Académique Documents
Professionnel Documents
Culture Documents
inventarios.
Lectura 01a: INTRODUCCIN A LOS MODELOS
Introduccin
Un modelo se puede ser definido como una representacin abstracta de la realidad. Existen
diferentes clases de modelos; como nuestra asignatura se vincula a la ciencia de la
administracin haremos una breve induccin sobre la ciencia de la administracin y los
modelos.
La Ciencia de la Administracin y su evolucin histrica
La Ciencia de la Administracin tuvo sus comienzos durante la Segunda Guerra Mundial.
Fue previo a esta guerra que un grupo de estudiosos de reas bsicas, se renen con el
objetivo de determinar la forma ms efectiva de aplicar las fuerzas militares ya que stas
eran escasas; an cuando este personal operativo haca funciones de la ciencia
administrativa, se le dio el nombre de investigacin de operaciones, debido a que a lo que se
dedicaban era a analizar operaciones militares.
Al trmino de la guerra, personal que haba contribuido en la investigacin de operaciones,
se dio cuenta que sus mtodos y tcnicas adquiridas durante el perodo blico bien podran
aplicarse en la industria.
No fue hasta 1950, poca en que fueron lanzadas las computadoras al mercado, que se
empez a aplicar la investigacin de operaciones en la industria. En un principio, los
principales problemas eran respecto al control de inventarios y los sistemas de transporte, ya
que stos eran muy parecidos a las estrategias militares.
Hoy en da, la investigacin de operaciones se aplica a compras, mercadotecnia,
Contabilidad, planeacin financiera entre otras reas. Aunque es Gran Bretaa quien dio inicio
a los estudios de la investigacin de operaciones, es Estados Unidos quien hace las grandes
contribuciones al tema. En el ao de 1947 George B. Dantzig desarrolla el mtodo simplex de
programacin lineal, el cual es aplicado a muchos problemas operativos y sirve de base para
tcnicas matemticas como la programacin de metas y la programacin entera.
Terminologa
Inventario: recursos utilizables (mercadera, informacin, humanos, entre otros.)
almacenados durante un lapso de tiempo determinado.
Demanda: cantidad de recursos requerida por los clientes en lapsos determinados. Puede
ser: determinista, aleatoria, constante (o que la ley de distribucin, si es aleatoria, no vare),
variable.
Tiempo de adelanto ( tL ): es el tiempo (t) entre que se pide y se satisface el pedido (t=
tL). Puede ser: Inmediato: tL = 0 (suministro inmediato); con demora: tL 0 (suministro
pactado o con tiempo); suministro paulatino (lote de produccin); aleatorio (con incertidumbre
en el reaprovisionamiento)
Poltica de pedidos: consiste en saber cundo y cunto se ordena (se compra).
Sistema de pedidos:
a. de punto de orden con frecuencias denominados sistemas de inventario perpetuos
donde la revisin de inventario es continua (se ordena el reaprovisionamiento en el punto de
orden cantidad y momento definido )
b. de revisin peridica donde los inventarios no se revisan en forma continua; ms bien se
hacen evaluaciones a intervalos fijos y predeterminados. La cantidad ordenada es igual a la
diferencia entre la cantidad desea y la disponible.
Agotamiento: carencia de existencia ante demanda de los clientes (stock negativo).
Puede darse dos situaciones:
a. modelo de ventas perdidas
b. modelo con pedidos retroactivos
Costo de inventario: a. de pedidos (Co): costos asociados a la realizacin de pedidos tales
como, gastos administrativos, papeleo, transporte, recepcin, inspeccin, otros).
b. de conservacin (Cc): mantenimiento
c. de adquisicin (Cp): preparacin para una corrida de produccin
d. de agotamiento (Cs): por falta de existencia (por no satisfacer la demanda).
Modelos comerciales: los inventarios de reabastecimiento se adquieren de proveedores
externos a la empresa, instantneamente al recibir el pedido.
Modelos de produccin: los inventarios se producen en la organizacin para ser
comercializados.
tL = R* = 0
Parmetros a calcular:
- Cantidad ptima de pedido: Q*=[(2CoD)/Cc]
- Nmero ptimo de pedido por perodo: N* = D/Q* = [(CcD)/2Co]
- Tiempo ptimo de ciclo: tc* = 1/N = Q*/D
- Costo Total ptimo de Inventario: Ct* = (2CoCcD)
Grficamente se representa:
R* = tL D Con tL < tC
R* = tL D [ tL/ tC ] Q*
con tL > tC
En donde:
Costo de pedidos Co x (D/Q)
(Costo de conservacin por el nmero promedio que se conserva en inventario)
Costo de conservacin CC x (Q/2) (Costo de mantenimiento por el inventario promedio)
Si reemplazando en la expresin del costo total anterior, obtenemos:
CT = Co x (D/Q) + Cc x (Q/2)
(1)
Para optimizar CT se debe derivar en Q para obtener el valor de Q que minimiza el costo
total. La expresin resultante es igual a:
Q* = [(2CoD)/Cc]
Si reemplazamos en la expresin (1) del CT, obtenemos el valor del costo total ptimo (CT*):
CT* = Co x (D/Q*) + Cc x (Q*/2)
Sustituyendo Q* por su frmula y simplificando se obtiene as:
CT*= (2CoCcD)
k = Q/Q*
k= Q/Q*
Cada vez que nos equivocamos en la estimacin de Q* D tc* , tenemos un impacto en los
costos, que vienen representados por un factor l.
Donde:
l = CT/CT* = (k^2+1) / 2k
k puede tomar valores:
- mayores a uno (k > 1) Q < Q*
- iguales a uno (k = 1)
- menores a uno (k < 1) Q > Q*
- CT (C/desc)=
CoD +
CcQ + Ps/dD
CoD +
CcQ + Pc/dD
Respuesta:
- si Q se encuentra en el intervalo [Q*, Q*] conviene aceptar el descuento.
- si Q > Q* no conviene.
- si Q = Q* se analiza en ese momento qu es lo que conviene.
2.2.1. Anlisis de los distintos casos segn los distintos tipos de descuentos
por cantidad.
Se presentan tres casos:
- Primero
Si Q3>Q* no conviene.
Los costos a partir de donde ofrecen descuentos son mayores que el ptimo.
Se obtiene as que:
Q*=S* (1+ Cc/Cs) (I)
Y que:
S*= [(2CoD)/Cc] * 1 / [1+(Cc/Cs)] (II)
Si se reemplaza (II) en (I), obtenemos:
Q*(c/a) = [(2CoD)/Cc] * (1+ Cc/Cs) * 1/[1+(Cc/Cs)]
En donde:
Expresin que indica cul es la cantidad ptima de pedidos con agotamiento que hace
mnimo el costo total con agotamiento.
ste es un factor de correccin entre el CEP clsico y el CEP con agotamiento, en donde:
H = [(Cc+Cs)/Cs]
Si se simplifica:
H = [1+(Cc+Cs)] > 1
2) t=t2 R*=0
3) t<t2 R*<0
Dnde:
1: Q(t)= r1t
2: Q(t)= (r1 - r2)t
3: Q(t)= -r2t + Q*LP
De acuerdo al modelo:
I) r1 = QLP/t1 t1 = QLP/r1
II) En el intervalo [0;t1]: hay produccin y comercializacin Q(t)= (r1 - r2)^t
En el intervalo [t1; tc]: slo se comercializa Q(t)= -r 2t + Q*LP
III) En el instante t=t1, grficamente podemos observar que:
Q(t1) = M
Dnde:
M = (r1-r2)t1
Reemplazando t1 por la expresin obtenida en el punto I), resulta que:
M = (r1-r2) QLP/r1
M = QLP [(r1-r2)/r1]
M = QLP [1-(r2-r1)]
Expresin del stock mximo almacenado (M) para el modelo de lote de produccin.
Por otra parte la demanda durante el tiempo t1 (tiempo en que se produce y se satisface la
demanda r2), es igual a:
t1 = r2t1 t1 = (Q/r1)r2
b.
c.
d.
e.
f.
[$]
Para hallar el costo total por unidad de tiempo basta dividir por Q/a
Costo total por unidad de tiempo = (K + cQ + hQ^2/2a)/(Q/a) = [$/tiempo]
Costo total por unidad de tiempo = aK/Q + ac + hQ/2
econmica de pedido
Para hallar el costo mnimo basta con aplicar los conceptos bsicos del clculo
[$/tiempo]
Ejemplo.
Recordemos el caso de la Manufactura de bocinas para televisores.
1. Cada vez que se produce un lote, se incurre en un costo de preparacin de $12000.
2. El costo unitario de produccin de una sola bocina (excluyendo el costo de preparacin) es
de $10 y es independiente del tamao del lote fabricado.
3. El costo de mantenimiento de una bocina en almacn es de $0.3 por mes.
4. La demanda es de 8000 bocinas mensuales.
Q* = [(2aK)/h] = [(2*8.000*12.000)/0,3]
Q* = 25.298
t* = [(2K)/(ah)] = [(2*12.000)/(8.000*0,3)]
t* = 3.2 meses
Esta respuesta nos indica que la solucin ptima es hacer una preparacin de la lnea de
produccin de bocinas cada 3.2 meses y producir 25298 bocinas cada vez.
Costo total por unidad de tiempo = aK / Q + a c + h Q /2
[$/tiempo]
Anlisis de sensibilidad
Es importante llevar a cabo un anlisis de sensibilidad , para investigar el efecto que tendra
sobre la solucin ptima el hecho de que los parmetros tomaran otros valores posibles.
Q* = [(2aK)/h]
Sea = Q/Q* Q= Q*
Costo admon = aK/Q + hQ/2 Dado que Q= Q* Costo admon = aK/ Q* + h Q*/2
Remplazando
Q* = [(2aK)/h]
Costo admo n = [(i + 1/i)/2] * (2aKh)
Costo admon = [( + 1/)/2] Costo admon*
Costo admon / Costo admon* = [( + 1/)/2] =
Ejemplo.
En el caso de la manufactura de bocinas para televisores tenemos que el ptimo es Q* =
25298
Para observar la variacin en el costo utilizaremos
-
Q = 22000
Q = 27000
Caso 1
= Q/Q* = 22.000/25.298 = 0.87
= [( + 1/)/2] = 2.01/2 = 1.005
Caso 2
= Q/Q* = 27.000/25.298 = 1.07
= [( + 1/)/2] = 2.00/2 = 1.002
En general
1. El costo de administracin es muy poco sensible a variaciones de la cantidad econmica a
ordenar (Q).
2. El costo es ms sensible a variaciones de Q por debajo de Q* que por encima.
Videos M1:
Video Conceptual:
Clases de Modelos
Mentales
A escala
Matemticos
-
Procesos de solucin
Algoritmo
Mtodos heursticos
Simulacin (describen)
Descriptivos
Determinstico- Estocsticos
Lineal No lineal
Esttico - Dinmico
Los modelos son una representacin abstracta de la realidad
Teleclase:
Modelos
Sistema Abstracto
(Mundo simblico)
Sistema Real
(Mundo real)
Proporcionan
Resultados
Contribuyen a tomar
Intuicin
Decisiones
Construyen
Administracin
Identificacin
Solucin
Problemas
Modelos:
Se lo puede definir como una representacin o abstraccin de la realidad.
Descriptivos y normativos.
Determinsticos y estocsticos.
Lineales y no Lineales.
Estticos y dinmicos.
De simulacin
Modelo de Inventario
Qu es un inventario?
Son recursos utilizables (mercadera, materia prima, informacin, entre otros) almacenados
durante un lapso de tiempo determinado.
Qu estamos buscando?
Minimizar los costos totales de inventario.
De dnde partimos?
Mediante el clculo del costo total, cuya expresin es:
CT = Co D / Q + Cc Q/2
Qu obtenemos?
-
Qu significa?
Que el stock se consume hasta el punto de reorden (R) instante en que se realiza el pedido
(Q*), el cual tarda en llegar tL das, justo en el momento cuando nos quedaramos sin stock.
Anlisis de sensibilidad
Cundo se emplea este anlisis?
Cuando deseamos conocer cul es el impacto en los costos totales por haber estimado
incorrectamente la demanda o la cantidad de pedidos o los tiempos de ciclos.
Si Q3 > Q no conviene
Los costos a partir de dnde ofrecen descuentos son
mayores que el ptimo.
Alternativas
A
10
75
30
I
II
III
Estados de la naturaleza
B
C
100
0
50
60
40
25
D
50
40
25
Estados de la naturaleza
B
C
Estados de la naturaleza
Optimista
A
B
Alternativa I
10
100
II
75
50
s
III
30
40
(Para costo o prdida se realiza al revs)
C
0
60
25
D
50
40
25
(Maxi-Maxi)
100
75
40
Alternativ
as
I
II
III
A
10
75
30
B
100
50
40
Optimista
(MiniMini)
C
0
60
25
D
50
40
25
0
40
25
Ejemplo
Pago o ganancia:
Alternativa
s
I
II
III
Estados de la naturaleza
A
B
10
100
75
50
30
40
C
0
60
25
D
50
40
25
Pesimista
(Maxi-Mini)
0
40
25
Estados de la naturaleza
A
B
10
100
75
50
30
40
C
0
60
25
D
50
40
25
Pesimista
(Mini-Maxi)
100
75
40
Prdida o costo
Alternativa
s
I
II
III
En otras palabras, la matriz de arrepentimiento exhibe lo que una persona que toma
decisiones est dispuesto a arrepentirse (de perder) de no obtener la mxima ganancia o
mnima prdida.
Ejemplo
Pago o ganancia:
Estados de la naturaleza
A
B
C
Alternativas
I
10
100
0
II
75
50
60
III
30
40
25
1. Elegimos el mejor valor para cada estado de naturaleza (columna):
D
50
40
25
Estados de la naturaleza
A
B
C
D
Alternativas
I
10
100
0
50
II
75
50
60
40
III
30
40
25
25
2. Restamos el mejor valor del estado de naturaleza (columna) con el valor de cada
alternativa (fila) del mismo estado de naturaleza. Luego elegimos el menos malo; ya que si
se llegamos a equivocarnos, el mayor arrepentimiento ser el valor menor de lo peor que nos
pueda pasar.
I
II
III
A
65
0
45
Matriz de arrepentimiento
B
C
0
60
500
0
60
35
D
0
10
25
65
50
60
Prdida o costo
Alternativas
I
II
III
Estados de la naturaleza
B
C
100
0
50
60
40
25
I
II
III
A
10
75
30
A
0
-65
-20
Matriz de arrepentimiento
B
C
-60
0
-10
-60
0
-25
D
-25
-15
0
D
50
40
25
-60
-65
-25
Ejemplo
Pago o ganancia:
Estados de la naturaleza
Mximo
Alternativa
s
X
X
10
100
50
pago
promedio
40
II
III
75
30
50
40
60
25
40
25
50,25
30
Estados de la naturaleza
B
C
10
100
50
Mnimo
Costo
promedio
40
II
III
75
30
50
40
60
25
40
25
56,25
30
Prdida o costo
Alternativa
s
X
X
25%
Estados de la naturaleza
B
C
35%
D
20%
Ejemplo
Pago o ganancia:
A
Alternativa
s
II
III
Probabilidades
10
75
30
20%
Estados de la naturaleza
B
C
100
0
50
50
40
25%
60
25
35%
40
25
20%
VME
D
37
56,5
29,75
Prdida o costo
A
Alternativa
s
I
II
III
10
75
30
20%
Probabilida
des
Estados de la naturaleza
B
C
100
0
50
60
40
25
25%
35%
VME
D
50
40
25
20%
37
56,5
29,75
Hay dos maneras de tomar decisiones cuando existen datos previos que permiten calcular
las probabilidades de ocurrencia de los distintos estados de la naturaleza:
-
Anlisis Clsico
Anlisis Bayesiano
1.
2.
3.
4.
5.
Ejemplo:
1. Se estima en base a la experiencia pasada que:
Demanda
100
250
320
Nmero de das
5
15
10
2. Se calcula la probabilidad de ocurrencia de cada estado de la naturaleza:
Demanda
100
250
Nmero de das
5
15
Probabilidad
(5/30)= 0,16
(15/30)=0,5
Se busca un parmetro estadstico, por ejemplo VME
320
10
(10/30)=0,34
Supongamos que un estudio realizado sobre la demanda en los ltimos 30 das obtuvimos
un valor de demanda esperada de 200, en este caso se rechazara la Ho.
Est. de naturaleza N3
A1 N3
A2 N3
A3 N3
A4 N3
P(N3)
VMEi = OijPj donde Oij = pago o costo utilizado, si ocurre j estado de la naturaleza
Posteriormente calculamos los valores medios esperados (VME) para cada alternativa:
VMEA1 = A1N1 . P(N1) + A1N2 . P(N2) + A1N3 . P(N3)
VMEA2 = A2N1 . P(N1) + A2N2 . P(N2) + A2N3 . P(N3)
VMEA3 = A3N1 . P(N1) + A3N2 . P(N2) + A3N3 . P(N3)
3. Seleccionamos el valor mximo (para ganancia) o mnimo (para costo) de los VME
obtenidos. ste valor representa la ganancia o costo (segn el caso de estudio) que
conocemos en base a nuestra experiencia, y lo denotamos como VME*
4. Determinamos el valor medio esperado de la informacin perfecta (VME IP)
VMEIP = (Max. O min.) N1 . P(N1) + (Max. O min.) N2 . P(N2) + (Max. O min.) N3 . P(N3)
5. Calculamos el valor de la Informacin perfecta (VIP)
VIP = VMEIP VME*
ste VIP me indica cunto estoy dispuesto a pagar por informacin perfecta.
[1]
[2]
P(B/A)= [P(A/B).P(B)]/P(A)
Utilizando este teorema se analizara el valor de la prueba (R), siendo R= Resultado de las
pruebas y N= Estados de la naturaleza.
Las probabilidades condicionales pueden variar segn si la consultora posee o no
experiencia sobre el tema en estudio
Con experiencia
Para valorar la informacin de prueba, se debe calcular P(N / R) , es decir, cul es la
probabilidad de que cuando la consultora pronostic R se produzca N.
Por lo general se desconocen los valores de P(N / R) puesto que estos valores slo se
conocen despus de haber utilizado la prueba las suficientes veces para recopilar datos que
permitan calcular probabilidades. Generalmente se conoce lo opuesto, es decir, la
probabilidad de que ocurra el resultado de la prueba dado el resultado correspondiente
( P(R/N) ) y puede calcularse usando datos histricos para determinar la forma en que se
hubiera comportado la prueba si se hubiera usado.
Para calcular P(N / R) antes se debe calcular P(R) = probabilidad de que la consultora
aconseje R=n1; R=n2; R=n3; R=n, es decir:
P(R) = P(R/N).P(N) + P(R/N).(N)
En donde N, significa que no ocurra N
Entonces se tiene que:
P(N/R)=[P(R/N).P(N)]/[P(R/N).P(N)+P(R/N).(N)
El resultado final, P(N/R) , probabilidad de que ocurra el suceso N dado el resultado de
prueba R, se conoce como probabilidad a posteriori ya que se obtiene despus del
procedimiento de prueba.
Pasos para el anlisis:
1. Elaborar una tabla de probabilidades de prueba P(R/N), es decir, P (el resultado de la
prueba ser R/el resultado final fue N) y un conjunto de probabilidades previas P(N), para
cada estado de la naturaleza.
N1
N2
N3
R1
P(R1/N1)
P(R1/N2)
P(R1/N3)
R2
P(R2/N1)
P(R2/N2)
P(R2/N3)
R3
P(R3/N1)
P(R3/N2)
P(R3/N3)
P(N)
P(N1)
P(N2)
P(N3)
2. Cada fila de la tabla de probabilidades de prueba lo multiplicamos por su probabilidad
previa P(N), correspondiente al estado de la naturaleza. El producto es un elemento de una
tabla modificada de probabilidades, P(R/N) P(N). La suma de las probabilidades obtenidas
para cada fila de la tabla ser ahora la probabilidad de la prueba, P(R).
3. Dividimos cada elemento de la matriz de probabilidades modificada por el P(R), es decir,
P(R/N) P(N) / P(R), de esta manera obtenemos los elementos de la tabla de pronsticos,
P(N/R).
4. Utilizando la matriz de pago calculamos los distintos VME (mximo para utilidades,
mnimos para costos) para cada resultado de prueba.
5. Utilizando los VME (mximo para utilidades, mnimos para costos) para cada resultado de
prueba, estamos en condiciones de calcular el valor medio esperado de la prueba,
VME(prueba), que se obtiene multiplicando el VME (mximo para utilidades, mnimos para
costos) para cada resultado de prueba por la probabilidad de que ocurra ese resultado, P(R), y
sumando todos estos resultados. (Ver punto 3.4.6)
6. El valor de la prueba, V(prueba), se determina realizando la diferencia entre el VME de la
prueba calculado en el paso 5 y el VME (mximo para utilidades, mnimos para costos) posible
sin la prueba, es decir V(prueba) = VME(prueba) VME* (sin prueba)
(1)
Calcular ahora resulta fcil. Se debe calcular a partir de datos previos la probabilidad de que
la prueba sea exacta, dado que se conoce el resultado real, P(R N) y la probabilidad de que
ocurra un resultado particular sin importar cul sea la prueba.
P(N) se conoce como probabilidad a priori puesto que se calcula antes de cualquier prueba,
mientras que las otras son probabilidades condicionales.
La tercera probabilidad es P(R): la probabilidad de que ocurra el resultado de prueba R.
puede calcularse por medio de:
P(R) = P(R/N).P(N) + P(R/N).(N)
(2)
(3)
mnimos para costos) para cada resultado de prueba por la probabilidad de que ocurra ese
resultado, P(R), y sumando todos estos resultados, obtenemos finalmente la expresin:
VME(Prueba) = (Max. O min.) VME*1 . P(R1) + (Max. O min.) VME*2. P(N2) + (Max. O min.)
VME*3 P(N3)
que expresa el valor medio monetario esperado que nos suministra un consultor o
consultora en base a su experiencia.
VIP = $ 90 por da
por no poseer informacin perfecta
Presuma que consulto a cinco Consultoras para mejorar nuestro VME* diario y que las
mismas cobran por sus servicios un cierto valor monetario diario que a continuacin se
detallan:
-
Consultora
Consultora
Consultora
Consultora
Consultora
Modelo
Modelo
Modelo
Modelo
de
de
de
de
lealtad.
rentabilidad.
anlisis de respuesta.
asociacin.
Modelos de Decisin
Criterios comunes para la toma de decisiones en la vida cotidiana:
La intuicin.
Las emociones.
El
El
El
El
El
TD
TD
TD
TD
TD
Datos
Los resultados satisfacen las metas ?
No
SI
Continuar
Tipos de Decisiones
180
15
150
300
290
280
270
Demanda de pizzas
160
170
180
300
320
310
300
300
320
340
360
300
320
340
330
Ninguna
+
$100,000
+$40,000
-$20,000
Accin Externa
Cerrar los antiguos
Construir nuevos departamentos
dormitorios
+$50,000
+$20,000
+$150,000
+$20,000
+$25,000
+$200,000
Estados de la naturaleza:
Son las acciones externas o las circunstancias que afectan el resultado de la decisin pero
que estn fuera del control del TD. Ejemplo: Los niveles de demanda de las pizzas, las
decisiones sobre mantener las mismas condiciones, cerrar los antiguos dormitorios o construir
nuevos departamentos.
Resultados:
Para determinar los resultados es necesario considerar todas las posibles combinaciones de
decisiones y de estados de la naturaleza.
Ejemplo: 3 posibles decisiones x 3 estados de la naturales = 9 posibles resultados.
rbol de Decisin
Est formado por nodos de accin, nodos de probabilidad y ramas. Los nodos de accin se
denotan con () y representan aquellos lugares del proceso de toma de decisiones en los que
se toma una decisin. Los nodos de probabilidad se denotan por medio (O) e indicarn
aquellas partes del proceso en las que ocurre algn estado de la naturaleza.
Las ramas se utilizan para denotar las decisiones o los estados de la naturaleza y sobre ellas
pueden anotarse probabilidades de que ocurra un determinado estado de la naturaleza. Por
ltimo se colocan los pagos al final de las ramas terminales del estado de la naturaleza para
demostrar el resultado que se obtendra a elegir un camino especfico.
Mudarse a
Baxter Street
(O)
()
Mudarse a Epps
Bridge Road
()
Sin cambios
Cierran
dormitorios
Se construyen
dptos.
Sin cambios
Cierran
dormitorios
Se construyen
dptos.
Sin cambios
Cierran
dormitorios
Se construyen
dptos.
$100,000
$50,000
$20,000
$40,000
$150,000
$25,000
-$20,000
$20,000
$200,000
Permanecer en la ubicacin
actual (A1)
Mudarse a Baxter Street (A2)
Mudarse a Epps Bridge Road
(A3)
Sin cambio
(N1)
+$100,000
Estados de la Naturaleza
Cerrar los antiguos
Construir nuevos
dormitorios (N2)
departamentos (N3)
+$50,000
+$20,000
+$40,000
-$20,000
+$150,000
+$20,000
+$25,000
+$200,000
Pago Mnimo
$20,000 (N3)
$25,000 (N3)
-$20,000 (N1)
Pago Mximo
$100,000 (N1)
$150,000 (N2)
$200,000 (N3)
Tabla de Arrepentimiento
Alternativa
Permanecer en la ubicacin
actual (A1)
Mudarse a Baxter Street (A2)
Mudarse a Epps Bridge Road (A3)
Estados de la Naturaleza
Cerrar los antiguos Construir nuevos
dormitorios (N2)
departamentos
(N3)
$100,000
$180,000
Sin cambio
(N1)
0
$60,000
$120,000
0
$130,000
$175,000
0
+$100,000
+$40,000
-$20,000
Estados de la Naturaleza
Cerrar los antiguos Construir nuevos
dormitorios (N2)
departamentos
(N3)
+$50,000
+$20,000
+$150,000
+$20,000
Pagos Promedios
$56,667
+$25,000
+$200,000
$71,667
$66,667
^nj=1 pj = 1
Tabla de Utilidades
Nmero de
pizzas que se
hornean con
anticipacin
150
160
170
180
Fraccin de
tiempo
150
300
290
280
270
0.20
300
320
310
300
0.40
300
320
340
330
0.25
300
320
340
360
0.15
Hornear 150
pizzas
()300
Hornear 160
pizzas
()314
Hornear 170
pizzas
()316
Hornear 180
pizzas
()310,50
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
de 150
0,2
$300
de 160
0,4
$300
de 170
0,25
$300
de 180
0,15
$300
de 150
0,2
$290
de 160
0,4
$320
de 170
0,25
$320
de 180
0,15
$320
de 150
0,2
$280
de 160
0,4
$310
de 170
0,25
$340
de 180
0,15
$340
de 150
0,2
$270
de 160
0,4
$300
de 170
0,25
$330
pizzas
Demanda de 180
pizzas
0,15
$360
Videos M2:
Video Conceptual:
El Teorema de Bayes
A
P(AB)
B
B1
A1
P(A1B)
P(B)
P(B1)
P(A)
P(A1)
Evento 1, dos sucesos A y A1. Evento 2, dos sucesos B y B1.
Probabilidad de que suceda A = P(A), de que suceda A1 = P(A1)
Pueden ocurrir dos sucesos en simultneo, por ejemplo P(AB)
P(B) = P(AB)+ P(A1B)
Referencias:
P(A): Probabilidad de A
P(AB): Probabilidad de A y B P(AB)= P(B)*P(A/B) P(AB) = P(A) * P(B/A)
P(A/B): Probabilidad de A dado B P(AB)/P(B) P(AB)/ P(AB)+ P(A1B)
P(A/B) = [P(A)*P(B/A)] /[P(A)*P(B/A)+P(A1)*P(B/A1)]
Teleclase
Los modelos de decisin no nos indica que decisin tomar, sino cmo proceder para
analizar y evaluar las mejores alternativas de solucin.
Certidumbre
Modelos deterministas
Modelos de decisin
Incertidumbre
Modelos sin datos previos
Riesgo
Modelos con datos previos
Perfecta.
Valor de la informacin perfecta.
Modelo de minimizacin de
arrepentimiento
Anlisis pre-posterior:
Toma de Decisiones:
Qu modelos de decisin estudiamos?
Analizamos modelos de decisin lgicos con los que usted podr tomar una decisin o por lo
menos contrastar sus conclusiones, con su visin intuitiva, poltica, emocional, entre otras.
Ejercicio:
Un especulador debe decidir en un momento del da si compra dlares a $3,43 o vende
dlares a $3,41.
El tomador de decisiones ha determinado que la cotizacin del dlar puede ser al final de la
jornada de:
a) $3,38
b) $3,42
c) $3,50
- 0,05
0,03
Si cierra a $3,41
- 0,01
- 0,01
Si cierra a $3,50
0,07
- 0,09
Anlisis Clsico:
-
Se construye una regla de decisin para poder realizar el anlisis, como por ejemplo,
un parmetro estadstico.
Se propone una prueba de hiptesis en base al parmetro estadstico, definiendo una
hiptesis nula (H0) y alternativas (H1)
Posteriormente se ejecuta una o ms pruebas o se toman muestras para aceptar o
desechar las hiptesis (H0)
Ejercicio:
Un especulador debe decidir en un momento del da si compra dlares a $3,43 o vende
dlares a $3,41.
El tomador de decisiones ha determinado que la cotizacin del dlar puede ser al final de la
jornada de:
a) $3,38 (probabilidad de 30%)
de 50%)
Si cierra a $3,38
Est. Nat.
Alternativas
Comprar a $3,43
Vender a $3,41
Probabilidad
- 0,05
0,03
0,30
Si cierra a $3,41
- 0,01
- 0,01
0,20
Si cierra a $3,50
0,07
- 0,09
0,5
Si cierra a $3,41
Si cierra a $3,50
VME
Est. Nat.
Alternativas
Comprar a $3,43
- 0,05
- 0,01
0,07
$0,018 (VME*)
Vender a $3,41
0,03
- 0,01
- 0,09
-0,038
Probabilidad
0,30
0,20
0,5
El VME se calcula sumando la mxima utilidad para cada alternativa multiplicado por su
probabilidad de ocurrencia de los estados de la naturaleza.
VME* = (-0,05*0,3)+(-0,01*0,2)+(0,07*0,5) = 0,018
Para calcular el Valor Medio Monetario Esperado de la Informacin Perfecta tomo el
mejor dato de cada columna y lo multiplico por su probabilidad de ocurrencia:
(0,03*0,03) + (-0,01*0,2) + (0,07*0,5) = 0,042
El valor medio monetario esperado de la informacin perfecta (VMEIP) se calcula sumando la
mxima utilidad para cada estado de naturaleza de cada alternativa multiplicando por su
probabilidad de ocurrencia.
Es el mximo valor de utilidades que puedo esperar en base a mi experiencia.