Objeto de Estudio Unidad I

Instituto Tecnolgico de Aguascalientes Educacin a Distancia
Investigacin de Operaciones II Pgina 1 de 39

INSTITUTO TECNOLGICO DE
AGUASCALIENTES
DIVISIN DE EDUCACIN A DISTANCIA

Profesor: M.C. Marcela Rodrguez Gonzlez.
Aguascalientes, Ags, Enero 2012
Investigacin de
Operaciones
Objeto de Estudio
Unidad I. Modelos de
decisin.
Modelos de decisin

INTRODUCCIN
Tipos de modelos de decisin
El proceso de toma de decisiones

CASO: PIZZERA ASHLEY
Anlisis preliminar del caso de la
Pizzera Ashley

TIPOS DE DECISIONES
Toma de decisiones bajo certidumbre
Toma de decisiones utilizando datos
previos
Toma de decisiones sin datos previos

TERMINOLOGA DE MODELOS DE TOMA
DE DECISIONES
Decisiones alternativas
Los estados de la naturaleza
Resultados
rboles de decisin

TOMA DE DECISIONES SIN DATOS
PREVIOS
Modelo de decisin del pesimista
Modelo de decisin del optimista
Modelo de decisin de minimizacin
del arrepentimiento
Modelo de decisin de maximizacin
del pago promedio

Modelo de probabilidad subjetivas
Una advertencia con respecto a los
modelos de decisin

TOMA DE DECISIONES UTILIZANDO
DATOS PREVIOS
Comparacin de los anlisis
bayesiano y clsico para la toma de
decisiones
Anlisis bayesiano
Uno de rboles de decisin para
problemas con datos previos
El valor de la informacin perfecta
El valor de la informacin de prueba
Aplicacin a la Pizzera Ashley
Uso de rboles de decisin para
anlisis bayesiano

INTRODUCCIN

Como cualquier ser humano, todos los das tomamos muchas
decisiones. La mayora de stas son relativamente carentes de importancia y
se hacen en forma habitual. En ocasiones, tomamos decisiones importantes
que pueden tener efectos inmediatos y/o a largo plazo sobre nuestras vidas.
Esas decisiones, tales como a qu escuela escribirnos, si continuar estudiando
o comenzar a trabajar, qu oferta de trabajo aceptar, si debemos rentar o
comprar, o si su compaa debe aceptar una proposicin de fusin, son
decisiones importantes para las cuales preferiramos dar la respuesta correcta.
Con frecuencia, estas decisiones se hacen con base en emociones o intuicin,
pero, es esto apropiado?
En este captulo se analiza el proceso de toma de decisiones y se
presentan modelos que posiblemente pueden utilizarse para mejorarlo. Sin
importar si en la actualidad usted usa o no estos modelos para tomar
decisiones, aun as proporcionan un estndar contra el cual se pueden
comparar las decisiones que usted tome.
Es importante comprender lo que estos modelos pueden o no pueden
hacer. En primer lugar, estos modelos proporcionan una estructura para
examinar el proceso de toma de decisiones. En algunas situaciones no hay
necesidad de justificar por qu se tom un decisin. Sin embargo, en un
mundo donde la mayora de los administradores no son propietarios de los
negocios que administran, se vuelve necesario emplear un proceso justificable
para la forma de decisiones.
En segundo lugar, estos modelos pueden utilizarse para evitar decisiones
arbitrarias o inconsistentes que no se basen en todos los datos disponibles. Por
desgracia, muchas veces tomamos decisiones que caen en esta categora sin
darnos cuenta que lo estamos haciendo. Estos modelos no nos dicen qu
decisiones tomar, ms bien, nos indican cmo proceder para tomarlas o cmo
analizar decisiones pasadas.
Por ltimo, y aun si utilizramos estos modelos en todas las decisiones,
no podramos asegurar que el resultado fuera siempre favorable. En otras
palabras, las buenas decisiones no garantizan buenos resultados. Por ejemplo,
considere dos estudiantes universitarios que comparten una habitacin y se
enfrentan a la misma decisin en una feria regional. Se realiza un juego de azar
que paga $ 100 por una apuesta de $ 10 y las probabilidades de perder son de
10 a 1. El primer estudiante paga sus $ 10 y gana el premio de $ 100. El
segundo estudiante paga sus $ 10 y pierde. Ambos tomaron la misma decisin,
que la mayora de las personas consideran buenas, aun as obtuvieron
resultados distintos. Por ello, tomar una buena decisin no siempre da como
resultado algo favorable.
En trminos ms realistas, considere el precio del oro a granel. En 1978
el oro se venda en menos de $ 200 la onza y muchas personas consideraban
que nunca superara el nivel de $ 200. Ahora, suponga que usted haba
comprado 100 onzas cuando costaba $ 100 la onza y que, a principios de
1979, subi a ms de $ 200. Despus de analizar el mercado del oro usted
tom la decisin de vender y alcanzar una buena utilidad de $ 10,000. Sin
embargo, hacia finales de 1980, el precio del oro era de ms de $ 600 la onza.
El hecho de que usted vendi a $ 200 la onza y perdi la oportunidad de
lograr $ 40,000 adicionales hace que su decisin se convierta en mala?
Nosotros afirmaramos que no es as. Su decisin fue buena en un momento,
pero el resultado fue desfavorable.
Aunque los buenos procedimientos de toma de decisiones pueden
producir malos resultados, lo que de hecho sucede, esperaramos que el uso
de decisiones mejores que el promedio se reflejara en resultados mejores que
el promedio. Un administrador exitoso ser el que tome buenas decisiones en
forma consistente.
Tipos de modelos de decisin
En este texto se ha analizado el uso de modelos de toma de decisiones
en la administracin. Ya se ha visto que es posible emplear modelos como la
programacin de enteros, de metas o lineal para determinar un curso de accin
que conduzca a una utilidad mxima o a un costo mnimo, sujeto a esto a cirta
clase de restricciones. En todas estas situaciones se ha supuesto que se
conocan con certidumbre los parmetros o coeficientes. Es decir, los modelos
que hemos utilizado eran determinsticos y el resultado de cualquier curso de
accin no estara sujeto a ninguna incertidumbre.
Sin embargo, no todos los modelos de toma de decisiones son
determinsticos. En muchos casos, los parmetros del modelo varan debido a
incertidumbres. En el captulo 1 se hizo referencia a los modelos de este tipo
como modelos estocsticos. En este captulo, se analizarn algunos modelos
estocsticos de toma de decisiones. Este tipo de modelos puede dividirse en
trminos amplios en dos categoras, dependiendo de si la decisin se tomarn
utilizando datos previos relacionados con la ocurrencia de sucesos, o si no se
usar ese tipo de datos. Se analizarn diversos modelos de decisin para
ambos tipos y se tendr cuidado en analizar las circunstancias en las que un
modelo determinado de decisin es apropiado, puesto que elegir el modelo
correcto es una parte importante de cualquier decisin.
Antes de comenzar a analizar los modelos, vale la pena comentar el
proceso mismo de toma de decisiones para comprender mejor cundo
resultado apropiado utilizar los modelos que se analizan ms adelante en el
captulo.

El proceso de toma de decisiones
Una decisin puede definirse como el proceso de elegir la solucin para
un problema, siempre y cuando existan al menos dos soluciones alternativas.
Es evidente que deben llevarse a cabo varias acciones antes de tomar una
decisin. Estas actividades pueden resumirse de la siguiente manera (donde
T.D. = quien toma las decisiones):

Etapa 1. El T.D. se da cuenta que existe un problema
Etapa 2. El T.D. recopila datos acerca del problema
Etapa 3. El T.D. elabora un modelo que describe el problema
Etapa 4. El T.D. utiliza el modelo para generar soluciones alternativas para el
problema
Etapa 5. El T.D. elige entre las soluciones alternativas.

No se analiza la etapa 1 en detalle porque se refiere a la forma en que
una persona podra identificar y percibir un problema, y eso est fuera del
alcance de este texto. Baste decir que una vez que una persona encargada de
tomar decisiones se ha dado cuenta que existe un problema, el siguiente paso
es recopilar ms informacin acerca de ste. Esta informacin adicional puede
ser tanto cuantitativa como cualitativa y sirve para ayudar al T.D. a pasar a la
etapa 3, en la que se elabora un modelo que describe el problema. Como se
comentaba en el captulo 1, un modelo es una versin simplificada de la
realizad que conserva las caractersticas importantes del problema. La
elaboracin de modelos ayuda al T.D. a comprender las partes clave de
problemas complejos que, de otra manera, estaran fuera de la comprensin
humana. Utilizando el modelo, que tambin puede ser cuantitativo o cualitativo,
el T.D. pasa a la etapa 4 y genera soluciones alternativas para el problema.
Esto puede hacerse a travs de lluvia de ideas, tcnicas matemticas, u otros
mtodos. Desde el punto de vista conductual, tener demasiadas soluciones
alternativas puede ser peor que tener muy pocas, puesto que la enorme
magnitud del proceso de seleccin que se produce en la etapa 5 puede
abrumar al T.D. Es en la etapa 5 en la que los modelos cuantitativos pueden
diferir en mayor medida de los cualitativos. Los modelos cuantitativos pueden
explicar todas las soluciones alternativas posibles con la intencin de encontrar
la mejor u ptima, los modelos cualitativos pueden tratar de encontrar cualquier
solucin satisfactoria. Este ltimo enfoque, que se conoce como satisficing
(que es una combinacin de palabras que en ingls significan satisfacer y
suficiente y qu en castellano podra ser satisfaciente, toma en consideracin
los aspectos conductuales de la forma de decisiones y con frecuencia se utiliza
en los casos en los que puede no haber recursos disponibles o en lo que los
costos de encontrar la solucin ptima resulten prohibitivos.

Este proceso de toma de decisiones en 5 etapas puede relacionarse con
las primeras 3 etapas del proceso de resolucin de problemas de CA/IO que se
coment en el captulo1. Esas primeras tres etapas eran:

1. Identificacin, observacin y planteamiento del problema
2. Construccin del modelo
3. Generacin de la solucin
Las etapas 1 y 2 del proceso de toma de decisiones se relacionan con la etapa
1 del proceso de resolucin de problemas, la etapa 3 del proceso de toma de
decisiones se relaciona con la etapa 2 del proceso de resolucin de problemas.
Por ltimo, las etapas 4 y 5 del proceso de toma de decisiones corresponden a
la etapa 3 del proceso de resolucin de problemas.
En este captulo se utilizan enfoques tanto cuantitativos como
cualitativos. Se emplear el concepto de satisfaciente para restringir el
nmero de alternativas y despus se usarn mtodos cuantitativos para elegir
una de stas.

CASO
Pizzera Ashley
Ashley Washington h atenido mucho xito con su toma novedosa de fabricar y
vender pizzas a estudiantes del State Collage. Al mezclar los principales
ingredientes de las pizzas y hornearlas por anticipado, ha podido hacer que el
tiempo de espera de sus clientes sea muy breve en comparacin con el de
restaurantes de la competencia. Aunque a los estudiantes les gusta mucho su
mtodo, y ha vendido una gran cantidad de pizzas, en ocasiones Ashley se ha
visto obligado a tirar un gran nmero de pizzas horneadas con anticipacin
debido a que la demanda fue inferior a lo que haba anticipado. Por esta razn,
est buscando una poltica que pueda utilizar para decidir cuntas pizzas debe
hornear con el objeto de maximizar las utilidades.
Ashley ha reducido sus alternativas a slo 4 posibilidades: hornear 150, 160,
170 o 180 pizzas. Ha estudiado los patrones previos de demanda para
determinar el nmero de pizzas que se solicitaron por da, en los ltimos 100
das. Ha encontrado lo siguiente ( y se ha redondeado el nmero de pizzas al
mltiplo de 10 ms cercano)

Nmero de pizzas que se solicitan 150 160 170 180
Nmero de das 20 40 25 15

Ashley ha determinado que muy pocas veces ha tenido una demanda inferior a
150 pizzas o mayor a 180; por eso redujo las alternativas a las cuatro
cantidades mencionadas por da. Este es un ejemplo del uso de poltica
satisfaciente para reducir el nmero de alternativas.
Ashley ha determinado que gana $2 por cada pizza que vende y pierde $1 por
cada pizza que no vende. Con esta informacin es posible construir una tabla
de utilidades para cada una de las polticas de nmero de pizzas por hornear y
por cada nivel de ventas (vase la tabla 12-1) En esta tabla, si la demanda de
pizzas es superior al nmero que se ha horneado se asume que el cliente no
espera y se pierden las utilidades que hubieran podido obtenerse.
Para ilustrar los clculos de la tabla 12-1, considere el caso en el que se
hornearon previamente 160 pizzas pero se vendieron slo 150. En esta
situacin, la utilidad bruta sera $2 x 150 = $ 300, habiendo perdido $ 10 por las
pizzas que no se vendieron, y por ello, se obtendra una utilidad neta de $ 290.
Es posible utilizar la tabla 12-1 para determinar el nmero de pizzas que deben
hornearse previamente para maximizar las utilidades de la pizzera.
Antes de decidir cul es la poltica ptima, Ashley tambin est considerando
mudar su pizzera a un nuevo local. Ha concluido que existen slo tres
alternativas de entre las que puede escoger. Estas son: permanecer en donde
est, mudarse a Baxter Street, cerca de los nuevos dormitorios, o mudarse a
Epps Brigde Road, en donde se rumora que se construir un nuevo complejo
de departamentos pensado para estudiantes. Su decisin se ver influenciada
por acciones externas sobre las cuales no tiene control. Estas acciones
externas son las decisiones que otras personas tomarn. Adems del nuevo
complejo de departamentos que se rumora se construir, existe tambin la
duda de si la administracin de la universidad cerrar los 1,800 dormitorios
existentes y enviar esos estudiantes a los nuevos dormitorios de Baxter
Street. Con la ayuda de un asesor financiero. Ashley ha pronosticado el valor
actual de cada una de las decisiones, tomando en cuenta las dos acciones
externas ( que se consideran mutuamente incluyentes), junto con la posibilidad
de que no ocurra ninguna de las dos acciones. Estos valores se muestran en la
tabla 12-2.
Puesto que esta decisin sobre ubicacin se tomar slo una vez, no existen
datos previos que puedan utilizarse para auxiliar en la decisin. Sin embargo,
de alguna manera Ashley debe tomar una decisin

Anlisis preliminar del caso de la Pizzera Ashley
En este caso, nos enfrentamos a dos decisiones que Ashley Washington con
respecto a la operacin de su restaurante de pizzas, los cuales son ejemplos
de tipos de decisiones que deben tomarse cotidianamente en los negocios. La
primera decisin, que se refiere al nmero de pizzas que han de hornearse con
anticipacin, es del tipo de las que deben tomarse todos los das que la
pizzera opera. En consecuencia, existen datos previos que pueden utilizarse
para ayudar a tomar esa decisin sobre poltica, estos datos previos pueden
emplearse para calcular probabilidades, las cuales se generan a partir de datos
existentes y pueden utilizarse para determinar una decisin sobre poltica que
proporcione el mximo de utilidades. Recuerde que la probabilidad es una
forma de evaluar la posibilidad de que ocurra un evento. Si p es la probabilidad
de que ocurra un evento, entonces 0 p 1. Conforme ms cercana est p a
1, es ms probable que ocurra el evento.
La segunda decisin es del tipo de las que no tienen informacin previa
disponible. Las decisiones de este tipo se toman slo una vez. Deben basarse
en los resultados posibles que han de ocurrir y en la forma en que stos
afectan a quien toma las decisiones. Para tomar esas decisiones, el T.D puede
utilizar criterios de toma de decisiones que no tomen en cuenta las
probabilidades. Por otro lado. El T.D podra utilizar probabilidades subjetivas
para determinar una decisin. Las probabilidades subjetivas las genera cada
individuo que toma decisiones, sin el uso de datos previos.

TABLA 12-1. Tabla de utilidades para la Pizzera Ashley

Nmero de
pizzas que se
hornean con
anticipacin

Demanda de pizzas

150

160

170

180
150 300 300 300 300
160 290 320 320 320
170 280 310 340 340
180 270 300 330 360

TABLA 12-2. Valores presentes de la decisin de ubicacin

Decisin

Accin externa

Ninguna
Cerrar los
antiguos
dormitorios
Construir
nuevos
departamentos
No mudarse +$100,000 +$50,000 +$20,000
Baxter St. +$40,000 +$150,000 +$25,000
Epps Bridge Rd. -$20,000 +$20,000 +$200,000

TIPOS DE DECISIONES
En esencia existen tres tipos principales de decisiones.
1. decisiones bajo certidumbre
2. decisiones en las que pueden usarse datos previos para calcular
probabilidades que se emplean en la toma de decisiones
3. Decisiones para las cuales existen datos previos que permiten
calcular probabilidades
Se analizara cada tipo de decisin y se darn las condiciones bajo las cuales
ocurre cada uno de esos tipos.

Toma de decisiones bajo certidumbre
En los casos en que existe slo un resultado para una decisin se estn
tomando decisiones bajo certidumbre. Ejemplos de eso son la programacin
lineal y la programacin en enteros. En ambos casos, si se decide que un
grupo de variables sea positivo (es decir, si se toma una decisin) no hay duda
con respecto a cul ser la utilidad asociada con esa decisin. No nos interesa
este tipo de decisiones puesto que se les dedico mucha atencin en captulos
anteriores. Ms bien orientaremos la atencin a situaciones en las que no se
conoce con seguridad el resultado asociado con la decisin; es decir, es
posible producir ms de un resultado para una sola decisin.

Toma de decisiones utilizando datos previos
En los casos en los que debe tomarse una decisin en forma repetida y se
tienen muchos resultados posible, y las circunstancias que rodean a la decisin
son siempre iguales, se tiene lo que podra denominarse decisiones utilizando
datos previos. Dado que es posible valerse de la experiencia pasada para
desarrollar probabilidades con respecto a la ocurrencia de cada resultado, en
este tipo de toma de decisiones se utilizan modelos basados en probabilidades.
Son tres las condiciones necesarias para este tipo de toma de decisiones:
1. las decisiones se toman bajo las mimas condiciones
2. existe ms de un resultado para cada decisin
3. existe experiencia anterior que puede utilizarse para obtener
probabilidades para cada resultado
Si cualquiera de estas condiciones no se cumple, entonces no se considera
que es una decisin con base en datos previos. Se contemplar un solo
modelo cuantitativo de toma de decisiones para emplearlo en la toma de
decisiones empleando datos previos.

Toma de decisiones sin datos previos
En los casos en los que una decisin no se toma en forma repetida, o no existe
experiencia pasada que puede utilizarse para calcular probabilidades, o las
circunstancias que rodean la decisin cambian de un momento a otro, se
considera que la decisin se toma sin datos previos. Se le domina as debido a
que la misma decisin se toma slo una vez, y como tal, no existe experiencia
pasada disponible que ayud en el proceso de toma de decisiones.
Para este tipo de problema de decisin es posible emplear dos mtodos.
Pueden utilizarse slo los resultados de cada decisin para determinar cul es
la decisin que mejor se ajusta a nuestra opinin de los factores externos que
rodean el problema. Por otro lado, puede decidirse utilizar estimaciones
subjetivas (que no se basan en datos previos), conocidas como probabilidades
subjetivas, para determinar una decisin.

TERMINOLOGA DE MODELOS DE TOMA DE DECISIONES
Al igual que con cualquier tipo de modelo, los modelos de toma de decisiones
tienen una terminologa propia. Esta terminologa describe las tres partes
esencial de una decisin:

decisiones
alternativas

1. las decisiones alternativas de entre las cuales el T.D.
puede elegir

estados de la
naturaleza

2. los estados de la naturaleza, o acciones externas que
enfrenta la persona encargada de tomar las decisiones

resultado 3. el resultado que se obtiene por el uso de una alternativa
determinada cuando se presenta cierto estado de la
naturaleza

rboles de
decisin

Se analizan estas tres partes en forma separada, antes de
continuar con los diversos modelos de toma de decisiones.
Se analiza tambin el uso de los rboles de decisin como
medio para estructurar estas tres partes esenciales de una
decisin

Decisiones alternativas

satisfaciente
Cuando un T.D enfrenta un problema que requiere una decisin,
una de las acciones que debe emprender antes de llegar a una
decisin, es determinar las alternativas sobre las cuales se
basar la decisin final. En el caso de la Pizzera Ashley, Ashley
tiene cuatro alternativas relacionadas con el nmero de pizzas
que debe hornear con anticipacin (150, 160, 170, o 180 pizzas).
Tambin tiene tres alternativas con respecto a la ubicacin (no
mudarse, Baxter Street o Epps Bridge). Este caso ilustra el
hecho de que no hacer cosa alguna es tambin una alternativa
que quien toma las decisiones debe considerar. Observe
tambin que slo se consideran alternativas en vedad viables. La
consideracin de slo alternativas verdaderamente viables es
una forma de caracterstica de satisfaciente que se mencion
antes

Los estados de la naturaleza
Una persona que toma decisiones y que enfrenta una situacin de
decisin en la que pueden producirse resultados mltiples a partir de una
estrategia determinada, enfrenta estados de la naturaleza mltiples o acciones
externas mltiples. Los estados de la naturaleza son las circunstancias que
afectan el resultado de la decisin pero que estn fuera del control del T.D.
Tambin se les denomina acciones externas porque son situaciones que le son
externas.
En el caso de la Pizzera Ashley, en la cual se va a tomar una decisin
con respecto a cuntas pizzas deben hornearse, lo resultados de la naturaleza
se refieren a los niveles de demanda para las pizzas. Es decir, Ashley no
puede controlar el nmero de pizzas que le solicitarn una noche determinada,
aun as, este nivel de demanda tendr efectos sobre las utilidades que obtenga
por cualquier decisin que tome.
Con respecto a la decisin sobre la ubicacin, de nuevo Ashley enfrenta
tres estados de la naturaleza sobre los cuales no tiene control. Estos estados
de la naturaleza estn influidos por las decisiones que alguna otra persona
tomar con respecto a los antiguos dormitorios y los nuevos departamentos.
Las decisiones tendrn un efecto inevitable sobre el valor presente de las
utilidades y esto sin importar qu decisin tome Ashley con respecto a la
ubicacin.
El concepto primordial que debe recordarse acerca de los estados de la
naturaleza, es que se trata de condiciones externas que tienen efecto sobre los
resultados que se obtienen de diversas decisiones alternativas. De nuevo, y al
igual que en la seleccin de alternativas, es importante considerar slo
condiciones del medio ambiente que tengan un efecto significativo sobre los
resultados.

Resultados

tabla de
pagos
Para cada combinacin de estrategia y estado de la naturaleza
habr un resultado. Este resultado puede expresarse en trminos
de utilidades (como en el caso del problema de elegir el nmero
de pizzas que deben hornearse), puede expresarse en trminos
de valores presentes (como en el caso de la decisin sobre la
ubicacin), o puede expresarse en trminos de alguna medida no
monetaria.
Para determinar los resultados es necesario considerar todas las
posibles combinaciones de decisiones y de estados de la
naturaleza para determinar el resultado que se obtendra si se
utiliza una alternativa dada y si ocurre un estado especfico de la
naturaleza. Por ejemplo, en el problema de la ubicacin de la
pizzera, si Ashley decidiera no mudarse y se cerraran los
antiguos dormitorios, se calcul que el resultado sera de $
50,000. En esa situacin, dado que haba tres alternativas y tres
estados de la naturaleza, existen 3 x 3 = 9 resultados que deben
calcularse. En general, si existen k alternativas y n estados de la
naturaleza, ser necesario calcular (k x n) resultados. Con
bastante frecuencia los resultados tambin se denominan pagos
y una tabla de resultados se denomina tabla de pagos

rboles de decisin
Una forma clara y sencilla de estructurar el proceso de toma de
decisiones es por medio de un rbol de decisin. El rbol de decisin est
formado de nodos de accin, nodos de probabilidad y ramas. En nuestro rbol
de decisin los nodos de accin se denotarn con un cuadro () y
representarn aquello lugares del proceso de toma de decisiones en los que se
toma una decisin. Los modos de probabilidad se denotarn por medio de un
crculo () e indicarn aquellas partes del proceso de toma de decisiones en las
que ocurre algn estado de la naturaleza. Las ramas se utilizarn para denotar
las decisiones o los estados de la naturaleza. Tambin pueden anotarse
probabilidades sobre las ramas para denotar la probabilidad de que ocurra un
estado determinado de la naturaleza. Por ltimo, se colocan los pagos al final
de las ramas terminales del estado de la naturaleza para mostrar el resultado
que se obtendra al tomar una decisin particular, y que despus ocurra un
estado especfico de la naturaleza. Como ejemplo de rbol de decisin,
considere el caso de un profesor universitario que est tratando de decidir si
debe llevar o no un paraguas a su trabajo el da de hoy. La decisin de llevar el
paraguas se muestra como un nodo de accin en la figura 12-1.
Al final de cada una de las ramas que parten de un nodo de accin
habr un nodo de probabilidad u otro nodo de accin. Los posibles estados de
la naturaleza comenzarn en los nodos de probabilidad. Tambin se muestran
en la figura 12-1 los posibles estados de la naturaleza para la decisin del
profesor. En este caso, hemos anotado tambin sobre la rama de probabilidad
las probabilidades de que haya lluvia o est despejado de acuerdo con la
oficina meteorolgica local.
Ahora, si combinamos los nodos de accin y los nodos de probabilidad
con los pagos para cada combinacin tenemos un rbol de decisin. El
profesor ha determinado los diversos pagos asociados con las cuatro posibles
combinaciones de decisiones y de estados de la naturaleza. Estos pagos se
colocan al final de las ramas terminales de probabilidad. El profesor ha decidido
los siguientes pagos:
llevar el paraguas y que no llueva -1
llevar paraguas y que llueva +20
no llevar paraguas y que no llueva +5
no llevar paraguas y que llueva -40

Utilizando estos pagos es posible construir un rbol final de decisin.
Este rbol se muestra en la figura 12-2.
llevar paraguas
no llevar paraguas
lluvia (0.6)
despejado (0.4)
Empleando la terminologa de alternativas, estados de la naturaleza,
resultados, y los rboles de decisin, ahora se analizarn modelos para la toma
de decisiones, tanto usando datos previos como sin utilizarlos.

TOMA DE DECISIONES SIN DATOS PREVIOS
En esta seccin se analiza un conjunto de modelos de decisin que
pueden usarse sin datos previos. No es posible decir que uno de estos
modelos es ms correcto que cualquier otro. Lo apropiado de cada modelo
depende de la opinin del T.D., y de si ste desea o no utilizar probabilidades
subjetivas. Al analizar cada modelo describiremos bajo qu circunstancias sera
apropiado, y se usar el problema de ubicacin de la Pizzera Ashley como
aplicacin del modelo. En los primeros tres modelos no se utilizaran
probabilidades subjetivas para tomar una decisin, en tanto que en los ltimos
s se hace.
nodo de nodo de
accin probabilidad

FIGURA 12-1. Nodos de accin y de probabilidad

accin probabilidad

FIGURA 12-2. rbol de decisin para la decisin sobre el paraguas.
Ramas
llevar paraguas
no llevar paraguas
lluvia (0.6)
lluvia (0.6)
+5
despejado (0.4)
despejado (0.4)
-40
-1
+20

Modelo de decisin del pesimista
La persona que toma decisiones y que es pesimista con respecto a los
estados de la naturaleza o considera, debido a inseguridad econmica, que
debe evitar prdidas altas aun a riesgo de posiblemente perder altas utilidades,
se inclinar a utilizar el modelo de decisin que se conoce como modelo de
decisin del pesimista. El principal concepto en el que se basa este modelo es
evitar prdidas elevadas a inaceptables.
Para implantar este concepto de evitar prdidas se determina el menor
resultado para cada estrategia y despus se elige la que tenga el mayor de
estos resultados menores. Dado que estamos maximizando los resultados
mnimos, este modelo se conoce tambin como el del criterio maximn. El
procedimiento puede describirse como sigue:

Paso 1. Determinar el resultado de menor valor para cada alternativa y
registrarlo en una lista.
Paso 2. De la lista de resultados elegir el valor mximo. La alternativa asociada
con este resultado mximo es la estrategia que debe utilizarse.

Como ejemplo del uso del modelo de decisin del pesimista,
considrese el resultado para la decisin de ubicacin de la Pizzera Ashley
(Tabla 12-3). Si aplicamos ahora el paso 1 del modelo de decisin del
pesimista a este problema podemos listar los resultados mnimos (pagos) y el
estado de la naturaleza asociado con cada uno de esos resultados mnimos
(tabla 12-4).

Si despus aplicamos el paso 2 del modelo maximizamos los valores de
la tabla 12-4 y encontramos que la alternativa que se elige es la A2 (mudarse a
Baxter Street), que da un pago mnimo de $ 25,000. (Esta es la alternativa
marcada con asterisco en la tabla 12-4) Es decir, si Ashley elige la estrategia
de mudarse a Baxter Street, entonces el menor pago que podra esperar sera
de $ 25,000. Si eligiera cualquiera de las otras dos alternativas el pago podra
ser menor que esto.

Es fcil observar por qu este modelo se denomin modelo de decisin
del pesimista. Se supone que suceder lo peor y despus se busca hacer lo
mejor bajo esta consideracin.

TABLA 12-3. Tabla de pagos para el problema de la ubicacin (de la tabla 12-2)

Alternativa

Estados de la naturaleza

Sin
Cambio
(N1)
Se cierran
los antiguos
dormitorios
(N2)
Se construyen
nuevos
departamentos
(N3)
Permanecer en la ubicacin
actual (A1)

+$100,000

+$50,000

+$20,000
Mudarse a Baxter Street (A2) +$40,000 +$150,000 +$25,000
Mudarse a Epps Bridge Road
(A3)

-$20,000

+$20,000

+$200,000

TABLA 12-4. Pagos mnimos para el problema de ubicacin

Alternativa
Pago
mnimo
A1 $ 20,000 (N3)
A2* $ 25,000 (N3)
A3 -$20,000 (N1)

En otras palabras, consideramos que el medio ambiente es hostil y
trabajamos sobre esa base.

Otra razn por la que podra decidirse utilizar este modelo es el conjunto
de circunstancias que rodean la decisin. En algunos casos no es posible
financias algunos de los resultados que pudieran ocurrir. Por ello, se realiza la
decisin de tal manera que se eviten resultados ruinosos. Por ejemplo, aunque
la estrategia de Baxter Street tiene un pago mnimo de $ 25,000, el pago
mnimo de Epps Bridge Road tiene una prdida de $ 20,000. Si la Pizzera
Ashley no puede permitir prdidas como sta, sera necesario evitar esa
posibilidad al no elegir esta estrategia.

En la figura 12-3, se ha planteado el problema de la Pizzera Ashley en
un rbol de decisin. En este caso existen tres ramas de decisin que
corresponden a no mudarse , mudarse a Baxter Street y mudarse a Epps
Bridge Road. Por cada rama de decisin existen tres ramas de estados de la
naturaleza asociados con un nodo de probabilidad. Esos corresponden a no
mudarse, cerrar los dormitorios y construir nuevos departamentos. Por ltimo,
sin cambio
Mudarse a Epps Bridge Road
Mudarse a Baxter Street
sin cambio
cierran los dormitorios
Se construyen departamentos
se construyen departamentos
se construyen departamentos
para cada combinacin de accin y alternativa existe un pago que se ha
colocado en el extremo final de cada una de las ramas terminales.

Para elaborar la tabla de pago mnimo para el modelo de decisin del
pesimista, todo lo que se necesita hacer es elegir el pago mnimo asociado con
cada rama de decisin.

Modelo de decisin del optimista
El T.D. que considera que el medio ambiente es propicio ser optimista
con respecto al resultado, en vez de ser pesimista. Bajo este supuesto, el T.D.
determinar el mayor pago para cada alternativa y despus elige el mximo de
stos.

accin probabilidad

FIGURA 12-3. rbol de decisin para el problema de Ashley con respecto a mudarse.

$50,000
no mudarse
sin cambio
$20,000
$40,000
$150,000
$200,000
$25,000
$100,000
$20,000
-$20,000
El procedimiento para aplicar el modelo de decisin optimista es el
mismo que se utiliz para el modelo de decisin pesimista, pero con una
excepcin importante. El paso 1 se modificara como sigue:

Paso 1. Para cada alternativa, determine el resultado con el mayor valor
y antelo en una lista.
Paso 2. De a lista de resultados, elija el valor mximo, la alternativa
asociada con este resultado mximo es la estrategia que debe seguirse.

Como ejemplo del uso del modelo de decisin del optimista considrese
de nuevo el problema de la Pizzera Ashley acerca de decidir si debe mudarse
o no. Si se aplica este modelo de decisin a ese problema, el paso 1 produce la
lista que se muestra en la tabla 12-5.
Si despus se aplica el paso 2 del modelo de decisin del optimista, se
maximizan los valores de la tabla 12-5 y se encuentra que la alternativa elegida
es la A3 (mudarse a Epps Bridge Road) con un pago de $200,000, Es decir, si
Ashley elige la alternativa de mudarse a Epps Bridge Road, entonces el pago
mximo que podra esperar es $ 200,000. Si seleccionara cualquiera otra
alternativa el pago sera en definitiva inferior a este valor.

TABLA 12-5. Pagos mximos

Alternativa
Pago
mximos
A1 +$100,000 (N1)
A2 +$150,000 (N2)
A3* +$200,000 (N3)

Este modelo de decisin se conoce como modelo del optimista porque el
T.D. tiene una opinin optimista acerca del medio ambiente. Quien toma las
decisiones podra tambin decidir utilizar este modelo en una situacin en la
que la cantidad de dinero que puede perderse (pago negativo) es pequea en
comparacin con la utilidad que puede alcanzarse. En estos casos, se supone
que quien toma las decisiones puede permitirse las prdidas que podran
ocurrir si se utiliza el modelo del optimista. En nuestro ejemplo, podra haberse
elegido la alternativa A3 debido a la magnitud del rendimiento $ 200,000 que
era grande en comparacin con la prdida que pudiera haber ocurrido por
elegir esa alternativa, $20,000. El T.D. consider que $ 20,000 no era una
prdida potencial grande al considerar el pago.
Al igual que con el modelo de decisin del pesimista, resulta fcil utilizar
un rbol de decisin en este modelo. El nico cambio consiste en que, en vez
de hacer una lista de los pagos mnimos para cada rama de decisin, se hace
una lista de los pagos mximos.

Modelos de decisin de minimizacin del arrepentimiento.

prdida de
oportunidad
Otro modelo de decisin que representa una opinin bastante
pesimista del medio ambiente es el de la minimizacin del
arrepentimiento, tambin conocido como minimizacin de las
prdidas de oportunidad.
Para comprender este modelo de decisin es necesario definir
una prdida de oportunidad. Para un estado de la naturaleza
determinado existen siempre una o ms alternativas que
producen el mayor pago. Si se elige una estrategia que d como
resultado un pago inferior al mximo para ese estado de la
naturaleza en particular, entonces se incurre en una prdida de
oportunidad que es igual a la diferencia entre el pago ms alto y
el pago que se da con la estrategia elegida, y se siente
arrepentimiento. En otras palabras, para un estado determinado
de la naturaleza.

prdida de oportunidad = pago mximo pago por la alternativa seleccionada
(12.1)

Las prdidas de oportunidad son la cantidad que se pierde
cuando la alternativa que se eligi no era la mejor. Si la decisin
conduce al pago ms alto para un estado de la naturaleza
particular, no hay prdida de oportunidad y no se siente
arrepentimiento.
Como ejemplo del modelo de prdida de oportunidad o de
arrepentimiento considrese el primer estado de la naturaleza
(no cambiarse) para el problema de ubicacin de la Pizzera
Ashley. Esta columna de la tabla de pagos se muestra en la tabla
12.6

TABLA 12-6 Pagos del primer estado de la naturaleza

Alternativa
Sin cambio
(N1)
A1 +$100,000
A2 +$40,000
A3 -$20,000

Usando los valores de la tabla 12-6 se determina que el
mximo pago es $ 100,00 y ocurre para A1 (no mudarse).
Tomando este valor y la ecuacin (12.1) puede calcularse
-
=

tabla de
arrepentimientos
la prdida de oportunidad para cada alternativa (vase tabla
12-7).
Utilizando el mismo procedimiento puede calcularse la
prdida de oportunidad para el segundo y tercer estados de
la naturaleza. Cuando se anotan en una tabla combinada
los valores de oportunidad para todos los estados de la
naturaleza se tiene una tabla de arrepentimientos. Una
tabla de este tipo para el problema de la pizzera Ashley se
muestra en la tabla 12-8.
Se busca evitar valores grandes de arrepentimiento puesto
que estn asociados con prdidas grandes de oportunidad.
Esta clase de toma de decisiones es similar al modelo de
decisin del pesimista, excepto que aqu se busca
minimizar las prdidas mximas de oportunidad. Es posible
plantear un procedimiento paso a paso para el modelo de
decisin de minimizacin del arrepentimiento de la siguiente
manera:

TABLA 12-7 Clculo de la prdida de oportunidad para N1.

Alternativa
Pago
mximo
Pago de la
alternativa
Prdida de
oportunidad
A1 $100,000 $100,000 0
A2 $100,000 $40,000 $60,000
A3 $100,000 -$20,000 $120,000

TABLA 12-8 Tabla de arrepentimiento

Alternativa

Estado de la naturaleza

Sin cambio
(N1)
Cerrar los
Antiguos
Dormitorios (N2)
Construir
nuevos
departamentos (N3)
No mudarse (A1) 0 $100,000 $180,000
Mudarse a Baxter
Street (A2)

$60,000

0

$175,000
Mudarse a Epps Bridge
Road (A3)

$120,000

$130,000

0

Paso 1. Para cada estado de la naturaleza:
a. Determine el pago ms alto
b. Calcule las prdidas para cada alternativa, utilizando la ecuacin (12.1).
c. Coloque estos valores de prdida de oportunidad en una tabla de
arrepentimiento.
Paso 2. Para cada alternativa de la tabla de arrepentimientos, determine la
prdida mxima de oportunidad y coloque este valor en una lista
Paso 3. Utilizando la lista del paso 2, determine la mnima de las prdidas
mximas de utilidad. La alternativa correspondiente es la que debe elegirse.

Si se utiliza este procedimiento paso a paso para generar la tabla de
arrepentimiento de la tabla 12-8, se llega en el paso 2 a la lista de valores
mximos de prdida de oportunidad que se muestran en la tabla 12-9.
Utilizando el paso 3, se elige entonces la alternativa A3 (mudarse a Epps
Bridge Rosad) puesto que es el menor valor de la lista de prdidas mximas
de oportunidad con el valor de $130,000. Esta alternativa est marcada con un
asterisco en la tabla 12-9.
En este modelo de decisin quien toma las decisiones busca evitar prdidas
elevadas de oportunidad a travs de un anlisis minimx de la tabla de
arrepentimientos. Al hacer esto, quien toma las decisiones minimiza la
diferencia mxima que puede ocurrir entre la mejor alternativa para un estado
determinado de la naturaleza y cada uno de los resultados. Al elegir una
alternativa quien toma las decisiones se asegura de minimizar el
arrepentimiento mximo o prdida de oportunidad.

TABLA 12.9 Valores del arrepentimiento mximo

Alternativa

Mxima prdida de
oportunidad

A1 $180,000 (N3)
A2 $175,000 (N3)
A3* $130,000 (N2)

Modelo de decisin de maximizacin del pago promedio
En los casos en los que quien toma las decisiones se enfrenta a alternativas
mltiples en las que cada alternativa tiene a su vez resultados mltiples, es una
prctica comn encontrar el pago promedio para cada estrategia y elegir
despus la alternativa que tenga el mayor pago promedio. En este modelo de
decisin, si existen n resultados para cada alternativa con
O
ij
= pago para la i-sima alternativa dado el j-simo estado de la
naturaleza, y
V
i
= pago promedio para la i-sima alternativa
Entonces

(12.2)
Por ejemplo, en el problema del cambio de ubicacin de la Pizzera Ashley el
pago promedio para la primera alternativa est dado por
V1 = (1000,000+ 50,000 + 20,000)/3 = $ 56,667 (AI)
en tanto que
V2 = (40,000 + 150,000 + 25,000)/3 = $71,667 (A2)
y
V3 = (-20,000 + 20,000 + 200,000)/3 = $66,667 (A3)
Utilizando estos valores, quien toma las decisiones elabora una lista de valores
promedio a la que se realiz en los tres modelos anteriores de decisiones. En
este caso, esa lista se muestra en la tabla 12-10. Cuando se maximizan estos
pagos promedio se elige la estrategia A2 (mudarse a Baxter Street). Esta
alternativa aparece sealada con un asterisco en la tabla 12-10.

TABLA 12-10 Pagos promedio

Alternativa
Pagos
promedio
A1 $56,667
A2* $71,667
A3 $66,667

En seguida se presenta una descripcin detallada del modelo de
decisin del pago promedio mximo:
Paso 1. Para cada alternativa, calcule el pago promedio para todos los
estados de la naturaleza y coloque estos valores en una lista.
Paso 2. Determine el mayor valor de la lista de pagos promedio. La
alternativa que corresponde a este pago es la que debe seleccionarse.

Desde un punto de vista intuitivo no parecera que el modelo de decisin
del pago promedio mximo dependa de probabilidades. Sin embargo, al tomar
los promedios de los resultados para cada decisin estamos diciendo en forma
implcita que los resultados son igualmente probables. En trminos de
probabilidades, la probabilidad de que ocurra cada resultado es igual 1/n en
donde n es el nmero de resultados. En otras palabras, si p
i =
probabilidad del i-
simo resultado, entonces p
1
= p
2
= = p
n
= 1/n.
Despus pueden utilizarse estas probabilidades para calcular el valor
monetario esperado (VME) para cada decisin. El VME se basa en el concepto
de valor esperado de la teora de la probabilidad. Si existen digamos, n
resultados para un experimento en donde cada resultado tiene un rendimiento
r
j
y una probabilidad de ocurrencia de p
j
, entonces el valor esperado de ese
experimento est dado por

(12.3)

Donde

(12.4)

Por ejemplo, si lanzramos un solo dado con la misma probabilidad de
ocurrencia para cada uno de los seis lados y el rendimiento fuera igual al
nmero que se obtuvo, entonces el valor esperado de ese experimento sera:

Valor esperado = ( ) (1) + (( ) (2) + ( )(3) + ( )(4) + ( )(5) + ( )(6)
= 3
Si el rendimiento est dado en trminos de dinero entonces el valor
esperado se convierte en el valor monetario esperado.
En el caso de probabilidades igualmente posibles,

(12.5)

valor esperado =
=====
= 1
VME =
Esta es la misma frmula dada en la ecuacin (12.2), lo cual demuestra
que el modelo de decisin de pago promedio mximo es lo mismo que utilizar
un enfoque de VME mximo con probabilidades iguales.

Modelo de probabilidades subjetivas.

utilidad

Aunque no siempre es posible hacer uso de datos previos
para calcular probabilidades para la ocurrencia de diversos
resultados, pueden utilizarse probabilidades subjetivas.
Estas probabilidades se basan en una multitud de
experiencias anteriores, que quien toma las decisiones
puede emplear para asignar probabilidades a los resultados.
Las probabilidades subjetivas son el concepto bsico sobre
el cual se basan las apuestas. Cada apostador asigna una
probabilidad diferente a los diversos resultados de una
carrera o de algn otro juego de azar y despus evala los
resultados para decidir cmo se debe apostar. Muchos
aspectos intervienen en la forma en que el apostador asigna
probabilidades, incluyendo el nmero de acciones, el peso
que el apostador asigna a cada opcin y las experiencias
pasadas con respecto al evento.
En los negocios, es ocurrencia de diversos resultados con
base en un juicio personal respecto a las condiciones del
mercado, a las acciones futuras de un competidor, a la
importancia del producto que se considera, etc. En algunas
ocasiones la intuicin o una corazonada conduce a una
persona que toma decisiones a asignar probabilidades por
razones que no pueda definir.
Una vez que se asignan las probabilidades subjetivas, quien
toma las decisiones debe decidir si es adecuado utilizar
valores monetarios para los pagos (tanto positivos como
negativos) en el clculo de los valores esperados. En otras
palabras, existe una relacin lineal entre el dinero
implicado y la utilidad que logra quien toma las decisiones
con cada resultado? En este caso, la utilidad se refiere a las
consecuencias no monetarias de la ocurrencia de un
resultado. Para comprender mejor este concepto considere
la situacin que enfrenta Gene Van Etten, un laborioso
estudiante universitario que trabaj todo el verano para
pagar los $3,000 que necesita para pagar los gastos de su
siguiente ao escolar. Gene ha ganado tambin otros
$1,000 que planea destinar a la adquisicin de un automvil.
Gene piensa que necesita otros $1,000 para comprar el MG
que desea por lo que ha decidido apostar en una quiniela
local de futbol. Ha investigado la quiniela y ha determinado
que con una apuesta de $1,000 en el juego semiprofesional
de esta semana entre los Winemucca Road Runners y los
Waynesville Critters, podra ganar $1,000 si elige el equipo
ganador. Tambin descubri que con una apuesta de
$4,000, podra ganar $6,000. En la primera apuesta
terminara con $3,000 o $5,000, en tanto que con la
segunda apuesta tendra nada o $10,000. La decisin que
debe tomar Gene es en qu apuesta debe invertir.
Si Gene utiliza un clculo directo de valor esperado y piensa
que tiene una probabilidad del 50% de ganar cualquier
apuesta, para la Apuesta 1 el VME es (0.5) (5 000) + (0.5)
(3000) = $4,000. De manera similar, para la Apuesta 2, el
VME es (0.5) (10,000) + (0.5) (0) = $5,000. Por ello, si Gene
utiliza el valor monetario como criterio de decisin que es
evidente que elegira la Apuesta 2, puesto que su VME es
ms alto. Pero, qu sucede con las consecuencias no
monetarias? Si Gene participa en la Apuesta 1 obtendr
dinero suficiente para comprar un automvil o perder los
$1,000. Si participara en la Apuesta 2, tendr mucho ms
dinero si gana, pero si pierde no podr ir a la escuela ese
ao. Si se le pidiera a Gene asignar cierta clase de valores
de utilidad a cada uno de esos resultados en una escala del
1 al 10 (cualquier escala es til), podra asignar los
siguientes valores:

Resultado Valor de la
utilidad
Tener $ 5,000 (Apuesta 1) 8
Tener $ 3,000 (Apuesta 1) 4
Tener $10,000 (Apuesta 2) 9
No asistir a la escuela (Apuesta 2) 1

Si Gene calculara los valores no monetarios esperados de
las Apuestas 1 y 2, encontrara que el valor utilitario
esperado (VUE) de la Apuesta de es (0.5) (8) + (0.5) (4) =
6 y el VUE de la Apuesta es (0.5) (9) + (0.5) (1) = 5.
Utilizando el VUE, Gene elegira la Apuesta 1. Este tipo de
razonamientos se ajusta al concepto de la persona racional
que busca en forma constante maximizar su utilidad
esperada.
Si aplicamos el anlisis utilitario esperado a la Pizzera
Ashley y a la decisin con respecto a mudarse
necesitaramos pedirle a Ashley dos tipos de informacin.
En primer lugar, debemos saber si los dlares que aparecen
en la tabla de pagos (tabla 12-3) representan en realidad
todas las consecuencias de cada decisin, tanto monetarias
como no monetarias. Si no es as, entonces, sera necesario
elaborar una tabla de valores de utilidad para Ashley. Puede
hacerse esto igual que en el ejemplo anterior a travs de
diversos mtodos estructurados. En segundo lugar,
deberamos pedir a Ashley una estimacin de la
probabilidad de ocurrencia de cada resultado. (No
analizaremos aqu el clculo de las utilidades y de las
probabilidades subjetivas, pero el lector interesado puede
encontrar anlisis ms detallados en las referencias que se
listan al final del captulo.) Despus podramos utilizar el
valor superado para elegir una alternativa. Supongamos que
Ashley est satisfecha con los valores monetarios de la
tabla de pagos como representacin de las consecuencias
de cada decisin. Estima que existe una probabilidad 0.4 de
que no haya acciones externas (resultado 1), una
probabilidad 0.3 de que se cierren los antiguos dormitorios
(resultado 2) y una probabilidad 0.3 de que se construyan
los nuevos departamentos (resultado 3). Ahora, es posible
calcular los valores utilitarios esperados para cada decisin:

A1: VUE
1
= (0.4) (100,000) + (0.3)(50,000) + (0.3) (20,000) = $ 61,000
A2: VUE
2
= (0.4) (40,000) + (0.3)(150,000) + (0.3)(25,000) = $ 68,500
A3 : VUE
3
= (0,4) (-20,000) + (0.3)(20,000) + (0.3)(200,000) = $ 58,000

Utilizando el mtodo de la probabilidad subjetiva, Ashley
eligira la alternativa A2 (mudarse a Baxter Street).
Si usamos un rbol de decisin para representar esto el
rbol se asemejara al que aparece en la figura 12-3,
excepto que ahora incluimos probabilidades en cada rama
de resultados (fig. 12-4). Esas probabilidades slo se
multiplican por el resultado que aparece al final de cada
rama y se suman para todos los resultados de cada una de
las ramas de estrategias con el objeto de calcular el valor
esperado (VME o VUE) para cada alternativa.
Como ejemplo de los clculos de valor esperado utilizando
un rbol de decisin considrese la rama A1 (no mudarse).
En esta rama si multiplicamos los resultados que aparecen
al final de cada una de las ramas de estados de la
naturaleza por las probabilidades de la rama y despus
sumamos, se obtiene

(0.4) (100,000) + (0.3) (50,000) + (0.3) (20,000) = $61,000

lo cual es el mismo VUE que se calcul antes para A1, solo
que ahora utilizamos el rbol de decisin en los clculos.
Obsrvese que el VUE sera exactamente el mismo para el
mtodo del pago promedio mximo, si se reemplazan las
probabilidades subjetivas por probabilidades igualmente
posibles. En este caso, la probabilidad de cada rama sera
0.3333, puesto que existen tres resultados para cada rama
de decisin.

mudarse a Baxter Street (A2)
mudarse a Epps Bridge Road (A3)
(N1) sin cambio (0.4)
(N2) cierran
dormitorios (0.3)

(N2) cierran
dormitorios (0.3)

(N2) cierran
dormitorios (0.3)
(N3) se construyen
departamentos (0.3)
(N3) se construyen
departamentos (0.3)
(N3) se construyen
departamentos (0.3)

FIGURA 12-4 rbol de decisin para el problema de mudarse

Una advertencia con respecto a los modelos de decisin
En esta seccin se han analizado modelos de decisin basados en
probabilidades y otros que no se basan en ellas para situaciones en las que no
existe experiencia previa. Debe observarse que es necesario tener cuidado al
utilizar estos modelos porque resulta muy fcil crear problemas en los que
pueden ocurrir resultados poco realistas. En el caso de los modelos que no se
basan en probabilidades (modelo del pesimista, del optimista y de minimizacin
del arrepentimiento), en cada uno de ellos es posible desarrollar un problema
en el que el empleo del modelo conduzca a decisiones muy deficientes. Por
ejemplo, considere el problema que se muestra en la tabla 12-11.
Si en esa tabla se toma lo peor que pueda suceder para cada
alternativa, A1 y A2, y se hace una lista, se obtiene la tabla 12-12. Utilizando el
modelo de decisin del pesimista, elegiramos entonces la alternativa A2
puesto que 0 es mayor que -10. Hemos ignorado por completo el hecho de que
existe un pago positivo de $400,000.
no mudarse (A1)
$ 50,000
$ 20,000
$ 40,000
$ 150,000
$ 25,000
$ -20,000
$ 20,000
$ 200,000
$ 100,000

Este ejemplo tal vez parezca
exagerado, pero sirve para sealar el
tipo de resultados que pueden
obtenerse cuando no se considera toda la informacin existente al tomar una
decisin. Hay otros modelos que no se basan en probabilidades en que se
pretende incorporar el grado de optimismo de quien toma las decisiones; pero
el hecho de que estos modelos no toman en consideracin la naturaleza
probabilstica del medio ambiente los deja expuestos a crticas.
Por otro lado, tambin debemos estar conscientes de los problemas que
pueden presentarse al utilizar el mtodo VME para tomar decisiones sin
considerar las consecuencias no monetarias. Como se vio en el ejemplo del
estudiante universitario que estaba considerando dos alternativas de apuestas,
elegir siempre la alternativa que tiene el mayor VME puede conducir a
consecuencias desastrosas. Y, como se observaba en el ejemplo del pago
promedio mximo, el valor esperado o promedio que se calcula puede no
ocurrir en realidad. En el ejemplo del estudiante universitario, el VME ms alto
era $5,000 y, sin embargo, los dos resultados eran $10,000 y $0. Slo cuando
se combinan las consecuencias monetarias y no monetarias en una escala de
utilidad es posible confiar en el uso del valor esperado como criterio de decisin
cuando no existen datos previos y se utilizan probabilidades subjetivas.
TOMA DE DECISIONES UTILIZANDO DATOS PREVIOS
En los casos en que debe repetirse varias veces una decisin bajo
condiciones similares y existe experiencia anterior que puede utilizarse para
tomar estas decisiones, la situacin se conoce como toma de decisiones
utilizando datos previos. En el caso de la Pizzera Ashley, el problema de
determinar cuntas pizzas hornear es un ejemplo de toma de decisiones
utilizando datos previos. En esa situacin, supusimos que habra una demanda
de 150, 160, 170 o 180 cada noche, pero no es posible saber con anticipacin
cul ser esa demanda en una noche determinada. Se tiene experiencia
anterior que puede ayudarnos a tomar la decisin y suponemos que las
condiciones que rodean a la decisin sern las mismas todas las noches. En
las ocasiones en las que las condiciones pueden diferir (por ejemplo, despus
TABLA 12-11 Desventajas del modelo del
Pesimista

Alternativa

Estado de naturaleza

N1

N2
A1 -10 400,000
A2 0 0

TABLA 12-12 Pagos mnimos para el
Modelo del pesimista

Alternativa

Pago mnimo

A1 -10
A2* 0

de un juego de futbol o durante una tormenta de nieve) no sera apropiado
utilizar el enfoque anterior basado slo en la experiencia previa con la demanda
diaria.
Nmero de pizzas que se solicitan 150 160 170 180
Nmero de das 20 40 25 15

Utilizando estos datos deseamos tomar decisiones con respecto al
nmero de pizzas que deben hornearse cada noche. Existen dos mtodos para
analizar los datos para la toma de decisiones, el clsico y el bayesiano.
Consideraremos ambos tipos de anlisis, pero haremos hincapi en el mtodo
bayesiano para la toma de decisiones.

Comparacin de los anlisis bayesianos y clsico para la toma de
decisiones.
Cuando existen datos previos disponibles para auxiliarse en la toma de
decisiones, es posible utilizar dos tipos de anlisis. Se les define en forma
amplia como anlisis bayesiano y anlisis clsico. En el anlisis bayesiano se
combinan los datos previos (o probabilidades subjetivas) con datos muestrales
o de prueba, utilizando la frmula desarrollada por el ministro ingls Thomas
Bayes.
En el anlisis clsico se utilizan los datos previos para elaborar una regla
de decisin y despus se corre una prueba o se toma una muestra. La decisin
se toma con base en el resultado de la prueba o muestra. Este es el tipo de
anlisis que por lo general se ensea en los cursos introductorios de
estadstica bajo el nombre de pruebas de hiptesis. Por ejemplo, en el caso de
la Pizzera Ashley, puede determinarse la demanda esperada por medio del
siguiente clculo:
Demanda esperada = (0.2)(150) + (0.4)(160) + (0.25)(170 + (0.15)(180)
= 163.5
Con base en la demanda esperada, Ashley podra esperar que la
demanda excediera, en promedio, las 160 pizzas por noches. Para probar esta
expectativa, puede utilizarse el anlisis clsico.
Para usar este anlisis clsico, primero plantearamos la siguiente
hiptesis nula, utilizando el valor esperado que se calcul con los datos
previos.
H
o
= 160
Esta hiptesis nula dice que los datos previos indican que la demanda
promedio a largo plazo, o media , ser mayor o igual a 160 pizzas. Utilizando
los datos previos se plantea una hiptesis alternativa de que la demanda es
menor de 160 pizzas.
H
1
: 160
(o que la demanda media es inferior a 160 pizzas.)
Para tomar una decisin tomaras una muestra de los valores de la
demanda para cierto nmero de noches. Con base en esta muestra podramos
aceptar la hiptesis nula y asegurar que la demanda media de Ashley es de
160 o ms pizzas por noche. Por otro lado, la muestra podra conducirnos a
rechazar la hiptesis nula y a afirmar que, despus de todo, la demanda
promedio en realidad no es de 160 o ms pizzas.
En el anlisis bayesiano se elabora una matriz de decisin que contiene
las consecuencias monetarias de diversas decisiones. Con esta matriz de
decisin, en el anlisis bayesiano se realiza primero un anlisis previo
utilizando los datos anteriores. A esto le sigue un segundo anlisis o
preposterior, en el cual se determina si resultara til llevar a cabo pruebas o
muestras adicionales. Si el anlisis preposterior muestra que las pruebas o las
muestras sera econmicamente tiles, entonces se llevan a cabo. Si se toma
una muestra o se lleva a cabo una prueba, se utilizan los resultados para
modificar las probabilidades previas con el objeto de determinar las
probabilidades posteriores o despus de la prueba. Estas probabilidades
posteriores combinan tanto los datos previos como los resultados de la prueba
o muestra.
Al comparar el anlisis clsico con el bayesiano, se observa que en el
primero siempre se procede a realizar una prueba o a recolectar una muestra,
pero en el anlisis bayesiano slo se hace esto despus de que un anlisis
preposterior de los datos haya mostrado que pruebas o muestras adicionales
seran econmicamente valiosas. Esta decisin de probar o muestrear, o no
hacerlo, combinada con la modificacin de las probabilidades con base en las
pruebas, es lo que da al anlisis bayesiano ventajas con respecto al anlisis
clsico, ya que permite una toma de decisiones ms econmica.
En el resto del captulo se presenta una introduccin al anlisis
bayesiano y se aplica este anlisis al caso de la Pizzera Ashley.

Anlisis bayesiano
Para comenzar un anlisis bayesiano del caso de la Pizzera Ashley, en
primer lugar necesitamos una matriz de decisin que muestre las
consecuencias econmicas de diversas decisiones. Para hacer esto,
ampliaramos la tabla de utilidades 12-1 para convertirla en la tabla de
utilidades 12-13. Esta tabla ampliada incluye los pagos para cada estado de la
naturaleza y cada alternativa, y la porcin de tiempo en que ocurri cada
estado de la naturaleza. Esta fraccin se encuentra dividiendo el nmero de
das de cada estado de la naturaleza entre el nmero total de das para todos
ellos. Se estudiaron 20 + 40 + 25 + 15 = 100 das, por ello, para el primer
estado de la naturaleza, la fraccin es 20/100 = 0.20. Estas fracciones son
equivalentes a probabilidades, dado que su suma es igual a uno y reflejan la
proporcin de tiempo que ocurri cada estado de la naturaleza. Consideramos
que se observar la misma proporcin en el futuro.

TABLA 12-13 Tabla de utilidades

Nmero de pizzas
que se hornean
con anticipacin

Nmero de pizzas que se solicitan

150

160

170

180
150 300 300 300 300
160 290 320 320 320
170 280 310 340 340
180 270 300 330 360

Fraccin de tiempo

0.20

0.40

0.25

0.15

Utilizando esta informacin, si existen n estados de la naturaleza, es
posible calcular el VME para cada alternativa, por medio de la frmula que
sigue:

Donde 0
ij
= pago utilizando la i-sima alternativa si ocurre
El j-simo estado de la naturaleza
p
j
= probabilidad de que ocurra el j-simo estado de la naturaleza
VME
1
= valor monetario esperado para la i-sima alternativa

VME
1
=
Si se aplica este modelo de decisin al problema de la Pizzera Ashley,
con respecto a cuntas pizzas hornear con anticipacin, se tienen los
siguientes clculos:
VME
1
= (0.20)(300) + (040)(300) + (0.25)(300) + (0.15)(300) = $ 300.00
VME
2
= (0.20)(290) + (040)(320) + (0.25)(320) + (0.15)(320) = $ 314.00
VME
3
= (0.20)(280) + (040)(310) + (0.25)(340) + (0.15)(340) = $ 316.00
VME
4
= (0.20)(270) + (040)(300) + (0.25)(330) + (0.15)(360) = $ 310.50

Despus, se anotan estos valores monetarios esperados en una lista a
partir de la cual se determina el mximo (ver la tabla 12-14). Se encuentra que
el VME es $316 y ocurre para una decisin de hornear 180 pizzas. La
interpretacin de este valor es que si Ashley horneara 170 pizzas cada noche,
entonces su utilidad promedio a largo plazo sera de $316 por noche.
Obsrvese que en ningn momento ocurrira este valor en realidad, es un valor
promedio para una gran cantidad de aplicaciones de la alternativa bajo
condiciones similares. Esta alternativa est marcada con un asterisco en la
tabla 12-14.
Enseguida se presenta un procedimiento paso a paso para el modelo de
decisin VME.
Paso 1. Calcular las probabilidades, p
j
, para la ocurrencia de cada
estado de la naturaleza.
Paso 2. Calcular el VME para todas las alternativas utilizando la
ecuacin (12-6) y anotar estos valores en una lista.
Paso 3. Utilizar la lista de VMEs calculada en el paso 2 para determinar
el valor mximo. La alternativa que corresponde al VME mximo en la decisin
que debe tomarse.

FIGURA 12.5. rbol de decisin para el horneado previo de pizzas.
Demanda de 160 pizzas (0.4)
Demanda de
170 pizzas (0.25)
Demanda de
170 pizzas (0.25)
Demanda de
170 pizzas (0.25)
Demanda de
170 pizzas (0.25)

Esta es la porcin a priori de un analstica bayesiano.

TABLA 12-14 Valores monetarios esperados.

Alternativa

VME
150 (A1) $ 300.00
160 (A2) 314.00
170 (A3) 316.00*
180 (A4) 310.40

Hornear 180 piezas
Hornear 170 piezas
Hornear 160 piezas
Hornear 150 piezas
$316
$314
$300
$280
$310
$340
$340
$270
$300
$330
$360
$310.50
$300
$300
$290
$320
$320
$320
$300
$300
Uso de rboles de decisin para problemas con datos previos.
Al igual que con los problemas de decisin en los que no existen datos
previos disponibles, es posible (y en muchas ocasiones aconsejable) utilizar
rboles de decisin para determinar cul es la decisin correcta. En el caso de
los problemas en que existen datos previos, se construye un rbol de decisin
de la misma forma en que se hizo para otros tipos de problemas, la nica
diferencia es que se incluyen las probabilidades calculadas en las ramas de
probabilidad y estas probabilidades se utilizan para calcular los VME. En el
caso de la decisin de la pizzera con respecto a cuntas pizzas hornear con
anticipacin, habr cuatro ramas de decisin que corresponden a hornear, 150,
160, 170 o 180 pizzas. Al final de cada rama de decisin habr un nodo de
probabilidad que tiene cuatro estados de la naturaleza que corresponden a la
demanda de 150, 160, 170 y 180 pizzas. En cada rama de estado de la
naturaleza habr tambin una probabilidad de que ocurra ese estado y al final
de cada una de las ramas de estado de la naturaleza habr un resultado o
utilidad para cada decisin y estado de la naturaleza. El rbol de decisin para
la Pizzera Ashley se muestra en la figura 12-5.
Utilizando los valores de las utilidades y las probabilidades para cada
rama de estado de la naturaleza, se calcula el VME para cada nodo de
probabilidad utilizando la ecuacin (12.6). Es fcil hacer esto multiplicando
cada probabilidad por la utilidad correspondiente y sumando todos estos
productos para cada nodo de probabilidad. Los VME estn anotados por
debajo de cada nodo de probabilidad y el VME mximo est anotado bajo el
punto de decisin. La decisin a la que corresponde el VME es el nmero
mximo, a largo plazo, de pizzas que deben hornearse; 170 pizzas, en este
caso las que arrojan utilidades diarias de $316.
Este problema se denomina comnmente problema del vendedor de
diarios. El nombre proviene de la situacin de un vendedor de diarios que
intenta decidir cuntos debe comprar cada da para vender. El concepto es
exactamente el mismo que decidir el nmero de pizzas que deben hornearse
con anticipacin.

El valor de la informacin perfecta
Con frecuencia surge la siguiente pregunta: cunto estara dispuesta a
pagar la persona que toma las decisiones para obtener informacin adicional
sobre cules sern las circunstancias reales? Antes de poder responder esta
pregunta necesitamos conocer el valor de la informacin misma. Si la
informacin es perfecta, es decir, si la informacin nos dice exactamente qu
es lo que va a ocurrir, resulta bastante sencillo responder la pregunta. Se
considera el aspecto de la informacin imperfecta en una seccin posterior.
Si sabemos con exactitud cul estado de la naturaleza ocurrir, es fcil
determinar la alternativa que debe elegirse. Se elegira la alternativa que
produce el mayor pago para cada estado de la naturaleza. En el problema de la
Pizzera Ashley, para un nmero determinado de demanda de pizzas,
elegiramos hornear con anticipacin el nmero de pizzas que maximizara las
utilidades netas. Por ejemplo, para la situacin en la que supiramos que
habra una demanda de 160 pizzas, las utilidades mximas ocurriran si se
hornearan 160 pizzas, y esa utilidad sera $320. Si calculramos esto para
cada uno de los estados de la naturaleza se generara la lista que aparece en
la tabla 12-15.

TABLA 12-15 Pagos mximos

Pizzas que se solicitan
(estados de la naturaleza)

Decisin con
pago mximo

Pago
150 150 $300
160 160 $320
170 170 $340
180 180 $360

Puesto que cada estado de la naturaleza ocurre slo durante una fraccin del
tiempo, es posible calcular el valor monetario esperado para el caso de la
informacin perfecta utilizando los pagos mximos y las probabilidades para
cada estado de la naturaleza. En el caso que se muestra en la tabla 12-15, el
valor monetario esperado de la informacin perfecta (VME
1p
) se calcula de la
siguiente manera

VME
1p
= (0.2)(300) + (0.4)(320) + (0.25)(340) + (0.15)(360)
VME
1p
= $ 327

Por ello, si conociramos con anticipacin qu estado de la naturaleza
ocurrir y si eligiramos cada vez la decisin que arrojara las mximas
utilidades, la utilidad promedio a largo plazo que obtendramos sera $327. En
general, esto se plantea de la siguiente manera

(12.7)
VME
1P
=

donde O
ij
= la mxima utilidad para cada estado de la naturaleza
p
j
= la probabilidad de cada estado de la naturaleza

Para calcular el valor de la informacin perfecta, lo nico que se hace es
calcular la diferencia entre el valor monetario esperado para la informacin
perfecta y ese mismo valor monetario esperado sin informacin perfecta:
VPI = VME
1p
- VME
1p
(12.8)
donde VIP = valor de la informacin perfecta
VME
1p
= VME para la informacin perfecta
VME* = VME mximo sin informacin perfecta

En el caso de la pizzera, VME
1p
= $327 y VME* = $316, POR LO QUE
vip = 327 - $316 = $11. Puede verse a partir de esto que Ashley estara
dispuesta a pagar hasta $11 por da para conocer con anticipacin
exactamente cuntas pizzas se requerirn cada da. Si la informacin no es
perfecta, o el costo de la informacin es mayor de $11, entonces podra
arreglrselas mejor sin conocer la informacin en forma anticipada.

El valor de la informacin de prueba
En la seccin anterior presentamos el clculo del valor de la informacin
perfecta. Sin embargo, en trminos prcticos, por lo general la informacin
proviene del algn procedimiento imperfecto de prueba. Con esto quiere
hacerse notar que la informacin de la prueba no siempre pronostica en forma
correcta el estado de la naturaleza que ocurrir. Por ejemplo, un meteorlogo
podra, con base en alguna prueba, pronosticar lluvia y, aun as, este estado de
la naturaleza podra ocurrir slo el 70% de las veces que se hace esta
prediccin.
Debido a esta imperfeccin en el poder predictivo de la prueba, el
clculo del valor de la informacin de prueba es algo ms complejo que para la
informacin perfecta. Para comprender el procedimiento que se utiliza para
realizar estos clculos, sea

P (N|R) =la probabilidad de que ocurra en realidad el
evento N, dado que el resultado de la prueba fue R

Dado que la prueba es imperfecta, P (N|R) 1. Por ejemplo, si un
meteorlogo est en lo correcto el 70% de las veces, entonces P (N|R) =0.7,
donde N = llueve y R = se pronostic lluvia.
Sin embargo, por lo general se desconocen los valores de P (N|R) (lo
cual se lee probabilidad de N dado R) puesto que estos valores slo se
conocen despus de haber utilizado la prueba las suficientes veces para
recopilar datos que permitan calcular probabilidades. Por lo general se conoce
lo opuesto, es decir, la probabilidad de que ocurra el resultado de la prueba
dado el resulta correspondiente. Esta probabilidad es P (N|R) , y puede
calcularse utilizando datos histricos para determinar la forma en que se
hubiera comportado la prueba si se hubiera utilizado.
Por desgracia, la probabilidad P (R|N) no es la probabilidad de
prueba P (N|R) que necesitamos, puesto que se calcul despus de conocer el
resultado. Para calcular P (N|R) se usa un resultado bien conocido de la
probabilidad, denominado ley de Bayes. Este resultado dice que
P (N|R) = P (R|N)P(N)
P(R)
(12.9)

Por lo general, dos de los valores que aparecen en esta frmula pueden
obtenerse a partir de datos de prueba, y el tercero calcularse a partir de los
otros dos. Resulta fcil calcular a partir de datos previos la probabilidad de que
la prueba sea exacta, dado que se conoce el resultado real, P (R|N), la
probabilidad de que ocurra un resultado particular sin importar cul sea la
prueba, P (N). P(N) tambin puede ser una probabilidad subjetiva basada en
la experiencia que tenga en esas situaciones quien toma las decisiones. Esta
ltima probabilidad, (P(N), se conoce como probabilidad a priori puesto que se
calcula antes de cualquier prueba, mientras que las otras son probabilidades
condicionales.
La tercera probabilidad que aparece en la ley de Bayes, P(R), es la
probabilidad de que ocurra el resultado de prueba R. Esta probabilidad puede
calcularse por medio del siguiente resultado de la teora probabilstica:

P(R) = P(R|N)P(N) + P(R|N) P(N)
(12.10)
en donde N significa no N o negacin de N. Puesto que N incluye todos los
eventos que no sean N, P(N) pueden ser sumas de diversos valores. Los
valores de P(R|N) y P(N) puede calcularse al mismo tiempo que se obtienen
P(R|N) y P(N).
Combinando (12.9) y (12.19) se llega a una versin modificada de la ley
Bayes:
P(N|R) = P(R|N)P(N)
P(R|N)P(N) + P(R|N)P(N)
(12.11)

El resultado final, (P(N|R), probabilidad de que ocurra el suceso N dado
el resultado del procedimiento de prueba. Una vez que se conocen los valores
de la probabilidad a posteriori, es posible emplearlos para llevar a cabo el
anlisis posterior con el objeto de determinar si debe llevarse a cabo una
prueba o un muestreo.


Biliografa:
Mckeown y Davis. Modelos Cuantitativos para Administracin, Editorial
Iberoamericana. 1986.

Objeto de Estudio Unidad I

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Objeto de Estudio Unidad I

Transféré par

Droits d'auteur :

Formats disponibles

Instituto Tecnolgico de Aguascalientes Educacin a Distancia

Investigacin de Operaciones II Pgina 1 de 39

Vous aimerez peut-être aussi