Operaciones I

Toma de decisiones

Bibliografía: Operations Management Processes And SupplyChains,

por Krajewski, L. J., Ritzman, L. P. y Malhotra, M. K.

Daniel Morillo Torres y Héctor F. Bonilla

Teoría de la decisión: Introducción
Teoría de la decisión:
Decisión:
Introducción
elegir lo mejor entre lo posible  Definir lo mejor y lo posible

• Lomejor:
– Un criterio (Optimización clásica y Decisión clásica)
– Varios criterios o varios decisores (Juegos y Decisión multicriterio)
• Incertidumbre
– Optimización estocástica
– Teoría de la decisión clásica
– Teoría de juegos con información incompleta
• LoPosible:
– Conjunto Discreto
– Conjunto Continuo

Daniel Morillo Torres y Héctor F. Bonilla

Toma de decisiones
Existen numerosas técnicas que ayudan
a la toma de decisiones:
• Análisis del punto deequilibrio.

• Matriz de preferencia.

• Teoría de decisiones.

• Árboles de decisión.

Daniel Morillo Torres y Héctor F. Bonilla

Matriz de Preferencias
La “Matriz de los expertos” permite combinar
múltiples criterios y elegir unaalternativa.

Daniel Morillo Torres y Héctor F. Bonilla

Índi
ce
1. Introducción
2. Criterios para determinar
decisiones
3. Árboles de decisión

Daniel Morillo Torres y Héctor F. Bonilla

 1. Decisión
Introducción
con
• incertidumbre o riesgo.
Decisor toma decisión ante situación con diversos estados gobernados por azar
E= {E Estados de la naturaleza
1,...,Em}
Decisiones posibles o alternativas
• A ={A1,...,An}
• xij Consecuencia de tomar decisión Ai y se dé estadoEj
• pj Probabilidad de estado Ej
• pj conocida: Decisiónbajo riesgo pj desconocida: Decisión bajo incertidumbre
• Ey Afinitos  tabla de decisión:

E1 E2 ... Em Estados, escenarios

p1 p2 ... pm  Probabilidades
Decisiones, A1 x11 x12 ... x1m

alternativas A2 x21 x22 ... x2m Matriz de pagos

o consecuencias
o acciones : : : ... :
An xn1 xn2 ... xnm

Daniel Morillo Torres y Héctor F. Bonilla

Teoría de decisiones.
¿Qué decidir?
1.Criterio del Pago Máximo (pesimista o minmax).
2.Criterio del optimista.
3.Criterio de la máxima posibilidad.
4.Criterio de minimización del arrepentimiento.
5.Criterio de maximización del pago promedio
(Regla de decisión de Bayes)

Daniel Morillo Torres y Héctor F. Bonilla

 Decisión con
Criterios de valoración

incertidumbre o riesgo
Criterios para valorar decisiones
A) Probabilidades conocidas:
Criterio del valor esperado o de Laplace: Valorar alternativas con valor esperado o medio
(bueno situaciones repetidas)
Criterio de la moda: Valorar con valor en escenario moda (bueno moda clara)
Criterio de escenario medio: Obtener escenario medio y valorar con valor enél
B) Probabilidades desconocidas o ignoradas:
Criterio de Wald o minimax-maximin o pesimista: Valorar con lopeor
Costes: minimax Ganancias: maximin
Criterio optimista: Valora cada alternativa con lo mejor (apenasusada)
Criterio de Hurwicz: Actitudes entre la más pesimista y la más optimista: (01) 
índice optimismo Valorar: Lo mejor + (1-)Lo peor
Criterio de Savage o costes de oportunidad o minimizar máximo arrepentimiento
Coste de oportunidad de no prever correctamente el estado de la naturaleza.
Matriz penalizaciones o costes oportunidad: lo mejor del estado – valor matriz
A esa matriz aplicar minimax (puede ser otro)

Daniel Morillo Torres y Héctor F. Bonilla

 Criterios de valoración E1  1 E2  2 E3  3 E4  4
p1  0.1 p2  0.3 p3  0.4 p4  0.2
Demanda: 1 (0.1), 2 (0.3), 3 (0.4), 4 (0.2).
A 1 1500 1500 1500 1500
Precio venta mes: 6500, mes siguiente: 4000; 1
A2  2 500 3000 3000 3000
Coste: 5000 A3  3 –500 2000 4500 4500
A4  4 –1500 1000 3500 6000

A) Ganancia esperada: A1: 1500 A2: 2750 A3: 3250 A4: 2750
Moda: A1: 1500 A2: 3000 A3: 4500 A4: 3500
Escenario medio: 2.7 A1: 1500 A2: 3000 A3: 3750 A4: 2750
B) Wald: A1: 1500 A2: 500 A3: -500 A4: -150
Optimista: A1: 1500 A2: 3000 A3: 4500 A4: 6000
Hurwicz: A1: 1500 A2: 3000+500(1-) A3: 4500-500(1-)
A4: 6000-1500(1-) <0.4 A1 0.4 A4
SAVAGE : 0 1500 3000 4500 4500
1000 0 1500 3000 3000
2000 1000 0 1500 2000
3000 2000 1000 0 3000

Daniel Morillo Torres y Héctor F. Bonilla

 Valor esperado de la información perfecta
Valor esperado de la información perfecta (VEIP)
VEIP = Ganancia esperada con información perfecta - Ganancia esperada con
incertidumbre
• Ganancia esperada con información perfecta: Para cada estado mejor decisión y
esperanza
• Ganancia esperada con incertidumbre: Dada la decisión elegida, esperanza de la
ganancia
Ejemplo:
• Ganancia esperada con información perfecta:
D1 : 1(0.1) D2 : 2(0.3) D3 : 3 (0.4) D4 : 4 (0.2)
A1(1500) A2 (3000) A3(4500) A4 (6000) GEIP  4050

• Si la decisión es A3: Ganancia esperada con incertidumbre 3250

VEIP = 4050 - 3250 =800

(Equivale a criterio de Savage con penalización esperada)

VEIPse puede entender como lo que se está dispuesto a pagar por tener la certeza del estado
que se va a dar (valor de la información).

Daniel Morillo Torres y Héctor F. Bonilla

1. Decisión con
Árboles de decisión
incertidumbre o
Procesos decisión polietápicos: Árboles de decisión
Proceso secuencial de Decisión-Azar
riesgo
Árbol de decisión:
• Vértice de azar: salen tantos arcos como estados de la naturaleza posibles
en ese punto
• Vértice de decisión: salen tantos arcos como acciones posibles en ese punto
• Vértice inicial o raíz: salen tantos arcos como acciones iniciales hay.
• Vértice terminal u hoja: asignar coste o beneficio

El árbol se construye de raíz a hojas, y se valora de hojas a raíz:

• Nodos de azar: valorar con alguno de los criterios (suele ser valor medio)
• Nodos de decisión: Elegir la mejor decisión según el criterio elegido. Las
decisiones no seleccionadas se consideran rechazadas (camino eliminado)

Daniel Morillo Torres y Héctor F. Bonilla

1.Árboles
Decisiónde decisióncon

incertidumbre o riesgo
Ejemplo Vendedor ambulante: Enero: pagar 40000 euros permiso para ir feria septiembre
Un mes antes: previsión mal tiempo (0.3)  nova feria
Tipospedido: Grande 900 u. P.c.:100 P.v.:300; Pequeño 600 u. P.c.:125 P.v.:350
Demanda: 900 (0.3) 600 (0.5) 300 (0.2). Si demanda > pedido, P.v. 50 menos
59000
D.Alta 0'3 140.000

A2 D.Media 0'5 50.000

P. Grande
65000 D.Baja 0'2
-40.000

D2
Buen tiempo
33500 0'7 D.Alta 0'3 65.000

P. Pequeño A'2 D.Media 0'5 95.000

A1
33500 permiso
D.Baja 0'2 -10.000
65000
D1
Mal tiempo -40.000
0'3
0
No permiso

Política óptima: pedir permiso y si hace buen tiempo ir con pedido pequeño

Daniel Morillo Torres y Héctor F. Bonilla

Decisión con
Árboles decisión: incremento información parcial Bayes
incertidumbre
• Probabilidades a priori: o riesgo
– Estimaciones de probabilidades de estados de la naturaleza
• Probabilidades a posteriori:
– Estimaciones de las probabilidades tras saber resultado de
experimento asociado
– Ejemplo: el viajante pregunta en enero a un experto estadístico
meteorólogo sobre climatología en septiembre. Si es útil, modificará
probabilidades según lo que diga el experto
• Incorporar información al árbol dedecisión:
– Si se conocen probabilidades a posteriori, directo
– Si no se conocen, teorema de la probabilidad total y de Bayes
P(A)  PP((AA / B )P(B ))
 ii ii P(B / A)  P(A / B)
P(B)
i P(A)

Teoría de la Decisión - 9

Daniel Morillo Torres y Héctor F. Bonilla

Teoría de decisiones.
Los parámetros son
constantes
Toma de conocidos y ciertos.
decisiones bajo Dentro de estos
certidumbre modelos encontramos
la Programación lineal.

Los parámetros
Toma de
varían con el
decisiones bajo tiempo y obedecen
incertidumbre a procesos
estocásticos.
Daniel Morillo Torres y Héctor F. Bonilla
Teoría de decisiones.
Acción (a): Alternativa elegida por el tomador de
decisiones del conjunto que contiene todas las
alternativas factibles bajo consideración para las
distintas formas de proceder del problema en
cuestión.

Estado de la naturaleza (): Cada una de las

situaciones posibles en que se encontrará el tomador
de decisiones y está determinado por efectos
aleatorios.

Daniel Morillo Torres y Héctor F. Bonilla

Teoría de decisiones.
Ejemplo1: La PetrolCali Company es la dueña de
unos terrenos donde puede haber petróleo. Según
un geólogo la probabilidad de que exista petróleo en
estos terrenos es de 1/4.

La compañía puede o bien, perforar o vender los

terrenos. Si los vende el precio de venta esde
$90.000 independientemente si hay o no petróleo. Si
decide perforar y hay petróleo ganará$700.000.
Pero si no hay petróleo perderá $100.000.

Daniel Morillo Torres y Héctor F. Bonilla

Teoría de decisiones.

Hay petróleo Está seco

Perforar $700.000 -$100.000

Vender $90.000 $90.000

Probabilidad 0,25 0,75

Daniel Morillo Torres y Héctor F. Bonilla

Teoría de decisiones.
Ejemplo2: La Pizzería Caleña PizzaHat se enfrenta
a un grave problema, puesto que sus principales
clientes (estudiantes universitarios) que viven en
las residencias estudiantes pueden mudarse a
unos apártatenos que la gobierno va a rentar
para ellos en Pance o bien pueden trasladarse de
intercambio aAlemania.

Ante la posibilidad de mudanza, la PizzaHat está

considerando trasladarse a otro lugar.
Daniel Morillo Torres y Héctor F. Bonilla
Teoría de decisiones.
No Apartament
Alemania
mudanz os del
a Gobierno
No
100 50 20
mudanz
a
Pance 40 150 25

Alemania -20 20 200

1/3 1/3 1/3

Daniel Morillo Torres y Héctor F. Bonilla

Árboles de decisión
Un árbol es un modelo esquemático de
las alternativas disponibles y de las
posibles consecuencias.

Nodo cuadrado: puntos de decisión.

Nodo circular (fortuito): evento no
controlable.

Daniel Morillo Torres

Árboles de decisión

Daniel Morillo Torres

Árboles de decisión
Ej: Un minorista tiene que decidir si la instalación que construirá en
una nueva localización será grande o pequeña. La demanda en ese
lugar puede ser alta (prob. 0,6) o baja (prob. 0,4). Si se construye una
instalación pequeña y la demanda resulta ser alta, el gerente podrá
elegir entre no ampliar dicha instalación (beneficio $223.000) o
ampliarla (beneficio $270.000). Si se construye una instalación
pequeña y la demanda es baja, no habrá razón para expandirse y el
beneficio será de $200.000. Si se construye una instalación grande y
la demanda resulta ser baja, las opciones son no hacer nada
($40.000) o estimular la demanda por medio de publicidad local. La
respuesta a esa publicidad puede ser modesta (prob. 0,3) o
considerable (0,7). Si la respuesta es modesta, el beneficio será de
$20.000, si es considerable el beneficio incrementa $220.000.
Finalmente, si se construye una instalación grande y la demanda
resulta ser alta, los beneficios serán de $800.000. ¿Qué alternativas
tomar?
Daniel Morillo Torres y Héctor F. Bonilla
Árboles de decisión

Daniel Morillo Torres y Héctor F. Bonilla

Teoría de decisiones.
Ejercicio en clase!!
El Museo internacional “Arte Hasta Que Harte” tiene los especímenes acuáticos
más asombrosos y portentosos, por esta razón hace un evento cada temporada.
Usted es el encargado de vender bonos a todos los espectadores, para ello,
usted, antes del evento hace un pedido de varios bonos, los adquiere por el valor
de $1.5/bono y los vende a $3/bono. Los bonos adicionales que nopuede vender
al finalizar el espectáculo puede revenderlos al museo a un precio X, además, si
existe más demanda de bonos que oferta, por cada cliente insatisfecho se le
multará en $1/cliente. Como este museo es uno de los más visitados tanto por
sus espectáculos como por su infraestructura solo puede tener dos estados de
espectadores que se dan de manera aleatoria: medio lleno y lleno. Cuando está
lleno se puede vender hasta 150 bonos, y cuando esta medio lleno se venderían
hasta 80 bonos.
¿Cuál debe ser el rango de valores de X para que la decisión óptima según el
criterio de mínimo arrepentimiento sea 150 bonos y al mismo tiempo, según
el criterio de pago máximo sea la decisión optima de comprar80 bonos?

Daniel Morillo Torres y Héctor F. Bonilla