TRABAJO FASE 5

PROYECTO FINAL

INTEGRANTES:
Ingrith Vanessa Blanco Gualdrn, Cdigo: 1049620096
Luz ngela Molina Bentez, Cdigo: 1.049.628.181
Sandra Consuelo vila Rodrguez, Cdigo: 37616812
Edith Yolanda Tarazona Rivero, Cdigo: 40047022
John Emanuel Pabn Araque, Cdigo: 1.049.639046

GRUPO:
200608_24

TUTORA:
Yuri Vanessa Nieto

Universidad Nacional Abierta y a Distancia UNAD

Escuela de Ciencias Bsicas Tecnologa e Ingeniera
Programa de Ingeniera Industrial
Curso de Teora de las Decisiones
Diciembre 08 de 2016

INTRODUCCION
A medida que el ser humano va creciendo, se va volviendo dueo de s mismo; es decir, poco a
poco comienza a ejercer su derecho a decidir. Desde lo que desea comer, vestir, qu auto
comprar, si debe invertir cierto dinero o utilizarlo en otra cuestin, hasta con quin debe casarse.
Es as como la Teora de Decisin representa un apoyo importante sustentado en la teora de la
probabilidad y en la estadstica para brindar una base slida a grupos o individuos enfrentados a
la toma de decisiones.
Las herramientas para las decisiones tecnolgicas tales como los modelos matemticos han sido
aplicadas a una amplia gama de situaciones en la toma de decisiones dentro de diversas reas de
la gerencia. En la toma consciente de decisiones bajo incertidumbre, siempre realizamos
pronsticos o predicciones. Podramos pensar que no estamos pronosticando, pero nuestras
opciones estarn dirigidas por la anticipacin de resultados de nuestras acciones o inacciones.
Este sitio tiene el objetivo de ayudar a los gerentes y administradores a hacer un mejor trabajo al
momento de anticipar hechos, y por lo tanto, un mejor manejo de la incertidumbre mediante el
uso de tcnicas de prediccin y pronstico efectivas.

JUSTIFICACION
Antes del Sistema Mtrico Decimal, los humanos no tenan ms remedio que tomar lo que
llevaban encima, su propio cuerpo, para contabilizar e intercambiar productos. As aparece el pie,
casi siempre apoyado sobre la tierra, como unidad de medida til para medir pequeas parcelas,
del orden de la cantidad de suelo que uno necesita, por ejemplo, para hacerse una choza. Paralelo
a este aparece el codo, til para medir piezas de tela u otros objetos que se pueden colocar a la
altura del brazo, en un mostrador o similar.
Tambin aparece el paso el metro romano utilizado para medir terrenos ms grandes durante
las faenas de agricultura, Para medidas ms pequeas, de objetos delicados, aparece la palma y,
para menores longitudes.
Ya en estos momentos las herramientas existentes permiten contabilizar de manera eficaz y
comprobar sus resultados en campos tales como ciencia, la industria, la medicina, los anlisis
qumicos entre otros, es por ello que durante este trabajo daremos a conocer los conocimientos
adquiridos durante las unidades del curso para luego aplicarlas como profesionales capaces de
ayudar a tomar decisiones en cualquier organizacin.

OBJETIVOS
Objetivo General
Identificar y desarrollar la temtica propuesta en el curso de Teora de Decisiones con el fin de
facilitar la aplicacin en el mbito acadmico y laboral optimizando el desempeo del estudiante
mediante la aplicacin de tcnicas en conjunto con la sistematizacin de los procesos con el
apoyo de software.
Objetivos Especficos:
Conocer los conceptos bsicos para los manejos de los mtodos en la teora de
decisiones.
Aplicar los mtodos matemticos estadsticos para resolver la toma de decisiones bajo
incertidumbre.
Diferenciar entre los mtodos para las tomas de decisiones bajo incertidumbre desde la
percepcin de una investigacin de mercados con o sin informacin muestra.
Conocer los diferentes criterios de decisin para aplicar en el modelo especfico.
Realizar la entrega del trabajo final.

DESARROLLO DE LAS ACTIVIDADES

Individual
Paso 1
1. El estudiante de manera individual,
En los pasos correspondientes para la solucin del trabajo final.
Grupal
Paso 2. Situacin Problema - Valor Esperado.
La empresa AAA Distribuidor quiere determinar la mejor alternativa para comercializar un
producto en el mercado, para ello entre muchas alternativas a escogido tres (Alternativa 1,
Alternativa 2 y Alternativa 3), y ha estimado su ganancias de acuerdo a tres estados de la
naturaleza (Demanda Baja, Demanda Media y Demanda Alta) Determinar el VEIP, VEIM y la
Utilidad Esperada de acuerdo a la siguiente informacin.
Proceso de decisin para la comercializacin de la bicicleta elctrica
Estados de la naturaleza
Cursos de accin
Demanda Baja
Demanda Media
Demanda Alta
(Alternativas de decisin)
Ganancias ($)
Ganancias ($)
Ganancias ($)
1. Alternativa 1
86338
71784
53962
2. Alternativa 2
16457
55412
80326
3. Alternativa 3
31547
47215
12427
Probabilidades
0,2679
0,3172
0,4149
=1
NOTA: Se aument una dcima a la probabilidad por demanda baja, con fin de que la sumatoria
nos de 1 exactamente.
Determinar el Valor esperado Con informacin Perfecta (VEIP)
Tenemos la formula general para hallar el VEIP, la cual es:
VEIP=( Ganancia esperada con informacin perfecta )(Ganancia esperada sin informacin perfecta)
Lo primero que debe hallar es la ganancia esperada con informacin perfecta la cual se calcula
as:
Se toma el valor ms grande de cada columna de la tabla y se multiplica por la probabilidad
estimada de estos resultados as:

Ganancia con inf . perfecta=86338 ( 0,2679 ) +71784 ( 0.3172 ) +80326 ( 0,4149 )

23.129+22.769+33.327=79.225

Ahora tenemos que calcular la ganancia esperada sin informacin perfecta, de esta manera
tenemos que tomar todos los valores de cada columna, multiplicarlos por la probabilidad
estimada para estos valores, y por ultimo tomamos el mayor valor de estos con el fin de obtener
la ganancia esperada sin la informacin perfecta.
1. Alternativa 1
2. Alternativa 2
3. Alternativa 3
Probabilidades
=1

86338
16457
31547

71784
55412
47215

53962
80326
12427

0,2679

0,3172

0,4149

Alternativa 1=
( 86.3380.2679 ) + ( 71.7840.3172 )+ ( 53.9620.4149 )=23.129+ 22.769+22.388=68.286
Alternativa 2=
( 16.4570.2679 )+ ( 55.4120.3172 ) + ( 80.3260.4149 )=4.407+17.582+33.327=55.316
Alternativa 3=
( 31.5470.2679 ) + ( 47.2150.3172 ) + ( 12.4270.4149 )=8.448+14.981+5.156=28.585
Teniendo estos datos podemos concluir que el mayor valor de ganancia esperada es 68.286 por
tanto este es el valor que tomaremos para completar la ecuacin de VEIP.
VEIP=( Ganancia esperada con informacin perfecta )( Ganancia esperadasin informacin perfecta )
VEIP=79.22568.286=$ 10.939

Analizando estos datos podemos encontrar que el valor esperado con informacin perfecta
$68.286, por esta razn se puede inferir que la mejor decisin es la alternativa 1, ya que es el
que generar una mayor ganancia segn el clculo del VEIP.

Pantallazos desarrollo del ejercicio en software WINQSB

Determinar el Valor esperado de la informacin de la muestra (VEIM)

(I1): Reporte favorable: la muestra tomada expresa un inters considerable en el producto.
(I2): Reporte no favorable: la muestra tomada expresa poco inters por producto.
Proceso de decisin para la comercializacin de la bicicleta elctrica

Estados de la naturaleza
Demanda Baja
Demanda Media
Demanda Alta
Ganancias ($)
Ganancias ($)
Ganancias ($)
86338
71784
53962
16457
55412
80326
31547
47215
12427

Cursos de accin
(Alternativas de decisin)
1. Alternativa 1
2. Alternativa 2
3. Alternativa 3
Probabilidades
=1

0,2678

0,3172

0,4149

Tabla 4 indicadores investigacin de mercadeo

Demanda baja
Demanda media
Demanda Alta
0,9134
0,7858
0,9467

Indicadores
(I1) Reporte favorable
(I2) Reporte no
favorable

0,0866

0,2142

0,0533

PROBABILIDADES CONDICIONALES DADAS POR LOS RESULTADOS

Indicador

Demanda Baja

I1
I2

0,2447
0,0231

Demanda
Media
0,2493
0,0679

Demanda Alta
0,3928
0,0222

Probabilidad
Marginal
0,8867
0,1133

Proceso de decisin para la comercializacin de la bicicleta elctrica

Estados de la naturaleza
Cursos de accin
Demanda Baja
Demanda Media Demanda Alta
(Alternativas de decisin)
Ganancias ($)
Ganancias ($)
Ganancias ($)
4. Alternativa 1
86338
71784
53962
5. Alternativa 2
16457
55412
80326
6. Alternativa 3
31547
47215
12427
Probabilidades
0,2678
0,3172
0,4149
=1

PROBABILIDADES CONJUNTAS Y MARGINALES

INDICADOR
I1
I2

DEMANDA
BAJA
0,2759
0,2040

DEMANDA
MEDIA
0,2812
0,5998

DEMANDA
ALTA
0,4429
0,1962

PROBABILIDADES POSTERIORES
DECISIONES
GANANCIA ESPERADA
Alternativa 1
0,2759 (86338)+ 0,2812 (71784) + 0,4429
(53962) = 23821+20186+23890 = 67.897
Alternativa 2
0,2759 (16457)+ 0,2812 (55412)+ 0,4429 (80326)
= 4540+15582+35576= 55.698
Alternativa 3
0,2759 (31547)+ 0,2812 (47215)+ 0,4429 (12427)
= 8704+13277+5504 = 27.485

DECISIONES
Alternativa 1
Alternativa 2
Alternativa 3

INDICADOR
I1
I2

INDICADOR 1
GANANCIA ESPERADA
0,2040 (86338)+ 0,5998 (71784)+ 0,1962 (53962)
= 17613+43056+10587= 71.256
0,2040 (16457)+ 0.5998 (55412)+ 0,1962 (80326)
= 3357+33236+15760= 52.353
0,2040 (31547)+ 0,5998 (47215)+ 0,1962 (12427)
= 6436+28320+2438= 37.194
INDICADOR 2
DECISIN OPTIMA
Alternativa 1
Alternativa 1

GANANCIA ESPERADA
67.897
71.256

DECISIONES PTIMAS Y GANANCIAS ESPERADAS POR I1 E I2

Ya con estos clculos procedemos a utilizar la formula general para hallar la ganancia esperada
con informacin de la muestra, la cual es:

De acuerdo a esto tenemos:

GANANCIA ESP .CON INF . DE MUESTRA=( 67.8970,8867 ) + ( 71.2560,1133 )
60.204+8.073=68.277

Por ltimo y finalmente, el VEIM (valor esperado de la informacin de la muestra) es:

De acuerdo a esto tenemos:

VEIM =68.27768.286=9

El valor esperado de la informacin muestral es utilizado para verificar la mejor estrategia de

decisin que optimice al investigacin que se est realizando peo realmente al analizar el
resultado del VEIM, podemos observar que la mejor decisin es no hacer nada ya que nos da un
valor bajo y adems negativo, por tanto esta informacin no tiene validez para la toma de
decisiones en cuanto alguna de las 3 alternativas.

Calculos Desarrollados En El Software WinQSB

EFICIENCIA DE LA INFORMACIN DE LA MUESTRA

Por tanto tenemos:

EFICIENCIA DE LA INFORMACIN DE LA MUESTRA=

9
=0,000822100=0,0822
10939

As mismo por tanto, la eficiencia de la informacin es nula y adems negativa, realmente esta
informacin no es eficiente para la toma de decisin por alguna de las alternativas analizadas.

Paso 2. Situacin Problema Costos Unitarios

La empresa AAA Distribuidor quiere determinar los costos unitarios para comercializar un
producto en el mercado, para ello cuanta con la siguiente informacin
Proceso de decisin para la comercializacin de la bicicleta elctrica
Cursos de accin
Estados de la naturaleza
Demanda Baja
Demanda Media
Demanda Alta
Ganancias ($)
Ganancias ($)
Ganancias ($)
1. A1
10872
34526
91280
2. A2
22145
10879
149975
3. A3
79608
105909
147638
Tomar la Tabla 1 Matriz de Costos y calcular manualmente los criterios de decisin bajo
incertidumbre: Laplace, Wald, Savage y Hurwicz:
METODO LAPLACE
Proceso de decisin para la comercializacin de la bicicleta elctrica
Cursos de accin
Estados de la naturaleza
Mtodo
Demanda Baja
Demanda
Demanda Alta
LAPLACE
Ganancias ($)
Media
Ganancias ($)
Ganancias
($)
1. A1
10872
34526
91280
45.104
2. A2
22145
10879
149975
60.390
3. A3
79608
105909
147638
111.040
Probabilidad (P)
1/3
1/3
1/3

1 A1
= 10872 * 0.33 + 34526 *0.33 + 91280*0.33 = 3.588+11.394+30.122 = 45104
2 A2
= 22145* 0.33 + 10879 *0.33 + 149975*0.33 = 7.308+3.590+49.492= 60.390
3 A3
= 79608* 0.33 + 105909 *0.33 + 147638*0.33 = 26.533+35.300+49207= 111.040
CONCLUSION: Por lo tanto el mtodo LAPLACE, arroja que el producto de menor costo de
produccin seria el A3, para comercializar un producto en el mercado.

METODO WALD
Proceso de decisin para la comercializacin de la bicicleta elctrica
Cursos de accin
Estados de la naturaleza
Demanda Baja
Demanda
Demanda Alta
Ganancias ($)
Media
Ganancias ($)
Ganancias
($)
1. A1
10872
34526
91280
2. A2
22145
10879
149975
3. A3
79608
105909
147638

Mtodo
Wald

10.872
10.879
79.608

Elegir la alternativa ak tal que sk=max min x

Criterio pesimista o de Wald o maximin: 10.872
Criterio optimista o maximax: 79.608
CONCLUSION: Por lo tanto el mtodo WALD, arroja que el producto de menor y mayor costo
de produccin seria el A3 y A1 en una demanda Baja, lo cual nos muestra que puede haber
otras opciones de mejor beneficio para la Organizacin, al aplicarse mtodos que muestren mejor
anlisis de datos.
METODO SAVAGE

Cursos de
accin

1. A1

Proceso de decisin para la comercializacin de la bicicleta elctrica

Estados de la naturaleza
Demanda Baja
Ganancias ($)
10872
7960810872=68736

Demanda Media
Ganancias ($)
34526
10590934526=71383

Demanda Alta
Ganancias ($)
91280
149975-91280=58695

Mtod
o
Savage
58.695

2. A2

3. A3

22145
7960822145=57463
79608
79608-79608=0

10879
10590910879=95030
105909
105909-105909=0

149975
149975-149975=0

57.463

147638
149975-147638=2337

2.337

CONCLUSION: Por lo tanto el mtodo SAVAGE, arroja que el producto de menor costo de
produccin seria el A3 en una demanda Alta
CRITERIO HURWICZ
En este criterio puede escogerse una situacin intermedia entre el pesimismo y el optimismo, en
donde debe suponerse un determinado grado de optimismo y luego calcular el grado de
pesimismo.
Utilizando la formula q=
Cursos de accin

1. A1
2. A2
3. A3

q=0.5
Estados de la naturaleza
Demanda Baja
Demanda
Demanda Alta
Ganancias ($)
Media
Ganancias ($)
Ganancias
($)
10872
34526
91280
22145
10879
149975
79608
105909
147638

1 = (10872+91280) * 0.5 = 51.076

2 = (10879+149975) * 0.5 = 80.427
3 = (79608+147638) * 0.5 = 113.623
Se escoge el resultado mayor de las distintas alternativas que en este caso es 113.623 y
corresponde a A3.
Comprobacin por el programa WinQSB

Paso 3. Situacin Problema Pagos Esperados.

La empresa AAA Distribuidor quiere determinar los Pagos Esperados para comercializar un
producto en el mercado y ha determinado un posible competidor el cual tiene un Producto B que
tiene unas caractersticas simulares al Producto A que pretende comercializar la empresa AAA
Distribuidor.

Producto A
1
2
3

1
89304
55642
136727

Matriz de Pagos (3*3):

Producto B
2
124444
70057
119930

3
73924
110101
113113

El estudiante con su grupo de trabajo presentara los clculos manuales del juego de dos
personas y suma cero, adicional deben realizar la comprobacin por software y presentar
los resultados obtenidos

ESTRATEGIAS DOMINADAS

Producto A
1
2
3

1
89304
55642
136727

Matriz de Pagos (3*3):

Producto B
2
124444
70057
119930

3
73924
110101
113113

Para el producto A la estrategia 3 esta dominando en sentidos a la estrategia 2 por lo tanto

eliminamos los pagos de esa estrategia
Porque: 136727> 55642, 119930> 70057 y 113113 > 110101

Producto A
1

1
89304

Matriz de Pagos (3*3):

Producto B
2
124444

136727

119930

3
73924
113113

El producto B minimiza perdidas, por lo tanto elimina la estrategia 2 (dominante) ya que con
esta obtendr mayores prdid
Matriz de Pagos (3*3):
Producto B
Producto A
1

1
89304

3
73924

136727

113113

El producto A elimina la estrategia 1 que es dominada por la estrategia 3 (la estrategia 1

representa menos ganancia)
Matriz de Pagos (3*3):
Producto B
Producto A

136727

113113

Por ltimo el producto B elimina la estrategia 3 (dominante) ya que con esta obtendr mayores
prdidas
Matriz de Pagos (3*3):
Producto B
Producto A

136727

Por lo tanto el valor de juego es igual a 136727 el cual representa la ganancia para el Producto
A y la perdida para el producto B.
SUMA CERO

Producto A
1

1
89304

Matriz de Pagos (3*3):

Producto B
2
124444

3
73924

2
55642
70057
110101
3
136727
119930
113113
Para el producto A se elige el valor mnimo de cada fila y para el producto B se elige el valor
mximo de cada columna.

Producto A
1
2
3

Matriz de Pagos (3*3):

Producto B
1
2
3
89304
124444
73924
55642
70057
110101
136727
119930
113113

136727

124444

73924
55642
Maximin
113113

Minimax
113113

El producto A elige el valor mayor entre los valores mnimos (Maximin) = 113113
El producto B elige el valor mnimo entre los valores mayores (Minimax) = 113113
Como los valores son iguales existe punto de silla, por lo tanto se pude concluir que el juego es
justo o la solucin es estable.
Resultados obtenidos con el software WinQSB

Paso 4. Patrones de Consumo

La empresa AAA Distribuidor quiere determinar los Patrones de consumo de 4 marcas del
producto que quiere comercializar. Para se pretende encontrar las probabilidades de transicin
hasta el periodo 5 y las probabilidades de estado estable mediante la aplicacin del Proceso de
Decisin de Markov de etapa finita
Tabla 6 Patrones de consumo del producto
Probabilidades de
transaccin
Marca A
Marca B
Marca C
Marca D

Marca A

Marca B

Marca C

Marca D

0,3664
0,2008
0,3379
0,0949
1

0,1780
0,1776
0,3135
0,3309
1

0,2648
0,1569
0,2587
0,3196
1

0,3219
0,2284
0,3566
0,0931
1

Probabilidades
iniciales
0,8908
0,0208
0,0700
0,0185
1

El estudiante con su grupo de trabajo presentara los clculos manuales del de los patrones de
consumo, adicional deben realizar la comprobacin por software y presentar los resultados
obtenidos.
Tabla 6 Patrones de consumo del producto
Prababilidades
de transicin
Marca A
Marca B
Marca C
Marca D

Marca A

Marca B

Marca C

Marca D

0,366
0,201
0,338
0,095
1,000

0,178
0,178
0,314
0,331
1,000

0,265
0,157
0,259
0,320
1,000

0,322
0,228
0,357
0,093
1,000

Probabilidade
s iniciales
0,8908
0,0208
0,0700
0,0185
1,0000

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 1

Prababilidades
Probabilidade
Marca A
Marca B
Marca C
Marca D
de transicin
s iniciales
Marca A
0,326
0,004
0,019
0,006
0,3546
Marca B
0,179
0,004
0,011
0,004
0,1978
Marca C
0,301
0,007
0,018
0,007
0,3322
Marca D
0,085
0,007
0,022
0,002
0,1155

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 2

Probabilidades
Probabilidade
Marca A
Marca B
Marca C
Marca D
de transicin
s iniciales
Marca A
0,130
0,035
0,088
0,037
0,2903
Marca B
0,071
0,035
0,052
0,026
0,1848
Marca C
0,120
0,062
0,086
0,041
0,3090
Marca D
0,034
0,065
0,106
0,011
0,2160

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 3

Probabilidades
Probabilidade
Marca A
Marca B
Marca C
Marca D
de transicin
s iniciales
Marca A
0,106
0,033
0,082
0,070
0,2906
Marca B
0,058
0,033
0,048
0,049
0,1889
Marca C
0,098
0,058
0,080
0,077
0,3130
Marca D
0,028
0,061
0,099
0,020
0,2076

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 4

Probabilidades
de transicin
Marca A
Marca B
Marca C
Marca D

Marca A

Marca B

Marca C

Marca D

0,106
0,058
0,098
0,028

0,034
0,034
0,059
0,063

0,083
0,049
0,081
0,100

0,067
0,047
0,074
0,019

Probabilidade
s iniciales
0,2898
0,1884
0,3124
0,2095

PARTICIPACIONES PROBABLES DE MERCADO PERIODO 5

Probabilidades
de transicin
Marca A
Marca B
Marca C
Marca D

Marca A

Marca B

Marca C

Marca D

0,106
0,058
0,098
0,028

0,034
0,033
0,059
0,062

0,083
0,049
0,081
0,100

0,067
0,048
0,075
0,020

Probabilidade
s iniciales
0,2899
0,1885
0,3125
0,2092

Con el clculo de la cadena de Markov podemos verificar las aproximaciones o previsiones controlando
las posibilidades de consumo de los productos de las marcas A, B, C, D, permitiendo ver la estabilidad
futura y analizar una evolucin mucho ms realista en cuanto al consumo de los productos analizados
hasta el periodo 5, permitiendo ver el aumento o disminucin de consumo as como la variabilidad
cuantitativa de cada producto con el fin de generar estrategias que permitan hacer frente a los cambios
venideros para la empresa AAA Distribuidor, en cuanto a la proyeccin de la demanda.
Pantallazos WINQSB

PER
IODO 1

PERIODO 2

PERIODO 3

PERIODO 4

PERIODO 5

CONCLUSIONES

El desarrollo de la actividad permite reforzar los conocimientos adquiridos en el estudio

de las unidades del curso por medio del desarrollo de ejercicios en concreto.

Las cadenas de markov se basa en que la probabilidad de que ocurra un evento depende
del evento inmediato anterior.

Se adquirieron conocimientos para el desempeo como Ingenieros con capacidad para la

solucin a problemticas que se presenten.

Poder tener ms herramientas y conocimientos para poder en un futuro tener poder

decisin ante problemas o situaciones complejas de los temas que se llegasen a presentar
en nuestro campo profesional.

Poder conocer a fondo la temtica que maneja la unidad n 2 del curso deteora de
decisiones.

Saber cmo involucrar metodologas nuevas para poder analizar de forma critico una idea
o producto, as como conocer y poner en practica conceptos y habilidades de
investigacin.

REFERENCIAS BIBLIOGRAFICAS

TAHA, Hamdy A. (1995). Investigacin de operaciones. Mxico. Editorial Alfaomega. 5

ediciones.
EPPEN, Gould y Schimidt. (1999). Investigacin de operaciones en las Ciencias de
Ingeniera. Bogot d.c. Editorial Prentice may. 3 ediciones
GALLAGHER, Watson. (2005). Mtodos Cuantitativos para la Toma de decisiones.
Bogot d.c. Editorial McGraw Hill
SHAMBLIN, James. (2006).Investigacin de Operaciones. Mxico. Ed. limusa.
KAUFMANN, A. Faure R. (2005).Invitacin a la investigacin de operaciones. Mxico.
CECSA. 7 edicin.
MARTHUR Y SOLOW.(2003). Investigacin de Operaciones. Bogot d.c. Editorial
Prentice Hall.
SASIENI, Yaspan. (2001). Investigacin de operaciones.