FASE 5.

EVALUCION FINAL POA

FADIE LISET AGUDELO VIANCHA

CODIGO: 46378423

GRUPO 200608_7

TUTOR
RANDY ZABALETA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA “UNAD”

ESCUELA DE CIENCIAS BASICAS TEGNOLOGIA E INGENIERIA
CEAD SOGAMOSO
Diciembre 5 de 2017

1
 INTRODUCCIÓN

En el siguiente trabajo colaborativo, se elaboran ejercicios, se desarrollan por medio de los criterios de
decisión necesarios, para aplicar en los métodos de toma de decisiones bajo un entorno de riesgo
obteniendo soluciones a problemas presentados en el ámbito profesional. Un sistema que varía su estado
a lo largo del tiempo, siendo cada cambio una transición del sistema, la probabilidad que es constante a
lo largo del tiempo, eventualmente en una transición, el nuevo estado puede ser el mismo que el anterior
y es posible que exista la posibilidad de influir en las probabilidades de transición actuando
adecuadamente sobre el sistema.
La teoría de las decisiones es una herramienta que se apoya en la probabilidad. Esta determina, a partir
de un conjunto de alternativas posibles, cual es la decisión óptima para un conjunto particular de
condiciones.
Contiene los elementos fundamentales que hacen parte de una decisión, son: A) Las opciones
disponibles. B) Los estados de la naturaleza, que no están bajo el control de quien toma la decisión. C)
Los pagos.

2
 JUSTIFICACION

Con el desarrollo del siguiente trabajo colaborativo de la fase final del curso de teoría de las decisiones
se quiere resaltar la importancia de la estadística en el manejo de mediciones y procesos inferenciales, la
probabilidad en el conocimiento y manejo de los variados valores esperados y desviaciones, y la algebra
lineal en el manejo y uso de las matrices necesarias para las decisiones con cadenas de markov y como
su aplicabilidad en los ejercicios planteados a través de criterios de decisiones, bajo un entorno de riesgo
obteniendo soluciones a problemas que se pueden presentar en el ámbito profesional.
Este trabajo lo desarrollo con el objeto de dar cumplimiento a los requerimientos exigidos por el curso y
a su vez buscando llevar a la práctica estos conocimientos que me permitan dar soluciones a los
diferentes problemas en mi vid profesional.
Se empleara la teoría de juegos y decisiones bajo incertidumbre utilizando herramientas tecnológicas
para desarrollar una simulación a diversos problemas que se pueden presentar en la ejecución de toma
de decisiones para el logro de objetivos propuestos en el ámbito profesional.
El trabajo colaborativo se desarrollo tomando los conocimientos aprendidos previamente y las
herramientas matemáticas, metodológicas y analíticas vistas en el curso, para poder resolver los
problemas planteados que requirieron de la toma de decisiones, bajo un entorno de riesgo.

3
 OBJETIVOS

GENERAL

Realizar un estudio comparativo con el tiempo a través de las decisiones se debe realizar el análisis
desarrollando la correspondiente tabla de costos como si fueran dos productos exclusivos y tomar la
decisión como una teoría de juegos.

ESPECÍFICOS

 Analizar la importancia del pensamiento y la toma de decisiones empleando la teoría de juegos y

decisiones bajo incertidumbres para llevarlo a la práctica mediante herramientas tecnológicas.

 Reconocer las diferentes herramientas que nos muestra el módulo de Teoría de decisiones como
son las Cadenas de Markov, Decisión bajo incertidumbre con Costos-ganancias, Inventarios,
Pronósticos, teoría de colas y de juegos.

 Desarrollar simulaciones aproximadas que permitan dar solución a diversos problemas del
ámbito profesional.

4
Paso 1. Situación Problema - Valor Esperado.

La empresa AAA Distribuidor quiere determinar la mejor alternativa para comercializar un producto en
el mercado, para ello entre muchas alternativas a escogido tres (Alternativa 1, Alternativa 2 y
Alternativa 3), y ha estimado su ganancias de acuerdo a tres estados de la naturaleza (Demanda Baja,
Demanda Media y Demanda Alta) Determinar el VEIP, VEIM y la Utilidad Esperada de acuerdo a la
siguiente información

Proceso de decisión para la comercialización de la bicicleta eléctrica

Estados de la naturaleza
Cursos de acción (Alternativas de
Demanda Baja Demanda Media Demanda Alta
decisión)
Ganancias ($) Ganancias ($) Ganancias ($)
1. Alternativa 1 86338 71784 53962
2. Alternativa 2 16457 55412 80326
3. Alternativa 3 31547 47215 12427
Probabilidades
0,2678 0,3172 0,4149
∑=1
Tabla 4 indicadores investigación de mercadeo
Indicadores Demanda baja Demanda media Demanda Alta
(I1) Reporte favorable 0,9134 0,7858 0,9467
(I2) reporte no favorable 0,0866 0,2142 0,0533
∑ 1 1 1

Valor esperado de la información perfecta (VEIP)

Lo primero que hacemos es calcular la ganancia esperada con información perfecta.

La ganancia esperada con información perfecta se toma el valor más grande de cada columna de la tabla
de ganancia y se multiplica por los porcentajes estimados.
Calculamos la ganancia esperada sin información perfecta.
Por ultimo restamos de la ganancia esperada con información perfecta, la ganancia esperada sin
información perfecta, quedando así:

Valor esperado de la información perfecta (VEIP) = (Ganancia esperada con información perfecta) –
(Ganancia esperada sin información perfecta)

(0,2678*86338) + (0,3172*71784)+ (0,4149*80326)= (22121, 3164 + 22770,8848 +33327,4586) =

79218, 4586 GECIP

5
Valor Esperado sin la información perfecta (VEsIP): Si existe una estimación de la probabilidad de
que una situación ocurra, se puede calcular la ganancia esperada. Como la idea principal es escoger el
mayor de los valores, se recomienda escoger el proceso B.

Valor esperado: (valor)*(probabilidad)

Ganancias de demanda baja * Probabilidad de demanda baja + Ganancias de demanda media *

Probabilidad de demanda media + Ganancias de demanda alta * Probabilidad de demanda alta. La
misma operación se hace con los procesos B y C.

Estados de la naturaleza
Demanda Demanda
Media Alta
Cursos de acción Demanda Baja Ganancias Ganancias Valor Monetario
(Alternativas de decisión) Ganancias ($) ($) ($) Esperado VME
1. Alternativa 1 86338 71784 53962 68280,035
2. Alternativa 2 16457 55412 80326 55311,1284
3. Alternativa 3 31547 47215 12427 28580,8469
Probabilidades
∑=1 0,26780 0,31720 0,41490

El valor con la información perfecta (VEcIP): Este valor se haya teniendo en cuenta el mejor valor
de cada estado de naturaleza, (Demandas). De esta manera se decide el mejor estado de naturaleza.

Resultado Mejor Decisión.

Demanda alta 86338

Demanda Media 71784

Demanda baja 80362

El (VEcIP) Se calcula para cada estado de la naturaleza, el producto del máximo beneficio y la
probabilidad de la ocurrencia.

79218,4586

6
El valor esperado de la información perfecta (VEIP): Se calcula como la diferencia entre el valor
esperado con la información perfecta (VEcIP) menos el valor esperado sin la información perfecta
(VEsIP)
68280,035
=10938,4236

El valor esperado de la información perfecta es de 10938,4236 millones,

VEIP: $10938,4236

[Escriba una cita del documento o el resumen de un punto

interesante. Puede situar el cuadro de texto en cualquier
lugar del documento. Use la ficha Herramientas de dibujo
para cambiar el formato del cuadro de texto de la cita.]

[Escriba una cita del documento o el resumen de un punto

interesante. Puede situar el cuadro de texto en cualquier
lugar del documento. Use la ficha Herramientas de dibujo
para cambiar el formato del cuadro de texto de la cita.]

7
 1. El grupo de trabajo determinará el Valor esperado de la información de la muestra
(VEIM).

 Estimar las probabilidades para los indicadores de confiabilidad de la Investigación de

mercados para el producto a comercializar mediante la siguiente Generación de números
aleatorios (descargue aquí), información que debe consignarse en la Tabla 2 Indicadores
Investigación de Mercados:

Tabla 4 indicadores investigación de mercadeo

Indicadores Demanda baja Demanda media Demanda Alta

(I1) Reporte
favorable 0,9134 0,7858 0,9467

(I2) reporte no
favorable 0,0866 0,2142 0,0533
∑ 1 1 1

Tabla 3 Proceso de decisión para la comercialización de BIC

Estados de la naturaleza

Demanda Demanda
Cursos de Demanda Media Alta
acción Baja VME dado VME dado
(Alternativas Ganancias Ganancias Ganancias Reporte reporte
de decisión) ($) ($) ($) Favorable desfavorable
Proceso A 86338 71784 53962 186354,8218 25729,1782
Proceso B 16457 55412 80326 134619,1976 17575,8024
Proceso C 31547 47215 12427 77681,2177 13507,7823

8
Se puede evidenciar que en el tercero (exportar el producto) es en el que más ganancia nos deja, por
tal razón este será el valor que escojamos.

Calculamos el valor esperado de la información perfecta de la siguiente manera.

Valor esperado de la información perfecta (VEIP) = (Ganancia esperada con información perfecta) –
(Ganancia esperada sin información perfecta).
(VEIP)= 79218, 45 – 49377,23 = 2984.1

Se puede concluir que conocer la información perfecta aumenta la ganancia esperada para la
comercialización de bicicletas eléctricas, de $ 49377,23 a $ 79218,45 Es decir que aumenta en $ 2984.1
Siendo este valor lo máximo que se podría pagar por la investigación de mercado.

El estudiante con su grupo de trabajo presentara los cálculos manuales y la comprobación por.

Valor esperado de la información muestra (VEIM)

Ganancia esperada con información de muestra = Ganancia esperada cuando el indicador es L1 * P (1)
+ Ganancia esperada cuando el indicador es L2 * P (2); Entonces encontramos el valor de cada
componente

Probabilidad Conjuntas y Marginales

Indicador Fracasos (F) Éxito (S) Gran Éxito (G) P. Marginal
L1 P(DB)XI1/DB) P(DM)XP(I1/DM) P(DA)XPI1/DA) P(I1)
L2 P(DB)XI2/DB) P(DM)XP(I2/DM) P(DA)XPI2/DA) P(I2)
9
 PROBABILIDADES CONJUNTAS Y MARGINALES
INDICADO FRACASO (F) ÉXITO (S) GRAN ÉXITO P.MARGINA
R (G) L
I1 =(0,2418*0,7194) =(0,2551*0,7803) =(0,5031*0,4098) P(I1)=0,579174
= 0,173950 =0,199054 =0,206170
I2 =(0,2418*0,2806) =(0,2551*0,2197) =(0,5031*0,5902)
= 0,067849 =0,056045 =0,296929 P(I2)=0,420823

PROBABILIDADES POSTERIORES
Indicador Fracasos (F) Éxito (S) Gran Éxito (G)
L1 P(DB/L1)=P(DB*L1)/P(L1) P(DM/L1)=P(DM*L1)/P(L1) P(DA/L1)=P(DA*L1)/P(L1)
L2 P(DB/L2)=P(DB*L1)/P(L1) P(DM/L2)=P(DM*L1)/P(L1) P(DA/L2)=P(DA*L1)/P(L1)

PROBABILIDADES POSTERIORES
INDICADO FRACASO (F) ÉXITO (S) GRAN ÉXITO (G)
R
I1 =(0,173950/0,579174) =(0,199054/0,579174) =(0,206170/0,579174)
=0,30034152 =0,3436860 =0,355972
I2 =(0, 067849/0,420823) =(0,056045/0,420823) =(0,296929/0,420823)
=0,1612293 =0,1331795 =0,705591

INDICADOR DECISIÓN OPTIMA GANANCIA ESPERADA

I1 MODERADA 47895,4214
I2 MODERADA 51414,2448

Ganancia esperada con información de muestra.

(47895,4214*0,579174)+( 51414,2448*0,420823)=(27739,7828+21636,2967)=49376,0795

Valor esperado de la información

(49376,0795-47895,4214)= 1480.6581
Paso 2: Situación Problema Costos Unitarios

La empresa AAA Distribuidor quiere determinar los costos unitarios para comercializar un
producto en el mercado, para ello cuanta con la siguiente información

10
 Tabla 1 Matriz de COSTOS o PAGOS

ESTADOS DE LA NATURALEZA
CURSOS DE ϴ 1 Demanda Baja Costo unitario ($) ϴ 2 Demanda Media Costo ϴ 3 Demanda Alta Costo unitario
ACCION

1. A1 10872 34526 91280

2. A2 22145 10879 149975
3. A3 79608 105909 147638

Tabla 1 Matriz de COSTOS o PAGOS

ESTADOS DE LA NATURALEZA

ϴ 2 Demanda Media Costo ϴ 3 Demanda Alta Costo unitario

CURSOS DE ϴ 1 Demanda Baja Costo unitario ($) suma de lostres p omed io=total/3
ACCION estados

unitario ($) ($)

a1 10872 34526 91280 136678 45559,33333

a2 22145 10879 149975 182999 60999,66667
a3 79608 105909 147638 333155 111051,6667
menor costo 45559,33333

Tabla 1 Matriz de COSTOS o PAGOS

ESTADOS DE LA NATURALEZA Criterio de Wald

ϴ 2 Demanda Media Costo ϴ 3 Demanda Alta Costo unitario

ϴ 1 Demanda Baja Costo unitario ($)
CURSOS DE
costos maximos
ACCION

unitario ($) ($)

a1 10872 34526 91280 91280
a2 22145 10879 149975 149975
a3 79608 105909 147638 147638
menor costo 91280

11
 CRITERIO
α(costo
Tabla 1 Matriz de COSTOS o PAGOS HURWICZ
ESTADOS DE LA NATURALEZA con α =0,5

ϴ 2 Demanda Media Costo ϴ 3 Demanda Alta Costo unitario

CURSOS DE ϴ 1 Demanda Baja Costo unitario ($) max)+(1 -
ACCION

unitario ($) ($)

α)(costo min )

a1 10872 34526 91280 51076

a2 22145 10879 149975 80427
a3 79608 105909 147638 113623
menor costo 51076

Tabla 1 Matriz de COSTOS o PAGOS Criterio de Savage

ESTADOS DE LA NATURALEZA d em=costos

ϴ 2 Demanda Media Costo ϴ 3 Demanda Alta Costo unitario

CURSOS DE ϴ 1 Demanda Baja Costo unitario ($) (maximo-
ACCION

unitario ($) ($)

min imo)

a1 10872 34526 91280 80408

a2 22145 10879 149975 139096
a3 79608 105909 147638 68030
menor costo 68030

Paso 3: Situación Problema Pagos Esperados.

La empresa AAA Distribuidor quiere determinar los Pagos Esperados para comercializar un producto
en el mercado y ha determinado un posible competidor el cual tiene un Producto B que tiene unas
características simulares al Producto A que pretende comercializar la empresa AAA Distribuidor.

12
 Matriz de Pagos (3*3):
Producto B
Producto A 1 2 3
1 89304 124444 73924
2 55642 70057 110101
3 136727 119930 113113

El estudiante con su grupo de trabajo presentara los cálculos manuales del juego de dos personas
y suma cero, adicional deben realizar la comprobación por software y presentar los resultados
obtenidos

Al tomar estos dos criterios el juego no es equilibrado ya que tiene una ganancia en la estrategia 2 para
el jugador 1 (94955) y al cual se le debe sumar (132185) del pago correspondiente del jugador 2, ósea
que el valor del juego es de 94955+132185 = 227.140.

Para el jugador A.

* La estrategia 3 está dominada por la estrategia 1. Ya que tiene pagos más altos.
138348>107558; 110341>34526; 49736<132185

Para el jugador B.
*La estrategia 1está dominada por la estrategia 2. Ya que tiene costos más bajos.
49736<138348; 94955<115653; 132185>107558

Tabla 3 Matriz de Pagos (3*3)Tabla 4

Matriz

Producto B

Producto A

134009 94955

34526 132185

13
 Tabla 3 Matriz de Pagos (3*3)Tabla 4
Matriz

Producto B

Producto A

99480 50545

142514 132460

48935PB+50545=10054PB+132460
48935PB-10054PB=132460-50545
14
38881PB=81915

Tabla 3 Matriz de Pagos (3*3)Tabla 4

Matriz

Producto B

Producto A

99480 50545

142514 132460

Tabla 3 Matriz de Pagos (3*3)Tabla 4

Matriz

Producto B

Producto A

99480 50545

142514 132460

15
El resultado indica la cantidad a la que tendería el pago promedio si el juego se efectuara muchas veces.

Paso 4. Patrones de Consumo

La empresa AAA Distribuidor quiere determinar los Patrones de consumo de 4 marcas del
producto que quiere comercializar. Para se pretende encontrará las probabilidades de transición
hasta el periodo 5 y las probabilidades de estado estable mediante la aplicación del Proceso de
Decisión de Markov de etapa finita.

Tabla 6 Patrones de consumo del producto

Probabilidades de Probabilidades
Marca A Marca B Marca C Marca D
transacción iniciales
Marca A 0,3664 0,1780 0,2648 0,3219 0,8908
Marca B 0,2008 0,1776 0,1569 0,2284 0,0208
Marca C 0,3379 0,3135 0,2587 0,3566 0,0700
Marca D 0,0949 0,3309 0,3196 0,0931 0,0185
Σ 1 1 1 1 1

P=1
0,2630 * 0,2996 0,07879835
0,1611 * 0,3533 0,05691002
0,6022 * 0,1288 0,07758627
0,0821 * 0,2183 0,0179339
0,23122855

0,2459 * 0,2996 0,07367243

0,0404 * 0,3533 0,01428953
0,0054 * 0,1288 0,00070148
0,3737 * 0,2183 0,08158524
0,17024868

0,1784 * 0,2996 0,05343068

0,3799 * 0,3533 0,13419857
0,1673 * 0,1288 0,0215602
16
 0,1169 * 0,2183 0,02552036
0,2347098
0,3127 * 0,2996 0,09366657
0,4186 * 0,3533 0,14788882
0,2250 * 0,1288 0,02898902
0,4272 * 0,2183 0,09326856
0,36381297

Tabla 6 Patrones de consumo del producto

Probabilidades
Marca A Marca B Marca C Marca D
de transición
SECUNDARIAS
Marca A 0,2630 0,1611 0,6022 0,0821 0,2312
Marca B 0,2459 0,0404 0,0054 0,3737 0,1702
Marca C 0,1784 0,3799 0,1673 0,1169 0,2347
Marca D 0,3127 0,4186 0,2250 0,4272 0,3638
∑ 1,0000 1,0000 1,0000 1,0000 1,0000

P=2
0,2630 * 0,2312 0,06082234
0,1611 * 0,1702 0,02742489
0,6022 * 0,2347 0,14134342
0,0821 * 0,3638 0,02988706
0,25947772

0,2459 * 0,2312 0,05686578

0,0404 * 0,1702 0,00688611
0,0054 * 0,2347 0,00127792
0,3737 * 0,3638 0,13596277
0,20099259

0,1784 * 0,2312 0,04124171

0,3799 * 0,1702 0,06467018
0,1673 * 0,2347 0,03927747
0,1169 * 0,3638 0,04252998
0,18771934

0,3127 * 0,2312 0,07229872

17
 0,4186 * 0,1702 0,0712675
0,2250 * 0,2347 0,05281099
0,4272 * 0,3638 0,15543316
0,35181036

Tabla 6 Patrones de consumo del producto

Probabilidades
Marca A Marca B Marca C Marca D
de transición TERCERAS
Marca A 0,2630 0,1611 0,6022 0,0821 0,2595
Marca B 0,2459 0,0404 0,0054 0,3737 0,2010
Marca C 0,1784 0,3799 0,1673 0,1169 0,1877
Marca D 0,3127 0,4186 0,2250 0,4272 0,3518
∑ 1,0000 1,0000 1,0000 1,0000 1,0000

P=3
0,2630 * 0,2595 0,068253
0,1611 * 0,2010 0,03237734
0,6022 * 0,1877 0,11304553
0,0821 * 0,3518 0,02890105
0,24257692

0,2459 * 0,2595 0,06381306

0,0404 * 0,2010 0,00812962
0,0054 * 0,1877 0,00102208
0,3737 * 0,3518 0,1314772
0,20444197

0,1784 * 0,2595 0,04628021

0,3799 * 0,2010 0,07634847
0,1673 * 0,1877 0,03141386
0,1169 * 0,3518 0,04112687
0,1951694

0,3127 * 0,2595 0,08113144

0,4186 * 0,2010 0,08413715
0,2250 * 0,1877 0,04223788
0,4272 * 0,3518 0,15030524
0,35781171
18
 Tabla 6 Patrones de consumo del producto
Probabilidades
Marca A Marca B Marca C Marca D
de transición
CUARTAS
Marca A 0,2630 0,1611 0,6022 0,0821 0,2426
Marca B 0,2459 0,0404 0,0054 0,3737 0,2044
Marca C 0,1784 0,3799 0,1673 0,1169 0,1952
Marca D 0,3127 0,4186 0,2250 0,4272 0,3578
∑ 1,0000 1,0000 1,0000 1,0000 1,0000

P=4
0,2630 * 0,2426 0,06380742
0,1611 * 0,2044 0,032933
0,6022 * 0,1952 0,11753199
0,0821 * 0,3578 0,02939406
0,24366647

0,2459 * 0,2426 0,05965667

0,0404 * 0,2044 0,00826914
0,0054 * 0,1952 0,00106264
0,3737 * 0,3578 0,13372
0,20270845

0,1784 * 0,2426 0,0432658

0,3799 * 0,2044 0,07765874
0,1673 * 0,1952 0,03266059
0,1169 * 0,3578 0,04182843
0,19541355

0,3127 * 0,2426 0,07584704

0,4186 * 0,2044 0,08558109
0,2250 * 0,1952 0,04391418
0,4272 * 0,3578 0,15286922
0,35821153

19
 Tabla 6 Patrones de consumo del producto
Probabilidades
Marca A Marca B Marca C Marca D
de transición
QUINTAS
Marca A 0,2630 0,1611 0,6022 0,0821 0,2437
Marca B 0,2459 0,0404 0,0054 0,3737 0,2027
Marca C 0,1784 0,3799 0,1673 0,1169 0,1954
Marca D 0,3127 0,4186 0,2250 0,4272 0,3582
∑ 1,0000 1,0000 1,0000 1,0000 1,0000

P=5
0,2630 * 0,2437 0,06409401
0,1611 * 0,2027 0,03265375
0,6022 * 0,1954 0,11767902
0,0821 * 0,3582 0,0294269
0,24385369

1. Se logró trabajar las diferentes herramientas para la toma de decisiones en donde se mostró que
el producto tiene viabilidad y que podemos lograr que él se comercialice en el mercado y entre a
competir hasta con las marcas más reconocidas.

2. Vimos que dejando el precio del producto más cómodo podemos lograr llamar la atención de
muchos clientes y que así se genera más dificultad.

3. Las herramientas que nos facilitó el curso para el análisis son de mucha importancia ya que con
esto logramos encontrar la decisión más factible.

20
 CONCLUSIONES

Como Ingenieros en formación poseemos la habilidad de dar la solución a problemáticas que se

presenten. Poder tener más herramientas y conocimientos para poder en un futuro tener poder decisión
ante situaciones complejas de los temas que se llegasen a presentar en nuestro campo profesional.

El desarrollo de la actividad nos permitió investigar sobre las herramientas utilizadas para la toma de
decisiones, y aplicar lo propuesto en los ejercicios de estudio, se pudo apreciar la importancia de cada
uno de los temas vistos en las diferentes unidades del curso de teoría de las decisiones.

21
 BIBLIOGRAFIA

MARTHUR Y SOLOW.(2003). Investigación de Operaciones. Bogotá d.c. Editorial Prentice

Hall.
SASIENI, Yaspan. (2001). Investigación de operaciones. México. Limusa.
TAHA, Hamdy A. (1995). Investigación de operaciones. México. Editorial Alfaomega. 5
ediciones.
EPPEN, Gould y Schimidt. (1999). Investigación de operaciones en las Ciencias de Ingeniería.
Bogotá d.c. Editorial Prentice may. 3 ediciones
KAUFMANN, A. Faure R. (2005).Invitación a la investigación de operaciones.
México. CECSA. 7 edición.
Módulo Teoría de las Decisiones, Universidad Nacional abierta y a distancia UNAD. Aula
Virtual, Campus 10, Teoría de las Decisiones.
Begoña, Vitoriano ().Teoría de Juegos o Estrategia de juegos. TEORÍA DE LA DECISIÓN.
Consultado en Octubre 2 , 2015 . Recuperado de: http://hdl.handle.net/10596/5052
Hillier, F., & Lieberman, G. (2010).Analisis de Decisión, Arboles de Decisión, Teoría de la
Utilidad. En Introducción a la investigación de operaciones (9a ed.). México, D. F.: McGraw-
Hill. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2053/book.aspx?i=386&opensearch=investigaci%C3%B3n
%20de%20operaciones&editoriales=&edicion=&anio=%20
Mosquera, W. E. (2010). Criterios de Decisión, Decisiones Bajo Riesgo . 200608 - Teoría de las
decisiones. Consultado en Diciembre 12, 2015. Recuperado de: http://hdl.handle.net/10596/4891
Referencias bibliográficas complementarias
Hillier, F., & Lieberman, G. (2010). Introducción a la investigación de operaciones (9a ed.).
México, D. F.: McGraw-Hill. Recuperado
de http://bibliotecavirtual.unad.edu.co:2053/book.aspx?i=386&opensearch=investigaci%C3%B3
n%20de%20operaciones&editoriales=&edicion=&anio=%20

22