M1: Generalizacin para el modelado - Modelos de

inventarios.
Lectura 01a: INTRODUCCIN A LOS MODELOS
Introduccin
Un modelo se puede ser definido como una representacin abstracta de la realidad. Existen
diferentes clases de modelos; como nuestra asignatura se vincula a la ciencia de la
administracin haremos una breve induccin sobre la ciencia de la administracin y los
modelos.
La Ciencia de la Administracin y su evolucin histrica
La Ciencia de la Administracin tuvo sus comienzos durante la Segunda Guerra Mundial.
Fue previo a esta guerra que un grupo de estudiosos de reas bsicas, se renen con el
objetivo de determinar la forma ms efectiva de aplicar las fuerzas militares ya que stas
eran escasas; an cuando este personal operativo haca funciones de la ciencia
administrativa, se le dio el nombre de investigacin de operaciones, debido a que a lo que se
dedicaban era a analizar operaciones militares.
Al trmino de la guerra, personal que haba contribuido en la investigacin de operaciones,
se dio cuenta que sus mtodos y tcnicas adquiridas durante el perodo blico bien podran
aplicarse en la industria.
No fue hasta 1950, poca en que fueron lanzadas las computadoras al mercado, que se
empez a aplicar la investigacin de operaciones en la industria. En un principio, los
principales problemas eran respecto al control de inventarios y los sistemas de transporte, ya
que stos eran muy parecidos a las estrategias militares.
Hoy en da, la investigacin de operaciones se aplica a compras, mercadotecnia,
Contabilidad, planeacin financiera entre otras reas. Aunque es Gran Bretaa quien dio inicio
a los estudios de la investigacin de operaciones, es Estados Unidos quien hace las grandes
contribuciones al tema. En el ao de 1947 George B. Dantzig desarrolla el mtodo simplex de
programacin lineal, el cual es aplicado a muchos problemas operativos y sirve de base para
tcnicas matemticas como la programacin de metas y la programacin entera.

1.1. Concepto de modelo.

Una de las de las principales funciones de los administradores es resolver problemas,
principalmente a travs de la construccin de modelos, o planteamientos de modelos. La
construccin de modelos es un medio que permite a los administradores analizar y estudiar
problemas, as como tambin examinar diferentes alternativas. Pueden ser mentales, a
escala, matemticos.

1.1.1. Clasificacin de los distintos tipos de modelo.

Los modelos se pueden clasificar en:
- Descriptivos y normativos;
- Determinstico y estocstico;
- Lineales y no lineales;
- Estticos y dinmicos;
- De simulacin.

1.1.2. Modelos descriptivos.

Permiten comprender el problema y su comportamiento (aproximado) pero no hay
decisiones o formas de optimizacin. Son tiles para pronosticar la conducta de sistemas pero
no pueden identificar el mejor curso de accin que debe tomarse. Por ejemplo: cola de
espera, regresin, entre otros.

1.1.3. Modelos Normativos.

Permite tomar decisiones y optimizar un determinado sistema, ya que es posible establecer
un curso de accin ptimo o mejor. Esto implica que se incorpora un objetivo al modelo y que
es posible identificar los efectos que diferentes cursos de accin tienen sobre el objetivo.
Ejemplos: modelo de inventarios, modelo de toma de decisiones, modelo simples.
La mayora de los modelos normativos estn constituidos por tres conjuntos de elementos
bsicos:
1. Variables de decisin (cantidades desconocidas que deben determinarse en la solucin del
modelo) y parmetros (valores que describen la relacin entre las variables de decisin.
Permanecen constantes para cada problema).
2. Restricciones (limitaciones fsicas que ocurren en el problema. Generalmente se expresan
como funciones matemticas).
3. Funcin objetivo (define la efectividad del modelo como funcin)

1.1.4. Modelos determinsticos y estocsticos.

En los modelos determinsticos las relaciones o los parmetros se conocen con certidumbre.
Por lo contrario, en los modelos estocsticos se trabaja en situacin de incertidumbre.

1.1.5. Modelos lineales y no lineales.

Un modelo lineal es aquel en el que todas las relaciones funcionales implican que la variable
dependiente es proporcional a las variables independientes. Por otro lado, los modelos no
lineales utilizan ecuaciones curvilneas o no proporcionales. Si una o ms de las relaciones son
no lineales, se clasifica al modelo como tal.

1.2. Modelos cuantitativos de simulacin.

La simulacin es el proceso de disear un modelo de un sistema real y llevar a trmino
experiencias con l, con la finalidad de comprender el comportamiento del sistema o evaluar
nuevas estrategias (dentro de los lmites impuestos por un cierto criterio o un conjunto de
ellos) para el funcionamiento del sistema. En otras palabras, la simulacin es un proceso de
planteamiento de modelos y experimentacin que se utiliza para describir y/o analizar un
problema o un rea de problemas especficos.

Lectura 01b: Modelos de inventarios

Resulta conveniente antes de comenzar a desarrollar los diversos modelos de inventarios
que reconozcamos los trminos a que haremos referencia frecuentemente.

Terminologa
Inventario: recursos utilizables (mercadera, informacin, humanos, entre otros.)
almacenados durante un lapso de tiempo determinado.
Demanda: cantidad de recursos requerida por los clientes en lapsos determinados. Puede
ser: determinista, aleatoria, constante (o que la ley de distribucin, si es aleatoria, no vare),
variable.

 Tiempo de adelanto ( tL ): es el tiempo (t) entre que se pide y se satisface el pedido (t=
tL). Puede ser: Inmediato: tL = 0 (suministro inmediato); con demora: tL 0 (suministro
pactado o con tiempo); suministro paulatino (lote de produccin); aleatorio (con incertidumbre
en el reaprovisionamiento)
Poltica de pedidos: consiste en saber cundo y cunto se ordena (se compra).
Sistema de pedidos:
a. de punto de orden con frecuencias denominados sistemas de inventario perpetuos
donde la revisin de inventario es continua (se ordena el reaprovisionamiento en el punto de
orden cantidad y momento definido )
b. de revisin peridica donde los inventarios no se revisan en forma continua; ms bien se
hacen evaluaciones a intervalos fijos y predeterminados. La cantidad ordenada es igual a la
diferencia entre la cantidad desea y la disponible.
Agotamiento: carencia de existencia ante demanda de los clientes (stock negativo).
Puede darse dos situaciones:
a. modelo de ventas perdidas
b. modelo con pedidos retroactivos
Costo de inventario: a. de pedidos (Co): costos asociados a la realizacin de pedidos tales
como, gastos administrativos, papeleo, transporte, recepcin, inspeccin, otros).
b. de conservacin (Cc): mantenimiento
c. de adquisicin (Cp): preparacin para una corrida de produccin
d. de agotamiento (Cs): por falta de existencia (por no satisfacer la demanda).
Modelos comerciales: los inventarios de reabastecimiento se adquieren de proveedores
externos a la empresa, instantneamente al recibir el pedido.
Modelos de produccin: los inventarios se producen en la organizacin para ser
comercializados.

2.1. Modelo de la Cantidad Econmica de Pedidos Clsicos (C.E.P.

Clsico).
2.1.1. C.E.P. clsico sin tiempo de adelanto.
Hiptesis del modelo:
1) Se conoce la demanda con certidumbre y es constante en el tiempo.
2) Reabastecimiento instantneo y en un solo lote ( tL = 0 )
3) Inventario perpetuo (punto de orden)
4) Reabastecimiento a nivel cero ( R = 0 no hay stock de seguridad )
5) La cantidad (Q) es constante al finalizar cada ciclo de inventario, tc.
6) Co y Cc son constantes
7) Horizonte infinito (las hiptesis se mantienen constantes durante el perodo de aplicacin)
El objetivo de ste modelo es determinar la cantidad ptima de pedido (Q*) y el punto de
reorden (R*), de manera que se minimicen los costos totales de inventarios.

tL = R* = 0
Parmetros a calcular:
- Cantidad ptima de pedido: Q*=[(2CoD)/Cc]
- Nmero ptimo de pedido por perodo: N* = D/Q* = [(CcD)/2Co]
- Tiempo ptimo de ciclo: tc* = 1/N = Q*/D
- Costo Total ptimo de Inventario: Ct* = (2CoCcD)
Grficamente se representa:

2.1.2. C.E.P. clsico con tiempo de adelanto y punto de reorden.

En este caso, se conoce el tiempo de adelanto y la demanda es constante.
Para definir la situacin en la que el tiempo de adelanto es distinto que cero, se relajan las
consideraciones 2 y 4 del apartado anterior. Como la Q* sigue siendo la misma, ahora lo que
se busca es cundo emitir la orden de pedido para que el proveedor entregue la mercadera
justo cuando nos quedamos sin ella, por lo tanto debemos conocer cunto demora el
proveedor para establecer un punto de reorden (R) que satisfaga la demanda mientras llega
la mercadera del proveedor.
Con tL < tC

R* = tL D Con tL < tC

R* = tL D [ tL/ tC ] Q*

con tL > tC

Donde tL D es la demanda durante el tiempo de adelanto

Se consume hasta R (Stock mnimo o punto de reorden), en ese punto se realiza el pedido, el
cual tarda en llegar tL das y justo cuando se queda sin mercadera, llega el pedido con una
Q* (que es siempre la misma).

2.1.3. Optimizacin de inventarios en el modelo C.E.P. clsico.

El ptimo en el CEP clsico se alcanza cuando el costo total de inventario es mnimo. Ese
punto se da cuando el costo de ordenar es igual al costo de conservacin.
Grficamente:

Entonces, el planteamiento del modelo general es MINIMIZAR la expresin:

CT de inventario = Costo de los pedidos + Costo de conservacin

En donde:
Costo de pedidos Co x (D/Q)
(Costo de conservacin por el nmero promedio que se conserva en inventario)
Costo de conservacin CC x (Q/2) (Costo de mantenimiento por el inventario promedio)
Si reemplazando en la expresin del costo total anterior, obtenemos:
CT = Co x (D/Q) + Cc x (Q/2)

(1)

Para optimizar CT se debe derivar en Q para obtener el valor de Q que minimiza el costo
total. La expresin resultante es igual a:
Q* = [(2CoD)/Cc]
Si reemplazamos en la expresin (1) del CT, obtenemos el valor del costo total ptimo (CT*):
CT* = Co x (D/Q*) + Cc x (Q*/2)
Sustituyendo Q* por su frmula y simplificando se obtiene as:
CT*= (2CoCcD)

2.1.4. Anlisis de sensibilidad de los costos de inventarios y en la cantidad

econmica de pedidos por variacin de la demanda, los tiempos de ciclos de
inventario y lotes de aprovisionamiento.
El anlisis de sensibilidad permite expresar el efecto de los errores o de cambios en las
variables y/o parmetros en forma de razn. sta razn sera la cantidad econmica de
pedido real (Q) dividida entre la cantidad ptima estimada del pedido (Q*).
Cantidad Real viene determinada por:
Q=[(2CoD)/Cc]
Para saber si nos equivocamos o no en la estimacin de la demanda (Q*) utilizamos k
como factor de correccin (tambin sirve para la demanda (D) y el tiempo de ciclo, tc).
Tenemos que

k = Q/Q*

Si reemplazamos k = [(2CoD)/Cc] / [(2CoD)/Cc] = D / D -> despejamos -> k^2 = D

/D
Tambin emplea para el tiempo de ciclo como se puede observar en la siguiente expresin:
k=tc/tc*
Remplazando el tiempo de ciclo (tc) por su valor, obtenemos que:
k = (Q/D)/(Q*/D)=Q/Q* ->

k= Q/Q*

Cada vez que nos equivocamos en la estimacin de Q* D tc* , tenemos un impacto en los
costos, que vienen representados por un factor l.
Donde:

l = CT/CT* = (k^2+1) / 2k
k puede tomar valores:
- mayores a uno (k > 1) Q < Q*
- iguales a uno (k = 1)
- menores a uno (k < 1) Q > Q*

l puede tomar valores:

- mayores a uno (l > 1)

- iguales a uno (l = 1)
- nunca menores que uno por los costos (el costo siempre se incrementa sin importar la Q)
Este mtodo sirve para una variacin en la Q*, tc* D, donde primero se calcula el valor del
factor k y luego, el impacto que tiene en los costos a travs del factor l
Grficamente:

2.2. Modelo de la Cantidad Econmica de Pedidos, con

descuentos por cantidad.
Se ofrecen precios con descuento por compras en una cantidad Q > Q*, pero, conviene
realmente aceptar este descuento?
Se deben considerar ahora los costos de inventario y los costos del producto.
- CT (S/desc)=

- CT (C/desc)=

CoD +

CcQ + Ps/dD

CoD +

CcQ + Pc/dD

Donde 1 > 1 ; 2 < 2 ; 3 > 3.

Grficamente:

Respuesta:
- si Q se encuentra en el intervalo [Q*, Q*] conviene aceptar el descuento.
- si Q > Q* no conviene.
- si Q = Q* se analiza en ese momento qu es lo que conviene.

2.2.1. Anlisis de los distintos casos segn los distintos tipos de descuentos
por cantidad.
Se presentan tres casos:
- Primero

Nunca conviene pedir menos de Q* (demanda insatisfecha)

A partir de Q1 tengo descuentos
Si Q>Q* conviene seguir comprando con descuentos
Hasta dnde me conviene comprar? Hasta llegar al CT*
- Segundo

Si Q2>Q* es indistinto, conviene slo si compra Q2

Si compra ms que Q2, ya no conviene por que aumentara el CT. Si compra Q2, los costos
son iguales pero aumentara la Q.
- Tercero

Si Q3>Q* no conviene.
Los costos a partir de donde ofrecen descuentos son mayores que el ptimo.

2.3. Modelo de la Cantidad Econmica de Pedidos con

agotamientos.
En este modelo el comerciante se queda sin mercadera y tiene dos opciones:
1) Perder las ventas;
2) Satisfacer la demanda con ventas a futuro (caso de anlisis de la materia).
Se relaja la condicin de qu el reabastecimiento se realiza en Q(t)= 0 y permitimos que se
trabaje con agotamientos de inventario, hasta un cierto punto que debemos analizar. Se
supone que los agotamientos se satisfacen con pedidos retroactivos a un costo Cs (pesos /
unidad x ao).
Uno decide incurrir en estos costos debido a que a su vez:

disminuye el nmero de pedidos,

disminuye niveles de inventario (al llegar la mercadera se asigna inmediatamente a
la demanda atrasada).

Entonces se busca el equilibrio entre el aumento del costo de agotamiento (Cs) y la

disminucin de los costos de conservacin (Cc) y los costos de ordenar (Co).
Grficamente:

Donde: - B: tamao del pedido retroactivo (B = Q - S)

- Q: cantidad de pedido
- S: nivel mximo de inventario
- tc: t1 + t2
- t1: hay inventario disponible
- t2: no hay inventario. Existe agotamiento.

2.3.1. Optimizacin de los costos de inventarios.

Ahora la optimizacin se da cuando se minimiza la expresin de costo total (CT) con
agotamiento:
CT= costo de ordenar + costo de conservar + costo de agotamiento
Donde:

Costo de ordenar Co x (D/Q)

Costo de conservar Cc * (S^2/2Q) dnde S^2/2Q = inventario promedio por ciclo.
Costo de agotamiento Cs * (B^2/2Q) donde B^2/2Q = nmero promedio de unidades por
ciclo.
Cs * [(Q-S)^2]/2Q
Entonces reemplazado en la expresin del costo total con agotamiento, resulta que:
CT(c/a) = Co (D/Q) + Cc * (S^2/2Q) + Cs * (B^2/2Q)
El equilibrio se alcanza cuando:
Co (D/Q) = Cc * (S^2/2Q) + Cs * (B^2/2Q)
Ahora existen dos variables de decisin: S* y Q*. Para despejarlas se puede utilizar el
proceso de ensayo y error o por Hessiano.
Para obtener el valor mnimo del costo total con agotamiento:
1 Calculamos la derivada primera con respecto a Q y S. Q debe ser 0.
CT(Q) = 0 y CT(S) = 0
2 Calculamos la derivada segunda a travs de Hessiano (para dos variables)

Se obtiene as que:
Q*=S* (1+ Cc/Cs) (I)
Y que:
S*= [(2CoD)/Cc] * 1 / [1+(Cc/Cs)] (II)
Si se reemplaza (II) en (I), obtenemos:
Q*(c/a) = [(2CoD)/Cc] * (1+ Cc/Cs) * 1/[1+(Cc/Cs)]
En donde:

Expresin que indica cul es la cantidad ptima de pedidos con agotamiento que hace
mnimo el costo total con agotamiento.

2.3.2. Relacin entre el C.E.P. clsico con agotamientos y sin agotamientos.

El factor de correccin.
De la expresin anterior podemos observar un factor de correccin que lo denominamos H.

ste es un factor de correccin entre el CEP clsico y el CEP con agotamiento, en donde:
H = [(Cc+Cs)/Cs]
Si se simplifica:
H = [1+(Cc+Cs)] > 1

1/H = 1 / [1+(Cc+Cs)] < 1

De la relacin entre el CEP clsico y con agotamiento a travs de H, obtenemos que:
a. Q*(c/a) = Q*(s/a) H Q*(c/a) > Q*(s/a)
El lote con agotamiento debe ser mayor ya que hay que reponer los pedidos retroactivos.
b. S* = Q*(s/a) 1/H S* < Q*(s/a)
En el CEP con agotamiento se trabaja con menos inventario.
c. N*(c/a) = Q*(s/a) 1/H N*(c/a) < Q*(s/a)
Se trabaja con un menor nmero de pedidos.
d. tc*(c/a) = tc*(s/a) H tc*(c/a) > tc*(s/a)
En el CEP c/a los tiempos de ciclos son ms largos.
e. CT*(c/a) = CT*(s/a) 1/H CT*(c/a) < CT*(s/a)
En el CEP c/a los costos totales disminuyen.
f. Q*(c/a) = S*H^2 Q*(c/a) > S*

CEP con agotamiento y tiempo de adelanto

Si el modelo CEP con agotamiento permitimos agotamiento, es decir que el tiempo de
adelanto es mayor a cero (TL > 0) obtenemos un punto de reorden (R), en donde:
R* = tLD (tL/tC) Q*(c/a) B*
Q*(c/a) = B*+S*
B* = Q*(c/a) - S*
Reemplazando en la expresin original de R*, obtenemos que:
R* = tLD (tL/tC) Q*(c/a) (Q*(c/a) S*)
Donde:
tLD = R* + B*
Que expresa la cantidad de stock disponible para satisfacer la demanda (D) durante el
tiempo de adelanto (TL)
Existen tres casos posibles, que se pueden calcular mediante:
tL =ntc + t
1) tc>t>t2 R*>0

2) t=t2 R*=0

3) t<t2 R*<0

2.4. Modelo de tamao de lote de produccin.

La diferencia con el CEP es que en ese modelo se compraban las mercaderas para
comercializar, en cambio en este modelo se producen los productos a una tasa de produccin
r1 y se comercializar a una tasa demanda r2.
Otra disimilitud es que en el modelo de lote de produccin el reabastecimiento no se realiza
en un nico lote sino re realiza en forma paulatina.
La variable de decisin ahora es Q*LP
Grficamente el modelo se representa:

Dnde:

1: Q(t)= r1t
2: Q(t)= (r1 - r2)t
3: Q(t)= -r2t + Q*LP

r1 = tasa de produccin (reabastecimiento)

r2 = tasa de demanda D (uso)
Siempre r1 > r2

De acuerdo al modelo:
I) r1 = QLP/t1 t1 = QLP/r1
II) En el intervalo [0;t1]: hay produccin y comercializacin Q(t)= (r1 - r2)^t
En el intervalo [t1; tc]: slo se comercializa Q(t)= -r 2t + Q*LP
III) En el instante t=t1, grficamente podemos observar que:
Q(t1) = M
Dnde:
M = (r1-r2)t1
Reemplazando t1 por la expresin obtenida en el punto I), resulta que:
M = (r1-r2) QLP/r1
M = QLP [(r1-r2)/r1]
M = QLP [1-(r2-r1)]
Expresin del stock mximo almacenado (M) para el modelo de lote de produccin.
Por otra parte la demanda durante el tiempo t1 (tiempo en que se produce y se satisface la
demanda r2), es igual a:
t1 = r2t1 t1 = (Q/r1)r2

2.4.1. Optimizacin de los costos de inventarios.

Lo que se busca minimizar el costo total del lote de produccin (CT):
CT = Co (D/QLP) + Cc (QLP/2 [1-(r2/r1)])
Donde (QLP/2 [1-(r2/r1)])

es el inventario promedio por ciclo.

2.4.2. Relacin entre el C.E.P. clsico sin agotamientos y el Lote de

produccin. El factor de correccin.
El factor de correccin entre el CEP clsico y el lote de produccin se lo denomina
habitualmente como L y permite comparar ambos modelos, a saber:
L = [1-(r2/r1]
L es siempre menor que uno (L < 1) y su inversa 1/L es mayor que uno (1/L > 1), de esta
manera cuando las expresiones del CEP clsico se multiplican por L su equivalente en el
modelo de lote de produccin ser menor que las del CEP clsico y mayor cuando se
multiplique por 1/L.
Analicemos cmo quedaran nuestras relaciones cuando lo multiplicamos por el factor de
correccin L 1/L
a.

Q*LP = [(2CoD)/CC] * 1/L Q*LP > Q*CEP

b.

tC*LP = Q*CEP/D * 1/L tC*LP > tC*CEP

c.

Ct*LP = (2CoCcD) * [1-(r2/r1)] Ct*LP < Ct*CEP

d.

N*LP = D/Q*CEP x [1-(r2/r1)] N*LP < N*CEP

e.

M = [(2CoD)/Cc] * [1-(r2/r1)] M < Q*CEP

f.

M = Q*LP x [1-(r2/r1)] M < Q*LP

Lectura 02 - Modelo clsico de la cantidad

econmica a ordenar - (EOQ-economic order
quantity)
Modelo de la cantidad econmica a ordenar (EOQ)
El modelo considera los siguientes supuestos:
1. La demanda se conoce con certidumbre y los artculos salen a una tasa constante
denotada por a.
2. El tiempo de adelanto es cero.
3. Se utiliza la poltica de punto de pedido.
4. El inventario se reabastece cuando llega a cero. No hay inventario de seguridad ni
agotamientos.
5. El reabastecimiento es instantneo.
6. La cantidad a pedir es constante.
7. Los costos no varan en el tiempo.

Los nicos costos que se considerarn son:

K : Costo de preparacin para producir u ordenar un lote.
c : El costo de producir o comprar cada unidad.
h : El costo de mantenimiento de una unidad de inventario por unidad de tiempo.

El objetivo consiste en determinar con qu frecuencia y en qu cantidad reabastecer el

inventario, de manera que se minimice la suma de estos costos por unidad de tiempo

Debemos hallar el costo total por unidad de tiempo ($/tiempo).

Primero hallaremos los costos nicamente para un ciclo, por lo que los costos estarn en ($).
Costo por ciclo de produccin u ordenar = K + c Q
[$] + [$/ artculo ] * [artculo ] =[$]

Sabemos que el inventario promedio es (Q/2).

Costo mantenimiento de inventario = h Q/2
[$/artculo -tiempo] * [artculo]=[$/tiempo]
Para hallar el costo en un ciclo debemos multiplicar por el tiempo que demora un ciclo, es
decir Q/a
Costo mantenimiento de inventario por ciclo = (hQ/2) *(Q/a) = (hQ^2)/2a
[$/artculo -tiempo] * [artculo] * [tiempo] =[$]
Entonces el costo total por ciclo es
Costo total por ciclo = K + c Q + hQ^2/2

[$]

Para hallar el costo total por unidad de tiempo basta dividir por Q/a
Costo total por unidad de tiempo = (K + cQ + hQ^2/2a)/(Q/a) = [$/tiempo]
Costo total por unidad de tiempo = aK/Q + ac + hQ/2
econmica de pedido

[$/tiempo] Funcin de la cantidad

Para hallar el costo mnimo basta con aplicar los conceptos bsicos del clculo

Costo total por unidad de tiempo = aK/Q + ac + hQ/2

[$/tiempo]

Debemos derivar esta funcin con respecto a Q e igualarla a cero

Veamos grficamente la funcin

La derivada de la funcin costo total es dCt/dQ = -aK/Q^2 + h/2

Igualando a cero y despejando obtenemos la cantidad econmica a ordenar o producir
Q* = [(2aK)/h]
De manera similar obtenemos el tiempo ptimo
Sabemos que a =Q*/t* t* = Q*/a
t* = [(2K)/(ah)] Frecuencia * = [(ah) ((2K)/]
Si no se consideran los costos por producir o comprar cada unidad obtenemos el costo de
administracin de los inventarios
Costo admon = aK/Q + hQ/2
Costo admon mnimo = aK/Q* + hQ*/2
Reemplazando Q*=[(2aK)/h] En Costo de admn. Obtenemos
Costo admon* = (2aKh)
Observe que
Ak/Q* = hQ*/2
mantenimiento

Es decir en el ptimo los costos de hacer pedidos son iguales a los de

Ejemplo.
Recordemos el caso de la Manufactura de bocinas para televisores.
1. Cada vez que se produce un lote, se incurre en un costo de preparacin de $12000.
2. El costo unitario de produccin de una sola bocina (excluyendo el costo de preparacin) es
de $10 y es independiente del tamao del lote fabricado.
3. El costo de mantenimiento de una bocina en almacn es de $0.3 por mes.
4. La demanda es de 8000 bocinas mensuales.
Q* = [(2aK)/h] = [(2*8.000*12.000)/0,3]
Q* = 25.298
t* = [(2K)/(ah)] = [(2*12.000)/(8.000*0,3)]
t* = 3.2 meses

Esta respuesta nos indica que la solucin ptima es hacer una preparacin de la lnea de
produccin de bocinas cada 3.2 meses y producir 25298 bocinas cada vez.
Costo total por unidad de tiempo = aK / Q + a c + h Q /2

[$/tiempo]

Costo total por unidad de tiempo = $ 87589 / mes

Anlisis de sensibilidad
Es importante llevar a cabo un anlisis de sensibilidad , para investigar el efecto que tendra
sobre la solucin ptima el hecho de que los parmetros tomaran otros valores posibles.

Sensibilidad de Q ante variaciones de a, K, h.

Sean a, K, h las variaciones de los valores reales a, K, h.
Q* = [(2aK)/h]

Q* = [(2aK)/h]

Variemos primero la demanda a

Sea = Q*/Q* = (a/a)
Suponga que a=6000 y a=8000
a/ a = 6000/ 8000 = 0.75 Hay una variacin del 25% entre las demandas
= (a/a) = (6.000/8.000) = 0.87 Hay una variacin del 13% entre las cantidades
econmicas de pedido (Q)
Una variacin del 25% entre las demandas, produce una variacin del 13% entre las
cantidades econmicas de pedido. Este modelo es poco sensible a cambios en a

Variemos ahora el costo de mantenimiento h

Sea = Q*/Q* = [(1/h)/ (1/h)] = (h/h)
Suponga que h=0.2 y h=0.3
h / h = 0.2 / 0.3 = 0.67 Hay una variacin del 33% entre los costos de mantenimiento
= (h/h) = (0,3/0,2) = 1.22 Hay una variacin del 22% entre las cantidades
econmicas de pedido (Q)
Una variacin del 33% entre los costos de mantenimiento, produce una variacin del 22%
entre las cantidades econmicas de pedido. Este modelo es poco sensible a cambios en h.
Conclusin: Q es poco sensible a variaciones de k, h, a
Sensibilidad del costo administracin a cambios en Q
Costo admon = aK/Q + hQ/2
Costo admon* = aK/Q* + hQ*/2

Sea = Q/Q* Q= Q*
Costo admon = aK/Q + hQ/2 Dado que Q= Q* Costo admon = aK/ Q* + h Q*/2
Remplazando
Q* = [(2aK)/h]
Costo admo n = [(i + 1/i)/2] * (2aKh)
Costo admon = [( + 1/)/2] Costo admon*
Costo admon / Costo admon* = [( + 1/)/2] =

Ejemplo.
En el caso de la manufactura de bocinas para televisores tenemos que el ptimo es Q* =
25298
Para observar la variacin en el costo utilizaremos
-

Q = 22000
Q = 27000

Caso 1
= Q/Q* = 22.000/25.298 = 0.87
= [( + 1/)/2] = 2.01/2 = 1.005
Caso 2
= Q/Q* = 27.000/25.298 = 1.07
= [( + 1/)/2] = 2.00/2 = 1.002
En general
1. El costo de administracin es muy poco sensible a variaciones de la cantidad econmica a
ordenar (Q).
2. El costo es ms sensible a variaciones de Q por debajo de Q* que por encima.

Videos M1:
Video Conceptual:
Clases de Modelos
Mentales
A escala
Matemticos
-

Normativos (buscan ptimos)

Procesos de solucin
Algoritmo
Mtodos heursticos
Simulacin (describen)

Descriptivos

Determinstico- Estocsticos
Lineal No lineal
Esttico - Dinmico
Los modelos son una representacin abstracta de la realidad

Teleclase:
Modelos

Sistema Abstracto
(Mundo simblico)
Sistema Real
(Mundo real)

Proporcionan

Resultados
Contribuyen a tomar

Intuicin

Decisiones

Construyen
Administracin
Identificacin
Solucin
Problemas

Modelos:
Se lo puede definir como una representacin o abstraccin de la realidad.

Cmo lo emplea la Ciencia de la Administracin?

La construccin de modelos es un medio que permite a los administradores analizar y
estudiar problemas, as como tambin examinar diferentes alternativas.

Cmo se clasifican los modelos?

-

Descriptivos y normativos.
Determinsticos y estocsticos.
Lineales y no Lineales.
Estticos y dinmicos.
De simulacin

Modelo de Inventario
Qu es un inventario?
Son recursos utilizables (mercadera, materia prima, informacin, entre otros) almacenados
durante un lapso de tiempo determinado.

Qu se busca de los inventarios?

Optimizar la cantidad de recursos que necesitamos para minimizar los costos asociados.

Modelo de la Cantidad Econmica de Pedidos Clsico (C.E.P.

Clsico)
Cules son hiptesis del Modelo CEP Clsico?
-

Se conoce la demanda con certidumbre y es constante en el tiempo.

Reabastecimiento instantneo y en un solo lote, es decir que no hay tiempo de
adelanto (tL = 0)
Inventario perpetuo (revisin de inventario es continua se ordena el
reaprovisionamiento en el punto de orden para una cantidad y momento definido).
Reabastecimiento a nivel cero (no hay stock de seguridad R = 0)
La cantidad de pedidos es la misma (Q = cte.) al finalizar cada ciclo de inventario, tC
Los costos de ordenar (Co) y de conservacin (Cc) son constantes.
Horizonte infinito.

Qu estamos buscando?
Minimizar los costos totales de inventario.

De dnde partimos?
Mediante el clculo del costo total, cuya expresin es:
CT = Co D / Q + Cc Q/2

Qu obtenemos?
-

La cantidad econmica de pedidos ptimos (Q*)

El costo total ptimo asociado a la cantidad econmica de pedidos (C T*)
La cantidad de pedidos ptimos asociados a la cantidad econmica de pedidos (N*)
El tiempo de ciclo ptimo asociado a la cantidad econmica de pedidos (tC*)

Cmo se representa grficamente el modelo C.E.P. clsico?

C.E.P. Clsico con tiempo de adelanto y punto de reorden

Hiptesis
Reabastecimiento no es instantneo, es decir que hay tiempo de adelanto (tL0)
Reabastecimiento puede ser un nivel muy distinto de cero (hay stock de seguridad R-)

Qu significa?
Que el stock se consume hasta el punto de reorden (R) instante en que se realiza el pedido
(Q*), el cual tarda en llegar tL das, justo en el momento cuando nos quedaramos sin stock.

Cmo se representa grficamente?

Anlisis de sensibilidad
Cundo se emplea este anlisis?
Cuando deseamos conocer cul es el impacto en los costos totales por haber estimado
incorrectamente la demanda o la cantidad de pedidos o los tiempos de ciclos.

C.E.P. con descuentos por cantidad

Nunca conviene pedir menos de Q*
A partir de Q1 tengo descuentos.
Si Q1 > Q* conviene seguir comprando con
descuentos
Hasta dnde me conviene comprar? Hasta llegar a
CT*

Si Q2 > Q* es indistinto, conviene slo si compra

Q2
Si compra ms que Q2, ya no conviene por que
aumentara el CT.
Si compra Q2, los costos son iguales pero
aumentara la cantidad (Q).

Si Q3 > Q no conviene
Los costos a partir de dnde ofrecen descuentos son
mayores que el ptimo.

C.E.P. con agotamientos

Condiciones
Se relaja la condicin de reabastecimiento permitiendo que se trabaje con agotamientos de
inventario, hasta un cierto punto que debemos analizar.
Se supone que los agotamientos se satisfacen con pedidos retroactivos a un costo Cs
(pesos / unidad x ao)

Qu estamos buscando con ste modelo?

Se busca el equilibrio entre el aumento de Cs y la disminucin de los Cs y Co.

Cmo se representa grficamente?

Referencias
- Q* = Cantidad ptima de pedidos.
- S* = Nivel ptimo de inventario.
- B* = Cantidad ptima de pedidos retroactivos.
- t1 = Tiempo que poseemos el inventario.
- t2 = Tiempo que NO tenemos el inventario (existe
agotamiento)
- tC = Tiempo de ciclo.

Cmo ser el punto de reorden (R)?

tC > tL > t2 R* > 0
tL = t2 R* = 0
tL < t2 R* < 0

Modelo de tamao de lote de produccin

r1 = tasa de produccin
r2 = tasa de demanda
Siempre r1 > r2

Cmo se representa grficamente?

Referencias:
-

M = Nivel mximo de inventario

t1 = Perodo que se invierte en fabricar el
pedido completo
t2 = Perodo que solamente se satisface la
demanda
tC = Tiempo de ciclo
Q(t) = r1 t
Q(t) = (r1-r2) t
Q(t) = r2t + Q*LP

M2: Modelos de decisin

Lectura 03.- Modelos de decisin
Introduccin
Todo el tiempo estamos tomando decisiones, algunas sin importancia, otras, sumamente
transcendentes. Con frecuencia estas decisiones son intuitivas, emocionales o por consejos de
otras personas que han experimentado algo parecido, pero en la mayora de los casos en
condiciones diferentes del momento en que nos encontramos para tomar una decisin.
Aqu analizaremos MODELOS DE DECISIN lgicos con los que usted podr tomar una
decisin o por lo menos contrastar sus conclusiones, con su visin intuitiva, poltica,
emocional, entre otros.
La mayora de los modelos no nos indican qu decisin tomar, sino cmo proceder para
tomarlas, o cmo analizar decisiones a tomar o tomadas.
Por otra parte, con los modelos que vamos a analizar, no podemos asegurar que el resultado
de la decisin sea favorable (lo nico seguro que algo puede salir bien o mal si intenta
hacerlas bien, pero si las hace mal, sin duda, saldrn mal).
Por ejemplo; dos personas deciden jugar a la quiniela, uno acierta y el otro no; las dos
tomaron la misma decisin (jugar a la quiniela) y el resultado fue totalmente diferente, por
elegir nmeros diferentes.

3.1. Modelos de decisin determinsticos y estocsticos.

Cuando se supone que los parmetros o coeficientes se conocen con certidumbre se est
trabajando con un modelo determinstico. Sin embargo no todos los modelos de toma de
decisiones son determinsticos. En muchos casos, los parmetros del modelo varan debido a
incertidumbres, se habla entonces de modelos estocsticos. Este tipo de modelos puede
dividirse en dos categoras, dependiendo si la decisin se tomara utilizando datos previos
(relacionados con la ocurrencia de sucesos anteriores), o si no poseo ningn dato de
acontecimientos anteriores.

3.2. Procesos de una toma de decisin.

Una solucin puede definirse como el proceso de elegir la solucin para un problema,
siempre y cuando existan al menos dos soluciones alternativas. El proceso de toma de
decisin consta de 5 etapas (donde TD: es quien toma las decisiones):

1) El TD se da cuenta de que existe un problema.

2) El TD recopila datos acerca del problema.
3) El TD elabora un modelo (versin simplificada de la realidad) que describe el
problema.
4) El TD utiliza un modelo para generar las soluciones alternativas al problema. Es
aconsejable no tener demasiadas alternativas porque dificulta el proceso de seleccin.
5) El TD elige entre las soluciones alternativas. En esta etapa, los modelos
cuantitativos pueden diferir de los cualitativos. En los modelos cualitativos las
decisiones se toman de acuerdo a las caractersticas del problema y segn los
intereses y motivaciones del TD, buscan encontrar la mejor u ptima solucin. Mientas
que en los cuantitativos se busca calcular el valor econmico de cada decisin,
teniendo en cuenta las necesidades y objetivos del TD, tratan de encontrar cualquier
solucin satisfactoria.

El modelo cualitativo se usa frecuentemente para eliminar opciones falsas o perjudiciales, o

tambin porque un anlisis cuantitativo es muy oneroso y la ecuacin costo beneficio es
desfavorable.

Existen tres tipos principales de decisiones:

-

decisiones bajo certidumbre;

decisiones en las que no contamos con datos previos para calcular probabilidades
denominadas incertidumbre;
decisiones para las cuales existen datos previos que permiten calcular probabilidades,
conocidas como riesgo, porque pueden ocurrir como que no.

Antes de comenzar a desarrollar cada modelo expondremos la terminologa empleada en la

toma de decisiones.
-

Decisiones alternativas: son las distintas opciones que tiene el tomador de

decisiones (TdD), para elegir entre una u otra. (Para que tengamos un modelo de toma
de decisiones debe haber por lo menos dos alternativas).
Estados de la naturaleza: situaciones externas, que no controla o domina el TdD y
que en general son aleatorios.
Resultado de una decisin: el valor econmico o anmico en el que desemboca el
TdD al decidirse por alguna de sus alternativas u opciones.

3.3. Modelos de decisin sin datos previos.

En los casos en los que una decisin no se toma de forma repetida, es decir slo una vez, o
no existe experiencia pasada que pueda utilizarse para calcular probabilidades, o las
circunstancias que rodean la decisin cambian de un momento a otro, se considera que la
decisin se toma sin datos previos.
Para desarrollar los distintos modelos de decisin sin datos previos suponemos la siguiente
matriz de datos:

Alternativas

A
10
75
30

I
II
III

Estados de la naturaleza
B
C
100
0
50
60
40
25

D
50
40
25

3.3.1. Modelo del optimista.

La persona considera que el medio ambiente es propicio. El TD determinar el mayor pago
(ganancia) para cada alternativa y despus elige el mximo de ellos en el caso de una matriz
de pago, caso contrario elegir el menor valor de costo para cada alternativa y
posteriormente seleccionar el menor costo, para una matriz de costo.
Veamos un ejemplo para ambos casos:

Pasos para la determinacin (para pago o ganancia):

1. Para cada alternativa, determinar el resultado con el mayor valor y registrarlo.
Optimist
a (MaxiMaxi)
Alternativ I
10
100
0
50
100
II
75
50
60
40
75
as
III 30
40
25
25
40
2. De los resultados obtenidos en el paso anterior elegimos el valor mximo; la alternativa
asociada con este resultado mximo es la estrategia que debe seguirse.
A

Estados de la naturaleza
B
C

Estados de la naturaleza

Optimista

A
B
Alternativa I
10
100
II
75
50
s
III
30
40
(Para costo o prdida se realiza al revs)

C
0
60
25

D
50
40
25

(Maxi-Maxi)
100
75
40

Se busca el menor valor para cada alternativa y se elige el menor

Estados de la naturaleza

Alternativ
as

I
II
III

A
10
75
30

B
100
50
40

Optimista
(MiniMini)

C
0
60
25

D
50
40
25

0
40
25

3.3.2. Modelo del pesimista.

Las decisiones se toman en un ambiente hostil con inseguridad econmica y falta de
experiencia donde la competencia es grande.
La persona que toma las decisiones es pesimista con respecto a los estados de la naturaleza
antes mencionadas por lo que debe evitar prdidas altas. Para ello se determina el menor
resultado para cada estrategia y luego se elije la que tenga el mayor de estos resultados. Es
decir, se maximizan los resultados mnimos (para el caso de una matriz de pago): Criterio de
seleccin o estrategia denominada Maximin.
Si es prdida o costo, se busca primero el valor ms elevado de cada alternativa y luego el
menor valor de los resultados obtenidos, es decir se persigue minimizar los resultados
mximos: Criterio de seleccin o estrategia Minimini

Ejemplo
Pago o ganancia:

Alternativa
s

I
II
III

Estados de la naturaleza
A
B
10
100
75
50
30
40

C
0
60
25

D
50
40
25

Pesimista
(Maxi-Mini)
0
40
25

Estados de la naturaleza
A
B
10
100
75
50
30
40

C
0
60
25

D
50
40
25

Pesimista
(Mini-Maxi)
100
75
40

Prdida o costo

Alternativa
s

I
II
III

3.3.3. Modelo de minimizacin del arrepentimiento.

Este modelo es bastante pesimista. Se debe construir una matriz de arrepentimiento que
muestra lo que est dispuesto arrepentirse un tomador de decisiones por tomar una decisin
segn el estado de naturaleza que ocurra. Si el estado de naturaleza coincide con la mejor
decisin que l tom, no habr arrepentimiento, caso contrario se arrepentir en un valor
equivalente entre el mejor valor de un estado de naturaleza comparado con la decisin que
adopt.
Para ello se debe establecer para cada estado de la naturaleza el valor econmico mximo
(o mnimo si es costo) y compararlo con cada valor de alternativa.

En otras palabras, la matriz de arrepentimiento exhibe lo que una persona que toma
decisiones est dispuesto a arrepentirse (de perder) de no obtener la mxima ganancia o
mnima prdida.

Ejemplo
Pago o ganancia:
Estados de la naturaleza
A
B
C
Alternativas
I
10
100
0
II
75
50
60
III
30
40
25
1. Elegimos el mejor valor para cada estado de naturaleza (columna):

D
50
40
25

Estados de la naturaleza
A
B
C
D
Alternativas
I
10
100
0
50
II
75
50
60
40
III
30
40
25
25
2. Restamos el mejor valor del estado de naturaleza (columna) con el valor de cada
alternativa (fila) del mismo estado de naturaleza. Luego elegimos el menos malo; ya que si
se llegamos a equivocarnos, el mayor arrepentimiento ser el valor menor de lo peor que nos
pueda pasar.

I
II
III

A
65
0
45

Matriz de arrepentimiento
B
C
0
60
500
0
60
35

D
0
10
25

65
50
60

Prdida o costo
Alternativas

I
II
III

Estados de la naturaleza
B
C
100
0
50
60
40
25

I
II
III

A
10
75
30

A
0
-65
-20

Matriz de arrepentimiento
B
C
-60
0
-10
-60
0
-25

D
-25
-15
0

D
50
40
25

-60
-65
-25

3.3.4. Modelo de maximizacin del pago promedio o de

minimizacin del costo promedio.
Este modelo considera rpidamente una decisin teniendo en cuenta las frecuencias
relativas de los distintos estados de la naturaleza. Para ello se debe calcular el pago promedio
para cada estrategia y elegimos la alternativa que tenga mayor pago promedio, para el caso
de ganancia o seleccionamos el menor valor promedio si estuviramos en presencia de una
matriz de costo.

Ejemplo
Pago o ganancia:
Estados de la naturaleza

Mximo

Alternativa
s
X
X

10

100

50

pago
promedio
40

II
III

75
30

50
40

60
25

40
25

50,25
30

Estados de la naturaleza
B
C

10

100

50

Mnimo
Costo
promedio
40

II
III

75
30

50
40

60
25

40
25

56,25
30

Prdida o costo

Alternativa
s
X
X

3.3.5. Modelo de probabilidades subjetivas.

Este modelo consiste en aplicar probabilidades a los estados de naturaleza en base a la
experiencia que posea el tomador de decisiones, es decir que como no contamos con datos
previos, cada decisor establecer para cada estado de la naturaleza, una probabilidad de lo
que espera que suceder.
Como estas probabilidades son subjetivas y depende del punto de vista o experiencia del
tomador de decisiones es un modelo poco empleado.
Una vez establecidas las probabilidades subjetivas de ocurrencia, para elegir la mejor
alternativa, debemos basarnos en un parmetro estadstico, como por ejemplo, el valor
monetario esperado o media (VME).
Supongamos que el tomado de decisiones establece las siguientes probabilidades subjetivas
para cada estado de la naturaleza, a saber:
A
20%

25%

Estados de la naturaleza
B
C
35%

D
20%

Cmo se calcula el valor medio (monetario) esperado (VME)?

El valor medio (monetario) esperado se obtiene calculando para cada alternativa; la
sumatoria de los productos de cada uno de los valores de los estados de naturaleza por su
probabilidad de ocurrencia.
Calculemos el VME para la primera alternativa:
VMEI = 10 x 0,20 + 100 x 0,25 + 0 x 0,35 + 50 x 0,20
VMEI = 2 + 25 + 0 + 10 = 37
Vemos cmo se aplica en VME segn sea una matriz de pago o de costo.

Ejemplo
Pago o ganancia:
A
Alternativa
s

II
III
Probabilidades

10
75
30
20%

Estados de la naturaleza
B
C
100
0
50
50
40
25%

60
25
35%

40
25
20%

VME
D
37
56,5
29,75

Prdida o costo
A
Alternativa
s

I
II
III

10
75
30
20%

Probabilida
des

Estados de la naturaleza
B
C
100
0
50
60
40
25
25%
35%

VME
D
50
40
25
20%

37
56,5
29,75

3.4. Modelos de decisiones con datos previos.

Caractersticas generales del modelo:
-

Las decisiones se toman bajo las mismas condiciones (repetidas)

Existe ms de un resultado para cada decisin
Las circunstancias que rodean a la decisin son siempre las mismas, es decir, existe
experiencia anterior que puede utilizarse para obtener probabilidades para cada
resultado.

Hay dos maneras de tomar decisiones cuando existen datos previos que permiten calcular
las probabilidades de ocurrencia de los distintos estados de la naturaleza:
-

Anlisis Clsico
Anlisis Bayesiano

3.4.1. Anlisis Clsico.

Este anlisis consiste en:
-

1.
2.
3.
4.
5.

Elaborar una regla de decisin.

Se establece un parmetro estadstico.
Proponer una hiptesis en base al parmetro estadstico (hiptesis nula - Ho).
Proponer una hiptesis opuesta a la nula (hiptesis alternativa H1)
Correr una (o ms) pruebas para aceptar o desechar la Ho.

La prueba de hiptesis se realiza tomando los datos previos y estableciendo un parmetro.

Ejemplo:
1. Se estima en base a la experiencia pasada que:
Demanda
100
250
320
Nmero de das
5
15
10
2. Se calcula la probabilidad de ocurrencia de cada estado de la naturaleza:
Demanda
100
250
Nmero de das
5
15
Probabilidad
(5/30)= 0,16
(15/30)=0,5
Se busca un parmetro estadstico, por ejemplo VME

320
10
(10/30)=0,34

VME = (100 x 0,16) + (250 x 0,5) + (320 x 0,34)

VME = 249,80
3. y 4. Se establece la Ho y H1 a partir de los estadsticos
Ho >= 250 y H1< 250
5. Se ejecuta o corre una prueba para aprobar o rechazar la Ho.

Supongamos que un estudio realizado sobre la demanda en los ltimos 30 das obtuvimos
un valor de demanda esperada de 200, en este caso se rechazara la Ho.

3.4.2. Anlisis Bayesiano.

En ste anlisis, el problema siempre es la duda atroz de tomar una u otra decisin:
1. Porque hay aleatoriedad;
2. Porque dudamos de nuestros datos (probabilidad de los distintos estados de la naturaleza)
y necesitamos corroborarlos u optimizarlos. En este caso debemos hacer nuevas pruebas o
mejor encargarle a una consultora que nos provea mejor informacin que la que poseemos.
En este ltimo caso debemos:
a) Valorar los datos que nos proveen,
b) Considerar el costo del trabajo de la consultora,
c) Decidir si aceptamos o no los consejos de n consultora.

3.4.3. Anlisis previo.

Tambin denominado a priori. Este anlisis permite concluir que:
a) Ninguna consultora nos puede afirmar que obtendremos un valor mejor o igual al valor
medio esperado de la informacin perfecta (VME IP);
b) A ninguna consultora le pagaramos por su informacin un valor mayor o igual al valor de
la informacin perfecta (VIP).
Cmo debemos proceder para cumplir el punto a)?
1. Calculamos la probabilidad de ocurrencia para cada estado de la naturaleza.
Alternativa 1
Alternativa 2
Alternativa 3
Alternativa 4
P(N)
2. Calculamos el

Est. de naturaleza N1 Est. de naturaleza N2

A1 N1
A1 N2
A2 N1
A2 N2
A3 N1
A3 N2
A4 N1
A4 N2
P(N1)
P(N2)
VME para todas las alternativas utilizando:

Est. de naturaleza N3
A1 N3
A2 N3
A3 N3
A4 N3
P(N3)

VMEi = OijPj donde Oij = pago o costo utilizado, si ocurre j estado de la naturaleza
Posteriormente calculamos los valores medios esperados (VME) para cada alternativa:
VMEA1 = A1N1 . P(N1) + A1N2 . P(N2) + A1N3 . P(N3)
VMEA2 = A2N1 . P(N1) + A2N2 . P(N2) + A2N3 . P(N3)
VMEA3 = A3N1 . P(N1) + A3N2 . P(N2) + A3N3 . P(N3)
3. Seleccionamos el valor mximo (para ganancia) o mnimo (para costo) de los VME
obtenidos. ste valor representa la ganancia o costo (segn el caso de estudio) que
conocemos en base a nuestra experiencia, y lo denotamos como VME*
4. Determinamos el valor medio esperado de la informacin perfecta (VME IP)
VMEIP = (Max. O min.) N1 . P(N1) + (Max. O min.) N2 . P(N2) + (Max. O min.) N3 . P(N3)
5. Calculamos el valor de la Informacin perfecta (VIP)
VIP = VMEIP VME*
ste VIP me indica cunto estoy dispuesto a pagar por informacin perfecta.

3.4.4. Anlisis pre-posterior.

Primero se recordemos los conceptos sobre probabilidades condicionales:

P (A/B) Probabilidad de que se produzca el evento A, habindose producido el evento B.

P (B/A) Probabilidad de que se produzca el evento B, habindose producido el evento A.
P (A B) Probabilidad de que se produzcan ambos eventos.
Teorema de Bayes:
P(A /B ) = [P(A/B ).P(B)]/P(A)
Demostracin:
P(AB) = P(A/ B).P(B)

[1]

(La probabilidad de que se produzca A y B es igual a la probabilidad de que se produzca A si

se ha producido B por la probabilidad de que se produzca B)
P(AB) = P(B/A).P(A)

[2]

Igualando [1] y [2] se tiene:

P(A/ B).P(B) = P(B/A).P(A)
P(A/B)= [P(A/B).P(A)]/P(B)

P(B/A)= [P(A/B).P(B)]/P(A)
Utilizando este teorema se analizara el valor de la prueba (R), siendo R= Resultado de las
pruebas y N= Estados de la naturaleza.
Las probabilidades condicionales pueden variar segn si la consultora posee o no
experiencia sobre el tema en estudio

Cmo calcula para cada caso?

Sin experiencia
P(R/N) = probabilidad de que la consultora haya pronosticado R y pas el estado de la
naturaleza N, o tambin, cuando la realidad N se dio ellos pronosticaron N, donde R=N o RN.
Observemos la siguiente tabla:
N1
N2
N3
R1
P(R1/N1)
P(R1/N2)
P(R1/N3)
R2
P(R2/N1)
P(R2/N2)
P(R2/N3)
R3
P(R3/N1)
P(R3/N2)
P(R3/N3)
P(N)
P(N1)
P(N2)
P(N3)
Esta tabla nos muestra que el consultor o consultora no tiene experiencia, ya que las
probabilidades obtenidas surgen de hechos ya ocurridos, es decir, sabiendo el estado de
naturaleza se predice la efectividad de la prueba.
Si estamos en presencia de una tabla de probabilidades sin experiencia debemos aplicar el
teorema de Bayes para transformar cada P(R/N) en P(N/R)

Con experiencia
Para valorar la informacin de prueba, se debe calcular P(N / R) , es decir, cul es la
probabilidad de que cuando la consultora pronostic R se produzca N.
Por lo general se desconocen los valores de P(N / R) puesto que estos valores slo se
conocen despus de haber utilizado la prueba las suficientes veces para recopilar datos que
permitan calcular probabilidades. Generalmente se conoce lo opuesto, es decir, la
probabilidad de que ocurra el resultado de la prueba dado el resultado correspondiente

( P(R/N) ) y puede calcularse usando datos histricos para determinar la forma en que se
hubiera comportado la prueba si se hubiera usado.
Para calcular P(N / R) antes se debe calcular P(R) = probabilidad de que la consultora
aconseje R=n1; R=n2; R=n3; R=n, es decir:
P(R) = P(R/N).P(N) + P(R/N).(N)
En donde N, significa que no ocurra N
Entonces se tiene que:
P(N/R)=[P(R/N).P(N)]/[P(R/N).P(N)+P(R/N).(N)
El resultado final, P(N/R) , probabilidad de que ocurra el suceso N dado el resultado de
prueba R, se conoce como probabilidad a posteriori ya que se obtiene despus del
procedimiento de prueba.
Pasos para el anlisis:
1. Elaborar una tabla de probabilidades de prueba P(R/N), es decir, P (el resultado de la
prueba ser R/el resultado final fue N) y un conjunto de probabilidades previas P(N), para
cada estado de la naturaleza.
N1
N2
N3
R1
P(R1/N1)
P(R1/N2)
P(R1/N3)
R2
P(R2/N1)
P(R2/N2)
P(R2/N3)
R3
P(R3/N1)
P(R3/N2)
P(R3/N3)
P(N)
P(N1)
P(N2)
P(N3)
2. Cada fila de la tabla de probabilidades de prueba lo multiplicamos por su probabilidad
previa P(N), correspondiente al estado de la naturaleza. El producto es un elemento de una
tabla modificada de probabilidades, P(R/N) P(N). La suma de las probabilidades obtenidas
para cada fila de la tabla ser ahora la probabilidad de la prueba, P(R).
3. Dividimos cada elemento de la matriz de probabilidades modificada por el P(R), es decir,
P(R/N) P(N) / P(R), de esta manera obtenemos los elementos de la tabla de pronsticos,
P(N/R).
4. Utilizando la matriz de pago calculamos los distintos VME (mximo para utilidades,
mnimos para costos) para cada resultado de prueba.
5. Utilizando los VME (mximo para utilidades, mnimos para costos) para cada resultado de
prueba, estamos en condiciones de calcular el valor medio esperado de la prueba,
VME(prueba), que se obtiene multiplicando el VME (mximo para utilidades, mnimos para
costos) para cada resultado de prueba por la probabilidad de que ocurra ese resultado, P(R), y
sumando todos estos resultados. (Ver punto 3.4.6)
6. El valor de la prueba, V(prueba), se determina realizando la diferencia entre el VME de la
prueba calculado en el paso 5 y el VME (mximo para utilidades, mnimos para costos) posible
sin la prueba, es decir V(prueba) = VME(prueba) VME* (sin prueba)

3.4.5. El valor de la informacin perfecta.

El valor de la informacin perfecta, VIP, fue demostrado en el punto 4.4.3. y significa, cuanto
estoy perdiendo de ganar por no poseer de informacin perfecta, o tambin, hasta cuando
estoy dispuesto a abonar a una consultora para que me suministre informacin perfecta.
Recordemos que el valor de la informacin perfecta se obtiene de conocer el valor medio
esperado de la informacin perfecta (VMEIP) menos el valor medio esperado de nuestra
experiencia (VME*), es decir:
VIP = VMEIP VME*

3.4.6. El valor de la prueba.

Por lo general la informacin proviene de algn procedimiento imperfecto de prueba. Esto
quiere decir que la informacin de la prueba no siempre pronostica en forma correcta el
estado de la naturaleza que ocurrir.
Tratemos de comprender el procedimiento que se utiliza:
P(N / R) es la probabilidad de qu ocurra en realidad el evento N, dado que el resultado de la
prueba fue R.
Dado que la prueba es imperfecta, P(N / R) < 1.
Por lo general se desconocen los valores de P(N / R) puesto que estos valores slo se
conocen despus de haber utilizado la prueba las suficientes veces para recopilar datos que
permitan calcular probabilidades. Generalmente se conoce lo opuesto, es decir, la
probabilidad de que ocurra el resultado de la prueba dado el resultado correspondiente
( P(R/N) ) y puede calcularse usando datos histricos para determinar la forma en que se
hubiera comportado la prueba si se hubiera usado.
La probabilidad de P(R/N) no es la probabilidad de prueba que se necesita, pues esta se
calcul despus de conocer el resultado. Se necesita entonces calcular:
P(N/R)=[P(R/N).P(N)]/[P(R)]

(1)

Calcular ahora resulta fcil. Se debe calcular a partir de datos previos la probabilidad de que
la prueba sea exacta, dado que se conoce el resultado real, P(R N) y la probabilidad de que
ocurra un resultado particular sin importar cul sea la prueba.
P(N) se conoce como probabilidad a priori puesto que se calcula antes de cualquier prueba,
mientras que las otras son probabilidades condicionales.
La tercera probabilidad es P(R): la probabilidad de que ocurra el resultado de prueba R.
puede calcularse por medio de:
P(R) = P(R/N).P(N) + P(R/N).(N)

(2)

Combinando (1) y (2) obtenemos:

P(N/R) = [P(R/N).P(N)]/[ P(R/N).P(N) + P(R/N).(N)]

(3)

El resultado final, P(N / R) , probabilidad de que ocurra el suceso N dado el resultado de

prueba R se conoce como probabilidad a posteriori ya que se obtiene despus del
procedimiento de prueba.
En estos momentos estamos en condiciones de conocer el valor medio esperado de la
prueba, VME (prueba).
Para poder mostrar su expresin supongamos que tenemos una matriz como la siguiente:
Est. de naturaleza
Est. de naturaleza
Est. de naturaleza
N1
N2
N3
Alternativa 1
A1 N1
A1 N2
A1 N3
Alternativa 2
A2 N1
A2 N2
A2 N3
Alternativa 3
A3 N1
A3 N2
A3 N3
P(N)
P(N1)
P(N2)
P(N3)
Si reemplazamos en la matriz cada P(N) por los distintos P(N/R) para cada R (prueba) y
calculamos los distintos VME (mximo para utilidades, mnimos para costos) para cada
resultado de prueba obtendramos para cada prueba (R) un valor de VME*
Una vez calculados todos los VME* (mximo para utilidades, mnimos para costos) para cada
resultado de prueba, estamos en condiciones de calcular el valor medio esperado de la
prueba, VME (prueba), que se obtiene multiplicando el VME* (mximo para utilidades,

mnimos para costos) para cada resultado de prueba por la probabilidad de que ocurra ese
resultado, P(R), y sumando todos estos resultados, obtenemos finalmente la expresin:
VME(Prueba) = (Max. O min.) VME*1 . P(R1) + (Max. O min.) VME*2. P(N2) + (Max. O min.)
VME*3 P(N3)
que expresa el valor medio monetario esperado que nos suministra un consultor o
consultora en base a su experiencia.

Cmo se calcula el valor de la prueba?

El valor de la prueba, V(prueba), se determina realizando la diferencia entre el VME de la
prueba y el VME (mximo para utilidades, mnimos para costos) sin la prueba, es decir:
V(prueba) = VME(prueba) VME* (sin prueba)
Veamos toda esta teora aplicada a un ejercicio:
Suponga que el anlisis bayesiano previo nos indica para una matriz de ganancia los
siguientes valores:
VME* = $ 420 por da
VMEIP = $ 510 por da
perfecta

Valor que espero ganar en base a mi experiencia

Valor mximo que espero ganar si tuviera informacin

VIP = $ 90 por da
por no poseer informacin perfecta

Es el valor que me estoy perdiendo de ganar por da

Presuma que consulto a cinco Consultoras para mejorar nuestro VME* diario y que las
mismas cobran por sus servicios un cierto valor monetario diario que a continuacin se
detallan:
-

Consultora
Consultora
Consultora
Consultora
Consultora

I: VME (prueba) = $ 510 y cobra $ 30

II: VME (prueba) = $ 530 y cobra $ 20
III: VME (prueba) = $ 480 y cobra $ 40
IV: VME (prueba) = $ 490 y cobra $ 40
V: VME (prueba) = $ 470 y cobra $ 50

Cul consultora elegira y por qu?

Para comprender analicemos a cada consultora.
Consultora I
En base a sus pruebas nos indica que podemos ganar diariamente $ 510 y que por sus
servicios cobra diariamente $ 30, es decir, nuestra ganancia neta ser de $ 480 diarios. Esto
significa que es posible contratarla ya que ganara $ 60 ms por da, pero tiene como contra
que me asegura que voy a ganar $ 510, que es el valor mximo que puedo ganar (comparar
con el VMEIP) y esto es casi imposible que suceda, es decir que me prediga lo que suceder
exactamente.
Para que pueda comprender mejor su significado, por ejemplo, me est prediciendo todos
los das la demanda de clientes que tendr en mi negocio. Usted se arriesgara a confiar que
se suministre esta informacin con tanta exactitud y precisin?, en mi argumento lo contara
solamente si fuera DIOS!!! Caso contario no.
Consultora II
En base a sus pruebas nos indica que podemos ganar diariamente $ 530 y que por sus
servicios cobra diariamente $ 20, es decir, nuestra ganancia neta seran de $ 510 diarios. Esto
significa que es imposible contratarlo porque nos est mintiendo y de paso nos cobra.

Se estar preguntando por qu?, la respuesta es fcil, nunca el valor de su prueba me

puede hacer ganar ms que la informacin perfecta ($510). Por lo expuesto se descarta.
Consultora III
En base a sus pruebas nos indica que podemos ganar diariamente $ 480 y que por sus
servicios cobra diariamente $ 40, es decir, nuestra ganancia neta ser de $ 440 diarios. Esto
significa que es posible contratarla ya que ganara $ 20 ms por da.
Consultora IV
En base a sus pruebas nos indica que podemos ganar diariamente $ 490 y que por sus
servicios cobra diariamente $ 40, es decir, nuestra ganancia neta ser de $ 450 diarios. Esto
significa que es posible contratarla ya que ganara $ 30 ms por da.
Consultora V
En base a sus pruebas nos indica que podemos ganar diariamente $ 470 y que por sus
servicios cobra diariamente $ 50, es decir nuestra ganancia neta ser de $ 420 diarios. Esto
significa que es indistinto contratarla ya que ganara lo mismo que gano actualmente, por lo
tanto, sino logro bajar el valor de lo que pretende ganar la Consultora, no lo contratara.
Finalmente, del anlisis efectuado para cada consultora la que convendra contratar es la
Consultora III

Lectura 04: Anlisis de Procesos de Decisiones:

Modelos de decisin
1.1 Conceptos Bsicos
-

Decisiones, estados de la naturaleza y probabilidades.

Resultados o pagos.
rboles de decisin.

1.2 Modelos Clsicos

Modelo del pesimista (maxmin).

Modelo del optimista (maxmax).
Modelo de minimizacin de las prdidas de oportunidad.
Modelo del pago promedio
Modelo del valor monetario esperado.
Valor de la informacin perfecta.

1.3 Anlisis de Bayes

Valor de la informacin imperfecta.

1.4 Modelo de la Minera de Datos

Modelo
Modelo
Modelo
Modelo

de
de
de
de

lealtad.
rentabilidad.
anlisis de respuesta.
asociacin.

Modelos de Decisin
Criterios comunes para la toma de decisiones en la vida cotidiana:

La intuicin.
Las emociones.

El anlisis de decisiones proporciona un marco conceptual y una metodologa para la toma

de decisiones de forma racional.

El Proceso de Toma de Decisiones

Una decisin puede definirse como el proceso de elegir la solucin para un problema,
siempre y cuando existan al menos dos soluciones alternativas.
Las buenas decisiones no garantizan por s solas buenos resultados.

Etapas en el Proceso de toma de decisiones

El
El
El
El
El

TD
TD
TD
TD
TD

se da cuenta de que existe un problema.

recopila datos acerca del problema.
elabora un modelo que describe el problema.
utiliza el modelo para generar soluciones alternativas para el problema.
elige entre las soluciones alternativas.

El proceso de solucin de problemas en la CA puede dividirse en

6 etapas:
1.
2.
3.
4.
5.
6.

Identificacin, observacin y planteamiento del problema.

Construccin del modelo.
Generacin de la solucin.
Prueba y evaluacin de la solucin.
Implantacin.
Evaluacin.

El Proceso de Solucin de Problemas de CA/IO

(1) Identificar el problema
(1.a) Observar el problema, recopilar datos descriptivos e identificar los factores que
afectan
(1.b) Describir en forma verbal el problema
(2) Clasificar los factores como controlables y no controlables
(2.a) Desarrollo del modelo
(3) Generar la solucin
(4) Correr datos de prueba
(4.a) Evaluar
(4.a.1) Aceptable (5)
(4.a.2) No aceptable (1.a)
(5) Implantacin
(6) Resultados
Futuro pronosticado

Intervalo predeterminado de valores

Metas
El costo de cambiar es ahorros ?
SI - ALTO
NO: Revisar modelo
(1.a)

Datos
Los resultados satisfacen las metas ?
No

SI
Continuar

Tipos de Decisiones

Decisiones bajo certidumbre.

Decisiones utilizando datos previos.
Decisiones sin datos previos.

Toma de Decisiones bajo certidumbre.

Son los casos en que existe slo un resultado para una decisin.
Por ejemplo cuando se emplean los resultados de la programacin lineal no hay duda con
respecto a cul ser la utilidad asociada.

Toma de Decisiones utilizando datos previos.

En estos casos se toman decisiones en forma repetida con muchos resultados posibles
siendo las circunstancias que rodean la decisin, siempre iguales. Es posible valerse de la
experiencia pasada y es factible desarrollar probabilidades (modelos) con respecto a la
ocurrencia de cada resultado.

Toma de Decisiones sin datos previos.

Aqu las decisiones son nicas (se toman solo una vez), no existe experiencia pasada para
calcular probabilidades y las circunstancias que rodean la decisin cambian de un momento a
otro.

Estructura de los Problemas para la Toma de Decisiones

Analicemos el caso de la Pizzera Ashley que tiene que decidir cul es la poltica ptima de
fabricacin de pizzas antes una demanda cambiante.
Adems, tambin se est considerando la posibilidad de mudar la pizzera de local.
Demanda de Pizzas en los ltimos 100 das
Nmero de pizzas que se solicitan
150
160
170
Nmero de das
20
40
25
Base de clculo para las utilidades:

180
15

Por cada pizza que se vende se ganan $2

Por cada pizza que no se vende se pierde $1

Tabla de Utilidades para la Pizzera

Nmero de pizzas
que se hornean con
anticipacin
150
160
170
180

150
300
290
280
270

Demanda de pizzas
160
170

180

300
320
310
300

300
320
340
360

300
320
340
330

Valores Presentes de la Decisin de Ubicacin

Decisin
No mudarse
Baxter Street
Epps Bridge
Road

Ninguna
+
$100,000
+$40,000
-$20,000

Accin Externa
Cerrar los antiguos
Construir nuevos departamentos
dormitorios
+$50,000
+$20,000
+$150,000
+$20,000

+$25,000
+$200,000

Hay que tomar dos decisiones:

Determinar el nmero de pizzas a hornear (esta es del tipo de la existen datos

previos)
Determinar si es conveniente cambiar de ubicacin (esta es de las del tipo cuando no
existen datos previos)

Terminologa de los Modelos de Toma de Decisiones

Decisiones alternativas:
Son las alternativas sobre las cuales se basar la decisin final. Ej. En el caso de la pizzera
tiene 4 alternativas con respecto a la cantidad de pizzas a hornear y 3 con respecto a la
ubicacin.

Estados de la naturaleza:
Son las acciones externas o las circunstancias que afectan el resultado de la decisin pero
que estn fuera del control del TD. Ejemplo: Los niveles de demanda de las pizzas, las
decisiones sobre mantener las mismas condiciones, cerrar los antiguos dormitorios o construir
nuevos departamentos.

Resultados:
Para determinar los resultados es necesario considerar todas las posibles combinaciones de
decisiones y de estados de la naturaleza.
Ejemplo: 3 posibles decisiones x 3 estados de la naturales = 9 posibles resultados.

rbol de Decisin
Est formado por nodos de accin, nodos de probabilidad y ramas. Los nodos de accin se
denotan con () y representan aquellos lugares del proceso de toma de decisiones en los que
se toma una decisin. Los nodos de probabilidad se denotan por medio (O) e indicarn
aquellas partes del proceso en las que ocurre algn estado de la naturaleza.
Las ramas se utilizan para denotar las decisiones o los estados de la naturaleza y sobre ellas
pueden anotarse probabilidades de que ocurra un determinado estado de la naturaleza. Por
ltimo se colocan los pagos al final de las ramas terminales del estado de la naturaleza para
demostrar el resultado que se obtendra a elegir un camino especfico.

rbol de Decisin para el problema de la pizzera con respecto a

mudarse
No mudarse
()

Mudarse a
Baxter Street
(O)

()

Mudarse a Epps
Bridge Road
()

Sin cambios
Cierran
dormitorios
Se construyen
dptos.
Sin cambios
Cierran
dormitorios
Se construyen
dptos.
Sin cambios
Cierran
dormitorios
Se construyen
dptos.

$100,000
$50,000
$20,000
$40,000
$150,000
$25,000
-$20,000
$20,000
$200,000

Caractersticas de los Modelos de Decisin

Proporcionan una estructura para examinar el proceso de toma de decisiones.
Pueden evitar decisiones arbitrarias o inconsistentes que no se basen en los datos
disponibles.
No nos dicen que decisiones tomar; ms bien, nos indican cmo proceder para tomarlas o
cmo analizar decisiones pasadas.
El resultado de las decisiones no siempre es favorable ; las buenas decisiones no
necesariamente garantizan buenos resultados.

Toma de Decisiones sin Datos Previos (Sin Probabilidades)

Modelo del Pesimista (MaxMin)
El TD es pesimista con respecto a los estados de la naturaleza o considera que de acuerdo a
su inseguridad econmica debe evitar prdidas altas an a riesgo de posiblemente perder
altas utilidades. El procedimiento consiste en determinar el resultado de menor valor para
cada alternativa y registrarlo en una lista y luego elegir el valor mximo.

Tabla de Pagos para el Problema de Ubicacin

Alternativa

Permanecer en la ubicacin
actual (A1)
Mudarse a Baxter Street (A2)
Mudarse a Epps Bridge Road
(A3)

Sin cambio
(N1)
+$100,000

Estados de la Naturaleza
Cerrar los antiguos
Construir nuevos
dormitorios (N2)
departamentos (N3)
+$50,000
+$20,000

+$40,000
-$20,000

+$150,000
+$20,000

+$25,000
+$200,000

Tabla de Pagos Mnimos para el Problema de Ubicacin

Alternativa
Permanecer en la ubicacin actual (A1)
Mudarse a Baxter Street (A2) MaxMin
Mudarse a Epps Bridge Road (A3)

Pago Mnimo
$20,000 (N3)
$25,000 (N3)
-$20,000 (N1)

Modelo del Optimista (MaxMax)

El TD considera que el medio ambiente es propicio y la cantidad de dinero que puede
perderse es pequea en comparacin con la utilidad que puede alcanzarse.
El procedimiento consiste en determinar el resultado de mayor valor para cada alternativa y
registrarlo en una lista y luego elegir el valor mximo.

Tabla de Pagos Mximos para el Problema de Ubicacin

Alternativa
Permanecer en la ubicacin actual (A1)
Mudarse a Baxter Street (A2)
Mudarse a Epps Bridge Road (A3) MaxMax

Pago Mximo
$100,000 (N1)
$150,000 (N2)
$200,000 (N3)

Modelo de Minimizacin de las Prdidas de Oportunidad

Representa una opinin bastante pesimista del medio. Aqu se busca evitar valores grandes
de arrepentimiento que estn asociados con grandes prdidas de oportunidad. Esta clase de
decisiones es similar al modelo de decisin pesimista, excepto que en este se busca
minimizar las prdidas mximas de oportunidad.

Para un estado de la naturaleza determinado existen siempre una o ms alternativas que

producen el mayor pago. Si se elige una estrategia que de cmo resultado un pago inferior al
mximo para ese estado de la naturaleza en particular, entonces se incurre en un prdida de
oportunidad, que es igual a la diferencia entre el pago ms alto y el pago que se da con la
estrategia elegida:
Prdidas de Oportunidad = Pago Mximo = Pago por la Alternativa Seleccionada
El procedimiento consiste en determinar el pago ms alto por cada estado de la naturaleza,
calcular las prdidas de oportunidad y construir la tabla de arrepentimiento.
Luego para cada alternativa determine la prdida mxima y confeccione una lista.
Finalmente determine la mnima de las prdidas mximas.

Tabla de Arrepentimiento
Alternativa
Permanecer en la ubicacin
actual (A1)
Mudarse a Baxter Street (A2)
Mudarse a Epps Bridge Road (A3)

Estados de la Naturaleza
Cerrar los antiguos Construir nuevos
dormitorios (N2)
departamentos
(N3)
$100,000
$180,000

Sin cambio
(N1)
0
$60,000
$120,000

0
$130,000

$175,000
0

Tabla de Valores del Mximo Arrepentimiento

Alternativa
Mudarse a Epps Bridge Road (A3)
Mudarse a Baxter Street (A2)
Permanecer en la ubicacin
actual (A1)

Mxima Prdida de Oportunidad

$130,000 (N2)
$170,000 (N3)
$180,000 (N3)

Modelo de Maximizacin del Pago Promedio

Una estrategia puede ser determinar el pago promedio por cada alternativa y despus elegir
la que tenga el mayor.
Vi = (1/n) ^nj=1 Oij
Vi - Pago promedio para la alternativa i
Oij- Pago para la alternativa i y el estado de la naturaleza j
Al tomar los promedios de los resultados para cada decisin estamos considerando en forma
implcita que los resultados son igualmente probables. En trminos de probabilidades, la
probabilidad de que ocurra cada resultado es igual 1/n, donde n es el nmero de resultados.

Tabla de Pagos para el Problema de Ubicacin

Alternativa
Sin cambio
(N1)
Permanecer en la ubicacin actual
(A1)
Mudarse a Baxter Street (A2)
Mudarse a Epps Bridge Road (A3)

+$100,000
+$40,000
-$20,000

Estados de la Naturaleza
Cerrar los antiguos Construir nuevos
dormitorios (N2)
departamentos
(N3)
+$50,000
+$20,000
+$150,000
+$20,000

Tabla de Pagos Promedios

Alternativa
Permanecer en la ubicacin actual (A1)

Pagos Promedios
$56,667

+$25,000
+$200,000

Mudarse a Baxter Street (A2) MaxProm

Mudarse a Epps Bridge Road (A3)

$71,667
$66,667

Toma de Decisiones con Datos Previos (Con Probabilidades)

Modelo de Valor Monetario esperado
Se basa en el concepto de valor esperado de la teora de probabilidades.
Si existen n resultados para un experimento donde cada resultado tiene un rendimiento rj y
una probabilidad de ocurrencia Pj, entonces el valor monetario esperado estar dado por:
VME = ^nj=1 pj rj

^nj=1 pj = 1

Tabla de Utilidades
Nmero de
pizzas que se
hornean con
anticipacin
150
160
170
180
Fraccin de
tiempo

150

Nmero de pizzas que se solicitan

160
170
180

300
290
280
270
0.20

300
320
310
300
0.40

300
320
340
330
0.25

300
320
340
360
0.15

rbol de decisin para el horneado previo de pizzas

(O)

Hornear 150
pizzas
()300

Hornear 160
pizzas
()314

Hornear 170
pizzas
()316

Hornear 180
pizzas

()310,50

Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda
pizzas
Demanda

de 150

0,2

$300

de 160

0,4

$300

de 170

0,25

$300

de 180

0,15

$300

de 150

0,2

$290

de 160

0,4

$320

de 170

0,25

$320

de 180

0,15

$320

de 150

0,2

$280

de 160

0,4

$310

de 170

0,25

$340

de 180

0,15

$340

de 150

0,2

$270

de 160

0,4

$300

de 170

0,25

$330

pizzas
Demanda de 180
pizzas

0,15

$360

VMEi = ^nj=1 Oij pj

VMEi Valor monetario esperado para la alternativa i
Oij Pago para la alternativa i cuando ocurre el estado de la naturaleza j
pj Probabilidad de que ocurra el estado de la naturaleza j

Videos M2:
Video Conceptual:
El Teorema de Bayes
A
P(AB)

B
B1

A1
P(A1B)

P(B)
P(B1)

P(A)
P(A1)
Evento 1, dos sucesos A y A1. Evento 2, dos sucesos B y B1.
Probabilidad de que suceda A = P(A), de que suceda A1 = P(A1)
Pueden ocurrir dos sucesos en simultneo, por ejemplo P(AB)
P(B) = P(AB)+ P(A1B)

Referencias:
P(A): Probabilidad de A
P(AB): Probabilidad de A y B P(AB)= P(B)*P(A/B) P(AB) = P(A) * P(B/A)
P(A/B): Probabilidad de A dado B P(AB)/P(B) P(AB)/ P(AB)+ P(A1B)
P(A/B) = [P(A)*P(B/A)] /[P(A)*P(B/A)+P(A1)*P(B/A1)]

Teleclase
Los modelos de decisin no nos indica que decisin tomar, sino cmo proceder para
analizar y evaluar las mejores alternativas de solucin.
Certidumbre
Modelos deterministas

Modelos de decisin
Incertidumbre
Modelos sin datos previos

Modelos sin datos previos

Utilidades
Costos
Modelo del optimista / Modelo del
pesimista
Modelo de
Modelo de
maximizacin del
minimizacin del
pago promedio
costo promedio

Riesgo
Modelos con datos previos

Modelos con datos previos

Modelo clsico
Modelo Bayesiano
Anlisis Previo:

Valor medio esperado.

Valor medio esperado de la Informacin

Perfecta.
Valor de la informacin perfecta.

Modelo de minimizacin de
arrepentimiento

Anlisis pre-posterior:

Valor medio esperado de la prueba.

Valor de la prueba.

Modelo de probabilidades subjetivas

A menudo sabemos identificar el problema claramente, pero no encontrar una solucin que
sea la ms apropiada
El Administrador construye Modelos Normativos que optimizan la Toma de Decisin en
condiciones de Certidumbre / Incertidumbre empleando Mtodos para obtener
Resultados que permiten el Anlisis por parte del Administrador.

Toma de Decisiones:
Qu modelos de decisin estudiamos?
Analizamos modelos de decisin lgicos con los que usted podr tomar una decisin o por lo
menos contrastar sus conclusiones, con su visin intuitiva, poltica, emocional, entre otras.

Estos modelos, nos aseguran cul ser la mejor decisin a tomar?

La mayora de los modelos no nos dicen qu decisin tomar, sino cmo proceder para
tomarlas, o cmo analizar las decisiones a tomar o tomadas.

Proceso de la Toma de Decisiones

Cmo se realiza el proceso de la toma de decisiones a travs del modelo?

El tomador de decisiones se da cuenta que existe un problema o una necesidad.

Se recopilan datos acerca del problema o necesidad.
Se construye un modelo (versin simplificada de la realidad) que describe el
problema.
El tomador de decisiones elige entre las soluciones alternativas, que pueden ser para
un modelo cuantitativo o cualitativo.

En qu mbito se toman las decisiones?

1. Certidumbre.
2. Incertidumbre (sin datos previos).
3. Riesgo (con datos previos).

Terminologa empleada en la toma de decisiones

Alternativas: son las distintas opciones que tiene un tomador de decisiones para elegir una
de ellas.
Estados de la naturaleza: son situaciones externas que no controla o domina el tomador
de decisiones y en general son aleatorias.
Resultado de una decisin: es el valor econmico o anmico que desemboca el tomador
de decisiones al decidirse por alguna de sus alternativas.

Toma de decisiones sin datos previos

Tipos de modelos de decisin sin datos previos
-

Modelo de decisin del optimista.

Modelo de decisin del pesimista.

Modelo de una decisin de minimizacin de arrepentimiento (costo de oportunidad

para una matriz de costos).
Modelo de decisin de maximizacin del pago promedio o minimizacin de costos,
segn lo que se estudia.
Modelo de probabilidades subjetivas.

Ejercicio:
Un especulador debe decidir en un momento del da si compra dlares a $3,43 o vende
dlares a $3,41.
El tomador de decisiones ha determinado que la cotizacin del dlar puede ser al final de la
jornada de:
a) $3,38

b) $3,42

c) $3,50

Construccin del modelo

Comenzamos armando nuestra matriz de decisin
Si cierra a $3,38
Est. Nat.
Alternativas
Comprar a $3,43
Vender a $3,41

- 0,05
0,03

Si cierra a $3,41

- 0,01
- 0,01

Si cierra a $3,50

0,07
- 0,09

Qu tipo de matriz de decisin es?

Es una matriz de pago porque quiero maximizar mis utilidades.
Los valores relevantes para el modelo optimista sern 0,07 y 0,03
Los valores relevantes para el modelo pesimista sern 0,05 y 0,09
Los valores relevantes para el modelo del mximo pago promedio sern (-0,050,01+0,07)/3=0,003 y -0,05/3=
-0,023
Para mnimo costo promedio, son los mismos valores.
Para minimizacin de arrepentimiento
Matriz de arrepentimiento
Opcin
0,08 (-0,05-0,03) 0 (indistinto)
0 (sin
0,08
arrepentim)
Vender a $3,41
0 (sin
0 (indistinto)
0,16 (-0,09-0,07) 0,16
arrepentim)
Si comparamos los resultados, todos los mtodos apunta a la alternativa Comprar.
Comprar a $3,43

Toma de decisiones Con Datos Previos

Existen dos tipos de mtodos:
Anlisis clsico
Anlisis bayesiano
Anlisis previo.
Anlisis preposterior.

Anlisis Clsico:
-

Se estima un hecho en base a experiencias pasadas.

Se construye una regla de decisin para poder realizar el anlisis, como por ejemplo,
un parmetro estadstico.
Se propone una prueba de hiptesis en base al parmetro estadstico, definiendo una
hiptesis nula (H0) y alternativas (H1)
Posteriormente se ejecuta una o ms pruebas o se toman muestras para aceptar o
desechar las hiptesis (H0)

Anlisis bayesiano: Previo

Retomamos el ejercicio anterior pero ahora asignamos probabilidades de ocurrencia para los
estados de naturaleza.

Ejercicio:
Un especulador debe decidir en un momento del da si compra dlares a $3,43 o vende
dlares a $3,41.
El tomador de decisiones ha determinado que la cotizacin del dlar puede ser al final de la
jornada de:
a) $3,38 (probabilidad de 30%)
de 50%)

b) $3,42 (probabilidad de 20%) c) $3,50 (probabilidad

Si cierra a $3,38
Est. Nat.
Alternativas
Comprar a $3,43
Vender a $3,41
Probabilidad

- 0,05
0,03
0,30

Si cierra a $3,41

- 0,01
- 0,01
0,20

Si cierra a $3,50

0,07
- 0,09
0,5

Qu significa anlisis previo?

Es el valor econmico esperado de un tomador de decisiones en base a su experiencia
previa.

Cmo calculamos el valor econmico esperado de nuestra experiencia?

Como poseemos datos previos de nuestra experiencia a travs de las probabilidades de
ocurrencia de los estados de la naturaleza registrados, estamos en condiciones de emplear un
parmetro estadstico, como regla de decisin, por ejemplo la media; calculando el valor
medio econmico esperado para cada alternativa (VME)
Si cierra a $3,38

Si cierra a $3,41

Si cierra a $3,50

VME

Est. Nat.
Alternativas
Comprar a $3,43
- 0,05
- 0,01
0,07
$0,018 (VME*)
Vender a $3,41
0,03
- 0,01
- 0,09
-0,038
Probabilidad
0,30
0,20
0,5
El VME se calcula sumando la mxima utilidad para cada alternativa multiplicado por su
probabilidad de ocurrencia de los estados de la naturaleza.
VME* = (-0,05*0,3)+(-0,01*0,2)+(0,07*0,5) = 0,018
Para calcular el Valor Medio Monetario Esperado de la Informacin Perfecta tomo el
mejor dato de cada columna y lo multiplico por su probabilidad de ocurrencia:
(0,03*0,03) + (-0,01*0,2) + (0,07*0,5) = 0,042
El valor medio monetario esperado de la informacin perfecta (VMEIP) se calcula sumando la
mxima utilidad para cada estado de naturaleza de cada alternativa multiplicando por su
probabilidad de ocurrencia.
Es el mximo valor de utilidades que puedo esperar en base a mi experiencia.

El valor de la informacin perfecta (VIP) es la diferencia entre el VMEIP y el VME* y significa

que estoy perdiendo de ganar por no poseer de antemano informacin perfecta o hasta
cuando estoy dispuesto a pagar para tener informacin perfecta.
Para nuestro caso ser = VIP = VMEIP VME* =0,042 0,018 = 0,024

Anlisis bayesiano: Anlisis preposterior

Qu significa anlisis preposterior?
Es el valor econmico esperado que nos brinda una consultora o una persona que puede
tener o no experiencia en el mercado.

El valor econmico suministrado por la consultora siempre es creble?

La respuesta es NO, por este motivo poseemos herramientas para aceptar o rechazar la
prueba o muestra que nos suministra, a travs del clculo del valor medio monetario
esperado de la prueba (VMEprueba)
El anlisis previo nos arroj los siguientes resultados:
-VME* = 0,018 (utilidad mxima en base a nuestra experiencia)
- VMEIP = 0,042 (utilidad mxima que podemos esperar si conocemos los acontecimientos
de antemano)
- VIP = 0,024 (utilidad que estamos perdiendo por da por no contar con informacin
perfecta)
El anlisis preposterior nos indica que para aceptar la prueba o muestra del Consultor, el
valor medio monetario de la prueba (VMEprueba), para este ejercicio, no debe superar nunca
el VMEIP y no debe ser menor o igual que el VEM*