III unidad: Toma de decisiones

Unidad 1. Toma de decisiones

Objetivo 1.1 Ambientes y criterios para la toma de decisiones
Decidir es un proceso por el que una o ms personas seleccionan una o ms alternativas de entre un conjunto para que, de
acuerdo a ciertos criterios, se alcancen una serie de objetivos y metas preestablecidas; todo lo anterior, dentro de un entorno de
los posibles estados que pueda presentar la naturaleza. El proceso de decisin puede realizarse haciendo uso de los principios de
la metodologa cientfica o la improvisacin.
En cualquier acto de decisin se distinguen los siguientes elementos:
a)
b)
c)
d)

Uno o ms decisores que disponen de una serie de objetivos y metas supuestamente bien definidos.
Un conjunto de posibles acciones o alternativas disponibles a los decisores.
Un conjunto de posibles resultados generados por la instrumentacin de acciones.
Un entorno dado por los posibles estados que guarda la naturaleza en relacin a los objetivos de los decisores, sobre los
cuales stos no ejercen ningn control.
e) Una funcin que liga acciones y resultados con el entorno.
f) Un proceso de decisin, que selecciona una o varias acciones, dado un cierto entorno y metas explcitas del grupo de
decisores.
g) Un criterio que enmarca el proceso de decisin.
La figura 1.1 muestra un proceso completo de solucin de problemas que incluye la toma de decisiones
Toma de decisiones
Estructuracin del problema

Anlisis del problema

Definir
Identificar
Determinar
Implementa
el
Evaluar las
Elegir una
Evaluar los

las

los

r la

problem
alternativas
alternativa
resultados
alternativas
criterios
decisin
a
Solucin de problemas
Figura 1.1 Proceso de solucin de problemas

Para que se pueda llevar a cabo el proceso de la toma de decisin, es necesario alimentar el sistema o modelo en el que se
transformar la informacin, dicho alimento son los datos y sin ellos, simplemente no hay proceso ni toma de decisiones. Los
datos sirven para describir sucesos del mundo real y son una base parcial sobre la que se toman las decisiones. Los datos son
hechos o conceptos conocidos o supuestos y generalmente se expresan en forma numrica. Los datos reflejan lo que sucedi en
el pasado y lo que est sucediendo.

Objetivo 1.2 Toma de decisiones bajo modelos de certidumbre, incertidumbre y riesgo

Modelos bajo certidumbre
Los procesos de decisin bajo completa certidumbre, se llaman determinsticos y se caracterizan porque el grupo decisor
conoce perfectamente cul va a ser el estado de la naturaleza, es decir las causas y efectos o consecuencias, para cada alternativa
de accin. De acuerdo al criterio de decisin los decisores seleccionarn la alternativa que ms rpidamente los lleve a la
solucin correspondiente y sta solucin, a su vez, a la obtencin de la meta u objetivo preestablecidos. En lo que respecta a la
informacin. Si sta se considera perfecta, es decir, completa y confiable, la T.D. se hace bajo condiciones de certidumbre.
Por ejemplo, si est lloviendo, deber llevarse el paraguas? Si hace fro, deber llevarse el abrigo? Ya sea que se lleve o no el
paraguas o el abrigo, las consecuencias son predecibles. La mayora de los modelos y tcnicas de la investigacin de
Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

operaciones se estudian bajo condiciones de certidumbre. As tenemos como ejemplo: El anlisis de punto de equilibrio, la
programacin lineal, la programacin de la produccin, el control de inventarios, etc.
Modelos bajo riesgo
Tambin conocidos como probabilsticos, son aquellos donde no se conoce el estado de la naturaleza y se tiene asociada una
distribucin de probabilidad (continua o discreta). Se considera que una falta de certidumbre respecto a los eventos futuros es
una caracterstica de muchos, si no es que de la mayora, de los modelos de decisiones administrativas. Los modelos estudiados
en esta categora tienen cuando menos un estado de la naturaleza. Tambin, el responsable de tomar la decisin debe saber que
puede establecer una probabilidad de ocurrencia para cada uno de esos estados de la naturaleza. En estos modelos por lo regular
los decisores seleccionan aquella alternativa que maximiza el valor esperado que ms se aproxima a la meta u objetivo
preestablecidos.
Modelos bajo incertidumbre
En condiciones de incertidumbre, la funcin densidad de probabilidad se desconoce o no puede determinarse. Dicho de otra
manera, los estados de la naturaleza se desconocen. La incertidumbre no implica ignorancia completa sobre el problema.
Procesos conflictivos
En este caso, los estados de la naturaleza obligan a que el logro de las metas de un grupo de decisores reduzca, simultneamente,
las posibilidades de que otro grupo alcance las suyas. Problemas tpicos son los juegos y las disputas econmicas sindicato empresa.
Ejemplos de toma de decisiones bajo riesgo
Existen los siguientes criterios para esta seccin:
1.
2.
3.
4.

Valor esperado (ganancia o prdida).

Valor esperado y varianza combinados.
Nivel de aceptacin conocido.
Ocurrencia ms probable de un estado futuro.

Criterio del valor esperado

Ejemplo 1.1 John Collins invierte su dinero en Anderson Savings and Loan, en donde recibe un inters del 7% anual sobre la
inversin. Un amigo suyo le platic que va a abrir una cafetera de autoservicio y quiere que John invierta. Despus de
investigar la oportunidad, John prepara una distribucin de probabilidad de las utilidades posibles sobre la inversin, la cual se
muestra en la tabla 1.1.
Rendimiento sobre
la inversin (%)
-10
0
5
10
20
30

Probabilida
d
0.05
0.15
0.20
0.40
0.15
0.05
1.00

Tabla 1.1

En estadstica, el valor esperado se calcula con el desarrollo siguiente:

Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

n

E ( X )= X i p ( X i ) . (1.1)
i=1

As, E(utilidad sobre la inversin) = -10(0.05) + 0(0.15) + 5(0.20) + 10(0.40) + 20(0.15) + 30(0.05) = 9%
Entonces, John espera recibir un 9% de la cantidad que estimen para la inversin. La cantidad monetaria esperada, ya en su
momento, ser aquella que proporcione el valor presente del dlar.
Algunos problemas revisten caractersticas para poder analizarlos en matriz de pagos. El ejemplo siguiente es uno de ellos.
Ejemplo 1.2 (Ejemplo pg. 67. Gallagher Watson). La panadera Leonards prepara todos los das su famoso pan. ste se
vende a un dlar la pieza cuando est recin hecho y cuesta $0.50 prepararlo. El pan que no se vende se lleva a la mesa de
descuento en donde se vende a $0.50 la pieza. Aun a ese precio, la mitad del pan de la mesa de descuento no se vende y hay que
tirarlo.
El problema de la Leonards es decidir cuntas piezas preparar en un da tpico. La historia dice que la demanda de pan ha sido
la que se muestra en la tabla 1.2. De datos histricos se sabe que la demanda se presenta entre 3 y 6 docenas, inclusive, por da.
Demanda en
docenas de
piezas
3
4
5
6

Probabilidad
0.10
0.40
0.40
0.10
1.00

Tabla 1.2

Los clculos necesarios se enlistan a continuacin. La matriz de pagos se ilustra en la tabla 1.3.
Costo de venta costo de preparar costo de preparar costo de pan sobrante.
Celda (1,1): 36($1$) 36($0.5) = $18
Celda (2,2): 48($1$) 48($0.5) = $24
Celda (3,3): 60($1$) 60($0.5) = $30
Celda (4,4): 72($1$) 72($0.5) = $36
Costo de venta costo de preparar + costo de 50% de pan excedente.
Celda (2,1): 36($1$) 48($0.5) + 6($0.5) = $15
Celda (3,1): 36($1$) 60($0.5) + 12($0.5) = $12
Celda (4,1): 36($1$) 72($0.5) + 18($0.5) = $9
Celda (3,2): 48($1$) 60($0.5) + 6($0.5) = $21
Celda (4,2): 48($1$) 72($0.5) + 12($0.5) = $18
Celda (4,3): 60($1$) 72($0.5) + 6($0.5) = $27

Alternativas
de
decisin

Preparar

Calculando el valor esperado,

18(0.10 + 18(0.40) + 18(0.40 + 18(0.10) = $18.00
Ing. Miguel ngel Caballero Len

3 doc.
4 doc.
5 doc.
6 doc.
Tabla 1.3

3 doc.
(0.10)
18
15
12
9

Eventos
Demanda de pan fresco
4 doc.
5 doc.
(0.40)
(0.40)
18
18
24
24
21
30
18
27

6 doc.
(0.10)
18
24
30
36

III unidad: Toma de decisiones

15(0.10 + 24(0.40) + 24(0.40 + 24(0.10) = $23.10
12(0.10 + 21(0.40) + 30(0.40 + 30(0.10) = $24.60
9(0.10 + 18(0.40) + 27(0.40 + 36(0.10) = $22.50
De estos resultados, el mejor es el que corresponde a producir 5 docenas de pan, ya que el valor esperado de retribucin es el
mayor, $24.60.
Ejemplos de toma de decisiones bajo incertidumbre
Ejemplo 1.3 Star Productions, una productora de series de televisin, acaba de firmar un contrato para producir un nuevo
espectculo de primera lnea, New York Life. El presidente de la empresa le ha pedido a usted que determine una inversin
inicial apropiada para el programa piloto de dos horas y para los siguientes ocho episodios de una hora de la serie. La junta
directiva divide las inversiones para nuevos programas en tres niveles generales, que despus se convierten en las alternativas de
decisin:
1.
2.
3.

Nivel inferior (L): ninguno de los actores tiene un reconocimiento sustantivo.

Nivel moderado (M): el actor principal tiene reconocimiento, pero no as ninguno de los actores de apoyo.
Nivel alto (H): ms de uno de los actores tiene reconocimiento.

Las implicaciones financieras de estas decisiones dependen del xito futuro, desconocido, de la serie. El siguiente paso es
caracterizar aquellos estados futuros mediante la identificacin de un nmero finito de posibles resultados. En este caso, usted
podra identificar las siguientes posibilidades:
1.
2.
3.

Fracaso (F): menos de 10% de los espectadores ven el programa.

xito (S): entre 10% y 20% de los espectadores ven el programa.
Gran xito (G): ms de 20% de los espectadores ven el programa.

La tabla de ganancias (en millones de dlares) se muestra a continuacin:

Decisiones
Baja (L)
Moderada (M)
Alta (H)

Fracaso (F)
-2
-5
-8

Resultados
xito (S)
5
10
6

Gran xito (G)

8
12
15

Para los criterios de decisin siguientes encuentre los resultados correspondientes:

a)
b)
c)
d)
e)
f)
g)

Criterio optimista (Maximax)

Criterio pesimista (Maximin)
Criterio de Hurwicz
Criterio de penalizacin minimax
Criterio probabilstico
Criterio de Laplace
Criterio de Savage

Solucin:
a)

Formando un vector rengln con los valores ms altos en cada alternativa se tiene {8, 12, 15}, de donde 15 millones de
dlares es la ganancia esperada para una inversin alta.
b) Seleccionando el peor de los resultados para cada alternativa se tiene {-2, -5, -8}, entonces el valor que maximiza las
ganancias de estos tres, es 2 millones de dlares para la alternativa de inversin baja.
c) Se establece una ponderacin = 0.7, la cual si se aproxima al valor de 1 se comportar ms como un criterio
optimista; y si se aproxima a 0, como un criterio pesimista. Los resultados para cada alternativa se obtienen con,
Ganancia ponderada = (ganancia mxima) + (1 ) (ganancia mnima)
Entonces,
Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

Alternativa
Baja
Moderada
Alta

Ganancia ponderada
0.7( 8) + 0.3(-2) = 5.0
0.7(12) + 0.3(-5) = 6.9
0.7(15) + 0.3(-8) = 8.1

Se decide por la alternativa alta con una ganancia esperada de 8.1 millones de dlares.
d) Este criterio se basa en la eleccin de la alternativa que minimiza la penalizacin por no haber escogido la mejor
decisin. La penalizacin minimax para cada columna se determina con:
Penalidad = (ganancia por la mejor decisin) (ganancia por la decisin no ptima)
Decisiones
Baja
Moderada
Alta

Fracaso (F)
0
3
6

Resultados
xito (S)
Gran xito (G)
5
7
0
3
4
0

De las penalizaciones, se elige la mayor por cada alternativa quedando {7, 3, 6} y de estas se escoge la menor,
entonces, se obtendra una ganancia esperada de 12 millones de dlares para la alternativa de inversin moderada.
e) En este criterio se establece, en base a creencias o experiencia, una probabilidad relativa. Por ejemplo, para el problema
de Star Productions, usted podra creer, basado en la experiencia, que hay una misma probabilidad de que la serie sea
un xito o un fracaso, pero que existe una menor probabilidad de que la serie sea un gran xito. Suponga que la
estimacin hecha para Star Productions ha sido la siguiente:

Probabilidad

Fracaso (F)
0.4

Resultados
xito (S)
Gran xito (G)
0.4
0.2

Entonces, bajo estas apreciaciones, las ganancias esperadas seran:

Alternativa
Baja
Moderada
Alta

Ganancia esperada
0.4(-2) + 0.4( 5) + 0.2( 8) = 2.8
0.4(-5) + 0.4(10) + 0.2(12) = 4.4
0.4(-8) + 0.4( 6) + 0.2(15) = 2.2

Donde la mejor eleccin es la de inversin moderada con una ganancia esperada de 4.4 millones de dlares.
f)

En este criterio, conocido tambin como principio de razn insuficiente, se tiene la creencia de que los resultados
para cada alternativa tienen la misma probabilidad de ocurrencia. Entonces para el mismo ejemplo,
Alternativa
Baja
Moderada
Alta

Ganancia esperada
1/3(-2 + 5 + 8) = 3.667
1/3(-5 + 10 + 12) = 5.667
1/3(-8 + 6 + 15) = 4.333

Nuevamente resulta elegida la alternativa de inversin moderada con una ganancia esperada de 5.667 millones de
dlares.
g) El procedimiento para este criterio consiste de identificar, de cada columna el menor valor y restarlo de todos los
elementos de la misma columna, la matriz resultante se conoce como de deploracin. Aplicndolo al mismo ejemplo,
se tiene
Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

Decisiones
Baja (L)
Moderada (M)
Alta (H)
Mnimo

Fracaso (F)
-2
-5
-8
-8

Resultados
xito (S)
5
10
6
5

Gran xito (G)

8
12
15
8

Decisiones
Baja (L)
Moderada (M)
Alta (H)

Fracaso (F)
6
3
0

Resultados
xito (S)
0
5
1

Gran xito (G)

0
4
7

De donde,

As, el vector de mximos por rengln es {6, 5, 7}, lo que lleva a una decisin por la alternativa de inversin moderada
para un resultado de xito con una ganancia esperada de 10 millones de dlares.

Objetivo 1.3 enfoque cuantitativo en la toma de decisiones

Estas herramientas ayudan a aplicar el pensamiento racional para que gue, ayude y automatice las decisiones y sirvan al gerente
a descubrir la solucin deseada al problema de la mejor forma, mediante la divisin de problemas en fragmentos menores, lo
cual facilita el diagnstico.

Las tcnicas cuantitativas facilitan el diagnstico de problemas pero no permite el anlisis de los aspectos cualitativos como los
aspectos humanos que no se pueden contar en trminos numricos.

La toma de decisiones no es fcil, pues se enfrenta a la incertidumbre y muchas veces los gerentes ven la conducta pasada como
un indicador del futuro.

Algunos elementos de apoyo cuantitativos en la toma de decisiones gerenciales son:

1. Matriz de resultados
2. rboles de decisiones
Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

3. Modelos de tamaos de inventarios
4. Programacin lineal
5. Teora de colas
6. Teora de redes
7. La programacin entera
8. La simulacin
9. El anlisis de Markov

La matriz de resultados: Es un instrumento muy utilizado que muestra los posibles resultados que se pueden conseguir, al seguir
estrategias en diferentes circunstancias.

Cuando una situacin est dada en 2 dimensiones, puede emplearse una matriz de resultados. En los cuadros de interseccin de
la matriz se muestra el resultado de una combinacin de estados y estrategias. En caso de que las condiciones sean aleatorias, a
cada estado puede asignrsele una probabilidad que sea decisiva para determinar la posibilidad de cierto resultado.

rboles de Decisin: Este mtodo ha sido empleado desde los aos 50 por los administradores de organizaciones complejas, en
todos sus sistemas o funciones bsicas, en especial en las reas de investigacin y desarrollo, en el anlisis del presupuesto de
inversin y en la investigacin de mercados.

Consiste en asignar probabilidades a eventos en condiciones de riesgos o incertidumbre mediante la representacin grfica que
ilustra cada estrategia o alternativa a travs de una ramificacin, parecidas a las ramas de un rbol. Los vrtices o nodos
representan los eventos de decisin utilizando para esto un cuadro. Los efectos derivados de la decisin se denominan
acontecimientos y se representan por medio de un crculo segn se ilustra en la figura 1.2.

Figura 1.2

Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

La tcnica permite seleccionar la mejor alternativa mediante la comparacin de los beneficios econmicos de cada rama a partir
de:

Los costos condicionales de cada decisin

El clculo o estimacin de probabilidad designada a cada alternativa originada en cada decisin
El valor esperado de cada rama.

El Sistema de Inventarios: Estos ayudan a controlar los costos totales de inventarios y tambin pueden reducir el costo total de
comprar para almacenar, de llevar el inventario y quedarse sin el.
Lo que pretende bsicamente el sistema de inventarios es ayudar a quien toma las decisiones a buscar el nivel ptimo al ordenar
o almacenar inventarios, pues es uno de los mayores problemas que enfrentan los directivos.
Programa Lineal: El objetivo primordial de la Programacin Lineal es maximizar o minimizar funciones lineales en distintas
variables reales con restricciones, tambin lineales. Los problemas en Programacin Lineal corresponden a situaciones reales en
las que se pretende identificar y resolver dificultades para la mejor utilizacin de recursos limitados y casi siempre costosos.
Es importante tener en cuenta algunos aspectos importantes como:
1.
2.
3.
4.

Las corrientes de entrada.

Proceso de conversin.
Las corrientes de salida.
La comunicacin de retroalimentacin.

Un buen mtodo para plantear problemas de Programacin Lineal es la aplicacin de un modelo de toma de decisiones y de los
ms apropiados es el mtodo cientfico:
I
II
III
IV
V
VI
VII
VIII

Definir el problema
Buscar alternativas
Evaluar alternativas
Elegir alternativas
Determinar el plan de accin
Comunicar la decisin
Implementar la decisin
Controlar y evaluar
Se aplica en situaciones como: elegir el trayecto ms corto para la distribucin de un producto, elegir los elementos ms
esenciales en la mezcla para obtener un producto.
Teora de Colas: Se refiere a la forma de optimizar una distribucin que se ve afectada por la aglomeracin y espera, teniendo
como foco los puntos donde hay congestin y las demoras que hay en algn punto del servicio. Se utiliza gran variedad de
tcnicas matemticas. Los puntos de inters son:

El tiempo de espera de los clientes.

El nmero de clientes en la cola.
La razn entre el tiempo de espera y el tiempo de prestacin del servicio.

Y sus componentes son:

Los clientes o las operaciones.

Un pasaje o punto de servicio
Un proceso de entrada
Alguna disciplina sobra la cola
Alguna organizacin de servicio

Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

La situacin se da cuando cada cliente llega al punto de servicio, entonces hay un periodo de prestacin de servicio el cual
termina cuando el cliente se retira. Los otros clientes que llegan mientras el primero est siendo atendido, esperan su turno, es
decir forman una cola.
Esta tcnica se estudia, primero, usando varias frmulas tiles en la solucin de problemas de lnea de espera, y despus
mediante el uso de la tcnica de simulacin para generar una solucin. Los modelos le permiten a la gerencia calcular a futuro
las longitudes de las lneas de espera, tiempo promedio gastado en la lnea por una persona que espera servicio y adiciones
necesarias de estaciones.
Esta tcnica se aplica para resolver problemas como:

Problemas de comunicacin telefnica.

Problemas de trfico.
Problemas de averas de maquinaria.

Teora de Redes: Permite a los gerentes confrontar aspectos complejos en grandes proyectos. El uso de esta tcnica disminuye
el tiempo necesario para planear y producir productos complejos.
Las tcnicas incluyen Pert (tcnica de evaluacin de programas), CPM (mtodo de la ruta crtica) Pert / costo y programacin
con limitacin de recursos. Se tratan tanto las dimensiones de costo como las de tiempo en la planeacin y control de proyectos
grandes y complejos. Son programas realizados mediante diagramas de flechas que buscan identificar el camino crtico
estableciendo una relacin directa entre los factores de tiempo y costo.
Se aplican a proyectos que abarcan varias operaciones o etapas, varios recursos y diferentes rganos involucrados, plazos y
costos mnimos. Es necesario que estos elementos estn debidamente coordinados y sincronizados de la mejor manera.
La Simulacin: Es un procedimiento que estudia un problema al crear un modelo del proceso involucrado en ese problema y
despus, mediante una serie de soluciones por tanteos organizados, intenta determinar una mejor solucin a ese problema. La
simulacin es una de las tcnicas cuantitativas ms usadas hoy en da.
Programacin Entera: El mtodo de ramificar y limitar, la programacin dinmica y la programacin de metas son mtodos
para escoger entre alternativas en situaciones donde las respuestas deben hallarse en nmeros enteros, donde la decisin que
confronta la gerencia es una que involucra muchas etapas consecutivas o donde los objetivos organizacionales deben enunciarse
en algo ms que simples trminos numricos. Todas estas tcnicas nos proveen con flexibilidad adicional al analizar los
procesos de decisin.
El Anlisis de Markov: El anlisis de Markov, llamado as en honor de un matemtico ruso que desarroll el mtodo en 1907,
permite encontrar la probabilidad de que un sistema se encuentre en un estado en particular en un momento dado. Tambin
permite encontrar el promedio a la larga. Con esta informacin se puede predecir el comportamiento del sistema a travs del
tiempo. La tarea ms difcil es reconocer cundo puede aplicarse.
La caracterstica ms importante que hay que buscar en la memoria de un evento a otro.
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del evento inmediato
anterior. Las cadenas de este tipo tienen memoria. "Recuerdan" el ltimo evento y esto condiciona las futuras probabilidades.
En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de compra de los deudores morosos, para
planear las necesidades de personal y para analizar el reemplazo de equipo.
Veamos un ejemplo de aplicacin:
El anlisis de transicin puede ser til al planear satisfacer las necesidades de personal. Muchas organizaciones emplean
trabajadores de diferentes niveles de clasificacin dentro de la misma categora de trabajo. Esto es comn para personal de
confianza, oficinistas, obreros calificados, no calificados y personal profesional. La organizacin debe tener el nmero de
empleados en cada nivel de clasificacin para proporcionar la oportunidad de promocin adecuada, cumplir con las habilidades
necesarias para el trabajo y controlar la nmina. Una planeacin de personal a largo plazo apropiada requiere que se considere el
movimiento de personas tanto hacia arriba en el escalafn de clasificacin como hacia afuera de la organizacin. El anlisis de
Markov puede ayudar en este esfuerzo de planeacin.
Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

El movimiento de personal a otras clasificaciones puede considerarse como una cadena de Markov.
Se supone que hay tres clasificaciones; el grado 1 es la ms baja. Adems, los descensos se consideran raros y se omiten. El
estado "salen" es absorbente, el cual incluye renuncias, ceses, despidos y muertes. Por supuesto, todos los empleados finalmente
alcanzan este estado.
Las transiciones del grado 1 al grado 2 y del grado 2 al grado 3 representan promociones. Como transiciones de probabilidad,
estn controladas por la firma, puede establecerse el nivel que la firma determine que es necesario para cumplir sus objetivos.
Como ejemplo, supngase que la firma tiene en este momento 30 empleados del 3, 90 empleados del grado 2 y 300 empleados
del grado 1 y que desea mantener este nivel de empleados durante el prximo ao. Por experiencia, se espera que salgan el 30 %
de los empleados de grado 1 al ao, el 20 % de los empleados de grado 2 y el 10 % de aquellos que estn en el grado 3. Si la
poltica es contratar slo en los niveles de clasificacin ms bajos, cuntos se deben contratar y cuntos se deben promover el
siguiente ao para mantener estables los niveles?.
Este caso puede resolverse sin el anlisis de Markov, pero el modelo es til para conceptualizar el problema. Como se trata slo
de un ciclo, se usa el anlisis de transicin. El anlisis comienza con el grado ms alto. No se hacen promociones pero el 10 %,
o sea, 3, sale. Todos ellos deben de reemplazarse por promociones del grado 2. En el nivel de clasificacin, el 20 % sale y se
deben promover 3, con una prdida de 21. Esto se debe compensar por promocin del grado 1. Al pasar al grado 1, el 30 % sale
y 21 deben promoverse, lo cual una prdida total de 111. Por tanto, el siguiente ao se deben contratar 111 empleados del nivel
1.
Objetivo 1.4 Teora de la utilidad
La utilidad es una manera alternativa de medir el aspecto atractivo del resultado de una decisin. En otras palabras, es una
alternativa de encontrar los valores a llenar en una tabla de retribuciones.
En la mayora de las decisiones anteriores la decisin se ha centrado en la alternativa ptima, es decir, aquella que optimiza la
ganancia esperada, con relacin a la tabla de ganancias. La teora de utilidades comprende los casos en que la ganancia esperada
es negativa, por ejemplo, los juegos de lotera que se caracterizan porque el estado debe tener una ganancia. Si la decisin de
jugar se basar en lo que en esta unidad se analiza, muy probablemente nadie participara, sin embargo, muchas personas juegan
dispuestas a correr un alto riesgo de perder su inversin, sabiendo que las probabilidades de ganar son muy pequeas. Lo mismo
sucede con algunos seguros, por ejemplo, con los de salud, el pago esperado es negativo (de otra manera las aseguradoras no
subsistiran), sin embargo, la gente an "juega" esperando una ganancia alta.
Un problema que implique utilidades bajo el concepto anteriormente expuesto se puede plantear mediante una tabla de
utilidades como la estructurada en base al ejemplo siguiente:
Ejemplo 1.4 Un repartidor de peridicos puede comprar el Wall Street Journal a 40 centavos cada uno y venderlo a 75 centavos.
Sin embargo, debe adquirir los peridicos antes de saber cuntos puede vender realmente. Si compra ms peridicos de los que
puede vender, simplemente desechar el excedente, sin costo adicional. Si no compra suficientes peridicos, pierde ventas
potenciales ahora y posiblemente en el futuro (los clientes disgustados podran ya no comprarle). Suponga, por el momento, que
esta prdida de ventas futuras es representada por un costo de prdida del buen nombre estimado en 50 centavos por cliente
insatisfecho. Suponga que la demanda que enfrenta el vendedor es como sigue:
P0 = Prob{demanda = 0} = 0.1
P1 = Prob{demanda = 1} = 0.3
P2 = Prob{demanda = 2} = 0.4
P3 = Prob{demanda = 3} = 0.2
Para el llenado de la tabla 3.4 las retribuciones o rendimientos, o dicho de otra manera, el flujo de efectivo neto, se calculan con
la siguiente expresin:
Retribucin = 75 (# de peridicos vendidos) 40 (# de peridicos comprados) 50 (demanda no satisfecha)

Decisin
Ing. Miguel ngel Caballero Len

Estados de la naturaleza (demanda)

0
1
2
3

R.E.

III unidad: Toma de decisiones

0
1
2
3
Prob.

0
-40
-80
-120
0.1

-50
35
-5
-45
0.3

-100
-15
70
30
0.4

-150
-65
20
105
0.2

-85
-12.5
22.5
7.5

Tabla 1.4

De las diferentes formas de convertir una tabla de retribuciones en una tabla de utilidades, la ms popular corresponde a la que
relaciona una funcin exponencial cuya curva es cncava hacia arriba, lo que significa que es adversa al riesgo y que depende de
un solo parmetro, r. La ecuacin tiene la siguiente forma:
U(x) = 1 e-x/r
Donde x es la cantidad de dinero a convertir en utilidad, r mide el grado de aversin al riesgo, entre ms elevado sea el valor de
r, menos adversa al riesgo es la persona o la empresa, es decir, se est dispuesto a correr ms riesgo. De manera similar, entre
menor sea el valor de r, ms adversa al riesgo es la persona o empresa. Las utilidades obtenidas son segn se muestra en la tabla
1.5.
Decisin
0
1
2
3
Prob.

Estados de la naturaleza (demanda)

0
1
2
3

0.1

0.3

0.4

U.E.

0.2

Tabla 1.5

La tabla 1.5 se puede obtener en Excel segn se muestra en la figura 1.3. Para la seccin de F7 a F10 la funcin se escribi as:
=SUMAPRODUCTO(B7:E7,$B$12:$E$12) para la celda F7 y despus se copi a las otras tres celdas inferiores.

Figura 1.3

Para obtener la tabla 1.5 se procedi de manera similar pero con otra hoja de clculo. Habiendo nombrado a la hoja de clculo
de la figura 1.4 como Caso bsico, en esta otra hoja se da el nombre de Utilidad, ambos nombres sin comillas y en las
pestaas inferiores del mismo libro.

Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

Figura 1.4

Para la seccin F7 a F10 se utiliz la misma funcin que en la figura 1.4. Obsrvese el uso de la funcin exponencial en la
seccin de introduccin de funciones en la barra superior.
La curva correspondiente a los datos de la figura 1.4 elaborada en Excel, es como se ilustra en la figura 1.5, donde la concavidad
es hacia abajo, lo que significa adversidad al riesgo, es decir, menor riego para la persona o empresa. Una curvatura contraria es
propensa al riesgo y una curva indiferente al riesgo describira una lnea recta a 45.

Figura 1.5

De acuerdo a los resultados en la figura 1.5 la decisin 2 es la ms conveniente por tener el mayor rendimiento esperado.
Objetivo 1.5 La obtencin de datos para la toma de decisiones
Desafortunadamente, tal como lo saben los analistas prcticos, los datos no siempre estn disponibles. La obtencin de datos
con frecuencia es el paso ms costoso y laborioso al aplicar los mtodos cuantitativos.
Los datos que ms conservan las organizaciones son lo que los especialistas en informacin llaman datos de transacciones.
stos son datos que resultan de las transacciones comerciales diarias de una organizacin. Los bancos procesan los depsitos y
retiros de los clientes. Las compaas venden los productos que manufacturan. Las universidades procesan las cuotas de
inscripcin de los estudiantes y mantienen un registro de las calificaciones.
Como datos internos las organizaciones guardan a lo que consideran reflejo de la realidad. Estos datos no corresponden a
transacciones como por ejemplo, unidades producidas, costos de produccin y mantenimiento, eficiencias de trabajadores y
rendimientos de mquinas, etc.
Como datos externos y del medio ambiente se tiene por ejemplo, grficas de ventas industriales, tasas de impuestos federales y
el producto interno bruto (PIB).
Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

Los datos tambin pueden clasificarse por su objetividad o subjetividad. Los datos objetivos son aquellos que reflejan hechos o
conceptos que no requieren subjetividad en su interpretacin. Por ejemplo, si los registros de una compaa indican 5 000
unidades vendidas en el mes pasado, esto sera un dato objetivo. Mientras que, si se piensa que pueden venderse 6 000 unidades
en el mes prximo, esto sera un dato subjetivo, ya que refleja creencias subjetivas. Las organizaciones manejan ms datos
objetivos que subjetivos.

Objetivo 1.6 rboles de decisin

El rbol de decisin es una representacin grfica del proceso de toma de decisiones bajo riesgo; esto es, modelos en los que
tanto las decisiones como las probabilidades de los estados de la naturaleza estn definidas.
Para la construccin de los diagramas de rbol se utilizan tres tipos de nodos: de decisin, identificados con un ; probabilstico,
identificado con un ; y terminales tambin representados con un .
Ejemplo 1.5 (Amderson, cap. 6). Pittsburgh Development Corporation (PDC) compr unos terrenos en los que se construir un
nuevo complejo de condominios de lujo. La ubicacin proporciona una vista espectacular del centro de Pittsburg y del tringulo
dorado, donde se unen los ros Allegheny y Monongahela para formar el ro Ohio. PDC planea fijar el precio de las unidades del
condominio entre $300 000 y $1 400 000 cada una.
PDC comision los bocetos arquitectnicos para tres proyectos de diferente tamao: uno con 30 condominios, otro con 60 y uno
ms con 90. El xito financiero del proyecto depende del tamao del complejo de condominios y el evento fortuito de la
demanda que exista para los inmuebles. El problema de decisin de PDC es seleccionar el tamao del nuevo proyecto que
llevar a la mejor ganancia dada la incertidumbre en la demanda de los condominios. PDC tiene las siguientes alternativas de
decisin:
d1 = un complejo pequeo con 30 condominios
d2 = un complejo mediano con 60 condominios
d3 = un complejo grande con 90 condominios
Un factor en la seleccin de la mejor alternativa es la incertidumbre asociada con la demanda para los condominios. PDC tiene
los siguientes estados de la naturaleza:
s1 = demanda fuerte para los condominios
s2 = demanda dbil para los condominios
Debido a que PDC desea seleccionar el tamao del complejo que proporcione la mayor ganancia, sta se usa como la
consecuencia. La tabla de resultados, con ganancias expresadas en millones de dlares se muestra en la tabla 1.6.
Alternativa de decisin
Complejo pequeo d1
Complejo mediano d2
Complejo grande d3

Estado de la naturaleza
Demanda fuerte s1
Demanda dbil s2
8
7
14
5
20
-9
Tabla 1.6

PDC es optimista respecto al potencial para el complejo de condominios de lujo. Suponga que este optimismo conduce a una
evaluacin de probabilidad subjetiva inicial de 0.8 de que la demanda sea fuerte (s1) y una probabilidad correspondiente de 0.2
de que la demanda sea dbil (s2). El rbol de decisin correspondiente es como se ilustra en la figura 1.6.

Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

Figura 1.6 Diagrama de rbol para

PDC

Los clculos son como sigue:

d1: (8)(0.8) + (7)(0.2) = $7.8 millones de dlares
d2: (14)(0.8) + (5)(0.2) = $12.2 millones de dlares
d3: (20)(0.8) + (-9)(0.2) = $14.2 millones de dlares
Lo que indica que PDC debe decidirse por construir un complejo grande de 90 condominios y esperar una ganancia de $14.2
millones de dlares.

Ejemplo 1.6 (Mathur Solow. Cap. 11). Star Productions, una productora de series de televisin, acaba de firmar un contrato
para producir un nuevo espectculo de primera lnea, New York Life. El presidente de la empresa le ha pedido a usted que
determine una inversin inicial apropiada para el programa piloto de dos horas y para los siguientes ocho episodios de una hora
de la serie. La junta directiva divide las inversiones para nuevos programas en tres niveles generales, que despus se convierten
en las alternativas de decisin:
1.
2.
3.

Nivel bajo (B): ninguno de los actores tiene un reconocimiento sustantivo.

Nivel moderado (M): el actor principal tiene reconocimiento, pero no as ninguno de los actores de apoyo.
Nivel alto (A): ms de uno de los actores tiene reconocimiento.

Las implicaciones financieras de estas decisiones dependen del xito futuro, desconocido, de la serie. El siguiente paso es
caracterizar aquellos estados futuros mediante la identificacin de un nmero finito de posibles resultados. En este caso, usted
podra identificar las siguientes posibilidades:
1. Fracaso (F): menos de 10% de los espectadores ven el programa.
2. xito (E): entre 10% y 20% de los espectadores ven el programa.
La tabla 1.7 muestra las ganancias (en millones de dlares).

Decisiones
Baja (B)
Moderada (M)
Alta (A)

Resultados
Fracaso (F)
xito (E)
-2
5
-5
8
-8
10
Tabla 1.7

Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

El vicepresidente en jefe ha reconsiderado que la serie sea un fracaso, un xito o un gran xito, depende del nivel de la
inversin. Mientras ms se invierta, ms alta ser la probabilidad de que la serie salga bien. l cuantifica estas creencias
mediante la estimacin de probabilidades para cada pareja decisin las cuales se muestran en la tabla 1.8.
Probabilidades condicionales
Resultados
Decisiones
Fracaso (F)
xito (E)
Baja (B)
0.7
0.3
Moderada (M)
0.6
0.4
Alta (A)
0.3
0.7
Tabla 1.8

Ahora, supngase que despus de pasar la serie durante ocho semanas, se debe tomar una segunda decisin sobre el nivel de
inversin para lo que queda de la estacin. La tabla 1.9 muestra las decisiones, resultados, probabilidades y ganancias en
primero y segundo nivel.
Primer nivel
Decisin
Resultado
Baja
Fracaso
Baja

xito

Moderada

Fracaso

Moderada

xito

Alta

Fracaso

Alta

xito

Decisin
Abandonar la serie
Continuar con presupuesto
moderado
Continuar con presupuesto
alto
Abandonar la serie
Continuar con presupuesto
moderado
Continuar con presupuesto
alto
Abandonar la serie
Continuar con presupuesto
moderado
Continuar con presupuesto
alto

Resultado
Fracaso
xito
Fracaso
xito
Fracaso
xito
Fracaso
xito
Fracaso
xito
Fracaso
xito

Tabla 1.9

El diagrama de rbol correspondiente se ilustra en la figura 1.7.

Figura 1.7 Diagrama de rbol para Star Production

Ing. Miguel ngel Caballero Len

Segundo nivel
Probabilidad
0.4
0.6
0.2
0.8
0.3
0.7
0.1
0.9
0.2
0.8
0.1
0.9

Ganancia
-1
-2.5
8
-4
7
-2
-4
4
-5
4
-3
-5
3
-6
2

III unidad: Toma de decisiones

Los clculos para cada rama en el plegado del rbol de la figura 1.7 se muestra en la figura 1.8.

Figura 1.8 Plegado del rbol y solucin para Star Production

El plegado de un rbol se efecta de izquierda a derecha para determinar soluciones parciales y finales. En el caso de Star
Production y de acuerdo a la figura 1.8 se tienen los siguientes clculos para la mejor decisin:
max [(-2.5)(0.4) + (8)(0.6)], [(-4)(0.2) + (7)(0.8)] = max (3.8, 4.8) = $4.8
max [(1)(0.7) + (4.8)(0.3)] = max (0.7, 2.44) = $2.44
ste es tan solo el resultado para la mejor decisin, lo que indica que debe hacerse una inversin baja, esperando un xito y
despus una inversin alta con un xito esperado para una ganancia esperada de $2.44 millones de dlares. Anlogamente se
calculan los valores esperados para una inversin inicial moderada y alta.

Ejemplo 1.7 Se acaba de completar la fase de diseo y prueba del producto para la nueva lnea de tractores para jardn y uso
domstico de PROTRAC. La alta gerencia est tratando de decidir la estrategia de mercadotecnia y produccin apropiadas para
usarse con este producto. Se estn considerando tres alternativas principales. Cada alternativa est identificada mediante una
sola palabra.
1.

2.

3.

Agresiva (A): Esta estrategia representa un compromiso importante por parte de la empresa con esta lnea de producto.
Se incurrira en importantes desembolsos de capital para una nueva y eficiente planta de produccin. Se acumularan
grandes inventarios para garantizar la entrega apropiada de todos los modelos. Se iniciara una gran campaa de
publicidad incluyendo un patrocinio a nivel nacional de comerciales en televisin y se arrancara un programa de
descuentos a distribuidores.
Bsica (B): En este plan, la produccin del E-4 (tractor oruga pequeo) sera trasladada de Joliet a Moline. Este
traslado eliminara el problemtico departamento de produccin del pelcano ajustable y del excavador. Al mismo
tiempo, la lnea E-4 en Joliet sera modificada para producir el nuevo producto para jardn y uso domstico. Se
mantendran inventarios slo para los productos ms populares. Las oficinas centrales pondran fondos a disposicin
para apoyar esfuerzos locales o regionales de publicidad, pero no se hara una campaa publicitaria nacional.
Cautelosa (C): En este plan, la capacidad sobrante en varias de las lneas E-4 se utilizara para manufacturar los nuevos
productos. Se desarrollara un mnimo de nuevo montaje. La produccin se programara para satisfacer la demanda y la
publicidad correra a cargo del comerciante local.

La administracin decide clasificar el estado del mercado (es decir, el nivel de la demanda) como fuerte (F) o dbil (D ) . En
realidad, la demanda se caracteriza por un continuo de resultados posibles. En este ejemplo introductoria nos limitaremos a dos
estados posibles (fuerte y dbil) para simplificar las cosas. La tabla 1.10 muestra las retribuciones y la mejor estimacin sobre
Ing. Miguel ngel Caballero Len

III unidad: Toma de decisiones

las probabilidades de un mercado fuerte o dbil hecha por la administracin. Las retribuciones en el cuerpo de la tabla 1.10 son
las utilidades netas medidas en millones de dlares. Fueron generadas calculando cuidadosamente las ventas, ingresos y costos
asociados con cada combinacin de decisin/estado de la naturaleza.

Decisin
Agresiva (A)
Bsica (B)
Cautelosa (C)

Estado de la naturaleza
Fuerte (F)
Dbil (D)
Probabilidad
0.45
0.55
30
-8
20
7
5
15
Tabla 1.10

El diagrama de rbol correspondiente es como se ilustra en la figura 1.8.

Figura 1.8

Los clculos seran los siguientes:

Alternativa agresiva: (30)(0.45) + (-8)(0.55) = $9.1
Alternativa bsica: (20)(0.45) + (7)(0.55) = $12.85
Alternativa cautelosa: (5)(0.45) + (15)(0.55) = $10.5
De acuerdo a estos resultados PROTRAC debe decidirse por una alternativa bsica esperando una ganancia de $12.85 millones
de dlares.

Ing. Miguel ngel Caballero Len