TRABAJO FASE 5

PROYECTO FINAL

INTEGRANTES:
Ingrith Vanessa Blanco Gualdrn, Cdigo: 1049620096
Luz ngela Molina Bentez, Cdigo: 1.049.628.181
Sandra Consuelo vila Rodrguez, Cdigo: 37616812
Edith Yolanda Tarazona Rivero, Cdigo: 40047022
John Emanuel Pabn Araque, Cdigo: 1.049.639046

GRUPO:
200608_24

TUTORA:
Yuri Vanessa Nieto

Universidad Nacional Abierta y a Distancia UNAD

Escuela de Ciencias Bsicas Tecnologa e Ingeniera
Programa de Ingeniera Industrial
Curso de Teora de las Decisiones
Diciembre 08 de 2016
 INTRODUCCION

A medida que el ser humano va creciendo, se va volviendo dueo de s mismo; es decir, poco a
poco comienza a ejercer su derecho a decidir. Desde lo que desea comer, vestir, qu auto
comprar, si debe invertir cierto dinero o utilizarlo en otra cuestin, hasta con quin debe casarse.
Es as como la Teora de Decisin representa un apoyo importante sustentado en la teora de la
probabilidad y en la estadstica para brindar una base slida a grupos o individuos enfrentados a
la toma de decisiones.

Las herramientas para las decisiones tecnolgicas tales como los modelos matemticos han sido
aplicadas a una amplia gama de situaciones en la toma de decisiones dentro de diversas reas de
la gerencia. En la toma consciente de decisiones bajo incertidumbre, siempre realizamos
pronsticos o predicciones. Podramos pensar que no estamos pronosticando, pero nuestras
opciones estarn dirigidas por la anticipacin de resultados de nuestras acciones o inacciones.
Este sitio tiene el objetivo de ayudar a los gerentes y administradores a hacer un mejor trabajo al
momento de anticipar hechos, y por lo tanto, un mejor manejo de la incertidumbre mediante el
uso de tcnicas de prediccin y pronstico efectivas.
 JUSTIFICACION

Antes del Sistema Mtrico Decimal, los humanos no tenan ms remedio que tomar lo que
llevaban encima, su propio cuerpo, para contabilizar e intercambiar productos. As aparece el
pie, casi siempre apoyado sobre la tierra, como unidad de medida til para medir pequeas
parcelas, del orden de la cantidad de suelo que uno necesita, por ejemplo, para hacerse una
choza. Paralelo a este aparece el codo, til para medir piezas de tela u otros objetos que se
pueden colocar a la altura del brazo, en un mostrador o similar.

Tambin aparece el paso el metro romano utilizado para medir terrenos ms grandes durante
las faenas de agricultura, Para medidas ms pequeas, de objetos delicados, aparece la palma y,
para menores longitudes.
Ya en estos momentos las herramientas existentes permiten contabilizar de manera eficaz y
comprobar sus resultados en campos tales como ciencia, la industria, la medicina, los anlisis
qumicos entre otros, es por ello que durante este trabajo daremos a conocer los conocimientos
adquiridos durante las unidades del curso para luego aplicarlas como profesionales capaces de
ayudar a tomar decisiones en cualquier organizacin.
 OBJETIVOS

Objetivo General

Identificar y desarrollar la temtica propuesta en el curso de Teora de Decisiones con el fin de

facilitar la aplicacin en el mbito acadmico y laboral optimizando el desempeo del estudiante
mediante la aplicacin de tcnicas en conjunto con la sistematizacin de los procesos con el
apoyo de software.

Objetivos Especficos:

Conocer los conceptos bsicos para los manejos de los mtodos en la teora de
decisiones.

Aplicar los mtodos matemticos estadsticos para resolver la toma de decisiones bajo
incertidumbre.

Diferenciar entre los mtodos para las tomas de decisiones bajo incertidumbre desde la
percepcin de una investigacin de mercados con o sin informacin muestra.

Conocer los diferentes criterios de decisin para aplicar en el modelo especfico.

Realizar la entrega del trabajo final.

 DESARROLLO DE LAS ACTIVIDADES
Individual
Paso 1
1. El estudiante de manera individual,
En los pasos correspondientes para la solucin del trabajo final.
Grupal

Paso 2. Situacin Problema - Valor Esperado.

La empresa AAA Distribuidor quiere determinar la mejor alternativa para comercializar un

producto en el mercado, para ello entre muchas alternativas a escogido tres (Alternativa 1,
Alternativa 2 y Alternativa 3), y ha estimado su ganancias de acuerdo a tres estados de la
naturaleza (Demanda Baja, Demanda Media y Demanda Alta) Determinar el VEIP, VEIM y la
Utilidad Esperada de acuerdo a la siguiente informacin.

Proceso de decisin para la comercializacin de la bicicleta elctrica

Cursos de accin Estados de la naturaleza
(Alternativas de decisin) Demanda Baja Demanda Media Demanda Alta
Ganancias ($) Ganancias ($) Ganancias ($)
1. Alternativa 1 86338 71784 53962
2. Alternativa 2 16457 55412 80326
3. Alternativa 3 31547 47215 12427
Probabilidades 0,2679 0,3172 0,4149
=1

NOTA: Se aument una dcima a la probabilidad por demanda baja, con fin de que la sumatoria
nos de 1 exactamente.

Determinar el Valor esperado Con informacin Perfecta (VEIP)

Tenemos la formula general para hallar el VEIP, la cual es:

= ( )
( )

Lo primero que debe hallar es la ganancia esperada con informacin perfecta la cual se calcula
as:

Se toma el valor ms grande de cada columna de la tabla y se multiplica por la probabilidad

estimada de estos resultados as:
 . = 86338(0,2679) + 71784(0.3172) + 80326(0,4149)
= 23.129 + 22.769 + 33.327 = .

Ahora tenemos que calcular la ganancia esperada sin informacin perfecta, de esta manera
tenemos que tomar todos los valores de cada columna, multiplicarlos por la probabilidad
estimada para estos valores, y por ultimo tomamos el mayor valor de estos con el fin de obtener
la ganancia esperada sin la informacin perfecta.

1. Alternativa 1 86338 71784 53962

2. Alternativa 2 16457 55412 80326
3. Alternativa 3 31547 47215 12427
Probabilidades
0,2679 0,3172 0,4149
=1

Alternativa 1= (86.338 0.2679) + (71.784 0.3172) + (53.962 0.4149) = 23.129 +

22.769 + 22.388 = .

Alternativa 2= (16.457 0.2679) + (55.412 0.3172) + (80.326 0.4149) = 4.407 +

17.582 + 33.327 = .

Alternativa 3= (31.547 0.2679) + (47.215 0.3172) + (12.427 0.4149) = 8.448 +

14.981 + 5.156 = .

Teniendo estos datos podemos concluir que el mayor valor de ganancia esperada es 68.286 por
tanto este es el valor que tomaremos para completar la ecuacin de VEIP.
= ( )
( sin )

= . . = $.

Analizando estos datos podemos encontrar que el valor esperado con informacin perfecta
$68.286, por esta razn se puede inferir que la mejor decisin es la alternativa 1, ya que es el
que generar una mayor ganancia segn el clculo del VEIP.

Pantallazos desarrollo del ejercicio en software WINQSB

 Determinar el Valor esperado de la informacin de la muestra (VEIM)

(I1): Reporte favorable: la muestra tomada expresa un inters considerable en el producto.

(I2): Reporte no favorable: la muestra tomada expresa poco inters por producto.
 Proceso de decisin para la comercializacin de la bicicleta elctrica
Estados de la naturaleza
Cursos de accin
Demanda Baja Demanda Media Demanda Alta
(Alternativas de decisin)
Ganancias ($) Ganancias ($) Ganancias ($)
1. Alternativa 1 86338 71784 53962
2. Alternativa 2 16457 55412 80326
3. Alternativa 3 31547 47215 12427
Probabilidades
0,2678 0,3172 0,4149
=1

Tabla 4 indicadores investigacin de mercadeo

Indicadores Demanda baja Demanda media Demanda Alta
(I1) Reporte favorable 0,9134 0,7858 0,9467
(I2) Reporte no
0,0866 0,2142 0,0533
favorable
1 1 1

PROBABILIDADES CONDICIONALES DADAS POR LOS RESULTADOS

Demanda Probabilidad
Indicador Demanda Baja Demanda Alta
Media Marginal
I1 0,2447 0,2493 0,3928 0,8867
I2 0,0231 0,0679 0,0222 0,1133

Proceso de decisin para la comercializacin de la bicicleta elctrica

Estados de la naturaleza
Cursos de accin
Demanda Baja Demanda Media Demanda Alta
(Alternativas de decisin)
Ganancias ($) Ganancias ($) Ganancias ($)
4. Alternativa 1 86338 71784 53962
5. Alternativa 2 16457 55412 80326
6. Alternativa 3 31547 47215 12427
Probabilidades
0,2678 0,3172 0,4149
=1
 PROBABILIDADES CONJUNTAS Y MARGINALES
DEMANDA DEMANDA DEMANDA
INDICADOR
BAJA MEDIA ALTA
I1 0,2759 0,2812 0,4429
I2 0,2040 0,5998 0,1962

PROBABILIDADES POSTERIORES
DECISIONES GANANCIA ESPERADA
Alternativa 1 0,2759 (86338)+ 0,2812 (71784) + 0,4429
(53962) = 23821+20186+23890 = 67.897
Alternativa 2 0,2759 (16457)+ 0,2812 (55412)+ 0,4429 (80326)
= 4540+15582+35576= 55.698
Alternativa 3 0,2759 (31547)+ 0,2812 (47215)+ 0,4429 (12427)
= 8704+13277+5504 = 27.485

INDICADOR 1
DECISIONES GANANCIA ESPERADA
Alternativa 1 0,2040 (86338)+ 0,5998 (71784)+ 0,1962 (53962)
= 17613+43056+10587= 71.256
Alternativa 2 0,2040 (16457)+ 0.5998 (55412)+ 0,1962 (80326)
= 3357+33236+15760= 52.353
Alternativa 3 0,2040 (31547)+ 0,5998 (47215)+ 0,1962 (12427)
= 6436+28320+2438= 37.194

INDICADOR 2
INDICADOR DECISIN OPTIMA GANANCIA ESPERADA
I1 Alternativa 1 67.897
I2 Alternativa 1 71.256

DECISIONES PTIMAS Y GANANCIAS ESPERADAS POR I1 E I2

Ya con estos clculos procedemos a utilizar la formula general para hallar la ganancia esperada
con informacin de la muestra, la cual es:
De acuerdo a esto tenemos:

. . = (67.897 0,8867) + (71.256 0,1133)

= 60.204 + 8.073 = .

Por ltimo y finalmente, el VEIM (valor esperado de la informacin de la muestra) es:

De acuerdo a esto tenemos:

= 68.277 68.286 =

El valor esperado de la informacin muestral es utilizado para verificar la mejor estrategia de

decisin que optimice al investigacin que se est realizando peo realmente al analizar el
resultado del VEIM, podemos observar que la mejor decisin es no hacer nada ya que nos da un
valor bajo y adems negativo, por tanto esta informacin no tiene validez para la toma de
decisiones en cuanto alguna de las 3 alternativas.

Calculos Desarrollados En El Software WinQSB

 EFICIENCIA DE LA INFORMACIN DE LA MUESTRA

Por tanto tenemos:

9
= = 0,000822 100
10939
= , %

As mismo por tanto, la eficiencia de la informacin es nula y adems negativa, realmente esta
informacin no es eficiente para la toma de decisin por alguna de las alternativas analizadas.
Paso 2. Situacin Problema Costos Unitarios

La empresa AAA Distribuidor quiere determinar los costos unitarios para comercializar un
producto en el mercado, para ello cuanta con la siguiente informacin

Proceso de decisin para la comercializacin de la bicicleta elctrica

Cursos de accin Estados de la naturaleza
Demanda Baja Demanda Media Demanda Alta
Ganancias ($) Ganancias ($) Ganancias ($)
1. A1 10872 34526 91280
2. A2 22145 10879 149975
3. A3 79608 105909 147638

Tomar la Tabla 1 Matriz de Costos y calcular manualmente los criterios de decisin bajo
incertidumbre: Laplace, Wald, Savage y Hurwicz:

METODO LAPLACE
Proceso de decisin para la comercializacin de la bicicleta elctrica
Cursos de accin Estados de la naturaleza Mtodo
Demanda Baja Demanda Demanda Alta LAPLACE
Ganancias ($) Media Ganancias ($)
Ganancias
($)
1. A1 10872 34526 91280 45.104
2. A2 22145 10879 149975 60.390
3. A3 79608 105909 147638 111.040
Probabilidad (P) 1/3 1/3 1/3

1 A1
= 10872 * 0.33 + 34526 *0.33 + 91280*0.33 = 3.588+11.394+30.122 = 45104
2 A2
= 22145* 0.33 + 10879 *0.33 + 149975*0.33 = 7.308+3.590+49.492= 60.390
3 A3
= 79608* 0.33 + 105909 *0.33 + 147638*0.33 = 26.533+35.300+49207= 111.040

CONCLUSION: Por lo tanto el mtodo LAPLACE, arroja que el producto de menor costo de
produccin seria el A3, para comercializar un producto en el mercado.
METODO WALD
Proceso de decisin para la comercializacin de la bicicleta elctrica
Cursos de accin Estados de la naturaleza Mtodo
Demanda Baja Demanda Demanda Alta Wald
Ganancias ($) Media Ganancias ($)
Ganancias
($)
1. A1 10872 34526 91280 10.872
2. A2 22145 10879 149975 10.879
3. A3 79608 105909 147638 79.608

Elegir la alternativa ak tal que sk=max min x

Criterio pesimista o de Wald o maximin: 10.872

Criterio optimista o maximax: 79.608

CONCLUSION: Por lo tanto el mtodo WALD, arroja que el producto de menor y mayor costo
de produccin seria el A3 y A1 en una demanda Baja, lo cual nos muestra que puede haber
otras opciones de mejor beneficio para la Organizacin, al aplicarse mtodos que muestren mejor
anlisis de datos.

METODO SAVAGE

Proceso de decisin para la comercializacin de la bicicleta elctrica

Cursos de Estados de la naturaleza Mtodo
accin Demanda Baja Demanda Media Demanda Alta Savage
Ganancias ($) Ganancias ($) Ganancias ($)
1. A1 10872 34526 91280 58.695
79608- 105909-34526=71383 149975-91280=58695
10872=68736
2. A2 22145 10879 149975 57.463
79608- 105909-10879=95030 149975-149975=0
22145=57463
3. A3 79608 105909 147638 2.337
79608-79608=0 105909-105909=0 149975-147638=2337

CONCLUSION: Por lo tanto el mtodo SAVAGE, arroja que el producto de menor costo de
produccin seria el A3 en una demanda Alta
CRITERIO HURWICZ

En este criterio puede escogerse una situacin intermedia entre el pesimismo y el optimismo, en
donde debe suponerse un determinado grado de optimismo y luego calcular el grado de
pesimismo.
Utilizando la formula q= q=0.5

Cursos de accin Estados de la naturaleza

Demanda Baja Demanda Demanda Alta
Ganancias ($) Media Ganancias ($)
Ganancias
($)
1. A1 10872 34526 91280
2. A2 22145 10879 149975
3. A3 79608 105909 147638

1 = (10872+91280) * 0.5 = 51.076

2 = (10879+149975) * 0.5 = 80.427
3 = (79608+147638) * 0.5 = 113.623

Se escoge el resultado mayor de las distintas alternativas que en este caso es 113.623 y
corresponde a A3.

Comprobacin por el programa WinQSB

Paso 3. Situacin Problema Pagos Esperados.

La empresa AAA Distribuidor quiere determinar los Pagos Esperados para comercializar un
producto en el mercado y ha determinado un posible competidor el cual tiene un Producto B que
tiene unas caractersticas simulares al Producto A que pretende comercializar la empresa AAA
Distribuidor.

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924
2 55642 70057 110101
3 136727 119930 113113
 El estudiante con su grupo de trabajo presentara los clculos manuales del juego de dos
personas y suma cero, adicional deben realizar la comprobacin por software y presentar
los resultados obtenidos

ESTRATEGIAS DOMINADAS

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924
2 55642 70057 110101
3 136727 119930 113113

Para el producto A la estrategia 3 esta dominando en sentidos a la estrategia 2 por lo tanto

eliminamos los pagos de esa estrategia
Porque: 136727> 55642, 119930> 70057 y 113113 > 110101

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924

3 136727 119930 113113

El producto B minimiza perdidas, por lo tanto elimina la estrategia 2 (dominante) ya que con
esta obtendr mayores prdid

Matriz de Pagos (3*3):

Producto B
Producto A 1 3
1 89304 73924

3 136727 113113

El producto A elimina la estrategia 1 que es dominada por la estrategia 3 (la estrategia 1

representa menos ganancia)

Matriz de Pagos (3*3):

 Producto B
Producto A 1 3

3 136727 113113

Por ltimo el producto B elimina la estrategia 3 (dominante) ya que con esta obtendr mayores
prdidas

Matriz de Pagos (3*3):

Producto B
Producto A 1

3 136727

Por lo tanto el valor de juego es igual a 136727 el cual representa la ganancia para el Producto
A y la perdida para el producto B.

SUMA CERO

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924
2 55642 70057 110101
3 136727 119930 113113
Para el producto A se elige el valor mnimo de cada fila y para el producto B se elige el valor
mximo de cada columna.

Matriz de Pagos (3*3):

Producto B
Producto A 1 2 3
1 89304 124444 73924 73924
2 55642 70057 110101 55642
3 136727 119930 113113 Maximin
113113
Minimax
136727 124444 113113
El producto A elige el valor mayor entre los valores mnimos (Maximin) = 113113

El producto B elige el valor mnimo entre los valores mayores (Minimax) = 113113

Como los valores son iguales existe punto de silla, por lo tanto se pude concluir que el juego es
justo o la solucin es estable.

Resultados obtenidos con el software WinQSB

Paso 4. Patrones de Consumo

La empresa AAA Distribuidor quiere determinar los Patrones de consumo de 4 marcas del
producto que quiere comercializar. Para se pretende encontrar las probabilidades de transicin
hasta el periodo 5 y las probabilidades de estado estable mediante la aplicacin del Proceso de
Decisin de Markov de etapa finita

Tabla 6 Patrones de consumo del producto

Probabilidades de Marca A Marca B Marca C Marca D Probabilidades
transaccin iniciales
Marca A 0,3664 0,1780 0,2648 0,3219 0,8908
Marca B 0,2008 0,1776 0,1569 0,2284 0,0208
Marca C 0,3379 0,3135 0,2587 0,3566 0,0700
Marca D 0,0949 0,3309 0,3196 0,0931 0,0185
1 1 1 1 1

El estudiante con su grupo de trabajo presentara los clculos manuales del de los patrones de
consumo, adicional deben realizar la comprobacin por software y presentar los resultados
obtenidos.

Tabla 6 Patrones de consumo del producto

Prababilidades Probabilidades
Marca A Marca B Marca C Marca D
de transicin iniciales
Marca A 0,366 0,178 0,265 0,322 0,8908
Marca B 0,201 0,178 0,157 0,228 0,0208
Marca C 0,338 0,314 0,259 0,357 0,0700
Marca D 0,095 0,331 0,320 0,093 0,0185
1,000 1,000 1,000 1,000 1,0000
 PARTICIPACIONES PROBABLES DE MERCADO PERIODO 1
Prababilidades Probabilidades
Marca A Marca B Marca C Marca D
de transicin iniciales
Marca A 0,326 0,004 0,019 0,006 0,3546
Marca B 0,179 0,004 0,011 0,004 0,1978
Marca C 0,301 0,007 0,018 0,007 0,3322
Marca D 0,085 0,007 0,022 0,002 0,1155

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 2

Probabilidades Probabilidades
Marca A Marca B Marca C Marca D
de transicin iniciales
Marca A 0,130 0,035 0,088 0,037 0,2903
Marca B 0,071 0,035 0,052 0,026 0,1848
Marca C 0,120 0,062 0,086 0,041 0,3090
Marca D 0,034 0,065 0,106 0,011 0,2160

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 3

Probabilidades Probabilidades
Marca A Marca B Marca C Marca D
de transicin iniciales
Marca A 0,106 0,033 0,082 0,070 0,2906
Marca B 0,058 0,033 0,048 0,049 0,1889
Marca C 0,098 0,058 0,080 0,077 0,3130
Marca D 0,028 0,061 0,099 0,020 0,2076

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 4

Probabilidades Probabilidades
Marca A Marca B Marca C Marca D
de transicin iniciales
Marca A 0,106 0,034 0,083 0,067 0,2898
Marca B 0,058 0,034 0,049 0,047 0,1884
Marca C 0,098 0,059 0,081 0,074 0,3124
Marca D 0,028 0,063 0,100 0,019 0,2095

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 5

Probabilidades Probabilidades
Marca A Marca B Marca C Marca D
de transicin iniciales
 Marca A 0,106 0,034 0,083 0,067 0,2899
Marca B 0,058 0,033 0,049 0,048 0,1885
Marca C 0,098 0,059 0,081 0,075 0,3125
Marca D 0,028 0,062 0,100 0,020 0,2092

Con el clculo de la cadena de Markov podemos verificar las aproximaciones o previsiones controlando
las posibilidades de consumo de los productos de las marcas A, B, C, D, permitiendo ver la estabilidad
futura y analizar una evolucin mucho ms realista en cuanto al consumo de los productos analizados
hasta el periodo 5, permitiendo ver el aumento o disminucin de consumo as como la variabilidad
cuantitativa de cada producto con el fin de generar estrategias que permitan hacer frente a los cambios
venideros para la empresa AAA Distribuidor, en cuanto a la proyeccin de la demanda.

Pantallazos WINQSB

PERIODO 1

PERIODO 2
PERIODO 3

PERIODO 4
PERIODO 5
 CONCLUSIONES

El desarrollo de la actividad permite reforzar los conocimientos adquiridos en el estudio

de las unidades del curso por medio del desarrollo de ejercicios en concreto.

Las cadenas de markov se basa en que la probabilidad de que ocurra un evento depende
del evento inmediato anterior.

Se adquirieron conocimientos para el desempeo como Ingenieros con capacidad para la

solucin a problemticas que se presenten.

Poder tener ms herramientas y conocimientos para poder en un futuro tener poder

decisin ante problemas o situaciones complejas de los temas que se llegasen a presentar
en nuestro campo profesional.

Poder conocer a fondo la temtica que maneja la unidad n 2 del curso deteora de
decisiones.

Saber cmo involucrar metodologas nuevas para poder analizar de forma critico una idea
o producto, as como conocer y poner en practica conceptos y habilidades de
investigacin.
 REFERENCIAS BIBLIOGRAFICAS

TAHA, Hamdy A. (1995). Investigacin de operaciones. Mxico. Editorial Alfaomega. 5

ediciones.

EPPEN, Gould y Schimidt. (1999). Investigacin de operaciones en las Ciencias de

Ingeniera. Bogot d.c. Editorial Prentice may. 3 ediciones

GALLAGHER, Watson. (2005). Mtodos Cuantitativos para la Toma de decisiones.

Bogot d.c. Editorial McGraw Hill

SHAMBLIN, James. (2006).Investigacin de Operaciones. Mxico. Ed. limusa.

KAUFMANN, A. Faure R. (2005).Invitacin a la investigacin de operaciones. Mxico.

CECSA. 7 edicin.

MARTHUR Y SOLOW.(2003). Investigacin de Operaciones. Bogot d.c. Editorial

Prentice Hall.

SASIENI, Yaspan. (2001). Investigacin de operaciones.