En todas las empresas, fábricas, tiendas, etc., se toman decisiones continuamente. Se tiene que decidir, por ejemplo:
·
Cuántas horas-hombre contratar el próximo mes.
·
Cuánto gastar en publicidad de un producto el
próximo año.
·
Cuántas mochilas comprar para la campaña
escolar.
·
Si conviene introducir un nuevo producto en el
mercado.
· Si conviene comprar una máquina para elaborar un
componente de un producto final, o seguir comprando el componente a un
proveedor.
·
Si conviene reemplazar o reconstruir un equipo.
Definiciones
Decisor: es un
ente individual o colectivo capaz de tomar decisiones. Se asocia al decisor un
conjunto de decisiones posibles {ai}.
Alternativas de
decisión: es el conjunto de decisiones o acciones {ai}
entre las cuales el decisor debe elegir una.
Estados de la
naturaleza: son las circunstancias que influyen en el beneficio que va a
recibir el decisor y sobre los cuales él no puede influir. A los distintos
estados de la naturaleza se les denomina {bj}.
Según el conocimiento que se tenga de los posibles estados
de la naturaleza, se puede tener:
Ambiente de certeza: cuando el decisor conoce perfectamente el
estado de la naturaleza que se tendrá para la decisión que tome.
Ambiente de riesgo: cuando no se dispone de información perfecta
como el caso anterior, pero se conocen las probabilidades de ocurrencia de los
diferentes estados de la naturaleza. En este capítulo se analizarán situaciones
de este tipo.
Ambiente de incertidumbre: cuando no se dispone de ninguna
información sobre las probabilidades con que pueden ocurrir los estados de la
naturaleza. El decisor debe elaborar un criterio que dependerá mucho de su
criterio particular.
Ambiente de competencia: cuando influyen causas promovidas por otro
decisor, pudiendo sus decisiones influir negativamente en el beneficio. Esto
significa que lo que suponga un beneficio para un decisor, será un perjuicio
para el otro. La teoría de juegos, que es parte de la Investigación de Operaciones,
se encarga de analizar situaciones como esta.
A continuación se resuelve un caso empleando un árbol
de decisión que se dibuja expresamente para esta situación.
Una editorial está considerando lanzar una revista mensual con artículos e información de interés para economistas y empresarios. Con base en su experiencia pasada y en sus percepciones, el gerente de la editorial ha estimado las siguientes ganancias anuales (en soles), considerando tres niveles distintos de demanda de su revista.
El gerente estima además que las
probabilidades de estos tres niveles de demanda son:
P(baja)
= 0,5; P(regular) = 0,2; P(alta) = 0,3
Además, el gerente pronostica
que la competencia para su revista será muy grande, por lo que piensa en la
posibilidad de hacer un sondeo de mercado sobre la aceptación que tendrá su
revista. Suponga que este sondeo, que le costaría S/.5000 a la editorial, solo
indicará si el diagnóstico es favorable o si es desfavorable, con lo que se
decidirá si editar o no la revista. Con base en experiencias previas en
relación a otras publicaciones, el gerente ha establecido las siguientes
probabilidades condicionales, dadas las posibles demandas:
P(diagnóstico
favorable \ demanda baja) = 0,10
P(diagnóstico
favorable \ demanda regular) = 0,60
P(diagnóstico
favorable \ demanda alta) = 0,90
¿Cuál es la mejor decisión para la editorial?
Nótese que la primera decisión
que debe tomar el gerente de la editorial es si hace o no hace el sondeo; esta
decisión le ayudará a decidir luego si edita o no la revista, con base en el
resultado del sondeo.
Además, en el árbol se han
expresado las probabilidades condicionales calculadas a partir de la tabla
anterior:
P(demanda
baja \ diagnóstico favorable) = 5/44
P(demanda
regular \ diagnóstico favorable) = 12/44
P(demanda alta \ diagnóstico favorable) = 27/44
P(demanda
baja \ diagnóstico desfavorable) = 45/56
P(demanda
regular \ diagnóstico desfavorable) = 8/56
P(demanda alta \ diagnóstico desfavorable) = 3/56
Una vez expresadas las probabilidades en el árbol, resulta
fácil calcular las ganancias esperadas para cada decisión, utilizando el
criterio de Bayes.
Con base en estas ganancias
esperadas se decide si editar o no editar, escogiendo la acción que dé la mayor
ganancia. Por ejemplo, si el resultado del sondeo es favorable, por editar la
revista se espera ganar 114318,18 soles y por no editarla se espera perder 5000
soles. Evidentemente se elige editarla. Siguiendo este mismo procedimiento se
elige no editar la revista para el caso en que el diagnóstico sea desfavorable,
con una pérdida esperada de 5000 soles. Como se conoce la probabilidad de que
el sondeo dé un diagnóstico favorable y que dé un diagnóstico desfavorable,
aplicando el criterio de Bayes se calcula la ganancia que se espera tener si se
hace sondeo, que resulta 47500 soles. Siguiendo este mismo procedimiento se
llega a obtener la ganancia esperada si no se hace sondeo: cero.
Valor esperado de la información perfecta (VEIP)
Una vez obtenida
la información muestral, el decisor no sabe qué estado de la naturaleza
ocurrirá; pero tiene valoraciones probabilísticas más fundadas de estos
estados. Además de analizar esa información muestral, es útil considerar el
caso extremo en el que puede obtenerse información perfecta sobre el estado de
la naturaleza que ocurrirá.
Para el ejemplo
de la editorial, para cualquier estado de la naturaleza que se presente, el
gerente debe decidir si editar o no editar. Como se ve en la siguiente figura, si la
demanda resultase baja a él le convendría no editar (ganancia 0); si la demanda
resultase regular, le convendría editar (ganancia 50000), y si la demanda
resultase alta, le convendría editar (ganancia 200000). Por lo tanto, si el
tuviese información perfecta del estado de la naturaleza (la demanda) que se
presentará, su ganancia esperada sería:
GEIP =
0 (0,5) + 50000 (0,2) + 200000 (0,3) = 70 000 soles
Comentarios
Publicar un comentario