativa Calmet mayor ganancia. de Mg. Juan C. Ubillus
Clculos con Criterio de Hurwicz:
* ( gananciamx) + (1 ) * ( gananciamn)
0.7*(15)+ (1-0.7)*(-10) =7.5 0.7*(30)+ (1-0.7)*(-20) = 0.7*(45)+ (1-0.7)*(-30) = Tabla de retribuciones de Hurwicz Estados de la naturaleza (demanda) Ganancia Ganancia Ganancia Decisiones mxima mnima pesada 0 0 0 0 1 15 -10 2 30 -20 Mg. Juan C. Ubillus Calmet 3 45 -30
Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda)

Decisiones 0 1 2 3 0 0 -10 -20 -30 1 0 15 5 -5 2 0 15 30 20 3 0 15 30 45
Tabla de retribuciones de Hurwicz Estados de la naturaleza (demanda) Ganancia Ganancia Ganancia Decisiones mxima mnima pesada
0 1 2 3 0 15 30 Mg. Juan C. Ubillus Calmet 45 0 -10 -20 -30 0 7.5
Sesin III.MODELAMIENTO DE ANLISIS DE DECISIN BAJO RIESGO: RBOLES DE DECISIN
Toma de decisiones bajo riesgo: Criterio del valor esperado

El Criterio del Valor Esperado, es un procedimiento de modelamiento para anlisis de decisin. Los datos del problema suponen que el resultado (o costo) asociado con cada alternativa de decisin es probabilstico. El Criterio del Valor Esperado, busca la maximizacin de la utilidad esperada (promedio) o la minimizacin del costo esperado. Mg. Juan C. Ubillus Calmet
Ejemplo en Decisiones bajo riesgo: Se puede comprar artculos a $10 y vender a $25 Sin embargo la demanda no se conoce Suponer P(0)=1/10, P(1)=3/10, P(2)=4/10, P(3)=2/10 TABLA DE RETRIBUCIONES (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 3 -30Juan C. Ubillus Calmet -5 20 45 Mg.
Retribuciones en Decisiones bajo riesgo: Suponer P(0)=1/10, P(1)=3/10, P(2)=4/10,P(3)=2/10 RE(0)=0(1/10)+0(3/10)+0(4/10)+0(2/10)=0 RE(1)=-10(1/10)+15(3/10)+15(4/10)+15(2/10)=12.5 RE(2)=-20(1/10)+5(3/10)+30(4/10)+30(2/10)=17.5 RE(3)=-30(1/10)-5(3/10)+20(4/10)+45(2/10)=12.5 Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3 0 0 0 0 0 1 -10 15 15 15 2 -20 5 30 30 3 -30 -5 20 45
Problema (Con aplicacin del Criterio del Valor Esperado): Se tiene que tomar la decisin de qu alternativa es ms conveniente, si repotenciar los equipos de ingeniera (tractores, retroexcavadora) o aplicar una reingeniera de procesos, lo cual implicara un cambio tecnologa y consecuentemente de los equipos
Alternativas de decisin Alternativa A (Repotenciar) Alternativa B 1 500 (Reingeniera) Probabilidad .6 de currencia
Rendimiento sobre la inversin a un ao Mercado Mercado a la alza a la baja 5 000 - 2 000 500 .4
Rendimiento esperado para las dos alternativas Con el Criterio del Valor Esperado, se obtiene: Alternativa A (repotenciar equipos): A = $5000 x .6 + (-2000) x .4 = $ 2 200 Alternativa B (reingeniera, cambio de tecnologa): B = $1500 x .6 + 500 x .4 = $ 1 100 Nota: valores expresados en miles
Conclusiones y Recomendaciones: El valor monetario esperado EMV, de la decisin hacer la repotenciacin de los equipos de ingeniera, permite un beneficio de $2,200 (miles). El valor monetario esperado EMV, de la decisin reemplazar por equipos de ingeniera de ltima generacin, permite un beneficio de $1,100 (miles). Por lo tanto la mejor decisin es la repotenciacin de los equipos.
Arboles De Decisin: Smbolos

a) Un nodo de decisin desde el cual se pueden seleccionar varias alternativas = b) Un nodo de estado natural desde el cual ocurrir ese estado =
Alternativas de decisin Alternativa A (Repotenciar) Alternativa B 1 500 (Reingeniera) Probabilidad .6 de currencia
Rendimiento sobre la inversin a un ao Mercado Mercado a la alza a la baja 5 000 - 2 000 500 .4
ARBOL DE DECISION DE NIVEL SIMPLE alternativa A (repotenciar) 2
Mercado en alza (m1) P(m1)= .6
5 000
Mercado a la baja (m2) -2 000 P(m2)= .4 1 alternativa B (reingeniera) Mercado en alza (m1) P(m1)= .6 3 Mercado a la baja (m2) P(m2)= .4
1 500
500
Problema: Arbol de decisin multinivel

(Ejemplo de aplicacin del Criterio del Valor Esperado): Se tiene que tomar la decisin de qu alternativa es ms conveniente, si construir una planta grande o una planta pequea, dependiendo de que el mercado sea o no favorable. Al respecto, existe adems la alternativa de realizar un estudio de mercado por $10000. Los dems datos se presentan en el rbol de decisiones.
Decisin 49200
Decisin 106 400 mer.favorable .78 190000 Pta.grande 2 mer.desfavorable .22-190000 .45 favorable 63 Pta.pequea 400 mer.favorable .78 90000 3 hacer mer.desfavorable .22 -30000 encuesta ninguna planta -10000 49200 1 -87 400 mer.favorable .27 190000 Pta.grande 4 mer.desfavorable .73 -190000 no fav. 2 400 mer.favorable .27 .55 Pta.pequea 90000 mer.desfavorable .73 -30000 5 ninguna planta -10000 10000 mer.favorable .5 200 000 Pta.grande 6 mer.desfavorable .5 -180 000 no hacer mer.favorable .5 40000 100000 Pta.pequea encuesta mer.desfavorable .5 -20000 7 ninguna planta Mg. Juan C. Ubillus Calmet 0
Conclusiones y Recomendaciones: El valor monetario esperado EMV de hacer la encuesta es de $49,200 El valor monetario esperado EMV de no llevar a cabo el estudio es de $40,000 Por lo tanto la mejor decisin es buscar informacin del mercado(estudio o invest.) Si los resultados del estudio(encuesta) son favorables, se debe construir la planta grande. Si la investigacin es negativa, construir planta pequea.
Sesin IV.MODELOS PROBABILSTICOS Y TEOREMA DE BAYES
Una variacin del criterio del valor esperado: Bayes

Las probabilidades utilizadas en el Criterio del Valor Esperado, normalmente se obtiene de datos histricos. En algunos casos, estas probabilidades pueden ser modificadas de manera ventajosa, usando informacin actual, que puede ser obtenida a travs de muestreos, investigacin o experimentacin. Las probabilidades resultantes son denominadas Mg. Juan C. Ubillus Calmet como probabilidades posteriores o de Bayes
Entonces: Es posible modificar el Criterio del Valor esperado, para tomar ventaja de la nueva informacin que presentan las probabilidades posteriores.
PROBLEMA: APLICANDO BAYES Se necesita tomar la decisin de efectuar o no una inversin, en que las probabilidades (previas) de un mercado se han obtenido a partir de publicaciones financieras, arrojando .6 y .4 de un mercado a la alza y uno a la baja. Se decide investigar de manera ms personal el sector industrial y la opinin encontrada es: con mercado en alza, hay 90% por (a favor) con mercado a la baja, hay 50% por (a favor) Cmo utilizar estaJuan C. Ubillus Calmet adicional ? informacin Mg.
Probabilidades condicionales: BAYES La informacin adicional, proporciona realmente probabilidades condicionales de por o contra la inversin, dados los dos estados de la naturaleza: a la alza, y a la baja. Simbologa: v1 = a favor de la inversin v2 = en contra de la inversin m1= mercado en alza m2= mercado a la baja
Informacin adicional y Criterio de BAYES La informacin adicional, se puede escribir: P(v1/m1) = .9 P(v1/m2) = .1 a favor, pues mercado en alza a favor, pues mercado en baja
P(v2/m1) = .5 en contra, pues mercado en alza P(v2/m2) = .5 en contra, pues mercado en baja Entonces, el nuevo problema de decisin ser: 1.- Si es a favor, invertir en A o en B ? 2.- Si es en contra, invertir en A o en B ?
alternativa A 4 a favor v1 2 alternativa B 5
Mercado en alza m1 P(m1/v1)= .730
5 000
1 alternativa A 6
Mercado a la baja m2 -2 000 P(m2/v1)= .270 Mercado en alza m1 1 500 P(m1/v1)= .730 Mercado a la baja m2 500 P(m2/v1)= .270 Mercado en alza m1 5 500 P(m1/v2)= .231 Mercado a la baja m2 P(m2/v2)= .769 -2 000 Mercado en alza m1 P(m1/v2)= .231 1 500 500
en contra v2
3 alternativa B 7
Mercado a la baja m2 P(m2/v2)= .769
Paso 1: determinamos las probabilidades condicionales
v1 v2 P(vj / mi ) = m1 .9 .1 m2 .5 .5
Paso 2: calcular las probabilidades conjuntas como:
P ( m i , v j ) = P ( v j / m i ) P ( m i ), i , j
Dadas las probabilidades previas P(m1)=0.6 y P(m2)=.4 las probabilidades conjuntas se determinan multiplicando la primera y segunda fila de la tabla del paso 1 por .6 y por .4 respectivamente, obteniendo:
v1
v2
P(mi / vj ) = m1 .54 .06 m2 .20 .20

Paso 3: Calcular las probabilidades absolutas como:
P (v j ) =
toda j
P ( m i,v j ), j
Estas probabilidades se calculan de la tabla en el paso 2, sumando las columnas respectivas lo que da:
P(v1) P(v2 ) .74 .26
Paso 4: determinamos las probabilidades posteriores con Bayes :
P(mi / vi ) =
P(mi,vj ) P(vj )
Estas probabilidades se calculan al dividir cada columna de la matriz en el paso 2, entre el elemento de la columna correspondiente del paso 3 lo que da:
v1
v2
P(mi / v j ) = m1 .730 .231 m2 .270 .769

Paso 5: Evaluar las alternativas en base a los resultados para los nodos 4 a 7, es decir: Alternativa A en el nodo 4 = 5000 x .730 + (-2000) x .270 = $3110 Alternativa B en el nodo 5 = 1500 x .730 + 500 x .270 = $1230 Decisin: alternativa A Alternativa A en el nodo 6 = 5000 x .231 + (-2000) x .769 = - $383 Alternativa B en el nodo 7 = 1500 x .231 + 500 x .769 = $731 Decisin: alternativa B
alternativa A 4 a favor v1 .74 2 alternativa B 5
5 000
1 alternativa A 6
Mercado a la baja m2 -2 000 P(m2/v1)= .270 Mercado en alza m1 1 500 P(m1/v1)= .730 Mercado a la baja m2 500 P(m2/v1)= .270 Mercado en alza m1 5 500 P(m1/v2)= .231 Mercado a la baja m2 P(m2/v2)= .769 -2 000 Mercado en alza m1 P(m1/v2)= .231 1 500 500
en contra v2 .26
3 alternativa B 7
Mercado a la baja m2 P(m2/v2)= .769
Conclusin: Las decisiones anteriores son equivalentes a decir que los resultados esperados en los nodos de decisin 2 y 3 son: 3110 y 731 miles de dlares, respectivamente. De esta forma dadas las probabilidades P(v1) =.74 y P(v2)= .26 como se calcularon en el paso 3 , podemos calcular el pago esperado para todo el rbol de decisin: 3110(.74)+731(.26)=2491
Sesin V.VALOR ESPERADO DE LA INFORMACIN PERFECTA.LA FUNCIN DE UTILIDAD.

VALOR ESPERADO DE LA INFORMACION PERFECTA (decisin bajo riesgo)

Este enfoque interpreta que:
Valor esperado ganancia esperada ganancia esperada de la informacin = con informacin - sin informacin perfecta perfecta perfecta
Si usted tuviera informacin perfecta, podra escoger facilmente la mejor alternativa. El tener informacin perfecta incrementar la ganancia esperada
Ejemplo de clculo del VEIP:

Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones 0 1 2 3
0 1 2 3 0 -10 -20 -30 0 15 5 -5 0 15 30 20 0 15 30 45
Las probabilidades de ocurrencia de cada estado de la naturaleza se cumplirn pues la informacin es perfecta (dateada) P(0)=1/10, P(1)=3/10, P(2)=4/10,P(3)=2/10 Luego: RE(nuevo)=0(1/10)+15(3/10)+30(4/10)+45(2/10)=25.5 Mg. Juan C. Ubillus Calmet
Las decisiones bajo riesgo arrojaron:

Con P(0)=1/10, P(1)=3/10, P(2)=4/10,P(3)=2/10 RE(0)=0(1/10)+0(3/10)+0(4/10)+0(2/10)=0 RE(1)=-10(1/10)+15(3/10)+15(4/10)+15(2/10)=12.5 RE(2)=-20(1/10)+5(3/10)+30(4/10)+30(2/10)=17.5 RE(3)=-30(1/10)-5(3/10)+20(4/10)+45(2/10)=12.5
Valor esperado ganancia esperada ganancia esperada de la informacin = con informacin - sin informacin perfecta perfecta perfecta
Por lo tanto: VEIP = 25.5 = 8.0

17.5
VALOR ESPERADO DE LA INFORMACION DE MUESTRA

La diferencia en la ganancia que se puede tener cuando se cuenta con la informacin y sin ella
Valor esperado ganancia esperada ganancia esperada de la informacin = con informacin - sin informacin de de muestra de muestra muestra
Si usted tuviera resultados de una investigacin de muestra (o estudio de mercado), podra escoger facilmente la mejor alternativa. Ciertamente usted no pagara por una investigacin del futuro ms de lo que ganara sin tener dicha Mg. Juan C. Ubillus Calmet de muestra: informacin
Partiendo de los datos de un mercado fuerte con P(F)=0.45 y por tanto P(D)=0.55 Luego, se tiene dos alternativas: optar por hacer prueba o no hacer prueba dentro de un mes, con lo cual las las probabilidades posteriores pueden mejorar las probabilidades a priori y permitirnos tomar una mejor decisin. Para la decisin posterior se sabe que: Si un mercado ha sido fuerte los resultados de las pruebas han sido alentadores en un 60% del tiempo y desalentadores en un 40% del tiempo
Si un mercado ha sido dbil los resultados de las pruebas han sido alentadores en un 70% del tiempo y desalentadores en un 30% del tiempo Por lo tanto:P(F)=0.45 y P(E)=0.55 a priori Luego P(E/F)=0.6 y P(G/F)=0.4 Luego P(E/D)=0.3 y P(G/D)=0.7 por Bayes P(E)= P(E/F)P(F) +P(E/D)P(D)= =(0.6)(0.45)+(0.3)(0.55)=0.435 por BayesP(F/E)=P(E/F)P(F)/P(E) P(F/E)= P(E/F)P(F)/P(E)= =(0.6)(0.45)/(0.435)=0.621 Mg. Juan C. Ubillus Calmet
alternativa A 4 P(E)=.435 2 alternativa B alternativa C 5 6
F: D: F: D: F: D:
P(F/E)=0.621 P(D/E)=0.379 P(F/E)=0.621 P(D/E)=0.379 P(F/E)=0.621 P(D/E)=0.379 P(F/E)=0.621 P(D/E)=0.379 P(F/E)=0.621 P(D/E)=0.379
30 -8 20 7 5 15 30 -8 20 7 5 15
1 alternativa A alternativa B 7 8
F: D: F: D:
P(G)=0.565
alternativa C
F: P(F/E)=0.621 9 D: P(D/E)=0.379
alternativa A 4 P(E)=.435 2 alternativa B alternativa C 5 6
15.60
15.07
8.79 1 alternativa A alternativa B 4.12 7 8 9 11.15
P(G)=0.565
alternativa C
11.81
Por lo tanto , para el diagrama de rbol (figura anterior mostrada) la ganancia esperada con informacin de muestra ser:
RE= 15.6(0.435) + 11.81 (0.565)= 13.46

Ganancia esperada sin informacin de muestra:

Como estamos tratando con decisiones bajo riesgo, por lo tanto debemos calcular el rendimiento esperado para cada posible decisin y escogeremos la mejor:
RE(A)= 30(0.45) - 8(0.55)= 9.10 RE(B)= 20(0.45) + 7(0.55)= 12.85 RE(C)= 5(0.45) +15(0.55)= 10.50
Decisin ptima=B= 12.85

Con los valores calculados , estamos en condiciones de aplicar el criterio del VEIM:
Valor esperado ganancia esperada ganancia esperada de la informacin = con informacin - sin informacin de muestra de muestra muestra
Por lo tanto: VEIP = 13.46 - 12.85 = 0.61 Este valor de 0.61 es el aumento del rendimiento esperado que se obtendra con la informacin producida por la prueba de mercado, que en este caso es muy baja.
UTILIDADES Y DECISIONES BAJO RIESGO

La funcin de utilidad es un mtodo para convertir la ganancia en una utilidad asociada. La utilidad es otra forma de medir el resultado de una decisin Una tabla de retribucin, tambin puede llenarse con la utilidad. Recordemos que anteriormente usamos el rendimiento neto en dolares(flujo de efectivo neto) y el perjuicio(costo de oportunidad). Mg. Juan C. Ubillus Calmet
Riesgo y Funcin de utilidad

Aversin al riesgo: Preferencia a evitar los riesgos desfavorales, se refleja en una funcin de utilidad cncava. Propensin al riesgo: preferencia por ingresos favorables, se refleja en una funcin de utilidad convexa Indiferencia al riesgo: Se refleja en una funcin lineal
Se opta la alternativa A, de manera que tomar la decisin por A permite ganar 15 millones y en caso que no se de A se pierda 5 millones.
utilidad 1.0
0.5 $1000
$ ganancia
Ganancia esperada=15(0.75)+(-5)(0.25)=10
Es una una frmula o mtodo para convertir la ganancia de un tomador de decisiones en una utilidad asociada.
utilidad 1.0
0.5 $1000
Funcin de utilidad tpica adversa al riesgo (cncava),se prefiere menor riesgo aunque Mg. ingreso. implique menor Juan C. Ubillus Calmet
Funcin de utilidad buscadora de riesgo: preferencia por mayor ingreso, aunque implique ms riesgo.
utilidad 1.0
0.5 $1000
$ ganancia
La funcin de utilidad buscadora de riesgo tiene forma convexa.

utilidad 1.0
0.5 $1000
$ ganancia
Funcin de utilidad indiferente al riesgo.

Mtodo de la Funcin de utilidad: Convertir todas las ganancias en utilidad mediante un proceso de entrevista. Trazar un rbol de decisiones (o tabla). Efectuar lo clculos utilizando utilidades en lugar de ganancias(rendimientos). Elegir la alternativa ptima que maximice la utilidad total esperada.
Ejemplo: Se dispone de los siguientes datos. Ejemplo Tabla de ganancias Diapositiva 97 Estados de la Naturaleza Alto Decisin Bajo Promedio B -5 4 7
N I -1 -1 2 3 5 15
Probabilidades condicionales Decisin Bajo Promedio B 0.3 0.5

N I 0.4 0.6
Alto
0.2 0.2 0.2
0.4 0.3
Sea una ganancia de $7 millones, para la cual se requiere determinar su utilidad asociada. Realice una entrevista con quien tomar la decisin y ofrscale la posibilidad de ganar $15 millones (mxima ganancia en la tabla de ganancias con probabilidad de 0.05) y con respecto a una menor ganancia de -$5 millones (mnima ganancia en la tabla de ganancias con probabilidad de 1-0.05=0.95) o una ganancia garantizada de los $7 millones(la ganancia de la cual se busca la utilidad. Lo probable es que la directiva prefiera la ganancia garantizada de $7 Mg. Juan C. Ubillus Calmet
Pero si se invierten las probabilidades, es decir si la probabilidad de ganar $15 es 0.95 y de ganar -$7 es 0.05, es casi seguro que la directiva preferira arriesgar en este caso. Su objetivo es determinar la probabilidad p de ganar $15 y la probabilidad 1-p de ganar -$5, de modo que a la directiva le sea igual arriesgar que tomar la ganancia garantizada de $7. Ofrezca sistemticamente las alternativas con diferentes probabilidades, hasta que determine un valor de p (podra ser p=0.40) para el cual les es indiferente arriesgar o tomar la ganancia Mg. Juan C. Ubillus Calmet garantizada.
En este caso la funcin de utilidad correspondiente a los $7 millones es 100*p=100*0.40=40 Es decir a los directivos les es indistinto escoger entre una utilidad segura de $7 respecto a una utilidad esperada= (15*p)+(-5*(1-p))=$3 Repetir el proceso para cada una de las ganancias restantes. Se obtiene la tabla siguiente:
Funcin de utilidad: utilidades asociadas con las ganancias Ganancia p utilidad (100*p)
15 7 5 4 3 2 -1 -5 ----0.40 0.30 0.25 0.20 0.16 0.10 -----Mg. Juan C. Ubillus Calmet
100 40 30 25 20 16 10 0
Tabla de utilidades Estados de la Naturaleza Alto Decisin Bajo Promedio B 0 25 40

N I 10 10 16 20 30 100
B=0(0.3)+25(0.5)+40(0.2)=20.5 N=10(0.4)+16(0.4)+30(0.2)=16.4 I=10(0.6)+20(0.3)+100(0.1)=22.0

Sesin VI.ANLISIS DE SENSIBILIDAD Y CONSIDERACIONES GERENCIALES

ANLISIS DE SENSIBILIDAD
Este anlisis permite ilustrar la sensibilidad de la solucin ptima a las estimaciones que se puedan hacer de las probabilidades. Es decir cuan sensible es nuestra solucin a una equivocacin o variacin de las probabilidades asignadas
Alternativas de decisin Agresivo ( A) Bsico (B) Cauteloso (C) Probabilidad
Estado de la naturaleza Mercado Mercado fuerte,F dbil,D 30 20 5 .45 -8 7 15 .55
Rendimiento esperado 30 RE(A)
0 -8 P(F)=0 P(F)=1
0 -8
De los datos: RE(A) = (30)P(F) + (-8)P(D) Por lgica: P(F)+P(D)= 1 or P(D) = 1- P(F) por tanto: RE(A) = (30)P(F) + (-8)( 1- P(F)) similarmente RE(B) = 7 + 13 P(F) RE(C) = 15 - 10 P(F)
Rendimiento esperado 30 RE(A) 15 8 0 -8 C P(F)=0 0.348

RE(C)
RE(B)
15
5 0 -8 B 0.6 A P(F)=1
El criterio para tomar decisiones bajo riesgo es tomar el valor esperado ms alto El grfico muestra cul decisin es ptima para cualquier valor de P(F), es decir la sensibilidad de la solucin ptima si vara la probabilidad Si P(F)=0.70 => RE(A)>RE(B)>RE(C), entonces la decisin ptima es A el valor de P(F) para la decisin ptima se obtiene igualando RE(A)=RE(B) => P(F)=0.60 Mg. Juan C. Ubillus Calmet
Conclusiones
El grfico muestra cul decisin es ptima para cualquier valor de P(F), es decir la sensibilidad de la solucin ptima si vara la probabilidad Si: 0<P(F)<0.348 =>Decisin: alternativa C Si: 0.348<P(F)<.6=>Decisin: alternativa B Si: 0.6<P(F)<1 =>Decisin: alternativa A
Consideraciones Gerenciales Complementarias
Cuestiones Gerenciales relacionadas con la formulacin de problemas

Como Gerente, cuando tome decisiones utilizando el Modelamiento de Anlisis de Decisin, usted debe identificar un nmeros finito de soluciones posibles Si existen infinitas soluciones, agrupar en niveles de decisin cada alternativa. Debe decidir si utiliza probabilidades, en funcin a la disponibilidad de los datos y/o la preferencia por el riesgo Escoger el nmero de niveles de decisin en funcin a la habilidad desarrollada por usted para estimar toda la informacin necesaria sobre ganancias y probabilidades. Mg. Juan C. Ubillus Calmet
Cuestiones Gerenciales relacionadas con el software de computadora

Como Gerente, usted debe tener en cuenta algunos aspectos claves al momento de seleccionar un software para Modelamiento de Anlisis de Decisin: El paquete hace el anlisis utilizando probabilidades o no tiene la opcin?. Hace un anlisis de nivel sencillo o multinivel?. Puede manejar el tamao del problema en nivel de nmero de nodos y ramas? Se puede obtener un reporte grfico y/o tabular? En un nodo de decisin, y con dos alternativas con la misma ganancia se puede optar por la de menor Mg. Juan C. Ubillus Calmet perdida?
Cuestiones Gerenciales relacionadas con la sensibilidad de sus variables

Como Gerente, usted debe tener en cuenta algunos aspectos relacionados con cun sensibles son sus variables. Ligeros cambios en los datos pueden llevar a decisiones completamente diferentes: A) Qu sucede con la decisin ptima y su ganancia, si cambian una o ms ganancias y/o probabilidades? B) En cunto puede cambiar una probabilidad o una ganancia si afectar la decisin ptima?
Cuestiones Gerenciales: Su capacidad de respuesta

Para poder responder A): Cambie los datos adecuados a los nuevos valores y resuelva el problema. Para poder responder B): Requiere de un proceso sistemtico de prueba y error.
Proceso sistemtico de prueba y error en Anlisis de Decisiones

Aumente el dato en una pequea cantidad y resuelva. Contine hasta que decisin ptima cambie por primera vez. Proceda del mismo modo, pero disminuyendo el dato. Si el intervalo obtenido es grande, la decisin ptima no es excesivamente sensible a este valor. Si el intervalo obtenido es pequeo, la decisin ptima es muy sensible a este valor. De ser este ltimo caso, implica que como Gerente usted debe invertir ms tiempo y esfuerzo para obtener una estimacin ms precisa de los datos.
Software ms utilizado para toma de decisiones

Arborist. Storm. Lindo. Lingo. Gino. Hojas de clculo: Excel, Lotus.
Sesin VII.MODELAMIENTO DE ANLISIS DE DECISIN BAJO CERTEZA. MODELOS DETERMINSTICOS.

TOMA DE DECISIONES BAJO CERTIDUMBRE

Son decisiones contra la naturaleza en la que solo hay un estado natural. Por lo tanto son modelos determinsticos. Los modelos de programacin lineal y programacin entera, son un claro ejemplo de la toma de decisiones bajo certidumbre. Dichos modelos son apropiados para las situaciones en las que las alternativas de decisin se interrelacionan con funciones matemticas bienJuan C. Ubillus Calmet Mg. definidas.
Decisiones bajo certeza:

Una decisin bajo certeza, es aquella en la que se sabe cual estado de la naturaleza ocurrir. Vindolo de otro modo, una decisin bajo certeza es aquella en la que hay un solo estado natural.
Decisiones bajo certeza: Max 5000E + 4000F s.a. 10E + 15F < 150 20E +10F < 160 E - 3F < 0 E+F>5 E, F >=0 TABLA DE RETRIBUCIONES Decisiones Estados de la naturaleza E=0, F=0 -00 E=5, F=4 41000 E=6, F=3.5 44000
Casos especiales de Modelos Determinsticos y Anlisis De decisin

Caso de Seleccin de proyectos Caso de administracin de proyectos Caso de mezclas de agregados Caso de construccin de puentes Caso de personal
PROBLEMA : CASO DE SELECCION DE PROYECTOS Inversiones-MEX es una empresa que se dedica a la construccin de viviendas tipo departamentos y tiene disponible un milln de dolares para invertir. El Gerente tiene a su cargo la difcil tarea de decidir en cules de los ochos proyectos siguientes canalizar la inversin: PROYECTO 1 2 3 4 5 6 7 8 COSTO 500000 200000 195000 303000 350000 600000 700000 800000 UTILIDAD 325000 122000 095000 111000 150000 250000 350000 250000
Con relacin al caso, se pide definir las variables de decisin y formular el modelo matemtico de P.L. bajo las siguientes consideraciones: El Proyecto 3 se debe ejecutar despus del Proyecto1; El Proyecto 5 se debe ejecutar si y solo si se ejecuta el Proyecto3; Si se ejecuta el Proyecto 6 no se debe ejecutar el proyecto5; El proyecto 6 se debe ejecutar despus del proyecto 1 y del proyecto2.
PROBLEMA: CASO DE CONTRATACION DE PERSONAL PARA OBRA Este modelo es quizs bastante pequeo, pero es un buen ejemplo de aplicaciones en el mundo real. Suponga que usted est en una obra en la selva, y necesita saber cunto personal contratar para minimizar sus costos, pero cumpliendo con los requerimientos mnimos de personal necesario por da segn cronograma de obra para cumplir las tareas. Hay dos factores limitantes que gobiernan cuanto personal tomar y que das trabajaran:
Primero, cada trabajador recibe $300 por semana por una semana regular de 5 das de trabajo con $25 extra por trabajo sbado y $35 extra por trabajo en domingo. Cada trabajador debe trabajar solo 5 das a la semana y tener dos das consecutivos de descanso. Segundo, usted tiene necesidades mnimas que cumplir, los cuales en forma tabulada son:
DIA M REQ 20
T 13
W 10
T 12
F 16
S 18
Su 20
MIN 300 MWORK + 325 TWORK + 360 WWORK + 360 THWORK + 360 FWORK + 360 SWORK + 335 SUWORK SUBJECT TO MON) MWORK + THWORK + FWORK + SWORK + SUWORK > 20 TUE) MWORK + TWORK + FWORK + SWORK + SUWORK > 13 WED) MWORK + TWORK + WWORK + SWORK + SUWORK > 10 THU) MWORK + TWORK + WWORK + THWORK + SUWORK > 12 FRI) MWORK + TWORK + WWORK + THWORK + FWORK > 16 SAT) TWORK + WWORK + THWORK + FWORK + SWORK > 18 SUN) WWORK + THWORK + FWORK + SWORK + SUWORK > 20 Mg. Juan C. Ubillus Calmet END
OBJECTIVE FUNCTION VALUE 1) 7750.000 VARIABLE VALUE REDUCED COST MWORK 2.000000 0.000000 TWORK 0.000000 100.000000 WWORK 2.000000 0.000000 THWORK 7.000000 0.000000 FWORK 5.000000 0.000000 SWORK 4.000000 0.000000 SUWORK 2.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES MON) 0.000000 -100.000000 TUE) 0.000000 0.000000 WED) 0.000000 -100.000000 THU) 1.000000 0.000000 FRI) 0.000000 -100.000000 SAT) 0.000000 -25.000000 Mg. Juan SUN) 0.000000 C. Ubillus Calmet -135.000000
PROBLEMA CASO DE MEZCLAS DE AGREGADOS Un Contratista General tiene la alternativa de 3 fuentes de abastecimiento de agregado de arena y grava. El material proveniente de una fuente es mucho ms grueso que el de la otra y el otro es intermedio. El costo de una u otra fuente depende de los costos operativos de almacenamiento, transporte y proceso. La cantidad de cada grado de piedra y arena necesaria para la produccin de mezcla preelaborada durante un mes se conocen con bastante anticipacin. Se requiere tomar la decisin de que proporcin de material se debe adquirir de cada cantera , con el objetivo de reducir los costos operativos. Las relaciones de costo y composicin por cantera se han tabulado en las tablas siguientes:
Fuente del sum inistro a 2 (K por TM g ) Cantera 1 300 (K por TM g ) Cantera 2 150 (K por TM g ) Cantera 3 100 (K por TM g )
Tam del agregado ao #4 a #50 a #4 450 400 300 200 300 450
M que #50 Costo $ por enor TM 50 1.51 150 150 1.60 1.68
Asim o se ha tabulado los requerim ism ientos para un m segn tam de agregado es, ao
Tam del agregado ao 1/2 a 2 #4 a #50 a #4 M que #50 enor Requerim m iento ensual TM 20,000 30,000 40,000 10,000
PROBLEMA: CASO CONSTRUCCION DE PUENTES DE ACERO Un sub-contratista de puentes de acero, firmar un contrato para suministrar ciertos tipos de vigas soldadas tipo I, en dimensiones I1, I2, I3, I4, I5. El sub-contratista posee cuatro tipos de mquinas de soldar mediante proceso de arco sumergido, de diferentes caractersticas tcnicas cada una, denominadas M1, M2, M3, M4, las cuales puede utilizar en la construccin de estas vigas. A continuacin se tabula la dems informacin disponible:
Capacidad de produccin en m/h de cada maquina, segn el tipo de viga. Maquina Tipos de Viga I1 I2 I3 I4 I5 M1 300 250 250 200 150 M2 500 400 300 200 100 M3 700 600 500 400 300 M4 650 550 450 350 300 Requerimiento del contrato que debe cumplirse en 8 semanas: Segn el tipo de viga: I1 I2 I3 I4 I5 Metros 6000 7500 4900 6800 5000
Costo de operacin por maquina en $/h (operario, energa elctrica, soldadura): Maquina Operario Energa Soldadura Total. M110 2 1 2 5 M215 2 2 2 6 M320 2 3 2 7 M418 2 4 2 8 Con relacin a este caso, se pide: Considerando que para un primer anlisis se trabajar 48 horas semanales sin sobretiempos, deber definir cual es el objetivo buscado, definir las variables de decisin, formular matemticamente la funcin objetivo, y formular un modelo matemtico en programacin lineal que optimice la toma de decisiones del sub-contratista, considerando las restricciones a las que obliga la informacin disponible.
Las Variables de decisin son: Xij = produccin en metros de la viga i en la mquina j El total de horas en una mquina Mj para fabricar un metro de viga Ij ser: X11/400 + X12/350 + X13/300 + X14/250 + X15/200 X21/500 + X22/400 + X23/300 + X24/200 + X25/100 X31/700 + X32/600 + X33/500 + X34/400 + X35/300 X41/650 + X42/550 + X43/450 + X44/350 + X45/300 Funcin Objetivo: Min Z = 10 (X11/400 + X12/350 + X13/300 + X14/250 +X15/200)+ 15 (X21/500 + X22/400 + X23/300 + X24/200 + X25/100 )+ 20 (X31/700 + X32/600 + X33/500 + X34/400 + X35/300 ) + 18 (X41/650 + X42/550 + X43/450 + X44/350) + X45/300) Mg. Juan C. Ubillus Calmet
Restricciones por requerimiento mensual del contrato: X11 + X21 + X31 + X41 = 6000 X21 + X22 + X23 + X24 = 7500 X31 + X32 + X33 + X34 = 4900 X41 + X42 + X43 + X44 = 6800 X51 + X52 + X53 + X54 = 5000 Restricciones por disponibilidad de horas de trabajo mensual Xij/400 + Xij/350 + Xij/300 + Xij/250 + Xij/200 < = 192 Xij/500 + Xij/400 + Xij/300 + Xij/200 + Xij/100 < = 192 Xij/700 + Xij/600 + Xij/500 + Xij/400 + Xij/300 < = 192 Xij/650 + Xij/550 + Xij/450 + Xij/350 + Xij/300 < = 192 Restricciones por no negatividad: Xij > = 0
Sesin VIII.Suplemento Modelamiento de anlisis de decisin.

TABLA DE DECISION ESTADOS NATURALES ALTERNATIVAS Mercado Mercado favorable desfavorable Construir una planta grande $ 200,000 -$ 180,000 Construir una planta pequea $ 100,000 -$ 20,000 No hacer nada $0 $0 TOMA DE DECISIONES BAJO INCERTIDUMBRE (Maximax, Maximin y Semejanza) ESTADOS NATURALES Mercado Mercado Mximo en Mnimo en Promedio ALTERNATIVAS favorable desfavorable el regln el regln en el regln Construir una planta grande $ 200,000 -$ 180,000 $ 200,000 -$ 180,000 $ 10,000 Construir una planta pequea $ 100,000 C. Ubillus Calmet 100,000 -$ 20,000 $ 40,000 -$ 20,000 $ Mg. Juan
TOMA DE DECISIONES BAJO RIESGO (valor monetario esperado = EMV) ESTADOS NATURALES Mercado Mercado ALTERNATIVAS favorable desfavorable Const.planta grande $ 200,000 -$ 180,000 Const.planta peque $ 100,000 -$ 20,000 No hacer nada $0 $0 Probabilidades 0.50 0.50 EMV(A1) = (0.5) ($200,000) + (0.5) (-$180,000) = $10,000 EMV(A2) = (0.5) ($100,000) + (0.5) (-$ 20,000) = $40,000 EMV(A3) = (0.5) ($000,000) + (0.5) (-$000,000) = $00,000 TOMA DE DECISIONES BAJO CERTEZA y BAJO RIESGO (valor esperado de la informacin perfecta = EVPI) EVPI = Valor esperado bajo certeza - EMV mximo 1.- Valor esperado bajo certeza = (Mejor salida del 1er estado natural) (Probabilidad del 1er estado natural) + (Mejor salida del 2do estado natural) (Probabilidad del 2do estado natural) + (Mejor salida del N estado natural) (Probabilidad del N estado natural) 2.- el EMV mximo, es $40,000 que es la salida sin la infrmacin perfecta Mg. Juan $ 40,000 = $ 3.- Determinamos el EVPI = $100,000 - C. Ubillus Calmet 60,000 ste es el valor que se debe pagar por la informacin perfecta
El Valor Mximo es el EMV
Presentar las alternativas en un Arbol de decisin:

Mercado favorable (0.5) Construirla grande Nodo de decisin Construirla pequea Mercado favorable 0.5 Mercado desfavorable (0.5) No hacer nada
Mercado desfavorable (0.5)
EMV para el nodo 1 =$ 10,000 0.5 (200,000) + 0.5 (-180,000) Mercado favorable (0.5)
Construirla grande Nodo de decisin Mercado desfavorable (0.5)
200,000
-180,000 Construirla pequea Mercado favorable 0.5 100,000 Mercado desfavorable (0.5) EMV para el nodo 2 =$ 40,000 Mg. Juan C. Ubillus Calmet No hacer nada 0.5 (100,000) + 0.5 (- 20,000) -20,000 0,0
Se debe tomar la decisin entre renovar toda la maquinaria o repotenciarla. Renovar maquinaria permitir ahorrar $100,000 en tanto que repotenciar $60,000 Se tiene una probabilidad de un mercado favorable del 60% En un mercado desfavorable se perder 50,000 y 30,000 respectivamente. A)Qu tipo de decisin se debe tomar(Bajo certidumbre, riesgo, o incertidumbre)?. B)Cul es la alternativa seleccionada.? C)Cul es el valor del EMV?
Problema
EMV para el nodo 1 =$ 40,000 0.6 (100,000) + 0.4 (-50,000) Mercado favorable (0.6
Construirla grande Nodo de decisin Mercado desfavorable (0.4)
100,000
-50,000 Construirla pequea Mercado favorable 0.6 60,000 Mercado desfavorable (0.4) EMV para el nodo 2 =$ 24,000 Mg. Juan C. Ubillus Calmet No hacer nada 0.6 (60,000) + 0.4 (- 30,000) -30,000 0,0
Su abogado le comunica que la empresa a la que ustedes demandaron por incumplir contrato est dispuesta a cerrar el caso por $25000 Usted debe decidir si acepta o no la oferta. Si la rechaza el abogado estima en un 20% que la otra parte retire su oferta y se vallan a juicio, un 60% de que no cambie la oferta y un 20% de que aumente la oferta a $35000. Si la otra parte no cambia su oferta o la aumenta, puede decidir de nuevo por aceptar la oferta o ir a juicio. De ir a juicio existe un 40% de que el Juez le de la razn a la otra parte y usted tenga que pagar $10000 de daos, un 40% de que le den la razn a usted y recibira $25000 ms $10000 de daos y un 10% de que usted gane el juicio y recibira $25000 ms $100000 de daos Trace un rbol de decisiones, con nodos de probabilidad y decisin, calcule laMg. Juan C. Ubillus Calmet a cada nodo y determine ganancia asociada
Problema
Decisin B acepto oferta 20% juicio
Decisin 25 D Probar G .40 en contra -10 .50 favorable 25 .10 muy favorable 100 .40 -10 .50 25 .10 100 25 .40 .50 .10 -10 25 100 35
E 60% no la Aceptar I rechazo cambia oferta C 20% aumenta su Rechazar J oferta F Aceptar
Rechazar H
K Mg. Juan C. Ubillus Calmet
C A S O : U N M O D E L O D E P .L . C O N IN V E N T A R IO (U n m o d e lo d in m ic o d e p e rio d o s m ltip le s , d e te rm in is ta , d e u n s o lo p ro d u c to ). D e fn a s e X i c o m o la v a ria b le d e d e c is i n , q u e re p re s e n ta la p ro d u c c i n s e m a n a l d e u n c o n tra tis ta d e e s tru c tu ra s d e a c e ro e n to n s e m a n a l q u e h a firm a d o u n c o n tra to . S e re q u ie re d e te rm in a r e l p la n d e p ro d u c c i n e in v e n ta rio q u e s a tis fa g a e l p ro g ra m a d e e n tre g a s d u ra n te la s p r xim a s 6 s e m a n a s . D e fn a s e q u e D i e s u n p a r m e tro , q u e re p re s e n ta la d e m a n d a c o n o c id a , e s d e c ir la c a n tid a d d e to n d e e s tru c tu ra s d e a c e ro q u e s e tie n e q u e e n tre g a r c a d a s e m a n a c o m o c u m p lim ie n to d e l c ita d o c o n tra to p e n a liz a d o c o n m o ra s . D e fn a s e Ii c o m o e l in v e n ta rio d is p o n ib le a l fin a l d e la s e m a n a i. D e fn a s e c o m o C i lo s c o s to s d e p ro d u c c i n , K i la c a p a c id a d m xim a q u e s e p u e d e p ro d u c ir y H i c o m o lo s c o s to s d e in v e n ta rio .
Por lo tanto definimos el nivel de inventario al final de la semana 1 como: I1 = I0 + X1 D1 Es decir el nivel de inventario al final de la semana 1, es igual al nivel de inventario al final de la semana 0 (inicio de la semana1 ) ms la produccin de la semana 1, menos la demanda de la semana 1, que es la cantidad entregada la semana i.. I2 = I1 + X2 D2 I t = I t-1 + Xt Dt I2 = I0 + X1 D1 + X2 D2 = I0 + Xi Di, desde i=1 hasta i= 2 It = I0 + (Xi D i ) , desde i=1 hasta i = t
Donde I es una variable definicional, por estar definida en trminos de otras variables de decisin (Xi) permitiendo visualizar el problema. La produccin tiene que ser los suficientemente grande para satisfacer la demanda: I0 + X1 >= D1 I1 + X2 >= D2 Min. (Ct Xt) + (ht I t) St It = It-1 + Xt Dt t= 1,2,3,..........6 Xt <= Kt Xt >= 0 t= 1,2,3,..........6 It <= 0 Min. (Ct Xt) + ( (ht ) (I0 + (Xi Di)) ), desde i=1 hasta i= t Mg. Juan C. Ubillus Calmet
CASO DEL CONTRATISTA DE ENSAMBLES ESTRUCTURALES(PG) Un contratista general est analizando la cpnveniencia de firmar un contrato que lo obliga a cumplir con entregas de ensambles en acero estructural (manual AISC) para un montaje industrial, debiendo cumplir con el siguiente cronograma: Mes 1 2 3 4 5 6 Entrega 330 ton 460 ton 290 ton 310 ton 420 ton 350 ton contractual En caso de no cumplir el cronograma, se le rescindir el contrato y perder la oportunidad de firmar un nuevo contrato. Al respecto, se dispone de la siguiente informacin complementaria: Capacidad actual con personal y equipos disponibles: 360 ton/mes Costo de producir ensambles estructurales: $ 5000 / ton Costo de subcontratar: $ 6000 / ton Costo de almacenamiento $ 300 / ton /mes Para efectos de tomar la decisin ms conveniente, se le pide: a) Definir las variables de decisin b) Formular el modelo matemtico que optimice la toma de decisiones.
c) Determinar cunto debe producir, almacenar y subcontratar cada mes. d) Elaborar un flujo de caja e) Sealar la decisin ms conveniente
Problema: calcular el VEIM:

Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda) Decisiones Fuerte,F Dbil,D Agresivo A 40 -8 Bsico B 20 7 Cauteloso C 5 15 ----------------------------------------------------------Probabilidad 0.70 0.30
Las retribuciones anotadas son los beneficios netos, en millones de $, luego de un estudio de ventas, ganancias y costos asociados, con cada combinacin de decisin y estado de la naturaleza. C. Ubillus Calmet Mg. Juan
De la tabla, podemos precisar que si estuviramos seguros de que el mercado ser fuerte escogeramos la decisin A pues se tendr un rendimiento de 40. Pero si estuviramos seguros que el mercado ser dbil escogeramos la decisin C pues se tendr un rendimiento de 15. Con los datos anteriores: Ganancia esperada con informacin de muestra =40(0.70)+15(0.30)=32.50
Resolver el siguiente alternativa A rbol: a favor v1=0.6 2 alternativa B
2000
1 alternativa A en contra v2 = 0.4 3 alternativa B 7 6
Mercado a la baja m2 -2000 P(m2/v1)= .270 Mercado en alza m1 1500 P(m1/v1)= .730 Mercado a la baja m2 500 P(m2/v1)= .270 Mercado en alza m1 2000 P(m1/v2)= .231 Mercado a la baja m2 P(m2/v2)= .769 -2 000 Mercado en alza m1 P(m1/v2)= .231 Mercado a la baja m2 P(m2/v2)= .769 1 500 500
Sesin IX.RIESGO Y ANALISIS DE DECISIONES

Evaluacin del riesgo:

Cun acertada es su decisin? Su decisin tiene mayor o menor riesgo que otro curso de accin? Por que no adoptar otra alternativa, aunque el valor esperado pueda ser menor, quizas tambien el riesgo lo sea?
Terminologa del riesgo

Valor esperado = x i . P(x i) Varianza =[xi . x i . P(xi)]-(Valor esperado)2 Desviacin estndar = (Varianza) 1/2 El Coeficiente de Variacin (C.V.) = (Desviacin estndar / Valor esperado)100 %
Es suficiente el Valor Esperado? Consideremos un Problema de Decisin de una Inversin. Entonces, el Valor Esperado ser: Valor esperado = x i . P(x i) ste por s solo no indica adecuadamente que la decisin es de calidad acertada.
No siendo suficiente el Valor Esperado, que necesitamos conocer? Le contaron alguna vez de la paradoja del estadstico que meda 1,80 metros y se ahog en un arroyo que tena 90 cm de profundidad promedio? Se necesita conocer la varianza para tomar una decisin adecuada.
"riesgo" comparativo Nos interesa conocer el "riesgo" comparativo entre los diferentes cursos de accin alternativos. Para ello, una de las medidas del riesgo en general se expresa como variacin, o su raz cuadrada, llamada desviacin estndar.
Variablidad inherente a la decision a tomar La variacin, o la desviacin estndar, son valores numricos Estos valores, nos indican cual es la variabilidad inherente a la decisin a tomar.
"riesgo" comparativo y cursos de accion alternativos Si el valor del riesgo es ms bajo indica que lo que usted esperaba obtener es ms probable. Por lo tanto, el riesgo tambin podra usarse para comparar cursos de accin alternativos.
Varianza: Lo que deseamos es un mayor retorno esperado con menor riesgo. Es por ello que a nivel gerencial preocupa tanto el alto riesgo. Varianza: Es una medida importante del riesgo. Varianza =[xi . x i . P(xi)]-(Valor esperado)2
Midiendo el riesgo La varianza es una medida del riesgo Cuanto mayor la varianza, mayor el riesgo. La varianza no se expresa en las mismas unidades que el valor esperado (en $), por ser un trmino al cuadrado.
Varianza y Desviacin Estandar La varianza es el trmino al cuadrado de su clculo y por tanto un trmino un poco abstracto y difcil de entender. Este problema puede resolverse trabajando con la raz cuadrada de la varianza, llamada desviacin estndar.
Desviacin estndar Desviacin estndar = (Varianza)1/2 Como puede apreciarse en la frmula, la varianza y la desviacin estndar proporcionan la misma informacin Calcular una desviacin estndar siempre involucra el clculo de una varianza. Siendo la desviacin estndar la raz cuadrada de la varianza, se expresa en las mismas unidades que el valor esperado Mg. Juan C. Ubillus Calmet
Otra medida del riesgo Se pregunta "qu curso de accin tomar entre una altenativa que tiene un resultado esperado mayor y otra, con resultado esperado menor pero riesgo mucho mayor?" Para tomar una decisin acertada en estos casos, se puede usar otra medida de riesgo, conocida como el Coeficiente de Variacin.
El Coeficiente de Variacin El Coeficiente de Variacin (C.V.) es el riesgo relativo con respecto al Valor Esperado, que se define como: El Coeficiente de Variacin (C.V.) = (Desviacin estndar / Valor esperado)100 %
El C.V. Es independiente Observe que el C.V. es independiente de la medida de unidad de valor esperado. La inversa de CV (es decir, 1/CV) se llama Relacin Seal/Ruido. El coeficiente de variacin se usa para representar la relacin entre la desviacin estndar y el valor esperado; expresa el riesgo como porcentaje del valor esperado. Mg. Juan C. Ubillus Calmet
Un ejemplo aplicativo Se desea calcular la calidad de una decisin usando una Hoja de Clculo. El Problema de Decisin de Inversin, es escoger entre Bonos acciones y Depsitos.
Datos del ejemplo

Estados de la Naturaleza Muy fuerte normal dbil fuerte 13 9 7 4 16 8 4 -3 8 8 8 8 0.4 0.2 0.3 0.1
Alternativas de Decisin Bonos Acciones Depsito Probabilidad
Evaluacin del riesgo para el ejemplo dado:

Evaluacin del riesgo Valor Desviacin C. V. C (0.4) CM (0.2) SC (0.3) B (0.1) esperado estndar 13 9 7 4 9.5 3.14 33% 16 8 4 -3 8.9 6.46 73% 8 8 8 8 8 0 0%
Bonos Acciones Depsito
Conclusin del ejemplo aplicativo de riesgo De las columnas Evaluacin del Riesgo en la Hoja de Clculo se llega a la conclusin de que los Bonos son mucho menos riesgosos que las Acciones. De otro lado, queda claro en este caso que la alternativa Depsito est exento de riesgo.

Modelamiento y Toma de Decisiones Vol 1

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modelamiento y Toma de Decisiones Vol 1

Hochgeladen von

Copyright:

Verfügbare Formate

TEORIA DE DECISIONES Y MODELACION

20000 30000 45000 60000 25000

Mg. Ing. JUAN C. UBILLUS CALMET

CONTENIDO DE LA SESION Teora de Decisiones y Modelacin

Mg. Juan C. Ubillus Calmet

Objetivos del Curso

Informacin relacionada en Internet

Sesin I.EL PROCESO DE DECISIN, MODELOS PARA ANLISIS DE DECISIONES

Mg. Juan C. Ubillus Calmet

Diferencia entre una mala y una buena decisin

Justificacin del uso del modelamiento

Generar una ventaja competitiva

MODELOS PARA LA TOMA DE DECISIONES:

Mg. Juan C. Ubillus Calmet

Ventajas del uso de modelos

Limitaciones del uso de modelos

Mg. Juan C. Ubillus Calmet

Tipos de modelos para toma decisisones:

Mg. Juan C. Ubillus Calmet

FUNDAMENTOS DE LA TEORA DE DECISIONES: Trminos

Fundamentos de la Teora de decisiones: Trminos

Mg. Juan C. Ubillus Calmet

Anlisis de alternativas de decisin y estados naturales:

Mg. Juan C. Ubillus Calmet

Ejemplo de Tabla de Decisiones, con valores condicionales

CONSTRUIR UNA PLANTA PEQUEA $ 180,000 NO HACER NADA $ 00

Mg. Juan C. Ubillus Calmet

Sesin II.MODELAMIENTO DE ANLISIS DE DECISIN BAJO INCERTIDUMBRE

Mg. Juan C. Ubillus Calmet

TOMA DE DECISIONES BAJO INCERTIDUMBRE

Aplicacin: Criterio de Laplace

Otros Criterios maximin, maximax y minimax

Clculos con Criterio de Hurwicz:

Tabla de retribuciones (flujo neto de efectivo) Estados de la naturaleza (demanda)

Sesin III.MODELAMIENTO DE ANLISIS DE DECISIN BAJO RIESGO: RBOLES DE DECISIN

Mg. Juan C. Ubillus Calmet

Toma de decisiones bajo riesgo: Criterio del valor esperado

Mg. Juan C. Ubillus Calmet

Alternativas de decisin Alternativa A (Repotenciar) Alternativa B 1 500 (Reingeniera) Probabilidad .6 de currencia

Mg. Juan C. Ubillus Calmet

Arboles De Decisin: Smbolos

Alternativas de decisin Alternativa A (Repotenciar) Alternativa B 1 500 (Reingeniera) Probabilidad .6 de currencia

Mg. Juan C. Ubillus Calmet

ARBOL DE DECISION DE NIVEL SIMPLE alternativa A (repotenciar) 2

Mercado en alza (m1) P(m1)= .6

Problema: Arbol de decisin multinivel

Sesin IV.MODELOS PROBABILSTICOS Y TEOREMA DE BAYES

Mg. Juan C. Ubillus Calmet

Una variacin del criterio del valor esperado: Bayes

Mg. Juan C. Ubillus Calmet

alternativa A 4 a favor v1 2 alternativa B 5

Mercado en alza m1 P(m1/v1)= .730

Mg. Juan C. Ubillus Calmet

Mercado a la baja m2 P(m2/v2)= .769

Paso 1: determinamos las probabilidades condicionales

Mg. Juan C. Ubillus Calmet

Paso 2: calcular las probabilidades conjuntas como:

P(mi / vj ) = m1 .54 .06 m2 .20 .20

Paso 3: Calcular las probabilidades absolutas como:

P(v1) P(v2 ) .74 .26

Mg. Juan C. Ubillus Calmet

Paso 4: determinamos las probabilidades posteriores con Bayes :

P(mi / v j ) = m1 .730 .231 m2 .270 .769

alternativa A 4 a favor v1 .74 2 alternativa B 5