SlideShare une entreprise Scribd logo
1  sur  45
Gastón Sáenz
Universidad De La Salle
Tomar Decisiones:
Escoger entre alternativas
Algunos ejemplos de las decisiones que hay que tomar:
 Asignación de trabajos a personas.
 Asignación de trabajos a máquinas.
 Programación de la producción.
 Mezclas de materiales
 Mercadería a comprar
 Distribución y transporte de materiales y productos
 Portafolios de inversión
 Distribución de energía
 Planeación de inversión publicitaria
La toma de decisiones en administración es
una actividad compleja por la cantidad y tipo de
factores involucrados:
 Entorno político
 Entorno económico
 Tecnología
 La competencia
 La naturaleza
 Gusto de los consumidores, moda
En “Administración” usualmente
se utilizan modelos para poder
determinar con una
aproximación razonable, los
posibles resultados que podrían
obtener las distintas
alternativas a implementar
Modelos
 Un modelo es una simplificación de la realidad que nos
permite predecir que pasará con los resultados ante
variaciones de los valores de las variables de entrada.
 Un modelo matemático es una formulación en términos
matemáticos de las relaciones proposiciones sustantivas de
hechos, variables, parámetros, entidades y relaciones entre
variables y/o entidades u operaciones, para estudiar
comportamientos de sistemas complejos ante situaciones
difíciles o muy costosas de observar en la realidad. Nos
permiten predecir con cierto grado de precisión que puede
ocurrir ante un cambio en las variables que lo componen.
Tipos de modelos
 Modelos Determinísticos
 Modelos Estocásticos o probabilísticos
 Modelos heurísticos
 Modelos empíricos
Pasos para desarrollar un modelo
1. Formulación del problema.
2. Construcción del modelo.
3. Solución del modelo.
4. Validación del modelo.
5. Implementación de resultados.
Desarrollo de modelos
Es muy importante adecuar los resultados del modelo al
contexto empresarial, social y ambiental.
La intuición continua teniendo un papel muy
importante en la toma de decisiones. Por ejemplo, es muy
difícil introducir una variable como “el gusto del cliente”
en un modelo. Para este tipo de decisiones (cuál
alternativa le gustará más al cliente) usualmente se
continúa utilizando como criterio de decisión, estudios de
mercado o el criterio subjetivo de una o varias personas
con experiencia en esa línea de productos.
Tipos de Modelo
Los Modelos empíricos son los que utilizan las
observaciones directas o los resultados de
experimentos del fenómeno estudiado.
Ejemplo: Los gordos comen más que los flacos.
Los árboles más viejos son más grandes.
Diciembre es más frio que marzo.
Se venden mas juguetes en diciembre
Tipos de Modelo
Los Modelos heurísticos son los que están
basados en las explicaciones sobre las causas o
mecanismos naturales que dan lugar al
fenómeno estudiado.
Ejemplo: FIFO: Primeras entradas, primeras
salidas
Una sola fila, con varios servidores,
o una fila por cada servidor.
Un Modelo determinístico es un modelo
matemático donde las mismas entradas
producirán invariablemente las mismas
salidas, no contemplándose la existencia
del azar ni el principio de incertidumbre.
Tipos de Modelo
Ejemplo modelo matemático Determinístico
 ariableostoentarecio
ijosostos
quilibriounto
VCVP
FC
EP


 ariableostoentarecio
ijosostos
quilibriounto
VCVP
FC
EP


 ariableostoentarecio
ijosostos
quilibriounto
VCVP
FC
EP


Ejercicio: Determinar el punto de equilibrio para una
empresa que tiene un producto con un costo variable de
producción unitario de $35 y un precio de venta de $43.
Los costos Administrativos mensuales son de $40.000 los
financieros de $15.000 y los de ventas y promoción de
$22.000. además se paga una comisión de $1 al vendedor
por cada unidad vendida.
Determine el punto de equilibrio.
 ariableostoentarecio
ijosostos
quilibriounto
VCVP
FC
EP


Costos fijos:
40.000 + 15.000 + 22.000 = 77.000
Costos Variables:
35 + 1 = 36
 
11000
3643
77000


quilibriounto EP
Tipos de Modelo
Un Modelo probabilístico es un modelo matemático
donde no se conoce el resultado exacto, sino su
probabilidad de ocurrencia y por lo tanto existe
incertidumbre.
Ejemplos.
 Pronósticos del tiempo: 60% de probabilidad de lluvia
para la tarde de hoy
 Pronóstico de ventas: 80 000 unidades anuales con
una desviación estándar de 6000 unidades.
Valor Esperado
 El valor esperado es una ponderación de los
posibles valores que puede tomar un evento de
acuerdo a la probabilidad de ocurrencia que tiene
cada uno de ellos.
 El valor esperado es como el promedio de los
valores considerado la probabilidad de ocurrencia
de cada uno.
 Se utiliza mucho en modelos probabilísticos
Cálculo del Valor Esperado
 Dada una distribución de probabilidades para los
diferentes valores que puede tomar un evento, se
llama Valor Esperado a la sumatoria de los
productos del posible valor a ocurrir por su
respectiva probabilidad de ocurrencia.
 Tiene que cumplirse que la suma de las
probabilidades de ocurrencia de todos los posibles
eventos es igual a 1
Cálculo del Valor Esperado
Dado un evento con n posibles resultados, el Valor
Esperado del evento es:
VE = p1 x V1 + p2 x V2 + p3 x V3 + … + pn x Vn
donde pi es la probabilidad de ocurrencia del resultado i
Vi es el valor del resultado i
y P1 + P2 + P3 +…+ Pn = 1
Cálculo del Valor Esperado
Ejemplo: La venta mensual de carretillos de una fábrica
puede ser de 1200, 1500 o de 2100 unidades, con una
probabilidad de 0,3 0,5 y 0,2 respectivamente. Determine
la demanda esperada:
VE = 0,3 x 1200 + 0,5 x 1500 + 0,2 x 2100
VE = 1530 carretillos en el mes.
Verificamos que las probabilidades sumen 1
Suma probabilidades = 0,3 + 0,5 + 0,2 = 1,0
Cálculo del Valor Esperado
El valor esperado nos permite tener un dato para
trabajar, cuando en realidad tenemos una distribución
de probabilidad. En el ejemplo, si la probabilidad de la
venta de carretillos esta bien determinada con esa
distribución, podemos usar 1530 carretillos como la
cantidad a vender cada mes. Cada mes va a tener
valores diferentes, pero si sacamos un promedio de
varios meses, este va a estar muy cerca del valor
esperado.
Matriz de pago
Es una herramienta general para resolver
problemas de toma de decisiones cuando nos
encontramos ante modelos probabilísticos.
Se utiliza cuando debe decidirse que alternativa
tomar entre posibles acciones excluyentes y
puede ocurrir uno de varios eventos posibles.
Matriz de pago
Uno de los casos más utilizados es decidir la
cantidad a comprar o fabricar ante posibles
escenarios de demanda.
Lo que se hace es construir una matriz donde se
tiene una columna para cada posible evento
(demanda) y una fila para cada posible
alternativa de decisión (cantidad a pedir).
Matriz de pago
Ponemos una fila título en la parte superior con
todos los eventos posibles
y una columna título en la parte izquierda con las
posibles alternativas
En la parte interior de la matriz ponemos el “pago”
que generalmente es la utilidad esperada, de
manera que en cada elemento (celda si hablamos de
Excel) de la matriz se coloca la utilidad para esa
alternativa con ese posible evento
Matriz de pago
Matriz de pago
Una vez que se tiene la matriz completa, se pueden usar
algunos criterios para escoger la mejor alternativa.
Existen varios criterios para escoger la mejor alternativa.
Cuál del ellos se usa, depende de la información
disponible y en gran medida del estilo del tomador de
decisiones y su afinidad o aversión al riesgo .
Si no se tiene probabilidad de ocurrencia de los distintos
eventos, se pueden usar los criterios “Maxi-min” o el
“Maxi-max”
Matriz de pago
Criterio “Maxi-min” es el camino del pesimista, que
toma su decisión pensando que la suerte no le va a
ayudar, por lo tanto escogerá la alternativa que genere la
mejor de las utilidades mínimas. ESCOGER LO MEJOR
DE LO PEOR
En la matriz, escogerá la mínima utilidad de cada
ALTERNATIVA (fila) para los distintos eventos y la
pondrá en una columna a la derecha. Luego en esa
columna escogerá la máxima de las utilidades mínimas, y
observará a la izquierda a qué alternativa corresponde,
que será la respuesta (la alternativa que debemos
ejecutar).
Matriz de pago
Criterio “Maxi-max” es el camino del optimista, que
toma su decisión pensando que la suerte le va a sonreír.
Escogerá la alternativa que genere la mejor las utilidades
máximas. ESCOGER LO MEJOR DE LO MEJOR
En la matriz, escogerá la máxima utilidad de cada
ALTERNATIVA (fila) para los distintos eventos y la
pondrá en una columna a la derecha. Luego en esa
columna escogerá la máxima de las utilidades máximas,
y observará a la izquierda qué alternativa es.
Matriz de pago
Criterio “Mayor Valor Esperado” Si se dispone de
información de la probabilidad de ocurrencia de los
distintos eventos, se pueden usar el criterio del Mayor
Valor Esperado, que es mucho más profesional para
tomar decisiones, pero será un método bueno en la
medida que las probabilidades estén bien determinadas.
Es este caso se calcula el valor esperado de cada
alternativa para los distintos eventos y se escoge la
mayor; o sea, se multiplica cada una de las utilidades de
una alternativa (fila) por la probabilidad que tiene de
ocurrir ese evento y se suman todos esos productos y se
colocan en una columna a la derecha. Se escoge la
alternativa que tenga el mayor valor esperado.
Matriz de pago
Criterio “con certeza del evento a ocurrir” En los
negocios son pocas la veces que tenemos certeza del
evento que va a ocurrir, pero si este fuera el caso,
simplemente escogemos la mejor alternativa (mayor
utilidad) de la columna del evento que va a ocurrir,
ignorando las demás columnas. Un ejemplo de esto
es cuando se concreta un contrato grande o se gana
una licitación.
Matriz de pago - ejemplo
Ejemplo: En una fábrica se tiene que la demanda
puede ser de 1000, 1200 o 1500 unidades al mes, con
probabilidades de ocurrencia de 0.3 0.5 y 0.2
respectivamente.
Las posibles cantidades a fabricar, tomando en
cuenta que los batch (tandas) de producción son de
100 unidades, son 1000, 1100, 1200, 1300, 1400, 1500
unidades. Determine cuántas unidades se deben
fabricar tomando en cuenta la siguiente matriz de
pagos que representa la utilidad de la empresa.
Matriz de pago - ejemplo
Matriz de pago - ejemplo
Criterio: Maxi-Min
Matriz de pago - ejemplo
Criterio: Maxi-Min
Acá vemos que el tomador de decisiones quiere
asegurarse que de salir mal la demanda, si el
fabrica 1100 unidades, al menos se va a ganar
$33500, y tomando esa decisión, lo máximo que
puede ganar es $38000
Matriz de pago - ejemplo
Criterio: Maxi-Max
Matriz de pago - ejemplo
Criterio: Maxi-Max
Acá vemos que el tomador de decisiones quiere la
opción que le permite tener la utilidad mayor de
todas, que es fabricar 1500 unidades, con la
posibilidad de una utilidad de $52500, pero que
puede terminar ganando solamente $27500
Matriz de pago - ejemplo
Criterio: Mayor Valor Esperado
Matriz de pago - ejemplo
Criterio: Mayor Valor Esperado
En este caso el tomador de decisiones conoce las
probabilidades de ocurrencia de cada una de las
posibles demandas y por lo tanto le calcula el valor
esperado a cada una de las posibles cantidades a
fabricar. El escoge la que tiene una mayor valor
esperado, que es fabricar 1200 unidades, con una
utilidad esperada de $38700 pero que puede
variar entre $32000 y $42000
Matriz de pago - Demanda conocida
Suponiendo que se sabe que la demanda
será de 1200 unidades
Matriz de pago - Demanda conocida
En este caso, al saber que la
demanda es de 1200 unidades,
vemos únicamente en la
columna para una demanda de
1200 cuales son las posibles
utilidades, y escogemos la
mayor de ellas, en este caso
fabricar 1200 unidades con
una utilidad de $42000.
Caso Pantalonetas de baño (Tarea 1)
Ud. Es el administrador(a) de una tienda de artículos
deportivos y debe decidir cuantas pantalonetas de baño
tiene que comprar para el próximo verano.
Se deben pedir en lotes de 100 unidades y de debe
comprar la cantidad total de una vez, no hay tiempo de
que un nuevo pedido llegue antes de que finalice la
temporada.
Los precios de compra son los siguientes:
100 pantalonetas : $ 10,00 /und
200 pantalonetas : $ 9,00 /und
300 o más pantalonetas : $ 8,50 /und
Caso Pantalonetas de baño (cont.)
El precio de venta es de $12, pero las que se queden sin
vender al final del verano deben ser vendidas a la mitad
del precio.
Las posibles demandas son 100, 150 o 200 pantalonetas
en todo el verano.
El costo estimado por pérdida de imagen por no tener
disponible una pantaloneta para un cliente que la llega a
solicitar, se estima en $0,50 por cada vez que ocurra.
Caso Pantalonetas de baño (cont.)
Determine cuántas pantalonetas debe comprar.
a) Desde una perspectiva optimista
b) Desde una perspectiva pesimista
c) Si las probabilidades para una demanda de 100 es de
0,3; para una demanda de 150 es de 0,5 y para una
demanda de 200 es de 0,2; ¿cuántas pantalonetas
pediría?
d) Si supiera que la demanda es de 150 pantalonetas,
cuántas pide?
Caso Pantalonetas de baño (cont.)
Sugerencia.
Calcule una matriz de costo de compra, otra para costo por
pérdida de imagen, otra para el ingreso de ventas corrientes y
una última de ingresos por ventas de saldos.
La matriz de utilidad se obtiene de sumar los dos ingresos
(venta normal y venta de saldos) menos los dos costos
(compras y perdida de imagen) para cada combinación de
pedido y demanda.
Una vez que tenga la matriz de utilidad, utilice los criterios de
Maxi-min, Maxi-max, Valor esperado y demanda conocida.
Recuerde que la pregunta es cuanto va a comprar, no cuanto se
va a ganar.

Contenu connexe

Tendances

terminos basicos en estadistica
terminos basicos en estadisticaterminos basicos en estadistica
terminos basicos en estadisticamichellyc
 
TamañO De La Muestra
TamañO De La MuestraTamañO De La Muestra
TamañO De La MuestraAna kristell
 
Sesion 1 conceptos generales
Sesion 1 conceptos generalesSesion 1 conceptos generales
Sesion 1 conceptos generalesjeremy126
 
tamaño muestra-Administración de Operaciones
tamaño muestra-Administración de Operacionestamaño muestra-Administración de Operaciones
tamaño muestra-Administración de Operacionesreyesflores31
 
Prueba de hipotesis subir
Prueba de hipotesis  subirPrueba de hipotesis  subir
Prueba de hipotesis subirdeicycumbal
 
INFERENCIA ESTADISTICA
INFERENCIA ESTADISTICAINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICArosme123
 
Estadistica aplicada a los negocios y economia taller 1 resuelto
Estadistica aplicada a los negocios y economia taller 1 resueltoEstadistica aplicada a los negocios y economia taller 1 resuelto
Estadistica aplicada a los negocios y economia taller 1 resueltoBryan Guerra
 

Tendances (20)

teorias de decision
teorias de decisionteorias de decision
teorias de decision
 
Arbol de deciciones
Arbol de decicionesArbol de deciciones
Arbol de deciciones
 
Portafolio estadistica inferencial14586
Portafolio estadistica inferencial14586Portafolio estadistica inferencial14586
Portafolio estadistica inferencial14586
 
Modelos estocásticos
Modelos estocásticosModelos estocásticos
Modelos estocásticos
 
Introduccion a las probabilidades (Estadística Inferencial)
Introduccion a las probabilidades (Estadística Inferencial)Introduccion a las probabilidades (Estadística Inferencial)
Introduccion a las probabilidades (Estadística Inferencial)
 
Probabilidad y estadística
Probabilidad y estadísticaProbabilidad y estadística
Probabilidad y estadística
 
tamaño de la muestra
tamaño de la muestratamaño de la muestra
tamaño de la muestra
 
terminos basicos en estadistica
terminos basicos en estadisticaterminos basicos en estadistica
terminos basicos en estadistica
 
TamañO De La Muestra
TamañO De La MuestraTamañO De La Muestra
TamañO De La Muestra
 
Sesion 1 conceptos generales
Sesion 1 conceptos generalesSesion 1 conceptos generales
Sesion 1 conceptos generales
 
tamaño muestra-Administración de Operaciones
tamaño muestra-Administración de Operacionestamaño muestra-Administración de Operaciones
tamaño muestra-Administración de Operaciones
 
Tamaño+de..
Tamaño+de..Tamaño+de..
Tamaño+de..
 
Inferencia estadistica
Inferencia estadisticaInferencia estadistica
Inferencia estadistica
 
Prueba de hipotesis subir
Prueba de hipotesis  subirPrueba de hipotesis  subir
Prueba de hipotesis subir
 
Construcción de modelo1
Construcción de modelo1Construcción de modelo1
Construcción de modelo1
 
INFERENCIA ESTADISTICA
INFERENCIA ESTADISTICAINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA
 
Estadistica aplicada a los negocios y economia taller 1 resuelto
Estadistica aplicada a los negocios y economia taller 1 resueltoEstadistica aplicada a los negocios y economia taller 1 resuelto
Estadistica aplicada a los negocios y economia taller 1 resuelto
 
Maximo valor esperado
Maximo valor esperadoMaximo valor esperado
Maximo valor esperado
 
Investigacion de Operaciones II
Investigacion de Operaciones IIInvestigacion de Operaciones II
Investigacion de Operaciones II
 
Estadistica 28
Estadistica 28Estadistica 28
Estadistica 28
 

En vedette

3A_TextilMatutino_Tarea5_PelufoCassarino
3A_TextilMatutino_Tarea5_PelufoCassarino3A_TextilMatutino_Tarea5_PelufoCassarino
3A_TextilMatutino_Tarea5_PelufoCassarinomarcelapelufo
 
Sexta clase construccion del flujo de caja
Sexta clase construccion del flujo de cajaSexta clase construccion del flujo de caja
Sexta clase construccion del flujo de cajaHedy Villon
 
Preguntas planificacion curricular
Preguntas planificacion curricularPreguntas planificacion curricular
Preguntas planificacion curriculardoloreslilibeth
 
Internet Presentación
Internet Presentación Internet Presentación
Internet Presentación JessyVaquero
 
Beneficios de la práctica del deporte.pptxasdasdasd zhihao huang
Beneficios de la práctica del deporte.pptxasdasdasd zhihao huangBeneficios de la práctica del deporte.pptxasdasdasd zhihao huang
Beneficios de la práctica del deporte.pptxasdasdasd zhihao huangzhihao1997
 
Tic slideshare
Tic slideshareTic slideshare
Tic slideshareMARILYN319
 
Averiguacion11 2009-virgilio-ruben
Averiguacion11 2009-virgilio-rubenAveriguacion11 2009-virgilio-ruben
Averiguacion11 2009-virgilio-rubenIris Hdz
 
Colegio nacional nicolás esguerra
Colegio nacional nicolás esguerraColegio nacional nicolás esguerra
Colegio nacional nicolás esguerraDiego Santos Teneche
 
DISPOSITIVOS DEL COMPUTADOR
DISPOSITIVOS DEL COMPUTADORDISPOSITIVOS DEL COMPUTADOR
DISPOSITIVOS DEL COMPUTADORAndreaMotavita08
 
softwareeducativodetallerdelectura
softwareeducativodetallerdelecturasoftwareeducativodetallerdelectura
softwareeducativodetallerdelecturaPastora Tamay
 
La organización territorial de españa
La organización territorial de españaLa organización territorial de españa
La organización territorial de españaBeatriz Polonio
 
Capitulo 3 ponce tirado angel guillermo
Capitulo 3   ponce tirado angel guillermoCapitulo 3   ponce tirado angel guillermo
Capitulo 3 ponce tirado angel guillermoprofeponcea
 

En vedette (20)

ANTIVIRUS
ANTIVIRUSANTIVIRUS
ANTIVIRUS
 
3A_TextilMatutino_Tarea5_PelufoCassarino
3A_TextilMatutino_Tarea5_PelufoCassarino3A_TextilMatutino_Tarea5_PelufoCassarino
3A_TextilMatutino_Tarea5_PelufoCassarino
 
Sexta clase construccion del flujo de caja
Sexta clase construccion del flujo de cajaSexta clase construccion del flujo de caja
Sexta clase construccion del flujo de caja
 
Secuencia 9
Secuencia 9Secuencia 9
Secuencia 9
 
Preguntas planificacion curricular
Preguntas planificacion curricularPreguntas planificacion curricular
Preguntas planificacion curricular
 
Internet Presentación
Internet Presentación Internet Presentación
Internet Presentación
 
Beneficios de la práctica del deporte.pptxasdasdasd zhihao huang
Beneficios de la práctica del deporte.pptxasdasdasd zhihao huangBeneficios de la práctica del deporte.pptxasdasdasd zhihao huang
Beneficios de la práctica del deporte.pptxasdasdasd zhihao huang
 
Computraining
ComputrainingComputraining
Computraining
 
Tic slideshare
Tic slideshareTic slideshare
Tic slideshare
 
Averiguacion11 2009-virgilio-ruben
Averiguacion11 2009-virgilio-rubenAveriguacion11 2009-virgilio-ruben
Averiguacion11 2009-virgilio-ruben
 
Colegio nacional nicolás esguerra
Colegio nacional nicolás esguerraColegio nacional nicolás esguerra
Colegio nacional nicolás esguerra
 
plan de accion
plan de accionplan de accion
plan de accion
 
DISPOSITIVOS DEL COMPUTADOR
DISPOSITIVOS DEL COMPUTADORDISPOSITIVOS DEL COMPUTADOR
DISPOSITIVOS DEL COMPUTADOR
 
Cuestionario de derecho e informatica
Cuestionario de derecho e informaticaCuestionario de derecho e informatica
Cuestionario de derecho e informatica
 
Informatica
 Informatica Informatica
Informatica
 
Protocolo de actuación
Protocolo de actuaciónProtocolo de actuación
Protocolo de actuación
 
Sable magique1
Sable magique1Sable magique1
Sable magique1
 
softwareeducativodetallerdelectura
softwareeducativodetallerdelecturasoftwareeducativodetallerdelectura
softwareeducativodetallerdelectura
 
La organización territorial de españa
La organización territorial de españaLa organización territorial de españa
La organización territorial de españa
 
Capitulo 3 ponce tirado angel guillermo
Capitulo 3   ponce tirado angel guillermoCapitulo 3   ponce tirado angel guillermo
Capitulo 3 ponce tirado angel guillermo
 

Similaire à Reto Slideshare

Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfJonathanSampedro2
 
Simulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
Simulación Monte Carlo. Software SimulAr. Por Yuleidy PeñaSimulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
Simulación Monte Carlo. Software SimulAr. Por Yuleidy PeñaAngelaRivas120
 
Portafolio De TOMA DE DESICIONES estadísticas II
Portafolio De TOMA DE DESICIONES estadísticas IIPortafolio De TOMA DE DESICIONES estadísticas II
Portafolio De TOMA DE DESICIONES estadísticas IIDavid Da Silva
 
2 Toma de Decisiones con 2.6 y 2.7.pptx
2 Toma de Decisiones con 2.6 y 2.7.pptx2 Toma de Decisiones con 2.6 y 2.7.pptx
2 Toma de Decisiones con 2.6 y 2.7.pptxEmmanuelMalagonHerna
 
Teoría de la decisión.ppt
Teoría de la decisión.pptTeoría de la decisión.ppt
Teoría de la decisión.pptManuel35837
 
Investigacionoperacionesarbol de decisiones en modelo matematico
Investigacionoperacionesarbol de decisiones en modelo matematicoInvestigacionoperacionesarbol de decisiones en modelo matematico
Investigacionoperacionesarbol de decisiones en modelo matematicocositalisbeth
 
Sesion iii arbol de decisiones prob a priori
Sesion iii arbol de decisiones prob a prioriSesion iii arbol de decisiones prob a priori
Sesion iii arbol de decisiones prob a prioriDIrector del INNOVAE
 
Clase 1 Marzo 29 2016-1.pdf
Clase 1 Marzo 29 2016-1.pdfClase 1 Marzo 29 2016-1.pdf
Clase 1 Marzo 29 2016-1.pdfMarbellaAlcudia1
 
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
 
Análisis de la decisión
Análisis de la decisiónAnálisis de la decisión
Análisis de la decisiónHugo Banda
 
Modelos cuantitativos toma de decisiones
Modelos cuantitativos toma de decisionesModelos cuantitativos toma de decisiones
Modelos cuantitativos toma de decisionesgarciara
 
Portafolio de investigacion operativa pdf
Portafolio de investigacion operativa pdfPortafolio de investigacion operativa pdf
Portafolio de investigacion operativa pdfChristian Pilamunga
 
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptxTOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptxYadhiraRoblesMonzon
 

Similaire à Reto Slideshare (20)

Sesión 5
Sesión 5Sesión 5
Sesión 5
 
Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdf
 
Simulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
Simulación Monte Carlo. Software SimulAr. Por Yuleidy PeñaSimulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
Simulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
 
EXPOSICION.pptx
EXPOSICION.pptxEXPOSICION.pptx
EXPOSICION.pptx
 
Teoria de juegos
Teoria de juegosTeoria de juegos
Teoria de juegos
 
Portafolio De TOMA DE DESICIONES estadísticas II
Portafolio De TOMA DE DESICIONES estadísticas IIPortafolio De TOMA DE DESICIONES estadísticas II
Portafolio De TOMA DE DESICIONES estadísticas II
 
2 Toma de Decisiones con 2.6 y 2.7.pptx
2 Toma de Decisiones con 2.6 y 2.7.pptx2 Toma de Decisiones con 2.6 y 2.7.pptx
2 Toma de Decisiones con 2.6 y 2.7.pptx
 
Teoría de la decisión.ppt
Teoría de la decisión.pptTeoría de la decisión.ppt
Teoría de la decisión.ppt
 
Investigacionoperacionesarbol de decisiones en modelo matematico
Investigacionoperacionesarbol de decisiones en modelo matematicoInvestigacionoperacionesarbol de decisiones en modelo matematico
Investigacionoperacionesarbol de decisiones en modelo matematico
 
Sesion iii arbol de decisiones prob a priori
Sesion iii arbol de decisiones prob a prioriSesion iii arbol de decisiones prob a priori
Sesion iii arbol de decisiones prob a priori
 
Clase 1 Marzo 29 2016-1.pdf
Clase 1 Marzo 29 2016-1.pdfClase 1 Marzo 29 2016-1.pdf
Clase 1 Marzo 29 2016-1.pdf
 
Decision
DecisionDecision
Decision
 
TEODEC.PPT
TEODEC.PPTTEODEC.PPT
TEODEC.PPT
 
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
 
Análisis de la decisión
Análisis de la decisiónAnálisis de la decisión
Análisis de la decisión
 
Modelos cuantitativos toma de decisiones
Modelos cuantitativos toma de decisionesModelos cuantitativos toma de decisiones
Modelos cuantitativos toma de decisiones
 
Ensayo rivera juan
Ensayo   rivera juanEnsayo   rivera juan
Ensayo rivera juan
 
Portafolio de investigacion operativa pdf
Portafolio de investigacion operativa pdfPortafolio de investigacion operativa pdf
Portafolio de investigacion operativa pdf
 
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptxTOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
 
La Tecnica Del Arbol Para La Toma De Decisiones
La Tecnica Del Arbol Para La Toma De DecisionesLa Tecnica Del Arbol Para La Toma De Decisiones
La Tecnica Del Arbol Para La Toma De Decisiones
 

Dernier

MARKETING SENSORIAL -GABRIELA ARDON .pptx
MARKETING SENSORIAL -GABRIELA ARDON .pptxMARKETING SENSORIAL -GABRIELA ARDON .pptx
MARKETING SENSORIAL -GABRIELA ARDON .pptxgabyardon485
 
La Cadena de suministro CocaCola Co.pptx
La Cadena de suministro CocaCola Co.pptxLa Cadena de suministro CocaCola Co.pptx
La Cadena de suministro CocaCola Co.pptxrubengpa
 
MATERIALES Y EQUIPOS PARA UNA ESTACIÓN HIDROPÓNICA NFT soporte.pptx
MATERIALES  Y EQUIPOS PARA UNA ESTACIÓN  HIDROPÓNICA NFT soporte.pptxMATERIALES  Y EQUIPOS PARA UNA ESTACIÓN  HIDROPÓNICA NFT soporte.pptx
MATERIALES Y EQUIPOS PARA UNA ESTACIÓN HIDROPÓNICA NFT soporte.pptxdcmv9220
 
MARKETING SENSORIAL CONTENIDO, KARLA JANETH
MARKETING SENSORIAL CONTENIDO, KARLA JANETHMARKETING SENSORIAL CONTENIDO, KARLA JANETH
MARKETING SENSORIAL CONTENIDO, KARLA JANETHkarlinda198328
 
ADMINISTRACION FINANCIERA CAPITULO 4.pdf
ADMINISTRACION FINANCIERA CAPITULO 4.pdfADMINISTRACION FINANCIERA CAPITULO 4.pdf
ADMINISTRACION FINANCIERA CAPITULO 4.pdfguillencuevaadrianal
 
CULTURA EN LA NEGOCIACIÓN CONCEPTOS Y DEFINICIONES
CULTURA EN LA NEGOCIACIÓN CONCEPTOS Y DEFINICIONESCULTURA EN LA NEGOCIACIÓN CONCEPTOS Y DEFINICIONES
CULTURA EN LA NEGOCIACIÓN CONCEPTOS Y DEFINICIONESMarielaAldanaMoscoso
 
DERECHO EMPRESARIAL - SEMANA 01 UNIVERSIDAD CESAR VALLEJO
DERECHO EMPRESARIAL - SEMANA 01 UNIVERSIDAD CESAR VALLEJODERECHO EMPRESARIAL - SEMANA 01 UNIVERSIDAD CESAR VALLEJO
DERECHO EMPRESARIAL - SEMANA 01 UNIVERSIDAD CESAR VALLEJOkcastrome
 
TEORÍAS DE LA MOTIVACIÓN Recursos Humanos.pptx
TEORÍAS DE LA MOTIVACIÓN Recursos Humanos.pptxTEORÍAS DE LA MOTIVACIÓN Recursos Humanos.pptx
TEORÍAS DE LA MOTIVACIÓN Recursos Humanos.pptxterciariojaussaudr
 
FORMAS DE TRANSPORTE EN MASA-PDF.pdf lclases
FORMAS DE TRANSPORTE EN MASA-PDF.pdf  lclasesFORMAS DE TRANSPORTE EN MASA-PDF.pdf  lclases
FORMAS DE TRANSPORTE EN MASA-PDF.pdf lclasesjvalenciama
 
Las 10 decisiones estrategicas en administracion de operaciones
Las 10 decisiones estrategicas en administracion de operacionesLas 10 decisiones estrategicas en administracion de operaciones
Las 10 decisiones estrategicas en administracion de operacionesYeilizerAguilera
 
LIC-ZIEGLER-Planificación y Control de Gestión
LIC-ZIEGLER-Planificación y Control de GestiónLIC-ZIEGLER-Planificación y Control de Gestión
LIC-ZIEGLER-Planificación y Control de GestiónBahamondesOscar
 
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdfSENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdfJaredQuezada3
 
diseño de redes en la cadena de suministro.pptx
diseño de redes en la cadena de suministro.pptxdiseño de redes en la cadena de suministro.pptx
diseño de redes en la cadena de suministro.pptxjuanleivagdf
 
TIPOS DE PLANES administracion una perspectiva global - KOONTZ.pptx
TIPOS DE PLANES administracion una perspectiva global - KOONTZ.pptxTIPOS DE PLANES administracion una perspectiva global - KOONTZ.pptx
TIPOS DE PLANES administracion una perspectiva global - KOONTZ.pptxKevinHeredia14
 
Presentacion III ACTIVIDADES DE CONTROL. IV UNIDAD..pdf
Presentacion III ACTIVIDADES DE CONTROL. IV UNIDAD..pdfPresentacion III ACTIVIDADES DE CONTROL. IV UNIDAD..pdf
Presentacion III ACTIVIDADES DE CONTROL. IV UNIDAD..pdfLuisAlbertoAlvaradoF2
 
EGLA CORP - Honduras Abril 27 , 2024.pptx
EGLA CORP - Honduras Abril 27 , 2024.pptxEGLA CORP - Honduras Abril 27 , 2024.pptx
EGLA CORP - Honduras Abril 27 , 2024.pptxDr. Edwin Hernandez
 
Presentación Final Riesgo de Crédito.pptx
Presentación Final Riesgo de Crédito.pptxPresentación Final Riesgo de Crédito.pptx
Presentación Final Riesgo de Crédito.pptxIvnAndres5
 
modulo+penal+del+16+al+20+hhggde+enero.pdf
modulo+penal+del+16+al+20+hhggde+enero.pdfmodulo+penal+del+16+al+20+hhggde+enero.pdf
modulo+penal+del+16+al+20+hhggde+enero.pdfmisssusanalrescate01
 
Contabilidad universitaria Septima edición de MCGrawsHill
Contabilidad universitaria Septima edición de MCGrawsHillContabilidad universitaria Septima edición de MCGrawsHill
Contabilidad universitaria Septima edición de MCGrawsHilldanilojaviersantiago
 

Dernier (20)

MARKETING SENSORIAL -GABRIELA ARDON .pptx
MARKETING SENSORIAL -GABRIELA ARDON .pptxMARKETING SENSORIAL -GABRIELA ARDON .pptx
MARKETING SENSORIAL -GABRIELA ARDON .pptx
 
La Cadena de suministro CocaCola Co.pptx
La Cadena de suministro CocaCola Co.pptxLa Cadena de suministro CocaCola Co.pptx
La Cadena de suministro CocaCola Co.pptx
 
MATERIALES Y EQUIPOS PARA UNA ESTACIÓN HIDROPÓNICA NFT soporte.pptx
MATERIALES  Y EQUIPOS PARA UNA ESTACIÓN  HIDROPÓNICA NFT soporte.pptxMATERIALES  Y EQUIPOS PARA UNA ESTACIÓN  HIDROPÓNICA NFT soporte.pptx
MATERIALES Y EQUIPOS PARA UNA ESTACIÓN HIDROPÓNICA NFT soporte.pptx
 
MARKETING SENSORIAL CONTENIDO, KARLA JANETH
MARKETING SENSORIAL CONTENIDO, KARLA JANETHMARKETING SENSORIAL CONTENIDO, KARLA JANETH
MARKETING SENSORIAL CONTENIDO, KARLA JANETH
 
ADMINISTRACION FINANCIERA CAPITULO 4.pdf
ADMINISTRACION FINANCIERA CAPITULO 4.pdfADMINISTRACION FINANCIERA CAPITULO 4.pdf
ADMINISTRACION FINANCIERA CAPITULO 4.pdf
 
CULTURA EN LA NEGOCIACIÓN CONCEPTOS Y DEFINICIONES
CULTURA EN LA NEGOCIACIÓN CONCEPTOS Y DEFINICIONESCULTURA EN LA NEGOCIACIÓN CONCEPTOS Y DEFINICIONES
CULTURA EN LA NEGOCIACIÓN CONCEPTOS Y DEFINICIONES
 
DERECHO EMPRESARIAL - SEMANA 01 UNIVERSIDAD CESAR VALLEJO
DERECHO EMPRESARIAL - SEMANA 01 UNIVERSIDAD CESAR VALLEJODERECHO EMPRESARIAL - SEMANA 01 UNIVERSIDAD CESAR VALLEJO
DERECHO EMPRESARIAL - SEMANA 01 UNIVERSIDAD CESAR VALLEJO
 
TEORÍAS DE LA MOTIVACIÓN Recursos Humanos.pptx
TEORÍAS DE LA MOTIVACIÓN Recursos Humanos.pptxTEORÍAS DE LA MOTIVACIÓN Recursos Humanos.pptx
TEORÍAS DE LA MOTIVACIÓN Recursos Humanos.pptx
 
FORMAS DE TRANSPORTE EN MASA-PDF.pdf lclases
FORMAS DE TRANSPORTE EN MASA-PDF.pdf  lclasesFORMAS DE TRANSPORTE EN MASA-PDF.pdf  lclases
FORMAS DE TRANSPORTE EN MASA-PDF.pdf lclases
 
Las 10 decisiones estrategicas en administracion de operaciones
Las 10 decisiones estrategicas en administracion de operacionesLas 10 decisiones estrategicas en administracion de operaciones
Las 10 decisiones estrategicas en administracion de operaciones
 
LIC-ZIEGLER-Planificación y Control de Gestión
LIC-ZIEGLER-Planificación y Control de GestiónLIC-ZIEGLER-Planificación y Control de Gestión
LIC-ZIEGLER-Planificación y Control de Gestión
 
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdfSENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
 
diseño de redes en la cadena de suministro.pptx
diseño de redes en la cadena de suministro.pptxdiseño de redes en la cadena de suministro.pptx
diseño de redes en la cadena de suministro.pptx
 
TIPOS DE PLANES administracion una perspectiva global - KOONTZ.pptx
TIPOS DE PLANES administracion una perspectiva global - KOONTZ.pptxTIPOS DE PLANES administracion una perspectiva global - KOONTZ.pptx
TIPOS DE PLANES administracion una perspectiva global - KOONTZ.pptx
 
Presentacion III ACTIVIDADES DE CONTROL. IV UNIDAD..pdf
Presentacion III ACTIVIDADES DE CONTROL. IV UNIDAD..pdfPresentacion III ACTIVIDADES DE CONTROL. IV UNIDAD..pdf
Presentacion III ACTIVIDADES DE CONTROL. IV UNIDAD..pdf
 
EGLA CORP - Honduras Abril 27 , 2024.pptx
EGLA CORP - Honduras Abril 27 , 2024.pptxEGLA CORP - Honduras Abril 27 , 2024.pptx
EGLA CORP - Honduras Abril 27 , 2024.pptx
 
Tarea-4-Estadistica-Descriptiva-Materia.ppt
Tarea-4-Estadistica-Descriptiva-Materia.pptTarea-4-Estadistica-Descriptiva-Materia.ppt
Tarea-4-Estadistica-Descriptiva-Materia.ppt
 
Presentación Final Riesgo de Crédito.pptx
Presentación Final Riesgo de Crédito.pptxPresentación Final Riesgo de Crédito.pptx
Presentación Final Riesgo de Crédito.pptx
 
modulo+penal+del+16+al+20+hhggde+enero.pdf
modulo+penal+del+16+al+20+hhggde+enero.pdfmodulo+penal+del+16+al+20+hhggde+enero.pdf
modulo+penal+del+16+al+20+hhggde+enero.pdf
 
Contabilidad universitaria Septima edición de MCGrawsHill
Contabilidad universitaria Septima edición de MCGrawsHillContabilidad universitaria Septima edición de MCGrawsHill
Contabilidad universitaria Septima edición de MCGrawsHill
 

Reto Slideshare

  • 3. Algunos ejemplos de las decisiones que hay que tomar:  Asignación de trabajos a personas.  Asignación de trabajos a máquinas.  Programación de la producción.  Mezclas de materiales  Mercadería a comprar  Distribución y transporte de materiales y productos  Portafolios de inversión  Distribución de energía  Planeación de inversión publicitaria
  • 4. La toma de decisiones en administración es una actividad compleja por la cantidad y tipo de factores involucrados:  Entorno político  Entorno económico  Tecnología  La competencia  La naturaleza  Gusto de los consumidores, moda
  • 5. En “Administración” usualmente se utilizan modelos para poder determinar con una aproximación razonable, los posibles resultados que podrían obtener las distintas alternativas a implementar
  • 6. Modelos  Un modelo es una simplificación de la realidad que nos permite predecir que pasará con los resultados ante variaciones de los valores de las variables de entrada.  Un modelo matemático es una formulación en términos matemáticos de las relaciones proposiciones sustantivas de hechos, variables, parámetros, entidades y relaciones entre variables y/o entidades u operaciones, para estudiar comportamientos de sistemas complejos ante situaciones difíciles o muy costosas de observar en la realidad. Nos permiten predecir con cierto grado de precisión que puede ocurrir ante un cambio en las variables que lo componen.
  • 7. Tipos de modelos  Modelos Determinísticos  Modelos Estocásticos o probabilísticos  Modelos heurísticos  Modelos empíricos
  • 8. Pasos para desarrollar un modelo 1. Formulación del problema. 2. Construcción del modelo. 3. Solución del modelo. 4. Validación del modelo. 5. Implementación de resultados.
  • 9. Desarrollo de modelos Es muy importante adecuar los resultados del modelo al contexto empresarial, social y ambiental. La intuición continua teniendo un papel muy importante en la toma de decisiones. Por ejemplo, es muy difícil introducir una variable como “el gusto del cliente” en un modelo. Para este tipo de decisiones (cuál alternativa le gustará más al cliente) usualmente se continúa utilizando como criterio de decisión, estudios de mercado o el criterio subjetivo de una o varias personas con experiencia en esa línea de productos.
  • 10. Tipos de Modelo Los Modelos empíricos son los que utilizan las observaciones directas o los resultados de experimentos del fenómeno estudiado. Ejemplo: Los gordos comen más que los flacos. Los árboles más viejos son más grandes. Diciembre es más frio que marzo. Se venden mas juguetes en diciembre
  • 11. Tipos de Modelo Los Modelos heurísticos son los que están basados en las explicaciones sobre las causas o mecanismos naturales que dan lugar al fenómeno estudiado. Ejemplo: FIFO: Primeras entradas, primeras salidas Una sola fila, con varios servidores, o una fila por cada servidor.
  • 12. Un Modelo determinístico es un modelo matemático donde las mismas entradas producirán invariablemente las mismas salidas, no contemplándose la existencia del azar ni el principio de incertidumbre. Tipos de Modelo
  • 13. Ejemplo modelo matemático Determinístico  ariableostoentarecio ijosostos quilibriounto VCVP FC EP  
  • 15.  ariableostoentarecio ijosostos quilibriounto VCVP FC EP   Ejercicio: Determinar el punto de equilibrio para una empresa que tiene un producto con un costo variable de producción unitario de $35 y un precio de venta de $43. Los costos Administrativos mensuales son de $40.000 los financieros de $15.000 y los de ventas y promoción de $22.000. además se paga una comisión de $1 al vendedor por cada unidad vendida. Determine el punto de equilibrio.
  • 16.  ariableostoentarecio ijosostos quilibriounto VCVP FC EP   Costos fijos: 40.000 + 15.000 + 22.000 = 77.000 Costos Variables: 35 + 1 = 36   11000 3643 77000   quilibriounto EP
  • 17. Tipos de Modelo Un Modelo probabilístico es un modelo matemático donde no se conoce el resultado exacto, sino su probabilidad de ocurrencia y por lo tanto existe incertidumbre. Ejemplos.  Pronósticos del tiempo: 60% de probabilidad de lluvia para la tarde de hoy  Pronóstico de ventas: 80 000 unidades anuales con una desviación estándar de 6000 unidades.
  • 18. Valor Esperado  El valor esperado es una ponderación de los posibles valores que puede tomar un evento de acuerdo a la probabilidad de ocurrencia que tiene cada uno de ellos.  El valor esperado es como el promedio de los valores considerado la probabilidad de ocurrencia de cada uno.  Se utiliza mucho en modelos probabilísticos
  • 19. Cálculo del Valor Esperado  Dada una distribución de probabilidades para los diferentes valores que puede tomar un evento, se llama Valor Esperado a la sumatoria de los productos del posible valor a ocurrir por su respectiva probabilidad de ocurrencia.  Tiene que cumplirse que la suma de las probabilidades de ocurrencia de todos los posibles eventos es igual a 1
  • 20. Cálculo del Valor Esperado Dado un evento con n posibles resultados, el Valor Esperado del evento es: VE = p1 x V1 + p2 x V2 + p3 x V3 + … + pn x Vn donde pi es la probabilidad de ocurrencia del resultado i Vi es el valor del resultado i y P1 + P2 + P3 +…+ Pn = 1
  • 21. Cálculo del Valor Esperado Ejemplo: La venta mensual de carretillos de una fábrica puede ser de 1200, 1500 o de 2100 unidades, con una probabilidad de 0,3 0,5 y 0,2 respectivamente. Determine la demanda esperada: VE = 0,3 x 1200 + 0,5 x 1500 + 0,2 x 2100 VE = 1530 carretillos en el mes. Verificamos que las probabilidades sumen 1 Suma probabilidades = 0,3 + 0,5 + 0,2 = 1,0
  • 22. Cálculo del Valor Esperado El valor esperado nos permite tener un dato para trabajar, cuando en realidad tenemos una distribución de probabilidad. En el ejemplo, si la probabilidad de la venta de carretillos esta bien determinada con esa distribución, podemos usar 1530 carretillos como la cantidad a vender cada mes. Cada mes va a tener valores diferentes, pero si sacamos un promedio de varios meses, este va a estar muy cerca del valor esperado.
  • 23. Matriz de pago Es una herramienta general para resolver problemas de toma de decisiones cuando nos encontramos ante modelos probabilísticos. Se utiliza cuando debe decidirse que alternativa tomar entre posibles acciones excluyentes y puede ocurrir uno de varios eventos posibles.
  • 24. Matriz de pago Uno de los casos más utilizados es decidir la cantidad a comprar o fabricar ante posibles escenarios de demanda. Lo que se hace es construir una matriz donde se tiene una columna para cada posible evento (demanda) y una fila para cada posible alternativa de decisión (cantidad a pedir).
  • 25. Matriz de pago Ponemos una fila título en la parte superior con todos los eventos posibles y una columna título en la parte izquierda con las posibles alternativas En la parte interior de la matriz ponemos el “pago” que generalmente es la utilidad esperada, de manera que en cada elemento (celda si hablamos de Excel) de la matriz se coloca la utilidad para esa alternativa con ese posible evento
  • 27. Matriz de pago Una vez que se tiene la matriz completa, se pueden usar algunos criterios para escoger la mejor alternativa. Existen varios criterios para escoger la mejor alternativa. Cuál del ellos se usa, depende de la información disponible y en gran medida del estilo del tomador de decisiones y su afinidad o aversión al riesgo . Si no se tiene probabilidad de ocurrencia de los distintos eventos, se pueden usar los criterios “Maxi-min” o el “Maxi-max”
  • 28. Matriz de pago Criterio “Maxi-min” es el camino del pesimista, que toma su decisión pensando que la suerte no le va a ayudar, por lo tanto escogerá la alternativa que genere la mejor de las utilidades mínimas. ESCOGER LO MEJOR DE LO PEOR En la matriz, escogerá la mínima utilidad de cada ALTERNATIVA (fila) para los distintos eventos y la pondrá en una columna a la derecha. Luego en esa columna escogerá la máxima de las utilidades mínimas, y observará a la izquierda a qué alternativa corresponde, que será la respuesta (la alternativa que debemos ejecutar).
  • 29. Matriz de pago Criterio “Maxi-max” es el camino del optimista, que toma su decisión pensando que la suerte le va a sonreír. Escogerá la alternativa que genere la mejor las utilidades máximas. ESCOGER LO MEJOR DE LO MEJOR En la matriz, escogerá la máxima utilidad de cada ALTERNATIVA (fila) para los distintos eventos y la pondrá en una columna a la derecha. Luego en esa columna escogerá la máxima de las utilidades máximas, y observará a la izquierda qué alternativa es.
  • 30. Matriz de pago Criterio “Mayor Valor Esperado” Si se dispone de información de la probabilidad de ocurrencia de los distintos eventos, se pueden usar el criterio del Mayor Valor Esperado, que es mucho más profesional para tomar decisiones, pero será un método bueno en la medida que las probabilidades estén bien determinadas. Es este caso se calcula el valor esperado de cada alternativa para los distintos eventos y se escoge la mayor; o sea, se multiplica cada una de las utilidades de una alternativa (fila) por la probabilidad que tiene de ocurrir ese evento y se suman todos esos productos y se colocan en una columna a la derecha. Se escoge la alternativa que tenga el mayor valor esperado.
  • 31. Matriz de pago Criterio “con certeza del evento a ocurrir” En los negocios son pocas la veces que tenemos certeza del evento que va a ocurrir, pero si este fuera el caso, simplemente escogemos la mejor alternativa (mayor utilidad) de la columna del evento que va a ocurrir, ignorando las demás columnas. Un ejemplo de esto es cuando se concreta un contrato grande o se gana una licitación.
  • 32. Matriz de pago - ejemplo Ejemplo: En una fábrica se tiene que la demanda puede ser de 1000, 1200 o 1500 unidades al mes, con probabilidades de ocurrencia de 0.3 0.5 y 0.2 respectivamente. Las posibles cantidades a fabricar, tomando en cuenta que los batch (tandas) de producción son de 100 unidades, son 1000, 1100, 1200, 1300, 1400, 1500 unidades. Determine cuántas unidades se deben fabricar tomando en cuenta la siguiente matriz de pagos que representa la utilidad de la empresa.
  • 33. Matriz de pago - ejemplo
  • 34. Matriz de pago - ejemplo Criterio: Maxi-Min
  • 35. Matriz de pago - ejemplo Criterio: Maxi-Min Acá vemos que el tomador de decisiones quiere asegurarse que de salir mal la demanda, si el fabrica 1100 unidades, al menos se va a ganar $33500, y tomando esa decisión, lo máximo que puede ganar es $38000
  • 36. Matriz de pago - ejemplo Criterio: Maxi-Max
  • 37. Matriz de pago - ejemplo Criterio: Maxi-Max Acá vemos que el tomador de decisiones quiere la opción que le permite tener la utilidad mayor de todas, que es fabricar 1500 unidades, con la posibilidad de una utilidad de $52500, pero que puede terminar ganando solamente $27500
  • 38. Matriz de pago - ejemplo Criterio: Mayor Valor Esperado
  • 39. Matriz de pago - ejemplo Criterio: Mayor Valor Esperado En este caso el tomador de decisiones conoce las probabilidades de ocurrencia de cada una de las posibles demandas y por lo tanto le calcula el valor esperado a cada una de las posibles cantidades a fabricar. El escoge la que tiene una mayor valor esperado, que es fabricar 1200 unidades, con una utilidad esperada de $38700 pero que puede variar entre $32000 y $42000
  • 40. Matriz de pago - Demanda conocida Suponiendo que se sabe que la demanda será de 1200 unidades
  • 41. Matriz de pago - Demanda conocida En este caso, al saber que la demanda es de 1200 unidades, vemos únicamente en la columna para una demanda de 1200 cuales son las posibles utilidades, y escogemos la mayor de ellas, en este caso fabricar 1200 unidades con una utilidad de $42000.
  • 42. Caso Pantalonetas de baño (Tarea 1) Ud. Es el administrador(a) de una tienda de artículos deportivos y debe decidir cuantas pantalonetas de baño tiene que comprar para el próximo verano. Se deben pedir en lotes de 100 unidades y de debe comprar la cantidad total de una vez, no hay tiempo de que un nuevo pedido llegue antes de que finalice la temporada. Los precios de compra son los siguientes: 100 pantalonetas : $ 10,00 /und 200 pantalonetas : $ 9,00 /und 300 o más pantalonetas : $ 8,50 /und
  • 43. Caso Pantalonetas de baño (cont.) El precio de venta es de $12, pero las que se queden sin vender al final del verano deben ser vendidas a la mitad del precio. Las posibles demandas son 100, 150 o 200 pantalonetas en todo el verano. El costo estimado por pérdida de imagen por no tener disponible una pantaloneta para un cliente que la llega a solicitar, se estima en $0,50 por cada vez que ocurra.
  • 44. Caso Pantalonetas de baño (cont.) Determine cuántas pantalonetas debe comprar. a) Desde una perspectiva optimista b) Desde una perspectiva pesimista c) Si las probabilidades para una demanda de 100 es de 0,3; para una demanda de 150 es de 0,5 y para una demanda de 200 es de 0,2; ¿cuántas pantalonetas pediría? d) Si supiera que la demanda es de 150 pantalonetas, cuántas pide?
  • 45. Caso Pantalonetas de baño (cont.) Sugerencia. Calcule una matriz de costo de compra, otra para costo por pérdida de imagen, otra para el ingreso de ventas corrientes y una última de ingresos por ventas de saldos. La matriz de utilidad se obtiene de sumar los dos ingresos (venta normal y venta de saldos) menos los dos costos (compras y perdida de imagen) para cada combinación de pedido y demanda. Una vez que tenga la matriz de utilidad, utilice los criterios de Maxi-min, Maxi-max, Valor esperado y demanda conocida. Recuerde que la pregunta es cuanto va a comprar, no cuanto se va a ganar.