SlideShare una empresa de Scribd logo
1 de 21
ANALISIS DE DECISIONES
Mg. Ing. Luis Medina Aquino
FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS
UNIDAD DE POSGRADO
Introducción
La mayoría de las decisiones administrativas se
toman en condiciones de incertidumbre. En este
contexto, la Teoría de Decisiones es una forma
práctica y científica de estructurar y resolver un
problema de decisión empresarial.
¿Cómo tomamos decisiones?
Alternativas?
Probabilidades?
Resultados?
¿Por qué tomar decisiones
es importante?
Es el acto de selección de un curso de acción
preferido entre las alternativas.
Una responsabilidad clave de todos los directores
gerentes, no sólo del área de operaciones
Tenemos un montón de decisiones que tomar:
Planificación de personal, localización de planta,
gastos, etc
Pasos para tomar decisiones
1. Identificar las posibles condiciones futuras
(estados de la naturaleza).
2. Elaborar una lista de alternativas
3. Determinar la rentabilidad estimada de cada
alternativa para cada condición
4. Evaluar las alternativas de acuerdo a algún
criterio y seleccionar la mejor alternativa
Requisitos para el proceso de
toma de decisiones
1. Estados de la Naturaleza – Son los posibles eventos que la empresa
puede experimentar. Son variables incontrolables por el decisor.
Ejemplos:
El clima: lluvioso, soleado, nublado
La demanda: Alta, Moderada, Baja
2. Alternativas de decisión- Son las opciones que la empresa puede
hacer. Son variables controlables por el decisor.
Ejemplos: Invertir en un sistema de riego, no invertir
3. Resultados – Están asociados a cada combinación de alternativa de
decisión y estado de la naturaleza.
Tabla de Decisión
E1 E2 E3 …… En
A1 R11 R12 R13 …… R1n
A2 R21 R22 R23 …… R2n
A3 R31 R32 R33 …… R3n
…… …… …… …… …… ……
Am Rm1 Rm2 Rm3 …… Rmn
Tabla de decisión
Alternativas Baja Moderada Alta
Planta pequeña $10 $10 $10
Planta Mediana 7 12 12
Planta Grande (4) 2 16
Posible demanda futura*
*Valor Presente Neto en millones de $
Ambientes de Decisión
 Certeza - Ambiente en el que los acontecimientos
futuros definitivamente van a ocurrir.
 Incertidumbre - Ambiente en el que es imposible
evaluar la probabilidad de varios eventos futuros.
 De riesgo - Ambiente en el que ciertos eventos futuros
tienen asignados una probabilidad, debido a que se
tiene información de los mismos.
Toma de Decisiones bajo
certeza
 Cuando se sabe a ciencia cierta cuál de las condiciones
futuras se producirán, entonces se elegirá la alternativa
con la rentabilidad más alta!
Toma de decisiones bajo
certeza
Alternativas Baja Moderada Alta
Planta pequeña $10 $10 $10
Planta Mediana 7 12 12
Planta Grande (4) 2 16
Posible demanda futura*
*Valor Presente Neto en millones de $
Toma de decisiones bajo
incertidumbre
Minimax 
Maximax 
Laplace 
Savage
Minimax 
“Lo mejor de lo peor”
Determinar el peor valor de cada alternativa, a
continuación,
Elegir la alternativa que es el "mejor peor".
Alternativas D.Baja D. Mod D. Alta Minimax
P. Pequeña 10 10 10
P. Mediana 7 12 12
P. Grande -4 2 16
10
7
-4
Maximax 
“Lo mejor de lo mejor”
Determinar el mejor valor para cada alternativa,
y a continuación,
Elegir la alternativa que es "lo mejor de lo
mejor".
Alternativas D. Baja D.Mod D. Alta Maximax
P. Pequeña 10 10 10
P. Mediana 7 12 12
P. Grande -4 2 16
10
12
16
Laplace 
“El mejor promedio”
Determinar el valor promedio para cada
alternativa, entonces
Escoger la alternativa que es el “mejor
promedio”.
Alternat. Alta Mod Baja Total Prom
Pequeña 10 10 10 30
Mediana 7 12 12 31
Grande -4 2 16 14
10
10.3
4.67
Savage (mínimo de los pesares
máximos)
1. Seleccione el mejor valor en cada columna
2. Prepare una tabla de las pérdidas de oportunidades,
para ello restar cada valor en cada columna del mejor
valor en esa columna.
3. Identificar el peor arrepentimiento por cada fila.
4. Elija el mejor (el más bajo de lo peor).
Pesar – Pérdida de oportunidad
Alternat. Baja Mod Alta Baja Mod Alta Peor
Pequeña 10 10 10 0 2 6 6
Mediana 7 12 12 3 0 4 4
Grande -4 2 16 14 10 0 14
Toma de decisiones bajo riesgo
Dada una tabla de decisión con valores condicionales
y de probabilidad para todos los estados de la
naturaleza, podemos determinar un valor monetario
esperado (VME) para cada alternativa.
El VME, para una alternativa, es la suma de los
posibles resultados de la alternativa, cada una
ponderada por la probabilidad de ocurrencia de tal
resultado.
Valor Monetario Esperado
(VME)
VME (Alternativa i) = (Resultado del 1er estado
natural) x (Probabilidad del 1er estado natural) +
(Resultado del 2do estado natural) x (Probabilidad
del 2do estado natural) + ....+ (Resultado del último
estado natural) x (Probabilidad del último estado
natural)
Alternativas Baja Moderada Alta
Planta pequeña $10 $10 $10
Planta mediana 7 12 12
Planta Grnade (4) 2 16
Posible Demanda Futura *
*Valor Presente en millones de $
Ejemplo de VME:
Hemos establecido probabilidades de la demanda futura de la siguiente
manera: Baja, 0.30, Moderada, 0.50, Alta, 0.20
VMEpequeña = 10(.3) + 10(.50) + 10(.2) = $10 millones
VMEmediana = 7(.3) + 12(.5) + 12(.2) = $10.5 millones
VMEgrande = (4)(.3) + 2(.5) + 16(.2) = $3 millones
Valor Esperado de la
información Perfecta (VEIP)
¿Qué pasa si usted podría retrasar su decisión
hasta contar con más datos?
¿Tendría en cuenta contratar a una persona o
una empresa que le dé mayor información del
problema de decisión?
Y si es posible pronosticar, sin error, ¿qué
evento va a ocurrir?
¿Cuánto estaría usted dispuesto a pagar a esa
persona o empresa?
VEIP le permite determinar la cifra
Alternatives Baja Moderada Alta
Planta pequeña $10 $10 $10
Planta Mediana 7 12 12
Planta Grande (4) 2 16
Posible demanda futura*
*Valor Presente en millones de $
Ejemplo VEIP
VEIP = Valor esperado __ Máximo Valor
Bajo Certeza Monetario Esperado
Valor Esperado bajo certeza: 10(.3) + 12(.5) + 16(.2) = $12.2
Máximo Valor Monetario Esperado: $10.5
VEIP = 12.2 – 10.5 = $1.7 millones

Más contenido relacionado

La actualidad más candente

Minimin,minimax,maximin,maximax
Minimin,minimax,maximin,maximaxMinimin,minimax,maximin,maximax
Minimin,minimax,maximin,maximaxPhoenicia
 
Arboles de decisión
Arboles de decisiónArboles de decisión
Arboles de decisióndrakatiadiaz
 
Análisis de decisiones
Análisis de decisionesAnálisis de decisiones
Análisis de decisionesberal2606
 
Problemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovProblemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovKbl Julus Saraccini
 
Modelos cuantitativos toma de decisiones
Modelos cuantitativos toma de decisionesModelos cuantitativos toma de decisiones
Modelos cuantitativos toma de decisionesgarciara
 
Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Gaston Saenz
 
Método simplex
Método simplexMétodo simplex
Método simplexdeweey
 
Analisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralAnalisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralEmmanuel Chulin
 
Problemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovProblemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovLaura Garzón
 

La actualidad más candente (20)

Minimin,minimax,maximin,maximax
Minimin,minimax,maximin,maximaxMinimin,minimax,maximin,maximax
Minimin,minimax,maximin,maximax
 
Cadena de markov
Cadena de markovCadena de markov
Cadena de markov
 
Arboles de decisión
Arboles de decisiónArboles de decisión
Arboles de decisión
 
Programación dinámica
Programación  dinámicaProgramación  dinámica
Programación dinámica
 
Materia (1)
Materia (1)Materia (1)
Materia (1)
 
Arbol de decisiones
Arbol de decisionesArbol de decisiones
Arbol de decisiones
 
Modelos de transporte
Modelos de transporteModelos de transporte
Modelos de transporte
 
Modelo de transporte
Modelo de transporteModelo de transporte
Modelo de transporte
 
Análisis de decisiones
Análisis de decisionesAnálisis de decisiones
Análisis de decisiones
 
13 problema de redes
13 problema de redes13 problema de redes
13 problema de redes
 
Teoría de decisiones
Teoría de decisionesTeoría de decisiones
Teoría de decisiones
 
Problemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovProblemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markov
 
06 arbol de decision
06 arbol de decision06 arbol de decision
06 arbol de decision
 
MÉTODO DE TRANSPORTE
MÉTODO DE TRANSPORTEMÉTODO DE TRANSPORTE
MÉTODO DE TRANSPORTE
 
Modelos cuantitativos toma de decisiones
Modelos cuantitativos toma de decisionesModelos cuantitativos toma de decisiones
Modelos cuantitativos toma de decisiones
 
Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3
 
Método simplex
Método simplexMétodo simplex
Método simplex
 
Analisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralAnalisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestral
 
Problemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovProblemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markov
 
Modelos para la tdr
Modelos para la tdrModelos para la tdr
Modelos para la tdr
 

Similar a Análisis de decisiones bajo incertidumbre, riesgo y valor de la información

Similar a Análisis de decisiones bajo incertidumbre, riesgo y valor de la información (20)

04 produccion limpia herramientas 1
04 produccion limpia herramientas 104 produccion limpia herramientas 1
04 produccion limpia herramientas 1
 
Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdf
 
Producción limpia/herramientas-Unidad 4
Producción limpia/herramientas-Unidad 4Producción limpia/herramientas-Unidad 4
Producción limpia/herramientas-Unidad 4
 
Analisis dedecisiones
Analisis dedecisionesAnalisis dedecisiones
Analisis dedecisiones
 
r53074.PPT
r53074.PPTr53074.PPT
r53074.PPT
 
Trabajo arbol dedecisiones
Trabajo arbol dedecisiones Trabajo arbol dedecisiones
Trabajo arbol dedecisiones
 
Unidad i metodos para la toma de decisiones
Unidad i metodos para la toma de decisionesUnidad i metodos para la toma de decisiones
Unidad i metodos para la toma de decisiones
 
Sesion iii arbol de decisiones prob a priori
Sesion iii arbol de decisiones prob a prioriSesion iii arbol de decisiones prob a priori
Sesion iii arbol de decisiones prob a priori
 
Sesion iii arbol de decisiones prob a priori
Sesion iii arbol de decisiones prob a prioriSesion iii arbol de decisiones prob a priori
Sesion iii arbol de decisiones prob a priori
 
Clase1 decisiones
Clase1 decisionesClase1 decisiones
Clase1 decisiones
 
TEORIA DE LAS DECISIONES
TEORIA DE LAS DECISIONESTEORIA DE LAS DECISIONES
TEORIA DE LAS DECISIONES
 
Actividad 8
Actividad 8Actividad 8
Actividad 8
 
Actividad 8
Actividad 8Actividad 8
Actividad 8
 
Actividad 8
Actividad 8Actividad 8
Actividad 8
 
Actividad 8
Actividad 8Actividad 8
Actividad 8
 
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptxTOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
 
Toma de decisiones 2
Toma de decisiones 2Toma de decisiones 2
Toma de decisiones 2
 
Tema 4.1.pptx
Tema 4.1.pptxTema 4.1.pptx
Tema 4.1.pptx
 
Presentación simposio-daga
Presentación simposio-dagaPresentación simposio-daga
Presentación simposio-daga
 
I semana sesion ii
I semana   sesion iiI semana   sesion ii
I semana sesion ii
 

Último

Trabajo de Sifilisn…………………………………………………..
Trabajo de Sifilisn…………………………………………………..Trabajo de Sifilisn…………………………………………………..
Trabajo de Sifilisn…………………………………………………..JoseRamirez247144
 
DO_FCE_310_PO_.pdf. La contabilidad gubernamental SOS de suma importancia fu...
DO_FCE_310_PO_.pdf.  La contabilidad gubernamental SOS de suma importancia fu...DO_FCE_310_PO_.pdf.  La contabilidad gubernamental SOS de suma importancia fu...
DO_FCE_310_PO_.pdf. La contabilidad gubernamental SOS de suma importancia fu...ssuser2887fd1
 
AFILIACION CAJA NACIONAL DE SALUD WOM 1 .pdf
AFILIACION CAJA NACIONAL DE SALUD WOM 1 .pdfAFILIACION CAJA NACIONAL DE SALUD WOM 1 .pdf
AFILIACION CAJA NACIONAL DE SALUD WOM 1 .pdfOdallizLucanaJalja1
 
¿ESTÁ PREPARADA LA LOGÍSTICA PARA EL DECRECIMIENTO?
¿ESTÁ PREPARADA LA LOGÍSTICA PARA EL DECRECIMIENTO?¿ESTÁ PREPARADA LA LOGÍSTICA PARA EL DECRECIMIENTO?
¿ESTÁ PREPARADA LA LOGÍSTICA PARA EL DECRECIMIENTO?Michael Rada
 
fracturas de antebhbunununrazo [II].pptx
fracturas de antebhbunununrazo  [II].pptxfracturas de antebhbunununrazo  [II].pptx
fracturas de antebhbunununrazo [II].pptxkarlagonzalez159945
 
Continex para educación, Portafolio de servicios
Continex para educación, Portafolio de serviciosContinex para educación, Portafolio de servicios
Continex para educación, Portafolio de serviciosFundación YOD YOD
 
AUDITORIAS en enfermeria hospitalaria .pptx
AUDITORIAS en enfermeria hospitalaria .pptxAUDITORIAS en enfermeria hospitalaria .pptx
AUDITORIAS en enfermeria hospitalaria .pptxMatiasGodoy33
 
PPT Empresas IANSA Sobre Recursos Humanos.pdf
PPT Empresas IANSA Sobre Recursos Humanos.pdfPPT Empresas IANSA Sobre Recursos Humanos.pdf
PPT Empresas IANSA Sobre Recursos Humanos.pdfihmorales
 
PPT Trabajo de Investigacion sobre Plan de Desarrollo Paraguay 2030 Adriana R...
PPT Trabajo de Investigacion sobre Plan de Desarrollo Paraguay 2030 Adriana R...PPT Trabajo de Investigacion sobre Plan de Desarrollo Paraguay 2030 Adriana R...
PPT Trabajo de Investigacion sobre Plan de Desarrollo Paraguay 2030 Adriana R...AdrianaCarmenRojasDe
 
Presentación La mujer en la Esperanza AC.pptx
Presentación La mujer en la Esperanza AC.pptxPresentación La mujer en la Esperanza AC.pptx
Presentación La mujer en la Esperanza AC.pptxDanielFerreiraDuran1
 
modelo de flujo maximo unidad 4 en modelos de optimización de recursos
modelo de flujo maximo unidad 4 en modelos de optimización de recursosmodelo de flujo maximo unidad 4 en modelos de optimización de recursos
modelo de flujo maximo unidad 4 en modelos de optimización de recursosk7v476sp7t
 
Evaluacion Final de logistica - trabajo final
Evaluacion Final de logistica - trabajo finalEvaluacion Final de logistica - trabajo final
Evaluacion Final de logistica - trabajo finalssuser4a0361
 
gua de docente para el curso de finanzas
gua de docente para el curso de finanzasgua de docente para el curso de finanzas
gua de docente para el curso de finanzassuperamigo2014
 
Pensamiento Lógico - Matemático USB Empresas
Pensamiento Lógico - Matemático USB EmpresasPensamiento Lógico - Matemático USB Empresas
Pensamiento Lógico - Matemático USB Empresasanglunal456
 
MARKETING SENSORIAL -GABRIELA ARDON .pptx
MARKETING SENSORIAL -GABRIELA ARDON .pptxMARKETING SENSORIAL -GABRIELA ARDON .pptx
MARKETING SENSORIAL -GABRIELA ARDON .pptxgabyardon485
 
15. NORMATIVA DE SST - LA LEY 29783.pptx
15. NORMATIVA DE SST - LA LEY 29783.pptx15. NORMATIVA DE SST - LA LEY 29783.pptx
15. NORMATIVA DE SST - LA LEY 29783.pptxAndreaAlessandraBoli
 
EGLA CORP - Honduras Abril 27 , 2024.pptx
EGLA CORP - Honduras Abril 27 , 2024.pptxEGLA CORP - Honduras Abril 27 , 2024.pptx
EGLA CORP - Honduras Abril 27 , 2024.pptxDr. Edwin Hernandez
 
Apuntadorkeurjeh4jj4by un 4hh4j4u4jj4h4y4jh4
Apuntadorkeurjeh4jj4by un 4hh4j4u4jj4h4y4jh4Apuntadorkeurjeh4jj4by un 4hh4j4u4jj4h4y4jh4
Apuntadorkeurjeh4jj4by un 4hh4j4u4jj4h4y4jh4hassanbadredun
 
Teleconferencia Accionistas Q1 2024 . Primer Trimestre-
Teleconferencia Accionistas Q1 2024 . Primer Trimestre-Teleconferencia Accionistas Q1 2024 . Primer Trimestre-
Teleconferencia Accionistas Q1 2024 . Primer Trimestre-ComunicacionesIMSA
 
sistemas de produccion de la palta en el peru moises.pptx
sistemas de produccion de la palta en el peru moises.pptxsistemas de produccion de la palta en el peru moises.pptx
sistemas de produccion de la palta en el peru moises.pptxJaredmoisesCarrillo
 

Último (20)

Trabajo de Sifilisn…………………………………………………..
Trabajo de Sifilisn…………………………………………………..Trabajo de Sifilisn…………………………………………………..
Trabajo de Sifilisn…………………………………………………..
 
DO_FCE_310_PO_.pdf. La contabilidad gubernamental SOS de suma importancia fu...
DO_FCE_310_PO_.pdf.  La contabilidad gubernamental SOS de suma importancia fu...DO_FCE_310_PO_.pdf.  La contabilidad gubernamental SOS de suma importancia fu...
DO_FCE_310_PO_.pdf. La contabilidad gubernamental SOS de suma importancia fu...
 
AFILIACION CAJA NACIONAL DE SALUD WOM 1 .pdf
AFILIACION CAJA NACIONAL DE SALUD WOM 1 .pdfAFILIACION CAJA NACIONAL DE SALUD WOM 1 .pdf
AFILIACION CAJA NACIONAL DE SALUD WOM 1 .pdf
 
¿ESTÁ PREPARADA LA LOGÍSTICA PARA EL DECRECIMIENTO?
¿ESTÁ PREPARADA LA LOGÍSTICA PARA EL DECRECIMIENTO?¿ESTÁ PREPARADA LA LOGÍSTICA PARA EL DECRECIMIENTO?
¿ESTÁ PREPARADA LA LOGÍSTICA PARA EL DECRECIMIENTO?
 
fracturas de antebhbunununrazo [II].pptx
fracturas de antebhbunununrazo  [II].pptxfracturas de antebhbunununrazo  [II].pptx
fracturas de antebhbunununrazo [II].pptx
 
Continex para educación, Portafolio de servicios
Continex para educación, Portafolio de serviciosContinex para educación, Portafolio de servicios
Continex para educación, Portafolio de servicios
 
AUDITORIAS en enfermeria hospitalaria .pptx
AUDITORIAS en enfermeria hospitalaria .pptxAUDITORIAS en enfermeria hospitalaria .pptx
AUDITORIAS en enfermeria hospitalaria .pptx
 
PPT Empresas IANSA Sobre Recursos Humanos.pdf
PPT Empresas IANSA Sobre Recursos Humanos.pdfPPT Empresas IANSA Sobre Recursos Humanos.pdf
PPT Empresas IANSA Sobre Recursos Humanos.pdf
 
PPT Trabajo de Investigacion sobre Plan de Desarrollo Paraguay 2030 Adriana R...
PPT Trabajo de Investigacion sobre Plan de Desarrollo Paraguay 2030 Adriana R...PPT Trabajo de Investigacion sobre Plan de Desarrollo Paraguay 2030 Adriana R...
PPT Trabajo de Investigacion sobre Plan de Desarrollo Paraguay 2030 Adriana R...
 
Presentación La mujer en la Esperanza AC.pptx
Presentación La mujer en la Esperanza AC.pptxPresentación La mujer en la Esperanza AC.pptx
Presentación La mujer en la Esperanza AC.pptx
 
modelo de flujo maximo unidad 4 en modelos de optimización de recursos
modelo de flujo maximo unidad 4 en modelos de optimización de recursosmodelo de flujo maximo unidad 4 en modelos de optimización de recursos
modelo de flujo maximo unidad 4 en modelos de optimización de recursos
 
Evaluacion Final de logistica - trabajo final
Evaluacion Final de logistica - trabajo finalEvaluacion Final de logistica - trabajo final
Evaluacion Final de logistica - trabajo final
 
gua de docente para el curso de finanzas
gua de docente para el curso de finanzasgua de docente para el curso de finanzas
gua de docente para el curso de finanzas
 
Pensamiento Lógico - Matemático USB Empresas
Pensamiento Lógico - Matemático USB EmpresasPensamiento Lógico - Matemático USB Empresas
Pensamiento Lógico - Matemático USB Empresas
 
MARKETING SENSORIAL -GABRIELA ARDON .pptx
MARKETING SENSORIAL -GABRIELA ARDON .pptxMARKETING SENSORIAL -GABRIELA ARDON .pptx
MARKETING SENSORIAL -GABRIELA ARDON .pptx
 
15. NORMATIVA DE SST - LA LEY 29783.pptx
15. NORMATIVA DE SST - LA LEY 29783.pptx15. NORMATIVA DE SST - LA LEY 29783.pptx
15. NORMATIVA DE SST - LA LEY 29783.pptx
 
EGLA CORP - Honduras Abril 27 , 2024.pptx
EGLA CORP - Honduras Abril 27 , 2024.pptxEGLA CORP - Honduras Abril 27 , 2024.pptx
EGLA CORP - Honduras Abril 27 , 2024.pptx
 
Apuntadorkeurjeh4jj4by un 4hh4j4u4jj4h4y4jh4
Apuntadorkeurjeh4jj4by un 4hh4j4u4jj4h4y4jh4Apuntadorkeurjeh4jj4by un 4hh4j4u4jj4h4y4jh4
Apuntadorkeurjeh4jj4by un 4hh4j4u4jj4h4y4jh4
 
Teleconferencia Accionistas Q1 2024 . Primer Trimestre-
Teleconferencia Accionistas Q1 2024 . Primer Trimestre-Teleconferencia Accionistas Q1 2024 . Primer Trimestre-
Teleconferencia Accionistas Q1 2024 . Primer Trimestre-
 
sistemas de produccion de la palta en el peru moises.pptx
sistemas de produccion de la palta en el peru moises.pptxsistemas de produccion de la palta en el peru moises.pptx
sistemas de produccion de la palta en el peru moises.pptx
 

Análisis de decisiones bajo incertidumbre, riesgo y valor de la información

  • 1. ANALISIS DE DECISIONES Mg. Ing. Luis Medina Aquino FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS UNIDAD DE POSGRADO
  • 2. Introducción La mayoría de las decisiones administrativas se toman en condiciones de incertidumbre. En este contexto, la Teoría de Decisiones es una forma práctica y científica de estructurar y resolver un problema de decisión empresarial.
  • 4. ¿Por qué tomar decisiones es importante? Es el acto de selección de un curso de acción preferido entre las alternativas. Una responsabilidad clave de todos los directores gerentes, no sólo del área de operaciones Tenemos un montón de decisiones que tomar: Planificación de personal, localización de planta, gastos, etc
  • 5. Pasos para tomar decisiones 1. Identificar las posibles condiciones futuras (estados de la naturaleza). 2. Elaborar una lista de alternativas 3. Determinar la rentabilidad estimada de cada alternativa para cada condición 4. Evaluar las alternativas de acuerdo a algún criterio y seleccionar la mejor alternativa
  • 6. Requisitos para el proceso de toma de decisiones 1. Estados de la Naturaleza – Son los posibles eventos que la empresa puede experimentar. Son variables incontrolables por el decisor. Ejemplos: El clima: lluvioso, soleado, nublado La demanda: Alta, Moderada, Baja 2. Alternativas de decisión- Son las opciones que la empresa puede hacer. Son variables controlables por el decisor. Ejemplos: Invertir en un sistema de riego, no invertir 3. Resultados – Están asociados a cada combinación de alternativa de decisión y estado de la naturaleza.
  • 7. Tabla de Decisión E1 E2 E3 …… En A1 R11 R12 R13 …… R1n A2 R21 R22 R23 …… R2n A3 R31 R32 R33 …… R3n …… …… …… …… …… …… Am Rm1 Rm2 Rm3 …… Rmn
  • 8. Tabla de decisión Alternativas Baja Moderada Alta Planta pequeña $10 $10 $10 Planta Mediana 7 12 12 Planta Grande (4) 2 16 Posible demanda futura* *Valor Presente Neto en millones de $
  • 9. Ambientes de Decisión  Certeza - Ambiente en el que los acontecimientos futuros definitivamente van a ocurrir.  Incertidumbre - Ambiente en el que es imposible evaluar la probabilidad de varios eventos futuros.  De riesgo - Ambiente en el que ciertos eventos futuros tienen asignados una probabilidad, debido a que se tiene información de los mismos.
  • 10. Toma de Decisiones bajo certeza  Cuando se sabe a ciencia cierta cuál de las condiciones futuras se producirán, entonces se elegirá la alternativa con la rentabilidad más alta!
  • 11. Toma de decisiones bajo certeza Alternativas Baja Moderada Alta Planta pequeña $10 $10 $10 Planta Mediana 7 12 12 Planta Grande (4) 2 16 Posible demanda futura* *Valor Presente Neto en millones de $
  • 12. Toma de decisiones bajo incertidumbre Minimax  Maximax  Laplace  Savage
  • 13. Minimax  “Lo mejor de lo peor” Determinar el peor valor de cada alternativa, a continuación, Elegir la alternativa que es el "mejor peor". Alternativas D.Baja D. Mod D. Alta Minimax P. Pequeña 10 10 10 P. Mediana 7 12 12 P. Grande -4 2 16 10 7 -4
  • 14. Maximax  “Lo mejor de lo mejor” Determinar el mejor valor para cada alternativa, y a continuación, Elegir la alternativa que es "lo mejor de lo mejor". Alternativas D. Baja D.Mod D. Alta Maximax P. Pequeña 10 10 10 P. Mediana 7 12 12 P. Grande -4 2 16 10 12 16
  • 15. Laplace  “El mejor promedio” Determinar el valor promedio para cada alternativa, entonces Escoger la alternativa que es el “mejor promedio”. Alternat. Alta Mod Baja Total Prom Pequeña 10 10 10 30 Mediana 7 12 12 31 Grande -4 2 16 14 10 10.3 4.67
  • 16. Savage (mínimo de los pesares máximos) 1. Seleccione el mejor valor en cada columna 2. Prepare una tabla de las pérdidas de oportunidades, para ello restar cada valor en cada columna del mejor valor en esa columna. 3. Identificar el peor arrepentimiento por cada fila. 4. Elija el mejor (el más bajo de lo peor). Pesar – Pérdida de oportunidad Alternat. Baja Mod Alta Baja Mod Alta Peor Pequeña 10 10 10 0 2 6 6 Mediana 7 12 12 3 0 4 4 Grande -4 2 16 14 10 0 14
  • 17. Toma de decisiones bajo riesgo Dada una tabla de decisión con valores condicionales y de probabilidad para todos los estados de la naturaleza, podemos determinar un valor monetario esperado (VME) para cada alternativa. El VME, para una alternativa, es la suma de los posibles resultados de la alternativa, cada una ponderada por la probabilidad de ocurrencia de tal resultado.
  • 18. Valor Monetario Esperado (VME) VME (Alternativa i) = (Resultado del 1er estado natural) x (Probabilidad del 1er estado natural) + (Resultado del 2do estado natural) x (Probabilidad del 2do estado natural) + ....+ (Resultado del último estado natural) x (Probabilidad del último estado natural)
  • 19. Alternativas Baja Moderada Alta Planta pequeña $10 $10 $10 Planta mediana 7 12 12 Planta Grnade (4) 2 16 Posible Demanda Futura * *Valor Presente en millones de $ Ejemplo de VME: Hemos establecido probabilidades de la demanda futura de la siguiente manera: Baja, 0.30, Moderada, 0.50, Alta, 0.20 VMEpequeña = 10(.3) + 10(.50) + 10(.2) = $10 millones VMEmediana = 7(.3) + 12(.5) + 12(.2) = $10.5 millones VMEgrande = (4)(.3) + 2(.5) + 16(.2) = $3 millones
  • 20. Valor Esperado de la información Perfecta (VEIP) ¿Qué pasa si usted podría retrasar su decisión hasta contar con más datos? ¿Tendría en cuenta contratar a una persona o una empresa que le dé mayor información del problema de decisión? Y si es posible pronosticar, sin error, ¿qué evento va a ocurrir? ¿Cuánto estaría usted dispuesto a pagar a esa persona o empresa? VEIP le permite determinar la cifra
  • 21. Alternatives Baja Moderada Alta Planta pequeña $10 $10 $10 Planta Mediana 7 12 12 Planta Grande (4) 2 16 Posible demanda futura* *Valor Presente en millones de $ Ejemplo VEIP VEIP = Valor esperado __ Máximo Valor Bajo Certeza Monetario Esperado Valor Esperado bajo certeza: 10(.3) + 12(.5) + 16(.2) = $12.2 Máximo Valor Monetario Esperado: $10.5 VEIP = 12.2 – 10.5 = $1.7 millones