MODELOS MATEMATICOS
TEORIA DE LA DECISION
MODELOS DE DECISION
• Tres clases de modelos de decisión:
a. Decisiones bajo certidumbre
b. Decisiones bajo riesgo
c. Decisiones bajo incertidumbre
TEORIA DE LA DECISION
• Teoría de la decisión: se ocupa de las decisiones
contra la naturaleza.
• En los modelos de la teoría de decisiones, la pieza
fundamental de información es la tabla de
retribuciones
• Las decisiones alternativas están enumeradas en
un lado de la tabla, y los posibles estados de la
naturaleza están indicados en la parte superior.
Las entradas del cuerpo de la tabla son las
retribuciones para todas las combinaciones
posibles de decisiones y estados de la naturaleza
TEORIA DE LA DECISION
• 1. Usted, quien toma la decisión, selecciona una
de las decisiones alternativas d1, ..., dn. Suponga
que elige d1.
• 2. Una vez tomada su decisión, ocurre un estado
de la naturaleza que queda fuera de su control.
Suponga que ocurre el estado 2.
• 3. El rendimiento que usted reciba puede ser
determinado ahora a partir de la tabla de
retribuciones. Dado que usted tomó la decisión
d1 y ocurrió el estado de la naturaleza 2, el
resultado es r12.
TEORIA DE LA DECISION
TABLA DE RETRIBUCIONES
DECISION ESTADO DE LA NATURALEZA
1 2 …. m
d1 r11 r12 ….. r1m
d2 R21 R22 …. r2m
…. …. …. …. ….
dn Rn1 Rn2 ….. rnm
DECISIONES BAJO CERTIDUMBRE
• Una decisión bajo certidumbre es aquella en la que
usted sabe cuál es el estado de la naturaleza que va a
ocurrir. De manera alternativa, usted puede pensar en
ella como un caso con un solo estado de la naturaleza.
Suponga, por ejemplo, que por la mañana usted está
tratando de decidir si debe llevar su paraguas al
trabajo, y usted está seguro de que estará lloviendo
para cuando salga de trabajar por la tarde. En la tabla
de retribuciones para este modelo, el costo de limpiar
su traje si lo sorprende la lluvia es de $7. Entra en la
tabla con un signo de menos, ya que es una tabla de
rendimientos, y un costo es un rendimiento negativo.
Obviamente, la decisión óptima es llevar el paraguas.
DECISIONES BAJO CERTIDUMBRE
TABLA DE RETIRIBUCIONES
LLUVIA
LLEVAR PARAGUAS 0
NO LLEVAR PARAGUAS -7
DECISIONES BAJO RIESGO
• Definición de riesgo
Cuando hablamos de decisiones bajo riesgo, nos referimos a una clase
de modelos de decisión para la cual hay más de un estado de la
naturaleza y para la cual suponemos que quien toma la decisión puede
llegar a una estimación de probabilidades de la ocurrencia de cada uno
de los diversos estados de la naturaleza. Suponga, por ejemplo, que
hay m > 1 estados de la naturaleza, y pj será la probabilidad estimada
de que ocurrirá el estado j. Generalmente estimaremos la probabilidad
de que ocurra el estado j (pj) utilizando frecuencias históricas, lo cual
significa que investigaremos a lo largo de la historia y registraremos el
porcentaje de tiempo que ese estado j realmente ocurrió en todas
nuestras observaciones. Por ejemplo, si en los últimos 1,000 días
encontramos que llovió en 200, estimaremos la probabilidad futura de
lluvia en un día dado como 0.20 (= 200/1,000).
DECISIONES BAJO RIESGO
• Recuerde que el valor esperado de cualquier variable
aleatoria es el promedio ponderado de todos los valores
posibles de la variable aleatoria, donde los coeficientes de
ponderación son las probabilidades de que los valores
ocurran. Dado que a los diferentes rendimientos se asocian
distintos estados de la naturaleza, el rendimiento esperado
asociado con la decisión i es la suma, en todos los estados j
posibles, de términos de la forma: (rendimiento en el
estado j cuando la decisión es i) multiplicado por (la
probabilidad de ocurrencia del estado j ), o rij pj. Entonces
podemos utilizar la siguiente ecuación para calcular ERi, el
rendimiento esperado si seleccionamos la decisión i:
• ERi = Σ rij ⋅ pj = ri1p1 + ri2p2 +⋅⋅⋅+ rimpm
DECISIONES BAJO RIESGO
• Para este tipo de modelo, la administración
debe entonces tomar aquella decisión que
maximice el rendimiento esperado. En otras
palabras, i* es la decisión óptima cuando
• ERi* = máximo de ERi para todo valor de i
DECISIONES BAJO RIESGO
• El modelo del repartidor de periódicos. Un repartidor de periódicos puede
comprar el Wall Street Journal a 40 centavos cada uno y venderlo a 75 centavos.
Sin embargo, debe adquirir los periódicos antes de saber cuántos puede vender
realmente. Si compra más periódicos de los que puede vender, simplemente
desechará el excedente, sin costo adicional. Si no compra suficientes periódicos,
pierde ventas potenciales ahora y posiblemente en el futuro (los clientes
disgustados podrían ya no comprarle). Suponga, por el momento, que esta pérdida
de ventas futuras es representada por un costo de pérdida del buen nombre
estimado en 50 centavos por cliente insatisfecho. También suponga que la
distribución de la demanda que enfrenta es:
• P0 = Prob{demanda = 0} = 0.1
• P1 = Prob{demanda = 1} = 0.3
• P2 = Prob{demanda = 2} = 0.4
• P3 = Prob{demanda = 3} = 0.2
En este modelo, cada uno de los cuatro diferentes valores de la demanda es un estado
de la naturaleza diferente, y el número de periódicos ordenados es la decisión.
DECISIONES BAJO RIESGO
Las entradas de esta tabla representan el flujo de efectivo neto asociado
con cada combinación de cantidad ordenada y cantidad solicitada, menos
el costo por la pérdida de la buena reputación comercial (PBRC) —o
también llamada “del buen nombre”— cuando la cantidad ordenada no
es suficiente para satisfacer la demanda.
Retribución = 75 (número de periódicos vendidos) - 40 (número de periódicos ordenados) - 50 (demanda no
satisfecha)
TABLA DE RETRIBUCIONES VENDEDOR DE PERIODICOS
ESTADOS DE LA NATURALEZA
DECISION 0 1 2 3
0 0 -50 -100 -150
1 -40 35 -15 -65
2 -80 -5 70 20
3 -120 -45 30 105
DECISIONES BAJO INCERTIDUMBRE
• En las decisiones bajo incertidumbre otra vez
tenemos más de un estado posible de la
naturaleza, pero ahora quien toma la decisión
no quiere o no puede especificar las
probabilidades de que los diferentes estados
de la naturaleza ocurran.
DECISIONES BAJO INCERTIDUMBRE
• Criterio de Laplace El procedimiento del criterio de Laplace interpreta el estado de
“incertidumbre” como equivalente a suponer que todos los estados de la
naturaleza son igualmente probables.
• Por ejemplo, en el modelo del repartidor de periódicos, suponer que todos los
estados son igualmente probables significa que, dado que hay cuatro estados,
cada estado ocurre con una probabilidad de 0.25. Utilizar estas probabilidades
cambia el modelo a una decisión bajo riesgo, y uno entonces puede calcular el
rendimiento esperado. Usted puede verificar con facilidad que, utilizando estas
probabilidades, el rendimiento esperado sería maximizado de nuevo por la
decisión de pedir dos periódicos.
• Cuando se utiliza el criterio de Laplace, dado que cada estado tiene igual número
de probabilidades, todo lo que usted necesita hacer para encontrar la mejor
decisión es añadir todas las retribuciones para cada decisión y elegir la decisión
con la suma más elevada (que también tendrá la mayor retribución promedio).
• Para estos casos, existen tres diferentes criterios que pueden utilizarse para tomar
decisiones bajo incertidumbre: maximin, maximax y minimax arrepentimiento.
Todos estos criterios pueden utilizarse sin especificar probabilidades.
DECISIONES BAJO INCERTIDUMBRE
• Criterio maximin
• El criterio maximin es un procedimiento extremadamente conservador,
quizás pesimista, para tomar decisiones. Evalúa cada decisión según la
peor circunstancia que pudiera pasar si se tomara esa decisión. En este
caso, entonces, evalúa cada decisión según el rendimiento mínimo posible
asociado con la decisión. En el ejemplo del repartidor de periódicos, el
rendimiento mínimo posible si se ordenan 3 periódicos es de –120; por lo
tanto, este valor es asignado a la decisión de “ordenar 3 periódicos”. De
manera similar, cada una de las otras decisiones podemos asociarla con el
valor mínimo en su fila.
• La decisión que proporciona el valor máximo de los rendimientos mínimos
(por lo tanto, maximin) es entonces seleccionada. En este caso, el
repartidor de periódicos deberá pedir 1 periódico.
• Maximin es utilizado a menudo en situaciones donde la persona que
planea siente que no puede permitirse un error.
• Quien planea elige una decisión que hace lo mejor posible en el peor (o
más pesimista) caso posible.
DECISIONES BAJO INCERTIDUMBRE
• Criterio maximax
• El criterio maximax es tan optimista como pesimista es
el maximin. Evalúa cada decisión según lo mejor que
pudiera pasar si ésta se tomara. En este caso, entonces,
evalúa cada decisión por el rendimiento máximo
posible asociado con esa decisión.
• La decisión que proporcione el máximo de estos
rendimientos máximos (es decir, maxi-max) es
entonces seleccionada.
• Una advertencia: no confunda la decisión con el estado
de la naturaleza que produce la retribución máxima.
DECISIONES BAJO INCERTIDUMBRE
• Arrepentimiento y arrepentimiento minimax
• El arrepentimiento introduce un nuevo
concepto para medir el carácter deseable de
un resultado; esto es, es una nueva forma de
crear la tabla de retribuciones.
DECISIONES BAJO INCERTIDUMBRE
• 1. Se encuentra la entrada máxima en cada
columna de la tabla
• 2. Se calcula la nueva entrada sustrayendo la
entrada actual del máximo en su columna.
• En cada columna, estas nuevas entradas,
llamadas de arrepentimiento, indican qué es lo
mejor que podemos hacer. En otras palabras,
“arrepentimiento” es sinónimo del “costo de
oportunidad” de no tomar la mejor decisión en
un estado de la naturaleza en particular.
DECISIONES BAJO INCERTIDUMBRE
• Por ejemplo, considere la tabla de arrepentimiento para el modelo
del repartidor de periódicos. Si se ordena 1 periódico, ocurre un
arrepentimiento máximo de 170 si la demanda es de 3 periódicos.
El valor de 170 está por lo tanto asociado con la decisión de esa fila,
“ordenar 1 periódico”. En otras palabras, el valor máximo en cada
fila está asociado con la decisión que se tome en esa fila. Siguiendo
esta regla, se produce otra tabla
• El administrador entonces selecciona la decisión que minimice el
arrepentimiento máximo. En este caso, el criterio de
arrepentimiento minimax indica que el repartidor de periódicos
debe ordenar 2 periódicos. Nuestro ejemplo del repartidor de
periódicos ilustra que, cuando se toman decisiones sin utilizar
probabilidades, los tres criterios —flujo de efectivo maximin, flujo
de efectivo maximax y arrepentimiento minimax— pueden llevar a
diferentes decisiones “óptimas”.
DECISIONES BAJO INCERTIDUMBRE
TABLA DE ARREPENTIMIENTO DEL VENDEDOR DE PERIODICOS
ESTADO DE LA NATURALEZA
DECISION 0 1 2 3
0 0 85 170 255
1 40 0 85 170
2 80 40 0 85
3 120 80 40 0
TABLA DE MAXIMO ARREPENTIMIENTO
DECISION MAXIMO ARREPENTIMIENTO
0 255
1 170
2 85
3 120
TALLER
• 1. Una compañía desarrolla pozos petroleros en territorios no explorados. Un geólogo informa que
hay una posibilidad en cuatro de que haya petróleo en estos terrenos. La perforación de un pozo en
este predio requiere una inversión aproximada de 100000 dólares. Si el terreno resulta seco (no hay
petróleo), se perdería la inversión, lo que representaría una pérdida muy importante a las finanzas
de la compañía. Si el terreno contiene petróleo, generaría un ingreso neto de 800000 dólares
aproximadamente.
• Otra compañía petrolera se enteró del informe del geólogo y ha ofrecido comprar el terreno en
90000 dólares, lo que representa una oferta muy tentadora para capitalizar la empresa y no incurrir
en el gran riesgo de una pérdida sustancial de 100000 dólares
• Aplique el criterio MAXIMAX
• Aplique el criterio MINIMAX
•
• 2. Fruver S.A. necesita reabastecer las fresas. Su proveedor le puede abastecer las cajas que
requiera. Como las fresas están maduras tendrá que venderlas al otro día y descartar las que no se
vendan. La compañía estima que mañana podrá vender 10,11, 12 o 13 cajas. Las fresas se compran
a 3 dólares la caja y se venden a 8 dólares por caja. Necesita decidir cuantas cajas debe comprar.
• Al revisar los registros de ventas diarias de fresas, se estima que las probabilidades son de 0,2 0,4
0,3 y 0,1 de vender 10, 11, 12 y 13 Cajas respectivamente.
• Cuantas cajas debe comprar si aplica el criterio MAXIMAX
• Cuantas cajas debe comprar si aplica el criterio MINIMAX
RESUMEN
• Decisiones bajo certidumbre: Quien toma la
decisión sabe exactamente qué estado de la
naturaleza ocurrirá. El “único” problema es
seleccionar la mejor decisión. Los modelos
determinísticos como la programación lineal,
la programación con enteros, la programación
no lineal y la CEP en inventarios quedan
incluidos en esta categoría.
RESUMEN
• Decisiones bajo condiciones de riesgo: En los
estados de la naturaleza está definida una
distribución de probabilidades. Quien toma la
decisión puede utilizar los siguientes criterios
para seleccionar la “mejor decisión”:
• A. Maximizar el rendimiento esperado medido
por un rendimiento neto en dólares.
• B. Minimizar el arrepentimiento esperado (costo
de oportunidad)
• C. Maximizar el rendimiento esperado medido
por su utilidad.
RESUMEN
• Decisiones bajo incertidumbre: Aquí se asume que quien
toma la decisión no tiene conocimiento de cuál estado de
la naturaleza ocurrirá. Quien toma la decisión puede aplicar
el criterio de Laplace; esto es, asignar iguales
probabilidades a los diferentes estados de la naturaleza, y
después elegir la decisión que maximice el rendimiento
esperado. De manera alternativa, quien toma la decisión
puede atacar el modelo sin utilizar probabilidades. En este
caso, vimos tres criterios diferentes para tomar la “mejor
decisión”:
• A. Maximizar el rendimiento neto mínimo en dólares
• B. Maximizar el rendimiento neto máximo en dólares.
• C. Minimizar el arrepentimiento máximo.
ARBOLES DE DECISION
• Un árbol de decisiones es un recurso gráfico para
el análisis de decisiones bajo riesgo; esto es,
modelos en los que tanto las decisiones como las
probabilidades de los estados de la naturaleza
están definidas. De manera más precisa, los
árboles de decisiones fueron diseñados para
utilizarse en modelos en los que hay una
secuencia de decisiones, cada una de las cuales
podría llevarnos a uno de varios resultados
inciertos
ARBOLES DE DECISION
• En los árboles de decisión, un nodo cuadrado
(nodo de decisión) representará un punto en el
que debe tomarse una decisión, y cada línea que
salga del cuadrado representará una posible
decisión. Los nodos circulares (nodos de evento)
representarán situaciones donde el resultado es
incierto. Cada línea proveniente de un círculo
representa un resultado posible. El término
ramas se utilizará para las líneas que emanan de
nodos, sean cuadrados o circulares.
ARBOLES DE DECISION
• Resolver el árbol, es encontrar la solución
optima. Para resolver el árbol de decisión, se
retrocede replegando el árbol. Se empieza por
replegar las ramas terminales calculando el
valor esperado de cada nodo terminal.
F P(F) = 0,45 30
II
A D P(D) = 0,55 -8
B F P(F) = 0,45 20
I III
C D P(D) = 0,55 7
F P(F) = 0,45 5
IV D P(D) = 0,55 15
ARBOLES DE DECISION
• .
F P(F) = 0,45 30
II
A D P(D) = 0,55 -8
B F P(F) = 0,45 20
I III
C D P(D) = 0,55 7
F P(F) = 0,45 5
IV D P(D) = 0,55 15
Valor terminal esperado II = 30*(0,45) + (-8)*(0,55) = 9,10
Valor terminal esperado III = 12,85
Valor terminal esperado IV = 10,50
TEOREMA DE BAYES
• El concepto de probabilidad condicional o teorema de Bayes.
• Las probabilidades originales se refieren a las probabilidades a
priori.
• Las probabilidades condicionales se llaman probabilidades a
posteriori.
• La regla de decisión de Bayes usa directamente las probabilidades
previas de los posibles estados de la naturaleza así:
• 1. Para cada alternativa de decisión, calcule el promedio ponderado
de sus pagos o retribuciones multiplicando cada pago por la
probabilidad previa del estado de la naturaleza correspondiente y
luego sumando estos productos. En la terminología estadística, este
promedio ponderado se conoce con el PAGO ESPERADO (PE) para
esta alternativa de decisión.
• 2. La regla de decisión de Bayes dice que se debe elegir la
alternativa con el mayor pago esperado.
TEOREMA DE BAYES
• El concepto de probabilidad condicional: Para
dos eventos E1 y E2: P(E2 / E1) es la probabilidad
de que ocurra el evento E2 dado que ha
ocurrido el evento E1, entonces:
• P(E2 / E1) = P(E2 E1) / P(E1)
La regla de Bayes combina las probabilidades a
priori para determinar probabilidades a
posteriori.
TEOREMA DE BAYES
• Tenemos dos bolsas de caramelos. La primera
contiene 15 caramelos de naranja y 10 de limón y
la segunda 20 de naranja y 25 de limón. Elegimos
una bolsa al azar y extraemos un caramelo.
• A) Halle la probabilidad de que el caramelo sea
de naranja.
• B) si el caramelo elegido es de limón ¿Cuál es la
probabilidad de que haya sido extraído de la
segunda bolsa?
TEOREMA DE BAYES
• 26. Ejercicio Teorema de Bayes
• [Link]
15/25
N
I
½ 10/25 L === P (L/I)
• ½
•
II 20/45 N
• L === P (L/II)
• 25/45
• A) Probabilidad que el caramelo sea de naranja p(N) = ½ * 15/25 + ½ * 20/45 = 47/90
• p(N) = P(I)*P(N/I) + P(II)*P(N/II) = TEOREMA DE LA PROBABILIDAD TOTAL.
• B) P(II/L) = P(II ∩ L) / P(L) = P(II)* P(L/II) / P(L) = ½ *25/45 / 1 – 47/90 = 25/90 / 43/90 = 25/ 43
• P(L) = 1- P(N) = 1- 47/90 = 43/90
• PROBABILIDAD CONDICIONADA O TEOREMA DE BAYES P(II/L) = P(II)* P(L/II) / P(L)
TEOREMA DE BAYES
• Considere el proceso de dos etapas:
• 1. Se tira un dado
• 2. De una de tres urnas se escoge una bola al
azar. Cada urna contiene
