Modelos de Toma de Decisiones

http://blogadmi1.files.wordpress.com/2009/05/modelos.pdf www.civ.cl/academico/.../Modelos%20para%20la%20TDR.doc http://www.tuobra.unam.mx/obrasPDF/publicadas/040921170149.html

MODELOS DE CRITERIOS DE DECISIN.

Certeza: Sabemos con seguridad cules son los efectos de las acciones. Riesgo: No sabemos qu ocurrir tomando determinadas decisiones, pero s sabemos qu puede ocurrir y cul es la probabilidad de ello. Incertidumbre estructurada: No sabemos qu ocurrir tomando determinadas decisiones, pero s sabemos qu puede ocurrir de entre varias posibilidades. Incertidumbre no estructurada: En este caso no sabemos qu puede ocurrir ni tampoco qu probabilidades hay para cada posibilidad. Es cuando no tenemos ni idea qu puede pasar.

Tipos de modelos Certeza Casos Programacin lineal, mixta Pert, Inventario Incertidumbre Arboles de decisin Simulacin Monte Carlo Simulacin, Colas, Invent.

Problemas simples Problemas complejos Problemas dinmicos

Casos de Uso: Los Casos de Uso (Ivar Jacobson) describen, bajo la forma de acciones y reacciones, el comportamiento de un sistema desde el punto de vista del usuario. Permiten definir los lmites del sistema y las relaciones entre el sistema y el entorno. Los Casos de Uso cubren la carencia existente en mtodos previos (OMT, Booch) en cuanto a la determinacin de requisitos. Los Casos de Uso particionan el conjunto de necesidades atendiendo a la categora de usuarios que participan en el mismo. Estn basados en el lenguaje natural, es decir, es accesible por los usuarios PERT es bsicamente un mtodo para analizar las tareas involucradas en completar un proyecto dado, especialmente el tiempo para completar cada tarea, e identificar el tiempo mnimo necesario para completar el proyecto total. La parte ms famosa de PERT son las Redes PERT, diagramas de lneas de tiempo que se interconectan. PERT est diseado para proyectos de gran escala, que se ejecutan de una vez, complejos y no rutinarios. Arboles de decisin: Los rboles de decisin son una tcnica que permite analizar decisiones secuenciales basada en el uso de resultados y probabilidades asociadas. Los rboles de decisin se pueden usar para generar sistemas expertos, bsquedas binarias y rboles de juegos.

Modelos de Toma de Decisiones

Simulacin Montecarlo: Los mtodos de Monte Carlo abarcan una coleccin de tcnicas que permiten obtener soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. En la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos realizados con nmeros aleatorios. El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones acumuladas de frecuencias. Colas: La estructura de la cola se puede definir con seis parmetros: 1. Distribucin de los tiempos entre llegadas. Algunos de los valores posibles son: M = exponencial (Markoviano) G = general (la distribucin no ha sido especificada) D = determinista (tiempo entre llegadas constante) Ek= distribucin k-Erlang 2. Distribucin del tiempo de servicio. 3. Nmero de servidores. 4. Capacidad mxima de la cola. Por defecto, la cola tiene capacidad infinita. 5. Nmero de clientes que llegarn. Por defecto, el nmero es infinito. 6. Disciplina de la cola: FIFO (First-in-first-out), LIFO (Last-in-first-out), prioritaria, u otras. Por defecto es FIFO. Modelos de inventario. Comnmente los inventarios estn relacionados con la mantencin de cantidades suficientes de bienes (insumos, repuestos, etc.), que garanticen una operacin fluida en un sistema o actividad comercial. La forma efectiva de manejar los inventarios es minimizando su impacto adverso, encontrando un punto medio entre la poca reserva y el exceso de reserva.

MODELOS DE TOMA DE DECISIONES

La teora de decisiones proporciona una manera til de clasificar modelos para la toma de decisiones. Se supondr que se ha definido el problema, que se tienen todos los datos y que se han identificado los cursos de accin alternativos. La tarea es entonces seleccionar la mejor alternativa. La teora de decisiones dice que esta tarea de hacer una seleccin caer en una de las cuatro categoras generales dependiendo de la habilidad personal para predecir las consecuencias de cada alternativa.

Categoras Certidumbre Riesgo Incertidumbre Conflicto

Consecuencias Deterministas Probabilsticas Desconocidas Influidas por un oponente

Modelos de Toma de Decisiones

TOMA DE DECISIONES BAJO INCERTIDUMBRE

En los procesos de decisin bajo incertidumbre, el decisor conoce cules son los posibles estados de la naturaleza, aunque no dispone de informacin alguna sobre cul de ellos ocurrir. No slo es incapaz de predecir el estado real que se presentar, sino que adems no puede cuantificar de ninguna forma esta incertidumbre. En particular, esto excluye el conocimiento de informacin de tipo probabilstico sobre las posibilidades de ocurrencia de cada estado.

REGLAS DE DECISIN

A continuacin se describen las diferentes reglas de decisin en ambiente de incertidumbre, y que sern sucesivamente aplicadas al ejemplo de construccin del hotel.

Criterio de Wald Criterio Maximax Criterio de Hurwicz Criterio de Savage Criterio de Laplace

Para trabajar con los criterios utilizaremos la siguiente matriz:

Estados de la Naturaleza Alternativas

e1

e2 . . .

en
x1n x2n

a1 x11 x12 . . . a2 x21 x22 . . .

Modelos de Toma de Decisiones

... ... ... ... am xm1 xm2 . . .

Forma general de una tabla de decisin

... xmn

CRITERIO DE LAPLACE
Este criterio, propuesto por Laplace en 1825, est basado en el principio de razn insuficiente: como a priori no existe ninguna razn para suponer que un estado se puede presentar antes que los dems, podemos considerar que todos los estados tienen la misma probabilidad de ocurrencia, es decir, la ausencia de conocimiento sobre el estado de la naturaleza equivale a afirmar que todos los estados son equiprobables. As, para un problema de decisin con n posibles estados de la naturaleza, asignaramos probabilidad 1/n a cada uno de ellos. La regla de Laplace selecciona como alternativa ptima aquella que proporciona un mayor resultado esperado:

1 n m _ ai x x( ai , e j ) n j= 1
EJEMPLO Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra los resultados esperados para cada una de las alternativas.

Estados de la Naturaleza Alternativa s Aeropuerto en

Terreno comprado A A Aeropuerto en B Resultad o esperad o 0.5

13

-12

Modelos de Toma de Decisiones

B AyB Ninguno

-8 5 0

11 -1 0

1.5 2 0

En este caso, cada estado de la naturaleza tendra probabilidad ocurrencia 1/2. El resultado esperado mximo se obtiene para la tercera alternativa, por lo que la decisin ptima segn el criterio de Laplace sera comprar ambas parcelas. CRITERIO DE WALD Este es el criterio ms conservador ya que est basado en lograr de las peores condiciones posibles. esto es, si el resultado representa prdida para el decisor, entonces, para ai la peor independientemente de lo que ej pueda ser, es mx ej { x(ai, criterio minimax elige entonces la accin ai asociada a : lo mejor x(ai, ej) prdida ej) }. El

E l e _gaii =r m ai m ej xx(ai , ej ) n

En una forma similar, si x(ai, ej) representa la ganancia, el criterio elige la accin ai asociada a :

E l e _ aii =r m ai mx ej n (ai , ej ) g x

Este criterio recibe el nombre de criterio maximin, y corresponde a un pensamiento pesimista, pues razona sobre lo peor que le puede ocurrir al decisor cuando elige una alternativa. EJEMPLO Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las recompensas obtenidas junto con los niveles de seguridad de las diferentes alternativas:

Alternativas Estados de la Naturaleza

Modelos de Toma de Decisiones

Terreno comprado A B AyB Ninguno

Aeropuerto en A 13 -8 5 0

Aeropuerto en B - 12 11 -1 0

si
-12 -8 -1 0

La alternativa ptima segn el criterio de Wald sera no comprar ninguno de los terrenos, pues proporciona el mayor de los niveles de seguridad.

CRITERIO DE HURWICZ Este criterio representa un intervalo de actitudes desde la ms optimista hasta la ms pesimista. En las condiciones ms optimistas se elegira la accin que proporcione el mx ai mx ej { x(ai, ej) }. Se supone que x(ai, ej), representa la ganancia o beneficio. De igual manera, en las condiciones ms pesimistas, la accin elegida corresponde a mx ai mn ej { x(ai, ej) }. El criterio de Hurwicz da un balance entre el optimismo extremo y el pesimismo extremo ponderando las dos condiciones anteriores por los pesos respectivos y (1- ), donde 0 1. Esto es, si x(ai, ej) representa beneficio, seleccione la accin que proporcione:
mxi mxj x(ai , ej ) + (1 )mnej x(ai , ej ) a e

Para el caso donde x(ai, ej) representa un costo, el criterio selecciona la accin que proporciona:
mnai mnej x(ai , ej ) + (1 )mxj x(ai , ej ) e

El parmetro se conoce como ndice de optimismo: cuando = 1, el criterio es demasiado optimista; cuando = 0, es demasiado pesimista . Un valor de entre cero y uno puede ser seleccionado dependiendo de si el decisor tiende hacia el pesimismo o al optimismo. En ausencia de una sensacin fuerte de una circunstancia u otra, un valor de = 1/2 parece ser una seleccin razonable. EJEMPLO

Modelos de Toma de Decisiones

Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las recompensas obtenidas junto con la media ponderada de los niveles de optimismo y pesimismo de las diferentes alternativas para un valor a = 0.4:

Alternativ Estados de la Naturaleza as

Terreno comprado A B AyB Ninguno Aeropuerto en A 13 -8 5 0 Aeropuerto en mne mx B ei S(ai) i -12 11 -1 0 -12 -8 -1 0 13 11 5 0 -2 -0.4 1.4 0

La alternativa ptima segn el criterio de Hurwicz sera comprar las parcelas A y B, pues proporciona la mayor de las medias ponderadas para el valor de a seleccionado.

CRITERIO DE SAVAGE
En 1951 Savage argumenta que al utilizar los valores xij para realizar la eleccin, el decisor compara el resultado de una alternativa bajo un estado de la naturaleza con todos los dems resultados, independientemente del estado de la naturaleza bajo el que ocurran. Sin embargo, el estado de la naturaleza no es controlable por el decisor, por lo que el resultado de una alternativa slo debera ser comparado con los resultados de las dems alternativas bajo el mismo estado de la naturaleza. Con este propsito Savage define el concepto de prdida relativa o prdida de oportunidad rij asociada a un resultado xij como la diferencia entre el resultado de la mejor alternativa dado que ej es el verdadero estado de la naturaleza y el resultado de la alternativa ai bajo el estado ej:

Modelos de Toma de Decisiones

As, si el verdadero estado en que se presenta la naturaleza es ej y el decisor elige la alternativa ai que proporciona el mximo resultado xij, entonces no ha dejado de ganar nada, pero si elige otra alternativa cualquiera ar , entonces obtendra como ganancia xrj y dejara de ganar xijxrj. Savage propone seleccionar la alternativa que proporcione la menor de las mayores prdidas relativas, es decir, si se define ri como la mayor prdida que puede obtenerse al seleccionar la alternativa ai,

el criterio de Savage resulta ser el siguiente:

Conviene destacar que, como paso previo a la aplicacin de este criterio, se debe calcular la matriz de prdidas relativas, formada por los elementos rij. Cada columna de esta matriz se obtiene calculando la diferencia entre el valor mximo de esa columna y cada uno de los valores que aparecen en ella. EJEMPLO Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra la matriz de prdidas relativas y el mnimo de stas para cada una de las alternativas.

Alternativas
Terreno comprado A B AyB

Estados de la Naturaleza
Aeropuerto en Aeropuerto en A B 0 21 8 23 0 12

ri
23 21 12

Modelos de Toma de Decisiones

Ninguno

13

11

13

El mayor resultado situado en la columna 1 de la tabla de decisin original es 13; al restar a esta cantidad cada uno de los valores de esa columna se obtienen las prdidas relativas bajo el estado de la naturaleza Aeropuerto en A. De la misma forma, el mximo de la columna 2 en la tabla original es 11; restando a esta cantidad cada uno de los valores de esa columna se obtienen los elementos rij correspondientes al estado de la naturaleza Aeropuerto en B. Como puede observarse, el valor ri menor se obtiene para la tercera alternativa, por lo que la decisin ptima segn el criterio de Savage sera comprar ambas parcelas. TOMA DE DECISIONES BAJO RIESGO Esta categora incluye aquellas decisiones para las que las consecuencias de una accin dada dependen de algn evento probabilista. EJEMPLO Suponga que tiene un pequeo local de ventas de pinos para Navidad. La primera tarea es decidir cuntos pinos ordenar para la siguiente temporada. Supngase que se debe pagar $3.5 por cada rbol, se pueden ordenar solo lotes de 100 y se planea venderlos a $8 cada uno. Por supuesto, si no se venden, no tienen valor de recuperacin. Se estudian los registros de ventas pasadas en la iglesia y se analiza el crecimiento potencial de las ventas con otros vendedores, llegando a las siguientes estimaciones para la siguiente temporada:

Venta de pinos 100 200 300

Probabilidad 0.3 0.3 0.4

Con estos datos se puede calcular la ganancia para cada combinacin de cantidad ordenada y ventas eventuales. Por ejemplo, si se ordenan 300 pinos y se venden slo 200, la utilidad neta ser de $4.5 por cada rbol vendido menos una prdida de $3.5 por los rboles no vendidos, es decir:

Modelos de Toma de Decisiones

10

200($8-$3.5)-100($3.5)=$900-$350=$550 Si se hace esto para cada una de las combinaciones y se obtienen los resultados mostrados en la tabla de decisiones siguiente o tambin llamada matriz de pagos:

Modelos de Toma de Decisiones

11

Eventos (demanda de rboles) 100 (0.3) Alternativ as de decisin 100 200 $450 $100 200 (0.3) $450 $900 300 (0.4) $450 $900

300

$-250

$550

$1.400

El resultado ms importante de la teora de decisiones bajo riesgo es que debe seleccionarse la alternativa que tenga el mayor VALOR ESPERADO. Existen muchas decisiones administrativas que pueden catalogarse como toma de decisiones bajo riesgo. Algunas de ellas son: Deber introducirse un nuevo producto en particular? Deber ofrecerse ms para obtener un contrato? Deber construirse una nueva planta o ampliarse la que se tiene? Cuntos pasteles deber producir una pastelera para la venta diaria?. Deber una compaa petrolera realizar pruebas ssmicas costosas antes de hacer una nueva perforacin? Deber iniciarse un nuevo programa costoso de propaganda?

Modelos de Toma de Decisiones

12

TOMA DE DECISIONES BAJO CERTIDUMBRE

Si se pueden predecir con certeza las consecuencias de cada alternativa de accin, entonces se tiene una tarea de toma de decisiones bajo certidumbre. Otra manera de pensar en esto es que existe una relacin directa de causa y efecto entre cada acto y su consecuencia. Si est lloviendo, deber llevarse un paraguas?, si hace fro, deber llevarse un abrigo?. Ya sea que se lleve o no el paraguas o el abrigo, las consecuencias son predecibles. Una buena parte de las decisiones que se toman a diario cae dentro de esta categora.

En dnde comer? En donde comprar el material de la oficina? Algunos de los modelos o tcnicas utilizados para manejar estas decisiones son:

Anlisis del punto de equilibrio. Programacin Lineal. Programacin de la produccin. Control de Inventarios.

PROGRAMACION LINEAL
Muchas decisiones de Direccin de Operaciones incluyen el intentar conseguir utilizar los recursos de la organizacin de la manera ms efectiva posible. Los recursos generalmente incluyen maquinarias (como los aviones), mano de obra ( como los pilotos), dinero, tiempo y materias primas (como el combustible). estos recursos se pueden utilizar para producir productos (como mquinas, muebles, alimentos y vestuario) o servicios (como listas de vuelos, campaas de publicidad o decisiones de inversin). La programacin lineal es un mtodo determinista de anlisis para elegir la mejor entre muchas alternativas. Cuando esta mejor alternativa incluye un conjunto coordinado de actividades, se le puede llamar plan o programa.

Modelos de Toma de Decisiones

13

Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo. Por ejemplo, cuando se compra una pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco, de centeno u otro), costo, rebanado o no rebanado, etc. Se pueden adems dividir restricciones y objetivo. estos criterios en dos categoras:

Las restricciones son las condiciones que debe satisfacer una solucin que est bajo consideracin. Si ms de una alternativa satisfacen todas las restricciones, el objetivo se usa para seleccionar entre todas las alternativas factibles. Cuando se elige una pieza de pan, puede quererse un kilo de pan blanco rebanado y hecho en el da. Si varias marcas satisfacen estas restricciones, puede aplicarse el objetivo de un costo mnimo y escoger el ms barato. Existen muchos problemas administrativos que se ajustan a este modelo de tratar de minimizar o maximizar un objetivo que est sujeto a una lista de restricciones. Un corredor de inversiones, por ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones estn restringidas por las leyes y las polticas bancarias. Un hospital debe planear que las comidas para los pacientes satisfagan ciertas restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el costo. Un fabricante, al planear la produccin futura, busca un costo mnimo al mismo tiempo cmo cumplir restricciones sobre la demanda del producto, la capacidad de produccin, los inventarios, el nivel de empleados y la tecnologa.

La programacin lineal es una tcnica determinista, no incluye probabilidades. El objetivo y cada una de las restricciones se deben expresar como una relacin lineal, de ah el nombre de programacin lineal.

Modelos de Toma de Decisiones

14

Todos los problemas de PL (Programacin Lineal) tiene cuatro propiedades en comn: 1. Los problemas de PL buscan maximizar o minimizar una cantidad (generalmente beneficios o costos). Nos referimos a ello como la Funcin Objetivo de un PL. El principal objetivo de una empresa tipo es aximizar los beneficios a largo plazo. En el caso de un sistema de distribucin, el objetivo puede ser minimizar los costos de transporte. 2. La presencia de restricciones limita el grado en que podemos perseguir el objetivo. Por ejemplo, decidir cuntas unidades se deben fabricar para una lnea de productos de una empresa est restringido por la disponibilidad de horas de mano de obra y mquinas. Se quiere por tanto, maximizar o minimizar una cantidad (funcin objetivo) sujeta a las limitaciones de recursos (restricciones). 3. Deben existir diferentes alternativas donde poder elegir. Por ejemplo, si una empresa fabrica tres productos, los directivos pueden utilizar PL para decidir cmo asignar entre ellos sus recursos de produccin limitados (trabajo, mquinas y dems). Si no existen alternativas evidentes que seleccionar, no necesitaremos la PL. 4. La funcin objetivo y las restricciones de un PL deben ser expresadas en trminos de ecuaciones lineales o inecuaciones.

Una de las aplicaciones ms comunes de la programacin lineal es el problema del plan de produccin. Do o ms productos se fabrican con recursos limitados. La empresa desea saber cuntas unidades deben fabricarse de cada producto, maximizando los beneficios globales y teniendo en cuenta las limitaciones de recursos.