INVESTIGACIÓN OPERATIVA:

SESIÓN 1.
Juan Francisco Toledo L.
Mg. Gestión de Operaciones / Ingeniero Civil Industrial.
Universidad de Talca
jf.toledo87@gmail.com
 UNIDADES

Unidad 1: Teoría de Decisiones.

Unidad 2: Programación Dinámica.

Unidad 3: Procesos Estocásticos.

Unidad 4: Líneas de Espera.

Unidad 5: Simulación de Líneas de Espera.

 PROGRAMA ASIGNATURA

08/08 Repaso Probabilidades – Teorema de Bayes – Árboles de Decisión.

29/08 Teoría de Juegos – Programación Dinámica Determinista.

12/09 Programación Dinámica Estocástica – Procesos de Poisson -Cadena de Markov Discreta.

03/10 Cadenas de Markov tiempo continuo – Procesos de nacimiento y muerte – Tarea Grupal.

17/10 Prueba 1 – Unidades 1, 2 y 3.

07/11 Líneas de Espera.

21/11 Simulación de Redes de Cola – Trabajo en Software.

05/12 Prueba 2 – Unidad 4 y 5.

19/12 EXAMEN

26/12 EXAMEN EXTRAORDINARIO

 SISTEMA DE EVALUACIÓN

• Prueba 1
35%
• Prueba 2
30%
Evaluaciones
• Taller
20%
• Tareas
15%
BIBLIOGRAFÍA

H.A. Taha, Investigación de

operaciones: una introducción,
Alfaomega, México.

F. Hillier y G.J. Lieberman,

Introduction to operations
research, Holden-Day, Oakland

W. Winston, Operations research:

applications and algorithms,
Duxbury Press, Belmont
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades.

Curso de Optimización, todos los datos eran conocidos y deterministas.

Demanda de energía eléctrica??? Demandas estables???

Se pueden usar datos observados o históricos para representar la demanda en forma de

distribución de probabilidades
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Leyes de la Probabilidad

La probabilidad se asocia a la ejecución de un experimento cuyos resultados se presentan

en forma aleatoria.

El conjunto de todos los resultados de un experimento se llama espacio muestral, y un

subconjunto del espacio muestral se llama un evento.

Ejemplo: El experimento de tirar un dado (de seis

caras), el resultado de una tirada corresponde a
una cara del dado: del 1 al 6
• Espacio Muestral: El conjunto {1, 2, 3, 4, 5, 6}.
• Evento: una tirada de como resultado un valor par (2, 4 o 6).
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Leyes de la Probabilidad

En un experimento se puede manejar también un espacio muestral continuo. Por ejemplo,

el tiempo entre fallas de un componente electrónico puede asumir cualquier valor no
negativo.

Si en un experimento con n intentos o pruebas, un evento E sucede m veces, entonces la

probabilidad P{E} de realizar el evento E se define matemáticamente como sigue:

Esta definición implica que si el experimento se repite indefinidamente (𝑛 → ∞), la

probabilidad deseada se representa con la fracción a largo plazo. Se puede verificar esta
definición tirando una moneda y observando su resultado: cara (H) o cruz (T). Mientras más
se repita el experimento, más se acercará la estimación de P{H} (o de P{T}) al valor teórico
de 0,5.
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Leyes de la Probabilidad – Ley aditiva de las probabilidades.

Para dos eventos E y F, la suma E + F representa la unión de E y F, y EF representa su

intersección. Los eventos E y F son mutuamente excluyentes si no se intersecan, es decir, si
la ocurrencia de un evento prohíbe la ocurrencia del otro. Con base en estas definiciones, la
ley aditiva de las probabilidades se puede enunciar como sigue:

Ejemplo: Un experimento consiste en tirar un dado. El espacio muestral del experimento

es {1, 2, 3, 4, 5, 6}. Se define: E = {1, 2, 3 o 4} y F = {3, 4 o 5}
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Leyes de la Probabilidad – Ley de la probabilidad condicional.

Dado los dos eventos E y F, con P{F} 0, la probabilidad condicional de E dado F, P{E|F}, se
define como sigue:

Ejemplo: Usted juega con otra persona que tira un dado. Usted no puede ver el dado,
pero tiene información de los resultados. Lo que debe hacer es predecir el resultado de
cada tirada. Determine la probabilidad de que el resultado sea 6, si le dicen que en la
tirada ha salido un número par.
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Variables Aleatorias y Distribuciones de Probabilidades.

La representación numérica de los resultados produce lo que se llama variable aleatoria.

Una variable aleatoria x puede ser discreta o continua. Por ejemplo, la variable aleatoria
asociada al experimento de tirar un dado es discreta (x = 1, 2, 3, 4, 5 o 6); mientras que la
hora de llegada a una instalación de servicio es continua con x ≥ 0.

Cada variable continua o discreta x se cuantifica con una función de densidad de

probabilidad(es), fdp, f(x) o p(x). Esas funciones deben satisfacer las condiciones de la
siguiente tabla:
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Variables Aleatorias y Distribuciones de Probabilidades.

Una medida importante de las probabilidades es la función de distribución acumulada

(FDA), que se define como sigue:
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Variables Aleatorias y Distribuciones de Probabilidades.

Si h(x) es una función real de una variable aleatoria x, se define al valor esperado E{h(x)} de
h(x) como el promedio ponderado (a largo plazo) con respecto a la función de densidad de
probabilidad de x. Matemáticamente, dadas p(x) y f(x), las funciones de distribución
acumulada de probabilidades discretas y continuas de x, respectivamente, entonces se
calcula E{h(x)} como sigue:
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Variables Aleatorias y Distribuciones de Probabilidades - Ejemplos

Una variable aleatoria tiene la siguiente función de probabilidad,

1. Comprobar que es una función de probabilidad.

2. Calcular P(x ≤ 3).
3. Calcular P(x > 3).
4. Calcular P(x = 1 ∪ x = 3 ∪ x = 5).
5. Calcular E(X).
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Variables Aleatorias y Distribuciones de Probabilidades - Ejemplos

Sea X una variable aleatoria que tiene como función de densidad de probabilidad 𝑓 𝑥 =
𝑎(1 + 𝑥 2 )si x ∈ (0, 3) y f(x) = 0 en los demás casos. Se pide:

1. Hallar a y la función de distribución de X.

2. Hallar la probabilidad de que X esté comprendido entre 1 y 2.
3. P(X < 1).
4. P(X < 2|X > 1).
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Variables Aleatorias y Distribuciones de Probabilidades
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Variables Aleatorias y Distribuciones de Probabilidades

Exponencial

Normal
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Variables Aleatorias y Distribuciones de Probabilidades

Binomial

Poisson
 UNIDAD 1: TEORÍA DE DECISIONES
Repaso de Probabilidades – Teorema de Bayes

Formula probabilística que relaciona las probabilidades condicionadas a la

ocurrencia de un determinado suceso

P(A/Bi) P(Bi)
P(Bi/A) = k
i = 1,2,3...k


j=1
P(A/Bj) P(Bj)

El 42% de la población activa de cierto país está formada por mujeres. Se sabe
que un 24% de las mujeres y un 16% de los hombres están en el paro. ¿Cuál es
la probabilidad de que la persona elegida sea mujer?
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones

Un proceso de toma de decisión puede caer en una de las tres categorías siguientes:

1. Toma de decisiones bajo certidumbre, en la que los datos se conocen en forma determinista

2. Toma de decisiones bajo riesgo, en la que los datos se pueden describir con distribuciones de
probabilidades

3. Toma de decisiones bajo incertidumbre, en donde a los datos no se les puede asignar pesos o
factores de ponderación que representen su grado de importancia en el proceso de decisión
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre.

PROCESO DE JERARQUÍA ANALÍTICA (AHP)

Los modelos de programación lineal presentados en el ramo de Optimización son ejemplos

de toma de decisión bajo certidumbre, en donde todas las funciones están bien definidas. El
proceso de jerarquía analítica (AHP, por sus siglas en inglés) está diseñado para casos en los
que las ideas, sentimientos y emociones se cuantifican con base en juicios subjetivos para
obtener una escala numérica para dar prioridades a las alternativas de decisión

La metodología de AHP propone una manera de ordenar el pensamiento analítico, de la cual

se destacan tres principios básicos:
• El principio de la construcción de jerarquías.
• El principio del establecimiento de prioridades.
• El principio de la construcción de la consistencia lógica.
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).

El principio de la construcción de jerarquías.

•Nivel superior: el objetivo amplio y global.
•Los niveles siguientes, puede tener cada uno diversos elementos, aunque su cantidad es
generalmente pequeña, entre cinco a nueve elementos.
El principio del establecimiento de prioridades
Se realizan comparaciones a pares entre elementos de un mismo nivel con respecto a cierto
criterio y de esta manera expresar la preferencia de uno sobre el otro.

El principio de la construcción de la consistencia lógica

• Transitividad. Si A es mayor que C y C mayor que B, entonces la lógica dice que A es

mayor que B.
• Proporcionalidad. Las proporciones entre los órdenes de magnitud de las preferencias
debe cumplirse con un rango de error permitido. Ejemplo: Si A es 3 veces mayor que C y
C es 2 veces mayor que B entonces A debe ser 6 veces mayor que B, esto sería un juicio
100% consistente (se cumple la relación de transitividad y de proporcionalidad).
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Seleccionar el mejor automóvil.
•Establecimiento de las prioridades:
El comprador del automotor definió sus preferencias de los criterios así:
• Precio
• Consumo (Kilómetros por galón)
• Comodidad
• Estilo
•Emisión de Juicios y Evaluaciones:

Escala Escala Verbal Explicación

Numérica
1.0 Ambos elementos son de igual importancia Ambos elementos contribuyen con la propiedad
en igual forma.
3.0 Moderada importancia de un elemento sobre otro La experiencia y el juicio favorece a un elemento
por sobre el otro.
5.0 Fuerte importancia de un elemento sobre otro. Un elemento es fuertemente favorecido.
7.0 Muy fuerte importancia de un elemento sobre otro. Un elemento es muy fuertemente dominante.
9.0 Exterma importancia de un elemento sobre otro. Un elemento es favorecido, por lo menos con un orden
de magnitud de diferencia.
2,4,6,8 Valores intermedios entre dos juicios adyacentes. Usados como valores de consenso entre dos
juicios..
0 No hay relación Un elemento no contribuye al objetivo
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Seleccionar el mejor automóvil.
Usando la tabla se ha especificado para la adquisición del automotor, lo siguiente:
• El precio es moderadamente más importante que el consumo.
• El precio es igual de importante a moderadamente importante que la comodidad.
• El precio es igual de importante a moderadamente más importante que el estilo.
• La comodidad es de moderadamente más importante a más importante que el consumo.
• El estilo es de moderadamente a más importante que el consumo.
• El estilo es igual de importante a moderadamente más importante que la comodidad.

Escala Escala Verbal Comparación Criterio más Cuánto más Clasificación

en pares importante importante numérica
Num.
Precio - Precio Moderadamente 3
1.0 Ambos elementos son de igual
Consumo
importancia
Precio - Precio De igual a 2
3.0 Moderada importancia de un Comodidad moderadamente
elemento sobre otro
Precio – Estilo Precio De igual a 2
5.0 Fuerte importancia de un elemento moderadamente
sobre otro.
Consumo - Comodidad De 4
7.0 Muy fuerte importancia de un Comodidad moderadamente
elemento sobre otro. a fuertemente

9.0 Exterma importancia de un elemento Consumo - Estilo De 4

sobre otro. Estilo moderadamente
a fuertemente
2,4,6,8 Valores intermedios entre dos
Comodidad - Estilo De igual a 2
juicios adyacentes.
Estilo moderadamente
0 No hay relación
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Matriz de comparación entre pares.
Criterios C1 C2 C3 C4
C1 C1/C1 C1/C2 C1/C3 C1/C4
C2 C2/C1 C2/C2 C2/C3 C2/C4
C3 C3/C1 C3/C2 C3/C3 C3/C4
C4 C4/C1 C4/C2 C4/C3 C4/C4

Criterios Precio Consumo Comodidad Estilo

Precio 3 2 2

Consumo

Comodidad 4

Estilo 4 2

Criterios Precio Consumo Comodidad Estilo

Precio 1 3 2 2

Consumo 1/3 1 1/4 ¼

Comodidad ½ 4 1 ½

Estilo ½ 4 2 1
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Síntesis
Calcular la prioridad de cada criterio en función de su contribución al objetivo global se conoce en AHP
como síntesis.

Procedimiento manual a síntesis

1. Sumar los valores en cada Criterios Precio Consumo Comodidad Estilo
columna de la matriz de
comparación en pares. Precio 1 3 2 2

2. Dividir cada elemento en la Consumo 1/3 1 1/4 ¼

matriz de comparación en
Comodidad ½ 4 1 ½
pares entre el total de su
columna; la matriz resultante Estilo ½ 4 2 1
se conoce como matriz de
Suma 2.333 12.000 5.250 3.750
comparación en pares
normalizada.
3. Calcular el promedio de los
elementos en cada fila de la
matriz de comparación en
pares normalizada; estos
promedios proporcionan las
prioridades para los criterios.
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Síntesis
Calcular la prioridad de cada criterio en función de su contribución al objetivo global se conoce en AHP
como síntesis.

Procedimiento manual a síntesis

1. Sumar los valores en cada
columna de la matriz de
comparación en pares.
Criterios Precio Consumo Comodidad Estilo
2. Dividir cada elemento en la
matriz de comparación en Precio 0.429 0.250 0.381 0.533
pares entre el total de su
Consumo 0.143 0.083 0.048 0.067
columna; la matriz resultante
se conoce como matriz de Comodidad 0.214 0.333 0.190 0.133
comparación en pares
normalizada. Estilo 0.214 0.333 0.381 0.267

3. Calcular el promedio de los

elementos en cada fila de la
matriz de comparación en
pares normalizada; estos
promedios proporcionan las
prioridades para los criterios.
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Síntesis
Calcular la prioridad de cada criterio en función de su contribución al objetivo global se conoce en AHP
como síntesis.

Procedimiento manual a síntesis

1. Sumar los valores en cada
columna de la matriz de
comparación en pares. Criterios Precio Consumo Comodidad Estilo Prioridad

2. Dividir cada elemento en la Precio 0.429 0.250 0.381 0.533

0.398
matriz de comparación en
pares entre el total de su Consumo 0.143 0.083 0.048 0.067 0.085
columna; la matriz resultante Comodidad 0.214 0.333 0.190 0.133 0.218
se conoce como matriz de
comparación en pares Estilo 0.214 0.333 0.381 0.267 0.299
normalizada.
3. Calcular el promedio de los El precio con una prioridad de 0.398 es el criterio más importante.
elementos en cada fila de la El estilo con una prioridad de 0.299 se clasifica en segundo lugar.
Comodidad con una prioridad de 0.218 se clasifica en tercer lugar.
matriz de comparación en
El consumo es el criterio menos importante con una prioridad de
pares normalizada; estos 0.085
promedios proporcionan las
prioridades para los criterios.
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Análisis de consistencia para selección automotor
1. Multiplicar cada valor en la primera columna de la matriz de comparación en pares por la prioridad
de cada elemento.

2. Divida los elementos del vector de la suma ponderada obtenida en el paso 1 por la prioridad
correspondiente de cada criterio.

Precio 1.687 / 0.398 = 4.236

Consumo 0.347 / 0.085 = 4.077
Comodidad 0.907 / 0.218 = 4.163
Estilo 1.274 / 0.299 = 4.264
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Análisis de consistencia para selección automotor
3. Calcular el promedio de los valores encontrados en el paso 2; este promedio se denota ‫גּ‬max.

‫גּ‬max = (4.236+4.077+4.163+4.264) / 4 = 4.185

4. Calculo del índice de consistencia (IC):
IC = (‫גּ‬max – n) / (n – 1)
Donde n es la cantidad de elementos que se están comparando.

IC = (4.185 – 4) / (4 – 1) = 0.0616

5. Calcular razón de consistencia: RC = IC / IR. Donde IR es un índice de consistencia de una matriz de

comparación en pares generada de manera aleatoria.
n 3 4 5 6 7 8
IR 0.58 0.90 1.12 1.24 1.32 1.41

RC = 0.0616 / 0.90 = 0.068

Con un RC = 0.068 se concluye que el grado de consistencia en la comparación de pares es
ACEPTABLE
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).

Comparación en pares para determinar prioridades en la selección de automotor

Precio Consumo
Renault Chevrolet Mazda Renault Chevrolet Mazda

Renault 1 1/3 ¼ Renault 1 ¼ 1/6

Chevrolet 3 1 ½ Chevrolet 4 1 1/3

Mazda 4 2 1 Mazda 6 3 1

Comodidad Estilo
Renault Chevrolet Mazda Renault Chevrolet Mazda

Renault 1 2 8 Renault 1 1/3 4

Chevrolet ½ 1 6 Chevrolet 3 1 7

Mazda 1/8 1/6 1 Mazda ¼ 1/7 1

 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Certidumbre – Proceso de Jerarquía Analítica (AHP).
Prioridades para cada automotor usando cada uno de los criterios

Precio Consumo Comodidad Estilo

Renault 0.123 0.087 0.593 0.265

Chevrolet 0.320 0.274 0.341 0.656

Mazda 0.557 0.639 0.065 0.080

Clasificación de prioridad global

Prioridad global Renault: 0.398(0.123)+0.085(0.087)+0.218(0593)+0.299(0.265) = 0.265

Prioridad global Chevrolet: 0.398(0.320)+0.085(0.274)+0.218(0.341)+0.299(0.656) = 0.421
Prioridad global Mazda: 0.398(0.557)+0.085(0.639)+0.218(0.065)+0.299(0.080) = 0.314
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo

Las ventajas asociadas a cada alternativa de decisión se describen con distribuciones de

probabilidades. Por esta razón la toma de decisiones bajo riesgo se suele basar en el criterio
de valor esperado, en el que se comparan alternativas de decisión con base en la
maximización de la utilidad esperada, o la minimización del costo esperado.
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo – Árboles de Decisión.

Busca la maximización de la utilidad (promedio) esperada o la minimización del costo

esperado. En los datos del problema se supone que la retribución (o el costo) asociada con
cada alternativa de decisión es probabilística

Árboles de Decisión
Pueden usarse para desarrollar una estrategia óptima cuando el tomador de decisiones se
enfrenta con:
• Una serie de alternativas de decisión
• Incertidumbre o eventos futuros con riesgo

Árboles de Decisión – Componentes y Estructura

• Alternativas de decisión en cada punto de decisión
• Eventos que pueden ocurrir como resultado de cada alternativa de decisión. También son
llamados Estados de la naturaleza.
• Probabilidades de que ocurran los eventos posibles
• Resultados de las posibles interacciones entre las alternativas de decisión y los eventos.
También se les conoce con el nombre de Pagos
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo – Árboles de Decisión.

Árboles de Decisión – Componentes y Estructura

Los árboles de decisión poseen:

• Ramas: se representan con líneas

• Nodos de decisión: de ellos salen las ramas de decisión y se representan con 
• Nodos de incertidumbre: de ellos salen las ramas de los eventos y se representan con 
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo –Árboles de Decisión -Criterio del Valor Esperado

• Generalmente se inicia de derecha a izquierda, calculando cada pago al final de las

ramas.
• Luego en cada nodo de evento se calcula un valor esperado.
• Después en cada punto de decisión se selecciona la alternativa con el valor esperado
óptimo.

Ejemplo Árboles de Decisión Criterio Valor Esperado

Una compañía de seguros nos ofrece una indemnización por accidente de $210.000. Si no
aceptamos la oferta y decidimos ir a juicio podemos obtener $185.000, $415.000 o
$580.000 dependiendo de los alegatos que el juez considere aceptables. Si perdemos el
juicio, debemos pagar las costos que ascienden a $30.000. Sabiendo que el 70% de los
juicios se gana, y de éstos, en el 50% se obtiene la menor indemnización, en el 30% la
intermedia y en el 20% la más alta, determinar la decisión más acertada.
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo – Criterio del Valor Esperado.
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo –Árboles de Decisión -Criterio del Valor Esperado

Un agricultor desea evaluar su mejor alternativa de inversión en siembra para los próximos dos
años. Su decisión de inversión se basa fuertemente en las condiciones climáticas del año.
Para el primer año puede invertir en dos niveles de siembra, ya sea 100 quintales o 200
quintales. Las condiciones climáticas del año pueden ser buenas (con probabilidad de 0,6) o
malas (con probabilidad de 0,4). Para el segundo año, invertirá dependiendo de los resultados
climáticos del primer año, si las condiciones climáticas fueron malas, volverá a sembrar la
misma cantidad de quintales. En cambio, si las condiciones climáticas fueron buenas, podrá
decidir entre dos cantidad superiores (por ejemplo si sembró 100 quintales y las condiciones
fueron buenas, podrá decidir entre sembrar 200 o 300).
Las ventas esperadas de los quintales, para buen tiempo es de $1000 el quintal, en cambio,
las ventas con condiciones de mal tiempo es de $500 el quintal.
El costo de compra de semilla por quintal es de $250.

Determine cual es la mejor decisión.

 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo –Árboles de Decisión -Criterio del Valor Esperado
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo –Árboles de Decisión – Variación de Criterio del
Valor Esperado

Probabilidades a posteriori (de Bayes)

En bastantes situaciones es posible incorporar información al árbol de decisión de manera
parcial. Para llevar a cabo esta incorporación se utiliza el análisis bayesiano. Este análisis
modifica las probabilidades de los escenarios en función de la nueva información que se
dispone. El análisis bayesiano se fundamenta en los dos resultados de probabilidad más
utilizados en el cálculo de probabilidades condicionadas: el teorema de Bayes y el teorema
de la probabilidad total.
Teorema de la Probabilidad Total Teorema de Bayes
Permite calcular la probabilidad de un Establece la probabilidad de un suceso A
suceso a partir de las probabilidades de condicionada a la ocurrencia de otro
este suceso condicionadas a otros suceso, cuando la información de la que
sucesos que formen un sistema completo se dispone es del condicionado inverso.
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo –Árboles de Decisión – Variación de Criterio del
Valor Esperado
 UNIDAD 1: TEORÍA DE DECISIONES
Análisis de Decisiones – Toma de Decisiones Bajo Riesgo –Árboles de Decisión – Variación de Criterio del
Valor Esperado
Un destacado grupo de inversionistas planea la realización del proyecto de construcción Taitanium, el cual
consiste en un edifico que pretende ser por cierto tiempo la torre más alta de la ciudad. Taitanium tendrá una
gran cantidad de oficinas para arrendar a numerosas empresas en una privilegiada ubicación de la
metrópolis.
Desgraciadamente en los últimos meses surgió el rumor de que puede venir un fuerte movimiento sísmico y,
en base a experiencias anteriores, se tiene que la probabilidad de que ocurra en este caso un terremoto es
de 0,2. Debido a lo anterior los inversionistas están pensando incluir un sistema antisísmico de barras
cruzadas en los costados de la estructura que disipa la energía y disminuye la oscilación. El valor de este
sistema es de 200 MM USD.
Los ingresos esperados en términos de arriendo de oficinas son de 800 MM USD. En el caso que haya un
terremoto y la estructura no tenga el sistema disipador de energía, los costos se estiman en 300 MM USD
producto de daños en la estructura. En caso de que la estructura tenga el sistema antisísmico (y haya un
terremoto), los costos sólo ascienden a 100 MM USD, sin embargo esto generaría un impacto en las
empresas (por haber resistido tan bien ante un terremoto), que los arriendos subirían de precio aumentando
las ganancias en 400 MM USD por sobre los ingresos esperados.

a) Construya un árbol de decisiones que permita determinar la decisión de instalar o no el sistema disipador
de energía.
b) Expertos del departamento de geofísica de la ONEMI son capaces de predecir la ocurrencia de eventos
sísmicos. En ocasiones pasadas, el 80% de las veces que hubo un terremoto, los expertos dijeron que iba a
haber un terremoto. Mientras que el 70% de las veces que no hubo terremoto, los expertos dijeron que no lo
habría.
¿Hasta qué precio los inversionistas estarían dispuestos a contratar los servicios de los expertos de la
ONEMI?
INVESTIGACIÓN OPERATIVA:
SESIÓN 1.
Juan Francisco Toledo L.
Mg. Gestión de Operaciones / Ingeniero Civil Industrial.
Universidad de Talca
jf.toledo87@gmail.com