Universidad Fermín Toro Facultad de Ciencias Económicas y Sociales

Análisis de Problemas y Toma de Decisiones

Técnicas e Instrumentos

para la Toma Racional de

Decisiones.

Milagro C. Gómez Gómez

28-07-2012

Técnicas e Instrumentos para la Toma Racional de Decisiones

Página 2

Es importante saber que las decisiones se presentan en todos los niveles de la sociedad, sean de mayor o menor incidencia; pero estas implican una acción que con lleva a un determinado fin u objetivo propuesto. Cada vez que se toma una decisión se requiere de una selección racional, para lo que primero se debe aclarar el objetivo que se quiere alcanzar; eso sí, se deben tener en cuenta varias alternativas, evaluando cada una de sus ventajas, limitaciones y adoptando la que se consi-dere más apropiada para conseguir el objetivo propues-to. Es por ello que es de gran utilidad conocer que pro-cesos se deben aplicar y abarcar para tomar decisiones efectivas. Siguiendo estos procesos se establecen méto-dos para la toma de decisiones, a continuación nombra-remos los siguientes: 1. Métodos determinísticos (Programación lineal. Mé-todo SIMPLEX) 2. Métodos probabilísticos (Lógica bayesiana. Teoría de juegos). 3. Métodos híbridos (Modelo de transporte y localización. Técnica de MonteCarlo)

Métodos Determinísticos I parte Un modelo determinístico es un modelo matemático donde las mismas entra-das producirán invariablemente las mismas salidas, no contemplándose la existencia del azar ni el principio de incertidumbre. Está estrechamente rela-cionado con la creación de entornos simulados a través de simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que per-mitan disminuir la incertidumbre. La inclusión de mayor complejidad en las relaciones con una cantidad mayor de variables y elementos ajenos al modelo determinístico hará posible que éste se aproxime a un modelo probabilístico o de enfoque estocástico. Por ejemplo, la planificación de una línea de producción, en cualquier proceso industrial, es posible realizarla con la implementación de un sistema de gestión de procesos que incluya un modelo determinístico en el cual estén cuantificadas las materias primas, la mano de obra, los tiempos de producción y los productos finales asociados a cada proceso Fuente: http://es.wikipedia.org/wiki/Modelo_determin%C3%ADstico

1.- Una asombrosa variedad de importantes problemas de administración pueden formularse como determinísticos. 2.- Muchas hojas de cálculo electrónicas cuentan con la tecnología necesaria para optimizar modelos determinísticos, es decir, para encontrar decisiones óptimas. 3.- El subproducto de las técnicas de análisis es una gran cantidad de información muy útil para la interpretación de los resultados por la gerencia. 4.- La optimización restringida en particular, es un recurso extremadamente útil para reflexionar acerca de situaciones concretas, aunque no piense usted cumplir un modelo y utilizarlo. 5.- La práctica con modelos determinísticos le ayudara a desarrollar su habilidad para formular los modelos en general.

Método Determinístico ( Programación Lineal)

La Programación Lineal (PL) es una de las principales ramas de la Investigación Operativa. En esta categoría se consideran todos aquellos modelos de optimización donde las funciones que lo componen, es decir, función objetivo y restricciones, son funciones lineales en las variables de decisión Los modelos de Programación Lineal por su sencillez son frecuentemente usados para abor-dar una gran variedad de problemas de naturaleza real en ingeniería y ciencias sociales, lo que ha permitido a empresas y orga-nizaciones importantes beneficios y ahorros asociados a su utilización. La PL es un procedimiento que encuentra su aplicación práctica en casi todas las facetas de los negocios, desde la publicidad hasta la planificación de la producción. Problemas de transporte, distribución, y planificación global de la producción son los objetos más comunes del análisis de PL. La programación lineal (PL) es una técnica matemática de optimización, es decir, un método que trata de maximizar o minimi-zar un objetivo. Por Ejemplo:

Fuente: http://www.programacionlineal.net/

Método Determinístico Importancia Página 3

Es una técnica con múltiples aplicaciones

Métodos Probabilísticos

Método Simplex El método Simplex es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso concluye cuando no es posible seguir mejo-rando más dicha solución. Se utiliza, sobre todo, para resolver problemas de programación lineal en los que intervienen tres o más variables. El método simplex cuya gran virtud es su sencillez, es un mé-todo muy práctico, ya que solo trabaja con los coefi-cientes de la función objetivo y de las restricciones.

También conocidos como modelos estocásticos, algunos elementos no se conocen con certeza. Es decir en los modelos probabilísticos se presupone que algunas variables importantes, llama-das variables aleatorias, no tendrán valores conocidos antes que se tomen las decisiones co-rrespondientes, y que ese desconocimiento debe ser incorporado en el modelo. Los modelos probabilísticos son vistos de manera similar que a un juego; las acciones están ba-sadas en los resultados esperados. El centro de interés se mueve desde un modelo determinístico a uno probabilístico usando técnicas estadísticas subjetivas para estimación, prueba y predic-

ción. En los modelos probabilísticos, el riesgo significa incertidumbre para la cual la distribución de probabilidad es conocida. Por lo tanto, la evaluación de riesgo significa un estudio para determinar los resultados de las decisiones junto a sus probabilida-des. Los tomadores de decisiones generalmente se enfrentan a severa escasez de información. La evalua-ción de riesgo cuantifica la brecha de información entre lo que es conocido y lo que necesita saber para tomar una decisión óptima. Los modelos probabilístico son utilizados para protegerse de la incertidumbre adversa, y de la explotación de la propia incertidumbre.

Fuente: http://www.investigacion-operaciones.com/Modelos%20probabilisticos.htm

1. Solución inicial. 2. Si los costos reducidos cumplen con el óptimo entonces la BFS es óptima. 3. En el caso de no cumplir el óptimo, efectuar un cambio de base y efectuar la prueba. 4. El algoritmo simplex en transporte puede ser apreciado en dos fases: 5. Solución inicial.. 6. Solución óptima.

Fuente: http://www.investigacion-operaciones.com/SIMPLEX_analitico.htm

Página 4

Es la aplicación de las fórmulas derivadas del Teorema de bayes a la determinación de las llamadas probabilidades revisadas; asociadas a un conjunto dado de hipótesis (Escenarios factibles de pre-sentarse) mutuamente excluyentes, como consecuencia de las evidencias (hechos) observados.El modelo Bayesiano está circunscrito, como técnica de pronóstico en las llamadas técnicas cualitati-vas, cuya principal característica es que sus insumos son juicios de valores; es decir, opiniones que dan una valoración o cualificación a hechos o datos observados. Su rol como instrumento de pro-nóstico es muy importante ya que permite hacer referencias sobre la probabilidad de ocurrencia de

una situación dada (hipótesis/escenario) sobre la base de las evidencias observadas; por ello, es un instrumento extraordinario para monitoreo o seguimiento de situaciones de interés. Dentro de este contexto, juega un rol fundamental como herramienta de alerta, ante las evidencias obtenidas como consecuencia de la dinámica de los acontecimientos. La aplicación del Modelo Baye-siano como técnica de pronóstico está sujeta a la posibilidad de hacer seguimiento a una situa-ción de interés determinada Formalmente hablando se trata de “ estimar” el valor de las probabilidades revisadas asociadas a cada hipótesis (Escenarios)

Fuente: http://adingor.es/congresos/web/uploads/cio/cio2005/org_trabajo/151.pdf

La teoría de juegos es una rama de la economía que estudia las decisiones en las que para que un in-dividuo tenga éxito tiene que tener en cuenta las decisiones tomadas por el resto de los agentes que intervienen en la situación. La teoría de juegos como estudio matemático no se ha utilizado exclusi-vamente en la economía, sino en la gestión, estrategia, psicología o incluso en biología. La teoría de juegos ha sido utilizada en muchas decisiones empresariales, económicas, políticas o incluso para ganar jugando al póker. La Teoría de Juegos consiste en razonamientos circulares, los cuales no pue-den ser evitados al considerar cuestiones estratégicas. Por naturaleza, a los humanos no se les va muy

bien al pensar sobre los problemas de las relaciones estratégicas, pues generalmente la solución es la lógica a la inversa. En la Teoría de Juegos la intuición no es muy fiable en situaciones estratégicas, razón por la que se debe entrenar tomando en consideración ejemplos instructivos, sin necesidad que los mismos sean reales. Un objetivo primordial de la teoría de juegos es establecer criterios racionales para seleccionar una estrategia, los cuales implican dos suposiciones importantes: 1. Ambos jugadores son racionales. 2. Ambos jugadores eligen sus estrategias sólo para promover su propio bienestar (sin compasión para el oponente). La teoría de juegos se contrapone al análisis de decisión, en donde se hace la suposición de que el to-mador de decisiones está jugando un juego contra un oponente pasivo, la naturaleza, que elige sus estrategias de alguna manera aleatoria. Para representar gráficamente en teoría de juegos se suelen utilizar matrices (también conocidas como forma normal) y árboles de decisión como herramientas para comprender mejor los razonamientos que llevan a un punto u otro. Además los juegos se pueden resolver usando las matemáticas, aunque suelen ser bastante sofisticadas como para entrar en profundidad. Fuentes:

http://www.frm.utn.edu.ar/ioperativa/TJuegos.pdf

http://www.elblogsalmon.com/conceptos-de-economia/que-es-la-teoria-de-juegos

Lógica bayesiana Página 5

Teoría de los Juegos

Métodos Híbridos

La metodología híbrida , es una combinación de los métodos adeterminísticos y probabilísticos . Es muy utilizada en varios campos, por ejemplo en educación y en sociología.

Modelo de Transporte y Localización

El modelo de transporte busca determinar un plan de transporte de una mer-cancía de varias fuentes a varios destinos. Los datos del modelo son: Nivel de oferta en cada fuente y la cantidad de demanda en cada des-

tino. El costo de transporte unitario de la mercancía a cada destino.

Como solo hay una mercancía un destino puede recibir su demanda de una o más fuentes. El objetivo del modelo es el de determinar la cantidad que se en-viará de cada fuente a cada destino, tal que se minimice el costo del transporte total. La suposición básica del modelo es que el costo del transporte en una ruta es directamente proporcional al número de unidades transportadas. La defini-ción de “unidad de transporte” variará dependiendo de la “mercancía” que se transporte.

Fuente: http://www.investigacion-operaciones.com/modelo_de_transporte.htm

Página 6

Técnica de MonteCarlo

Es una técnica matemática computarizada que permite tener en cuenta el riesgo en análisis cuantitativos y to-mas de decisiones. Esta técnica es utilizada por profesionales de campos tan dispares como los de finanzas, ges-tión de proyectos, energía, manufacturación, ingeniería, investigación y desarrollo, seguros, petróleo y gas, transporte y medio ambiente. La simulación Monte Carlo ofrece a la persona responsable de tomar las decisiones una serie de posibles resul-tados, así como la probabilidad de que se produzcan según las medidas tomadas. Muestra las posibilidades ex-tremas —los resultados de tomar la medida más arriesgada y la más conser-vadora— así como todas las posibles consecuencias de las decisiones inter-

medias. La simulación de Monte Carlo fue creada para resolver integrales que no se pueden resolver por métodos analíticos, para resolver estas integrales se usaron números aleatorios. Posterior-mente se utilizó para cualquier esquema que emplee números aleatorios, usando variables aleatorias con distribuciones de probabilidad conocidas, el cual es usado para resolver ciertos problemas estocásticos y determinísticos, donde el tiempo no juega un papel importante. La simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos de posibles resultados mediante la sustitución de un rango de valores —una distribución de probabilidad— para cualquier factor con incer-tidumbre inherente. Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de probabilidad. Dependiendo del número de incertidumbres y de los rangos especificados, para completar una simu-lación Monte Carlo puede ser necesario realizar miles o decenas de miles de recálculos. La simulación Monte Carlo produce dis-tribuciones de valores de los resultados posibles. Fuente: http://www.palisade-lta.com/risk/simulacion_monte_carlo.asp

Las herramientas para las decisiones tecnológicas tales como los modelos matemáticos han sido aplicados a una amplia gama de situaciones en la toma de decisiones dentro de diversas áreas de la gerencia. En la toma consciente de decisiones bajo incertidum-bre, siempre realizamos pronósticos o predicciones. Podríamos pensar que no estamos pronosticando, pero nuestras opciones esta-rán dirigidas por la anticipación de resultados de nuestras acciones o inacciones. Este sitio tiene el objetivo de ayudar a los geren-tes y administradores a hacer un mejor trabajo al momento de anticipar hechos, y por lo tanto, un mejor manejo de la incertidum-bre mediante el uso de técnicas de predicción y pronóstico efectivas. El uso de modelos matemáticos ha sido incrementado para interpretar y predecir las dinámicas y controles en la toma de decisiones gerenciales. Dichas aplicaciones incluyen prono acutes-téstico de ventas, predicciones del impacto y efecto de campañas publicitarias, estrategias para proteger desabastecimiento de in-ventarios y para determinar estrategias óptimas de inversión de portafolios.

Página 7