You are on page 1of 148

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora

a de decisiones

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA


ESCUELA DE CIENCIAS BSICAS, TECNOLOGIAS E INGENIERA

200608 TEORIA DE LAS DECISIONES WILLIAM EDUARDO MOSQUERA LAVERDE (Director Nacional)

NUBIA SALAZAR Acreditador

BOGOT D.C. Marzo 2010


1

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

INDICE DE CONTENIDO INTRODUCCION GENERAL 7

UNIDAD 1. CONCEPTOS BASICOS Y DECISIONES BAJO INCERTIDUMBRE 11 CAPITULO 1. GENERALIDADES CONCEPTOS BASICOS DE LA TOMA DE DECISIONES Y 13 14 18 20 22 25 29 30 31 32 34 35 38 41

Leccin 1. Tipos de toma de decisiones Leccin 2. Proceso de tomas de decisiones Leccin 3. Elementos en los modelos de anlisis de toma de decisin Leccin 4. Pasos para la toma de decisiones Leccin 5. Criterios de decisin Taller CAPITULO 2. DECISIONES BAJO INCERTIDUMBRE VALOR ESPERADO Leccin 6. Criterio del valor esperado Leccin 7. Diseo y conduccin de la investigacin de merado Leccin 8. Valor esperado de la informacin muestra Leccin 9. Valor esperado con la informacin perfecta Leccin 10.Criterio nivel de aceptacin Taller

CAPITULO 3. DECISONES BAJO INCERTIDUMBRE ARBOLES DE DECISON 42 Leccin 11. Elementos de los arboles de decisin Leccin 12. Seleccin de alternativa de decisin Leccin 13. Regla de bayes y arboles de decisin Leccin 14. Teora de la utilidad Leccin 15. Aplicaciones de la teora de la utilidad Taller AUTOEVALUCION UNIDAD 1 43 44 48 53 55 60 62

UNIDAD 2. DECISIONES BAJO RIESGO CAPITULO 4. DECISIONES BAJO RIESGO- TEORIA DE JUEGOS Leccin 16. Conceptos Leccin 17. Mtodo estrategias dominadas

63 65 66 67
2

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Leccin 18. Mtodo suma cero y punta de silla Leccin 19. Mtodos estrategias mixtas Leccin 20. Mtodo grafico Taller CAPITULO 5. DECISIONES BAJO RIESGO- CADENAS DE MARKOV. Leccin Leccin Leccin Leccin Leccin Taller 21. Procesos estocsticos 22. Cadenas de Markov. 23. Clasificacin de estados en una cadena de markov. 24. Procesos de decisin markoviano 25. Problema esttico y dinmico

68 70 71 79 80 81 84 86 88 98 102 103 104 106 111 117 120 122 125 126 127 136 139 141 145 147

CAPITULO 6. DECISIONES BAJO RIESGO - PROGRAMACION META. Leccin 26. Conceptos fundamentales. Leccin 27. Formulacin del modelo. Leccin 28. Programacin con recursos limitados Leccin 29. Objetivos mltiples Leccin 30. Aplicaciones Taller CAPITULO 7. DECISIONES BAJO RIESGO SIMULACIN. Leccin 31. Definiciones. Leccin 32. Tipos de simulacin Leccin 33. Mtodos de simulacin Leccin 34. Aplicaciones de la simulacin. Leccin 35. Mtodos de observaciones estadsticas AUTOEVALUCION UNIDAD 2 BIBLIOGRAFIA.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

LISTADO DE TABLAS Tabla 1. Matriz para procesos de decisin Tabla 2. Matriz ejemplo 1. Tabla 3. Decisiones segn criterio maximin Tabla 4. Decisiones segn criterio maximax Tabla 5. Penalizaciones ejemplo 1. Tabla 6. Estimaciones de ganancia Tabla 7. Ganancia sin informacin perfecta Tabla 8. Indicadores favorables y desfavorables Tabla 9. Probabilidades condicionales dadas por resultados Tabla 10. Probabilidades conjuntas y marginales Tabla 11. Probabilidades posteriores Tabla 12. Indicador I1 Tabla 13. Indicador I2 Tabla 14. Decisiones ptimas y ganancias esperadas I1 y I2 Tabla 15. Ejemplo 5 compaa Certon Tabla 16. Informacin ejemplo 6. Tabla 17. Iteraciones ejemplo 7. Tabla 18. Pagos y utilidades ejemplo 8. Tabla 19. Atributos programacin meta 22 28 28 28 29 34 34 36 36 36 36 36 37 37 45 47 53 58 100

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

LISTADO DE GRFICOS Y FIGURAS


Figura 1. Ideas Figura 2. Funcin de utilidad Figura 3. rbol de decisin Figura 4. rbol decisin compaa certon Figura 5. Resultado ejemplo 5. Figura 6. rbol ejemplo 6. Figura 7. Resultados rbol ejemplo 6. Figura 8. Evolucin de las probabilidades Figura 9. Programacin meta segn PERT Figura 10. Requerimientos de actividad por metas Figura 11. Programa de actividades propuesto Grafica 1. Esquema para toma de decisiones Grafica 2. Razonamiento estadstico Grafica 3. Componentes de un modelo probabilstico Grafica 4. Resultados valor esperado Grafica 5. Tipo de decisiones Grafica 6. Funcin utilidad para el dinero Grafica 7. rbol ejemplo 8 Grafica 8. Funcin utilidad ejemplo 8 Grafica 9. rbol ejemplo 8 con funcin utilidad Grafica 10. Juego estrategias dominadas Grafica 11. Solucin mtodo grafico Grafica 12. Esquema de matriz de transicin 85 20 41 44 46 46 47 48 50 111 112 112 15 17 21 31 54 55 57 59 60 70 72

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO El contenido didctico del curso academico: Teora de decisiones fue diseado inicialmente en el ao 2004 por la licenciada Gloria lucia Guzmn, docente de la UNAD, ubicada en el CEAD de Neiva, como parte del modulo de Mtodos Probabilsticos. La separacin de temticas y ajustes de los contenidos los ha desarrollado el I.Q. William Eduardo Mosquera Laverde, Tutor del CEAD Jos Acevedo y Gmez, Ingeniero Qumico de la Universidad Nacional de Colombia, y especialista en Educacin Superior a Distancia de UNAD 2009, En curso de Maestra en Gestin y Auditorias en tecnologas e ingeniera ambiental de CEPES- Mxico. Se ha desempeado como tutor de la UNAD desde el 2005. El contenido didctico ha tenido dos actualizaciones: desarrolladas por el mismo Ing. Mosquera en los aos 2007 y 2009 quien se desempea actualmente como director del cuso a nivel nacional. La version del contenido didctico que actualmente se presenta tiene como caractersticas: 1) Incorpora nuevos contenidos relacionados con la Unidad 1, pues en la version anterior no se tiene separado en lecciones y no presenta nfasis en el uso de software libre WINQSB 2.0. 2) Profundiza en las temticas de simulacin y programacin por metas. La Dra. Nubia Salazar, tutora del CEAD Sogomoso, apoy el proceso de revisin de estilo del contenido didctico e hizo aportes disciplinares, didcticos y pedaggicos en el proceso de acreditacin del material didctico desarrollado en el mes de Mayo de 2010.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

INTRODUCCIN GENERAL

fuente:www.universia.es/.../decisiones-interactivas.jpg

El curso acadmico de Teora de Decisiones, consta de 2 (dos) crditos acadmicos, cuyo campo de formacin es la Disciplinar y tiene carcter profesional- electiva en los programas de ingeniera Industrial, Sistemas y Administracin de Empresas que oferta la UNAD; adems, es de tipo terico. Despus de comprender e interiorizar los conocimientos de los tres cursos preliminares de Investigacin de operaciones (programacin lineal, mtodos deterministicos, mtodos probabilsticos) y el apoyo en los conocimientos adquiridos en estadstica descriptiva y probabilidad el estudiante est en capacidad de iniciar el curso de teora de las decisiones, teniendo en cuenta que lo anterior son los presaberes bsicos para este curso, en donde se busca entender los mtodos, operaciones y definiciones sobre las diferentes tcnicas de aplicacin en las decisiones dependiendo del tipo y calidad de la informacin obtenida, las bases estadsticas en la formulacin de decisiones bajo incertidumbre, mientras con las bases de probabilidad desarrolla la formulacin de decisiones bajo riesgo, tambin esquemas grficos como los arboles de decisin que llevan a los estudiantes a visualizar mejor el proceso de toma de decisin, estos mtodos y esquemas son indispensables para la toma de decisiones que se manejan cotidianamente en todas las empresas en el mundo. El objetivo fundamental es que los estudiantes comprendan e interioricen las temticas que cubren el curso, con el fin de adquirir las herramientas matemticas, metodolgicas y analticas que le permitan resolver problemas que requieren de la toma de decisiones con un soporte cientfico y poder manejar bien la toma de decisiones en las diferentes reas del desarrollo profesional. Respecto a las competencias, se busca que el estudiante identifique los fundamentos del tema, interprete sus requerimientos y caractersticas, aprenda su utilidad y aplique lo aprendido en diversas reas del saber. El curso de Teora de decisiones es el ltimo escaln de la lnea de Investigacin de operaciones utilizada en Ciencias, Tecnologa, Ingeniera e Investigacin, ya que a travs de esta, se disean, emplean, analizan y desarrollan diversas habilidades y competencias. Pero para que esto se cumpla, es necesario un trabajo planificado, colaborativo y sistemtico, lo que indica que su entendimiento e interiorizacin debe ser metdico, estructurado y secuencial.
7

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Este curso es importante en la medida que sirve para desarrollo, anlisis y comprensin de los diferentes mtodos matemticos para la toma de decisiones necesarias en las diversas empresas que se manejan, orientan o dirigen en el pas. Las Unidades Didcticas que conforman el curso son: Conceptos bsicos y Decisiones bajo incertidumbre; Decisiones bajo riesgo. En donde se debe resaltar el repaso de Estadstica en el manejo de mediciones y procesos inferenciales, Probabilidad en el conocimiento y manejo de los variados valores esperados y desviaciones, Algebra lineal en el manejo y uso de las matrices necesarias para las decisiones con cadenas de markov. Dichas temticas permiten el desarrollo de competencias de orden superior especialmente la interpretacin, el anlisis, los requerimientos y anlisis econmico para un proceso especifico. Este curso est compuesto por dos Unidades didcticas a saber: Unidad 1. Conceptos bsicos y decisiones bajo incertidumbre: Se inicia con los conceptos de anlisis de decisin donde se pretende que el estudiante valore la importancia de la teora de decisiones pues tiene que ver con la ciencia de la toma de decisiones, se pretende adems desarrollar tcnicas para medir los gustos o valores de las personas por medio de una funcin de utilidad. Esto proporciona tambin una medida de la actitud individual de una persona a la incertidumbre. Tambin se pretende mostrar como las creencias de una persona, en trminos de probabilidades subjetivas, por medio del desarrollo de los arboles de decisin. Unidad 2. Decisiones bajo riesgo: Se plantean los diferentes mtodos empleados para solucionar problemas relacionados con la teora de juegos, cadenas de Markov y programacin meta con los que se pretende que el estudiante posea ms herramientas para que busque la solucin ptima a problemas simples y complejos que se le puedan presentar tanto en la cotidianidad como en el ejercicio de su vida profesional y/o laboral. Adems un ltimo captulo donde tenga una introduccin a los procesos de simulacin.

UNIDAD 1
8

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Nombre de la Unidad Introduccin Justificacin Intencionalidades Formativas Denominacin de captulo 1 Denominacin de Leccin 1 Denominacin de Leccin 2 Denominacin de Leccin 3 Denominacin de Leccin 4 Denominacin de Leccin 5 Denominacin de captulo 2 Denominacin de Leccin 6 Denominacin de Leccin 7 Denominacin de Leccin 8 Denominacin de Leccin 9 Denominacin de Leccin 10 Denominacin de captulo 3 Denominacin de Leccin 11 Denominacin de Leccin 12 Denominacin de Leccin 13 Denominacin de Leccin 14 Denominacin de Leccin 15

Conceptos Bsicos y Decisiones Bajo incertidumbre

Generalidades de la Toma de Decisiones y Conceptos bsicos. Tipos de toma de decisiones Proceso de toma de decisiones Elementos en los modelos de anlisis de toma de decisin Pasos para la toma de decisiones Criterios de decisin Decisiones Bajo Incertidumbre Valor Esperado Criterio de valor esperado Diseo y conduccin de la investigacin de mercado Valor esperado de la informacin muestra. Valor esperado con la informacin perfecta. Criterio nivel de aceptacin. Decisiones Bajo Incertidumbre Arboles de Decisin Elementos de los arboles de decisin Seleccin de alternativa de decisin Regla de bayes y arboles de decisin. Teora de la utilidad Aplicaciones de la teora de la utilidad. UNIDAD 2

Nombre de la Unidad Introduccin Justificacin Intencionalidades Formativas Denominacin de captulo 4 Denominacin de Leccin 16 Denominacin de Leccin 17 Denominacin de Leccin 18 Denominacin de Leccin 19 Denominacin de Leccin 20 Denominacin de captulo 5

Decisiones Bajo Riesgo

Decisiones Bajo Riesgo- Teora de juegos Conceptos Mtodo estrategias dominadas Mtodo suma cero y punta de silla Mtodos estrategias mixtas Mtodo grafico Decisiones Bajo Riesgo Cadenas de
9

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Markov. Denominacin de Leccin 21 Denominacin de Leccin 22 Denominacin de Leccin 23 Denominacin de Leccin 24 Denominacin de Leccin 25 Denominacin de captulo 6 Denominacin de Leccin 26 Denominacin de Leccin 27 Denominacin de Leccin 28 Denominacin de Leccin 29 Denominacin de Leccin 30 Denominacin de captulo 7 Denominacin de Leccin 31 Denominacin de Leccin 32 Denominacin de Leccin 33 Denominacin de Leccin 34 Denominacin de Leccin 35 Procesos estocsticos Cadenas de de Markov Clasificacin de estados en una cadena de Markov Procesos de decisin Markoviano Problema esttico y dinmico Decisiones Bajo Riesgo- Programacin Meta. Conceptos fundamentales. Formulacin del modelo. Programacin con recursos limitados. Objetivos mltiples. Aplicaciones. Decisiones Bajo Riesgo- Simulacin. Definiciones. Tipos de simulacin. Mtodos de simulacin. Aplicaciones de simulacin. Mtodos de observaciones estadsticas.

10

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

UNIDAD .1 CONCEPTOS BSICOS Y DECISIONES BAJO INCERTIDUMBRE.

Fuente: sigc.wikidot.com/.../conocimiento.JPG

INTRODUCCIN: Esta unidad desarrollar, las bases necesarias y recopilacin de informacin para llevar a cabo el curso de teora de decisiones, en la unidad se mostraran los pasos para un proceso y por ende para una buena toma de decisin y por ende ver la necesidad de tener mtodos matemticos para lo mismo. En el siguiente captulo empezar el estudiante a desarrollar el manejo de los criterios de decisin y la forma de interactuarlos con los procesos investigativos y el manejo estadstico de esta investigacin de mercados. Por ltimo aplicar lo visto en los captulos anteriores por medio modelos ms grficos y sencillos como se resuelven los arboles de decisin.

OBJETIVO GENERAL: Dar a conocer a los estudiantes las generalidades necesarias para la toma de decisiones y una vista genrica de los modelos para resolver la toma de decisiones bajo incertidumbre, sus caractersticas y los conceptos bsicos que permitan manejar el vocabulario necesario en el curso.

OBJETIVOS ESPECIFICOS: - Conocer los conceptos bsicos para los manejos de los mtodos en la teora de decisiones.

11

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Aplicar los mtodos matemticos estadsticos para resolver la toma de decisiones bajo incertidumbre. -Diferenciar entre los mtodos para las tomas de decisiones bajo incertidumbre desde la percepcin de una investigacin de mercados con o sin informacin muestra. - Conocer los diferentes criterios de decisin para aplicar en el modelo especfico. - Observar cmo se puede aplicar los modelos decisorios en la empresa en general.

COMPETENCIAS: El estudiante despus de estudiar la unidad deber ser competente en los criterios de decisin necesarios para aplicar en los mtodos de toma de decisin. Tambin en las formas graficas para resolucin los problemas con incertidumbre. Diferenciar entre las diferentes clases de decisiones, los mtodos de solucin.

JUSTIFICACION El profesional debe continuamente aplicar decisiones en su labor, por lo tanto, las herramientas de criterios de decisin, valor esperado y rbol de decisin debe aplicar sus conocimientos en estadstica y probabilidad para poder escoger de forma rpida y grafica una acertada decisin sin necesidad de aplicar clculos matemticos exigentes. INTENCIONALIDADES FORMATIVAS La intencin formativa tiene que ver con las capacidades para tomar decisiones por medio del uso de diferentes mtodos como lo son los criterios de decisin, el valor esperado y los arboles de decisin, cuando se tienen diferentes alternativas o solo dos. Pero esto no es posible s no se desarrolla previamente un estudio de mercado y no se desarrollan los clculos de probabilidades. Por lo cual el estudiante aplicar los conocimientos adquiridos en los cursos previamente nombrados, observando la aplicacin real y til en cada uno de sus campos profesionales.

12

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

CAPITULO 1: GENERALIDADES DE LA TOMA DE DECISIONES Y CONCEPTOS BASICOS

Fuente:www.monografias.com/.../Image815.gif

INTRODUCCIN En este captulo el estudiante desarrollar los siguientes temas concernientes al manejo ptimo de una decisin como son: - Tipos de toma de decisiones. - Proceso para la toma de decisiones. - Pasos para la toma de decisiones - Criterios de decisin. OBJETIVOS: 1.- Conocer la importancia de seguir un proceso y secuencia para tomar bien una decisin. 2.- Observar diferentes formas para seguir rutas en las decisiones cotidianas 3.- Estudiar unos procesos y esquemas matemticos como base para una optima decisin. 4.- Tener a mano un criterio matemtico que apoye una decisin tomada.

13

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Leccin 1: TIPOS DE TOMA DE DECISIONES

Fuente: www.scielo.org.co/.../cadm/v20n34/a04g3.jpg

Para iniciar los anlisis en la toma de decisiones se iniciara con tener en cuenta los tipos de decisiones que se nos presentan a diario en nuestra vida profesional y particular, con tal concepto se debe diferenciar de la siguiente manera: . Decisiones programadas: Estas decisiones son las basadas en un esquema de planeacin, organizacin, control, planteamiento de objetivos y cumplimiento de metas preestablecidas, son desarrolladas por el sector productivo principalmente y algunos de nosotros en nuestro proyecto de vida. Por ejemplo: Construcciones de vivienda, Planificacin de estudios, Adquisicin de bienes a crdito. . Decisiones no programadas: Estas decisiones no se basan en ningn tipo de proyecto o estructura son las que se dan de forma espontnea sin la programacin que requiere una optima toma de decisiones. Son las que tomamos segn se vayan presentando las circunstancias tiene que ver con los eventos. Por ejemplo: Las decisiones de apostar en los juegos de azar, el asistir a reuniones programadas de ltima hora, los pagos extemporneos de obligaciones. . Decisiones coercitivas: Son las decisiones que se toman por obligacin y sin la participacin o consenso de las partes involucradas. Son completamente direccionadas por agentes externos. Por ejemplo: El cambio de vivienda cuando se es menor de edad, el despido de un empresa, el cambio de ruta por cierre de una va.
14

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

La influencia de los agentes externos en la decisiones son poco manejables en este aparte se tendr en cuenta solo el esquema donde se tenga control del mismo o sea las decisiones programadas, estas se inician con un problema previo el cual se debe resolver; Entonces como en los desarrollos de modelos de programacin lineal despus de tener un problema ya sea planteado en forma verbal o escrita debemos proceder de la siguiente manera: Esquema para la toma de decisiones

Grafico 1. Esquema para la toma de decisiones

Diagnstico: Es el anlisis sistemtico de una situacin particular y un instrumento cognoscitivo para identificar y descubrir problemas relevantes; en planeacin, la necesidad de contar con un buen diagnstico es imperativa. La ventaja de pensar estratgicamente es (en relacin al diagnstico) que siempre se debern tomar en cuenta las visiones de la realidad de otros grupos (que pueden ser discrepantes entre ellas), incluirlas como parte del mismo y obtener de ms preguntas y alternativas de solucin. Estrategia: Esta parte consiste en designar todos los medios posibles para resolver el diagnostico, es por lo tanto, un punto que involucra la racionalidad orientada a un objetivo, tambin se utiliza para designar los procedimientos usados en una situacin de confrontacin con el fin de privar al oponente de sus medios de lucha y obligarlo a abandonar el combate; es una cuestin, entonces, de los medios destinados a obtener una victoria. (DELEUZE, Guilles. (1987) Foucault. Ediciones Paidos. Barcelona Espaa)

15

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Decisin: En esta parte la empresa o la persona ya determino una ruta especifica a seguir para conseguir lo optimo es su objetivo primario. Acciones: Son los pasos a tomar en la decisin escogida cado uno de los parmetros determinados en un esquema de proyectos PERT-CPM, la secuencia necesaria para cumplir adems tiene inmerso los desarrollos estratgicos por si algn punto no se puede lograr o eventualmente no se puede realizar o se debe cambiar. Evaluacin de resultados: Luego de desarrollado el proyecto o solucionado el problema se debe hacer un alto para mirar cmo se va avanzando y hacer los cambios del caso esto se asocia con los principios del mejoramiento continuo. Por lo tanto una evaluacin sistemtica que permita verificar el avance de las acciones y la pertinencia pblica de las estrategias. Para evaluar correctamente, se deben distinguir los diversos indicadores y su alcance: - Indicadores de control: expresan metas cuantitativas en el corto plazo; son incluidos generalmente en los Programas Operativos Anuales (POA's). - Indicadores de eficiencia: son aquellos que se definen para cada unidad o subproducto de la accin; expresan la "productividad" de cada accin y permiten corregir el rumbo de los componentes o proyectos del subprograma. - Indicadores de eficacia: estos indicadores permiten observar el grado en que los objetivos de cada accin y de cada subprograma han sido cumplidos; muestran el grado de satisfaccin institucional y social.

Ya con la evaluacin se lograr que los hechos se conviertan en conocimiento, cuando son utilizados en la complementacin exitosa de un proceso de decisin. Una vez que se tenga una cantidad masiva de hechos integrados como conocimiento, entonces su mente ser sobrehumana en el mismo sentido en que, con la escritura, la humanidad es sobrehumana comparada a la humanidad antes de escribir. La grafica 2 ilustra el proceso de razonamiento estadstico basado en datos para construir los modelos estadsticos para la toma de decisin bajo incertidumbre.

16

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Grafico 2. Razonamiento estadistico

De donde: Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico. Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de Decisiones La figura anterior representa el hecho que a medida que la exactitud de un modelo estadstico aumenta, el nivel de mejoramiento en la toma de decisin aumenta. Esta es la razn del porqu necesitamos la estadstica de negocio. La estadstica se cre por la necesidad de poner conocimiento en una base sistemtica de la evidencia. Esto requiri un estudio de las leyes de la probabilidad, del desarrollo de las propiedades de medicin, relacin de datos. La inferencia estadstica intenta determinar si alguna significancia estadstica puede ser adjunta luego que se permita una variacin aleatoria como fuente de error. Una inteligente y crtica inferencia no puede ser hecha por aquellos que no entiendan el propsito, las condiciones, y la aplicabilidad de las de diversas tcnicas para juzgar el significado. Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas decisiones sean tomadas incrementa con la disponibilidad de la buena informacin. El chance de la disponibilidad de la buena informacin incrementa con el nivel de estructuracin del proceso de Direccin de Conocimiento. La figura anterior tambin ilustra el hecho que mientras la exactitud de un modelo estadstico aumenta, el nivel de mejora en la toma de decisiones aumenta. El conocimiento es ms que simplemente saber algo tcnico. El conocimiento necesita la sabidura. La sabidura es el poder de poner nuestro tiempo y nuestro conocimiento en el uso apropiado. La sabidura viene con edad y experiencia. La sabidura es la aplicacin exacta del conocimiento exacto. La sabidura es sobre saber como algo tcnico puede ser mejor utilizado para cubrir las necesidades de los encargados de tomar decisiones. La sabidura, por ejemplo, crea el software estadstico que es til, ms bien que tcnicamente brillante.
17

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Leccin 2: Proceso de Toma de Decisiones La toma de decisiones requiere un proceso especfico con el fin de llevar a buen trmino lo que se pretende decidir, el proceso a desarrollar es: - Percepcin de la situacin que rodea algn problema. - Anlisis y definicin de un problema. - Contar con un sistema de informacin oportuno, confiable y actualizado. - Conocer los factores internos formales e informales de la organizacin. - Conocer los factores externos, definir restricciones y limitaciones. - Elegir correctamente las tcnicas o herramientas a utilizar. - Especificar los rendimientos y las metas esperadas. - Evaluar costo - beneficio. - Definir los objetivos. - Bsqueda de alternativas ms adecuadas para el alcance de los objetivos. - Evaluacin y comparacin de las alternativas. - Implementacin de esas alternativas. Los anteriores pasos los requerimos para todo tipo de toma de decisiones pero en trminos de anlisis matemticos la toma de decisiones desde un punto de vista estadsticos tiene en cuenta los siguientes pasos: 1. 2. 3. 4. Simplificar Construir un modelo de decisin Probar el modelo Usando el modelo para encontrar soluciones: o El modelo es una representacin simplificada de la situacin real o No necesita estar completo o exacto en todas las relaciones o Se concentra en las relaciones fundamentales e ignora las irrelevantes. o Este es entendido con mayor facilidad que un suceso emprico (observado), por lo tanto permite que el problema sea resuelto con mayor facilidad y con un mnimo de esfuerzo y prdida de tiempo. 5. El modelo puede ser usado repetidas veces para problemas similares, y adems puede ser ajustado y modificado.

18

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Afortunadamente, los mtodos probabilsticos y estadsticos para el anlisis de toma de decisiones bajo incertidumbre son ms numerosos y mucho ms poderosos que nunca. Las computadoras hacen disponible muchos usos prcticos. Algunos de los ejemplos de aplicaciones para negocios son los siguientes: Un auditor puede utilizar tcnicas de muestreo aleatorio para auditar las cuentas por cobrar de un cliente. Un gerente de planta puede utilizar tcnicas estadsticas de control de calidad para asegurar la calidad de los productos con mnima inspeccin y menor nmero de pruebas. Un analista financiero podra usar mtodos de regresin y correlacin para entender mejor la analoga entre los indicadores financieros y un conjunto de otras variables de negocio. Un analista de mercadeo podra usar pruebas de significancia para aceptar o rechazar una hiptesis sobre un grupo de posibles compradores a los cuales la compaa est interesada en vender sus productos. Un gerente de ventas podra usar tcnicas estadsticas para predecir las ventas de los prximos periodos. Anlisis de Decisiones: Tomando Decisiones Justificables y Defendibles El anlisis de decisiones es la disciplina que consiste en evaluar alternativas complejas en trminos de valores (habitualmente en $ porque es lo que a los gerentes les importa) y de incertidumbre (lo que no conocemos). El anlisis de decisiones brinda informacin sobre las diferencias entre las alternativas definidas, y genera sugerencias de nuevas y mejores alternativas. Usamos nmeros para cuantificar valores e incertidumbres subjetivas, lo cual nos permite comprender la situacin de decisin. Los resultados numricos deben reconvertirse para generar informacin cualitativa. Los seres humanos pueden comprender, comparar y manipular nmeros. Por lo tanto, para crear un modelo de anlisis de decisiones es necesario crear la estructura del modelo y asignar las probabilidades y los valores para poblar el modelo de computacin. Aqu se incluyen los valores para las probabilidades, las funciones de valor para evaluar alternativas, las ponderaciones de valor para medir la concesin que se debe hacer entre los objetivos, y la preferencia de riesgo. Una vez definida la estructura y los nmeros, el anlisis puede comenzar. El Anlisis de Decisiones implica mucho ms que calcular la utilidad esperada y ponderada de cada alternativa. Si nos detuviramos aqu, los decisores no tendran demasiada informacin. Tenemos que examinar la sensibilidad de la utilidad esperada y ponderada para las probabilidades clave, y los parmetros de ponderacin y preferencia de riesgo. Como parte del anlisis de sensibilidad

19

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

podemos calcular el valor de la informacin perfecta para incertidumbres que han sido modelizadas explcitamente. Entre las comparaciones cuantitativas adicionales se incluye la comparacin directa de la utilidad ponderada para dos alternativas en todos los objetivos y la comparacin de todas las alternativas en dos objetivos seleccionados, demostrando la optimalidad de Pareto para estos dos objetivos. La complejidad del mundo moderno, junto con la cantidad de Informacin, la Incertidumbre y el Riesgo, requieren un marco racional para la toma de decisiones. Las metas del anlisis de decisiones son las siguientes: incorporar orientacin, informacin, discernimiento y estructura al proceso de toma de decisin, para que sta pueda ser mejor y ms "racional".

Figura 1. Ideas

Toda decisin necesita un decisor responsable. El decisor tiene varias alternativas, y debe elegir una. El objetivo del decisor es elegir la mejor alternativa. Despus de que se ha tomado la decisin, pueden producirse eventos sobre los que el decisor no tiene control. Cada combinacin de alternativas elegida, seguida por un evento, conduce a un resultado con algn valor mensurable. Los gerentes toman decisiones en situaciones complejas. Las matrices de rbol de decisiones y pago describen estas situaciones y aaden estructura a los problemas. Leccin 3: Elementos de los Modelos de Anlisis de Decisin Las teoras y las tcnicas matemticas que se toman en consideracin en el anlisis de decisiones se ocupan de las teoras de eleccin prescriptivas (accin). Es decir, la cuestin aqu es ver exactamente de qu modo se comporta un decisor cuando se enfrenta a una eleccin entre cursos de accin, cuyos resultados estn regidos por el azar o las acciones de los competidores. El anlisis de decisiones es un proceso que le permite al decisor seleccionar una decisin (slo una) entre un conjunto de alternativas posibles de decisin, cuando existe incertidumbre con respecto al futuro, con el objetivo de optimizar el pago (retorno) resultante, en trminos de algn tipo de criterio de decisin numrico.

20

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Los elementos de los problemas de anlisis de decisiones son los siguientes:

Grafico 3. Componentes de un modelo probabilstico

1. Hay un decisor responsable individual. Por ejemplo, el Representante legal de una compaa que quizs deba rendir cuentas ante los accionistas. 2. Un nmero finito de eventos (futuros) posibles, llamados Estados de la Naturaleza, es decir, un conjunto de escenarios posibles. Las circunstancias en las cuales se toma una decisin se llaman estados de la naturaleza. Los estados de la naturaleza se identifican y agrupan en el conjunto S; los miembros se denotan como s. El conjunto S es un grupo de conjuntos mutuamente excluyentes. Es decir, slo puede ocurrir un estado de la naturaleza. Qu puede hacer la naturaleza? 3. Un nmero finito de alternativas posibles de decisin. Hay una accin a, miembro del conjunto A, que puede ser adoptada por el decisor. Slo puede adoptar una. Qu puedo hacer? Una buena decisin requiere buscar un conjunto ms rico de alternativas que las que se presentaron inicialmente o que las aceptadas tradicionalmente. 4. Sea breve en la parte de la lgica y la razn de su decisin. Es probable que existan mil cosas en un automvil, pero usted no las necesita todas para tomar la decisin. Con media docena es suficiente. 5.La manera ms sencilla de formular el problema de decisin es usando una matriz de beneficios (tabla). Hay una matriz de beneficios X bien definida, monetaria (y luego de utilidad) sobre dos conjuntos de dominio dimensionales A y S. Las filas y las columnas se asignan a las alternativas de decisin posibles y a los estados posibles de la naturaleza, respectivamente. Normalmente no es tarea sencilla construir esta matriz; por lo tanto, puede requerir algo de prctica. Fuente de Errores en la Toma de Decisiones: La fuente principal de errores en los problemas de toma de decisiones arriesgadas son las presunciones falsas, no tener una estimacin exacta de las probabilidades, depender de la expectativa, dificultades en medir la funcin de utilidad, y los errores de pronstico. Cuando tomamos alguna decisin se puede incurrir en algunos errores que sesgan las decisiones ya sea para bien o para mal, entre los ms frecuentes errores tenemos:
21

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Focalizarse en una sola fuente de informacin. - Sobreestimar el valor de la informacin recibida de otros. - Subestimar el valor de la informacin recibida de otros. - Escuchar y ver slo lo que queremos. - No escucharnos - No ofrecer participacin - Hacer de forma unilateral u obligada Como se estudio en este captulo, hay una secuencia previa para la toma de decisiones, se observo desde el anlisis del problema hasta las secuencias para una ptima decisin, pero solo con anlisis empricos hasta el momento y no con modelos matemticos para analizar en los siguientes captulos. Ejemplo de decisin de inversin: Los estados de la naturaleza son los estados de la economa durante un ao. El problema es decidir qu acciones tomar entre los tres cursos posibles, con las tasas de retorno dadas tal y como son mostradas en la tabla.

Estados de la Naturaleza Crecimiento C Bonos 12% Crecimiento Sin Bajo medio cambio CM 8 7 7 SC 6 3 7 B 3 -2 7

Cursos de Acciones 15 Accin Depsito 7

Tabla 1. Matriz para procesos de decisin

Leccin 4: PASOS PARA LA TOMA DE DECISIONES Definido el proceso para la toma de decisiones, se une el proceso escogido y definido con una serie de pasos para la decisin como los siguientes, donde cada uno de ellos plantea unas preguntas que se deben resolver as: Definir el Problema Se puede preguntar lo siguiente:

22

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Qu cree que causa el problema? - Dnde, cmo y qu est pasando? - Con quin est pasando? - Por qu est pasando? Describa de manera especfica el problema. - Si se presenta un problema considerado como complejo es aconsejable que se proceda a contestar las preguntas mencionadas hasta que se logren escribir los problemas relacionados. - Es importante verificar el entendimiento de los problemas. Esto se puede lograr con el dilogo con un par para clarificar conceptos. - Otro aspecto a considerar es establecer un orden o prioridad en los problemas a tratar. Para ello es til distinguir entre urgente e importante. - El entender nuestro rol en el problema es importante, pues influye grandemente en como uno percibe el rol de los dems. Buscar las Causas Potenciales del Problema. - En esta fase es importante recibir la retroinformacin de los que notan el problema o quienes estn siendo afectados por l. - Escribe cules son tus opiniones y que has escuchado de otros. - Haz una descripcin de la causa del problema, en trminos de lo que est pasando, dnde, cundo, cmo, con quin y por qu. Identificar Alternativas para Resolver el Problema. - Desarrollar una tormenta de ideas para la solucin del problema. - La tormenta de ideas consiste en colectar el mayor nmero de ideas posibles y luego cernir las mismas para encontrar la mejor idea. Seleccionar una alternativa para resolver el problema. Se ha de considerar: - Cul alternativa resolver el problema a largo plazo? - Cul alternativa es ms realista al momento?
23

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Qu recursos tenemos? Estn accesibles? - Tenemos el tiempo suficiente para implementar la alternativa? - Cul es el riesgo asociado a cada alternativa? Establecer el plan de accin para la implementacin de la mejor alternativa. Considerar lo siguiente: - Cmo la situacin se ver cuando el problema sea resuelto? - Qu pasos se han de tomar para la implementacin de la mejor alternativa para resolver el problema? - Qu sistemas o procesos deberan ser cambiados por una poltica o procedimiento? - Cmo sabemos que los pasos se estn llevando a cabo? - Qu recursos se necesitan en trminos de personas, facilidades y finanzas? - Cunto tiempo se necesita para implementar la alternativa? Para ello es necesaria la creacin de una agenda. - Quines ser responsable de asegurarse de la implementacin del plan? Monitorear la Implementacin del Plan. Algunos aspectos a considerar: - Observar que se estn dando lo esperado a travs de la implementacin. - Cotejar que se est llevando a cabo el itinerario o agenda programada. - Si el plan establecido no est dando los resultados esperados favor de revisar el plan. Verificar si el plan ha sido efectivo o no. - Una manera de ver su efectividad es verificar que las operaciones vuelvan a la normalidad. - Verificar si los cambios realizados evitarn el mismo problema en el futuro. - Preguntarnos que hemos aprendido del proceso de toma de decisiones (conocimiento, entendimiento, destrezas).

24

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Realizar un memorando que describa los logros del esfuerzo durante el proceso de resolver el problema y compartirlo con todos/as. Leccin 5: Criterio de decisin

fuente: elearning.semarnat.gob.mx/cte /MATERIALESAPOYO...

Para el estudio de los criterios de decisin, primero debemos definir que son criterios de decisin y los tipos de criterios que debemos estudiar: Clasificacin de Criterios de Decisin: Los criterios los clasificamos de acuerdo a la forma o estado de la naturaleza (eventos) que se nos presentan para la decisin, por lo cual encontramos la siguiente clasificacin: 1. DECISIN TOMADA BAJO CERTEZA Los estados de la naturaleza que ocurrirn se asumen conocidos. En este caso el que toma las decisiones sabe con claridad o exactitud cual estado de la naturaleza ocurrir. 2. DECISIN TOMADA BAJO RIESGO Existe conocimiento de la probabilidad que un estado de la naturaleza ocurra, por lo cual es necesario un buen manejo de las densidades de probabilidad y el manejo matemtico se desarrollan con base en informacin estadstica. Para estados de la naturaleza se tiene en cuenta lo siguiente: - maximizar el perjuicio esperado, medido en perjuicio neto esperado. - maximizar el perjuicio esperado, medido por su utilidad. - minimizar el perjuicio esperado, en este caso perjuicio y utilidad conducen la misma decisin.
25

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

3. DECISIN TOMADA BAJO INCERTIDUMBRE La probabilidad de que ocurra un estado de la naturaleza es absolutamente desconocida. En este caso se supone que el que toma las decisiones tiene como conocimiento de la probabilidad con que ocurrirn los estados de la naturaleza (evento) y para ello se tiene en cuenta los siguientes criterios: - maximizar el rendimiento neto mnimo. - maximizar el rendimiento neto mximo. - minimizar el perjuicio mximo. Para iniciar el curso en los procesos matemticos se definirn a continuacin los criterios bsicos para la toma de decisin as: - CRITERIO DE PENA MINIMAX (SAVAGE) Criterio de toma de decisiones que minimiza la penalidad mxima asociada con no haber tomado la mejor decisin posible.
Penalidad = (ganancia por la mejor decisin) (ganancia por la decisin no ptima).

Cuando la penalidad se aproxima o es igual a cero (0) la opcin seleccionada es la mejor alternativa para la inversin. - CRITERIO PROBABILSTICO Consiste en incorporar la probabilidad de cada uno de los resultados que se puedan presentar. Pasos para desarrollarlo: - Estimar la probabilidad de cada resultado. - Utilizar estas propiedades para calcular una ganancia esperada para cada alternativa. - Escoger la alternativa que tenga la mayor ganancia esperada. Permite incorporar su conocimiento (o creencias) acerca de la probabilidad relativa de cada resultado, para el caso del canal de televisin usted podra creer, basado en la experiencia, que hay una misma probabilidad de que la serie sea un xito o un fracaso, pero que existe una menor probabilidad que la serie sea un gran xito, para cada uno de los resultado posibles, usted debe: 1. Estimar la probabilidad de cada resultado. 2. Utilizar estas probabilidades para calcular una ganancia esperada. 3. Escoja la alternativa que tenga la mayor ganancia esperada.
26

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- CRITERIO OPTIMISTA (MAXIMAX) Consiste en escoger la alternativa que nos represente mayor ganancia en inversin. - CRITERIO PESIMISTA (MAXIMIN) El objetivo principal de este criterio es seleccionar la alternativa que maximice ganancia mnima posible, es decir, asegurar la mnima perdida. - CRITERIO HURWICZ Este criterio combina los criterios pesimista y optimista, decidiendo que tan optimista o que tan pesimista se desea ser. - se escoge el coeficiente de optimismo alfa que tiene valores de 0 a 1 (entre ms cerca este de uno es ms optimista). - frmula para cada alternativa:
- Ganancia pesada = alfa * (ganancia mxima) + (1- alfa) * (ganancia mnima).

- seleccione la alternativa que presente la mayor ganancia pesada.


EJEMPLO 1:

El vendedor de peridicos Felipe Rodrguez vende en la esquina de la Avenida Caracas y la Calle 53, y cada da debe determinar cuantos peridicos pedir. Felipe compra a $20 cada peridico y lo vende a $.25 Los peridicos que no vende al final del da no tiene valor. Felipe sabe que cada da puede vender entre 6 y 10 peridicos, siendo igual cada probabilidad. Indique como se ajusta este problema en el modelo segn el estado del mundo. SOLUCION En este ejemplo, los miembros S = 6, 7, 8, 9,10 son los valores posibles de la demanda diaria de peridicos. Se sabe que p6 = p7 = p8 = p9 = p10 =1/5. Felipr debe escoger una accin que es el nmero de peridicos que debe pedir cada da entre A= 6, 7, 8, 9,10 . Si Felipe compra i peridicos y la demanda es de j, entonces se compran i a un costo de $20 i, y se venden min(i,j) peridicos a $25 cada uno. As, se Felipe compra i peridicos y le piden j, tiene una ganancia neta rij donde rij = 25i - 20i = 5i i j rij = 25j - i i j) En la tabla 2, aparecen los valores de rij

27

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

DEMANDA DE PERIODICOS PERIODICOS PEDIDOS 6 7 8 9 10 6 $30 $10 -$10 -$30 -$50 7 $30 $35 $15 -$5 -$25 8 9 10 $30 $35 $40 $45 $50

$30 $30 $35 $35 $40 $40 $20 $45 $ 0 $25

Tabla 2. Matriz costos de ejemplo 1.

Aplicando el criterio de decisin maximin se obtienen los siguientes resultados:

PERIODICOS PEDIDOS 6 7 8 9 10

EL PEOR ESTADO DEL MUNDO 6, 7, 8, 9,10 6 6 6 6

RECOMPENSA EN EL PEOR ESTADO DEL MUNDO $30 --- maximin $10 -$10 -$30 -$50

Tabla 3. Decisiones segn Criterio maximin

Por lo tanto si opta por la decisin de mitigar el peor de los casos, quiz ya pueda sacar provecho de la buena fortuna, por lo cual Felipe nunca ganar menos de $30, pero nunca ganar ms de $30. Por lo cual se recomienda ordenar 6 peridicos. Aplicando el criterio de decisin maximax se obtiene los siguientes resultados: PERIODICOS PEDIDOS 6 7 8 9 10 EL PEOR ESTADO DEL MUNDO 6, 7, 8, 9,10 7, 8, 9,10 8, 9,10 9,10 10 RECOMPENSA EN EL PEOR ESTADO DEL MUNDO $30 $35 $40 $45 $50 --- maximax

Tabla 4. Decisiones segn Criterio maximax

Este criterio de decisin produce una ganancia de $ 50 con la recomendacin de pedir 10 peridicos, pero deja abierta la posibilidad que la demanda sea solo 6 peridicos en cuyo caso perder $50. Aplicando el criterio Savage, penalizacin o minimax se debe primero tener en cuenta la penalizacin previa o sea la diferencia entre la mayor utilidad obtenida
28

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

por demanda menos cada una de las utilidades por peridico vendido, tal como
se muestra en la tabla siguiente:
DEMANDA DE PERIODICOS
PERIODICOS PEDIDOS 6 7 8 9 10 6 7 $35 - $30= $ 5 $35 - $35= $ 0 $35 - $15 = $20 $35 + $ 5 = $20 $35 + $25 = $60 8 $40 - $30= $10 $40 - $35 =$ 5 $40 - $40 = $ 0 $40 - $20 = $20 $40 - $ 0 = $40 9 $45 - $30= $15 $45 - $35 = $10 $45 - $40 = $ 5 $45 - $45 = $ 0 $45 - $ 0 = $40 10 $50 - $30= $20 $50 - $35 = $15 $50 - $40 = $10 $50 - $45 = $ 5 $50 $50 $50

$30 - $30 = $ 0 $30 - $10 = $20 $30 + $10 = $40 $30 + $30 = $60 $30 + $50 = $80

Tabla 5. Penalizaciones ejemplo 1.

Los resultados obtenidos son las penalizaciones por lo cual los resultados son:
PERIODICOS PEDIDOS 6 7 8 9 10 PENALIZACION MAXIMA $20 $20 $40 $60 $80

Segn este criterio se recomienda pedir entre 6 y 7 peridicos ya que la prdida seria mnima solo de $20.
TALLER 1. PIZZA King y Noble greek son dos restaurantes competidores. Deben

determinar en forma simultnea, si emprenden campaas de publicidades pequeas, medianas o grandes. Pizza King cree que es igualmente probable que Noble Greek lleve a cabo una campaa pequea, mediana o grande. En la tabla se muestran las ganancias de Pizza King, dadas las acciones de los dos restaurantes. Determinar la campaa elegida por Pizza King segn los criterios maximin, maximax y minimax.
ELECCION DE PIZZAS KING Pequea Mediana ELECCION DE NOBLE GREEK Pequea Mediana Grande 6000 5000 2000 5000 6000 0

2. Sodaco planea producir una novedad: chocovan. Calcula que la demanda anual de chocovan, D (miles de empaques) tiene la siguiente funcin de masa: P(D =30) = .30, P(D = 50) = .40, P(D = 80 ) = .30. Cada empaque de Chocovan se vende a $5 y se encurre en un costo variable de $3. Se necesitan $800000 para construir la planta productora de Chocovan. Suponga que se recibe, por siempre $1 cada ao, equivale a recibir $10 ahora. Considerando la recompensa para cada accin y estado del mundo en trminos del valor presente neto, usar cada uno de los criterios de decisin estudiados en el capitulo para determinar se sodaco debe construir la planta.
29

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

CAPITULO 2: DECISIONES BAJO INCERTIDUMBRE VALOR ESPERADO.

Fuente: http://scielo.isciii.es/scielo.php?pid=S0213-9111200...

INTRODUCCIN Este captulo desarrollar los siguientes temas un poco ms a fondo en donde se tendrn en cuenta datos numricos recolectados de un estudio de mercados previo los temas son: - Caractersticas del valor esperado. - Diseo y conduccin de la investigacin de mercados. - Valor esperado de la informacin muestra OBJETIVOS: 1.- Conocer los desarrollos necesarios para evaluar una investigacin de mercados. 2.- Emplear los criterios de valor esperado para tomar la decisin de una investigacin. 3.- Estudiar el criterio del valor esperado cuando se tiene una informacin perfecta o una muestra especifica.

30

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Leccin 6: CRITERIO DEL VALOR ESPERADO

Fuente:juangabrielcendales.com/.../acuerdos-y-certezas/

En las decisiones bajo incertidumbre esteremos soportados en la estadstica por medio del valor esperado o esperanza matemtica. Tambin tendremos un fuerte apoyo en los manejos de investigacin de mercados lo que permite estudiar un poco mejor la teora de la utilidad o criterio de utilidad. Todo esto nos da el manejo de informaciones que tenga algo de muestra o sin informacin muestra.
- Valor Esperado

Grafica 4. Resultados de valor esperado


Fuente: www.monografias.com/trabajos48/medicinas-alte...

En estadstica el valor esperado o esperanza matemtica (o simplemente esperanza) de una variable aleatoria es la suma de la probabilidad de cada suceso multiplicado por su valor. Por ejemplo en un juego de azar el valor esperado es el beneficio medio. Si todos los sucesos son de igual probabilidad la esperanza es la media aritmtica.
31

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Se refiere a una informacin que en un futuro haciendo retrospectiva permite ver que escogimos la mejor opcin o alternativa. Caractersticas: Informacin del futuro que en retrospectiva, le permitir haber escogido la mejor alternativa. El clculo del valor esperado de la informacin perfecta se obtiene mediante: - La estimacin de la probabilidad de cada resultado. - El uso de estas probabilidades para encontrar la recuperacin esperada sin informacin perfecta, mediante la aplicacin de criterios. - El clculo del valor con informacin perfecta se obtiene de acuerdo a: - Identificacin de la mejor decisin y la correspondiente ganancia para cada resultado. - Determinar la ganancia con relacin a la probabilidad dada. - Multiplicacin de la ganancia para cada resultado futuro por la probabilidad correspondiente de ese resultado y sumando los productos resultantes.

Leccin 7: DISEO Y CONDUCCION DE LA INVESTIGACION DE MERCADO El propsito de la I.M. es disear y llevar a cabo una investigacin que tenga como resultado un indicador descriptivo o estimacin del proyecto propuesto. Para determinar la confiabilidad de la investigacin, se necesita hacer una evaluacin en base a los resultados esperados. - Reporte favorable del estudio I.M; la muestra tomada expresa un inters considerable en el producto de la X Ca. - Reporte no favorable del estudio de I.M; a muestra tomada expresa poco inters por producto de la X Ca. Se evala para cada resultado, la probabilidad de que cada indicador sea resultado de la investigacin. Revisin de las probabilidades en la investigacin de mercados: Probabilidades: permite estimar decisiones para resultados posibles.
32

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Investigacin de Mercados: permite disear y llevar a cabo una investigacin que tiene como resultado un indicador descriptivo; adems permite que el administrador estime probabilidades ms precisas. rbol de Probabilidad: herramienta que permite visualizar y llevar a cabo anlisis de decisiones y observar las probabilidades de los resultados, estn conformados por nodos y arcos. Tipos de probabilidades: Probabilidad Conjunta: probabilidad de que se presenten dos sucesos. Probabilidad Marginal: probabilidad de que se presente un suceso en particular. Estas probabilidades permiten llegar a las probabilidades posteriores. Probabilidades Posteriores: probabilidades revisadas de los resultados obtenidos sobre la base de los indicadores de una investigacin de mercado.

EJEMPLO 2: Colombia.com es una empresa que se encarga de ensamblar computadores, quieren incluir al mercado un nuevo equipo que cumpla con las necesidades de los clientes, pero la empresa necesita conocer la acogida que va tener ante el mercado, los administradores se hacen dos preguntas:

a) Cunto debe invertir en este producto experimental? b) El producto tendr un xito o ser un fracaso?

Para responder a estas preguntas es necesario hacer un estudio de mercadeo. - Formulacin del problema: identificar un numero de alternativas de decisin para ello se debe tener en cuenta: - La cantidad a invertir - Estrategia para la inversin. - La inversin se divide en 3 niveles: - Nivel Inferior (L): los computadores no son conocidos en el mercado. - Nivel Moderado (M): el procesador es conocido pero, otras partes son poco conocidas. - Nivel Alto(A): a pesar de que los dems componentes no son conocidos, demuestran ser de buena calidad. - Con base en lo anterior identificamos posibilidades. - Fracaso (F): menos del 10% los clientes compran el producto. - xito (S): entre el 10% y 20% los clientes compran el producto. - Gran xito (G): ms del 20% compran el producto.

33

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones Resultado Decisiones Baja (L) Moderada (M) Alta (A) Fracaso (F) -2 -5 -8 xito (S) 5 10 6 Gran xito G) 8 12 15

Tabla 6. Estimaciones de Ganancia.

La administracin utilizo la experiencia para estimar las siguientes probabilidades para los 3 resultados posibles para la venta del nuevo producto. a) 0,4 Fracaso (F) b) 0,4 xito (E) c) 0,2 Gran xito (G). Alternativa Baja Moderada Alta Ganancia Esperada 0,4(-2)+0,4(5)+0,2(8)=2,8 0,4(-5)+0,4(10)+0,2(12)=4,4 0,4(-8)+0,4(6)+0,2(15)=2,2

Tabla 7. Ganancia sin Informacin Perfecta.

Leccin 8: Valor esperado de la informacin muestra: El objetivo de la investigacin de mercados (IM) es el de ayudar al administrador a realizar estimaciones de probabilidad ms precisas. El uso de la investigacin de mercado para modificar las probabilidades implica lo siguiente: - Diseo y ejecucin de la investigacin de mercado. - Revisin de las probabilidades de los diferentes resultados basados en el resultado de la investigacin de mercado. - Identificacin de la decisin optima basada en las probabilidades revisadas. Enfoque de valor esperado - Si las estimaciones de probabilidad de los estados de naturaleza estn disponibles, podemos utilizar el enfoque de valor esperado (EV).

34

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Aqu el valor esperado de cada decisin es calculada sumando el producto de los pagos bajo cada estado de naturaleza y la probabilidad de que dicho estado de naturaleza ocurra. - Se selecciona la decisin que proporcione el mejor valor esperado. Valor esperado de una alternativa de decisin: - El valor esperado de una alternativa de decisin es la suma de los pagos ponderados correspondientes a la alternativa de decisin. - El valor esperado (EV) de una alternativa de decisin di se define as:

Donde: N = nmero de estados de naturaleza P(sj ) = probabilidad del estado de naturaleza sj Vij = el pago correspondiente a la alternativa de decisin di y estado de naturaleza sj Limitaciones del valor esperado: - Si las consecuencias de un resultado potencialmente desfavorable pueden sobrellevarse sin mayores sobresaltos, el VE es un criterio razonable para la accin. - Cuando las consecuencias de un resultado potencialmente desfavorable no pueden ignorarse (cuando se ponen en juego grandes sumas de dinero en trminos relativos), el VE puede no ser el mejor criterio de decisin.

Leccin 9: Valor Esperado de la Informacin Perfecta. La ganancia esperada con informacin perfecta se toma el valor ms grande de cada columna de la tabla de ganancia y se multiplica por los porcentajes estimados.

= 0,4(-2)+0,4(10)+0,2(15)=6,2

35

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Formula general del valor esperado de la informacin perfecta:

Valor esperado de la informacin perfecta

Ganancia esperada con informacin perfecta

Ganancia esperada sin informacin perfecta

Valor esperado de la informacin perfecta = 6,2 4,4 = 1,8 En otras palabras el tener informacin perfecta vale $1.8 millones a Colombia.com.
Indicador I1 I2 Descripcin < 10% compra producto (computador) > 10% compra producto(computador)

Tabla 8. Indicadores favorables y desfavorables.


Indicador I1 I2 F 0,8 0,2 S 0,3 0,7 G 0,1 0,9

Tabla 9. Probabilidades condicionales dadas por los resultados.


Indicador I1 I2 Fracaso (F) 0,32 0,08 xito (S) 0,12 0,28 Gran xito (G) 0,02 0,18 P.Marginal 0,46 0,54

Tabla 10. Probabilidades conjuntas y marginales.


Indicador I1 I2 Fracaso (F) 0,7 0,15 xito (S) 0.3 0,52 Gran xito (G) 0,04 0,33

Tabla 11. Probabilidades Posteriores.


Decisiones Baja Moderada Alta Ganancia esperada 0,7(-2) + 0,3(5) + 0,04(8) = 0,42 0,7(-5) + 0,3(10) + 0,04(12) = 0,02 0,7(-8) + 0,3(6) + 0,04(15) = -3,2

Tabla 12. Indicador I1.

36

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones Decisiones Baja Moderada Alta Ganancia esperada 0,15(2) + 0,52(5) + 0,33(8) = 4,94 015(-5) + 0,52(10) + 0,33(12) = 8,41 0,15(-8) + 0,52(6) + 0,33(15) = 6,87

Tabla 13. Indicador I2.


Indicador I1 I2 Decisin optima Baja Moderada Ganancia esperada 0,42 8,4

Tabla 14. Decisiones ptimas y ganancias esperadas por I1 y I2

Ganancia esperada con informacin de muestra

Ganancia esperada cuando el indicador es I1

*P (1) +

Ganancia esperada cuando el indicador es I2

*P (2)

Ganancia esperada con informacin de muestra = (0,42*0,46) + (8,4*0,54) = 4,7

Finalmente el valor esperado de la informacin de muestra es:


Valor esperado de la informacin de muestra Ganancia esperada con informacin de muestra

Ganancia esperada sin informacin de muestra

= 4,7 4,4 = 0,28

Esto significa que la ganancia esperada por Colombia.com aumentara en $279990 si se utiliza los resultados de la investigacin. Eficiencia de la informacin de muestra

37

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Eficiencia de la informacin de muestra

Valor esperado de la informacin de muestra = Valor esperado de la informacin perfecta

*100

= 0,28 / 1,8 = 15,6%

EJEMPLO 3: El vendedor de peridicos Felipe Rodrguez vende en la esquina de la Avenida Caracas y la Calle 53, y cada da debe determinar cuantos peridicos pedir. Felipe compra a $20 cada peridico y lo vende a $.25 Los peridicos que no vende al final del da no tiene valor. Felipe sabe que cada da puede vender entre 6 y 10 peridicos, siendo igual cada probabilidad. Indique como se ajusta este problema en el modelo segn el estado del mundo.
DEMANDA DE PERIODICOS PERIODICOS PEDIDOS 6 7 8 9 10 6 $30 $10 -$10 -$30 -$50 7 $30 $35 $15 -$5 -$25 8 $30 $35 $40 $20 $ 0 9 10

$30 $30 $35 $35 $40 $40 $45 $45 $25 $50

Para el criterio del valor esperado se tiene en cuenta la probabilidad del estado de la naturaleza que es para todas las posibles opciones de 1/5 por el pago correspondiente para cada decisin y el valor mayor es la mejor decisin as:
RECOMPENSA ESPERADA PERIODICOS PEDIDOS 6 7 8 9 10 1/5( $30+$30+$30+$30+$30) = 1/5( $10+$35+$35+$35+$35) = 1/5(-$10+$15+$40+$40+$40) = 1/5(-$30-$5+$20+$45+$45) = 1/5(-$50-$25+$0+$25) = $30 $30 $25 $15 $0

Este criterio recomendara que se pidan 6 o 7 peridicos. Leccin 10: Criterio nivel de aceptacin Este criterio no proporciona una decisin ptima en el sentido de maximizar beneficio o minimizar un costo. Ms bien es un medio de determinar cursos de accin aceptables. Considere por ejemplo, la situacin que ocurre cuando una
38

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

persona anuncia la venta de un auto usado. Al recibir una oferta, el vendedor debe decidir dentro de un tiempo razonable, si est es aceptable o no. En este aspecto, el vendedor establece un precio lmite abajo del cual el auto no ser vendido. Este es el nivel de aceptacin que permitir al vendedor aceptar la primera oferta que lo satisfaga. Tal criterio no puede proporcionar el ptimo; Una oferta posterior puede ser ms alta que la aceptada. Al tomar una decisin en el ejemplo de los autos usados, no se menciono una distribucin de probabilidad. Entonces porque el criterio de nivel de aceptacin se clasifica como una toma de decisiones con riesgo? Se puede argumentar que al seleccionar el nivel de aceptacin, el propietario del automvil tiene conocimiento del valor en el mercado de unidades similares. Este equivale a decir que l tiene una nocin de la distribucin de los precios de los autos usados, decididamente, esto no da una definicin formal de una funcin densidad de probabilidad pero se tiene una base para adjuntar datos que se puedan emplear a fin de desarrollar dicha funcin. En realidad, se debe suponer que este es el caso, ya que la ignorancia completa acerca de la distribucin puede hacer que el propietario fije el nivel de aceptacin demasiado alto y en esta caso ninguna oferta seria aceptable; o bien fijarlo muy bajo y en este caso quizs el propietario no llegue a tener un nocin adecuada del valor real del automvil. En cualquier caso una de las ventajas de aceptar el nivel de aceptacin es que quizs no sea necesario definir con exactitud la funcin densidad de probabilidad. La explicacin anterior destaca la utilidad del criterio del nivel de aceptacin cuando todos los cursos de accin alternativos no estn disponibles cuando se toma la decisin. Esta no necesita ser la nica situacin donde se utiliza este criterio. Considrese, por ejemplo, el caso donde una estacin de servicio (lavandera, restaurante, peluquera) puede atender con diferentes tasas de servicio. Una tasa alta de servicio aunque proporciona un servicio ms rpido y conveniente, puede ser demasiado costosa para el propietario. Recprocamente un servicio lento no puede ser tan costoso, pero ocasiona la prdida de clientes y por ltimo el beneficio. El objetivo es llegar al punto ptimo de realizar el servicio. En estos casos es posible determinar la distribucin de probabilidad para el servicio tanto en llegada como en el tiempo de atencin, debido a que estas instalaciones operan durante largo tiempo parece ideal determinar la optimalidad basado en la minimizacin del costo de la instalacin por unidad de tiempo en total. Incluyendo el costo esperado de operar mas el costo esperado de la inveniencia para el cliente, siendo ambos funcin del nivel de servicio siendo el primero ms alto, el ms bajo el segundo y viceversa. Sin embargo este criterio ser imprctico debido a la dificultad de determinar el costo del cliente. Otros factores intangibles no se pueden determinar fcilmente en relacin al costo ya que depende del cliente y su personalidad. EJEMPLO 4: Se supone que la demanda x por periodo de cierta mercanca est dada por la funcin continua de probabilidad f(x), si la cantidad al comenz del periodo no es suficiente puede ocurrir escasez. Si se tiene demasiado hay
39

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

inventario ocioso. Ambas situaciones son costosas la primera da perdida beneficio potencial, la segunda aumenta el costo del inventario. Supuestamente se debe equilibrar estos costos, ya que generalmente es difcil estimar el costo de escasez, se puede determinar el nivel de inventario tal que la escasez esperada no exceda de A1 y el exceso esperado no pase de A2. Matemticamente, esto se expresa de la siguiente manera. Sea I el nivel de inventario que se va a determinar. Por lo tanto, Escasez esperada = (x I) f(x) dx A1 Exceso esperado = (I x) f(x) dx A2

Como A1 y A2 no puede ser factible para algunos valores I. Se supone que 20 / x2 F(x) =
0 en cualquier otro valor 10 x 20

Se deduce que = = 20 ln 20/I + I/20 1

= 20

ln 10/I + I/10 -1

El criterio de aceptacin se simplifica y se tiene Ln I - I/20 ln 20 A1/20 1 = 1.996 - A1/20 Ln I - I/10 ln 10 A2/20 1 = 1.302 A2/20

Esto significa que los niveles de aceptacin A1 y A2 deben ser tales que las dos desigualdades se satisfagan simultneamente para al menos un valor de I. El valor de I debe estar entre 10 y 20 por ser los lmites de demanda I Ln I I/20 Ln I I/10 12 1.88 1.28 13 14 1.91 1.94 1.26 1.24 15 1.96 1.21 16 17 1.97 1.98 1.17 1.13 18 1.99 1.09 19 20 1.99 1.99 1.04 0.99
40

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Se satisface para 13 < I < 17. Por consiguiente para cualquiera de estos valores se proporciona una respuesta al problema. TALLER: 1. El Restaurante Ave Roja est contemplando abrir un nuevo restaurante en Medelln. Tiene tres modelos distintos, cada uno con diferente capacidad de asientos. Burger Prince estima que el nmero promedio de clientes por ahora ser de 80, 100 o 120. La tabla de pago para los tres modelos es el siguiente: Promedio De Clientes Por Hora s1 = 80 s2 = 100 s3 = 120 Modelo A Modelo B Modelo C $10,000 $ 8,000 $ 6,000 $15,000 $18,000 $16,000 $14,000 $12,000 $21,000

2. Un vendedor de recuerdos de viaje descubre que sus ventas dependen del clima, en gran medida. l debe ordenar sus mercancias en enero. El mayorista le ofrece paquetes, con una variedad grande o pequea, a precios especiales, y le vendedor ha decidido comprar uno u otro. Su tabla de utilidades en trminos de ganancia neta en dlares aparece en seguida:
ESTADO NATURAL DECISION PEQUEO GRANDE FRIO 0 - 3000 FRESCO 1000 -1000 CALIDO 3000 4000 TRRIDO 4000 8000

En la figura 2, aparece la funcin de utilidad del dinero. Si el vendedor cree que cada estado de la naturaleza es probable:
2

41

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

-Cul decisin maximiza el beneficio neto esperado en dlares? -Cul decisin maximiza la utilidad esperada?

CAPITULO 3: DECISIONES BAJO INCERTIDUMBRE - ARBOLES DE DECISION

INTRODUCCION El capitulo muestra otra forma de tomar decisiones cuando hay un grado de incertidumbre en la informacin pero bajo un modelo que permite grficamente observar la posible decisin, adems se emplea los criterios de valor esperado como apoyo a la misma, en el captulo se estudiar: - Las caractersticas de los arboles de decisin. - Seleccin de alternativas de decisin. - Las limitaciones cuando se emplea arboles de decisin. - La teora de la utilidad.

OBJETIVOS: 1.- Identificar cuando se puede emplear un rbol de decisin. 2.- Emplear los arboles de decisin en un proceso decisorio especifico. 3.- Reconocer cuando se puede emplear un rbol de decisin y sus limitantes.

42

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

4.- Analizar la teora de utilidad como una herramienta para la toma de decisiones.

Leccin 11: ELEMENTOS DE LOS ARBOLES DE DECISIN. Un rbol de decisin es una representacin grafica de las alternativas, probabilidades y pagos o ganancias asociadas con un problema de decisiones. - El primer paso para resolver problemas complejos es descomponerlos en sub-problemas ms simples. - Los rboles de decisin ilustran la manera en que se pueden desglosar los problemas y la secuencia del proceso de decisin. - Un nodo es un punto de unin. - Una rama es un arco conector. - La secuencia temporal se desarrolla de izquierda a derecha. - Un nodo de decisin representa un punto en el que se debe tomar una decisin. Se representa con un cuadrado. - De un nodo de decisin salen ramas de decisin que representan las decisiones posibles. - Un nodo de estado de la naturaleza representa el momento en que se produce un evento incierto. Se representa con un crculo. - De un nodo de estado de la naturaleza salen ramas de estado de la naturaleza que representan los posibles resultados provenientes de eventos inciertos sobre los cuales no se tiene control. - La secuencia temporal se desarrolla de izquierda a derecha. - Las ramas que llegan a un nodo desde la izquierda ya ocurrieron. Las ramas que salen hacia la derecha todava no ocurrieron. - Las probabilidades se indican en las ramas de estado de la naturaleza. Son probabilidades condicionales de eventos que ya fueron observados. - Los valores monetarios en el extremo de cada rama dependen de decisiones y estados de la naturaleza previos.

43

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Caractersticas: - Un rbol de Decisin es una representacin cronolgica del problema de decisin. - Cada rbol de Decisin tiene dos tipos de nodos: Nodos redondos corresponden a los estados de naturaleza, Representar situaciones cuyas ocurrencias son inciertas. Nodos cuadrados corresponden a las alternativas de decisin

- Las Ramas que salen de cada nodo redondo representan los diferentes estados de naturaleza, representar un posible acontecimiento

- Las ramas que sales de los nodos cuadrados representan las diferentes alternativas de decisin. - Al final de cada rama de un rbol estn los pagos obtenidos de una serie de divisiones que componen ese rbol. Ejemplo. Suponga que el estado del tiempo es variable y puede que llueva o no. Usted tiene que tomar la decisin de llevar paraguas o no. Fig. 3.
Nodo de Decisin Rama

Nodo de Probabilidad

Fig. 3. rbol de decisin

Leccin 12: SELECCIN DE ALTERNATIVAS DE DECISIN - Trabajando de atrs hacia adelante en el rbol, se calcula el valor esperado para cada nodo de estado de la naturaleza. - Dado que quien toma las decisiones controla las ramas que salen de cada nodo de decisin, se elige la rama que resulte en el mayor valor esperado. - Se van tachando todas las ramas que no sean seleccionadas.
44

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Se prosigue el anlisis hacia la derecha del rbol, hasta seleccionar la primera decisin. - La decisin que resulta de un anlisis del rbol de decisin no es una decisin sino una estrategia condicional a la ocurrencia de eventos que sucedan a la decisin inmediata. LIMITACIONES DE LOS RBOLES DE DECISIN - Un rbol de decisin da una buena descripcin visual en problemas relativamente simples, pero su complejidad aumenta exponencialmente a medida que se agregan etapas adicionales. - En algunas situaciones, la especificacin de la incertidumbre a travs de probabilidades discretas resulta en una sobre simplificacin del problema.

EJEMPLO 5: La compaa Certon ha desarrollado una nueva lnea de productos. El gerente est atento para decidir el mercado apropiado y la estrategia de produccin. Hay tres estrategias consideradas, A = agresiva, B = bsica, C = cautelosa. El estudio de mercado ha denotado F = fuerte, D = dbil; los estimativos en pesos en cada caso estn en la tabla 15:

Decisin A B C

Estado de la naturaleza F D 30 -8 20 7 5 15

Donde F = 0,45, D = 0,55 Tabla 15. Ejemplo 5. Compaa Certon. cul ser la mejor estrategia? Una manera ms conveniente de representar este problema es usando rboles de decisin, como en la figura 4. Un nodo cuadrado representar un punto en el cual se debe tomar una decisin, y cada lnea abandonando el cuadrado representar una posible decisin. Un nodo crculo representar situaciones cuyas ocurrencias son inciertas, y cada lnea abandonando el crculo representar un posible acontecimiento

45

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones
P (F) =, 45 F D P (D) =, 55

A F B D C

P (F) =, 45

P (D)=,55

P (F)=,45 F D P (D)=,55

Figura 4. rbol de decisin para Compaa Certn

El proceso de usar un rbol de decisin para encontrar la decisin ptima se denomina resolver el rbol. Para resolver el rbol se trabaja desde atrs hacia adelante. Esto se llama retornando el rbol. Primero, las ramas terminales se llevan hacia atrs calculando un valor esperado para cada nodo Terminal. Primero se calculan los valores de cada rama, se multiplica el valor estimado en pesos y el valor de cada estado de la naturaleza y despus se suman los valores con el fin de obtener un solo resultado, Ver la figura 5.
ERA = 9.10 A B ERB = 12.85 C

ERC = 10,58

Figura 5: Resultado ejemplo 5.

La Administracin debe resolver un problema ms simple que es el de elegir la alternativa que lleva al valor esperado ms alto del nodo Terminal. De esta forma un rbol de decisin provee una forma ms grfica de ver el problema. Se utiliza la misma informacin que antes y se realizan los mismos clculos. EJEMPLO 6. Considrese La informacin suministrada en la tabla 16, utilice diagramas de rbol para solucionar el problema
46

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones
DECISIONES BAJA(l) MODERADA(M) ALTA(H) PROBABILIDAD RESULTADOS: DECISIONES BAJA(l) MODERADA(M) ALTA(H) FRACASO(F) 0.6 0.4 0.2 XITO(S) 0.3 0.4 0.5 GRAN XITO(G) 0.1 0.2 0.3 FRACASO(F) -2 -5 -8 0.4 XITO(S) 5 10 6 0.4 GRAN XITO (G) 8 12 15 0.2

Tabla 16. Informacin ejemplo 6

Figura 6. rbol ejemplo 6.

GANANCIA ESPERADA = (0.4*(-2)) + (0.4*(5))+(0.2*(8))= 1.6 GANANCIA ESPERADA = (0.4*(-5)) + (0.4*(10))+(0.2*(12))=4. GANANCIA ESPERADA = (0.4*(-8)) + (0.4*(6))+(0.2*(15))=2.2

47

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Figura 7. Resultados rbol ejemplo 6.

Por tanto se toma la decisin Moderada debido a que da la MAYOR ganancia con un valor de 4.4. Leccin 13: Regla de Bayes y arboles de decisin Para desarrollar una unin entre los arboles de decisin y el teorema de bayes que es una herramienta clave para la solucin de estos problemas es mas fcil entenderlo a partir de la siguiente explicacin: de un conjunto de entrenamiento D de tamao N y de una funcin parametrizable F(x; W) (p.e. una red neuronal) siendo W el conjunto de parmetros asociados a la funcin (p.e. los pesos de la red neuronal), el problema del aprendizaje estadstico pasa por calcular W de manera que se consiga un objetivo estadstico, p.e. minimizar una funcin de costo estadstica. Para ello se utilizar algn mtodo de optimizacin. El sistema de ecuaciones obtenido al aplicar el mtodo de optimizacin sobre la funcin de costo estadstico es lo que se conoce como algoritmo de entrenamiento. Dicho algoritmo es en realidad un sistema dinmico, es decir un conjunto de ecuaciones que evolucionan en el tiempo. Este sistema dinmico deber converger hacia el mnimo de la funcin de costo. No obstante, ser habitual definir un criterio de parada del algoritmo que permita parar la ejecucin del mismo antes de que converja. EJEMPLO 7. Ahora se va a considerar un ejemplo muy simple. Los caramelos sorpresa son de dos sabores: CEREZA y LIMA. El fabricante de los caramelos tiene un sentido del humor muy peculiar, y envuelve los caramelos en un envoltorio opaco en el que no

48

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

se indica el sabor. Los caramelos se introducen en grandes bolsas que son de cinco tipos, otra vez indistinguibles desde afuera: h1: 100% cereza h2: 75% cereza + 25% lima h3: 50% cereza + 50% lima h4: 25% cereza + 75% lima h5: 100% lima Dada una nueva bolsa, la variable aleatoria H (para las hiptesis) denota el tipo de bolsa, as que puede tomar valores desde h 1 hasta h5. Por supuesto, H no es directamente observable. Cuando se abren y se inspeccionan los caramelos, se revelan los datos D1, D2,, Dn, donde cada Di es una variable aleatoria con valores posibles de CEREZA y LIMA. La tarea bsica a la que se enfrenta el agente es predecir el sabor del siguiente caramelo. A pesar de que aparentemente parece trivial, este escenario sirve para introducir muchos de los aspectos principales. Realmente, el agente necesita inferir una teora de su mundo, aunque sea muy simple. El aprendizaje bayesiano simplemente calcula la probabilidad de cada hiptesis dados los datos, y realiza predicciones sobre estas bases. Es decir, se realizan las predicciones utilizando todas las hiptesis, ponderadas por sus probabilidades, y no utilizando nicamente la "mejor" hiptesis. De esta forma, el aprendizaje se reduce a inferencia probabilstica. Si D representa todos los datos, y d el valor observado; la probabilidad de cada hiptesis se obtiene aplicando la regla de Bayes:

(1) Ahora suponga que queremos hacer una prediccin sobre una cantidad desconocida X. tenemos (2) (3) Donde se ha asumido que cada hiptesis determina una distribucin de probabilidades de X. esta ecuacin muestra que las predicciones son el resultado de ponderar las predicciones de las hiptesis individuales. Las hiptesis son en s mismas intermediarios entre los datos crudos y las predicciones. Las cantidades clave en el enfoque bayesiano son las hiptesis a priori. P(hi) y la verosimilitud de los datos dada cada una de las hiptesis, P(d/hi).

49

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

En este ejemplo asumiremos, como informacin proporcionada por el fabricante, que la distribucin a priori sobre h1,,h5 viene dada por [0.1 , 0.2 , 0.4 , 0.2 , 0.1]. La verosimilitud de los datos se calcula asumiendo que las observaciones son independientes e idnticamente distribuidas (iid) as que (4) La figura 8 muestra cmo cambian las probabilidades a posteriori de las cinco hiptesis a medida que se van observando los 10 caramelos de lima. Ntese que las probabilidades comienzan con sus valores a priori, por lo que h 3 es inicialmente ms probable que las dems, incluso despus de que se desenvuelva el primer caramelo. Despus de desenvolver dos caramelos de lima, h 4 es la ms probable; despus de tres o ms, h5 (la terrorfica bolsa con todos los caramelos de lima) es la ms probable. Despus de 10, estamos bastante seguros de nuestro destino. El ejemplo muestra que, a la larga, la verdadera hiptesis domina la prediccin bayesiana. Esto es caracterstico del aprendizaje bayesiano. Para cualquier a priori fija que no excluya la hiptesis verdadera, la probabilidad a posteriori de cualquier hiptesis falsa finalmente desaparecer, simplemente porque la probabilidad de generar datos no caractersticos de forma indefinida es cada vez ms pequea. Ms importante, la prediccin bayesiana es ptima, tanto si el conjunto de datos es pequeo, como si es grande. Dada la hiptesis a priori, cualquier otra prediccin ser correcta con menos frecuencia. Por supuesto, la optimalidad del aprendizaje bayesiano tiene un precio. En los problemas reales de aprendizaje, el espacio de hiptesis es normalmente muy grande. En algunos casos, el clculo del sumatorio de la ecuacin (2) (o la integracin en caso continuo) es tratable, pero en la mayora de los casos debemos recurrir a mtodos aproximados o simplificados.

Figura 8. Evolucin de las probabilidades condicionales de h1, h2, h3, h4 y h5

50

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Probabilidades para el momento en el que se destapa el primer caramelo

=0

= 0.1

= 0.4

= 0.3

= 0.2 Probabilidades para el momento en el que se destapa el segundo caramelo

=0

= 0.038

= 0.307

= 0.346

= 0.307
51

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Probabilidades para el momento en el que se destapa el tercer caramelo

=0

= 0.0131

= 0.210

= 0.355

= 0.421 Como se observa en las ecuaciones anteriores; a medida que se van destapando caramelos las ecuaciones se van actualizando con las nuevas probabilidades, cosa que hace ms exactas las probabilidades a posteriori. A continuacin se muestra la tabla 17. Para 10 iteraciones, es decir para los diez primeros caramelos destapados. h1 h2 A priori 1 2 3 4 5 0,1 0,2 0 0 0 0 0 0,1 h3 0,4 0,4 h4 0,2 0,3 h5 0,1 0,2

0,03846 0,30769 0,34615 0,30769 0,01316 0,21053 0,35526 0,42105 0,00413 0,13223 0,33471 0,52893 0,00122 0,07805 0,29634 0,62439

52

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

6 7 8 9 10

0 0 0 0 0

0,00034 0,04405 0,25086 0,70475 9,4E-05 0,02407 0,20562 0,77021 2,5E-05 0,01285 0,16468 0,82245 6,6E-06 0,00675 0,12968 0,86357 1,7E-06 0,0035 0,10087 0,89563

Tabla 17. Iteraciones ejemplo 7.

Leccin 14: TEORIA DE LA UTILIDAD. La utilidad es una forma alternativa para medir el atractivo del resultado de una decisin. Dicho de otro modo, de encontrar los valores a llenar una tabla de pagos. Se emplea en los criterios de decisin y de valor esperado los beneficios netos y el arrepentimiento como medidas de la bondad de una combinacin concreta de una decisin con un estado natural. La utilidad sugiere otras mediciones como la razn de la utilidad y la funcin de utilidad especfica para cada problema de decisin. Entre estos desarrollos tenemos: - Una nica oportunidad para tomar la decisin y sta tiene riesgos considerables. - Un boleto de lotera tiene una ganancia esperada negativa. - Una pliza de seguros cuesta ms que el valor actual de las prdidas esperadas de la compaa aseguradora.

Caractersticas de la Teora de la utilidad - El valor de la utilidad, U (V) refleja la perspectiva del tomador de decisiones. - El valor de la utilidad se calcula para cada posible ganancia. - El menor resultado obtenido tiene un valor de utilidad de 0. - El mayor resultado obtenido tiene un valor de utilidad de 1.

53

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- La decisin ptima se elige usando el criterio de la utilidad esperada.

Sobre la indiferencia para asignaciones de valores de utilidad - Listar todas las posibles ganancias en la matriz de ganancias en orden ascendente. - Asignar una utilidad 0 al valor ms bajo y un valor 1 al ms alto. - Para todas las otras posibles ganancias formular al tomador de decisiones la siguiente pregunta: suponga que Ud. Podra recibir esa ganancia en forma segura o recibira, ya sea la mayor ganancia con probabilidad p y la menor ganancia con probabilidad (1-p). Qu valor para p lo hara indiferente ante esas dos situaciones? La respuesta a esta pregunta son las probabilidades de indiferencia con respecto a la ganancia y se usan como valores para la utilidad.

DETERMINANDO LA RAZON DE LA UTILIDAD: - La tcnica provee una cierta cantidad de riesgo para cuando el tomador de decisiones debe elegir una opcin. - La tcnica se basa en tomar la ganancia ms segura versus arriesgar la obtencin de la ms alta o baja de las ganancias. - Tres tipos de tomadores de decisiones 1.El no arriesgado - prefiere una ganancia segura a una probabilidad de una misma ganancia esperada. 2. El arriesgado - prefiere una ganancia probabilstica a una misma ganancia segura esperada. 3. El neutral es indiferente a una ganancia segura o probabilstica.

Utilidades.

No arriesgado al determinar la decisin

Neutral al determinar la decisin


Arriesgado al determinar la decisin

Ganancia Grafico 5. Tipo de decisiones.

54

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Hasta ahora hemos supuesto que el pago esperado en trminos monetarios es la medida adecuada de las consecuencias de tomar una accin. Sin embargo en muchas situaciones esto no es as y se debe utilizar otra escala de medida para las acciones que realizamos Leccin 15: APLICACIONES DE LA TEORIA DE UTILIDAD: Suponga que se le ofrece a una persona Ganar $40000 fijos: 50% de posibilidades de ganar $100000 50% de posibilidades de no ganar nada

E {p(a 1 ,q)}= 0.5* $100000 + 0.5*0= $50000 E {p(a 2 ,q)}= 1* $40000 = $40000

Aunque la alternativa 1 tiene un pago esperado mayor, muchas personas preferirn los $40000 pesos fijos, En muchas ocasiones los tomadores de decisiones no estn dispuestos a correr riesgos aunque la ganancia esperada sea mucho mayor. Se pueden transformar los valores monetarios a una escala apropiada que refleje las preferencias del tomador de decisiones, llamada funcin de utilidad del dinero U(M) 5 4 3 2 1

$10000 $ 20000 $30000 $40000 $50000 $60000

$100000

Grafico 6. Funcin de utilidad para el dinero

Una funcin de utilidad para el dinero de este tipo nos muestra una utilidad marginal decreciente para el dinero. La pendiente de la funcin disminuye conforme aumenta la cantidad de dinero M. Porque la segunda derivada < 0 cuando sta existe.
55

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Pero se puede observar que no todas las personas tienen una utilidad marginal decreciente para el dinero. Hay personas que tienen funciones de utilidad marginal creciente para el dinero. El hecho de que distintas personas tienen funciones de utilidad diferentes para el dinero tiene una aplicacin importante para el tomador de decisiones cuando se enfrenta a la incertidumbre. Por lo tanto cuando una funcin de utilidad para el dinero se incorpora en un anlisis de decisiones de un problema, esta funcin de utilidad debe construirse de manera que se ajuste a las preferencias y valores del tomador de decisiones. La clave para considerar que la funcin de utilidad para el dinero se ajusta al tomador de decisiones es la siguiente propiedad de las funciones de utilidad: Bajo las suposiciones de la teora de utilidad, la funcin de utilidad para el dinero de un tomador de decisiones tiene la propiedad de que ste se muestra indiferente ante dos cursos de accin alternativos si los dos tienen la misma utilidad esperada. Para la aplicacin que se est estudiando y segn el grafico 6 se obtiene que: Se le ofrece Ganar $100000 con probabilidad p (utilidad = 4), No ganar nada con probabilidad 1-p (utilidad = 0) El valor esperado de la utilidad con esta oferta es E (utilidad) = 4 * p El tomador de decisiones ser entonces indiferente ante cualquiera de estos 3 pares de alternativas: - Ganar $100000 con probabilidad 0.25 E (utilidad = 1). Obtener $10000. - Ganar $100000 con probabilidad 0.5 E (utilidad = 2). Obtener $30000. - Ganar $100000 con probabilidad 0.75 E (utilidad = 3). Obtener $60000.

Construccin de la funcin de utilidad para el dinero: 1. Se le hace al tomador de decisiones una oferta hipottica de obtener una gran suma de dinero con probabilidad p o nada. 2. Para cada una de las pequeas cantidades se le pide al tomador de decisiones que elija un valor de p que lo vuelva indiferente ante la oferta y la obtencin definitiva de esa cantidad de dinero.

56

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Cuando se usa la funcin de utilidad para el dinero, del tomador de decisiones, para medir el valor relativo de los distintos valores monetarios posibles, la regla de Bayes sustituye los pagos monetarios por las utilidades correspondientes; Por lo tanto, la accin ptima es la que maximiza la utilidad esperada. EJEMPLO 8. GOFERBROKE COMPANY, En estos momentos la compaa no atraviesa por una situacin financiera slida y est operando con poco capital. Una prdida de $100000 sera bastante seria. El peor escenario sera conseguir $30000 para el sondeo ssmico y despus todava perder $100000 en la perforacin cuando no haya petrleo.

Grafica 7 rbol para ejemplo 8.

Por otro lado, encontrar petrleo es una perspectiva interesante, ya que una ganancia de $700000 dara a la compaa una base financiera slida. Para aplicar la funcin de utilidad para el dinero del tomador de decisiones es necesario conocer todos los pagos posibles.

57

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones Pago monetario -130 -100 60 90 670 700 Utilidad -150 -105 60 90 580 600

Tabla 18. Pagos y utilidad ejemplo 8.

Veamos la manera como se obtuvo esta tabla 18; El punto de inicio adecuado para construir la funcin de utilidad es considerar el peor y el mejor de los escenarios. Suponga que slo tiene dos alternativas: Alternativa 1 No hacer nada, utilidad = 0, pago = 0 Alternativa 2 Probabilidad p, Probabilidad 1-p, pago= 700 pago= -130

Qu valor de p hara que el tomador de decisiones fuera indiferente ante las dos alternativas? Suponga que la eleccin del tomador de decisiones es p = 1/5 4/5 u (-130) + 1/5 u (700) = 0 Uno de los valores de u (-130) y u (700) puede establecerse arbitrariamente, con la salvedad de que el primero sea negativo y el segundo positivo Suponga que seleccionamos u (-130) = -150 4/5 (-150) + 1/5 u (700) = 0 u (700) = 600 Para identificar u (-100), se selecciona un valor de p que haga que el tomador de decisiones sea indiferente entre un pago de -130 con Probabilidad p o la de definitivamente puede incurrir en un pago de -100. Si p = 0.7 entonces u (-100) = p u (-130) = 0.7(-150) = -105

58

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Para obtener u (90), se selecciona un valor de p que haga que el tomador de decisiones sea indiferente entre un pago de 700 con probabilidad p o la obtencin de un pago definitivo de 90.

Si p = 0.15 entonces u (90) = p U (700) = 0.15 (600) = 90 Con estos valores se puede dibujar una curva suavizada.

Grafica 8. Funcin de utilidad ejemplo 8.

Resumiendo: Para f > 0 halle un valor de p tal que sea indiferente tener $700 con ese valor de p, o tener a la fija f y se plantea u (f) = u (700)* p + 0 * (1-p) u (f) = u (700)* p Se halla u(f) Para f < 0 halle un valor de p tal que sea indiferente tener -$130 con ese valor de p, o tener a la fija f u (-130)* p = u (f) Se halla u (f) Observe que u (M) es en esencia igual a M para valores pequeos (positivos o negativos) de M, y despus se separa gradualmente para valores grandes de M; Esto es caracterstico de una persona que tienen una aversin moderada al riesgo.
59

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Dada la funcin de utilidad para el dinero del dueo de la compaa, el proceso de toma de decisiones se puede desarrollar por cualquiera de los mtodos estudiados anteriormente excepto que ahora se sustituyen las utilidades por los pagos monetarios. El uso de la teora de la utilidad refleja la actitud del tomador de decisiones respecto al riesgo.

Grafica 9. rbol ejemplo 8 con funcin de utilidad.


FUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase25_II.pdf

TALLER: 1) La compaa de limpieza Jorge recibe contratos preliminares de dos fuentes, de un agente propio de la empresa y de los gerentes de los edificios. Histricamente, 3/8 de los contratos son obtenidos por el agente y 5/8 de los gerentes, desafortunadamente, no todos los contratos preliminares resultan para efectuarse. Actualmente, solamente de los contratos obtenidos de los gerentes resultan, sin embargo 3/4 de los obtenidos por el agente se efectan, por un contrato se obtienen $64000, el costo de procesamiento y seguimiento de un contrato que no se realiza es de $3200. Cul es el pago esperado asociado con los contratos preliminares. 2) Jorge est contratado para realizar una presentacin el 10 de mayo, las ganancias dependen fuertemente del tiempo, si particularmente el tiempo es lluvioso, el espectculo pierde $28000 y si es soleado obtiene utilidad de
60

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

$12000 (suponiendo que todo el da estar tanto lluvioso como soleado), Jorge puede decidir cancelar el espectculo, pero si lo hace pagara una multa de $1000. Histricamente el 10 de mayo tiene 1/4 del tiempo lluvioso. Qu decisin deber Jorge tomar para maximizar sus ganancias esperadas? -Cual es el valor esperado de la informacin perfecta? Jorge tiene la opcin de conseguir la informacin del tiempo en la oficina meteorolgica. Cuando ha sido lluvioso la oficina ha estado en lo correcto (pronosticada lluvia) en el 90%. Cuando ha sido soleado, est l en lo correcto (pronosticado sol) solamente en el 80% del tiempo. - Si Jorge obtiene el estado del tiempo, Qu estrategia deber seguir para maximizar sus expectativas de ganancias? 3) OILCO debe determinar si perforar o no en el mar para buscar petrleo. Cuesta 100000 dlares perforar y, si encuentra petrleo, su valor se calcula en 600000 dlares. Actualmente OILCO cree que hay 45 % de probabilidades que el campo contenga petrleo. Antes de perforar OILCO puede contratar por 10000 dlares un gelogo para obtener mas informacin acerca de la probabilidad que haya petrleo en el lugar. Hay un 50% que el gelogo emita un dictamen favorable contra el 50% que el dictamen sea desfavorable. Si el dictamen es favorable hay probabilidad del 80% que el campo tenga petrleo. Si el dictamen es desfavorable hay 105 de probabilidad que haya petrleo. Determinar las acciones optimas de OILCO, tambin calcular VEIM (Valor Esperado de Informacin Muestra) y VEIP (Valor Esperado de Informacin Perfecta) 4) Un cliente acude a un banco para obtener un prstamo de 50000 dlares a un ao con 12% de inters. Si el banco no aprueba el prstamo los 50000 se invertirn en bonos que ganaran un 6% anual. Sin mayores informes, el banco cree que hay el 4% de probabilidad que el cliente se declare totalmente insolvente. En este caso el banco pierde los 50000. A un costo de 500 dlares el banco puede investigar en detalle el historial de crdito del cliente y emitir un concepto a favor o en contra. La experiencia anterior indica que: P (recomendacin favorable/cliente no insolvente)=70/96 P (recomendacin favorable/cliente insolvente) = Cmo puede el banco maximizar sus ganancias? Calcular el VEIM y VEIP?

61

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

AUTOEVALUACIN DE LA UNIDAD 1. 1.- Considere la siguiente matriz de pagos (|beneficios): 1 2 3 4 5

1 2 3 4

15 3 1 7

10 14 5 19

0 8 14 10

-6 9 20 2

17 2 -3 0

No se conocen probabilidades para la ocurrencia de los estados de la naturaleza. Compare las soluciones obtenidas con cada uno de los criterios. (a) (b) (c) (d) Laplace Maximin. Savage. Hurwicz. (Suponga que = 0.5.)

2. La red de televisora NBS gana un promedio de 400000 dlares cuando un espectculo tiene xito y pierde un promedio de 100000 dlares cuando no lo tiene. De todos los espectculos que ha revisado esa red, sucede que el 25% fueron xitos y el 75% fracasos. Una empresa de investigacin de mercados puede, a un costo de 40000 dlares, hacer que una concurrencia presencie una muestra del espectculo propuesto y de su opinin acerca de si ser xito o fracaso. Si en realidad va a ser un xito, hay 90% de probabilidad que la empresa de investigacin de mercado prediga que ser xito. Si en realidad va a ser un fracaso, hay 80% de probabilidades que la prediccin sea fracaso. Determinar por medio de arboles de decisin cmo puede la red televisora elevar al mximo sus ganancias esperadas. Tambin calcular el VEIM y el VEIP. RESPUESTAS: 1. a) a4 b) a2 c) a2 d) a4 2. Contratar a la empresa. Si predice xito, transmitir el programa. Si predice fracaso, no transmitirlo. Ganancia esperada= 35000 dlares; VEIM= 50000 dlares; VEIP= 75000 dlares.

62

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

UNIDAD 2. DECISIONES BAJO RIESGO

INTRODUCCIN: Esta unidad desarrollar, los criterios de decisin especficos para cuando no se conoce la informacin o sea que se presenta un mayor riesgo Al tomar la decisin, en otras palabras como si se avanzara a ciegas en las empresas o vida cotidiana, en la unidad se mostrara la utilidad de las probabilidades en la toma de decisiones, adems de programar decisiones con secuencia o metas escalonadas, como tambin la simulacin de los procesos decisorios. En los siguientes captulos el estudiante conocer el manejo de las decisiones cuando solo tiene un competidor, como tambin cuando su producto tiene varios competidores y depende de su comportamiento con el tiempo. Por ltimo aplicar los conceptos de programacin lineal pero en decisiones con metas y el algoritmo especfico, as como las aplicaciones de los modelos de simulacin.

OBJETIVO GENERAL: Dar a conocer a los estudiantes las modelos para apoyo en las decisiones cuando no se conoce a futuro ninguna certeza por ende se debe basar todo en el estudio probabilstico, las caractersticas, elementos esenciales, algoritmos de solucin y la aplicabilidad de la probabilidad en una empresa.

OBJETIVOS ESPECIFICOS: - Identificar y aplicar los diferentes tipos de probabilidades en las decisiones de una empresa o la vida diaria. - Aplicar los mtodos de solucin para la toma de decisiones donde solo hay dos participantes y se debe suponer las decisiones del otro. -Diferenciar las necesidades de un producto con respecto a otro y la influencia del tiempo en las ventas de este en un mercado especfico.
63

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Conocer y aplicar las cadenas de markov. - Observar y aplicar los algoritmos para la solucin optima en un proyecto donde se deben programar las metas a conseguir y determinar la prioridad entre ellas. - Reconocer las aplicaciones de la simulacin en la toma de decisiones.

COMPETENCIAS: El estudiante despus de estudiar la unidad deber ser competente en la teora de juegos para aplicarlo no solo con un competidor si no con un rival especifico. Diferenciar el comportamiento de un producto en el tiempo y con otros productos similares. Diferenciar entre los diferentes mtodos para desarrollar una simulacin y la secuencia para definir un problema que tiene varias metas especficas.

JUSTIFICACION El profesional adems de las decisiones con incertidumbre debe afrontar aquellas donde el riesgo es alto y fuertemente apropiado por el azar, por lo tanto, con las herramientas de teora de juegos, cadenas de markov y la programacin por metas le permite desarrollar habilidades en los esquemas con dos jugadores o tendencias en el tiempo, adems de medir decisiones con varias aproximaciones previas y en donde se debe avanzar metdicamente. Por ltimo se aproxima a la simulacin de sus decisiones y en donde se le exigir la apropiacin matemtica previa para desarrollar los mtodos markovianos, por metas y de simulacin. INTENCIONALIDADES FORMATIVAS La intencin formativa tiene que ver con las capacidades para tomar decisiones con riesgo por medio del uso de diferentes mtodos como lo son la teora de juegos, las decisiones con procesos de markov. Adicionalmente aplicar modelos de programacin cuando son varias las posibles decisiones y determinar los desarrollos por medio de las simulaciones en los procesos de decisin. Esto lo pueden realizar con apoyo de los conocimientos adquiridos en el clculo diferencial, programacin lineal y ecuaciones diferenciales. Por lo cual el estudiante aplicar integralmente sus conocimientos bsicos en el campo profesional, teniendo un criterio claro para las diversas decisiones en las empresas donde laboren.

64

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Capitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS

INTRODUCCIN En el mundo real, tanto en las relaciones econmicas como en las polticas o sociales, son muy frecuentes las situaciones en las que, al igual que en los juegos, su resultado depende de la conjuncin de decisiones de diferentes agentes o jugadores. La tcnica para el anlisis de estas situaciones es llamada Teora de juegos la cual es sin duda un modelo para empresas ganadoras o exitosas en un ambiente competitivo: Por ejemplo, existen muchos factores importantes a considerar cuando se hace una oferta importante, entre los cuales estn: Establecer y mantener una posicin de preferencia como oferente, desarrollar una relacin de preferencia por parte de los clientes, de lo que se oferta en s mismo, y del precio. Es una fascinante aplicacin de la matemtica pura y la psicologa pura, e incorpora series de modelos capaces de simplificar problemas complejos de competencia o interaccin incierta entre dos o ms agentes. OBJETIVOS 1.-Conocer en qu consiste la Teora de Juegos. 2.- Desarrollar destreza para la toma de decisiones. 3.- Poder elegir la mejor estrategia mediante un proceso matemtico. 4.- Saber elegir la mejor decisin de acuerdo a sus intereses. 5.- Reconocer y desarrollar los diferentes mtodos de la Teora de Juegos

65

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Leccin 16. CONCEPTOS

Fuente: http://julioguti.bligoo.com/tag/psicologia

La teora de juegos es una Teora matemtica, que estudia las caractersticas generales de las situaciones competitivas y hace parte de la teora general de decisiones como mecanismo para el manejo de las estrategias. En la teora de Juegos un oponente se designa como jugador, cada jugador tiene un numero de elecciones llamadas estrategias. Los resultados a pagar de un juego se resumen como funciones de las diferentes estrategias para cada jugador, en donde la ganancia de un jugador es igual a la prdida del otro. Se debe tener en cuenta siempre las siguientes definiciones elementales como son: Juego: es la situacin de conflicto en la que dos o ms adversarios intentan alcanzar un objetivo seleccionando cursos de accin de entre todos los que sean permitidos por las reglas. Reglas: posibles cursos de accin que pueden ser elegidos y deben ser conocidas por todos los jugadores. Resultados: asociados a cada posible combinacin de elecciones, estos son definidos por adelantado y conocidos por todos los jugadores. Movida: eleccin de un curso de accin en particular de entre un conjunto de alternativas posibles. Partida: secuencias de movidas que se suceden en un juego desde el principio hasta el final; Debe tenerse una secuencia por cada jugador. Estrategia de un jugador: Es la regla de decisin predeterminada que permite a un jugador elegir cada una de las movidas que conforman a una partida, ante el anlisis de todas las posibles elecciones de los competidores. Estrategia pura: es aquella en la cual cada una de las movidas hechas por un jugador a lo largo de una partida corresponde a una nica opcin o curso de accin particular. Estrategia mixta: es aquella en la cual no siempre se opta por el mismo curso de accin a lo largo de una partida. Valor del juego: Es el resultado de jugar una partida, cada jugador con su estrategia. Indica cual es el beneficio o perjuicio que recibe cada jugador. Solucin del juego: es el conjunto de estrategias ptimas para cada jugador y valor del juego resultante de la aplicacin de esas estrategias. IDEAS FUNDAMENTALES - Una caracterstica bsica en muchas de las situaciones de conflicto y
66

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

competencia es que el resultado final, depende de la combinacin de estrategias seleccionadas por los adversarios. - La Teora de juegos estudia las caractersticas generales de las situaciones competitivas de una manera formal y abstracta. - Da una importancia especial a los procesos de toma de decisiones de los adversarios. - Se llaman juegos con suma cero por que un jugador gana lo que el otro pierde, de manera que la suma de sus ganancias netas es cero. Este juego consiste en que los dos jugadores muestran al mismo tiempo uno o dos dados. Si el nmero de dados coincide con el jugador que apuesta a pares (jugador 1) gana la apuesta ($1) al jugador que va por impares (jugador 2). Si el nmero no coincide el jugador 1 paga ($1) al jugador 2. Un juego de dos personas se caracteriza por: 1. Las estrategias del jugador 1 2. Las estrategias del jugador 2 3. La matriz de pagos METODOS DE SOLUCIN Existen 4 mtodos para la solucin de Teora de juegos: Estrategias Dominadas Punto de silla y suma cero Estrategias mixtas Grafico

Leccin 17. Mtodo de estrategias Dominadas.

Fuente: http://isegara.blogspot.com/2010/05/el-mundo-del-adolescente-dominado-por.html

67

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Este mtodo consiste en eliminar una serie de estrategias inferiores hasta que quede una sola para elegir. Especficamente se puede eliminar una estrategia cuando est dominado por otra, es decir, si existe otra estrategia que siempre es al menos tan buena como esta, sin importar lo que hace el oponente. Se debe tener en cuenta que el jugador que se ubica en la casilla 1 es el que prima en las decisiones, podramos decir que este somos nosotros y que el otro es nuestro oponente. Adems es clave decir que son las estrategias que ms se buscan en las contiendas polticas. La mejor forma de entender estos mtodos es por medio de un ejemplo como el de a continuacin.

EJEMPLO 9:
Jugador 2 Estrategias 1 Jugador1 2 3 1 6 6 0 2 10 0 6 3 12 14 -6

El jugador 1 elimina la estrategia 3 (dominada) ya que sta representa menos ganancias:


Estrategias 1 2 3 Jugador 2 1 6 6 0 2 10 0 6 3 12 14 -6 Estrategias 1 2 Jugador 2 1 6 6 2 10 0 3 12 14

Jugador1

Jugador1

El jugador 2 elimina la estrategia 3 (dominante) ya que con sta obtendr mayores prdidas.
Estrategias 1 Jugador1 2 Jugador 2 1 6 6 2 10 0 3 12 14 Estrategias Jugador 1 1 2
Jugador 2

1 6 6

2 10 0

El jugador 1 elimina la estrategia 2 (dominada):


Jugador2 Jugador 2

estrategias 1

1 6 6

2 10 0

Estrategias
1 1 6 2 10

Jugador1

Jugador 1

68

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

El jugador 2 elimina la estrategia 2:


Jugador 2

Estrategias 1 Jugador 1 1 6 2 10

Estrategias Jugador1 3

Jugador2 1 6

- Entonces sabemos que el jugador 1 recibe un pago de 6 por parte del jugador 2. - El pago para el jugador, cuando ambos jugadores juegan de manera ptima recibe el nombre de Valor de Juego.

Leccin 18. Mtodo suma cero y Punto de Silla.

Fuente: http://blog.pucp.edu.pe/blog/economate

El mtodo de punto silla se utiliza cuando no se puede aplicar el mtodo de estrategias dominadas. Esto se debe a que no hay un dominio especfico entre una estrategia y otra, Adems debemos emplear para su solucin los criterios de decisin estudiadas en los captulos anteriores. El mtodo consiste en que el jugador 1 debe elegir las estrategias de menor valor y entre ellas escoger la estrategia de mayor valor a ganar (Maximin), mientras que el jugador 2 debe elegir las estrategias de mayor valor y entre ellas escoger la estrategia de menor valor a pagar (Minimax). Cuando el Maximin es igual al Minimax tanto en el valor como en signo se dice que hay punto silla. Esa posicin corresponde a la interseccin de la columna y la fila (Punto Silla). El Punto Silla es el valor del juego. Cuando estos valores no coinciden no existe Punto Silla y se puede concluir que el juego no es justo o la solucin es inestable - Si el juego tiene un valor de cero (0) o suma cero, se denomina Juego Justo, y si es diferente de cero (0) se denomina Juego Injusto.

69

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

EJEMPLO 10.
jugador 2 Estrategias 1 Jugador1 2 3 1 -3 2 -2 2 -2 0 4 3 6 2 3

El Jugador 1 elige el valor mnimo de cada fila y el jugador 2 elige el valor mximo de cada columna.
Estrategias 1 2 3 jugador2 1 -3 2 5 5
Punto silla

2 -2 0 -2 0

3 6 2 4 6
mnimax

Jugador1

-3 0 -2

mximin

Grafica 10. Juego de estrategias dominadas.

El Jugador 1 elige el valor mayor entre los valores mnimos (Maximin). El Jugador 2 elige el valor mnimo entre los valores mayores (Minimax). El punto de silla es igual a (0) (valor del juego), en este caso el juego es justo.

Leccin 19. Mtodo de estrategias Mixtas:

Fuente: http://www.opabinia.com/teoria/MEDIDA/MEDIDA.htm

Este mtodo se emplea cuando un juego no se puede resolver por los mtodos anteriores (Estrategias dominadas y Punto Silla) utilizamos el mtodo de estrategias mixtas, que consiste en combinar las estrategias dominadas con el procedimiento de Solucin grfica.

70

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Con este mtodo se le asigna a cada estrategia una probabilidad. EJEMPLO 11.
jugador 2 Estrategias 1 Jugador1 2 3 1 0 5 2 2 -2 4 3 3 2 -3 4

El jugador 1 elimina la estrategia 3 (dominada)


jugador 2 Estrategias 1 Jugador1 2 3 1 0 5 2 2 -2 4 3 3 2 -3 4

Estrategias 1 jugador 1 2

jugador 2 Y Y 1 2 0 5 -2 4

Y 3 2 -3

Determinando cual estrategia se debe eliminar se continua el proceso con el mtodo grafico, el cual se explicar a continuacin. O se puede desarrollar por el mtodo de punto de silla. Leccin 20. Mtodo Grafico

Fuente: http://thales.cica.es/rd/Recursos/rd99/ed99-0045-01/secciones/grafico.html

71

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Para desarrollar este mtodo, el cual se emplea tambin en las estrategias mixtas tomamos la matriz de pagos del ejemplo 11 y la convertimos en un sistema de ecuaciones lineales donde X hacen referencia al jugador 1 y las Y hacen referencia al jugador 2; As: Jugador 1. X1 + X2

=1

X1 = 1 - X2

Jugador 2. Y1 + Y2 + Y3 = 1 Para qu Y se tengan en funcin de X! y X2, se tiene en cuenta los valores de la matriz de pagos as: Y1 = 0X1 + 5X2 Y2 = -2X1 + 4X2 Y3 = 2X1 - 3X2 Y1 = 5X2 Y2 = -2 (1-X2)+ 4X2 = -2 + 2X2 + 4X2 Y3 = 2(1-X2) - 3X2 = 2 - 2X2 - 3X2 Y2 = -2+6X2 Y3 = 2 - 5X2

Con los valores anteriores se obtienen tres lneas rectas que debemos ubicar en el plano cartesiano, a continuacin tenemos los puntos de corte respectivos con los ejes:

Y1 = 5x2

X=0 Y=0 X=1 Y=5

Y2 = -2+6X2 x = 0 Y = -2 x=1 Y=4

Y3 = 2- 5x2

x=0 Y=2 X = 1 Y = -3

72

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Grafica 11. solucin metodo grafico

Solucin ptima El punto de corte nos determina la solucin ptima del juego. Que para este mtodo se tiene aproximadamente 0,4 para X2; y por lo tanto 0,6 para X1. Para mejor anlisis se puede desarrollar tambin por cualquiera de los mtodos algebraicos as: IGUALACION Y2 = Y3 -2+6X2 = 2 -5X2 6X2+5X2 = 2+2 11X2 = 4 X2 = 4/11 = 0.36*100 X2 = 36% Y X1= 64% Jugador 1 (64%, 36%,0) El vrtice o corte de las dos rectas que optimizan el juego es: Y2= V = -2 +6X2 = -2 + 6 (4/11) = -2 + 24/11 = 2/11 Teniendo en cuenta las dos rectas que forman parte del punto maximin y con respecto ha Y son: -2Y2 +2Y3 = 2/11 4Y2 - 3Y3 = 2/11

73

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

No se tiene en cuenta a Y1 debido a que no forma parte de la solucin mnima: -2Y2 +2Y3 = 2/11 * 2 4Y2 - 3Y3 = 2/11 -4Y2 +4Y3 = 4/11 4Y2 - 3Y3 = 2/11 _________________ Y3 = 6/11 = 0,5454*100 Y3 = 54,54% y Y2 = 45,46% Jugador 2 (0, 45.46%,54.54%) Solucin: Observando los valores de los porcentajes de las estrategias encontradas para los dos jugadores podemos realizar el anlisis de la siguiente manera: El jugador 1 le gana al jugador 2 en el primer turno por un valor del 64%, en el segundo turno le gana el jugador 2 al jugador 1 por un porcentaje del 45.46, lo que da hasta el momento un empate entre los dos jugadores, sin embargo en el tercer y ltimo juego el jugador 2 le gana al jugador 1 con un 54.54%, lo que da como resultado final, que el juego sea injusto, y tenga un valor de juego igual a 2/11. EJEMPLO 12: LA CAMPAA POLTICA: EJEMPLO DE PROTOTIPO Dos polticos contienden entre s por la presidencia de la repblica de Colombia. En este momento ellos estn haciendo sus planes de campaa para los dos ltimos das antes de las elecciones; se espera que dichos das sean cruciales por ser tan prximos al final. Por esto, ambos quieren emplearlos para hacer campaas en dos ciudades importantes. Cali y Medelln para evitar prdidas de tiempo, estn planeando viajar en la noche y para un da completo en cada ciudad o dos das en solo una de las ciudades. Como deben hacer los arreglos necesarios por adelantado, ninguno de los dos sabr lo que su oponente tiene planeado hasta despus de concretar sus propios planes. Cada poltico tiene un Jefe de Campaa en cada ciudad para asesorarlo en cuanto al impacto que tendr (en trminos de votos ganados o perdidos). Las distintas combinaciones posibles de los das dedicados a cada ciudad por ellos o por sus oponentes. Ellos quieren emplear esta informacin para escoger su mejor estrategia para estos dos das. SOLUCIN

74

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

FORMULACION: Los 2 jugadores, las estrategias de cada Jugador y la matriz de pagos. ESTRATEGIA 1: Pasar por un da en cada ciudad. ESTRATEGIA 2: Pasar ambos das en Cali. ESTRATEGIA 3: Pasar ambos das en Medelln. MATRIZ DE PAGOS
Cantidad neta de votos ganados por el POLITICO 1 (en unidades de 1000 votos)

Cantidad neta de votos ganados por el POLITICO 2 (en unidades de 1000 votos) Poltico 2 Estrategias

Poltico 2 Estrategias 1 Poltico 1 2 3 1 0 5 2 2 -2 4 3 3 2 -3 4 Poltico 1 1 2 3

1 0 5 2

2 -2 4 3

3 2 -3 4

METODO DE SOLUCIN: Para desarrollar este ejemplo se pueden emplear cualquiera de los criterios de decisin estudiados en la leccin 5. En este ejemplo se emplear el criterio maximax para el poltico 1 y maximin para el poltico 2
Poltico 2 Estrategias 1 Poltico 1 2 3 Maximin. 1 0 5 2 0 2 -2 4 3 -2 3 2 -3 4 -3 2 5 4 Maximax

Al tomar estos criterios el juego no es equilibrado y tiene un ganancia en la estrategia 2 para el poltico 1 con un valor de 5, al cual se le debe sumar 0 del pago correspondiente del poltico 2 o sea que el valor del juego es de 5 para el poltico 1 con la estrategia 2 pasar ambos das en Cali, con respecto a la prdida del poltico 2 de 0, al tomar la estrategia 1 de pasar un da en cada ciudad. EJEMPLO 13: En este juego se desarrollarn las estrategias dominadas para dos jugadores de la siguiente manera; Ambos jugadores debern elegir su estrategia

75

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones
Jugador 2 Estrategias 1 1 jugador 1 2 3 1 1 0 2 2 0 1 3 4 5 -1

Para el jugador 1: La estrategia 3 est dominada por la estrategia 1 ya que tiene pagos ms altos (1>0, 2>1, 4>-1) Independiente de lo que haga el jugador 2.

Jugador 2 Estrategias 1 1 Jugador 1 2 1 1 2 2 0 3 4 5

Para el jugador 2
La estrategia 3 est dominada Por la estrategia 1( 1<4 y 1<5, La estrategia 3 est dominada Por la estrategia 2 (2<4,0,<5),

1 1 2 1 1

2 2 0

Para el jugador 1
La estrategia 2 est dominada por la estrategia 1(1=1, 2>0)

1 1 1

2 2

Para el jugador 2 La estrategia 2 est dominada por la estrategia 1 (1<2)

1 1

Se obtiene como valor del juego la estrategia 1 para ambos jugadores donde el jugador 1 obtiene un pago de 1 del jugador 2. Es un juego equilibrado pero no justo. EJEMPLO 13. Para la siguiente matriz de pagos, determine la estrategia optima para cada jugador eliminado sucesivamente las estrategias dominadas (indique el orden en que se eliminaron).

Jugador 2 Estrategias 1 1 jugador 1 2 3 2 2 1 2 3 1 2 3 5 6 0

76

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

SOLUCIN
Jugador 2 Estrategias 1 1 jugador 1 2 3 2 2 1 2 3 1 2 3 5 6 0

Para el jugador 1 la estrategia 3 es dominada por la estrategia 1.


Jugador 2 Estrategias 1 jugador 1 2 2 1 6 1 2 2 3 3 5

Para el jugador 2 la estrategia 3 es dominada por la estrategia 1.


Jugador2 estrategias 1 Jugador1 2 1 2 2 2 3 1

Para el jugador 1 la estrategia 2 es dominada por la estrategia 1.


Jugador 2

Estrategias
Jugador 1 1

1 2

2 3

Para el jugador 2 la estrategia 2 es dominada por la estrategia 1. El ejemplo nos entrega un valor del juego de 2 donde el jugador 1 recibe un pago de 2 por parte del jugador 2; Este es un ejemplo de Juego Injusto.

EJEMPLO 14. Encuentre el Maximin, Mnimax el punto silla que tiene la siguiente matriz de pagos.

77

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones
Jugador 2 Estrategias 1 1 jugador 1 2 3 3 -4 1 2 -3 -2 -1 3 -2 -1 2

SOLUCIN El jugador 1 elige el valor mnimo de cada fila y el jugador 2 elige el valor mximo de cada columna:

Jugador 2 Estrategias 1 1 jugador 1 2 3 3 -4 1 2 -3 -2 -1 3 -2 -1 2

-3
-4 -1

Mnimos

-1

2 Mximos

El Jugador 1 elige el valor mayor entre los valores mnimos (Maximin). El Jugador 2 elige el valor mnimo entre los valores mayores (Mnimax).

Jugador 2 Estrategias 1 1 jugador 1 2 3 Punto silla 3 -4 1 2 -3 -2


-1 1

3 -2 -1 2 3 -4
-1 1

-1 1

minimax

maximin

El valor del juego es -1. Juego injusto.

78

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

TALLER: 1. Utilice el procedimiento grfico para determinar el Valor del Juego y la estrategia mixta ptima para cada jugador.
Jugador 2 Estrategias 1 jugador 1 2 1 2 2 2 3 1 3 5 6

2. Para la siguiente matriz de pagos, determine la estrategia optima para cada jugador eliminando sucesivamente las estrategias dominadas (Indique el orden en que se eliminaron).
Jugador 2 Estrategias 1 1 jugador 1 2 3 2 2 1 2 3 1 2 3 5 6 0

3. Encuentre el Punto Silla del juego que tiene la siguiente Matriz de Pagos.
Jugador 2 Estrategias 1 1 jugador 1 2 3 2 2 1 2 3 1 2 3 5 6 0

4. Utilice el procedimiento grfico para determinar el valor del juego y la estrategia mixta ptima para cada jugador segn el criterio de mnimax.

Jugador 2 Estrategias 1 jugador 1 2 1 2 2 2 3 1 3 5 6

79

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

CAPITULO 5. DECISONES BAJO RIESGO CADENAS DE MARKOV.

INTRODUCCION Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del evento inmediato anterior; En efecto, las cadenas de este tipo tienen memoria, "recuerdan" el ltimo evento y esto condiciona las posibilidades de los eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series de eventos independientes, como tirar una moneda al aire o un dado. En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de compra de los deudores morosos, para planear las necesidades de personal y para analizar el reemplazo de equipo; El anlisis de Markov, llamado as en honor de un matemtico ruso que desarrollo el mtodo en 1907, permite encontrar la probabilidad de que un sistema se encuentre en un estado en particular en un momento dado. Algo ms importante an, es que permite encontrar el promedio a la larga o las probabilidades de estado estable para cada estado, con esta informacin se pueden predecir el comportamiento del sistema a travs del tiempo. La tarea ms difcil es reconocer cundo puede aplicarse. La caracterstica ms importante que hay que buscar en la memoria de un evento a otro, las cadenas de Markov se incluyen dentro de los denominados procesos estocsticos, estos procesos estudian el comportamiento de variables aleatorias a lo largo del tiempo X(t,w), definindose como una coleccin de variables aleatorias {X(t,w), t I}, donde X (t,w) puede representar por ejemplo los niveles de inventario al final de la semana t. El inters de los procesos estocsticos es describir el comportamiento de un sistema y su operacin durante algunos periodos, se pueden clasificar atendiendo a dos aspectos: 1.- si el espacio de estados posibles de la variable aleatoria contiene valores discretos o continuos y 2.- si los valores del tiempo son discretos o continuos. Las cadenas de Markov son un proceso estocstico en el que los valores del tiempo son discretos y los estados posibles de la variable aleatoria contienen valores discretos, es decir, es una cadena estocstica de tiempo discreto. Las cadenas de Markov, se clasifican, adems, dentro de los procesos estocsticos de Markov, que son aquellos en el que el estado futuro de un proceso es
80

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

independiente de los estados pasados y solamente depende del estado presente. Por lo tanto las probabilidades de transicin entre los estados para los tiempos k-1 y k solamente depende de los estados que la variable adquiere dichos tiempos.

Leccin 21. PROCESOS ESTOCSTICOS. La teora de los procesos estocsticos se centra en el estudio y modelizacin de sistemas que evolucionan a lo largo del tiempo, o del espacio, de acuerdo a unas leyes no determinsticas, esto es, de carcter aleatorio. La forma habitual de describir la evolucin del sistema es mediante sucesiones o colecciones de variables aleatorias. De esta manera, se puede estudiar cmo evoluciona una V.A. a lo largo del tiempo; Por ejemplo, el nmero de personas que esperan ante una ventanilla de un banco en un instante t de tiempo; el precio de las acciones de una empresa a lo largo de un ao; el nmero de parados en el las estaciones de buses a lo largo de un ao. La primera idea bsica es identificar un proceso estocstico con una sucesin de v.a. {Xn, n N} donde el subndice indica el instante de tiempo (o espacio) correspondiente; Esta idea inicial se puede generalizar fcilmente, permitiendo que los instantes de tiempo en los que se definen las v.a. sean continuos. As, se podr hablar de una coleccin o familia de v.a. {Xt, t R}, que da una idea ms exacta de lo que es un proceso estocstico. Se tiene que una v.a. X(s) es una funcin que va desde un espacio muestral S a la recta real, de manera que a cada punto s S del espacio muestral se le puede asociar un nmero de la recta real. De este modo, la probabilidad de cada suceso de S se puede trasladar a la probabilidad de que un valor de X (v.a.) caiga en un cierto intervalo o conjunto de nmeros reales. Si a todo esto se le aade una dimensin temporal, se obtiene un proceso estocstico. La definicin formal es la siguiente: Dado el espacio de probabilidad (,a, P ) de modo que para todo t T R fijo Xt : (,a, P ) (R, B) w Xt(w) R Esto es, Xt es una variable aleatoria y w fijo, X(w) es una funcin del tiempo. Ejemplos: Xt: nmero de personas que esperan un autobs en un instante t donde t [9, 10] Xt: precio de una accin de una empresa en un da t del mes (t = 1, 2, . . . , 30). Xt: nmero de parados en el mes t (t = 1, 2, . . . , 12).

81

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Para que un proceso estocstico est completamente definido hay que determinar completamente las v.a., es decir, determinar e identificar la distribucin de probabilidad asociada a cada una de ellas y, es ms, la distribucin conjunta de todas ellas. Al conjunto T R de subndices se le denomina conjunto paramtrico y puede ser continuo o numerable. De este modo aparece una primera clasificacin en procesos estocsticos de parmetro continuo o de parmetro discreto. Se denomina conjunto de estados E, al conjunto de los posibles valores que pueden tomar las v.a. {Xt}tR; En general, se piensa en el subndice t como el indicativo del tiempo y en Xt como el estado o posicin del proceso estocstico en el instante t. EJEMPLO 15: Se lanza una moneda varias veces. Supngase que cada vez que sale cara, un jugador gana 1 unidad y si sale sello pierde 1 unidad. Se puede definir un proceso estocstico que modeliza la evolucin del juego. As, si se denomina Xn al nmero de unidades monetarias que quedan despus de n lanzamientos, el espacio muestral de Xn es = {n-uplas de cara y sello} De modo que el cardinal (el nmero de elementos) del conjunto es # = 2n Y el lgebra que se define es a = P (), esto es, las partes de (todos los posibles subconjuntos que se pueden formar en ). Consideramos a todas las posibles n-uplas equiprobables: P (w) = 1/2n. Es un proceso discreto, porque el conjunto paramtrico es T = {1, 2, 3,. . .} y el posible conjunto de estados es E = {. . ., 3, 2, 1, 0, 1, 2, 3. . .} Podemos estudiar la trayectoria de X (w): Sea n = 6 y fijo, por ejemplo, w = (c, c, s, s, s, s) , esto es, X1(w) = 1 X2(w) = 2 X3(w) = 1 X4(w) = 0 X5(w) = 1 X6(w) = 2

82

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Ahora, si fijamos t, por ejemplo en t = 3, se puede calcular la distribucin de X3. El conjunto de posibles estados de X3 es: -1 0 1 1 2 0 0 -1 -2 -1 De modo que E = {3, 1, 1, 3} y P {X3 = 3} = 1/ 23 = 1/8 P {X3 = 1} = 3* 1/23 = 3/8 P {X3 = 1} = 3* 1/23 = 3/8 P {X3 = 3} = 1/23 = 1/8 Se puede definir una nueva variable aleatoria: Y nmero de caras obtenidas (xitos). Se observa, entonces, que Y Bin (3, p =1/2) Y as P {Y = 0} = P {X3 = 3} = 1/23 = 1/8 P {Y = 1} = P {X3 = 1} = 3*1/23 = 3/8 P {Y = 2} = P {X3 = 1} = 3*1/23 = 3/8 P {Y = 3} = P {X3 = 3} = 1/23 = 1/8 Luego X3 se distribuye como una Bin=(3, p = ), aunque tomando otros valores que los estrictamente igual a 0, 1, 2, 3. Se identifica as el proceso estocstico, y se puede preguntar uno cul es la probabilidad de que a las 10 tiradas se tengan unidades monetarias negativas, esto es que se arruine el jugador. - Un proceso estocstico de tiempo discreto es una descripcin de la relacin entre las variables aleatorias X0, X1,...que representan alguna caracterstica de un sistema en puntos discretos en el tiempo.
83

3 1 1 -1 -3

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Por ejemplo la ruina del jugador: inicialmente tengo $2, en los tiempos 1,2,...participo en un juego en el que apuesto $1 que gano con probabilidad p y pierdo con probabilidad 1-p; Dejo de jugar cuando mi capital es $4 o he perdido todo mi capital. Si Xi es la cantidad de dinero que tengo en el tiempo i, X0, X1,... es un proceso estocstico. Un proceso estocstico de tiempo continuo es un proceso estocstico en el que el estado del tiempo se puede examinar en cualquier momento, por ejemplo el nmero de personas en un supermercado a los t minutos de abrir. Leccin 22. CADENAS DE MARKOV. Una Cadena de Markov es un proceso estocstico de tiempo discreto que para t=0, 1, 2,.. y en todos los estados se verifica P(Xt+1=it+1 | Xt=it, Xt-1=it-1, ..., X1=i1,X0=i0)=P(Xt+1=it+1|Xt=it) La Hiptesis de estabilidad es la probabilidad P (Xt+1=i t+1t=i)=pij (no depende de t) La probabilidad de transicin es pij La Matriz de probabilidades de transicin es P11 p12 ... p1s P21 P22 ... P2s P= Ps1 Ps2 0 Pss Donde se debe verificar que la pj =1 j=1 Las cadenas de Markov que cumplen la hiptesis de estabilidad se llaman cadenas estacionarias de Markov. La distribucin inicial de probabilidad de una cadena de Markov es aquella q = [q1,...,qs] donde qi=P(X0=i) EJEMPLO 16: la ruina del jugador es una cadena de Markov estacionaria Estados: 0, 1, 2, 3, 4 Matriz de transicin 1 1-p 0 0 0 0 0 1-p 0 0 0 0 p 0 0 p 1-p 0 0 0 0 0 0 p 1

84

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

La anterior matriz de transicin se puede representar con un grafo en el que cada nodo representa un estado y cada arco la probabilidad de transicin entre estados.

Grafica 12. Esquema de una matriz de transicin.

PROBABILIDADES DESPUS DE N PASOS. Si una cadena de Markov estacionaria est en el estado i en el tiempo m, cul es la probabilidad de que n perodos despus la cadena est en el estado j? P (Xm+n =j |Xm= i) = P(Xn= j | X0=i)=Pij(n) Donde, Pij(n) es la probabilidad en la etapa n de una transicin del estado i al estado j
s

Pij (1)=Pij, Py(2)= Pik PKj


K=1

Pij (n) elemento ij-simo de Pn que es la probabilidad de estar en el estado j en el


s

tiempo n = qi py (n)
i=1

EJEMPLO 17. El ascensor de un edificio con bajo y dos pisos realiza viajes de uno a otro piso. El piso en el que finaliza el viaje n-simo del ascensor sigue una cadena de Markov. Se sabe que la mitad de los viajes que parten del bajo se dirigen a cada uno de los otros dos pisos, mientras que si un viaje comienza en el primer piso, slo el 25% de las veces finaliza en el segundo. Por ltimo, si un trayecto comienza en el segundo piso, siempre finaliza en el bajo. Se pide: a) Calcular la matriz de probabilidades de transicin de la cadena b) Dibujar el grafo asociado c) Cul es la probabilidad de que, a largo plazo, el ascensor se encuentre en cada uno de los tres pisos. SOLUCIN: a) Los estados de la cadena los denotaremos por {0, 1, 2} haciendo corresponder el 0 al bajo y 1 y 2 al primer y segundo piso respectivamente. Las probabilidades de transicin son:

85

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

p00 = P(Rn=0 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre en la planta baja si en la etapa anterior estaba en la planta baja. Obviamente es 0, porque se supone que de etapa a etapa el ascensor se mueve. p01 = P(Rn=1 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre en la planta primera si en la etapa anterior estaba en la planta baja. Obviamente es . Basta leer el enunciado. Y as sucesivamente vamos obteniendo las distintas probabilidades de transicin cuya matriz es:

c)

Leccin 23. CLASIFICACIN DE ESTADOS EN UNA CADENA DE MARKOV. Dados dos estados i y j, la trayectoria de i a j es la sucesin de transiciones que comienza en i y termina en j, de forma que cada transicin de la secuencia tenga probabilidad positiva.

86

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Un estado j es alcanzable desde un estado i si hay una trayectoria de i a j, por lo tanto si dos estados i y j se comunican si i es alcanzable desde j y j es alcanzable desde i. Un conjunto de estados S en una cadena de Markov es cerrado (constituyen una clase de la cadena) sin ningn estado fuera de S es alcanzable desde un estado en S. Un estado i es absorbente si pii=1 Un estado i es transitorio si hay un estado j alcanzable desde i, pero el estado i no es alcanzable desde j. Un estado es recurrente si no es transitorio. Un estado i es peridico con periodo k>1 si k es el menor nmero tal que todas las trayectorias que parten del estado i y regresan al estado i tienen una longitud mltiplo de k. Si un estado recurrente no es peridico es aperidico. Si todos los estados de una cadena son recurrentes, aperidicos y se comunican entre s, la cadena es ergdica. PROBABILIDADES EN ESTADO ESTACIONARIO. Si P es la matriz de transicin de una cadena ergdica de S estados entonces existe un vector =[ 1 2 ... 3 ] tal que
1 2... 2... 2... s s n

Lim P n

Es decir, Lim Pij =(n)= J n Se le llama distribucin de estado estable o de equilibrio para la cadena de Markov. se puede determinar a partir de la ecuacin: = p
j

Pkj
K=1

- En forma matricial

- Este sistema tiene un nmero infinito de soluciones porque el rango de P siempre resulta ser menor o igual que s-1; Tambin se debe verificar que,
87

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones
1 +2 +...

s=

INTERPRETACIN INTUITIVA DE LAS PROBABILIDADES DE ESTADO ESTABLE. (1 Pj ) = Pk j j


K

La probabilidad de que una transicin determinada deje el estado j es igual a la probabilidad de que una transicin determinada entre al estado j. La probabilidad de que una transicin determinada deje el estado j =
j

(1 p j j)

La probabilidad de que una transicin determinada entre al estado j= Pk j K j En el estado estable el flujo de probabilidad hacia cada estado debe ser igual al flujo de probabilidad que sale de cada estado o sea son las probabilidades de equilibrio. ANLISIS DE ESTADO TRANSITORIO El comportamiento de una cadena de Markov antes de alcanzar el estado estable se llama comportamiento transitorio. Para su estudio se utiliza las frmulas dadas anteriormente para Pi j(n). Leccin 24. PROCESO DE DECISIN MARKOVIANO Consiste en la aplicacin de la programacin dinmica a un proceso de decisin estocstico, en donde las probabilidades de transicin entre estado estn descritas por una cadena de Markov. La estructura de recompensas del proceso est descrita por una matriz cuyos elementos individuales son el costo o el beneficio de moverse de un estado a otro. Las matrices de transicin y de recompensas dependen de las alternativas de decisin. El objetivo es determinar la poltica ptima que maximice el ingreso esperado en un nmero finito o infinito de etapas.

MODELO DE ETAPAS FINITAS Su objetivo es optimizar el ingreso esperado al final de un perodo de tamao N, donde, Pk=[pi j k] y Rk=[ri j k] son las matrices de transicin y recompensa para la alternativa k,

88

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

fn(i) es el ingreso esperado ptimo de las etapas n, n+1,...,N si el estado del sistema al inicio de la etapa n es i.
m

fn(i) = max ,
k

j=1

Pijk [rij k n+1(j) ]

n = 1,2,, n

n+1(j) = 0, j = 1,2, ,m EJEMPLO 18. Suponga que toda la industria de refresco produce dos colas: Coca Cola y Pepsi Cola. Cuando una persona ha comprado Coca Cola hay una probabilidad de 90% de que siga comprndola la vez siguiente. Si una persona compr Pepsi, hay 80% de que repita la vez siguiente. Se pide: a) Si una persona actualmente es comprador de Pepsi. Cul es la probabilidad de que compre Coca Cola pasadas dos compras a partir de hoy? b) Si en la actualidad una persona es comprador de Coca Cola. Cul es la probabilidad de que compre Coca Cola pasadas tres compras a partir de ahora? c) Supongamos que el 60% de toda la gente toma hoy Coca Cola y el 40% Pepsi. A tres compras a partir de ahora, Qu fraccin de los compradores estar tomando Coca Cola. d) Determinar el estado estable. SOLUCIN: La situacin se puede modelar como una cadena de Markov con dos estados {Coca-Cola, Pepsi-Cola}= {C, P}. La matriz de transicin para el orden C, P, es: 0,2 0,8 P= 0,9 0,1 a) Se pide la probabilidad de transicin en dos pasos, es decir que se pide el valor en fila 2, columna 1 para la matriz P2, obtenindose que este es: 0,2.0,9+0,8.0,2 =0,34 b) Al igual que en el apartado anterior se pide el valor de probabilidad de transicin en fila 1 y columna 1 para la matriz P3.

Esto quiere decir que la solucin al problema es 0,781. c) El vector de probabilidad inicial es (0.6, 0.4), por tanto la probabilidad de consumir ambos estados a partir de tres etapas es: (0.4, 0.6)*P3. Calculamos primero P2, resultando que

89

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Por lo tanto,

Entonces el resultado solicitado es 1/10000 *(6438 3562) = (0.6438, 0.3562); esto es que al cabo de tres compras el 6438% comprar Coca Cola y el 3562% comprar Pepsi Cola. d) El estado estable se determina resolviendo el sistema de ecuaciones:

Aadiendo la ecuacin x+y = 1, siendo x la probabilidad de que una persona compre Coca Cola a largo plazo e y lo mismo de que compre Pepsi Cola. El sistema resultante es:

Obsrvese que las dos primeras ecuaciones son la misma por tanto quedmonos con las dos ltimas, obteniendo como solucin: x = 2/3; y = 1/3. MODELOS DE ETAPAS INFINITAS Se desarrollaran varios mtodos para este modelo de etapas, en el cual se buscan las polticas para que existan soluciones de estado estable. Mtodos: Enumeracin exhaustiva: se evalan todas las polticas estacionarias posibles del problema de decisin Iteracin de poltica: determina la poltica ptima de forma iterativa ENUMERACIN EXHAUSTIVA Problema de decisin con S polticas estacionarias Pasos del mtodo: 1.- Calcular el ingreso de una etapa esperado de la poltica s dado el estado i, i = 1,2,...,m:
m

V1s

= Pij rijS J=i

90

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

2.- Calcular las probabilidades estacionarias de largo plazo de la matriz de transicin asociada a la poltica s. 3.- Determinar el ingreso esperado de la poltica s por paso de transicin:
m

Es =

vis

i=1

4.- La poltica ptima s* se determina de forma que Es* = max{Es}

Para una poltica especfica el rendimiento total esperado en la etapa n es,


m

n(i) = Vi + Pij n+1(j), i= 1,2, ... , m


k j=1

nmero de etapas que faltan por considerar:


m

n(i) = Vi +

Pij n 1 (j), i= 1,2, ... , m


j=1

El comportamiento asinttico del proceso se estudia haciendo

ITERACIN DE POLTICAS El ingreso esperado por etapa es E=1v1 + 2v2 +...+ mvm Para grande donde n(i) +(i) es un trmino constante que representa el efecto sobre el ingreso de comenzar en el estado i. Sustituyendo en la ecuacin recursiva y simplificando
m

E=V1 + Pij (j) - (i), i= 1,2, ... , m


J=1

Que es un sistema de m ecuaciones y m+1 incgnitas: E, f(1),...,f(m). Para determinar el valor mximo de E se sigue un proceso iterativo que termina cuando dos polticas sucesivas son idnticas: 1.- Determinacin del valor: se elige una poltica arbitraria s. Suponiendo fs(m)=0 se resuelven las ecuaciones:

91

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones m

Es=Vsi + Psij s(j) - (i), i= 1,2, ... , m


j=1

2.- Mejoramiento de poltica: Para cada estado i determina la poltica k que produce
m

MAX
K

Vi K

PK ij s(j )
j=1

, i= 1,2, ... , m

Las decisiones ptimas que resultan para los estados 1,2,..., m constituyen la nueva poltica t. Si s y t son idnticas, t es ptima. Si no es as, se repite el proceso con s=t. EJEMPLO 19.PROBLEMA RATN: Un ratn cambia de habitculo cada minuto con igual probabilidad a las salas adyacentes

Donde puede circular en las opciones planteadas en el esquema siguiente;

La matriz de probabilidades de transicin es

P=

0 1/2 1/3 1/2

1/3 0 1/3 0

1/3 1/2 0 1/2

1/3 0 1/3 0

92

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Calculamos el espectro: =0 =1 = -1/3 = - 2/3

|IP|=0

Autovalores:

Multiplicidad 1 y nico de mdulo 1

Existe distribucin final. P () (I P) = 0 Sistema de ecuaciones: 1 -1/2 -1/3 -1/2 -1/3 -1/3 -1/3 1 -1/2 0 -1/3 1 -1/3 0 -1/2 1

( PS , PH , PC ,PE ) PS + P H + PC + P E = 1

= (0,0,0,0,0)

Las Probabilidades son

-Saln -Habitacin -Cocina -Entrada

PS = 0,3 PH = 0,2 PC = 0,3 PE = 0,2

Existe distribucin lmite porque: El sistema tiene una sola clase final Esa clase final es aperidica PARA ACABAR CON EL RATN Se pone queso envenenado en la cocina Se abre la puerta de la entrada (S C)

93

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Grafica 13. Probabilidades del ratn ejemplo 19.

Qu probabilidad hay de que el sistema sea absorbido en cada estado final? E, S y H son estados transitorios. C y SC son estados recurrentes o finales. La situacin inicial del ratn determinar la situacin futura. Si inicialmente est en E es ms probable que salga de casa. Si inicialmente est en H es ms probable que se quede en la cocina. Matriz de transicin: 1 0 P= 1/3 0 0 1/3 1/3 0 1/3 1/3 0 1/3 0 1/3 1/3 1/3 0 P= R Q 0 1 0 0 0 0 0 0 Estructura de P: I O

Matriz identidad (tantas columnas y filas como estados finales) ( I ). Matriz 2 x 3 (tantas columnas como transitorios y tantas filas como estados finales) (O). Matriz 3 x 2 (Probabilidades de absorcin en un solo salto) (R). Matriz 3 x 3 (Probabilidad de transicin entre transitorios) (Q). QIJ es la probabilidad de que el sistema, encontrndose inicialmente en el estado transitorio i acabe en el estado final j. i = Entrada, Saln, Habitacin (estados transitorios) (3, 4,5)
94

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

j = Cocina, Salir de casa (estados finales) (1,2) Q31 = 1/3 + 1/3 Q41 + 1/3 Q51 Prob. De que estando en 4 pase a 1 Prob. de que se marche directamente Q41 = 1/3 Q31 + 1/3 Q51 Q51 = 1/3 Q31 + 1/3 Q41 Resolvemos el sistema: 1 -1/3 -1/3 -1/3 1 -1/3 -1/3 -1/3 1 Q31 Q41 Q51 =
Matriz de prob. Entre transitorios

Q32 Q42 Q52

1/3 0 0 1/3 0 1/3

I-Q

R
Matriz de absorcin en un salto

La probabilidad de acabar en cada uno de absorcin los estados finales en funcin de su en posicin inicial. Q31 Q32 Q41 Q42 Q51 Q52
un solo salto 1/2 1/2 1/4 3/4

1/4 3/4

La suma de los trminos de las filas debe ser 1. O termina en un estado final o en el otro. La probabilidad de los estados transitorios es cero Dependiendo de la situacin inicial del ratn Cunto tiempo medio tardar en desaparecer? Llamamos mi al nmero medio de transiciones hasta la absorcin si el sistema se encuentra en el estado transitorio i. mE Nos encontramos inicialmente en la entrada.

95

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

mi = es una v.a. de tipo discreto. mi = 1, 2,3 ... El ratn se va a la 1 SISTEMA DE ECUACIONES: mE = 1 1/3 + 1/3 (1 + mS ) + 1/3 (1 + mH)
Pasar de la entrada al dormitorio Tiempo

mS = 1 1/3 + 1/3 (1 + mE ) + 1/3 (1 + mH) mH = 1 1/3 + 1/3 (1 + mE ) + 1/3 (1 + mS) 1 -1/3 -1/3 -1/3 1 -1/3 -1/3 -1/3 1 mS mE = mH 1 1 1 mS mE mH 3 = 3 3

I-Q Independientemente de la sala donde se encuentre inicialmente, el tiempo que transcurre hasta que nos deshacemos del ratn es tres. EJEMPLO 20. PROBLEMA TELEFONA MVIL Una agencia de telefona mvil est estudiando la demanda presentada por el Ayuntamiento de una poblacin cercana a Madrid. Esta poblacin se ha querellado por una cobertura insuficiente del servicio de telefona mvil. Concretamente aseguran que el tiempo que tarda una llamada en cortarse es inferior a 10 minutos cuando las personas que estn hablando transitan por la calle o circulan en vehculos. Para verificar este hecho dos tcnicos de telefona se han desplazado a esta localidad y han medido los niveles de calidad en conversaciones en los que ambos interlocutores hablan mantenindose quietos en sus sitios (estudio esttico), y tambin han hecho mediciones cuando ambos interlocutores andan por la calle (estudio dinmico). El estudio ha consistido en evaluar cada minuto los niveles de calidad de la recepcin de seal en ambos terminales mviles. En el estudio esttico los niveles de calidad de recepcin en cada Terminal son dos, 1 y 2, de menor a mayor calidad de recepcin. En el estudio dinmico los niveles de calidad de recepcin son tres, 0, 1 y 2. El nivel 0 corresponde a la prdida de la llamada.
96

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Del resultado del estudio esttico ha resultado que la probabilidad de que cualquiera de los terminales mantenga su nivel de cobertura en el minuto siguiente es del 80%, la probabilidad de que cada Terminal baje un nivel es de un 10% y de que suba otro 10%. Por otra parte del estudio dinmico ha resultado que la probabilidad de que la cobertura de cada Terminal se mantenga es del 70%, de que cada Terminal suba un nivel es del 20% y de que baje un 10%. EJEMPLO 21. Los consumidores de caf en el rea de Pontevedra usan tres marcas A, B, C. En marzo de 1995 se hizo una encuesta en lo que entrevist a las 8450 personas que compran caf y los resultados fueron:

a) Si las compras se hacen mensualmente, cul ser la distribucin del mercado de caf en Pontevedra en el mes de junio? b) A la larga, cmo se distribuirn los clientes de caf? c) En junio, cual es la proporcin de clientes leales a sus marcas de caf? SOLUCIN: a) A la vista de las frecuencias anteriores, las probabilidades de transicin, conservando el mismo orden que la tabla (A, B, C) es:

De marzo a Junio hay 4 etapas por lo que nos piden las probabilidades de transicin al cabo de 4 meses, las que vendrn dada por los coeficientes de P4

97

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

b) A la larga se trata de la situacin estable:

Resolviendo se obtiene: x = 5/21; y = 10/21; z = 2/7. c) En Marzo la proporcin de clientes de A es: 2028/8450 = 0,24; para B es 3718/8450 = 0,44 y para C es 2704/8450 = 0,32. En el mes de junio la proporcin es:

Leccin 25. PROBLEMA ESTTICO Y DINAMICO. La variable de estado de ambos estudio de ambos estudios es el nivel de cobertura, y la cadena de Markov asociada ser la siguiente:

La matriz de probabilidades de transicin ser:


98

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

PEE

0,81 0,09 0,9 0,01

0,09 0,81 0,01 0,09

0,09 0,01 0,81 0,09

0,01 0,09 0.09 0,81

La calidad de la conversacin se establece como semisuma de los niveles de cobertura de los terminales operativos. Sera interesante preguntarse si es posible determinar la calidad media de conversaciones. Para calcularla estudiamos la distribucin lmite de los estados, que existe porque hay una nica clase final a peridica. Autovalores de PEE se obtienen haciendo =1 = 0,8 (De multiplicidad 2) = 0,64 . I - PEE = 0

La distribucin lmite existe, porque hay un auto valor = 1 de multiplicidad 1 (condicin necesaria), y el resto de autovalores no tienen mdulo 1 (condicin suficiente). La distribucin lmite es la asociada al auto valor = 1 0,19 - 0,09 - 0,09 - 0,01 - 0,09 - 019 - 0,01 - 0,09 - 0,09 - 0,01 0 - 0,01 - 0,09 0 - 0,09 - 0,09 = 0 - 0,09 0,19 0

(p1, p2, p3, P4)

P1 +p2 + p3 + p4 = 1 0,19 - 0,09 - 0,09 - 0,01 - 0,09 0,19 - 0,01 - 0,09 - 0,09 - 0,01 - 0,19 - 0,09 1 1 1 1 (P1 P2 P3 P4) = (0,25 0,25 0,25 0,25) La calidad media de las conversaciones estticas: q =(1+1). P1 + (1+2). P2 +(1+2). P3+(2+2). P4 q =2 * 0,25 +3 0,25 + 3 0,25 +4 *0,25 =1,5 2 P1 P2 P3 P4 0 = 0 0 0

99

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

PROBLEMA DINMICO. Considerando variable de estado el nivel de cobertura, la cadena de Markov asociada ser la siguiente:

La matriz de probabilidades de transicin ser: PED = I O RQ

PED

1 0 0 0 0 0,01 0 0 0

0 1 0 0 0 0,07 0,01 0 0

0 0 1 0 0 0,02 0,09 0 0

0 0 0 1 0 0,07 0 0,01 0

0 0 0 0 1 0,02 0 0,09 0

0 0 0 0 0 0,49 0,07 0,07 0,01

0 0 0 0 0 0 0 0 0 0 0,14 0,14 0,63 0,02 0,02 0,63 0,09 0,09

0 0 0 0 0 0,04 0,18 0,18 0,81

100

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Donde: I Matriz identidad (tantas columnas y filas como estados finales). O Matriz nula (tantas columnas como transitorias y tantas filas como estados finales). R Probabilidades de absorcin de un solo salto. Q Probabilidades entre transitorios (tantas filas y columnas como estados transitorios. 1, 2, 3, 4, 5 son estados finales. 6, 7, 8, 9 son estados transitorios. Presenta cinco clases finales, luego, no existe una distribucin lmite de los estados en este estudio dinmico, luego no podemos determinar la calidad media del servicio como en el caso anterior. La calidad media del servicio ser independiente del nivel de cobertura inicial de ambos interlocutores. Ahora calcularemos cunto tarda en trmino medio en perderse una llamada que se realiza andando por la calle y que se inici con ambos terminales a mxima cobertura. mi Tiempo medio hasta que se corta la conversacin si el estado inicial es i IQ. M6 m7 m8 m9 1 1 1 1 m6 1 m7 1 m8 = 1 m9 1

0,51 - 0,14 - 0,07 - 0,37 - 0,07 - 0,02 - 0,01 - 0,09

- 0,14 - 0,04 - 0,02 - 0,18 - 0,37 - 0,18 - 0,09 0,19

m6 12,69 m7 = 16,47 m8 16,47 m9 21,53 Luego el ayuntamiento no tendra razn en sus afirmaciones, el tiempo que tarda en cortarse una llamada es: 21,53 minutos si el nivel inicial de cobertura de ambos interlocutores es 2 16,47 minutos si el nivel inicial de cobertura de un interlocutor es 1 y el otro es 2. 12,69 minutos si el nivel inicial de cobertura de ambos interlocutores.

101

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

TALLER: 1. Las 20 chicas y los 10 chicos de un curso de COU organizan un viaje, para el cual necesitan dinero. Deciden pedir trabajo por las tardes en una compaa encuestadora que contrata a equipos jvenes de dos tipos: TIPO A: Parejas: una chica y un chico TIPO B: Equipos de cuatro, formados por tres chicas y un chico Se paga a 30000 pesos. La tarde a la pareja y a 50000 pesos. La tarde al equipo de 4. Cmo les conviene distribuirse para sacar la mayor cantidad posible de dinero? 2. Una fbrica de tableros de madera, pintados, produce dos tipos de tableros: Normales: Llevan una mano de imprimacin y otra de pintura. Extras: Llevan una mano de imprimacin y tres manos de pintura. Disponen de imprimacin para 10000 m2, pintura para 20000 m2 y tableros sin pintar en cantidad ilimitada. Sus ganancias netas son: 3500 pesos. Por el m2 de tablero normal y 5000 pesos. Por m2 de tablero extra. Qu cantidad de tablero de cada tipo les conviene fabricar para que las ganancias sean mximas? 3. Mara distribuye su tiempo de ocio entre discoteca y cine. Cada vez que va a la discoteca gasta por trmino medio 30.000 pesos, mientras que si va al cine su gasto es de 5000 pesos. En cierto mes su presupuesto para ocio asciende a 220.000 Pesos. Y desea ir a la discoteca al menos tantas veces como al cine.

102

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

CAPITULO 6. DECICISONES BAJO RIESGO -PROGRAMACION META

INTRODUCCION La mayora de las situaciones de decisin real, sean personales o profesionales, se caracterizan por metas (atributos) y objetivos mltiples ms que por un simple objetivo. Estas metas (atributos) pueden ser complementarias, pero frecuentemente son conflictivas y tambin inconmensurables. Por ejemplo, un productor de autos como la General Motors deseara construir un vehculo de pasajeros que pudiera venderse por menos de $200,000.00, tuviera 250 caballos y consiguiera 40 millas por galn. Consideremos, por ejemplo, las metas (atributos) de economa de combustible y de potencia. Entre ms alta sea la potencia, menor es la economa de combustible, indicando que las dos metas (atributos) estn en conflicto. Adems estas dos metas (atributos) son inconmensurables, pues la potencia y las millas por galn tienen diferentes escalas y dimensiones. OBJETIVOS: 1.-Representan direcciones de mejora de los atributos. La mejora puede interpretarse en el sentido (ms del atributo mejor) o bien (menos del atributo mejor). El primer caso corresponde a un proceso de maximizacin y el segundo a uno de minimizacin de las funciones que corresponden a los atributos que reflejan los valores del centro analista. 2.-Como paso previo a la definicin de meta se introducir el concepto de nivel de aspiracin. Un nivel de aspiracin representa un nivel aceptable de logro para el correspondiente atributo. La combinacin de un nivel de aspiracin con un atributo genera una meta. 3.- el trmino criterio se utiliza como un trmino general que engloba los tres conceptos precedentes (atributo, objetivo y metas). En otras palabras, los criterios constituyen los atributos, objetivos o metas que se consideran relevantes para un cierto problema decisional. Por consiguiente, la teora de la decisin multicriterio
103

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

constituye un marco general o paradigma decisional en el que subyacen diferentes atributos, objetivos o metas. Leccin 26. CONCEPTOS FUNDAMENTALES DE PROGRAMACIN META. La formulacin de un modelo de Programacin Meta es similar al modelo de P.L. El Primer paso es definir las variables de decisin, despus se deben de especificar todas las metas gerenciales en orden de prioridad. As, una caracterstica de la Programacin Meta es que proporciona solucin para los problemas de decisin que tengan metas mltiples, conflictivas e inconmensurables arregladas de acuerdo a la estructura prioritaria de la administracin. La Programacin Meta es capaz de manejar problemas de decisin con una sola meta o con metas mltiples. En tales circunstancias, las metas establecidas por el tomador de decisiones son logradas nicamente con el sacrificio de otras metas. Atributo: Este concepto se refiere a valores del centro analista relacionados con una realidad objetiva. Estos valores pueden medirse independientemente de los deseos del centro analista, siendo usualmente susceptibles de expresarse como una funcin matemtica f(x) de las variables de decisin. Metas y variables de desviacin
Forma inicial de la meta Forma de la meta transformada Variable de desviacin no deseada (a minimizar)

Fi(X)ti Fi(x)ti Fi(x)=ti

Fi(x)ni p i= ti Fi(x)ni pi = ti Fi(x)ni pi = ti

ni pi nipi

Formulacin de la funcin objetivo La funcin objetivo para un problema de programacin por meta siempre es minimizar alguna combinacin de variables de desviacin. Desde un punto de vista de toma de decisiones administrativa, esto significa que se est buscando la combinacin de variables reales por ejemplo (mesas y sillas) que cumplan mejor con todos los objetivos. Esto podra llamarse optimizar un conjunto de objetivos "satisfactorios" o satisfacer.

La forma exacta de la funcin objetivo vara segn la respuesta a estas dos preguntas: 1. Son conmensurables o proporcionales los objetivos? 2. Cul es la importancia relativa de cada objetivo?

104

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

- Objetivos conmensurables de igual importancia: este es el caso ms sencillo, aunque muy pocas veces se encuentra en la prctica. Aqu los objetivos se miden en una escala comn (conmensurables y tienen la misma importancia. - Ponderacin preferente de los objetivos: las ponderaciones de preferencia pueden aplicarse a cualquier grupo de objetivos conmensurables. Las ponderaciones deben reflejar la utilidad o el valor de los objetivos. - Rango de prioridad de los objetivos: que pasa cuando los objetivos no son conmensurables, cuando no hay una escala comn para comparar las desviaciones de los diferentes objetivos? Este es un caso importante, al que se enfrentan con frecuencia los administradores. Si el administrador puede ordenar o dar un rango para sus metas entonces la solucin es posible. Quizs no sea una tarea fcil dar un rango a los objetivos de acuerdo con su importancia pero es algo que la mayora de las personas entienden y pueden lograr. En la programacin por objetivos se le asigna la prioridad P1al objetivo ms importante, siguiendo P2 a una prioridad ms baja. No existe lmite en el nmero de niveles de prioridad pero debe asignarse una prioridad para cada variable de desviacin. Se permiten empates o prioridades iguales. Los problemas de programacin por meta se resuelven en orden de prioridad. Es decir, se prueba la optimizacin en el nivel de prioridad ms alto ignorando las prioridades ms bajas hasta optimizar este nivel. EJEMPLO22. La compaa Aedis ha desarrollado recientemente tres nuevos productos haciendo uso del exceso de capacidad en sus tres plantas sucursales existentes: Cada producto puede fabricarse en cualquiera de las tres plantas. El anlisis ha demostrado que sera rentable utilizar el exceso de capacidad para producir estos tres nuevos productos. En realidad, el propsito de la gerencia al desarrollar los nuevos productos era lograr la utilizacin completa de la capacidad productiva de exceso sobre una base rentable. Mientras que las plantas Aedis generalmente operan a capacidad plena en sus lneas de productos existentes, la produccin por debajo de la capacidad normal ocurre con poca frecuencia, presentando problemas con la fuerza laboral. Aunque la compaa no necesita la fuerza laboral plena durante los perodos de holgura, el costo de los despidos sera considerable, y Aedis deseara evitar esto tanto como fuera posible. Adems, la gerencia deseara balancear la utilizacin del exceso de capacidad entre las sucursales. Esto servira para distribuir equitativamente la carga de trabajo del personal de supervisores asalariados y reducir los agravios de la fuerza laboral que se le paga por horas, que de otra manera se sentira discriminada con respecto a las cargas de trabajo o a los despidos. Para el perodo que es est considerando, las plantas tienen las siguientes
105

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

capacidades de produccin en exceso (en trminos de unidades) de nuevos productos y capacidades de embarque disponibles asignadas a los nuevos productos:
Planta capacidad de exceso de produccin(unidades 750 300 450 Capacidad de embarque(pies cbicos) 12000 10000 6500

1 2 3

Tabla 18. Atributos de la programacin meta.

Los productos 1,2 y 3 requieren 30,20 y 15 pies cbicos por unidad, respectivamente. Las contribuciones unitarias a la utilidad de los productos 1,2 y 3 son $15,18 y 12 respectivamente. Los pronsticos de ventas indican que Aedis puede esperar ventas tan altas como 900, 1000 y 700 unidades de los productos 1, 2 y 3 respectivamente, durante el periodo de planeacin en consideracin. Dada la situacin que hemos descrito, la administracin ha expresado las siguientes metas de preferencia en orden de importancia decreciente (P1=ms importante): P1. Lograr una utilidad perseguida de $15000. P2. Utilizar tanto de la capacidad de exceso como sea posible. Debido al bajo costo de la mano de obra, la administracin cree que es 1,5 veces ms importante utilizar la capacidad de exceso de la planta 1 que la de las plantas 2 y 3. P3. Lograr un balance de la carga de trabajo en la utilizacin de exceso de la capacidad entre todas las plantas. Debido a ciertas demandas adicionales de los trabajadores de la planta 1, la administracin cree que si ocurre algn desbalance en la carga de trabajo, es dos veces ms importante que favorecer a la planta 1con menor trabajo con respecto a las plantas 2 y 3. P4. Lograr el pronstico de ventas para el producto 2, puesto que este tiene la mayor contribucin a la utilidad por unidad. P5. Producir suficiente cantidad de los productos 1 y 3 para cumplir con las ventas pronosticadas. P6. No exceder la capacidad de embarque disponible.

Leccin 27. FORMULACIN DEL MODELO Definida las metas para problema y definida el orden prioritario de cada una de ellas, se debe proceder a formular el modelo, tomando las exigencias de las
106

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

restricciones y desviaciones, por lo cual se debe tener en cuenta el siguiente esquema:


Restricciones de meta -Por cada meta Componentes en la F.O. (minimizar suma de desviaciones con respecto a las metas) -Restricciones Estructurales (no tiene que ver con las metas)

FORMULACIN

Las suposiciones bsicas que caracterizan el modelo de programacin lineal se aplican igualmente al modelo de programacin meta. La diferencia principal en la estructura es que la programacin meta no intenta minimizar o maximizar la funcin objetivo como lo hace el modelo de programacin lineal. En vez de ello, busca minimizar las desviaciones entre las metas deseadas y los resultados reales de acuerdo a las prioridades asignadas. El objetivo de un modelo de programacin meta es expresado en trminos de las desviaciones de las metas a que se apunta. Esto es las desviaciones de las metas se colocan en la funcin objetivo y deben minimizarse. El modelo general de la programacin meta puede expresarse matemticamente de la siguiente manera:
m

min Z = wi(di+ + di-) i=1 s.a.


n

aijxj+di- - di + = bi
j=1

para toda i para toda j

xj,di-,di+ 0

Donde: w = Ponderacin de las desviaciones con respecto a la meta. di- = Desviacin dficit di+ = Desviacin excedente Los siguientes pasos se requieren para formular el modelo de programacin meta. EJEMPLO23. SATISFACCIN DE UNA SOLA META. Una divisin de Schwim Manufacturing Company produce dos tipos de bicicletas: (1) una bicicleta de 3 velocidades y (2) una de 10 velocidades. La divisin obtiene una utilidad de $25 en la bicicleta de 10 velocidades y $15 en la bicicleta de 3
107

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

velocidades. Debido a la fuerte demanda de estos artculos, durante el perodo de planeacin de verano la divisin cree que puede vender, a los precios que prevalezcan, todas las unidades de estas dos bicicletas que produzca. Las instalaciones de produccin se consideran recursos escasos. Estos recursos escasos corresponden al departamento de ensamblado y terminado. Los tiempos unitarios de procesamiento y las capacidades de cada uno de los departamentos se muestran en la tabla siguiente: Hrs. requeridas para procesar cada bicicleta
Tipo de bicicleta En el Depto. de ensamble En el depto. de terminacin 1 1 40 Contribucin a la utilidad unitaria 15 25

3 velocidades 10 velocidades Hrs. disponibles en c/ departamento.

1 3 60

La divisin durante este perodo de planeacin se enfrenta a cambios grandes de organizacin y cree que el maximizar la utilidad no es un objetivo realista. Sin embargo, deseara lograr un nivel satisfactorio de utilidad durante este perodo de dificultad. La direccin cree que la utilidad diaria de $600 debera satisfacerse y desea determinar, dadas las restricciones del tiempo de produccin, la mezcla de producto, que debera llevar a esta tasa de contribucin a utilidades. Formula un modelo de programacin meta que satisfaga estos requerimientos Definicin de variables: x1 = Nmero de bicicletas de 3 velocidades producidas por da x2 = Nmero de bicicletas de 10 velocidades producidas por da d1- = Cantidad por debajo de la utilidad perseguida d1+ = cantidad por encima de la utilidad perseguida Minimizar Z = d1- + d1+ s.a. x1 +3x2 60 (horas de ensamble). Restricciones estructurales x1 + x2 40 ( (horas de terminacin) 15x1 +25x2 +d1- - d1+ = 600 (Utilidad perseguida) Restriccin meta x1, x2, d1-,d1+ 0
108

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Nota: Puesto que tanto d1-,d1+ aparecen en la funcin objetivo y a ambas se les asigna pesos iguales, esto indica que la administracin desea lograr la utilidad meta exactamente. 1-Exceso en las restricciones de capacidad N- desviacin negativa. P- desviacin positiva. P1 =750 N1 X31 X21 X11 P2 =300 N2 X32 X22 X12 P3 =450. N3 X33 X23 X13 Donde Xij = nmero de unidades del producto i producidas en la planta j N1, N2, N3 =exceso de capacidad no utilizada en las plantas 1,2 y 3 respectivamente. P1, P2, P3 = cantidad mediante la cual la capacidad de exceso se excede las plantas 1,2 y 3 respectivamente. 2- Restricciones en el requisito de espacio P4=12000 N4 15X31 20X21 30X11 P5=10000 N5 15X32 20X22 30X12 P6= 6500 N6 15X33 20X23 30X13 N4, N5, N6 =nmero de unidades de capacidad de embarque disponible no utilizada en las plantas 1,2 y 3, respectivamente. P4, P5, P6 = nmero de unidades de capacidad adicional de embarque requerida en las plantas 1,2 y 3, respectivamente. 3-Restricciones en las ventas esperadas P7=900 N7 X13 X12 X11 P8=1000 N8 X23 X22 X21 P9= 700 N9 X33 X32 X31 N7, N8, N9 =nmero de unidades sublogradas de las ventas esperadas de los productos 1,2 y 3 respectivamente. P7, P8, P9 = nmero de unidades sobre logradas de las ventas esperadas de los productos 1,2 y 3 respectivamente. 4-Balance de carga de trabajo 300 X32 X22 750 = X12 X31 X21 X11 450 X33 X23 750 = X13 X31 X21 X11
109

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Este balance de ecuaciones puede escribirse como una restriccin meta por medio de una simple divisin y por transposicin del miembro derecho como sigue (por transitividad, solamente dos restricciones de balance son necesarias): P0.0033X32 P10 =0 +N10 0.00223X33 + 0.00223X23 P11=0 N11 N10, N11= nmero de unidades producidas demasiado bajas con relacin a las producidas en las plantas 2 y 3, respectivamente. P10, P11= Nmero de unidades producidas en exceso relativas a las que se producen en las plantas 2 y 3, respectivamente. 5- Restriccin de utilidad P12=15000 N12 X33 X32 12(X31 X23) X22 18(X21 X13) X12 15(X11) 0.0022X13 0.0013X31 0.0013X21 0.0013X11 0.0033X32 0.0033X12 0.0013X31 0.0013X21 0.0013X11

N12 =suma en dlares por debajo de la utilidad perseguida. P12 = suma en dlares por encima de la utilidad perseguida. Si la meta de utilidad no se enuncia, se puede restringir el lado derecho de esta ecuacin para que sea cero y determinar cul sera la utilidad. Puesto que todas las variables reales (Xij) y las variables de desviacin (N P) son no negativas, el valor de (N12, P12) sera la utilidad real. 6- Funcin objetivo PR3 (P10 N11) 2PR3 (N10 N3) PR2 (N2 1,5PR2 (N1) P12) Minimizar Z=PR1 (N12 P6) P5 PR6 (P4 N9) PR5 (N7 P11)+PR4 (N8) Puesto que la administracin desea conseguir una utilidad perseguida de $15000 con la ms alta prioridad, se asigna PR1 a las variables de desviacin en la meta de restriccin de utilidad. La segunda meta de la administracin sera utilizar el exceso de capacidad de planta hasta donde fuera posible. Sin embargo, era preferible utilizar el exceso en la planta 1 sobre las plantas 2 y 3 en una relacin de 1,5 a 1. Esta situacin presumiblemente representa una distincin en los costos de operacin de las diferentes plantas. Para reflejar las prioridades relativas de la administracin, se modifica la formulacin estndar
110

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

(N3, PR2 (N2 N3)) a 1,5PR2N1 N2 de la funcin objetivo (que sera PR2 (N1) que pondera el logro de la minimizacin de la desviacin 1 con un factor de 3/2 vez. El segundo nivel general de prioridades administrativas que tienen que ver con el problema de PR2. La tercera meta de la administracin era lograr un balance de subutilizar la planta 1 en vez de sobre utilizarla, debido a factores adicionales desfavorables que existan all y no se presentan en las plantas 2 y 3. Por tanto, se asigna 2PR3 a N10 y N11 y PR3 a P10 y P11. Puesto que la cuarta meta era lograr las ventas esperadas del producto 2, se asigna PR4 a N8. A N7 y N9 asignamos PR5, pues la quinta meta es el logro de estas ventas esperadas. Aqu no preocupa el sobre logro de las ventas pronosticadas, puesto que se puede, si hay espacio disponible, almacenar un inventario. Si no es posible, las restricciones en la capacidad de embarque, que tienen prioridad ms alta, tendrn en cuenta esta situacin. Puesto que la sexta meta de la administracin es no exceder la capacidad de embarque, se asigna a P4, P5 y P6 el valor de PR6. Leccin 28. Programacin con recursos limitados Imagnese que se va a programar una secuencia de actividades con el propsito de ejecutar un proyecto.

Figura 9. Programacin meta segn PERT

Los modelos bsicos tales como PERT y CPM programaran las actividades de un modo que minimice el tiempo total de conclusin del proyecto, sujeto a la restriccin de que se deben respetar todas las relaciones de precedencia. Los recursos (dinero, trabajo, maquinaria) necesarios para terminar las actividades individuales, con frecuencia se considera que estn disponibles en cualquier cantidad que se requiera en un programa concreto. No obstante, la realidad es que tales recursos pueden ser limitados, en cuyo caso esto resulta ser otra restriccin. Como ejemplo nico, estdiese el problema de programacin que se muestra en las figuras 9 y 10. La figura 9. Muestra las relaciones de precedencia que hay
111

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

entre las diversas actividades; es decir, que actividades deben completarse antes de que otras comiencen. Por ejemplo la actividad Vlll no puede empezar sino cuando est terminada la Vll, que a su vez no puede empezar antes de terminar la 1. La figura 10 muestra la duracin de cada actividad (en semanas) y los recursos necesarios (nmero de personal) para realizar cada actividad.

ACTIVIDAD l ll lll lV V Vl Vll Vlll Xl

TIEMPO REQUERIDO PARA TERMINAR 3 2 1 1 2 4 1 2 2

PERSONAL(POR SEMANA)QUE SE NECESITA PARA TERMINAR 6 3 3 3 6 5 3 4 3

Fig. 10. Requerimiento de actividad por metas.

Este problema es simple y, por lo tanto, se puede calcular con facilidad el tiempo de conclusin ms temprana posible. Es de 9 semanas. La figura 11 nos muestra un programa de actividades propuesto que alcanza este tiempo global de conclusin, entonces la figura 11, respeta las relaciones de precedencia de la figura y al mismo tiempo muestra en qu momento debe empezar cada actividad y cuanto durara (en semanas).

Fig. 11. Programa de actividades propuesto

En este programa que se propone, cada actividad empieza a la brevedad posible. Se puede ver que l, ll y lll empiezan de inmediato (al principio de la semana 1). Las actividades lV, V, Vll y lX comienzan al principio de la semana 4. La actividad Vl, al inicio de la semana 6 y la actividad Vlll al principio de la semana 5. Consideremos ahora el personal que se necesita para implantar el programa propuesto. Se pueden combinar los datos del personal de la fig. 10, con la programacin de la figura 11, para producir la grafica de trabajo del personal que se ve en la fig. 12, y solo 5 en las semanas 7,8 y 9. Puede ser ventajoso para el
112

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

administrador tener una programacin que use los recursos en una forma ms regular. A menudo se aplican programas heursticos para alcanzar tal objetivo. Para alcanzar una de dichas heursticas, definamos la holgura de cada actividad. La holgura es la mxima cantidad de tiempo que puede demorarse una actividad sin retrasar la conclusin del proyecto global.

Fig.12. Carta de cargas de personal para la cedula propuesta

Por ejemplo la figura 11. Indica que la holgura de la actividad Vlll es de 3 semanas, en tanto que la actividad V no tiene holgura. Ahora usando este concepto, se puede proponer la siguiente heurstica: 1. Determinar los recursos requeridos mximos en la programacin propuesta digamos m. 2. En cada semana, imponer una cuota superior m 1 para el uso de recursos y de ser posible, revisar la cedula propuesta para satisfacer esta restriccin. La revisin se realiza en forma sistemtica de la siguiente manera: a. Comenzando con la primera semana que viole la restriccin, considerar la actividad que contribuyan a la sobrecarga y mover hacia adelante, lo menos que sea posible. La que tenga mayor holgura, hasta que no se contribuya a la sobrecarga, pero sin demorar la terminacin del proyecto global (lo cual significa que las actividades que carezcan de holgura no podrn ser removidas). Si hay empates, mover hacia adelante la actividad que menos contribuyan a la sobrecarga (es decir la que utilice menor cantidad de personal). b. La heurstica termina cuando no se puede disminuir la sobrecarga en curso.
113

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Para aplicar esta heurstica, vamos a esquematizar en la figura 13. el plan propuesto. En esta, la marca de la actividad aparece debajo de cada flecha. Arriba de estas aparece la necesidad semanaria de personal. Por ejemplo, el 6 que est arriba de la actividad l significa que se necesitan seis personas para cada uno de las 3 semanas necesarias para concluir la actividad l. Por lo tanto, se puede leer, debajo de las columnas adecuadas, para tener la cantidad total de personal que se usara en una semana determinada: por ejemplo dado que en la semana 2 se interceptan las actividades l y ll, el dato que aparece en el regln Personal total, columna de la semana 2, es 9. En forma similar la distancia que hay entre la punta de una flecha no continuada por otra, en el extremo de una serie de tareas, y al final de la semana 9, indica la holgura de dicha flecha. Entonces, la actividad lV tiene 5 semanas de holgura, mientras que la actividad Vlll tiene 3, etc., Para la actividad Vlll, que es una flecha continuada, calculamos la holgura observando que solo tiene a continuacin la flecha Vlll.

Fig. 13 Primera propuesta.

Fig. 14 segunda propuesta.

Y dado que la holgura de Vlll es de 3 semanas, es ser tambin la de la actividad Vll. Ntese tambin que las actividades l, V y Vll tiene 0 como holgura y que no se

114

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

pueden mover hacia adelante sin aumentar el tiempo de conclusin de 9 semanas. En la aplicacin de algoritmo precedente solo se mueven hacia adelante las actividades que tengan holgura positiva, y, por lo tanto, no se toman en cuenta las actividades l, V y Vl. Hechas estas observaciones, podemos emplear la heurstica. Para el primer propsito, el mximo de recursos requeridos es 15, en el periodo 4. Por lo tanto, de acuerdo con el paso 2, imponemos una cuota superior de 14 a cada semana. Esta cota se viola solo en la semana 4. Las actividades movibles que contribuyen a la sobrecarga son lV, Vll y lX (puesto que no se puede tomar en cuenta a V). De ellas, la d mayor holgura es lV. Se mueve lV un periodo adelante se reduce la carga de la semana 4 en 3 unidades para un personal de 12, pero se origina una carga adicional de tres unidades en la semana 5, dando en esta un total de 16, que es la sobrecarga (es decir, se viola la cota superior de 14 impuesta). Por lo tanto, se debe mover ms hacia adelante. Se ve que al mover la actividad lV dos semanas adelante, en total, (a la semana 6, como se ilustra en la fig. 13). No se viola la cota superior. Con esto se obtiene la segunda propuesta que se muestra en la fig.14. En la figura 14, la cota superior 13 se debe reducir a 12. La nica sobrecarga es ocasionada por Vlll y lX en la semana 5. La actividad lX tiene la mxima holgura, por lo que debe avanzar 3 semanas para comenzar en la semana 7, como observa. Esto da la tercera propuesta que se presenta en la figura. 15. Aqu la cota superior de 12 se deber reducir a 11. Hay violaciones en las semanas 1 y 6. De acuerdo con el algoritmo, primero se mueve lll 2 semanas adelante y despus lV una semana. Continuando la heurstica, obtenemos las propuestas cuarta y quinta que se muestran en las figuras 16 y 17. El algoritmo es incapaz de mejorar la quinta propuesta aun ms. Para apreciar esto, ntese que solo se puede reducir la sobrecarga d la semana 5 adelantando la actividad Vlll. Sin embargo, al avanzarla, 1,2 o 3 semanas aumentara a 12 el personal total de las semanas 7 y 8 u 8 y 9. El paso 2b de la heurstica ha sido satisfecho y, por lo tanto esta programacin es la solucin heurstica. Esta programacin final ha uniformado en forma considerable el aprovechamiento del personal, a partir del que se presenta en la figura 4, ya que el mximo es ahora 10 (en el periodo 5) y el mnimo es 8.

115

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Figura 15. Tercera propuesta

Figura 16. Cuarta propuesta

Figura 17. Quinta propuesta 116

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Figura 18. Cdula mnima ptima.

Con este problema se podra definir la solucin ptima como la cdula que minimiza el uso mximo del personal. Para la cdula originada mediante heurstica, el uso mximo es de 10, lo que ocurre en la semana 5. Aunque el algoritmo heurstico no condujo a la optimizacin, funciona bastante bien. En los problemas extensos (es decir, con muchas actividades) no sera posible llegar con tal facilidad a la cdula ptima maximax. Es por esta razn que se emplea la heurstica para los requerimientos de regularizacin. Leccin 29. Objetivos mltiples Es cuando por lo general en un problema especfico se tiene ms de un objetivo por conseguir, como siempre nos sucede en la vida diaria, estos se pueden definir como objetivos mltiples o programacin por metas. Se han desarrollado varios enfoques para este tipo de problemas como son: el uso de la teora de utilidad con multiatributos, l investigacin de soluciones ptimas de pareto mediante programacin lineal, los mtodos de investigacin heurstica. La programacin de metas se ampla en general a problemas lineales; es una extensin de la programacin lineal que permite al planificador acercarse todo lo posible a la satisfaccin de las metas y restricciones diversas. Permite a quien toma las decisiones, al menos en l sentido heurstico, incorporar su sistema de preferencia al trabajar con metas mltiples en conflicto. La idea principal no es la solucin primordialmente ptima sino soluciones bastante buenas y cercanas. EJEMPLO 24: El diseo de un modelo educativo cuyas variables de decisin son X1 y X2, donde X1 es el nmero de horas de trabajo en clase y X2 el de horas de trabajo de laboratorio. Supngase que se tiene la siguiente restriccin total de horas del programa: X1 + X2 100 (total de horas del programa)
117

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

En este mtodo hay dos clases de restricciones: restricciones del sistema (llamadas restricciones fuertes) que no pueden ser violadas, restricciones de meta (llamadas restricciones suaves) que se pueden violar cuando sea necesario. La limitante anterior del total de horas del programa es un ejemplo de restriccin del sistema. Se supone ahora que segn el diseo del programa, cada hora de clase abarca 12 minutos de experiencias en grupos pequeos y 19 de resolucin de problemas individuales, en tanto que cada hora de laboratorio abarca 29 minutos de experiencia de pequeos grupos y 11 de resolucin de problemas individuales. El tiempo total del programa es de 600 minutos. Los diseadores tienen que perseguir dos metas. Los estudiantes deben gastar hasta donde sea posible, un cuarto del tiempo mximo del programa trabajando en pequeos grupos y un tercio en la resolucin de problemas. Estas condiciones son: 12X1 + 29X2 19 X1 + 11 X2 1500 experiencias en pequeos grupos. 200 resolucin de problemas individuales.

Significa tan prximo como pueda al segundo miembro de la restriccin. Un anlisis geomtrico permite observar que no existe una poltica que satisfaga las restricciones, por lo cual se debe violar al menos una de las metas. Para implantar el enfoque de la programacin por metas, la condicin de experiencias de grupo se escribe de nuevo la restriccin meta: 12X1 + 29X2 + u1 - v1 = 1500 u1, v1 0

Donde u1= cantidad que falta al total de experiencias de grupo para 1500. v1= cantidad que sobra al total de experiencias de grupo para 1500 Las variables u1 y v1 se llaman variables de desviacin, ntese que, por definicin, queremos que u1 y v1 (o ambos) sean cero porque es imposible que al mismo tiempo sobre y falte tiempo de 1500. Esto basta con hacer la suma de estas variables muy pequea. En forma similar, se escribe como condicin de meta la relativa a resolucin de problemas: 19 X1 + 11X2 + u2 v2 = 2000 u2, v2 0

Y en este caso queremos que la suma de las dos variables de desviacin sea pequea. El modelo es: Min u1 + v1 +u2 +v2
118

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

s.a. x1 + x2 100 horas del programa 12 x1 + 29 x2 + u1 v1 = 1500 grupos pequeos 19 x1 + 29 x2 + u2 - v2 = 2000 solucin problemas x1,x2,u1, u2,v1,v2 0 El anterior se puede resolver por mtodos de programacin lineal. Por lo cual es indiferente la decisin que se tome entre las siguientes: (1) una decisin que exceda en 5 minutos la meta de experiencia y aciete a la meta de solucin con exactitud, (2) una decisin que acierte a la meta de experiencias con exactitud y le falten 5 minutos para la solucin de problemas, (3) una decisin en la que le faltan 2.5 minutos a cada meta. (1) u1=0, v1=5, u2=0, v2=0 (2) u1=0, v1=0, u2=5, v2=0 (3) u1=2.5, v1=0, u2=2.5, v2=0 Estos datos producen el mismo valor de funcin objetivo. Pero si se cambian los datos numricos se logran reflexiones diferentes ya que con los coeficientes en horas los tiempos faltantes son ms crticos. Una forma de expresar la preferencia entre las diversas metas consiste en asignar distintos coeficientes a las diversas variables de desviacin en la funcin objetivo. Para el ejemplo as: Min 2u1 + 10 v1 + u2 + 20 v2 como funcin objetivo.

Con esta funcin objetivo es mejor que falta 9 minutos en la meta solucin de problemas a exceder en un minuto en la meta de experiencias de grupo. Resumen del uso de las restricciones metas: Estas restricciones se escriben utilizando variables de desviacin no negativas u 1 y v1 o bien s1+ y s1- , en la optimizacin al menos un par deben ser cero. U1, s1+ representan deficiencias y v1, s1- representan exceso. Solo aparecen estas variables de desviacin en la funcin objetivo y debe ser minimizacin. Las variables de decisin no aparecen en el objetivo. Los tipos de metas son: 1.- Blanco: las restricciones tan prximas al termino independientes como sea posible, se minimiza las variables de decisin y al menos una de estas es cero.

119

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

2.- Minimizar las deficiencias: el objetivo es minimizar la deficiencia u1 o s1+, v1 es variable de exceso. Si la u1 optima es positiva, la restriccin ser activa, entonces v1 debe ser igual a cero. 3.- Minimizar excedentes: se minimiza v1, el excedente en el objetivo, u1 como variable de holgura. Si la v1 ptima es positiva, eta restriccin ser activa. 4.- Restriccin del intervalo de metas: la meta consiste en aproximarse todo lo posible a satisfacer el rango de las restricciones. Si minimiza u 1 + v1. Estas variables son solo de exceso y holgura (no de desviacin) y cero en la optimizacin. Leccin 30. Aplicaciones. Una de las aplicaciones son las evaluaciones de desempeo: El problema de agregacin de forma general. Sea X = {x1,K,xn} el conjunto de individuos o empleados a evaluar. Supondremos que los individuos son evaluados por tres colectivos distintos: El de sus superiores, A= { a1, ,ar } El de los compaeros y colaboradores, B={b1,,br} Y el de los clientes, C={ c1,.,cr} Existen modelos de evaluacin del desempeo que incluyen la opinin que el propio empleado tiene sobre s mismo. En este trabajo no se tendrn en cuenta tales valoraciones, ya que debido a la metodologa de agregacin planteada (valoraciones de consenso), en donde no se ponderan las valoraciones de los colectivos, su inclusin podra perturbar el anlisis. Consideraremos que existen diferentes criterios sobre los que el trabajador debe ser examinado 1 ,..., p Y Y. Los evaluadores emiten su opinin sobre cada empleado a travs de valores numricos dentro del intervalo unidad: ik [0,1] j a es la opinin del evaluador i a, A sobre el individuo j x , respecto al criterio k Y . ik [0,1] j b es la opinin del evaluador ib, B sobre el individuo j x , respecto al criterio k Y . ik [0,1] j c es la opinin del evaluador ic, C sobre el individuo j x , respecto al criterio k Y . Una vez emitidas las opiniones individuales, el proceso de agregacin se realizar atendiendo a los siguientes pasos:

120

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

1. En primer lugar se obtendr una evaluacin colectiva para cada empleado, por colectivo y criterio: k( ) k( 1k ,..., rk ) A j Aij v x =u a Ka , k( ) k( 1 k, , s k) B j B ij v x =u b Kb , k( ) k( 1 k, , t k) C j C ij v x =u c Kc. 2. En el segundo paso agregaremos las evaluaciones colectivas obtenidas anteriormente, determinando una valoracin colectiva para cada empleado y para cada criterio: k( ) k( k( ), k( ), k( )). j A j B j C j v x =u v x v x v x 3. Finalmente, agregaremos las valoraciones colectivas para cada criterio y empleado, obteniendo una valoracin global para cada trabajador: ( ) ( 1( ), , p ( )) j j j v x =u v x K v x . Las expresiones funcionales anteriores, dadas a travs de kA u , kB u , kC u , uk y u, no tendrn una expresin analtica, como ocurre habitualmente cuando se establecen a priori operadores de agregacin para generar valoraciones colectivas a partir de valoraciones individuales. En nuestro caso, la agregacin ser determinada mediante la resolucin de diferentes problemas de programacin por metas. METODOLOGA DEL PROCESO DE AGREGACIN El proceso de agregacin planteado anteriormente puede ser realizado con diferentes metodologas. Algunos procedimientos basados en operadores de agregacin pueden verse en Fodor y Roubens (1994) y Calvo, Kolesrova, Komornkov y Mesiar (2002). En este trabajo proponemos agregar la informacin facilitada dentro de un marco analtico basado en distancias y utilizando tcnicas de la programacin por metas. La idea fundamental consiste en calcular para un conjunto de m valoraciones 1k,..., mk j j y y sobre un individuo j x para el criterio k Y , un valor de consenso *k j y. Este valor de consenso cardinal constituye un valor desconocido en nuestro problema de agregacin, que puede ser obtenido mediante la formulacin de un problema basado en mtricas

121

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

El problema anterior trata de minimizar el desacuerdo existente entre el valor de consenso deseado y cada una de las valoraciones emitidas. Obviamente, para cada valor de p la mtrica asociada puede generar una solucin distinta. La resolucin del problema planteado no es fcil, ya que la funcin no es lineal ni diferenciable. Para evitar algunos de estos inconvenientes, el problema anterior puede transformarse en el siguiente problema de programacin por metas. En los diseos de operacin de los sistemas de transporte masivo, en desarrollos agrarios de semillas y cras. Tambin en todo tipo de aplicaciones donde haya variacin de metas para lograr los resultados esperados.

TALLER: 1. La compaa de distribucin Alpha suministra un solo producto a tres clientes en diversos sitios desde b4odegas diferentes. Durante el perodo de planeacin considerado, la compaa no puede cumplir la demanda de los clientes. Sin embargo, la compaa ha determinado que las demandas de ciertos clientes deben satisfacerse a expensas de otros. Para evitar desequilibrios serios, es importante balancear la porcin de demanda satisfecha entre ciertos clientes. Tambin debido a acuerdos sindicales, la compaa debe satisfacer ciertos requisitos mnimos en los niveles de embarque en ciertas rutas. Finalmente, varias de las rutas sobre las cuales se podra embarcar el producto son peligrosas y deben evitarse.

A continuacin se resume el problema de transporte y los costos de embarque se dan en cada una de las celdas y los valores de demanda en los mrgenes. Nota que la demanda total excede al suministro total en 1,500 unidades.
Cliente 1 10 8 2000 Cliente 2 4 10 1500 Cliente 3 12 3 5000 suministros 3000 4000

Bodega 1 Bodega 2 Bodega 3

La administracin tiene las siguientes preferencias en las metas (en orden decreciente de importancia): 1. Satisfacer la demanda total del cliente 3 ( entrega garantizada). 2. Satisfacer por lo menos el 75% de la demanda de cada cliente. 3. Minimizar el costo de transporte para los artculos embarcados. 4. Embarcar por lo menos 1000 unidades en la ruta de la Bodega 2 al Cliente 1 (convenio sindical).

122

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

5. Minimizar el costo de embarque en las rutas de la bodega 1 al cliente 3 y de la bodega 2 al cliente 2 (peligros). 6. Balancear el porcentaje de demanda satisfecha entre los clientes 1 y 2. Plantear el modelo de programacin meta. 2.- La compaa Bevco ha desarrollado recientemente tres nuevos productos haciendo uso del exceso de capacidad en sus tres plantas sucursales existentes. Cada producto puede fabricarse en cualquiera de las tres plantas. El anlisis ha mostrado que sera rentable utilizar el exceso de capacidad para producir estos nuevos productos. En realidad, el propsito principal de la gerencia al desarrollar los nuevos productos era lograr la utilizacin completa de la capacidad productiva de exceso sobre una base rentable. Mientras que las plantas Bevco generalmente operan a capacidad plena en sus lneas de productos existentes, la produccin por debajo de la capacidad normal ocurre con poca frecuencia, presentando problemas con la fuerza laboral. Aunque la compaa no necesita la fuerza laboral plena durante los perodos de holgura, el costo de los despidos sera considerable, y Bevco deseara evitar esto tanto como fuera posible. Adems, la gerencia deseara balancear la utilizacin del exceso de capacidad entre las plantas sucursales. esto servira para distribuir equitativamente la carga de trabajo del personal de supervisores asalariados y reducir los agravios de la fuerza laboral que se le paga por horas, que de otra manera se sentira discriminada con respecto a las cargas de trabajo o a los despidos. Para el perodo que se est considerando, las plantas tienen las siguientes capacidades de produccin en exceso (en trminos de unidades) de nuevos productos y capacidades de embarque disponibles asignadas a los nuevos productos:
Planta Capacidad de exceso de produccin (unidades) 750 300 450 Capacidad de embarque(pies cbicos) 12,000 10,000 6,500

1 2 3

Los productos 1, 2 y 3 requieren 30,20 y 15 pies cbicos por unidad, respectivamente. Las contribuciones unitarias a la utilidad de los productos 1,2 y 3 son $15 $18 y $12 respectivamente. Los pronsticos de ventas indican que Bevco puede esperar ventas tan altas como 900, 1,000 y 700 unidades de los productos 1, 2 y 3 respectivamente, durante el perodo de planeacin en consideracin. Dada esta situacin, la administracin ha expresado las siguientes metas de preferencia en orden de importancia decreciente.

123

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

1. Lograr una utilidad perseguida de $15,000 2. Utilizar tanto, como sea posible, la capacidad de exceso. Debido al bajo costo de la mano de obra, la administracin cree que es 1.5 veces ms importante utilizar la capacidad de exceso de la planta 1 que la de las plantas 2 y 3. 3. Lograr un balance de la carga de trabajo en la utilizacin de exceso de capacidad entre todas las plantas. debido a ciertas demandas adicionales de los trabajadores de la planta 1, la administracin cree que si ocurre algn desbalance en la carga de trabajo, es dos veces ms importante favorecer a la planta 1 con menor trabajo con respecto a las plantas 2 y 3. 4. Lograr el pronstico de ventas para el producto 2, puesto que ste tiene la mayor contribucin a la utilidad por unidad. 5. Producir suficiente cantidad de los productos 1 y 3 para cumplir con las ventas pronosticadas. 6. No exceder la capacidad de embarque disponible. Plantear el modelo de programacin meta.

124

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

CAPITULO 7. DECISONES BAJO RIESGO SIMULACIN

INTRODUCCION: En la descripcin de un sistema por medio de un modelo, algunas veces se encuentra que este es demasiado complicado para describirlo o que el modelo, una vez obtenido, no permite una solucin analtica. La simulacin es un procedimiento cuantitativo que describe un proceso al desarrollar un modelo de ste y despus conducir una serie de experimentos, de tanteos organizados para predecir el comportamiento del proceso con el tiempo. La simulacin proporciona una manera de experimentar con las polticas o sistemas propuestos sin tener que hacer cambios en el sistema real. Es tambin una herramienta que brinda slo estimaciones estadsticas, no resultados exactos y compara alternativas ms que generar una solucin ptima. Puede usarse en aquellos problemas en que las tcnicas analticas son inadecuadas. OBJETIVOS 1.- Definir las tcnicas bsicas utilizadas en un anlisis de simulacin. 2.- Aplicar el anlisis de simulacin a problemas de colas e inventarios. 3.- Utilizar una tabla de nmeros aleatorios para generar observaciones en las variables aleatorias.

125

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Leccin 31. DEFINICIONES Algunos conceptos sobre lo que es simulacin, son los siguientes: 1- Es el uso de un modelo de sistema que tiene la caracterstica deseada de la realidad, a fin de reproducir la esencia de las operaciones reales. 2 - Es la representacin de un proceso o fenmeno mediante otro ms simple, que permite analizar sus caractersticas; Pero la simulacin no es solo eso tambin es algo muy cotidiano, hoy en da, puede ser desde la simulacin de un examen, que le hace la maestra a su alumno para un examen de Estado, la produccin de textiles, alimentos, juguetes, construccin de infraestructuras por medio de maquetas, hasta el entrenamiento virtual de los pilotos de combate. 3 - Es una representacin de la realidad mediante el empleo de un modelo u otro mecanismo que reaccionar del mismo modo que la realidad bajo una serie de condiciones dadas. 4- Es el proceso de desarrollar un modelo de un problema y estimar una medida de su comportamiento, llevando a cabo experimentos mustrales sobre el modelo. PASOS EN EL PROCESO DE SIMULACIN Todas las simulaciones requieren una gran cantidad de planeacin y organizacin; sin embargo, podemos definir algunos pasos bsicos. 1- Definir el problema o sistema que intenta simular. 2- La recopilacin de datos que describen las variables de entrada, y la decisin de los componentes del sistema. 3- Construir el modelo de simulacin y definir el diseo experimental que utilizar para aplicar el mtodo. 4- Asegurar que las entradas al modelo de simulacin sean adecuadas y que modelo responda a esas entradas de manera similar al problema real. 5- Identificar y recolectar datos necesarios para probar el modelo. 6 - Correr la simulacin. 7- Analizar los resultados de la simulacin y, si se desea, cambiar la solucin que se est evaluando. 8- Volver a correr la simulacin para probar la nueva solucin.

126

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

9- Validar la simulacin, esto es, aumentar las probabilidades de que cualquier variable. 10- Conclusin que saquen sobre la situacin real de correr la simulacin, ser vlida. Leccin 32. TIPOS DE SIMULACION - Un sistema discreto es aquel en el cual las variables de estado cambian solo en puntos discretos o contables en el tiempo. Un ejemplo tpico de simulacin discreta ocurre en las colas donde estamos interesados en la estimacin de medidas como el tiempo de espera promedio o la longitud de la lnea de espera. Tales medidas solo cambian cuando un cliente entra o sale del sistema; en todos los dems momentos, no ocurre nada en el sistema desde el punto de vista de la inferencia estadstica. Un sistema continuo es aquel en el cual las variables de estado cambian en forma continua a travs del tiempo. Un ejemplo tpico de simulacin continua es el estudio de la dinmica de la poblacin mundial; los modelos de simulacin continua normalmente se representan en trminos de ecuaciones diferenciales en diferencias que describen las interacciones entre los diferentes elementos del sistema. Un modelo esttico de simulacin es una representacin de un sistema en determinado punto en el tiempo. Una simulacin dinmica es una representacin de cmo evoluciona un sistema a travs del tiempo. Podramos intentar dar algunas acepciones acerca del modelado en simulacin: 1.- Desarrollo de un modelo matemtico-lgico de un sistema y la manipulacin experimental de l en una computadora. 2.- Implica la observacin del comportamiento dinmico del modelo en el tiempo. 3.- Dependiendo de la naturaleza de los datos de entrada, los resultados pueden ser determinsticos o estocsticos. 4.- Un medio para ganar experiencia artificial mediante el uso de un modelo que da apariencia o efecto de realidad. 5.- Un medio para evaluar alternativas de accin y determinar cual hecho probablemente ser el ms efectivo en la situacin real.

127

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

6.- Se usa para problemas que son demasiado complejos para ser resueltos mediante tcnicas analticas y/o matemticas. EJEMPLO 25. SIMULACION DISCRETA FILAS DE ESPERA Se presentan situaciones en las cuales los requisitos de mano de obra no solamente estn afectados por el tiempo necesario para terminar una actividad sino tambin por el patrn de demanda de los servicios de hombre. Para ilustrar esto, consideremos el caso de un encargado del puesto de herramientas. Los operarios de mquina llegarn al puesto para obtener los accesorios de mquina que necesitan. En el caso ms sencillo, el tiempo necesario para atender a un operario y los momentos en los cuales llegan los operarios sern constantes. Bajo estas circunstancias, la determinacin de los requisitos de mano de obra para el puesto de herramientas no presenta ninguna dificultad. Por ejemplo, si el tiempo de atencin es de 10 minutos por el operario de mquina y llega un operario de mquina cada 10 minutos, es evidente que debe asignarse un encargado al puesto. Si se hace esto, los acontecimientos que se presentan durante un perodo tpico de una hora pueden describirse como sigue: Tiempo de llegada del operario Tiempo en que comienza el servicio Tiempo en que termina el servicio Tiempo ocioso del encargado (minutos) Tiempo de espera del operario (minutos) Operarios que esperan para que se les atienda

1:00 1:00 1:10 0: 00

1:10 1:10 1:20 0: 00

1:20 1:20 1:30 0: 00

1:30 1:30 1:40 0: 00

1:40 1:40 1:50 0: 00

1:50 1:50 2:00 0: 00

Como puede verse, ni el encargado ni los operarios pierden tiempo y no se forma lnea de espera o cola o fila. En consecuencia, no habra necesidad de asignar sino un encargado al puesto de herramientas. Sin embargo, la situacin real es generalmente ms compleja. Por ejemplo, es ms probable que solamente el tiempo de servicio promedio sea de 10 minutos y que un operario llegue cada 10 minutos en promedio. Como esto lo sugiere, un solo tiempo de servicio y un solo
128

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

intervalo entre los eventos de llegada puede ser ms o menos de 10 minutos. En un caso como este, pueden presentarse demoras de servicio y formarse una fila de espera. Para demostrar esto, consideremos otro perodo de tiempo hipottico durante el cual los tiempos promedio de servicio y de llegada son de 10 minutos, pero los valores individuales varan. Especficamente, supondremos que los tiempos de llegada y servicio son los indicados en las dos primeras columnas de la tabla que sigue. Dados esto datos y suponiendo que estar presente un encargado, podemos construir el patrn de acontecimientos que se describe en el resto de la tabla. Tiempo de llegada del operario Tiempo de servicio Necesario (minutos) Tiempo en que comienza el servicio Tiempo en que termina el servicio Tiempo ocioso del encargado (minutos) Tiempo de espera del operario (minutos)

1:00 12

1:00 1:12 0: 00

1:08 8

1:12 1:20

0:41

1:18 10 1:30 6

1:20 1:30 0: 21 1:30 1:36 0: 00

1:45 14 1:50 10

1:45 1:59 0: 00 1:59 2:09 0: 91

Operarios que esperan para que se les atienda; Un examen de los resultados revela que, durante el perodo de 69 minutos del estudio, el encargado estuvo ocioso 9 minutos y los operarios estuvieron esperando 15 minutos, a pesar del hecho de que el tiempo de servicio promedio fue de 10 minutos y de que en promedio lleg un operario cada 10 minutos. Adems, debido al tiempo que tuvieron que esperar los operarios, se form una cola. Si suponemos, para fines de discusin, que el perodo de estudio fue lo suficientemente largo como para reflejar las condiciones que han de prevalecer en general, puede calcularse el costo que debe asociarse con los tiempos de ocio y espera. Por ejemplo, la firma puede concluir que el costo del tiempo ocioso del encargado es de $1200 por hora y el del tiempo de espera de los operarios es de $1500 por hora. Estos costos incluirn elementos tales como la tasa de salario, las prestaciones y el tiempo muerto del equipo. Por consiguiente, el costo para el periodo de 69 minutos sera de costo =

129

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

9 * ($1200/60) + 15 * ($1500/60) = $555 Si el da de trabajo contiene 480 minutos, el costo diario promedio sera de costo por da = $555 * (480/69) = $3861. Ahora se debe considerar si ste representa el mnimo costo posible. Para reducir la longitud de la cola y por consiguiente, el tiempo de espera de los operarios, la firma puede asignar un encargado ms al puesto de herramientas. Adems, esta reduccin sera neutralizada hasta cierto grado por un aumento en el tiempo ocioso de los encargados. Sin embargo, puede ser que el costo total resultante sea inferior al que resulta con un encargado. Debe determinarse si este es el caso, tomando los tiempos necesarios de llegada y servicio indicados en la tabla anterior, determinando los tiempos ociosos y de espera que se presentarn con dos encargados para atender a los operarios y calculando el costo resultante. Esto se repetir para alternativas que exijan tres o ms encargados hasta que se encuentre la alternativa que produzca el costo mnimo. METODOS DE ANALISIS La anterior ilustracin sirve para indicar la naturaleza de los problemas llamados de fila de espera o cola. En general, la firma encuentra que, al aumentar la capacidad de servicio disponible y, por consiguiente, el costo de servicio, puede reducir la longitud de la fila de espera y, por consiguiente, el costo de espera. Para alguna combinacin de capacidad de servicio y fila de espera correspondiente, el costo ser un mnimo y la labor es determinar dicha combinacin. La labor es difcil, porque con mucha frecuencia variarn los tiempos de servicio y de llegada. Por consiguiente, se necesita determinar los diferentes valores que pueden asumir estos tiempos en un problema dado y estimar la probabilidad de que se presente cada uno. Se han desarrollado enfoques cuantitativos para la solucin de los problemas de fila de espera en los cuales se hace alguna suposicin con respecto a la naturaleza de la distribucin de los tiempos de servicio y llegada. Por ejemplo, una suposicin comn es la de que es aplicable la distribucin de Poisson. Pero la teora en la que se basan estos mtodos es bastante compleja y no hay razn para creer que las distribuciones consideradas difieran muy frecuentemente de las reales. Por estas razones, no consideraremos estos mtodos analticos. Otro enfoque es la simulacin Monte Carlo. Ese mtodo exige estimar, con base en la experiencia pasada, si es posible, las probabilidades de que se presenten los diversos tiempos posibles de servicio y llegada. Luego, en la forma descrita en nuestra discusin anterior de la simulacin, puede originarse una serie de tiempos de llegada y tiempos de servicio correspondientes. Los tiempos de ocio y espera resultantes, y su costo, pueden calcularse para capacidades de servicio alternativas y puede escogerse la capacidad ms econmica. Sin embargo,
130

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

siempre debe tenerse cuidado de generar una serie bastante larga como para obtener una indicacin exacta de los efectos a largo plazo de una poltica determinada. EJEMPLO 26. SIMULACION CONTINUA DINAMICA DE SISTEMAS La Dinmica de Sistemas se encarga de estudiar la presencia de algunas caractersticas de inters en los sistemas sociales que luego de su interpretacin nos van a servir para planificar el modelo ms adecuado de acuerdo a sus propiedades. A continuacin vamos a presentar un problema de poblaciones (nacimientos, muertes), emigracin, inmigracin, demanda y construccin de viviendas. Ecuaciones POB K = POB J + DT ( NAC JK MUE JK + MIG JK ) D VIV K = FAM K VIVC K NAC KL = POB K * T1 FAM K = POB K / T6 MIG JK = INM JK EMI JK MIG JK = (POB K POB J ) / DT MIG JK = (POB (t + DT) POB (t)) / DT A continuacin se puede correr este programa en un paquete de Simulacin especializado en Dinmica de Sistemas, como puede ser Urban Dynamics o Powersim. GENERACION DE VARIABLES ALEATORIAS Luego de introducir al sistema los datos, es necesario transformarlos en informacin, la cual puede ser determinstica y/o probabilstica. La determinstica ingresa directamente al sistema con su valor respectivo. Para la probabilstica se requiere generar modelos que emulen el comportamiento de la variable correspondiente. Los nmeros pseudoaleatorios son la base para realizar simulaciones donde hay variables estocsticas, porque estos nmeros generan eventos probabilsticos; inicialmente se parte de la generacin de nmeros pseudoaleatorios uniformes entre cero (0) y uno (1). Los mtodos ms empleados para la generacin de variables aleatorias son: Mtodo de la transformada inversa: Consiste en emplear la distribucin acumulada F(x) de la distribucin de probabilidad a simular por medio de integracin; como el rango de F(x) se encuentra en el intervalo de cero (0) a
131

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

uno(1), se debe generar un nmero aleatorio ri para luego determinar el valor de la variable aleatoria cuya distribucin acumulada es igual a r i. El problema de este mtodo radica en el hecho que algunas veces se dificulta demasiado la consecucin de la transformada inversa. Mtodo de convolucin: Permite generar una distribucin a partir de la suma de distribuciones ms elementales o mediante la transformada z. Mtodo de aceptacin y rechazo: Cuando f(x) es una funcin acotada y x tiene un rango finito, como a x b, se utiliza este mtodo para encontrar los valores de las variables aleatorias. El mtodo consiste en normalizar el rango de f mediante un factor de escala c, luego definir a x como una funcin lineal de r, despus se generan parejas de nmeros aleatorios r1, r2 y por ltimo si el nmero encontrado se elige al azar dentro del rango (a, b) y r b, se utiliza este mtodo para encontrar los valores de las variables aleatorias. El mtodo consiste en normalizar el rango de f mediante un factor de escala c, luego definir a x como una funcin lineal de r, despus se generan parejas de nmeros aleatorios r1, r2 y por ltimo si el nmero encontrado se elige al azar dentro del rango (a, b) y r cf (x) se acepta, en caso contrario se rechaza. El problema de este mtodo es la cantidad de intentos que se realizan antes de encontrar una pareja exitosa. Mtodo de composicin: Con este mtodo la distribucin de probabilidad f(x) se expresa como una mezcla o composicin de varias distribuciones de probabilidad fi(x) seleccionadas adecuadamente. Procedimientos especiales: Existen algunas distribuciones estadsticas de probabilidad en las cuales es posible emplear sus propiedades para obtener expresiones matemticas para la generacin de variables aleatorias en forma eficiente. En varios casos se aplica el Teorema Central del Lmite y en otros se utiliza el mtodo directo para encontrar las variables aleatorio GENERACION DE NUMEROS PSEUDO ALEATORIOS Existen varios mtodos para la generacin de nmeros pseudoaleatorios entre cero (0) y uno (1); la importancia del mtodo a emplear estriba en el hecho que los nmeros generados deben cumplir ciertas condiciones para poder validarlos: Uniformemente distribuidos: Los nmeros aleatorios son los valores de las variables estadsticas que pertenecen a la distribucin uniforme; tienen las siguientes caractersticas: Si (i =1, 2, 3...) son nmeros aleatorios, entonces su funcin f satisface la relacin para todos los valores: Es decir, la funcin f ( ) en un punto expresa la posibilidad de que algunos nmeros aleatorios se encuentren en el intervalo [0, x]. Los nmeros
132

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

pseudoaleatorios, son tericamente variables continuas con densidad f y una distribucin acumulada F. Estadsticamente independientes: Las variables son independientes si su funcin G se puede representar y si todos los nmeros aleatorios tienen la misma distribucin, entonces la relacin toma la forma: Su media debe ser estadsticamente igual a 1/2 Su varianza debe ser estadsticamente igual a 1/12 Su perodo o ciclo de vida debe ser largo: Existen varios procedimientos de generacin de nmeros pseudoaleatorios; para la simulacin por computador son importantes los nmeros pseudoaleatorios cuyos generadores se basan en los procedimientos algebraicos. Este es el procedimiento iterativo donde los nmeros pseudoaleatorios se obtienen del nmero anterior o de varios anteriores (proceso de recursin). METODO DE GENERACION DE PSEUDONUMEROS Uno de los mtodos ms utilizados para generar nmeros pseudoaleatorios empieza con un valor inicial no, llamado semilla y a continuacin por recursin los valores sucesivos ni, i,, 1,..n. Los mtodos ms empleados para la generacin de los nmeros pseudoaleatorios son los siguientes: CONTRASTES EMPIRICOS La aproximacin a los generadores de nmeros aleatorios exige contrastar ciertas propiedades estadsticas de sus salidas. Algunos de los contrastes son genricos y pueden utilizarse en la evaluacin de generadores de variables aleatorias. Mencionemos que muchos de estos contrastes se encuentran implementados en los paquetes estadsticos comerciales ms importantes. Adems. Algunos generadores disponen de una teora analtica que conduce a contrastes tericos especficos. Contraste El contraste es de bondad de ajuste. Es poco potente, por lo que permite justificar el rechazo de una hiptesis, pero proporciona escaso soporte a su aceptacin. El estadstico del contraste es aquel cuya distribucin asinttica es una donde r son los parmetros estimados y la aproximacin se acepta si min ei > 5. Contraste de Kolmogorov Smirnov Consideramos el caso en que Fo es continua. La funcin de distribucin emprica

133

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

de una muestra X1, X2,..., Xn se define como Bajo la hiptesis nula Ho: Fx(X) =Fo(X) esperamos que Fn se aproxime a Fo. Definimos el estadstico bilateral de Kolmogorov-Smirnov como la distribucin exacta de Dn est tabulada para valores seleccionados de n= 40 y del nivel de significacin. Para muestras grandes, se utiliza la distribucin asinttica de Dn. Contraste de rachas Dada la sucesin de observaciones X1, X2, ... , Xn , construimos la sucesin de smbolos binarios definida mediante 1 si Xi < Xi+1, 0 si Xi> Xi+1. Definimos racha creciente (decreciente) de longitud 1 a un grupo seguido de 1 nmeros 1 o 0. Intuitivamente, rechazamos la aleatoriedad con un nmero muy pequeo o muy grande de rachas. De ah se obtiene inmediatamente el contraste. Contraste de rachas por encima y por debajo de la mediana Otro procedimiento para definir rachas es el recuento de observaciones que se sitan a un mismo lado de la mediana. La distribucin asinttica del nmero de rachas, bajo la hiptesis de aleatoriedad, es de donde se sigue, inmediatamente, un contraste. Contraste de permutaciones Separamos las observaciones en k-uplas La k-upla general se escribe, primero las ordenamos crecientemente y consideramos la ordenacin correspondiente de los subndices j. Bajo la hiptesis de la probabilidad de que dos nmeros sean iguales es nula, hay k! ordenaciones posibles. Bajo la hiptesis de independencia, todas las permutaciones son equiprobables, con probabilidad igual. Entonces es inmediato aplicar un contraste con k! clases, distribucin asinttica frecuencias esperadas r / k!, donde r es el nmero de kuplas y frecuencias observadas el nmero de veces que aparece cada ordenacin. Contraste de huecos Fijamos dos valores y con 0 < < < 1. La sucesin presenta un hueco de longitud m si Bajo la hiptesis de aleatoriedad de la serie, la longitud m de los huecos sigue una distribucin geomtrica de parmetro, es decir, la hiptesis de aleatoriedad implica independencia de las longitudes de los huecos y podemos aplicar un contraste basado en las comparaciones de los nmeros observados y esperados de huecos de longitud m. Repeticin de contrastes Para aumentar su potencia, los contrastes anteriores pueden repetirse N veces. La distribucin emprica de los valores del estadstico puede compararse con su distribucin terica mediante, por ejemplo, el contraste de Kolmogorov-Smirnov.
134

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

GENERADORES CONGRUENCIALES LINEALES Los principales son: Mtodos de los medios de cuadrados: Cada nuevo nmero de la secuencia es producido tomando los dgitos medios m de un nmero obtenido mediante la elevacin al cuadrado de un dgito. Mtodo aditivo de congruencias: Inicializa con k valores dados, con k un entero positivo y la sucesin se da mediante series de furrier. Mtodo mixto de congruencias: Son nmeros que se obtienen mediante la siguiente relacin de congruencia (con a y c mayores que 0). GENERADORES DE REGISTRO DE DESPLAZAMIENTO Los generadores congruenciales pueden generalizarse a recursiones lineales de orden mayor. Para k 1, m primo, se define y el generador se denomina recursivo mltiple. El estudio de este generador se asocia al del polinomio caracterstico sobre el lgebra finita Fm con m elementos. GENERADORES DE FIBONACCI RETARDADOS Cuando n0= 0 y n1 = 1 en el mtodo aditivo congruencial se obtiene por medio de generalizacin el caso especial denominado secuencia de Fibonacci. Parte de la semilla inicial ( X1, X2, ... , Xr ) y usa la recursin donde r y s son retardos enteros que satisfacen r > s y o es una operacin binaria que suele ser r +, -, x XOR. Tpicamente; Los elementos inciales son enteros y la operacin binaria es la suma mdulo 2n. La caracterizacin del periodo mximo de los generadores de Fibonacci retardados est bien estudiada y se basan, de nuevo en el anlisis de sucesiones lineales recursivas de enteros. GENERADORES NO LINEALES Dada la estructura reticular de los generadores lineales, algunos autores sugieren utilizar generadores no lineales. Se distinguen dos formas de introducir no linealidad en un generador: a. Usar un generador con funcin de transicin lineal, produciendo la salida mediante una transformacin no lineal del estado. b. Usar un generador con funcin de transicin no lineal. Una propiedad comn en estos generadores es que no producen una estructura reticular como la de los lineales. Su estructura es altamente no lineal: tpicamente, un hiperplano t-dimensional tendr a lo sumo t t-uplas solapantes de nmeros.

135

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Sea rn un primo arbitrario y Fm = {0. 1, ...,m - 1} el lgebra finita de orden m. Para un entero z, se define que es la inversa de z para la multiplicacin en Fm, si z =0 (mod m). Dados a, b, Fm, a0, la sucesin congruencial inversa explcita se define mediante el generador congruencial de inversin explcita se obtiene mediante normalizacin. Obviamente, las sucesiones {un} e {yn} son peridicas con periodo mximo m. COMBINACION DE GENERADORES Para incrementar el perodo e intentar evitar las regularidades que muestran los generadores lineales congruenciales se ha sugerido combinar diferentes generadores para obtener uno hbrido que tal vez sea de mayor calidad que los generadores originales. Tales combinaciones pueden considerarse heursticas, algunas de las cuales han resultado bastante pobres. Aunque el fundamento de estos procedimientos es esencialmente emprico, tambin se han desarrollado algunos aspectos tericos. En primer lugar, se ha observado que el periodo de un generador hbrido es, en general, bastante ms largo que el de sus componentes siendo, adems, posible su determinacin. En segundo lugar, hay resultados tericos que sugieren que algunas formas de combinacin de generadores que mejoran su comportamiento estadstico. Leccin 33. MTODOS DE SIMULACIN Existe diversidad de mtodos para desarrollar la simulacin. Mencionamos solamente una tcnica que es la ms fcil de comprender y es para muchas situaciones particulares que mencionan en este curso.

Juegos operacionales Se refiere a aquellas situaciones donde hay algn conflicto de intereses entre los jugadores o entre quienes toman decisiones, dentro de la estructura de un ambiente simulado. Ejemplo, administracin de negocios, juegos militares, entre otros. Simulacin de sistemas Es un mtodo en el que la informacin utilizada en el anlisis de un problema complicado, se procesa mediante el funcionamiento del modelo. Mtodo de Montecarlo Consiste en el reemplazo del universo real de elementos por el universo terico correspondiente. Por ejemplo, simular la llegada de clientes a una sitio de pago, se puede crear algo terico asumiendo ciertos comportamientos. Es una simulacin

136

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

con tcnicas de muestreo aleatorio, o sea, que en vez obtener muestras de una poblacin real, se obtienen de un duplicado terico 1 de la poblacin real. El mtodo de Montecarlo comprende la determinacin de la distribucin de probabilidad de la variable que se trata, para obtener luego una muestra de esa distribucin mediante nmeros aleatorios, con el fin de generar datos. El mtodo se utiliza para resolver problemas que dependen de la probabilidad, donde la experimentacin fsica es impracticable o muy costosa y donde es imposible la accin de una frmula exacta. A partir de la siguiente situacin se va a desarrollar un problema de simulacin y la forma de manejarlo. EJEMPLO26. En un supermercado X, se ha tomado una muestra de 100 llegadas de clientes a un punto de control, y se ha efectuado un estudio del tiempo requerido para dar el servicio a los clientes en minutos. La recopilacin de la informacin es: Tiempo entre llegadas 5 10 15 20 25 30 35 40 45 50 Frecuencia Tiempo de servicio Frecuencia 2 5 12 6 10 21 10 15 36 25 20 19 20 25 7 14 30 5 10 7 100 4 2 100

Usando una muestra simulada de 20 clientes, estime el tiempo promedio de espera, el porcentaje de clientes y el porcentaje ocioso del dependiente. El primer paso es determinar la funcin de probabilidad acumulada a partir de la distribucin de probabilidades (intervalo aleatorio) de los tiempos de frecuencias relativas obtenidas como porcentaje del nmero de casos, sobre el total. Tiempo de Llegada 5 10 15 20 25 Frecuencia relativa 0,02 0,06 0,10 0,25 0,20 Frecuencia relativa acumulada 0,02 0,08 0,18 0,43 0,63 Intervalo aleatorio 0,000 - 0.019 0,020 - 0,079 0,080 - 0,170 0,180 - 0,429 0,430 - 0,629
137

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

30 35 40 45 50

0,14 0,10 0,07 0,04 0,02

0,77 0,87 0,94 0,98 1,00

0,630 - 0,769 0,770 - 0,869 0,870 - 0,939 0,940 - 0,979 0,980 - 0,999

Tiempo de servicio 5 10 15 20 25 30 0,12 0,21 0,36 0,19 0,07 0,05 0,12 0,33 0,69 0,88 0,95 1,00 0,000 - 0,119 0,120 - 0,329 0,330 - 0,689 0,690 - 0,879 0,880 - 0,949 0,950 - 0,999

A partir de la anterior distribucin, se muestrea al azar a fin de determinar los tiempos efectivos de llegadas y de servicios que se usarn en la simulacin de operacin. Recuerde que cada muestra determina diferentes valores, por tanto, diferentes respuestas esperadas. Al observar la distribucin acumulada con tres decimales y utilizando una tabla de nmeros aleatorios, mediante un proceso que determina el investigador, se seleccionan dgitos de 000 a 100 y este nmero se localiza en la distribucin acumulada para obtener los valores de estudio. Para nuestro ejercicio escogimos la primera columna para las llegadas y la ltima para los servicios, obteniendo los siguientes resultados. Nmero Aleatorio 680 897 911 918 925 001 009 017 025 033 002 010 018 026 034 llegada Nmero aleatorio 365 373 381 389 397 329 337 345 353 361 121 129 137 145 153 Servicio

30 40 40 40 40 5 15 15 20 20 10 15 20 20 20

15 15 15 15 15 15 15 15 15 15 10 10 10 10 10
138

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

003 011 273 027 035

10 15 20 20 20

363 371 379 387 395

15 15 15 15 15

La simulacin se inicia suponiendo que la jornada de trabajo comienza a las 8.a.m. Si hay una llegada se comienza el servicio inmediatamente; por ejemplo, la primera llegada ocurre a las 8.30 a.m., a esa hora empieza el servicio que terminar a las 8.45 a.m.; en este momento no hay ocio para el servidor ni tiempo de espera del cliente. Si se sigue la secuencia, la siguiente llegada ocurre a las 9.10 a.m., como hay tiempo disponible del servidor, se comienza inmediatamente y se termina a las 9.25 a.m. La tercera llegada ocurre a las 9.50 a.m., cuando est libre el sistema para comenzar el servicio que finalizar a las 10.05 a.m. Siguiendo la situacin descrita en forma consecutiva se llega a la respuesta, teniendo en cuenta los tiempos de llegadas, los de inicio y las diferencias de los mismos. Otra forma de aplicar es teniendo una sola caracterstica, por ejemplo, la demanda de un producto y la distribucin de probabilidades. Con estos elementos y siguiendo los pasos pertinentes se puede establecer el promedio de la caracterstica. Leccin 34. APLICACIONES DE LA SIMULACIN La tcnica de la simulacin ha sido, una importante herramienta del proyectista, ya sea que est simulando el vuelo de un avin en un tnel de viento, la distribucin de una planta con modelos a escala de mquinas, o bien lneas de comunicacin con un diagrama de organizacin. Con la llegada de las computadoras de alta velocidad, con las cuales conducir los experimentos simulados tiene gran facilidad, esta tcnica ha incrementado tambin su importancia para el investigador de operaciones. En consecuencia, la simulacin se ha convertido en la rama experimental de la investigacin de operaciones. Hasta ahora se ha hecho hincapi en que si es posible se construyan modelos matemticos que sean una idealizacin razonable de los problemas, y a la vez, tratables para su solucin, este enfoque analtico por lo comn es superior a la simulacin. Sin embargo, muchos problemas son tan complejos que no se pueden resolver analticamente. En consecuencia, aun cuando tiende a ser un procedimiento relativamente caro, la simulacin suministra a menudo el nico enfoque prctico para un problema. Tpicamente la simulacin no es otra cosa ms que la tcnica de efectuar experimentos de muestreo sobre el modelo del sistema. Los experimentos se

139

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

realizan sobre el modelo, en lugar de hacerlo sobre el propio sistema real, nicamente porque esto ltimo sera demasiado inconveniente, tardado y costoso. EJEMPLO 27. Supngase que se tiene la oportunidad de participar en un juego en el que se lanzara repetidamente una moneda legal hasta que la diferencia entre el nmero de caras y el nmero de sellos que se obtengan sea tres. Se pedira pagar $1 por cada lanzamiento de la moneda, pero se recibiran $8 al final de cada jugada. No se permite abandonar durante una jugada; Por lo tanto, se gana dinero si el nmero de lanzamientos requeridos es menor que ocho, pero se pierde si se requieren ms de ocho lanzamientos. Cmo se tomara la decisin de participar o no en este juego? Muchas personas basaran esta decisin en la simulacin, aunque seguramente no le dara ese nombre. Los problemas donde se ha aplicado con xito la simulacin son demasiado numerosos; sin embargo, con algunos ejemplos se ilustra la gran adaptabilidad de esta tcnica. Simulacin de las operaciones en un aeropuerto, por ejemplo Avianca, para cambiar sistema de operacin de vuelos. Simulacin del manejo de una lnea de produccin. Simulacin de la operacin de un sistema de mantenimiento. VENTAJAS Y DESVENTAJAS DE LAS TCNICAS DE SIMULACIN Ventajas: - Permiten experimentar con un modelo del sistema en vez del sistema real. - Permiten descomponer un sistema muy grande en subsistemas para simularlos en forma individual. - Facilitan la manipulacin de la rplica del sistema. - Es un proceso relativamente eficiente y flexible. - Puede ser usada para analizar y sintetizar una compleja y extensa situacin real, pero no puede ser empleada para solucionar un modelo de anlisis cuantitativo convencional. - En algunos casos la simulacin es el nico mtodo disponible. - Los modelos de simulacin se estructuran y nos resuelve en general problemas trascendentes. - Los directivos requieren conocer como se avanza y que opciones son atractivas; el directivo con la ayuda del computador puede obtener varias opciones de decisin. - La simulacin no interfiere en sistemas del mundo real. - La simulacin permite estudiar los efectos interactivos de los componentes individuales o variables para determinar las ms importantes. - La simulacin permite la inclusin en complicaciones del mundo real.

140

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Desventajas: - No producen soluciones ptimas y cada corrida es como un experimento aislado que se efecta. - Cuando se utiliza un modelo matemtico puede ser imposible cuantificar todas las variables que afectan el comportamiento del sistema. - Un buen modelo de simulacin puede resultar bastante costoso; a menudo el proceso es largo y complicado para desarrollar un modelo. - La simulacin no genera soluciones ptimas a problemas de anlisis cuantitativos, en tcnicas como cantidad econmica de pedido, programacin lineal o PERT / CPM / LPU. Por ensayo y error se producen diferentes resultados en repetidas corridas en el computador. - Los directivos generan todas las condiciones y restricciones para analizar las soluciones. El modelo de simulacin no produce respuestas por s mismo. - Cada modelo de simulacin es nico. Las soluciones e inferencias no son usualmente transferibles a otros problemas. Leccin 35. METODOS PARA OBSERVACIONES ESTADISTICAS DISTRIBUCIN BINOMIAL Algunos experimentos consisten en la observacin e una serie de pruebas idnticas e independientes, las cuales pueden generar uno de dos resultados. Para simular una distribucin Binomial se emplean sus propiedades estadsticas. DISTRIBUCIN ERLANG Esta distribucin se aplica en algunos problemas de lneas de espera, inicialmente para el caso de telefona. Algunas formas para simular una distribucin Erlang consisten en emplear los mtodos de convolucin y el de la transformada inversa. DISTRIBUCIN UNIFORME Se utiliza cuando se requiere el empleo de una funcin constante. Para la simulacin de variables aleatorias tipo Uniforme se emplean sus propiedades estadsticas. DISTRIBUCIN GEOMETRICA Esta distribucin indica exactamente el nmero de repeticiones del experimento hasta lograr la caracterstica de inters. Se genera la simulacin de variables aleatorias tipo Geomtrica a partir del mtodo de la transformada inversa. DISTRIBUCIN HIPERGEOMETRICA Se utiliza a menudo en el estudio de problemas de produccin, control de calidad y la aceptacin de muestreo; se emplea para marcar y remarcar. Una de las formas para simular una distribucin Hipergeomtrica es emplear sus propiedades estadsticas.

141

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

DISTRIBUCIN POISSON Sirve para trabajar en teora de colas. Para simular una distribucin Poisson se deben usar sus propiedades estadsticas. RELACIONES ENTRE DIFERENTES RELACIONES CONTINUAS - La distribucin Normal es una buena aproximacin de la distribucin Binomial. Cuando en una distribucin Binomial n tiende a cero, sta se puede aproximar por una distribucin de Poisson. - La Geomtrica tiende a la distribucin Exponencial cuando, en la primera distribucin q tiende a cero y el tiempo entre llegadas tambin tiende a cero. - La distribucin de Poisson describe el nmero de eventos por unidad de tiempo; la distribucin exponencial representa el tiempo que transcurre entre dos eventos sucesivos. La distribucin Exponencial puede derivarse de la de Poisson. - La distribucin Exponencial es un caso especial de la distribucin Gamma. Cuando en la distribucin Gamma = 1, se tiene la distribucin exponencial. Esto significa que la suma de variables aleatorias independientes que tienen una distribucin Exponencial Negativa, es a su vez una variable aleatoria con distribucin Gamma. - La distribucin de Erlang es una generalizacin de la distribucin Exponencial. Cuando en la distribucin de Erlang el parmetro r = 1, se tiene la distribucin Exponencial. - La distribucin Gamma es una generalizacin de la distribucin de Erlang y por consiguiente, de la distribucin Exponencial. Cuando en la distribucin Gamma el parmetro r es una constante, se tiene la distribucin de Erlang. - La distribucin de Weibull es una generalizacin de la distribucin Exponencial. Cuando el parmetro = 1 en la distribucin de Weibull, se tiene la distribucin Exponencial. - La distribucin Gamma y la de Weibull son generalizaciones de la distribucin exponencial y sin embargo, no son una misma distribucin. Existen distribuciones Gamma que no son Weibull y viceversa. - Cuando en la distribucin beta los parmetros Uniforme. = 1, se tiene la distribucin

- La distribucin Chi-cuadrada es un caso particular de la distribucin Gamma. - La distribucin de Student (distribucin t) y la distribucin F estn relacionadas con la distribucin Beta.
142

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

RELACIONES ENTRE DIFERENTES RELACIONES DISCRETAS - La distribucin Hipergeomtrica tiende a la distribucin Binomial, cuando el tamao del lote N tiende a infinito y la relacin del nmero de piezas defectuosas entre el total del lote permanece constante. - La distribucin de Poisson es una buena aproximacin de la distribucin Binomial cuando el nmero de realizaciones de un experimento de Bernoulli n crece y la probabilidad del evento "aceptableq disminuye. Esto equivale a que ambas distribuciones tengan el mismo valor esperado, es decir, = nq. - La distribucin Binomial Negativa es una generalizacin de la distribucin Geomtrica. - La distribucin Multinomial es una generalizacin de la distribucin Binomial. LENGUAJES Y/O PAQUETES DE SIMULACION En esta parte haremos una descripcin sucinta de algunos paquetes y/o lenguajes de Simulacin de los ms empleados en el medio. Los cuales tenan las siguientes ventajas: - La situacin a analizar se puede modelar en forma ms o menos sencilla para el programador por el conocimiento del lenguaje. - El proceso se puede describir con tanta precisin como le sea posible en el lenguaje conocido. - Se pueden realizar todas las depuraciones posibles. Emshoff y Sisson consideran que la Simulacin Discreta requiere de ciertas funciones comunes que diferencian un lenguaje de Simulacin de uno de propsito general, entre las cuales se encuentran las siguientes: - Generar nmeros aleatorios. - Generar variables aleatorias. - Variar el tiempo hasta la ocurrencia del siguiente evento. - Registrar datos para salida. - Realizar anlisis estadstico sobre datos registrados. - Construir salidas en formatos determinados. - Detectar inconsistencias y errores. Los lenguajes precursores en Simulacin fueron los de propsito general, entre ellos por mencionar solo algunos tenemos: FORTRAN, ALGOL, COBOL, RPG, BASIC, PASCAL, MODULA, PL/1, etc.

143

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Los principales lenguajes utilizados en Simulacin son: Simulacin de cambio continuo y de cambio discreto en computadoras hbridas H01; Simulacin de incremento continuo con orientacin a ecuaciones directas con nfasis en ecuaciones diferenciales DSL/90, MIMIC, BHSL, DIHYSYS y S/360 CSMP; Simulacin de incremento continuo con simuladores orientados a bloques con nfasis en ecuaciones diferenciales MIDAS, PACTOLUS, SCADS, MADBLOC, COBLOC y 1130 CSMP; Simulacin de incremento continuo con simuladores orientados a bloques con nfasis en ecuaciones de diferencias DYNAMO, DYSMAP 2; Simulacin de incremento discreto con orientacin a actividades CSL, CLP, GSP, GERT, FORSIM, ESP, MONTECODE y MILITRAN; Simulacin de incremento discreto con orientacin a eventos SIMSCRIPT, GASP, SIMCOM, SIMULATE y SIMPAC; Simulacin de incremento discreto con orientacin a procesos SIMULA, OPS, SLAM y SOL; Simulacin de incremento discreto con orientacin a flujo de transacciones GPSS y BOSS. PAQUETES Los paquetes son una versin depurada de los diferentes lenguajes de propsito general y presentan algunas ventajas sobre los lenguajes de programacin generales: - Reduccin de la tarea de programacin. - Definicin exacta del sistema. - Flexibilizacin mayor para cambios. - Diferenciacin mejor de las entidades que conforman el sistema. - Relacin estrecha entre las entidades del sistema. Los paquetes de mayor utilizacin en Simulacin son: EXCEL, STELLA, SIMAN, RISK, STORM, LINDO, CRYSTAL BALL, QSB, MOR/DS, OR/MS, BEER GAME, GREENPACE, SIMULACION, TAYLOR II, CAPRE, SIMNET II, PROMODEL, ITHINK, URBAN DYNAMICS y POWERSIM. En Simulacin Gerencial podemos citar: FISH BANK, FINANACAT, BUGA-BUGA y MARKOPS, TREE PLAN entre otros.

144

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

AUTOEVALUACION UNIDAD 2.

1.- Encuentre el punto de silla y el valor del juego para cada uno de los dos juegos siguientes. Los pagos son para el jugador A. B B

8 A 8 7

6 9 5

2 4 3

8 5 5 A

4 -3 6 7

-4 -4 7 3 (2)

-5 -9 -8 -9

6 -2 -9 5

(1)

2.- Una compaa revisa el estado de uno de sus productos importantes sobre una base anual y decide si tiene xito (estado 1) o no lo tiene (estado 2). Despus, la compaa debe decidir si da publicidad o no al producto a fin de promover las ventas ms a fondo. Las matrices P1 y P2 que se presentan aqu dan las probabilidades de transicin con y sin publicidad durante un ao cualquiera. Los rendimientos asociados estn dados por las matrices R1 y R2. Determine las decisiones ptimas en los tres aos siguientes. P1 = 0.9 0.1 , R1 = 2 1 1 3

0.6 0.4

P2 =

0.7 0.2

0.3 0.8

R2 =

4 2

1 1

3.- Bogot debe determinar cmo asignar ambulancias durante el ao venidero. Cuesta 5000 dlares anuales operar una ambulancia. Cada ambulancia se debe asignar a uno de dos distritos. Sea Xi = numero de ambulancias asignadas al distrito i (i=1,2). El tiempo promedio, en minutos, que tarda una ambulancia en atender una llamada del distrito i es, para el distrito 1, 40 - 3X1, y para el distrito 2, 50 4X2. Bogot tiene tres metas:

145

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

META 1: El tiempo promedio de respuesta en el distrito 1 debe ser cuando ms 5 minutos. META 2: El tiempo promedio de respuesta en el distrito 2 debe ser cuando ms 5 minutos META 3: se debe gastar cuanto muchos 100000 dlares anuales en el servicio de ambulancias. Bogot cree, para cada distrito, que cada minuto extra que se prolonga el tiempo promedio de respuesta sobre la meta de 5 minutos equivale a un costo de 10000 dlares, y por cada dlar que se rebasa el presupuesto se incurre en un costo de un dlar. a) Plantear y resolver le modelo de programacin lineal que se pueda emplear para determinar cuntas ambulancias se deben asignar a cada distrito. b) Para cada una de las siguientes prioridades ordenadas, aplicar el mtodo simplex de programacin de metas para determinar la asignacin de ambulancias a los departamentos. Meta 1 > Meta 2 quiere decir que la meta 1 tiene mayor prioridad que la meta 2. Las prioridades son: meta 1>meta2>meta 3, meta 2>meta 1>meta 3; meta3>meta1>meta2. 4. Use el generador congruente lineal para obtener una sucesin de 10 nmeros aleatorios, dado que a= 17, c=43, m=100 y X0= 31. RESPUESTAS: 1. 1) 7 2) -9 2. Aos 1 y 2, anunciar slo si el producto ni tiene xito. Ao 3: no publicitar 3. a) Min Z = 10000 s1+ + 10000 s2+ + s3+ s.a. 40 3 X1 + s1- - s1+ = 5 50 4X2 5000 x1 + s2- - s2+ + 5000 x2 + = 5 s3- - s3+ = 100000

Todas las variables 0 b) Si P1>P2>P3, entonces la solucin ptima es X1= 35/3, X2=45/4. Si P2>P1>P3, entonces la solucin ptima es X1= 35/3, X2= 45/4. Si P3>P1>P2, entonces la solucin ptima es X1= 35/3, X2=25/3. 4. 0.70, 0.33, 0.04, 0.11, 0.30, 0.53, 0.44, 0.91, 0.90, 0.73
146

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

BIBLIOGRAFIA TAHA, Hamdy A. (1995). Investigacin de operaciones. Mxico. Editorial Alfaomega. 5 edicin. EPPEN, Gould y Schimidt. (1999). Investigacin de operaciones en las Ciencias de Ingeniera. Bogot d.c. Editorial Prentice may. 3 edicin GALLAGHER, Watson. (2005). Mtodos Cuantitativos para la Toma de decisiones. Bogot d.c. Editorial McGraw Hill SHAMBLIN, James. (2006).Investigacin de Operaciones. Mxico. Ed. limusa. KAUFMANN, A. Faure R. (2005).Invitacin a la investigacin de operaciones. Mxico. CECSA. 7 edicin. MARTHUR Y SOLOW.(2003). Investigacin de Operaciones. Bogot d.c. Editorial Prentice Hall. SASIENI, Yaspan. (2001). Investigacin de operaciones. Mxico. Limusa. BARROS, Oscar. (2003).Investigacin operativa anlisis de sistemas. Chile. Universitaria. MORA, Jose Luis.(1998). Investigacin de operaciones e informtica. Espaa. Editorial Trillas. PRAWDA, Juan. (1979). Mtodos y Modelos de investigacin de operaciones. Mxico. Editorial Limusa. THIERAUF, Robert. (1982). Introduccin a la investigacin de operaciones. Mxico. Editorial Limusa. Russell Stuart J.(2004).Inteligencia artificial un enfoque moderno. Bgota d.c. 2a edicin. Aprendizaje estadstico: http://petrus.upc.es/~microele/neuronal/xn/docs/2_aprend.pdf Redes Neuronales y Maquinas de Soporte Vectorial: Un enfoque global: http://www.uv.mx/anmarin/slides/180205Gonzalez.pdf Ejemplos cadenas de markov: http://www.iesxunqueira1.com/Download/pdf/ejmarkov.pdf Revistas: ters & Industrial Engineering.
147

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, tecnologas e ingeniera Contenido didctico del curso Teora de decisiones

Computers & Operations Research. IIE Solutions. Industrial Engineering. Industrial World en Espaol. International Journal of Operations & Production Management. Management Science. Manufacturing Engineering. Mathematical Programming. Mathematics of Operations Research. Operations Research.

148