Equip4's Blog

3.1 CARACTERÍSTICAS GENERALES DE LA TEORÍA DE

DECISIONES
equip4

8 años ago
Anuncios

La teoría de decisiones puede definirse como el análisis lógico y cuantitativo de

todos los factores que afectan los resultados de una decisión en un mundo incierto.

La toma de decisión es también un proceso durante el cual la persona debe escoger

entre dos o más alternativas. Todos y cada uno de nosotros pasamos los días y las
horas de nuestra vida teniendo que tomar decisiones. Algunas decisiones tienen una
importancia relativa en el desarrollo de nuestra vida, mientras otras son gravitantes
en ella.

En los administradores, el proceso de toma de decisión es sin duda una de las

mayores responsabilidades.

La toma de decisiones en una organización se circunscribe a una serie de personas

que están apoyando el mismo proyecto. Debemos empezar por hacer una selección
de decisiones, y esta selección es una de las tareas de gran trascendencia.

Con frecuencia se dice que las decisiones son algo así como el motor de los negocios
y en efecto, de la adecuada selección de alternativas depende en gran parte el éxito
de cualquier organización.

Los administradores consideran a veces la toma de decisiones como su trabajo

principal, porque constantemente tienen que decidir lo que debe hacerse, quién ha
de hacerlo, cuándo y dónde, y en ocasiones hasta cómo se hará. Sin embargo, la toma
de decisiones sólo es un paso de la planeación, incluso cuando se hace con rapidez
y dedicándole poca atención o cuando influye sobre la acción sólo durante unos
minutos.

Modelos de criterios de decisión.

Certeza: Sabemos con seguridad cuáles son los efectos de las acciones.

Riesgo: No sabemos qué ocurrirá tomando determinadas decisiones, pero sí

sabemos qué puede ocurrir y cuál es la probabilidad de ello.

Incertidumbre estructurada: No sabemos qué ocurrirá tomando determinadas

decisiones, pero sí sabemos qué puede ocurrir de entre varias posibilidades.

Incertidumbre no estructurada: En este caso no sabemos qué puede ocurrir ni

tampoco qué probabilidades hay para cada posibilidad. Es cuando no tenemos ni
idea qué puede pasar.
 Las Funciones Administrativas De La Toma De Decisiones.

La toma de decisiones en una organización invade cuatro funciones administrativas

que son: planeación, organización, dirección y control.

Funciones administrativa dentro de la organización al tomar decisiones:

Planeación: Procedimientos

 Presupuestos
 Programas
 Políticas
 Estrategias
 Objetivos
 Propósitos

Organización: División del trabajo Descripción de Funciones

 Departamentalización
 Jerarquización

Dirección o ejecución: Supervisión

 Comunicación
 Motivación
 Integración

Control: Retroalimentación

 Corrección
 Medición

Importancia De La Toma De Decisiones.

En el momento de tomar una decisión es importante ya que por medio de esta

podemos estudiar un problema o situación que es valorado y considerado
profundamente para elegir el mejor camino a seguir según las diferentes alternativas
y operaciones.

También es de vital importancia para la administración ya que contribuye a mantener

la armonía y coherencia del grupo, y por ende su eficiencia.

En la Toma de Decisiones, podemos considerar un problema y llegar a una

conclusión válida, significa que se han examinado todas las alternativas y que la
elección ha sido correcta. Uno de los enfoques más competitivos de investigación y
análisis para la toma de las decisiones es la investigación de operaciones. Puesto que
esta es una herramienta importante para la administración de la producción y las
operaciones.
La toma de decisiones, se considera como parte importante del proceso de
planeación cuando ya se conoce una oportunidad y una meta, el núcleo de la
planeación es realmente el proceso de decisión, por lo tanto dentro de este contexto
el proceso que conduce a tomar una decisión se podría visualizar de la siguiente
manera:

v Elaboración de premisas.

v Identificación de alternativas.

v Evaluación alternativa en términos de la meta deseada.

v Elección de una alternativa, es decir, tomar una decisión.

Componentes De La Decisión

La técnica de tomar decisiones en un problema está basada en cinco componentes

primordiales:

Información:

Estas se recogen tanto para los aspectos que están a favor como en contra del
problema, con el fin de definir sus limitaciones.

Conocimientos:

Si quien toma la decisión tiene conocimientos, ya sea de las circunstancias que

rodean el problema o de una situación similar, entonces estos pueden utilizarse para
seleccionar un curso de acción favorable.

Experiencia:

Cuando un individuo soluciona un problema en forma particular, ya sea con

resultados buenos o malos, esta experiencia le proporciona información para la
solución del próximo problema similar.

Análisis:

No puede hablarse de un método en particular para analizar un problema, debe existir

un complemento, pero no un reemplazo de los otros ingredientes. En ausencia de un
método para analizar matemáticamente un problema es posible estudiarlo con otros
métodos diferentes. Si estos otros métodos también fallan, entonces debe confiarse
en la intuición.

Juicio:

El juicio es necesario para combinar la información, los conocimientos, la

experiencia y el análisis, con el fin de seleccionar el curso de acción apropiado. No
existen substitutos para el buen juicio.
Anuncios

Categorías: Uncategorized
 Dejar un comentario

Equip4's Blog

Blog de WordPress.com.
Vuelta arriba
Anuncios

Equip4's Blog

3.2 CRITERIOS DE DECISIÓN DETERMINISTICOS Y

PROBABILÍSTICAS
equip4

8 años ago
Anuncios

Modelos Probabilísticos: De los Datos a un Conocimiento Decisivo

El conocimiento es lo que sabemos. La información es la comunicación de

conocimientos. En cada intercambio de conocimientos, hay un remitente y un
receptor. El remitente hace común lo que es privado, hace la información, la
comunicación. La información se puede clasificar como formas explícitas y tácitas.
La información explícita se puede explicar de forma estructurada, mientras que la
información tácita es inconsistente e imprecisa de explicar.

Los datos son conocidos como información cruda y no como conocimientos en sí.
La secuencia que va desde los datos hasta el conocimiento es (observe el siguiente
cuadro): de los Datos (Data) a la Información (Information), de la Información
(Information) a los Hechos (Facts), y finalmente, de los Hechos (Facts) al
Conocimiento (Knowledge). Los datos se convierten en información, cuando se
hacen relevantes para la toma de decisión a un problema. La información se
convierte en hecho, cuando es respaldada por los datos. Los hechos son lo que los
datos revelan. Sin embargo el conocimiento instrumental es expresado junto con un
cierto grado estadístico de confianza

Modelos Probabilísticos: De los Datos a un Conocimiento Decisivo

El conocimiento es lo que sabemos. La información es la comunicación de conocimientos.

En cada intercambio de conocimientos, hay un remitente y un receptor. El remitente hace
común lo que es privado, hace la información, la comunicación. La información se puede
clasificar como formas explícitas y tácitas. La información explícita se puede explicar de
forma estructurada, mientras que la información tácita es inconsistente e imprecisa de
explicar.

Los datos son conocidos como información cruda y no como conocimientos en sí.
La secuencia que va desde los datos hasta el conocimiento es (observe el siguiente
cuadro): de los Datos (Data) a la Información (Information), de la Información
 (Information) a los Hechos (Facts), y finalmente, de los Hechos (Facts) al
Conocimiento (Knowledge). Los datos se convierten en información, cuando se
hacen relevantes para la toma de decisión a un problema. La información se
convierte en hecho, cuando es respaldada por los datos. Los hechos son lo que los
datos revelan. Sin embargo el conocimiento instrumental es expresado junto con un
cierto grado estadístico de confianza

Proceso de Toma de Decisiones Estadísticas

A diferencia de los procesos de toma de decisiones determinísticas tal como,

optimización lineal resuelto mediante sistema de ecuaciones, sistemas paramétricos
de ecuaciones y en la toma de decisión bajo pura incertidumbre, las variables son
normalmente más numerosos y por lo tanto más difíciles de medir y controlar. Sin
embargo, los pasos para resolverlos son los mismos. Estos son:

1. Simplificar
2. Construir un modelo de decisión
3. Probar el modelo
4. Usando el modelo para encontrar soluciones:

 El modelo es una representación simplificada de la situación real

 No necesita estar completo o exacto en todas las relaciones
 Se concentra en las relaciones fundamentales e ignora las irrelevantes.
 Este es entendido con mayor facilidad que un suceso empírico (observado), por lo tanto
permite que el problema sea resuelto con mayor facilidad y con un mínimo de esfuerzo
y pérdida de tiempo.

Análisis de Decisiones: Tomando Decisiones Justificables y Defendibles

Proceso de Toma de Decisiones Estadísticas

A diferencia de los procesos de toma de decisiones determinísticas tal como, optimización

lineal resuelto mediante sistema de ecuaciones, sistemas paramétricos de ecuaciones y en
la toma de decisión bajo pura incertidumbre, las variables son normalmente más
numerosos y por lo tanto más difíciles de medir y controlar. Sin embargo, los pasos para
resolverlos son los mismos. Estos son:

1. Simplificar
2. Construir un modelo de decisión
3. Probar el modelo
4. Usando el modelo para encontrar soluciones:
El modelo es una representación simplificada
de la situación real
No necesita estar completo o exacto en todas
las relaciones
Se concentra en las relaciones fundamentales
e ignora las irrelevantes.
Este es entendido con mayor facilidad que un
suceso empírico (observado), por lo tanto permite que el problema sea
resuelto con mayor facilidad y con un mínimo de esfuerzo y pérdida de
tiempo.
 El modelo puede ser usado repetidas veces para problemas similares, y además
puede ser ajustado y modificado

El análisis de decisiones es la disciplina que consiste en evaluar alternativas

complejas en términos de valores (habitualmente en $ porque es lo que a los gerentes
les importa) y de incertidumbre (lo que no conocemos). El análisis de decisiones
brinda información sobre las diferencias entre las alternativas definidas, y genera
sugerencias de nuevas y mejores alternativas. Usamos números para cuantificar
valores e incertidumbres subjetivas, lo cual nos permite comprender la situación de
decisión. Los resultados numéricos deben reconvertirse para generar información
cualitativa.

Los seres humanos pueden comprender, comparar y manipular números. Por lo

tanto, para crear un modelo de análisis de decisiones es necesario crear la estructura
del modelo y asignar las probabilidades y los valores para poblar el modelo de
computación. Aquí se incluyen los valores para las probabilidades, las funciones de
valor para evaluar alternativas, las ponderaciones de valor para medir la concesión
que se debe hacer entre los objetivos, y la preferencia de riesgo.
Anuncios

Categorías: Uncategorized

Dejar un comentario

Equip4's Blog

Blog de WordPress.com.
Vuelta arriba
Anuncios

Modelo Deterministico y Probabilistico

1.
OCT

8
 ESTADÍSTICAS Y PROBABILIDADES

Modelos Deterministicos y
Probabilisticos

Daniel Barrera
18.004.709

Caracas, 5 de Octubre de 2016

INTRODUCCIÓN
La toma de decisiones es el proceso mediante el cual se realiza una elección entre las
opciones o formas para resolver diferentes situaciones de la vida en diferentes contextos:
a nivel laboral, familiar, personal, sentimental o empresarial (utilizando metodologías
cuantitativas que brinda la administración). La toma de decisiones consiste, básicamente,
en elegir una opción entre las disponibles, a los efectos de resolver un problema actual o
potencial (aun cuando no se evidencie un conflicto latente).

MODELO DETERMISTICO
Un modelo determinista es un modelo matemático donde las mismas entradas o
condiciones iniciales producirán invariablemente las mismas salidas o resultados, no
contemplándose la existencia de azar, o incertidumbre en el proceso modelada mediante
dicho modelo.
Está estrechamente relacionado con la creación de entornos simulados a través de
simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión
que permitan disminuir la propagación de errores. Los modelos deterministas sólo pueden
ser adecuados para sistemas deterministas no caóticos, para sistemas azarosos (no-
determinista) y caóticos (determinista inpredictible a largo plazo) los modelos
deterministas no pueden predecir adecuadamente la mayor parte de sus características.
La inclusión de mayor complejidad en las relaciones con una cantidad mayor de variables
y elementos ajenos al modelo determinista hará posible que éste se aproxime a un modelo
probabilístico o de enfoque estocástico.
Por ejemplo, la planificación de una línea de producción, en cualquier proceso industrial,
es posible realizarla con la implementación de un sistema de gestión de procesos que
incluya un modelo determinista en el cual estén cuantificadas las materias primas,
la mano de obra, los tiempos de producción y los productos finales asociados a cada
proceso.
Un conjunto de ecuaciones diferenciales de un sistema físico macroscópico constituye un
modelo determinista que puede predecir la evolución determinista en el tiempo de un
buen número de magnitudes características del sistema.
 MODELO PROBABILISTICO
Un modelo es estocástico cuando al menos una variable del mismo es tomada como un
dato al azar y las relaciones entre variables se toman por medio de funciones
probabilísticas. Sirven por lo general para realizar grandes series de muestreos, quitan
mucho tiempo en el computador son muy utilizados en investigaciones científicas. Para
lograr modelar correctamente un proceso estocástico es necesario comprender numerosos
conceptos de probabilidad y estadística.
Dentro del conjunto de procesos estocásticos se encuentran, por ejemplo, el tiempo de
funcionamiento de una máquina entre avería y avería, su tiempo de reparación y el tiempo
que necesita un operador humano para realizar una determinada operación.
Modelo probabilístico es la forma que pueden tomar un conjunto de datos obtenidos
de muestreos de datos con comportamiento que se supone aleatorio.

Es un tipo de modelo matemático que usa la probabilidad, y que incluye un conjunto de

asunciones sobre la generación de algunos datos muéstrales, de tal manera que asemejen
a los datos de una población mayor.

Las asunciones o hipótesis de un modelo estadístico describen un conjunto de distribuciones

de probabilidad, que son capaces de aproximar de manera adecuada un conjunto de datos.
Las distribuciones de probabilidad inherentes de los modelos estadísticos son lo que
distinguen a los modelos de otros modelos matemáticos deterministas.

Un modelo estadístico queda especificada por un conjunto de ecuaciones que relacionan

diversas variables aleatorias, y en las que pueden aparecer otras variables no aleatorias.
Como tal "un modelo es una representación formal de una teoría"1

Todos los test de hipótesis estadísticas y todos los estimadores estadísticos proceden de
modelos estadísticos. De hecho, los modelos estadísticos son una parte fundamentalmente
de la inferencia estadística.
 LAS DECISIONES EN EL CONTEXTO EMPRESARIAL
La toma de decisiones es una parte importante de la labor del gerente. Sin embargo, cuando
un gerente toma una decisión o cuando el coste de buscar y evaluar las alternativas es bajo,
el modelo racional proporciona una descripción moderadamente precisa del proceso de
decisión. En el ámbito organizacional, las mayorías de las decisiones significativas se
realizan mediante el juicio, más que por un modelo prescriptivo definido.

En las organizaciones en general y en las empresas en particular suele existir una jerarquía
que determina el tipo de acciones que se realizan dentro de ella y, en consecuencia, el tipo
de decisiones que se deben tomar, la Ciencia administrativa divide a la empresa en 3 niveles
jerárquicos:

Nivel estratégico.- Alta dirección; planificación global de toda la empresa.

Nivel táctico.- Planificación de los subsistemas empresariales.
Nivel operativo.- Desarrollo de operaciones cotidianas (diarias/rutinarias).

Conforme se sube en la jerarquía de una organización, la capacidad para tomar decisiones

no programadas o no estructuradas adquiere más importancia, ya que son este tipo de
decisiones las que atañen a esos niveles. Por tanto, la mayor parte de los programas para
el desarrollo de gerentes pretenden mejorar sus habilidades para tomar decisiones no
programadas, por regla general enseñándoles a analizar los problemas en forma sistemática
y a tomar decisiones lógicas.
A medida que se baja en esta jerarquía, las tareas que se desempeñan son cada vez más
rutinarias, por lo que las decisiones en estos niveles serán más estructuradas
(programadas).
Adicionalmente, una organización también estará dividida en varias secciones funcionales,
son varias las propuestas de división que se han planteado para una empresa de forma
genérica, aunque la más aceptada es la que considera los siguientes departamentos o
unidades funcionales:
Dirección, Marketing, Producción, Finanzas, Recursos humanos.
Las decisiones también serán diferentes, en función de en qué unidad funcional o
departamento tengan lugar.

Para adoptar algunos tipos de decisiones se suelen utilizar modelos. Estos se pueden definir
como una representación simplificada de una parte de la realidad, y ello porque en muchos
casos la realidad es tan compleja que, para comprenderla hay que simplificarla tomando de
ella los aspectos que resultan más relevantes para el análisis de que se trate y no teniendo
en cuenta los que resultan accesorios. El principal objetivo de un modelo es permitir una
mejor comprensión y descripción de la parte de la realidad que representa. Esa mejor
comprensión de la realidad permite tomar mejores decisiones. Los modelos se pueden
clasificar atendiendo a numerosos criterios entre ellos: Modelos deterministas y
probabilísticos. En los modelos deterministas se suponen conocidos con certeza todos los
datos de la realidad que representan. Si uno o varios datos se conocen sólo en términos de
probabilidades, el modelo se denomina probabilístico, aleatorio o estocástico.

La última prueba de un modelo es si es útil o no al proporcionar un entendimiento de la

situación real, además es conveniente que el modelo tenga algún potencial de
predicciones para que las decisiones concernientes a futuros casos puedan hacerse con
predicción relativamente clara.
Un modelo determinístico es un enunciado expresado como ecuaciones de relaciones
entre las variables y constantes asociadas con un problema.
Un modelo determinístico predecirá los resultados exactos bajo ciertos hechos y
suposiciones. Por ejemplo la ecuación de una línea Y= a+bx es un modelo matemático
determinístico que puede bien aplicarse a la proyección lineal de predicciones, las
intersecciones de parámetros en programación lineal y la intersección del costo total y el
ingreso total en el análisis del punto de equilibrio.
Un modelo probabilístico es un enunciado de las relaciones entre variables y constantes
a las que se asocia probabilidades estadísticas, dicho de otra manera hay incertidumbre.
Varios factores afectan la toma de decisiones en la producción después de que se han
desarrollado cursos de acción alternativos entre los cuales se encuentran los siguientes:
Predicciones de resultados esperados de los cursos de acción alternativos.
Probabilidades de estos resultados esperados.
Sistemas de valor para sopesar los cursos de acción alternativos.
Objetivos de la empresa.
Parámetros que afectan la aplicación de los cursos de acción alternativos.
 CONCLUSIONES
El análisis probabilístico es muy útil para la gestión de riesgos en países en desarrollo,
donde la información, recursos y la especialización técnica es escasa. Actualmente, la
mayoría de las agencias regulatorias en el mundo recomiendan el uso de los enfoques
determinísticos para el análisis de los problemas relacionados con la toma de decisiones.

Sin embargo, este enfoque no incorpora la incertidumbre en las variables, ni su

propagación a través de los distintos procesos en que intervienen. Con ello se reduce
arbitrariamente la complejidad del problema y se desaprovecha información valiosa para
la definición de políticas realistas.
Publicado 8th October 2016 por Daniel Alejandro Barrera Silvera

1
Ver comentarios

Cargando
Equip4's Blog

3.3 VALOR DE LA INFORMACIÓN PERFECTA

equip4
 8 años ago
Anuncios

El valor de la información perfecta es la cantidad en la que se podría mejorar el rédito

esperado si la persona supiera de antemano cuál es el evento que va a ocurrir.

Dicho valor se calcula mediante el siguiente procedimiento:

1- Identificar el mejor rédito para cada evento (si es ganancia, se elije el número más
alto; si es costo, tómese el menor número)

2- Calcular el valor esperado de esos mejores réditos multiplicando el mejor rédito

para cada evento por la probabilidad de que ese evento ocurra.

3- Restar del valor esperado del rédito obtenido sin información perfecta del valor
esperado del rédito obtenido con información perfecta. Esta diferencia es el valor de
la información perfecta
Anuncios

Categorías: Uncategorized

Dejar un comentario

Equip4's Blog

Blog de WordPress.com.
Vuelta arriba
Anuncios

Síguenos

 Últimas noticias
 Economía
 Empresas
 Finanzas Personales
 Autores
 Video
Árbol de decisión, una herramienta para
decidir bien
Existen problemáticas en las empresas donde la única opción es
poner sobre la mesa toda alternativa posible para solucionarlo. El
árbol te ayuda a lograrlo.

Por: Alto Nivel01-07-2013

En las empresas todo el tiempo se toman decisiones, la gran mayoría

bajo una estrategia que tome en cuenta la complejidad de las
situaciones. Para facilitarlo, los expertos han creado metodologías que
les permitan tomar el camino más adecuado, en beneficio de su
organización y su personal. Una de ellas es el árbol de decisiones.
William T. Greenwood, autor del libro“Teoría de decisiones y
sistemas de información”, explica que la toma de decisiones
básicamente es una resolución de problemas, y como tal, se debe
buscar la mejor alternativa, aplicar un diagnóstico adecuado y realizar
una búsqueda minuciosa, para elegir la mejor alternativa basados en
un proceso de ramificación. Este proceso de ramificación es el árbol
de decisiones que permite estimar alternativas ante la solución de
problemas.

De
acuerdo con los expertos, el árbol de decisiones puede
ayudarte a encontrar la
mejor respuesta, de la mejor forma y bajo el mejor
presupuesto.

Su metodología se basa en separar estimados, desde consecuencias

hasta costos y las empresas suelen utilizar este diagrama para
determinar políticas empresariales o como herramienta para la
solución de problemas por parte de los empleados.

Su objetivo es emplear distintos panoramas y poder seleccionar uno

bajo números y propuestas objetivas, evitando la combinación de
emociones. ¿Cómo?

Características de un árbol de decisión

• Plantea el problema desde distintas perspectivas de acción.
• Permite analizar de manera completa todas las posibles soluciones.
• Provee de un esquema para cuantificar el costo del resultado y su
probabilidad de uso.
• Ayuda a realizar las mejores decisiones con base a la información
existente y a las mejores suposiciones.
• Su estructura permite analizar las alternativas, los eventos, las
probabilidades y los resultados.

Cómo hacer un árbol de decisión

Es muy sencillo, se llama árbol de decisión porque se busca generar
cuáles son las alternativas – sean buenas o malas- de cada factor a
evaluar. ¡Pon atención!
Paso 1. Identifica todas las variables del problema
central
Una vez que sepas cuál es tu problemática, comienza a enumerar
todos los factores que la componen. Por ejemplo: La contratación de
un nuevo proveedor. Enlista: costos, trámites, tiempo de llegada del
producto, daños mercancía, fechas de pago, etc.

Paso 2. Priorizar
Es importante comenzar a limitar tus criterios de decisión, es por ello
que de la lista anterior separes cuáles son aquellos factores que son
primordiales para tu empresa. Si de la lista de 15, puedes limitarlo a 7,
quiere decir que estos criterios con mayor relevancia.

Paso 3. Identifica la importancia de los criterios

Se trata de buscar y enumerar qué de estos siete criterios son más
importantes, enumera. Por ejemplo: en el cambio de proveedor. El
costo estaría como número uno, en segundo lugar el tiempo de
llegada del producto, en tercero los trámites, y así sucesivamente.

Paso 4. Comienza a ver variables

Cada uno de estos factores debe contar con fortalezas o debilidades,
asegúrate de comenzar la ramificación apartando tres o cuatro
alternativas para cada criterio. Lo que buscamos es generar supuestos
de manera objetiva, si de los criterios salieron cuatro ramificaciones y
de esas cuatro salieron 12 más, esto te ayudará a profundizar en lo
más conveniente. Pon atención en este ejemplo donde se evalúa el
costo beneficio de proveedores.
Nota. Si el resultado es incierto, identifícalo con un pequeño círculo, si el resultado
es otra decisión, identifícalo con un cuadro más. Lo importante de esto, es crear tu
propio lenguaje de análisis e identificación, de esta forma será más sencillo
analizarlo y mostrar los resultados.
Paso 5. Selecciona una alternativa
Analiza cuál es la opción más conveniente de acuerdo al árbol de
decisiones, siempre toma en cuenta la importancia de los criterios y
cada una de sus alternativas.

Paso 6. Implementa la alternativa

Recuerda, realizar un análisis es muy distinto a implementar
soluciones, cuida que se siga paso a paso cada detalle, una pequeña
falla podría dar resultados no deseados y esto perjudicaría todo el
proceso de selección.
 Paso 7. Evalúa la efectividad de la decisión
Siempre es bueno saber qué se hizo bien y qué se hizo mal, analiza
con tu equipo cada paso en la evaluación de alternativas, esto ayudará
a mejorar tomas de decisiones a futuro.

¿Has aplicado árboles de decisiones en tu empresa? ¿Cuál fue tu

experiencia? ¿Lo recomiendas?

VER EN VERSIÓN NORMAL DEL SITIO

Equip4's Blog

3.5. TEORÍA DE LA UTILIDAD

equip4

8 años ago
Anuncios

La teoría de la utilidad trata de explicar el comportamiento del consumidor. Desde

esta perspectiva se dice que la utilidad es la aptitud de un bien para satisfacer las
necesidades. Así un bien es más útil en la medida que satisfaga mejor una necesidad.
Esta utilidad es cualitativa (las cualidades reales o aparentes de los bienes), es
espacial (el objeto debe encontrarse al alcance del individuo) y temporal (se refiere
al momento en que se satisface la necesidad).

Esta teoría parte de varios supuestos:

El ingreso del consumidor por unidad de tiempo es limitado.

Las características del bien determinan su utilidad y por tanto

afectan las decisiones del consumidor.

El consumidor busca maximizar su satisfacción total (utilidad total),

y por tanto gasta todo su ingreso.

El consumidor posee información perfecta, es decir, conoce los

bienes (sus características y precios).

El consumidor es racional, esto quiere decir que busca lograr sus
objetivos, en este caso trata de alcanzar la mayor satisfacción posible. Esto
quiere decir que el consumidor es capaz de determinar sus preferencias y ser
consistente en relación con sus preferencias. Así, si el consumidor prefiere
el bien A sobre el bien B y prefiere el bien B sobre el bien C, entonces
preferirá el bien A sobre el bien C (transitividad).

La teoría económica del comportamiento del consumidor se topa con un problema

importante (llamado el problema central de la teoría del consumidor), el cual es la
 imposibilidad de cuantificar el grado de satisfacción o utilidad que el consumidor
obtiene de los bienes. No existe una unidad de medida objetiva de la satisfacción.
Este problema se ha enfrentado a través de dos enfoques distintos:

Enfoque cardinal: Supone que si es posible medir la utilidad, o sea

que si se dispone de una unidad de medida de la satisfacción.

Enfoque ordinal: En este enfoque el consumidor no mide la utilidad,

sólo establece combinaciones de bienes que prefiere o le son indiferentes con
respecto a otras combinaciones de bienes.
Anuncios

Categorías: Uncategorized

Dejar un comentario

Equip4's Blog

Blog de WordPress.com.
Vuelta arriba
Anuncios

blogspot.com
Menu

Investigación de Operaciones 1 (IND-

331)
El objetivo del presente blog es proporcionar a los estudiantes de la carrera de
Ingeniería Industrial, ramas afines y demás interesados, diferentes materiales e
informaciones que faciliten la comprensión de los diversos temas que se abarcan en el
programa de esta asignatura.

Análisis de Sensibilidad
El análisis de sensibilidad busca determinar los efectos que se producen en
la solución óptima al realizar cambios en cualquiera de los parámetros del modelo
de programación lineal planteado inicialmente. Entre los cambios que se
investigan están: los cambios en los coeficientes de las variables en la función objetivo
tanto para variables básicas como para las variables no básicas, cambios en los
recursos disponibles de las restricciones, variación de los coeficientes de utilización en
las restricciones e introducción de una nueva restricción.
El objetivo principal del análisis de sensibilidad es identificar el intervalo permisible
de variación en los cuales las variables o parámetros pueden fluctuar sin que cambie
la solución optima. Sin embargo, así mismo se identifica aquellos parámetros
sensibles, es decir, los parámetros cuyos valores no pueden cambiar sin que cambie
la solución óptima. Los investigadores de operaciones tienden a prestar
bastante atención a aquellos parámetros con holguras reducidas en cuanto a los
cambios que pueden presentar, de forma que se vigile su comportamiento para realizar
los ajustes adecuados según corresponda y evitar que estas fluctuaciones pueden
desembocar en una solución no factible.

A modo general, cuando se realiza un análisis de sensibilidad a una solución óptima se

debe verificar cada parámetro de forma individual, dígase los coeficientes de
la función objetivo y los limites de cada una de las restricciones. En ese sentido se
plantea el siguiente procedimiento:

1. Revisión del modelo: se realizan los cambios que se desean investigar en el

modelo.
2. Revisión de la tabla final Símplex: se aplica el criterio adecuado para determinar
los cambios que resultan en la tabla final Símplex.
3. Conversión a la forma apropiada de eliminación Gauss: se convierta la tabla en
la forma apropiada para identificar y evaluar la solución básica actual, para lo
cual se aplica la metodología de eliminación Gauss si es necesario.
4. Prueba de factibilidad: se prueba la factibilidad de esta solución mediante
la verificación de que todas las variables básicas de la columna del lado derecho
aun tengan valores no negativos.
5. Prueba de optimalidad: se verifica si esta solución es optima y factible, mediante
la comprobación de que todos lo coeficientes de las variables
no básicas del reglón Z permanecen no negativos.
6. Reoptimización: si esta solución no pasa una de las pruebas indicadas en los
puntos 4 y 5 anteriores, se procede a buscar la nueva solución optima a partir de
la tabla actual como tabla Símplex inicial, luego de aplicadas las conversiones
de lugar, ya sea con el método Símplex o el Símplex Dual.

Utilizando la herramienta Solver Excel se puede obtener un reporte del analisis de

sensibilidad, para los fines se selecciona el problema 4.6-4 del libro de texto.
A continuación se presenta el modelo planteado con la solución óptima encontrada.

El primer reporte que se genera corresponde al reporte de repuesta, en el cual se

plantea la solución óptima encontrada.
El reporte de sensibilidad que se genera presenta el siguiente formato, el mismo se
puede visualizar a continuación.

El tercer reporte que Solver Excel permite generar es el correspondiente a los limites,
en el formato presentado.

Este ejemplo, está disponible para descargar en la página Solver Excel de este blog.

Página principal

Ver versión web

Datos personales

Ing. Wilson K. Casado

Ingeniería Industrial (UASD - 2004); Maestría en Gerencia y Productividad (APEC - 2010)
Profesor de ingeniería industrial en la Universidad Autónoma de Santo Domingo (UASD).
Cátedras: Operaciones y Procesos, y Planificación y Gerencia.

Ver todo mi perfil

Con la tecnología de Blogger.

Página principalAntecedentes IOProgramación LinealMétodo SímplexAnálisis de

SensibilidadMétodo de TransporteSolver ExcelTORA IOProgramación Entera

analisis de sensibilidad

1.
JUL

17

ANÁLISIS DE SENSIBILIDAD

CONCEPTO DE ANÁLISIS DE SENSIBILIDAD:

Análisis de Sensibilidad, llamado también Análisis de Post-optimización, es una de
las partes más importantes en la programación lineal, es utilizada para tomar en
consideración los cambios que pueden ocurrir en los elementos componentes del modelo
que consiste en determinar que tan sensible es la respuesta óptima del método simplex, al
cambio de algunos datos como las ganancias o costos unitarios (coeficientes de la función
objetivo) o la disponibilidad de los recursos (términos independientes de las restricciones),
que se refieren a permutas en coeficientes ,variables, restricciones y Función Objetivo.
El Análisis de Sensibilidad se encarga precisamente de estudiar cómo afectaría a la
solución óptima obtenida y a la función objetivo el cambio (dentro de un rango
predeterminado) de uno de los parámetros, manteniendo fijos los restantes.(no se usa en
modelos enteros ni cuadráticos).

OBJETIVO PRINCIPAL DEL ANÁLISIS DE SENSIBILIDAD:

• Establecer un intervalo de números reales en el cual el dato que se analiza puede estar
contenido, de tal manera que la solución sigue siendo óptima siempre que el dato pertenezca
a dicho intervalo
• Investigar el cambio en la solución óptima del problema, cuando se producen cambios en
los parámetros del modelo. El objetivo principal del análisis de sensibilidad es identificar el
intervalo permisible de variación en los cuales las variables o parámetros pueden fluctuar
sin que cambie la solución optima. Sin embargo, así mismo se identifica aquellos
parámetros sensibles, es decir, los parámetros cuyos valores no pueden cambiar sin que
cambie la solución óptima. Los investigadores de operaciones tienden a prestar bastante
atención a aquellos parámetros con holguras reducidas en cuanto a los cambios que pueden
presentar, de forma que se vigile su comportamiento para realizar los ajustes adecuados
según corresponda y evitar que estas fluctuaciones puedan desembocar en una solución no
factible.

CARACTERÍSTICAS DEL ANÁLISIS DE SENSIBILIDAD

• La Investigación de Operaciones usa el método científico para investigar el problema en
cuestión. En particular, el proceso comienza por la observación cuidadosa y la formulación
del problema incluyendo la recolección de datos pertinentes.
• La Investigación de Operaciones adopta un punto de vista organizacional. De esta manera
intenta resolver los conflictos de interés entre los componentes de la organización de forma
que el resultado sea el mejor para la organización completa.
• La Investigación de Operaciones intenta encontrar una mejor solución (llamada solución
óptima), para el problema bajo consideración. En lugar de contentarse con mejorar el estado
de las cosas, la meta es identificar el mejor curso de acción posible.

• En la Investigación de Operaciones es necesario emplear el enfoque de equipo. Este

equipo debe incluir personal con antecedentes firmes en matemáticas, estadísticas y teoría
de probabilidades, economía, administración de empresas ciencias de la computación,
ingeniería, etc. El equipo también necesita tener la experiencia y las habilidades para
permitir la consideración adecuada de todas las ramificaciones del problema.
• La Investigación de Operaciones ha desarrollado una serie de técnicas y modelos muy
útiles a la Ingeniería de Sistemas. Entre ellos tenemos: la Programación No Lineal, Teoría
de Colas, Programación Entera, Programación Dinámica, entre otras.
• La Investigación de Operaciones tiende a representar el problema cuantitativamente para
poder analizarlo y evaluar un criterio común.

PASOS DEL PROCEDIMIENTO DEL ANÁLISIS DE SENSIBILIDAD

Pasos
1. Revisión del modelo: se realizan los cambios que se desean investigar en el modelo.
2. Revisión de la tabla final Simplex: se aplica el criterio adecuado para determinar los
cambios que resultan en la tabla final Simplex.
3. Conversión a la forma apropiada de eliminación Gauss: se convierta la tabla en la forma
apropiada para identificar y evaluar la solución básica actual, para lo cual se aplica la
metodología de eliminación Gauss si es necesario.
4. Prueba de factibilidad: se prueba la factibilidad de esta solución mediante la verificación
de que todas las variables básicas de la columna del lado derecho aun tengan valores no
negativos.
5. Prueba de optimalidad: se verifica si esta solución es optima y factible, mediante la
comprobación de que todos lo coeficientes de las variables no básicas del reglón Z
permanecen no negativos.
6. Re optimización: si esta solución no pasa una de las pruebas indicadas en los puntos 4 y
5 anteriores, se procede a buscar la nueva solución optima a partir de la tabla actual como
tabla Simplex inicial, luego de aplicadas las conversiones de lugar, ya sea con el método
Simplex o el Simplex D.

CASOS DEL ANÁLISIS DE SENSIBILIDAD

Primer caso: Cambios en las b i (columna lado derecho)
Supongamos que los únicos cambios al modelo actual consisten en el cambio de uno o más
de los parámetros bi (i = 1, 2, . . . , m). En este caso, los únicos cambios que
 Resultan en la tabla símplex final se encuentran en la columna del lado derecho, por locual,
se pueden omitir del procedimiento general tanto la conversión a la forma apropiada de
eliminación de Gauss como la prueba optimalidad.
Segundo caso:
a) Cambios en los coeficientes de una variable no básica
Considere una variable específica xj (j fija) que sea no básica en la solución óptima dada en
a tabla símplex final. El caso 2a es aquel en el que los únicos cambios al modelo actual
ocurren en uno o más de los coeficientes de esta variable, cj, a1j, a2j........, amj. Entonces,
si cj y aij, denotan los nuevos valores de estos parámetros con Aj, (columna j de la matriz A)
como el vector que contiene a aij, se tiene para el modelo revisado.
b) Introducción de una nueva variable
Ya obtenida la solución óptima se puede descubrir que la formulación de programación lineal
no tomó en cuenta todas las actividades que pudieran ser atractivas. Considerar una nueva
actividad requiere introducir una nueva variable con los coeficientes apropiados, a la función
objetivo y a las restricciones del modelo actual, éste es el caso 2b.
Tercer caso: Cambios en los coeficientes de una variable básica
Ahora suponga que la variable xj (con j fija) que se está estudiando es una variable básica
en la solución óptima que se muestra en la tabla símplex final. El caso 3 supone que los
únicos cambios al modelo actual se hacen en los coeficientes de esta variable.
Cuarto caso: Introducción de una nueva restricción de desigualdad
Este es el último caso en el cual debe introducirse al modelo una nueva restricción, después
de que ya se ha resuelto. Este caso puede ocurrir porque se pasó por alto la restricción en
un principio o porque surgieron nuevas consideraciones después de formular el modelo.
Otra posibilidad es que a propósito se haya eliminado la restricción para disminuir el esfuerzo
computacional por parecer menos restrictiva que otras ya planteadas en el modelo, pero
ahora es necesario verificar esta impresión con la solución óptima que se obtuvo.
IMPORTANCIA DEL ANÁLISIS DE SENSIBILIDAD
Es una herramienta que permite calcular los cambios y como esto puede afectar a la solución
óptima y por tanto a los datos obtenidos de esta en conclusión permite estudiar la solución
optima una vez que se modifica en ella algún valor.

Información complementaria en los siguientes enlaces

 http://es.wikipedia.org/wiki/An%C3%A1lisis_de_sensibilidad
 https://www.youtube.com/watch?v=b74rTAACcaE
 http://www.expansion.com/diccionario-economico/analisis-de-sensibilidad-en-valoracion-
de-inversiones.html
 http://revistavoces.org.ve/docu/voces2-art3.pdf
 http://4.bp.blogspot.com/_d7bMAqNZXkE/TMZNlX5VYoI/AAAAAAAAAFM/gvM-
bHQxDeo/s1600/Pantallazo-1.jpg

Publicado 17th July 2014 por Alexander chirinos

0
Añadir un comentario

Cargando
Equip4's Blog
3.6 DECISIONES SECUENCIALES
equip4

8 años ago
Anuncios

Normalmente, cuando se toma una decisión, y que una vez tomada condicionará las
decisiones a tomar posteriormente. De alguna manera se dice que tomar decisiones
es relativamente sencillo; los problemas se presentan una vez tomadas. El decisor se
enfrenta a una secuencia de decisiones. Son decisiones encadenadas entre sí que se
presentan a lo largo del período de estudio previamente seleccionado. En
consecuencia, la decisión inicial se toma sobre la base de la consideración explícita
de otras decisiones futuras. Este tipo de decisiones se resuelven a través de los
arboles de decisión.

Son decisiones encadenadas entre sí que se presentan a lo largo del período de

estudio previamente seleccionado. En Consecuencia, la decisión inicial se toma
sobre la base de la consideración explícita de otras decisiones futuras.

En muchas ocasiones, sobre todo en aquellos proyectos que abarcan varios años, la
decisión inicial puede someterse a sucesivas decisiones posteriores, como
consecuencia de ir acumulando información. Así una decisión puede condicionar
decisiones posteriores y a su vez ser condicionada por decisiones tomadas con
anterioridad a la misma.

El análisis del problema de decisión bajo el enfoque secuencial suele ser preferible
al enfoque estático, dado que es normal que una decisión tomada en el momento
inicial condicione decisiones en los momentos posteriores de tiempo.

Problema de decisión en el que se consideran una secuencia de decisiones, es decir,

decisiones posteriores dependientes de una decisión inicial. El análisis del problema
de decisión bajo el enfoque secuencial suele ser preferible al enfoque estático, dado
que es normal que una decisión tomada en el momento inicial condicione decisiones
en los momentos posteriores de tiempo. En este caso, se sintetiza la representación
del problema a través de un árbol de decisión dado que su representación en una
matriz no es viable.

Se supone que la elección de una alternativa supone el abandono del resto. El

resultado de dicha decisión depende a su vez de un suceso incierto como es el estado
de la naturaleza que se produzca. Una vez producido un posible estado de la
naturaleza, es posible elegir de nuevo entre distintas alternativas, siendo sus
resultados dependientes del estado de la naturaleza que se produzca.

La solución de un problema de decisión secuencial, consiste en buscar la secuencia

de decisiones óptimas a adoptar. Vamos a resolverlo en un contexto de riesgo.

La técnica de resolución consiste en ir determinando los valores monetarios

esperados en cada punto de decisión, haciéndolo de derecha a izquierda, empezando
por los resultados finales. Distinguimos entre el valor de los nudos aleatorios (que
 son de los que parte los estados de la naturaleza) es la media ponderada de los
resultados posibles.

El valor de los nudos divisionales se obtiene tomando la esperanza matemática

correspondiente a la mejor decisión posible.
Anuncios

Categorías: Uncategorized

Dejar un comentario

Equip4's Blog

Crea un blog o un sitio web gratuitos con WordPress.com.

Vuelta arriba
Anuncios