Tecnológico Nacional de México.

Instituto Tecnológico de Oaxaca

Ingeniería Industrial.

Investigación de Operaciones II.

“Trabajo de Investigación U3”.

Alumno:
Franco Ortiz Enzo Alberto.

Profesor:
Moreno Gutiérrez Salvador Amado.

Fecha:
14 de septiembre del 2024.
 ÍNDICE
Introducción................................................................................................................................................1
3.2. Criterios de decisión determinísticos y probabilísticos.....................................................................4
3.3. Valor de la información perfecta......................................................................................................6
3.4. Arboles de decisión...........................................................................................................................8
3.5. Teoría de utilidad............................................................................................................................13
3.6. Análisis de sensibilidad...................................................................................................................16
3.7. Decisiones secuenciales..................................................................................................................20
3.8. Uso de software..............................................................................................................................24
Conclusión.................................................................................................................................................30
 Introducción
La teoría de decisiones es una disciplina que estudia los procesos mediante los cuales
individuos y organizaciones eligen entre diferentes alternativas en escenarios que
suelen estar rodeados de incertidumbre y riesgo. En contextos empresariales, médicos,
financieros, e incluso en situaciones de la vida cotidiana, la toma de decisiones es un
proceso complejo que implica analizar posibles resultados, evaluar riesgos y beneficios,
y hacer elecciones basadas en objetivos específicos y preferencias personales.

A través de modelos matemáticos, técnicas estadísticas y enfoques cualitativos, la

teoría de decisiones busca entender y optimizar el proceso de elección, proporcionando
un marco estructurado para la toma de decisiones racionales e informadas. Esta teoría
abarca diferentes enfoques, desde criterios determinísticos, que asumen certeza en los
resultados, hasta criterios probabilísticos, que introducen el concepto de utilidad
esperada para situaciones de riesgo.

La importancia de la teoría de decisiones radica en su capacidad para ayudar a los

tomadores de decisiones a evaluar opciones en escenarios complejos y mejorar sus
resultados a través de herramientas como los árboles de decisión, la programación
dinámica y el análisis de sensibilidad. Al integrar estos enfoques, la teoría de
decisiones se convierte en una herramienta poderosa y versátil para optimizar las
decisiones en un mundo donde la incertidumbre y el cambio son constantes.

3.1. Características generales.

1
La teoría de decisiones es un campo que estudia cómo los individuos, organizaciones o
sistemas toman decisiones, especialmente en situaciones de incertidumbre. Su objetivo
principal es proporcionar un marco lógico y matemático para analizar y optimizar las
decisiones. Aquí te presento sus características clave:

1. Racionalidad y Optimización

La teoría de decisiones asume que los tomadores de decisiones buscan ser racionales,
es decir, maximizar su utilidad o beneficio en función de sus preferencias y de la
información disponible.

Se centra en encontrar la mejor decisión posible mediante el análisis de costos,

beneficios, y probabilidades, buscando maximizar el resultado deseado (por ejemplo,
utilidad o ganancias).

2. Incertidumbre y Probabilidad

Muchas decisiones implican incertidumbre, donde los resultados no son seguros. La

teoría de decisiones usa conceptos probabilísticos para modelar esta incertidumbre,
permitiendo estimar las probabilidades de diferentes resultados.

Para situaciones donde no hay datos previos, también se emplean conceptos como la
teoría de juegos, y en algunos casos, decisiones basadas en minimización de riesgos.

3. Preferencias y Utilidad

Para evaluar y comparar decisiones, la teoría de decisiones utiliza la función de

utilidad, que representa las preferencias del tomador de decisiones. La utilidad
cuantifica cuánto valora una persona cada resultado posible.

El análisis de utilidad ayuda a priorizar opciones en función de su valor esperado o

impacto.

4. Análisis de Alternativas

Implica la identificación de todas las opciones posibles y la evaluación de cada una en

función de sus costos, beneficios, y riesgos asociados.

2
Se analiza cómo cada alternativa se compara con el resto para escoger la que
maximiza la utilidad o minimiza el riesgo según el contexto.

5. Modelos de Decisión

La teoría de decisiones emplea distintos modelos matemáticos y herramientas, como

árboles de decisión, teoría de juegos, y análisis multicriterio, para estructurar y resolver
problemas complejos.

Estos modelos permiten visualizar las opciones de decisión y sus posibles resultados,
facilitando una comparación y selección racional.

6. Evaluación de Resultados y Retroalimentación

La teoría de decisiones promueve la evaluación continua y la retroalimentación para

mejorar futuras decisiones. Este enfoque de aprendizaje ayuda a actualizar la
información y ajustar modelos de decisión según la experiencia acumulada.

También se ajusta en función de los resultados obtenidos y de los cambios en el

entorno o los objetivos.

7. Tipos de Decisiones

La teoría de decisiones clasifica decisiones en tres categorías: bajo certeza (se conoce
el resultado exacto de cada alternativa), bajo riesgo (se conocen las probabilidades de
los posibles resultados), y bajo incertidumbre (se desconocen los resultados y sus
probabilidades).

Cada categoría tiene métodos específicos de análisis, adaptados a la información

disponible y al tipo de incertidumbre.

8. Atributos Psicológicos y Sesgos

La teoría moderna de decisiones también considera factores psicológicos y sesgos

cognitivos que pueden influir en las decisiones. Los tomadores de decisiones no
siempre actúan de forma perfectamente racional, y sus elecciones pueden verse
influenciadas por emociones, prejuicios o experiencias previas.

3
Este aspecto es analizado especialmente en la teoría de la decisión conductual, que
estudia cómo los sesgos afectan el proceso de toma de decisiones.

En resumen, la teoría de decisiones es una combinación de herramientas matemáticas,

conceptos probabilísticos, modelos de optimización y, en sus enfoques más recientes,
también considera los factores psicológicos y sesgos que afectan la racionalidad en la
toma de decisiones.

3.2. Criterios de decisión determinísticos y

probabilísticos.
En la teoría de decisiones, existen criterios determinísticos y probabilísticos que ayudan
a los tomadores de decisiones a seleccionar la mejor opción, dependiendo de la
información y del nivel de incertidumbre sobre los resultados de las decisiones.
Veamos en qué consisten cada uno:

1. Criterios de Decisión Determinísticos

Los criterios determinísticos se aplican cuando los resultados de las decisiones son
completamente conocidos y no hay incertidumbre. En este caso, el tomador de
decisiones tiene certeza sobre el estado futuro o las consecuencias de cada opción,
por lo que el proceso es más directo y sin el uso de probabilidades. Algunos de los
principales criterios determinísticos son:

Criterio de Maximización de Ganancia o Beneficio: Elige la alternativa que proporciona

el mayor beneficio o ganancia, sin considerar probabilidades de ocurrencia. Es
adecuado cuando el tomador de decisiones busca optimizar su beneficio sin
incertidumbre.

Criterio de Minimización de Costos o Pérdidas: Este criterio se usa cuando el objetivo

es reducir los costos o minimizar las pérdidas. Se selecciona la alternativa con el menor
costo conocido.

4
Criterio de Dominancia: Si una alternativa es al menos tan buena como todas las
demás en todas las circunstancias y estrictamente mejor en al menos una de ellas, se
dice que domina a las otras y debe ser seleccionada.

Criterio de Respaldo Suficiente: Solo se eligen alternativas que cumplen con un mínimo
de respaldo (por ejemplo, un presupuesto o un recurso mínimos) necesario para llevar
a cabo la decisión de manera efectiva.

2. Criterios de Decisión Probabilísticos

Cuando existe incertidumbre y no se conoce con certeza el resultado de cada

alternativa, se emplean criterios probabilísticos. Estos criterios consideran las
probabilidades de ocurrencia de los posibles resultados para cada alternativa y se
basan en el análisis de riesgos y expectativas. Entre los principales criterios
probabilísticos están:

Valor Esperado: Se calcula multiplicando el beneficio o pérdida de cada posible

resultado de una alternativa por su probabilidad de ocurrencia, sumando luego los
productos. La alternativa con el mayor valor esperado (si es beneficioso) o el menor (si
implica costos o pérdidas) es la preferida.

Valor Esperado=∑ (Probabilidad del resultado x Resultado)

Criterio de Varianza o Desviación Estándar: Además del valor esperado, se considera

la varianza o desviación estándar para medir la dispersión o el riesgo de una
alternativa. Las opciones con menor variabilidad en los resultados pueden ser
preferidas por ser menos arriesgadas.

Criterio de Maximización de la Utilidad Esperada: En lugar de optimizar beneficios

monetarios directamente, este criterio maximiza la utilidad esperada, una medida
subjetiva del valor que un individuo asocia con cada resultado, tomando en cuenta
factores psicológicos y de aversión al riesgo.

Criterio de Razón de Maximización: Similar al valor esperado, pero toma en cuenta la

probabilidad condicional de que un resultado se alcance dada una serie de eventos

5
previos, aplicable en decisiones secuenciales o cuando las probabilidades dependen
de eventos anteriores.

Análisis de Árboles de Decisión: Es una herramienta visual para mapear las decisiones,
probabilidades y resultados posibles de manera secuencial. Permite calcular el valor
esperado de cada rama y facilita la comparación entre opciones, especialmente en
decisiones complejas.

En resumen

Criterios Determinísticos: Se usan cuando los resultados son ciertos. Ejemplos incluyen
maximización de ganancias, minimización de costos, y dominancia.

Criterios Probabilísticos: Se aplican cuando hay incertidumbre y se conocen las

probabilidades de los resultados. Ejemplos incluyen el valor esperado, utilidad
esperada, varianza y análisis de árboles de decisión.

Los criterios determinísticos son más sencillos, Vapero menos aplicables en

situaciones reales de incertidumbre, mientras que los probabilísticos ofrecen mayor
flexibilidad y son más aplicables en escenarios de riesgo e incertidumbre, ayudando a
modelar de forma realista las decisiones.

3.3. Valor de la información perfecta.

El Valor de la Información Perfecta (VIP) es un concepto en teoría de decisiones que
mide el valor de tener información completa y precisa sobre el futuro antes de tomar
una decisión. En otras palabras, el VIP indica cuánto estaría dispuesto a pagar un
tomador de decisiones por obtener información perfecta que elimine toda la
incertidumbre sobre los estados futuros. Este valor se utiliza para decidir si es rentable
obtener información adicional antes de hacer una elección.

Cálculo del Valor de la Información Perfecta

Para calcular el VIP, se comparan dos valores:

6
 1. Valor Esperado con Información Perfecta (VEIP): Es el mejor resultado que
se podría obtener si se conociera con certeza el estado futuro antes de tomar
una decisión.

2. Valor Esperado sin Información Perfecta (VE): Es el valor esperado máximo

de la mejor alternativa posible, calculado sin la información adicional.

El VIP se calcula como la diferencia entre estos dos valores:

VIP=VEIP−VE

Interpretación de los Valores

 Valor Esperado con Información Perfecta (VEIP): Si el tomador de decisiones

conociera el estado futuro de manera perfecta, podría tomar la mejor decisión en
función de ese estado específico. Por ejemplo, si un inversionista supiera con
certeza si el mercado subirá o bajará, podría ajustar su inversión en
consecuencia y maximizar su retorno.

 Valor Esperado sin Información Perfecta (VE): Este es el valor esperado de la

mejor decisión que se puede tomar sin información adicional. En este caso, el
tomador de decisiones solo puede basarse en probabilidades de los diferentes
estados.

La diferencia entre estos valores es el valor potencial de tener información perfecta.

Si el VIP es alto, significa que la información perfecta tendría un impacto considerable
en la calidad de la decisión. Si el VIP es bajo o cero, la información adicional no
aportaría mucho valor, ya que la decisión óptima no cambiaría significativamente o se
podría prever con cierto grado de certeza.

Ejemplo de Aplicación

Supongamos que una empresa debe decidir si producir un nuevo producto, pero las
ventas futuras dependen de la economía (que puede estar en un estado de crecimiento
o de recesión):

7
  Sin información perfecta, la empresa estima las probabilidades de cada estado
económico y calcula el valor esperado de cada alternativa.

 Con información perfecta, la empresa sabría de antemano el estado exacto de la

economía y podría escoger directamente la alternativa que maximice su
ganancia en ese estado.

El VIP en este caso indicaría cuánto estaría dispuesta a pagar la empresa para tener
certeza sobre el estado de la economía.

Importancia del VIP

El VIP es útil para:

 Evaluar la necesidad de investigaciones adicionales: Ayuda a determinar si

vale la pena invertir en estudios de mercado, investigaciones científicas, o
encuestas para obtener más información antes de tomar una decisión.

 Valorar inversiones en sistemas de predicción o análisis: En empresas y

proyectos, el VIP ayuda a decidir si se deben implementar modelos avanzados
de predicción.

 Tomar decisiones estratégicas: Ayuda a identificar los escenarios de alto

impacto donde el conocimiento preciso del futuro sería valioso.

En resumen, el Valor de la Información Perfecta ayuda a los tomadores de

decisiones a entender el valor económico de reducir la incertidumbre antes de una
decisión, guiándolos en el uso efectivo de recursos para mejorar sus decisiones.

3.4. Arboles de decisión.

Los árboles de decisión son una herramienta clave en la teoría de decisiones que
permite representar visualmente y estructuradamente las alternativas y sus posibles
resultados, de manera que se pueda tomar una decisión óptima en situaciones de
incertidumbre. Un árbol de decisión es una representación gráfica de las diferentes
alternativas que un tomador de decisiones puede elegir, las probabilidades asociadas a

8
cada una y las consecuencias de cada elección, todo estructurado en forma de un árbol
ramificado.

Estructura de un Árbol de Decisión

Un árbol de decisión consta de los siguientes elementos clave:

1. Nodo de Decisión (representado por un cuadrado): Es un punto en el que el

tomador de decisiones debe elegir entre varias alternativas posibles. En cada
nodo de decisión, el tomador de decisiones tiene varias opciones, y cada una de
esas opciones puede llevar a diferentes resultados.

2. Nodo de Probabilidad (representado por un círculo): Después de un nodo de

decisión, los resultados suelen estar asociados a probabilidades. Un nodo de
probabilidad refleja las posibles consecuencias de una elección y sus
probabilidades asociadas.

3. Ramas: Las ramas representan las decisiones y los posibles resultados o

eventos. Cada rama conecta un nodo con otro y puede llevar a un nodo de
decisión o a un nodo de probabilidad.

4. Resultado o Payoff (representado por un triángulo o un valor numérico al final

de cada rama): En el extremo de las ramas se encuentran los resultados o
consecuencias de tomar una determinada decisión, normalmente expresados en
términos de ganancias, costos, o cualquier otro valor relevante para el problema
en cuestión.

¿Cómo Funciona un Árbol de Decisión?

1. Inicio: Comienza con un nodo de decisión, donde se presenta la opción de

elegir entre varias alternativas o cursos de acción.

2. Desarrollo de Opciones: Cada elección posible lleva a diferentes resultados,

representados por nodos de probabilidad, que describen las probabilidades de
ocurrir cada resultado.

9
 3. Evaluación de Consecuencias: Las consecuencias de cada acción se
representan como resultados al final de las ramas. Estos resultados suelen estar
asociados con valores de ganancias, costos o cualquier otra medida de éxito.

4. Cálculo del Valor Esperado: Para tomar decisiones informadas, se calcula el

valor esperado (o utilidad esperada) de cada alternativa. Este valor se obtiene
multiplicando las probabilidades de los eventos por sus resultados respectivos y
sumando los productos.

5. Selección de la Mejor Alternativa: El árbol de decisión ayuda a identificar cuál

alternativa tiene el valor esperado más alto (o el menor costo) y, por lo tanto, es
la más recomendable.

Ejemplo de Árbol de Decisión

Imaginemos que una empresa tiene que decidir si lanzar un nuevo producto al mercado
o no. Las alternativas son "Lanzar el Producto" o "No Lanzar". El árbol de decisión
podría estructurarse de la siguiente manera:

1. Nodo de Decisión: La empresa tiene dos opciones: "Lanzar el Producto" o "No

Lanzar".

2. Si elige "Lanzar el Producto", el nodo de probabilidad podría mostrar dos

posibles resultados:

o Éxito en el Mercado (80% de probabilidad): Si el producto tiene éxito, la

ganancia será de $100,000.

o Fracaso en el Mercado (20% de probabilidad): Si el producto fracasa,

la pérdida será de $50,000.

Estos dos resultados se conectan con ramas que llevan a nodos de probabilidad, con
sus respectivas probabilidades de éxito o fracaso.

3. Si la empresa elige "No Lanzar", el resultado será directo y no hay

incertidumbre asociada, con un beneficio de $10,000 por ahorrar en costos de
producción y marketing.

10
Cómo Calcular el Valor Esperado

Para la opción de "Lanzar el Producto":

 Valor Esperado (Lanzar) = (0.80 * $100,000) + (0.20 * -$50,000)

o Valor Esperado (Lanzar) = $80,000 - $10,000 = $70,000

Para la opción de "No Lanzar":

 Valor Esperado (No Lanzar) = $10,000 (sin incertidumbre, solo el beneficio

garantizado).

Decisión Final

Comparando los valores esperados:

 Lanzar el Producto: $70,000

 No Lanzar: $10,000

La decisión óptima sería Lanzar el Producto, ya que tiene un valor esperado mayor.

Ventajas de los Árboles de Decisión

1. Visualización Clara: Los árboles de decisión permiten representar de manera

gráfica todas las opciones disponibles y sus consecuencias, facilitando la
comprensión del problema.

2. Evaluación Cuantitativa: Permiten calcular el valor esperado de cada

alternativa, lo que ayuda a tomar decisiones informadas basadas en datos y no
en intuiciones.

3. Manejo de la Incertidumbre: Los árboles de decisión son útiles para gestionar

situaciones con incertidumbre y riesgo, ya que pueden incluir probabilidades
para cada posible resultado.

4. Comparación Directa de Alternativas: Ofrecen una manera clara de comparar

las alternativas y sus respectivos resultados o beneficios, lo que ayuda a elegir
la mejor opción.

11
Limitaciones de los Árboles de Decisión

1. Complejidad en Casos Grandes: Cuando el número de decisiones y

probabilidades crece, los árboles de decisión pueden volverse muy grandes y
difíciles de manejar.

2. Dependencia de Datos Precisa: Los árboles de decisión dependen de la

exactitud de las probabilidades y los resultados. Si los datos de entrada no son
precisos, las decisiones tomadas pueden no ser óptimas.

3. No Consideran la Dinámica Temporal: Los árboles de decisión tradicionales

no son adecuados para problemas en los que las decisiones deben tomarse a lo
largo del tiempo, como en la toma de decisiones secuenciales. Para esos casos,
se utilizan modelos de programación dinámica o árboles de decisión de
tiempo continuo.

Herramientas de Software para Árboles de Decisión

Existen varios programas que pueden ayudar a crear y analizar árboles de decisión:

1. PrecisionTree (Palisade): Un complemento para Excel que permite crear

árboles de decisiones con facilidad, calcular el valor esperado y realizar análisis
de sensibilidad.

2. TreePlan: Un complemento de Excel simple y fácil de usar que permite construir

y analizar árboles de decisión.

3. SuperDecision: Software especializado en el Proceso Analítico Jerárquico

(AHP), que también utiliza árboles de decisión para modelar decisiones
multicriterio.

4. Decision Explorer: Herramienta que ayuda a mapear las relaciones entre

decisiones, problemas y soluciones en forma de mapas conceptuales, lo que
puede incluir árboles de decisiones.

En resumen, los árboles de decisión son una herramienta poderosa en la teoría de

decisiones para visualizar alternativas, evaluar riesgos y calcular el valor esperado de

12
las diferentes opciones disponibles. Son útiles tanto en entornos simples como
complejos y pueden ayudar a tomar decisiones informadas basadas en probabilidades
y resultados cuantificados.

3.5. Teoría de utilidad.

La teoría de la utilidad es un concepto fundamental dentro de la teoría de decisiones
que se utiliza para modelar cómo las personas toman decisiones bajo incertidumbre y
riesgo. En lugar de simplemente considerar el valor monetario o tangible de las
opciones disponibles, la teoría de la utilidad se centra en el valor subjetivo o la
satisfacción que un individuo obtiene de las diferentes alternativas. Esta teoría se basa
en la idea de que las decisiones no siempre se toman de manera racional desde una
perspectiva de maximización de riqueza, sino que dependen de las preferencias
personales y las percepciones del riesgo.
Conceptos Clave en la Teoría de la Utilidad
1. Utilidad:
o La utilidad es una medida del valor subjetivo que un individuo asigna a
un bien, servicio o resultado. En términos sencillos, representa la
satisfacción, el placer o la preferencia de una persona por un resultado
particular.
o Se utiliza para modelar decisiones donde los resultados son inciertos y
pueden tener diferentes niveles de atractivo, dependiendo de las
preferencias del decisor.
2. Función de Utilidad:
o La función de utilidad es una representación matemática que asigna un
valor numérico a los diferentes resultados posibles. Cada resultado o
alternativa tiene una utilidad asociada, y la función de utilidad describe
cómo varía la satisfacción (utilidad) a medida que cambia el resultado.
o En su forma más simple, la función de utilidad asigna valores más altos a
las alternativas que ofrecen mayor satisfacción y valores más bajos a las
alternativas menos deseadas.
3. Utilidad Esperada:
o Cuando hay incertidumbre, los decisores consideran la utilidad
esperada. Este concepto se refiere al valor promedio ponderado de las
utilidades de todos los posibles resultados, donde las probabilidades de
los diferentes resultados sirven como pesos.

13
 o La utilidad esperada se calcula multiplicando la utilidad de cada posible
resultado por su probabilidad de ocurrir y luego sumando los productos.
U ( E ) =∑ (Pi−U i)

Donde:
o U (E) es la utilidad esperada de la decisión.
o Pi es la probabilidad de que ocurra el resultado i .

o U i es la utilidad asociada con el resultado i.

4. Riesgo y Preferencias del Decisor:

o La teoría de la utilidad también explica cómo los individuos perciben y
gestionan el riesgo. Los decisores pueden ser aversiones al riesgo
(prefiriendo opciones con menor incertidumbre), neutral a riesgo (sin una
preferencia clara por el riesgo), o buscadores de riesgo (prefiriendo
opciones con mayor incertidumbre para obtener mayores ganancias).
o Esto se refleja en la curva de utilidad, que puede ser convexa (para
buscadores de riesgo), cóncava (para aversos al riesgo) o lineal (para
neutrales al riesgo).
5. Teorema de la Utilidad Esperada de von Neumann y Morgenstern:
o Este teorema es uno de los fundamentos de la teoría de la utilidad.
Establece que un individuo racional, que busca maximizar su satisfacción,
tomará decisiones basándose en la utilidad esperada, eligiendo la opción
que maximice la utilidad esperada.
o Es crucial para la toma de decisiones en situaciones de riesgo e
incertidumbre, ya que permite comparar diferentes alternativas basadas
en la utilidad esperada, no solo en los resultados posibles.
Aplicación de la Teoría de la Utilidad en la Toma de Decisiones
En la teoría de decisiones, la teoría de la utilidad se aplica principalmente en
contextos donde el decisor debe elegir entre varias alternativas con diferentes
probabilidades y consecuencias inciertas. Los siguientes son ejemplos de cómo se
utiliza la teoría de la utilidad en la toma de decisiones:
1. Decisiones Financieras:
o Los inversores aplican la teoría de la utilidad para tomar decisiones de
inversión en escenarios de incertidumbre. Si un inversor es averso al
riesgo, elegirá una inversión con una rentabilidad más estable, aunque

14
 menos lucrativa, en lugar de una opción de alta rentabilidad, pero con
mayores riesgos.
2. Elección de Proyectos:
o Las empresas aplican la teoría de la utilidad cuando eligen entre varios
proyectos, considerando no solo los beneficios esperados, sino también
las percepciones subjetivas sobre el riesgo y las preferencias personales
o estratégicas.
3. Decisiones de Aseguramiento:
o La teoría de la utilidad se aplica a decisiones de aseguramiento, donde
los individuos deben elegir entre asegurarse o no, considerando la utilidad
de la seguridad frente al costo del seguro, y sus actitudes frente al riesgo.
4. Elección de Productos o Servicios:
o Los consumidores toman decisiones de compra basándose no solo en el
precio o características tangibles del producto, sino en la satisfacción o
utilidad que esperan obtener del producto en relación con otras opciones
disponibles.
Función de Utilidad y Preferencias del Decisor
La función de utilidad se utiliza para modelar cómo un individuo clasifica sus
preferencias y elige entre varias alternativas. La forma de la función de utilidad
depende de las preferencias del decisor y de su actitud frente al riesgo.
1. Aversiones al Riesgo:
o Si un decisor es averso al riesgo, la función de utilidad tendrá una
pendiente decreciente, lo que significa que el individuo asigna un valor
mayor a evitar riesgos que a obtener rendimientos adicionales, incluso si
eso significa aceptar menores ganancias.
2. Neutralidad al Riesgo:
o Un individuo neutral al riesgo tiene una función de utilidad lineal, lo que
indica que está dispuesto a intercambiar ganancias y pérdidas de manera
proporcional sin que esto afecte su decisión.
3. Buscadores de Riesgo:
o Un individuo que busca el riesgo tendrá una función de utilidad creciente,
lo que indica que disfruta de situaciones de mayor incertidumbre o
posibilidad de ganar grandes cantidades.
Ejemplo de Aplicación: Elección entre Dos Opciones de Inversión

15
Supongamos que un inversor tiene dos alternativas de inversión:
1. Alternativa A: 50% de probabilidad de ganar $100,000, 50% de probabilidad de
perder $50,000.
2. Alternativa B: 100% de probabilidad de ganar $20,000.
Si el inversor es averso al riesgo, podría asignar mayor utilidad a la opción B (con
certeza de obtener $20,000), ya que prefiere evitar el riesgo de perder dinero, a pesar
de que la opción A podría tener un mayor retorno potencial.
Cálculo de Utilidad Esperada
Para la Alternativa A, la utilidad esperada sería:
U A =0.50 ⋅U (100,000)+0.50 ⋅U (−50,000)

Para la Alternativa B, la utilidad esperada sería:

U B=1.00 ⋅U (20,000)

El decisor elegiría la alternativa con mayor utilidad esperada, lo que dependerá de la

forma de su función de utilidad.

3.6. Análisis de sensibilidad.

El análisis de sensibilidad en la teoría de colas es un proceso que permite evaluar
cómo los cambios en las variables o parámetros clave de un sistema de colas (como
tasas de llegada, tasas de servicio, número de servidores, etc.) afectan el desempeño
general del sistema. Este análisis es esencial para comprender la robustez de las
decisiones y para planificar ante posibles variaciones en las condiciones del sistema,
como picos de demanda inesperados o cambios en la velocidad de atención.

¿Por Qué es Importante el Análisis de Sensibilidad en Teoría de Colas?

Dado que los sistemas de colas suelen estar sujetos a variabilidad en la demanda y en
los tiempos de servicio, es fundamental entender el impacto de estos cambios en
métricas como:

 Tiempo promedio de espera en la cola

 Longitud promedio de la cola

 Tasa de utilización de los servidores

16
  Probabilidad de que un cliente abandone el sistema (si el tiempo de espera
es demasiado alto)

El análisis de sensibilidad ayuda a:

1. Evaluar la estabilidad del sistema frente a variaciones en las condiciones.

2. Optimizar la configuración del sistema, ajustando recursos para asegurar que

se mantenga un buen nivel de servicio.

3. Prepararse para contingencias y tener un margen de operación que permita

responder a cambios en la demanda o en la eficiencia del servicio.

Principales Parámetros Analizados en el Análisis de Sensibilidad en Teoría de

Colas

1. Tasa de Llegada de Clientes (λ\lambdaλ):

o La tasa de llegada es la frecuencia promedio con la que los clientes llegan

al sistema. Variaciones en λ\lambdaλ pueden afectar directamente la
longitud de la cola y los tiempos de espera.

o En el análisis de sensibilidad, se examina cómo un aumento en la tasa de

llegada (por ejemplo, durante las horas pico) o una disminución afecta el
rendimiento del sistema y si el sistema puede manejar estos cambios sin
saturarse.

2. Tasa de Servicio (μ\muμ):

o La tasa de servicio es la velocidad a la cual se atienden los clientes en el

sistema. Cambios en μ\muμ pueden ocurrir debido a mejoras en los
procesos o a factores que retrasen el servicio.

o El análisis de sensibilidad permite estudiar el impacto de una aceleración

o desaceleración en la tasa de servicio sobre el tiempo de espera y la
utilización del sistema.

3. Número de Servidores (s):

17
 o En sistemas con múltiples servidores, el número de servidores
disponibles puede variar según la disponibilidad de recursos humanos o
el presupuesto.

o El análisis de sensibilidad puede explorar cómo la adición o eliminación

de servidores impacta en la capacidad del sistema para reducir tiempos
de espera y en su capacidad de atención.

4. Distribución de los Tiempos de Servicio y Llegada:

o En muchos modelos de teoría de colas, se asume que las llegadas y los

tiempos de servicio siguen distribuciones específicas (como la
exponencial).

o Cambiar la distribución o los parámetros de estas distribuciones permite

analizar cómo el sistema reacciona ante variaciones en la dispersión de
los tiempos de espera y en la previsibilidad de los eventos.

5. Costos Operativos y de Espera:

o Algunos sistemas de colas están sujetos a costos asociados tanto al

funcionamiento (costos de personal, equipo) como al tiempo de espera
(por ejemplo, costos de insatisfacción del cliente).

o El análisis de sensibilidad ayuda a evaluar cómo cambios en los costos

impactan la rentabilidad y si es viable modificar el sistema para mejorar la
satisfacción de los clientes manteniendo el equilibrio económico.

Ejemplo de Análisis de Sensibilidad en un Sistema de Colas

Supongamos que una empresa de soporte técnico tiene una línea de atención
telefónica con una tasa de llegada de clientes (λ\lambdaλ) de 20 clientes por hora y una
tasa de servicio (μ\muμ) de 30 clientes por hora con un único servidor. La empresa
quiere analizar cómo afectaría su desempeño una serie de cambios posibles en la tasa
de llegada y en la tasa de servicio.

1. Sensibilidad a la Tasa de Llegada (λ\lambdaλ):

18
 o Se incrementa la tasa de llegada a 25 clientes por hora y se observa que
el tiempo de espera promedio y la longitud de la cola aumentan
considerablemente.

o Si el sistema no soporta este aumento sin aumentar los tiempos de

espera de manera significativa, el análisis sugiere que sería necesario
incrementar los recursos (como agregar otro servidor) para mejorar el
rendimiento.

2. Sensibilidad a la Tasa de Servicio (μ\muμ):

o Se mejora el proceso y la tasa de servicio aumenta a 35 clientes por hora.

Con esta mejora, se observa una reducción notable en el tiempo de
espera promedio.

o Esto permite a la empresa evaluar el impacto de mejoras en la eficiencia y

si vale la pena invertir en esta aceleración.

3. Sensibilidad al Número de Servidores (s):

o Al analizar el sistema con dos servidores, el tiempo de espera disminuye

incluso en los escenarios de alta demanda, mostrando que la adición de
un servidor mejora significativamente la capacidad de respuesta.

o Este análisis es útil para justificar la inversión en otro servidor, ya que

reduce los tiempos de espera y mejora la experiencia del cliente.

Ventajas del Análisis de Sensibilidad en Teoría de Colas

 Permite la planificación preventiva ante variaciones en la demanda o

eficiencia.

 Identifica la robustez del sistema al mostrar si puede soportar variaciones en

los parámetros sin perder eficacia.

 Facilita la toma de decisiones sobre inversiones en recursos o mejoras

operativas al permitir calcular cómo cada cambio impacta el rendimiento.

19
  Optimiza la experiencia del cliente, ayudando a mantener tiempos de espera
bajos y niveles de servicio estables.

Desventajas y Limitaciones

 Simplicidad del Modelo: Muchos modelos de colas simplifican la realidad (por

ejemplo, usando distribuciones exponenciales) que pueden no capturar
completamente la variabilidad.

 Datos Precisos Requeridos: El análisis de sensibilidad depende de datos

precisos sobre tasas de llegada y servicio, los cuales pueden ser difíciles de
predecir en entornos muy dinámicos.

En resumen, el análisis de sensibilidad en teoría de colas es una herramienta

invaluable para evaluar y mejorar el desempeño de sistemas de espera. Al permitir a
las organizaciones ajustar sus decisiones en función de posibles cambios, asegura una
operación más robusta y adaptable a fluctuaciones en la demanda y la eficiencia del
servicio

3.7. Decisiones secuenciales.

Las decisiones secuenciales en la teoría de decisiones se refieren a situaciones en
las que un tomador de decisiones debe realizar una serie de elecciones en secuencia,
donde las decisiones futuras dependen de los resultados de las decisiones previas.
Este enfoque es esencial cuando las decisiones no se toman todas de una vez, sino
que se desarrollan a lo largo del tiempo o en varios pasos, lo que introduce la
necesidad de considerar el futuro al tomar cada decisión.
Características de las Decisiones Secuenciales
1. Interdependencia de Decisiones:
o Las decisiones secuenciales están interrelacionadas, lo que significa que
la elección en cada paso influye en las opciones disponibles y en los
resultados futuros.
o A medida que se toman decisiones, se reciben resultados que pueden
alterar las probabilidades o beneficios de decisiones posteriores.
2. Estrategia y Planificación:

20
 o Este tipo de decisiones requiere una estrategia a largo plazo, ya que las
decisiones futuras deben planificarse con anticipación teniendo en cuenta
lo que ha ocurrido previamente. Esto implica anticipar futuros resultados y
cómo cada paso puede cambiar el curso de las decisiones subsiguientes.
3. Retroalimentación y Aprendizaje:
o En decisiones secuenciales, el tomador de decisiones puede aprender de
los resultados intermedios, lo que puede influir en sus elecciones futuras.
Este tipo de aprendizaje puede ser explícito (mediante observación o
evaluación) o implícito (ajustando las decisiones sin una retroalimentación
directa clara).
4. Incertidumbre:
o En muchas situaciones, las decisiones secuenciales se enfrentan a
incertidumbre respecto a los resultados, ya que las probabilidades de los
futuros eventos no son conocidas con certeza. Por lo tanto, se requiere un
análisis de riesgo y probabilidades en cada paso.
Ejemplos de Decisiones Secuenciales
1. Decisiones en Inversión:
o Un inversor puede tomar decisiones secuenciales sobre la compra y
venta de activos. La decisión de comprar un activo podría depender de
las expectativas futuras sobre su precio, pero también puede modificarse
en función de la evolución del mercado después de cada compra.
2. Decisiones en Juegos:
o En los juegos de estrategia, como el ajedrez o el póker, los jugadores
toman decisiones basadas en los movimientos anteriores y las posibles
jugadas futuras. Cada movimiento en estos juegos influye en las opciones
disponibles y en la estrategia a seguir.
3. Gestión de Inventarios:
o Las decisiones sobre la cantidad de inventario a pedir o producir en cada
periodo dependen de las demandas pasadas y de las expectativas
futuras. La decisión de reabastecerse está influenciada por el estado
actual del inventario y las previsiones de demanda futura.
Modelos de Decisiones Secuenciales
En la teoría de decisiones, se utilizan modelos para representar y analizar decisiones
secuenciales. Los dos enfoques más comunes son:
1. Árboles de Decisión Secuenciales:

21
 o Los árboles de decisión son una herramienta visual para representar
decisiones secuenciales. Cada nodo en el árbol representa una decisión
que debe tomarse, y las ramas representan las opciones disponibles. A
partir de ahí, el árbol puede ramificarse hacia nuevas decisiones o
resultados.
o Los árboles de decisión secuenciales permiten visualizar cómo las
decisiones pasadas afectan las futuras y cómo las probabilidades y los
resultados cambian en cada paso.
2. Programación Dinámica:
o La programación dinámica es un método matemático que se utiliza para
resolver problemas de decisión secuencial donde las decisiones deben
tomarse en múltiples etapas y las decisiones futuras dependen de las
elecciones previas.
o A través de este enfoque, se dividen los problemas complejos en
subproblemas más simples. La idea central es que las decisiones en cada
etapa se deben tomar para maximizar el valor global, teniendo en cuenta
las decisiones futuras.
Estrategias en Decisiones Secuenciales
Al enfrentar decisiones secuenciales, los tomadores de decisiones pueden adoptar
diferentes estrategias, que incluyen:
1. Optimización en Tiempo Real:
o En este enfoque, el tomador de decisiones busca la mejor acción en cada
momento, sin necesariamente considerar todas las decisiones futuras de
manera exhaustiva. Esto es útil cuando las decisiones son relativamente
independientes y las futuras no dependen en gran medida de las
anteriores.
2. Planeación a Largo Plazo:
o Aquí, el tomador de decisiones adopta una perspectiva más amplia y
toma en cuenta el impacto de cada decisión en el futuro. Esto es común
en decisiones de inversión o proyectos a largo plazo, donde los
resultados inmediatos no son el único criterio de elección.
3. Análisis de Sensibilidad:
o En decisiones secuenciales, a menudo es necesario realizar un análisis
de sensibilidad para evaluar cómo las decisiones futuras cambian bajo
diferentes supuestos o escenarios. Esto es esencial cuando las

22
 probabilidades y los resultados no son precisos y pueden cambiar a
medida que avanza el proceso de toma de decisiones.
4. Reevaluación y Ajustes:
o En muchos casos, las decisiones no son finales, y se pueden realizar
ajustes a medida que se obtienen nuevos datos o se observan los
resultados de decisiones previas. Esto es característico de los procesos
adaptativos, como en la gestión de inventarios o el ajuste de estrategias
empresariales.
Herramientas y Técnicas en Decisiones Secuenciales
1. Teoría de Juegos:
o En situaciones donde hay interacción entre varios tomadores de
decisiones (como en los juegos o la competencia empresarial), la teoría
de juegos ofrece un marco para analizar cómo los agentes deben tomar
decisiones en función de las decisiones de los demás. Los juegos
secuenciales se utilizan para modelar las decisiones de múltiples
jugadores a lo largo del tiempo.
2. Valor Esperado Condicional (VEC):
o Esta técnica se utiliza para analizar decisiones secuenciales en las que
las probabilidades de los resultados cambian a medida que se toman
decisiones. El valor esperado condicional se refiere a calcular la utilidad
esperada en función de las decisiones previas y la información disponible.
3. Modelos de Optimización Secuencial:
o Los modelos de optimización secuencial emplean técnicas
matemáticas y computacionales para encontrar la mejor serie de
decisiones posibles, maximizando una función objetivo (como ganancias
o eficiencia) en el tiempo.
Ejemplo de Decisión Secuencial
Imaginemos que una empresa está considerando lanzar un nuevo producto al mercado
en dos fases. En la fase 1, decide si realizar un estudio de mercado para evaluar la
aceptación del producto, y en la fase 2, decide si proceder con la producción masiva,
dependiendo de los resultados del estudio.
 En la fase 1, la empresa tiene dos opciones: realizar el estudio de mercado (con
un costo de $50,000) o no hacerlo.
o Si elige realizar el estudio, puede obtener información sobre si el producto
será exitoso en el mercado (probabilidad de 70% de éxito o 30% de
fracaso).

23
 o Si decide no realizar el estudio, el lanzamiento del producto tiene una
probabilidad de éxito del 50% o de fracaso del 50%.
 En la fase 2, si la empresa realizó el estudio, podría decidir lanzar el producto si
el estudio muestra alta probabilidad de éxito. Si no realizó el estudio, lanzará el
producto bajo la incertidumbre de su éxito o fracaso.
La empresa podría usar un árbol de decisión secuencial o un modelo de
programación dinámica para calcular el valor esperado de cada opción y decidir si el
estudio de mercado y el lanzamiento del producto son rentables.

3.8. Uso de software.

El uso de software en teoría de decisiones permite modelar, analizar y optimizar
procesos de toma de decisiones, especialmente en situaciones complejas donde hay
incertidumbre, múltiples alternativas y diversos criterios a considerar. Estas
herramientas ayudan a los tomadores de decisiones a explorar diferentes escenarios,
evaluar riesgos y seleccionar las mejores alternativas en función de los objetivos
establecidos.

¿Por Qué Usar Software en Teoría de Decisiones?

El software en teoría de decisiones es fundamental en entornos de incertidumbre y

múltiples variables, ya que facilita:

1. Evaluación de Opciones: Permite modelar y comparar diferentes alternativas

de decisión bajo diversos escenarios.

2. Optimización de Decisiones: Ayuda a seleccionar la opción que maximiza el

valor esperado, minimiza riesgos o cumple con objetivos específicos.

3. Análisis de Sensibilidad: Permite entender cómo los cambios en los

parámetros del modelo afectan las decisiones, lo que es crucial para la toma de
decisiones en condiciones cambiantes.

4. Análisis de Riesgo e Incertidumbre: Ayuda a modelar y cuantificar los riesgos

asociados con decisiones en situaciones inciertas.

Herramientas de Software Utilizadas en Teoría de Decisiones

24
Existen varias herramientas de software que permiten aplicar modelos y técnicas de
teoría de decisiones. Algunas de las más conocidas son:

1. Excel con Herramientas de Decisión (Solver y @RISK):

o Descripción: Excel, junto con complementos como Solver y @RISK, es

una herramienta poderosa para modelar problemas de optimización y
simulación en la teoría de decisiones. Solver permite resolver problemas
de programación lineal y no lineal, mientras que @RISK se utiliza para el
análisis de riesgos mediante simulación de Monte Carlo.

o Aplicaciones: Optimización de carteras de inversión, asignación de

recursos, análisis de decisiones bajo incertidumbre.

o Ventajas: Es ampliamente accesible, relativamente fácil de aprender, y se

integra bien con otras herramientas de análisis de datos.

2. DecisionTools Suite (Palisade):

o Descripción: Esta suite de herramientas incluye varias aplicaciones

como @RISK, PrecisionTree, y TopRank, diseñadas específicamente
para la toma de decisiones. @RISK se enfoca en simulación de Monte
Carlo para analizar riesgos, PrecisionTree facilita la construcción de
árboles de decisiones, y TopRank realiza análisis de sensibilidad.

o Aplicaciones: Análisis de decisiones en proyectos, análisis de riesgo en

la inversión, planificación estratégica.

o Ventajas: Ofrece un conjunto de herramientas especializadas que

facilitan el modelado y la toma de decisiones en escenarios de
incertidumbre y complejidad.

3. TreePlan (para Excel):

o Descripción: TreePlan es un complemento para Excel que permite crear

y analizar árboles de decisiones de manera sencilla. Facilita la

25
 construcción de árboles de decisiones con probabilidades, costos y
ganancias asociados a cada rama.

o Aplicaciones: Evaluación de decisiones en proyectos, análisis de

inversiones, decisiones de expansión empresarial.

o Ventajas: Es fácil de usar, económico y permite trabajar con escenarios

de decisión visualmente claros.

4. Lindo y Lingo:

o Descripción: Lindo y Lingo son softwares de optimización utilizados para

la resolución de problemas de programación lineal, no lineal, y entera.
Son útiles cuando la toma de decisiones implica maximizar o minimizar
una función objetivo bajo restricciones.

o Aplicaciones: Optimización de la cadena de suministro, programación de

la producción, planificación de recursos.

o Ventajas: Potente en la resolución de problemas de optimización,

especialmente cuando se trata de restricciones complejas y múltiples
objetivos.

5. Analytic Hierarchy Process (AHP) Software:

o Descripción: AHP es un método que se utiliza para la toma de

decisiones multicriterio, y hay varios programas (como SuperDecisions y
Expert Choice) que implementan esta metodología. Estos programas
permiten estructurar decisiones complejas mediante la comparación de
alternativas en función de diferentes criterios.

o Aplicaciones: Selección de proveedores, planificación estratégica,

evaluación de proyectos.

o Ventajas: Permite comparar múltiples alternativas bajo varios criterios de

manera sistemática y cuantitativa, lo que es muy útil cuando se deben
considerar factores subjetivos o difíciles de medir.

26
6. Simul8 y Arena:

o Descripción: Estos programas de simulación de eventos discretos

permiten modelar y simular procesos y sistemas complejos donde las
decisiones deben tomarse secuencialmente en un entorno incierto.

o Aplicaciones: Optimización de flujos de trabajo, diseño de sistemas de

producción y logística, análisis de colas.

o Ventajas: Potentes para modelar procesos dinámicos y evaluar

decisiones en tiempo real mediante simulaciones.

7. Vensim (Sistema Dinámico):

o Descripción: Vensim es un software de modelado y simulación dinámica

utilizado para estudiar sistemas complejos a lo largo del tiempo. Es útil
para modelar decisiones secuenciales y la retroalimentación en sistemas
dinámicos.

o Aplicaciones: Modelado de decisiones a largo plazo, gestión de recursos

naturales, políticas públicas.

o Ventajas: Ideal para modelar dinámicas complejas y entender cómo las

decisiones actuales afectan a largo plazo.

8. Monte Carlo Simulation Tools (Crystal Ball):

o Descripción: Crystal Ball es un complemento de Excel que utiliza

simulación de Monte Carlo para modelar incertidumbres y realizar análisis
de riesgo. Permite simular una amplia gama de escenarios y obtener una
distribución de probabilidades para las decisiones.

o Aplicaciones: Planificación financiera, evaluación de inversiones, análisis

de riesgos.

o Ventajas: Es fácil de usar, accesible y permite la integración con Excel, lo

que lo hace adecuado para proyectos de cualquier tamaño.

27
Ejemplos de Aplicación del Software en Teoría de Decisiones

1. Optimización de Inventarios:

o Usando Excel con Solver o Lingo, una empresa puede modelar su

problema de inventario, tomando decisiones sobre cuántos productos
ordenar para minimizar los costos de almacenamiento y de escasez,
mientras cumple con la demanda.

2. Evaluación de Proyectos de Inversión:

o Con herramientas como @RISK y PrecisionTree (Palisade), las

empresas pueden modelar decisiones de inversión, considerando
probabilidades de retorno y riesgos asociados, y usar simulación de
Monte Carlo para obtener una visión clara de los posibles resultados.

3. Selección de Proveedores:

o Usando el Analytic Hierarchy Process (AHP) con software como

SuperDecisions, una empresa puede comparar proveedores bajo
diversos criterios (como costo, calidad y tiempo de entrega) para tomar la
mejor decisión.

4. Gestión de Recursos en Proyectos Complejos:

o Utilizando Vensim o Simul8, una empresa de construcción puede simular

la asignación de recursos a lo largo de un proyecto para asegurarse de
que el trabajo se realice de manera eficiente, minimizando los cuellos de
botella y optimizando el uso de los recursos.

Beneficios del Uso de Software en Teoría de Decisiones

 Toma de Decisiones Informada: El software permite modelar alternativas,

simular escenarios, y predecir resultados, lo que permite tomar decisiones
basadas en datos en lugar de suposiciones.

 Optimización: Facilita la identificación de la mejor solución entre varias

alternativas, maximizando beneficios o minimizando costos.

28
  Reducción de Riesgos: Ayuda a identificar y cuantificar riesgos,
proporcionando una visión más clara de las implicaciones de cada decisión.

 Ahorro de Tiempo y Costos: Los cálculos y simulaciones automáticas ahorran

tiempo en la toma de decisiones complejas, lo que permite tomar decisiones
más rápidas y reducir costos operativos.

Limitaciones y Desafíos

 Curva de Aprendizaje: Algunos software avanzados pueden tener una curva de

aprendizaje empinada, especialmente cuando se requieren conocimientos
técnicos específicos.

 Dependencia de Datos Precisos: Los resultados de los modelos son tan

buenos como los datos de entrada; si los datos son inexactos o incompletos, las
decisiones tomadas pueden ser erróneas.

 Costo: Algunas herramientas, especialmente las más especializadas (como

Palisade o Lingo), pueden ser costosas, lo que limita su acceso a empresas
más pequeñas.

En resumen, el uso de software en la teoría de decisiones facilita la toma de decisiones

complejas, permitiendo optimizar, simular y evaluar múltiples alternativas bajo
incertidumbre. Estas herramientas son fundamentales en escenarios de negocios y
gestión, donde las decisiones deben basarse en datos y análisis rigurosos para
maximizar el rendimiento y minimizar riesgos.

29
 Conclusión
En conclusión, la teoría de decisiones es fundamental para comprender y mejorar el
proceso de toma de decisiones en múltiples ámbitos. Al ofrecer modelos y
herramientas que integran factores como el riesgo, la incertidumbre y las preferencias
individuales, esta teoría permite a los tomadores de decisiones seleccionar alternativas
de manera más informada y racional. La aplicación de herramientas como los árboles
de decisión, el análisis de utilidad esperada y la programación dinámica facilita la
evaluación de diferentes escenarios y fomenta la toma de decisiones estratégicas,
adaptativas y eficaces en condiciones complejas.

La teoría de decisiones no solo busca optimizar resultados económicos o

empresariales, sino también proporcionar un marco de referencia que considere el
bienestar general y las preferencias individuales. Al combinar métodos determinísticos
y probabilísticos, permite una toma de decisiones más robusta, capaz de ajustarse a
las necesidades y prioridades cambiantes de personas y organizaciones. En última
instancia, la teoría de decisiones ofrece un enfoque integral y adaptable que sigue
siendo de gran relevancia en un mundo cada vez más complejo e incierto.

30