Departamento de Acadmico de Ingeniera civil y sistemas Escuela Acadmico Profesional de Ingeniera de Sistemas e Informtica (EAPISI) Currculo 2008

UNIVERSIDAD NACIONAL DEL SANTA Facultad de Ingeniera

CICLO I Semestre Acadmico 2012-I CURSO: INVESTIGACIN DE OPERACIONES II

MODULO UNIDAD II: TEORA DE COLAS Y DE DECISIONES

Docente Facilitador: Dr. Juan Pablo Snchez Chvez

- 2012 -1-

TEORIA DE DECISIONES
A. INTRODUCCIN A TEOREMA DE BAYES LA TEORIA DE DECISONES:

INTRODUCCIN. En toda Organizacin, la incertidumbre en el resultado consecuencia de emprender o hacer algo nos lleva al estudio de las probabilidades para obtener informacin en la toma de decisiones.

1. PROBABILIDADES ESTADSTICA

BAJO

CONDICIONES

DE

INDEPENDENCIA

Los eventos son estadsticamente Independientes cuando la ocurrencia de un evento no influye en la ocurrencia de cualquier otro evento futuro. Tipos de Probabilidades Bajo independencia Estadstica Son Marginal, Conjunta y Condicional Probabilidades Marginales Bajo independencia Estadstica Esta dado por la probabilidad Sencilla de la Ocurrencia de un evento.

Ejemplos: 1. Accin :

Se lanza una moneda por tercera vez, si dos resultados anteriores fueron Sello y Sello cual es la probabilidad que el tercer resultado sea sello. Evento : Salga Sello (la ocurrencia de los dos eventos anteriores no influyen en el tercer resultado ya que son eventos estadsticamente independientes). P(sello) = 1/2 -2-

2. Accin : Con la informacin de una moneda cargada en la que Cara ocurren el 0.90 del tiempo y Sello el 0.10 del tiempo, si el resultado del ultimo evento es Sello cul es la Probabilidad que en el siguiente evento el resultado sea Cara? Evento : Salga Cara (El resultado par el nuevo evento no se ve afectado por el resultado del ltimo evento; por que son eventos estadsticamente independientes) P(Cara) = 0.90

-3-

Probabilidades Conjuntas Bajo Independencia Estadstica La probabilidad de que ocurran juntos o en sucesin dos ms eventos independientes, esta dado por el producto de las Probabilidades Marginales. P(AB) = P(A) * P(B) Donde: P(AB) = Conocido como Probabilidad Conjunta, es probabilidad de que los eventos A y B ocurran juntos o sucesin. P(A) = Probabilidad Marginal de que el evento A ocurra P{B) = Probabilidad Marginal de que el evento B ocurra Ejemplos: 1. Accin la en

Un Experimento de lanzamiento de una moneda imparcial en el que se desea conocer la probabilidad de que se obtengan: a) b) c) Dos caras en dos tiros consecutivos. Tres sellos en tres tiros consecutivos. Cara Sello Sello Cara en cuatro tiros consecutivos, (C1 S2 S3 C4).

Eventos: a) Cara 1Cara 2 (1=primer tiro, 2=segundo tiro). P(cara1,cara2) = P(cara1) * P(cara2) = 1/2 * 1/2 = 1/4 = 0.25 Eventos: b) Sello 1 Sello2 Sello3 P(Sello1,Sello2,Sello3) = P(sello1) * P(Sello2) * P(sello3) = 1/2 * 1/2 * 1/2 = 1/8 = 0.125 Eventos: c) C1 S2 S3 C4 P(C1,S2,S3,C4)= P(cara1)*P(sello2) *P(sello3)* P(cara4) = 1/2 * 1/2 * 1/2 * 1/2 = 1/16 = 0.0625 2. Accin :

Se da una probabilidad de que se haga una venta, p, y de que el excito o fracaso en la venta ocurra independientemente. Se desea conocer con las siguientes variables: venta = p, no venta = l - p = q ,directamente:

-4-

a)

La probabilidad de una secuencia de ventas y no ventas alternas en seis visitas de venta, realizndose la primera. La probabilidad de venta, no venta, no venta, venta, venta, venta. La probabilidad de no venta, venta, venta, venta, venta y no venta.

b) b)

-5-

Para (a) P(p,q,p,q,p,q) = P(p) *P(q) *P(p) *P(q) *P(p) *P (q) = p*q*p*q*p*q. = p*p*p*q*q*q. Para (b) P(p,q,q,p,p,p) = P(p) *P(q) *P(q) *P(p) *P(p) *P(p) = p*q*q*p*p*p. = p*p*p*p*q*q. Para (c) c)P{q,p,p,p,p,q) = P(q) *P(p) *P(p) *P(p) *P(p) *P(q) = q*p*p*p*p*q. = p*p*p*p*q*q. 3. Accin

Se da las listas colectivamente exhaustivas para los lanzamientos consecutivos de monedas imparciales. Sabiendo que las probabilidades de eventos independientes mutuamente exclusivos son ADITIVOS (SE SUMAN), se pide las probabilidades.

-6-

TIRO

TIROS

TIROS

Result. Proba- Resultad. Probabilid. Resultados Probabilid. Posible bilidad Posibles Posibles Cl S1 0.5 0.5 1.0 C1C2 C1S2 S1C2 S1S2 0.25 0.25 0.25 0.25 1.00 C1C2C3 C1C2S3 C1S2C3 C1S2S3 S1C2C3 S1C2S3 S1S2C3 S1S2S3 0.125 0.125 0.125 0.125 0.125 0.125 0.125 0.125 1.00

a) De cuando menos una cara (C) en dos tiros b) De al menos un Sello (S) en tres tiros c) De al menos dos Sellos (S) en tres tiros a) Eventos : Una cara o ms = 0.75

P(C ms) = 1 - P(S1,S2) = 1 - 0.25 b) Eventos : Un Sello o ms

P(S ms) = 1 - P(C1,C2,C3) = 1 - 0.125 = 0.875

c)

Eventos : Dos Sellos o ms

P(2 sellos o ms) = P(C1,S2,S3) + P(S1,C2,S3) + P(S1,S2,C3) + P(S1,S2,S3). = 0.125 + 0.125 + 0.125 + 0.125 = 0.5

Probabilidades Condicionales Bajo Independencia Estadstica Simblicamente P(A\B) -7-

Es la Probabilidad de que suceda el evento A dado que ha ocurrido el evento B, y esta dado por: P(A\B) = P(A) Esto es cierto ya que, para eventos estadsticamente independientes la ocurrencia de eventos anteriores NO AFECTAN la probabilidad del nuevo evento, Ejemplo: 1. Accin : el la

Se ha lanzado una moneda imparcial una vez: y ha resultado evento sello, para un nuevo lanzamiento se pide probabilidad de que salga nuevamente sello. Evento : P(S2\S1) = S2 \ S1 P(S2) = 0.5

-8-

2. PROBABILIDAD BAJO CONDICIONES DE DEPENDENCIA ESTADSTICA

La Dependencia Estadstica Existe cuando la Probabilidad de algn evento es DEPENDIENTE DE O AFECTADO POR la ocurrencia de algn otro evento, los tipos de Probabilidades bajo dependencia estadstica son: Marginal, Condicional y Conjunta. Probabilidades Marginales Bajo Dependencia Estadstica Simblicamente se representa por P(A) es exactamente igual a la probabilidad marginal de un evento estadsticamente independiente, es decir su formula es: P(A) = P(A) Puesto que una y slo una probabilidad esta involucrada y la probabilidad marginal se refiere a slo una de ellas.

Probabilidades Condicionales Bajo Dependencia Estadstica Dado por: P(A\B) Significa: Probabilidad de que el evento A ocurra dado que ha ocurrido el evento B, en este caso la probabilidad de que ocurra A depende de B o es afectado por la probabilidad de B. P(A\B) = P(AB) -------P(B)

Se lee, la probabilidad que ocurra A dado que B a ocurrido es igual a la probabilidad de que A y B ocurran juntos dividido por la probabilidad de ocurrencia de B, ejemplo: 1. Accin :

Se tiene la siguiente informacin una caja que contiene 10 bolas de las cuales: 3 1 2 4 bolas son color rojo y con puntos, bola es color roja y con rayas, bolas son color amarillas y con puntos, y bolas son color amarillas y con rayas.

La probabilidad de sacar cualquier bola en particular es : 1/10 = 0.1

-9-

-10-

* 1

Suponga que alguien saca una bola de la caja y nos dice que es Roja. a) Cul es la probabilidad que sea Punteada ? b) Cul es la probabilidad que sea Rayada ?

* 2

Suponga que alguien saca una bola de la caja y nos dice que es Amarilla. c) Cul es la probabilidad que sea Punteada ? d) Cul es la probabilidad que sea Rayada ?

* 3

Suponga que alguien saca una bola de la caja y nos dice que es Punteada. e) Cul es la probabilidad que sea Roja ? f) Cul es la probabilidad que sea Amarilla ?

* 4 Suponga que alguien saca una bola de la caja y nos dice que es Rayada. g) Cul es la probabilidad que sea Roja ? h) Cul es la probabilidad que sea Amarilla ? Equivalencia: Ro Am Pu Pr = = = = Roja Amarilla Punteada Rayada

-11-

Solucin: *1 a) P(Pu\Ro) = P(PuRo)/P(Ro) = 0.3/0.4 = 0.75

b) P(Ra\Ro) = P(RaRo)/P(Ro) = 0.1/0.4 = 0.25 *2 c) P(Pu\Am) = d) P(Ra\Am) = *3 e) P(Ro\Pu) = f) P(Am\Pu) = *4 g) P(Ro\Ra) = h) P(Am\Ra) = Probabilidades Conjuntas Bajo Dependencia Estadstica De la formula de Probabilidad condicional bajo dependencia estadstica: P(A\B) = P(AB) / P(B), la P(AB) sera la Probabilidad Conjunta Bajo Dependencia Estadstica, entonces: P(AB) = P(A\B) * P(B) Se lee, La probabilidad conjunta de los eventos A y B es igual a la probabilidad del evento A, dado que el evento B ha ocurrido, por la probabilidad del evento B.

-12-

Ejemplos: Usando la misma informacin del ejemplo general probabilidad condicional bajo dependencia estadstica, *l a) b) c) d) de

A alguien se le pedir que saque una bola de la caja, cul es la probabilidad que la bola que saque sea: Roja y Rayada ?. Roja y Punteada ?. Amarilla y Rayada, si la probabilidad de ocurrencia que la bola sea amarilla dado que es rayada es 0.8. Amarilla y Punteada, si la probabilidad de ocurrencia que la bola sea amarilla dado que es punteada es 0.4. Expresando en la formula general los eventos conjuntos tenemos:

Solucin.*1 a)

P(RoRa) = P(Ro\Ra) * P(Ra) = P(RoRa) * P(Ra) P(Ra) = 0.2 * 0.5 = 0.1

b)

P(RoPu) = P(Ro\Pu) * P(Pu) = P(RoPu) * P(Pu) P(Pu) = 0.6 * 0.5 = 0.3

-13-

c)

P(AmRa) = P(Am\Ra) * P(Ra) = 0.8 * 0.5 = 0.4

d)

P(AmPu) = P(Am\Pu) * P(Pu) = 0.4 * 0.5 = 0.2

Ejemplos De Calculo De Probabilidades Marginales Bajo Dependencia Estadstica Con la siguiente obtenidas en *1, P(RoRa) P(RoPu) P(AmRa) P(AmPu) a) b) c) d) Hallar Hallar Hallar Hallar = = = = la la la la 0.1 0.3 0.4 0.2 probabilidad probabilidad probabilidad probabilidad Marginal Marginal Marginal Marginal del del del del evento evento evento evento Rojo, P(Ro) Amarillo, P(Am) Punteado, P(Pu) Rayado, P(Ra) informacin de probabilidades conjuntas

Solucin :

Estas probabilidades marginales se obtienen al sumar probabilidades conjuntas en donde aparezca el evento de inters que queremos calcular, as:

-14-

a) b) c) d)

P(Ro) P(Am) P(Ra) P(Pu)

= = = =

P(RoRa) P(AmRa) P(RoRa) P(RoPu)

+ + + +

P(RoPu) P(AmPu) P(AmRa) P(AmPu)

= = = =

0.1 0.4 0.1 0.3

+ + + +

0.3 0.2 0.4 0.2

= = = =

0.4 0.6 0.5 0.5

Aplicaciones de probabilidades marginales. Problema 1: En una de las divisiones de la Compaa un grupo de auditoria interna conformado por dos personas ha comenzado a evaluar el sistema de seguridad para encontrar alguna deficiencia. Cada auditor trabaja independientemente del otro. Por experiencia en auditoras anteriores cada auditor tiene una probabilidad de 0.6 de encontrar una deficiencia del sistema durante el perodo de auditora. Si ambos auditores encuentran tal deficiencia. La probabilidad de que el sistema necesite redisearse es del 0.8. Si cualquiera de los dos auditores encuentran una deficiencia, la probabilidad es 0.5 que el sistema necesite redisearse. S ninguno de los auditores encuentra una deficiencia, todava hay una pequea probabilidad de 0.2 que el sistema necesite redisearse. Cul es la probabilidad que, despus de cualquiera de un grupo de dos personas, redisearse el sistema? una auditoria se tenga que

-15-

Solucin: Datos: Definicin de las variables de los eventos: A B nA nB Rl R2 R3 = = = = = = = El auditor 1 El auditor 2 El auditor 1 El auditor 2 Redisear el Redisear el Redisear el encuentra una deficiencia encuentra una deficiencia no encuentra una deficiencia no encuentra una deficiencia sistema si (A y B) sistema si ((A y nB) o (B y nA)) sistema si (nA y nB)

Independencia Estadstica P(A) = 0.6 P(B) = 0.6 P(R1) P(R2) P(R3) = 0.8 = 0.5 = 0.2 P(nA) = 1 - 0.6 P(nB) = 1 - 0.6 = = 0.4 0.4

Lo que buscamos es la probabilidad marginal de redisear el sistema y esta est dado por la suma de las probabilidades conjuntas en donde aparezca redisear el sistema. P(Redisear el sistema)=P((R1(AB))+P(R2 ((A nB)o(B nA) )) + P(R3 (nA nB)) .... = ???

-16-

A continuacin encontramos las probabilidades conjunta Probabilidad de que ambos auditores encuentren una deficiencia P(AB) = P(A) * P(B) = 0.6 * 0.6 = 0.36

Probabilidad de slo uno de ellos encuentre una deficiencia P((A nB) (B nA) = P(A) * P(nB) + P(B) * P(nA) = 0.6 * 0.4 = 0.48 + 0.6 * 0.4

Probabilidad de que ninguno de ellos encuentre una deficiencia P(nA nB) = = P(nA) * P(nB) 0.16 = 0.4 * 0.4

A continuacin encontramos la Probabilidad Marginal P(Redisear el sistema)= P((R1 (AB))+P(R2((A nB)o(B nA))) + P(R3 (nA nB)) =P(R1)*P(AB) + P(R2)* P((A nB) (B nA)) + P(R3) *F(nA nB) = 0.8 = 0.56 Respuesta : Despus de una auditoria de un grupo cualesquiera de dos personas, hay una probabilidad de 0.56 de que el sistema de seguridad tendr que ser rediseado. * 0.36 + 0.5 * 0.48 + 0.2 * 0.16

3. TEOREMA DE BAYES : REVISIN DE PRE ESTIMACIONES DE PROBABILIDADES

A la formula fundamental de Probabilidad Condicional Bajo Dependencia Estadstica se le conoce como Teorema de Bayes: P(A\B) = P(AB) / P(B)

El teorema de Bayes constituye un poderoso mtodo estadstico de evaluacin de nueva informacin limitada la que es tomada de base para revisar nuestras preestimaciones de probabilidades. Al usar correctamente este mtodo no es -17-

necesario recolectar una gran cantidad de datos a travs de largos perodos de tiempo, para tomar decisiones basadas en probabilidades. Si una organizacin ha obtenido las probabilidades iniciales o previas para un determinado evento, y en el proceso de alcanzar este resultado se obtiene informacin adicional, entonces, las probabilidades previas pueden ser alteradas agregando y relacionando a la informacin inicial dicha informacin adicional obtenida. A estas nuevas probabilidades se le conocen como probabilidades Revisadas o Posteriores. El origen para obtener probabilidades posteriores con informacin limitada se debe al Matemtico Ingls Reverendo Toms Bayes (1702 - 1761), y la teora moderna de Decisiones a menudo se le llama Teora Bayesiana de Decisiones en su honor. Revisin de Probabilidades. 1^^ En una caja existen dos dado cargado (identificados como dado tipol y dado tipo2) y, se quiere conocer la probabilidad de que se saque el dado tpol, y la probabilidad de sacar el dado tipo2. (eventos elementales) a) b) 2^^ Evento elemental P(tipol) = 1/2 Evento elemental P(tipo2) = 1.2 : Tipol = 0.5 : tipo2 = 0.5

(Primera Revisin de probabilidades Previas). Un Experimento indica que de la mitad de tiros logrados por el dado tipol el 30 % de las veces sale el nmero seis, y de la otra mitad de tiros logrados por el dado tipo2 el 60 % de las veces sale el numero seis. Se saca un dado, se tira una vez y sale un seis.

a) Cul es la probabilidad de que sea el dado tipol ? b) Cul es la probabilidad de que sea el dado tipo2 ?

-18-

Solucion : Datos: * * * * P(Evento elemental tipol) = 0.5. P(Evento elemental tipo2) = 0.5. 30 % = 0.3 sera la probabilidad condicional P(seis\tipol). 60 % = 0.6 sera la probabilidad condicional P(seis\tipo2).

Con los datos anteriores podemos encontrar las probabilidades conjuntas ** ** P(seis, Evento elemental tipol) = 0.3 * 0.5 = 0.15 P(seis, Evento elemental tipo2) = 0.6 * 0.5 = 0.30

Con las probabilidades conjuntas podemos encontrar la probabilidad marginal del Evento Seis, la cual estar dada por la suma de las probabilidades conjuntas donde aparezca seis. P(Seis) = P(seis, Ev.elem. tipol) + P(seis,ev.elent. tipo2) = 0.15 + 0.30 = 0.45 Con la informacin obtenida ahora s, podemnos dar respuesta a lo que se nos pide haciendo uso de la formula de del teorema de Bayes (adecuando la informacin). a) b) P(tipol\seis) = P(tipo2\seis) = P(tipol. seis) P(ses) = 0.15 0.45 = = 1 3 2 3 podemos alterar previo, nuestro probabilidad de 2/3 de que dado

P(tipo2, seis) = 0.30 P(seis) 0.45

2^^ Con la informacin obtenida en este punto o revisar nuestro estimado de probabilidad nuevo estimado posterior es que hay una 1/3 que el dado sacado sea el .tipol y el sacado sea del tipo2.

3^^ (Segunda revisin de probabilidades) Imaginemos que con un slo tiro no es suficiente para indicar si el dado es tipol tipo2. Suponga que EL MISMO DADO es tirado por segunda vez y nuevamente sale seis. a) Cul es la Probabilidad revisada que el dado es tipol ? b) Cul es la probabilidad revisada que el dado es tipo2 ? -19-

Solucin: Datos: * * * * * * P(Evento elemental P(Evento elemental P(seis\tipol) = P(seis\tipo2) = P(2 seis \ tipol) P(2 seis \ tipol) tipol) tipo2) 0.3 0.6 = 0.3 * = 0.6 * = 0.5 = 0.5 0.3 0.6 = = 0.9 0.36

Con los datos anteriores de la informacin inicial y la ltima nueva informacin podemos encontrar las probabilidades conjuntas de que ocurran en sucesin 2 seis y el evento elemental. *** P(2 seis, Evento elemental tipol) = 0.09 * 0.5 = 0.045 *** P(2 seis, Evento elemental tipo2) = 0.36 * 0.5 = 0.180 Con las probabilidades conjuntas podemos encontrar la probabilidad marginal del Evento 2 Seis, la cual estar dada por la suma de las probabilidades conjuntas donde aparezca 2 seis. P(2Seis) = P(2seis,Ev.elem.tipol) + P(2 seis,ev.elem.tipo2) = 0.045 + 0.180 = 0.225 Con la informacin obtenida, haciendo uso de la formula del teorema de Bayes damos respuesta a lo que se nos pide (adecuando la informacin) a) b) P(tipol\2seis) P(tipo2\2seis) = = P(tipol. 2seis) = P(2seis) P(tipo2, 2seis) = P(2seis) 0.045 0.225 = 0.2

0.180 = 0.8 0.225

Conclusin: En virtud de tirar dos veces el mismo dado y observar su conducta podemos estar 80 % seguros que el dado es tipo2, esta nueva informacin lo hemos obtenido simplemente al tirar el mismo dado dos veces y no nos ha representado costo alguno; pero obtener nueva informacin en una organizacin cuesta, y los que toman decisiones no slo deben saber como utilizar la nueva informacin para revisar probabilidades previas, sino tambin determinar cuanto vale esa nueva informacin antes del hecho, ya que en muchos casos el valor de la nueva informacin puede se menor que su costo. -20-

Aplicaciones De Revisin De Probabilidades Previas 1 (Tres observaciones con resultados Consistentes) Un fabricante utiliza una mquina automtica para producir cojinetes. Si el ajuste en la etapa de preparacin es Correcto, la mquina producir 90 % de cojinetes buenos, si el ajuste es incorrecto la mquina producir slo el 40 % de cojinetes buenos. Por experiencias anteriores se sabe que en la etapa de preparacin el 70 % de las veces se hace el ajuste correcto. Si la mquina produce 3 cojinetes aceptables (buenos) como las 3 primeras piezas. Cul es la probabilidad revisada que en esta etapa de preparacin el ajuste haya sido correcto ?. Solucin: Como queremos conocer probabilidad del evento Correcto (correcto e incorrecto sern nuestros eventos elementales), entonces: Eventos : (Probabilidades de los eventos)

Correcto : P(correcto) = 0.70 Incorrecto : P(incorrecto) = 1 - 0.70 = 0.30. Como datos tenemos probabilidades de que el cojinete producido sea Correcto si ha sucedido el evento ajuste correcto o incorrecto, estas probabilidades lo expresamos como formulas: P(l Cojinete Bueno \ Ajuste Correcto) P(l Cojinete Bueno \ Ajuste Incorrecto) = = 0.90 0.40

Con la informacin de probabilidades anteriores podemos encontrar las nueva probabilidades condicionales para 3 cojinetes buenos, dado el evento inicial de ajuste, as; P(3CojinetesBuenos\AjusteCorrecto) = 0.90*0.90*0.90 = 0.729 P(3CojinetesBuenos\AjusteIncorrecto)=0.40*0.40*0.40 = 0.064 Ahora encontramos las probabilidades de la ocurrencia conjunta que sucedan evento ajuste y 3 cojinetes buenos P{3CojintesBuenos, ajusteCorrecto) = 0.729 * 0.70 = 0.5103 P(3CojintesBuenos, AjusteIncorrecto)= 0.064 * 0.30 = 0.0192 Nota: estos clculos se ajustan a la formula general probabilidad condicional bajo dependencia estadstica P(AB) =P(A\B) * P(B) -21de

Clculo de la probabilidad marginal de 3 cojinetes buenos P(3Cojinetes Buenos) Se nos pide: P(AjusteCorrec\3cojinetes.Buenos)= (Aj.Correc.3Coj.Buenos) P(3Coj intesBuenos) = Conclusin: La probabilidad posterior de que la mquina en la etapa de preparacin se haya ajustado correctamente es 0.963739% 96.3739%. De este modo hemos revisado muestra probabilidad original de un ajuste correcto de 70% a 96.37%, basada en observar 3 cojinetes producidos. 2 (Cinco observaciones para el problema de cojinetes que incluyen resultados inconsistentes), as: Primera observacin: Segunda observacin: Tercera observacin: Cuarta observacin : Quinta observacin : Cojinete Cojinete Cojinete Cojinete Cojinete Aceptable Inaceptable Aceptable Aceptable Aceptable (A) (I) (A) (A) (A) 0.5103 = 0.5295 0.963739 = 0.5103 + 0.0192 = 0.5295

Cul es la probabilidad posterior que la mquina en la etapa de preparacin haya tenido un ajuste Correcto ? Solucin: Datos de probabilidades para eventos elementales, P(Ajueste Correcto) P(Ajuste Incorrecto) = = 0.70 l - 0.70 = 0.30

P(1Coj. Bueno\AjusteCorrecto)

= P(A\Ajus.Correcto) = 0.90

P(1Coj. Bueno\AjusteIncorrecto)= P(A\Aj.Incorrecto) = 0,40 Agregamos las probabilidades de un cojinete malo o inaceptable dado el tipo de ajuste y stos datos seran sus complementos: P(1Coj. Malo\Aj.Correcto)=P(I\Aj. Correcto) = 1 - 0.9 = 0.1 P(1Coj. Malo\Aj.Incorrect)=P(I\Aj.Incorrec) = 1 - 0.4 = 0.6 Nuevas probabilidades para Cojinete Bueno - Cojinete Malo Cojinete Bueno Cojinete Bueno - Cojinete Bueno dado el evento inicial de ajuste, asi: -22-

P(AIAAA\AjusteCorrecto) = 0.9*0.1*0.9* 0.9*0.9 = 0.0729 P(AIAAA\AjusteIncorrecto)= 0.4*0.6*0.4*0.4*0.4 = 0.0384 Probabilidades de la ocurrencia conjunta P(AIAAA, ajusteCorrecto) = 0.0729 * 0.70 = 0.05103 P(AIAAA, Ajustelncorrecto) = 0.0384 * 0.30 = 0.01152 Clculo de la probab. marginal de las cinco observaciones A I A A A, dado por la suma de las probabilidades conjuntas: P (AIAAA) = 0.05103 + 0.01152 = 0.6255

Se nos pide: P(Ajuste Correcto\AIAAA) = P(Aj. Correcto, AI AAA) P(AIAAA) = Conclusin : La probabilidad posterior de que la maquina preparacin se haya ajustado correctamente es este modo hemos revisado nuestra probabilidad ajuste correcto de 70% a 81,58 %, basada Cojinetes producidos (AIAAA). en la etapa de de 81.58 %. De original de un en observar 5 0.05103 = 0.8158273 0.06255

Aplicaciones De Probabilidades Revisadas Con ms De Dos Eventos Elementales 1) Una empresa debido al alto volumen de produccin, tiene cuatro proveedores para un cierto tipo de componente que usa. Los registros de los ltimos aos dan la siguiente informacin: PROVEEDOR SI S2 S3 S4 % DE ABASTECIMIENTO DEL USO TOTAL 40 30 20 10 % COMP. DEFECTUOSOS (con el tiempo) 20 10 30 40

-23-

Un grupo de control de calidad examina un lote de ste tipo de componente recin recibido y al probar los primeros cuatro sacados encuentran que el cuarto componente esta defectuoso. Cul es la probabilidad que el proveedor "S2" haya surtido ste lote?. Solucin: B D = Componente bueno o aceptable. = Componente Defectuoso, malo o inaceptable.

Datos de probabilidades para eventos elementales dado por porcentaje de abastecimiento de los distintos proveedores, P(S1) P(S2) P(S3) P(S4) = = = = 0.40 0.30 0.20 0.10

Probabilidades de obtener un componente bueno dado el tipo de proveedor. Es el complemento de obtener un Defectuoso P(B\S1) P(B\S2) P(B\S3) P(B\S4) = = = = 1 1 1 1 0.20 0.10 0.30 0.40 = 0.80 = 0.90 = 0.70 = 0.60

-24-

Datos de probabilidades de obtener un defectuoso P(D\S1) P(D\S2) P(D\S3) P(D\S4) = = = = 0.20 0.10 0.30 0.40

Probabilidades de obtener en secuencia 3 componente buenos y el ltimo defectuoso dado el tipo de proveedor (segn la nueva informacin) P(BBBD P(BBBD P(BBBD P(BBBD \ \ \ \ S1) S2) S3) S4) = = = = 0.8 0.9 0.7 0.6 * * * * 0.8 0.9 0.7 0.6 * * * * 0.8 0.9 0.7 0.6 * * * * 0.2 0.1 0.3 0.4 = = = = 0.1024 0.0729 0.1029 0.0864

Probabilidades conjuntas de 3 componentes buenos, defectuoso y tipo de proveedor P(BBBD, P(BBBD, P(BBBD, P(BBBD, S1) S2) S3) S4) = = = = 0.1024 0.0729 0.1029 0.0864 * * * * 0.4 0.3 0.2 0.1 = = = = 0.04096 0.02187 0.02058 0.00864

Clculo de la probabilidad marginal del evento 3 buenos 1 malo; dado por la suma de las probabilidades conjuntas donde aparece el evento BBBD. P(BBBD) = P(BBBD, SI) + ... + P(BBBD, S4) = 0.04096 + 0.02187 + 0.02058 + 0.00864 = 0.09205 Se nos pide: P(S2\BBBD) = P(S2. BBBD) P(BBBD) = 0.02187 0.09205 = 0.2375

Conclusin : La probabilidad posterior de que S2 haya surtido ste lote es del 23.75% aproximadamente el 24%.

TEOREMA DE BAYES: Problemas resueltos

Problama N 01 El 60% de los tornillos producidos por una fbrica proceden de la mquina A y el 40% de la mquina B. La proporcin de defectuosos en A es 0.1 y en B es 0.5. Cul es -25-

la probabilidad de que un tornillo de dicha fbrica sea defectuoso? Cul es la probabilidad de que, sabiendo que un tornillo es defectuoso, proceda de la mquina A?. Solucin En este ejemplo, tenemos un experimento en dos etapas; en la primera, los sucesos o eventos son: A: tornillo fabricado por la mquina A B: tornillo fabricado por la mquina B Los valores de las probabilidades de estos sucesos o eventos son conocidos: p(A)=0.6 y p(B)=0.4. Los resultados de la segunda etapa son: D: tornillo defectuoso nD: tornillo no defectuoso Las probabilidades de estos sucesos dependen del resultado de la primera etapa: p(D\A)=0.1 p(D\B)=0.5 A partir de estos valores podemos determinar tambin: p(nD\A)=1-P(D\A)=1-0.1 = 0,9 p(nD\B)=1-P(D\B)=1-0.5 = 0.5 1. Cul es la probabilidad de que un tornillo de dicha fbrica sea defectuoso? El suceso o evento D se puede poner como: D=DA+DB (sera las suma de probabilidades conjuntas para eventos o sucesos mutuamente excluyentes); luego utilizando el teorema de las probabilidades totales, calculamos la probabilidad marginal de defectuoso es decir donde aparece el trmino defectuoso: p(D)=p(D\A)p(A)+p(D\B)p(B)=(0.1)(0.6)+(0.5)(0.4) = 0.26 2. Cul es la probabilidad de que, sabiendo que un tornillo es defectuoso, proceda de la mquina A?. La otra probabilidad es p(A\D), probabilidad de un resultado de la primera etapa condicionada a un resultado de la segunda; podemos aplicar el teroema de Bayes para resolverlo: a) Primera forma para obtener el resultado es aplicando el teorema de Bayes ampliada

p(A\D)= p(D\A)p(A) / [p(D\A)p(A) + p(D\B)p(B)] p(A\D) = (0.1*0.6) / [0.1*0.6 + 0.5*0.4] p(A\D) = 0.06 / 0.26 = 0.23076923 b) Segunda forma para obtener el resultado es aplicando el teorema de Bayes resumida, como p(D/A)p(A) en realidad es la probabilidad conjunta de que suceda el evento o suceso tornillo defectuoso y de la mquina A, es decir p(AD)= -26-

0.6*0.1= 0.06, y [p(D/A)p(A) + p(D/B)p(B)] en realidad es la probabilidad marginal de defectuoso es decir p(D)= 0.26

p(A\D) = 0.06 / 0.26

= 0.23076923

Problema N 02 El despertador de Conco no funciona muy bien, pues el 20% de las veces no suena. Cuando suena, Conco llega tarde a clase con probabilidad 0.2, pero si no suena, la probabilidad de que llegue tarde a clase es 0.9. a) Determine la probabilidad de que llegue tarde a clase y haya sonado el despertador. b) Determine la probabilidad de que llegue temprano a clase. c) Conco ha llegado tarde a clase, Cul es la probabilidad de que haya sonado el despertador?.

Solucin: Sean los sucesos: A: "sonar el despertador" P(A) = 0.8 B: "llegar tarde a clase" Eventos Correcto Incorrecto : (Probabilidades de los eventos) : : P(correcto) P(incorrecto) = = 0.70 1 - 0.70 = 0.30.

Solucin: Eventos Elementales 1. nA = No suena el despertador P(nA) = 0.2 2. A = Suena el despertador P(A) = 1 0.2 = 0.8 3. B = Llega tarde a clase 4. nB = Llega temprano a clase 5. Llega tarde a clase y suena el despertador P(B\A) = 0.2 6. Llega temprano a clase y suena el despertador = 1 0.2 = 0.8 = P(nB\A) 7. Llega tarde a clases y no suena el despertador P(B\nA) = 0.9 8. nB = Llega temprano a clase y no suena el despertador = 1 0.9 = 0.1 = P(nB\nA) a) Determine la probabilidad de que llegue tarde a clase y haya sonado el despertador. -27-

P(AB) = P(B\A)P(A) = 0.2 * 0.8 = 0.16 b) Determine la probabilidad de que llegue tarde a clase. Nos piden la Probalibidad marginal de llegar tarde a clase y estar dada por las probabilidades conjuntas de que llegue tarde a clase y haya sonado el despetador y llegue tarde a clase y no haya sonado el despertador: P(B) = P(B A) + P(B nA) P(B) = P(B\A) * P(A) + P(B\nA)*P(nA), reemplazando datos: P(B) = 0.2*0.8 + 0.9*0.2 = 0.34 c) Determine la probabilidad de que llegue temprano a clase. Nos piden la Probalibidad marginal de llegar temprano a clase y estar dada por las probabilidades conjuntas de que llegue temprano a clase y haya sonado el despetador y llegue temprano a clase y no haya sonado el despertador: P(nB) = P(nB A) + P(nB nA) P(nB) = P(nB\A) * P(A) + P(nB\nA)*P(nA), reemplazando datos: P(nB) = 0.2*0.8 + 0.1*0.2 = 0.36 c) Conco ha llegado tarde a clase, Cul es la probabilidad de que haya sonado el despertador?. Aqu nos piden la probabilidad condicional de que haya sonado el despertador dado el evento llegar tarde, aplicando el teorema de Bayes se tiene: P(A\B) = P(A B) / P(B) = 0.16 / 0.34 = 0.47

B. TOMA DE DECISONES
1. CLASIFICACION DE LOS MODELOS DE DECISIONES EN CATEGORIAS
CATEGORAS EN QUE SE TOMAN LAS DECISIONES Los que toman las decisiones deben funcionar en tres tipos de categoras. En cada una de estas categoras, el conocimiento sobre los estados de la naturaleza es distinto. Las categoras en las que se toman las decisiones son tres:

La toma de decisiones bajo condiciones de certeza.

-28-

 La toma de decisiones bajo condiciones de incertidumbre. La toma de decisiones bajo condiciones de riesgo.
1 . La toma de decisiones bajo condiciones de certeza: En este ambiente, solo existe un estado de la naturaleza; esto es, hay certidumbre completa acerca del futuro. Aunque este ambiente a veces existe, esta usualmente asociado con decisiones muy rutinarias que involucran asuntos sin importancia; aun en estos casos, es usualmente imposible garantizar certeza completa sobre el futuro. 2. La toma de decisiones bajo condiciones de incertidumbre: En este caso existe mas de un estado de la naturaleza, pero el que toma las decisiones no tiene conocimiento sobre los diversos estados, ni aun suficiente conocimiento para permitir la asignacin de probabilidades a los estados de la naturaleza. 3. La toma de decisiones bajo condiciones de riesgo. En esta situacin, existe mas de un estado de la naturaleza, pero el tomador de decisiones tiene informacin que soportara la asignacin de valores de probabilidades a cada uno de los estados posibles. Bajo condiciones de certeza completa, es fcil analizar la situacin y tomar buenas decisiones. Puesto que la certeza involucra solo un estado de la naturaleza, el tomador de decisiones simplemente escoge el mejor beneficio en esa columna nica y selecciona la alternativa asociada con ese beneficio. En la tabla 1, por ejemplo, si el presidente de la compaa, supiera que la demanda iba a ser moderada, escogera la alternativa construir, puesto que le resulta en el beneficio mximo. En forma semejante, si el supiera que la demanda iba a ser baja, escogera la alternativa subcontratar, puesto que aunque genera una perdida, aun es su mejor alternativa dado el estado de la naturaleza. En cualquier evento, muy pocos llegan a tener el lujo de tener informacin completa sobre el futuro, y as la toma de decisiones bajo certidumbre no es de mucho inters para nosotros.

-29-

2. LOS CRITERIOS PARA LA TOMA DE DECISIONES BAJO INCERTIDUMBRE

En el caso de la toma de decisiones bajo incertidumbre, se sabe que estados de la naturaleza pueden ocurrir, pero no se tiene informacin que permita especificar la probabilidad con que ocurrirn estos estados. En esta situacin, hay cuatro criterios que se puede usar; examinaremos brevemente cada uno de ellos.

Criterio Criterio Criterio Criterio

Mximax. Maximin. de arrepentimiento Mnimax. de Realismo.

El Criterio Mximax : (Ver tablas 1 y 2) El criterio mximax para tomar decisiones bajo incertidumbre proporciona un criterio optimista. Si quisiramos usar esta criterio, debemos seleccionar la alternativa de decisin que maximizara su beneficio mximo. En nuestro problema ilustrado en la Tabla 1, se selecciona primero el beneficio mximo posible para cada alternativa de decisin, despus se selecciona la alternativa que proporciona el beneficio mximo dentro de ese grupo. La Tabla 2, es una repeticin de la Tabla 1, que ilustra este mtodo. En la Tabla 2, se ha encerrado en un circulo el beneficio mximo posible para cada una de las tres alternativas de decisin. La alternativa dentro de este grupo de tres que proporciona el mximo beneficio, es construir, con un beneficio asociado sobre los 5 aos de $ 700 000. Tabla 1. Tabla de beneficios para la decisin de expansin de la compaa de cintas y discos ( beneficios expresados en utilidades obtenidas en los siguientes 5 aos). Estados de la naturaleza ( demanda) Alta Moderada Baja Alternativas Expander $500 000 $250 000 -$250 000 del tomador de Construir $700 000 $300 000 -$400 000 decisiones Subcontratar $300 000 $150 000 -$10 000

Falla -$450 000 -$800 000 -$100 000

Tabla 2. Tabla de beneficios para la decisin de expansin de la compaa de cintas y discos ( beneficios expresados en utilidades obtenidas en los siguientes 5 aos). -30-

Alternativas del tomador de decisiones

Estados de la Alta Expander $500 000 Construir $700 000 Subcontratar $300 000

naturaleza ( demanda) Moderada Baja Falla $250 000 -$250 000 -$450 000 $300 000 -$400 000 -$800 000 $150 000 -$10 000 -$100 000

El Criterio Maximin (Ver tablas 1 y 3): El criterio maximin para la toma de decisiones bajo incertidumbre da un criterio pesimista. Para usar este mtodo, se intenta maximizar sus beneficios mnimos posibles. Se empieza listando el beneficio mnimo que es posible para cada alternativa de decisin; despus se seleccionara la alternativa dentro de este grupo de tres que resulta en el beneficio mximo. La tabla 3 repite la Tabla 1. En la Tabla 3,se ha encerrado en un circulo el beneficio mnimo que es posible para cada una de las tres alternativas de decisin. La alternativa de decisin dentro de este grupo de tres que proporciona el beneficio mximo es la alternativa subcontratar, con un beneficio asociado de -$100 000 sobre los prximos 5 aos. Tabla 3. - Tabla de beneficios para ala decisin de expansin de la compaa de cintas y discos ( beneficios expresados en utilidades obtenidas en los siguientes 5 aos). Estados de la naturaleza ( demanda) Alta Moderada Baja Falla Expander $500 000 $250 000 -$250 000 -$450 000 Construir $700 000 $300 000 -$400 000 -$800 000 Subcontratar $300 000 $150 000 -$10 000 -$100 000

Alternativas del tomador de decisiones

El Criterio de Arrepentimiento Mnimax(Ver tablas 1 y 4) Para presentar este criterio, supongamos que se puede ir al futuro por un minuto y mirar al pasado. Supongamos que inicialmente tomo la decisin de subcontratar la produccin de discos y cintas (basado en la informacin que tenia en ese entonces) y resulta que la demanda es alta. La utilidad que tendra al subcontratar con demanda alta es $ 300 000, pero si se hubiese sabido que la demanda iba ser alta, no habra subcontratado sino habra escogido construir con -31-

una utilidad de $ 700 000. La diferencia entre $ 700 000 ( el beneficio optimo si el hubiese sabido)y $ 300 000 (el beneficio efectivamente realizado de la subcontratacin) es $ 400 000 y es conocido como el arrepentimiento resultante de su decisin. Veamos el calculo de un valor adicional de arrepentimiento. Supongamos que hubisemos escogido la alternativa construir, y la demanda hubiese resultado ser moderada. En este caso no habra arrepentimiento porque, segn result, la alternativa de decisin construir es optima cuando la demanda es moderada y $ 300 000 es el beneficio mximo posible. En la Tabla 4 mostramos el arrepentimiento mximo asociado para cada alternativa de decisin y estado de la naturaleza. Estos valores de arrepentimiento se obtienen al restar cada asiento en la tabla de beneficios ( Tabla 1) del mximo asiento en su columna. Para aplicar el criterio de arrepentimiento mximo para cada alternativa de decisin, ha hecho esto al encerrar en un circulo el arrepentimiento mximo para las tres alternativas de decisin en la Tabla 4. Finalmente, el escoge el mnimo de estos tres valores de arrepentimiento ( $ 350 000, $ 700 000 y $ 400 000); en este caso, $ 350 000 es el valor de arrepentimiento mnimo y su arrepentimiento asociado con la alternativa de decisin expandir.Tabla. 4 Arrepentimiento para cada una de las doce combinaciones de alternativa de decisin y estado de la naturaleza para la compaa de discos y cintas. Estados de la Alta Expander $200 000 Construir 0 Subcontratar $400 000 naturaleza ( demanda) Moderada Baja Falla $50 000 $240 000 $350 000 0 $390 000 -$700 000 $150 000 0 0

Alternativas del tomador de decisiones

El Criterio de Realismo: (Ver tabla 5) Este criterio para la toma de decisiones bajo incertidumbre es un criterio intermedio entre el maximax y el mnimas; esto es, entre el optimismo y el pesimismo. Este compromiso requiere que se especifique un coeficiente o ndice de optimismo, simbolizado por donde esta entre 0 y 1. Cuando se asigna a un valor de cero (0), expresa pesimismo sobre la naturaleza. Cuando se asigna a un valor de uno (1), expresa optimismo sobre la naturaleza. Para aplicar este criterio a su decisin sobre la expansin de la -32-

B E N E F I C I O

compaa de discos y cintas, primero se determina tanto el beneficio mximo como el mnimo para cada alternativa de decisin. Esto se ha hecho esto en la Tabla 5. El beneficio mximo para cada decisin esta encerrado en un circulo punteado, y el mnimo en un circulo normal. Entonces, para cada alternativa de decisin, se calculara este valor: Medida de realismo = ( beneficio mximo) + ( 1 ) (beneficio mnimo) Tabla 5 Beneficios mximo y mnimo para cada alternativa de decisin para la compaa de discos y cintas. Estados de la naturaleza ( demanda) Alta Moderada Baja Falla Expander $500 000 $250 000 -$250 000 -$450 000 Construir $700 000 $300 000 -$400 000 -$800 000 Subcontratar $300 000 $150 000 -$10 000 -$100 000

Alternativas del tomador de decisiones

Ejemplo de la Aplicacin del criterio del realismo : Supongamos en este ejemplo que el presidente de la compaa se siente bastante optimista y le asigna un valor de .7 a . Bajo estas condiciones, los valores de la medida de realismo para las tres alternativas de decisin son : Expandir .7($500 000) + .3(-$450 000) = 125 000 Construir .7($700 000) + .3(-$800 000) = 250 000 Subcontratar .7($300 000) + .3(-$100 000) = 180 000 La aplicacin del criterio de realismo en este caso sugiere que se escoja la alternativa construir. La ventaja de usar el criterio de realismo es que se puede introducir sus propios sentimientos personales de pesimismo u optimismo relativos en el proceso de decisin.

-33-

La Toma de Decisiones Bajo Condiciones de Riesgo: Variables Aleatorias Discretas Cuando tomamos decisiones bajo condiciones de riesgo, necesitamos informacin que nos permita proporcionar probabilidades para los diversos estados posibles de la naturaleza. Esta informacin pueden ser los registros previos o simplemente el juicio subjetivo del que toma la decisin; la fuente no tiene importancia mientras esta informacin nos permita iluminar en que estado creemos se encuentra el ambiente. Hay tres criterios para la toma de decisin bajo riesgo, los cuales estudiaremos; en orden ellos son. Valor esperado ( a menudo llamado Criterio de Bayes), el criterio de racionalidad ( tambin llamado el principio de razn insuficiente) y el criterio de la mxima verosimilitud. El Criterio del Valor Esperado Este criterio requiere que el tomador de decisiones calcule el valor esperado para cada alternativa de decisin ( la suma de los beneficios ponderados para cada alternativa, donde los pesos son los valores de probabilidad asignados por el tomador de decisiones a los estados de la naturaleza que pueden presentarse). Esta idea que parece muy alarmante no es en realidad difcil. Presentmoslo formalmente con un ejemplo : El seor Gil, quien vende fresas en un ambiente de competencia en el que las ventas de fresas de maana es una variable aleatoria discreta. Mas tarde presentaremos mtodos que son tiles cuando la demanda es una variable aleatoria distribuida continuamente. Gil compra fresas a $ 3 la caja y las vende a $ 8 la caja. Este margen relativamente alto refleja lo perecedero del articulo y el gran riesgo de almacenarlo; el producto no tiene ningn valor despus del primer da en que se ofrece a la venta. El seor Gil se enfrenta al problema de cuanto ordenar hoy para los negocios de maana. Tabla 6 : Cajas diarias durante 90 das

-34-

Ventas Diarias 10 11 12 13

No. das con esta venta 18 36 27 9 90

Probabilidad que se venda cada numero .20 .40 .30 .10 1.00 la se 10 de

Una observacin de ventas pasadas por 90 das nos da informacin mostrada en la Tabla 6. Las probabilidades obtienen al normalizar la distribucin. Las ventas fueron cajas en 18 de los 90 das; esto es , 18/90 = 2/10 = .20 las veces.

Esta distribucin tambin es discreta y aleatoria. Solo hay cuatro valores posibles para el volumen de ventas y no hay patrn discernible en la secuencia en que ocurren estos cuatro valores. Si suponemos que Gil no tenga argumentos para creer que el volumen de ventas se comportara en forma diferente en el futuro, su problema es determinar cuantas cajas debe comprar hoy para el negocio de maana. Si maana los clientes solicitan mas cajas de las que hay almacenadas, las utilidades de Gil disminuyen en $ 5 ( precio de venta menos costo) por cada venta que no pueda hacer. Por otra parte, hay costos que resultan de almacenar demasiadas unidades en cualquier dia. Suponga que un dia dado Gil tiene 13 cajas pero solo vende10. Tiene una utilidad de $ 50, $ 5 por caja, en 10 cajas. Pero esto debe reducirse por $ 9, el costo de 3 cajas no vendidas y sin valor. El calculo de utilidades condicionales. Una forma de ilustrar el problema de Gil, es construir una tabla que muestre los resultados en dinero de todas las posibles combinaciones de compras y ventas. Los nicos valores para compras y ventas que tienen significado para nosotros son 10, 11, 12 o 13 cajas. Estas fueron las magnitudes de las ventas. No hay motivo para que ella considere comprar menos de 10 o mas de 13 cajas. La Tabla 7, llamada una tabla de unidades condicionales, muestra la utilidad resultante de cualquier combinacin posible de oferta y demanda. Las utilidades pueden ser positivas o negativas y son condicionales en que una utilidad dada resulta de tomar una accin de almacenamiento -35-

especifica ( ordenar 10, 11, 12 o 13 cajas) y tener ventas de un numero especifico de cajas ( 10, 11, 12 o 13 cajas). La Tabla 7 refleja las perdidas que ocurren cuando el inventario no se ha vendido al final del da. No refleja utilidades no realizadas por Gil a causa de su incapacidad de satisfacer la solicitud de un comprador, esto es, a causa de una condicin de falta de inventario. Tabla 7 : Tabla de utilidades condicionales : Demanda posible (ventas), cajas 10 11 12 13 Acciones de almacenamiento posibles 10 cajas $ 50 50 50 50 20 cajas $ 47 55 55 55 30cajas $ 44 52 60 60 40 cajas $ 41 49 57 65

Ntese que el almacenar 10 cajas al da, siempre resultara en una utilidad de $ 50. aun cuando los compradores quieran 13 cajas en algunos das, Gil solo puede vender 10. Cuando Gil almacena 11 cajas, su utilidad ser $ 55 en los das que los compradores soliciten 11, 12 o 13 cajas. Pero en los das en que ella tenga 11 cajas en almacn y los compradores soliciten solo 10 cajas, su utilidad cae a $ 47. La utilidad de $ 50 en las 10 cajas vendidas debe reducirse en $ 3, el costo de las cajas no vendidas. Un inventario de 12 cajas, aumentara las utilidades diarias a $ 60, pero solo en aquellos das en que los compradores quieran 12 o 13 cajas. Si los compradores quisieran solo 10 cajas, la utilidad se reduce a $ 44; la utilidad de $ 50 en la venta de 10 cajas es reducida en $ 6, el costo de 2 cajas no vendidas.

El almacenar 13 cajas resultara en una utilidad de $ 65 cuando hay demanda para 13 cajas. Habr una utilidad de $ 5 en cada caja vendida, sin cajas sin vender. Cuando los compradores compren menos de 13 cajas, tal accin de almacenaje resultara en utilidades de menos de $ 65. Por -36-

ejemplo, con un inventario de 13 cajas y ventas de solo 11 cajas, la utilidad es $ 49; la utilidad en 11 cajas, $ 55, no reduce en el costo de 2 cajas no vendidas. Tal tabla de utilidades condicionales no le dice Gil que numero de cajas debe almacenar cada da para maximizar sus utilidades. Solo le muestra cual ser el resultado si un numero especifico de cajas almacena y un numero especifico de cajas se vende. Bajo condiciones de riesgo, ella no sabe por anticipado el tamao de la demanda de un da dado, pero aun as debe decidir que numero de cajas, almacenadas consistentemente, maximizara las utilidades sobre un periodo largo. Determinacin de la ex utilidad esperada. El siguiente paso para determinar el mejor numero de cajas a almacenar, es asignar probabilidades a los resultados posibles o utilidades. Vimos en la Tabla 6 que las probabilidades de los valores posibles para las ventas eran como siguen: Cajas 10 11 12 13 Probabilid ad .20 .40 .30 .10

Usando estas probabilidades y la informacin contenida en la Tabla 7, Gil puede ahora calcular la utilidad esperada de cada accin posible de almacenamiento. Antes se anuncio que podamos calcular el valor esperado de una variable aleatoria al ponderar cada valor posible que la variable puede tomar por la probabilidad de que tome es valor. Usando este procedimiento, Gil puede calcular la utilidad esperada diariamente al almacenar 10 cajas al da, como en la Tabla 8. Las figuras en la columna 4 de la Tabla 8 se obtienen al ponderar la utilidad condicional de cada volumen de ventas posible ( columna 2) por la probabilidad de que ocurra cada utilidad condicional ( columna 3). La suma en la ultima columna es la utilidad esperada que resulta de almacenar 10 cajas cada da. No es de sorprenderse que esta utilidad esperada sea de $ 50, sin importar si los compradores queran 10, 11, 12 o 13 cajas. -37-

Tabla 8 :Utilidad esperada de almacenar 10 cajas (1) Tamao del mercado, cajas 10 11 12 13 (2) Utilidad condicional $50 50 50 50 X X X X (3) Probabilidad de tamao del mercado .20 = .40 = .30 = .10 = 1.00 (4) Utilidad esperada $10 20 15 05 $50

El mismo calculo para un inventario diario de 11 unidades puede hacerse, como lo hemos hecho en la Tabla 9. Esto nos dice que si Gil almacena 11 cajas al da, su utilidad esperada con el tiempo ser de $53.40 por da. 80 % del tiempo la utilidad diaria ser $ 55, en estos das los compradores piden 11, 12 o 13 cajas. Sin embargo, la columna 3 nos dice que 20 % del tiempo, el mercado solo tomara 10 cajas, resultando en una utilidad de solo $ 47. Es este hecho lo que reduce la utilidad diaria esperada a $ 53.40. Para 12 y 13 unidades, la utilidad diaria calcula como se muestra en las tablas respectivamente. esperada se 10 y 11,

Hemos ahora calculado la utilidad esperada de cada una de las cuatro acciones de almacenamiento abiertas a Gil. Para sumarizar, estas utilidades esperadas son como sigue: Si se almacenan 10 cajas al da, la utilidad esperada al da es de $ 50.00 Tabla 9 : Utilidad esperada de almacenar 11 cajas (1) Tamao del mercado, cajas 10 11 12 13 (2) Utilidad condicio nal $47 x 55 x 55 x 55 x (3) Probabilida d de tamao del mercado .20 = .40 = .30 = .10 = 1.00 (4) Utilidad esperada $9.40 22.00 16.50 5.50 $53.40

Si se almacenan 11 cajas al da, la utilidad esperada al da es de $ 53.40. Si se almacenan 12 cajas al da, la utilidad esperada al da es de $ 53.60. -38-

Si se almacenan 13 cajas al da, la utilidad esperada al da es de $ 51.40. La accin de almacenamiento optima es aquella que resulta en la utilidad esperada mas grande. Es la accin que resultara en el mayor promedio diario de utilidades y as maximizara las utilidades totales sobre un periodo. En este ejemplo, el numero apropiado de almacenar cada da es 12 cajas, ya que esta cantidad dar el mayor promedio diario de utilidades bajo las condiciones dadas. Tabla 10 : Utilidad esperada para almacenar 12 cajas (1) Tamao del mercado, cajas 10 11 12 13 (2) Utilidad condicio nal $44 x 52 x 60 x 60 x (3) Probabilidad de tamao del mercado .20 = .40 = .30 = .10 = 1.00 (4) Utilidad esperada $8.80 20.00 18.00 6.00 $53.60

Nos hemos introducido certidumbre en el problema a que se enfrenta seor Gil. Mas bien, hemos usado su experiencia pasada para determinar la mejor accin de almacenamiento disponible a ella. Todava no sabe cuantas cajas sern solicitadas en un da dado. No hay garanta de que har una utilidad de $ 53.60 maana. Sin embargo, si almacena 12 unidades al da bajo las condiciones dadas, promediara utilidades de 53.60 por da. Esto es lo mejor que puede hacer, porque la eleccin de cualquier otra de las tres posibles acciones de almacenamiento, resultara en una utilidad promedio menor al da. Utilidad esperada con informacin perfecta. Ahora, supongamos por un momento que nuestro detallista de fresas, seor Gil , pudiera desaparecer toda incertidumbre de su problema al obtener informacin adicional. Informacin completa y exacta sobre el futuro, conocida como informacin perfecta, quitara toda incertidumbre del problema. Esto no significa que las ventas no variaran de 10 a 13 cajas al da. Las ventas todava serian 10 cajas al da, el 20% del tiempo, 11 cajas 40% del tiempo, 12 cajas 30% del tiempo y 13 cajas, 10% del tiempo. Sin embargo, con informacin -39-

perfecta Gil sabra por anticipado cuantas cajas se iban a pedir para cada da. Bajo estas condiciones, Gil almacenara ahora el numero exacto de cajas que los compradores querrn maana. Para la venta de 10 cajas, almacenara 10 cajas y obtendra una utilidad de $ 50. Cuando las ventas se consideran serian de 11 cajas, ella almacenara exactamente 11 cajas obteniendo as una utilidad de $ 55. La Tabla 12 muestra los valores de utilidad condicional que son aplicable al problema de Gil si ella tuviera informacin perfecta. Dado el tamao del mercado por anticipado para un da cualquiera, ella escoge la accin de almacenamiento que maximizara sus utilidades. Esto significa que compra y almacena lo que necesita para evitar toda perdida de inventario obsoleto as como todas las perdidas que reflejan las utilidades perdidas en solicitudes de mercanca no satisfechas. Tabla 11 : utilidad esperada al almacenar 13 cajas (1) Tamao del mercado, cajas 10 11 12 13 (2) Utilidad condicio nal $41 x 49 x 57 x 65 x (3) Probabilidad de tamao del mercado .20 = .40 = .30 = .10 = 1.00 (4) Utilidad esperada $8.20 19.60 17.10 6.50 $51.40

Ahora, ella puede proceder al calculo de la utilidad esperada con informacin perfecta. Esto se muestra en la Tabla 13. El procedimiento es el mismo que el que ya se ha utilizado. Sin embargo, notara que las cifras de utilidades condicionales en la columna 2 de la Tabla 13 son las mximas utilidades posibles para cada volumen de ventas.

-40-

Por ejemplo, cuando los compradores adquieren 12 cajas, Gil siempre har una utilidad de $ 60 bajo certeza, porque habr almacenado 12 cajas exactamente. Con informacin perfecta, entonces, podra contar con obtener una utilidad promedio de $ 56.50 al da. Esta es una cifra importante puesto que la mxima utilidad posible. Tabla 12 : Utilidades condicionales bajo certeza Ventas posibles, cajas 10 11 12 13 Acciones posibles de Almacenamiento 10 cajas 11 cajas 12 cajas 13 cajas $ 50 $ 55 $ 60 $ 65

Tabla 13 : Utilidad esperada con informacin perfecta (1) Tamao del mercado, cajas 10 11 12 13 (2) Utilidad condicio nal $50 x 55 x 60 x 65 x (3) Probabilidad de tamao del mercado .20 = .40 = .30 = .10 = 1.00 (4) Utilidad esperada $10.00 22.00 18.00 6.50 $56.50

Un enfoque alterno: Minimizacin de perdidas. Acabemos de resolver el problema del seor Gil al maximizar su ganancia diaria esperada. Hay otro enfoque para este mismo problema. Podemos calcular las cantidades con las que se reducirn las mximas utilidades posibles ( $ 56.50) bajo varias acciones de almacenamiento; entonces podemos elegir aquel curso de accin que minimizara estas reducciones o perdidas. Estn involucrados dos tipos de perdidas: ( 1) perdidas por obsolescencia son aquellas causadas al almacenar demasiadas unidades; ( 2) perdidas de oportunidad son las causadas al no tener inventario cuando los compradores quieren comprar. La Tabla 14 es una tabla de perdidas condicionales para Gil. Cada valor en la tabla esta condicionado a que se almacene un numero especifico de cajas y se solicite tambin un numero especifico. Los valores incluyen no solo aquellas perdidas de inventario obsoleto cuando el numero de cajas almacenadas excede el numero que los compradores desean sino tambin aquellas perdidas de oportunidad que resultan de las -41-

ventas perdidas cuando el mercado habra aceptado mas que el numero almacenado. Ninguna de estas perdidas se incurre cuando el numero almacenado en un da cualquiera es el mismo que el numero solicitado. Esta condicin produce en el diagonal puros ceros. Cifras de dinero arriba de cualquier cero representan las perdidas que resultan del inventario obsoleto; en cada caso el numero almacenado es mayor que el numero vendido. Por ejemplo, si se almacenan 3 cajas y solo se venden 10 cajas, hay una perdida resultante por el costo de 3 cajas no vendidas. Los valores debajo de la diagonal de ceros representan perdidas de oportunidad que resultan de solicitudes que no se pueden satisfacer. Por ejemplo, si solo se almacenan 10 cajas pero se solicitan 13 cajas, hay una perdida de oportunidad de $ 15. Esto representa la utilidad desperdiciada de $ 5 por caja sobre las tres cajas solicitadas pero no disponible. El siguiente paso es asignar probabilidades a las cantidades que los compradores van a querer. La Tabla 5.6 dio estas probabilidades como: Cajas 10 11 12 13 Probabilid ad .20 .40 .30 .10

Al aplicar estas probabilidades a la informacin en la Tabla 14, podemos calcular la perdida esperada ( reduccin de la mxima utilidad posible de $ 56.50) de cada accin posible de almacenamiento. Hacemos esto ponderando cada uno de las cuatro cifras de perdidas posibles en cada columna de la Tabla 14 por las probabilidades de la Tabla 5.6. Para una accin de almacenar 10 cajas, la perdida esperada se calcula como en la Tabla 15. Tabla 14 : Perdidas condicionales Ventas posibles, cajas 10 11 12 13 Acciones posibles de Almacenamiento 10 cajas 11 cajas 12 cajas 13 cajas $ 0 5 10 15 $ 3 0 5 10 -42$ 6 3 0 5 $ 9 6 3 0

Las perdidas condicionales en la Tabla 15 se toman de la Tabla 14 para una accin de almacenar 10 cajas. La suma de la ultima columna nos indica que si se almacenaran 10 cajas al da, sobre un periodo largo, la perdida promedio o esperada ser de $ 6.50 al da. No hay garanta que la perdida de maana ser exactamente $ 6.50. Tabla 15 : Perdida esperada al almacenar 10 cajas Utilidad condicio nal $0 x 5 x 10 x 15 x Probabilidad de tamao del mercado .20 = .40 = .30 = .10 = 1.00 Utilidad esperada $ .00 2.00 3.00 1.50 $6.50

Tamao del mercado, cajas 10 11 12 13

Las Tablas 16 y 18 muestran los clculos de la perdida esperada de decisiones de almacenar 11, 12 o 13 cajas, respectivamente. La accin optima de almacenamiento es aquella que minimizara las perdidas esperadas; esta accin pide el almacenamiento de 12 cajas cada da, en cuyo punto de partida esperada se minimiza en $ 2.90. Tabla 16 Perdida esperada al almacenar 11 cajas Utilidad condicio nal $3 x 0 x 5 x 10 x Probabilida d de tamao del mercado .20 = .40 = .30 = .10 = 1.00 Utilidad esperada $ .60 .00 1.50 1.00 $3.10

Tamao del mercado, cajas 10 11 12 13

Gil puede enfocar la determinacin de la accin de almacenamiento optima desde cualquier punto de vista, maximizar las utilidades esperadas o minimizar las perdidas esperadas; ambos enfoques llegan a la misma conclusin: En la tabla 19 mostramos que las utilidades son maximizadas y las perdidas esperadas son minimizadas cuando Gil almacena 12 unidades diariamente. Valor esperado de la informacin perfecta. Suponiendo que Gil pudiera obtener un pronosticador perfecto de la demanda -43-

futura, cual seria el valor de tal pronosticador para ella? Debe comparar lo que le cuesta a ella tal informacin adicional con la utilidad adicional que obtendra como resultado de tener la informacin. Tabla 17. Perdida esperada al almacenar 12 cajas Utilidad Probabilidad condicional de tamao del mercado $6 x .20 = 3 x .40 = 5 x .30 = 10 x .10 = 1.00 Utilidad esperada $ 1.20 1.20 .00 .50 2.90
Accin optima de almacenamiento

Tamao del mercado, cajas 10 11 12 13

Gil puede ganar utilidades diarias promedio de $ 56.50 si tiene informacin perfecta para el futuro ( ver tabla 13). Su mejor utilidad diaria esperada sin el pronosticador es solo $ 53.60 ( ver tabla 8 al 11). Tabla 18 : Perdida esperada de almacenar 13 cajas Tamao del mercado, cajas 10 11 12 13 Utilidad Probabilidad condicional de tamao del mercado $9 x .20 = 6 x .40 = 3 x .30 = 0 x .10 = 1.00 Utilidad esperada $ 1.80 2.40 .90 .00 5.10

La diferencia de $ 2.90 es la cantidad mxima que estara dispuesta a pagar, por da, por un pronosticador perfecto, porque esta es la cantidad mxima en la que puede incrementar su ganancia diaria esperada. Esta diferencia es el valor esperado de la informacin perfecta y se conoce como VEIP: No tiene sentido pagar mas de $ 2.90 por el pronosticador; el hacerlo bajara la utilidad diaria esperada. Tabla 19 : Perdidas condicionales 10 cajas $ 50 Accin de Almacenamiento 11 cajas 12 cajas 13 cajas $ 53.40 $53.60 $ 51.40

Utilidad esperada Pedida esperada

6.50

3.10 -44-

2.90

5.10

Optima Al determinar que informacin adicional es valiosa en el proceso de toma de decisin, es un problema serio para los gerentes. En nuestro ejemplo, encontraremos que Gil pagara $ 2.90 al da por un pronosticador perfecto. Al generalizar, a partir de este ejemplo, podemos decir que el valor esperado de la informacin perfecta es igual a la perdida mnima esperada. Sin embargo, no es a menudo que uno sea lo suficientemente afortunado de poder obtener un pronosticador perfecto, as, en la mayora de las situaciones de toma de decisin, los gerentes estn realmente intentando evaluar el valor de la informacin que les permitir tomar una mejor decisin en vez de un perfecta. Artculos que tienen un valor de recuperacin. En el ejemplo previo, supusimos que el producto que se estaba vendiendo se consideraba intil si no se venda al da siguiente de la entrega, o sea el da de venta. Por supuesto, esta suposicin de que no tiene valor de recuperacin no siempre es realista. Si el producto tiene algn valor de recuperacin, entonces esta cantidad se debe considerar al calcular las utilidades condicionales para accin de almacenamiento. Considere el caso de los arandanos frescos, los que se ordenan por el detallista y se reciben el da anterior al da de venta. Cuestan $ 5 por caja y se venden a $ 8 por caja, cualquier remanente no vendido al final del da, se puede salir de el al precio de recuperacin de $ 2 por caja. La observacin nos muestra que las ventas pasadas han variado de 15 a 18 cajas por da; no hay razn para creer que el volumen de ventas tomara cualquier otra magnitud en el futuro. Al usar los mismos procedimientos que en la Tabla 6, establecemos estas probabilidades para los valores que tomaran las ventas: La tabla de utilidades condicionales que resulta de los datos anteriores es la tabla 20. Un inventario de 15 cajas cada da resultara en una utilidad diaria de $ 45 sin importar si la demanda es para 15, 16, 17 o 18 cajas. Las 15 cajas almacenadas siempre se vendern, pero no se puede vender mas en cualquier da.

-45-

Tamao del mercado 15 16 17 18

Probabilidad de tamao del mercado .10 .20 .40 .30 1.00

Un inventario de 7 cajas al da resultara en una utilidad de $ 51, en aquellos das en que la demanda sea de 17 o 18 cajas. Hasta ahora, el calculo de las utilidades condicionales es el mismo que en todos nuestros ejemplos anteriores. Sin embargo, en cualquier momento en que el numero almacenado exceda a la demanda del da de venta, el calculo de la utilidad condicional debe tomar el valor de recuperacin en consideracin. Esto sucede, por ejemplo, cuando 17 cajas se almacenan pero solo se venden 15 cajas. La utilidad sigue: condicional en este evento se calcula $ 45 - 10 $ 35 + 4 $ 39 como

Utilidad de 15 cajas vendidas Menos costo de 2 cajas no vendidas Mas valor de recuperacin de 2 cajas Utilidad condicional

Los valores de recuperacin tambin se pueden considerar como una reduccin en el costo de las cajas no vendidas. En nuestro ejemplo, el costo neto de cada caja no vendida es $ 3, o sea el costo original de $ 5 menos el valor de recuperacin de $ 2. As, cuando se almacenan 18 cajas pero solo se venden 16, la utilidad es $ 42; esto es, $ 3 por caja en las 16 vendidas menos $ 6, el costo total de las 2 no vendidas. Tabla 5.20 Utilidades condicionales Ventas posibles, cajas 15 16 17 18 Acciones posibles de Almacenamiento (cajas) 15 16 17 18 $ 45 $42 $39 $36 45 48 45 42 45 48 51 48 45 48 51 54

-46-

La presencia del valor de recuperacin en un problema de inventarios, no altera la aplicacin de cualquier principio explicado anteriormente. Simplemente significa que debemos considerar su efecto sobre utilidades y perdidas condicionales. Acabamos de ver que el valor de recuperacin aumenta las utilidades condicionales porque reduce la perdida causada por el almacenamiento en exceso. Procedemos como antes al determinar la accin optima de almacenamiento a tomar. El siguiente paso es determinar la utilidad esperada para cada una de las cuatro acciones posibles de almacenamiento. Esto involucra ponderar las cifras de utilidades condicionales para cada accin de almacenamiento por la probabilidad de que cada una ocurrir, y despus sumar los resultados para cada accin de almacenamiento. La Tabla 21 presenta las cifras de resultantes, el almacenamiento de 17 accin de almacenamiento optima. Con obtener mayores utilidades promedio y 17 cajas cada da, aun cuando algunos para 15, 16 o 18. utilidades esperadas cajas al da es la el tiempo, podemos totales al almacenar das la demanda ser

En muchos casos, el valor de recuperacin de un articulo no vendido puede tomar mas de un valor, dependiendo de la antigedad de ese articulo; no es raro, por ejemplo, que el pan fresco tenga un precio en el supermercado; que el pan del da anterior se venda a un precio algo mas bajo y que el pan de mas de 4 das no tenga prcticamente valor. En algunos casos como este y en situaciones con valores de recuperacin mas complicados, las soluciones tabulares al problema se vuelven muy complicadas e incomodas. En la mayora de tales situaciones, los investigadores de operaciones prefieren usar mtodos mas eficientes que el enfoque tabular. Examinemos uno de estos ahora. Uso del anlisis marginal . en muchos, el uso de tablas de utilidades condicionales y utilidades esperadas, seria difcil debido al numero de clculos requerido.

-47-

La tabla 21 mostr cuatro acciones de almacenamiento posible y cuatro niveles de venta posible, lo que resulta en una tabla de utilidad condicional que contiene diecisis posibilidades para utilidades condicionales. Suponga que hubiera habido 200 valores posibles pata los volmenes de venta y un numero igual de acciones de almacenamiento posibles. Habra habido un numero muy alto de clculos al determinar la utilidad condicional y esperada de cada combinacin posible. El enfoque marginal evita este problema de exceso de trabajo computacional ; la unidad ser o no ser vendida . La suma de las probabilidades de estos dos eventos debe ser igual a uno . Por ejemplo, si la probabilidad de vender la unidad adicional es de 4, entonces la probabilidad de no venderla debe ser 6 . La suma? 1. Hagamos que p representa la probabilidad de vender una unidad condicional, entonces 1- p debe ser la probabilidad de no venderla. Si la unidad adicional es vendida, obtendremos una aumento en nuestras utilidades condicionales como resultado de la unidad obtenida de la unidad adicional. Nos referimos a esto como utilidad marginal y la designaremos UM. En nuestro ejemplo de valor de recuperacin, la utilidad marginal resultante de la venta de una unidad adicional es $3 .00, precio de venta de menos costo. Tabla 21 : Utilidades esperada Tamao del mercado cajas 15 16 17 18 Acciones de almacenamiento posibles Probabilidad 15 cajas 16 cajas de tamao Utilidad Utilidad Utilidad Utilidad del mercado Condicional esperada Condicional esperada .10 .20 .40 .30 1.00 $45 45 45 45 $4.5 9.00 18.00 13.50 $ 45.00 $ 42 48 48 48 $ 4.20 9.60 19.20 14.40 $ 47.40

El referirnos a la tabla 21 ilustrara este punto. Si almacenamos 15 unidades de cada da y la demanda diaria es para 15m o mas unidades, nuestra utilidad condicional es $45 por da. Ahora decidimos almacenar 16 unidades al da. Si la decimosexta unida se vende (y este es el caso cuando la demanda es para 16, 17 o 18 unidades ), nuestra utilidad -48-

condicional se eleva a $48 por da. Note que el aumento en la utilidad condicional no sigue simplemente por almacenar la decimosexta unidad. Bajo las condiciones supuestas en el problema, este aumento en probabilidad resultara solo cuando la demanda sea para 16 o mas unidades; este ser el caso 90 % del tiempo Tambin debemos considerar el efecto sobre las utilidades del almacenamiento de una unidad adicional y no venderla. Esto reduce nuestra utilidad condicional. El importe de la reduccin se conoce como perdida marginal (PM) que resulta de almacenar un articulo cuando no es vendido. El referirnos otra vez a la tabla 21 ilustrara la perdida marginal . Suponga una vez mas que decidimos almacenar 16 unidades. Ahora supongamos la decimosexta unidad (la unidad marginal) no se vende; solo se vende 15 unidades. La utilidad condicional es ahora $42; la utilidad condicional de $45 cuando se almacenan 15 unidades y se venden 15 unidades se reduce ahora por $3. Estos $3 son el costo de la unidad no vendida ($5) menos el valor de recuperacin ($2). Se deben almacenar unidades adicionales en tanto la utilidad marginal esperada de almacenar cada una de ellas sea mayor que la perdida marginal esperada por almacenarla. El tamao de orden de cada da debe aumentarse hasta el punto en que la utilidad marginal esperada de almacenar una unidad mas si se vende es exactamente igual a la perdida marginal esperada de almacenar la unidad si no se vende. En nuestro ejemplo, la distribucin de probabilidades de la demanda es: Tamao del mercado 15 16 17 18 Probabilidad del tamao del mercado .10 .20 .40 .30 1.00

Esta distribucin nos indica que conforme aumentamos nuestro inventario, la probabilidad de vender 1 unidad adicional (esto es p) disminuye. Por ejemplo : conforme aumentamos nuestro inventario de 15 a 16 unidades, la probabilidad de vender 16 es .90 . -49-

Esta es la probabilidad de que la demanda unidades o mas. Aqui esta el calculo :

ser

por

16

Probabilidad de Probabilidad de Probabilidad de Probabilidad de o mas unidades

que que que que

la la la la

demanda demanda demanda demanda

ser ser ser ser

por por por por

16 17 18 16

.20 .40 .30 .90

Con la adicin de la decimoseptima unidad , la probabilidad de vender todas las 17 unidades se reduce a .70 (la suma de las probabilidades de demanda para 17 o 18 unidades ). Finalmente, la adicin de la decimooctava unidad conlleva solo una probabilidad de .30 de que vendamos todas las 18 unidades, porque la demanda ser por 18 unidades, solo 30% del tiempo. La utilidad marginal esperada al almacenar y vender una unidad, adicional, es la utilidad marginal de la unidad multiplicada por la probabilidad de que la unidad sera vendida; esto es, p(UM). La perdida marginal esperada de almacenar y no vender una unidad adicional, es la perdida marginal incurrida si la unidad no es vendida, multiplicada por la probabilidad de que no sea vendida; esto es (1-p) (PM). De este ejemplo podemos generalizar que el gerente en esta situacin almacenara hasta el punto donde : P(UM) = (1-p) (PM)

Esta ecuacin describe el punto en el cual la utilidad esperada de almacenar una unidad adicional, p (UM), es igual a la perdida esperada de almacenar la unidad (1-p) (PM), se deben almacenar unidades adicionales porque la utilidad esperada de tal decisin es mayor que la perdida esperada. En cualquier problema dado, solo habr un valor de p para el que la ecuacin de maximizacin ser valida . Debemos determinar ese valor para conocer la accin de almacenamiento optimo. Podemos hacer esto al tomar nuestra ecuacin de maximizacin y despejar p en la siguiente forma: -50-

p(UM)

(1-p) (PM)

Al multiplicar los dos trminos en el lado derecho de la ecuacin, obtenemos : p(UM) = PM - p((PM)

Reuniendo los trminos que contiene p, tenemos : p(UM) + p (PM) = PM p(UM+PM) = PM Al dividir ambos lados de la ecuacin por UM + PM nos da : p = PM UM + PM

La letra p representa la mnima probabilidad requerida de vender al menos una unidad adicional para justificar el almacenamiento de esa unidad adicional. Las unidades adicionales se deben almacenar en tanto la probabilidad de vender al menos una unidad adicional sea mayor que p. Podemos ahora calcular p para nuestro ejemplo. La utilidad marginal por unidad es $3 (precio de venta menos costo); la perdida marginal por unidad tambin es $3(costo de cada unidad menos el valor de recuperacin ); as : p = PM UM + PM = $ 3 $3 + = .5 $3

Este valor de .5 para p significa que para justificar el almacenamiento de una unidad adicional, debemos tener al menos una probabilidad acumulativa de .5 de vender esa unidad. Para determinar la probabilidad de vender cada unidad adicional que consideramos almacenar, debemos calcular una serie de probabilidades acumulativas como en la Tabla 22.

-51-

Tabla 22. Probabilidades acumulativas de ventas

Ventas unidades Probabilidad de este nivel de ventas Probabilidad acumulativa que las ventas estaran a este nivel o mas arriba

15 16 17 18

.10 .20 .40 .30

1.00 .90 .70 .30

El valor de la probabilidad acumulativa de .70 asignado a las ventas de 17 unidades o mas se puede establecer en forma semejante. Las ventas de 17 unidades o mas significan ventas de 17 o 18 unidades ,asi : Probabilidad de vender Probabilidad de vender 17 18 .40 + .30 70

= Probabilidad de vender 17 o mas.

Y. por supuesto, la probabilidad acumulativa de vender 18 unidades es aun .30 porque hemos supuesto que las ventas nunca excedern a 18. Como se menciono previamente , el valor de p, la probabilidad acumulativa, disminuye conforme el nivel de ventas aumenta. Este aumento hace que al utilidad marginal esperada disminuya y que la perdida marginal esperada aumente hasta, algn punto , en el que almacenar una unidad adicional no seria redituable. Hemos dicho que las unidades adicionales se deben almacenar en tanto la probabilidad de vender al menos una unidad adicional sea mayor que p .Podemos aplicar ahora esta regla a nuestra probabilidad de distribucin de ventas y determinar cuantas unidades se deben almacenar. Este procedimiento nos dice que debemos almacenar la decimosexta unidad porque la probabilidad de vender 16 o mas es .90, una cifra claramente mayor que nuestra p de 0.50. Esto tambin significa que la utilidad marginal esperada de almacenar esta unidad es mayor que la perdida marginal esperada de almacenarla. Esto se puede verificar como sigue: -52-

p(UM) = .90 ($3) = $2.70 (1-p)(PM)=.10($3)= $0.30

utilidad marginal esperada perdida marginal esperada

Una decimoseptima unidad se debe almacenar porque la probabilidad de vender 17 o mas unidades (.70) es mayor que la p requerida de .50. Tal accin resultara en las siguientes perdida y utilidad marginal esperada : p(UM) = .70 ($3) = $2.10 (1-p)(PM)=.30($3)= $0.90 utilidad marginal esperada perdida marginal esperada

Este es el numero optimo de unidades a almacenar porque la adicin de una decimooctava unidad conlleva solo una probabilidad de .30 de que ser vendida; esto es menos que p requerida de .50 . Las cifras siguientes muestran por que la decimooctava unidad no debe ser almacenada: p(UM) = .30 ($3) = $0.90 (1-p)(PM)= .70 ($3)= $2.10 utilidad marginal esperada perdida marginal esperada

Esto nos dice que si aadimos una decimooctava unidad al inventario, aadiremos mas a la perdida esperada de lo que aadimos a la utilidad esperada. Note que el uso del anlisis marginal nos condujo a la misma conclusin alcanzada con el uso de tablas de utilidad condicional y de utilidad esperada. Ambos mtodos de anlisis resultan en una decisin de almacenar 17 unidades en cada periodo. En el problema que acabamos de resolver, supusimos que las ventas diarias eran una variable aleatoria; de acuerdo a esto, propusimos una estrategia a seguir cada dia sin alteracin : almacenar 17 cajas. En la practica real, sin embargo, encontraramos sin duda que las ventas diarias tomaran patrones reconocibles dependiendo del dia particular de la semana.; esto parece invalidar el concepto de una variable aleatoria. Por ejemplo, en las ventas al menudeo, se reconoce generalmente que el sbado es un dia de mayor volumen que el martes, digamos . Similarmente, las ventas, al menudeo del domingo, son tpicamente menores que las del viernes. En situaciones donde hay patrones reconocibles en la ventas diaria; aun podemos aplicar las tcnicas que hemos aprendido. Calcularamos una regla de almacenamiento optimo para cada da de la semana. Por ejemplo, para el sbado como datos de entrada usaramos la experiencia previa de ventas para los sbados solamente. Cada uno de los otros seis das seria tratado igualmente. Esencialmente este enfoque representa nada mas el reconocimiento de, y la reaccin a, patrones -53-

discernibles en lo que al principio parece ser un ambiente completamente aleatorio. El criterio de la racionalidad: En situaciones de toma de decisiones donde Gil tiene pocos o ningn dato sobre la demanda anterior, ella podra aplicar el criterio de racionalidad (tambin conocido como el principio de la razn insuficiente). Esta suposicin la introdujo primero Jacobo Bernoulli. Este criterio dice que en ausencia de informacin slida en contrario, Gil tambin igualmente podra suponer que todos los estados de la naturaleza son igualmente probables. Al aplicar el criterio de racionalidad al problema de las fresas, vemos criterio que puesto que hay cuatro estados posibles de la naturaleza (demanda para racionalidad 11 12 y 13 cajas), le asignara una probabilidad de .25 a cada uno de estos estados. En la Tabla 23 hemos repetido la tabla de utilidades condicionales que se mostr primeramente en la Tabla 7, aadido pesos de igual probabilidad a los cuatro estados de la naturaleza y calculado el valor esperado de las cuatro alternativas de almacenamiento. Usando este criterio, la decisin ptima de almacenamiento es 12 cajas, con una utilidad esperada de $54.00. Uso del Criterio del Valor Esperado con Variables Aleatorias Distribuidas Ellos problema que hemos resuelto, ha involucrado variables aleatorias discretas. Sin embargo, la mayora de las situaciones reales tienen que ver con variables distribuidas continuamente. No es difcil aplicar lo que hemos aprendido hasta este punto a situaciones donde la variable aleatoria este distribuida continuamente. Considere a Steve un estudiante que vende tomates de cerezo todas las primaveras. Steve las compra a $9 una caja y las revende a $16 por caja .Si no se vende una caja en el primer da de venta, tiene un valor de recuperacin de $3. El examen de Steve de los registros la previos de venta indican que la demanda para este artculo en particular esta distribuido normalmente , con un promedio de 120 cajas diarias y una desviacin estandar de 38 cajas. -54-

Cul debe ser el inventario de Steve? Steve puede usar la ecuacin (1) para calcular la probabilidad minima requerida de vender al menos una unidad adicional para justificar que el almacenar esa unidad con los datos que tiene disponibles: P = = PM /(UM + PM) $6 /($7 + $6 ) .............ecuacin P = .462 (1)

Recuerde lo que significa este valor de probabilidad. Steve debe estar seguro .462 de vender al menos una unidad adicional antes que de que le beneficie el almacenar esa unidad. En la figura siguiente hemos ilustrado la probabilidad .462 en una distribucin normal de la demanda previa. La probabilidad requerida .462 es el rea sombreada.

Figura. Variable aleatoria distribuida continuamente ventas previas

Z = 0.1 = 120 = 38
Steve debe almacenar unidades adicionales hasta que alcance el punto Q; si almacena una cantidad mayor, la probabilidad cae debajo de .462

-55-

Puesto figura en la que el

que que el rea sombreada bajo la curva normal en la anterior es .462 del area total bajo la curva. Si vemos Taba de Probabilidad normal estndar para .538, vemos valor apropiado para z es .1.

Esto significa que el punto Q esta .a de desviacin estndar a la derecha del promedio. Puesto que sabemos que la desviacin estandar de la distribucin de la demanda previa para este articulo es 38 cajas, el punto Q se encuentra como sigue : Punto Q = = = = promedio + .1 de desviacin estndar promedio + .1(38 cajas) 120 cajas + 3.8 cajas 124 cajas

Steve debe ordenar 124 cajas.

-56-