Modelos de simulación

Unidad 1: Introducción a los Modelos

- Modelo: representación abstracta de la realidad.

- La Ciencia de la Administración y su evolución histórica:
 Comienzos durante la Segunda Guerra Mundial
 Previo a la guerra que un grupo de estudiosos de áreas básicas, se reúnen con el objetivo de determinar la forma
más efectiva de aplicar las fuerzas militares ya que éstas eran escasas = investigación de operaciones.
 Al término de la guerra, personal que había contribuido en la investigación de operaciones, se dio cuenta que sus
métodos y técnicas adquiridas durante el período bélico bien podrían aplicarse en la industria.
 1950: época en que fueron lanzadas las computadoras al mercado, se empezó a aplicar la investigación de
operaciones en la industria. En un principio, los principales problemas eran respecto al control de inventarios y los
sistemas de transporte, ya que éstos eran muy parecidos a las estrategias militares.
 Aunque es Gran Bretaña quien dio inicio a los estudios de la investigación de operaciones, es Estados Unidos quien
hace las grandes contribuciones al tema.
 1947: George B. Dantzig desarrolla el método simplex de programación lineal.

- Concepto de modelo: La construcción de modelos es un medio que permite a los administradores analizar y estudiar
problemas, así como también examinar diferentes alternativas. Pueden ser mentales, a escala, matemáticos.
- Clasificación de los distintos tipos de modelo:
 Los modelos se pueden clasificar en:
1) Descriptivos y normativos
2) Determinístico y estocástico
3) Lineales y no lineales
4) Estáticos y dinámicos
5) De simulación

Modelos descriptivos: Permiten comprender el problema y su comportamiento (aproximado) pero no hay decisiones o formas
de optimización. Son útiles para pronosticar la conducta de sistemas pero no pueden identificar el “mejor” curso de acción
que debe tomarse. Por ejemplo: cola de espera, regresión, entre otros.

Modelos Normativos: Permite tomar decisiones y optimizar un determinado sistema, ya que es posible establecer un curso de
acción óptimo o mejor. Esto implica que se incorpora un objetivo al modelo y que es posible identificar los efectos que
diferentes cursos de acción tienen sobre el objetivo. Ejemplos: modelo de inventarios, modelo de toma de decisiones, modelo
simples. La mayoría de los modelos normativos están constituidos por tres conjuntos de elementos básicos:
a) Variables de decisión: cantidades desconocidas que deben determinarse en la solución del modelo
b) Parámetros: valores que describen la relación entre las variables de decisión. Permanecen constantes para cada
problema.
c) Restricciones: limitaciones físicas que ocurren en el problema. Generalmente se expresan como funciones
matemáticas.
d) Función objetivo: define la efectividad del modelo como función.

Modelos determinísticos: las relaciones o los parámetros se conocen con certidumbre

Modelos estocásticos: se trabaja en situación de incertidumbre.

Modelos lineales: todas las relaciones funcionales implican que la variable dependiente es proporcional a las variables
independientes.

Modelos no lineales: utilizan ecuaciones curvilíneas o no proporcionales. Si una o más de las relaciones son no lineales, se
clasifica al modelo como tal.

Modelos cuantitativos de simulación: la simulación es el proceso de diseñar un modelo de un sistema real y llevar a término
experiencias con él, con la finalidad de comprender el comportamiento del sistema o evaluar nuevas estrategias (dentro de los
límites impuestos por un cierto criterio o un conjunto de ellos) para el funcionamiento del sistema = la simulación es un
proceso de planteamiento de modelos y experimentación que se utiliza para describir y/o analizar un problema o un área de
problemas específicos.
Unidad 2: Modelos de inventarios

- Inventario: recursos utilizables (mercadería, información, humanos, entre otros.) almacenados durante un lapso de tiempo
determinado.
- Demanda: cantidad de recursos requerida por los clientes en lapsos determinados. Puede ser: determinista, aleatoria,
constante (o que la ley de distribución, si es aleatoria, no varíe), variable.
- Tiempo de adelanto ( tL ): es el tiempo (Δt) entre que se pide y se satisface el pedido (Δt= tL). Puede ser:
 Inmediato: tL = 0 (suministro inmediato)
 Con demora: tL ≠ 0 (suministro pactado o con tiempo)
 Suministro paulatino (lote de producción)
 Aleatorio (con incertidumbre en el reaprovisionamiento)
- Política de pedidos: consiste en saber cuándo y cuánto se ordena (se compra).
- Sistema de pedidos:
 De punto de orden con frecuencias denominados “sistemas de inventario perpetuos” donde la revisión de
inventario es continua (se ordena el reaprovisionamiento en el punto de orden – cantidad y momento definido)
 De revisión periódica donde los inventarios no se revisan en forma continua; más bien se hacen evaluaciones a
intervalos fijos y predeterminados. La cantidad ordenada es igual a la diferencia entre la cantidad desea y la
disponible.
- Agotamiento: carencia de existencia ante demanda de los clientes (stock negativo). Puede darse dos situaciones:
 Modelo de ventas perdidas
 Modelo con pedidos retroactivos
- Costo de inventario:
 De pedidos (Co): costos asociados a la realización de pedidos tales como, gastos administrativos, papeleo,
transporte, recepción, inspección, otros).
 De conservación (Cc): mantenimiento
 De adquisición (Cp): preparación para una corrida de producción
 De agotamiento (Cs): por falta de existencia (por no satisfacer la demanda).
- Modelos comerciales: los inventarios de reabastecimiento se adquieren de proveedores externos a la empresa,
instantáneamente al recibir el pedido.
- Modelos de producción: los inventarios se producen en la organización para ser comercializados.

 Modelo de la Cantidad Económica de Pedidos Clásicos (C.E.P. Clásico):

- C.E.P. clásico sin tiempo de adelanto:
 Hipótesis del modelo:
1. Se conoce la demanda con certidumbre y es constante en el tiempo.
2. Reabastecimiento instantáneo y en un solo lote ( tL = 0 )
3. Inventario perpetuo (punto de orden)
4. Reabastecimiento a nivel cero (R = 0 –no hay stock de seguridad )
5. La cantidad (Q) es constante al finalizar cada ciclo de inventario, tc.
6. Co y Cc son constantes
7. Horizonte infinito (las hipótesis se mantienen constantes durante el período de aplicación)
8. El objetivo de éste modelo es determinar la cantidad óptima de pedido (Q*) y el punto dereorden (R*), de manera
que se minimicen los costos totales de inventaros.

Representación gráfica
- C.E.P. clásico con tiempo de adelanto y punto de reorden: se conoce el tiempo de adelanto y la demanda es constante.
Para definir la situación en la que el tiempo de adelanto es distinto que cero, se relajan las consideraciones 2 y 4 del
apartado anterior. Como la Q* sigue siendo la misma, ahora lo que se busca es cuándo emitir la orden de pedido para que
el proveedor entregue la mercadería justo cuando nos quedamos sin ella, por lo tanto debemos conocer cuánto demora el
proveedor para establecer un punto de reorden (R) que satisfaga la demanda mientras llega la mercadería del proveedor.

Se consume hasta R (Stock mínimo o punto de reorden), en ese punto se realiza el pedido, el cual tarda en llegar tL días y
justo cuando se queda sin mercadería, llega el pedido con una Q*(que es siempre la misma).

- Optimización de inventarios en el modelo C.E.P. clásico:El óptimo en el CEP clásico se alcanza cuando el costo total de
inventario es mínimo. Ese punto se da cuando el costo de ordenar es igual al costo de conservación. el planteamiento del
modelo general es MINIMIZAR la expresión:

- Análisis de sensibilidad de los costos de inventarios y en la cantidad económica de pedidos por variación de la demanda,
los tiempos de ciclos de inventario y lotes de aprovisionamiento:

El análisis de sensibilidad permite expresar el efecto de los errores o de cambios en las variables y/o parámetros en forma
de razón. Ésta razón sería la cantidad económica de pedido real (Q’) dividida entre la cantidad óptima estimada del pedido
(Q*). Cantidad Real viene determinada por:

Para saber si nos equivocamos o no en la estimación de la demanda (Q*) utilizamos “k” como factor de corrección
(también sirve para la demanda (D) y el tiempo de ciclo, tc).
 Modelo de la Cantidad Económica de Pedidos, con descuentos por cantidad: Se ofrecen precios con descuento
por compras en una cantidad Q’ > Q*, pero, ¿conviene realmente aceptar este descuento? Se deben considerar ahora los
costos de inventario y los costos del producto.
- Análisis de los distintos casos según los distintos tipos de descuentos por cantidad:

 Modelo de la Cantidad Económica de Pedidos con agotamientos: En este modelo el comerciante se queda sin
mercadería y tiene dos opciones:
1) Perder las ventas
2) Satisfacer la demanda con ventas a futuro (caso de análisis de la materia).

Se relaja la condición de qué el reabastecimiento se realiza en Q(t)= 0 y permitimos que se trabaje con agotamientos de
inventario, hasta un cierto punto que debemos analizar. Se supone que los agotamientos se satisfacen con pedidos
retroactivos a un costo Cs (pesos / unidad x año).
Uno decide incurrir en estos costos debido a que a su vez: o disminuye el número de pedidos, o disminuye niveles de
inventario (al llegar la mercadería se asigna inmediatamente a la demanda atrasada).
Entonces se busca el equilibrio entre el aumento del costo de agotamiento (Cs) y la disminución de los costos de
conservación (Cc) y los costos de ordenar (Co).
Gráficamente:

- Optimización de los costos de inventarios: Ahora la optimización se da cuando se minimiza la expresión de costo total
(CT) con agotamiento:
Ahora existen dos variables de decisión: S* y Q*. Para despejarlas se puede utilizar el proceso de ensayo y error o por
Hessiano. Para obtener el valor mínimo del costo total con agotamiento:

Expresión que indica cuál es la cantidad óptima de pedidos con agotamiento que hace mínimo el costo total con
agotamiento.

- Relación entre el C.E.P. clásico con agotamientos y sin agotamientos. El factor de corrección:

De la expresión anterior podemos observar un factor de corrección que lo denominamos H.

- CEP con agotamiento y tiempo de adelanto: Si el modelo CEP con agotamiento permitimos agotamiento, es decir que el
tiempo de adelanto es mayor a cero (TL > 0) obtenemos un punto de reorden (R), en donde:

 Modelo de tamaño de lote de producción: La diferencia con el CEP es que en ese modelo se compraban las
mercaderías para comercializar, en cambio en este modelo se producen los productos a una tasa de producción r1 y se
comercializar a una tasa demanda r2.
Otra disimilitud es que en el modelo de lote de producción el reabastecimiento no se realiza en un único lote sino re
realiza en forma paulatina.
- Optimización de los costos de inventarios: Lo que se busca minimizar el costo total del lote de producción (CT):

- Relación entre el C.E.P. clásico sin agotamientos y el Lote de producción. El factor de corrección: El factor de corrección
entre el CEP clásico y el lote de producción se lo denomina habitualmente como L y permite comparar ambos modelos, a
saber:

L es siempre menor que uno (L < 1) y su inversa 1/L es mayor que uno (1/L > 1), de esta manera cuando las expresiones del
CEP clásico se multiplican por L su equivalente en el modelo de lote de producción será menor que las del CEP clásico y
mayor cuando se multiplique por 1/L.
Analicemos cómo quedarían nuestras relaciones cuando lo multiplicamos por el factor de corrección L ó 1/L

Unidad 3: Modelos de decisión

 Modelos de decisión determinísticos y estocásticos:

- Determinístico: cuando se supone que los parámetros o coeficientes se conocen con certidumbre
- Estocástico: los parámetros del modelo varían debido a incertidumbres. Este tipo de modelos puede dividirse en dos
categorías, dependiendo si la decisión se tomara utilizando datos previos (relacionados con la ocurrencia de sucesos
anteriores), o si no poseo ningún dato de acontecimientos anteriores.

 Procesos de una toma de decisión: Una solución puede definirse como el proceso de elegir la solución para un
problema, siempre y cuando existan al menos dos soluciones alternativas. El proceso de toma de decisión consta de 5
etapas (donde TD: es quien toma las decisiones):
1) El TD se da cuenta de que existe un problema.
2) El TD recopila datos acerca del problema.
3) El TD elabora un modelo (versión simplificada de la realidad) que describe el problema.
4) El TD utiliza un modelo para generar las soluciones alternativas al problema. Es aconsejable no tener demasiadas
alternativas porque dificulta el proceso de selección.
5) El TD elige entre las soluciones alternativas. En esta etapa, los modelos cuantitativos pueden diferir de los cualitativos.
En los modelos cualitativos las decisiones se toman de acuerdo a las características del problema y según los intereses
y motivaciones del TD, buscan encontrar la mejor u óptima solución. Mientas que en los cuantitativos se busca calcular
el valor económico de cada decisión, teniendo en cuenta las necesidades y objetivos del TD, tratan de encontrar
cualquier solución satisfactoria.

El modelo cualitativo se usa frecuentemente para eliminar opciones falsas o perjudiciales, o también porque un análisis
cuantitativo es muy oneroso y la ecuación costo – beneficio es desfavorable.
 - Existen tres tipos principales de decisiones:
1) Decisiones bajo certidumbre
2) Decisiones en las que no contamos con datos previos para calcular probabilidades denominadas incertidumbre
3) Decisiones para las cuales existen datos previos que permiten calcular probabilidades, conocidas como riesgo,
porque pueden ocurrir como que no.

- Terminología empleada en la toma de decisiones:

o Decisiones alternativas: son las distintas opciones que tiene el tomador de decisiones (TdD), para elegir entre una
u otra. (Para que tengamos un modelo de toma de decisiones debe haber por lo menos dos alternativas).
o Estados de la naturaleza: situaciones externas, que no controla o domina el TdD y que en general son aleatorios.
o Resultado de una decisión: el valor económico o anímico en el que desemboca el TdD al decidirse por alguna de
sus alternativas u opciones.

 Modelos de decisión sin datos previos: En los casos en los que una decisión no se toma de forma repetida, es decir
sólo una vez, o no existe experiencia pasada que pueda utilizarse para calcular probabilidades, o las circunstancias que
rodean la decisión cambian de un momento a otro, se considera que la decisión se toma sin datos previos.

- Modelo del optimista: La persona considera que el medio ambiente es propicio. El TD determinará el mayor pago
(ganancia) para cada alternativa y después elige el máximo de ellos en el caso de una matriz de pago, caso contrario
elegirá el menor valor de costo para cada alternativa y posteriormente seleccionará el menor costo, para una matriz
de costo.
Pasos para la determinación (para pago o ganancia):
1) Para cada alternativa, determinar el resultado con el mayor valor y registrarlo.
2) De los resultados obtenidos en el paso anterior elegimos el valor máximo; la alternativa asociada con este
resultado máximo es la estrategia que debe seguirse.
(Para costo o pérdida se realiza al revés).Se busca el menor valor para cada alternativa y se elige el menor

- Modelo del pesimista: Las decisiones se toman en un ambiente hostil con inseguridad económica y falta de
experiencia donde la competencia es grande. La persona que toma las decisiones es pesimista con respecto a los
estados de la naturaleza antes mencionadas por lo que debe evitar pérdidas altas. Para ello se determina el menor
resultado para cada estrategia y luego se elige la que tenga el mayor de estos resultados. Es decir, se maximizan los
resultados mínimos (para el caso de una matriz de pago): Criterio de selección o estrategia denominada Maximin.
Si es pérdida o costo, se busca primero el valor más elevado de cada alternativa y luego el menor valor de los
resultados obtenidos, es decir se persigue minimizar los resultados máximos: Criterio de selección o estrategia
Minimini.

- Modelo de minimización del arrepentimiento: Este modelo es bastante pesimista. Se debe construir una matriz de
arrepentimiento que muestra lo que está dispuesto arrepentirse un tomador de decisiones por tomar una decisión
según el estado de naturaleza que ocurra. Si el estado de naturaleza coincide con la mejor decisión que él tomó, no
habrá arrepentimiento, caso contrario se arrepentirá en un valor equivalente entre el mejor valor de un estado de
naturaleza comparado con la decisión que adoptó. Para ello se debe establecer para cada estado de la naturaleza el
valor económico máximo (o mínimo si es costo) y compararlo con cada valor de alternativa.
En otras palabras, la matriz de arrepentimiento exhibe lo que una persona que toma decisiones está dispuesto a
arrepentirse (de perder) de no obtener la máxima ganancia o mínima pérdida.
 1) Elegimos el mejor valor para cada estado de naturaleza (columna)
2) Restamos el mejor valor del estado de naturaleza (columna) con el valor de cada alternativa (fila) del
mismo estado de naturaleza. Luego elegimos el “menos malo”; ya que si se llegamos a equivocarnos, el
mayor arrepentimiento será el valor menor de lo peor que nos pueda pasar.

- Modelo de maximización del pago promedio o de minimización del costo promedio: Este modelo considera
rápidamente una decisión teniendo en cuenta las frecuencias relativas de los distintos estados de la naturaleza. Para
ello se debe calcular el pago promedio para cada estrategia y elegimos la alternativa que tenga mayor pago promedio,
para el caso de ganancia o seleccionamos el menor valor promedio si estuviéramos en presencia de una matriz de
costo.

- Modelo de probabilidades subjetivas: Este modelo consiste en aplicar probabilidades a los estados de naturaleza en
base a la experiencia que posea el tomador de decisiones, es decir que como no contamos con datos previos, cada
decisor establecerá para cada estado de la naturaleza, una probabilidad de lo que espera que sucederá.
Como estas probabilidades son subjetivas y depende del punto de vista o experiencia del tomador de decisiones es un
modelo poco empleado. Una vez establecidas las probabilidades subjetivas de ocurrencia, para elegir la mejor
alternativa, debemos basarnos en un parámetro estadístico, como por ejemplo, el valor monetario esperado o media
(VME). Supongamos que el tomado de decisiones establece las siguientes probabilidades subjetivas para cada estado
de la naturaleza, a saber:

¿Cómo se calcula el valor medio (monetario) esperado (VME)?

El valor medio (monetario) esperado se obtiene calculando para cada alternativa; la sumatoria de los productos de cada uno
de los valores de los estados de naturaleza por su probabilidad de ocurrencia.
 Modelos de decisiones con datos previos:
- Características generales del modelo:
 Las decisiones se toman bajo las mismas condiciones (repetidas)
 Existe más de un resultado para cada decisión
 Las circunstancias que rodean a la decisión son siempre las mismas, es decir, existe experiencia anterior que puede
utilizarse para obtener probabilidades para cada resultado.

Hay dos maneras de tomar decisiones cuando existen datos previos que permiten calcular las probabilidades de
ocurrencia de los distintos estados de la naturaleza:
1) Análisis Clásico
2) Análisis Bayesiano

- Análisis Clásico:
 Este análisis consiste en:
1) Elaborar una regla de decisión.
2) Se establece un parámetro estadístico.
3) Proponer una hipótesis en base al parámetro estadístico (hipótesis nula - Ho).
4) Proponer una hipótesis opuesta a la nula (hipótesis alternativa – H1)
5) Correr una (o más) pruebas para aceptar o desechar la Ho.

La prueba de hipótesis se realiza tomando los datos previos y estableciendo un parámetro.

Ejemplo:

1) Se estima en base a la experiencia pasada que:

2) Se calcula la probabilidad de ocurrencia de cada estado de la naturaleza:

3) Se establece la Ho a partir de los estadísticos

4) Se establece la H1 a partir de los estadísticos
5) Se ejecuta o “corre” una prueba para aprobar o rechazar la Ho. Supongamos que un estudio realizado sobre la
demanda en los últimos 30 días obtuvimos un valor de demanda esperada de 200, en este caso se rechazaría la
Ho.

- Análisis Bayesiano: En éste análisis, el problema siempre es la duda “atroz” de tomar una u otra decisión:
1) Porque hay aleatoriedad
2) Porque dudamos de nuestros datos (probabilidad de los distintos estados de la naturaleza) y necesitamos
corroborarlos u optimizarlos. En este caso debemos hacer nuevas pruebas o mejor encargarle a una consultora
que nos provea mejor información que la que poseemos.
En este último caso debemos:
a) Valorar los datos que nos proveen
b) Considerar el costo del trabajo de la consultora
c) Decidir si aceptamos o no los “consejos” de “n” consultora.

- Análisis previo: También denominado “a priori”. Este análisis permite concluir que:
a) Ninguna consultora nos puede afirmar que obtendremos un valor mejor o igual al valor medio esperado de la
información perfecta (VMEIP).
b) A ninguna consultora le pagaríamos por su información un valor mayor o igual al valor de la información
perfecta (VIP).

¿Cómo debemos proceder para cumplir el punto a)?

1) Calculamos la probabilidad de ocurrencia para cada estado de la naturaleza.

 2) Calculamos el VME para todas las alternativas utilizando:

3) Seleccionamos el valor máximo (para ganancia) o mínimo (para costo) de los VME obtenidos. Éste valor
representa la ganancia o costo (según el caso de estudio) que conocemos en base a nuestra experiencia, y lo
denotamos como VME*
4) Determinamos el valor medio esperado de la información perfecta (VMEIP)

5) Calculamos el valor de la Información perfecta (VIP)

Éste VIP me indica cuánto estoy dispuesto a pagar por información perfecta.

- Análisis pre-posterior:
 Conceptos sobre probabilidades condicionales:

Utilizando este teorema se analizara el valor de la prueba (R), siendo R= Resultado de las pruebas y N= Estados de la
naturaleza. Las probabilidades condicionales pueden variar según si la consultora posee o no experiencia sobre el
tema en estudio

¿Cómo calcula para cada caso?

 a) Sin experiencia: P(R N) = probabilidad de que la consultora haya
pronosticado R y pasó el estado de la naturaleza N, o también,
cuando la realidad N se dio ellos pronosticaron N, donde R=N o
R≠N.
Esta tabla nos muestra que el consultor o consultora no tiene
experiencia, ya que las probabilidades obtenidas surgen de hechos
ya ocurridos, es decir, sabiendo el estado de naturaleza se predice
la efectividad de la prueba. Si estamos en presencia de una tabla de
probabilidades sin experiencia debemos aplicar el teorema de
Bayes para transformar cada P(R/N) en P(N/R).
b) Con experiencia: Para valorar la información de prueba, se debe calcular P(N / R) , es decir, cuál es la probabilidad
de que cuando la consultora pronosticó R se produzca N. Por lo general se desconocen los valores de P(N / R)
puesto que estos valores sólo se conocen después de haber utilizado la prueba las suficientes veces para recopilar
datos que permitan calcular probabilidades. Generalmente se conoce lo opuesto, es decir, la probabilidad de que
ocurra el resultado de la prueba dado el resultado correspondiente (P(R N)) y puede calcularse usando datos
históricos para determinar la forma en que se hubiera comportado la prueba si se hubiera usado.
Para calcular P(N / R) antes se debe calcular P(R) = probabilidad de que la consultora aconseje R=n1; R=n2; R=n3;
R=n, es decir:

En donde Ñ, significa que no ocurra N

Entonces se tiene que:

El resultado final, P(N / R) , probabilidad de que ocurra el suceso N dado el resultado de prueba R, se conoce como
probabilidad a posteriori ya que se obtiene después del procedimiento de prueba.
Pasos para el análisis:
1) Elaborar una tabla de probabilidades de prueba P(R/N), es decir, P (el resultado de la prueba será R/el
resultado final fue N) y un conjunto de probabilidades previas P(N), para cada estado de la naturaleza.

2) Cada fila de la tabla de probabilidades de prueba lo multiplicamos por su probabilidad previa P(N),
correspondiente al estado de la naturaleza. El producto es un elemento de una tabla modificada de
probabilidades, P(R/N) P(N). La suma de las probabilidades obtenidas para cada fila de la tabla será ahora la
probabilidad de la prueba, P(R).
3) Dividimos cada elemento de la matriz de probabilidades modificada por el P(R), es decir, P(R/N) P(N) / P(R), de
esta manera obtenemos los elementos de la tabla de pronósticos, P(N/R).
4) Utilizando la matriz de pago calculamos los distintos VME (máximo para utilidades, mínimos para costos) para
cada resultado de prueba.
5) Utilizando los VME (máximo para utilidades, mínimos para costos) para cada resultado de prueba, estamos en
condiciones de calcular el valor medio esperado de la prueba, VME(prueba), que se obtiene multiplicando el
VME (máximo para utilidades, mínimos para costos) para cada resultado de prueba por la probabilidad de que
ocurra ese resultado, P(R), y sumando todos estos resultados.
6) El valor de la prueba, V(prueba), se determina realizando la diferencia entre el VME de la prueba calculado en
el paso 5 y el VME (máximo para utilidades, mínimos para costos) posible sin la prueba, es decir V(prueba) =
VME(prueba) – VME* (sin prueba)

- El valor de la información perfecta: El valor de la información perfecta, VIP, fue demostrado en el punto 4.4.3. y
significa, cuanto estoy perdiendo de ganar por no poseer de información perfecta, o también, hasta cuando estoy
dispuesto a abonar a una consultora para que me suministre información perfecta. Recordemos que el valor de la
información perfecta se obtiene de conocer el valor medio esperado de la información perfecta (VMEIP) menos el
valor medio esperado de nuestra experiencia (VME*), es decir:
- El valor de la prueba: Por lo general la información proviene de algún procedimiento imperfecto de prueba. Esto
quiere decir que la información de la prueba no siempre pronostica en forma correcta el estado de la naturaleza que
ocurrirá. Procedimiento que se utiliza:
P(N / R) es la probabilidad de que ocurra en realidad el evento N, dado que el resultado de la prueba fue R.
Dado que la prueba es imperfecta, P(N / R) < 1.
Por lo general se desconocen los valores de P(N / R) puesto que estos valores sólo se conocen después de haber
utilizado la prueba las suficientes veces para recopilar datos que permitan calcular probabilidades. Generalmente se
conoce lo opuesto, es decir, la probabilidad de que ocurra el resultado de la prueba dado el resultado correspondiente
(P(R N)) y puede calcularse usando datos históricos para determinar la forma en que se hubiera comportado la prueba
si se hubiera usado. La probabilidad de P(R N) no es la probabilidad de prueba que se necesita, pues esta se calculó
después de conocer el resultado. Se necesita entonces calcular:

Calcular ahora resulta fácil. Se debe calcular a partir de datos previos la probabilidad de que la prueba sea exacta,
dado que se conoce el resultado real, P(R N) y la probabilidad de que ocurra un resultado particular sin importar cuál
sea la prueba. P(N) se conoce como probabilidad a priori puesto que se calcula antes de cualquier prueba, mientras
que las otras son probabilidades condicionales. La tercera probabilidad es P(R): la probabilidad de que ocurra el
resultado de prueba R. puede calcularse por medio de:

Combinando (1) y (2) obtenemos:

El resultado final, P(N / R) , probabilidad de que ocurra el suceso N dado el resultado de prueba R se conoce como
probabilidad a posteriori ya que se obtiene después del procedimiento de prueba. En estos momentos estamos en
condiciones de conocer el valor medio esperado de la prueba, VME (prueba). Para poder mostrar su expresión
supongamos que tenemos una matriz como la siguiente:

Si reemplazamos en la matriz cada P(N) por los distintos P(N/R) para cada R (prueba) y calculamos los distintos VME
(máximo para utilidades, mínimos para costos) para cada resultado de prueba obtendríamos para cada prueba (R) un
valor de VME*
Una vez calculados todos los VME* (máximo para utilidades, mínimos para costos) para cada resultado de prueba,
estamos en condiciones de calcular el valor medio esperado de la prueba, VME (prueba), que se obtiene multiplicando
el VME* (máximo para utilidades, mínimos para costos) para cada resultado de prueba por la probabilidad de que
ocurra ese resultado, P(R), y sumando todos estos resultados, obtenemos finalmente la expresión que expresa el valor
medio monetario esperado que nos suministra un consultor o consultora en base a su experiencia.

¿Cómo se calcula el valor de la prueba?: El valor de la prueba, V (prueba), se determina realizando la diferencia entre
el VME de la prueba y el VME (máximo para utilidades, mínimos para costos) sin la prueba, es decir:

V(prueba) = VME(prueba) – VME* (sin prueba)