SlideShare una empresa de Scribd logo
1 de 55
Capítulo 1   Teoría de Decisión
1.1 Introducción a la Teoría de Decisión ,[object Object],[object Object],[object Object],[object Object]
[object Object]
1.2 Análisis por Matriz de Ganancias ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
La Inversión de John Pérez ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Solución ,[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],Estados de la Naturaleza  Efecto de la decisión s1: Una fuerte alza en los mercados  Incremento sobre 1000 puntos  s2: Una pequeña alza en los mercados  Incremento entre 300 y 1000 s3: No hay cambios en los mercados  Cambio entre -300 y 300  s4: Una pequeña baja en los mercados  Disminución entre 300 y 800 s5 Una gran baja en los mercados  Disminución en más de 800 Los estados de la naturaleza son mutuamente  excluyente y colectivamente exhaustivos.
Matriz de Ganancias El conjunto de opciones es dominado por la    segunda alternativa
1.3 Elección de un Criterio de Decisión ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],La Decisión Optima
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
Continuación Problema John Pérez Tabla de Costo de Oportunidad Invertir en Oro incurre en una pérdida mayor cuando el mercado presenta una gran alza 500 500 500 500 500 500 500 - 100 - 100 - 100 - 100 - 100 =  600 - (-100) La Decisión Optima
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],La Decisión Optima
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Ganancia Esperada  =    Probabilidad)*(Ganancia)    (Para cada estado de la naturaleza) 
[object Object],(0.2)(250) + (0.3)(200) + (0.3)(150) + (0.1)(-100) + (0.1)(-150) = 130   La Decisión Optima
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
1.4 ·La Ganancia Esperada al Contar con Información Perfecta. ,[object Object],[object Object],[object Object],[object Object],Por lo tanto, la GEIP corresponde al costo de oportunidad de la decisión seleccionada  usando el criterio de la ganancia esperada.
[object Object],[object Object],[object Object],Gran Alza - 100 250 500 60 Análogamente, Ganancia Esperada de la Información Perfecta = 0.2(500)+0.3(250)+0.3(200)+0.1(300)+0.1(60) = $271 GEIP = CO - EV = $271 - $130 = $141 ... La decisión óptima es invertir en... Neg.   Des . s
1.5 Análisis Bayesiano - Tomador de Decisiones con Información Imperfecta. ,[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],¿Le conviene a John contratar el análisis? El análisis arroja  Cuando el mercado muestra una Gran Alza  Peq.Alza  Sin Cambios Peq.Baja  Gran Baja Crec. Ec. Positivo  80%  70%  50%  40%  0% Crec. Ec. Negativo   20%  30%  50%  60%  100%  Cuando el mercado   muestra una gran alza , el  análisis arroja un “crecimiento positivo” del 80%
Solución ,[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],Las Probabilidades “a posteriori”  pueden tabularse como siguen: Estados de   Prob.  Prob  Prob.  Prob. la  Naturaleza  a Priori  Condicional  Conjunta  Posteriori  Gran Alza  0.2  X  0.8  =  0.16  0.286 Peq. Alza  0.3   0.7  0.21  0.375 Sin Cambios  0.3   0.5   0.15  0.268 Peq. Baja  0.1   0.4   0.04  0.071 Gran Baja  0.1  0  0  0 Sum =  0.56 Observe el ajuste en la “prob a priori” P(B  | A  i )P(A  i ) [ P(B  |  A  1 )P(A  1 )+ P(B | A  2 )P(A  2 )+…+ P(B  |  A  n )P(A  n ) ] P(A  i   |  B) = 0.16 0.56 La Probabilidad que  el  análisis arroje  crec. “positivo”  y  que el mercado  tenga una “Gran Alza ” .   La Probabilidad que el mercado muestre una “Gran Alza”,  dado  que  el análisis arroja crecimiento “positivo” ” 0.286 0.375 0.268 0.071 0.000 0.2 0.3 0.3 0.1 0.1
[object Object],[object Object],WINQSB imprime el calculo de las probabilidades a posteriori
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],-100 100 200 300 0 84 -100 200 100 300 0 120 250 250 200 200 150 150 -100 -100 150 150 180 65 ORO ORO BONOS BONOS
[object Object],[object Object],[object Object],[object Object],GECIA = Ganancia Esperada Con Inform. Adicional=  (0.56)(250) + (0.44)(120) = $193 Ganancia esperada de la información adicional Entonces, Debe contratar John el Análisis Económico? GESIA = Ganancia Esperada Sin Información Adicional = 130
[object Object],[object Object],[object Object],[object Object]
1.6 Árboles de decisión ,[object Object],[object Object],[object Object]
   Características del Árbol de Decisión ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
   Bill Gallen, compañía consultora y evaluaciones (B.G.D.) ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
   Solución Construcción de un árbol de decisión ,[object Object],[object Object],[object Object],[object Object],[object Object]
No contratar consultor Contratar consultor -5000 0 1 3 0 Deja de considerar la decisión de no contratar a un consultor 2 Haga nada 0 Compre tierra -300,000 Comprar la opción -20,000 11 4 Aplicar el acuerdo -30,000 Aplicar el acuerdo -30,000
5 Comprar tierra y  aplicar el acuerdo aprobada rechazada 0.4 0.6 6 7 construya venda 950,000 -500,000 260,000 venda 9 -70,000 10 120,000 8 Vender opción y aplicar el acuerdo aprobada rechazada 0.4 0.6 -300,000 -500,000 950,000 13 14 15 Comprar tierra construya venda 17 -50,000 100,000 16 12
1 No contratar consultor 0 2 considerar la decisión de contratar a un consultor  Contratar consultor -5000 18 Da su aprobación No da su aprobación 0.4 0.6 19 35 Haga nada Comprar tierra -300,000 Comprar la opcón -20,000 Haga nada Comprar tierra -300,000 Comprar la opción -20,000 -5000 21 28 44 37 36 20 Aplicación del acuerdo Aplicación del acuerdo Aplicación del acuerdo Aplicación del acuerdo -5000 -30,000 -30,000 -30,000 -30,000
El consultor sirve como una fuente de información adicional para el rechazo o aprobación del acuerdo.. Por lo tanto, en este punto necesitamos calcular  las probabilidades “a posteriori” para la aprobación o rechazo de la aplicación del acuerdo 22 aprovada rechazada ? ? Probabilidad “a posteriori” de aprobación| consultor da su aprobación )  = 0.70 probabilidad “a posteriori” de rechazo| consultor da su aprobación )  = 0.30 0.30 0.70 23 24 construya venda 950,000 -500,000 260,000 venda 26 -75,000 27 115,000 25
 El resto del árbol de decisión se puede construir análogamente .  Un completo análisis se puede obtener usando WINQSB
   DETERMINANCION DE LA ESTRATEGIA ÓPTIMA ,[object Object],[object Object],[object Object],[object Object]
22 aprobada rechazada 58,000 0.30 0.70 23 24 construye vende 950,000 -500,000 260,000 vende 26 27 25 Con 58.000 como el valor final del nodo, se puede continuar retrocediendo para evaluar los nodos  anteriores. -75,000 115,000 115,000 -75,000 115,000 -75,000 115,000 -75,000 115,000 -75,000 115,000 -75,000 (115,000)(0.7)=80500 (-75,000)(0.3)= -22500 -22500 80500 80500 -22500 80500 -22500 80500 -22500 ? ?
Aquí se muestra una pantalla de un árbol de decisión en WINQSB
Contratar al consultor (ir al nodo 18)
Luego procedemos de la misma manera y completamos la estrategia Si el consultor da su aprobación (indicado por  el nodo 19) Si el acuerdo se aprueba (indicada por el nodo 23) Entonces  compre la  tierra y apli- quela al  acuerdo..  Luego espere por los  resultados ... Entonces  construya y  venda.
1.7 Utilidad y elaboración de la decisión ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
   Acerca de la utilidad ,[object Object],[object Object],[object Object],[object Object],[object Object]
   Sobre la indiferencia para asignaciones de valores de utilidad ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
   Determinando el valor de la utilidad ,[object Object],[object Object]
   John Pérez - continuación ,[object Object],[object Object],[object Object],[object Object]
Use este resultado con precaución: la inversión en bonos tiene casi la misma utilidad !! La decisión óptima
   Tres tipos de tomadores de decisiones ,[object Object],[object Object],[object Object]
No arriesgado al determinar la decisión Arriesgado al determinar la decisión Neutral al determinar la decisión Ganancia Utilidades

Más contenido relacionado

La actualidad más candente

Maximax, maximin y Minimax
Maximax, maximin y MinimaxMaximax, maximin y Minimax
Maximax, maximin y Minimaxdecisiones
 
Muestreo y distrib muestrales de una media
Muestreo y distrib muestrales de una mediaMuestreo y distrib muestrales de una media
Muestreo y distrib muestrales de una mediaJuanito Vithore
 
Resolucion problemas vi
Resolucion problemas viResolucion problemas vi
Resolucion problemas vilineal
 
Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Gaston Saenz
 
Investigación de Operaciones 2/2
Investigación de Operaciones 2/2Investigación de Operaciones 2/2
Investigación de Operaciones 2/2CEMEX
 
Programación lineal
Programación linealProgramación lineal
Programación linealCris Panchi
 
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...Ekthor Daniel R G
 
14 teoria-de-la-utilidad compress
14 teoria-de-la-utilidad compress14 teoria-de-la-utilidad compress
14 teoria-de-la-utilidad compressJosefinaPiedra1
 
Tema iii método gráfico y simplex
Tema iii   método gráfico y simplexTema iii   método gráfico y simplex
Tema iii método gráfico y simplexgoogle
 
“PROGRAMACIÓN LINEAL: COMO HERRAMIENTA PARA LA TOMA DE DECISIONES”
“PROGRAMACIÓN LINEAL: COMO HERRAMIENTA PARA LA TOMA DE DECISIONES”“PROGRAMACIÓN LINEAL: COMO HERRAMIENTA PARA LA TOMA DE DECISIONES”
“PROGRAMACIÓN LINEAL: COMO HERRAMIENTA PARA LA TOMA DE DECISIONES”vanessa sobvio
 
Localizacion de plantas
Localizacion de plantasLocalizacion de plantas
Localizacion de plantasyulismar leon
 
Distribución de poisson ejercicio práctico-
Distribución de poisson  ejercicio práctico-Distribución de poisson  ejercicio práctico-
Distribución de poisson ejercicio práctico-Jhonatan Arroyave Montoya
 
Ejercicios resueltos de maximización: de método simplex
Ejercicios resueltos de maximización: de método simplexEjercicios resueltos de maximización: de método simplex
Ejercicios resueltos de maximización: de método simplexJuanMiguelCustodioMo
 

La actualidad más candente (20)

Metodo o Simulacion de Montecarlo
Metodo o Simulacion de MontecarloMetodo o Simulacion de Montecarlo
Metodo o Simulacion de Montecarlo
 
Maximax, maximin y Minimax
Maximax, maximin y MinimaxMaximax, maximin y Minimax
Maximax, maximin y Minimax
 
Programacion de metas y objetivos
Programacion de metas y objetivosProgramacion de metas y objetivos
Programacion de metas y objetivos
 
Muestreo y distrib muestrales de una media
Muestreo y distrib muestrales de una mediaMuestreo y distrib muestrales de una media
Muestreo y distrib muestrales de una media
 
Resolucion problemas vi
Resolucion problemas viResolucion problemas vi
Resolucion problemas vi
 
Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3
 
Investigación de Operaciones 2/2
Investigación de Operaciones 2/2Investigación de Operaciones 2/2
Investigación de Operaciones 2/2
 
Evaluación de proyectos
Evaluación de proyectosEvaluación de proyectos
Evaluación de proyectos
 
Problemas rsueltos pl
Problemas rsueltos plProblemas rsueltos pl
Problemas rsueltos pl
 
Programación lineal
Programación linealProgramación lineal
Programación lineal
 
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...
 
14 teoria-de-la-utilidad compress
14 teoria-de-la-utilidad compress14 teoria-de-la-utilidad compress
14 teoria-de-la-utilidad compress
 
Tema iii método gráfico y simplex
Tema iii   método gráfico y simplexTema iii   método gráfico y simplex
Tema iii método gráfico y simplex
 
“PROGRAMACIÓN LINEAL: COMO HERRAMIENTA PARA LA TOMA DE DECISIONES”
“PROGRAMACIÓN LINEAL: COMO HERRAMIENTA PARA LA TOMA DE DECISIONES”“PROGRAMACIÓN LINEAL: COMO HERRAMIENTA PARA LA TOMA DE DECISIONES”
“PROGRAMACIÓN LINEAL: COMO HERRAMIENTA PARA LA TOMA DE DECISIONES”
 
PROGRAMACIÓN LINEAL.
PROGRAMACIÓN LINEAL.PROGRAMACIÓN LINEAL.
PROGRAMACIÓN LINEAL.
 
Investigación de Operaciones
Investigación de OperacionesInvestigación de Operaciones
Investigación de Operaciones
 
Optimizacion de redes
Optimizacion de redesOptimizacion de redes
Optimizacion de redes
 
Localizacion de plantas
Localizacion de plantasLocalizacion de plantas
Localizacion de plantas
 
Distribución de poisson ejercicio práctico-
Distribución de poisson  ejercicio práctico-Distribución de poisson  ejercicio práctico-
Distribución de poisson ejercicio práctico-
 
Ejercicios resueltos de maximización: de método simplex
Ejercicios resueltos de maximización: de método simplexEjercicios resueltos de maximización: de método simplex
Ejercicios resueltos de maximización: de método simplex
 

Similar a Minimin,minimax,maximin,maximax

Ejercicio de decisiones (i)
Ejercicio de decisiones (i)Ejercicio de decisiones (i)
Ejercicio de decisiones (i)Italia Sánchez
 
Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfJonathanSampedro2
 
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 decisionesSocorro Lomeli Sanchez
 
AnáLisis ..
AnáLisis ..AnáLisis ..
AnáLisis ..solsita
 
Ejemplo de Recuerda la teoría... - Cuaderno Nº 1 Toma de decisiones I
Ejemplo de Recuerda la teoría...  - Cuaderno Nº 1 Toma de decisiones IEjemplo de Recuerda la teoría...  - Cuaderno Nº 1 Toma de decisiones I
Ejemplo de Recuerda la teoría... - Cuaderno Nº 1 Toma de decisiones IEva Baena Jimenez
 
sem 14 Arbol de decisiones 2023 10.pptx
sem 14 Arbol de decisiones 2023 10.pptxsem 14 Arbol de decisiones 2023 10.pptx
sem 14 Arbol de decisiones 2023 10.pptxjavierromeromeneses1
 
Analisis De Decision
Analisis De DecisionAnalisis De Decision
Analisis De DecisionCris Tenorio
 
Tem1_Criterios de decisión bajo riesgo1.pdf
Tem1_Criterios de decisión bajo riesgo1.pdfTem1_Criterios de decisión bajo riesgo1.pdf
Tem1_Criterios de decisión bajo riesgo1.pdfNelsonMartinez771386
 
Análisis de Desiciones_1ra parte.pptx
Análisis de Desiciones_1ra parte.pptxAnálisis de Desiciones_1ra parte.pptx
Análisis de Desiciones_1ra parte.pptxIrisVGmez
 

Similar a Minimin,minimax,maximin,maximax (20)

Toma de decisiones 2
Toma de decisiones 2Toma de decisiones 2
Toma de decisiones 2
 
05 Herramientas para la toma de decisiones
05 Herramientas para la toma de decisiones05 Herramientas para la toma de decisiones
05 Herramientas para la toma de decisiones
 
Ejercicio de decisiones (i)
Ejercicio de decisiones (i)Ejercicio de decisiones (i)
Ejercicio de decisiones (i)
 
Teoría de decisiones
Teoría de decisionesTeoría de decisiones
Teoría de decisiones
 
Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdf
 
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
 
Trabajo de estadística 2 final maximax
Trabajo de estadística 2 final maximaxTrabajo de estadística 2 final maximax
Trabajo de estadística 2 final maximax
 
Trabajo arbol dedecisiones
Trabajo arbol dedecisiones Trabajo arbol dedecisiones
Trabajo arbol dedecisiones
 
AnáLisis ..
AnáLisis ..AnáLisis ..
AnáLisis ..
 
Ejemplo de Recuerda la teoría... - Cuaderno Nº 1 Toma de decisiones I
Ejemplo de Recuerda la teoría...  - Cuaderno Nº 1 Toma de decisiones IEjemplo de Recuerda la teoría...  - Cuaderno Nº 1 Toma de decisiones I
Ejemplo de Recuerda la teoría... - Cuaderno Nº 1 Toma de decisiones I
 
sem 14 Arbol de decisiones 2023 10.pptx
sem 14 Arbol de decisiones 2023 10.pptxsem 14 Arbol de decisiones 2023 10.pptx
sem 14 Arbol de decisiones 2023 10.pptx
 
Trabajo de estadística 2 final maximax
Trabajo de estadística 2 final maximaxTrabajo de estadística 2 final maximax
Trabajo de estadística 2 final maximax
 
Teoría de decisión.pptx
Teoría de decisión.pptxTeoría de decisión.pptx
Teoría de decisión.pptx
 
Fo13
Fo13Fo13
Fo13
 
TEODEC.PPT
TEODEC.PPTTEODEC.PPT
TEODEC.PPT
 
Clase1 decisiones
Clase1 decisionesClase1 decisiones
Clase1 decisiones
 
Analisis De Decision
Analisis De DecisionAnalisis De Decision
Analisis De Decision
 
Tem1_Criterios de decisión bajo riesgo1.pdf
Tem1_Criterios de decisión bajo riesgo1.pdfTem1_Criterios de decisión bajo riesgo1.pdf
Tem1_Criterios de decisión bajo riesgo1.pdf
 
04 produccion limpia herramientas 1
04 produccion limpia herramientas 104 produccion limpia herramientas 1
04 produccion limpia herramientas 1
 
Análisis de Desiciones_1ra parte.pptx
Análisis de Desiciones_1ra parte.pptxAnálisis de Desiciones_1ra parte.pptx
Análisis de Desiciones_1ra parte.pptx
 

Último

plan de capacitacion docente AIP 2024 clllll.pdf
plan de capacitacion docente  AIP 2024          clllll.pdfplan de capacitacion docente  AIP 2024          clllll.pdf
plan de capacitacion docente AIP 2024 clllll.pdfenelcielosiempre
 
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptxACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptxzulyvero07
 
PLAN DE REFUERZO ESCOLAR primaria (1).docx
PLAN DE REFUERZO ESCOLAR primaria (1).docxPLAN DE REFUERZO ESCOLAR primaria (1).docx
PLAN DE REFUERZO ESCOLAR primaria (1).docxlupitavic
 
PIAR v 015. 2024 Plan Individual de ajustes razonables
PIAR v 015. 2024 Plan Individual de ajustes razonablesPIAR v 015. 2024 Plan Individual de ajustes razonables
PIAR v 015. 2024 Plan Individual de ajustes razonablesYanirisBarcelDelaHoz
 
GUIA DE CIRCUNFERENCIA Y ELIPSE UNDÉCIMO 2024.pdf
GUIA DE CIRCUNFERENCIA Y ELIPSE UNDÉCIMO 2024.pdfGUIA DE CIRCUNFERENCIA Y ELIPSE UNDÉCIMO 2024.pdf
GUIA DE CIRCUNFERENCIA Y ELIPSE UNDÉCIMO 2024.pdfPaolaRopero2
 
Valoración Crítica de EEEM Feco2023 FFUCV
Valoración Crítica de EEEM Feco2023 FFUCVValoración Crítica de EEEM Feco2023 FFUCV
Valoración Crítica de EEEM Feco2023 FFUCVGiustinoAdesso1
 
La triple Naturaleza del Hombre estudio.
La triple Naturaleza del Hombre estudio.La triple Naturaleza del Hombre estudio.
La triple Naturaleza del Hombre estudio.amayarogel
 
Programacion Anual Matemática4 MPG 2024 Ccesa007.pdf
Programacion Anual Matemática4    MPG 2024  Ccesa007.pdfProgramacion Anual Matemática4    MPG 2024  Ccesa007.pdf
Programacion Anual Matemática4 MPG 2024 Ccesa007.pdfDemetrio Ccesa Rayme
 
plande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdfplande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdfenelcielosiempre
 
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...JAVIER SOLIS NOYOLA
 
MAYO 1 PROYECTO día de la madre el amor más grande
MAYO 1 PROYECTO día de la madre el amor más grandeMAYO 1 PROYECTO día de la madre el amor más grande
MAYO 1 PROYECTO día de la madre el amor más grandeMarjorie Burga
 
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdfSELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdfAngélica Soledad Vega Ramírez
 
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.Alejandrino Halire Ccahuana
 
Estrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcciónEstrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcciónLourdes Feria
 
Qué es la Inteligencia artificial generativa
Qué es la Inteligencia artificial generativaQué es la Inteligencia artificial generativa
Qué es la Inteligencia artificial generativaDecaunlz
 
Ley 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circularLey 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circularMooPandrea
 
proyecto de mayo inicial 5 añitos aprender es bueno para tu niño
proyecto de mayo inicial 5 añitos aprender es bueno para tu niñoproyecto de mayo inicial 5 añitos aprender es bueno para tu niño
proyecto de mayo inicial 5 añitos aprender es bueno para tu niñotapirjackluis
 
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...Carlos Muñoz
 
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptxSEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptxYadi Campos
 

Último (20)

plan de capacitacion docente AIP 2024 clllll.pdf
plan de capacitacion docente  AIP 2024          clllll.pdfplan de capacitacion docente  AIP 2024          clllll.pdf
plan de capacitacion docente AIP 2024 clllll.pdf
 
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptxACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
 
PLAN DE REFUERZO ESCOLAR primaria (1).docx
PLAN DE REFUERZO ESCOLAR primaria (1).docxPLAN DE REFUERZO ESCOLAR primaria (1).docx
PLAN DE REFUERZO ESCOLAR primaria (1).docx
 
PIAR v 015. 2024 Plan Individual de ajustes razonables
PIAR v 015. 2024 Plan Individual de ajustes razonablesPIAR v 015. 2024 Plan Individual de ajustes razonables
PIAR v 015. 2024 Plan Individual de ajustes razonables
 
Presentacion Metodología de Enseñanza Multigrado
Presentacion Metodología de Enseñanza MultigradoPresentacion Metodología de Enseñanza Multigrado
Presentacion Metodología de Enseñanza Multigrado
 
GUIA DE CIRCUNFERENCIA Y ELIPSE UNDÉCIMO 2024.pdf
GUIA DE CIRCUNFERENCIA Y ELIPSE UNDÉCIMO 2024.pdfGUIA DE CIRCUNFERENCIA Y ELIPSE UNDÉCIMO 2024.pdf
GUIA DE CIRCUNFERENCIA Y ELIPSE UNDÉCIMO 2024.pdf
 
Valoración Crítica de EEEM Feco2023 FFUCV
Valoración Crítica de EEEM Feco2023 FFUCVValoración Crítica de EEEM Feco2023 FFUCV
Valoración Crítica de EEEM Feco2023 FFUCV
 
La triple Naturaleza del Hombre estudio.
La triple Naturaleza del Hombre estudio.La triple Naturaleza del Hombre estudio.
La triple Naturaleza del Hombre estudio.
 
Programacion Anual Matemática4 MPG 2024 Ccesa007.pdf
Programacion Anual Matemática4    MPG 2024  Ccesa007.pdfProgramacion Anual Matemática4    MPG 2024  Ccesa007.pdf
Programacion Anual Matemática4 MPG 2024 Ccesa007.pdf
 
plande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdfplande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdf
 
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
 
MAYO 1 PROYECTO día de la madre el amor más grande
MAYO 1 PROYECTO día de la madre el amor más grandeMAYO 1 PROYECTO día de la madre el amor más grande
MAYO 1 PROYECTO día de la madre el amor más grande
 
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdfSELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
 
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
 
Estrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcciónEstrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcción
 
Qué es la Inteligencia artificial generativa
Qué es la Inteligencia artificial generativaQué es la Inteligencia artificial generativa
Qué es la Inteligencia artificial generativa
 
Ley 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circularLey 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circular
 
proyecto de mayo inicial 5 añitos aprender es bueno para tu niño
proyecto de mayo inicial 5 añitos aprender es bueno para tu niñoproyecto de mayo inicial 5 añitos aprender es bueno para tu niño
proyecto de mayo inicial 5 añitos aprender es bueno para tu niño
 
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
 
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptxSEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
 

Minimin,minimax,maximin,maximax

  • 1. Capítulo 1 Teoría de Decisión
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8. Matriz de Ganancias El conjunto de opciones es dominado por la segunda alternativa
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15. Continuación Problema John Pérez Tabla de Costo de Oportunidad Invertir en Oro incurre en una pérdida mayor cuando el mercado presenta una gran alza 500 500 500 500 500 500 500 - 100 - 100 - 100 - 100 - 100 = 600 - (-100) La Decisión Optima
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38. No contratar consultor Contratar consultor -5000 0 1 3 0 Deja de considerar la decisión de no contratar a un consultor 2 Haga nada 0 Compre tierra -300,000 Comprar la opción -20,000 11 4 Aplicar el acuerdo -30,000 Aplicar el acuerdo -30,000
  • 39. 5 Comprar tierra y aplicar el acuerdo aprobada rechazada 0.4 0.6 6 7 construya venda 950,000 -500,000 260,000 venda 9 -70,000 10 120,000 8 Vender opción y aplicar el acuerdo aprobada rechazada 0.4 0.6 -300,000 -500,000 950,000 13 14 15 Comprar tierra construya venda 17 -50,000 100,000 16 12
  • 40. 1 No contratar consultor 0 2 considerar la decisión de contratar a un consultor Contratar consultor -5000 18 Da su aprobación No da su aprobación 0.4 0.6 19 35 Haga nada Comprar tierra -300,000 Comprar la opcón -20,000 Haga nada Comprar tierra -300,000 Comprar la opción -20,000 -5000 21 28 44 37 36 20 Aplicación del acuerdo Aplicación del acuerdo Aplicación del acuerdo Aplicación del acuerdo -5000 -30,000 -30,000 -30,000 -30,000
  • 41. El consultor sirve como una fuente de información adicional para el rechazo o aprobación del acuerdo.. Por lo tanto, en este punto necesitamos calcular las probabilidades “a posteriori” para la aprobación o rechazo de la aplicación del acuerdo 22 aprovada rechazada ? ? Probabilidad “a posteriori” de aprobación| consultor da su aprobación ) = 0.70 probabilidad “a posteriori” de rechazo| consultor da su aprobación ) = 0.30 0.30 0.70 23 24 construya venda 950,000 -500,000 260,000 venda 26 -75,000 27 115,000 25
  • 42.  El resto del árbol de decisión se puede construir análogamente .  Un completo análisis se puede obtener usando WINQSB
  • 43.
  • 44. 22 aprobada rechazada 58,000 0.30 0.70 23 24 construye vende 950,000 -500,000 260,000 vende 26 27 25 Con 58.000 como el valor final del nodo, se puede continuar retrocediendo para evaluar los nodos anteriores. -75,000 115,000 115,000 -75,000 115,000 -75,000 115,000 -75,000 115,000 -75,000 115,000 -75,000 (115,000)(0.7)=80500 (-75,000)(0.3)= -22500 -22500 80500 80500 -22500 80500 -22500 80500 -22500 ? ?
  • 45. Aquí se muestra una pantalla de un árbol de decisión en WINQSB
  • 46. Contratar al consultor (ir al nodo 18)
  • 47. Luego procedemos de la misma manera y completamos la estrategia Si el consultor da su aprobación (indicado por el nodo 19) Si el acuerdo se aprueba (indicada por el nodo 23) Entonces compre la tierra y apli- quela al acuerdo.. Luego espere por los resultados ... Entonces construya y venda.
  • 48.
  • 49.
  • 50.
  • 51.
  • 52.
  • 53. Use este resultado con precaución: la inversión en bonos tiene casi la misma utilidad !! La decisión óptima
  • 54.
  • 55. No arriesgado al determinar la decisión Arriesgado al determinar la decisión Neutral al determinar la decisión Ganancia Utilidades