Professional Documents
Culture Documents
Unidad 2
Introducción a la Investigación de
Operaciones
1
09/09/2017
TERMINOLOGÍA
2
09/09/2017
ARBOLES DE DECISIÓN
Cuando debe tomarse una serie de decisiones en distintos momentos en el tiempo, en
estos casos se recurre a los árboles de decisión para determinar la solución
óptima. Consiste en descomponer un problema complejo en varios problemas
simples.
3
09/09/2017
• Definir el problema
• Dibujar el árbol de decisión.
• Asignar probabilidades a los eventos aleatorios.
• Estimar los resultados para cada combinación posible de alternativas.
• Resolver el problema obteniendo como solución la ruta que proporcione la
política óptima.
4
09/09/2017
EJEMPLO
Una compañía de seguros nos ofrece una indemnización por accidente de 210.000$. Si no aceptamos la
oferta y decidimos ir a juicio podemos obtener 185.000$, 415.000$ o 580.000$ dependiendo de las
alegaciones que el juez considere aceptables. Si perdemos el juicio, debemos pagar las costas que
ascienden a 30.000$.
Sabiendo que el 70% de los juicios se gana, y de éstos, en el 50% se obtiene la menor indemnización, en
el 30% la intermedia y en el 20% la más alta, determinar la decisión más acertada.
Ir a juicio $ 580000
Alto 20%
$ -30000
Pierde 30%
$ 210000
Arreglo extrajudicial
5
09/09/2017
POLITICA OPTIMA
Bajo 50%
$ 185000
$333000
Gana 70% Medio 30%
$ 415000
$224100
Ir a juicio $ 580000
Alto 20%
$224100
$ -30000
Pierde 30%
$ 210000
Arreglo extrajudicial
EJEMPLO 2
Una fábrica está evaluada en 150 millones. La fábrica desea incorporar un nuevo producto al mercado. Existen tres
estrategias para incorporar el nuevo producto:
• Alternativa 1 Hacer un estudio de mercado del producto de forma de determinar si se introduce o no al mercado.
• Alternativa 2 Introducir inmediatamente el producto al mercado (sin estudio).
• Alternativa 3 No lanzar inmediatamente el producto al mercado (sin estudio).
En ausencia de estudio de mercado, la fábrica estima que el producto tiene un 55% de posibilidades de ser exitoso
y de 45% de ser un fracaso. Si el producto es exitoso, la fábrica aumentaría en 300 millones su valor, si el
producto fracasa se devaluaría en 100 millones. El estudio de mercado vale 30 millones. El estudio predice que
existe un 60% de probabilidad de que el producto sea exitoso. Si el estudio de mercado determina que el
producto sería exitoso, existe un 85% de posibilidades de que efectivamente lo sea. Si el estudio de mercado
determina que el producto sería un fracaso, existe sólo un 10% de posibilidades de que el producto sea exitoso.
Si la empresa no desea correr riesgos (desea maximizar el valor esperado de la empresa).
6
09/09/2017
ARBOL ASOCIADO:
No introducir al mercado
Prd. exitoso
Introducir al
mercado
Prd. fracaso
No introducir al mercado
Prd. exitoso
Introducir al
mercado
Prd. fracaso
Prd. exitoso
No introducir al
mercado
Prd. fracaso
Introducir al
mercado
ARBOL ASOCIADO:
7
09/09/2017
ARBOL ASOCIADO:
No introducir al 150
mercado
EJERCICIO 5
• El gerente de una empresa tiene dos diseños posibles para su nueva línea de cerebros electrónicos, la
primera opción tiene un 80% de probabilidades de producir el 70% de cerebros electrónicos buenos y
un 20% de probabilidades de producir el 50% de cerebros electrónicos buenos, siendo el coste de este
diseño de 450.000 de euros. La segunda opción tiene una probabilidad del 70% de producir el 70% de
cerebros electrónicos buenos y una probabilidad del 30% de producir el 50% de cerebros electrónicos
buenos, el coste de este diseño asciende a 600.000 euros. El coste de cada cerebro electrónico es de
100 euros, si es bueno se vende por 250 euros, mientras que si es malo no tiene ningún valor.
Conociendo que la previsión es de fabricar 50.000 cerebros electrónicos, decida el diseño que debe
elegir el gerente de la empresa.
8
09/09/2017
3300000
2800000
0.8
0.2
800000
2800000
3150000
2400000
0.7
0.3
650000
Unidad 2
Modelos Determinísticos De Decisión
INVESTIGACIÓN DE OPERACIONES I
TEORIA DE DECISIONES
9
09/09/2017
CRITERIOS DE DECISIÓN
10
09/09/2017
11
09/09/2017
• Hurwicz (alfa)
• Combinar el criterio optimista y pesimista
(balancea o da un equilibrio entre ambos
criterios)
• ALFA = grado de optimismo y pesimismo
12
09/09/2017
CRITERIOS DE DECISIÓN
• Optimista (MAXIMAX)
• Pesimista (MAXIMIN)
• Hurwicz (alfa α )
• Penalizacion (Pena MINIMAX)
• Probabilístico o Cuadro de Utilidades (Ganancia
Esperada)
EJEMPLO 1
•Juego de la TINKA
Cada juego cuesta S/. 4.00 y el premio es de S/
2.8 millones. Si gana deberá pagar un
impuesto de 20%. Qué debe decidir?
α = 0.8
13
09/09/2017
• Variables de Decisión
SJ: Si juega la tinka
NJ: No juega la tinka
• Variables Resultantes
SG: Si gana la tinka
NG: No gana la tinka
ARBOL DE DECISIÓN
SG 2 240 000
SJ
(2 800 000 - 2 800
000*0.20 -4) =
NG -4
S/. 2 239 996
Para el ejercicio se
redondeará a
SG 0 S/. 2 240 000
NJ
NG 0
14
09/09/2017
APLICANDO CRITERIOS
Decisión
Decisión SG
SG NG
NG
SJ 2240 -4
NJ
NJ 0 0
1. Optimista (MAXIMAX)
• Escoger la alternativa que tenga el potencial de producción de la mayor
ganancia posible.
1. Optimista
Decisión SG NG (MAXIMAX)
NJ 0 0 0
15
09/09/2017
2. Pesimista (MAXIMIN)
• Escoger la alternativa que maximice la ganancia mínima posible (el peor resultado
posible).
2.
Decisión SG NG Pesimista
(MAXIMIN)
SJ 2 240 000 -4 -4
NJ 0 0 0
3. Criterio de Hurwicz
• Combinar los criterios optimista y pesimista.
• Escoger un coeficiente de optimismo (alfa α )
• Calcular para cada alternativa:
Ganancia pesada = α * (ganancia maxima) + (1 – α) * (ganancia minima)
16
09/09/2017
NJ 0 0
Ganancia para SJ = (0.80) * ( 2 240 000) + (1 – 0.80) * (-4) = 1 791 999.2 = 1 792 000
Ganancia para NJ = (0.80) * (0) + (1-0.80)*(0) = 0
17
09/09/2017
Decisión SG NG
SJ 2 240 000 -4
NJ 0 0
18
09/09/2017
Decisión SG NG
SJ 2 240 000 -4
NJ 0 0
Aplicando penalidades
Decisión SG NG 4. Penalid
SJ 0 4
NJ 2 240 000 0
• Penalidad SJ vs SG = (2 240 000 – 2 240000) = 0
• Penalidad NJ vs SG = (2 240 000 – 0) = 2 240 000
• Penalidad SJ vs NG = (0 - - 4) = 4
• Penalidad NJ vs NG = (0 - 0) = 0
Resultado: SI JUGAR obteniendo una menor penalidad de S/. 4
Aplicando penalidades
Decisión SG NG 4. Penalid
SJ 0 4 4
NJ 2 240 000 0 2 240 000
19
09/09/2017
5. Probabilístico
Incorporar de acuerdo al conocimiento o
creencia del decisor una probabilidad relativa
de que cada resultado sea posible. Seleccione
el mayor valor esperado.
Para el ejemplo: le agregamos la probabilidad de
que alguien gane la tinka es de 0.0001% y de
perder 99.9999%.
5. Probabilístico
Incorporar de acuerdo al conocimiento o creencia del decisor una
probabilidad relativa de que cada resultado sea posible. Seleccione el
mayor valor esperado.
Para el ejemplo: le agregamos la probabilidad de que alguien gane la
tinka es de 0.0001% y de perder 99.9999%.
20
09/09/2017
• Criterio Resultado
• Optimista (MAXIMAX) SJ
• Pesimista (MAXIMIN) NJ
• Hurwicz (alfa α ) SJ
• Penalizacion (Pena MINIMAX) SJ
• Probabilístico NJ
VALOR ESPERADO DE LA
INFORMACIÓN
Decisión SG NG
SJ 2 240 000 -4
NJ 0 0
21
09/09/2017
Ganancia
Ganancia Ganancia
Esperada con la
información
perfecta
= Esperada con la
informaciòn *P1 + Esperada con la
informaciòn * P2
perfecta perfecta
Ganancia
De la información = 2240 000 * 0.0001% +(0) * 99.9999% = 2.24
Perfecta
Valor esperado
De la información
Perfecta
=
2.24 - 0
Valor esperado
De la información
Perfecta
=
2.24
La información perfecta aumenta la ganancia esperada de 0 a 2.24 soles, es decir aumenta en 2.24 soles y
esto es lo máximo que se puede pagar por información adicional para ganar el juego
22
09/09/2017
EJEMPLO 2
• Una empresa desea decidir entre sembrar caña de azúcar (inversion $ 12 000) o
sembrar maíz (inversion $ 6000). Utilice un α = 0.70
ARBOL DE DECISIÓN
CB 8000
SC
CR 2000
CM - 10000
CB 4000
SM
CR 1000
CM - 5000
23
09/09/2017
APLICANDO CRITERIOS
SM 4 1 -5 4 -5 1.3
24
09/09/2017
APLICANDO CRITERIOS
Decisión CB CR CM 1. 2. 3. 4. Penali- 5.
Optimista Pesimista Hurcwicz dades Probabi-
(MAXIMAX) (MAXIMIN) (α = 0.70) lidades
SM 4 1 -5 4 -5 1.3 4 0.1
0.2
8 (SC) -5 (SM) 2.6 (SC) 4 (SM)
(SC)
VALOR ESPERADO DE LA
INFORMACIÓN
Ganancia
De la información = 8 * 0.1% + 2 * 0.7% - 5 * 0.2% = 1.2
Perfecta
Valor esperado
De la información
Perfecta
=
1.2 - 0.2
Valor esperado
De la información
Perfecta
=
1.0
La información perfecta vale $ 1.0, para aumentar las ganancias de 0.2 a 1.2.
25
09/09/2017
VALOR
ESPERADO DE LA
INFORMACIÓN
DE LA MUESTRA
UNIVERSIDAD PRIVADA DEL NORTE
Departamento de Ciencias ESTADISTICA APLICADA
SESION Nº 02
Definición de Probabilidad
INDICADOR DESCRIPCION
I1 Menos del 30% se gana el juego
Resultado
Indicador SG NG
l1 0.3 0.7 < 30
l2 0.2 0.8 > 30
26
09/09/2017
TINKA
Penalidad: Probabilidad:
SG NG SG NG
SJ 0 4 0.0001% 99.9999%
NJ 2240000 0
GECIP : 2.24
GESIP : 0
VEIP : 2.24
27
09/09/2017
Probabilidad condicional:
RESULTADOS DE L1 Y L2
Decisión SG NG Total
SJ 1.12000056 -3.999998 -2.87999744
NJ 0 0 0
Decisión SG NG Total
SJ 0.56000042 -3.999999 -3.43999858
NJ 0 0 0
28
09/09/2017
GECIM : 0
GESIM : 0
VEIM : 0
EIM = 0.00%
INDICADOR DESCRIPCION
I1 Menos del 30% de las veces el clima es adecuado para
la siembra
I2 Más del 30% de las veces el clima es adecuado para la
siembra
29
09/09/2017
ESTAS PROBABILIDADES
CONDICIONALES Y LAS ESTIMADAS
ORIGINALES DE PROBABILIDAD DE
LOS DIFERENTES RESULTADOS
PUEDEN RESUMIRSE EN UN ARBOL 4
DE PROBABILIDADES P(I1/B) = 0.3
P(I2/B) = 0.7
5
P(B) = 0.1
4
P(I1/R) = 0.4
P(I2/R) = 0.6
5
4
P(M) = 0.2
P(I1/G) = 0.8
P(l 2) P( B) * P( L2 / B) P( R) * P( L2 / R) P(M ) * P( L2 / M )
3
P(I2/G) = 0.2 5
30
09/09/2017
P( B L1) P( B) * P( L1 / B)
P( B l1) 0.1* 0.3 0.03 P( B l 2) 0.1* 0.7 0.07
P( R l1) 0.7 * 0.4 0.28 P( R l 2) 0.7 * 0.6 0.42
P(M l1) 0.2 * 0.8 0.16 P(M l 2) 0.2 * 0.2 0.04
31
09/09/2017
Probabilidad Marginal
P(I1) = 0.47
P(I2) = 0.53
Probabilidad P( B l1)
P( B / l1)
condicional: P(l1)
P( B l1) 0.03 P( B l 2) 0.07
P( B / l1) 0.06382979 P( B / l 2) 0.13207547
P(l1) 0.47 P(l 2) 0.53
P( B l1) 0.28 P( B l 2) 0.42
P( R / l1) 0.59574468 P( R / l 2) 0.79245283
P(l1) 0.47 P(l 2) 0.53
32
09/09/2017
Decisión CB CR CM TOTAL
Decisión CB CR CM TOTAL
-
Ganancia Ganancia
Valor esperado
Esperada sin la
De la información
De la Muestra
= Esperada con la
información
de la Muestra
información
de la Muestra
Ganancia Ganancia
Ganancia
= *P(I1) + *P(I2)
Esperada con la Esperada cuando
Esperada cuando
información el indicador es l2
el indicar es l1
de la Muestra
33
09/09/2017
POR LO TANTO:
Ganancia
Esperada con la
información
de la Muestra
= -0.85106381 * 0.47 + 1.88679242 *0.53 = 0.6
Valor esperado
De la información
De la Muestra = 0.6 - 0.2 = 0.4
La ganancia esperada se adicionará en 0.4 si se utilizan los resultados de la
investigación de mercado. No debe gastar más de 0.4 en la investigación de
mercado
Eficiencia de la 0.4
información de
la muestra
= 1.0 * = 40%
34
09/09/2017
EJEMPLO N° 03
•Consultoria
Un empresario piensa colocar una consultoria de Seguridad y requiere saber si
tendrá éxito o No. Para ello se tiene la siguientes alternativas, para el personal a
contratar:
•Consultores que no tienen experiencia, lo que indica un nivel bajo de impacto
•Algunos consultores tienen experiencia, lo que indica un nivel moderado de
impacto
•Todos los consultores tienen experiencia lo que indica un nivel alto de impacto
Además maneja las siguientes probabilidades de resultados:
RESULTADOS
PROBABILIDAD
para cada una de FRACASO ÉXITO GRAN ÉXITO
las alternativas: 0.4 0.4 0.2
Alfa = 0.70
Ejemplo N° 03
ALTERNATIVAS / RESULTADOS
DECISIONES
FRACASO ÉXITO GRAN ÉXITO
BAJA (B) -2 5 8
MODERADO (M) -5 10 12
ALTA (A) -8 6 15
Tomar los siguientes indicadores para este proyecto:
INDICADOR DESCRIPCIÒN
I1 Menos del 20% de las asistencias se espera que se ejecuten de manera
regular
I2 Más del 20% de las asistencias se espera que se ejecuten de manera regular
Probabilidades condicionales de los indicadores dados por el resultado para este proyecto
RESULTADO
INDICADOR
F E G
I1 0.8 0.3 0.1
I2 0.2 0.7 0.9
35
09/09/2017
36