SlideShare una empresa de Scribd logo
1 de 62
www.usat.edu.pe
www.usat.edu.pe
Profesor Jorge A Huarachi Chávez PhD.
j.huarachi@usat.edu.pe
markaslayku9@Gmail.com
Curso Herramientas para la
toma de decisiones
www.usat.edu.pe
Contenido de la Sesión III
2
• Revisión de Árbol de Decisión
• Pasos en POM-QM para construir un Árbol de Decision
• Enfoque de Valor Monetario Esperado (VME)
• Análisis de Riesgo y Perfil de Riesgo
• El Valor Esperado de la Información Perfecta (VEIP)
• Repaso de Sensibilidad de Riesgo
• Ejercicios de Valor Esperado de Información Perfecta
www.usat.edu.pe
Revisión de arboles de Decisión
• El tipo de técnicas que vamos a ver están dentro del ámbito de
la denominada investigación operativa, que se encuentra
integrada por todo un conjunto de métodos y modelos
operativos.
• Un árbol de decisión es un sistema de representación del
proceso de decisión en el que se reflejan las posibles
alternativas a las que se puede optar y los resultados que
corresponden a cada alternativa según cual sea el estado de la
naturaleza que se presente.
3
www.usat.edu.pe
4
Todo árbol consta de nudos y ramas:
- Los nudos también denominados vértices, representan situaciones en las
cuales debe tomarse una u otra decisión (nudos decisionales) o el decisor
se enfrenta a distintos estados de la naturaleza o sucesos aleatorios.
- Las ramas también denominadas aristas, que parten de los nudos
decisionales representan alternativas de decisión; las que parten de
nudos aleatorios representan posibles estados de la naturaleza (sucesos
que pueden acontecer y entre los cuales no es posible elegir).
- Cuando se conocen las probabilidades de los diversos estados,
estas se reflejan sobre las ramas que les representan. Al final de
cada camino (sucesión de aristas) se reseña el resultado que
corresponde a esa sucesión de decisiones y sucesos.
Árboles de decisión
www.usat.edu.pe
5
Por convenio, a los nudos decisionales se les representa por cuadrados en
tanto que a los aleatorios se les representa con círculos.
Cada nudo tiene un valor asociado:
- El valor asociado a un nudo aleatorio es la esperanza matemática de los
valores situados al final de las ramas que parten de él.
- El valor asociado a un nudo decisional es el mejor de los valores en el que
tiene destino las ramas que parten de él.
La revisión de probabilidades mediante el análisis bayesiano resulta
particularmente útil en los árboles de decisión. En muchas ocasiones la
información a priori de la que se dispone resulta insuficiente para tomar
una decisión, y el decisor se plantea la posibilidad de incorporar más
información.
Para revisar las probabilidades hay que utilizar el teorema de Bayes y trabajar
con probabilidades a posteriori.
www.usat.edu.pe
Ejemplo 2:
• El siguiente ejemplo está dado por un típico diagrama de
árbol de decisión. La figura cuenta con 12 ramales. Las
utilidades están a la derecha de la terminación del nodo.
Observe que hay un costo de $ 100 (investigación de
mercado) en el centro de selección de un determinado
ramal.
6
www.usat.edu.pe
Ejercicios 2
• Para poder utilizar el módulo de árbol de decisión, dos
cosas deben ocurrir. En primer lugar, los nodos deben
añadirse a la derecha de la terminación del ramal.
• En segundo lugar, los nodos deben estar numerados. La
siguiente figura muestra la adición de nodos y el hecho
de que a todos los nodos se les han dado números. La
forma más conveniente para la numeración de los nodos
es de izquierda a derecha y de arriba a abajo.
7
www.usat.edu.pe
Árbol de Decision
8
www.usat.edu.pe
9
www.usat.edu.pe
10
www.usat.edu.pe
Introducción de datos de pago con las probabilidades
11
www.usat.edu.pe
Toma de decisiones con probabilidades
• Enfoque de Valor Monetario Esperado VME
- Si se dispone de información probabilística sobre
los estados de la naturaleza, se puede utilizar el
enfoque del Valor Monetario Esperado (VME).
- Aquí se calcula la rentabilidad prevista para cada
decisión sumando los productos de la recompensa en
cada estado de la naturaleza y la probabilidad de que
se produzca el estado respectivo de la naturaleza.
- Se elige la decisión de obtener el mejor rendimiento
esperado.
www.usat.edu.pe
• El valor esperado de una alternativa de decisión es la
suma de los pagos ponderados para la alternativa de
decisión.
• El valor esperado (VME) de la alternativa de decisión
di se define como:
•
donde: N = el número de estados de la naturaleza
P(sj ) = la probabilidad de estado de la
naturaleza
Vij = la recompensa correspondiente a la
decisión alternativa di y estado de la naturaleza sj
Valor esperado de una alternativa de decisión
www.usat.edu.pe
DATOS INICIALES DEL ARBOL DE DECISIONES
1
.8
.2
.8
.2
.8
.2
d1
d2
d3
s1
s1
s1
s2
s2
s2
Payoffs
$8 mil
$7 mil
$14 mil
$5 mil
$20 mil
-$9 mil
2
3
4
www.usat.edu.pe
Valor Monetario esperado para cada decisión
Elija la alternativa de decisión con el EV más
grande. Construir el gran complejo.
3
d1
d2
d3
EMV = .8(8 mill) + .2(7 mill) = $7.8 mill
EMV = .8(14 mill) + .2(5 mill) = $12.2 mill
EMV = .8(20 mill) + .2(-9 mill) = $14.2 mill
Pequeño
Medio
 Grande
2
1
4
www.usat.edu.pe
Análisis de riesgos
• Análisis de riesgos ayuda al responsable de la toma
de decisiones a reconocer la diferencia entre:
– el valor esperado de una alternativa de decisión, y
– la recompensa que en realidad podría ocurrir
• The perfil de riesgo para una alternativa de decisión
muestra los posibles pagos para la alternativa de
decisión junto con sus probabilidades asociadas.
www.usat.edu.pe
Perfil de riesgo
• Gran alternativa de decisión compleja
Pagos que van entre -9 y 20
•
.20
.40
.60
.80
1.00
-10 -5 0 5 10 15 20
Probability
www.usat.edu.pe
18
Se llama valor de la información al resultado esperado asociado a
una decisión, cuando se ha solicitado información.
Conseguir información genera un coste. Cuando el decisor se plantea
si merece la pena conseguir esa información o no, compara el coste
de conseguir esa información con el valor esperado de la
información.
La información perfecta es aquella en la que la probabilidad de que
sea correcta es el cien por cien.
El valor esperado de la información perfecta (VEIP) es la esperanza
matemática del valor de la información.
www.usat.edu.pe
Valor esperado de la información perfecta
• Frecuentemente se dispone de información que
puede mejorar las estimaciones de probabilidad para
los estados de la naturaleza.
• El valor esperado de la información perfecta (EVPI)
es el aumento del beneficio esperado que resultaría
si se supiera con certeza qué estado de la naturaleza
se produciría.
• El EVPI proporciona un límite superior en el valor
esperado de cualquier información de muestra o
encuesta.
www.usat.edu.pe
Calculo de la Información Perfecta si se conoce con
certeza que ocurrirá el S1 o el estado de la naturaleza S2
• En el Ejemplo anterior se sabe que si ocurre el estado de
la naturaleza S1 la mejor alternativa de decisión será D3
con un valor de 20 millones. Si sabe que ocurre el estado
de la naturaleza S2 la decisión será D1 se obtiene un
resultado de 7 millones. Las probabilidades originales
son P(s1)= 0.8 y la P(s2)=0.2
• Hallando el valor esperado con información perfecta
EVcPI
20
EVcPI = .8(20 mill) + .2(7 mill) = $17.4 mill
www.usat.edu.pe
Valor Monetario Esperado sin Información
Perfecta VEsIP
Sin conocer con exactitud que estado de la naturaleza se
iba a dar la mejor selección fue la d3 con un valor
Monetario sin información perfecta
3
d1
d2
d3
EMV = .8(8 mill) + .2(7 mill) = $7.8 mill
EMV = .8(14 mill) + .2(5 mill) = $12.2 mill
EMV = .8(20 mill) + .2(-9 mill) = $14.2 mill
Pequeño
Medio
Grande
2
1
4
www.usat.edu.pe
 Valor esperado con información perfecta (EVcPI)

 Valor esperado sin información perfecta (EVsPI)

 Valor esperado de la información perfecta (EVPI)
 En otras palabras los 3.2 mil representan lo adicional
que puede obtenerse si se cuenta con información
perfecta de los estados de la naturaleza.

Valor esperado de la información perfecta
EVcPI = .8(20 mill) + .2(7 mill) = $17.4 mill
EVsPI = .8(20 mill) + .2(-9 mill) = $14.2 mil
EVPI = |EVcPI – EVsPI| = |17.4 – 14.2| = $3.2 mill
www.usat.edu.pe
Árbol de Decisiones
 Representación gráfica del proceso de toma de
decisiones bajo riesgo.
 Todas las posibles secuencias de eventos están
representadas en el árbol de decisiones, cada una
de las cuales podría llevarnos a uno de varios
resultados inciertos.
 Para aprender como crear un árbol de decisiones,
veamos el siguiente ejemplo:
www.usat.edu.pe
Ejemplo 02
Acaba de completarse la fase de diseño y prueba de productos
para la nueva línea de tractores para jardín y uso domestico de
PROTRAC. La alta gerencia está tratando de decidir la
estrategia de mercadotecnia y producción apropiadas para
usarse con este producto. Se están considerando tres
alternativas principales:
Agresiva (A): Esta estrategia representa un compromiso
importante por parte de la empresa con esta línea de producto.
Se incurriría en importantes desembolsos de capital para una
nueva y eficiente planta de producción. Se acumularían grandes
inventarios para garantizar la entrega apropiada de todos los
modelos. Se iniciara una gran campaña de publicidad incluyendo
un patrocinio a nivel nacional de comerciales en televisión y se
arrancaría un programa de descuentos a distribuidores.
www.usat.edu.pe
Básica (B): En este plan, la producción del E-4 (el tractor
oruga pequeño) sería trasladada de Joliet a Moline. Este
traslado eliminaría el departamento de producción del pelicano
ajustable y del excavador. Al mismo tiempo, la línea E-4 en
Joliet seria modificada para producir el nuevo producto para
jardín y uso domestico. Se mantendrían inventario solo para los
productos mas populares. Las oficinas centrales pondrían
fondos a disposición para apoyar esfuerzos locales o regionales
de publicidad, pero no se haría una campaña publicitaria
nacional.
Cautelosa (C): En este plan, la capacidad sobrante en varia
de las líneas E-4 se utilizaría para manufacturar los nuevos
productos. Se desarrollaría un mínimo de nuevos montajes. La
producción se programaría para satisfacer la demanda y la
publicidad correría a cargo del comerciante local.
Ejemplo 02
www.usat.edu.pe
La administración decide clasificar el estado del mercado
como fuerte (D1) o débil (D2). En realidad la demanda se
caracteriza por un continuo de resultados posibles. A
continuación se muestra la tabla de retribuciones y su
respectiva probabilidad:
Ejemplo 02
D1 D2
A 30 -8
B 20 7
C 5 15
Probabilidad 0.45 0.55
Estado naturaleza
Decisión
www.usat.edu.pe
Construcción del Árbol de Decisiones
 Nodo Cuadrado: Punto donde debe tomarse una
decisión. Cada línea que parte de él representa una
decisión.
 Nodo Circular: Representan situaciones donde el
resultado es incierto.
 Rama:Cada línea que emanan de los nodos.
 Posiciones terminales.
 Nodos terminales.
 En este curso, utilizaremos el software TreePlan.
Este software esta disponible como shareware. Visite
su sitio web en http://www.treeplan.com
www.usat.edu.pe
0.45
Fuerte
30
Agresiva 30 30
0 9.1 0.55
Débil
-8
-8 -8
0.45
Fuerte
20
Básica 20 20
2
12.85 0 12.85 0.55
Débil
7
7 7
0.45
Fuerte
5
Cautelosa 5 5
0 10.5 0.55
Débil
15
15 15
Árbol de Decisiones del ejemplo 02
www.usat.edu.pe
Árbol de Decisiones: Cómo incorporar
nueva información.
La administración de la división de tractores
domésticos de PROPRAC estaba a punto de
recomendar la estrategia de mercadotecnia y
producción básica, cuando el consejo directivo insistió
en que primero tendría que llevarse a cabo un estudio
de investigación de mercado. Sólo después de dicho
estudio el consejo estaría dispuesto a aprobar la
selección de la estrategia de mercadotecnia y
producción.
¿Cómo de debe proceder?
www.usat.edu.pe
Árbol de Decisiones: Cómo incorporar
nueva información.
 Seleccionar a una empresa que realice el estudio de mercado
en un tiempo prudente (recomendablemente un mes). Sobre
si el estudio era alentador (A) o desalentador (D).
 Esté informe revelara siempre el estado verdadero de la
naturaleza.
 La administración una vez que tenga la información, puede
actualizar su estimación P(F), es decir la probabilidad de que
el mercado fuera fuerte, sería actualizada.
 La pregunta es: ¿cómo deberá realizarse la actualización?.
 La actualización, se realiza basándonos en la probabilidad
condicional.
www.usat.edu.pe
Árbol de Decisiones: Calculo de
probabilidades a posteriori
 La pregunta es: ¿cómo calcular la probabilidad a
posteriori?
 Supongamos que el grupo de mercadotecnia ha dado el
siguiente informe:
 La clave para obtener las probabilidades a posteriori es
el teorema de Bayes.
 Nosotros utilizaremos el Excel para calcularlas
D1 D2
Alentador (C1) 0.6 0.3
Desalentador (C2) 0.4 0.7
P(Cj/Di)
www.usat.edu.pe
CONFIABILIDADES
Fuerte Débil
Alentador 0.6 0.3
Desalentador 0.4 0.7
PROBABILIDADES A PRIORI
Fuerte Débil
0.45 0.55
PROBABILIDADES CONJUNTAS Y MARGINALES
Fuerte Débil
Alentador 0.27 0.165 0.435
Desalentador 0.18 0.385 0.565
0.45 0.55
PROBABILIDAD A POSTERIORI
Fuerte Débil
Alentador 0.621 0.379
Desalentador 0.319 0.681
Árbol de Decisiones: Calculo de
probabilidades a posteriori con el Excel
www.usat.edu.pe
FUERTE DEBIL
ALENTADOR 0.6 0.3
DESALENTADOR 0.4 0.7
PROBABILIDADES A PRIORI
Fuerte Débil
0.45 0.55
PROBABILIDADES CONJUNTAS PROBABILIDADES CONJUNTAS
FUERTE DEBIL FUERTE DEBIL
ALENTADOR 0.27 0.165 0.435 ALENTADOR !B2*B$7 !C2*C$7 SUM (b11:c11)
DESALENTADOR 0.18 0.385 0.565 DESALENTADOR!B3*B$7 !C3*C$7 SUM (b12:c12)
0.45 0.55 1 SUM (b11:b12) SUM (c11:c12)
PROBABILIDAD A POSTERIORI PROBABILIDAD A POSTERIORI
FUERTE DEBIL FUERTE DEBIL
ALENTADOR 62.07% 37.93% 1 ALENTADOR !B11/D$11 !C11/D$11
DESALENTADOR 31.86% 68.14% 1 DESALENTADOR!B12/D$12 !C12/D$12
www.usat.edu.pe
0.621
Fuerte
30
Agresiva 30 30
0 15.598 0.379
Débil
-8
-8 -8
0.621
Fuerte
0.435 20
Alentador Básica 20 20
1
0 15.598 0 15.073 0.379
Débil
7
7 7
0.621
Fuerte
5
Cautelosa 5 5
0 8.79 0.379
Débil
15
15 15
13.45778 0.319
Árbol de Decisiones: informe alentador
www.usat.edu.pe
13.45778 0.319
Fuerte
30
Agresiva 30 30
0 4.122 0.681
Débil
-8
-8 -8
0.319
Fuerte
0.565 20
Desalentador Básica 20 20
3
0 11.81 0 11.147 0.681
Débil
7
7 7
0.319
Fuerte
5
Cautelosa 5 5
0 11.81 0.681
Débil
15
15 15
Árbol de Decisiones: informe desalentador
www.usat.edu.pe
Árbol de Decisiones: Toma de decisión
 Si la prueba es alentadora, para maximizar el
rendimiento esperado, debemos realizar la acción
Agresiva.
 Si el resultado de la prueba es desalentadora,
para maximizar el rendimiento esperado, debemos
realizar la acción Cautelosa.
www.usat.edu.pe
Valor esperado de la información de muestra (VEIM)
VEIM = Máximo rendimiento esperado con información menos
Máximo rendimiento esperado sin información
VEIM = $13.46 - $ 12.85 = $ 0.61
$ 0.61 es lo máximo que estamos dispuestos a pagar por la
información
Valor esperado de la información perfecta (VEIP)
VEIP = (30)(0.45) + (15)(0.55) – 12.85 = $8.9
$8.9 es lo máximo que estoy dispuesto a pagar por la
información perfecta
Valor de la información
www.usat.edu.pe
Observe la siguiente tabla de retribuciones, en la cual las
entradas están en rendimientos netos en dólares.
1 2 3 4
1 35 22 25 12
2 27 25 20 18
3 22 25 25 28
4 20 25 28 33
Estado de naturaleza
Decisión
¿Cuál seria su decisión bajo un enfoque de incertidumbre?
Si las probabilidades para los estados de naturaleza son
las siguientes ¿Cuál es la decisión que maximice el
rendimiento neto esperado en dólares?.
P(1)= 0.1 P(2)=0.4 P(3)=0.3 P(4)=0.2
Ejemplo 03
www.usat.edu.pe
39
www.usat.edu.pe
Jenny Lind es una escritora de novelas románticas. Tanto una
compañía fílmica como una red televisiva quieren los derechos
exclusivos de una de sus obras más populares. Si ella firma con
la red recibirá una sola suma fija, pero si firma con la
compañía fílmica la cifra que recibirá dependerá de la
respuesta del mercado ante la película. Las retribuciones de
Jenny se muestran a continuación
Taquilla baja Taquilla media Taquilla alta
Firmar con cia fìlmica $ 200,000 $ 1,000,000 $ 3,000,000
Firmar con red televisiva $ 900,000 $ 900,000 $ 900,000
Probabilidad a priori 30% 60% 10%
Decisión
Estado de naturaleza
¿A quien debe deberá vender Jenny los derechos?
¿Cuánto es lo más que debe estar dispuesta a pagar para saber
el monto de la taquilla, antes de decidir con quién firmar?
Ejemplo 04
www.usat.edu.pe
Jenny Lind puede contratar a una empresa que se dedique a
la investigación de mercados, para hacer una encuesta con un
costo de $100,000. El resultado de la encuesta consistirá en
una respuesta del publico favorable (F) o desfavorable (U) a
la película.
P(F/Baja) 30% P(U/Baja) 70%
P(F/Media) 60% P(U/Media) 40%
P(F/Alta) 80% P(U/Alta) 20%
¿Debe Jenny mandar a hacer la encuesta?
¿Cuánto es lo más que Jenny debería estar dispuesta a
pagar por la encuesta?
Ejemplo 04
www.usat.edu.pe
42
BAJA MEDIA ALTA
FAVORABLE 0.3 0.6 0.8
DESFAVORABLE 0.7 0.4 0.2
PROBABILIDADES A PRIORI
BAJA MEDIA ALTA
0.3 0.6 0.1
PROBABILIDADES CONJUNTAS
BAJA MEDIA ALTA
FAVORABLE 0.09 0.36 0.08 0.53
DESFAVORABLE 0.21 0.24 0.02 0.47
0.3 0.6 0.1
PROBABILIDAD A POSTERIORI
BAJA MEDIA ALTA
FAVORABLE 0.16981 0.67925 0.15094 1
DESFAVORABLE 0.44681 0.51064 0.04255 1
www.usat.edu.pe
43
TreePlan Trial Version, For Evaluation Only 16.98% www.TreePlan.com
TAQUILLA BAJA
200000
200000 200000
67.92%
CIA FILMICA TAQUILLA MEDIA
1000000
0 1,166,037.74
S/. 1000000 1000000
15.09%
TAQUILLA ALTA
53% 3000000
FAVORABLE 3000000 3000000
1
0 1,166,037.74
S/. 16.98%
TAQUILLA BAJA
900000
900000 900000
67.92%
RED TELEVISIVA TAQUILLA MEDIA
900000
0 900,000.00
S/. 900000 900000
15.09%
TAQUILLA ALTA
900000
900000 900000
1041000 44.68%
TAQUILLA BAJA
200000
200000 200000
51.06%
CIA FILMICA TAQUILLA MEDIA
1000000
0 727,659.57
S/. 1000000 1000000
4.26%
TAQUILLA ALTA
47% 3000000
DESFAVORABLE 3000000 3000000
2
0 900,000.00
S/. 44.68%
TAQUILLA BAJA
900000
900000 900000
51.06%
RED TELEVISIVA TAQUILLA MEDIA
900000
0 900,000.00
S/. 900000 900000
4.26%
TAQUILLA ALTA
900000
900000 900000
For Evaluation Only
www.usat.edu.pe
44
www.usat.edu.pe
Para ahorrar en gastos, Martín y Sara acordaron compartir el
automóvil para ir y regresar del trabajo. Sara prefiere usar la
Av. Queen City que es mas larga pero mas consistente. Martín
prefiere la autopista que es mas rapida, pero acordó con Sara
que tomarían la avenida Queen City si la autopista tenia un
embotellamiento de transito. La siguiente tabla de resultados
proporcionan la estimación de tiempo en minutos para el viaje
de ida y regreso.
Autopista
abierta
Autopista
embotellada
Av. Queen City 30 30
Autopista 25 45
Con base a su experiencia con problemas de transito, Sara y
Martín acordaron una probabilidad de 0.15 de que la autopista
estuviera embotellada.
Ejemplo 05
www.usat.edu.pe
Además, acordaron que el clima parecía afectar las
condiciones del transito en la autopista. Sea:
C  despejado O  nublado R  lluvia
Se aplican las siguientes probabilidades condicionales:
P(C/Abierta) = 0.8 P(O/Abierta) = 0.2 P(R/Abierta) = 0.0
P(C/Embot) = 0.1 P(O/Embot) = 0.3 P(R/Embot) = 0.6
1. Muestre el árbol de decisiones para este problema.
2. ¿Cuál es la estrategia de decisión optima y cual es el tiempo
de viaje esperado?
Ejemplo 05
www.usat.edu.pe
47
ABIERTA EMBOTELLADA
DESPEJADO 0.8 0.1
NUBLADO 0.2 0.3
LLUVIA 0 0.6
PROBABILIDADES A PRIORI
ABIERTA EMBOTELLADA
0.85 0.15
PROBABILIDADES CONJUNTAS
ABIERTA EMBOTELLADA
DESPEJADO 0.68 0.015 0.695
NUBLADO 0.17 0.045 0.215
LLUVIA 0 0.09 0.09
0.85 0.15
PROBABILIDAD A POSTERIORI
ABIERTA EMBOTELLADA
DESPEJADO 0.97842 0.02158 1.000
NUBLADO 0.79070 0.20930 1.000
LLUVIA 0.00000 1.00000 1.000
www.usat.edu.pe
48
TreePlan Trial Version, For Evaluation Only 0.978417 www.TreePlan.com
ABIERTA
30
QUEEN 30 30
0 30 0.021583
EMBOTELLADA
0.695 30
DESPEJADO 30 30
2
0 25.4316547 0.978417
ABIERTA
25
AUTOPISTA 25 25
0 25.4316547 0.021583
EMBOTELLADA
45
45 45
0.790698
ABIERTA
30
QUEEN 30 30
0 30 0.209302
EMBOTELLADA
0.215 30
NUBLADO 30 30
2
26.65 0 29.1860465 0.790698
ABIERTA
25
AUTOPISTA 25 25
0 29.1860465 0.209302
EMBOTELLADA
45
45 45
0
ABIERTA
30
QUEEN 30 30
0 30 1
EMBOTELLADA
0.09 30
LLUVIA 30 30
1
0 30 0
ABIERTA
25
AUTOPISTA 25 25
0 45 1
EMBOTELLADA
45
45 45
For Evaluation Only
www.usat.edu.pe
49
www.usat.edu.pe
Análisis de sensibilidad
• Análisis de sensibilidad se puede utilizar para
determinar cómo los cambios en los siguientes
insumos afectan a la alternativa de decisión
recomendada:
– probabilidades para los estados de la naturaleza
– valores de los pagos
–Si un pequeño cambio en el valor de una de las
entradas provoca un cambio en la alternativa de
decisión recomendada, se debe tener un esfuerzo y
un cuidado adicionales en la estimación del valor de
entrada.
www.usat.edu.pe
Análisis de Decision
• Un enfoque para el análisis de sensibilidad es
seleccionar diferentes valores para las probabilidades de
los estados de la naturaleza y los resultados, y luego
resolver el problema del análisis de decisiones.
• Si la alternativa de decisión recomendada cambia,
sabemos que la solución es sensible a los cambios
hechos.
51
www.usat.edu.pe
DATOS INICIALES
52
www.usat.edu.pe
SUPONGAMOS QUE SE CAMBIAN LAS PROBABILIDADES
DE LAS DEMANDAS
• Por ejemplo, suponga que en el problema de PDC la
probabilidad de una demanda fuerte cambia a 0.2 y la
probabilidad de una demanda débil cambia a 0.8. Antes
la probabilidad de la demanda fuerte era 0.8 y de la débil
0.2. Los nuevos valores esperados seran
• VE(d1) = 0.2(8) + 0.8(7) = 7.2
• VE(d2) = 0.2(14) + 0.8(5) = 6.8
• VE(d3) =0.2(20) + 0.8(29) = 3.2
• Antes la decisión mas favorable era la decisión d3 que
daba un VE de 14.2 y ahora la decisión mas favorable
será d1 con un VE de 7.2
53
www.usat.edu.pe
Sensibilidad a través de graficos
• En el caso particular de dos estados de la naturaleza se
puede utilizar un procedimiento gráfico para determinar
cómo los cambios en las probabilidades de los estados
de la naturaleza afectan a la alternativa de decisión
recomendada.
• Para demostrar este procedimiento, suponga que p es la
probabilidad del estado de la naturaleza s1; es decir,
P(s1) = p. Con sólo dos estados de la naturaleza en el
problema de PDC, la probabilidad del estado de la
naturaleza s2 es
54
www.usat.edu.pe
Esto se convierte a VE (d1) igual
55
www.usat.edu.pe
VALOR ESPERADO PARA LAS ALTERNATIVAS DE DECISIÓN
DE PDC COMO UNA FUNCIÓN DE p
56
www.usat.edu.pe
Análisis de riesgos
• Análisis de riesgos ayuda al responsable de la toma
de decisiones a reconocer la diferencia entre:
– el valor esperado de una alternativa de decisión, y
– la recompensa que en realidad podría ocurrir
• The perfil de riesgo para una alternativa de decisión
muestra los posibles pagos para la alternativa de
decisión junto con sus probabilidades asociadas.
www.usat.edu.pe
Perfil de riesgo
• Gran alternativa de decisión compleja
Pagos que van entre -9 y 20
•
.20
.40
.60
.80
1.00
-10 -5 0 5 10 15 20
Probability
www.usat.edu.pe
VALOR ESPERADO PARA LAS ALTERNATIVAS DE DECISIÓN
DE PDC COMO UNA FUNCIÓN DE p
59
www.usat.edu.pe
60
• Revisar el link
• https://www.youtube.com/w
atch?v=wGUWUnnBT74
• Calcular el Valor Esperado de
la Información Perfecta
• Revisar el link
• https://www.youtube.com/w
atch?v=12RF_SZ5S0g
• Calculo de Valor Monetario
Esperado en POM-QM
Actividades para la siguiente sesión:
www.usat.edu.pe
61
• Howard J. Weiss (2005) POM - QM FOR WINDOWS Versión 3
Pearson Education, Inc., Upper Saddle River, New Jersey,
07458.
• Anderson, D., Sweeney, D., & Williams, T. (2011). Métodos
cuantitativos para los negocios. México: Cengage Learning
Editores.
• Eppen, G., Gould, F., Schmidt, C., Moore, J., & Weatherford, L.
(2000). Investigación de operaciones en la ciencia
administrativa (Quinta Edición ed.). México: Prentice-Hall.
• Hillier, F., & Hillier, M. (2008). Métodos cuantitativos para
administración. México: Mc Graw Hill.
• Render, B., HANNA, M. E. A., Stair, R. M., & Hanna, M. E.
(2006). Métodos cuantitativos para los negocios. Pearson
Educación.
Referencia : Autores de libros
www.usat.edu.pe
http://www.facebook.com/usat.peru
https://plus.google.com/+usateduperu
https://twitter.com/usatenlinea
https://www.youtube.com/user/tvusat
Docente:
@usat.edu.pe
@Gmail.com

Más contenido relacionado

La actualidad más candente

Programación lineal entera y binaria
Programación lineal entera y binariaProgramación lineal entera y binaria
Programación lineal entera y binariaJaime Medrano
 
Problemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovProblemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovKbl Julus Saraccini
 
Ejemplos de Procesos Estocásticos
Ejemplos de Procesos EstocásticosEjemplos de Procesos Estocásticos
Ejemplos de Procesos EstocásticosLupita Rodríguez
 
Soluciones factibles y soluciones básicas factibles
Soluciones factibles y soluciones básicas factiblesSoluciones factibles y soluciones básicas factibles
Soluciones factibles y soluciones básicas factiblesLupita Rodríguez
 
Analisis de-valor-actual
Analisis de-valor-actualAnalisis de-valor-actual
Analisis de-valor-actualJoshep Merino
 
Resolución de problemas (oa)
Resolución de problemas (oa)Resolución de problemas (oa)
Resolución de problemas (oa)lineal
 
Programacion Lineal Entera
Programacion Lineal EnteraProgramacion Lineal Entera
Programacion Lineal EnteraRoger Rodríguez
 
Pasos metodo simplex
Pasos metodo simplexPasos metodo simplex
Pasos metodo simplexjoshraya
 
Ejercicio de investigación de operaciones
Ejercicio de investigación de operacionesEjercicio de investigación de operaciones
Ejercicio de investigación de operacioneskit22
 
Ejercicios de programacion lineal-resueltos-mediante-el-metodo-simplex
Ejercicios de programacion lineal-resueltos-mediante-el-metodo-simplexEjercicios de programacion lineal-resueltos-mediante-el-metodo-simplex
Ejercicios de programacion lineal-resueltos-mediante-el-metodo-simplexSalvador Vasquez perez
 
Tarea 9 de probabilidad y estadistica con respuestas
Tarea 9 de probabilidad y estadistica con respuestasTarea 9 de probabilidad y estadistica con respuestas
Tarea 9 de probabilidad y estadistica con respuestasIPN
 
Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Gaston Saenz
 
Simulación: Teoría y aplicaciones con Promodel
Simulación: Teoría y aplicaciones con PromodelSimulación: Teoría y aplicaciones con Promodel
Simulación: Teoría y aplicaciones con PromodelAlvaro Gil
 
Observaciones realizadas
Observaciones realizadasObservaciones realizadas
Observaciones realizadasmmaila94
 

La actualidad más candente (20)

Programación lineal entera y binaria
Programación lineal entera y binariaProgramación lineal entera y binaria
Programación lineal entera y binaria
 
Distribucion Normal
Distribucion NormalDistribucion Normal
Distribucion Normal
 
Problemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markovProblemas resueltos-cadenas-de-markov
Problemas resueltos-cadenas-de-markov
 
Programación deterministica
Programación deterministicaProgramación deterministica
Programación deterministica
 
Ejemplos de Procesos Estocásticos
Ejemplos de Procesos EstocásticosEjemplos de Procesos Estocásticos
Ejemplos de Procesos Estocásticos
 
Soluciones factibles y soluciones básicas factibles
Soluciones factibles y soluciones básicas factiblesSoluciones factibles y soluciones básicas factibles
Soluciones factibles y soluciones básicas factibles
 
Microeconomía Cap. 7 Oligopolio y competencia monopolística
Microeconomía Cap. 7 Oligopolio y competencia monopolísticaMicroeconomía Cap. 7 Oligopolio y competencia monopolística
Microeconomía Cap. 7 Oligopolio y competencia monopolística
 
Analisis de-valor-actual
Analisis de-valor-actualAnalisis de-valor-actual
Analisis de-valor-actual
 
Resolución de problemas (oa)
Resolución de problemas (oa)Resolución de problemas (oa)
Resolución de problemas (oa)
 
Programacion Lineal Entera
Programacion Lineal EnteraProgramacion Lineal Entera
Programacion Lineal Entera
 
Pasos metodo simplex
Pasos metodo simplexPasos metodo simplex
Pasos metodo simplex
 
MÉTODO DE TRANSPORTE
MÉTODO DE TRANSPORTEMÉTODO DE TRANSPORTE
MÉTODO DE TRANSPORTE
 
Ejercicio de investigación de operaciones
Ejercicio de investigación de operacionesEjercicio de investigación de operaciones
Ejercicio de investigación de operaciones
 
Transporte y asignación
Transporte y asignaciónTransporte y asignación
Transporte y asignación
 
Ejercicios de programacion lineal-resueltos-mediante-el-metodo-simplex
Ejercicios de programacion lineal-resueltos-mediante-el-metodo-simplexEjercicios de programacion lineal-resueltos-mediante-el-metodo-simplex
Ejercicios de programacion lineal-resueltos-mediante-el-metodo-simplex
 
Tarea 9 de probabilidad y estadistica con respuestas
Tarea 9 de probabilidad y estadistica con respuestasTarea 9 de probabilidad y estadistica con respuestas
Tarea 9 de probabilidad y estadistica con respuestas
 
Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3Decisiones matriz de pago 2015 c3
Decisiones matriz de pago 2015 c3
 
Simulación: Teoría y aplicaciones con Promodel
Simulación: Teoría y aplicaciones con PromodelSimulación: Teoría y aplicaciones con Promodel
Simulación: Teoría y aplicaciones con Promodel
 
Observaciones realizadas
Observaciones realizadasObservaciones realizadas
Observaciones realizadas
 
teorias de decision
teorias de decisionteorias de decision
teorias de decision
 

Similar a Sesion iii arbol de decisiones prob a priori

Analisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralAnalisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralEmmanuel Chulin
 
Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfJonathanSampedro2
 
Presentación simposio-daga
Presentación simposio-dagaPresentación simposio-daga
Presentación simposio-dagaEliecer Yance A
 
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
 
Arbol de decision
Arbol de decisionArbol de decision
Arbol de decisionalex
 
Practica arbol de decisiones.pptx
Practica arbol de decisiones.pptxPractica arbol de decisiones.pptx
Practica arbol de decisiones.pptxRafaelVsquez14
 
Software para arboles de decisión y diagramas de influencia
Software para arboles de decisión y diagramas de influenciaSoftware para arboles de decisión y diagramas de influencia
Software para arboles de decisión y diagramas de influenciaantoniomartinezuvm
 
Teoría de decisiones
Teoría de decisionesTeoría de decisiones
Teoría de decisionesGuaniloAvalos
 
Qué es un árbol de decisión
Qué es un árbol de decisiónQué es un árbol de decisión
Qué es un árbol de decisiónmartin_cs
 
Reto Slideshare
Reto SlideshareReto Slideshare
Reto SlideshareMaryliz95
 

Similar a Sesion iii arbol de decisiones prob a priori (20)

Analisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralAnalisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestral
 
Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdf
 
I semana sesion ii
I semana   sesion iiI semana   sesion ii
I semana sesion ii
 
Trabajo arbol dedecisiones
Trabajo arbol dedecisiones Trabajo arbol dedecisiones
Trabajo arbol dedecisiones
 
04 produccion limpia herramientas 1
04 produccion limpia herramientas 104 produccion limpia herramientas 1
04 produccion limpia herramientas 1
 
Presentación simposio-daga
Presentación simposio-dagaPresentación simposio-daga
Presentación simposio-daga
 
Producción limpia/herramientas-Unidad 4
Producción limpia/herramientas-Unidad 4Producción limpia/herramientas-Unidad 4
Producción limpia/herramientas-Unidad 4
 
EXPOSICION.pptx
EXPOSICION.pptxEXPOSICION.pptx
EXPOSICION.pptx
 
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
 
Arbol de decision
Arbol de decisionArbol de decision
Arbol de decision
 
Practica arbol de decisiones.pptx
Practica arbol de decisiones.pptxPractica arbol de decisiones.pptx
Practica arbol de decisiones.pptx
 
Conceptos de administracion
Conceptos de administracionConceptos de administracion
Conceptos de administracion
 
Software para arboles de decisión y diagramas de influencia
Software para arboles de decisión y diagramas de influenciaSoftware para arboles de decisión y diagramas de influencia
Software para arboles de decisión y diagramas de influencia
 
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
 
Teoría de decisiones
Teoría de decisionesTeoría de decisiones
Teoría de decisiones
 
Qué es un árbol de decisión
Qué es un árbol de decisiónQué es un árbol de decisión
Qué es un árbol de decisión
 
Analisis de decisiones.pptx
Analisis de decisiones.pptxAnalisis de decisiones.pptx
Analisis de decisiones.pptx
 
TEODEC.PPT
TEODEC.PPTTEODEC.PPT
TEODEC.PPT
 
Reto Slideshare
Reto SlideshareReto Slideshare
Reto Slideshare
 
Decisiones clase 1 2014 c3
Decisiones clase 1 2014 c3Decisiones clase 1 2014 c3
Decisiones clase 1 2014 c3
 

Más de DIrector del INNOVAE

Sesion 2 analisis de decision valor esperado imformacion perfecta
Sesion 2 analisis de decision valor esperado imformacion perfectaSesion 2 analisis de decision valor esperado imformacion perfecta
Sesion 2 analisis de decision valor esperado imformacion perfectaDIrector del INNOVAE
 
Rubrica de calificacion de monografia
Rubrica de calificacion de monografiaRubrica de calificacion de monografia
Rubrica de calificacion de monografiaDIrector del INNOVAE
 
6 semana sesion 13 aplicacion pl marketing manufactura
6 semana sesion 13 aplicacion pl marketing manufactura6 semana sesion 13 aplicacion pl marketing manufactura
6 semana sesion 13 aplicacion pl marketing manufacturaDIrector del INNOVAE
 
10 semana sesion 19 problema de transporte
10 semana   sesion 19 problema de transporte10 semana   sesion 19 problema de transporte
10 semana sesion 19 problema de transporteDIrector del INNOVAE
 
Cap 09 externalidades_bienes_publicos
Cap 09 externalidades_bienes_publicosCap 09 externalidades_bienes_publicos
Cap 09 externalidades_bienes_publicosDIrector del INNOVAE
 
Ii semana sesion iiiproyectos de inversion
Ii semana   sesion iiiproyectos de inversionIi semana   sesion iiiproyectos de inversion
Ii semana sesion iiiproyectos de inversionDIrector del INNOVAE
 
Almeyda estefani estudio_prefactibilidad_produccion_galletas
Almeyda estefani estudio_prefactibilidad_produccion_galletasAlmeyda estefani estudio_prefactibilidad_produccion_galletas
Almeyda estefani estudio_prefactibilidad_produccion_galletasDIrector del INNOVAE
 
Ppt presentacion agenda innovacion_resumen lambayequedocumentofinal
Ppt presentacion agenda innovacion_resumen lambayequedocumentofinalPpt presentacion agenda innovacion_resumen lambayequedocumentofinal
Ppt presentacion agenda innovacion_resumen lambayequedocumentofinalDIrector del INNOVAE
 
Banco mundial indicadores_buen_gobierno
Banco mundial indicadores_buen_gobiernoBanco mundial indicadores_buen_gobierno
Banco mundial indicadores_buen_gobiernoDIrector del INNOVAE
 
Metodologías participativas (1). [downloaded with 1st browser]
Metodologías participativas (1). [downloaded with 1st browser]Metodologías participativas (1). [downloaded with 1st browser]
Metodologías participativas (1). [downloaded with 1st browser]DIrector del INNOVAE
 
1. sesion 2 capacitacion docente investigacion2 (7)
1. sesion 2 capacitacion docente investigacion2 (7)1. sesion 2 capacitacion docente investigacion2 (7)
1. sesion 2 capacitacion docente investigacion2 (7)DIrector del INNOVAE
 
Iv concurso de innovaciones educativas de la red pie1
Iv concurso de innovaciones educativas de la red pie1Iv concurso de innovaciones educativas de la red pie1
Iv concurso de innovaciones educativas de la red pie1DIrector del INNOVAE
 
Critical analytical thinking at stanford's gsb 2011
Critical analytical thinking at stanford's gsb 2011Critical analytical thinking at stanford's gsb 2011
Critical analytical thinking at stanford's gsb 2011DIrector del INNOVAE
 
Sesion el estado del arte busqueda en bases de datos y organizacion
Sesion el estado del arte busqueda en bases de datos y organizacionSesion el estado del arte busqueda en bases de datos y organizacion
Sesion el estado del arte busqueda en bases de datos y organizacionDIrector del INNOVAE
 

Más de DIrector del INNOVAE (20)

Sesion 2 analisis de decision valor esperado imformacion perfecta
Sesion 2 analisis de decision valor esperado imformacion perfectaSesion 2 analisis de decision valor esperado imformacion perfecta
Sesion 2 analisis de decision valor esperado imformacion perfecta
 
Rubrica de calificacion de monografia
Rubrica de calificacion de monografiaRubrica de calificacion de monografia
Rubrica de calificacion de monografia
 
6 semana sesion 13 aplicacion pl marketing manufactura
6 semana sesion 13 aplicacion pl marketing manufactura6 semana sesion 13 aplicacion pl marketing manufactura
6 semana sesion 13 aplicacion pl marketing manufactura
 
10 semana sesion 19 problema de transporte
10 semana   sesion 19 problema de transporte10 semana   sesion 19 problema de transporte
10 semana sesion 19 problema de transporte
 
Cap 09 externalidades_bienes_publicos
Cap 09 externalidades_bienes_publicosCap 09 externalidades_bienes_publicos
Cap 09 externalidades_bienes_publicos
 
Ii semana sesion iiiproyectos de inversion
Ii semana   sesion iiiproyectos de inversionIi semana   sesion iiiproyectos de inversion
Ii semana sesion iiiproyectos de inversion
 
Plan estrategico sesion
Plan estrategico sesionPlan estrategico sesion
Plan estrategico sesion
 
Almeyda estefani estudio_prefactibilidad_produccion_galletas
Almeyda estefani estudio_prefactibilidad_produccion_galletasAlmeyda estefani estudio_prefactibilidad_produccion_galletas
Almeyda estefani estudio_prefactibilidad_produccion_galletas
 
Ppt presentacion agenda innovacion_resumen lambayequedocumentofinal
Ppt presentacion agenda innovacion_resumen lambayequedocumentofinalPpt presentacion agenda innovacion_resumen lambayequedocumentofinal
Ppt presentacion agenda innovacion_resumen lambayequedocumentofinal
 
Sesion 4 curvas de indiferencia
Sesion 4 curvas de indiferenciaSesion 4 curvas de indiferencia
Sesion 4 curvas de indiferencia
 
Riesgo de credito
Riesgo de creditoRiesgo de credito
Riesgo de credito
 
Banco mundial indicadores_buen_gobierno
Banco mundial indicadores_buen_gobiernoBanco mundial indicadores_buen_gobierno
Banco mundial indicadores_buen_gobierno
 
Metodologías participativas (1). [downloaded with 1st browser]
Metodologías participativas (1). [downloaded with 1st browser]Metodologías participativas (1). [downloaded with 1st browser]
Metodologías participativas (1). [downloaded with 1st browser]
 
Programa de innovación inia
Programa de innovación iniaPrograma de innovación inia
Programa de innovación inia
 
1. sesion 2 capacitacion docente investigacion2 (7)
1. sesion 2 capacitacion docente investigacion2 (7)1. sesion 2 capacitacion docente investigacion2 (7)
1. sesion 2 capacitacion docente investigacion2 (7)
 
Ptt pnia concytec noviembre 2014
Ptt pnia concytec noviembre 2014Ptt pnia concytec noviembre 2014
Ptt pnia concytec noviembre 2014
 
Iv concurso de innovaciones educativas de la red pie1
Iv concurso de innovaciones educativas de la red pie1Iv concurso de innovaciones educativas de la red pie1
Iv concurso de innovaciones educativas de la red pie1
 
Construcciondelarte
ConstrucciondelarteConstrucciondelarte
Construcciondelarte
 
Critical analytical thinking at stanford's gsb 2011
Critical analytical thinking at stanford's gsb 2011Critical analytical thinking at stanford's gsb 2011
Critical analytical thinking at stanford's gsb 2011
 
Sesion el estado del arte busqueda en bases de datos y organizacion
Sesion el estado del arte busqueda en bases de datos y organizacionSesion el estado del arte busqueda en bases de datos y organizacion
Sesion el estado del arte busqueda en bases de datos y organizacion
 

Último

JAMAL SPORTS.pptx.documento_de_explicacion
JAMAL SPORTS.pptx.documento_de_explicacionJAMAL SPORTS.pptx.documento_de_explicacion
JAMAL SPORTS.pptx.documento_de_explicacionjafetzamarripamartin
 
Programas Generación Digital · Generación D Pymes - Personas de Equipos Direc...
Programas Generación Digital · Generación D Pymes - Personas de Equipos Direc...Programas Generación Digital · Generación D Pymes - Personas de Equipos Direc...
Programas Generación Digital · Generación D Pymes - Personas de Equipos Direc...EOI Escuela de Organización Industrial
 
Mezcal con orgullo: Empresa que fabrica mezcal
Mezcal con orgullo: Empresa que fabrica mezcalMezcal con orgullo: Empresa que fabrica mezcal
Mezcal con orgullo: Empresa que fabrica mezcalmarquezorozcomiguel
 
Cantos de las comunidades cristianas.pdf
Cantos de las comunidades cristianas.pdfCantos de las comunidades cristianas.pdf
Cantos de las comunidades cristianas.pdfJoseLuisGonzalezPere2
 
Presentación - RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
Presentación - RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONALPresentación - RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
Presentación - RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONALbygilprl
 
METODOLOGIA_DE_LA_INVESTIGACION_LAS_RUTA.pdf
METODOLOGIA_DE_LA_INVESTIGACION_LAS_RUTA.pdfMETODOLOGIA_DE_LA_INVESTIGACION_LAS_RUTA.pdf
METODOLOGIA_DE_LA_INVESTIGACION_LAS_RUTA.pdfCesarRafaelBarreraBe1
 
PRESENTACION FIDELIZACION DE CLIENTES.ppt
PRESENTACION FIDELIZACION DE CLIENTES.pptPRESENTACION FIDELIZACION DE CLIENTES.ppt
PRESENTACION FIDELIZACION DE CLIENTES.pptLEONELREYES28
 
NOVEDADES RED.ES. Nuevos segmentos y Kit consulting
NOVEDADES RED.ES. Nuevos segmentos y Kit consultingNOVEDADES RED.ES. Nuevos segmentos y Kit consulting
NOVEDADES RED.ES. Nuevos segmentos y Kit consultingJAndresDuVa
 
Infografía RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
Infografía RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONALInfografía RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
Infografía RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONALbygilprl
 
Metodología de la investigación, 4ta Edición - César A. Bernal-FREELIBROS.ME.pdf
Metodología de la investigación, 4ta Edición - César A. Bernal-FREELIBROS.ME.pdfMetodología de la investigación, 4ta Edición - César A. Bernal-FREELIBROS.ME.pdf
Metodología de la investigación, 4ta Edición - César A. Bernal-FREELIBROS.ME.pdfCesarRafaelBarreraBe1
 
Aceros de Guatemala Orígenes y Propósito de la Corporación que Revolucionó la...
Aceros de Guatemala Orígenes y Propósito de la Corporación que Revolucionó la...Aceros de Guatemala Orígenes y Propósito de la Corporación que Revolucionó la...
Aceros de Guatemala Orígenes y Propósito de la Corporación que Revolucionó la...casoacerosdeguatemal
 
576Presentación CULPA PATRONAL (Responsabilidad Civil y Penal).pdf
576Presentación CULPA PATRONAL (Responsabilidad Civil y Penal).pdf576Presentación CULPA PATRONAL (Responsabilidad Civil y Penal).pdf
576Presentación CULPA PATRONAL (Responsabilidad Civil y Penal).pdfbygilprl
 
Presentación Mezcal con orgullo para pagina mix
Presentación Mezcal con orgullo para pagina mixPresentación Mezcal con orgullo para pagina mix
Presentación Mezcal con orgullo para pagina mixbigoteveloz05
 
SISTEMA DE ADMINISTRACION DE PERSONAL.pptx
SISTEMA DE ADMINISTRACION DE PERSONAL.pptxSISTEMA DE ADMINISTRACION DE PERSONAL.pptx
SISTEMA DE ADMINISTRACION DE PERSONAL.pptxANGULOVASQUEZMARIAGE
 
PPT MEF en Vivo_Cuenta General de la República 2022 (PDF).pdf
PPT MEF en Vivo_Cuenta General de la República 2022 (PDF).pdfPPT MEF en Vivo_Cuenta General de la República 2022 (PDF).pdf
PPT MEF en Vivo_Cuenta General de la República 2022 (PDF).pdfFLORDEMARAQUISPESALA
 
Extracto general.pdf de extracto del banco
Extracto general.pdf de extracto del bancoExtracto general.pdf de extracto del banco
Extracto general.pdf de extracto del bancossuser3307a91
 
Entrega de Premios Vocación Digital Raiola 2024
Entrega de Premios Vocación Digital Raiola 2024Entrega de Premios Vocación Digital Raiola 2024
Entrega de Premios Vocación Digital Raiola 2024Vocación Digital Raiola
 
MENTORÍA en Habilidades Blandas Comunicación Efectiva, Trabajo en Equipo, L...
MENTORÍA en Habilidades Blandas Comunicación Efectiva, Trabajo en Equipo, L...MENTORÍA en Habilidades Blandas Comunicación Efectiva, Trabajo en Equipo, L...
MENTORÍA en Habilidades Blandas Comunicación Efectiva, Trabajo en Equipo, L...Oxford Group
 
Planeación estratégica y PETI para la empresa.pptx
Planeación estratégica y PETI para la empresa.pptxPlaneación estratégica y PETI para la empresa.pptx
Planeación estratégica y PETI para la empresa.pptxdavidson571
 
APE 7. SEMANA 7 PROYECTOS DE INVERSIÓN.pdf
APE 7. SEMANA 7 PROYECTOS DE INVERSIÓN.pdfAPE 7. SEMANA 7 PROYECTOS DE INVERSIÓN.pdf
APE 7. SEMANA 7 PROYECTOS DE INVERSIÓN.pdfPaolaAlexandraLozano2
 

Último (20)

JAMAL SPORTS.pptx.documento_de_explicacion
JAMAL SPORTS.pptx.documento_de_explicacionJAMAL SPORTS.pptx.documento_de_explicacion
JAMAL SPORTS.pptx.documento_de_explicacion
 
Programas Generación Digital · Generación D Pymes - Personas de Equipos Direc...
Programas Generación Digital · Generación D Pymes - Personas de Equipos Direc...Programas Generación Digital · Generación D Pymes - Personas de Equipos Direc...
Programas Generación Digital · Generación D Pymes - Personas de Equipos Direc...
 
Mezcal con orgullo: Empresa que fabrica mezcal
Mezcal con orgullo: Empresa que fabrica mezcalMezcal con orgullo: Empresa que fabrica mezcal
Mezcal con orgullo: Empresa que fabrica mezcal
 
Cantos de las comunidades cristianas.pdf
Cantos de las comunidades cristianas.pdfCantos de las comunidades cristianas.pdf
Cantos de las comunidades cristianas.pdf
 
Presentación - RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
Presentación - RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONALPresentación - RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
Presentación - RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
 
METODOLOGIA_DE_LA_INVESTIGACION_LAS_RUTA.pdf
METODOLOGIA_DE_LA_INVESTIGACION_LAS_RUTA.pdfMETODOLOGIA_DE_LA_INVESTIGACION_LAS_RUTA.pdf
METODOLOGIA_DE_LA_INVESTIGACION_LAS_RUTA.pdf
 
PRESENTACION FIDELIZACION DE CLIENTES.ppt
PRESENTACION FIDELIZACION DE CLIENTES.pptPRESENTACION FIDELIZACION DE CLIENTES.ppt
PRESENTACION FIDELIZACION DE CLIENTES.ppt
 
NOVEDADES RED.ES. Nuevos segmentos y Kit consulting
NOVEDADES RED.ES. Nuevos segmentos y Kit consultingNOVEDADES RED.ES. Nuevos segmentos y Kit consulting
NOVEDADES RED.ES. Nuevos segmentos y Kit consulting
 
Infografía RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
Infografía RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONALInfografía RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
Infografía RESPONSABILIDAD CIVIL Y PENAL - CULPA PATRONAL
 
Metodología de la investigación, 4ta Edición - César A. Bernal-FREELIBROS.ME.pdf
Metodología de la investigación, 4ta Edición - César A. Bernal-FREELIBROS.ME.pdfMetodología de la investigación, 4ta Edición - César A. Bernal-FREELIBROS.ME.pdf
Metodología de la investigación, 4ta Edición - César A. Bernal-FREELIBROS.ME.pdf
 
Aceros de Guatemala Orígenes y Propósito de la Corporación que Revolucionó la...
Aceros de Guatemala Orígenes y Propósito de la Corporación que Revolucionó la...Aceros de Guatemala Orígenes y Propósito de la Corporación que Revolucionó la...
Aceros de Guatemala Orígenes y Propósito de la Corporación que Revolucionó la...
 
576Presentación CULPA PATRONAL (Responsabilidad Civil y Penal).pdf
576Presentación CULPA PATRONAL (Responsabilidad Civil y Penal).pdf576Presentación CULPA PATRONAL (Responsabilidad Civil y Penal).pdf
576Presentación CULPA PATRONAL (Responsabilidad Civil y Penal).pdf
 
Presentación Mezcal con orgullo para pagina mix
Presentación Mezcal con orgullo para pagina mixPresentación Mezcal con orgullo para pagina mix
Presentación Mezcal con orgullo para pagina mix
 
SISTEMA DE ADMINISTRACION DE PERSONAL.pptx
SISTEMA DE ADMINISTRACION DE PERSONAL.pptxSISTEMA DE ADMINISTRACION DE PERSONAL.pptx
SISTEMA DE ADMINISTRACION DE PERSONAL.pptx
 
PPT MEF en Vivo_Cuenta General de la República 2022 (PDF).pdf
PPT MEF en Vivo_Cuenta General de la República 2022 (PDF).pdfPPT MEF en Vivo_Cuenta General de la República 2022 (PDF).pdf
PPT MEF en Vivo_Cuenta General de la República 2022 (PDF).pdf
 
Extracto general.pdf de extracto del banco
Extracto general.pdf de extracto del bancoExtracto general.pdf de extracto del banco
Extracto general.pdf de extracto del banco
 
Entrega de Premios Vocación Digital Raiola 2024
Entrega de Premios Vocación Digital Raiola 2024Entrega de Premios Vocación Digital Raiola 2024
Entrega de Premios Vocación Digital Raiola 2024
 
MENTORÍA en Habilidades Blandas Comunicación Efectiva, Trabajo en Equipo, L...
MENTORÍA en Habilidades Blandas Comunicación Efectiva, Trabajo en Equipo, L...MENTORÍA en Habilidades Blandas Comunicación Efectiva, Trabajo en Equipo, L...
MENTORÍA en Habilidades Blandas Comunicación Efectiva, Trabajo en Equipo, L...
 
Planeación estratégica y PETI para la empresa.pptx
Planeación estratégica y PETI para la empresa.pptxPlaneación estratégica y PETI para la empresa.pptx
Planeación estratégica y PETI para la empresa.pptx
 
APE 7. SEMANA 7 PROYECTOS DE INVERSIÓN.pdf
APE 7. SEMANA 7 PROYECTOS DE INVERSIÓN.pdfAPE 7. SEMANA 7 PROYECTOS DE INVERSIÓN.pdf
APE 7. SEMANA 7 PROYECTOS DE INVERSIÓN.pdf
 

Sesion iii arbol de decisiones prob a priori

  • 1. www.usat.edu.pe www.usat.edu.pe Profesor Jorge A Huarachi Chávez PhD. j.huarachi@usat.edu.pe markaslayku9@Gmail.com Curso Herramientas para la toma de decisiones
  • 2. www.usat.edu.pe Contenido de la Sesión III 2 • Revisión de Árbol de Decisión • Pasos en POM-QM para construir un Árbol de Decision • Enfoque de Valor Monetario Esperado (VME) • Análisis de Riesgo y Perfil de Riesgo • El Valor Esperado de la Información Perfecta (VEIP) • Repaso de Sensibilidad de Riesgo • Ejercicios de Valor Esperado de Información Perfecta
  • 3. www.usat.edu.pe Revisión de arboles de Decisión • El tipo de técnicas que vamos a ver están dentro del ámbito de la denominada investigación operativa, que se encuentra integrada por todo un conjunto de métodos y modelos operativos. • Un árbol de decisión es un sistema de representación del proceso de decisión en el que se reflejan las posibles alternativas a las que se puede optar y los resultados que corresponden a cada alternativa según cual sea el estado de la naturaleza que se presente. 3
  • 4. www.usat.edu.pe 4 Todo árbol consta de nudos y ramas: - Los nudos también denominados vértices, representan situaciones en las cuales debe tomarse una u otra decisión (nudos decisionales) o el decisor se enfrenta a distintos estados de la naturaleza o sucesos aleatorios. - Las ramas también denominadas aristas, que parten de los nudos decisionales representan alternativas de decisión; las que parten de nudos aleatorios representan posibles estados de la naturaleza (sucesos que pueden acontecer y entre los cuales no es posible elegir). - Cuando se conocen las probabilidades de los diversos estados, estas se reflejan sobre las ramas que les representan. Al final de cada camino (sucesión de aristas) se reseña el resultado que corresponde a esa sucesión de decisiones y sucesos. Árboles de decisión
  • 5. www.usat.edu.pe 5 Por convenio, a los nudos decisionales se les representa por cuadrados en tanto que a los aleatorios se les representa con círculos. Cada nudo tiene un valor asociado: - El valor asociado a un nudo aleatorio es la esperanza matemática de los valores situados al final de las ramas que parten de él. - El valor asociado a un nudo decisional es el mejor de los valores en el que tiene destino las ramas que parten de él. La revisión de probabilidades mediante el análisis bayesiano resulta particularmente útil en los árboles de decisión. En muchas ocasiones la información a priori de la que se dispone resulta insuficiente para tomar una decisión, y el decisor se plantea la posibilidad de incorporar más información. Para revisar las probabilidades hay que utilizar el teorema de Bayes y trabajar con probabilidades a posteriori.
  • 6. www.usat.edu.pe Ejemplo 2: • El siguiente ejemplo está dado por un típico diagrama de árbol de decisión. La figura cuenta con 12 ramales. Las utilidades están a la derecha de la terminación del nodo. Observe que hay un costo de $ 100 (investigación de mercado) en el centro de selección de un determinado ramal. 6
  • 7. www.usat.edu.pe Ejercicios 2 • Para poder utilizar el módulo de árbol de decisión, dos cosas deben ocurrir. En primer lugar, los nodos deben añadirse a la derecha de la terminación del ramal. • En segundo lugar, los nodos deben estar numerados. La siguiente figura muestra la adición de nodos y el hecho de que a todos los nodos se les han dado números. La forma más conveniente para la numeración de los nodos es de izquierda a derecha y de arriba a abajo. 7
  • 11. www.usat.edu.pe Introducción de datos de pago con las probabilidades 11
  • 12. www.usat.edu.pe Toma de decisiones con probabilidades • Enfoque de Valor Monetario Esperado VME - Si se dispone de información probabilística sobre los estados de la naturaleza, se puede utilizar el enfoque del Valor Monetario Esperado (VME). - Aquí se calcula la rentabilidad prevista para cada decisión sumando los productos de la recompensa en cada estado de la naturaleza y la probabilidad de que se produzca el estado respectivo de la naturaleza. - Se elige la decisión de obtener el mejor rendimiento esperado.
  • 13. www.usat.edu.pe • El valor esperado de una alternativa de decisión es la suma de los pagos ponderados para la alternativa de decisión. • El valor esperado (VME) de la alternativa de decisión di se define como: • donde: N = el número de estados de la naturaleza P(sj ) = la probabilidad de estado de la naturaleza Vij = la recompensa correspondiente a la decisión alternativa di y estado de la naturaleza sj Valor esperado de una alternativa de decisión
  • 14. www.usat.edu.pe DATOS INICIALES DEL ARBOL DE DECISIONES 1 .8 .2 .8 .2 .8 .2 d1 d2 d3 s1 s1 s1 s2 s2 s2 Payoffs $8 mil $7 mil $14 mil $5 mil $20 mil -$9 mil 2 3 4
  • 15. www.usat.edu.pe Valor Monetario esperado para cada decisión Elija la alternativa de decisión con el EV más grande. Construir el gran complejo. 3 d1 d2 d3 EMV = .8(8 mill) + .2(7 mill) = $7.8 mill EMV = .8(14 mill) + .2(5 mill) = $12.2 mill EMV = .8(20 mill) + .2(-9 mill) = $14.2 mill Pequeño Medio  Grande 2 1 4
  • 16. www.usat.edu.pe Análisis de riesgos • Análisis de riesgos ayuda al responsable de la toma de decisiones a reconocer la diferencia entre: – el valor esperado de una alternativa de decisión, y – la recompensa que en realidad podría ocurrir • The perfil de riesgo para una alternativa de decisión muestra los posibles pagos para la alternativa de decisión junto con sus probabilidades asociadas.
  • 17. www.usat.edu.pe Perfil de riesgo • Gran alternativa de decisión compleja Pagos que van entre -9 y 20 • .20 .40 .60 .80 1.00 -10 -5 0 5 10 15 20 Probability
  • 18. www.usat.edu.pe 18 Se llama valor de la información al resultado esperado asociado a una decisión, cuando se ha solicitado información. Conseguir información genera un coste. Cuando el decisor se plantea si merece la pena conseguir esa información o no, compara el coste de conseguir esa información con el valor esperado de la información. La información perfecta es aquella en la que la probabilidad de que sea correcta es el cien por cien. El valor esperado de la información perfecta (VEIP) es la esperanza matemática del valor de la información.
  • 19. www.usat.edu.pe Valor esperado de la información perfecta • Frecuentemente se dispone de información que puede mejorar las estimaciones de probabilidad para los estados de la naturaleza. • El valor esperado de la información perfecta (EVPI) es el aumento del beneficio esperado que resultaría si se supiera con certeza qué estado de la naturaleza se produciría. • El EVPI proporciona un límite superior en el valor esperado de cualquier información de muestra o encuesta.
  • 20. www.usat.edu.pe Calculo de la Información Perfecta si se conoce con certeza que ocurrirá el S1 o el estado de la naturaleza S2 • En el Ejemplo anterior se sabe que si ocurre el estado de la naturaleza S1 la mejor alternativa de decisión será D3 con un valor de 20 millones. Si sabe que ocurre el estado de la naturaleza S2 la decisión será D1 se obtiene un resultado de 7 millones. Las probabilidades originales son P(s1)= 0.8 y la P(s2)=0.2 • Hallando el valor esperado con información perfecta EVcPI 20 EVcPI = .8(20 mill) + .2(7 mill) = $17.4 mill
  • 21. www.usat.edu.pe Valor Monetario Esperado sin Información Perfecta VEsIP Sin conocer con exactitud que estado de la naturaleza se iba a dar la mejor selección fue la d3 con un valor Monetario sin información perfecta 3 d1 d2 d3 EMV = .8(8 mill) + .2(7 mill) = $7.8 mill EMV = .8(14 mill) + .2(5 mill) = $12.2 mill EMV = .8(20 mill) + .2(-9 mill) = $14.2 mill Pequeño Medio Grande 2 1 4
  • 22. www.usat.edu.pe  Valor esperado con información perfecta (EVcPI)   Valor esperado sin información perfecta (EVsPI)   Valor esperado de la información perfecta (EVPI)  En otras palabras los 3.2 mil representan lo adicional que puede obtenerse si se cuenta con información perfecta de los estados de la naturaleza.  Valor esperado de la información perfecta EVcPI = .8(20 mill) + .2(7 mill) = $17.4 mill EVsPI = .8(20 mill) + .2(-9 mill) = $14.2 mil EVPI = |EVcPI – EVsPI| = |17.4 – 14.2| = $3.2 mill
  • 23. www.usat.edu.pe Árbol de Decisiones  Representación gráfica del proceso de toma de decisiones bajo riesgo.  Todas las posibles secuencias de eventos están representadas en el árbol de decisiones, cada una de las cuales podría llevarnos a uno de varios resultados inciertos.  Para aprender como crear un árbol de decisiones, veamos el siguiente ejemplo:
  • 24. www.usat.edu.pe Ejemplo 02 Acaba de completarse la fase de diseño y prueba de productos para la nueva línea de tractores para jardín y uso domestico de PROTRAC. La alta gerencia está tratando de decidir la estrategia de mercadotecnia y producción apropiadas para usarse con este producto. Se están considerando tres alternativas principales: Agresiva (A): Esta estrategia representa un compromiso importante por parte de la empresa con esta línea de producto. Se incurriría en importantes desembolsos de capital para una nueva y eficiente planta de producción. Se acumularían grandes inventarios para garantizar la entrega apropiada de todos los modelos. Se iniciara una gran campaña de publicidad incluyendo un patrocinio a nivel nacional de comerciales en televisión y se arrancaría un programa de descuentos a distribuidores.
  • 25. www.usat.edu.pe Básica (B): En este plan, la producción del E-4 (el tractor oruga pequeño) sería trasladada de Joliet a Moline. Este traslado eliminaría el departamento de producción del pelicano ajustable y del excavador. Al mismo tiempo, la línea E-4 en Joliet seria modificada para producir el nuevo producto para jardín y uso domestico. Se mantendrían inventario solo para los productos mas populares. Las oficinas centrales pondrían fondos a disposición para apoyar esfuerzos locales o regionales de publicidad, pero no se haría una campaña publicitaria nacional. Cautelosa (C): En este plan, la capacidad sobrante en varia de las líneas E-4 se utilizaría para manufacturar los nuevos productos. Se desarrollaría un mínimo de nuevos montajes. La producción se programaría para satisfacer la demanda y la publicidad correría a cargo del comerciante local. Ejemplo 02
  • 26. www.usat.edu.pe La administración decide clasificar el estado del mercado como fuerte (D1) o débil (D2). En realidad la demanda se caracteriza por un continuo de resultados posibles. A continuación se muestra la tabla de retribuciones y su respectiva probabilidad: Ejemplo 02 D1 D2 A 30 -8 B 20 7 C 5 15 Probabilidad 0.45 0.55 Estado naturaleza Decisión
  • 27. www.usat.edu.pe Construcción del Árbol de Decisiones  Nodo Cuadrado: Punto donde debe tomarse una decisión. Cada línea que parte de él representa una decisión.  Nodo Circular: Representan situaciones donde el resultado es incierto.  Rama:Cada línea que emanan de los nodos.  Posiciones terminales.  Nodos terminales.  En este curso, utilizaremos el software TreePlan. Este software esta disponible como shareware. Visite su sitio web en http://www.treeplan.com
  • 28. www.usat.edu.pe 0.45 Fuerte 30 Agresiva 30 30 0 9.1 0.55 Débil -8 -8 -8 0.45 Fuerte 20 Básica 20 20 2 12.85 0 12.85 0.55 Débil 7 7 7 0.45 Fuerte 5 Cautelosa 5 5 0 10.5 0.55 Débil 15 15 15 Árbol de Decisiones del ejemplo 02
  • 29. www.usat.edu.pe Árbol de Decisiones: Cómo incorporar nueva información. La administración de la división de tractores domésticos de PROPRAC estaba a punto de recomendar la estrategia de mercadotecnia y producción básica, cuando el consejo directivo insistió en que primero tendría que llevarse a cabo un estudio de investigación de mercado. Sólo después de dicho estudio el consejo estaría dispuesto a aprobar la selección de la estrategia de mercadotecnia y producción. ¿Cómo de debe proceder?
  • 30. www.usat.edu.pe Árbol de Decisiones: Cómo incorporar nueva información.  Seleccionar a una empresa que realice el estudio de mercado en un tiempo prudente (recomendablemente un mes). Sobre si el estudio era alentador (A) o desalentador (D).  Esté informe revelara siempre el estado verdadero de la naturaleza.  La administración una vez que tenga la información, puede actualizar su estimación P(F), es decir la probabilidad de que el mercado fuera fuerte, sería actualizada.  La pregunta es: ¿cómo deberá realizarse la actualización?.  La actualización, se realiza basándonos en la probabilidad condicional.
  • 31. www.usat.edu.pe Árbol de Decisiones: Calculo de probabilidades a posteriori  La pregunta es: ¿cómo calcular la probabilidad a posteriori?  Supongamos que el grupo de mercadotecnia ha dado el siguiente informe:  La clave para obtener las probabilidades a posteriori es el teorema de Bayes.  Nosotros utilizaremos el Excel para calcularlas D1 D2 Alentador (C1) 0.6 0.3 Desalentador (C2) 0.4 0.7 P(Cj/Di)
  • 32. www.usat.edu.pe CONFIABILIDADES Fuerte Débil Alentador 0.6 0.3 Desalentador 0.4 0.7 PROBABILIDADES A PRIORI Fuerte Débil 0.45 0.55 PROBABILIDADES CONJUNTAS Y MARGINALES Fuerte Débil Alentador 0.27 0.165 0.435 Desalentador 0.18 0.385 0.565 0.45 0.55 PROBABILIDAD A POSTERIORI Fuerte Débil Alentador 0.621 0.379 Desalentador 0.319 0.681 Árbol de Decisiones: Calculo de probabilidades a posteriori con el Excel
  • 33. www.usat.edu.pe FUERTE DEBIL ALENTADOR 0.6 0.3 DESALENTADOR 0.4 0.7 PROBABILIDADES A PRIORI Fuerte Débil 0.45 0.55 PROBABILIDADES CONJUNTAS PROBABILIDADES CONJUNTAS FUERTE DEBIL FUERTE DEBIL ALENTADOR 0.27 0.165 0.435 ALENTADOR !B2*B$7 !C2*C$7 SUM (b11:c11) DESALENTADOR 0.18 0.385 0.565 DESALENTADOR!B3*B$7 !C3*C$7 SUM (b12:c12) 0.45 0.55 1 SUM (b11:b12) SUM (c11:c12) PROBABILIDAD A POSTERIORI PROBABILIDAD A POSTERIORI FUERTE DEBIL FUERTE DEBIL ALENTADOR 62.07% 37.93% 1 ALENTADOR !B11/D$11 !C11/D$11 DESALENTADOR 31.86% 68.14% 1 DESALENTADOR!B12/D$12 !C12/D$12
  • 34. www.usat.edu.pe 0.621 Fuerte 30 Agresiva 30 30 0 15.598 0.379 Débil -8 -8 -8 0.621 Fuerte 0.435 20 Alentador Básica 20 20 1 0 15.598 0 15.073 0.379 Débil 7 7 7 0.621 Fuerte 5 Cautelosa 5 5 0 8.79 0.379 Débil 15 15 15 13.45778 0.319 Árbol de Decisiones: informe alentador
  • 35. www.usat.edu.pe 13.45778 0.319 Fuerte 30 Agresiva 30 30 0 4.122 0.681 Débil -8 -8 -8 0.319 Fuerte 0.565 20 Desalentador Básica 20 20 3 0 11.81 0 11.147 0.681 Débil 7 7 7 0.319 Fuerte 5 Cautelosa 5 5 0 11.81 0.681 Débil 15 15 15 Árbol de Decisiones: informe desalentador
  • 36. www.usat.edu.pe Árbol de Decisiones: Toma de decisión  Si la prueba es alentadora, para maximizar el rendimiento esperado, debemos realizar la acción Agresiva.  Si el resultado de la prueba es desalentadora, para maximizar el rendimiento esperado, debemos realizar la acción Cautelosa.
  • 37. www.usat.edu.pe Valor esperado de la información de muestra (VEIM) VEIM = Máximo rendimiento esperado con información menos Máximo rendimiento esperado sin información VEIM = $13.46 - $ 12.85 = $ 0.61 $ 0.61 es lo máximo que estamos dispuestos a pagar por la información Valor esperado de la información perfecta (VEIP) VEIP = (30)(0.45) + (15)(0.55) – 12.85 = $8.9 $8.9 es lo máximo que estoy dispuesto a pagar por la información perfecta Valor de la información
  • 38. www.usat.edu.pe Observe la siguiente tabla de retribuciones, en la cual las entradas están en rendimientos netos en dólares. 1 2 3 4 1 35 22 25 12 2 27 25 20 18 3 22 25 25 28 4 20 25 28 33 Estado de naturaleza Decisión ¿Cuál seria su decisión bajo un enfoque de incertidumbre? Si las probabilidades para los estados de naturaleza son las siguientes ¿Cuál es la decisión que maximice el rendimiento neto esperado en dólares?. P(1)= 0.1 P(2)=0.4 P(3)=0.3 P(4)=0.2 Ejemplo 03
  • 40. www.usat.edu.pe Jenny Lind es una escritora de novelas románticas. Tanto una compañía fílmica como una red televisiva quieren los derechos exclusivos de una de sus obras más populares. Si ella firma con la red recibirá una sola suma fija, pero si firma con la compañía fílmica la cifra que recibirá dependerá de la respuesta del mercado ante la película. Las retribuciones de Jenny se muestran a continuación Taquilla baja Taquilla media Taquilla alta Firmar con cia fìlmica $ 200,000 $ 1,000,000 $ 3,000,000 Firmar con red televisiva $ 900,000 $ 900,000 $ 900,000 Probabilidad a priori 30% 60% 10% Decisión Estado de naturaleza ¿A quien debe deberá vender Jenny los derechos? ¿Cuánto es lo más que debe estar dispuesta a pagar para saber el monto de la taquilla, antes de decidir con quién firmar? Ejemplo 04
  • 41. www.usat.edu.pe Jenny Lind puede contratar a una empresa que se dedique a la investigación de mercados, para hacer una encuesta con un costo de $100,000. El resultado de la encuesta consistirá en una respuesta del publico favorable (F) o desfavorable (U) a la película. P(F/Baja) 30% P(U/Baja) 70% P(F/Media) 60% P(U/Media) 40% P(F/Alta) 80% P(U/Alta) 20% ¿Debe Jenny mandar a hacer la encuesta? ¿Cuánto es lo más que Jenny debería estar dispuesta a pagar por la encuesta? Ejemplo 04
  • 42. www.usat.edu.pe 42 BAJA MEDIA ALTA FAVORABLE 0.3 0.6 0.8 DESFAVORABLE 0.7 0.4 0.2 PROBABILIDADES A PRIORI BAJA MEDIA ALTA 0.3 0.6 0.1 PROBABILIDADES CONJUNTAS BAJA MEDIA ALTA FAVORABLE 0.09 0.36 0.08 0.53 DESFAVORABLE 0.21 0.24 0.02 0.47 0.3 0.6 0.1 PROBABILIDAD A POSTERIORI BAJA MEDIA ALTA FAVORABLE 0.16981 0.67925 0.15094 1 DESFAVORABLE 0.44681 0.51064 0.04255 1
  • 43. www.usat.edu.pe 43 TreePlan Trial Version, For Evaluation Only 16.98% www.TreePlan.com TAQUILLA BAJA 200000 200000 200000 67.92% CIA FILMICA TAQUILLA MEDIA 1000000 0 1,166,037.74 S/. 1000000 1000000 15.09% TAQUILLA ALTA 53% 3000000 FAVORABLE 3000000 3000000 1 0 1,166,037.74 S/. 16.98% TAQUILLA BAJA 900000 900000 900000 67.92% RED TELEVISIVA TAQUILLA MEDIA 900000 0 900,000.00 S/. 900000 900000 15.09% TAQUILLA ALTA 900000 900000 900000 1041000 44.68% TAQUILLA BAJA 200000 200000 200000 51.06% CIA FILMICA TAQUILLA MEDIA 1000000 0 727,659.57 S/. 1000000 1000000 4.26% TAQUILLA ALTA 47% 3000000 DESFAVORABLE 3000000 3000000 2 0 900,000.00 S/. 44.68% TAQUILLA BAJA 900000 900000 900000 51.06% RED TELEVISIVA TAQUILLA MEDIA 900000 0 900,000.00 S/. 900000 900000 4.26% TAQUILLA ALTA 900000 900000 900000 For Evaluation Only
  • 45. www.usat.edu.pe Para ahorrar en gastos, Martín y Sara acordaron compartir el automóvil para ir y regresar del trabajo. Sara prefiere usar la Av. Queen City que es mas larga pero mas consistente. Martín prefiere la autopista que es mas rapida, pero acordó con Sara que tomarían la avenida Queen City si la autopista tenia un embotellamiento de transito. La siguiente tabla de resultados proporcionan la estimación de tiempo en minutos para el viaje de ida y regreso. Autopista abierta Autopista embotellada Av. Queen City 30 30 Autopista 25 45 Con base a su experiencia con problemas de transito, Sara y Martín acordaron una probabilidad de 0.15 de que la autopista estuviera embotellada. Ejemplo 05
  • 46. www.usat.edu.pe Además, acordaron que el clima parecía afectar las condiciones del transito en la autopista. Sea: C  despejado O  nublado R  lluvia Se aplican las siguientes probabilidades condicionales: P(C/Abierta) = 0.8 P(O/Abierta) = 0.2 P(R/Abierta) = 0.0 P(C/Embot) = 0.1 P(O/Embot) = 0.3 P(R/Embot) = 0.6 1. Muestre el árbol de decisiones para este problema. 2. ¿Cuál es la estrategia de decisión optima y cual es el tiempo de viaje esperado? Ejemplo 05
  • 47. www.usat.edu.pe 47 ABIERTA EMBOTELLADA DESPEJADO 0.8 0.1 NUBLADO 0.2 0.3 LLUVIA 0 0.6 PROBABILIDADES A PRIORI ABIERTA EMBOTELLADA 0.85 0.15 PROBABILIDADES CONJUNTAS ABIERTA EMBOTELLADA DESPEJADO 0.68 0.015 0.695 NUBLADO 0.17 0.045 0.215 LLUVIA 0 0.09 0.09 0.85 0.15 PROBABILIDAD A POSTERIORI ABIERTA EMBOTELLADA DESPEJADO 0.97842 0.02158 1.000 NUBLADO 0.79070 0.20930 1.000 LLUVIA 0.00000 1.00000 1.000
  • 48. www.usat.edu.pe 48 TreePlan Trial Version, For Evaluation Only 0.978417 www.TreePlan.com ABIERTA 30 QUEEN 30 30 0 30 0.021583 EMBOTELLADA 0.695 30 DESPEJADO 30 30 2 0 25.4316547 0.978417 ABIERTA 25 AUTOPISTA 25 25 0 25.4316547 0.021583 EMBOTELLADA 45 45 45 0.790698 ABIERTA 30 QUEEN 30 30 0 30 0.209302 EMBOTELLADA 0.215 30 NUBLADO 30 30 2 26.65 0 29.1860465 0.790698 ABIERTA 25 AUTOPISTA 25 25 0 29.1860465 0.209302 EMBOTELLADA 45 45 45 0 ABIERTA 30 QUEEN 30 30 0 30 1 EMBOTELLADA 0.09 30 LLUVIA 30 30 1 0 30 0 ABIERTA 25 AUTOPISTA 25 25 0 45 1 EMBOTELLADA 45 45 45 For Evaluation Only
  • 50. www.usat.edu.pe Análisis de sensibilidad • Análisis de sensibilidad se puede utilizar para determinar cómo los cambios en los siguientes insumos afectan a la alternativa de decisión recomendada: – probabilidades para los estados de la naturaleza – valores de los pagos –Si un pequeño cambio en el valor de una de las entradas provoca un cambio en la alternativa de decisión recomendada, se debe tener un esfuerzo y un cuidado adicionales en la estimación del valor de entrada.
  • 51. www.usat.edu.pe Análisis de Decision • Un enfoque para el análisis de sensibilidad es seleccionar diferentes valores para las probabilidades de los estados de la naturaleza y los resultados, y luego resolver el problema del análisis de decisiones. • Si la alternativa de decisión recomendada cambia, sabemos que la solución es sensible a los cambios hechos. 51
  • 53. www.usat.edu.pe SUPONGAMOS QUE SE CAMBIAN LAS PROBABILIDADES DE LAS DEMANDAS • Por ejemplo, suponga que en el problema de PDC la probabilidad de una demanda fuerte cambia a 0.2 y la probabilidad de una demanda débil cambia a 0.8. Antes la probabilidad de la demanda fuerte era 0.8 y de la débil 0.2. Los nuevos valores esperados seran • VE(d1) = 0.2(8) + 0.8(7) = 7.2 • VE(d2) = 0.2(14) + 0.8(5) = 6.8 • VE(d3) =0.2(20) + 0.8(29) = 3.2 • Antes la decisión mas favorable era la decisión d3 que daba un VE de 14.2 y ahora la decisión mas favorable será d1 con un VE de 7.2 53
  • 54. www.usat.edu.pe Sensibilidad a través de graficos • En el caso particular de dos estados de la naturaleza se puede utilizar un procedimiento gráfico para determinar cómo los cambios en las probabilidades de los estados de la naturaleza afectan a la alternativa de decisión recomendada. • Para demostrar este procedimiento, suponga que p es la probabilidad del estado de la naturaleza s1; es decir, P(s1) = p. Con sólo dos estados de la naturaleza en el problema de PDC, la probabilidad del estado de la naturaleza s2 es 54
  • 55. www.usat.edu.pe Esto se convierte a VE (d1) igual 55
  • 56. www.usat.edu.pe VALOR ESPERADO PARA LAS ALTERNATIVAS DE DECISIÓN DE PDC COMO UNA FUNCIÓN DE p 56
  • 57. www.usat.edu.pe Análisis de riesgos • Análisis de riesgos ayuda al responsable de la toma de decisiones a reconocer la diferencia entre: – el valor esperado de una alternativa de decisión, y – la recompensa que en realidad podría ocurrir • The perfil de riesgo para una alternativa de decisión muestra los posibles pagos para la alternativa de decisión junto con sus probabilidades asociadas.
  • 58. www.usat.edu.pe Perfil de riesgo • Gran alternativa de decisión compleja Pagos que van entre -9 y 20 • .20 .40 .60 .80 1.00 -10 -5 0 5 10 15 20 Probability
  • 59. www.usat.edu.pe VALOR ESPERADO PARA LAS ALTERNATIVAS DE DECISIÓN DE PDC COMO UNA FUNCIÓN DE p 59
  • 60. www.usat.edu.pe 60 • Revisar el link • https://www.youtube.com/w atch?v=wGUWUnnBT74 • Calcular el Valor Esperado de la Información Perfecta • Revisar el link • https://www.youtube.com/w atch?v=12RF_SZ5S0g • Calculo de Valor Monetario Esperado en POM-QM Actividades para la siguiente sesión:
  • 61. www.usat.edu.pe 61 • Howard J. Weiss (2005) POM - QM FOR WINDOWS Versión 3 Pearson Education, Inc., Upper Saddle River, New Jersey, 07458. • Anderson, D., Sweeney, D., & Williams, T. (2011). Métodos cuantitativos para los negocios. México: Cengage Learning Editores. • Eppen, G., Gould, F., Schmidt, C., Moore, J., & Weatherford, L. (2000). Investigación de operaciones en la ciencia administrativa (Quinta Edición ed.). México: Prentice-Hall. • Hillier, F., & Hillier, M. (2008). Métodos cuantitativos para administración. México: Mc Graw Hill. • Render, B., HANNA, M. E. A., Stair, R. M., & Hanna, M. E. (2006). Métodos cuantitativos para los negocios. Pearson Educación. Referencia : Autores de libros