Beruflich Dokumente
Kultur Dokumente
SESIÓN 1.
Juan Francisco Toledo L.
Mg. Gestión de Operaciones / Ingeniero Civil Industrial.
Universidad de Talca
jf.toledo87@gmail.com
UNIDADES
03/10 Cadenas de Markov tiempo continuo – Procesos de nacimiento y muerte – Tarea Grupal.
19/12 EXAMEN
• Prueba 1
35%
• Prueba 2
30%
Evaluaciones
• Taller
20%
• Tareas
15%
BIBLIOGRAFÍA
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.
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.
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
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:
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
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.
Precio 3 2 2
Consumo
Comodidad 4
Estilo 4 2
Precio 1 3 2 2
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.
2. Divida los elementos del vector de la suma ponderada obtenida en el paso 1 por la prioridad
correspondiente de cada criterio.
IC = (4.185 – 4) / (4 – 1) = 0.0616
Precio Consumo
Renault Chevrolet Mazda Renault Chevrolet Mazda
Mazda 4 2 1 Mazda 6 3 1
Comodidad Estilo
Renault Chevrolet Mazda Renault Chevrolet Mazda
Chevrolet ½ 1 6 Chevrolet 3 1 7
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
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.
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