Académique Documents
Professionnel Documents
Culture Documents
Sistemas de Ayuda
a la Decisión
Sixto Ríos Insua
Concepción Bielza Lozoya
Alfonso Mateos Caballero
Grupo de Análisis de Decisiones
Departamento de Inteligencia Artificial
Facultad de Informática
Universidad Politécnica de Madrid
Fundamentos de los Sistemas de Ayuda a la Decisión
© Sixto Ríos Insua, Concepción Bielza Lozoya y Alfonso Mateos Caballero
© De la edición RA-MA 2002
MARCAS COMERCIALES: Las designaciones utilizadas por las empresas para distinguir
sus productos (hardware, software, sistemas operativos, etc.) suelen ser marcas registradas.
RA-MA ha intentado a lo largo de este libro distinguir las marcas comerciales de los
términos descriptivos, siguiendo el estilo que utiliza el fabricante, sin intención de infringir
la marca y sólo en beneficio del propietario de la misma. Los datos de los ejemplos y pantallas
son ficticios a no ser que se especifique lo contrario.
RA-MA es marca comercial registrada.
Según lo dispuesto en el Código Penal vigente ninguna parte de este libro puede ser
reproducida, grabada en sistema de almacenamiento o transmitida en forma alguna ni
por cualquier procedimiento, ya sea electrónico, mecánico, reprográfico, magnético o
cualquier otro, sin autorización previa y por escrito de RA-MA; su contenido está protegido
por la Ley vigente que establece penas de prisión y/o multas a quienes intencionadamente,
reprodujeren o plagiaren, en todo o en parte, una obra literaria, artística o científica.
Editado por
RA-MA Editorial
Ctra. de Canillas, 144
28043 MADRID
Teléfono: 91 381 03 00
Fax: 91 38103 72
Correo electrónico: editorial@ra-ma.com
Internet: www.ra-ma.es y wwww.ra-ma.com
ISBN: 84-7897-494-6
Depósito Legal: M-53234-2001
Autoedición: Autores
Filmación e impresión: Albadalejo, S.L.
Impreso en España
Primera impresión: enero 2002
ÍNDICE
PRÓLOGO x¡
2 PREFERENCIAS EN CERTIDUMBRE . 25
2.1 PREFERENCIA ESTRICTA E INDIFERENCIA.........................26
2.2 RELACIONES BINARIAS..........................................................29
2.3 PREFERENCIAS DÉBILES....................................................... 33
2.4 TEORÍA DEL VALOR ORDINAL...............................................37
2.5 FUNCIONES DE VALOR MEDIBLES .......................................40
2.6 SEMIÓRDENES Y ÓRDENES DE INTERVALO......................... 47
2.7 ALTERNATIVAS MULTIATRIBUTO.......................................... 49
2.7.1 Estructuración de los objetivos..........................................49
vi FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA D ECISIÓN_____________ © RA-MA
3 INCERTIDUMBRE Y SU MODELIZACIÓN 81
3.1 SUCESOS ALEATORIOS Y RESULTADOS............................... 82
3.2 ENFOQUES DE LA PROBABILIDAD........................................82
3.2.1 Enfoque clásico.................................................................... 83
3.2.2 Enfoque frecuentista............................................................84
3.2.3 Enfoque subjetivo.............................................................. 86
3.3 DISTRIBUCIONES DE PROBABILIDAD Y
PROPIEDADES.............................................................................88
3.3.1 Axiomas de la probabilidad................................................ 88
3.3.2 Operaciones con sucesos......................................................89
3.3.3 Probabilidad condicionada e independencia de sucesos . . . 90
3.3.4 Distribuciones de probabilidad.......................................... 92
3.4 ÁRBOLES DE PROBABILIDAD ................................................ 95
3.5 REVISIÓN DE JUICIOS Y TEOREMA
DEBAYES..................................................................................... 97
3.5.1 Teorema de B a y e s ...............................................................98
3.5.2 Efecto sobre la revisión de los juicios probabilísticos . . . • 100
3.6 EDUCCIÓN DE PROBABILIDADES...........................................103
3.6.1 Métodos de asignación......................................................... 103
3.6.2 Heurísticas y s e s g o s ............................................................ Bp
© R A -M A _________ _____________________________________________________________ ÍN DICE vil
6 DIAGRAM AS DE IN F L U E N C IA 2o
6.1 ESTRUCTURA B Á S IC A ................................................................... ...
6.2 DEFINICIÓN FORMAL...................................................................... ...
6.2.1 Descripción cualitativa.......................................................... 2Qg
6.2.2 Descripción cuantitativa....................................................... 2q^
6.3 EVALUACIÓN..................................................................................... ...
6.3.1 Transformaciones........................................................... 2Qg
6.3.2 Algoritmo de evaluación....................................................... 2^
6.4 PROPIEDADES . . . . . . . . . . ............................................................. ...
6.5 SOFTWARE .........................................................................................224
3 B ..................................................................................... ••226
6.6 D ISC U SIÓ N ............ ........................................................................... 229
6.7 EJERCICIOS........................................................................................ 232
9 D E C IS IO N E S D E G R U P O 301
9.1 AGREGACIÓN DE ORDENACIONES
INDIVIDUALES..................................................................................302
9.2 AGREGACIÓN DE JUICIOS SOBRE
PREFERENCIAS ...............................................................................305
9.2.1 Función de valor de g ru p o .......................................................306
9.2.2 Función de utilidad de g r u p o .................................................308
9.2.3 Agregación de juicios probabilísticos.................................... 311
9.3 MÉTODOS DE AGREGACIÓN DE
COM PORTAM IENTOS...................................................................... 312
9.3.1 Procesos de decisión de grupo no estructurados.................. 312
9.3.2 Procesos dé decisión de grupo estructurados.........................313
9.4 CONFERENCIA DE D ECISIÓ N ....................................................... 314
9.5 NEGOCIACIONES................................................................................316
9.5.1 Un problema de negociaciones .............................................. 317
9.6 DISCUSIÓN ..........................................................................................320
9.7 E JE R C IC IO S.......................................................................................... 321
* f u n d a m e n t o s d e l o s s is t e m a s d e a y u d a a l a d e c is ió n ^ ^
— — --------------------------------------------- ------------------------------------------------------------------------------------- s L S ^ a
BIBLIOGRAFÍA 373
INTRODUCCIÓN A LA
TOMA DE DECISIONES
Es obvio que una buena elección de las variables para la construcción del modelo
será un paso muy importante en el proceso de decisión, que deberá considerarse
iterativo y abierto durante la modelización. Esto querrá decir que una vez hecha
la elección inicial de las variables que se consideren relevantes para el problema
a resolver, el analista de decisiones. que será el experto en Análisis de Decisiones
que ayudará al decisor a resolver su problema, debe estar abierto a la posibilidad
de suprimir o añadir variables en fundón de la mayor o menor importancia que
pudieran ir adquiriendo y de la disponibilidad de información y datos sobre ellas.
Hay distintas categorizadones de variables, aunque la más usual en este con
texto del Análisis de Decisiones considerará dos tipos de variables: de decisión
y aleatorias o de azar. Las variables de decisión serán aquellas que controla el
decisor y variarán de acuerdo con la alternativa o curso de acción seleccionada
por éste. Las variables de azar, no controladas por el decisor, serán variables
aleatorias que quedarán descritas mediante la cuantificadón con probabilidades
de la incertidumbre asociada, es decir, que serán aquellas variables que tendrán
asociada una distribución de probabilidad. Como caso particular, podremos tener
una variable con distribución de probabilidad asociada degenerada, que denomi
naremos variable cierta, determinística o en certidumbre.
También pueden considerarse, aveces, las variables resultado, que se utilizarán
por el decisor como medidas de eficacia o logro o ejecudón de las alternativas y
que denominamos atributos, ver Secdón 1.4.2.
Como ejemplo ilustrativo, consideremos un problema de inversión para la
ampliación de una planta de producdón en la que se manufacturan dos productos
A y B. En la Tabla 1.1. se muestran posibles variables a tener en cuenta y su
categorizadón.
1U FU N D A M EN TO S D E LOS SIST EM A S D E AYUDA A LA D E C IS IÓ N © RA-M,
Contratación de
personal adiciona!
A su vez, las variables podrán ser continuas o discretas. Así, en el ejemplo an
terior, la variable “capital a invertir” es continua, ya que puede tomar un número
infinito no numerable de valores usualmente dentro de un recorrido especificado.
La “contratación de personal adicional” será una variable discreta, ya que puede
tomar cualquier valor dentro de un conjunto numerable, en este caso finito, de
valores. Finalmente, la “ampliación de la maquinaria” sería una variable discreta
binaria, ya que tomará únicamente dos valores, correspondientes a ampliar y a
no ampliar la maquinaria, que típicamente se asociarán a los valores numéricos 1
y 0, respectivamente.
Es evidente que a partir de los juicios del decisor y con la ayuda del analista
de decisiones se determinarán qué variables se considerarán relevantes para el
modelo y su clasificación. Esta tarea puede resultar complicada. Sin embargo las
herramientas como los árboles de decisión o los diagramas de influencia que se
estudiarán posteriormente, Capítulos 5 y 6, pueden constituir una ayuda notable
en esta parte del proceso. Además, indiquemos que la elección de las denomi
nadas variables resultado generalmente no será algo obvio y no surgirán fácilmente
después de diferentes consideraciones causales. Para su obtención deben consi
derarse objetivos realistas que, en definitiva, serán resultado de la consideración
explícita de lo que se pretende alcanzar. Una meditada y cuidadosa elección
de los objetivos realzará el esfuerzo de modelización reduciendo la necesidad de
posteriores revisiones y actualizaciones.
que el que lograría a partir de una visión global. En la mayoría de los problemas
de decisión surge de forma inmediata un objetivo global que en la mayoría de
las ocasiones no tiene una sencilla traducción a una variable cuantitativa. Por
ejemplo, en la decisión de aplicación o no de un tratamiento médico, el objetivo
global debería ser “maximizar el bienestar del paciente” y parece claro que esto
depende de otros aspectos y que no es fácil su traducción o representación en
una única variable. De aquí la conveniencia o necesidad en muchos casos de la
estructuración de un árbol de objetivos que emanen del objetivo global planteado.
Esto corresponde precisamente a la segunda etapa que indicamos en el proceso
de Análisis de Decisiones (Figura 1.1) y que vamos a clarificar a continuación,
proponiendo también algunos otros términos básicos que se utilizan en ella.
En primer lugar, consideramos el concepto general ya aludido de objetivo.
Un objetivo indicará una dirección de mejora preferida y por ello, los términos
“maximizar” o “minimizar” deberán aparecer en la definición del objetivo. Ejem
plos típicos de objetivos serán: maximización de beneficios, maximización de la
productividad, minimización de costes, etc. Otro término utilizado es el de meta,
que se refiere al deseo de alcanzar un cierto nivel prefijado por el decisor para una
determinada variable. Así, el concepto de objetivo difiere del de meta, ya que esta
última podría ser alcanzada o no. Los objetivos nunca pueden ser completamente
alcanzados y lo que es importante es su grado o nivel de logro o consecución. En
general, además, no todos los objetivos definidos en un problema podrán alcan
zarse simultáneamente, pues por ejemplo, podría no ser posible m inim iza r los
costes a la vez que se maximiza la producción. De aquí la necesidad de realizar
intercambios entre los objetivos como medio para poder alcanzar una solución
final que resulte al menos aceptable para el decisor desde el punto de vista de
todos los objetivos introducidos.
Asociado con cada objetivo pueden existir o definirse subobjetivos, que de
hecho también son objetivos, pero que ayudan a precisar mejor las preferencias
del decisor respecto de ese objetivo del que emanan. Por ejemplo, si tenemos el
objetivo “maximizar la productividad”, dos posibles subobjetivos que ayudarían
a precisarlo mejor en términos cuantitativos podrían ser “maximizar el trabajo”
y “maximizar la inversión en maquinaria”. A su vez para estos nuevos objetivos,
podrían considerarse de nuevo subobjetivos de nivel más bajo y así sucesivamente
hasta obtener un árbol o jerarquía de objetivos. Resulta claro que al ir descen
diendo en esa jerarquía los objetivos se irán haciendo más precisos, siendo por
ello más fácil definir variables (resultado) asociadas con ellos. Cuándo finalizar
la generación de subobjetivos en niveles cada vez más bajos del árbol vendrá de
terminado por los juicios del decisor, que deberá basarse, por una parte, en si la
especificidad lograda con el subobjetivo alcanzado es la adecuada y, por otra, en
si el subobjetivo es suficientemente preciso como para asociarle una escala, bien
objetiva o subjetiva, y reflejar los valores de las consecuencias de las alternativas.
En resumen, la construcción de un árbol de objetivos es un proceso creativo
que debe conducir a una estructura de árbol que tendrá en su raíz un objetivo
12 FUNDAM ENTOS D E LO S SISTEM A S D E AYUDA A LA D E C IS IÓ N © RA-ifA
4 5
T&bla 1.2: Atributos y su medida para el árbol de objetivos del sistema informático
Distancia
Salud/ Emisión Distancia
mínima a
Seguridad de C02 a ciudades
ciudades 30 km
Ubicación Pendiente
Coste de Zonas con
en tierras no de las
la fábrica pendiente <5%
cultivables tierras
dosoos dol dcclsor on cuanto a lo cjuo bü dosoa alcanzar 011 la oí ©colón do Ja iriojor
alternativa. SI hay dificultades on la gonoración do buoiww alternativos, ol árbol
de objetivos deboría proporcionar idoow sobre posibles nuovos alternativos a tenor
en cuenta, ver Koonoy (1992). Los aspectos que ol docisor debo tenor en cuenta
para ostimular sus pensamientos hacia nuevas alternativas so pueden obtonor do
diforentos formas. La Figura 1.4 muestra un posible Arbol do objetivos construido
por un docisor que ostudia la posibilidad do cambiar a un trabajo mejor.
Selecolón del
mejor trabajo
IngrcHOi
Crecimiento
Entre las posibles guías que se sugieren para estimular la obtención de nuevas
alternativas se tiene:
1.6 DISCUSIÓN
El Análisis de Decisiones consiste en un marco racional y un conjunto de herra
mientas para tratar con problemas que conllevan decisiones difíciles. Su objeti
vo básico es ayudar al decisor a pensar de manera sistemática sobre problemas
complejos para mejorar la calidad de las decisiones finales. En ese sentido, es
conveniente recordar la distinción hecha entre una buena decisión y un resultado
afortunado. A la primera se debe llegar a través de un profundo conocimiento,
meditación y comprensión del problema, mientras que lo segundo, que también
podría ser desafortunado, es independiente de la calidad de la decisión.
22 FUN D AM EN TO S D E LOS SISTEM A S D E AYUDA A LA D E C IS IÓ N © RA-MA
1.7 EJERCICIOS
1.1 Definir varias variables de decisión y azar para cada uno de los siguientes
problemas y considerar una clasificación doble indicando si son, por una
parte, de decisión o de azar, y.por otra, si son discretas o continuas.
(a) El jefe de personal de una empresa tiene que realizar los informes sobre
varios candidatos para un puesto de trabajo.
(b) Una empresa de alquiler de automóviles debe decidir si sustituir varios
automóviles de su flota.
(c) Un individuo debe decidir dónde irse de vacaciones el próximo verano.
PREFERENCIAS EN
CERTIDUMBRE____________
a y c.
Parece lógico considerar que las preferencias de un decisor racional sean tran
sitivas, ya que si una alternativa es preferida a otra y esta última a una tercera,
lo normal es que la primera sea preferida a la tercera. Un argumento para justi
ficar esta afirmación podría ser el conocido argumento de la máquina de dinero-
Consideremos una agencia de empleo nada escrupulosa y un director de empresa
© RA-M A C A PIT U L O 2: P R E F E R E N C IA S EN C ER TID U M B RE 27
que se supone racional. La agencia cuenta, entre sus clientes, con tres posibles
trabajadores a, b y c, a los cuales el director ha entrevistado y piensa que
a y b, b y c y c y a.
La agencia indica al director que c no está disponible y que debe elegir entre ayb.
El director contrata a a, ya que para él o y b, y paga a la agencia por sus servicios.
Después, la agencia “descubre” que c podría ser contratado y se lo comunica a
la empresa indicándole, además, que b es el que ahora no está disponible. La
empresa tiene contratado a a pero ahora también tiene como competidor a c. Ya
que el director tiene la última palabra y sus preferencias son c >- o, la agencia no
encontrará dificultad para que se contrate a c.en lugar de a a. Como la agencia
continúa estando en nómina, sigue recibiendo honorarios. Al poco tiempo se
informa al director de que b ha dejado de estar indisponible y que es a el que
está en esa situación. La empresa contrata a b en el lugar que ocupaba c, ya que
para el director 6 y c. Si a vuelve a estar disponible y c no, volveríamos a estar
en la situación inicial, con lo cual se entraría en un cliclo que nunca tendría fin
y por el cual siempre se le estaría pagando a la agencia. Este ciclo no se habría
producido si las preferencias del decisor hubieran sido transitivas. Por tanto, se
deduce que lo razonable es exigirle a las preferencias racionales que cumplan la
transitividad.
a ~ c.
A primera vista esta propiedad puede parecer razonable. Sin embargo, el siguien
te ejemplo, French (1986), nos puede hacer dudar. Supongamos un decisor que
es indiferente a que en su café se le ponga un grano más o menos de azúcar. Es
M FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
decir, es indiferente que tenga un grano o dos, dos o tres, tres o cuatro, y
sucesivamente. Si se cumple la propiedad transitiva se llegaría a la conclusión'
que le da igual-tomar una taza de café sin azúcar que tomarse la taza repleta ^
azúcar.
Este ejemplo, podría mostrar que la suposición de transitividad podría
rechazable. Sin embargo, esto no es así, ya que con lo que nos hemos encontré
do es con un conflicto entre la perspectiva (de las preferencias) descriptiva y ja
normativa. Para que podamos considerar una elección racional, sin estar influ^
ciada por nuestras limitaciones humanas (perspectiva descriptiva), asumiremos
que el decisor racional tiene poderes de discriminación infinita (perspectiva ñor.
mativa). Así, si dos tazas tienen diferente cantidad de azúcar, entonces el decisor
puede tener una preferencia entre ellas’, incluso aunque nosotros en su lugar no
pudiéramos percibir la diferencia.
Sobre estas dos propiedades parece claro que no procede discusión alguna
a y c,
a y 6, a ~ 6, b y a.
Ejemplo 2.1
Consideremos el conjunto formado por Juan, Pedro, Antonio y José, alumnos
de la asignatura Sistemas de Ayuda a la Decisión. Las notas que han obtenido
en el examen final de junio son 4, 8, 10 y 2, respectivamente. Si consideramos la
relación binaria “sacar mejor nota que” tenemos que
, A = {Juan, Pedro, Antonio, José}
es el conjunto de elementos y la relación binaria, R = “sacar mejor nota que”,
se puede identificar con {(Antonio, Juan), (Antonio, Pedro), (Antonio, José),
(Pedro, Juan), (Pedro, José), (Juan, José)}, ya que Antonio ha sacado más nota
(10) que Juan (4), que Pedro (8) y que José (2); Pedro (8) más que Juan (4) y
que José (2); y Juan 64) más que José (2). □
La relación complementaria es
{(d, a ) , (6, a ) , (6, d ), (c, a ) , (c, d ), (c, 6) , (a, a ) , (6, b) , (c, c ), (d, d)}.
La relación recíproca o simétrica es
{(6, a), (d, o), (c, ¿), (6, d), (c, d), (c, 6)}.
La relación dual es
{(a, d), (o, 6), (d, 6), (a, c), (d; c), (6, c), (o, o), (b, b), (c,c), (d, d)}. □
□
En las secciones previas hemos introducido las propiedades transitiva, asimé
trica, simétrica y reflexiva al estudiar la preferencia estricta e indiferencia. Ahora
las definiremos en términos más generales conjuntamente con otras nuevas.
Sea R una relación binaria sobre un conjunto A. A la negación de R la
denotaremos con Es decir, alfib significa que no es cierto que aRb.
Una relación binaria R sobre A se dice:
Orden
lineal o
simple
a b c d
a ( 1 1 1 1
b 0 1 1 0
c 0 0 1 0
d ^0 1 1 1
□
Veamos las condiciones que deben imponerse a la relación £ para que se haga
un uso racional de ella. Debido a que ésta va a constituir los cimientos sobre
los cuales construiremos la teoría de cuantificación de preferencias, las vamos a
denominar axiomas.
Este axioma parece muy razonable. Sin embargo, debería observarse que esta
suposición no puede justificarse por el “argumento de la máquina de dinero” tal
como se hizo cuando estudiamos las preferencias estrictas, al no estar el decisor
obligado a decidirse por una o por otra. Sin embargo, sí se pueden trasladar aquí
comentarios análogos a los realizados en la Sección 2.1 al estudiar la transitividad
de la indiferencia.
Anteriormente, hemos indicado que la relación £ puede entenderse como la
combinación de >- y ~ . Formalicemos esto en términos axiomáticos.
Este axioma nos dice que dos alternativas son indiferentes si y sólo si cada
una de ellas es al menos tan preferida como la otra.
Este axioma nos dice que si o es más preferida que b entonces b no puede ser
al menos tan preferida como o, siendo una consecuencia directa de la relación que
debería esperarse entre y y £3 .
Podría pensarse que a y b implica no sólo que b % a , sino también que a £ b.
Sin embargo, esto se obtiene directamente del Axioma 1.
E je m p lo 2.2
Sean el conjunto de alternativas A = {a, b, c, d) y las preferencias del decisor
las representadas por las siguientes matrices
fM V
a b c d a b c d a b c d
a
b
X X
X
X
X
X a
b
( X
X
X \ a
b
f X X
X
\
c X c X c
d \ X X X X d \ X X 1 d { X X /
Entonces estas preferencias verifican:
a) Axioma 1, ya que para todo par de alternativas de A hay establecida una
relación de preferencia: a £3 b, a £3 c, a £ d, d £3 o, b £ c, d £3 b, d £ c.
b) Axioma 2, ya que: a £ b , b £ c => a ^ c \ a £ d ,d £ b => a h
a~
r v d >1 d £ , c = > a>r,c;
f\j i d>~b,b>~c=>
r\j i r \j d>~c.
rv
Teorema 2.1
Si se cumplen los Axiomas 1, 2, 3 y 4> entonces:
Teorema 2.2
Si se cumplen los Axiomas 1, 2, 3 y 4> se tiene que:
I(a) == {b e A | b ~ a}
ii) Si /(a ) y I(b) tienen algún elemento en común, entonces I(a) = I{b).
T eorem a 2.3
Sea A = { ai ,. . . ,a„} un conjunto finito de alternativas. Si (A fe) verifica
los Axiomas 1, 2, 3 y 4> existe una función de valor ordinal tal que
Ejemplo 2.3
Supongamos que las preferencias sobre el lugar de veraneo de un individuo
están representadas en la matriz siguiente, donde aparece un 1 cuando el sitio re
presentado por la fila es al menos tan preferido como el que representa la columna
v(a) > v(b) ■<=>•a y b <p(a;) > \p(b) f(v (a )) > f(v(b)).
a y b<$ v(a) > v(b) f(v (a )) > f(v(b)) <p(a) > <p(b).
Los dos teoremas anteriores también son ciertos cuando A es numerable, ver
Krantz et al. (1971), Roberts (1979) o Ríos et al. (1989).
Se podría pensar que lo que ocurre cuando A es numerable se puede extender
al caso no numerable. Sin embargo, esto no es cierto según podemos observar en
el siguiente ejemplo.
E jem p lo 2.4
Consideremos la ordenación lexicográfica >-¡ (así llamada porque es la que se
utiliza al ordenar las palabras de un diccionario)
Este ejemplo pone de manifiesto que hay que añadir alguna condición a la
de orden estricto para que sea válida la existencia de la función de valor, Para
demostrar que el orden lexicográfico no puede representarse por una función de
valor hemos considerado que los números racionales son un subconjunto nume
rable denso dentro de los reales. Una propiedad similar de densidad es la que
vamos a necesitar para asegurar la existencia de la función de valor.
Un subconjunto B de A se dice denso en el orden £3 si Vai, 02 € A con oj y 02
3 6 € B tal que 01 £3 b £3 02.
Esta noción de densidad en el orden permite dar una condición necesaria y
suficiente mediante el teorema de Birkhoff-Milgram, ver Krantz et al. (1971),
páginas 40-42 o Roberts (1979), páginas 112-117: Para cada conjunto de alter
nativas A no numerable con la ordenación débil £3 cumpliendo los Axiomas 1,2,
3 y 4, existe una función de valor representando esa relación de preferencia si y
sólo si existe un subconjunto numerable denso en el orden de A.
(a «-> b) >Zi (c <-» c) <=> v(a) - v(b) > v(c) - v(c) v(a) > v(b) & a >3 &.
La segunda es:
(O n + 1 4 -1 O n + 1 / 2 ) ~ i ( a n + l/ 2 <-J“ ° n ) i
© RA-MA CAPITULO 2: PREFERENCIAS EN CERTIDUMBRE 43
de donde se obtiene que i>(an+1/ 2) = n + 1/2. Ahora On+\ >Z a-n+i/2 fc On> y por
tanto On+i £ a >z an+1/ 2 ó an+1/ 2 £ a £ a„. En el primer caso, n + l > v(a) >
n + 1/2; en el segundo caso, n + 1 /2 > v(a) > n. Supongamos que se cumple el
primer caso. Entonces, el decisor debe indicar un On+3/4 tal que
Podemos observar que este método es intuitivo pero a su vez difícil. En primer
lugar, pensemos que el método supone que el decisor siempre puede responder a
los dos tipos de preguntas siguientes:
Axioma V . (Resolubilidad)
(i) V6, c,d £ A ,3 a E A tal que (a “ b) (c <—>d).
44 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN_________ © ItA-k^
para algún valor fijado b. En otras palabras, es una sucesión estándar formada
por elementos que son menos preferidos que algún elemento fijado b.
Teorema 2.5
Si se cumplen los Axiomas I- VI, entonces existe una función de valor medi
ble que representa a £ y según (2.1). Además, los Axiomas I-IV y VI son
necesarios para tal representación.
E jem p lo 2.5
A un concurso culinario se presentan dos concursantes A y B. El concurso
se rige principalmente por las siguientes normas: i) Cada concursante debe pre
sentar 100 platos distintos; ii) Los platos se clasificarán en 5 clases diferentes que
denotaremos por I, II, III, IV y V, entendiendo que todo plato perteneciente a la
clase I es preferido (está mejor preparado) al de la clase II, todos los de la clase
II son preferidos a los de la clase III, y así sucesivamente; iii) La clasificación se
realizará por un jurado; y iv) el concursante ganador es el que obtenga la mayor
puntuación media.
La clasificación realizada por el jurado es la que aparece en la tabla que siglue,
donde cada valor representa el número de platos, de cada uno de los participantes,
pertenecientes a las diferentes clases.
A B
I 5 30
II 65 5
m 5 25
IV 5 35
V 20 5
11 , si a 6 I
9, si a 6 II
tp(a) = 7, si a 6 III
5, si a e IV
3, si o 6 V
entonces el número medio de puntos para A y B serían 7.6 y 7.4, respectivamente.
En este caso, k (-) y <p(-) sí son funciones de valor medibles representando las
preferencias del jurado según (2.1). La diferencia es que ahora y¡(-) = 2xti(-)+l,
es decir, <p(-) es una transformación afín positiva de u(-). U
maxv(a).
a&A
tenemos que
1. Irreflexiva. Va G A , a / a.
3. Va, b ,c ,d e A , (a y b y c y d) =y (a y d o c y b).
Hasta el momento hemos considerado los elementos del conjunto A como alter
nativas sin estructura sobre los que el decisor podía establecer preferencias. Sin
embargo, com o se indicaba en el Capítulo 1 , en la mayoría de los problemas de
decisión lo que se tiene es un objetivo global, y para conseguirlo es necesario
alcanzar otros subojetivos y éstos a través de otros de un nivel inferior. Es decir,
el problema lo podem os representar mediante un árbol o estructura jerárquica de
objetivos com o la que aparece en la Figura 2.3.
ISubobjetivo l|Isubobjetivo 2¡
Ejemplo 2.6
Muchos nos hemos encontrado o nos encontraremos con el problema de com
prar una casa. En este problema de decisión las alternativas del conjunto A son
las diferentes casas que se encuentran en venta y el decisor es el individuo que
quiere comprar la casa. La decisión que debe tomar el decisor es elegir la casa
más preferida. Los que hemos tenido que resolver este problema sabemos muy
bien que lo mejor no es considerar cada casa como un único ente sino que es
mejor estudiar qué es lo que verdaderamente nos gustaría que tuviera la casa
que se convertirá en nuestro hogar. Es decir, lo primero que tenemos que hacer
es identificar cuáles son nuestros objetivos. Pueden ser, por ejemplo, de tipo
económico, localización y tamaño. Dentro del primer grupo puede estar el sub-
objetivo: “minimizar el coste de la compra” ; dentro del segundo: “minimizar la
distancia entre la vivienda y el lugar de trabajo” , “minimizar la distancia entre
la vivienda y el centro educativo más próximo” , y “minimizar la distancia en
tre la vivienda y el centro de la población” ; y dentro del tercero: “maximizar el
tamaño” . Por tanto, la jerarquía de objetivos constará de estos tres niveles donde
en el nivel inferior se encuentran los cinco objetivos anteriormente indicados.
A cada uno de los objetivos del nivel inferior, se le debe asignar un atributo.
Al objetivo del primer grupo se le puede asociar el atributo “euros” , para los
del segundo “kilómetros que hay entre la vivienda y ...” y para el del tercer
grupo “metros cuadrados que posee” . Al definir estos atributos lo que estamos
50 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
© J U -lí.
haciendo es caracterizar cada casa con los valores que tom a en cada uno de ^
atributos. Por lo tanto, una casa a 6 A vendrá definida por un vector dd ~
o = (80000,15,3,1,80) donde el primer valor es el correspondiente al prim*,
atributo, el segundo al segundo, y así sucesivamente. A sí sabemos que a es nn*
casa que cuesta 80000 euros, las distancias desde la vivienda al lugar de trabajo
al centro educativo más próximo y al centro de la población son de 15, 3 y i
kilómetro, respectivamente, y tiene un tamaño de 80 m2. Ahora se trata de elegí,
aquélla representada por el vector que tenga el menor valor en las cuatro primeras
componentes y mayor en la última. No habría ninguna dificultad si los objetives
no fueran conflictivos entre sí, pero éste no es el caso en la mayoría, por no decir
en todos los problemas de decisión. Por ejemplo, el primero y el quinto pueden
ser muy conflictivos, ya que al aumentar el tamaño de la vivienda aumenta su
precio, y análogamente suele ocurrir entre el primero y el cuarto.
Teorema 2.7
Si (A , R) es un orden parcial estricto intersección de n órdenes débiles es
trictos (A ,R i) tal que (J, R!¡) contiene un subconjunto numerable denso en d
orden (I,RÜ¡) (¿ = 1 ,... ,n), entonces existen n funciones V{ que verifican (24/!
y recíprocamente.
Consideremos el caso particular en que A sea finito, ver Ríos et al. (1989),
página 65: Si A es finito y (A ,R ) es un orden estricto de dimensión < n, entonces
existen n funciones que verifican (2.4), y recíprocamente.
Ejemplo 2.7
Sean a ^,<22 los intereses ¿ percibir en el primér y segundo semestre del año
2002, respectivamente. Los intereses del primer semestre se pueden invertir para
generar también intereses en el segundo semestre y por tanto, se considera que
(a i,<12) ~ (ai + Aü2, 0 ) lo que significa que es equivalente recibir \a% en el primer
semestre a recibir 02 en el segundo. Aquí será A > 1 y en general, será A =
A (ai,a 2). Las líneas de indiferencia serán rectas ai + Aa2 = fe, con fe constante
(o bien curvas, si A no es constante), ver Figura 2.4.
□
Si queremos saber cuándo existe una función de valor ordinal podemos aplicar
el Teorema 2.7. Sin embargo, comprobar la existencia de un subconjunto nume
rable denso no resulta fácil. En el caso do alternativas multiatributo podemos
T eorem a 2.8
Sea ( A , t ) wn orden dóbil tal flua A - IRH. Si a d m fo sg wrifica
52 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
JL£MtA
entonces existe una función de valor ordinal representando las preferencia» del
decisor. Además, es única salvo una transformación estrictamente creciente.
v( aj , . . . ,a„) = / ( u , v „ ( o „ ) ) . (2>5)
(ai, a) >3 (&i,a) para algún a £ A i => (ai,(3) £ (f>i,j3), V/3 e Ai- (2.6)
(«>« 2) £(<*,&2) para algún a £ A i= ^ (¡3,o2) >z ((3,62), V/3 G Ai. (2.7)
• Condición de Thomjwen, Vaj, b\, cj e A\ y Va2, b2, € A¿ tal que (ai, bi) ~
y ~ í«i,«a) entonce» (oj,&2) ~ (&i,ca). Gráficamente:
) RA-MA CAPITULO 2: PREFERENCIAS EN CERTIDUMBRE 55
• Resolubilidad restringida.
- paxa todo 02, 62,02 6 A 2 y 01,61 € A i tal que (01 , 02) fe (61, 62) fe
(01 , 02) existe <¿2 € A 2 tal que ( 01 ,^ 2) ~ (61, 62). Es decir, si sobre
la recta x = oí existe un punto que es al menos tan bueno como
(^1 ) ^2) y un punto que no es mejor, existe un punto que es indiferente.
Gráficamente:
56 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
VA ( ° 0 I omaM ^ + P
||||g = (*W A¿a¡ I n
C o n s t r u c c ió n d e fu n c io n e s d e v a lo r a d itiv a s c o n d o s c o m p o n e n te s
Para el caso de dos variables: v(a) = (aj) + 11^ ( 02) el llamado método de la
sucesión estándar (de Luce-Tukey) o de la “sierra” , trata de obtener las funciones
VA ’ V-Aa >v mediante los siguientes pasos:
Paso 1. Si son a® y 0 ° los mínimos de A\ y A 2, respectivamente, ponemos
M i ( ° i ) = o y u„42(°2) = 0 .
Paso 2. Elegimos un nivel a\ tal que vj^ (a|) = 1 (es decir, elegimos una
unidad para la escala de .Ai).
Paso 3. Pedimos al decisor que fije a\ tal que (aj, a®) ~ (a?)<4)- Con esto
tenemos: « ^ ( a j ) + u ^ 2(a§).= ^ ( a ? ) + « ^ (< 4 ), o sea 1 = v jja \ ) (es decir,
aj es la unidad para A 2).
Paso 4 ■ Pedimos al decisor que fije af tal que
(a/.af) {a,,a,‘)
(a?,a§) ~ (a ? ,o ¡) ^ ( o ? ) = v ¿ 2{a2
2).
Si se verifican las seis propiedades anteriores se dice que los atributos Ai,^2
y A 3 son mutuamente independientes en preferencia. Para cada una de las seis
posibilidades de independencia preferencial, existen seis órdenes de preferencia
marginales denotados feA > g f c j feA , f e ^ . A ) ’ -(A i.A a) ~(A 2,A3)> resPec"
tivamente.
Para tres atributos se garantiza la existencia de una función de valor aditiva
que represente a fe sobre A si se verifica (ver Krantz et al. (1971), Capítulo 6):
v) A i, A 2 y A 3 son esenciales.
Además, las condiciones i), ii) y iv) son necesarias para tal representación.
Si observamos detenidamente las condiciones anteriores nos podría parecer
que es necesario una condición menos, la de Thompsen, para garantizar la exis
tencia de una función de valor aditiva cuando tenemos tres atributos que cuando
tenemos dos. Sin embargo, esto no es cierto, ya que cuando hay tres atributos la
independencia mutua en preferencia implica la condición de Thompsen. El lector
que esté interesado en ver la demostración de esta implicación puede consultar
Krantz et al. (1971).
© R.A-MA CAPÍTULO 2: PREFERENCIAS EN CERTIDUMBRE 09
C o n s t r u c c ió n d e f u n c io n e s d e v a lo r a d itiv a s c o n t r e s c o m p o n e n t e s
v(a},a§,a§) 11
y determinamos y 03 tales que
Además, las condiciones i), ii) y iv) son necesarias para tal representación.
Respecto a la unicidad se puede decir que dos funciones de valor aditivas,
v(a) = J2 ví (oí) y w(a) = J2wi(ai), representan la misma estructura de pre
ferencias si y sólo si existen números reales a > 0 y /?i,/?2,- -- ,Pn tales que
Wí (oí) = avi(ai) + Pi,Vi (ver Krantz et al. (1971), Capítulo 6).
Ejemplo 2.8
Supongamos n = 3, v(a) = w\a\ + 10202+10303 y (1,7,5) ~ (4,1,5). Entonces
u(l,7,5) = v (4 ,1,5) <=> iü i+ 7 io 2 + 5íü3 = 4iüi+ 102+5103 & wi = 2w¡. Por tanto,
v(o) = w io j +10202 +10303 = iüiOi +10302 + W3O3 + (2x02 —w\)k = v(a\ —k,
02 + 2k, 03) Vfc. De donde se obtiene que (01 , 02, 03) ~ (a i —fe, 02 + 2/5, 03) para
todo 01 , 02,03 y fc. Es decir, suponiendo que la función de valor es lineal y que
se verifica la anterior indiferencia hemos obtenido que a nuestro decisor le es
indiferente la alternativa a y ella misma disminuida en fe unidades en el primer
atributo y aumentada en 2fe en el segundo. □
El Ejemplo 2.8 nos indica que para que la función de valor sea lineal es nece
sario una condición nueva que llamaremos intercambio relativo constante. Dire
mos que existe un intercambio relativo constante de r¿j : 1 entre y a'j sí y sólo
si para cada a
• para cada i , j , Sá| = l/r¿¿ (ya que (wj/wi) = l/(t 0¿/i 0j));
2 .7 .7 D escuento en el tiem p o
n
v (a ) =
¿-1
donde <7 es el factor de descuento. Sin embargo, si las preferencias del decisor
pueden ser representadas por una función de valor lineal v(a) = w¿a¡ y
mamos iu<+i/u/< = para ¡ = 1 , 2 , . . , , n - 1 y «>i = 1 , lo cual se puede hacer
© RA-MA CAPÍTULO 2: PREFERENCIAS EN CERTIDUMBRE 03
Teorema 2.9
La función V A N (a) = J^ILi representa las preferencias del decisor en
el sentido de que a ^ b V A N (a) ■> VAN(b) si y sólo si se verifica:
i) fe es un orden débil;
vi) la condición de intercambio relativo constante entre todos los pares de años;
iii) la monotonía;
iv) el intercambio relativo constante entre cada par de años sucesivos es cr.
Las condiciones ii) y iv) son las más difíciles de verificarse. Existen muchos
ejemplos donde una u otra o ambas no se cumplen. Un ejemplo donde no existe
intercambio relativo constante entre un año y el siguiente es el de un individuo
que vive perfectamente con 30000 euros anuales. Entonces si sabe que este año sus
beneficios serán de 20000 euros y al que viene de 40000 euros, posiblemente estaría
dispuesto a pedir un préstamo, lo cual supondría pagar unos intereses, hasta llegar
este año a los 30000 euros. Sin embargo, si en el segundo pensara ganar 60000
euros posiblemente el préstamo que pidiera fuera de la misma cantidad, 10000
euros, ya que con 30000 euros vive satisfactoriamente cada año y no tiene que
pagar tantos intereses. Un ejemplo en el que no existe el mismo intercambio
relativo constante entre cada par de años consecutivos sería el de un decisor que
tiene una preferencia muy fuerte por recibir dinero este año en lugar del próximo,
pero una preferencia mucho más débil por recibir dinero el noveno año en lugar
del décimo.
Para permitir intercambio relativo no constante entre años, Koopmans (1960,
1972) consideró la teoría del valor aditiva. Las preferencias se dicen estacionarias
si para todo a i , 02 , . . . ,On-i,&i,&2, •• •
(a i, 02 ,• •• fe (¿ 1, 62, . . . , &n- i »“ ) &
( a , a i , 0 2 , . . . , O n - i) fe { a , b \ , b 2 , . . . , b n - i) .
64 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
Lema 2.1
Si las preferencias del decisor satisfacen las cinco condiciones para que puedan
ser representadas por una función de valor aditiva (resultado obtenido en la Sec
ción 2.7.5) y si, además, son estacionarias, entonces existe una función w(-) y
una constante positiva a tal que la función de valor toma la forma
n•
u(o) = y
^ 2a‘l~1w(ai).
t=l
puede ser más apropiada. Para un estudio más detallado consultar Krantz et al.
(1971).
Finalmente, mostraremos con un sencillo ejemplo que el uso de una función de
valor aditiva para representar las preferencias entre este tipo de alternativas puede
ser cuestionado. En efecto, consideremos las siguientes cuatro alternativas: a =
(20,20,20,20), b = (20,20,5,40), c = (50,50,20,20), d = (50,50,5,40), donde los
valores representan miles de euros. Podría ocurrir que un decisor prefiriese o a b,
ya que con 5000 euros el tercer año le iba a ser casi imposible vivir. Sin embargo,
podría ocurrir que prefiriese d a c, ya que podría ahorrar en los dos primeros años
para hacer frente al tercer año. Nótese que en b y d se gana 5000 euros más que
en o y c, respectivamente. Las preferencias de este decisor no son mutuamente
independientes en preferencia, y por tanto no pueden ser representadas por una
función de valor aditiva.
T eorem a 2.10
La relación de preferencia y sobre A = A\ x ... x A n, será representable por
una función de valor biyectiva en cada variable si y sólo si >- verifica la condición
de siLstituibilidad.
T eorem a 2.11
La relación de preferencia y sobre A = A i x ... x A n, será representable por
una función de valor monótona en cada variable si y sólo si verifica la condición
de ser. cada atributo Ai preferencialmente independiente de su complementario
(i = 1 , . . . ,n).
max /(a )
aeA ,
para algún A = (Ai, A2, . . . , A„).
— Si existe A = (Aj, A2, . . . , An) tal que o* es solución de
max /(a )
ae.4
y si una de las siguientes dos condiciones se verifica: i) Ai > 0, Vi; o
ii) a* es la única solución, entonces a* es eficiente.
E jem p lo 2.9
Consideremos que A = {a = (4,2), 6 = (3,2),c = (1,1)}. Claramente se puede
observar que a domina a b y a c al tener sus dos componentes mayores. Por
tanto, el conjunto eficiente consta de un único punto que es a. Si queremos
demostrar que a es eficiente, únicamente hay que considerar en el método de las
ponderaciones, por ejemplo, A = (1,1) y comprobar que a es la única solución
óptima. □
min f(a )
fl€*A
para algún 1 < q < oo y si una de las dos condiciones siguientes se verifica:
i) Ai > 0 Vi; o ii) a* es la única solución, entonces a* es eficiente.
m ax a/b
aeA
ai|y||
para cada k = 1 , 2 , . . . , n.
© RA-MA CAPÍTULO 2: PREFERENCIAS EN CERTIDUMBRE B7
max f(a )
aeA
para algún A = (Ai, A2, . . . ,An)-
- Si existe A = (Ai, A2, ... , A„) tal que a* es solución de
max /(a )
aeA
y si una de las siguientes dos condiciones se verifica: i) > 0, Vi; o
ii) a* es la única solución, entonces a* es eficiente.
Ejemplo 2.9
Consideremos que A = {a = (4,2),b = (3,2),c = (1,1)}. Claramente se puede
observar que a domina a b y a c al tener sus dos componentes mayores. Por
tanto, el conjunto eficiente consta de un único punto que es a. Si queremos
demostrar que a es eficiente, únicamente hay que considerar en el método de las
ponderaciones, por ejemplo, A = (1,1) y comprobar que a es la única solución
óptima. Q
min /(a )
a€>l
para algún 1 < q < 00 y si una de las dos condiciones siguientes se verifica:
i) A¿ > 0 Vi; o ii) o* es la única solución, entonces a* es eficiente.
max (ifc
asA
ai>a*Vt^fc
para cada fc = 1 , 2, . . . n.
© RA-MA CAPITULO 2: PREFERENCIAS EN CERTIDUMBRE (IB
que pueden considerarse como una etapa intermedia hacia los de información
completa, ya tratados mediante la función de valor escalar.
En un problema de decisión se dice que existe información parcial sobre la
estructura de preferencia del decisor cuando no existe tanta información como
para poder representarla mediante una función de valor escalar ni tan poca como
para no poder disminuir el tamaño del conjunto eficiente, como ocurre en el caso
de información nula. Matemáticamente, la existencia de información nula sobre
las preferencias del decisor supone resolver el problema de optimización vectorial
max a
maxj/(a)
hgA
maxu(a).
iii) Si aRjb y bRjC existe Aj £ [0,1] tal que Xja + (1 — Aj)c tifoi b para j =
1 , 2 , . . . ,m ,
Además, tal función es continua y única, salvo una función estrictamente cre
ciente.
Entre todos los métodos de solución de los problemas de decisión con informa
ción parcial sobre las preferencias del decisor, los que siguen la filosofía interacti
va son los que han tenido mayor aceptación, considerándose más atractivos en la
resolución de problemas multiatributo como se refleja en algunos estudios com
parativos (Evans, 1984; Klein et al., 1986; Rosenthal, 1985; Shin and Ravindran,
1987; Zionts, 1979).
70 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © RA-üji
iii) Tasa de intercambio: El decisor debe especificar valores precisos de las tasas
de intercambio.
/ /(Control
\ \ ''(Trabajo 1
iTamafioj-----------fn° de m2|
----
15 -casa 2
IM tfa fr á ja i Si: J H lü J E S j
!15
■
s 1 ü ü
casa 1 casa 3 -casa 3
casa 2
Kms
Impad on Distancias
,100 V ?
Y
A
J
_
L
) 50
t i
i _j
í
| V -
X
~ — __
¡ 05 1° 15 Kms
H Vwíénita:5cpie*HH 13
91 44 42
■ m m
casa 1 casa 3
casa 2
-intxf
Vivienda
; 100 i
¡ vcasa 2
i _— ^ ¿ -c a s a l
j 50 ~ \ -----------casa 3
1
1
i °° 05 10 Escuela
2.9 DISCUSIÓN
Sobre modelización de preferencias en certidumbre hay materia suficiente
completar un libro entero. Sin embargo, esperamos haber recopilado las ideas
suficientes para que el lector de este tema le quede suficientemente claro en qu§
consiste la modelización de preferencias en certidumbre.
Hemos considerado la perspectiva normativa. Sin embargo, ya que nuestra
intención no es imponer nuestro punto de vista sino dejar que el lector libremente
acepte la que considere mejor, hemos indicado las críticas que se le han hecho a
la perspectiva normativa y se han indicado la existencia de otras. Concretamente
se ha dedicado una sección para hablar de semiórdenes y órdenes de intervalo.
La sección que se ha tratado más.ampliamente es la de alternativas multi
atributo, ya que creemos que la mayoría, por no decir todos, los problemas de
decisión son multiatributo. Es precisamente por esto por lo que aún en esta sec
ción queremos completar lo que se decía allí con el siguiente esquema que indica
los pasos a seguir para llegar al tipo de función de valor que se ha de aplicar en
cada situación de decisión.
2.10 EJERCICIOS
2.1 Un individuo tiene que realizar una de las siguientes cuatro tareas: a,b,c y
d. Sabemos que es un individuo racional consistente que nos ha indicado que
le gusta mucho más realizar la tarea a que la b y esta última muchísimo más
que la c. Sin embargo, le es indiferente realizar la i» o la d. Nos preguntamos
por la tarea que escogería si le dieran a elegir entre:
(a) la o y la c;
(b) la o y la d\
(c) la c y la d.
2.4 Supongamos que un decisor establece las siguientes preferencias entre las
alternativas a ,b ,c y d : a >- b y c, a y c, b ~ d y a ~ d. ¿Estas preferencias
pueden ser consideradas consistentes?
2.6 Sea v(-) una función y 6 una constante positiva tal que a y b <=> u(a) —v(b) >
6 y a ~ b & —6 < t;(o) —v(b) < 6, entonces demostrar que
^ (a i) = • a w ^ ( a i )+ / 3
vA ,( a 2) = Qw^a(a 2) + 5.
© RA-MA CAPÍTULO 2: PREFERENCIAS EN CERTIDUMBRE 79
2.11 Demostrar que dos funciones de valor aditivas, v(a) = i>i(aj) y w(a) =
Y2 wi(oi), representan la misma estructura de preferencia si y sólo si existen
números reales a > 0 y ¡3U /?2, ••• , /?„ tales que tu¿(aj) = av^ai) +
2.12 Construir la función de valor que represente sus preferencias sobre la ve
locidad de procesamiento de un ordenador.
INCERTIDUMBRE Y SU
MODELIZACIÓN____________
Producto
Resultado A B C
1 Sí Sí Sí
2 Sí Sí No
3 Sí No Sí
4 No Sí Sí
5 Sí No No
6 No Sí No
7 No No Sí
8 No No No
Podríamos dar una descripción de cada uno de estos ocho resultados. Así, el
1 corresponde a que “los tres productos han tenido éxito” , el 2 a que “han tenido
éxito los productos A y B pero no el C” ..., y el 8 , “ningún producto ha tenido
éxito” .
Un suceso aleatorio o simplemente suceso consistirá en uno o más posibles
resultados. Si sólo contiene uno se dice que es un suceso elemental o swnpfeí
sin embargo, si contiene dos o más entonces se dice que es un suceso compuesto.
Por ejemplo, el resultado “sólo dos productos han tenido éxito” será un suceso
compuesto formado por los resultados 2, 3 y 4, pero el suceso “ninguno ha tenido
éxito” estará formado únicamente por el 8 , siendo un suceso elemental.
Por tanto, para cualquier suceso A que contenga m sucesos elementales siendo
n el número total de sucesos, se debe verificar que 0 < m < n y su probabilidad
P será
P{A) = ~ .
n
Obsérvese que para poder aplicar esta definición de probabilidad a un proble
ma, se requiere que todos los sucesos tengan la misma posibilidad de ser escogidos,
es decir, que sean igualmente verosímiles. Esto es lo que Laplace plasmó en su
famoso “Principio de la Razón Insuficiente” , que llevaría a suponer en el ejemplo
anterior que cada tipo de chip tiene las mismas posibilidades de ser escogido,
lo cual podría no ser cierto si se elige de la parte superior del lote y tal vez se
hubieran situado los defectuosos en la parte inferior. Vemos, por tanto, que en
la mayoría de los casos reales los resultados de las elecciones no serán igualmente
verosímiles y de aquí que la utilidad de este enfoque esté limitada. Por ello, la
aplicabilidad es bastante reducida y el interés en su estudio, aparte de por razones
históricas, se encuentra en que es un concepto intuitivo y en que el razonamiento
conceptual es sencillo de comprender, sirviendo como introducción a los enfoques
que siguen a continuación.
3 .2 .2 E n fo q u e fre cu e n tis ta
E je m p lo 3.2
Consideremos el experimento aleatorio consistente en lanzar un dado y obser
var la cara que queda en la parte superior. Es claro que este experimento podría
repetirse indefinidamente en similares condiciones. Supongamos que el experi
mento se repite hasta 10000 veces y que el resultado de interés es el número de
unos que aparecen. La Tabla 3.1 muestra los resultados para valores escogidos
del número de lanzamientos, tal como se pueden ver en la primera fila.
Proporción
de unos
Obsérvese también que la situación anterior sería cierta para un dado equi-
[ librado. Si el dado no estuviera equilibrado, posiblemente la frecuencia relativa
tendería hacia otro valor diferente, siendo entonces la probabilidad diferente de
la obtenida en el caso del dado equilibrado.
Una situación más realista sería, por ejemplo, que en el control de calidad
de las placas fabricadas para PCs en una empresa que lleva a cabo diariamente
un inspector, éste detectase 14 defectuosas entre las 90 que tiene como objetivo
controlar cada día. Se podría sugerir, de acuerdo con el enfoque frecuentista, que
la probabilidad de que una placa fuera defectuosa sea 4/90 = 0.155. Es evidente
que la fiabilidad en la estimación propuesta por el inspector mejoraría, tal como
ocurría con el lanzamiento del dado, si repite esta observación durante varios días
de modo que la estimación basada en el control durante un mes o más tiempo,
será mejor que la que se obtiene de un único día. □
P de A se define como
P ( A ) = lim — ,
n —*oo fi
3 .2 .3 Enfoque subjetivo
cuantificará esta idea con la asignación 1/2. Por tanto, para un frecuentista, ]a
probabilidad 1/2 define su concepto de moneda equilibrada, mientras que para
un subjetivista su concepto de moneda equilibrada define su probabilidad como
1/ 2 .
Para la segunda frase, sin embargo, no hay interpretación frecuentista, ya que
se está refiriendo a un suceso particular y no hay pruebas repetidas. Por tanto
no es posible dar un significado técnico al término probabilidad bajo tal contexto.
De nuevo, en el caso subjetivo, el decisor estaría considerando que es igualmente
verosímil que se dé uno de ambos resultados en el siguiente lanzamiento, dado
su actual conocimiento de la moneda. Pero obsérvese que el decisor no estaría
diciendo que la moneda está equilibrada, ya que acepta que pudiera no estarlo.
Simplemente debido a'su'estado de conocimiento presente, no tendría razón al
guna para predecir que un resultado sea más probable que el otro. Es claro que
la observación de lanzamientos posteriores de la moneda podrían hacerle cambiar
esa creencia.
3 .3 .1 A xiom as de la probabilidad
Las probabilidades que estimemos o calculemos para los diferentes sucesos relar
tivos a un problema particular, deberán verificar los axiomas de la Teoría de la
Probabilidad, conocidos también como axiomas de Kolmogorov. Tales axiomas
son los siguientes:
P ( A l l B ) = P{ A) + P( B) .
P (A U B) = P (A) + P (B) - P (A fl B ) ,
donde el último término tiene el efecto de restar el doble conteo de la unión .AuB,
por ser no disjunta. Ilustremos con un ejemplo la aplicación de la citada regla.
Ejemplo 3.3
Supongamos que para tomar una decisión en relación a la plantación tem
prana o tardía de un cierto cultivo deseamos predecir la probabilidad de que en
la primavera próxima pudieran existir fuertes lluvias en la región (suceso A) o
90 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISION ©
P(AUB) = P ( A ) + P ( B ) - P ( A n B ) = ^ + ^ - j ¿ = ^
P(AUBUC) = P(A) + P ( B ) + P ( C ) -
- P ( A n B ) - p ( A n C ) - p ( B n C ) + P{AnBnC).
Consideremos los datos proporcionados por la Tabla 3.2, que se refieren al re
sultado de una encuesta realizada a 500 trabajadores de un centro de llamadas
telefónicas, en que se ha estudiado si padecen o no faringitis y si han tomado o
no, durante un periodo de tiempo, un cierto tipo de medicamento.
Tienen faringitis
No Sí Tbtal
Tomaron medicamento 140 87 227
No lo tomaron 95 178 273
Total 235 265 500
265
P (A) = P (un trabajador tenga faringitis) = .
A esta probabilidad, que se ha calculado con los datos del margen (inferior)
de la tabla, se le denomina individual o marginal, pues no está condicionada a si
el trabajador tomó o no el medicamento.
Planteemos ahora el problema de calcular la probabilidad de que un trabar
jador tenga faringitis supuesto que ha tomado el medicamento (suceso B). Esta
probabilidad se denomina condicionada, ya que para su cálculo estamos condi
cionando por el hecho de que el. trabajador hubiera tomado el medicamento. Se
representa por P (A |B) y su cálculo es
P ( A\ B) = P f ^ ] , (3.1)
válida siempre que el denominador, en este caso P (B), sea positivo. Si en (3.1)
despejamos P (A n B) queda
P(AnB) = P( A\ B) P ( B)
| P ( B\ A) P( A)
P ( A \ B ) = P( A)
92 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © RA-MA
P(Ar\B)=P(A)P(B)
P ( i n B n G ) = P (A)P (B)P(C)
P ( A n B ) = P( A) P( B)
P(Ar\C)=P(A)P(C)
P{Br\C)=P{B)P(C).
Si sólo ocurre para los pares se dice que son independientes dos a dos. La primera
igualdad de arriba no implica las otras tres y estas tres no implican la primera,
ver por ejemplo, Ríos (1977).
Finalmente propondremos un resultado conocido como Teorema de la Pro
babilidad Total: Sean A i.... An sucesos mutuamente excluyentes y que forman
un sistema exhaustivo, es decir tales que (JíLi A¿ = 0 , y sea B un suceso para
el que se conocen las probabilidades condicionadas P (B |Ai) y que se conocen,
además, las probabilidades P(Ai). Entonces
n
3 .3 .4 Distribuciones de probabilidad
Ejemplo 3.4
Supongamos una empresa de alquiler de ordenadores que está considerando
la posibilidad de abrir una nueva filial y pretende estimar la distribución de pro
babilidad del número de ordenadores que serán capaces de mantener en servicio
al final del semestre. Tal distribución de probabilidad se recoge en la Tabla 3.3,
que está representada gráficamente en el diagrama de barras de la Figura 3.2.
0.3 --
0. 2
0. 1
II II
1 2 3 4
Número de ordenadores en servicio
Obsérvese que las probabilidades suman la unidad, ya que se han listado todos
los posibles sucesos. La tienda tiene 5 ordenadores y al final del semestre podrían
estar en servicio 0,1,..., 5. Además, vemos que el número de ordenadores en
servicio es un valor entero, es decir, no podría haber en servicio por ejemplo, 2.3
ni 4.38 ordenadores. D
Ejemplo 3.5
Consideremos un proyecto relativo al desarrollo de un programa de ordenador
cuya duración parece razonable que lleve asociada incertidumbre, que suponemos
cuantificada con la distribución de probabilidad para el tiempo de completación
del programa tal como se tiene en la Figura 3.3.
•«a
p
i
§«
■<o11
Tí
■E
£8
0 2 4 6 8 10
Tiempo de completación de) programa (en meses)
Para finalizar este apartado destaquemos que puede ser útil en determinados
problemas utilizar una distribución de probabilidad discreta como aproximación
de una continua por cuestiones computacionales. Recíprocamente, si estamos
manejando una variable discreta con un número grande de valores, podría ser
más cómodo y sencillo la resolución del problema si la tratáramos como una
variable continua, considerando un aproximación conveniente. En el Capítulo 5
volveremos sobre esto.
Observamos que desde la raíz hasta las hojas hay cuatro caminos que corres
ponden a los cuatro sucesos posibles que pudieran presentarse. Supongamos que
estamos interesados en conocer cuál es la probabilidad de que la empresa de Inter
net permanezca independiente. Para ello, calcularemos primero la probabilidad
de que logre el contrato la empresa T\ e I permanezca independiente. Se tiene
P (7 permanezca independiente) =
Ti logre el contrato e 7 permanezca independiente U
U T2 logre el contrato e 7 permanezca independiente
y como ambos sucesos son mutuamente excluyentes, ya que sólo una de las dos
empresas puede lograr el contrato con 7, se tendrá que la probabilidad pedida
será igual a la suma de las probabilidades de ambos sucesos, es decir,
3 .5 .1 Teorem a de Bayes
P ( B ||| = P ( A p ^ ~ * P ( A I B)P(B)
P(Bi\ A ) = K B g É É
E "= i p {A \Bj)P (Bj) ■
Ejemplo 3.6
Consideremos que en el almacén de una fábrica de filtros, cuya producción
es en la actualidad nula por estar de vacaciones, hay un lote de 500, cuya fabri
cación fue deficiente debido a ciertos problemas no detectados, pero de los que
se conoce que hay un 60% defectuosos y el resto, un 40%, están correctos. Los
filtros se encuentran entremezclados dentro de un contenedor. Surge un pedido
urgente de un filtro de manera que habría que seleccionar un filtro correcto del
contenedor. La pregunta que nos planteamos es: ¿cuál es la probabilidad de que
el filtro seleccionado sea correcto? Parece obvio que, sin disponer de información
adicional, la probabiüdad será 0.4.
Supongamos, sin embargo, que es posible someter el filtro elegido a un sencillo
test de detección de defectos, no completamente fiable, de modo que si el filtro es
© RA-MA CAPÍTULO 3: INCERTIDUMBRE Y SU MODELIZACIÓN 09
correcto hay una probabilidad 0.9 de que supere el test y 0.1 de que no lo supere.
Además, si este mismo test se le pasa a un filtro defectuoso, hay una probabilidad
igual a 0.2 de que el test indique que el filtro es correcto y 0.8 de que indique
defectuoso. Nos planteamos elegir un filtro del contenedor y someterlo al test.
¿Cuál será la probabilidad revisada de que el filtro resulte correcto si supera el
test?
En el árbol de probabilidad de la Figura 3.6 mostramos el proceso con sus
probabilidades. En particular, las dos ramas de la izquierda corresponden a los
sucesos con las probablidades a priori. Denominaremos a estos sucesos con Fc
(filtro correcto) y (filtro defectuoso). Así, las probabilidades a priori serán
P(Fc UP<i) = l.
0 .4 x 0 .9 = 0.36
Figura 3.6: Árbol de probabilidad para el problema de filtros con cálculo de probabili
dades por el Teorema de Bayes
y análogamente
Nuestro interés está en ver cómo se modifica la probabilidad a priori P (Fc) = 0.4
a la luz de la información proporcionada por la aplicación del test. Por tanto,
debemos calcular la probabilidad a posteriori P (F C |Ts), para lo que aplicamos
el Teorema de Bayes. Tenemos
P (F \ T \ - P (T a \Fc) P ( F c)
' ' c| P {T s \Fc) P ( F c) + P (T ,\ F d) P { F d)
I B ! -oo
0.9 x 0.5 + 0.1 x 0.5
0.5x0.1=0,05 0.05
0.50
2-1
que la prueba fuera favorable si hay agua es 0.5 (fiabilidad de un 50%), entonces
tal resultado no influirá sobre las probabilidades a posteriori, que coincidirán con
las a priori, tal como lo indica la diagonal de la figura.
Figura 3.8: Representación gráfica del efecto de la fiabilidad de nueva información sobre
las probabilidades a priori
Por otra parte, si por ejemplo la probabilidad a priori de haber agua fuera 0.6 y
la probabilidad de que las pruebas fueran favorables 0.75 si hay agua (fiabilidad de
un 75%), entonces la probabilidad a posteriori será aproximadamente de 0.82 (ver
línea de puntos en la figura). Así, considerando la distancia de la diagonal a las
curvas que están por encima, se puede ver que cuanto más fiable sea la información
adicional, mayor modificación sufren las probabilidades a priori. También, fijado
un nivel de fiabilidad de las pruebas, tal modificación será relativamente pequeña
tanto en el caso de que la probabilidad a priori sea alta, implicando en tal caso que
el ingeniero tiene gran confianza en que encontrará agua y las pruebas confirman
su creencia, como en el caso de que la probabilidad a priori sea muy pequeña
implicando una fuerte desconfianza en que no hallará agua. La influencia de las
pruebas en estos casos extremos de probabilidades a priori es por tanto mínima
sobre las a posteriori.
Finalmente, es interesante observar que si la información adicional lleva aso
ciada una fiabilidad inferior a 0.5 también su resultado puede ser de interés, y
cuanto más baja sea tal cantidad mayor efecto tendrá sobre las probabilidades a
priori.
© RA-MA CAPÍTULO 3; INCERTIDUMBRE Y SU MODELIZACIÓN 103
Describimos los tres métodos que son los más utilizados y conocidos.
x P (Á ) + ( - y ) P (A c) = ( - * ) P (A ) + y P (A c) .
P {A ) i -I?— ,
x + y
con la lotería
una buena especificación de la probabilidad buscada, haciendo así más fácil las
respuestas del decisor.
La idea del procedimiento consiste en proponer un valor concreto inicial de la
probabilidad p para la lotería de referencia e ir ajustando tal probabilidad hasta
que el decisor se sienta indiferente entre ambas loterías, es decir, que no sienta
preferencia por ninguna de las dos, ya que un pequeño cambio en p convertiría a
una de ellas en más favorable. Así, cuando alcance un valor de indiferencia para
p, ésa será la probabilidad buscada, en este caso la correspondiente al suceso que
gane el Real Madrid.
Hemos indicado la conveniencia de mecanismos para facilitar la especificación
de la probabilidad y el primero que se ha citado es la denominada rueda de la
probabilidad o de la fortuna, que es un dispositivo como el que se muestra en la
Figura 3.11. Consiste en un disco dividido en dos sectores con diferentes colores
(por ejemplo, blanco y negro) cuyo tamaño puede ajustarse, y con un puntero
que puede girar libremente. El funcionamiento de este artificio es. el siguiente;
consideremos a nuestro decisor que desea estimar la probabilidad de que gane
el Real Madrid. Ajustaríamos la rueda de modo que, por ejemplo, inicialmente
el sector negro ocupe el 40% (probabilidad p) del área del disco y el blanco el
restante (probabilidad 1 —p). Entonces pediríamos al decisor que eligiera una de
las dos hipotéticas loterías:
Figura 3.11: Rueda de la probabilidad con 40% de sector negro y 60% blanco
Si el decisor decide que prefiere la lotería 1, esto implicaría que piensa que la
probabilidad de que gane el Real Madrid es superior al 40%. Se debería aumentar
el área del sector negro y plantearle la pregunta de nuevo al decisor. Reiterando
el procedimiento, eventualmente se alcanzaría un sector para el cual el decisor
se sentiría indiferente entre ambas apuestas y que proporcionaría la probabilidad
© RA-MA CAPÍTULO 3: INCERTIDUMBRE Y SU MODELIZACIÓN 107
buscada. Si por ejemplo, esto ocurre para un sector negro que ocupe un 59%
de la rueda, entonces la probabilidad asignada sería 0.59. En el caso de varios
sucesos incompatibles A i, ..., An, se podría aplicar el método primero a A\, luego
a A 2, etc., y posteriormente reajustar las probabilidades asignadas para que la
suma sea 1 .
Obsérvese que este procedimiento se clasifica como de asignación indirecta,
ya que las estimaciones se obtienen sin pedirle directamente al decisor que las
proponga. Una ventaja de la rueda de la probabilidad es que da al decisor la
posibilidad de visualizar la probabilidad de que ocurra el suceso y evita el sesgo
que puede ocurrir por utilizar sólo probabilidades enteras (como 0. 1 , 0.2...), pues
la rueda da cualquier valor entre 0 y 1. Una objeción a su utilización se tiene
cuandó se pretende utilizar para estimar probabilidades de sucesos con muy alta o
baja posibilidad de que ocurran, ya qué la diferenciación entre sectores pequeños
se hará difícil.
Aunque este dispositivo es el más conocido y utilizado para educción de pro
babilidades, también se han propuesto otros dispositivos alternativos, ya que lo
que realmente se necesita es la existencia de un experimento de referencia con
una distribución cualitativamente uniforme. Así otro de ellos, también citado
antes, consiste en utilizar una urna con una cierta cantidad (10 ó 100 ó 1000...)
de bolas de dos colores diferentes y plantear las apuestas en forma análoga a las
anteriores, modificando la composición de la urna hasta alcanzar el equilibrio y
disponer así de la probabilidad asignada. Este procedimiento tiene su origen en
el llamado método de la apuesta indicado por Savage (1954), pero que aquí se ha
complementado con el artilugio que supone utilizar una rueda de probabilidad.
Obsérvese que el haber propuesto que el cuartil 1 sea 3500 unidades significa
que hay una probabilidad 0.25 de que la demanda sea igual o inferior a esa canti
dad. Que la mediana sea 4600 unidades significa que es igualmente probable que
la demanda esté por encima que por debajo de la cantidad indicada. Los puntos
y el posterior ajuste de la correspondiente función de distribución se muestran en
la Figura 3.12.
O tros m étodos
Tomando como base las propuestas globales anteriores, se han desarrollado al
gunos otros procedimientos que intentan mejorar el proceso de asignación como
el método de la probabilidad o el de alturas relativas, que describimos a conti
nuación.
londucir a iisuinir por parto del decisor que los recorridos donde se sitúen los
liferentes sucesos o cantidades inciertas sean muy reducidos. De hecho, si a
|m individuo se le pregunta inicialmente por la mediana de la distribución, su
espuesta puede suponer un importante anclaje para el resto de las asignaciones.
Este método permite superar la tendencia apuntada. Los pasos para su aplicación
pon los siguientes:
6. Ajustar a mano una curva que pase a través de los puntos asignados.
le asignaría. Así, líneas más cortas indicarán valores con menor verosimilitud v
más largas conllevarán una asignación mayor.
Ejemplo 3.9
Consideremos como ejemplo ilustrativo de asignación de una distribución de
probabilidad discreta el correspondiente al Departamento de Urgencias de un
hospital al que se le ha pedido que especifique la distribución de probabilidad del
número de llamadas que recibe durante un domingo. Actuando como decisor el
Jefe de Guardia del hospital, establece que el número de llamadas más verosímil
es 5. El analista dibuja en el gráfico sobre el valor 5 una barra de longitud igual
a 100, ver Figura 3.13.
100
8 75
i
5 50
25
0 1 2 3 4 5 6 7 8 9 10
Número de llamadas al Servicio de Guardia en un domingo
□
Como hemos indicado, este método de las alturas relativas también se puede
utilizar para asignar funciones de densidad de probabilidad para las distribuciones
continuas. En tal caso, el analista deberá educir la probabilidad acumulada de
algunos intervalos del recorrido de la variable y luego ajustar una curva a los
puntos superiores de las líneas de altura, que constituirá la función de distribución
de donde podrá deducirse la de densidad.
Otra idea que finalmente planteamos como ayuda del proceso de asignación de
probabilidades es la descomposición y que se apoya en la idea de pensar en el
suceso de interés no aisladamente sino relacionado con otros sucesos. Planteare
mos la descomposición con el siguiente ejemplo: consideremos una empresa que
112 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
© R A-M A
de acciones
3 .6 .2 H e u r ís tic a s y sesgos
Según Spetzler y Stáel von Holstein (1975) las técnicas de educción de proba
bilidades tienen una mayor eficacia cuando son conducidas por un analista de
decisiones que las utiliza como parte del proceso de entrevista con el decisor. Una
preparación previa detallada de la encuesta es importante, ya que de esta forma se
reducirá el riesgo de introducción de sesgos en la educción. Como recomendación
para la preparación del proceso de educción los anteriores autores sugieren tres
fases que, brevemente, describimos a continuación:
En el caso de sucesos raros, como pok ejemplo, fallo catastrófico de una central
nuclear o rotura de una presa, las probabilidades asociadas son muy pequeñas
y su asignación resulta difícil teniendo en cuenta la escasa o nula existencia de
datos históricos. La aplicación del enfoque frecuentista es imposible, de modo
que se hacen necesarias estimaciones subjetivas que pueden estar sujetas a im
portantes sesgos resultado de la utilización de las heurísticas disponibles. Como
afirman von Winterfeldt y Edwards (1986), los sucesos raros suelen ser objeto de
noticias sensacionalistas y amplios informes, de manera que se produce un efecto
de intensificación de los sesgos en las asignaciones. Para los decisores resulta
complicado imaginar las magnitudes implicadas en tales tipos de sucesos. Así,
resulta difícil distinguir entre probabilidades como 0.00001 y 0.001, a pesar de
que la segunda probabilidad es 100 veces mayor que la primera o análogamente
entre probabilidades como 0.999 y 0.99999.
Resulta obvio que una rueda de probabilidad tendrá escasísima utilidad en
el proceso de asignación de probabilidades de esta magnitud. Sin embargo, se
han desarrollado procedimientos que permiten asignar tal tipo de probabilidades
como los árboles de sucesos y árboles de fallos que planteamos a continuación y
que se apoyan en el hecho de descomponer e identificar los factores que pueden
causar tal suceso raro.
Arboles de sucesos
PC = Funcionamiento conecto
H —Catástrofe
P (Catástrofe) =
= P (C i) + P(.C2)
= (0.01 x 0.2 x 0.1 x 0.1) + (0.01 x 0.8 x 0.05)
= 0.00002 + 0.0004 = 0.00042.
Árboles de fallos
Los árboles de fallos adoptan un punto de vista diferente que los árboles de suce
sos. Comienzan en su nivel más alto indicando el fallo y después se va abriendo
a través de ramas que describen las causas posibles de ese fallo. La Figura 3.16
muestra un árbol de fallos para el caso de una estación de bombeo de un oleoduc
to, en el cual estamos interesados en determinar la probabilidad de que falle en
el próximo semestre. Se considera que el fallo o accidente puede provenir de tres
causas que serán la rotura del regulador de presión por exceso do ésta, el escape
a través de la válvula de seguridad o la rotura do la junta. Ya que si se pr uce
120 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © RA-MA
cualquiera de estos eventos podría causar el fallo de la estación, los tres sucesos
están conectados al nodo “fallo de la estación” mediante la disyunción “o” .
Falto de la
estación
Fallo en el Fallo en el
manómetro regulador
3.7 DISCUSIÓN
3.8 EJERCICIOS
3.1 La tabla siguiente muestra la distribución de probabilidad estimada de ven
tas de ordenadores en una tienda durante un día.
Unidades vendidas 0 1 2 3 4 5 6
Probabilidad_______ 0.10 0.15 0.30 0.20 0.15 0.05 0.05
3.2 Estimar las probabilidades de ocurrencia para los sucesos siguientes, indi
cando el enfoque de la probabilidad utilizado y posibles suposiciones asu
midas.
3.3 La tabla que sigue muestra los resultados de un estudio sobre fiabilidad de
307 impresoras en relación con dos características: el cabezal de impresión
y el alimentador del papel.
3.5 Una empresa de venta de CD’s está llevando a cabo un estudio de prospec-
tiva en una zona del país relativo a las posibles ventas del citado producto.
Sobre la base de una encuesta preliminar, el gerente estima que hay un
65% de personas que estarían dispuestas a comprar el citado producto.
Para tener mayor seguridad, debido a lo cuantioso de la futura inversión, la
■empresa decide llevar á cabo unanueva encuesta vía Internet, obteniendo
que, entre los que están dispuestos a comprar según la primera encuesta,
un 55% de personas se reafirma en ese sentido, mientras que los que no lo
estaban se muestran favorables a comprar en un 10%. Si un idividuo ha
contestado sí en esta segunda encuesta, revisar la probabilidad a priori del
gerente a la vista de los resultados obtenidos por la red.
3.10 Elegir una variable aleatoria continua y asignar una distribución de proba
bilidad acumulada con la ayuda de alguien ajeno a la clase. Utilizar un pro
cedimiento estándar de asignación, indicando las dificultades encontradas.
© RA-MA CAPÍTULO 3: INCERTIDUMBRE Y SU MODELIZACIÓN 125
3.13 Después de observar muchos números rojos en la ruleta del casino, muchos
jugadores creen que es más probable que salgan los negros. A tal creencia se
le suele denominar la falacia del jugador, porque la ruleta no tiene memoria.
¿Qué heurística se está utilizando? •
PREFERENCIAS EN
INCERTIDUMBRE
En este capítulo estudiaremos los axiomas que sirven de soporte a los modelos
de preferencias en ambiente de incertidumbre. Un problema de decisión está
en ambiente de incertidumbre cuando las consecuencias de cada alternativa del
problema no son conocidas, pero se pueden asignar probabilidades a las distintas
posibilidades que se puedan presentar. Por ejemplo, consideremos un vendedor
de melones que tiene que hacer un pedido para toda la temporada. Cada kg de
melón le cuesta 0.18 euros y su precio de venta es de 0.39 euros/kg, y el melón que
no se venda en la temporada se pudrirá. Se supone que la demanda puede ser de
1000, 2000 ó 3000 kg con probabilidades 1/4, 1/4 y 1/2, respectivamente. Esta
estimación se realizó con los métodos explicados en el Capítulo 3. El problema es
buscar la decisión óptima, con el criterio de hacer máxima la ganancia. Para ello
se dispone de la variable de decisión o alternativa “número de kg encargados” . En
el cuadro siguiente figuran, en la fila superior, las posibles demandas o estados del
ambiente, en la columna izquierda los posibles pedidos o alternativas del decisor,
y los elementos de la matriz son los resultados, consecuencias o ganancias, en
euros. Esta es una tabla de decisión, como explicaremos en el Capítulo 5.
e l v a lo r e s p e r a d o d e l b e n e fic io . C on e s t a r e g l a l a a l t e r n a t i v a ó p t i m a e s enea
3 0 0 0 k g , y a q u e e l b e n e f i c i o e s p e r a d o p a r a c a d a u n a d e l a s a l t e r n a t i v a s es:
¿ 2 1 0 + ¿ 2 1 0 + ¿ 2 1 0 = 210
Sin embargo, parece perfectamente racional que nuestro decisor decidiese com
prar 2000 kg, a pesar de que el beneficio esperado de la alternativa comprar 3000
kg sea mayor, si su poder adquisitivo no pudiese hacer frente a una pérdida de
150 euros. Evidentemente* el valor que cada individuo da a una cantidad mone
taria es diferente. Por tanto, lo que se va a hacer es asignar un valor (utilidad)
apropiado a cada posible consecuencia, que represente el valor que tiene para el
decisor esa consecuencia en una determinada escala (en nuestro caso en [-1,1]), y
calcular la utilidad esperada. Ahora la alternativa óptima para el decisor será Ja
que tenga mayor utilidad esperada.
Supongamos que se tiene la siguiente función
« ( —150) = - 1 ,
u(30) = 0.1,
u([210) = 0.4,
«(240) i 0.6,
u(420) i 0.8,
u(630) = 1.
|0.4 + ¿ 0 .4 + ¿ 0 .4 = 0.4
¿0.1 + ¿0.8 + j0.8 = 0.625
| (-1 ) + ¿ 0 .6 + ¿1 = 0.4.
Luego, la alternativa óptima para nuestro decisor sería encargar 2000 kg.
Otro ejemplo, muy tratado en la literatura y que muestra las críticas ai criterio
del valor esperado del beneficio, lo constituye la Paradoja de San Petersburgo:
nos ofrecen la oportunidad de participar en un juego consistente en lanzar una
moneda al aire (suponemos que la moneda no está trucada y que la probabilidad
de que caiga cara es 0.5) hasta que salga cara por primera vez. Si la primera cara
aparece en la tirada rc-ésima, el premio es de 2” euros. El valor esperado de este
juego es
OO
]T 2 "(0 .5 )n = 2(0.5) + 4(0.5) 2 + 8(0.5)? + •••
© RA-MA CAPÍTULO 4: PREFERENCIAS EN INCERTIDUMBRE 129
que claramente tiene un valor infinito. Así, si el valor esperado del beneficio es
una medida de lo atractiva que puede resultar una opción incierta, deberíamos
estar dispuestos a- ofrecer cualquier cantidad, independientemente de lo grande
que sea, por tener el privilegio de jugar. El hecho de que la mayoría de nosotros
tan sólo estemos dispuestos a dar unos pocos euros por el privilegio de jugar en
este juego es la fuente de la paradoja. Esta paradoja se produce, ya que el valor
esperado del beneficio no es una medida apropiada para la elección de una opción
incierta.
El concepto de una medida numérica para describir el valor de las consecuen
cias se incluye en la Teoría de la Utilidad, y se denomina función de utilidad a la
función que asocia a cada consecuencia un valor real que refleja su deseabilidad
por parte del decisor.
La Teoría de la Utilidad tiene sus orígenes en un trabajo de Daniel Bernoulli
publicado en 1738. Durante los siglos XVIII, XIX y primera mitad del XX, la
Teoría de la Utilidad se desarrolló de una manera confusa. Conceptos tales como
los de función de valor ordinal, funciones de valor aditivas y funciones de utilidad
no fueron correctamente entendidos y una vez que parecían claros surgían nuevas
dudas. Esto fue así hasta que Ramsay (1931), von Neumann y Morgenstern (1947)
y Savage (1954) crearon los fundamentos axiomáticos de la teoría. Por tanto, sus
implicaciones normativas no se discutieron formalmente hasta principios de los
años cincuenta. Actualmente no podemos afirmar que la Teoría de la Utilidad
sea un modelo normativo universalmente aceptado para la toma de decisiones de
forma racional pero sí uno de los más aceptados.
En este capítulo mostraremos que para cada decisor existe una función u(-)
de utilidad, cuya esperanza se utilizará para representar sus preferencias, una
vez comprobado que tales preferencias son consistentes con ciertos axiomas de
racionalidad. Von Neumann y Morgenstern (1947), Savage (1954), Luce y Raiffa
(1957), Pratt, Raiffa y Schlaifer (1965) y Fishburn (1970) han propuesto dife
rentes conjuntos de axiomas que implican la existencia de una función de utilidad
con la propiedad de que la utilidad esperada es una herramienta para la toma
de decisiones consistente. Posteriormente indicaremos algunos de los métodos
utilizados para la asignación de la función de utilidad para después presentar las
diferentes actitudes ante el riesgo de un decisor dependiendo de la forma de su
función de utilidad. Finalmente, consideraremos el caso más usual en el que las
consecuencias están representadas por varios atributos.
y dadas
lr = < p i,X i-,p 2,X2\.. . ¡í>m ®r» > y h = < 91» “Jii <72tÍC2; ... ■,qn,x n >
© RA-MA CAPÍTULO 4: PREFERENCIAS EN INCERTIDUMBRE 131
n n
y^,Piu (x í) > y^giu(x¿) para cada I1J 2 6 L. (4.2)
t= l t= l
Las equivalencias (4.1) y (4.2) nos indican respectivamente que u(-) es una
función de valor ordinal sobre X y que la utilidad esperada sirve para representar
las preferencias del decisor sobre las loterías. Por tanto, la lotería más preferida
para el decisor será la de máxima utilidad esperada. Los axiomas que garanti
zan las relaciones (4.1) y (4.2) se exponen a continuación. Los axiomas de la
utilidad esperada junto con la noción de probabilidad subjetiva, fueron tratar
dos inicialmente por Ramsay (1931), pero parece que fueron ignorados. Muchos
economistas referencian “funciones de utilidad de von Neumann-Morgenstem”
porque en 1947 tales autores publicaron el libró Theory of Games and Economic
Behavior donde establecen un conjuntó-de axiomas que conducen al criterio de
la maximización de la utilidad esperada. Los axiomas aparecieron en una am
plia variedad de formas y en muchos libros de texto. Algunos ejemplos son Luce
y Raiffa (1957), Savage (1954), DeGroot (1970), y más recientemente, French
(1986), siendo los de este último autor los que indicamos a continuación.
Observemos que este axioma es bastante exigente con el decisor al imponer que
sus preferencias sobre los elementos de A sean completas. Es decir, que dadas dos
loterías simples o compuestas o dada una lotería y un premio debe establecerse
una preferencia entre ellos. Sin embargo, una respuesta a los detractores de
la Teoría de la Utilidad que utilizan como arma este axioma puede verse en la
Sección 2.1.
Este axioma dice que a un decisor racional que se supone consistente en sus
preferencias, debería serle indiferente una lotería compuesta y la lotería simple
obtenida de la compuesta al aplicar la regla de la probabilidad compuesta.
132 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © RA-Ma
con l\ = < 3/4, ¡ci; 1/4, x^ >, debe ser indiferente a < 3/20, 1/4, x%\3/5,0:3 >.
□
El axioma nos dice que si para un decisor dos elementos de A son indiferentes
entonces no importa si obtiene uno u otro en una lotería.
< 1/5, £1; 1/5, ¿2; 3/5,23 > ~ < l/5,a:i; 1/5,22; 3/5,23 > .
□
Las loterías simples del tipo: < p, 21; 0,22;... ; 0, xn_i; 1 —p, xn > que ex
presan que hay una probabilidad p de obtener x\ y una probabilidad 1 —p de &
obtener xn, siendo imposible la obtención de cualquier otro premio, las denotare- 4jai
mos como x\pxn, ya que constantemente necesitaremos hacer uso de ellas, y las
denominaremos loterías de referencia.
Una forma sencilla de interpretar un decisor estas loterías de referencia es
haciendo uso de la “rueda de la probabilidad” , ver Capítulo 3. La lotería xipx„
se puede entender como el juego que consiste en hacer girar el puntero de una
rueda de la fortuna que tiene dividido su fondo en dos sectores, cuyos ángulos de
6 y 360 —6 grados están en la proporción p : (1 —p). Si el puntero al terminar
de girar apunta al sector de ángulo 6 el premio es 2 j y si cae en el otro sector el
premio es xn.
© RA-MA CAPÍTULO 4: PREFERENCIAS EN INCERTIDUMBRE 133
A x io m a 5 . ( E x p e r i m e n t o d e r e fe r e n c ia ) x\pxn € A, Vp € [0 , 1).
Este axioma nos dice que la lotería de referencia con la probabilidad mayor
de ganar x\ será al menos tan preferida como la lotería de referencia con la
probabilidad menor.
Teorem a 4.1
Si las preferencias del decisor cumplen los Axiomas 1-7, existe una función
de utilidad u(-) sobre X que representa £ según (4.1) y (4 .2).
Eu{A) = u(1000000)
Eu{B) = 0.1+ 0.89i¿(1000000).
Eu(C) = O.llu(lOOOOOO)
Eu(D) I 0.10.
30 X
0.2 0.8
40 0
Cada persona tiene su propia actitud frente al riesgo. Algunas sienten verdadera
pasión hacia el riesgo, y les gustan las situaciones límite, el juego, por arriesgado
que sea, etc. Sin embargo, otras prefieren lo seguro frente a lo que entrañe
algo de azar. La actitud hacia el riesgo de un decisor varía dependiendo de
muchos factores tales como su nivel de riqueza, las necesidades del momento, las
aspiraciones, el estado de ánimo, etc. Como veremos a continuación, la función
de utilidad representará la actitud frente al riesgo del decisor.
Con la intención de hacer la terminología de esta sección más intuitiva, supon
dremos que todas las consecuencias son monetarias. Indirectamente estaremos
asumiendo que cada consecuencia puedé representarse por un valor y que cuanto
mayor sea el valor, mejor.
Cada lotería tiene asociada dos esperanzas:
• la utilidad esperada
P(xí)u(xi) si X es variable
aleatoria discreta
E(u,p) =
fx p(x)u(x)dx si X es variable
aleatoria continua
Ejemplo 4.2
i
Supongamos un decisor al que le es indiferente la lotería < 0.5,1000; 0.5,0 > I
y el premio seguro 400 euros. En este caso, el equivalente en certidumbre es 400
euros. Esto significa que para nuestro decisor cualquier cantidad superior a ésta J
es preferida a la lotería y que cualquier cantidad inferior es menos preferida <Iue i]
la lotería. La prima al riesgo es p = (0.5 x 1000 + 0.5 x 0) - 400 = 100, es decir,
nuestro decisor está dispuesto a pagar, como mucho, 100 euros en media a cambio
© R A -M A CAPÍTULO 4: PREFERENCIAS EN INCERTIDUMBRE 141
afición al riesgo
(convexa)
Valores
■ Así el primer decisor será más averso al riesgo que el seguin !«*».
La función r(x) es conocida como aversión local al riesgo porque si rj (x) >
I t 2(x) para a < x < b, entonces px > p2 para cada lotería con sus premios en
■ el rango a < x < b. Así, ri(x) > ^ (x ) para a < x < b nos permite concluir
I que dentro de la región a < x < b la primera función de utilidad modeliza más
I aversión al riesgo que la segunda.
Consideremos ahora un individúo con cierta riqueza s cuya función de utilidad
I es «(•). Si varía s, es natural que tenga otra curva de utilidad w(-), pues el dinero
I ya no tiene el mismo valor para él. Supongamos que su riqueza aumenta en t
I unidles. Entonces parece natural admitir que su nueva función de utilidad será
I w(x) = u(x + t), ya que recibir un premio de x euros después del aumento de su
I fortuna, equivale a recibir x + t antes del aumento.
Supongamos que el decisor tiene una aversión local al riesgo rj (x) decreciente.
I Esta representa preferencias que al aumentar la riqueza del decisor le conducen a
I una disminución de su aversión al riesgo. Si su riqueza aumenta en i unidades, la
I nueva función de aversión local al riesgo será r2(x) = n (x + t) < n (x ). Resulta
I así, del teorema de Pratt, que un incremento en la riqueza del decisor le conduce
I a reducir la prima al riesgo asociada a cualquier lotería.
Esto coincide con la observación de que una persona cuya riqueza aumenta, va
teniendo menor aversión al riesgo. Estas observaciones nos dicen que si la función
' de utilidad de un decisor es u(x) = ax 2 + bx + c, entonces su función de aversión
local al riesgo es creciente (ver Ejercicio 4.2), lo que hace pensar que, en general,
una función de utilidad cuadrática no será una adecuada representación de las
preferencias de un decisor. Sin embargo, si u(x) = —e~cx(c > 0), es de aversión
al riesgo constante y si u(x) = a + b(e~cx —kelx) (b, c ,k ,l> 0), es de aversión al
riesgo decreciente (ver Ejercicio 4.2). Esto ha llevado a utilizar funciones de este
tipo para representar la función de utilidad de un decisor cuya preferencia tenga
las características citadas, y determinar los parámetros (o, 6, c, k, l) mediante la
asignación de cantidades indiferentes en incertidumbre a unas cuantas loterías
adecuadamente propuestas.
Ejemplo 4.3
Consideremos las cuatro loterías siguientes donde los premios (x, y) son canti
dades monetarias, en miles de euros, que recibirá el decisor ahora, x, y el próximo
año, y :
Así, ¿i representa que existe la misma probabilidad, 1/2, de ganar ahora 20000
euros y el próximo año 40000 que ganar ahora 60000 y el próximo 40000. En las
loterías l\ y I2 las cantidades a percibir en el segundo año coinciden, 40000 euros,
tan sólo se diferencian en las de este año, por lo que parece razonable que al
establecer el decisor preferencias entre ellas considere únicamente los valores del
primer año. Igualmente ocurre con las loterías I3 y ¿4. Además, las cantidades de
dinero a percibir el primer año coinciden: la de li con la de ¿3 y la de ¿2 con la
de ¿4. Por tanto, como tan sólo el decisor debe fijarse en la cantidad a recibir el
primer año, debe verificarse que
U-
1. X es preferencialmente independiente de Y|
R A -M A CAPÍTULO 4: PREFERENCIAS EN INCERTIDUMBRE 145
2. Para un yo fijado
donde cc(y) > 0 y las funciones at(y) y ¡3(y) se definen con respecto a yo
(el recíproco también se verifica). Análogamente, Y es independiente en
utilidad de X si y sólo si para un xo fijado
donde 7 (x) > 0 y las funciones 7 (x) y 6(x) se definen con respecto a xo.
o equivalentemente
donde
Si k ^ 0 tenemos
(b) (*o,2/o) y (*i, 2/i) son tales que u(x 0,y0) = 0 y u(x\,yi) = 1, y taj
(*i,2/o) y (*0,2/0) y (*0,2/1) y (xo,yo).
(c) para algún *2,«3 £ X , y2,y3 € Y, tal que (*2,2/2) ^ (*2,2/3) y (x* I
(*3,2/2),
o equivalentemente
donde
iii) kx — u(xi,yo).
iv) ky = u(xo,yi)'
© RA-MA C A P ÍT U L O 4: P R E FE R E N C IA S EN IN C E R TID U M B R E 147
< 1/2,(*1,2/1); 1/2, (*2,2/2) > ~ < 1/2, (*1,2/2); 1/2, (*2,2/1) >
sólo para algún * i,* 2 e X , y\,V2 € Y, mientras que en la segunda es para todo
x\, *2 G X , 2/1,7/2 £ Y ■Sin embargo, no pensemos por eso que la primera es menos
restrictiva, pues la primera también requiere que exista mutua independencia en
utilidad.
Existe una manera interesante dé interpretar el parámetro k. Considere
mos las loterías: < 1/ 2 , (* 1 , 2/ 1); 1/ 2 , (* 2,J/2) > y < 1/ 2, (* 1, 2/2); 1/ 2, (* 2, 2/1) >,
ilustradas en la figura siguiente
< 1/ 2,( * 1, 2/1); 1 / 2 ,(* 2, 2/2) > >- < 1/ 2,(* 1, 2/2); 1/ 2,(* 2, 2/ 1) ><=*•k > 0
< 1/ 2, (* 1, 2/1); 1/ 2 , (* 2, 2/2) > ~ < 1/ 2, (* 1, 2/2); 1/ 2, (* 2, 2/1) > & k = 0
< 1/ 2,( * 1, 2/1); 1/ 2 ,( * 2, 2/2) > -< < 1/ 2,(* 1, 2/2); 1/ 2, (* 2, 2/1) > & k < 0
Las consecuencias (*1,2/1) y (*2,2/2) son tales que en ambos atributos tienen unos
valores pequeños o grandes. Por el contrario, con (*1,2/2) y (*2>J/i), se tiene un
gran valor de un atributo o de otro, pero no un gran (pequeño) valor de ambos.
Pensando de esta forma, si < 1/ 2, (*1,2/1); 1/2, (*2,2/2) > es preferida, es como si
necesitásemos un aumento del atributo X para complementar un aumento en Y
yendo de (*1,2/1) a (*2,2/2)- Por otro lado, preferir < 1/2, (* 1, 2/2); 1/2, (®2>J/i) >
implica que es importante que al menos el valor de un atributo sea grande, y dado
un gran nivel de X , el aumento de preferencia debido a un aumento en Y no es
148 FUNDAMENTOS D E LOS SISTEM AS D E AYUDA A LA D E C IS IÓ N © r a -m a
mucho. Así uno de los dos atributos puede ser considerado como el sustituto del
otro.
Ilustremos estos conceptos con dos ejemplos para mayor claridad. Conside
remos un individuo cuyos ingresos proceden de dos fuentes diferentes y que sus
preferencias son cuanto más dinero ingrese mejor. Considerando como atributos
el dinero que recibe de cada fuente, tenemos que uno es sustituto del otro. Es
decir el aumento de ganancias en uno compensa la pérdida en el otro.
Para ilustrar el caso de dos atributos que se complementan, sea una persona
que tiene dos hijos y considera como atributos el grado de salud de cada uno de
sus hijos. Claramente el que uno de los hijos esté perfectamente no compensa que
el otro pudiera estar muriéndose. Por tanto, un atributo complementa al otro y
no lo sustituye.
Además, la función de utilidad representada en (4.3) puede reescribirse como
(ver Ejercicio 4.14)
du(x,y) du{x,y)
&y X = X\
dy
X = X2
Aquí presentaremos cuatro resultados para las funciones de utilidad con tres
atributos, X\y X i y X$. Empezaremos con el resultado más restrictivo y ter
minaremos con el menos restrictivo.
R esultado 1 . Si las preferencias sobre loterías en X u X% y dependen
únicamente de sus distribuciones de probabilidad marginales para estos atributos
y no de su distribución de probabilidad conjunta, entonces
I i
de utilidad w, « i, «2 y U3 de (4.7) pueden ser escaladasdeOalyfej, A^yAfc s
constantes de escala. Usando un conjunto más débil de suposiciones, tenemos
3
ku(xi,x 2, x3) + 1 = 22 [kkiUi(xi) + 1]. (4.9)
i=l
De nuevo las funciones de utilidad u, «i, U2, U3 y las constantes de escala ki,
¿ 2, k3 son definidas igual que anteriormente. Además, es necesario asignar las
constantes de escala adicionales ki2, &13, Afc3 y &123- La expresión (4.10) denota
una función de utilidad multilineal en tres atributos. Obsérvese que las funciones
de utilidad multiplicativa y aditiva son casos especiales de la multilineal.
Como caso más general en esta sección tenemos
150 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © ra -ma
donde
h { x l) = u{xi,x*2, x l ) - u { x u xl,xf),
/ 3 ( » l ) = w (ii,x ^ ,a :^ ) -u(xi,x%,x%),
/2 3 (® l) =u(xi,x%,xl) -u(xi,xi,x$) -u{xx,xl,xl) + u(xi,x%,x%).
donde
2. uí ( xí )
es una función de utilidad sobre normalizada por úi($?) ~ ® ^
uí(®Í) = 1 , ¿ = 1 , 2 , , , . ,n.
© RA-MA C A P IT U L O 4: PR E FE R E N C IA S EN IN CERTID U M BRE 151
< 1/2, ( 4 , 4 ,3 + 2); 1/2, (zí, 4 ' , ^ ) > ~ < 1/2, (®í,ai'á,^ 2); 1/2,| f | ,4 ,| | ¡ >,
la función de utilidad debe ser aditiva. Si no le son indiferentes estas dos loterías,
entonces la función de utilidad debe ser multiplicativa.
Ahora estudiaremos el caso de que la mutua independencia en utilidad no se
cumpla pero sí que cada es independiente en utilidad del conjunto de atributas
complementario X f i = 1,2, ••• , n. En este caso, tenemos una función de utilidad
multilineal:
donde
1 . u está normalizada por u(x®, x®, ••• , x~¿) = 0 y u(x\, x%, ••• , £*) = i,
hj = u(z*, a j, x?.) - k i - k j
= u(xí, x*jt s?-) - u (e í,x ? ) -
k ji = u (xf, x*p e? , x ? ¡) - % - fcii - % - k i - k j - k i
= ^{x i , xj , x i,^i3i) - . u (x *’ xj ^ j ) - u(xh x h^ii)
- u ( x ¿ , a + u ( x ; , x ? ) + u (xj,xV ) + u (x f,x ?),
kl2-n = u(x*) — fcl...(i-l)(»+l)...n — •••— ¿ i j >i kij ~ Yli ki
= i - £< ) + ••■+ ( - i )n_2
donde
3. h = u ( x f ^ ) , i = 1 ,2 ,... ,n.
y si E ”=i kí = !>
n n
t i ( x 8 ,x 0) = Y u f a r f ) = ^2kui{xi), (4.16]
¡=1 *=1
° si £ " = i | É N j
n n
1 + ku{xo, xo) = JJ[1 + ku(xit¡^)] = JJ[1 + kkiUi(xi)], (4'17
«=i <=i
donde
1. sci = ( x o ,x i ,... ,x<_i,,a¡¿+i , . . . ,x n), i = 0 , 1 , . . . ,n.
2. u(a:g,* ? ,. .. , a;°) = 0, |(® o,«í)| ■• , 0 = 1-
3. u í ( x $ ) = 0, u í (x -) = 1, i = 1 , 2 , . . . ,n.
4. ki = u (x * ,^ ) , t = 1 , 2 , ,n,
© ra -ma ULO 4: PREFEREN CIAS EN INCERTIDUMBRE 105
5. fc es la solución de
n
i + f c = n ( i +A:fci).
i=l
Sin embargo, hay situaciones en las que existe más de una cadena independien
te en utilidad maximal entre el mismo conjunto de atributos. Por ejemplo, si X se
particiona en {Z q, Z\, Zi } y 2¿ es independiente en utilidad de su complementario
¿ = 1,2, tenemos que Z\ y Z-¿ son cadenas independientes en utilidad maximales.
Podemos entonces deducir formas funcionales de funciones de utilidad con más
de una de dichas cadenas considerando conjuntos de hipótesis de independencia
en utilidad sobre atributos no solapantes. Así, la forma multilineal de (4.14) se
extiende de la siguiente manera (ver Ejercicio 4.18): Si X = {-Xi,... ,Xn} se
puede expresar como {Z q,Z i ,. .. ,Zm} donde Zi,l = 1 ,2 ,..., m, es independien
te en utilidad de su complementario,, entonces la función de utilidad u(x) puede
representarse por
donde
M zo) = u(zo,z¡,z$i) - u(z0ízf,-^ol),
fij(z 0) = u(z 0,zf,z^,z°olj) - u(zo,z¡,z$,zgy)
-u (z o , z f , z *, ¿gy ) + u(z0, Z,°, ),
Ejemplo 4.4
Supongamos que queremos asignar una función de utilidad u sobre el conjunto
de atributos X = { X i ,.. . ,_Xg}. Además, supongamos que Yj es independiente
en utilidad de j = 1 , 2 , . . . , 6, donde
Y1 = {X 2,X 3},
Y2 = {X 4,X 5,X 6},
Y3 = {X 5},
Y4 = {X 5,X 6,X 7 ,X 8},
ys = {X 8},
Y6 = {X 8)X 9}.
Existe claramente sólo un elemento en Yi, pero {Y2, Y4, Y^} tiene
cinco elementos: X 4, X 7, Xg y Xg. Aplicando (4.16)
o (4.17)
(4.21)
El siguiente cuadro sistematiza las condiciones para adoptar una u otra forma de
función de utilidad multiatributo.
CAPÍTULO 4: PREFERENCIAS EN INCERTIDUMBRE 157
© RA-MA
Si No
Cada atributo es
Los atributos son independiente en
aditivamente utilidad del
independientes complementario
\
\V
S i/ \N o . vNo
/ —-X——
1Forma 1 Forma Forma Otras
aditiva | | multiplicativa | ¡multilinealj formas
4. Asignación de los pesos o factores de escala. Una vez que sabemos el tipo
de función de utilidad multiatributo que tenemos que considerar y cuáles
son las funciones de utilidad componentes, tan sólo nos queda por calcular
los parámetros que relacionan esas funciones para que quede perfectamente
158 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
© R A -M A
n
u (x ) = k jU i(x j).
t=l
L a form a d e obten er el valor d e las con stan tes es e sta b lecien d o tantas rela
ciones d e indiferencia entre pares d e alternativas c o m o con stan tes haya. Ca
d a indiferencia d a lugar a una ecu a ció n cuyas in cóg n ita s so n las constantes
&i, ••• , kn- P or tan to, se o b te n d rá un sistem a d e ecu acion es cuya solu
c ión son los valores d e las con stan tes d e la fu n ció n d e u tilida d lineal. Por
ejem p lo, para obtener k\ se le p u ed e pregu ntar al d e ciso r p o r el valor de la
p rob abilid ad p i para qu e se verifique
P i u ( x J , x 5 ,... ,x * ) + ( l - p i ) u ( x ? , x § , . . . , x ° ) = w ( x i , x § , . . . , x ° )
Pi = h u i ( x i ) + p i/ u i(x i).
< P2 >(x l>x 2 >- •• i^rDi 1 ~P2> (*11*21- •• >x n) > ~ (® 1 .»2 , ••• . * » ) .
P 2 u ( x í , x J ,... ,X * ) + ( 1 - P 2 M X 1 , X § , . . . ,X ° ) = U ( X ? ,X 2 ,.. . , * ° )
& P 2 = feiU i(x5) + k 2 U2 ( x 2) + fe3W3(x § ) H-------- h knUnlx®)
k 2 = P 2 /W 2 (* 2 )-
E j e m p l o 4 .5
Nuestro interés en este ejemplo es asignar una función de utilidad u(x). Clara
mente u (x) puede también escribirse como u(y\,yi) o u (x i,x 2,x 3 ,x i). Una forma
razonable de comenzar a estructurar u puede ser con la condición de indepen
dencia aditiva analizada en la Sección 4.4.1. En primer lugar comprobamos esta
condición para los atributos Y\ e Y¿. Supongamos que no se verifica. Pero sí se
aerifica que Y\ e Y2 son mutuamente independientes en utilidad. Entonces, por
14.3),
londe ^( 2/ 1, 2/°) 1 i
Si queremos simplificar « ( 2/ 1, 2/2) Y u (2/i,2/2) tanto como sea posible y supone-
nos que X i y X 2 son mutuamente condicionalmente independientes en utilidad
© r a -m a CAPÍTULO 4: PREFERENCIAS EN INCERTIDUMBRE 161
u(yi,y°)
= w (*l,* 2,y 2) + u (x ? ,x 2, 2/§) +kiu(xi,x%,y%)u(x 1,x 2,y%)
Estos y otros resultados pueden verse en Keeney y Raiffa (1993), al igual que
condiciones necesarias y suficientes para asegurar las suposiciones de independen
cia.
6. Realiza análisis de sensibilidad sobre los pesos de los objetivos (ver Capí
tulo 8). ~
Los pasos necesarios para resolver un problema con LDW son los típicos del
Análisis de Decisiones que indicamos a continuación aplicándolos al Ejemplo 2.6.
(a) Niveles probábiUsticos. Los niveles de las alternativas sobre cada atri
buto pueden expresarse como distribuciones de probabilidad.
(b) Niveles con categorías. Los niveles de las alternativas sobre cada atri
buto se obtienen con la suma ponderada de varios subatributos llama
dos categorías.
© RA-MA CAPÍTULO 4: PREFERENCIAS EN INCERTIDUMBRE 163
(c) Niveles definidos por etiquetas. Los niveles de las alternativas sobre
cada atributo se definen con etiquetas en lugar de números explícitos.
r AO MUF*
r AH Category Mulljplieit
Iradeoffs
con utilidad cero para el valor menos preferido y uno para el más
preferido. Sin embargo, si la función de utilidad del decisor no es
linea], como por ejemplo la que aparece en la siguiente gráfica, puede
introducirla de forma sencilla haciendo uso únicamente del ratón.
íH U n U H $ M D W l.-,{4 w «: SIlF te M M itíej.:-'
ÍS J
Cancel
Centro
(Kms)
Trabajo (Kms)
A I A-B
Trabajo (Kms): 15 í 10
Centro (Kms); 1 5 -4
© RA-MA CAPÍTU LO 4: PREFERENCIAS EN INCERTIDUMBRE 165
4. Ordenación de alternativas.
Altemative Utüity
casa 1 0.917 í i
casa 2 0.448 I 1
casi 3 0.425 I I
4.6 DISCUSIÓN
La validación de la axiomática que conduce a la hipótesis de la utilidad esperada
es origen de la interminable discusión de si la Teoría de la Decisión es simple
mente normativa o debe considerarse además descriptiva del comportamiento en
166 FUNDAMENTOS DE LOS SISTEM AS D E A YUDA A LA D ECISIÓ N © UA-MA
la práctica del hombre real. Ríos y Ríos Insua (1998) indican que mientras no
se encuentren otros modelos que se ajusten mejor que éstos, se deben considerar
normativos y descriptivos de las decisiones humanas en diversos grados de apro
ximación, suficientemente satisfactorios en la práctica corriente. Para obtener
una visión de puntos de vista se puede leer Aliáis y Hagen (1979), Bacharach y
Hurley (1991), Edwards (1992), Gardenfors y Shlin (1988), Ríos (1994) y Stigum
y Wenstftp (1983).
En este capítulo hemos estudiado problemas de decisión en ambiente de in
certidumbre donde las posibles consecuencias y el número de estados eran finitos.
Sin embargo, existen ocasiones en las que se hace necesario el uso de funciones
de utilidad sobre conjuntos infinitos de consecuencias, pero este estudio no lo
trataremos aquí, ya que el soporte matemático necesario se encuentra al margen
de las expectativas de este libro. El lector que esté interesado puede consultar
Bernardo y Smith (1994), DeGroot (1970) y Fishburn (1970,1982). No obstante,
observemos que el espíritu de estos desarrollos se diferencian poco del caso finito.
Los Axiomas 1-7 tan sólo difieren en pequeños detalles técnicos para adaptarse
al caso infinito, siendo la misma racionalidad la que subyace en cada axioma.
La Teoría de la Utilidad multiatributo tiene una vasta y creciente literatura.
Indudablemente la mejor introducción, y realmente, la referencia más importante
actualmente es Keeney y Raiffa (1993). Otras referencias son Arrow (1965),
Ballestero y Romero (1998), Farquhar (1983, 1984), Fishburn (1982), French
(1983) y Keeney(1992) .
En este capítulo sólo se han considerado condiciones de independencia. Sin
embargo, en muchos casos prácticos sería más razonable considerar condiciones
de dependencia. Las preferencias del decisor sobre un atributo pueden depender
de los niveles de los otros atributos. Varios investigadores, quizás más notable
mente Farquhar y Fishburn (Farquhar, 1981, 1983; Farquhar y Fishburn, 1981;
Fishburn y Farquhar, 1982), han desarrollado el marco necesario en el que iden
tificar la forma funcional de la función de utilidad dado el conjunto apropiado de
condiciones de dependencias e independencias. Sin embargo, no presentaremos
este marco ya que se requieren resultados matemáticos muy sofisticados.
Finalmente, obsérvese que no hemos considerado las preferencias entre alter
nativas multiatributo donde cada atributo representa el beneficio obtenido en un
año. En Atherton y French (1997) se presenta un resumen de trabajos recientes
sobre este tema.
4.7 EJERCICIOS
4.3 Un señor llega a un banco con unos ahorros y le pregunta a uno de los
empleados qué es lo que puede hacer con ese dinero. El banquero le dice
que tiene cuatro alternativas posibles: i) invertirlos a renta fija, con lo que
obtendría un beneficio de 1000 euros; ii) comprar acciones del tipo A, con lo
que el beneficio sería de: 10000' euros con probabilidad 0.3, 3000 euros con
probabilidad 0.5 y de -2000 euros con probabilidad 0.2; iii) comprar acciones
del tipo B , con lo que el beneficio sería de: 8000 euros con probabilidad
0.4, 4000 euros con probabilidad 0.5 y de -500 euros con probabilidad 0.1;
iv) comprar acciones del tipo C, con lo que el beneficio sería de: 4000 euros
con probabilidad 0.8, 3000 euros con probabilidad 0.1 y de -500 euros con
probabilidad 0.1. El diente no tiene muy claro cuál es la opción que prefiere
y pide ayuda al banquero. Este le pregunta por el valor p en cada uno de
los siguientes casos:
4.4 Juan y Pedro poseen como capital 20000 euros cada uno. Suponemos que
ambos tienen la misma función de utilidad
u(x) = (x -2 0 0 0 0 )1/3.
A Juan le regalan una billete de lotería que tiene como premio 300 euros
con probabilidad 0.5, o nada con la misma probabilidad. Si Juan le vende el
billete a Pedro por 5 euros, comprobar que ambos salen ganando. ¿Cuánto
puede cobrar, como máximo y mínimo, Juan a Pedro por el billete de tal
forma que la venta resulte ventajosa para ambos?
108 F U N D A M EN TO S D E LOS S IST EM AS D E A Y U D A A L A D E C ISIÓ N © RA-MA
4.6 Dados los atributos X i,X 2, . ■■,X n, probar que los siguientes resultados
son equivalentes:
4.7 Demostrar que si las preferencias del decisor cumplen los Axiomas 1-7,
existe una función de utilidad «(•) sobre X que representa £ según (4.1) y
(4.2).
4.8 Demostrar que si «(•) es una función de utilidad sobre X , entonces w(-) =
au(-) + P, con a > 0, es también una función de utilidad que representa las
mismas preferencias. Recíprocamente, si u(-) y tu(-) son dos funciones de
utilidad sobre X que representan las mismas preferencias, entonces existe
a > 0 y P tal que io(-) = cm(-) + /?.
4.9 Demostrar que la función de aversión local al riesgo en x, r(x ), posee las
siguientes propiedades:
1.10 Demostrar que para cada lotería si pi es la prima al riesgo dada por u¿(-)>
t = 1, 2; entonces
donde r\(x) y r 2($) son las funciones de aversión local al riesgo asociadas
a ui(-) y u2('), respectivamente.
R A -M A C A P ÍT U LO 4: P R EFER E N C IA S EN INCERTIDUMBRE 109
donde a (y) > 0 y las funciones a(y) y /3(y) se definen con respecto a yo
(el recíproco también se verifica). Similarmente, Y es independiente
en utilidad de X si y sólo si para un xo fijado
donde 7 (x) > O.y las funciones j(x ) y ¿(x) están definidas con respecto
a xo-
(b) si u(x, y) es una función de utilidad sobre X x Y, Y es independiente
en utilidad de X y (xo,yo) y (xi,yi) son tales que u(xo,yo) = 0,
u (xi,yi) = 1, (xi,y0) >- (xo,yo) y (xo,yi) V (xo,yo), entonces
o equivalentemente
donde
i) u x(x) es una función de utilidad sobre X normalizada por
u x {xq) = 0 y ux (xi) = 1.
ii) uy(y) es una función de utilidad sobre Y normalizada por
wy(yo) = 0 y uy(yi) = 1.
iii) kx = u(xi,y0).
iv) kY = u(x 0,yi).
v) k xy = 1 —kx - ky y k = kxy/kxky.
Además, la mutua independencia en utilidad es una condición nece
saria para esta representación.
< 1/2, (x2,y2); 1/2, (x3,y3) > ~ < V 2>(*2, 2/3); 1/2, (*s,w) >
170 F U N D A M E N T O S D E LO S SIST EM AS D E A Y U D A A L A D E C ISIÓ N
entonces
u{x,y) = u (x ,y o ) + u(xo,y).
para u fa ,y o ) > u fa ,y o ).
4.15 Demostrar que si X — X\ x ... x X n y 0 ( = {1 ,¿} preferencialmente inde
pendiente de 0?, y X i es independiente en utilidad de los otros atributos.
Entonces la función u(-) debe tener una de las tres formas siguientes:
v (x ) =s'5 2 kiVi(xi),
I © RA-MA CAPÍTULO 4'. PREFERENCIAS EN INCERTIDUMBRE 171
y si E ”=i i 1 1
n n
u (Xq,X o) = ) j j ,(x j ,x (¿) = ^ kjlLi(Xj),
»'=1 t= l
0 si Z )Í L i h É i
n n
1 + ku(xo, xo) = JJ[1 + ku(xi, x?)] = JJ[1 + &&¿ííí(x¿)],
¿=l f=i
donde
i) x¿ = ( x o ,x i,... ,x¿_i,x¿+i , . . . ,x „ ) ,i = 0 ,1 ,... ,71.
ii) u(xg, x j,... , x°) = 0, u(x¡5, x*,.. •, x*) = 1.
iii) Ui(x¿) = 0, Ui(x*) = 1, i = 1 ,2 ,... ,n.
iv) ki = u(x*, x¿), ¿ = 1 ,2 ,... , n.
v) k es la solución de
4.18 Demostrar que si X —{X \,... ,Xn} se puede expresar como {Zo,.. . , Zm}
donde Zi,l = 1,2, •••, m, es independiente en utilidad de su complemen
tario, entonces la función de utilidad u(x) puede representarse por
172 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
©RA-M
donde
fl(z o ) =
i ü u ( z o ,Z Í ,Z ¿ ,Z g y ) - u (2 o , ^ * ,2 ° ,^ o y )
-« (¿ ü , S g y ) + Ú (zo , z f , z ? , ^ . ) ,
tablas y ár bo les de
DECISIÓN
por las decisiones ya tomadas, distintos grupos afectados por las decisiones, etc
La incertidumbre obliga a tomar decisiones sin conocer con seguridad determi
nados factores externos que no se controlan (estados) y que van a influir en la
consecuencia de la decisión tomada.
Las tablas de decisión, a veces llamadas matrices de estrategias, tienen sus
orígenes en el trabajo de von Neumann y Morgenstern (1944) sobre juegos en
forma normal. Expresan la idea básica de que las consecuencias de elegir una
decisión no dependen sólo de ésta -en las filas de la tabla- , sino también de
tales estados -en las columnas-, de forma que si el decisor conociese el verdadero
estado (teniendo así un problema de decisión en ambiente de certidumbre, ver
Capítulo 2), podría predecir la consecuencia de su elección con certeza:
o -f- 9 —f c(a, 9) EC
01 92 Om
ai u(ai,0i) u (a i,0 2) .
02 u(a2,0 i) u(a2,92) . * w(d2> ®m)
61 62 #3
ax 90 30 -50
a2 50 10 -20
03 0 0 0
Por tanto, la opción óptima será ai, contratar a personal especializado, con
una utilidad máxima esperada de 44. Q
5.2.1 D efinición
Los problemas de decisión reales suelen ser dinámicos, existiendo varias decisiones
encadenadas a tomar y la alternancia de la ocurrencia de distintos fenómenos
aleatorios. Por ejemplo, una compañía que está diseñando chips a partir de
varios materiales nuevos superconductores, debe elegir primero entre ellos y en
una etapa posterior, a partir del posible éxito o fracaso de su implantación, quizá
tenga que elegir si el diseño debe ser modificado aunque ello reporte más gastos
y no garantice tampoco el éxito, etc.
Si tratásemos de representar esto mediante una tabla resultaría muy farra
goso, como veremos después en la Sección 5.2.3. Adoptamos entonces una repre
sentación alternativa más flexible y expresiva: la de árboles de decisión, cuyos
orígenes los encontramos en Raiffa y Schlaifer (1961), a partir también de los
trabajos de von Neumann y Morgenstern (1944) sobre juegos en forma extensiva.
Un árbol de decisión es un árbol con tres tipos de nodos:
• de azar (nodos circulares), cuyas ramas representan los estados posibles que
se pueden dar en ese instante;
Esto podría arreglarse definiendo “subir” como una subida promedio superior
■ gj 10% en el último mes, pasando entonces el test. Definir sucesos y decisiones
I para que pasen el test significa especificar claramente los valores de cada variable
I aleatoria, la alternativa de cada decisión y las consecuencias. Por tanto, el test
I tiene lugar a lo largo de las ramas del árbol que es donde se han especificado los
I detalles críticos. Cuando todos los elementos pasan el test, entonces ya puede
I resolverse el árbol de decisión.
I 5.2.2 Evaluación
u(c(sí)) si U = terminal
Sg
si í¿ = decisión
coste
de la prueba
en estos
casos
M i l 1 -F W e .)« _ 0 .9 x 0 .3 _ „ „
P( ra ) 0 .5 7 5
P ( r a | e 2) P ( e 2) 0 .6 5 x 0 .4
m iJ = P (ra ) 0 .5 7 5
P ( r a | e 3) P ( e 3) 0 . 1 5 x 0 .3
P (ra ) 0 .5 7 5
A n á lo g a m e n t e s e c a l c u l a r í a n la s c o n d i c i o n a d a s a q u e la p r u e b a d io no apto (rn ).
T o d a s a p a r e c e n e n e l á r b o l d e l a F i g u r a 5 .4 .
L a s c o n s e c u e n c i a s y s u s u t i l i d a d e s s e a s ig n a n c o m o y a so h a v is t o e n c a p ítu lo s
a n t e r i o r e s , c o m e n z a n d o c o n u n a j e r a r q u í a d e o b j e t i v o s . E n e s t e c a s o in t e r e s a r á n
182 F U N D A M E N T O S D E L O S S IS T E M A S D E A Y U D A A L A D E C IS IO N
© J U -v
e, 0.470
0.85
0.43
0.00
0.25
0.85
0.43
0.00
0.25
0.86
0.44
0.01
0.26
Moviéndonos hacia atrás, en la decisión C, como 0.594 > 0.25, quiere decir que es
mejor comprar. Dibujamos dos barras paralelas cortando el camino de la opción
no elegida. La utilidad esperada “ganadora” se copia en el nodo de decisión
donde ahora es tratado como un nodo terminal para la rama apto. Continuando
el proceso hasta el nodo raíz P , leemos del árbol en las ramas seleccionadas una
política óptima para la CAM: realizar la prueba; si el resultado es apto, comprar
el helicóptero; si no es apto, no comprarlo. La utilidad máxima esperada es 0.448.
El estudio debe completarse con análisis de sensibilidad, como veremos en el
Capítulo 8. En general, el análisis de sensibilidad estudia cómo cambia la política
0 RA-MA CAPITULO 5: TABLAS Y ÁRBOLES DE DECISIÓN 183
Eas alternativas serán las estrategias posibles. Cada una debe indicar si se
hace la prueba o no. Denotamos: A\ = hacer la prueba; A2 = no hacerla. Si se
^acei debe indicar también si comprar (c) o no (->c) ante cada posible resultado
]t*í4 FU N D AM EN TO S D E LOS SISTEM AS D E A Y U D A A L A DECISIÓ N © r a -m a
fli(ra) = c ; oi(rn) = c
aa(ra) = c ¡ ai (rn) = ->c
03 (ra) = -ic ¡ a3 (rn) = c
04(ra) = ->c ; 04 (rn) = -ic.
max
P
max
a
Ee E ri\e ip u' (P ,R , a(R) , E)
5.2.4 Propiedades
Las tablas de decisión, los árboles, y cualquier otro modelo gráfico presentan ven
tajas e inconvenientes que hacen aconsejable su uso (o desuso). Estas propiedades
se refieren a la forma en que el modelo ayuda a la representación del problema y
a su solución -propiedades de representación- y también a cuáles son los requisi
tos computacionales para obtener la solución y generar las salidas -propiedades
computacionales- Ambos tipos de propiedades, a veces solapantes, son básicas
a la hora de estructurar el problema, asignar probabilidades, presentar los resul
tados del análisis, etc. En esta sección analizamos las propiedades de los árboles
de decisión que servirán para compararlos con otros métodos alternativos que se
introducirán posteriormente.
Expresividad
Los árboles son herramientas muy intuitivas y fáciles de comprender al repre
sentarse todos los caminos posibles que recorreríamos en un problema dado. La
representación explícita de la cronología del proceso de decisión (de izquierda a
derecha del árbol) y del estado de información en cada nodo le hacen ser simple y
flexible. Además, la estructura del problema y la estrategia óptima se representan
conjuntamente en el árbol resultando muy sencilla la lectura de la solución.
Crecimiento exponencial
A pesar de su capacidad descriptiva, los árboles se vuelven excesivamente com
plejos cuando aumenta el número de nodos de azar y /o de decisión. Precisa
mente, debido a la representación explícita de acciones y eventos, cada nodo
añadido al árbol expande su tamaño exponencialmente de forma que solamente
pueden mostrarse a nivel de detalle modelos pequeños y relativamente simples.
En un problema simétrico con n variables, cada una con 2 posibles valores, hay
2n caminos posibles (y nodos terminales). Así, sería muy difícil representar un
problema con, por ejemplo, 30 variables.
Esto repercute en los requisitos computacionales, que también se incrementan
exponencialmente, pues el algoritmo es esencialmente una técnica de enumeración
al atravesar todos los caminos del árbol.
Se han propuesto algunas soluciones para este problema entre las que desta
camos la de representar el árbol de forma esquemática (ver Cali y Miller, 1990).
Sin embargo, se pierde mucha información en la mayoría de los casos; por ejemplo,
cuando se tienen estructuras altamente asimétricas y con muchas dependencias.
El árbol esquemático del ejemplo del helicóptero se muestra en la Figura 5.5.
p
/~\y— lili
tfS |
----- ufy*)
0.2 0.5
Figura 5.9: Árbol de decisión con. utilidad separable para el problema del helicóptero
5.3 SOFTWARE
5.3.1 DPL
decisión P, {hacer,no_hacor} ¡
decisión C.{c,no_c}¡
chance E. {el ,c2,c3 }={0,3,0.4,0.3};
valué v|P,C,E“
//P.hacer,C.c
0.85,0.43,0, //el,e2,e3
//P.hacer,C.no c
0.25,0.25,0.25, l/eI,e2,e3 “
//P.no hacer,C.c
0.86,0.44,0.01; //el,e2,e3
chance R. {ra,m}|E=
{0.9,0.1), //E.el
{0.65,0.35}, //E.e2
{0.15,0.85}; //E.e3
sequence:
decide
to P.hacer then
gamble on R then a: decide
fo C.c then
gamble on E and get v
to C.no_c and get v~
to P.no_hacer then
perform a
modelos grandes. DPL también utiliza los diagramas de influencia que será el
tema central del próximo capítulo, entendiendo entonces sus múltiples ventajas.
□
5.4 DISCUSIÓN
Los árboles de decisión son extremadamente útiles para ayudar a los decisores a
entender y comunicar la estructura del problema al que se enfrentan, a determi
nar los escenarios posibles que pueden resultar si se toma una acción particular.
El método para evaluarlos permite analizar problemas complejos como una serie
de problemas de decisión más pequeños. Todo el proceso puede conducir a un
pensamiento creativo y a generar opciones que no habían sido consideradas pre
viamente. Existen varias teorías sobre la creatividad que podrían considerarse
dentro de la Psicología y que deberían formar parte de la esencia de toda empre
sa. Ciernen (1996) dedica todo un capítulo a este tema destacando los diferentes
bloques a los que un individuo se enfrenta -perceptivos, culturales, emocionales,
del entorno- que dificultan encontrar soluciones a los problemas. Keeney (1992)
hace hincapié en la primacía que tienen los valores que asigna el decisor en el pro
ceso de decisión definiendo el pensamiento basado en el valor que puede ayudar
a crear nuevas alternativas en el problema. Tener conciencia de estas barreras
CAPÍTULO 5: TABLAS Y ÁRBOLES DE DECISIÓN 195
Estado
Figura 5.11: Árbol de decisión dibujado con DPL para el problema del helicóptero
Figura 5.12: Política óptima del problema del helicóptero generada con DPL
5.5 EJERCICIOS
5.1 María tiene que asistir a una clase a las 15:00 horas. Está comiendo en un
restaurante y no tiene mucho tiempo. No sabe si pedir sólo café o café con
postre. Definir los estados posibles respecto a si se sirvió con rapidez el
postre y sobre cómo le sentó. Identificar las consecuencias. Representar la
información en una tabla de decisión.
Si decide antes que tal vez puede preguntar al camarero de qué está hecho
el postre y estimar las probabilidades de que sea servida dentro del límite
de tiempo que tiene para ir al trabajo, representar el nuevo problema.
5.3 Como dice Ciernen (1996), todos los libros de texto de Análisis de Decisiones
tienen al menos un ejemplo sobre perforación de petróleo. Probablemente
se debe a que en 1960, C. J. Grayson publicó una de las primeras tesis
doctorales aplicadas usando Teoría de la Decisión, y su área de aplicación
era la del petróleo. Reproducimos aquí una versión de Raiffa (1968).
Un jeque árabe quiere decidir si perforar o no cierta zona. No sabe si
el terreno está seco, húmedo o empapado de petróleo. La tabla siguiente
muestra los beneficios netos obtenidos en cada caso.
perforar no perforar
seco -70000 0
húmedo 50000 0
empapado 200000 0
5.5 Un médico tiene que decidir si llevar a cabo una peligrosa operación a una
persona de la que se sospecha que padece cierta enfermedad. Si tiene la
enfermedad y la opera, la probabilidad de recuperación es sólo de 0.5; sin
operación de 0.05. Por otra parte, si no tiene la enfermedad y se opera hay
un 0.2 de probabilidad de muerte como resultado de la operación, mientras
que no hay posibilidad de morir si no se realiza la operación. Aconsejar al
médico. Puede suponerse que siempre hay sólo dos posibilidades, morir o
recuperarse.
5.10 El riesgo de inundación en una zona cercana a un río lia crecido recien
temente. Esto se debe a las mareas altas de la primavera y al desarrollo
de sistemas de drenaje más eficientes de los granjeros de las colínas cer
canas, lo que significa que después de fuertes lluvias el agua entra en el
río más rápidamente. Se está construyendo una barrera en la boca del
río pero las autoridades deben decidir cómo proporcionar protección ante
desbordamientos durante los dos años hasta que se termine de construir la
barrera. Es sólo probable que ocurran inundaciones durante el periodo de
marea alta de la primavera y la altura, del río entonces no puede predecirse
con certeza. Si se prodúce inundación algún año, las autoridades tendrán
que compensar pagando 3 millones de euros. Actualmente, consideran tres
opciones:
(a) No hacer nada y esperar que la inundación no tenga lugar durante esos
dos años. Las orillas naturales del río detendrán la inundación siempre
que la altura del agua sea menor que 9 metros. Hay una probabilidad
de 0.3 de que la altura exceda esta cantidad en cualquier año.
(b) Levantar una barrera provisional barata para una altura de 10 me
tros. Costaría 1 millón de euros levantarla y se cree que hay sólo una
probabilidad de 0.08 de que la altura del agua exceda esta barrera. Sin
embargo, si esto ocurriese durante el primer año, se estima que con
probabilidad 0.4 la barrera se dañaría dejándola inservible para el se
gundo año. Las autoridades tendrían entonces que decidir si repararla
a un coste de 0.6 millones de euros o dejar el río sin protección durante
el segundo año.
(c) Levantar una barrera más cara. Los costes fijos serían de 1.3 millones
de euros y habría un coste adicional de 0.03 millones por cada metro
levantado. Por razones técnicas, la altura será de 10 ó 12 metros, y
se cree que no habrá posibilidad de que se dañe la barrera si hubiese
inundaciones. La probabilidad de que el agua exceda la barrera de 12
metros en cualquier año es de 0.005.
d ia g r a m a s d e
INFLUENCIA
® — * 0 Q y—® ® @
a)
b)
«0
d)
P (A , B, C) = P(C\A, B)P(B\A)P(A).
La Figura 6.3 ilustra varios casos con un nodo de cada tipo, uno de azar, uno
de decisión y el de valor.
e)
Proposición 6.1
Un grafo dirigido no tiene ciclos si y sólo si alguna lista de nodos tiene todos los
sucesores de cada nodo siguiéndole en la lista.
S(i) = { j 1 N : (i , j ) I A },
La modelización tiene lugar a varios niveles (Johnson et al., 1986). Como hicimos
con los árboles de decisión, dibujado el grafo que representa la descripción cualitar
tiva del problema (nivel estructural o gráfico), se procede a incluir la información
cuantitativa (nivel numérico) para dejar el diagrama totalmente especificado.
Para cada nodo i del diagrama de influencia, se especifica un conjunto Í2¿, una
variable Xi, y una aplicación. La notación íí j con J = {j'i,..., j n} c N indicará
el producto cartesiano x •••x fljn. De igual forma, X j denotará el vector
aleatorio (X jl t ...,X jn).
Si i es de decisión, Xi es la decisión que se toma del conjunto íí¿; si i es de azar,
Xi es lá variable aleatoria asociada con espacio muestral fi¡, sobre la que se define
la distribución de probabilidad dada por 7r»(®<|a:c(«)) = P fó i — xi\Xcu) — xc(i))>
si i es de valor, Xi es la utilidad esperada, con dominio en ílc(i) y Ia aplicación
es U : ííc(t) —> fí¡! la utilidad esperada en función de los predecesores directos.
Las aplicaciones de los nodos de azar 7r y de valor U las da inicialmente el de
cisor como entrada del algoritmo de evaluación del diagrama y se irán redefiniendo
a medida que avance éste. Para los nodos de decisión, el algoritmo calculará su
aplicación asociada: d* : que indica las alternativas óptimas dado
el estado de información del decisor en el momento de tomar la decisión, y la
ofrecerá como resultado del proceso. Al finalizar el algoritmo, el nodo de valor v
no tendrá predecesores (C(v) = 0 ) y U contendrá la máxima utilidad esperada.
Por tanto, la definición formal de diagrama de influencia incluye al grafo
dirigido acíclico G = (N, A), con nodos N y arcos A, donde N está particionado
en los conjuntos D, C y V. Pero también incluye, para cada nodo i, un conjunto
fit- y una aplicación d*, 7r¿ o U, dependiendo del tipo de nodo.
Como hicimos en los árboles de decisión, también es conveniente pasar el test
de claridad (Howard, 1988) antes de evaluar el diagrama de influencia.
Tabla 6.1: Tibias de los nodos de decisión y azar del problema del helicóptero
hacer no hacer
E
R ei «2 63 ei e2 e3
ei 0.3 ra 0.9 0.65 0.15 0 0 0
¿2 0.4 rn 0.1 0.35 0.85 0 0 0
e3 0.3 ->r 0 0 0 1 1 1
Tabla 6.2: Tabla del nodo de valor del problema del helicóptero
P C E U P C E u
hacer c ¿i 0.85 no hacer c 0.86
ei
É2 0.43 62 0.44
63 0 e3 0.01
->c ei 0.25- -iC ei 0.26
e2 0.25 e2 0.26
63 0.25 63 0.26
6.3 EVALUACIÓN
P ro p o sició n 6 .2
Si el nodo de decisión i precede al nodo de decisión j en un diagrama de influencia
regular, entonces el nodo i y sus predecesores informativos deben ser predecesores
informativos de j : { i } U I(i) C I (j).
6.3.1 Transformaciones
1) 2)
C H O -O
3)
Como la esperanza condicionada con respecto a Jíj sólo afecta al nodo de valor,
la nueva función acumulada en v se calcula de la forma siguiente:
Cmuev(u) 1 \ {¿}.
Las hipótesis aseguran que la utilidad esperada depende sólo de las variables
que se conocen cuando se toma la decisión correspondiente al nodo i. Por tanto,
la utilidad esperada óptima viene dada por
para todo xcnu' v(«) £ ficnu*v(u)- Nótese que aunque las variables Xj(¿)\c(«) *
conocen en el momento de tomar la decisión, son irrelevantes y no desempeñan
ningún papel, pues la utilidad esperada no depende de ellos. Por tanto, dj :
í2/(t)nc(«) g &i- A
C nuav(¿) «- U \ {i}
Cmuev(i) I S | S H
y p or el T e o r e m a d e B a y e s ,
_ ^ f ó j ~ X j , X j = Xi\X(jnutv(j\ = ¡CpnUBV(j))
P \ X j = X j |A’cfnu»v(j) = ¡E0nu.y(j))
214 FUNDAM ENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © R A-M a
6 .3 .2 A lg o r it m o d e e v a lu a ció n
co n stru cción , i e C n C(v) y como no puede haber ciclos, i f I(j). Por tanto,
ie C r \ C {v )\ i(j)- A
2. Eliminar sumideros
3. Mientras C(v) ^ 0 ,
P hacer no hacer
R hacer no hacer E ra m T ra rn -ir
ra 0.575 0 Cl 0.470 0.07 X X X 0.3
rn 0.425 0 e2 0.452 0.33 X X X 0.4
-ir 0 1 ®3 0.078 0.60 X X X 0.3
P R C U P R C V
hacer ra c 0.594 no hacer ra c 1.31a;
- IC 0.25 -1c 0.78a;
rn c 0.201 rn c 1.31x
-1c 0.25 -1c 0.78x
-ir c 1.28a; ->r c 0.437
-1c 0.75a; -1c 0.26
p R U
hacer ra 0.594 c
m 0.25 -1c p U
-ir 1.28* c hacer U dp
0.448
no hacer ra 1.31* c no hacer 0.437 0.448 hacer
m 1.31* c
->r 0.437 c
a) b) c)
Al principio del capítulo dijimos que el nodo de valor tenía relación con los
nodos terminales del árbol de decisión. Podemos identificar ambos antes de la
evaluación del diagrama de influencia. Después, a medida que va siendo evaluado,
el nodo de valor se corresponde con las utilidades esperadas que van escribiéndose
sobre los nodos del árbol en el proceso de solución hacia atrás.
6.4 PROPIEDADES
Compacidad
Las soluciones propuestas al problema del crecimiento exponencial de los árboles
de decisión, por ejemplo, representarlo de forma esquemática, no son del todo
satisfactorias. Con los diagramas de influencia la representación del problema es
mucho más compacta que con los árboles de decisión. Cada variable añadida al
problema expande su tamaño linealmente. Para el problema del helicóptero, el
diagrama sólo tiene 2 nodos de azar, 2 de decisión, 1 nodo de valor y 7 arcos
dirigidos, mientras que el árbol tiene 4 nodos de azar, 4 de decisión, 12 nodos
terminales y 19 ramas que deben ser identificadas.
Como ya se ha indicado, ésta fue de hecho la propiedad en la que se basaron
sus creadores para introducir este tipo de diagramas, como parte de un proyec
to para el Departamento de Defensa de Estados Unidos. Es un buen ejemplo
de cómo la demanda de una aplicación compleja puede estimular la innovación.
Como consecuencia, facilitan la comunicación entre el analista y el decisor y la
representación del conocimiento humano, dando a simple vista una idea global
del problema Modelizar aspectos tales como inferencia, predicción y decisión
resulta sencillo incluso para el decisor y pueden ser discutidos a un nivel no nece
sariamente técnico.
Una de las claves está en separar siempre la descripción cualitativa del proble
ma (el grafo) de la cuantitativa (las tablas asociadas a cada nodo), apareciendo,
por el contrario, unidas en los árboles de decisión. Por esta razón, los detrac
tores de los diagramas de influencia critican el hecho de tener que acudir a ese
segundo nivel cuantitativo para conocer los detalles del problema (tanto los datos
de entrada como los de salida), resultando muy limitada la información que se
puede obtener del diagrama a simple vista. Pero ése es el precio que pagamos
por sacrificar los detalles.
A su vez, esta compacidad organizada en un grafo hace que el algoritmo sea un
algoritmo de reducción de nodos más que de enumeración de los caminos posibles.
El árbol de decisión trabaja con escenarios y representa las relaciones entre cada
posible combinación de decisiones y resultados que pudieran ocurrir. El diagrama
de influencia trabaja con variables (nodos) y representa las relaciones entre ellas.
Va eliminando nodos del modelo, lo que supone una reducción multiplicativa del
número de caminos. En teoría, debe ser capaz de resolver problemas en un tiempo
lineal, lo que supone una gran ventaja frente a la explosión combinatoria de los
árboles.
P (B \ A )P {A )
( 1 ’ T .Á P (B \ A )P (A Y
2 , ^ PM B O P(B\C\ = p / d in n _
= ’ ' ' ' P (C ) ’ (■ I' 1°> ~ P (B \ 0)P (C )'
A,B
O r d e n p a r c i a l d e la s r e s t r i c c i o n e s d e i n f o r m a c i ó n
En cada problema de decisión existen ciertas restricciones de información sobre el
orden en que se van conociendo las variables. Para la representación, los árboles
requerían un orden completo sobre la posición relativa de sus nodos que afectaba
luego al esfuerzo computacional realizado. En los diagramas de influencia ocurre
algo diferente. El orden parcial expresado por el decisor es representado direc
tamente en el diagrama a través de los arcos informativos dirigidos a’ nodos de
decisión.
Durante la evaluación del diagrama, como en los árboles, se respetarán las
restricciones de información, pues si una variable A ha de suceder antes que otra
B, entonces B se eliminará antes que A. La secuencia completa de eliminación
de nodos elegida, en caso de existir varias, influirá en el esfuerzo computacional,
como se verá a continuación.
es invertir el arco (5, SI) o el (£>, 52), con herencia mutua de predecesores (Teo
rema 6.3). Por tanto, el orden elegido puede influir también en el tamaño de las
distribuciones de probabilidad almacenadas en los nodos de azar involucrados y
en consecuencia, en el esfuerzo computacional. Este es un aspecto clave en pro
blemas reales. En Bielza et al. (2000) se utiliza un diagrama de influencia con 56
nodos para la gestión de ictericia en recién nacidos del hospital Gregorio Marañón
de Madrid. Requiere del orden 1016 posiciones de memoria para almacenar todas
las probabilidades y utilidades esperadas, excediendo la capacidad de cualquier
ordenador personal.
Encontrar la secuencia óptima de eliminación es un problema de optimización
NP-completo (Arnborg, Corneil y Proskurowski, 1987), siendo entonces una difi
cultad inherente a los diagramas de influencia independientemente del algoritmo
empleado para su evaluación. Podemos entonces utilizar heurísticas para encon
trar una buena secuencia. Una de ellas, debida a Kong (1986), se H p .n n rm n a “un
paso hacia delante” pues propone eliminar aquella variable que conduzca sólo en
esa iteración a cálculos sobre un espacio de menor tamaño. Así, en la Figura
6.13 a), deberíamos eliminar primero B porque su eliminación conlleva cálcu
los en {A ,D ,B ,B 1 }, mientras que eliminar A conduce a trabajar en el espacio
{A ,D ,B ,A 1 ,A 2 }, seguramente de mayor tamaño.
DIAGRAMAS ÁRBOLES
1. palabra clave indep. condicional escenario
2. compacidad si no (explosión
combinatoria)
3. represent. probabilidades directa con preproceso
(condicionadas) (problema dos árboles)
4. relaciones probabilísticas explícitas no (se detectan ad hoc)
5. modelización de asimetrías no sí
6. algoritmo reducción nodos enumeración caminos
7. computación local sí no
para condicionadas
8. aprovechan indep. condicional . sí no
6.5 SOFTWARE
6 .5 .1 DPL
09
. -
08
. -
0.6-
0.5
0.4-
0.3
02-
0.1
'*■ I i -r— —i------ 1— — i------ ,------ ,------ ,-----
o 0.1 0l2 H 0.4 H Olí 07 OS
Figura 6.14: Perfil de riesgo para la estrategia óptima del problema del helicóptero
Con DPL la entrada de datos para cada nodo se solicita en forma de árbol,
adjuntando la información de dependencia probabillstica y funcional, ver Figu
ra 6.15.
Pero en muchos casos, las relaciones de dependencia tienen efecto sólo en las
probabilidades o en las utilidades, no en ambas. Por ello, mediante diferentes
colores de flechas en el diagrama de influencia se puede indicar, por ejemplo,
que la probabilidad para un nodo de azar A depende de una decisión D pero las
utilidades no dependen de ella, como ocurre en la Figura 6.15. DPL entonces
requiere del usuario menos datos a introducir, ver Figura 6.16.
J'/H KU N D AM K N T08 !>/'■l/OH 8JHTEMA8 1)14 AYUOA A (>A D B C I8 IÓ N
SLÍÜ-ma
- í
-fl
-3 0
lO
■50
. de dlatos usual
al/'0,2
yfl2
Áa3 0.7 lD
0.1
■£)
al/ 0.5
\a2
Áa3 0.3
0.(> DISCUSIÓN
Los dioramas do Influencia han cloinos(¡rudo sor una hornunlonta potente a lo
Iwko do los últimos años como marco para discutir dlforontos formulaciones del
problema con los decisores antes de iniciar la asignación más elaborada y de
tallada do costes, probabilidades, alternativas reales y resultados. Mientras los
modelos c u a n tit ativos son, por naturaloza, efímeros, las relaciones en los modelos
cualitativos son mucho mis robustas, rompiéndose sólo cuando hay un cambio
dramático cualitativo en el entorno, Representan directamente el razonamiento
visado por el decisor y enseguida lo hacen suyo. Esto no ocurre con los números.
No se aceptan tan fácilmente.
A pesar de tal robustez se debe ajustar el modelo junto al decisor para que
aprenda sobre la estructura del problema y, especialmente, sobre la estructura de
creencias como una forma de análisis de sensibilidad. Esto es muy sencillo con los
diagramas de influencia. De las sentencias iniciales de irrelevancia reflejadas en él
se pueden hacer numerosas deducciones utilizando el álgebra de relevancia (Pearl,
1988). Se basa en los axiomas de independencia condicional de Dawid (1979),
quien los introdujo sin ninguna conexión gráfica. Dawid probó que el esquema
propuesto no sólo servía para el razonamiento probabilístico sino también para
otras formas de razonamiento. Como consecuencia, se consiguió tener un marco
unificado para todas las formas de razonamiento que explotan la independencia
condicional.
Aun así, podemos tender a representaciones iniciales con las que el decisor
no esté contento, en cuyo caso lo más indicado es comunicarse con personas
expertas en el dominio del problema que den su opinión. La toma de decisiones
en grupo (Capítulo 9) dará pistas para esto. Una cuestión abierta es generalizar
los diagramas de influencia para que representen problemas de múltiples decisores.
Con la introducción de los diagramas de influencia (Howard y Matheson,
1981) comenzó el uso estadístico de los grafos dirigidos. Pero fueron Pearl (1986)
y Lauritzen y Spiegelhalter (1988) quienes establecieron gráficamente las rela
ciones de dependencia e independencia probabilística utilizando grafos dirigidos.
Por entonces se consideraba muy compleja la especificación de incertidumbre y
computación con el método probabilístico de razonamiento, lo que cambió profun
damente con esta nueva visión que explota la estructura modular natural de los
modelos gráficos. El desarrollo que han alcanzado los diagramas de influencia crea
nuevas posibilidades en Análisis de Decisiones para construir sistemas inteligentes
(Capítulo 10) usándolos como marco de representación del conocimiento y de re
glas probabilísticas.
El uso de grafos dirigidos para expresar la factorización de la distribución
conjunta es conveniente cuando la incertidumbre la describe un experto. Sin
embargo, en problemas en los que se induce el modelo de probabilidad a partir
de datos, pueden ser más apropiados otros modelos gráficos como los grafos no
CAPITULO 6: DIAGRAMAS DE INFLUENCIA 229
© r a -m a
6.6 DISCUSIÓN
Los diagramas de influencia han demostrado ser una herramienta potente a lo
largo de los últimos años com o marco para discutir diferentes formulaciones del
problema con los decisores antes de iniciar la asignación más elaborada y de
tallada de costes, probabilidades, alternativas reales y resultados. Mientras los
modelos cuantitativos son, por naturaleza, efímeros, las relaciones en los modelos
cualitativos son mucho más robustas, rompiéndose sólo cuando hay un cambio
dramático cualitativo en el entorno. Representan directamente el razonamiento
usado por el decisor y enseguida lo hacen suyo. Esto no ocurre con los números.
No se aceptan tan fácilmente.
A pesar de tal robustez se debe ajustar el m odelo ju n to al decisor para que
aprenda sobre la estructura del problem a y, especialmente, sobre la estructura de
creencias com o una forma de análisis de sensibilidad. E sto es muy sencillo con los
diagramas de influencia. De las sentencias iniciales de irrelevancia reflejadas en él
se pueden hacer numerosas deducciones utilizando el álgebra de relevancia (Pearl,
1988). Se basa en los axiomas de independencia condicional de Dawid (1979),
quien los introdujo sin ninguna conexión gráfica. Dawid probó que el esquema
propuesto no sólo servía para el razonamiento probabilístico sino también para
otras formas de razonamiento. Com o consecuencia, se consiguió tener un marco
unificado para todas las formas de razonamiento que explotan la independencia
condicional.
Aun así, podemos tender a representaciones iniciales con las que el decisor
no esté contento, en cuyo caso lo más indicado es comunicarse con personas
expertas en el dominio del problema que den su opinión. La tom a de decisiones
en grupo (Capítulo 9) dará pistas para esto. Una cuestión abierta es generalizar
los diagramas de influencia para que representen problemas de múltiples decisores.
C on la introducción de los diagramas de influencia (Howard y Matheson,
1981) comenzó el uso estadístico de los grafos dirigidos. Pero fueron Pearl (1986)
y Lauritzen y Spiegelhalter (1988) quienes establecieron gráficamente las rela
ciones de dependencia e independencia probabilística utilizando grafos dirigidos.
P or entonces se consideraba muy com pleja la especificación de incertidumbre y
com putación con el m étodo probabilístico de razonamiento, lo que cambió profun
damente con esta nueva visión que explota la estructura modular natural de los
m odelos gráficos. El desarrollo que han alcanzado los diagramas de influencia crea
nuevas posibilidades en Análisis de Decisiones para construir sistemas inteligentes
(C apítulo 10) usándolos com o marco de representación del conocimiento y de re
glas probabilísticas.
El uso de grafos dirigidos para expresar la factorización de la distribución
conjunta es conveniente cuando la incertidumbre la describe un experto. Sin
em bargo, en problemas en los que se induce el m odelo de probabilidad a partir
de datos, pueden ser más apropiados otros modelos gráficos com o los grafos no
© R A -M A C A P I T U L O 0; D IA G R A M A S D E IN F L U E N C IA 231
Olí (Pearl, 1988) o puerta-OR generalizada (por ejemplo, Henrion, 1989; Diez,
1993). Se tienen varias causas produciendo un ofocto, y bajo ciertas hipótesis, so
requieren sólo las probabilidades del ofocto dado que únicamente una causa está
presente (el resto ausento), Es decir, se requiero un número de asignaciones lineal
respecto al número do causas en vez do exponencial, corno on ol caso general.
En el diagrama de 56 nodos comentado para ictericia neonatal, ver Bielza et al.
(2000), el ahorro del número de asignaciones fue del 70%.
Para el nodo de valor y los de decisión en problemas de tamaño considerable,
el orden de eliminación de nodos inverso al temporal tiende a crear tablas muy
grandes (mayores que las de las redes bayesianas de complejidad similar). Las
asociadas a cada nodo de decisión pueden contener variables irrelevantes para la
toma de esa decisión y resulta de interés eliminarlas. Nielsen y Jensen (1999)
estudian esto introduciendo diagramas de influencia con sólo un orden temporal
parcial especificado. Fagiuoli y Zaffalon (1998) usan un criterio de d-separación
para la identificación de estas variables irrelevantes. Nilsson y Lauritzen (2000)
también usan ese criterio una vez que el diagrama de influencia se ha convertido
en un árbol de uniones. Fernández del Pozo, Bielza y Gómez (2001) investi
gan el problema del almacenamiento de grandes tablas de datos y extracción
de conocimiento de las mismas, con ideas de matrices dispersas generalizadas y
heurísticas para optimización combinatoria.
Recientemente se ha introducido el principio de evaluación perezosa para
mejorar la eficiencia de la inferencia en redes bayesianas. Se trata de mantener las
descomposiciones de los potenciales y posponer los cálculos tanto como sea posi
ble. Madsen y Jensen (1999) trasladan estas ideas a la resolución de problemas de
decisión simétricos consiguiendo disminuir el número de operaciones aritméticas
realizadas.
Durante el algoritmo de evaluación, aparte de la heurística de Kong para
encontrar buenas secuencias de eliminación de nodos, Ezawa (1986), Mellouli
(1987), Olmsted (1983) y Zhang (1993) exponen otras. Gómez y Bielza (2000)
utilizan un algoritmo genético consiguiendo mejoras notables. Smith (1989) pro
pone un algoritmo para identificar en qué orden debemos invertir los arcos para
que se minimice el número de arcos adicionales en el grafo, pues cada vez que
introducimos uno perdemos información.
Una vez construido el modelo puede ocurrir que debamos tratar casos par-
cialmente observados, bien en nodos de azar, bien en nodos de decisión. Este es
un tipo de información que debe aprovecharse reduciendo la incertidumbre del
modelo mediante su propagación por el mismo, Ezawa (1998). En el Capítulo 10
se explicará con más detalle.
Bielza y Ríos Insua (1998) comentan éstas y otras cuestiones. En Cali y
Miller (1990) encontramos un estudio comparativo de árboles y diagramas de
influencia, y del uso del DPL. Shenoy (1994) compara los dos modelos con las
redes de evaluación. Para más detalles técnicos puede consultarse el texto de
232 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © R A -M A
6.7 EJERCICIOS
6.9 Una compañía eléctrica debe decidir si construir un reactor de diseño avan
zado, un reactor de diseño convencional, o ninguno. El reactor avanzado
conlleva más riesgo pero, en caso de éxito, proporciona más beneficios. A
partir de experiencias previas, se estima que un reactor convencional tiene
probabilidad 0.98 de no fallar una vez construido y 0.02 de fallar. Por otra
parte, un reactor avanzado tiene probabilidad 0.660 de no fallar (ae), 0.244
de tener un accidente leve (al), y 0.096 de tener un accidente grave (ag).
Los beneficios si se decide construir un reactor convencional son de 8 millo
nes de euros si no hay fallo, y de -4 millones si hay un fallo. Los beneficios
si la firma construye un reactor avanzado son de 12 millones de euros si
no falla, -6 millones si hay un accidente limitado, y -10 millones si hay
un accidente grave. La función de utilidad de la compañía es la función
beneficio y por tanto, el objetivo es maximizar el beneficio neto esperado.
Antes de tomar esta decisión, la firma puede realizar un test caro sobre
las componentes críticas del reactor de diseño avanzado que reduciría la
incertidumbre sobre este tipo de reactor. Los resultados del test se pueden
clasificar en malos (m ), buenos ( 6) o excelentes (e). El coste del test es
de 1 millón de euros. Si se realiza el test, sus resultados están muy rela
cionados con el éxito o fracaso del reactor avanzado. Las verosimilitudes
de los resultados del test son: P(b\ae) — 0.182, P(e\ae) = 0.818, P(m|ol) =
0.288, P(b\al) = 0.565, P(e\al) = 0.147, P(m\ag) = 0.313, P(b\ag) = 0.437,
y P(e\ag) = 0.250. Si los resultados del test son malos, la opción avanzada
no es viable, pues la Agencia de Regulación Nuclear no permitirá este tipo
de reactor. La compañía debe decidir si realizar este test o no.
234 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISION © RA-MA
Se pide:
6.10. Juan está considerando comprar un coche usado a un comerciante por 6000
euros. El precio del mercado de coches similares sin defectos es 6600, pero
excepto el coche ya indicado del comerciante, Juan no sabe de otro que esté
en venta. Juan no sabe si tal.coche es una “estafa” o es una “ganga” . De los
10 subsistemas principales que hay en un coche, la “ganga” tiene un defecto
serio en un subsistema exactamente, mientras que la “estafa” lo tiene en
6 . En cualquiera de los casos cada subsistema tiene la misma probabilidad
de ser defectuoso. La probabilidad de que el coche considerado sea una
“estafa” es 0.2. El coste de reparar un defecto es 240 euros, y de reparar 6
defectos es 1200.
Por 360 euros adicionales, Juan puede comprar el coche con una “garantía
anti-estafa” . Ésta pagará normalmente el 50% de los costes de reparación
de cualquier defecto, pero si el coche es una “estafa” , entonces pagará el
100 % de los costes de reparación.
Antes de comprar el coche, Juan tiene la opción de que un mecánico lo
examine durante una hora. El mecánico le ofrece las tres alternativas si
guientes t i ,t 2,t 3 :
(a) Observar que Juan tiene que tomar varias decisiones: ¿Debería optar
por dejarle el coche al mecánico para que lo revisara? Si es así, ¿qué
CArtTUt.O 0: DIAGRAMAS OI) INI'I UWNU1A UHh
chance Libertad_mov.{perjudicada,no.perjudicada})
R igidez,Permeabilidad*
//Rigidez.mucha
{0.5}, // Permeabilidad.mucha
{i.0}, // Permeabilidad.poca
//Rigidez.poca
{0.0}, // Permeabilidad.mucha
{0.5}; // Permeabilidad.poca
chance Proteccion_gases.{perjudicada,no.perjudicada}|
Permeabilidad»
{0.9}, // Permeabilidad.mucha
{0.1J-; //■ Permeabilidad, poca
chance Movilidad_dedos.{perjudicada,no.perjudicada}|
Rigidez*
{1.0}, // Rigidez.mucha
{0.2}; // Rigidez.poca
valué Seguridad|Libertad_mov,Proteccion_gases=
//Libertad.mov.perjudicada
100, // Proteccion.gases.perjudicada
60, // Proteccion.gases.no.perjudicada
//Libertad.mov.no.perjudicada
77, // Proteccion.gases.perjudicada
0; // Proteccion.gases.no.perjudicada
valué Rendim.,trabajo|Movilidad_ dedos,
Sensibilidad_dactilar=
//Movilidad.dedos.perjudicada
100, // Sensibilidad_dactilar.perjudicada
75, // Sensibilidad.dactilar.no_perjudicada
//Movilidad_dedos.no.perjudicada
50, // Sensibilidad.dactilar.perjudicada
0; // Sensibilidad_dactilar.no.perjudicada
valué Control.experimento = 2 * Seguridad + Rendim.trabaj
sequence:
make a min decisión to Traje then
gamble on Movilidad.dedos then
gamble on Proteccion.gases then
gamble on Libertad.mov then
gamble on Sensibilidad.dactilar and
get Control.experimento
CAPÍTULO 7
MODELOS GRÁFICOS
ALTERNATIVOS___________
Uno de los inconvenientes de los árboles de decisión era el llamado problema de los
dos árboles, ver Capítulo 5. Consistía en el preproceso de probabilidades antes
de representar el árbol para obtener las probabilidades requeridas. Su cálculo
no era eficiente al trabajar con la distribución conjunta. Con la idea de evitar
dicho preproceso, Shenoy (1995) describe un método para resolver los árboles de
decisión llamado método de poda. Esto sugiere una ligera variante de los árboles
de decisión que llamaremos árboles de escenarios.
0 .8 5 0 .2 7 0.23
0 .4 3 0 .2 6 0.1118
0 .0 0 0 .0 4 5 0
0 .2 5 0 .5 7 5 0.1437
0 .8 5 0 .0 3 0.0255
0 .4 3 0 .1 4 0.0602
0 .00 0 .2 5 5 0
0 .2 5 0 .4 2 5 0.1063
0 .8 6 0 .3 0.258
0 .4 4 0 .4 0.176
0 .0 1 0 .3 0.003
0 .2 6 1 0.26
□
A diferencia del árbol de decisión, en estos árboles no hay que especificar las
probabilidades (condicionadas) en las ramas de los nodos de azar. En su lugar, al
final de cada camino (del nodo raíz a un nodo terminal) se indica la probabilidad
del escenario asociado, denominada probabilidad del camino. Su cálculo se realiza
multiplicando todas las probabilidades de las variables en el camino y se indica en
una columna junto a la de utilidades. Así, la Figura 7.1 nos indica, por ejemplo,
que P (R =apto, E = e 2¡P =hacer prueba, C =comprar)= 0.65 x 0.4 = 0.26, que
se interpreta como la probabilidad de alcanzar el nodo terminal correspondiente,
condicionado a una estrategia del decisor que haga alcanzable ese nodo terminal.
Es simplemente la probabilidad de todos los sucesos del camino condicionado a
todas las acciones en el camino.
U A i -ii U L U 7: M O D ELO S GRAFICOS ALTERNATIVOS m b
0j£MA
^ v a lu a ció n
Los árboles de juego son muy similares a los árboles de decisión. Fueron propues
tos inicialmente por von Neumann y Morgenstern (1944) y después Kuhn (1953)
los generalizó. Por tanto son más antiguos que los árboles de decisión, sobre los
que tuvieron mucha influencia, y más generales. En esta sección vamos a adaptar
las técnicas de los árboles de juego al Análisis de Decisiones según hace Shenoy
(1998). Será algo natural, pues un problema de decisión puede considerarse como
un juego en el que sólo hay un jugador.
Una de las principales diferencias entre los árboles de juego y los de decisión
está en la forma de codificar las restricciones de información. Así, si en el mo
mento de tomar una decisión D no se conoce el verdadero valor de una variable
aleatoria X , entonces el nodo X debe ir después del nodo D (más a la derecha) en
el árbol de decisión. En cambio, en el árbol de juego no tiene por qué ser así y X
puede preceder a D. La secuencia de nodos de azar y de decisión por los caminos
hacia los nodos terminales no representan restricciones de información. Éstas
vienen representadas mediante los llamados conjuntos de información. Siempre
habrá tantos conjuntos de información como nodos de decisión haya en el árbol
de decisión correspondiente.
Los conjuntos de información forman una partición del conjunto de todos los
nodos de decisión, y todos los nodos de un mismo conjunto de información co
rresponden a la misma variable de decisión. Cuando el decisor va a tomar una
decisión, se encuentra siempre en un conjunto de información y sabe en cuál, pero
no sabe concretamente en cuál de sus nodos está situado. Sí recuerda la infor
mación pasada y las decisiones ya tomadas. Los caminos del árbol intersecarán
como mucho una vez a cada conjunto de información.
Evaluación
A la vista del ejemplo podemos pensar que un árbol de juego es siempre más
frondoso que su árbol de decisión equivalente. Pero en general esto no tiene por
qué ser así (ver Ejercicio 7.3). En cuanto al número de nodos terminales, será el
mismo en problemas simétricos, pero en asimétricos dependerá de la estructura
particular del problema. En cuanto al número de nodos de decisión, típicamente
será mayor en los árboles de juego, pues suelen encontrarse cerca de los nodos
terminales y, además, cada conjunto de información puede contener más de un
nodo. Así ocurre en nuestro ejemplo, con 4 nodos de decisión en el árbol de
decisión y 12 en el de juego. En cuanto al número de nodos de azar, la situación
suele ser la inversa, pues se posicionan más cerca del nodo raíz en los árboles de
juego que en los de decisión.
Desde una perspectiva computacional, el método de resolución utiliza, como
los árboles de decisión, computación local para calcular una estrategia óptima,
aunque es conceptualmente más complejo. No se realizan divisiones, pues la cons
tante de normalización (que es siempre positiva) sería la misma para los valores a
comparar en el paso 3 y por tanto no la calculamos. Por último, algunos cálculos
del paso 1 pueden simplificarse: Si los caminos hacia los nodos de decisión del
conjunto de información a eliminar comparten subcaminos o tienen ramas con la
misma probabilidad, las cantidades involucradas pueden ignorarse al calcular las
probabilidades de alcanzar el conjunto de información.
344 FUNDAMENTOS Dfl I.OS SISTEMAS OH AYUDA A l,A DECISION____________ © UA-MA
probab, utilidad
utilidad x camino ponderada
0 .8 5 0 .2 7 0.23
0 .2 5 0 .2 7 0.068
0 .8 5 0 .0 3 0.0255
0 .2 5 0 .0 3 0.0075
0.86 0 .3 0.258
0 .2 6 0 .3 0.078
0 .4 3 0 .2 6 0.1118
0 .2 5 0 .2 6 0.065
0 .4 3 0 .1 4 0.0602
0 .2 5 0 .1 4 0.035
0 .4 4 0 .4 0.176
0 .2 6 0 .4 0.104
0.00 0 .0 4 5 0
0.25 0 .0 4 5 0.0113
q comprar
0.00 0 .2 5 5 0
no comprar 0 .2 5 0 .2 5 5 0.0638
0.01 0 .3 0.003
0 .2 6 0 .3 0.078
Figura 7.3: Árbol de juego para el problema del helicóptero utilizando el método de
poda
7 .1 .3 F o r m u la c ió n a lg e b r a ic a
Cada nodo t tiene asociado un tipo ti y una variable Los valores que Se
asignan a la rama j vienen dados por una función do valor de rama fij(s) qy0
puede depender del estado s, donde s incluye los valores actuales de todas las
variables a lo largo del camino del nodo raíz a i. También pueden depender de
s la probabilidad de la rama P ij(s), para cada rama do un nodo de azar, y Ja
función nodo siguiente n y (s ).
□
L a ta b la d e fo r m u la c ió n c o n tie n e t o d o s lo s d e t a l l e s n e c e s a r i o s p a r a lo s c á l
c u lo s . E s t a r e p r e s e n t a c i ó n c o m p a c t a e s l a p r i n c i p a l v e n t a j a y d i f e r e n c i a c o n lo s
CAPÍTULO 7: MODELOS GRÁFICOS ALTERNATIVOS 247
^ RA-MA
Evaluación
donde {i>¿ : /¿¿ (s), s} es el estado formado aumentando el estado s con un valor
para Vi determinado por fij(s). Los nodos auxiliares son similares a los deter-
minísticos de un diagrama de influencia y pueden verse como nodos de azar o de
decisión con una sola rama. Simplifican la estructura del modelo aunque no es
necesario usarlos en la formulación.
Para resolver el problema hay que calcular i?i¿[l|0], donde 1 es el nodo raíz y O
el estado actual, conteniendo entonces la máxima utilidad esperada del problema.
Para obtenerla se van atravesando recursivamente los caminos desde la raíz hasta
cada terminal, evaluando cada valor de la rama, probabilidad de la rama y nodo
siguiente según se va alcanzando cada nodo. El valor de la rama se añade al
estado actual y por tanto s representa la posición en que nos encontramos en el
CAPÍTULO 7: MODELOS GRÁFICOS ALTERNATIVOS 247
RA-MA
árboles de decisión. En Kirkwood (1993) hay un ejem plo de un modelo cuyo árbol
de decisión tiene 25272 nodos terminales que se formula con sólo 15 nodos. Se
consigue esta compacidad con las funciones nodo siguiente y valor de rama. Con
las primeras describimos las asimetrías. Con las segundas, se aprovecha la separ
rabilidad de la función de utilidad, evitando el cálculo de cada valor de utilidad
en cada rama terminal.
Observamos, sin embargo, algunas desventajas. La primera es, de nuevo, el
problema de los dos árboles, pues hemos tenido que calcular las probabilidades
de la tabla a partir de las dadas en el enunciado del problem a. C om o ocurría en
los árboles de decisión, no se da un m étodo eficiente para calcularlas ni existe una
representación explícita de las relaciones probabilísticas. La segunda es también
compartida por los árboles de decisión y se refiere a que la función nodo siguiente
nos obliga a describir las restricciones de información com o un orden completo.
Como normalmente se dispone de mió parcial, al com pletarlo puede no escogerse
la forma más eficiente (computacionalmente) de hacerlo y desaprovechar la posi
bilidad de tener quizá coalescencia. En nuestro ejemplo sólo hay un orden posible
y no se detecta este inconveniente.
E v a lu a ció n
Eu[4\{C : c , R :r n ,P : -0.01}]
= 0.07 x (0.86 - 0.01) + 0.33 x (0.44 - 0.01) + 0.6 x (0.01 - 0.01) = 0.201
y
Eu[5\{C : -ic, R : rn,P : -0.01}] = 0.26 - 0.01 = 0.25.
Sustituimos en (7.4)
Para poder tener (7.1), sólo queda calcular Eu[3\{P : 0}] = max{Eu[4|{C' :
c,P : 0}],.Eii[5|{C' : -<c,P : 0}]} que se realizaría de forma similar, obteniendo
max{0.437,0.26} = 0.437, alcanzado en C : c.
Luego, Eu[ 1|0] = max{0.448,0.437} = 0.448, alcanzado en P : -0.01. □
_ / COSTE j = 1
i »| ¡ 0 § ¡ 2
_® HA MA
Los diagramas de influencia con varios nodos de valor están diseñados para
aprovechar la naturaleza separable (ver Capítulo 4) de la función de utilidad.
Prim eram ente reprosontaniws In estru ctu ra separable sobre ol g ra fo dol di«-
v'raiua \U' in flu e n cia I^ w om von& m ow el \\wíck> nodo tío valor on un coi\|unto d e
nodos vio valor vio do s tipos, I vvs ,'«Anodo,< »ír valor ropnvsonttm cad a míninut
I ,\vu\poueute do U\ función vio utilidad» I a agregación do <wtas com ponen tos da
[ v\\n\v' resultado uwovos nodws do valo r llam ados « g w i l «/<>,« «Ir cafar, Sprrf.il nodos
yunta si vesuHau al s u m a r las co m p o n en tes, o nodos p roducto si resultan «I ntul-
jhv|¡v\vvla'i Ibudrau co m o predecesores a su s respectivas com ponentes y llevaran
la etiqueta ^ si os n od o «urna» o 11 si os n odo producto.
\«
Figura 7.4: D fo g m n * vio intluencia del problem a vlol helicóptero con varios nodos de
>«K>r
252 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © RA-MA
Tabla 7.2: TUbla de los nodos do valor del problema del helicóptero
c E V
c e\ 0.86
0.44 P z
ea
C3 0.01 hacer -0.01
0.26 no hacer 0
-IC ei
es 0.26
e3 0.26
Evaluación
p R C V P R C V
hacer ra c 0.604 no hacer ra c 1.31®
->c 0.26 -1c 0.78®
m c 0.211 rn c 1.31®
— >c 0.26 ->c 0.78®
-»r c r 1.31® -»r c 0.437
-1c 0.78# -1c 0.26
Como podemos observar, la esperanza que hemos calculado viene dada por la
expresión Y1e v (C, E)P{E\P, R ), mientras que en el diagrama convencional era
E s u(P ,C ,E )P (E \P,R ). Ahora trabajamos en dominios más pequeños, con el
consiguiente ahorro de memoria.
El paso siguiente es eliminar C. Para ello hay que maximizar en C la función
de utilidad u, que es suma de z y v. Por tanto, bastará con maximizar en C la
función v, pues z no es función de C. Comprobadas las condiciones de eliminación
de un nodo de decisión, modificamos el diagrama según indica la Figura 7.7a).
Los cálculos aparecen en la Tabla 7.4.
Continuamos eliminando R, procediendo como con E, aplicando el operador
esperanza únicamente a v e n lugar de a u, Figura 7.7b). Para eliminar P , fusio
namos antes sus dos nodos de valor sucesores v y z, en el nodo u (Figura 7.7c))
y maximizamos después. La Tabla 7.4 muestra los resultados.
Obsérvese en la Figura 7.6 que antes de eliminar C podíamos haber fusionado
v y z en u, trabajando a partir de aquí con u solamente. La razón es clara:
ai ser los predecesores de z, predecesores también de v, la fusión de v y z no
hace aumentar el número de operaciones para resolver el problema. Debemos
Figura 7.7: Eliminación de nodos a) C, b) R, c) P
p R V
hacer ra 0.604 c
m 0.26 c p V u
-1
u i <rp
->r 1.31a: c hacer 0.458 0.448
0.448 hacer
no hacer ra 1.31x c no hacer 0.437 0.437
m 1.31* c
->r 0.437 c
por tanto fusionarlos disminuyendo el número de nodos (de valor) del diagrama.
Esta heurística es la llamada regla del subconjunto.
Por otra parte, el software DPL ya comentado en capítulos anteriores también
permite la inclusión de varios nodos de valor. Mostramos el código fuente en DPL
en la Figura 7.8 para que pueda compararse con el correspondiente código del
Capítulo 5 (Figura 5.10), donde no se había declarado la separabilidad de la
función de utilidad. □
decisión P. {hacer,no_hacer};
decisión C. {c,no_c};
chance E. {el ,e2,c3}={0.3,0.4,0.3};
valué v|C,E“
//C.c
0.86,0.44,0.01, //el,e2,e3
//C.no c
0.26,0.26,0.26; //el,e2,e3
valué z|P=
-0.01, //P.hacer
0; //P.no_hacer
valué u=v+z;
chance R.{ra,m}|E=
{0.9,0.1}, //E.el
{0.65,0.35}, //E.e2
. {0.15,0.85}' //E.e3
sequence:
decide
to P.hacer and get z then
gamble on R then a: decide
to C.c then
gamble on E and get v
to C.no_c and get v~
to P.no_hacer and get z then
perfoim a
Figura 7.8: Código en DPL para el problema del helicóptero, con utilidad separable
Evaluación
Por tanto, para P =no hacer, no se requiere ningún cálculo. Los árboles de dis
tribución de R y E después de la inversión del arco se muestran en la Figura 7.10.
P R E
Antes de eliminar E hay que añadir los arcos (C, E) y (R, v), sin necesidad de
realizar ningún cálculo y conservando en los árboles de distribución resultantes
las situaciones de coalescencia y recortes. Al eliminar E, se invierte el arco
(E, v) , calculando sólo la nueva distribución de v, lo que equivale a calcular la
esperanza, ver Figura 7.11. La operación se lleva a cabo, de nuevo, considerando
cada escenario condicionante por separado.
de LOS SISTEMAS PE AYUDA A LA DECISIÓN © R A -M A
P R C U
0.594
0.25
0.201
0.25
0.437
0.26
7 .3 R E S O L U C I Ó N A P R O X I M A D A M E D I A N T E
M É T O D O S D E S I M U L A C I Ó N
E je m p lo 7 .2 ( la n z a m ie n to d e p e r ió d ic o )
700000 periódicos y desviación típica 100000. La proporción (P) del mercado que
captaremos es también desconocida, entre 0 y 100%. Nuestros conocimientos en
el sector nos llevan a modelizarla aproximadamente cómo una variable aleatoria
discreta que toma los valores 15%, 20%, 25% y 30% con probabilidades respectivas
0.15, 0.25, 0.45, 0.15.
Los costes variables {C V ) siguen una distribución uniforme entre 0.2 y 0.4
euros por periódico. Los costes fijos (C F ) son también normales de media 25000
euros y desviación típica 400 euros. El cálculo del beneficio neto vendrá dado por
Para resolver el problema; tenemos primero que generar valores de las distintas
distribuciones, lo cual es sencillo al ser todas independientes y de generación
estándar. En la Tabla 7.6 se muestra un fragmento de los 500 valores generados
para cada una de las cuatro distribuciones.
TM P CV CF
809784.8 30 0.299 25215.33
736703.7 25 0.325 25130.55
683171.1 25 0.265 24843.18
696563.5 30 0.202 24913.20
546616.1 25 0.303 24981.80
Tabla 7.7: Estadísticas resumen (en euros) de la distribución del beneficio neto
Mínimo -21298.49
Cuartil inferior -2167.21
Media 7880.78
Mediana 6279.96
Cuartil superior 16010.93
Máximo 49319.81
Desv. típica 12333.95
beneficio neto
Figura 7.12: Histograma del boucVudo neto para el problema del periódico
7.4 DISCUSIÓN
En los tres últimos capítulos hemos presentado los modelos gráficos existentes
para el tratamiento de problemas de decisión. Hemos analizado tanto la capaci
dad para captar las características principales del problema en su representación
gráfica, como la disponibilidad de un algoritmo eficiente de solución.
No es sencillo establecer criterios sobre los que valorar la bondad de un mode
lo gráfico. Por ejemplo, sería deseable estudiar cómo crecen los costes computar
cionales en función de la dimensión del problema. Pero esto es difícil al depender
de la estructura del problema, ya que el tiempo de ejecución de cualquier paso del
algoritmo de solución está muy relacionado con el tamaño de las distribuciones
implicadas. Otro factor influyente es la propia implementación (software y hard
ware): como cada método utiliza un algoritmo diferente, cualquier comparación
va ligada a su implementación, pues hará variar la eficiencia computacional real.
Otro aspecto a considerar es la introducción de costes adicionales, que pueden
incluso superar a los beneficios reales. Por ejemplo, costes por definir las variables
y sus dominios para reflejar asimetría o por especificar los árboles de distribu
ción (en la versión asimétrica de los diagramas de influencia), o por preprocesar
probabilidades (en los árboles de decisión).
Las desventajas/ventajas desveladas en cada método gráfico pueden darnos
ideas de por dónde investigar. Podemos pensar, por ejemplo, en combinar varios
de estos métodos. Así, en Bielza y Shenoy (1999) se adapta la técnica de Smith,
Holtzman y Matheson (1993) al caso de varios nodos de valor. Para los árboles
de decisión, se propone evitar el preproceso usando conjuntos de información o
al menos hacerlos más eficientes utilizando redes bayesianas.
Hemos indicado el gran interés actual y el potencial de la simulación. Su lento
avance en Análisis de Decisiones puede deberse a que los problemas de decisión
considerados tradicionalmente requieren estructuras relativamente pequeñas, con
al (1997). Con éstas se selecciona un subconjunto de estrategias a estudiar,
udiendo conducirnos a decisiones subóptimas.
Otro aspecto a investigar sería en la búsqueda de grafos más generales para
representar de forma efectiva problemas de horizonte infinito.
Como ya se indicó en el capítulo anterior, los congresos anuales de Uncertaín-
ty in Artificial Intelligence tienen siempre información de última hora. Muchas
de las referencias utilizadas se han tomado de allí. En la dirección de la De
cisión Analysis Society americana http://www.informs.org/Society/DA, tam
bién hay información valiosa.
Para el futuro, podemos esperar un programa que integre varios modelos
gráficos y el decisor elija el más conveniente para su problema particular. Para
ello, puede analizar su estructura y preguntarse qué tipo de cuestiones espera
resolver. Más aún, sería deseable que esta elección la realizara un ordenador a
través de un sistema experto que actuara como un analista guiando al decisor
a través del ciclo del Análisis de Decisiones. Tal vez estos sistemas estarían
limitados a dominios específicos, como la localización de una central de energía o
decisiones de mercado. Esto se tratará en el Capítulo 10.
7.5 EJERCICIOS
7.2 Resolver el árbol de juego del ejercicio anterior con el método de poda.
Concluir qué método es mejor.
0.3 3
268 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © RA-MA
7.5 Resolver el Ejercicio 6.10 de la compra del coche de segunda mano utilizando
un diagrama de influencia asimétrico.
a n á l is is d e
SENSIBILIDAD
En una fase inicial podemos usar el análisis de sensibilidad para descartar malas
alternativas. Nos preguntamos si podemos encontrar una alternativa que pueda
terminar siendo mejor que otra. Si no se puede es que la primera está dominada
por la segunda y debería ignorarse.
Supongamos que el modelo analítico de decisión usado ordena las alternati
vas mediante una función de evaluación $ (-,• ), es decir, la alternativa Oí es al
menos tan preferida a la aj si y sólo si W (a¿,u>) > \Er(a,j,w), siendo w el vector
de parámetros. Por ejemplo, la función de evaluación $ (•, •) en los problemas
de decisión multiatributo en certidumbre puede ser la función de valor aditiva,
multiplicativa, y en los árboles de decisión y diagramas de influencia la utili
dad esperada. Inicialmente el decisor proporciona valores concretos wq para los
parámetros y restricciones sobre otros posibles valores de los mismos a los que
también considera aceptables. Llamemos W a este conjunto de restricciones.
Claramente el decisor estará interesado en investigar la repercusión del cambio
de wq por otros valores de W.
Puede ocurrir que algunas alternativas sean mejores que otras independiente
mente del elemento que tomemos de W. En estas circunstancias, diremos que Oj
domina (débilmente) a si
min z = Zi
sa : w e W
\Er(ai,w) — (ak,w) +Z i > 0, V k ^ i .
Zi se entiende como la cantidad necesaria que hay que sumar a 'I/ (ai,w) para
que sea mayor o igual que $ (ak,w) para cada k ^ i y sea cual sea el valor de
w E W. Si el valor mínimo de z¿ es no positivo, entonces '3/ (ai,w) es siempre mayor
o igual que '£ (a*¡,u;) para cada a*¡, y por tanto a¿ es potencialmente óptima. El
recíproco también es cierto.
Parece razonable considerar las alternativas no dominadas únicamente. Sin
embargo, si conociésemos con seguridad el valor de w, propondríamos aquella a3-
que maximizase (a¿,iu); como sólo sabemos que w E W , nuestra solución final
estará entre las potencialmente óptimas, Ríos Insua y French (1991) y Ríos Insua
(1990). El siguiente resultado aparece en Ríos Insua (1990): “para cada w E W
hay una alternativa no dominada que es potencialmente óptima” . Es decir, el
conjunto no dominado incluye maximizadores de la función de evaluación para
cada w E W. Sin embargo, de ahí no se deduce ninguna implicación entre ambos
conceptos de solución, es decir, ni una alternativa potencialmente óptima ha de
ser no dominada ni una no dominada ha de ser potencialmente óptima.
Un tercer concepto es el de optimalidad, potencial adyacente. Los parámetros
iniciales del decisor, wo, no son arbitrarios. Son con los que el decisor está,
en algún sentido, más de acuerdo. Durante el análisis, según se va adentrando
en el problema, puede cambiar su percepción de los parámetros y la pregunta
que surge es: ¿cuánto debe cambiar wq para que la alternativa óptima deje de
serlo? Llamemos ao a la alternativa que ocupa el primer lugar en la ordenación
al considerar los parámetros u>o, es decir,
min d ( w , wo)
sa : w £ Wk
Sin embargo, surge un nuevo problema sobre qué métrica deberíamos usar
para calcular d (w, wq) ■Técnicamente no existe una respuesta, pero lo más acon
sejable es la utilización de varias métricas, usualmente
2, Mnconti'íiv d en tro <Ut lo» anUii'ioiw Ja» quo nca/i p o to icia lflw n to ópiiniiin,
E j e m p l o 8.J
[m, M]
A [0.4,0.56]
B [0.565,0.625]
C 0.5
D [0.725,0.745]
E [0.45,0.57]
F [0.45,0.49]
G [0.675,0.735]
H [0.51,0.55]
I [0.64,0.8]
Alternativas
problema de optimización
= v (l)-v (A )
Wx € [0.25,0.45]
W\ 4- W2 = 1
min zq min zq
wi e [0.25,0.45] W! £ [0.25,0.45]
sa : 1«1 + 1Ü2 = 1 W\ + W2 — 1
sa
v(D) —v(I) + zd > 0 v(G) —t;(I) + z q > 0
v(D) —v(G) + zd > 0 v(G) —v(D) + Z q, > 0
Ejemplo 8.2
Una empresa dedicada a la realización de software comercial está planteán
dose sacar uno nuevo al mercado y quiere estimar el tiempo que se espera le
llevará realizarlo. Las variables a considerar y las relaciones entre ellas están
representadas en el siguiente diagrama de influencia
278 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
© J U -M A
en el que se han asignado cuantitativamente los siguientes valores para las pro
babilidades y tiempos:
32.00]
Tiempo t'ii imprimir ul i u h ü u u í
3/30,002 6 / 33.062
Los parámetros ti variar son por tanto los tiempos de la Tabla 8.4. Las barras
representan el rango para el tiempo total esperado de realización del software
cuiuido cada parámetro varía de un extremo al otro de su rango, permaneciendo
el resto en sus valores base. Por ejemplo, si consideramos 2 meses como tiempo
mínimo para imprimir el manual, entonces el tiempo esperado para terminar el
software es de 30.082 meses (se ha obtenido sustituyendo el 4, tiempo necesario
para imprimir el manual, por 2, y resolviendo el diagrama con ese nuevo valor). Si
so consideran 5 meses como tiempo máximo para imprimir el manual, la duración
do realización del software so espera que sea de 33.082 meses (so ha obtenido
sustituyendo 4 por 5). La línea vertical indica el tiempo esperado cuando todas
las variables están en sus valores base. O
Por tanto, los extremos do las barras que aparecen on el diagrama tornado se
obtienen sustituyendo ol valor buso de cada parámetro por los valores mínimos
880 1HJNDAMWNM'Otí 1)10 U)M HINTI0M AH 1)14 A Y U D A A I,A l)IOOIIII(')N @ HA MA
y máximos. Dütípuófcl 80 oi'douan liui barrita por longitud nlhiiuido inii/i arriba Iiui
m»is largas, El gráfico i'Ofiullituiliü i’ooilüi'da n/ií u mi tornado y do ahí ol nombro
dol diagrama, En ol t\J(ampio atiliudoi' ol (iloinpo on Imprimí),1 ol manual doboría
cousidtííivi'so iui\h cuidadütiiuiumliü, pitos ol lilornpo íiotol oyporado do roallzación
dol software oh aouslblo a éli Lo mismo ocurro con la Hoguuda varlablo, ol tiempo
on imprimir ol embalaje. Latí doiriiití pueden ptíffliaiiücür on huí-) valorow bono, Poro
las dos primeras tal v e / i deberían modoll/.ui'No cotilo variables aleatorios on von do
ser dotenninísticaa.
Utilizando diferentes colores on cuida barra puedo maréame adomrin si ha cam
biado la decisión óptima.
En la Figura 8.4 se observan en el eje de abscisas los diferentes valores del coste
de fabricación del producto B que desea considerar el empresario, y en el eje de
ordenadas el beneficio esperado on euros de cada alternativa. La gráfica muestra
que hasta que el coste de B no llega a ser de 130000 euros la solución óptima
continúa siendo la producción de B. Es decir, que para costes de fabricación del
producto B inferiores a 130000 euros la solución óptima es la fabricación del
producto B y para costes superiores a este valor, el óptimo es la fabricación del
producto A. □
v,
© R A -M A C A P IT U L O 8: ANÁLISIS D E SENSIBILIDAD 283
v,
E je m p lo 8.3 (continuación)
Supongamos que el empresario está interesado en estudiar el efecto de ver qué
ocurriría si el coste de fabricación de A variara entre 60000 y 70000 euros y el
284 FUN D AM EN TO S D E LOS SISTEMAS D E A YU D A A L A DECISIÓN © R A -M í
Producto A
El Producto B
1
100.000^ v ........r
Valor base 60.000 £3.000 65.000 68.000 70.000
gste análisis es análogo a los dos anteriores sólo que ahora se consideran los
cambios de tres parámetros.
Producto A
15 Producto B
ci
u
OQ
.Ventas B s 700000
100.000
Valor base'✓'So.ooo 63.000 65.000 68.000 70.000
Figura 8.7: Sensibilidad sobre tres parámetros. Precio de venta de B = 700000 euros
Figura 8.8: Sensibilidad sobre tres parámetros. Precio de venta de B = 750000 euros
□
Como puede observarse, al variar tres parámetros simultáneamente resulta
más difícil construir e interpretar los gráficos, más aún si en lugar de dos alterna
tivas se tuvieran más. Para cuatro o más parámetros es casi imposible. La falta
de una representación gráfica dificulta entonces la estimación de la verosimilitud
de atravesar el umbral. Por ello algunos autores han basado esta verosimilitud
en el cálculo de la distancia del punto base al umbral más próximo, ver por
ejemplo, Ríos Insua y French (1991), Buckley (1988), Schneller y Sphicas (1985).
Se tienen nuevas dificultades para la elección de una métrica adecuada debido a
que las unidades de medida de los parámetros pueden no ser comparables, o por
las diferentes pero equivalentes formas de definirlos. Además, la falta de guías
establecidas para diferenciar entre “sensibilidad” e “insensibilidad” puede dar lu
gar a una interpretación arbitraria de los resultados. En Felli y Hazen (1998) se
detallan estas cuestiones y se proponen indicadores mejores de la sensibilidad.
Ejemplo 8.4
Un decisor dispone de 10000 euros para invertir. Debe decidirse entre inver
tirlo a plazo fijo o en bolsa durante un periodo de tres años. La inversión a plazo
gjo le supondría unos intereses de 3000 euros. Sin embargo, el beneficio obtenido
en bolsa depende del comportamiento de ésta cada año (subida o bajada). Se
sabe que en el primer año la probabilidad de subida o bajada de la bolsa es la
misma. Sin embargo, la del segundo y tercer año es desconocida. Tan sólo se sabe
que el tercer año bajará sabiendo que el segundo ha subido con una probabilidad
un 20% inferior a la de bajada el tercer año sabiendo que el segundo también
bajó. Es decir, si la probabilidad de bajada de la bolsa el segundo y tercer año,
supuesto que el año anterior también bajó, es 3 y r, respectivamente, entonces
llamando s a la probabilidad de que baje en el tercer año supuesto que ha subido
en el segundo se verifica que s = 0.8r. Llamando V\,V2 y V3 a las variables que
representan el comportamiento de la bolsa el primer, segundo y tercer año, res
pectivamente, el problema queda representado en el siguiente árbol de decisión
donde los valores finales representan las ganancias (o pérdidas) en miles de euros.
8.7.1 C o n d o s alternativas
(continuación)
E je m p lo 8 .4
En primer lugar calculamos el beneficio esperado para la decisión “invertir en
bolsa” :
Simplificando
q(—0.7r - 9) - 2.8r + 8.
es decir,
2.8r - 5
q < —0.7r —9 ’
Resumiendo, podemos decir que el valor de este gráfico está en que propor
ciona una guía para determinar cuánto esfuerzo es necesario para modelizar la
incertidumbre en un problema de decisión. Desde otro punto de vista, el gráfico
puede revelar si la decisión es sensible a la incertidumbre en el problema y a la
modelización de esta incertidumbre. •
Ejemplo 8.5
Sea el mismo decisor del Ejemplo 8.4 que desea invertir sus 10000 euros. Sin
embargo, supongamos ahora que la inversión la quiere hacer a un solo año y tiene
tres opciones: a plazo fijo, en bolsa con bajo riesgo y en bolsa con alto riesgo.
Supongamos también que las probabilidades del comportamiento de la bolsa son
desconocidas. En el siguiente árbol de decisión representamos el problema.
200 F U N D A M E N T O S D E LO S S IS T E M A S D E A Y U D A A L A D E C IS IÓ N © R A -M A
5 11
q > s - J p-
En la Figura 8.10 la región A representa los valores de p y q para los que “invertir
a plazo fijo” es mejor que “invertir en bolsa con bajo riesgo” . Obsérvese que los
posibles valores que pueden tomar p y q son los que aparecen en el triángulo y
no en el cuadrado del Ejemplo 8.4 ya que p + q < 1.
6 15
? > 7 - y ¡>-
11 26
I E H
En la Figura 8.12, en la subregión ALH de la región ABH la alternativa mejor
ahora es “invertir en bolsa con alto riesgo” , mientras que en LBH lo mejor es
‘invertir a plazo fijo” .
292 F U N D A M EN T O S D E LOS SIST EM AS D E AYU D A A LA DECISIÓN
© R A -M A
Con el análisis completo el decisor puede pensar en qué valores pueden tomar
P Y Q y elegir aquella alternativa que tenga un mayor beneficio esperado. □
-1000
100
1600
-100
200
100
500
-1000
-100
500
100
200
500
1600
100
500
las decisiones haciendo uso de los diagramas tornado (estas variables pueden re
querir una modelización probabilística), así como aplicar análisis de sensibilidad
sobre las probabilidades. Un paso posterior en la estructuración de un modelo
probabilístico será calcular el valor esperado de la información perfecta para cada
suceso incierto. Este análisis indicaría dónde el analista o decisor tendría que cen
trar sus efuerzos en el proceso de modelización. Es decir, si el valor esperado de la
información perfecta es muy pequeño para un suceso, entonces tiene poco sentido
emplear mucho esfuerzo en reducir la incertidumbre recopilando información. Sin
embargo, si el valor esperado de la información perfecta es relativamente grande,
merece la pena realizar el esfuerzo para recoger la información relativa al suceso.
8.9 DISCUSIÓN
8.10 EJERCICIOS
8.3 Una persona desea comprarse un coche. Los objetivos que van a influir en
su decisión son los que aparecen en la siguiente jerarquía de objetivos:
298 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © R A -M A
Para los objetivos del nivel inferior se han obtenido las funciones de va
lor v\,V2,V3 ,Vi y V5, respectivamente, que representan las preferencias del
decisor. En la siguiente tabla aparecen las diferentes alternativas con los
valores que toman en cada una de las funciones de valor.
Coche Vi v2 V3 n V5
Seat 1 0 0.5 0.7 0.4
Peugeot 0.5 0.5 0.6 1 0.5
Mercedes 0 1 0.9 0.8 1
Audi 0.2 0.8 1 0.9 0.9
Fiat 0.7 0.5 0.8 0.6 0.5
La función de valor global del decisor es v(-) = w iV i(-)+w 2v2(-)+W 3V3 (-) +
W4V4(-) + w 5v5(-) con Wi = 0.4, w 2 — 0.2, w 3 = 0.1, W4 = 0.1 y ws = 0.2.
Se desea saber qué coche debería comprar y cuál es la ordenación según
sus preferencias de las distintas marcas. Sabiendo que la suma de los pesos
debe ser la unidad y que si se aumenta un peso el resto disminuye de forma
proporcional, calcular los valores que puede tomar w\ para que la alternativa
más preferida continúe siéndolo. Hacer lo mismo para w2, 103, w± y 105.
8.7 Considerar el ejercicio anterior .pero suponer además que el tiempo necesario
en llegar al trabajo no sólo depende del estado del tráfico de la carretera
por donde se circula sino también del estado de ánimo del conductor, que
puede encontrarse en tres niveles: alto, medio y bajo con probabilidades
0.7, 0.2 y 0.1, respectivamente. Si el estado de ánimo del conductor es alto,
el tiempo que tarda en llegar se reduce en un 20%; si es medio, el tiempo
ni se reduce ni aumenta, y si es bajo aumenta en un 30%. Obtener un
diagrama tornado variando en un intervalo de longitud 1 todos los posibles
tiempos para llegar al trabajo con el fin de ver el efecto sobre el tiempo
total esperado.
8.9 En el ejemplo del helicóptero (Capítulos 5, 6 y 7), calcular el valor del coste
de la prueba que se estaría dispuesto a pagar por hacer dicha prueba.
8.10 Construir y resolver el árbol de decisión del Ejemplo 8.5 con información
imperfecta.
8-ll Considerar el Ejercicio 5.8 (Capítulo 5). Suponer que ahora u(pi,ai) = 80
en vez de 100. ¿Cambia la alternativa óptima? Calcular el valor esperado
de la información perfecta del estado del tráfico T señalando el significado
de ese valor.
CAPÍTULO 9
DECISIONES DE GRUPO
A t r a v é s d o l o s a n t e r i o r e s c a p í t u l o s d e l lib r o h e m o s d is c u t id o lo s p ro b le m a s d e
d e c is ió n esen cialm en te d e s d e e l p u n t o d o v i s t a d e u n ú n ic o d e c is o r , Biendo s u o b je
t i v o f u n d a m e n t a l l a u t i l i z a c i ó n d o l A n á l i s i s d e D e c is io n e s p a r a m e jo r a r ol p r o c e s o
d e d e c i s i ó n . C o r n o l i e m o s v i s t o , l a s e n t r a d o s m á s im p o r t a n t e s p a r a la fo rm u la c ió n
y s o l u c i ó n d e l p r o b l e m a s o n , p o r u n a p a r t e , l a m o d e liz a c ió n c u a lit a t iv a y b ú s q u e
d a d e s o l u c i ó n a t r a v é s d e l a e s t r u c t u r a c i ó n d e l p r o b le m a m e d ia n te , p o r e je m p lo ,
un á r b o l d o d e c is ió n o un d i a g r a m a d e in f lu e n c ia , y p o r o tr a , la m o d e liz a c ió n
c u a n t i t a t i v a r e f e r i d a a l a a s i g n a c i ó n d e c r e e n c ia s m e d ia n t e p r o b a b ilid a d e s y d e
p r e f e r e n c i a s m e d i a n t e f u n c i o n e s d e v a l o r o u t i lid a d .
A u n q u e n o s h e m o s c e n t r a d o e n p r o c e s o s d e d e c is ió n in d iv id u a le s , e x is te n n u
m e r o s o s p r o b l e m a s i m p o r t a n t e s e n l o s q u e la s d e c is io n e s d e b e n s e r to m a d a s n o
s o la m e n te p o r un in d iv id u o s i n o p o r g r u p o s d e in d iv id u o s , q u e p o s e e n in fo r
m a c ió n r e l e v a n t e s o b r o e l p r o b l e m a e n c u e s t i ó n y q u e d e b e n te n e r s e e n c u e n ta
c o n ju n ta m e n te e n l a d e c is i ó n fin a l. P a r e c e c l a r o q u e , e n g e n e r a l, lo s in d iv id u o s
d e u n g r u p o t e n d r á n d i f e r e n t e s c r e e n c i a s , p r e f e r e n c ia s y p e r c e p c io n e s s o b re un
m is m o p r o b l e m a , d e m o d o q u e e l o b j e t i v o q u e n o s p la n t e a m o s e n e s te c a p ítu lo es
t r a s l a d a r a u n c o n t e x t o d e g r u p o l o s p r i n c i p i o s d e d e c i s i ó n q u e h e m o s d e s a rr o lla d o
a n iv e l in d iv id u a l. E s d e c i r , s i d i f i e r e n l a s o p in io n e s y v a lo r e s d e lo s in d iv id u o s ,
¿ c ó m o p o d r í a n r e s o l v e r s e o c o n j u g a r s e t a l e s d if e r e n c ia s ?
R e s u l t a o b v i o q u e u n g r u p o d e p e r s o n a s i m p l i c a d a s e n u n p r o c e s o d e d e c isió n
a p o r t a r á n s u s c o n o c i m i e n t o s , e x p e r i e n c i a y c r e a t i v i d a d d e m o d o q u e l a p o s ib ilid a d
ú n ic o i n d i v i d u o . R e a l m e n t e , l a s i n e r g i a d e l c o n j u n t o d e in d iv id u o s q u e fo r m a n e l
g r u p o p o d r í a c o n d u c i r a u n a m a y o r c a l i d a d d e l a d e c i s i ó n q u e l a s im p le s u m a d e
la s p a r t e s i n d i v i d u a l e s .
E n e s t e c a p í t u l o d e s c r i b i r e m o s d i f e r e n t e s f o r m a s d e c o m b in a r lo s j u ic io s in d i
v i d u a l e s p a r a a l c a n z a r u n j u i c i o d e g r u p o . E s e n c i a l m e n t e o l e n f o q u e b á s ic o d e e s te
P ro b le m a d e d e c i s i ó n d e g r u p o s e d e n o m in a d e agregación de comportamientos y
c o n d u c i r á a j u i c i o s d e g r u p o a p a r t i r d e l a c o m u n i c a c i ó n e n t r e s u s m ie m b r o s e n
302 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © R A -M A
Una forma obvia de que un grupo alcance decisiones se consigue mediante algún
tipo de votación. Sin embargo, esto puede conducir a resultados paradójicos
como mostraremos con una serie de ejemplos, comenzando con el procedimiento
de votación más sencillo y utilizado que es la regla de la mayoría simple.
Consideremos un problema en el que participan tres directivos de una empresa
que pretenden llegar a un acuerdo sobre cuál sería el lugar más adecuado para
situar una nueva filial. Hay disponibles tres posibles localizaciones a, b y c, y los
tres directivos establecen sus respectivas preferencias (donde y i corresponde a la
preferencia estricta del individuo ¿ = 1,2,3) dadas por
Individuo Preferencia
1 o >~i b c
2 b >-2 c >~2 a
3 cy^gy^b
¡ y tendríamos que a y g b >-g c pero también c y g o, que indica que las preferen
cias del grupo no son transitivas. Por tanto, la regla de la mayoría simple puede
conducir a preferencias de grupo no transitivas, resultado que se conoce como
paradoja de Condorcet.
En muchas situaciones prácticas es rara la comparación simultánea de todas
las alternativas, siendo por ello muy poco utilizada la citada regla de la mayoría.
En su lugar, se consideran comparaciones secuenciales, es decir, se comparan
pares de alternativas cada vez. Por ejemplo, el grupo podría comparar primero
a y b, eliminar la peor alternativa y comparar la alternativa preferida con c.
Es decir, el grupo elegiría c, ya que de los tres individuos dos preferirían a a
b, y a continuación de los tres individuos dos preferirían c ao . Sin embargo,
si el grupo comenzara considerando la elección entre b ye, entonces b sería la
más preferida y al compararla con a, sé obtendría la alternativa a como la más
preferida. Finalmente, si se comenzara con la comparación de o y c, entonces b
sería la más preferida.
Por tanto, la alternativa que fuera seleccionada con este procedimiento de
comparaciones pareadas simplemente quedaría determinada por el orden en que
las alternativas fueran consideradas y no por las preferencias de los miembros del
grupo. Este tipo de dificultades u objeciones llevaron a Arrow (1951) a plantearse
si existiría un método satisfactorio para determinar preferencias de grupo cuando
las preferencias de sus miembros se expresan mediante ordenaciones. Propuso
seis condiciones que consideró debía cumplir un procedimiento satisfactorio.
Veamos tales condiciones y, para ello, consideremos un grupo de n individuos
cada uno con su orden de preferencia £i, i = 1, ...,n, con orden de prefe
rencia para el grupo. Arrow se planteó el problema de cómo debería formarse
la ordenación de a partir de ordenaciones individuales Con tal
objetivo sugirió los siguientes axiomas que codifican los requisitos mínimos de
justicia, equidad y racionalidad, pero que desafortunadamente mostró que eran
mutuamente contradictorios. Los axiomas son:
Parece razonable suponer que la preferencia de grupo esté definida siempre que lo
estén las preferencias individuales, sin que exista la posibilidad de quo ol proceso
de votación termine sin un resultado definitivo.
alternativas permanecen invariantes para todos los miembros del grupo, entonces
la preferencia de grupo para las restantes alternativas debería ser idéntica a la
preferencia original de grupo para esas mismas alternativas.
Este axioma exige que la preferencia de grupo entre dos alternativas no debería
depender de la presencia o ausencia de cualesquiera otras alternativas. Obsérvese
que la hipótesis de independencia de alternativas irrelevantes no siempre se da
trivialmente, como se puede comprobar con la aplicación de la regla de conteo de
Borda, ver French (1986) y Ejercicio 9.7.
No daremos aquí una demostración del teorema, que se puede ver en Arrow
(1951) o French (1986), pero sí algún comentario relativo a él, ya que ha atraído
la atención de muchos investigadores. Obsérvese en primer lugar que el teorema
no afirma que para todo posible grupo y para toda decisión de ese grupo al menos
uno de los axiomas no debe cumplirse, sino que para cada grupo existe al menos
un conjunto de posibles preferencias individuales tal que la construcción de
no verifica al menos uno de los axiomas. Así, sugiere que es imposible obtener
un sistema verdaderamente democrático para resolver las diferencias de opinión,
de manera que cualquier método que se proponga tendrá algún inconveniente.
A la vista de este resultado muchos autores se han preguntado si sería posible
idear algún procedimiento que sea razonablemente aceptable. Uno de ellos, Ferrel
(1985), argumenta que el procedimiento denominado votación por aprobación en
que los individuos del grupo votan a favor de todas las alternativas que consideran
al menos aceptables y el grupo a continuación elige la opción que reciba el mayor
número de votos, es sencillo y robusto, Como se puede observar, el método es
tan excesivamente simple que ignora las preferencias individuales. Sin embargo,
como contrapartida, se tiene un procedimiento que evita ciertos resultados o
situaciones paradójicas que han mostrado otros procedimientos. En todo caso
parece interesante la consideración de métodos que tengan en cuenta las prefe
rencias individuales y eso es lo que estudiaremos en la siguiente sección.
io - - 1 0 ~ r París
9 --
8 --
7 --
6 --
5 -- 10 T Roma
4 --
3 --
' -2 .
1 --
o
Escala de valor Escala de valor Escala de valor
común deMaria de Juan
Los valores de ambos individuos medidos en una escala común serían los que
se muestran en la Tabla 9.2. Puede verse que ahora el mayor promedio, que es
5.75, correspondería a París, siendo por tanto la elección de grupo.
Teorema 9.2
«f ' #
Supongamos n > 3. Se verifican las condiciones 1) y 2) si y sólo si ' V
v 9 (x ) = (Vi (x ) ) = v* W » (9-2)
Í= 1 1=1
c) v* definida como (■)) es otra función de valor para Ii, definida en una
escala consistente para reflejar la comparación interpersonal de preferencias
del grupo.
las funciones de utilidad individuales uj,...,un. Así, el grupo define Ui, ■■■, Un
como un conjunto de atributos, de manera que ¡7¿ mide el grado con el que está
optimizando el bienestar del individuo El modelo “de incertidumbre pura”
toma la forma
M x ) = Y L XiUi
»=i
Establecemos el siguiente
Teorema 9.3.
Supongamos n > 2. Se verifican las condiciones 3) y 4) si y sólo si
n
u9 (x ) = Y l XiUi (x) (9.3)
Í=1
con Ui (i — 1, ...,n) función de utilidad, para él individuo i con escala entre 0 y
1 , y Xi > 0 constantes de escala.
La demostración puede verse en Keeney y Raiffa (1993). Para asignar los fac
tores de escala A¿, se requieren comparaciones interpersonales de las preferencias
individuales. El hecho de que las A¿ sean positivas asegura la asociación positiva
ordinal de las preferencias individuales y las del grupo (condición 2). Obsérvese
que la condición de equivalencia estratégica indica que como el grupo piensa que
el individuo expresa honradamente sus preferencias, entonces desea usar la
función de utilidad del individuo i como su propia función de utilidad paxa medir
el impacto sobre el individuo i.
La siguiente condición se utiliza en lugar de la 3) para la existencia de una
función de utilidad de grupo más general que la (9.3).
Teorema 9.4
Supongamos n > 2. Si se verifican las condiciones 4) y 5), entonces
n n
Ug (x) = XiUi (x) + ^ XijUi (x) Uj (x) -|------- 1- (9.4)
t=i t=i,j>i
+A l 2...n«l (pí)-” Un (x)
con Ug y Ui, i = l,...,n , con escala entre 0 y 1, y las X's constantes de escala
con 0 < < 1, Vi.
Ejemplo 9.1
Supongamos que una empresa va á lanzar al mercado un nuevo producto del
que se espera que alcance un cierto nivel de ventas, aunque podría no lograrse
por dos causas: la aparición de un producto similar por parte de la competencia
(suceso A) y la falta de interés por el producto por parte del segmento poblacional
al que va dirigido (suceso B). La empresa desea estimar la probabilidad de que
el producto alcance el nivel deseado y para ello encarga la estimación de las
probabilidades de los sucesos indicados a sus dos expertos y cuyos resultados
aparecen en la Tabla 9.3.
Con el o b jetivo de superar este tipo de problemas se han sugerido una señ<
de procedimientos altern ativos de agregación de probabilidades. Uno de tales en
al» r — i m I M m r i m f í na ayuda a u i j m m ó N ------------------ ^ m
pasada del cuestionario (a veces se les pasa el cuestionario más veces) a los
miembros del grupo.
Con este método se considera que con la reiteración de respuestas a los cues
tionarios conociendo cada miembro del grupo el resumen estadístico del anterior
los valores medianos de las respuestas del grupo se aproximarán a los verdaderos
valores de los resultados que se desean predecir. Los usuarios de este método
piensan que la mejora resulta de los cambios de opinión de los menos expertos e
inseguros en el tema en cuestión que serán arrastrados por los más expertos con
un conocimiento más preciso.
Se han propuesto muchas variantes del método Delphi incluyendo la con
sideración de ponderaciones individuales de los miembros del grupo de acuerdo
con su nivel de conocimientos para reflejar la contribución de su opinión en la
valoración final. De hecho, el nombre Delphi se ha convertido en un término
general que refleja un proceso de decisión de grupo respondiendo sus miembros a
cuestionarios y considerando la posterior realimentación. O’Connor (1973), Lin-
stone y Turoff (1975), Párente y Anderson-Parente (1987), Rowe, Wright y Bolger
(1991) y Rowe y Wright (1996) son algunas referencias en las que se pueden ver
variantes y mejoras del método.
Sin embargo, los tests experimentales sobre estos procedimientos como forma
de mejora de la precisión en los juicios han conducido a variados resultados que
indican que suele haber una ligera mejora sobre el promedio de las opiniones
individuales, pero raras veces tal resultado es mejor que el que propone el miembro
más experto del grupo. Se ha argumentado también, Ferrel (1990), que el motivo
de la pobre ejecución de estos métodos es que la información que se comparte entre
los individuos es bastante reducida al utilizarse únicamente resúmenes estadísticos
y no haber discusión entre sus miembros, debido a la condición de anonimato, lo
que no ayuda al individuo a construir un escenario alternativo con el que proponer
predicciones revisadas.
Así, como contraste a los métodos Delphi, ha surgido en época algo más re
ciente la llamada conferencia de decisión, que describimos a continuación. En
ella desaparece la condición de anonimato, constituyendo un enfoque de decisión
sodalmente interactivo y dirigido a generar un entendimiento del problema com
partido por todos los miembros del grupo para alcanzar un posterior compromiso
de decisión.
Existe una bibliografía notable sobre las conferencias de decisión y entre ellas
destacamos el artículo de McCartt y Rohrbough (1989), quienes llevaron a cabo
un estudio para la evaluación de esta clase de procesos a partir del seguimiento de
14 conferencias de decisión. Los autores indican que intentar conectar resultados
de decisiones buenos a tipos particulares de ayuda a la decisión de grupo es
bastante difícil, ya que virtualmente todas las aplicaciones reales de ayuda a la
decisión de grupo no proporcionan suficientes bases de comparación como para
satisfacer a los investigadores experimentales de laboratorio.
Los buenos juicios y toma de decisiones se han visto como una de las princi
pales características de los buenos directores o gerentes, de manera que cualquier
valoración de la eficacia de un proceso de decisión de grupo debe estar dirigida
al proceso mismo y no a los resultados posteriores. Las conferencias que se con
sideraron eficaces fueron aquellas en que los participantes percibían los beneficios
reales de la ayuda de las técnicas del Análisis de Decisiones y de la oportunidad de
una discusión abierta y amplia sobre los modelos que habían construido. Por otra
parte, las conferencias ineficaces se caracterizaron por estar formadas por equipos
de ejecutivos que se reunieron para discutir un problema pero que sentían escasa
presión por alcanzar un consenso o programar un plan de actuación.
En la actualidad son más de una veintena las empresas que ofrecen la posi
bilidad de organizar conferencias de decisión, la mayoría de ellas en EEUU. Una
de tales empresas es TetAnsanm cuya información se puede ver en h ttp://w w w .
teta nsan m .com /decision _con feren ces.html.
9.5 NEGOCIACIONES
10
o
Peso
Valor Valor X peso
normalizado
Dirección
Subida salarial 2% 100 0.588 58.8
Reducción 25 horas/mes 0- 0.294 0.0
5 días extra vacaciones 0 0.118 0.0
Valor del convenio 58.8
Comité
Subida salarial 2% 0 0.389 0.0
Reducción 25 horas/mes 100 0.556 55.6
5 días extra vacaciones 100 0.055 5.5
Valor del convenio 61.1
100
80
a
60
2
40
1
ex
J5
20
0
0 20 40 60 80 100
Valor para el Comité
vez como el asociado al punto F, que verifica las condiciones antedichas y quo
consistiría en una subida salarial de un 6%, una reducción de 20 horas de trabajo
por mes y un número de días extra de vacaciones igual a 2. Ya quo esto convenio
proporciona un valor igual a 71.76 para la Dirección o igual a 74.78 para el
Comité, supone una notable mejora respecto del convenio provisional P para
ambos negociadores. O
9.6 DISCUSIÓN
9 .7 E J E R C I C I O S
9.1 Sean tres alternativas de decisión a, b y c, sobre las que se ha producido una
votación por parte de un grupo de 50 individuos, cada uno con su preferencia
estricta X¿, i — 1 , 5 0 , habiéndose obtenido los siguientes resultados
fl i b j c, = 1, —,18
b >-i a c, = 19, ...,21
c >-i b >-i a, = 22, ...,25
c >-j a >-i b, = 26, ...,39
b>-iC>-i a, = 40, ...,50
Comprobar la paradoja de Condorcet para esta votación.
9.2 Tres individuos i — 1, 2,3, muestran sus preferencias por cuatro alterna
tivas a, b, c y d, mediante su preferencia estricta >-j, tal como se muestra
en la tabla siguiente
Individuo Preferencia
h a >-i b >-i c >-i d
h . C >-2 CL>-2 d >-2 b
1 b y 3 d >-3 c >-3 a
9.3 Un individuo desea comprar un nuevo ordenador y para ello considera que
debe tener en cuenta cuatro atributos: precio de compra, memoria, veloci
dad del microprocesador y expansibilidad. Suponiendo que el individuo ha
ordenado las posibles máquinas en relación con cada uno de los atributos
con la idea de combinar las cuatro ordenaciones en una única ordenación
global, ¿cómo podría ayudarle el Teorema de Arrow a pensar en la elección
final de un ordenador?
9.5 Un grupo de tres individuos debe decidir entre tres proyectos, de los que
conocemos su perfil renta-varianza tal como se muestra en la siguiente tabla.
¿En cuál de ellos debe invertir?
ui = 0.40 + 0.8r — 6v
U2 — 0.32 + 1 .2 r — 5v
«3 = 0.26 4- 2.0r — 3 Av.
(a) Suponiendo que se dan las condiciones para admitir como válida una
función de utilidad de grupo aditiva con constantes de escala Ai = 0.4,
A2 = 0.25 y A3 = 0.35, determinar el proyecto de inversión óptimo.
(b) Suponiendo que se dan las condiciones para admitir como válida una
función de utilidad de grupo multilineal con constantes de escala Ai =
0.9, ¡ ¡ = 0 .6 , A3 = 0.8 , A12 = 0.76, A13 = 0.5, A23 = 0.7 y A123 = 0.9,
determinar en este otro caso el proyecto de inversión óptimo.
CAPÍTU LO 9: DECISIONES D E G RU PO 323
---------- - — ——
g Dar una respuesta a las siguientes cuestiones:
SISTEMAS DE AYUDA A LA
DECISIÓN
1 0 .1 S I S T E M A S D E A Y U D A A L A D E C IS IÓ N
fácil de entender. Estos sistemas pueden ser sofisticados y útiles pero con pocas
ideas sobre el Análisis de Decisiones. El problema de los decisores no consiste
tanto en organizar la información relevante sino en entender lo que significa y qué
relevancia tiene para la decisión que se va a tomar. Estos sistemas ofrecen escasa
ayuda para esta tarea.
Por tanto, seremos más selectivos al definir los SAD. Un estudio de la literatu
ra sobre ellos entre 1988 y 1994 los define como sistemas informáticos interactivos
que ayudan a los decisores en lugar de reemplazarlos; utilizan datos y modelos;
resuelven problemas con varios grados de estructura; y se centran en la efectividad
de los procesos de'decisión más que en la eficiencia (Eom et al., 1998). Sauter
(1997) los define como sistemas informáticos que aúnan información de distin
tas fuentes, ayudan en la organización y análisis de la información y facilitan la
evaluación de hipótesis subyacentes al'uso de modelos específicos.
Todas estas definiciones no proporcionan ideas sobre la exploración de los
juicios. Adoptamos entonces la siguiente definición que se debe a French (1998):
“un SAD es un sistema informático que apoya el proceso de toma de decisiones,
ayudando a los decisores a formar y explorar las implicaciones de sus juicios y,
por tanto, a tomar decisiones basadas en el entendimiento” . Resaltamos así la
ayuda para formar juicios más que la ayuda general proporcionada, por ejemplo,
por un resumen de información en una base de datos.
más detallados y su estructura será más compleja, pero las metodologías usadas
serán similares. Tal vez en este dominio se utilicen más los árboles de decisión
y los diagramas de influencia. La diferencia es que se pone menos esfuerzo en la
formulación del problema (niveles 0, 1 y 2) y más en los modelos de evaluación
(nivel 3) simplemente porque los aspectos encontrados serán similares a los que
han ocurrido en el pasado o en otro sitio.
Para estos dos dominios, la conferencia de decisión y los congresos especiar
lizados proporcionan entornos adecuados para emplear ayuda a la decisión, ver
por ejemplo, el caso de la central de Chernobyl en French (1998).
El tercer dominio es el dominio operativo, para periodos que van de unos pocos
meses a un año. Los planes desarrollados en el dominio general se desgranan con
los detalles necesarios para ser implementados. Se asigna personal y recursos, se
programan actividades, se organiza la logística... tareas para las que se diseñaron
los métodos clásicos de Investigación Operativa (Ríos-Insua, 1996).
También fue en este dominio en el que los sistemas de información comenzaron
a impactar en la gestión. Los sistemas de información de gestión se desarrollaron
para dar la información que los gestores necesitan para su negocio. Proporcionan
ayuda de nivel 0. Se diferencian de los sistemas de información ejecutiva en
que éstos extraen datos de muchas más fuentes distribuidas por la organización
y los resúmenes son menos detallados. Los sistemas de información de gestión
trabajan con datos más cercanos al gestor, normalmente de unas pocas bases
de datos. Los gestores necesitan más detalle que los ejecutivos; necesitan saber
que hay un retraso en la línea de producción cinco, que de los 100 pacientes que
fueron operados de corazón 67 estuvieron esperando entre 2 y 4 meses para ello,
etc.
Los métodos de Investigación Operativa dan mucha ayuda de nivel 2 y 3.
Los métodos de programación matemática y los de optimización modernos (co
mo algoritmos genéticos y búsqueda tabú) nos ayudan a vislumbrar hacia dónde
nos conducen las diferentes alternativas y cuál es la mejor bajo determinadas
circunstancias. Otros modelos de Investigación Operativa como los de inven
tarios, mantenimiento y fiabilidad dan guías similares para otros contextos. A
veces, como en la simulación, la ayuda está limitada al nivel 2. Los métodos de
programación multiobjetivo interactivos descritos en el Capítulo 2 son adecua
dos a menudo para este dominio. Los sistemas expertos con su habilidad para
enfrentarse con situaciones repetitivas son también útiles.
Por último, encontramos los SAD para dominios del trabajo diario, donde las
decisiones cubren a lo sumo una semana (de supervisión, día a día...). Los SAD
de nivel 0 monitorizan esencialmente la actividad actual y el éxito por cumplir
objetivos. En los niveles más altos de ayuda, las herramientas son heurísticas o
sistemas expertos basados en reglas que se ponen a punto para contextos repeti
tivos y se les deja funcionar semiautomáticamente. A este nivel podemos pensar
que no se ayuda al decisor a formar y explorar las implicaciones de sus juicios
^ - M A __________________CAPÍTULO 10: SISTEMAS DE AYUDA A L A D E C IS IÓ N 329
que las del experto que lo entrenó (Howard, 1988). El esfuerzo empleado se ha
materializado en muy pocos sistemas expertos en uso. Mingers y Adían (1989)
analizan 1000 artículos sobre sistemas expertos en 20 revistas de los años 1984 a
1988 concluyendo que sólo 10 sistemas eran de uso regular. Wright y Ayton (1987)
señalan dos indicadores clave para saber si puede construirse un sistema experto
en un marco razonable de tiempo: que el dominio se haya formalizado (existan
manuales de referencia) y que sea susceptible de ser expresado verbalmente (que
el experto esté seguro de que podría comunicar su sabiduría a un principiante
por teléfono).
Por tanto, y como señala la definición dada por la Sociedad Británica, es
importante identificar los dominios más apropiados para la implementación de
un sistema experto. Goodwin y Wright (1998) indican la idoneidad de algunos
dominios como es el caso de la concesión de un seguro de vida, situación repetitiva
y rutinaria que cumple los indicadores clave señalados. Sin embargo, estos autores
critican su utilización en muchos dominios de la disciplina del marketing.
Vemos, pues, que a pesar del obvio atractivo de la teoría de la probabili
dad, muchos investigadores de Inteligencia Artificial prefirieron aproximaciones
simbólicas ad hoc y /o cálculos cuasi-probabilfeticos. Otros investigadores per
manecieron dentro del marco de la probabilidad, combinándola con la teoría de
grafos dando lugar a las redes bayesianas, que aparecen con muchos nombres co
mo, por ejemplo, sistemas expertos probabilísticos (Cowell et al., 1999). Pueden
verse también como diagramas de influencia probabilísticos (Shachter, 1988), es
decir, diagramas que tienen únicamente nodos de azar, y que se utilizan para re
solver problemas de inferencia probabilística. Son fundamentales los algoritmos
de Lauritzen y Spiegelhalter (1988) y el de Pearl (1988) de paso de mensajes.
El diagrama funciona como base de conocimiento y su algoritmo de evaluación
(más bien las leyes del Cálculo de Probabilidades) como motor de inferencia. Sí
pueden manejar incertidumbre, mediante probabilidades, más en la línea de la
ayuda a la decisión explicada en este libro, y constituyen uno de los temas más
investigados actualmente, como se indicó en los Capítulos 6 y 7.
En oposición a estos inconvenientes que presentan los sistemas expertos en la
práctica, hay mucha literatura de casos reales en los que el Análisis de Decisiones
ha sido un gran éxito (por ejemplo, French, 1998; Goodwin y Wright, 1998).
Los SAD tienen mucho que ganar de la tecnología de los sistemas expertos.
Recíprocamente, un sistema experto que ayudase a tomar decisiones en incer
tidumbre debería tener en cuenta los fundamentos de la Teoría de la Decisión,
conduciendo a lo que se denominan sistemas de decisión inteligentes. Un sistema
experto de Análisis de Decisiones gestionaría el proceso del Análisis de Decisiones.
Conocería lo que significa formular, evaluar y valorar un problema de decisión,
pero no sería experto en el contenido del área en el que se hace la decisión. Las
reglas de este sistema serían aquellas que sirven para construir modelos de de
cisión, para evaluarlos, y para explicar sus implicaciones. Lo que es evidente
332 FUNDAM ENTO S D E LOS SISTEM AS D E A Y U D A A L A D E C ISIÓ N © RA-M A
1 0 .2 S I S T E M A M O I R A
El desarrollo del módulo de evaluación de MOIRA sigue los pasos del ciclo del
Análisis de Decisiones, comenzando con la identificación del problema y referida
en este caso al ecosistema hídrico que se trata de restaurar. A continuación se
considera la determinación de las estrategias factibles y objetivos. La generación
de las estrategias se lleva a cabo por los expertos mediante consideraciones sobre
el ecosistema en estudio, para posteriormente identificar los objetive® relevantes
que es una tarea creativa que incluye introspección. La Figura 10.2 muestra la
jerarquía de objetivos implementada por defecto en el sistema y cuyos objetivos el
decisor desactiva o activa según las características particulares y disponibilidad de
datos del ecosistema en cuestión. Cada objetivo lleva asociada su definición y los
de nivel más bajo también llevan asociados los respectivos atributos, que sirven
para medir el logro de cada estrategia respecto de los objetivos considerados.
impacto l
<edioambienul! Posibles Daños a Indice de Salud
I dfi la Fauna___ I
[Dosis a Individuos
[Dosis humana
Impacto sobre Dosis Colectiva
la salud
' Efectos Relacionados"
I con el Estrés_______
1Coste Económico 1
[Prohibiciones
Coste por loutiliza-
Efectos ción como Recreo
Directos
Óontramedidas Coste de
| Impacto I Aplicación
económico!
Efectos
Intangibles
P a r a l a d e s c r i p c i ó n d e l a s c o n s e c u e n c i a s d e lo s p o s ib l e s c u r s o s d e a c c i ó n e s
n e c e s a r io e s p e c i f i c a r l o s o b j e t i v o s y a t r i b u t o s r e l e v a n t e s p a r a e l e c o s i s t e m a e n
c o n s id e r a c ió n . E n l a T a b l a 10.2 s e m u e s t r a n a l g u n o s d e lo s a t r i b u t o s u t i l i z a d a s
p a r a e l e c o s i s t e m a a n t e r i o r , i n c l u y e n d o l a s u n id a d e s d e m o d i d a a s í c o m o e l m e jo r
y p eo r v a lo r q u e p u e d e n to m a r . L a T a b la 10.3 m u e s tr a la s c o n s e c u e n c ia s d e
c a d a u n a d e l a s p o s i b l e s e s t r a t e g i a s e n t é r m i n o s d e lo s a t r i b u t o s c o n s i d e r a d o s . S e
c u a n t if i c a n m e d i a n t e i n t e r v a l o s c u y o s v a l o r e s s e o b t i e n e n a p a r t i r d e l o s d i f e r e n t e s
336 FUNDAMENTOS DE LOS SISTEMAS 1)E AYUDA A LA DHOIMIÓN_____________ © R A - M A
Medida Nivel
Atributo (unidades) Peor Mejor
X i : índice del ecosistema del lago LEI 21.2 " W
X<¿ : dosis de radiación a individuos críticos milliSv 2.47 0.70
X 3 : dosis de radiación colectiva mSvxporsona 72.3 20.30
X 4 : duración de la prohibición de pesca meses 36 0
X 5 : coste de las contramedidas químicas eurosxlO2 702 0
X q : coste de imagen escala subjetiva 1 0
Atributos
Estrategia x2 *3 Xi *5 x6
Si [21.2,21.2] 12.20,2.47] [64.0,72.3] [0,6] [0,0] [0 .0 , 0 .0)
S2 [16.0,21.2] [1.80,2.30] [56.0,65.0] [0,10] [0,25] [0.0,0.0]
s3 [10.5,10.5] [0.80,1.30] [21.0,27.0] [30,36] [10,50] [0.0,0.0]
Si [6.5,9.5] [2.20,2.40] [61.0,70.0] [0,6] [130,190] [0.7,0.7]
Ss [6.5,9.8] [0.80,1.30] [21.0,29.0] [30,36] [110,160] [0.7,0.7]
. S6 [7.8,12.7] [1.90,2.30] [56.0,61.0] [0,5] [610,702] [0.6,0.6]
s7 [7.8,12.6] [0.76,1.30] [20.3,29.0] [32,36] [665,702] [0.6,0.6]
Ss [0.0,3.6] [2.06,2.47] [65.0,72.3] [0,3] [112,168] [1.0,1.0]
s9 [0.0,4.8] [0.78,1.40] [20.3,29.0] [34,361 [110,1551 [1.0,1.0]
Como resultado del proceso anterior se tendrán disponibles varias estrategias para
su posible implementación. El siguiente paso incluye la evaluación de cada una
de estas estrategias mediante un modelo de utilidad (valor) multiatributo aditivo,
es decir
v (Si) = wivi (a^| + w2V2 (¡4 ) H-------b wnvn (x ln^j
Para tener la función de utilidad global son necesarios pesos o factores de escala
para los atributos asociados a los objetivos del nivel más bajo de la jerarquía.
Ad emás, para poder realizar análisis de sensibilidad global, será útil asignar pesos
al resto de objetivos de la jerarquía.
El sistema MOIRA admite la posibilidad de una asignación directa o la asig
nación basada en el método de intercambio, ver Capítulo 4. Recordando este
último procedimiento, si w\ es el peso del objetivo i en el nivel j de la jerarquía,
la asignación del peso se hará a partir de intercambios entre los atributos corres
pondientes al objetivo del nivel inmediatamente superior al objetivo para el que
estamos calculando el peso. Se comenzará con los objetivos de nivel más bajo y
so continuará en orden ascendente en la jerarquía. Para ello, si a:™ representa el
valor medio del recorrido de Xi, consideramos comparaciones de la forma
/^—superior e I —inferior)
que
Aj7 = w¡/Vi(x?') A?5 = wjs Vi(x™)
■de aquí
\il 15
y w}s =
ví(x ? )
m_
kl1 WY +wiS
¿ ( ™ y + v ]s)
para cada intervalo, que se utilizarán como pesos en la función de utilidad global
v, así como los intervalos normalizados, denotados \k\ , k} ‘®].
10.2.5 Evaluación
Dada una estrategia S¡ con consecuencias (x[,..., xln) , la función de utilidad global
permitirá el cálculo de la utilidad v (Si), donde el peso de cada atributo se ob
tendrá multiplicando los pesos de los objetivos del camino desde la raíz del árbol
hasta el respectivo atributo. Se tiene así una ordenación de las estrategias que
en el caso del citado lago, se muestra en la Tabla 10.6.
•Estrategia Sg Ss St Sa S3
Util, global 0.5973 0.5904 0.5788 0.5754 0.5041
Estrategia S6 Si s7 s2
Util, global 0.4960 0.4633 0.4305 0.4119
En la Tabla 10.7 se muestran los intervalos de utilidad así como sus recorridos
para algunas estrategias.
Este sistema surgió cómo fruto de una colaboración entre el Hospital General
Universitario Gregorio Marañón de Madrid y el Grupo de Análisis de Decisiones
de la Facultad de Informática de la Universidad Politécnica de Madrid. Comen
zó a desarrollarse hacia finales de 1995 y aún hoy, en el año 2001, está siendo
validado.
10.3-3 Estructuración
J . , ■ --------K W n a d e la iQ ^
Figura 10.3; Diagrama de rnfluen
FOTTOAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © RA-MA
Ictericia
Raza madre Bilirrubina normal amarillo hasta los pies calabaza
negra alta 0.10 0.05 0.05 0.80
normal 0.5 0.1 0.1 0.3
caucásica alta 0.03 0.00 0.00 0.97
normal 0.75 0.23 0.01 0.01
asiática alta 0.10 0.04 0.01 0.85
normal 0.65 0.15 0.10 0.10
gitana alta 0.10 0.04 0.01 0.85
normal 0.65 0.15 0.10 0.10
|bienestar global
del niño
Ahora podernos retomar la Figura 10.3 y observar cómo todos los Xi’s están
representados en el diagrama de influencia como factores que valoran el proceso
(predecesores del nodo de valor), mostrando que no sólo son importantes las
acciones terapéuticas sino también su adecuación a la situación del paciente.
El siguiente paso consiste en deducir la forma funcional de la función de uti
lidad multiatributo. Como la asignación directa no es posible (los seis atributos
dan lugar a muchas y complejas combinaciones), verificamos con los médicos que
se cumplen ciertas hipótesis de independencia (preferencial, en utilidad, aditi
va condicional... ver Capítulo 4) sobre las actitudes preferenciales, obteniendo
finalmente una función multiplicativa en (Y\ = X i, Y¿ — (X 2,X s) , I 3 = X¿,
Ya = (X 5,X e)), es decir,
4 4
u(yi,V2,y3,y4) - Y,ki<yi) + kYJkikMyi)uM)
t= l i=
t= l
j>i
4
+ k2 y w kikjkiui(yi)uj(yj)ui(yi) + k? J|fc¿Ui(y¿)
i>j t=i
donde k, k{, i = 1,2,3,4 son las constantes de escala. Además, obtuvimos des
composiciones aditivas para X 2 y X 3 y para X$ y Xq.
Una vez determinada la estructura de la función de utilidad, se calcularon
las funciones de utilidad individuales y las constantes de escala, con la ayuda
del software LogicaL Decisions, ver Capítulo 4, pero permitiendo asignaciones
imprecisas como una forma de análisis de sensibilidad al igual que v im o s con
MOIRA. Por ejemplo, la función de utilidad para el primer atributo resultó ser
u\ (j/i) = 1.604 —0.604 exp(0.00077yi) para y\ en el intervalo [0,1260] en miles de
pesetas. Las funciones restantes también son exponenciales de la forma a + 6e_cy.
El programa las determina ajustando por mínimos cuadrados una cantidad de
puntos asignados. Estas funciones son matemáticamente bastante suaves como
para satisfacer las preferencias del decisor en la mayoría de los casos.
Como en MOIRA, para las constantes de escala fc¿, el elemento clave para
establecer la importancia relativa es el intercambio. Si tomamos de nuevo el
atributo Yi, e y f 1 representa el valor medio de su recorrido, consideramos com
paraciones de la forma
con y*, yi* los valores más y menos preferidos, respectivamente, para el atributo
i. El médico proporciona pi tal que le es indiferente la lotería y la consecuencia
segura indicadas. Entonces, por las propiedades de la función de utilidad, te
nemos que pi = k\Ui(y™) y por tanto, k\ — Pi/ui(yT)- Análogamente con las
CAPÍTULO 10: SISTEMAS DE AYUDA A LA DECISIÓN 349
(¡J r A-MA
demás fc¿. Asignamos de forma similar las constantes de escala de las funciones
aditivas, teniendo en cuenta ahora que deben sumar 1.
Como Yli=i ^ = 0-43 < 1, se sigue que k e (0,oo) y determinamos k como
la solución de la ecuación 1 + k = f l <=1 (1 + kki). Como k = 6,329 > 0 y
y * ki < 1 , tenemos una interacción destructiva entre los atributos: utilidad
bajá en un atributo puede producir una utilidad global baja. En Gómez et al.
(2000) se da toda la información con los pasos seguidos y se explica cómo tratar
las asignaciones imprecisas.
La asignación de utilidades se llevó a cabo en varias sesiones con la partici
pación conjunta de tres médicos, siguiendo el estilo de sesiones de una conferencia
de decisión, al existir una interacción entre ellos y ser dirigidos por un analista
de decisiones.
10.3-6 Arquitectura
Evaluad
Incorporación de evidencia
Evaluación cualitativa
propuesta del
+ algoritmo genético
sistema
Evaluación cuantitativa
Las desavenencias entre las recomendaciones del sistema y las acciones lle
vadas a cabo por el médico pueden comprenderse mejor si el sistema genera
explicaciones de los resultados, buscando las variables relevantes. Esto permite
además validar el sistema y se realiza a partir de ideas sobre matrices dispersas ge
neralizadas y técnicas de búsqueda de conocimiento en bases de datos (Fernández
del Pozo, Bielza y Gómez, 2001). Por ejemplo, en una versión reducida del pro
blema con sólo dos etapas de tratamiento que se ha resuelto de forma completa,
ha conseguido resumir una tabla de 45 reglas de decisión en otra de 4 reglas, ver
Tabla 10.10.
La interfaz de usuario, programada en Access, permite la entrada de los datos
del paciente y el acceso a los módulos de explicación y consulta. Tiene ayuda de
352 F U N D A M E N T O S D E LO S SISTEM AS D E A Y U D A A L A DECISIÓN © RA-MA
Tabla 10.10: T&bla de decisiones óptimas para el caso reducido de dos etapas
hipertexto escrita en html para todos los menús y una base de datos con todos
los casos estudiados. La Figura 10.6 muestra el menú principal.
■’NúmBro-de'H¡storia?
íc t N e o
¡l . E je C u ta r COriSÜlta
U f e E x p l i c a c i ó n '/^ - Salif de la aplicación3
1 0 .4 D I S C U S I Ó N
Nos podemos preguntar por qué debemos usar los SAD si se han estado tomando
decisiones durante miles de años sin ellos. En el mercado de hoy en día, podemos
distinguir cuatro aspectos principales que contribuyen a la importancia de los
SAD. El primero es la aparición de los ordenadores personales, que ha hecho
que la tecnología sea más fácil de usar .y portátil, ya que se pueden procesar
datos en cualquier sitio y momento. El segundo es el desarrollo de paquetes
realmente sencillos incluso para usuarios principiantes. Precisamente este cambio
en la forma en que está escrito el software ha propiciado menos temor al uso de
los ordenadores, que es el tercer factor. Estos tres factores contribuyen a la
aceptación de la tecnología en general, pero el cuarto factor motiva el uso de
tecnología de SAD: el coste de no usarla es muy alto, pues la forma en que se
dirige un negocio se ha hecho mucho más compleja (competencia con todo el
mundo, manejo de grandes cantidades de información, acceso instantáneo a sus
diversas fuentes, menos tiempo y más presión para todo, etc.).
En la era de la información y las comunicaciones, es importante preguntarse
qué información necesitamos, cuándo y de qué forma la necesitamos. Acumular
más y más información no es beneficioso a no ser que ésta sea relevante. El premio
nobel de Economía Herbert Simón señala cómo a medida que crece la cantidad
de información, crece también la necesidad de procesos de filtrado que ayuden al
decisor a descubrir qué es lo más importante y significativo (Scientific American,
septiembre 1995, página 201). Los SAD nos ayudan a ello. Evidentemente, no
pueden ni deben sustituir a las personas. Recuérdese que el propósito principal
del Análisis de Decisiones es conseguir profundizar en el problema y entenderlo,
consiguiendo nuevas intuiciones y perspectivas de más alto nivel. Las buenas
decisiones son las realizadas una vez que estamos informados y que tenemos
información apropiada y relevante en la que basar nuestras elecciones.
La Tabla 10.11 da una lista de las técnicas cubiertas en el libro señalando la
actividad para la que están diseñadas. La revisión de Eom et oí. (1998) deja
clara la gran variedad de aplicaciones de los SAD a todos los niveles. Puede
también estudiarse la distinción entre los SAD para tareas específicas, SAD más
genéricos y generadores de SAD. En este libro nos ha interesado centrarnos en
el proceso de ayuda y en el análisis de las decisiones, pues lo más importante es
entender el propósito de un sistema más que presentar un SAD, que puede llegar
a convertirse en un catálogo de aspectos de software. Además, ver Rrench (1998),
uno se arriesga a ser conducido por la tecnología más que por una necesidad.
354 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN
© RA M A
1998), y la gestión de embalses a través del sistema BayRes (Ríos Insua et al.,
1997). AREC decide cuándo asistir al neonato con una máquina que hace las
funciones de corazón y pulmón, y cuándo retirarle la asistencia. Aprovecha la
definición de la gramática y el compilador de IctNeo porque se han realizado
pensando en el desarrollo de una plataforma general de tratamiento de diagramas
de influencia. Esto promueve el intercambio de ficheros entre diferentes grupos
de trabajo. BayRes consta de tres módulos: el primero es para predecir las
entradas al embalse, utilizando modelos dinámicos lineales (West y Harrison,
1997); el segundo cuantifica las preferencias del gestor mediante una función
de utilidad multiatributo; el tercero resuelve el problema buscando las decisiones
(por ejemplo, cantidad de agua a soltar por aliviaderos y por turbinas) de máxima
utilidad esperada. La búsqueda exacta de éstas no resulta factible para problemas
con un horizonte amplio de planificación, por lo que se adopta una estrategia
que busca decisiones buenas, en el sentido de no separarse demasiado de una
trayectoria de referencia marcada por el gestor y guiada por el sistema. En cierto
modo, puede considerarse un sistema de decisión inteligente.
10.5 EJERCICIOS
10.1 Indicar cuáles son los beneficios que proporcionan los Sistemas de Ayuda
a la Decisión. Opinar sobre los factores que pueden ser causantes de la
falta de implantación de los SAD en las empresas de hoy en día. ¿Qué
condiciones sugieren la necesidad de un SAD?
10.3 Discutir por qué los sistemas expertos y los SAD deben considerarse de
forma separada y por qué no.
10.4 Indicar qué papel desempeñarían la minería de datos y los agentes in
teligentes en las necesidades de los SAD y qué nivel de ayuda propor
cionarían.
SOLUCIONES DE
EJERCICIOS
SELECCIONADOS
Capítulo 1
1.1 (a) Una tabla de variables para el problema con el que se enfrenta el jefe
de personal de una empresa relativo a la confección de informes sobre candidatos
a un puesto de trabajo podría ser
(b) La tabla siguiente muestra para cada objetivo de nivel más bajo un atri
buto junto con una medida y escala asociada.
O b je tiv o A tr ib u to M e d id a E s c a la
Maximimr la estabilidad peso/potencia (kg/CV) Recuento 1 0 -3 0
Max. sistemas de seguridad no. de sistemas Recuento 0 - 8
Maximizar la potencia potencia en CV Recuento 75 - 300
Max. el número de accesorios no. de accesorios Recuento 1 0 -2 7
Max. el gusto por decoración iut. decoración int. Subjetivo 0 - 1 0
Max. el gusto por la línea exterior línea exterior Subjetivo 0 - 1 0
Maximizar el gusto por el color color Subjetivo 0 - 1 0
Maximizar la cantidad financiada euros Recuento 104 - 3 x 104
Max. el tiempo de financiación meses Recuento 1 2 -4 8
Minimizar el consumo litros/100 km Recuento 5 - 1 8
Minimizar el precio euros Recuento 104 - 5 x 104
Á Incrementar Y
/ 1---------------- 1 carretera
|Invertir Y' ''I Alquiler |
Sólo
Reducir ciudad
Capítulo 2
2.3 (a) Si R no es irreflexiva entonces 3a tal que aRa. Por tanto, por
asimetría, aRa => afta. Contradicción con la hipótesis de que aRa.
(b) Si R no es asimétrica entonces 3a, b tal que aRb y bRa. Por tanto, por
transitividad, aRa. Contradicción con ser irreflexiva.
(c) Si R no es transitiva entonces 3a, 6, c tal que aRb, bRc y aftc. Portanto, por
asimetría, aRb => bJfta, bRc => ctfLb. Por ser negativamente transitiva al¡tc,c$b =s-
aftb. Contradicción con la hipótesis inicial.
(d) Si R no es negativamente transitiva entonces 3a, 6, c tal que a$ó, bfíc
y aRc. Por ser comparable, bRa y cfíb. Por transitividad, aRc, cRb =*• aRb.
Contradicción con la hipótesis inicial.
2.5
a b c d
a b c d a b e
a X \
a X X x \ a
/* ( X X
( X X b
b X X b
X c
c X c X /
x / d l x
d X X X / d l x
360 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN © RA-MA
2.6 (a) >- es asimétrica, ya que si a y b (<=> v(a) — v(b) > 6) y b >■ a
(■& v(b) — v(a) > 6). Contradicción, ya que ambas desigualdades no pueden
verificarse simultáneamente. >- es transitiva, ya que si a y ¿> (•£> v(a) —v(b) > 6)
y b y c (<=> v(b) —v(c) > 6) entonces sumando ambas desigualdades v (a )—v(c) >
26 > 6 a y c.
(b) ~ es reflexiva, ya que Va, —6 < v(a) — v(a) = 0 < ¿ = > a ~ a . ~ e s
simétrica, ya que Va, 6 a ~ b 4$ —6 < v(a) — v(b) < 6, multiplicando por - 1,
6 > v(b) —v(a) > ¿ 6 ~ a.
(c) Dado a, b puede ocurrir: i) v(a) —v(b) > 6 => a y b; ii) —6 < v(a) —v(b) <
6 =4- a ~ b; iii) v(a) —v(b) < —S => v(b) —v(a) > 6 =>b y a.
Capítulo 3
I (B) = 0.05.
(c) Clásico. Sea C el suceso “la suma de los valores de las caras superiores es
10”, entonces
„ No. de casos favorables 3
P = kde casos
No. a -------------
posiblesm - 36
0.083.
3.3 Sean los sucesos Ca e Ia, funcionamiento correcto e incorrecto del alimen-
tador, respectivamente, y Cc e Ic lo análogo para el cabezal. Entonces,
(a) P(Ie) = J$ -0 .47 5 .
(b) P (Ca) = ~ 0.407.
(c) P (Ic U Ia) = P (Ic) + P (Ia) - P (Ic n Ia) = ™ + § - 11| ~ 0.697.
con P (Is ) = 0.7, P (IN) = 0.3, P (4? |Is ) = 0.9, P (A5 |IN) = 0.2. Deseamos
calcular la probabilidad P (.Ag) y mediante el Teorema de la Probabilidad Total
P ( A S) = P | /* ) P ( ||+ P (4 ? | I N ) P ( I N )
= 0 .9x 0.7 + 0.2x0.3 = 0.69.
Sea el suceso:
I s = un individuo está dispuesto a comprar el producto según la encuesta de
Internet.
Las verosimilitudes son P ( I s |E s ) — 0.55 y P (Is |E n ) = 0.10.
Aplicando el Teorema de Bayes obtenemos la probabilidad revisada
P ( I s \ 1s 5)P (E s)
P{Es \Is) =
P ( I s 1i£s) P (£*) + P(/S [£ w )P (Eff)
0.55 x 0.65
= 0.91.
0.55 x 0.65 + 0.10 x 0.35
3.9 Construimos un árbol de súcesos
Capítulo 4
4.1 (x, a) y (x\ a) para algúna <¿>< 1, (x, a) >£< 1, (a:', a) >4*< 1, (x,j3) >
y < 1, (a/,/?) > para cada j3 y por independencia en utilidad (x,/3) £ (x\0)
para cada /?.
con k la solución de
4.11 (a) Ver FVench (1986), página 184. (b) Ver FYench (1986), página 185.
Capítulo 5
5.3 La estrategia óptima es realizar el test; no perforar si el test revela que no
hay estructura, y perforar si se obtiene estructura abierta o cerrada. El beneficio
máximo asociado a esta estrategia es 22500 euros.
bueno 0.897
5.8 Si elegimos, por ejemplo, el orden Q,M ,P,T,A, los dos árboles se calcu
larían de la forma siguiente:
Z a <t P(A,T,M,Q)
A,T,M P(Q)
£ a P (A ,T ,M ,Q )
P(T\M,Q) =
P (M ,Q )
Capítulo 6
6.1 Si j y fc son sucesores de azar de i y j es un predecesor de fc (posiblemente
indirecto), entonces el arco (i,j) se debe invertir antes que el arco (i, fc). Si no,
habrá un camino dirigido entre i y fc a través de j creando un ciclo. Ello violaría
las condiciones de inversión de arcos.
P(B\A,C) = P(C\B)P(B\A)/(¿rP(C\B)P(B\A)).
B
Capítulo 7
7.3 El árbol de decisión equivalente es el siguiente
7.4 Los conjuntos de información son: (a) D i,...,D e unitarios; (b) sólo
hay un conjunto de información formado por D i,..., De; (c) hay dos conjun
tos: {£>1,£>2,-03 } y {D i,D s,D e}\ (d) hay tres conjuntos: {Z?i,£>4}, {Z^.-Ds} y
© RA-MA APÉNDICE A: SOLUCIONES DE EJERCICIOS SELECCIONADOS 3CU
{£>3, De). Los árboles de decisión asociados se dibujan con el siguiente orden de
variables: (a) X,Y,D\ (b) D,X,Y\ (c) X,D,Y-, (d) Y,D,X.
7.7 Tenemos actualmente que la distribución del estado (éxito o fracaso) del
proyecto t es una Bernoulli de parámetro Pi- Tendríamos entonces que asignar
sobre pi, una distribución uniforme sobre el intervalo de centro p¡ y radio 0.08.
El nodo pi tendría un arco hacia el nodo estado estableciendo la dependencia.
Capítulo 8
8.1 (a) El beneficio esperado variará en el intervalo [1697400,1698300].
(b) Ninguno.
(c) El beneficio esperado variará en el intervalo [1698000,1748000].
8.2 Las utilidades esperadas de fabricar 100, 200 y 300 ordenadores son
899000? + 889000p, 1599800? + 1581800p y 1700000? + 1680000p, respectiva
mente. Por tanto, para todo valor de p y q se verifica que la alternativa más
preferida es fabricar 300 ordenadores, seguida por fabricar 200 y finalmente fa
bricar 100. Es decir, para cualquier valor de p y q del triángulo de la figura,
“fabricar 300” >-“fabricar 200” >-“fabricar 100”.
on la tabla
Fiat Audi Seat Mercedes Peugeot
Fiat - -0.105 -0.085 -0.07 -0.02
Audi - - -0.27 0.005 -0.065
Seat - -0.17 - - -0.065
Peugeot - -0.12 -0.16 -
De forma análoga, resolviendo los correspondientes problemas de optimización, se
calcularían las soluciones potencialmente óptimas y las potencialmente óptimas
adyacentes a la óptima.
8.9 Como mucho 1260 euros. Así debería ser la negociación del precio de
la prueba. Si no se consiguiese ese precio deberían detener la negociación y no
encargar la prueba y comprar el helicóptero (ver Figura 5.9). Ése es el valor de
la información que esperan ganar al hacer la prueba. Es también una forma de
análisis de sensibilidad sobre la fiinción de utilidad.
8.11 La alternativa óptima sí cambia, pues ahora nunca debe construirse el
paso subterráneo. La máxima utilidad esperada es 29.76. El valor esperado de la
información perfecta de T es 30.406 — 30.316 = 0.09.
APÉNDICE A; SOLUCIONES DE EJERCICIOS SELECCIONADOS 371
1A -M A
Capítulo 9
9 1 Bastaría observar que de entre los 50 individuos se cumple que
18 + 14 = 32 individuos prefieren a a b, luego a y g b
18 +11 = 29 individuos prefieren b a c, luego b y g c
11 +15 = 26 individuos prefieren c a a, luego c y g a .
(b) Los individuos Ii e I 3 podrían colaborar para votar afta pesar de que
ésta sea una alternativa que aparece en segundo lugar para la preferencias de I\.
De esta forma se elegiría b que es mejor resultado para I\ e I3 que c.
(c) Se beneficia más el individuo I 3, por lo que debería estar dispuesto a hacer
alguna oferta económica a I\ para incentivar su colaboración.
Proyecto Utilidad
0.458
0.496
0.523
9.7 (a) Las puntuaciones son 18, 19, 20 y 13 respectivamente para las can
ciones A, B, C y D. Por tanto se seleccionará a C.
Aliáis, M. y Hagen, J. (eds.) (1979), Expected Utility Hypotheses and the Aliáis Paradox,
Reidel, Dordrecht, Holanda.
Arrow, K .J. (1951), Social Choice and Individual Valúes, Wiley, Nueva York.
Ballestero, E. y Romero, C. (1998), Múltiple Criterio Decisión Making and its Applica
tions to Economic Problems, Kluwer, Boston.
Bielza, C-, Gómez, M., Ríos-Insua, S., Fernández del Pozo, J. A., García-Barreno, P.,
Caballero, S. y Sánchez, M. (1998), “IctNeo System for Jaundice Management” ,
Revista de la Real Academia de Ciencias 92, 4, pp. 307-315.
Bielza, C., Gómez, M., Ríos-Insua, S., Fernández del Pozo, J. A. (2000a), “Structural,
Elicitation and Computational Issues Faced when Solving Complex Decisión Mak-
ing Problems with Influence Diagrams” , Computers & Operations Research 27,
7-8, pp. 725-740.j
Bielza, C., Mílller, P. y Ríos Insua, D. (1999), “Decisión Analysis by Augmented Prob-
ability Simulation” , Management Science 45, 7, pp. 995-1007.
Bielza, C., Ríos-Insua, S., Gómez, M. y Fernández del Pozo, J. A. (2000b), “Sensitivity
Analysis in IctNeo” , en Robust Bayesian Analysis, D. Ríos Insua y F. Ruggeri
(eds.), Lecture Notes in Statistics 152, pp. 317-334, Springer, Nueva York.
Bielza, C., Ríos Insua, D. y Ríos-Insua, S. (1996), “Influence Diagrams under Partial
Information” , en Bayesian Statistics 5, J. M. Bernardo, J. Berger, P. Dawid, A.
F. M. Smith (eds.), pp. 491-497, Oxford U.P., GB.
Buede, D. (1996), “Aiding Insight 111” , OR/MS Today 23, 4, pp. 73-79.
BIBLIOGRAFÍA 375
© RA-MA
Butler, J., Jia, J. y Dyer, J. (1997), “Simulation Techniques for the Sensitivity Analy
sis of Multi-Criteria Decisión Models” , European Journal of Operational Research
103, pp. 531-546.
Ciernen, R T. y Reilly, T. (1999), “Correlations and Copulas for Decisión and Risk
Analysis” , Management Science 45, 2, pp. 208-224.
Dalkey, N. C. (1972), Studies in the Quality of Life: Delphi and Decisión Making, D.
C. Heath and Company, Lexington, MA.
DATA S.O User’s manual (1999), TreeAge Software, Inc., W illia.mst.own, MA.
Doubilet, P., Begg, C. B., Weinstein, M. C., Braun, P. y McNeil, B. J. (1985), “Prob
abilistic Sensitivity Using Monte Cario Simulation”, Medical Decisión Making 5.
2, pp.157-177.
DPL, Advanced Versión User Guide (1995), ADA Decisión Systems, Duxbury, Belmont,
CA.
Dyer, J. S. (1973b), “A Time Sharing Computer Program for the Solution of the Múl
tiple Criteria Problem”, Management Science 19, pp. 1379-1383.
Ellsberg, D. (1961), “Risk, Ambiguity, and the Savage Axioms", Quarterly Journal of
Economías 75, pp. 643-669.
Eom, S. B., Lee, S. M., Kim, E. B. y Somarajan, C. (1998), “A Survey of Decisión Sup-
port System Applications”, ' Journal of Operational Research 49,
pp. 109-120.
Expert Choice, Inc. (1998), V. 9.0, 4922 Ellsworth Ave., Pittsburgh, PA 15213, EEUU.
deFinetti, B. (1937), “LaPrévision, ses Lois Logiques, ses Sources Subjectives”, Annales
L ’Institute Henri Poincaré 7, pp. 1-68.
Fishburn, P. C. (1970), Utility Theory for Decisión Making, Wiley, Nueva York.
French, S. (1998), Decisión Analysis and Decisión Support Systems, Manuscrito, School
of Informatics, University of Manchester, GB.
© r a -m a BIBLIOGRAFÍA 379
Gallego, E., Ríos-Insua, S., Mateos, A. y Ríos Insua, D. (1998), “Contaminated Aquatic
Ecosystems Restoration: A Case Study” , en Applied Decisión Analysis, F.J. Girón
(ed.), pp. 19-34, Kluwer, Boston.
G&rdenfors, P. y Sahlin, N.-E. (eds.) (1988), Decisión, Probability and Utility, Cam
bridge University Press, Cambridge, GB.
Gómez, M., Ríos-Insua, S., Bielza, C. y Fernández del Pozo, J. A. (2000), “Multi-
attribute Utility Analysis in the Ictíneo System", en Research and Practice in
Múltiple Criteria Decisión Making, Y. Y. Haimes y R. E. Steuer (eds.), Lecture
Notes in Economics and Mathematical Systems 487, pp. 81-92, Springer, Berlín.
H&kanson, L.(1993), “A System for Lake Ecosystem Indices” , Journal of Aquatic Ecosys-
tem Health 2, pp. 165-184 .
InDia, User’s Guide (1991), Versión 2.0, Decisión Focus, PWS-Kent, Boston, MA.
Johnson, D. y Johnson, F. (2000), Joining Together: Group Theory and Skills, AUyn
and Bacon, Boston, MA.
Keeney, R. L. y Raiffa, II. (1970, 1993), Decisions witli Múltiple Objectiven: Prefercn-
ces and Valué Tradeoffs, Ia edición, Wiley, Nueva York; 2a edición, Cambridge
University Press, Cambridge, GB.
Kong, A. (1986), Multivariate Belief Functions and Graphical Modele, Ph.D. Thesis,
Department of Statistics, Harvard University, Cambridge, MA.
LaValle, I. (1978), Fundamentáis of Decisión Analysis, Holt, Rinehart & Winston, Nue
va York.
Logical Decisions (1998), V. 5.0, 1014 Wood Lily Dr., Golden, CO 80401, EEUU.
Malakooti, B. (1988), “An Exact Interactive Method for Exploring the Efficient Facets
of Múltiple Objective Linear Programming Problems with Quasi-Concave Utility
Functions”, IEEE Transactions on Systems, Man, and Cybemetics 18, 5, pp. 787-
801.
Marcotte, O. y Soland, R. M. (1986), “An Interactive Branch and Bound Algorithm for
Múltiple Criteria Optimization”, Management Science 32,
pp. 61-75.
Mateos, A., Ríos-Insua, S., Bielza, C., Gómez, M., García-Barreno, P., Sánchez, M. y
Blanco, D. (1998), “Applications of Decisión Analysis to Extracorporeal Membrane
Oxygenation”, Revista de la Real Academia de Ciencias 02 , 4, pp. 317-322.
BIBLIOGRAFÍA 385
©RA-MA
McNamee, P. y Celona, J. (1987), Decisión Analysis for the Professional with Supertree,
The Scientific Press, Redwood City, CA.
Mingers, J. y Adlam, J. (1989), “Where Are the ‘Real’ Expert Systems”, OR Insight
2, pp. 6-9.
38(1 F U N D A M E N T O S Pli) LO S S IS T E M A S D K A Y U D A A l,A D E C I S I Ó N ___________© R A - M A
Oliver, R. M. y Smith, J. Q. (eds.) (1990), Influence Diagrams, Belief Nets and Decisión
Analysis, Wiley, Nueva York.
Qi, R. y Poole, D. (1995), “A New Method for Influence Diagram Evaluation”, Com-
putational Intelligence 11, 3, pp. 498-528.
Quattro Pro, Borland International, Inc., 1800 Green Hills Rd., Scotts Valley, CA 95067,
EEUU.
Raiffa, H. (1982), The Art and Science of Negotiation, Harvard University Press, Cam
bridge, Mass.
Ríos, S. (ed.) (1994), Decisión Theory and Decisión Analysis: Trends and Challenges,
Kluwer, Dordrecht.
Ríos, S. y Ríos Insua, S. (1998), “La Teoría de la Decisión de Pascal a Von Neumann”,
en Historia de la Matemática en el Siglo XX, pp. 11-42, R. A. de Ciencias Exactas,
Físicas y Naturales, Madrid.
Ríos, S., Ríos-Insua, S., Ríos Insua, D. y Pachón, J. G. (1994), “Experiments in Ro-
bust Decisión Making”, en Decisión Theory and Decisión Analysis: Trends and
Challenges, S. Ríos (ed.), pp. 233-242, Kluwer, Boston.
Ríos Insua, D., Bielza, C., Martín, J. y Salewicz, K. (1997), “BayRes: A System for
Stochastic Multiobjective Reservoir Operations", en Advances in Multiobjective
and Goal Programming, R. Caballero, F. Ruiz y R. Steuer (eds.), Lecture Notes in
Economics and Mathematical Systems 455, pp. 319-327, Springer, Berlín.
© RA-MA BIBLIOGRAFÍA 389
I
Ríos Insua, D. y FYench, S. (1991), “A Fraxnework for Sensitivity Analysis in Discrete
Multi-Objective Dedsion-Makmg”, European Journal of Operational Research 54,
pp. 176-190.-
Ríos Insua, D., Galleo, E., Mateos, A. y Ríos-Insua, S. (2000), “MOIRA: A Decisión
Support System for Decisión Making on Aquaíic Ecosystems Contaminated by
Radioactive Fallout”, Annals of Operations Research 95, pp. 341-364.
Ríos Insua, D. y Martín, J. (1994), “Robustness Issues under Imprecóse Beliefe and Pref-
erences”, Journal of Statistical Plarmmg and Inference 40,
pp. 383-389.
Ríos Insua, D., Ríos-Insua, S..y Martín, J. (1997), Simulación. Métodos y Aplicaciones,
RA-MA, Madrid.
Ríos Insua, D. y Ruggeri, F. (eds.) (2000), Robust Bayesian Analysis, Lecture Notes in
Statistics 152, Springer, Nueva York.
Ríos-Insua, S., Bielza, C., Gómez, M., Fernández del Pozo, J. A., Sánchez, M. y Ca
ballero, S. (1998), “An Intelligent Decisión System for Jaundice Management in
Newbom Babies”, en Applied Decisión Analysis, F. J. Girón (ed.), pp. 133-144,
Kluwer, Boston.
Ríos-Insua, S., Gallego, E., Mateos, A. y Jiménez, A. (1999), “A Decisión Support Sys
tem for Ranking Countermeasures for Radionuclide ContaminatedAquatic Ecosys
tems: The MOIRA Project”, en Umweltinformatik Zwischen Theorie und Indus-
trieanwendung, C. Rautenstrauch y M. Schenk (eds.),
pp. 283-297, Metrópolis-Verlag, Marburg, Alemania.
Ríos-Insua, S., Gómez, M., Bielza, C. y Fernández del Pozo, J. A. (2000), “Implemento
tion of IctNeo: A Decisión Support System for Jaundice Management”, en Opera
tions Research Proceedings 1999, K. Inderfurth,
G. Schwódiauer, W. Domschke, F. Juhnke, P. Kleinschmidt, G. Wfischer (eds.),
pp. 554-559, Springer, Berlín.
Ríos-Insua, S. y Mateos, A. (1998), “Utility Efficient Set and its Interactive Reduction",
European Journal of Operational Research 105, 3, pp. 581-593.
Ríos-Insua, S., Ríos Insua, D., Mateos, A. y Martín, J. (1997), Programación Lineal y
Aplicaciones: Ejercicios Resueltos, RA-MA, Madrid.
Roy, B. (1971), “Problems and Methods with Múltiple Objective Functions” , Mathe
matical Prográmming 1, pp. 239-266.
Salo, A. A. (1995), “Interactive Decisión Aiding for Group Decisión Support” , European
Journal of Operational Research 84, pp. 134-149.
Saltelli, A., Chan, K. y Scott, E. M. (2000), Sensitivity Analysis, Wiley, Nueva York.
Shenoy, P. P. (1995), “A New Pruning Method for Solving Decisión Trees and Game
TVees”, en Uncertainty in Artificial Intelligence, P. Besnard y
S. Hanks (eds.), vol. 11, pp. 482-490, Morgan Kaufinann, San Francisco, CA.
Shenoy, P. P. (1998), “Game Trees for Decisión Analysis”, Theory and Decisión 44, 2,
pp. 149-171.
Silver, M. S. (1991), Systems that Support Decisión Makers: Description and Analysis,
Wiley, Chichester, GB.
Stigum, B. P. y Wenstdp, F. (eds.) (1983), Foundations of Utility and Risk Theory with
Applications, Reidel, Dordrecht, Holanda.
Turban, E. (1988), Decisión Support and Expert Systems, McMillan Publishing Co.,
Nueva York.
Tversky, A. (1977), “On the Elicitation of Preference: Descriptive and Prescriptive Con-
sideration” , en Conflicting Objectives in Decisions, D. E. Bell,
H. Raiffa y R. L. Keeney (eds.), pp. 209-219, Wiley, Nueva York.
Walley, P. (1991), Statistical Reasoning with Imprecise Probabilities, Chapman and Hall,
Londres.
White III, Ch. C. (1990),. “A Survey on the Integration of Decisión Analysis and
Expert Systems for Decisión Support” , IEEE Transactions on Systems, Man and
Cybemetics 20, 2, pp. 358-364.
York, J. (1992), “Use of the Gibbs Sampler in Expert Systems”, Artificial Intelligence
56, pp. 115-130.
Zeleny, M. (1982), Múltiple Criteria Decisión Making, McGraw Hill, Nueva York.
Indiferencia, 27 Modelo
Información aumentado deprobabilidad, 265
completa, 47,69 ~ de decisión requisito, 8
nula, 69 de preferencia, 25
pardal, 69
Intercambio, 11
relativo constante, 61 N
relativo no constante, 63
Negociaciones, 316
Nodo sumidero, 209
j
Jerarquía de objetivos, 11 O
Objetivo, 11
L Orden
de intervalo, 48
Lotería, 105 de preferencia marginal, 54
compuesta, 130 Orden de eliminadón de nodos, 221
de referencia, 105,132
simple, 130 P
M
Paradoja
Máxima utilidad esperada, 131 de Aliáis, 137
Método de Condorcet, 303
de la probabilidad, 108 de SanPetersburgo, 128
de la sucesión estándar o de la sierra, 57, Ellsberg, 138
59,60 Pensamiento basado enel valor, 194
de las alturas relativas, 109 Perfil de riesgo, 227
de las penalizadones, 67 Pesos o factores de escala, 60,71,157,274,338
de Pearson-Tukey extendido, 190 Política, 179
de poda, 237 Predecesores
de Raiffa-Schlaifer, 111 condicionales, 206
Delphi, 313 directos, 206
regresivo, 179 indirectos, 206
Métodos informativos, 206
de comparación de preferencias, 135 Preferencia(s)
de direcdón factible, 71 consistentes, 25
de equivalencia, 135 débil, 33
en certidumbre, 135 estadonarias, 63
en probabilidad, 135 estricta, 26
en valor, 135 Premio, 130
de las ponderaciones, 71 Prima al tiesgo, 140
de los multiplicadores de Lagrange, 71 Probabilidad, 82
de planos de corte con intercambio 71 aposteriori, 98
de ramificación y acotación, 72 a pxiori, 98
de reducción de la región factible, 71 asignación de, 103
interactivos, 70 condidonada, 91
interactivos visuales, 71 individual, 91
marginal, 91
Matriz
objetiva, 83
de estrategias, 174
subjetiva, 83
Meta, 11
400 FUNDAMENTOS DE LOS SISTEMAS DE AYUDA A LA DECISIÓN O RA MA
Teorema
de Bayes, 9 7 ,9 8
de Imposibilidad de Arrow, 3 0 4
de la Probabilidad Total, 9 2
de representación, 3 7 , 3 8 , 1 5 3
del producto, 91
Test de claridad, 178
Transformación de similaridad, 6 2
U
Utilidad
de grupo, 30 9
separable, 1 8 9 ,2 5 0
ín d ic e DE MATERIAS 401