Fundamentos de Teoría de la Decisión Modelos y Herramientas de Decisión Máster Universitario de Ingeniería de Organización - ETSEIB
|
|
- Lucía Mora Rodríguez
- hace 5 años
- Vistas:
Transcripción
1 UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Fundamentos de Teoría de la Decisión Modelos y Herramientas de Decisión Máster Universitario de Ingeniería de Organización - ETSEIB Joaquín Bautista, Guillermo López OPE-PROTHIUS OPE-MSc.2015/03 ( ) Departamento de Organización de Empresas UPC MHD 15 - FTD: 0
2 Contenido Introducción Universo. Tipología Elementos de decisión Métodos de decisión en universo incierto Método de Bayes Árboles de decisión MHD 15 - FTD: 1
3 Introducción Concepto de decisión: Decidir es sinónimo de elegir. DECISOR (RACIONAL) Utilidad UNIVERSO (REALIDAD) Preferencias Acción ACCIONES POSIBLES PROCESO DE DECISIÓN Utilidad: Es la información que comunica el universo al decisor. Acciones: Decisiones tomadas por el decisor. MHD 15 - FTD: 2
4 Universo. Tipología Tipos de universo: Universo determinista: Se conoce con certeza el estado de la naturaleza s j que se presentará. Sólo intervienen factores perfectamente definidos y conocidos. Se produce un estado de la naturaleza (a cada acción corresponde una y solo una consecuencia). ACCIÓN An ESTADO Un RESULTADO Rn (An,Un) Universo aleatorio: No se conoce con certeza el estado de la naturaleza s j que se presentará. Puede existir una ley de probabilidad objetiva. Universo incierto: Diversos estados de la naturaleza posibles. Ninguna ley de probabilidad objetiva referida a ellos (pueden distinguirse diversos niveles de incertidumbre). Universo hostil: Diversos estados de la naturaleza posibles. Ninguna ley de probabilidad objetiva referida a ellos, pero el estado de la naturaleza está influido por la decisión de otros entes inteligentes con objetivos no coincidentes con el decisor. MHD 15 - FTD: 3
5 Elementos de decisión Elementos: Estados de la naturaleza: Situaciones en las que nos encontramos. Acciones del decisor: Alternativas ante la elección. Utilidad (resultados): Evaluación de las consecuencias al elegir (ganancias o perdidas). s 1 s 2 s n s j!s a i!a u ij!r a 1 u 11 u 12 u 1n a 2 u 21 u 22 u 2n a m u m1 u m2 u mn MHD 15 - FTD: 4
6 Ejemplo 1. Descripción Ejemplo 1. Enunciado: Una empresa quiere hacer una inversión. Los posibles estados de la naturaleza en los que se puede encontrar son: - Crecimiento. - Leve crecimiento. - Leve recesión. - Recesión. Y las acciones que se plantea la empresa son: - Mantenerse. - Fuerte crecimiento. - Leve crecimiento. - Diversificarse. Determinar la decisión que hará obtener un mayor beneficio a la empresa. MHD 15 - FTD: 5
7 Ejemplo 1. Datos Ejemplo 1. Tabla de utilidades Acciones vs. Estados: Estados Crecimiento Leve crecimiento Leve recesión Recesión Mantenerse Acciones Fuerte crecimiento Leve crecimiento Diversificarse Resultados (Utilidades) u ij = Utilidad de la acción i frente al estado j. MHD 15 - FTD: 6
8 Métodos de decisión. Descripción Métodos para la toma de decisiones (Universo incierto): Existen diversos métodos para la toma de decisiones: Método Plunger (optimista): para cada alternativa se supone que pasará lo mejor, y se elige la que ofrezca mejor valor. No considera riesgo. Método Wald (pesimista): Para cada alternativa se supone que va a pasar lo peor, y elige aquella alternativa que ofrezca mejor valor. De esta forma se asegura que en el peor de los casos se obtenga lo mejor posible. Método Hurwitz: combina las actitudes pesimista y optimista, valorando cada alternativa con una ponderación entre lo mejor y lo peor posible. Método Laplace: pondera de igual forma todas las opciones estableciendo una media del valor de las utilidades en función de los diferentes estados de la naturaleza. Método Savage (costes de oportunidad): Este criterio toma en consideración el coste de oportunidad o penalización por no prever correctamente el estado de la naturaleza más favorable. MHD 15 - FTD: 7
9 Métodos de decisión. Formulación (1) Método optimista: PLUNGER Realizar aquella acción que en el mejor caso proporcione la satisfacción máxima (se cree que siempre pasa lo mejor). ( ) Ganancias: max i! max j u ij # Pérdidas: " $ ( ) min i! " min j l ij # $ Método pesimista: WALD Realizar aquella acción tal que en el peor de los casos proporcione la satisfacción máxima (se cree que siempre pasa lo peor). ( ) Ganancias: max i! min j u ij # Pérdidas: " $ ( ) min i! " max j l ij # $ MHD 15 - FTD: 8
10 Métodos de decisión. Formulación (2) Método HURWITZ El decisor es α optimista y (1-α) pesimista. α define el grado de predilección de una persona u otra ante una acción (0 α 1). Índice de optimismo. Si α = 1, el criterio es demasiado optimista ; y si α = 0 es demasiado pesimista. Ganancias: max i # $!max j u ij ( ) + (1"!)!min j ( u ij ) % & Pérdidas: min i # $!min j l ij ( ) + (1"!)!max j ( l ij ) % & MHD 15 - FTD: 9
11 Métodos de decisión. Formulación (3) Método HURWITZ: Comportamiento al variar el parámetro α a=0! =1! a=0,5= 0.5! a=1 = 0 a1 a2 a3 a4 Frente Pareto: Para α > 0.5 a 3 Para α = 0.5 a 3, a 2 Para α < 0.5 a 2, a MHD 15 - FTD: 10
12 Métodos de decisión. Formulación (4) Método LAPLACE Ante la falta de información sobre la frecuencia de cada estado, se adopta la visión en que los estados son igualmente probables: Principio de la Razón Insuficiente. n " 1 % " 1 Ganancias: max i $! u ij ' Pérdidas: min i $ # n j=1 & # n Método SAVAGE Concepto de frustración: Si se alcanza el mejor resultado, no hay frustración; pero si no se alcanza, la frustración (acción/estado) es la diferencia entre el máximo alcanzable por las acciones ante un estado y la utilidad obtenida (acción/estado). Criterio: Minimizar la máxima frustración dadas ( )! u ij " min i max j ( f ij ) Ganancias: f ij = max i u ij # % $ & Pérdidas: f ij = l ij - min i f ij n! j=1 l ij % ' & ( l ij )! min i " max j f ij # ( ) $ % MHD 15 - FTD: 11
13 Ejemplo 1. Soluciones Ejemplo 1. Aplicación de métodos: Una empresa quiere hacer una inversión. C LC LR R M FC LC D α=0.5 Plunger Wald Hurwitz Laplace 3 0 3/2 7/ / / /2 6/4 Estados: - Crecimiento. - Leve crecimiento. - Leve recesión. - Recesión. Acciones: - Mantenerse. - Fuerte crecimiento. - Leve crecimiento. - Diversificarse. C LC LR R Savage M FC LC D f ij = max i ( u ij )! u ij " min i # max j f ij $ ( ) % & MHD 15 - FTD: 12
14 Método de Bayes. Concepto Decisión en universo aleatorio: Ahora tenemos una idea de lo que puede suceder. Disponemos de unas probabilidades de que ocurran una serie de sucesos. Utilidad de Bayes (UB): Se promedian las utilidades de cada acción (esperanza matemática) y se escoge aquella que proporcione una mayor utilidad o un menor riesgo. " j ( ) Ganancias: max i # p j!u ij % Pérdidas: $ & min i # ( p j!l $ " j ij )% & MHD 15 - FTD: 13
15 Método de Bayes. Aplicación Bayes en Ejemplo 1: Una empresa quiere hacer una inversión. Esperanza Matemática Estados naturaleza: - Crecimiento. - Leve crecimiento. - Leve recesión. - Recesión. Posibles acciones: - Mantenerse. - Fuerte crecimiento. - Leve crecimiento. - Diversificarse. P C LC LR R EM M FC LC D Utilidad de Bayes MHD 15 - FTD: 14
16 Método de Bayes. Valor de la información Valor de la información adicional: Utilidad Media Límite / Pérdida Media Inevitable (UML/PMI): Es el mejor valor que se puede obtener eliminando la incertidumbre del sistema. Ganancias: UML =! p j "max i (u ij ) Pérdidas: PMI =! p j "min i (l ij ) j Perdida por Falta de Información (PFI): Es lo máximo que se está dispuesto a pagar por tener la información (por eliminar la incertidumbre). j Ganancias: PFI = UML UB Pérdidas: PFI = UB PMI MHD 15 - FTD: 15
17 Método de Bayes. Experimentación (1) Probabilidades: Dado un fenómeno, intentar truncar las probabilidades a través de la experimentación. Probabilidad a priori: Probabilidad de cada uno de los estados de la naturaleza antes del experimento. P(s j ) Probabilidad condicional: Probabilidad de que el resultado de un experimento sea cuando se está en el estado. x k s j P(x k s j ) MHD 15 - FTD: 16
18 Método de Bayes. Experimentación (2) Probabilidad marginal: Probabilidad de que suceda en cualquier caso un resultado concreto de un experimento. P(x k ) =! P(s j )" P(x k s j ) j Probabilidad a posteriori: Probabilidad de estar en un estado concreto cuando el resultado de un experimento ha sido x k P(s j x k ) = P(x k s j )! P(s j ) P(x k ) MHD 15 - FTD: 17
19 Ejemplo 2. Descripción Enunciado. Ejemplo 2: De un proceso llega un lote de 10 piezas que puede ser de 2 tipos (aceptable e inaceptable). Si se acierta el tipo de lote, hay una ganancia de 100 um; si se falla, la ganancia es nula. Lote bueno Lote malo Procesar Descartar Lote 1 (caja 1) Lote 2 (caja 2) Se permite realizar un experimento (sacar una pieza) con un coste de 25 um Conviene o no conviene realizar el experimento? MHD 15 - FTD: 18
20 Ejemplo 2. Contexto Características de un motor piezas y 330 referencias en 6 versiones del motor diesel 2.- Nº de operaciones de Montaje: 378 (incluida la prueba rápida). 3.- Nº de operarios, para un turno de 301 motores: 79 Características de la fabricación 1.- Montaje: 9 tipos de motores de 3 familias: 4x4 (p1 a p3); furgonetas (p4, p5); camiones MT (p6 a p9). 2.- Nº de operaciones: 140. Atributos: temporales, espaciales y de riesgo 3.- Demanda diaria: 30 motores de cada tipo (instancia #1 Nissan-BCN), 2 turnos de 6h 45 (8h): c=180 s. MHD 15 - FTD: 19
21 Ejemplo 2. Solución (1) Ejemplo 2: Sin experimento. P EM s 1 s 2 a a UML = utilidad media límite UB = utilidad de Bayes PFI = pérdida por falta de información UML = = 100 UB = 50 PFI = UML UB = = 50 Conclusiones: - Si podemos abrir lote para decidir U = Si podemos sacar 1 pieza U Obviamente: Cuanto más conocimiento se tiene de un problema, mejores decisiones se toman. Por lo tanto, si UB (con experimento) > =75 Realizar experimento. MHD 15 - FTD: 20
22 Ejemplo 2. Solución (2) Ejemplo 2: Probabilidad a priori: P(s j ) Probabilidad condicional: P(x k s j ) P(s 1 ) = 0.5 P(s 2 ) = 0.5 Probabilidad de escoger lote S 2 (7 buenas, 3 malas) Probabilidad de sacar una pieza buena en lote S 1 (9 buenas, 1 mala). P(x 1 s 1 ) = 9 10 = 0.9 P(x 2 s 1 ) = 1! 0.9 = 0.1 P(x 1 s 2 ) = 3 10 = 0.3 P(x 2 s 2 ) = 1! 0.3 = 0.7 Probabilidad marginal: P(x k ) =! P(s j )" P(x k s j ) j Probabilidad a posteriori: P(s j x k ) = P(x k s j )! P(s j ) P(x k ) P(x 1 ) = 0.5! !0.3 = 0.6 P(x 2 ) = 0.5! !0.7 = 0.4 P(s 1 0.9!0.5 x 1 ) = 0.6 P(s 1 x 2 ) = 0.1!0'5 0.4 Probabilidad de sacar una pieza mala en lote S 2 = 0.75 P(s 2 x 1 ) = 0.3! = P(s 2 x 2 ) = 0.7! = 0.25 = MHD 15 - FTD: 21
23 Ejemplo 2. Solución (3) Ejemplo 2: Realizamos experimento Sacamos 1 pieza a) La pieza es buena: P EM s 1 s 2 a a b) La pieza es mala: P s 1 s 2 EM a a UB = 75 UB = 87.5 Hacen referencia a x 1 (pieza buena) Si la pieza extraída es una pieza buena, la decisión es que pertenece al Lote 1, obteniendo una utilidad de 75 um. Si la pieza extraída es una pieza mala, la decisión es que pertenece al Lote 2, obteniendo una utilidad de 87.5 um. MHD 15 - FTD: 22
24 Ejemplo 2. Solución (4) Ejemplo 2: Por lo tanto, la Utilidad de Bayes del sistema realizando el experimento será: UB = = 80 > 75 En conclusión, como la UB (con experimento) es mayor que UB (sin experimento) + Coste de la información : 75. Ergo: Conviene realizar el experimento! MHD 15 - FTD: 23
25 Árboles de decisión. Concepto Estudio de problemas polietápicos: Tipos de vértices: De decisión: Utilidad esperada a obtener si se toma la mejor opción posible. u D = max(r 1,...R n ) l D = min(r 1,...R n ) U D R 1 R n De azar: Utilidad esperada a obtener según las probabilidades de cada situación. u A = " j ( p j!u ij ) R 1 U A l A = ( p j!u ij ) " j Terminales: Utilidad obtenida (Resultados). R i R n MHD 15 - FTD: 24
26 Árboles de decisión. Representación Ejemplo 2: Un árbol de decisión del ejemplo de los lotes con piezas: C aja 1 (0'5) C aja 2 (0'5) I I No No Sí 25 Sí 25 II II C aja 1 C aja 2 C aja 1 C aja Blanca (0'9) A zul (0'1) Blanca (0'3) A zul (0'7) III IV III IV C aja 1 C aja 2 C aja 1 C aja 2 C aja 1 C aja 2 C aja 1 C aja MHD 15 - FTD: 25
27 Árboles de decisión. Estrategias puras (1) Una estrategia es una secuencia de acciones frente a una secuencia de conjuntos de información. En el Ejemplo 2: Seis estrategias posibles frente a los conjuntos de información E1 E2 E3 E4 E5 E6 I No No Si Si Si Si II Lote 1 Lote III (blanca) - - Lote 1 Lote 2 Lote 1 Lote 2 IV (azul) - - Lote 1 Lote 2 Lote 2 Lote 1 MHD 15 - FTD: 26
28 Árboles de decisión. Estrategias puras (2) E1 E2 E3 E4 E5 E6 I No No Si Si Si Si II Lote 1 Lote III (blanca) - - Lote 1 Lote 2 Lote 1 Lote 2 IV (azul) - - Lote 1 Lote 2 Lote 2 Lote 1 C aja 1 (0'5) C aja 2 (0'5) I I No No Sí 25 Sí 25 II II C aja 1 C aja 2 C aja 1 C aja 2 I II III (blanca) IV (azul) Utilidad media Blanca (0'9) A zul (0'1) Blanca (0'3) A zul (0'7) III IV III IV C aja 1 C aja 2 C aja 1 C aja 2 C aja 1 C aja 2 C aja 1 C aja E1 0 (No) 100 (0.5) + 0 (0.5) - 50 E2 0 (No) 0 (0.5) (0.5) 50 E3-25 (Si) - 75 (0.6) 12.5 (0.4) = 25 E4-25 (Si) - 25 (0.6) 87.5 (0.4) = 25 E5-25 (Si) - 75 (0.6) 87.5 (0.4) = 55 E6-25 (Si) - 25 (0.6) 12.5 (0.4) = -5 MHD 15 - FTD: 27
29 Ejemplo 3. Descripción Ejemplo 3: Una empresa tiene tres opciones sobre su futuro: Opción a: Continuar con su producto Obtendrá un beneficio de 10 um. Opción b: Modificar su producto Supone un coste de 5 um. - Hay una probabilidad del 60% de que salga bien Beneficio de 35 um. - Si sale mal: - Puede hacer la opción b2 Beneficio de 17.5 um. - Puede cerrar Beneficio de 15 um. Opción c: Fabricar un nuevo producto Supone una inversión de 1 um. - Hay una probabilidad del 75% de que salga bien Beneficio de 20 um. - Si sale mal Beneficio de 10 um. MHD 15 - FTD: 28
30 Ejemplo 3. Solución (1) Ejemplo 3: Árbol de decisión: 10 a OK (0'6) 35 I b 5 c 1 K O (0'4) OK (0'75) 20 II b2 c C ierra 17'5 15 K O (0'25) 10 MHD 15 - FTD: 29
31 Ejemplo 3. Solución (2) Ejemplo 3: Árbol de decisión: 10 a OK (0'6) 35 I b 5 c 1 K O (0'4) OK (0'75) II 17'5 20 b2 c C ierra 17'5 15 K O (0'25) 10 MHD 15 - FTD: 30
32 Ejemplo 3. Solución (3) Ejemplo 3: Árbol de decisión: 10 a OK (0'6) 35 I b 5 c 1 28 K O (0'4) OK (0'75) II 17'5 20 b2 c C ierra 17' '5 K O (0'25) 10 MHD 15 - FTD: 31
33 Ejemplo 3. Solución (4) Ejemplo 3: Árbol de decisión: 10 a OK (0'6) 35 I 23 b 5 c 1 28 K O (0'4) OK (0'75) II 17'5 20 b2 c C ierra 17' '5 K O (0'25) 10 MHD 15 - FTD: 32
Modelos y herramientas de decisión. Teoría de Juegos I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Teoría de
Más detallesModelos y herramientas de decisión. Introducción a MHD
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Introducción
Más detallesSistemas Avanzados de Producción. Secuenciación en contexto JIT
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Secuenciación
Más detallesincertidumbre y riesgo Begoña Vitoriano Villanueva
Teoría de la Decisión: Decisión con incertidumbre y riesgo Begoña Vitoriano Villanueva Teoría de la decisión: Introducción Decisión: elegir lo mejor entre lo posible Definir lo mejor y lo posible Lo mejor:
Más detallesIntroducción. Proceso de toma de decisión: Elegir lo mejor entre lo posible. Decisión multicriterio Teoría de juegos
Teoría de la Decisión Introducción Proceso de toma de decisión: Elegir lo mejor entre lo posible Decisión con incertidumbre o riesgo Decisión multicriterio Teoría de juegos Decisión en una etapa E={E 1...E
Más detallesOrganización Industrial. Capacidad del sistema
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Organización Industrial. Capacidad del sistema
Más detallesModelos y herramientas de decisión. Programación dinámica I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN Modelos y herramientas de decisión. Programación
Más detallesModelos y herramientas de decisión. Teoría de Juegos II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Teoría de
Más detallesTeoría de la Decisión: Decisión con incertidumbre y riesgo. Begoña Vitoriano Villanueva
Teoría de la Decisión: Decisión con incertidumbre y riesgo Begoña Vitoriano Villanueva Teoría de la decisión: Introducción Decisión: elegir lo mejor entre lo posible Definir lo mejor y lo posible Lo mejor:
Más detalles240EO023 - Modelos y Herramientas de Decisión
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 732 - OE - Departamento de Organización de Empresas
Más detalles240EO023 - Modelos y Herramientas de Decisión
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 732 - OE - Departamento de Organización de Empresas
Más detallesTEORIA DE DECISIONES
TEORIA DE DECISIONES En economía y administración existen ciertos tipos de problemas en los que no es posible obtener muestras(información objetiva) para estimar ciertas características de la población.
Más detallesModelos y herramientas de decisión. Reparto proporcional
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Reparto
Más detallesModelos y herramientas de decisión. Reparto proporcional
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Reparto
Más detallesModelos y herramientas de decisión. Análisis de decisiones I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramietas de decisió. Aálisis de
Más detallesMinimizing the ergonomic risk and its dispersion in a mixed model assembly line using GRASP
XII CONGRESO ESPAÑOL DE METAHEURÍSTICAS, ALGORITMOS EVOLUTIVOS Y BIOINSPIRADOS (MAEB 2017) Universitat Pompeu Fabra Barcelona 4 a 7 de julio 2017 Minimizing the ergonomic risk and its dispersion in a mixed
Más detallesUNLPam - Fac. Cs. Econ. y Jur.
Bibliografía Anderson, Sweeney y Williams; Introducción a los modelos cuantitativos para Administración. Grupo Editorial Iberoamérica. Eppen, Gould, Schmidt, Moore, Weatherford; Investigación de Operaciones
Más detallesMATRIZ DE DECISIÓN. Problema 1
MATRIZ DE DECISIÓN Problema 1 Enunciado: a) Explicar las variables que se han de tener en cuenta al elaborar una matriz de decisión. b) Qué diferencia (s) existe (n) entre adoptar una decisión en condiciones
Más detalles3. La Toma de Decisiones y la Dirección
3. La Toma de Decisiones y la Dirección DOCENTE: LUIS C. VALDIVIESO MERINO. 3. La Toma de Decisiones 1 Objetivos del tema: Plantear la relación entre el trabajo de dirección y la toma de decisiones. Comprender
Más detallesSistemas Avanzados de Producción. Equilibrado de líneas de producción III
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Equilibrado
Más detallesOrganización Industrial. Stocks II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Organización Industrial. Stocks II ORGANIZACIÓN
Más detallesOrganización Industrial. Introducción a OI
UNIVERITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPREA (APECTO TÉCNICO, JURÍDICO Y ECONÓMICO EN PRODUCCIÓN ) Organización Industrial. Introducción a OI ORGANIZACIÓN
Más detallesTema 15. Decisiones en Riesgo e Incertidumbre
Tema 15. Decisiones en Riesgo e Incertidumbre Técnicas de Organización y Gestión Empresarial Ingeniería Técnica en Informática de Gestión Universidad de Castilla-La Mancha 1. INTRODUCCION 2. DECISIONES
Más detallesMATRIZ DE DECISIÓN. Problema 1
MATRIZ DE DECISIÓN Problema 1 Enunciado Explicar las variables que se han de tener en cuenta al elaborar una matriz de decisión. Qué diferencia (s) existe (n) entre adoptar una decisión en condiciones
Más detalles6.2 Métodos y modelos para la toma de decisiones
TEMA 6. LA TOMA DE DECISIONES 6.1 Definición Una decisión es una elección consciente y racional, orientada a conseguir un objetivo, que se realiza entre diversas posibilidades de actuación (o alternativas).
Más detallesOrganización Industrial. MRP Cálculo de necesidades de materiales II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Organización Industrial. MRP Cálculo de necesidades
Más detallesDirección de Operaciones. Introducción a DO
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Dirección de Operaciones. Introducción a DO
Más detallesDirección Financiera II Universidad de León. Curso
Dirección Financiera II Universidad de León. Curso 2013-2014 Isabel Feito Ruiz (ifeir@unileon.es) 1 Índice de Contenidos Bloque I: La Decisión de Inversión en Ambiente de Racionamiento y de Riesgo Tema
Más detalles8. Decisión en ambiente de incertidumbre
8.1 Elementos de un problema de decisión. 8.2 Tablas de decisión. 8.3 Valoración de los resultados. 8.4 Clasificación de los problemas de decisión. 8.5 Toma de decisiones en ambiente de incertidumbre.
Más detallesSistemas Avanzados de Producción. Planificación mediante programación matemática I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Planificación
Más detallesModelos y herramientas de decisión. Análisis de decisiones II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramietas de decisió. Aálisis de
Más detallesMatriz de Decisiones Qué es?
Matriz de Decisiones Qué es? Una matriz de decisión es un gráfico que permite a un equipo o un individuo identificar y analizar la tasa de la fuerza de las relaciones entre conjuntos de información. Cuándo
Más detallesDirección de Operaciones. MRP Cálculo de necesidades de materiales II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Dirección de Operaciones. MRP Cálculo de necesidades
Más detallesOrganización Industrial. MRP Cálculo de necesidades de materiales II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Organización Industrial. MRP Cálculo de necesidades
Más detallesDirección de Operaciones. Stocks II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Dirección de Operaciones. Stocks II DIRECCIÓN
Más detallesTEORIA CLASICA DE DECISIÓN. Agradecimiento al profesor Juan Jose Bravo, Msc
TEORIA CLASICA DE DECISIÓN Agradecimiento al profesor Juan Jose Bravo, Msc ELEMENTOS DE DECISIÓN Y MATRICES DE PAGO ANÁLISIS DE DECISIONES Herramientas de representación de decisiones secuenciales con
Más detallesAnálisis de Decisiones
Análisis de Decisiones Facultad de Ciencias Exactas UNCPBA Mg. María Rosa Dos Reis Ambientes de Decisión Toma de decisiones bajo certidumbre: los datos se conocen en forma determinista. P ij = 1 Toma de
Más detallesDirección de Operaciones. Stocks I
UNIVERSITAT POLITÈCNICA E CATALUNYA BARCELONATECH OPE ORGANIZACIÓN E LA PROUCCIÓN Y E EMPRESA (ASPECTOS TÉCNICOS, JURÍICOS Y ECONÓMICOS EN PROUCCIÓN ) irección de Operaciones. Stocks I IRECCIÓN E OPERACIONES
Más detallesTeoría de la decisión
Contexto general Unidad 2. Ambientes de decisión. El contexto de las decisiones gerenciales. El proceso de la decisión gerencial. El problema. Definición y contexto. Caracterización de los datos Unidad
Más detallesArboles de decisión. Area de Computación e Inteligencia Artificial
Arboles de decisión Teoría de la decisión Hemos estudiado las redes bayesianas como instrumento para el diagnóstico en presencia de incertidumbre. La idea ahora es aprovechar ese diagnóstico para decidir
Más detallesArboles de decisión. Area de Computación e Inteligencia Artificial
Arboles de decisión 1 Teoría de la decisión Hemos estudiado las redes bayesianas como instrumento para el diagnóstico en presencia de incertidumbre. La idea ahora es aprovechas ese diagnóstico para decidir
Más detallesSistemas Avanzados de Producción. Planificación mediante programación matemática III
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Planificación
Más detallesTeoría de Decisiones. Teoría de Las Decisiones
Teoría de Decisiones Teoría de Las Decisiones Uno de los aspectos más importantes dentro del sector laboral tanto estatal como de la actividad privada, es la toma de decisiones, que es el proceso durante
Más detallesTeoría de Las Decisiones Uno de los aspectos más importantes dentro del sector laboral tanto estatal como de la actividad privada, es la toma de decis
Teoría de Decisiones Teoría de Las Decisiones Uno de los aspectos más importantes dentro del sector laboral tanto estatal como de la actividad privada, es la toma de decisiones, que es el proceso durante
Más detallesModelos y herramientas de decisión. Producto, Sistema productivo, Empresa y Entorno
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Producto,
Más detallesToma de decisiones en situación de certeza, riesgo e incertidumbre. Economía de Empresas Econ. Silvia Mejía Matute Oct. 2016
Toma de decisiones en situación de certeza, riesgo e incertidumbre Economía de Empresas Econ. Silvia Mejía Matute Oct. 2016 Qué es la toma de decisiones? Es una actividad inherente a la gestión de la empresa
Más detallesDirección de Operaciones. Planificación - II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Dirección de Operaciones. Planificación - II
Más detallesPERSPECTIVAS ISSN: Universidad Católica Boliviana San Pablo Bolivia
PERSPECTIVAS ISSN: 1994-3733 oswaguan@ucbcba.edu.bo Universidad Católica Boliviana San Pablo Bolivia Peñaloza Palomeque, Mariana TEORÍA DE LAS DECISIONES PERSPECTIVAS, núm. 25, enero-junio, 2010, pp. 227-240
Más detallesAnálisis de Datos. Conceptos básicos de probabilidad y teorema de Bayes. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Conceptos básicos de probabilidad y teorema de Bayes Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Los fenómenos del mundo real se pueden clasificar en dos tipos: Determínistico:
Más detallesAnálisis de Decisiones Mario Maruri Martínez
Análisis de Decisiones Mario Maruri Martínez Tema 3: Tabla y matriz de pagos Decisiones bajo incertidumbre Análisis de decisiones - división Bajo certidumbre Los parámetros son constantes, conocidos y
Más detallesTeoría de la decisión
Teoría de la decisión La toma de decisiones consiste en elegir lo mejor entre lo posible Definir lo mejor y lo posible Lo mejor: - Teoría de la decisión clásica: criterios y decisiones bien definidos.
Más detallesPRINCIPIOS DE PROBABILIDAD GERMÁN E. RINCÓN
PRINCIPIOS DE PROBABILIDAD GERMÁN E. RINCÓN CONCEPTOS BÁSICOS Tipos de fenómenos: Fenómenos determinísticos Una acción un solo resultado posible Se puede pronosticar con precisión lo que va a ocurrir Qué
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión. 1 Objetivos del tema Conocer en qué consiste un árbol de decisión. Aprender los problemas que pueden
Más detallesI E S CARDENAL CISNEROS -- DEPARTAMENTO DE MATEMÁTICAS PROBABILIDAD
I E S CARDENAL CISNEROS -- DEPARTAMENTO DE MATEMÁTICAS PROBABILIDAD Sean A y B dos sucesos con P(A0,, P(0, y P(A 0,. Calcular las probabilidades: a P(A/ b P(A/A c P(A B/A d P(A/A. Tenemos: ( ( ( ( P A
Más detalles1. PROBABILIDAD SIMPLE
0. INTRODUCCIÓN Muchos aspectos de nuestra vida están influidos por el azar. Por ejemplo: Lloverá mañana?, quién ganará la liga de fútbol?, Si nos vamos ahora del colegio, se dará cuenta alguien? Cada
Más detallesEL RIESGO Y LA INCERTIDUMBRE
INTRODUCCIÓN Nos enfrentamos ante una situación de riesgo e incertidumbre cuando nuestras proyecciones realizadas en el flujo de caja son inciertas, con lo cual se corre el peligro de que si las condiciones
Más detallesSistemas Avanzados de Producción. Equilibrado de líneas de producción II
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Equilibrado
Más detallesOrganización Industrial. Stocks I
UNIVERSITAT POLITÈCNICA E CATALUNYA BARCELONATECH OPE ORGANIZACIÓN E LA PROUCCIÓN Y E EMPRESA (ASPECTOS TÉCNICOS, JURÍICOS Y ECONÓMICOS EN PROUCCIÓN Organización Industrial. Stocks I ORGANIZACIÓN INUSTRIAL
Más detallesNIVELACIÓN DE ESTADISTICA. Carlos Darío Restrepo
NIVELACIÓN DE ESTADISTICA Qué es la probabilidad? La probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento. Por ejemplo: tiramos un dado al aire y
Más detallesCapítulo 4 La decisión de inversión en condiciones de riesgo e incertidumbre
PARTE I: La decisión de inversión Capítulo 4 La decisión de inversión en condiciones de riesgo e incertidumbre 4.1 Incertidumbre y riesgo en la selección de proyectos de inversión 4.2 Información requerida
Más detallesTABLAS DE DECISIÓN Muchos procesos de toma de decisiones pueden ser tratados por medio de tablas de decisión, en las que se representan los elementos
TABLAS DE DECISIÓN Muchos procesos de toma de decisiones pueden ser tratados por medio de tablas de decisión, en las que se representan los elementos característicos de estos problemas: EJEMPLO Un ama
Más detallesOrganización Industrial. Producto, proceso y Sistema productivo
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Organización Industrial. Producto, proceso y
Más detallesAnálisis de. Análisis de. Decisiones:
Análisis de : Tablas de Pagos y Árboles de Decisión Fragoso Iñiguez I Marisol Salazar Rosales Leandro Julián Noviembre, 06 Tablas de Pagos Una situación de decisión en condiciones de incertidumbre puede
Más detallesPROBLEMA 1 PROBLEMA 2
PROBLEMA 1 Una empresa está considerando la introducción de un nuevo producto en el mercado para el que estima tiene la misma probabilidad de éxito que de fracaso. Existe la opción de estudiar el comportamiento
Más detallesOrganización Industrial. Producto, proceso y Sistema productivo
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Organización Industrial. Producto, proceso y
Más detallesMÉTODOS ESTADÍSTICOS DE LA INGENIERÍA PRIMERA CONVOCATORIA Usando el modelo de probabilidad clásico de Laplace:
MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA PRIMERA CONVOCATORIA 2011-2012 EJERCICIO 1 (1º) Calcular la probabilidad de que al lanzar dos dados la puntuación de uno de ellos sea menor que la del otro. Usando
Más detallesCAPITULO 6: ANALISIS DE LA TEORÍA DE LA DECISIÓN
CAPITULO 6: ANALISIS DE LA TEORÍA DE LA DECISIÓN Objetivos del Capítulo. Capacitar en la identificación de criterios a tener en cuenta en un proceso de toma de decisiones, Desarrollar la capacidad de modelización
Más detallesSistemas Avanzados de Producción. Desagregación de planes de producción mediante programación matemática
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Desagregación
Más detallesSistemas Avanzados de Producción. Desagregación de planes de producción mediante programación matemática
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Desagregación
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA SEMESTRE ASIGNATURA 3er. PROBABILIDAD Y ESTADÍSTICA CÓDIGO HORAS
Más detallesTeoría de juegos Andrés Ramos Universidad Pontificia Comillas
Teoría de juegos Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es TEORÍA DE JUEGOS 1 Teoría de juegos 1. Matriz de pagos 2. Clasificación 3.
Más detallesProbabilidad. Álvaro José Flórez. Febrero - Junio Facultad de Ingenierías. 1 Escuela de Ingeniería Industrial y Estadística
Probabilidad Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Probabilidad Expresión del grado de certeza de que ocurrirá un determinado
Más detallesDar una introducción sobre la asignatura IO Familiarizar al estudiante con las características y aplicación del modelo de matriz de decisiones
I Unidad: Introducción a al Investigación de Operaciones. Contenidos: 1. Breve reseña histórica de la l. De O. 2. Concepto de la l. De O. 3. Objeto de Estudio de la l. De O. 4. Introducción a la teoría
Más detallesINDICE Parte I. Modelos y Toma de Decisiones 1. Introducción al Análisis Cuantitativo 2. Introducción a la Construcción de Modelos
INDICE Parte I. Modelos y Toma de Decisiones 1 1. Introducción al Análisis Cuantitativo 3 Decisiones empresariales 3 Abstracción y simplificación 4 Construcción de modelos 5 Soluciones 5 Errores 6 Técnicas
Más detallesConceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado.
Teresa Pérez P DíazD Profesora de matemática tica Conceptos Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Ejemplos: E : Lanzar un dado,
Más detalles[ ] [ 0,5( )] [ ] 0,5
85.-Si el 0,5 % de las piezas que fabrica una máquina son defectuosas. Cuál es la probabilidad de obtener alguna pieza defectuosa de 0? X número de piezas defectuosas de 0 x B(0,0,05) Px ( > 0) Px ( 1)
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÍA SEMESTRE ASIGNATURA - TOMA DE DECISIONES CÓDIGO HORAS ENT -31133 TEORÍA PRÁCTICA
Más detallesBloque I: Estadística y Probabilidad
Bloque I: Estadística y Probabilidad 1. Probabilidad 1. Teoría de la probabilidad 2. Probabilidad condicionada 3. Dependencia e independencia de sucesos 4. Técnicas de recuento: diagramas de árbol, tablas
Más detalles