Módulo 3: Decisiones Bajo Certeza y Riesgo

IN TR ODUCCIÓN AL MÓDULO

Introducción

UN IDAD 5: DECISION ES B AJO CER TEZA

Introducción a la unidad

Tema 1: Decisiones bajo certeza

Tema 2: Administración de proyectos

Tema 3: Técnicas de administración basada en redes: CPM/PERT.

Tema 4: Modelos de Optimización. Programación lineal

Cierre de la unidad

UN IDAD 6: DECISION ES B AJO R IESGO

Introducción a la unidad
 Tema 1: Decisiones bajo riesgo

Tema 2: Concepto de riesgo. Riesgo y rentabilidad

Tema 3: Medición del riesgo

Tema 4: Teoría de la probabilidad

Tema 5: Herramientas de la decisión: árboles y matrices de decisión

Tema 6: Decisiones Bayesianas

Cierre de la unidad

CIER R E DEL MÓDULO

Descarga del contenido

1 16

Introducción

Decisiones Gerenciales_M3
EaD Kennedy

02:24

En este módulo comenzamos a aplicar todos los conceptos teóricos que hemos desarrollado en los
anteriores, comenzando por aquellas Decisiones Bajo Certeza, pasando de la administración de proyectos,
utilizando técnicas basadas en la Teoría de Redes, hasta la Programación Lineal con sus distintos métodos

de resolución de problemas en ese estado de certeza.

El otro tema destacado, saliendo de la certeza, son las Decisiones Bajo Riesgo, con la incorporación de las
probabilidades y la utilización para la toma de decisión de modelos como el Valor Esperado y Árboles de
Decisión. También destacamos la incorporación para el análisis las probabilidades objetivas y subjetivas
reflejadas en las Decisiones Bayesianas.

Objetivos del módulo

Llegar al plano práctico de las decisiones en condición de riesgo y certeza, mediante

diferentes herramientas que ayudan en la toma de decisión.

Contenidos del módulo

Unidad 5- Decisiones bajo certeza

5.1 Decisiones bajo certeza

5.2 Administración de proyectos

5.3 Técnicas de administración basada en redes: CPM/PERT

5.4 Modelos de Optimización. Programación lineal. Decisiones bajo riesgo

Unidad 6- Decisiones bajo riesgo

6.1 Decisiones bajo riesgo

6.2 Concepto de riesgo. Riesgo y rentabilidad

6.3 Medición del riesgo

6.4 Teoría de la probabilidad

6.5 Herramientas de la decisión: árboles y matrices de decisión

6.6 Decisiones Bayesianas

Decisiones en condicion de certeza

En el siguiente cuadro se simplifican algunas de las herramientas gráficas que podemos utilizar para la toma
de decisiones relacionadas con la administración y gestión de proyectos.
2 16

Introducción a la unidad
Si tengo la certeza de los resultados ¿por qué necesito tomar
decisiones?

Contenidos de la unidad

1 Decisiones bajo certeza

2 Administración de proyectos

3 Técnicas de administración basada en redes: CPM/PERT

4 Modelos de Optimización. Programación lineal

El núcleo temático de la Unidad está dado en los problemas de decisión que enfrentan las personas, cuando
las alternativas de los mismos son combinaciones.
Esto es así, pues eligiendo cualquiera de las alternativas reveladas alcanzaríamos un resultado favorable
pero quizás no sea el mejor de todos los posibles.

Afortunadamente se cuenta con varias herramientas que ayudan a los administradores a tomar decisiones

más eficaces, por lo que en este caso se trata de dar al alumno una visión más pragmática, con
conocimientos tradicionales desarrollados por la Teoría de la Decisión.

Ya se habían señalado en otros apartados del curso el concepto de Decisiones Bajo Certeza y sus
características distintivas, dentro de la clasificación de Ámbitos de Decisión.

Para darle consistencia al conocimiento, utilizaremos métodos matemáticos como es la Programación

Lineal.

Pero hay que destacar, que no todas las situaciones en que se presenten este tipo de problemas se pueden
resolver por la Programación Lineal. Para ello, deben cumplirse algunas condiciones como es la clara
definición de un objetivo a alcanzar, dimensionado como beneficio o costo, el cual debe ser susceptible de
poderse optimizar (alcanzar el máximo nivel posible).

También debe contar con restricciones o condiciones de cumplimiento, y que forman parte de un sistema
integrado y relacionado con el objetivo que se quiere maximizar.

Tanto el objetivo como las restricciones deben, a su vez, ser posibles de representarse en inecuaciones,
ecuaciones, y por supuesto cumpliendo la función lineal.

Estas condiciones determinan también, el concepto de “linealidad” y de “aditividad” que se explican bien en
el material de lectura e incluso con ejemplos muy fáciles de entender.

En el punto 5.3 de esta unidad (Modelos de Optimización. Programación lineal) se desarrollan dos ejercicios
prácticos que aportan mayor claridad para su comprensión. Uno está relacionado con la Formulación de un
Problema de Maximización con Restricciones del Tipo “Menor o Igual”, y el otro, corresponde a la
Formulación de un Problema de Minimización con Restricciones del Tipo “Mayor o Igual”.
En estos dos ejercicios, el alumno pude visualizar la solución de los mismos por dos métodos: Resolución
Gráfica y por el Simplex.

En el foro de la unidad podrán ver que se presenta ejercitación como es la interpretación del último cuadro

del Método Simplex.

El desarrollo del curso también nos va a llevar a tratar otros temas en la unidad, como es el caso de las
“Técnicas de Administración de Proyectos”.

Se deberá diferenciar al respecto, dos técnicas muy comunes para desarrollar proyectos a gran escala

como es el Diagrama de Gantt, y las técnicas basadas en la Teoría de Redes como es el CPM o Camino
Crítico y el PERT.

El Diagrama de Gantt que es un diagrama de barras, es pionero como técnica de administración de

proyectos; mientras que el método del camino crítico utiliza en un diagrama de redes las actividades y sus

tiempos en forma determinística. Por su parte el PERT, también utiliza un diagrama de redes, pero los
tiempos de las actividades lo consigna en forma probabilística.

El alumno encontrará en la Actividad de la unidad una aplicación práctica relacionada con el Camino Crítico
(CPM).

Finalmente, habrá que indicar que se ha incluido como Elemento Motivador un gráfico que en forma sintética
expone los puntos más destacados de esta unidad.

Comenzar la unidad
Te invitamos a recorrer el contenido de la unidad.

IR AL CONTENIDO
3 16

Tema 1: Decisiones bajo certeza

Habíamos nombrado en las primeras clases los Distintos Ámbitos de Decisión, clasificándolos en dos
grandes grupos (Enfrentamiento con Estados Naturales y Enfrentamiento con Oponentes Racionales).

Cuando nos referimos “En Condiciones de Certeza”, estamos estableciendo la condición de que hay un
único futuro (F) posible cuya probabilidad es P = 1. La Teoría de las Decisiones aborda estos problemas
mediante la programación matemática (Programación Lineal).

Son muy comunes los problemas de decisión bajo certeza en los que
la mera enumeración de todas las alternativas posibles y sus
respectivos resultados para construir la matriz de ganancias o
costos resulta por su dimensión muy engorrosa o prácticamente
imposible.

Precisamente es esa la causa por la cual la toma de decisión bajo condiciones de certeza puede constituir
un problema: el enorme número de alternativas posibles, aun conociendo con toda certidumbre sus
respectivos resultados, dificulta la selección de la estrategia óptima, haciendo necesario acudir a métodos
de resolución más elaborados.
Un ejemplo típico estaría dado por una empresa que fabrique más de un producto y que pretenda elegir la
combinación óptima de cantidades a fabricar de cada uno. Puede suceder que el producto que tenga el
mayor margen de beneficio, y que por los tanto sería “a priori” el que habría que fabricar la mayor cantidad
posible compatible con la capacidad de producción, no convenga en la práctica producirlo en grandes
cantidades, debido a que sus necesidades de producción crean embotellamientos en un sector fabril o en
una máquina determinada, limitando con ello desproporcionadamente la producción de otros artículos. En tal
caso, la producción de artículos aparentemente de menor margen puede representar un mayor aporte a los

beneficios globales.

En otras palabras, estamos ante un problema en el que se procura

hallar la combinación de productos y cantidades que asegure el
máximo beneficio global, con sujeción a diversas restricciones
(capacidad productiva de las máquinas, disponibilidad de mano de
obra, disponibilidades financieras, etc.) problema éste que puede ser
muy complejo en la medida que haya una gran variedad de productos,
modelos, estilos, máquinas y elementos de producción.

Afortunadamente, se han desarrollado nuevas técnicas matemáticas que permiten simplificar grandemente
el trabajo, sobre todo cuando se usan en combinación con programas de computadora. Entre dichas
técnicas la que ha tenido mayor difusión es la Programación Lineal, que analizaremos en detalle en los
puntos siguientes.

Es necesario destacar que, si bien la Programación Lineal es un

instrumento muy potente y eficaz para analizar la complejidad
económica de la empresa, sería erróneo creer que todo problema de
gestión puede ser resuelto mediante esta técnica.

En términos generales, la aplicabilidad de la programación lineal se constriñe a los problemas de decisión

que cumplen las siguientes condiciones:

1 Debe existir un objetivo, tal como beneficio, costo o rendimiento, que se pretende optimizar y
que pueda ser expresado o representado por una función lineal.

2 Debe haber restricciones en cuanto a la cantidad o extensión en que puede ser alcanzado el
objetivo, y dichas restricciones deben ser susceptibles de expresarse por un sistema de
ecuaciones y/o inecuaciones lineales.

La condición impuesta de que tanto el objetivo como las restricciones sean representables por expresiones
lineales implica a su vez dos hipótesis básicas:

Que se refiere por ejemplo a la

conclusión de que la venta de 1
tonelada de producto significa un
Linealidad
beneficio de $ 10.000,00, la venta
de 2 toneladas significará un
beneficio de $ 20.000,00.
 Si se fabrican varios productos
simultáneamente, los beneficios y
los insumos totales se deben
Aditividad
poder obtener por adición los
beneficios e insumos parciales de
cada producto.

Es fácil ver que en muchos casos la linealidad requerida para aplicar esta técnica no expresará
rigurosamente la realidad económica del problema a tratar. Por ejemplo, no siempre es cierto decir que la
fabricación de 1 tonelada de producto dado cuesta $ 10.000,00, si la fabricación de 1 kilogramo de un mismo
producto cuesta $ 10,00. La contabilidad de una fábrica o taller hará aparecer gastos proporcionales a las
cantidades fabricadas, pero también gastos constantes independientes de esas cantidades. Es evidente

que si no se toman las precauciones adecuadas, la hipótesis de linealidad requerida para el buen empleo de
la programación lineal será únicamente una aproximación relativamente buena del punto de vista
económico.

“Lo que resulta aún más importante, es asegurar que se verifique la hipótesis de aditividad, puesto que de lo

contrario pierde todo sentido la aplicación de esta técnica. Tal es lo que sucedería, por ejemplo, si se está
analizando un problema de distribución de varios productos en el que se quiere minimizar el costo total del

transporte: si el flete pagado depende solo de la cantidad de camiones usados para el transporte en lugar de
depender del peso transportado, y las cantidades de cada producto normalmente no implican despachar
camiones completos, agregar otro producto en un viaje no significará aumentar el costo de transporte.”

- Dresdner, E.C., Evelson, A.R., Dresdner M.O. & Dreyfus M. (1998. PP. 387, 388 y 389)
4 16

Tema 2: Administración de proyectos

Si bien la Teoría de la Decisión no los ha incorporado dentro de su estudio, algunos autores incorporan en la
clasificación de este tipo de problemas la administración de proyectos como el Método del Camino Crítico o
CPM (Crítical Path Method) y la Técnica de Evaluación y Revisión de Proyectos o PERT (Program Evaluation
and Review Technique), que desarrollaremos a continuación.

La administración eficiente de un proyecto implica la utilización de

procesos de gestión específicos para cada una de las etapas del
mismo: inicio, planificación, ejecución, control y cierre.

Si bien actualmente existen innumerables software informáticos para el desarrollo de proyectos como: MS
Project (de Microsoft), Primavera Project Planner, SAP RPM (Resource and Portfolio Management) y
Microsoft Project Server entre otros; una de las herramientas más tradicionales es la utilización la teoría de
redes (conocida más genéricamente como teoría de grafos), donde se desprenden las técnicas de CPM Y
PERT, que desarrollaremos en el tema 5.2.

Es justo también destacar, entre los primeros, en el desarrollo y

administración de proyecto al Diagrama de Gantt. Es una herramienta
 básica que se utiliza para realizar la planificación del trabajo de un
proyecto.

Muestra en un diagrama de barras el origen y el final de las diferentes unidades mínimas de trabajo, y los
grupos de tareas, así como las dependencias entre unidades mínimas de trabajo (pueden ser fin-comienzo,

fin-fin, comienzo-fin, comienzo-comienzo). A continuación exponemos un modelo como ejemplo:

Recuperado de: [Link]

5 16

Tema 3: Técnicas de administración basada en

redes: CPM/PERT.

La administración de proyectos ha evolucionado como un nuevo

campo con el desarrollo de dos técnicas analíticas para la
planificación, programación y control de proyectos: el Método de
Ruta Crítica o CPM (Crítical Path Method) y la Técnica de Evaluación
y Revisión de Proyectos o PERT (Program Evaluation and Review
Technique).

La principal diferencia entre PERT y CPM es la manera en que se realizan los estimados de tiempo.

Supone que el tiempo para

realizar cada una de las
PERT actividades es una variable
aleatoria descripta por una
distribución de probabilidad.
 Infiere que los tiempos de las
actividades se conocen en forma
CPM determinística y se pueden variar
cambiando el nivel de recursos
utilizados.

La programación de proyectos por PERT-CPM consiste en tres

fases básicas: Planificación, Programación y Control.

Dentro del ámbito aplicación, el método se ha estado usando para la planificación y control de diversas
actividades, tales como construcción de presas, apertura de caminos, pavimentación, construcción de
casas y edificios, reparación de barcos, investigación de mercados, movimientos de colonización, estudios
económicos regionales, auditorías, planificación de carreras universitarias, distribución de tiempos de salas
de operaciones, ampliaciones de fábrica, planificación de itinerarios para cobranzas, planes de venta,
censos de población, etc.

Nudo, suceso o acontecimiento

Es el comienzo a término de un trabajo. No es la ejecución real de un trabajo. Por ejemplo escribir un informe
no es un nudo, en cambio comenzar o terminar un informe sí es un nudo. Todo nudo viene caracterizado por
qué debe representar un punto significativo del proyecto, es el comienzo o el término de una tarea y no
consume tiempo ni recursos.
Los nudos o sucesos deben tener lugar de una manera lógica y, por tanto, mantienen un orden dentro del
grafo y por tanto se numerarán cada uno de ellos según la secuencia temporal. Se dibujan mediante un
círculo (que posteriormente veremos cómo se completa). (Fuente: (s/d))

Actividad
Es la ejecución real de una tarea. Recordamos que un acontecimiento solo era el comienzo o final de una
tarea, no su ejecución. Lo representaremos por una flecha, en dónde colocaremos el nombre de la actividad
y el coste de tiempo que supone:
En este ejemplo se ha dibujado la actividad A que consume 5 minutos o días de tiempo. Las actividades sí
que consumen tiempo, por tanto, requieren mano de obra, material, instalaciones, etc. Es decir, las
actividades precisan dotarse de recursos para poder ser realizadas.
Cada actividad reside entre dos nudos. Al primero le denominaremos nudo o acontecimiento antecedente y
al segundo precedente. Siempre la relación deberá ser directa, sin acontecimientos intermedios. Al primer
nudo de una red PERT le denominaremos iniciador, y al último finalizador.

CPM

Para explicarlo de manera práctica, vamos a dar un ejemplo y lo desarrollaremos. Imaginemos que tenemos
que planificar un proyecto (por ejemplo, la introducción en el mercado japonés de nuestros productos). Para
ello sabemos que tenemos las siguientes fases, con la siguiente duración en meses:
 Fuente: (s/d)

Si hacemos una etapa detrás de la otra, necesitaremos 20 meses para acabar el proyecto (casi dos años)
para implantarnos en Japón. Existe la posibilidad de hacer actividades en paralelo y así conseguir acabar
antes el proyecto. Realizando un estudio de las actividades que se pueden hacer en paralelo y el orden de
cada una de las etapas o actividades obtendríamos la siguiente tabla:
 Fuente: (s/d)

De esta tabla podemos concluir que la actividad A, B y C no necesitan antecedentes, es decir, que se pueden

hacer de forma paralela y a la vez; la actividad D, no podrá empezar hasta que la actividad A esté acabada y
la E, sucederá lo mismo con la E, que no empezará hasta que la B no esté acabada. Para empezar la
realización de la F necesitamos que la C esté acabada y para empezar la G, necesitamos que D y E, se hayan
concluido.

Si ahora traspasamos este razonamiento a un grafo PERT (recordar que las actividades se representan por
flechas que consumen recursos y que además les tenemos que dibujar un nudo de inicio y un final)
obtendríamos:

Fuente: (s/d)

A continuación pasamos a numerar los nudos:

 Fuente: (s/d)

Una vez dibujado el grafo PERT se debe calcular el tiempo necesario para acabar el proyecto. Para realizar

este cálculo se necesita saber el tiempo early y el last.

Tiempo early (TE) de un acontecimiento representa el tiempo más breve en el que puede llevarse a cabo un
acontecimiento. Viene representado por el camino de mayor consumo de tiempo.

Es el tiempo que como máximo se necesita para realizar las actividades que tenemos por la izquierda de
este nudo. Se empieza a calcular desde el primer nudo hasta el último y se sitúa en la cuadrícula izquierda
de cada nudo. El tiempo early del primer nudo es cero y los posteriores se calculan sumando el tiempo early
del nudo anterior más la actividad que hay entre los nudos.

Veamos cómo se calcula con nuestro ejemplo anterior.

 Fuente: (s/d)

El siguiente paso es determinar los tiempos máximos permitidos para lograr cada acontecimiento, que
denominaremos tiempo last (TL). Los calcularemos siguiendo el sentido contrario de la red PERT, es decir:

Empezaremos por el último acontecimiento y terminaremos por el primero. Si no nos dicen lo contrario, por
construcción del grafo PERT, el tiempo last del último nudo será igual que su tiempo early.

Para calcular el TL de un acontecimiento se resta el valor Te del valor TL del acontecimiento sucesor. Si se
obtiene más de un valor TL se elige el mínimo valor.

En nuestro ejemplo tendremos los siguientes cálculos:

 Fuente: (s/d)

Con este grafo podemos concluir que planificando correctamente cada una de estas actividades y con el
tiempo que tenemos de cada una de ellas, el proyecto se puede acabar en menos de un año, exactamente
en 10,5 meses. Si lo comparamos con la duración inicial, se observa que hemos ganado 10,5 meses (que es
la diferencia entre 20 meses que es lo que tardaba anteriormente el proyecto, a ahora que somos capaces
de hacerlo en 10,5 meses).

El último concepto que nos queda por explicar a la hora de construir

un grafo Pert, es el camino crítico. A la diferencia entre los tiempos
last y early de cada acontecimiento le denominamos holgura. La
 existencia de holguras puede indicar posible exceso de recursos, que
un buen planificador debe minimizar.

Las holguras de cada actividad se calculan de la siguiente manera, se resta del tiempo last del nudo final, el
tiempo early del nudo inicial y el tiempo de la actividad. Con esto conseguiremos obtener el tiempo sobrante
que tenemos los recursos parados y por tanto tiempo que se ha de intentar minimizar. Matemáticamente

tenemos:

Hx,y = TLy - (TEx + duración de actividadx,y)

En ejemplo que estamos utilizando para la explicación obtendríamos las siguientes holguras:

HA = TL2 - (TE1 + duración actividadA ) = 8 - (0 + 2) = 6

HB = TL3 - (TE1 + duración actividadB ) = 6 - (0 + 1) = 5

HC = TL4 - (TE1 + duración actividadC ) = 1,5 - (0 + 1,5) = 0

HD = TL5 - (TE2 + duración actividadD ) = 10 - (2 + 2) = 6

HE = TL5 - (TE3 + duración actividadE ) = 10 - (1+ 4) = 5

HF = TL6 - (TE4 + duración actividadF ) = 10,5 - (1,5 + 9) = 0

HG = TL6 - (TE5 + duración actividadG ) = 10,5 - (5 + 0,5) = 5

El conjunto de acontecimientos que minimizan las holguras forman
un camino crítico, por el que puede recorrerse el proyecto, es decir,
el camino crítico es aquel camino con una holgura mínima
(recordando siempre que el camino crítico va desde el nudo inicial
hasta el final).

Fuente: (s/d)

El camino crítico es el que requiere el máximo tiempo para

llegar al final del proyecto. Un retraso en el camino crítico
equivale a un retraso en el acontecimiento final.
Por ejemplo, si se retrasa la actividad A, es decir, en lugar de hacerla en 2 meses al final surgen problemas y
se retrasa y acaba realizándose en 3 meses, como la actividad A no forma parte del camino crítico, la

duración total del proyecto no se verá modificada, seguiremos acabándolo en 10,5 meses. Lo vemos:

Fuente: (s/d)

La holgura no es más que un colchón de recursos por si surgiera un retraso, esto significa que las
actividades de holgura cero, se han de controlar al máximo, ya que un retraso en una de ellas significará el
retraso total del proyecto en la misma duración. De tal manera que si en lugar de retrasarse un mes la

actividad A es la F la que se retrasa, tendríamos:

 Fuente: (s/d)

Como observamos en el grafo anterior, la duración total del proyecto ha aumentado, se ha retrasado, en la
misma duración que el aumento o retraso de la actividad crítica.

PERT

El método denominado PERT "Program Evaluation and Review

Technique" puede ser catalogado como un método cuantitativo de
planificación. Sencillo, pero completo, conduce a la correcta toma de
decisiones por parte de los directivos de la empresa.

Una red PERT no tiene una única solución, dependerá de las prioridades que el directivo asigne a cada uno
de los acontecimientos que intervienen.
Su construcción es muy similar a la herramienta CPM. Sin embargo, a la hora de construir un grafo PERT no
tenemos la seguridad, ni la certeza del tiempo de cada actividad, sino que para cada asignación de tiempos
se hace una triple distinción:

Mínimo periodo de tiempo

Tiempo optimista posible que es necesario para
realizar una actividad.

Es la mejor estimación de
Tiempo más probable tiempo necesario para realizar
una actividad.
 Máximo tiempo que se
Tiempo Pesimista tardaría en realizar una
actividad.

Las estimaciones son sobre las actividades, no sobre los acontecimientos. Con estas estimaciones
podemos determinar un tiempo medio -que simbolizaremos como Te- y que recogerá el valor promedio de
las tres estimaciones con una ponderación determinada. Es decir, si ocurriera muchas veces, cabría esperar
que Te tomara un valor tal como:

Es importante recordar que un acontecimiento no se considerará

finalizado si todas las actividades que conducen a él no han sido
terminadas.

Igual que en el caso anterior vamos a realizar la explicación basándonos en un ejemplo. En este caso, el

grafo PERT tiene los siguientes acontecimientos y sus respectivos tiempos.

 Fuente: (s/d)

Construimos la red o el grafo PERT:

Fuente: (s/d)

Una vez construido el grafo Pert, vamos a calcular los tiempos, holguras y averiguar cuál es el camino crítico.

El primer problema que nos surge es ¿qué tiempo debemos utilizar para calcular el tiempo early y el last?
Como directores del proyecto sabemos que la actividad A en el mejor de los tiempos puede tardar 4
semanas, lo más normal y lo lógico serían que tardase 6 pero puede que todo vaya mal y llegue a tardar
hasta 7 semana. ¿Qué hacemos? El Pert propone utilizar un tiempo medio ponderado, al que
llamaremos tiempo esperado, (Te). Este tiempo se calcula para cada actividad y es una media a la que se le
da cuatro veces más importancia el tiempo normal que al tiempo pesimista o al optimista.

Utilizando la fórmula, ya vista anteriormente en (1)

Fuente: (s/d)

Con el cálculo del tiempo esperado ya podemos calcular el tiempo early, el tiempo last y obtener cuál es el
camino crítico.

Fuente: (s/d)
Una vez calculado el camino crítico, sabemos que la duración mínima para realizar el proyecto es de 23,5

semanas, que antes es imposible acabarlo. De la misma manera sabemos que las actividades críticas,
aquellas que deberemos destinar más recursos a controlar, ya que un retraso de ellas nos retrasaran todo el

proyecto, son A, C, E y G.

El PERT no solo ordena y prioriza las actividades de un proyecto,

sino que también tiene en cuenta la incertidumbre en los plazos
de realización, es decir, calcula la probabilidad de que un
acontecimiento se cumpla en la fecha prevista. Para que
averiguar esta información debemos estudiar la varianza y su
distribución estadística.

La varianza nos da el grado de dispersión que tiene cada acontecimiento, es decir, la diferencia entre su
tiempo pesimista, normal u optimista.

Su formulación es la siguiente:

Cada triplete de números (optimista, más probable y pesimista) tiene una incertidumbre asociada a su

distribución que puede actuar más -o menos- en función de cómo incidan diversas circunstancias. Esta
incertidumbre viene reflejada por la varianza ( ). Cuanto mayor sea la varianza de una actividad mayor será la
incertidumbre para cumplir los plazos establecidos. Veamos un ejemplo sencillo:
Ejemplo: Si una actividad tiene la siguiente tripleta de tiempo pesimista, normal y optimista: 3, 6 y 8. La
dispersión es 0,69 evidentemente tiene mayor dispersión que si los tiempos fueran 5, 6 y 7, cuya varianza es
de 0,11. Que la primera tripleta tenga mayor dispersión significa que los tiempos están más alejados de la

media esperada, que es de 5,66 mientras que en el segundo caso, la media esperada es de 6 y, por tanto, los
tiempos están más cerca de la media.

En nuestro ejemplo tenemos los siguientes cálculos de la varianza:

Fuente: (s/d)
6 16

Tema 4: Modelos de Optimización. Programación

lineal

Al inicio de la unidad, en el punto de inicio (Decisiones bajo certeza), nos habíamos referido a la
programación lineal, para construir modelos para resolución de estos tipos de problemas.

A continuación, vamos a dar dos ejercicios prácticos para la comprensión del tema. El primer está referido a
la maximización del resultado, con restricciones de tipo “menor o igual”, y el segundo ejercicio se relaciona
con la formulación de un problema de minimización con restricciones del tipo “mayor o igual”:

Formulación de un Problema de Maximización con Restricciones del

Tipo “Menor o Igual”:

En una planta industrial se elaboran dos modelos diferentes de

productos (P1 y P2) utilizando cantidades prefijadas de materia prima,

mano de obra y equipos.

El producto P1 insume por unidad 1 kg. de materia prima, 1 hora de

mano de obra y 2 horas de máquina, mientras que el producto P2

insume por unidad 2 kg. De materia prima, 4 hora de mano de obra y 1

hora de máquina.
 Se desea determinar las cantidades de P1 y de P2 que se deben

producir por mes para obtener el máximo beneficio, sabiendo que la

venta del producto P1 permite obtener un beneficio unitario de $ 3 y el

producto P2 un beneficio unitario de $ 5.

Si el problema estuviera planteado simplemente en estos términos, es evidente que carecería de sentido, ya
que si cada producto nos da un determinado beneficio y no existe en principio ninguna limitación en cuanto a
las cantidades disponibles de los recursos, la cantidad óptima a producir sería infinita, pues permitiría

obtener un beneficio total infinito.

Esta solución resulta obviamente irrealizable puesto que en la práctica todos los recursos están sujetos a
restricciones. Así por ejemplo:

Las condiciones del mercado pueden en ciertos casos impedir que la empresa adquiera más
que una determinada cantidad de materia prima.

Con respecto a la mano de obra la política de utilización del personal de la empresa pude
significar una limitación de la cantidad total de horas/hombre disponible.

En relación a los equipos, la estructura productiva de la empresa puede fijar las horas máximas
de horas/máquina disponible.

Todas estas restricciones en las cantidades disponibles de los

recursos se traducen en limitaciones de las cantidades a producir,
determinadas por la demanda máxima que cada producto tiene en el
mercado, así como restricciones financieras de la propia empresa.
Supondremos entonces para este problema que las restricciones de materia prima son 500 kg por mes, la
mano de obra 800 horas por mes, y las de equipo 300 horas por mes.
Si llamamos x1 y x2 "el numero de unidades" a fabricar de los productos P1 y P2 respectivamente, podremos

expresar matemáticamente las restricciones dadas. Como el insumo de materia prima por unidad es de 1kg
para el producto P1, si se elaboran x1 unidades de este modelo la La Tabla 10.1 resume todos estos datos.

TABLA 10.1. Fuente: (s/d)

Insumo total será x1 kgr. Además para el producto P2 es de 2 kg por unidad, el respectivo consumo
ascenderá a 2 . x2 kgr. Luego, el consumo total mensual de materia prima disponible por mes es de 500 kgr,
por lo que podemos expresar en una inecuación como:

1 . x1 + 2 . x2 ≤ 500
Realizando un análisis similar para la mano de obra, tendremos:

1 . x1 + 4 . x2 ≤ 800

y repetimos el análisis para los equipos:

2 . x1 + 1 x2 ≤ 300

Además, de la naturaleza física de las variables, nunca x1 ni x2 pueden ser menor a cero (no se puede
fabricar cantidades negativas), o dicho de otra forma siempre:

x1 ≥ 0 y x2 ≥ 0

Tenemos así planteadas todas las inecuaciones que representan las

restricciones del problema, restándonos plantear la función que
expresa el beneficio, que recibe el nombre de “ecuación funcional o
función objetivo”.

El beneficio que puede obtener la empresa se compone de dos partes: el beneficio parcial 3 .
x1 correspondiente a la producción de P1, y el beneficio parcial 5 . x2 que corresponde a la producción P2.

Entonces si llamamos Z al beneficio total tendremos:

Z = 3 . x1 + 5. x2 (que toma valores diversos al variar x1 y x2)

De este modo el problema queda planteado en los siguientes términos: Determinar las cantidades de x1 y x2

que satisfacen las restricciones:

y maximizar el valor del funcional: Z = 3x1 + 5x2 [máx.]

Resolución gráfica e interpretación

Trataremos de expresar gráficamente las expresiones anteriores.

Comencemos por ver cuál es la representación en coordenadas
cartesianas de una expresión del tipo:

a1 . x1 + a2 . x2 ≤ B

La igualdad

a1 . x1 + a2 . x2 = B

Representa una recta en el par de ejes x1, x2, que puede ubicarse fácilmente calculando las coordenadas de
dos de sus puntos:
Para x1 = 0 ⟶ x2 = B/a2

Para x2 = 0 ⟶ x1 = B/a1

A continuación mostramos dicha recta, trazando además, un vector con origen en 0 y componentes sobre x1
y x2 respectivamente iguales a a1 y a2, vector este que resulta muy útil para representar la desigualdad tal
como veremos a continuación:

Fuente: (s/d)

Los puntos de la recta satisfacen la relación:

a1 . x1 + a2 . x2 = B
Mientras que la relación: a1 . x1 + a2 . x2 ≤ B, es satisfecha por el conjunto de puntos que forman el
semiplano que se encuentra a la izquierda de la recta (zona rayada).

Veamos ahora como se pude representar gráficamente el funcional:

Z = C1 . x1 + C2 . x2

Para cada valor fijo que se le asigne a Z, es obvio que la representación de la expresión anterior en el par de
ejes x1, x2 es una recta cuya pendiente queda perfectamente definida por los coeficientes C1 y C 2.

Por ejemplo, para un valor de Z1 del funcional, la correspondiente recta puede representarse determinando

las coordenadas de dos de sus puntos:

1 Para x1 = 0, x2 = Z1/C2

2 Para x2 = 0, x1 =Z1/C1
 Fuente: (s/d)

Si ahora hacemos Z= Z2 > Z1, tendremos:

1 Para x1 = 0, x2 = Z2/C2 > Z1/C2

2 Para x2 = 0, x1 = Z2/C1 > Z1/C1,

que define otra recta paralela a la anterior y también perpendicular al vector, tal como se muestra a

continuación:
 Fuente: (s/d)

Por todo esto, surge que la pendiente de la recta depende únicamente de C1 y C2, que son valores
constantes.

Luego el funcional: Z = C1 . x1 + C2 . x2 representa todas las rectas paralelas de pendiente –C1/C2.

Las pendientes de estas rectas pueden determinarse fácilmente con el valor de x2 en función de x1 y de Z:

Z = C1. x1 + C2 . x2

Despejo el valor de x2:

Z - C1 .x1 = C2 . x2 ⟶ - C1 . x1 + Z = x2

C2 C2
Por lo tanto, todas las rectas perpendiculares al vector de componentes iguales (o proporcionales) a C1 y C2.

Además vemos que al ir aumentando el valor del funcional, las rectas se van desplazando hacia la derecha,
es decir alejándose del origen de coordenadas en el sentido del vector, y por el contrario, al ir disminuyendo

se van desplazando hacia la izquierda.

Así el vector de origen en 0 y componentes C1 y C2 no solo nos define la dirección de las rectas sino también
el sentido de crecimiento del funcional.

Con todos estos elementos que nos ayudan al conocimiento podemos proceder a graficar las restricciones y

el funcional del problema numérico que estábamos tratando:

 Fuente: (s/d)

La primera restricción satisface todos los puntos del semiplano que está a la izquierda de la recta r1; la
segunda restricción por todos los puntos pertenecientes al semiplano que está a la izquierda de r2, y la
tercera restricción por todos los puntos pertenecientes la semiplano que está a la izquierda de r3.

Las dos últimas restricciones (condición de no negatividad de las variables) indican que los puntos deben
estar ubicados en el primer cuadrante.

Quiere decir entonces que tal como se señaló anteriormente, cada restricción determina una semiplano, y
como en el problema se debe cumplir todas las restricciones simultáneamente, solo podrán ser soluciones
del mismo los pares de valores x1 ; x2 que definan puntos del plano que cumplan la condición de pertenecer
a todos los semiplanos anteriormente dichos.
El conjunto de esos puntos comunes a todos
los semiplanos determina una zona que
nuestro ejemplo es la figura que se forma con
los puntos OABC, denominada Poliedro
Convexo de Soluciones, que en este caso
particulares un polígono por tratase de un
espacio de dos dimensiones (x1 y x2).

Todos los puntos pertenecientes al polígono OABC, incluidos los del contorno y los vértices, son entonces
puntos que representan los pares de valores x1 ; x2 que pueden ser soluciones del problema, o en otras
palabras son soluciones factibles, entendiéndose como tales las que no violan ninguna restricción.

En nuestro problema serían todas las combinaciones de cantidades que se puede fabricar de los
productos P1 y P2, dentro de las limitaciones impuestas por la materia prima, mano de obra y equipo
disponible.

Debemos ahora seleccionar de todas estas soluciones factibles aquella que asegure el máximo valor del

funcional (Z = 3x1 + 5x2), es decir el punto del polígono o Poliedro Convexo de Soluciones, para el cual se
maximicen los beneficios.

Para ello nos bastará representar sobre el mismo gráfico las rectas “r” correspondientes al funcional, cuya
dirección puede obtenerse de acuerdo a lo explicado anteriormente, dibujando el vector de componentes
iguales o proporcionales a los coeficientes del funcional (por ejemplo de componentes 100 y 166(*), que son
proporcionales a 3 y 5).
Todas las rectas “r” perpendiculares a dicho vector son representativas del funcional para distintos valores
de Z, crecientes en el sentido del vector.

Luego como se busca que Z sea máximo, ello se conseguirá teniendo en cuenta que su valor va creciendo a

medida que la recta “r” (manteniéndose paralela a si misma) se va desplazando hacia la derecha. Si se
efectúa ese desplazamiento a los largo del polígono OABC, vemos gráficamente que el punto del polígono
que permite alcanzar el máximo valore de Z es el vértice B.

Las coordenadas de ese punto son :

x1 = 57,14

x2 = 185,72

y constituye la solución óptima del problema analizado. La interpretación de ésta solución es entonces que
si se desea maximizar el beneficio deberán fabricarse 57,14 unidades del producto P1 por mes ,y 185,72

unidades del producto P2 por mes, lo que implica pleno empleo de las disponibilidades de mano de obra y
equipo (ya que el punto B está sobre la intersección de las rectas r2 y r3, que respectivamente son las
restricciones de mano de obra y equipo). No obstante el gráfico nos ayuda a observar que la recta r1, está
por encima del punto óptimo, pero como es una restricción de ≤ un punto del semiplano que forma también

satisface la solución óptima.

Se alcanza así un “Beneficio Máximo”:

Z = 3 . 57,14 + 5 . 185,72 = 1.100 $/mes.

El hecho que la solución que asegura el máximo valor del funcional se haya alcanzado sobre un vértice del
polígono, no es accidental. Un simple análisis del procedimiento seguido muestra que la solución óptima se

obtendrá siempre sobre un vértice o, en casos muy particulares, sobre un lado del polígono.

(*) Se observa la proporción cuando 3/5 = 0,6 y 100/166 = 0,6

El número de incógnitas que estamos tratando, permite un análisis gráfico bidimensional (en un eje
cartesiano de dos dimensiones), pero es evidente que ello no es factible si aumenta el número de incógnitas
a xi > 2 (en cuyo caso el polígono convexo pasaría a ser un poliedro convexo en el espacio “n” dimensional).

Por esta razón es necesario emplear métodos de cálculo numérico

que permitan resolver convenientemente el problema, teniendo
presente que será imposible aplicar los métodos comúnmente
utilizados para resolver sistemas de ecuaciones lineales con igual
número de ecuaciones que de incógnitas, ya que por lo general en los
problemas de programación lineal hay más restricciones que
incógnitas.

Resolución por el método simplex

El Método Simplex, puede ayudarnos a facilitar los

procedimientos para llegar a la solución óptima. Este método
que es un algoritmo fue desarrollado por el matemático
norteamericano George Dantzig en 1947, está basado en el
mismo concepto (calculando el funcional únicamente en los
vértices del poliedro de soluciones), pero utilizando en forma
sistemática planillas de cálculo, que permite obtener con mayor
seguridad y rapidez el desarrollo del proceso numérico.
Con el mismo problema que venimos desarrolla en la Resolución Gráfica, abordaremos este método:

Z = 3x1 + 5x2 + 0λ1 + 0λ2+ 0λ3 [máx]

El método Simplex comienza por expresar las ecuaciones y el funcional tal como se indica en la planilla
siguiente:

Fuente: (s/d)

Los valores de Cj consignados en la tabla superior son, como es fácil ver, los coeficientes de las variables Xj
en el funcional, es decir C1 = 3 es el coeficiente de x1, C2 = 5 el de x2, los demás coeficientes de la fila que

son iguales a 0 corresponde a las variables de holgura o slacks (λ1, λ2, λ3).

En las columnas xj y λj van los coeficientes de cada variable x y λ en las ecuaciones del sistema: en la
columna X1 los coeficientes de x1 en el sistema de ecuaciones, en la X2 los de x2, etc.
En la segunda columna se han indicado con el subíndice k las variables que son distintas de cero, y que para
la primera solución son como hemos visto λ1, λ2, λ3; en la primera columna están los respectivos valores
del funcional; y en la tercera columna los valores de dicha variable, que en la primera solución coinciden,
como sabemos, con el valor de la disponibilidades de cada recurso:

λ 1 500

λ 2 800

λ 3 300

Para completar la tabla nos resta hallar los valores de última fila.

El primer valor de dicha fila, es decir el correspondiente a la columna B, es el valor del funcional, que puede
obtenerse sumando los productos del valor de cada variable por su respectivo coeficiente en el funcional (en
otras palabras sumando los productos de cada valor de la columna Ck por el valor de la columna B que está

en su misma fila):

Z = 0 . 500 + 0 . 800 + 0 .300 = 0

Los restantes valores de dicha fila se obtienen para cada columna Xj y λj sumando los productos de cada
coeficiente de la columna Ck por el coeficiente de la columna Xj o λj (según corresponda y que esté en la

misma fila) y restando a dicha suma el correspondiente valor de Cj. Concretamente para cada columna será:

Para x1 = Z1 – C1 = 0 . 1 + 0 . 1 + 0 . 2 – 3 = -3

Para x2 = Z2 – C2 = 0 . 2 + 0 . 4 + 0 . 1 – 5 = -5

Para λ1 = Z3 – C3 = 0 . 1 + 0 . 0 + 0 . 0 – 0 = 0

Para λ2 = Z4 – C4 = 0 . 0 + 0 . 1 + 0 . 0 – 0 = 0
 Para λ3 = Z5 – C5 = 0 . 0 + 0 . 0 + 0 . 1 – 0 = 0

Con estos valores podemos completar la planilla que habíamos comenzando anteriormente:

Fuente: (s/d)

Es necesario puntualizar que los valores de Zj – Cj correspondiente a las columnas de las variables que
aparecen en la solución (variables no nulas) son siempre iguales a cero; en este caso los de las

columnas λ1, λ2 y λ3. Ello se debe a que los valores de Zj – Cj no son otra cosa que los coeficientes de
contribución marginal al beneficio de cada variable es decir, los coeficientes que tienen en el funcional
cambiados de signo.

La última fila o tabla, representa al funcional de la siguiente manera:

0 = Z – 3 . x1 – 5 . x2 – 0 . λ1 - 0 . λ2 – 0 . λ3

Esto se compadece con lo visto que en cada paso del proceso iterativo, las variables que forman la solución
básica factible tienen coeficientes nulos en el funcional.

Es también importante tener presente que las columnas correspondientes a dichas variables están siempre

formadas por un “1” en las respectiva fila y “0” en las restantes filas (por ejemplo, en la columna λ1 hay 1 en
la fila correspondientes a λ1, y sendos ceros las otras dos filas).
El Método Simplex consiste en modificar esta tabla en forma iterativa,
introduciendo otras variables en la solución de tal manera que el
funcional Z se vaya incrementando hasta llegar al valor óptimo.

La variable a introducir en la solución en cada paso es aquella para la cual el correspondiente valor de Zj –
Cj es el mayor negativo…

Luego en esta etapa del proceso la variable a introducir es x2 ya que para ella es:

Zj – Cj = -5

Definida la variable a introducir, debemos determinar que variable debe salir de la solución. Para ello si
llamamos q (Thíta) al máximo valor que puede tomar la variable x2 sin violar la condición de no negatividad
de las restantes variables, dicho valor será el menor de los siguientes cocientes:

Para λ1: q = 500/2 = 250

Para λ2: q = 800/4 = 200 (Mínimo)

Para λ3: q = 300/1 = 300

Vale decir que tomando x2 = 200 se anula λ2, manteniéndose λ1 y λ3 positivas. Esto indica entonces que al
entrar en la solución la variable x2, la variable que sale es λ2.

La regla que podemos enunciar es por consiguiente que para determinar la variable que debe salir de la
solución cuando entra otra variable, habrá que dividir cada coeficiente de la columna B por los coeficientes
de la columna de la variable que ingresó y que están en su misma fila; el menor de dichos cocientes nos da

el valor con que entra la nueva variable, y además nos indica cuál es la variable a eliminar.
Ahora bien, como debe cumplirse que xj ≥ 0 y λj ≥ 0, es fácil ver que si al calcular los distintos cocientes
aparece un valor q < 0, la variable correspondiente no puede salir de la solución, ya que para que se anulara
sería necesario que la variable que entra tome el valor negativo, lo cual es imposible.

Por lo tanto, para determinar la variable que sale habrá que considerar solamente aquellas variables para las
cuales el cociente q tiene valores positivos, o en otras palabras, aquellas variables a las que corresponde un
coeficiente positivo en la columna de la variable que entra, ya que los coeficientes de la columna B son
todos no negativos, y q, como hemos dicho es el cociente de ambos.

Una vez determinada las variables a introducir y a eliminar, nos queda definida en la intersección de la
respectiva columna y fila un coeficiente que constituye el pivote de la iteración.

En la TABLA 2 vemos que el valor del pivote es 4, en base al cual se puede calcular los coeficientes
correspondientes al segundo paso de la iteración, que se muestra en la tabla siguiente:

Fuente: (s/d)

Para construirla hemos partido de la TABLA 2, al entrar la variable x2 y salir la λ2, la solución pasa a estar
integrada por las variables λ1, x2 y λ3, que son las que aparecen en la columna Xk. En la columna Ck vemos
que la única modificación es que, en correspondencia con x2 aparece el valor 5, que es el coeficiente de
esta variable en el funcional.
Asimismo, y tal como lo habíamos señalado, en las columnas correspondientes a las variables que están en
la solución (es decir x2, λ1 y λ3) aparece un 1 en correspondencia con la fila de la respectiva variable, y 0, en
correspondencia con las demás filas, incluso en la fila Zj – Cj:

Z2 – C2 = 0 Z3 – C3 = 0 Z5 – C5 = 0

Minuciosamente veremos cómo pasamos de la TABLA 2 a la TABLA 3.

Para que en la columna X2 aparezca un 1 en la fila correspondiente a x2 (TABLA 3), como en esa posición en
la TABLA 2 estaba el pivote, es necesario dividir todos los coeficientes de esa fila en la TABLA 2 por el valor
del pivote:

Además debemos lograr que los coeficientes de la columna X2, sean nulos en la TABLA 3.

Para conseguirlo por ejemplo en la primera fila de la TABLA 2 el producto de todos los coeficientes de la fila
antes obtenida (es decir la correspondiente a x2 en la TABLA 3) por el coeficiente de la columna X2 en dicha

primera fila, es decir:

Repitiendo el cálculo para las restantes filas, podemos completar la TABLA 3.

En la práctica, para agilizar el proceso de cálculo y hacerlo más

automático se razona del siguiente modo:

Los coeficientes que tienen en la nueva tabla la fila de la variable que sale, se determinan dividiendo los

coeficientes de esa fila en la tabla anterior por el pivote; y los coeficientes que forman la columna de la
variable que entró en la nueva tabla, son todos ceros excepto el que está en lugar del pivote, que vale 1.

En cuanto a los restantes coeficientes de la nueva tabla se determinan a partir de los correspondientes
coeficientes de la anterior tabla, teniendo en cuenta que cada uno de éstos forma con el pivote la diagonal
de un rectángulo cuyos otros dos vértices deben multiplicarse entre sí, y luego dividirse por el pivote, para
finalmente restar del coeficiente en cuestión el valor que así resulta. Por ejemplo, si queremos hallar el
coeficiente de la columna B y la fila λ1 de la TABLA 3, hay que considerar los siguientes coeficientes de la
tabla anterior:

Y con ello operar del siguiente modo:

Analógicamente, para hallar el coeficiente de la columna λ2 y la fila λ3 hay que considerar:

Y operar:

Es fácil ver así, que toda fila que tenga un 0 en la columna del pivote no se altera al pasar de una tabla a la
siguiente y otro tanto sucede con toda columna que tenga un 0 en la fila del pivote; tal es el caso de las
columnas λ1 y λ3.

El cálculo de los Zj – Cj de la TABLA 3 puede hacerse de dos maneras: una que es la que acabamos de ver, o
sea cuando el pivote en la TABLA 2; la otra forma es calcularlos una vez conocidos los restantes valores de
la TABLA 3 procediendo como se hizo en la tabla anterior. Por ejemplo, para hallar Z1 – C1 se puede hacer:
O bien:

[0 . 0,50 + 5 . 0,25 + 0 . 1,75] – 3 = -1,75

En cuanto al valor del funcional, podemos también calcularlo ya sea a partir del pivote:

O aplicando el otro método:

0 . 100 + 5. 200 + 0 . 100 =1.000

Si analizamos el incremento experimentado por el funcional al pasar de una tabla a la siguiente, vemos que
es:

Z(2) = Z(1) - q . (Z2 – C2)

Puesto que:

Z(2) = 1.000; Z(1) = 0; q = 200; Z2 – C2 = -5

En términos más generales, puede demostrarse que en todo programa lineal (tanto de maximización como
de minimización), el valor del funcional en el paso n – ésimo del proceso iterativo está vinculado con el valor
del funcional en el paso anterior por la siguiente relación:

Z(n) = Z(n-1) - ø . (Zj – Cj)

Donde q es, como hemos visto, el valor con que entra la nueva variable en la solución, y (Zj – Cj) es el
correspondiente coeficiente de contribución marginal.
De aquí se desprende una importante consecuencia, que corrobora un resultado que habíamos hallado

anteriormente: dado que q es > 0, si queremos que en cada paso del proceso iterativo el funcional
experimente un aumento, habrá que introducir en la solución las variables cuyos coeficientes de
contribución marginal sean negativos, es decir:

(Zj – Cj) < 0,

Pues en ese caso se cumplirá:

Z(n) > Z(n-1),

Ya que:

Z(n) = Z(n-1) - ø . (Zj – Cj)

Luego, queda justificar nuestra anterior afirmación de que en un problema de maximización hay que hacer
entrar en la solución las variables cuyos coeficientes Zj – Cj sean negativos.
Aplicando este criterio a la TABLA 3 vemos que hay que seguir iterando, pues existe un Zj – Cj negativo (Z1 –
C1 = - 1,75), indicativo de que es posible mejorar el funcional introduciendo la respectiva variable.

Luego haremos entrar la variable x1, y consecuentemente λ3, ya que:

El pivote de la transformación resulta ser entonces 1,75, valor en base al cual se pueden calcular todos los
coeficientes de la nueva tabla (TABLA 4) siguiendo el procedimiento descripto.

Fuente: (s/d)

Como en esta tabla ya no hay Zj – Cj negativos, vemos que corresponde a la solución factible óptima, ya que

no se puede seguir aumentando el valor del funcional.

La comparación de las TABLAS 1, 2, 3 y 4 respectivamente con los

cuadros sucesivos que vimos con el Método de Resolución Algebraica,
evidencia el estricto paralelismo entre ambos métodos.
“La ventaja del Método Simplex radica en la posibilidad de aplicarlo sistemáticamente considerando las

reglas anteriormente anunciadas, sin necesidad de razonar detalladamente los sucesivos pasos”

- Dresdner, E.C., Evelson, A.R., Dresdner M.O. & Dreyfus M. (1998. Pág. 389, 390, 391, 392, 393, 394, 395, 396, 397,
398, 399, 411, 412, 413, 414, 415, 416, 417, 418, 419, 420 y 421)

Formulación de un Problema de Minimización con Restricciones del

Tipo “Mayor o Igual”:

El problema que estuvimos analizando tenía como objetivo maximizar

la ecuación funcional ya que esta representaba beneficios.

Analizaremos ahora un problema de minimización, es decir un

problema cuyo objetivo sea minimizar el funcional.

Por ejemplo, supongamos el caso de un criadero de aves que compra y

consume dos tipos de distintos alimentos balanceados, que

llamaremos “R” y “S”, cuyos respectivos costos son $50/kg y $ 25/kg.

Si llamamos Z al costo total por día, y x1 y x2 respectivamente a las

cantidades en kg de uno y otro alimento que se consumen diariamente,

será

Z = 50 . x1 + 25 . x2 ,

y por la índole de Z, se pretenderá minimizarlo.

Ahora bien, es evidente que si no se consideran algunas restricciones que no permitan bajar a x1 y x2 de
ciertos valores mínimos, la solución óptima sería no consumir alimentos (x1 = 0 y x2 =0), ya que así el costo
total sería mínimo (Z = 0).

Como ésta solución carece obviamente de sentido, supondremos que al estudiar la dieta requerida por las
aves, se determinó que como mínimo debía suministrárseles 8 kg diarios de avena, 19 de afrechillo y 7 de
maíz, y supondremos además que el contenido de esos elementos en los alimentos es el indicado en la
TABLA 10.9 (los alimentos tienen otros componentes para los cuales no hay restricciones)

TABLA 10.9

Expresando analíticamente las restricciones planteadas tendremos:

Es decir que el problema responde a la forma de un programa lineal, ya que se pretende determinar la dieta
óptima que satisfaga los requerimientos estipulados al mínimo costo.

La resolución gráfica del problema está indicada en la figura 10.5, que muestra que en este caso el polígono

de soluciones es un polígono abierto.

Fuente: (s/d)
El vector dibujado, de componentes 50 y 25, indica el sentido de crecimiento del funcional, representado por
la recta “r”, de modo que como se pretende minimizarlo, habrá que desplazar dicha recta en el sentido
contrario al vector. El óptimo se alcanza cuando en ese desplazamiento se llega a un punto a partir del cual la
recta “r” quedaría totalmente fuera del polígono. Ese punto es entonces el vértice © cuyas coordenadas se
proyectan determinando los valores de:

x1 = 10
x2 = 40

Esto constituye la solución del problema pues habrá que comprar 10 kg. Diarios del alimento “R” y 40 del “S”.
La resolución del problema por el método Simplex requiere transformar previamente las inecuaciones en
ecuaciones, para lo cual basta introducir las variables slacks λ1, λ2, λ3:

El signo negativo de las variables slacks se debe a que las inecuaciones son relaciones de mayor o igual.

Por ejemplo, l1 representa el exceso de avena sobre el mínimo de avena sobre el mínimo requerido: l1 =
(0,10x1 + 0,30x2) – 8 (Ver al final en la resolución del problema el porque l es negativo*) y análoga
interpretación tienen l2 y l3.

Tenemos así expresadas las restricciones en forma de ecuaciones, pero no podemos aún aplicar el método
Simplex. En efecto, si para formar la primera solución básica factible hiciéramos:

x1 = 0 x2 = 0
resultaría:
 l1 = -8 l2 = -19 l3 = -7

que es una solución básica pero no factible, por no cumplir la condición de no negatividad de las variables.
Para salvar ese inconveniente, basta hacer un artificio matemático introduciendo tres (3) variables más, μ1,
μ2, μ3:

Esto permite tomar la primera solución:

x1 = 0 x2 = 0 l1= 0 l2 = 0 l3 = 0

y también resulta:

μ1 = 8 μ2 = 19 μ3 = 7

Estas variables μ1, μ2 y μ3 llamadas variables artificiales, carecen de significado físico y se introducen solo
a efectos de facilitar el cálculo. Como no deben aparecer en la solución óptima, es decir que deben ser nulas
al llegar al último paso de la resolución, las introduciremos en el funcional multiplicadas por un coeficiente

indeterminado M, ´positivo e infinitamente grande, de modo que sea necesario poner:

μ1 = 0 μ2 = 0 μ3 = 0,

para que Z se haga mínimo en el último paso:

Z = 50 x1 + 25 x2 + 0 l1 + 0 l2 + 0 l3 + 0 μ1 + 0 μ2 + 0 μ3
Es fácil ver que mientras exista alguna variable artificial no nula en la solución, como están multiplicadas por
un valor infinitamente grande, el funcional será también infinitamente grande; de allí la necesidad de que se

anulen para poder minimizarlo.

Razonando del mismo modo vemos que en un problema de máximo en el que aparezcan relaciones de
mayor o igual, habría que poner:

Z =…………… - M . ∑ μi [ máx]
En resumen nuestro problema ha quedado planteado de la siguiente manera:

y podemos así proceder a la resolución, tal como lo indica la Tabla 10.10. El procedimiento es exactamente
el mismo que para el caso de maximización, salvo que las variables que introducen son aquellas que tienen

Zj - Cj positivo, y por lo tanto la solución óptima se obtiene cuando todos los Zj - Cj son negativos o nulos.

La justificación de esto último surge del análisis de la expresión:

Z(n) = Z (n -1) - ø . (Zj – Cj),

que, como habíamos visto, da el valor del funcional en el paso n-ésimo del proceso iterativo en función del

valor en el paso anterior. Como en este caso estamos minimizándolo, debe cumplirse que:
 Z(n) < Z (n -1),

y por lo tanto como el valor q que toma la nueva variable introducida es siempre positivo (q > 0), para que
aquello se cumpla debe ser:

(Zj – Cj) > 0.

Siguiendo este criterio, puede observarse que en el quinto paso de la iteración se ha alcanzado la solución
básica factible óptima, ya que no aparece ningún (Zj – Cj) > 0.

La justificación de esto últimos surge del análisis de la expresión:

Z(n) = Z(n-1) – Ɵ . (Zj – Cj),

que como habíamos visto, da el valor del funcional en el paso n – ésimo del proceso iterativo en función del
valor en el paso anterior. Como en este caso estamos minimizándolo, debe cumplirse que:

Z(n) < Z(n-1),

y por lo tanto como el valor Ɵ que toma la nueva variable introducida es siempre positiva (Ɵ > 0), para que
aquello se cumpla debe ser:

Zj – Cj > 0.

Siguiendo este criterio, puede observarse que en el quinto paso de la iteración se ha alcanzado la solución
básica factible óptima, ya que no aparece ningún Zj – Cj > 0.
Quiere decir entonces, que tal como indicaba la resolución gráfica, habrá que comprar 10 kgs/día del
alimento “R” y 40 kgs/día del “S” con un costo total de $ 1.500/día. El valor de las variables de holgura son: l1

= 5, l2 = 0 y l3 = 0; que nos indica además que con la dieta antes dicha, se satisfacen estrictamente los
requerimientos mínimos de afrechillo y maíz, y en cuanto a la avena, habrá un exceso de 5 kgs diarios sobre
el respectivo requerimiento mínimo.
 TABLA 10.10. Fuente: (s/d)

Si comparamos la resolución por el método Simplex con la resolución

Gráfica, podemos ver que los sucesivos pasos de la tabla de iteración
se corresponde con los puntos O, P, Q, D y C; vale decir que solo los
dos últimos pasos representan “soluciones básicas factibles”, ya que
 los tres primeros se corresponden con puntos que no pertenecen al
polígono de soluciones factibles (están fuera).

En términos generales, si en una solución aparece algunas de las variables auxiliares, es índice de que dicha
solución, si bien es básica (tiene igual número de variables no nulas que de restricciones), no es factible (no
satisface todas las restricciones).

También podemos destacar, que en el segundo paso al entrar λ1 en la solución, las únicas variables que
pueden salir son μ2 y μ3, pues x2 tiene un coeficiente negativo en la columna λ1, y por lo tanto el respectivo
valor de Ɵ sería negativo. (Dresdner, E.C., Evelson, A.R., Dresdner M.O. & Dreyfus M. (1998). Pág. 421, 422,
423, 424, 425, 426, 427, y 428).

* Al obtener la solución, ratificamos el concepto que se planteaba de que los λ son negativos, observando al
armar el sistema de ecuaciones final:

Modelos de optimización. Programación lineal

A continuación encontrarán un articulo donde se desarrollan aquellos conceptos relacionados a la

programación lineal como ser: la función objetivo, sus restricciones, solución factible y optima, entre otros.
La programación lineal da respuesta a situaciones en las que se exige maximizar o minimizar funciones que
se encuentran sujetas a determinadas limitaciones, que llamaremos restricciones.
Su empleo es frecuente en aplicaciones de la industria, la economía, la estrategia militar, etc.
Los invitamos a recorrer dicho artículo para seguir profundizando en los contenidos.

ACCEDER A WEB

Superprof (2019). ¿Qué es la programación lineal? . Recuperado en Julio de 2020:

[Link]
7 16

Cierre de la unidad

Si tengo la certeza de los resultados, ¿por qué necesito tomar

decisiones?

Porque conozco con certeza el resultado de todas las acciones, pero se debe elegir las alternativas
combinadas para optimizar el mejor resultado posible.

Bibliografía
de referencia
–

Pavesi, P.F.J., Bonatti, P., Avenburg D., Aguirre, M., Bortman, R., Dias, A. & Weissmann, E. (2004). La
Decisión - su Teoría y Práctica – Aplicaciones Conceptuales. Buenos Aires, Argentina: Grupo Editorial
Norma.

Velez Pareja, I. (2003). Decisiones Empresariales Bajo Riesgo e Incertidumbre. Bogotá, Colombia:
Editorial Norma.

de lectura obligatoria
–

Bonatti, P., Aguirre, M., Del Regno, L., Dias, A., Esseiva, F., Dias, A. & Weissmann, E. (2011). Teoría de la
Decisión. Buenos Aires, Argentina: Prentice Hall – Pearson.

Dresdner, E.C., Evelson, A.R., Dresdner M.O. & Dreyfus, M. (1998). Técnicas Cuantitativas. Avellaneda,
Provincia de Buenos Aires, Argentina: Ediciones Universo.
8 16

Introducción a la unidad

¿Las probabilidades verdaderamente nos pueden ayudar a

tener una estimación de los sucesos futuros, y guiarnos en
nuestra decisión?

Contenidos de la unidad

1 Decisiones bajo riesgo

2 Concepto de riesgo. Riesgo y rentabilidad

Medición del riesgo

3
 3
4 Teoría de la probabilidad

5 Herramientas de la decisión: árboles y matrices de decisión

6 Decisiones Bayesianas

En la anterior unidad, decíamos que en el caso de tomar decisiones en condición de certeza teníamos un
enorme número de alternativas posibles, conociendo con toda certidumbre sus respectivos resultados.

Ahora, cuando nos abocamos a las decisiones en condición de riesgo, habrá que elegir las alternativas que a
criterio del decisor considera las más trascendentes. Como hemos expuesto anteriormente en el curso,
tienen además el carácter de variables controladas.

Pero cuando examinamos los futuros posibles o escenarios que se presentan, tenemos que catalogar los

mismos, como variables no controlables.

En este caso, al no estar en condición de certeza, habrá que recurrir a la observación de los hechos del
pasado para tener algún indicio de lo que acontecerá en el futuro. Esto, de alguna manera, orienta al decisor
a utilizar unas herramientas muy importantes que son las probabilidades.

Por esta razón, el desarrollo del curso contempla el punto 6.3. En esta unidad, donde se reflexiona sobre la
asignación de probabilidades a través de cualquier método, siempre y cuando se respete la condición de que
los valores que asumen esas probabilidades, deben quedar entre cero y uno; y que la suma de todas las
probabilidades debe ser igual a uno.

No obstante lo expresado en el párrafo anterior, existen tres métodos muy conocidos como: el Método
Clásico, el Método de Frecuencia Relativa, y el Método Subjetivo.

También se trata de hacer recordar al alumno, conceptos muy utilizados como son las variables aleatorias,
las que pueden asumir su condición de variable discreta o variable continua.
Además, existen dos apartados relacionados con el concepto de riesgo y su medición. Veremos que en una
aproximación a la definición de riesgo, se consigna la contingencia al daño; es decir, el peligro latente de que
algo negativo puede suceder para los individuos o empresas.

El riesgo siempre está presente en las organizaciones comerciales, pues la mayoría de las veces, su
rentabilidad proviene de lo que se llama el riesgo empresario.

Hay dos elementos que configuran el riesgo, uno es el futuro y el otro son las variables aleatorias. Así si se
conociera exactamente los sucesos futuros, o las variaciones certeras de las variables incluidas en el

modelo de decisión, no existiría el riesgo.

Pasando al plano práctico, vamos a desarrollar dos modelos que ayudan al decisor, y que ya se las ha
nombrado: Matrices de Decisión o de Resultados, y Arboles de Decisión.

Para que estos modelos den algún resultado para la solución de los problemas que se presenten, habrá que

ir integrando conceptos que ya se incorporaron en otras unidades, como es el del Valor Esperado.

Se destaca un apartado especial, para que el alumno pueda discernir un componente muy importante de la
decisión, que es la parte subjetiva del decisor, desarrollada bajo el título de “Utilidad Subjetiva del Dinero”.

Recordando que los modelos son representaciones de la realidad, la decisión va a estar influenciada por la
percepción y experiencia de quien toma la decisión.

El último punto de la unidad (Decisiones Bayesianas), aporta una visión más moderna de las probabilidades
para darle al sujeto decisor un instrumento más para contemplar la realidad cambiante.

En este caso, se retoma el concepto del “Método Subjetivo” y se explica su utilización por medio de casos
prácticos; incluyendo en su contenido los diferentes conceptos de: las probabilidades a priori (que son las

primeras conocidas), las probabilidades condicionales (que serían las nuevas que se conocen), las
probabilidades conjuntas, y la probabilidad total.
Comenzar la unidad
Te invitamos a recorrer el contenido de la unidad.

IR AL CONTENIDO
9 16

Tema 1: Decisiones bajo riesgo

Estos problemas aparecen con probables varios resultados (Xij)

para cada alternativa Ai, en función de los diferentes futuros (Fj)
que pueden tener lugar; pero en este caso estos futuros tienen
probabilidades asociadas que se pueden conocer o estimar; así
la suma de todas las probabilidades asignadas a cada futuro es
igual a 1, ya que para aplicar el modelo debemos considerar
todos los futuros posibles.

Por esta razón, la elección de la alternativa óptima estará condicionada no solo por los resultados (Xij), sino
también por la probabilidad de ocurrencia de cada escenario o futuro.

Antes que nada, habría que “observar y seleccionar” en la matriz de resultados si existen alternativas
“dominadas” para eliminarlas y simplificar el análisis.

Toma de decisiones bajo riesgo

Los invitamos a recorrer el siguiente link donde podrán recorrer un prezi en el cual se describen los 3
escenarios posibles al momento de la toma de decisiones.

“TOMA DE DECISIONES BAJO RIESGO”

B y Va nne Rive ra
VR
S ept. 2 1 , 2 0 1 5

Present

View on [Link]

Rivera, V. (2015). Toma de decisiones bajo riesgo. [Presentación] Prezzi

10 16

Tema 2: Concepto de riesgo. Riesgo y rentabilidad

El riesgo está presente en caso todas las actividades que emprende

el ser humano. Es muy difícil hallar situaciones donde no exista al
menos una pizca de riesgo o incertidumbre, una rendija donde se
pueda filtrar el azar y dodo lo que inicialmente parecía seguro se
desmorone como un castillo de naipes.

La gestión de riesgo es un aspecto que se debe incorporar siempre (aunque sea informalmente) en el
análisis de sensibilidad, ya que es vital entender y manejar el riesgo en todo tipo de decisión sujeta a algún
rango de incertidumbre.

Usualmente, se suele asociar al riesgo con algo malo o con una pérdida respecto a un valor esperado. De
hecho, la definición de riesgo que encontramos en Wikipedia es la siguiente:

“Riesgo es la contingencia de un daño. A su vez contingencia

significa que el daño en cualquier momento puede
materializarse o no hacerlo nunca. Por ejemplo, diariamente
corremos el riesgo de morir en un accidente de tránsito; pero
puede que la muerte llegue en otra circunstancia diferente.
Cualquier cosa que pueda provocar daños, cualquier tipo de
daño es un riesgo”.

Estas definiciones reflejan claramente lo que nos produce el escuchar la palabra riesgo. Pánico total.

Sin embargo, si entendemos al riesgo como “toda variación con respecto a un valor esperado” y está
implícito que esa variación puede ser tanto positiva como negativa; de hecho, riesgo es cuando una variable
se mueve de manera diferente a lo esperado, ya sea hacia valores más altos o más bajos de lo esperado, el

cual usualmente es un valor promedio o central. Que una empresa esté sujeta a una situación de riesgo
implica que puede surgir una pérdida o generar una ganancia con respecto a los valores esperados
originalmente.

El riesgo deriva de la existencia de dos factores: el futuro y las

variables aleatorias.

Es necesario que ambos factores existan. Si las cosas ocurrieran en el presente, no habría valor esperado
(en su existencia está implícito el futuro) ni variaciones, dado que todos los valores serían conocidos con

exactitud. Por otro lado, si lográsemos eliminar la aleatoriedad de las variables, su comportamiento sería
conocido con exactitud de antemano y no existiría riesgo alguno, por lo cual sería irrelevante si existe o no el
futuro.

El riesgo es inherente a la empresa, ya que legitima la existencia de los beneficios corporativos, ya que estos

son una recompensa por la asunción de riesgos. El empresario es un tomador de riesgo ya que decide
arriesgar su capital en una empresa para obtener un rendimiento acorde con el riesgo asumido. Los
inversores que deciden poner su dinero en un proyecto en una determinada industria deben conocer los
riesgos que enfrenta y esperan rentabilidades acordes con el riesgo asumido.

“Este principio puede aplicarse a cualquier tomador de decisiones, este o no inmerso en el mundo

empresario. Para ir a un extremo, un asaltante de bancos seguramente evaluará, a su manera, cuánto riesgo

está dispuesto a correr en función del botín que persigue. Seguramente no arriesgará su vida cuando el

monto sea bajo, mientras que si con el atraco puede pasarse la gran vida por el resto de su existencia, tal
vez esté dispuesto a morir en el intento o ser encerrado en una prisión si es capturado. Todas las decisiones

contienen un riesgo y un retorno. Es fundamental conocer ambos”

- Bonatti, P., Aguirre, M., Del Regno, L., Dias, A., Esseiva, F., Dias, A.,… & Weissmann, E. (2011. PP. 231 y 232)
11 16

Tema 3: Medición del riesgo

Los términos riesgo e incertidumbre suelen ser usados como sinónimos. Sin embargo, hay una importante
diferencia en el análisis de decisiones.

Hablamos de incertidumbre
cuando no podemos asignar una
Incertidumbre distribución de probabilidades al
comportamiento futuro de una
variable aleatoria.
 Hablamos de riesgo cuando sí
podemos asignar una distribución
Riesgo
de probabilidades a dicho
comportamiento.

Para gestionar el riesgo y comprender lo que se enfrenta, a efectos de cuantificarlo, entenderlo, comunicarlo
y manejarlo. Para cuantificar el riesgo es necesario conocer la magnitud de lo movimiento de las variables
aleatorias que generan la volatilidad, con el fin de poder estimar el impacto que sus fluctuaciones pueden
tener en la decisión. Lo que interesa es conocer la volatilidad futura de la variable aleatoria, lo cual no es
nada sencillo.

Una de las maneras de enfrentar este problema es mirar cómo se ha comportado la variable en el pasado, y
asumir que en el futuro se comportará de manera similar. Para esto se suele medir la volatilidad de la
variable en el pasado, calculando su distribución de probabilidades, que luego se replica en la volatilidad
futura. Con la distribución de probabilidades podemos saber cuál es la probabilidad de un movimiento de una

determinada magnitud en la variable aleatoria.

Lamentablemente, este enfoque trae algunos problemas dado que
no siempre asumir que el comportamiento pasado de una variable
es un buen indicador de su comportamiento futuro.

Supongamos que queremos estimar el comportamiento de la tasa de interés, lo que constituye una típica

variable aleatoria que afecta el flujo de fondos de una empresa. A medida que nos alejamos en el pasado,
las variables del entorno que influenciaron el comportamiento de la tasa de interés van siendo cada vez más
diferentes de las condiciones que encontramos en el presente. Esto hace que a veces no sea una buena
idea replicar los comportamientos del pasado al futuro. Para superar ese problema es fundamental que el
decisor tenga buenas habilidades para estimar el comportamiento futuro de la variable.

“A efectos de entender mejor el concepto de riesgo e incertidumbre es necesario introducirnos al estudio de

las probabilidades”

- Bonatti, P., Aguirre, M., Del Regno, L., Dias, A., Esseiva, F., Dias, A.,… & Weissmann, E. (2011. PP. 232 y 233).
12 16

Tema 4: Teoría de la probabilidad

En este punto, brevemente tratamos de dar un panorama conciso del concepto de probabilidad. Instrumento
imprescindible para el análisis de las decisiones bajo riesgo.

La probabilidad es una medición numérica de que un evento

ocurra. Los valores de probabilidad siempre se asignan en una
escala de cero a uno. Una probabilidad cercana a cero indica que
es poco probable que ocurra un evento, mientras que una
cercana a uno sugiere que es casi seguro que el evento suceda.
Probabilidades entre cero y uno representan varios grados de
confiabilidad de que un evento ocurra.

Podemos definir “experimento” como cualquier proceso que genere resultados bien definidos. En cualquier

repetición individual de un experimento, ocurrirá solo uno de los resultados experimentales posibles. Por
ejemplo, si un experimento es arrojar un dado, los resultados experimentales posibles serán 1, 2, 3, 4, 5 y 6.
Estos resultados experimentales posibles es lo que se conoce como “espacio muestral” que engloba el 10%
de los potenciales resultados.
A diferencia del concepto de experimento en un laboratorio, donde el investigador supone que bajo ciertas
condiciones si repite el experimento y lo ejecuta de la misma forma en que realizó el original, mantendrá el
mismo resultado;

En el experimento que estudiamos en probabilidades, el resultado

queda determinado por la causalidad y aunque el experimento se
realizará nuevamente de la misma manera puede ocurrir un resultado
distinto.

En la asignación de probabilidades a resultados experimentales deben satisfacerse dos requisitos básicos:

1 Los valores de probabilidad asignados a cada resultado experimental deben quedar entre cero
y uno.

2 La suma de todas las probabilidades de resultados experimentales debe ser igual a uno.

Retomemos el ejemplo del dado y supongamos que lo arrojamos veinte veces. Los dos requisitos

enunciados se cumplirían en el siguiente caso:

 Fuente: (s/d)

Es aceptable cualquier método para asignar probabilidades siempre que satisfagan estos dos
requerimientos (ver cuadro 6.1).

En la práctica se usan tres: el método clásico, el método de frecuencia relativa y el método subjetivo.

El método clásico
–
Es cuando suponemos que de producirse varios resultados posibles, los mismos tendrán igual probabilidad
de ocurrencia. Por ejemplo, si tiramos una moneda al aire le asignaremos un 50% de probabilidades que
sea cara o cruz. Es decir, si un experimento tiene n resultados posibles, el método clásico asignará una
probabilidad e 1/n a cada resultado experimental. Este método también se conoce con el nombre de
Laplace por ser quien lo popularizó.

El método de frecuencia relativa

–
Se basa en experimentos anteriores para replicar a futuro una probabilidad de ocurrencia de cierta variable
aleatoria. Supongamos que una agencia de promociones debe lanzar un producto que utilizará una técnica
de marketing telefónico donde los empleados le intentan vender el producto al cliente potencial luego de
hacer contacto. Los resultados posibles son venta o no venta del producto. A efecto de estimar la
probabilidad de suceso, se busca en promociones similares realizadas en el pasado y se constata que de
1.000 contactos telefónicos realizados se han producido 350 ventas. Usando esta información para la
nueva promoción se estimará un 35% (350/1.000) de probabilidad que se produzca la venta y un 65% (1.000
– 350/1.000) de que no se realice la misma.

El método subjetivo
–
Se utiliza cuando los resultados experimentales no tienen igual probabilidad de ocurrencia y además no hay
datos disponibles para utilizar las frecuencias relativas. Este método se utiliza usualmente para decisiones
únicas y para cuando, si bien puedan existir datos pasados para consultar frecuencias, los mismos no son
confiables, ya que el contexto actual no tiene similitudes con los resultados que generaron los datos
históricos. El método subjetivo implica un grado de creencia personal y distintos individuos pueden tener
distintas percepciones con diferentes estimaciones de probabilidad que a priori puede ser razonables
aunque no coincidan.
“Tanto el método clásico como el de frecuencia relativa son considerados métodos objetivos porque se

basan en datos empíricos y contrastables que son independientes de juicios humanos. Mientras el subjetivo

se basa en la experiencia y psicología del decisor como una medida de confianza o creencia”

- Bonatti, P., Aguirre, M., Del Regno, L., Dias, A., Esseiva, F., Dias, A.,… & Weissmann, E. (2011. PP. 234, 235 y 236)

En los puntos desarrollados anteriormente, se ha mencionado repetidas veces el término de “variable

aleatoria”, por lo tanto, diremos que se denomina variable aleatoria a aquella cantidad que puede tomar
diferentes valores entre una prueba y otra de un experimento u observación. Si solo son posibles ciertos
valores específicos (por lo regular enteros), la variable aleatoria se denomina variable discreta. Ejemplo:
número de habitaciones de un hotel, el número de personas que ingresan al mismo o la cantidad

defectuosas de piezas de un lote de producción.

Si la variable aleatoria toma cualquier valor dentro de cierto rango, se le denomina variable continua. Ejemplo
de este tipo de variables son los pesos de las personas, la longitud de una pieza manufacturada, y el tiempo
de llegada de los trenes a una terminal determinada.
13 16

Tema 5: Herramientas de la decisión: árboles y

matrices de decisión

En el Módulo 1 – Unidad 1 (1.3. El Proceso Decisorio. Ambientes de decisión) se consignó que los
“Elementos del Proceso Decisorio” se formalizan en dos herramientas básicas, la “Matriz de Decisión” y
“Árboles de Decisión”.

También recordamos que las matrices se aplican ante situaciones que implican una decisión única, en
cambio, es conveniente utilizar árboles de decisión cuando se trata de situaciones de decisión de tipo

secuencial o multiperiódico con una proyección a través del tiempo. Pero esto no quita que el decisor pueda
utilizar estas herramientas indistintamente.

Estas, junto al concepto del “Valor Esperado” (desarrollado en el Módulo 2 – Unidad 3 (3.3. Valor esperado y
utilidad esperada); puede ser importante para un administrador o gerente desde el punto de vista tanto de la

planeación como de la toma de decisiones.

El Valor Esperado nos ayuda a tomar decisiones cuando nos

encontramos en la disyuntiva de elegir distintas alternativas para
solucionar problemas concretos, como el ejemplo práctico muy
sencillo, y relacionado con el mundo comercial que exponemos a
continuación.

Supongamos que un distribuidor mayorista comercializa un mismo producto de dos marcas diferentes (una
de primera línea, y otro de segunda línea). Por la experiencia que tiene en el negocio, sabe que existe una
correlación en la adquisición de los productos con la fluctuación del salario real de los consumidores.

Debe proyectar las ventas para el segundo semestre del año, para así poder decidir si incrementa la compra

de más productos de los fabricantes de la primera marca o más productos de quienes fabrican la segunda
marca. La idea es que la elección de una alternativa excluye totalmente a la otra y para tomar una decisión
desea analizarlo desde el criterio del valor monetario esperado.

Para ello cuenta con la siguiente información:

1 Si el salario real de los consumidores en el período que se proyecta se mantiene igual o varía
en más o en menos dentro de un rango del 10%, las ganancias por las ventas se mantienen en
el mismo nivel que el primer semestre del año (1ra. Marca $ 400.000,00 y 2da. Marca $
300.000,00)

2 Si el salario real de los consumidores en el período que se proyecta se incrementa por encima
del 10% las ganancias por las ventas serían: 1ra. Marca $ 800.000,00 y 2da. Marca $
400.000,00.

3 Si el salario real de los consumidores en el período que se proyecta disminuye por debajo del
10% actual, las ganancias por las ventas serían: 1ra. Marca $ 200.000,00 y 2da. Marca $
600.000,00.
Teniendo en cuenta estos tres escenarios posibles se ha conseguido información de una consultora
especializada en dar información macroeconómica, donde se le informa al distribuidor que las
probabilidades de ocurrencia de estas situaciones son:

Que el salario real de los consumidores en el período que se proyecta se mantenga igual o
varíe en más o en menos dentro de un rango del 10%, tiene una probabilidad de 0,40.

Que el salario real de los consumidores en el período que se proyecta se incrementa por
encima del 10%, tiene una probabilidad de 0,30.

Que el salario real de los consumidores en el período que se proyecta disminuye por debajo del
10%, tiene una probabilidad de 0,30.

Con toda esta información armamos nuestra matriz de resultado:

Fuente: (s/d)

El criterio del Valor Económico Esperado (o simplemente valor esperado), consigna que una decisión
racional se inclinará por la alternativa que brinde la mayor de las ganancias esperadas. Es decir, que el valor

esperado no es más que el promedio aritmético ponderado de los distintos valores, usando como factor de
ponderación las respectivas probabilidades.
Por lo tanto, tendremos en nuestro ejemplo y para cada una de las alternativas posibles;

V.E. (A1) = 400000 . 0.40 + 800000 . 0,30 + 200000 . 0,30 = 460.000

V.E. (A2) = 300000 . 0,40 + 400000 . 0,30 + 600000 . 0,30 = 420.000

El valor esperado ponderado por las distintas probabilidades, nos aconseja elegir la alternativa (A1), ya que
obtendría una diferencia con la otra alternativa de 40.000. Esto es así, ya que si este mismo problema de
decisión se planteara un gran número de veces, ganaría en promedio $ 40.000 más que si eligiera la
adquisición del producto de 2da. Marca (A2)

Esta es una matriz que hemos trabajado como de ganancia, pero

también podríamos trabajar con costos o pérdidas, siguiendo el
mismo criterio que hemos estado utilizando.

Por su parte, el Árbol de Decisión, que en general decíamos que se utiliza como una serie de decisiones
concatenadas, puede tener asociada una matriz.

Existen numerosos programas informáticos destinados a la

confección de árboles de decisión, constituyendo un instrumento de
 gran utilidad para tener una visión total del problema a resolver y
poder exponer claramente la solución óptima.

Ahora vamos a resolver el problema de decisión que tenía el distribuidor mayorista, para poder simplificar la
comprensión del procedimiento:

Primer Paso
Comenzamos la construcción de un “Diagrama Árbol” con todas nuestras posibilidades y alternativas.

El árbol se construye de izquierda a derecha. Las ramas con línea tipo guion representan los varios eventos
que pueden ocurrir en sus respectivas probabilidades, mientras que las ramas dibujadas con línea entera,
representan las alternativas que la persona encargada de la decisión puede elegir. Los nodos representan el
acto a elegir entre las alternativas.
 Fuente: (s/d)

Segundo Paso
El método que seguimos tiene las siguientes premisas:
 El mismo sigue el concepto del valor esperado.

La determinación del valor esperado para cada nodo se hace partiendo de los últimos nodos y
retrocediendo en los cálculos hacia los primeros.

En los nodos que no implican decisión entre alternativas por parte de la persona (es decir, en
los nodos que decide “la naturaleza”, como por ejemplo el B o el G), el valor solo depende de
los eventos futuros y no de las decisiones previas.

En los nodos en que se encuentra bajo el control de quien decide (por ejemplo A o C), la
elección se realiza entre los nodos que se encuentran inmediatamente a continuación sobre la
base del mayor valor.

V.E.B = 400000 . 0.40 + 800000 . 0,30 + 200000 . 0,30 = 460.000

V.E.G = 300000 . 0,40 + 400000 . 0,30 + 600000 . 0,30 = 420.000

V.E.C = 420.000

Como estamos en un problema de decisión que involucra ganancia elegimos el mejor Valor Esperado
(V.E.B).

Utilidad Subjetiva del Dinero

El Criterio del Valor Monetario Esperado considera a todos los

resultados monetarios (ganancias o costos) de los distintos futuros
ponderados por la probabilidad de ocurrencia de cada uno. No
obstante, no seríamos totalmente sinceros sino determinamos
ciertas situaciones en que este criterio no es aplicable.

En las primeras clases recordábamos a los pensadores de la Antigua Grecia, que desarrollaron una forma de
tomar decisiones, la toma de decisiones racionales, favorecida por el desarrollo del estudio de la estructura
del razonamiento y la lógica; pero este sistema racional tenía un gravísimo defecto, y es que identifica lo
lógico con lo verdadero, sin tomar en cuenta que el mundo que crea nuestro intelecto no coincide en general

con el mundo real.

Recordemos que los modelos que estamos viendo son abstracciones

de la realidad, y para llegar a una toma de decisión lo más acertada
posible hay un aspecto importante que es la percepción y experiencia
de quien toma la decisión.

Teóricamente, el tema se estuvo desarrollando en el Módulo 1 (Unidad 2, punto 2.4. Función de utilidad) y en
el Módulo 2 (Unidad 3, punto 3.2. Teoría del valor).

J. Von Neumann y O. Morgenstern desarrollaron un ejercicio ingenioso para poder observar lo que estamos

tratando:

Supongamos que nos proponen elegir entre dos actos o acciones. El

Acto 1, con absoluta seguridad, no implica ganancia o pérdida alguna.

El Acto 2, por el contrario, conducirá ya sea a una ganancia de $
 550.000 o a una pérdida de $ 450.000, ambas situaciones (futuros) con

una probabilidad de 0,50.

Armamos la Matriz de Decisiones:

Fuente: (s/d)

A no ser que tengamos mucho dinero o alma de jugadores, es muy posible que eligiéramos el Acto 1, a pesar
de que el Acto 2 tiene un Valor Monetario Esperado de $ 50.000 contra solo $ 0 del Acto 1.

No hay nada de irracional, en la elección, dado que hay una diferencia importante entre los riesgos implícitos
de uno u otro acto, y esta diferencia no se ve reflejada en los Valores Monetarios Esperados. Puede ser
deseable renunciar a $ 50.000 de valor esperado para protegerse contra la posible pérdida de $ 450.000.

Ahora, sí, en cambio, nos dieran otra alternativa como Acto 3 que conduce alternativamente a una ganancia
de 55 centavos o a una pérdida de 45 centavos (siempre con la probabilidad de 0,50 para cada uno de los
futuros). En este caso, probablemente nos decidamos a actuar de acuerdo al Valor Monetario Esperado (5
centavos), y elijamos el Acto 3, puesto que la diferencia en riesgo es muy pequeña en términos absolutos.
 Este ejemplo nos demuestra que el Criterio de Valor Monetario
Esperado a un problema particular de decisión depende de los riesgos
relativos de las alternativas consideradas y de la actitud que asume
frente al riesgo el encargado de la decisión.

Ninguna regla inflexible y segura puede entonces darse, dado que el problema depende fundamentalmente
de las circunstancias personales del individuo que va a tomar la decisión. Así, una empresa con grandes
recursos financieros, por ejemplo, será capaz de asumir más riesgos que una que tiene problemas para
pagar sus cuentas; en consecuencia, la primera de todas las empresas puede estar dispuesta a usar el
C.V.M.E. en un mayor número de casos.

Por último, no podemos dejar de ignorar en la toma de decisión, la importancia que tiene el valor de cada
probabilidad en los futuros dados:

Fuente: (s/d)

Resulta obvio que recaerá en una u otra alternativa de acuerdo a los valores que se le asigne a la
probabilidad, así para P = 1 (lo que significa que estamos pidiendo que elija entre obtener $ 0 con toda

seguridad o ganar $ 550.000 con toda seguridad), la decisión recaerá sobre el Acto 2. En cambio, para P = 0
(lo que significa que elija entre ganar $ 0 como algo seguro o perder $ 450.000 también como algo seguro),
elegiría el Acto 1.
Esto nos indica que habrá una franja de entre 0 y 1 para cada probabilidad, influirá subjetivamente a quien
decide (cuanto más cerca del 1 como: 0,70, 0,80, 0,90….). A esto, habrá que adicionarle, como vimos, qué
comportamiento se tiene frente al riesgo, e incluso actitud variable frente a iguales sucesos en el tiempo.
14 16

Tema 6: Decisiones Bayesianas

En esta Unidad, específicamente en el punto 6.3 (Teoría de la Probabilidad), se trataron los distintos métodos
para aplicar las probabilidades. El último es el método subjetivo que comprende el “Enfoque Bayesiano de la
Decisión”.

En los últimos tiempos se ha desarrollado una corriente de pensamiento que se caracteriza por encarar el
proceso decisorio dinámicamente, asumiendo una posición diferente a la tradicional con respecto a lo que

debe interpretarse como probabilidades.

Esta nueva corriente comienza por asignarle al

concepto de probabilidad una connotación

subjetiva, es decir, que supone que toda decisión

implica una “creencia” acerca de las

probabilidades de presentación de los distintos

futuros posibles, acorde con la estructura de

probabilidades mental que tiene el tomador de la

decisión, a diferencia de lo que sostienen los

estadísticos clásicos u objetivistas, quienes

oponen reparos a dichos conceptos, afirmando

 que la probabilidad es el valor límite de una serie
de pruebas repetidas. Esta objeción puede, sin

embargo, soslayarse, si se tiene en cuenta que la

experiencia de todos los días no indica que por lo

general cuando tomamos una decisión es porque

“creemos” algo acerca de los acontecimientos que

sobrevendrán.

En cambio, los clásicos u objetivistas afirman que la probabilidad es el valor límite de una serie de pruebas
repetidas.

Esta posición de los clásicos se contradice con las posturas modernas que nos dicen que por lo general

cuando tomamos una decisión es porque “creemos” algo acerca de los acontecimientos futuros que
sobrevendrán.

El segundo aspecto que distingue a este enfoque es que considera

especialmente la necesidad, por parte del tomador de la decisión
que se encuentra ente información parcial, de obtener mayor
información que le permita cambiar sus “creencias” acerca de la
distribución de probabilidades.
Es precisamente por esta razón que este enfoque se conoce como enfoque bayesiano de la decisión, pues
hace uso extensivo del Teorema de Bayes para el cálculo de probabilidades con información adicional.

“Esta posición es más realista, pues implica la aceptación de un proceso de aprendizaje en la decisión: los

casos reales varían entre situaciones ante incertidumbre y ante riesgo, según el grado de conocimiento que
se tenga de la distribución de probabilidades. Si el tomador de la decisión en lugar de aceptar pasivamente el

problema decide obtener mayor información (siempre que su valor sea mayor que su costo), esta es una
nueva estrategia que le hará cambiar sus conocimientos previos acerca de la distribución de probabilidades.
Si hay un cambio de conocimientos, hay aprendizaje y la nueva información tiene valor. Si no hubiera cambio

de conocimientos, no hay aprendizaje, y, por lo tanto, el valor de la información adicional es nulo”

- Dresdner, E.C., Evelson, A.R., Dresdner M.O. & Dreyfus M. (1998. PP. 189 y 190)

El Teorema de Bayes, original del Reverendo Thomas Bayes, y publicado póstumamente en 1763,

establece en términos generales que se pueden presentar varios eventos distintos (Ai), en función de varias

“causas” posibles (B) mutuamente excluyente y colectivamente exhaustivas. El teorema establece que el
valor a posteriori de la probabilidad de aparición de una causa B cuando se sabe que se ha producido el

evento Ai, puede calcularse a partir del valor a priori de la probabilidad de dicha causa B de acuerdo a la
siguiente expresión:

(1) Las probabilidades a priori (son las primeras conocidas)

(2) Las probabilidades condicionales (las nuevas que se conocen)

(3) Las probabilidades conjuntas (la multiplicación de (1) y (2))
(4) La probabilidad total, que es la suma de las probabilidades conjuntas
Para poder apreciar el aporte del Teorema de Bayes se expone un caso práctico, muy simple y conocido en
diversos ámbitos, cuyo enunciado es el siguiente:

El parte meteorológico ha anunciado tres

posibilidades para el fin de semana:

a) Que llueva: probabilidad del 50%.

b) Que nieve: probabilidad del 30%

c) Que haya niebla: probabilidad del 20%.

Según estos posibles estados meteorológicos, la

posibilidad de que ocurra un accidente es la

siguiente:

a) Si llueve: probabilidad de accidente del 10%.

b) Si nieva: probabilidad de accidente del 20%

 c) Si hay niebla: probabilidad de accidente del
50%.

Esta situación lo podemos representar en un “Diagrama de Venn”

Fuente: (s/d)

Resulta que efectivamente ocurre un accidente y como no estábamos en la ciudad no sabemos qué tiempo
hizo (nevó, llovió o hubo niebla). El teorema de Bayes nos permite calcular estas probabilidades:

Probabilidades a priori
–
Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente (lluvia con el 50%, nieve
con el 30% y niebla con el 20%).
Probabilidades a posteriori
–
Una vez que incorporamos la información de que ha ocurrido un accidente, las probabilidades del suceso A
cambian: son probabilidades condicionadas P (B/A),

Quizás nos ayude en el razonamiento construir un “Diagrama Árbol”:

Fuente: (s/d)

Aplicamos la fórmula:
 1

Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el día del accidente (probabilidad a posteriori) es
del 23,8%.

Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 28,5%.

Probabilidad de que hubiera niebla:

La probabilidad de que hubiera niebla es del 47,6%.

Como dato, la sumatoria de todas las probabilidades debe ser igual a uno como comprobación.
Como conclusión, vemos que cambió la opinión del decisor; ya que con la información de la probabilidad a
priori se hubiera pensado que se produjo el accidente con lluvia (50%) ya que es la mayor, pero con la nueva
información incorporada con un 47,6% se puede afirmar que había niebla al momento de producirse el

accidente, siendo esta la mayor en esta segunda instancia.

Teorema de Bayes

Con el video reforzamos los conocimientos del Teorema de Bayes, incluyendo un ejercicio práctico muy

sencillo que puede ayudar a la comprensión del tema.

Teorema de Bayes

Estadística útil. (2014). Teorema de Bayes. Recuperado el 26 de julio de 2019 de: [Link]

v=yWUTaQOwjxU&feature=[Link]
15 16

Cierre de la unidad

¿Las probabilidades verdaderamente nos pueden ayudar a

tener una estimación de los sucesos futuros, y guiarnos en
nuestra decisión?

Cuando se expuso el proceso decisorio, entre los sucesivos pasos, teníamos la obtención de información
transformada en dato. Entonces las probabilidades (datos del pasado) nos puede dar una estimación de las
variables que nos importan, para poder predecir el comportamiento de las mismas en el futuro.

Bibliografía
de referencia
–

Pavesi, P.F.J., Bonatti, P., Avenburg D., Aguirre, M., Bortman, R., Dias, A. & Weissmann, E. (2004). La
Decisión - su Teoría y Práctica – Aplicaciones Conceptuales. Buenos Aires, Argentina: Grupo Editorial
Norma.

Velez Pareja, I. (2003). Decisiones Empresariales Bajo Riesgo e Incertidumbre. Bogotá, Colombia:
Editorial Norma.

de lectura obligatoria
–

Bonatti, P., Aguirre, M., Del Regno, L., Dias, A., Esseiva, F., Dias, A. & Weissmann, E. (2011). Teoría de la
Decisión. Buenos Aires, Argentina: Prentice Hall – Pearson.

Dresdner, E.C., Evelson, A.R., Dresdner M.O. & Dreyfus, M. (1998). Técnicas Cuantitativas. Avellaneda,
Provincia de Buenos Aires, Argentina: Ediciones Universo.
16 16

Descarga del contenido

¿Quieres imprimir el contenido del módulo?

Para descargar el contenido del módulo, e imprimirlo, haz clic en el archivo que se encuentra a continuación.