Curso Teoria de Desiciones

Captulo 1
PROBLEMAS TPICOS TPICOS Y MOTIVACIN DE DE LA TEORA DE DECISIONES
Introduccin
Los problemas que se estudian en Teora de decisiones son mucho muy variados y se aplican a la mayora de las reas de la ciencia. En las ltimas dcadas han tomado gran auge aplicaciones en finanzas, economa y problemas administrativos del tipo organizacional. En general los problemas de teora de decisiones tienen la caracterstica principal que su toma de decisin debe estar basada en la racionalidad de un sistema axiomtico (ver sesiones 3 y 6), con el que se garantiza la racionalidad de la decisin tomada por el decisor. Veremos algunos ejemplos en donde no se considera la racionalidad del sistema axiomtico para la toma de decisiones (lo cual ocurre con frecuencia), y obtendremos dicha solucin (la que parece ser la respuesta obvia a elegir), no es la ms racional. Por ejemplo, citaremos algunas paradojas que se conocen desde tiempos muy remotos, La Paradoja de Allais y la Paradoja de Sant-Petersburgo. Dichas paradojas mostrarn que la solucin que parece la ms lgica puede no ser la adecuada, ya que no cumple con los requisitos de un sistema axiomtico. Veremos algunos problemas de decisiones sobre la eleccin de un proyecto, y algunos de los criterios financieros que se pueden utilizar en la toma de decisiones, como son: la tasa de ganancia neta, el valor presente neto y la tasa interna de ganancia neta. Posteriormente veremos el problema del ranqueo en una toma de decisiones. Este problema se refiere a situaciones en donde se toma una decisin grupal (un grupo de decisores, que podran ser inversionistas, jueces, etc.), por ejemplo, sobre un proyecto, un concurso, etc. Es decir, situaciones en donde cada decisor ranquea a los participantes y despus se elige el que tenga un puntaje extremo (mnimo o mximo, segn se requiera), y se pregunta qu pasar cuando debido a ciertas circunstancias se tiene que eliminar al concursante ganador, cul ser el concursante que ocupe su lugar. 1.1 PARADOJAS En la toma de decisiones con frecuencia pueden ocurrir situaciones cuya solucin a primera apariencia sea errnea.
1 LA PARADOJA DE ALLAIS
Supngase que se tienen dos situaciones diferentes que consisten en lo siguiente.
Captulo 1
Situacin 1 Se tiene que hacer una eleccin entre dos opciones A y B, tales que en la opcin A el decisor ganara un milln con certeza. Mientras que en la opcin B se puede tomar alguna de las siguientes decisiones. 1. El decisor tendr el 10% de probabilidades de ganar 15 millones. 2. El decisor tendr el 89% de probabilidades de ganar 1 milln. 3. El decisor tendr el 1% de probabilidades de ganar 0 millones. Como se puede apreciar en las dos opciones, mientras que en la A hay una certeza del 100% de ganar el milln, en la B se puede ganar 15 millones, un milln o nada, de tal forma que el decisor en la opcin B estara incurriendo en un riesgo que depender su decisin. En apariencia el decisor elegir la opcin A (es ms atractiva). Situacin 2 Supngase algo similar a la situacin 1. Ahora con opciones C y D. En la opcin C el decisor toma parte en un juego en el que 1. con el 11% de probabilidades puede ganar un milln, 2. con el 89% de probabilidades de ganar cero. Por otro lado en la opcin D el decisor tiene 1. el 10% de probabilidades de ganar 15 millones y 2. el 90% de probabilidades de ganar cero. De forma similar a la situacin 1, el decisor elegira a la opcin D ya que es mucho ms atractiva que la C. Sin embargo, este problema se estudio desde los aos cincuentas y se ha notado que tiene una inconsistencia. Puesto que podemos notar que en general la gente elige A y D en las situaciones 1 y 2, respectivamente (ya que prefieren un milln con certeza situacin 1 o ganar 15 millones situacin 2). Pero en la Teora de decisiones se tiene que reforzar la toma de decisin con un procedimiento matemtico racional. Es decir, un mtodo que sea consistente en cualquier situacin. Para este problema calculamos las probabilidades correspondientes. Una forma de asignacin de probabilidades podra ser la construccin de una lotera de 100 nmeros con los premios correspondientes al problema (ver tabla de abajo), y posteriormente seleccionar de manera aleatoria un boleto de la lotera. Nmero de boletos de lotera 1 2-11 12-100 Opcin A Opcin B Opcin C Opcin D $1,000,000 $0 $1,000,000 $0 $1,000,000 $15,000,000 $1,000,000 $15,000,000 $1,000,000 $1,000,000 $0 $0
La consistencia en la racionalidad de la decisin nos llevar a la situacin: si la decisin tomada en la primera instancia fuese valida se tendra que cumplir con el mismo criterio para la tabla de
2
Problemas tpicos y motivacin de Teora de decisiones. decisiones. 3
premios anterior. Por lo tanto, de la tabla podemos observar que si se considera la opcin A tendra que elegir la C, porque sus premios son iguales, similarmente si en la situacin 1, se elige la B, en la situacin 2, se tiene que elegir la D. Lo cual demuestra que la primera decisin tomada intuitivamente es irracional (A con D y B con C).
2 LA PARADOJA DE SANT-PETERSBURGO
En Teora de decisiones en la parte de juegos se tiene lo que se llama un juego justo, el cual se define como un juego en donde el decisor a la larga termina empatado. Es decir, no gana ni pierde. Ahora suponga que se tiene un juego en el que se lanza una moneda y en caso de acertar el decisor gana $2 pesos, esto ocurre con una probabilidad de 1 2 . En caso de perder el decisor dobla su apuesta, esto es
puede ganar $ 2 2 pesos con probabilidad (1 2) 2 y as sucesivamente, el decisor en el n-ensimo
lanzamiento puede ganar $ 2 n esperada del jugador?
pesos con probabilidad (1 2) n . Se pregunta, Cul es la ganancia
Lanzamiento
1 2 3
Ganancia
2 2 2
2 3
Probabilidad
() ()
2 3
Suma
1 1 1
2n
()n
Solucin Para calcular la ganancia esperada del decisor, primeramente definimos la variable aleatoria X que representa la ganancia. Es decir, X : cantidad a ganar en el lanzamiento x, para x = 1, 2, 3, con probabilidades respectivas
1 P ( X = x) = , x = 1, 2, 3, 2
x
Comprobacin de que X tiene una distribucin de probabilidades. Es decir,

1 1 1 + + + 2 4 8 Esto se debe a que
1 1 1 = 2 i =1 2 i =1 2
i i 1
1 2n
1 = = 1. i =1 2
n +1
cambio k = i 1
1 1 k n 1 1 1 2 = lim = lim 1 2 n k =0 2 2 n 1 2
1 1 = =1. 2 1 2
Ahora calculamos el valor esperado1 de la variable aleatoria X,
Ver sesin 1, definicin 10.
Captulo 1
1 1 E ( X ) = xP( X = x) = 2 + 2 2 + 2 2 x =1 2 1 + 2 n + = 1 . 2 x =1 n
Como se puede ver la ganancia del jugador es infinita, por lo tanto, para que el juego sea justo debera apostar una cantidad infinita, lo cual no puede ser. 1.2 PROBLEMA DE RANQUEOS En ocasiones cuando una decisin es tomada por un conjunto de empresarios, por ejemplo para la licitacin de alguna construccin. Los cuales asignan, segn su criterio, calificaciones ranqueadas a las constructoras. Supngase que por ciertas circunstancias una de las constructoras tiene un problema y es eliminada de la licitacin. Por ejemplo, se tienen cuatro constructoras (A, B, C y D) y siete socios, cada socio debe ranquear a cada una de las constructoras y posteriormente ganar aquella que tenga mejor puntaje. Sean los puntajes obtenidos los siguientes: S1 A B C D 4 3 2 1 S2 1 4 3 2 S3 2 1 4 3 S4 4 3 2 1 S5 1 4 3 2 S6 2 1 4 3 S7 4 3 2 1 TOTAL 18 19 20 13
Como se puede apreciar la constructora C es la ganadora. Ahora supngase que se descubrieron ciertas anomalas en la constructora ganadora y se tendr que eliminar en est situacin quin sera el ganador? En apariencia al quitar una constructora extrema no debera influir en la posicin de los dems, sin embargo, puede ocurrir que al efectuar un nuevo ranqueamiento todo cambie. As, en este caso: S1 A B D 3 2 1 S2 1 3 2 S3 2 1 3 S4 3 2 1 S5 1 3 2 S6 2 1 3 S7 3 2 1
TOTAL
15 14 13
Ahora el ganador sera la constructora A! y no la B, que era la que se esperaba inicialmente, despus de haber eliminado a la constructora C. 1.3 PREFERENCIAS SOBRE EL TIEMPO EN EL TIEMPO Ahora veremos otro tipo de problemas que se pueden analizar en la Teora de decisiones, nos referimos a situaciones en donde hay inversin de capitales. Es decir, problemas que consideran cmo tomar una decisin para llevar a efecto una inversin de capital, cuando el decisor conoce el tiempo en el que se puede recuperar la inversin.
EJEMPLO 1
Supngase que se tienen seis proyectos de los cuales se conoce su inversin original (en millones de pesos) y el tiempo de recuperacin de la inversin en aos. Los datos se muestran en la tabla siguiente. Aos 0 1 2 3 4 A -8 4 4 0 0 B -12 6 6 5 5 C -12 8 4 5 5 D -2 1 1 1 2 E -18 16 5 0 0 F -18 5.4 19.2 0 0
La tabla anterior muestra que en el ao 0 se tienen los capitales invertidos en cada proyecto. En los aos 1, 2, 3 y 4 seran las recuperaciones del capital. Se puede apreciar que los proyectos A, E y F slo estn programados en dos aos, mientras que los proyectos B, C y D se programan a cuatro aos. En general, se conoce que los problemas de tomar una decisin en cuanto a un proyecto se refiere, el decisor tienen slo dos opciones aceptar o rechazar el proyecto. Por otro lado, si queremos conocer la cantidad de casos a ocurrir, tenemos 2 6 = 64 combinaciones de tomar decisiones para los proyectos.
Un decisor que slo desee utilizar sus ideas intuitivas, referentes al reembolso, puede tener ciertas dificultades al tomar una decisin. Por ejemplo, en el problema de la eleccin de los proyectos a seleccionar (en cuanto al criterio de reembolso), podemos ranquear los proyectos de la siguiente forma. Primeramente los proyectos A, B y D recuperan la inversin en dos aos, con el 50% en el primero, mientas que E recupera el 89% en el primer ao. El proyecto F recupera la inversin en dos aos, en el primero 30% y en el segundo ya gano. El proyecto C recupera la inversin en dos aos 67% en el primero y 33% en el segundo. As, el ranking tomando en cuenta el criterio de recuperacin queda de la siguiente manera.
E, C, A, B, D y F.
Con este criterio, quedan muchas incgnitas por resolver, ya que no diferencia en cuanto al monto de la inversin original, ya que no es lo mismo invertir dos millones a invertir 18 millones. De est forma el decisor racional, requiere de mayor conocimiento de las inversiones, para tomar una mejor decisin. Finalmente, resulta que en este tipo de problemas existen algunos criterios de decisin para la inversin de proyectos.
1 TASA MEDIA DE RENDIMIENTO, TMR (ARR ACCOUNTING RATE OF RETURN)
Un mtodo que utilizan los decisores financieros para la inversin en proyectos se basa en la Tasa media de rendimiento TMR (ARR(.)), la cual se define como: El Promedio contable de ganancia de un proyecto entre el capital desembolsado por 100%. De tal forma que los clculos para los proyectos anteriores son los siguientes.
Captulo 1
(8) + 4 + 4 2 TMR( A) = 100% = 0% 8 (12) + 6 + 6 + 5 + 5 4 TMR( B ) = 100% = 20.83% 12 (12) + 8 + 4 + 5 + 5 4 TMR(C ) = 100% = 20.83% 12 ( 2) + 1 + 1 + 1 + 2 4 TMR( D ) = 100% = 37.5% 2 (18) + 16 + 5 2 TMR( E ) = 100% = 8.33% 18 (18) + 5.4 + 19.2 2 TMR( F ) = 100% = 18.33% 18
Posteriormente, el criterio indica que se elige el proyecto con la mayor tasa media de rendimiento. Por lo tanto, con el criterio de la TMR los mejores proyectos son: D, B, C, F, E y finalmente el A.
DEFICIENCIAS DEL CRITERIO
a. Este criterio no contempla las diferencias de inversin. Por ejemplo, obsrvese E, F y D. Proyecto B C E F A D Inversin 12 12 18 18 8 2
Como se puede ver no hay ningn tipo de ponderacin para los capitales de las inversiones, luego, los riesgos de prdida para los inversionistas tendrn que ser muy diferentes. b. No se toma en cuenta la distribucin de ingresos y gastos, obsrvese B y C; E y F. Proyecto A B C D 8 12 12 2 4 6 8 1 Inversin 4 6 4 1 0 5 5 1 0 5 5 2
E F
18 18
16 5.4
5 19.2
0 0
0 0
Con base en las diferencias anteriores, se puede considerar algn otro criterio, que s contemple las diferencias anuales.
2 VALOR PRESENTE NETO, VPN (NPV NET PRESENT VALUE)
Otra forma de evaluar las inversiones de los proyectos para una elegir una mejor decisin, se obtiene ponderando la recuperacin por aos de la inversin. En este criterio se toma en cuenta la razn, r, para calcular el Valor Presente Neto, VPN(.), el cual se calcula de la siguiente forma.
VP (.) = inversin() +
i =1 n
recuperacin en el ao i de la inversin (.) (1 + r ) i
Es decir,
Recuperacin Recuperacin Recuperacin en el 1er ao. en el 2do ao. en el ao n. VP (.) = Inversin + + + + . 2 1+ r (1 + r ) (1 + r ) n Para nuestro ejemplo consideremos un inters r = 10% . 4 4 VP ( A) = 8 + + = 1.058 . 1 + 0.1 (1 + 0.1) 2 6 6 5 5 VP ( B) = 12 + + + + = 5.585 . 2 3 1 + 0.1 (1 + 0.1) (1 + 0.1) (1 + 0.1) 4 8 4 5 5 VP (C ) = 12 + + + + = 5.750 . 2 3 1 + 0.1 (1 + 0.1) (1 + 0.1) (1 + 0.1) 4 1 1 1 2 VP ( D) = 2 + + + + = 1.853 . 2 3 1 + 0.1 (1 + 0.1) (1 + 0.1) (1 + 0.1) 4 16 5 VP ( E ) = 18 + + = 0.678 . 1 + 0.1 (1 + 0.1) 2 5 .4 19.2 VP ( F ) = 18 + + = 2.777 . 1 + 0.1 (1 + 0.1) 2
Posteriormente, el criterio indica que se elige el mayor valor presente neto. Por lo tanto, con el criterio del valor presente se lleva a cabo la eleccin de los proyectos, la cual quedar de la siguiente manera, C, B, F, D, E y A. Un problema de este criterio es que se considera la misma tasa r para todos los proyectos, la que en general puede variar de proyecto en proyecto. Para evitar este problema se utiliza el siguiente mtodo.
3 TASA INTERNA DE RENDIMIENTO, TIR (IRR INTERNAL RATE OF RETURN)
Para poder variar la razn r en el criterio anterior se utiliza una modificacin, al criterio resultante se le da el nombre de Tasa Interna de Rendimiento TIR(.). La TIR se calcula de forma similar al VPN(.) pero determinando el valor de r para cada proyecto, el cual se expresa en porciento.
7
Captulo 1
El clculo del valor de la TIR(.), se lleva a cabo encontrando, primeramente, el valor de r para cada proyecto, ste se obtiene igualando a cero el VPN(.) y resolviendo la ecuacin para r. TIR(A)
VP ( A) = 8 + TIR ( A) = 0% Para la solucin la ecuacin, se puede hacer definiendo la variable, x = 4 4 + = 0 r = 0 1 + r (1 + r ) 2
1 , con lo que resulta la 1+ r
ecuacin
4x 2 + 4x 8 = 0 o x 2 + x 2 = 0 . Resolviendo, se obtienen las races, x1 = 1 y x2 = 2 . Despejando a r de la variable x tenemos:
r= 1 1. x
Sustituyendo los valores de x en la igualdad para r, tendremos los valores de la tasa de inters que estamos buscando r1 = 1 1 1 1 1 = 1 = 1 1 = 0 y r2 = 1 = 1 = 0.5 1 = 1.5 . x1 1 x2 2
Pero el inters no puede ser negativo, entonces la solucin es r1 = 0 . TIR(B) VP ( B) = 12 + 6 6 5 5 + + + = 0 r = 0.3099 2 3 1 + r (1 + r ) (1 + r ) (1 + r ) 4 TIR ( B ) = 30.99% 1 , de donde resulta la ecuacin 1+ r
La solucin de la ecuacin, se obtiene definiendo la variable, x =
12 + 6 x + 6 x 2 + 5 x 3 + 5 x 4 = 0 . Resolviendo, con ayuda de algn paquete matemtico o por algn mtodo de aproximacin se obtienen las races, x1 = 1.479022674 y x 2 = 0.7634089321 . As, los valores de r son: r1 = 1 1 1 < 0 y r2 = 1 = 0.3099 1.4790 0.7634089321
Pero el inters no puede ser negativo, entonces la solucin es r2 = 0.3099 . Similarmente para los otros casos. TIR(C)
VP (C ) = 12 +
8 4 5 5 + + + = 0 r = 0.3200 2 3 1 + r (1 + r ) (1 + r ) (1 + r ) 4 TIR (C ) = 32.00% 1 1 1 2 + + + = 0 r = 0.4327 2 3 1 + r (1 + r ) (1 + r ) (1 + r ) 4 TIR( D) = 43.27% 16 5 + = 0 r = 0.1339 1 + r (1 + r ) 2 TIR( E ) = 13.39%
TIR(D) VP ( D) = 2 +
TIR(E)
VP ( E ) = 18 +
TIR(F)
VP ( F ) = 18 +
5.4 19.2 + = 0 r = 0.1936 1 + r (1 + r ) 2 TIR( F ) = 19.36%
Finalmente el criterio elige al mayor valor de la TIR(.), de tal forma que en este ejemplo la ordenacin de la eleccin de los proyectos quedar de la siguiente manera:
D, C, B, F, E y A.
COMENTARIO
Los ltimos tres tipos de problemas econmicos muestran situaciones determnisticas de decisiones, ya que no existi incertidumbre en la eleccin del decisor, pero se pueden llevar a un problema de decisiones con incertidumbre, con o sin muestreo (sesiones 3 y 4), al suponer que se tendr diferentes tasas de inters, que pueden ocurrir con cierta probabilidad.
EJERCICIOS
1.- Supngase que usted es el administrador de una empresa que tiene que decidir sobre que proyecto elegir de tres disponibles. Para su decisin elija el criterio del TIR para la recuperacin de los proyectos, cuyos gastos y recuperaciones por ao (en millones de pesos) estn dados por: Ao 0 1 2 3 A
14 7 6 8
Proyecto B 16 5 7 8
C 20 8 9 6
2.- Considere el caso de un agricultor, el cual tiene 4 tipos de cultivos (manzana, limn, durazno, pera) con una inversin inicial de 9, 4, 6 y 12 millones de pesos, respectivamente. En la siguiente tabla se resumen las inversiones y las ganancias anuales
10
Captulo 1
Ao 0 1 2 3 4 5
Manzana 9 0 0 4 6 5
Proyecto Limn Durazno 6 4 0 0 2 0 3 4 3 5 4 3
Pera
12 0 0 5 8 7
3.- Un inversionista tiene que decidir cul de 5 proyectos de inversin es ms rentable para invertir en la produccin de maz. Utilizar el criterio de la TIR para saber cul es el mejor proyecto, si hace una inversin inicial de 20, 15, 23, 25 y 10 millones de pesos, respectivamente. En la siguiente tabla se resumen las inversiones y las ganancias anuales Ao 0 1 2 3 4 5 A 20 8 5 7 4 5 B 15 6 5 9 2 1 Proyecto C 23 9 7 5 5 3 D 25 10 8 6 4 4 E 10 4 6 2 1 3
10
Captulo 2
CRITERIOS DE DECISIN DECISIN BAJO INCERTIDUMBRE SIN MUESTREO MUESTREO
Introduccin
n el presente Captulo revisaremos un estudio metodolgico sobre los problemas de decisin con incertidumbre. Es decir, problemas en los que el decisor tiene que tomar una decisin, sin tener la garanta de que sta sea la mejor, ya que las diferentes alternativas disponibles estarn condicionadas a la ocurrencia de factores aleatorios. Por ejemplo, un fabricante de juguetes disea un nuevo producto que lanzar al mercado, sin la garanta de que sea exitoso el juguete. El objetivo principal del Captulo consiste en aprender a tomar o elegir la mejor opcin en situaciones cuyas alternativas de solucin se encuentran bajo incertidumbre. Aqu veremos criterios de decisin para los problemas que se encuentren bajo incertidumbre y no se tenga informacin muestral adicional (este tema se ver en el Captulo siguiente). El problema de elegir una mejor opcin bajo incertidumbre, en general, es ms complejo de lo que aparenta. Por lo tanto, su estudio en este captulo slo lo iniciamos con tablas o matrices de decisin, sin muestreo. Posteriormente, en los captulos siguientes agregaremos informacin por medio de un muestreo y concluiremos con un anlisis del problema bajo otras herramientas de la Teora de decisiones, como son los diagramas de rbol, las loteras, preferencias y las funciones de utilidad. Cabe mencionar que las tablas o matrices de decisin, junto con sus criterios de decisin, se pueden aplicar a una gran gama de circunstancias para la toma de decisiones, pero la aplicacin de estos mtodos no garantiza que la decisin tomada sea perfecta, ya que en realidad la decisin que se tome depender del criterio del decisor.
En el captulo veremos las matrices de decisin y sus componentes, posteriormente, pasaremos a revisar seis criterios diferentes de decisin que se pueden aplicar a estas matrices. Al final se darn los axiomas en los que est basado el sistema para la toma de decisiones, bajo los criterios que se han mencionado y los que garantizan la racionalidad de la decisin tomada por el decisor. 2.1 DECISIONES BAJO INCERTIDUMBRE SIN MUESTREO Cuando se inicia el estudio de una ciencia se quisiera tener un listado de problemas que se pueden tratar, pero sin embargo en la teora de decisiones creemos casi imposible que se pueda dar un listado de cada tipo de problemas que sean factibles trabajar con esta teora. Pero podemos mencionar algunas de las caractersticas que deben tener los problemas para ser considerados dentro de la teora y toma de decisiones.
11
12 Captulo 2
En los cursos de Investigacin de Operaciones, se ve una gran cantidad de aplicaciones. Por ejemplo, problemas de optimizacin lineal, lineal entera, inventarios, transporte, redes, lneas de espera, procesos markovianos, etc. Pero todos ellos por s solos no forman parte de los problemas de decisiones. Es decir, un problema de transporte, en donde la administracin quiere disminuir los costos para transportar automviles al Distrito Federal de diferentes estados, no es un problema de Teora de decisiones. Pero se puede llevar a un problema de Teora de decisiones, cuando se agregan diferentes circunstancias para resolver el problema. Circunstancias que pueden ser los estados del tiempo, eventualidades como asaltos, catstrofes, etc., en pocas palabras sucesos que definan diferentes escenarios del problema y que causan incertidumbre al tomar una decisin.
EJEMPLOS 1
1. Miguel tiene cierta cantidad de dinero que desea administrar y ver cmo la puede repartir en diferentes inversiones cuyo xito est sujeto a los cursos de las acciones en la bolsa de valores, los cuales tienen un comportamiento estocstico. Cul ser la incertidumbre en este caso? 2. Jorge tiene que tomar una decisin sobre sus siguientes vacaciones, para esto l tiene diferentes opciones que son excluyentes entre si (no puede considerar diferentes posibilidades al mismo tiempo), cada una de ellas le dara niveles de satisfaccin diferente, dependiendo del tiempo (lluvia, fro, calor, etc.). Cul ser la incertidumbre en este caso? 3. El administrador de una tienda comercial tiene el problema de decisiones, sobre la cantidad de productos que debe pedir para una determinada poca del ao, en donde, por experiencias se tienen 5 tipos de demandas las cuales estn sujetas a situaciones probabilsticas. Cul ser la incertidumbre en este caso? En general, la identificacin de un problema de decisiones se simplifica al resolver problemas concretos. Adems debemos entender que un problema de teora de decisiones se puede volver ms interesante, pero ms complejo, cuando se van empleando criterios y mtodos de decisiones. Por lo tanto, en lugar de continuar con un mtodo de identificacin de los problemas de decisiones, definiremos los elementos que consta un problema de decisiones bajo incertidumbre sin muestreo. 1. Un conjunto de acciones, A = {a1 , a 2 ,..., a m } stas representan las actividades que el decisor puede llevar a efecto. Por ejemplo, inversiones, proyectos, etc. 2. Un conjunto de eventos, = { 1 , 2 , , n } cuyas probabilidades de ocurrencia son p1 , p 2 , , p n , para 1 , 2 , , n , respectivamente. En algunas literaturas de teora de decisiones a los eventos tambin se les da el nombre de estados de la naturaleza, y representan las condiciones bajo las cuales se tendr que elegir una accin. Por ejemplo, los estados financieros, premios, el clima, etc. 3. El conjunto de consecuencias, X ij , resultado de una regla aplicada a las parejas evento accin. Con estos elementos el decisor, por su parte, crea diferentes mtodos que a partir de una construccin axiomtica le ayuden a tomar decisiones racionales. A continuacin veremos que uno de tales mtodos consiste en construir una tabla o matriz, llamada tabla o matriz de pagos (caso de beneficios) o tabla o matriz de costos (caso contrario).
12
Criterios de decisin bajo incertidumbre sin muestreo. 13
Tabla o matriz de decisiones Se mencion en el prrafo anterior que una matriz o tabla de decisin puede ser de dos tipos: Pagos o beneficios o utilidades. Costos.
Una tabla o matriz de decisin se considera una estructura organizada que analiza situaciones probables en las que se debe seleccionar una sola alternativa de decisin de un conjunto con varias de ellas, en forma simple una matriz de decisiones no es ms que un arreglo rectangular o tabular numrico (aunque tambin pueden ser cualidades) de las consecuencias que le corresponden a las parejas (accin, evento), su construccin se explica enseguida. En el lugar de las filas se ponen las acciones o alternativas y en las columnas los eventos (algunos autores las colocan en otro sentido, filas-eventos y columnas-acciones), y cuando se trate de incertidumbre, debajo de los eventos sus probabilidades. Mientras que en los elementos internos de la matriz o tabla se colocan las consecuencias, X ij , ver tabla siguiente. Eventos Acciones
a1 a2 am
1
p1
X 11 X 21 X m1
2
p2
X 12 X 22
.
n
pn
X 1n X 2n X mn
X m2
Las consecuencias X ij generalmente son nmeros, pero pueden ser cualidades, por el momento slo trabajaremos con valores numricos. Posteriormente, se introducirn situaciones, en donde las consecuencias sean cualitativas, en tales casos deberemos trabajar con las relaciones que llamaremos preferencias y las funciones de valor para las preferencias, temas que se vern en otro captulo. Con respecto a los eventos se tiene una restriccin, stos tienen que ser mutuamente excluyentes y sus probabilidades deben sumar 1 (exhaustivos). En lo concerniente a la asignacin de probabilidades, stas se pueden asignar de datos histricos, de forma subjetiva o con alguna otra de las corrientes mencionadas en el Captulo 1. En un problema general, diferenciar entre eventos y acciones, puede resultar un poco complicado, por tal razn insistimos. Las acciones son las opciones que tiene el decisor para elegir la que sea ms conveniente segn el mtodo empleado. Por ejemplo, si el decisor desea invertir o ahorrar su dinero en un banco, tiene la eleccin de elegir una entre varias tasas de inters. Otra situacin, si un decisor desea comprar un automvil tiene que seleccionar entre varios planes de autofinanciamiento, crditos y precios, etc. Los eventos son sucesos aleatorios que ocasionan la incertidumbre en el decisor al elegir una accin. Por ejemplo, en el caso de que el decisor desee invertir su dinero en un banco, su indecisin estara sujeta a situaciones futuras financieras, polticas, sociales, internacionales, etc. que puedan influir en las tasas de inters.
EJEMPLO 2
Octavio Lpez es una persona de negocios al menudeo, y est preparndose para la venta de pilas en el da de los Reyes magos. Octavio puede comprar paquetes de 4 pilas de una marca determinada a $10
13
14 Captulo 2
pesos y venderlos a $25 pesos cada uno. Por experiencias pasadas sabe que el da 5 de enero las demandas de las pilas pueden ser de 700, 800, 900 y 1000 paquetes de 4 pilas y que fuera de estas demandas la probabilidad de ocurrencias es prcticamente cero. De los datos histricos que tiene l concluye que las probabilidades de las demandas son 0.1, 0.3, 0.5 y 0.1, respectivamente. Las pilas no vendidas, las puede regresar a un costo de $7 pesos cada paquete de 4 pilas. a) Qu acciones le recomendara a Octavio definir en este problema. b) Determine una expresin para calcular los elementos de la matriz de pagos que tendra si trabaja con la utilidad de las ventas de pilas. c) Con el resultado anterior obtenga la matriz de utilidades. d) Obtenga la matriz de costos de las acciones. e) Obtenga la matriz de ingresos sin descuentos de inversin. f) Obtenga la matriz de costos de inversin sin aumentar los ingresos. g) Obtenga la matriz de ingresos de las demandas. Solucin a) Las acciones lgicas de definir, seran comprar 700, 800, 900 o 1000 paquetes de 4 pilas. b) Los elementos de la matriz de pagos por consiguiente sern: Eventos: Las demandas, D1 = 700 , D2 = 800 , D3 = 900 y D4 = 1000 . Probabilidades de los eventos:
P ( D1 = 700) = 0.1 , P ( D2 = 800) = 0.3 , P ( D3 = 900) = 0.5 y P ( D4 = 1000) = 0.1
Acciones:
a1 comprar 700 paquetes de 4 pilas, similarmente, comprar a 2 = 800 , a 3 = 900 y a 4 = 1000 paquetes de 4 pilas.
Consecuencias: En este caso tendremos 4 4 = 16 consecuencias (4 acciones y 4 eventos).

La utilidad de las consecuencias se calcula de la siguiente forma:
Utilidad = Ventas Costos de compra + Reembolsos 25 Demanda 10 accin + 7(accin Demanda ), si accin > Demanda = si accin Demanda 25 Demanda 10 accin, 25 Demanda 10 Demanda (10 7)(accin Demanda ), si accin > Demanda = si accin Demanda 25 accin 10 accin, 18 Demanda 3 accin, si accin > Demanda = si accin Demanda 15 accin, Por ejemplo, para D3 = 900 y a 2 = 800 , la consecuencia ( accin Demanda )
X 23 = 15(800) = 12,000 .
14
Para D1 = 700 y a 3 = 900 , la consecuencia ( accin > Demanda )

X 31 = 18(700) 3(900) = 9,900 . As, para los dems casos se calculan todas las consecuencias y se obtiene la matriz de pagos o utilidades. En este momento cabe aclarar que llegar a la expresin final para la utilidad,
18 Demanda 3 accin, si accin > Demanda Utilidad = si accin Demanda 15 accin,
no es necesario, ya que se puede trabajar con la expresin inicial

Utilidad = Ventas Costos de compra + Reembolsos 25 Demanda 10 accin + 7(accin Demanda ), si accin > Demanda = si accin Demanda 25 Demanda 10 accin,
c) La matriz de utilidades, finalmente quedar estructurada de la siguiente forma.

Eventos Acciones
D1 = 700 p1 = 0.1 10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3 10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5 10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1 10,500 12,000 13,500 15,000
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
d) La matriz de costos de las acciones, nos referimos a la matriz que contenga slo los costos para cada accin que tendra que elegir Octavio (como todos los signos tendrn que ser negativos los omitiremos, quedando slo signos positivos, pero aclarando que se trata de costos).
Costos = 10 accin
Eventos Acciones a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1 7,000 8,000 9,000 10,000
D2 = 800 p 2 = 0.3 7,000 8,000 9,000 10,000
D3 = 900 p 3 = 0.5 7,000 8,000 9,000 10,000
D4 = 1000 p 4 = 0 .1 7,000 8,000 9,000 10,000
e) La matriz de ingresos sin descuento de inversin, nos referimos a la matriz de los ingresos que obtendra Octavio, sin descontar los costos por accin.
15
16 Captulo 2
25 Demanda + 7 (accin Demanda), si accin > Demanda Ingresos = si accin Demanda 25 Demanda,
Eventos Acciones
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1
17,500 18,200 18,900 19,600
D2 = 800 p 2 = 0.3
17,500 20,000 20,700 21,400
D3 = 900 p 3 = 0.5
17,500 20,000 22,500 23,200
D4 = 1000 p 4 = 0 .1
17,500 20,000 22,500 25,000
f) La matriz de costos de inversin sin aumentar los ingresos, nos referimos a la matriz de la inversin que tendra que hacer Octavio (similarmente que en el inciso (d)).
10 Demanda + 3 (accin Demanda), si accin > Demanda Inversin = si accin Demanda 10 Demanda,
Eventos Acciones
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1
7,000 7,300 7,600 7,900
D2 = 800 p 2 = 0.3
7,000 8,000 8,300 8,600
D3 = 900 p 3 = 0.5
7,000 8,000 9,000 9,300
D4 = 1000 p 4 = 0 .1
7,000 8,000 9,000 10,000
g) La matriz de ingresos de las demandas, nos referimos a la matriz de los ingresos de las demandas que obtendra Octavio, sin descontar los costos de inversin.
Ingresos = 25 Demanda
Eventos Acciones a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1 17,500 17,500 17,500 17,500
D2 = 800 p 2 = 0.3 17,500 20,000 20,000 20,000
D3 = 900 p 3 = 0.5 17,500 20,000 22,500 22,500
D4 = 1000 p 4 = 0 .1 17,500 20,000 22,500 25,000
Las tablas anteriores muestran diferentes tipos de matrices, tanto de pagos como de costos. Despus de haber obtenido una tabla de pagos o costos, sigue la pregunta referente a los mtodos o criterios que se pueden aplicar para obtener la mejor decisin en cuanto a la eleccin de una de las acciones disponibles.
16
Criterios de decisin bajo incertidumbre sin muestreo. 17 NOTAS
En una matriz de decisin representaremos las prdidas, costos (que el decisor efecta por conceptos de compras), pagos (que el decisor tiene que efectuar), etc. con signo negativo, en caso contrario se tendr que especificar la situacin. En una matriz de decisin representaremos las ganancias, costos (que el decisor recibe por conceptos de ventas), pagos (que el decisor tiene que recibir), etc. con signo positivo, en caso contrario se tendr que especificar la situacin. 2.2 CRITERIOS DE DECISIN PARA TABLAS O MATRICES DE DECISIN Cuando se tiene una tabla de decisiones para elegir alguna accin se tienen varios criterios de decisin, todos ellos bajo ciertos axiomas de racionalidad. Los criterios siguientes estn diseados para una tabla o matriz de pagos, ver nota al final para el caso de una matriz de costos.
2.2.1 CRITERIO DE WALD (1950) O MAXIMIN
En este criterio se elige el valor mnimo por accin. Es decir, por accin (rengln) seleccionamos la mnima consecuencia, que denotaremos por Si = min{X ij }, y posteriormente la mejor accin se elige,
j =1 n
con la que se obtiene el mximo de las mnimas consecuencias por accin

m m n S k = max{S i } = max min X ij . i =1 i =1 j =1 Este criterio tiene una filosofa muy pesimista.
{ }
EJEMPLO 3
En la tabla de utilidad del ejemplo 3 aplique el criterio de Wald y obtenga la mejor accin. Eventos Acciones
D1 = 700 p1 = 0.1 10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3 10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5 10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1 10,500 12,000 13,500 15,000
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
Solucin Primeramente se eligen los mnimos por accin.

Eventos Acciones a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000 D1 = 700 p1 = 0.1 10,500 10,200 9,900 9,600 D2 = 800 p 2 = 0.3 10,500 12,000 11,700 11,400 D3 = 900 p 3 = 0.5 10,500 12,000 13,500 13,200 D4 = 1000 p 4 = 0 .1 10,500 12,000 13,500 15,000
n j =1
S i = min X ij
{ }
10,500
10,200 9,900 9,600
17
18 Captulo 2
Posteriormente se elige el mayor de los mnimos obteniendo S k = max{S i } = 10,500 al cual le

i =1
corresponde la accin de comprar o invertir en a1 = 700 cajas de 4 pilas, se puede apreciar que el criterio es conservador y el decisor prefiere ir con una ganancia segura.
2.2.2 MAXIMAX
En este criterio se elige el valor mximo por accin (rengln). Es decir, por accin se elige la mxima
n j =1
consecuencia, que denotaremos por Oi = max X ij
{ } y posteriormente la mejor accin se elige, con la
que se obtiene el mximo de las mximas consecuencias por accin m m n Ok = max{S i } = max max{X ij } . i =1 i =1 j =1 Este criterio tiene una filosofa muy optimista.
En este criterio se elige el resultado optimista por accin Oi = max{ Vij } y posteriormente se elige
i =1
la mejor accin Ok = max{Oi } .

i =1
EJEMPLO 4
En la tabla de utilidad del ejemplo 3 aplique el criterio de maximax y obtenga la mejor accin. Eventos Acciones
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1
10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3
10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5
10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1
10,500 12,000 13,500 15,000
Solucin
Primeramente se eligen los mximos por accin. Eventos Acciones a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000 D1 = 700 p1 = 0.1 10,500 10,200 9,900 9,600 D2 = 800 p 2 = 0.3 10,500 12,000 11,700 11,400 D3 = 900 p 3 = 0.5 10,500 12,000 13,500 13,200 D4 = 1000 p 4 = 0 .1 10,500 12,000 13,500 15,000 Oi = max{ Vij }
i =1 n
10,500 12,000 13,500
15,000
18
Posteriormente, se elige el mayor de los mximos obteniendo Ok = max{Oi } = 15000 al cual le

i =1
corresponde la accin de comprar o invertir en a 4 = 1000 cajas de 4 pilas, se puede apreciar que el criterio es optimista y el decisor prefiere ir con ciertos riesgos a una posible ganancia mayor.
2.2.3 CRITERIO DE HURWICZ (1951) O MAXIMAX MEJORADO
En 1951 Hurwicz recomend un criterio que no es muy extremoso como fueron los criterios anteriores maximin y maximax. Hurwicz establece un criterio ponderado de los dos anteriores por medio de un peso [0,1] , en donde la mejor accin se elige de tal forma que
S k + (1 )Ok = max{S i + (1 )Oi }; [0,1] .

i =1
Este criterio tiene una filosofa optimista-pesimista, dependiendo del valor del peso. Si queremos que el peso este ms cargado a la parte pesimista, se elige un valor de > 0.5 , en caso de que el peso se quiera ms cargado a la parte optimista, se elige un valor de < 0.5 y para el valor de 0.5, se tiene slo un promedio de los dos criterios.
EJEMPLO 5
En la tabla de utilidad del ejemplo 3 aplique el criterio de Hurwicz para los pesos 0.83 y 0.84; y obtenga la mejor accin. Eventos Acciones
D1 = 700 p1 = 0.1
10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3
10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5
10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1
10,500 12,000 13,500 15,000
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
Solucin Primeramente se eligen los mximos y mnimos por accin y despus se aplica el peso de 0.83.
Eventos Acciones
a1 = 700 a 2 = 800 a3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1 D2 = 800 p 2 = 0 .3 D3 = 900 p3 = 0.5 D4 = 1000 p 4 = 0 .1
Oi
Si
0.83S k + 0.17O k
10,500 10,200 9,900 9,600
10,500 12,000 11,700 11,400
10,500 12,000 13,500 13,200
10,500 12,000 13,500 15,000
10,500 12,000 13,500 15,000
10,500 10,200 9,900 9,600
10500 10506 10512 10518
La mejor accin de compra o inversin est en a 4 = 1000 cajas de 4 pilas. Ahora para el peso de 0.84.
19
20 Captulo 2
Eventos Acciones
a1 = 700 a 2 = 800 a3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1
D2 = 800 p 2 = 0 .3
D3 = 900 p3 = 0.5
D4 = 1000 p 4 = 0 .1
Oi
Si
0.84S k + 0.16Ok
10,500 10,200 9,900 9,600
10,500 12,000 11,700 11,400
10,500 12,000 13,500 13,200
10,500 12,000 13,500 15,000
10,500 12,000 13,500 15,000
10,500 10,200 9,900 9,600
10,500 10,488 10,476 10,464
La mejor accin de compra o inversin est en a1 = 700 cajas de 4 pilas.

EJERCICIOS 1
1. En la tabla de utilidad del ejemplo 3 aplique el criterio de Hurwicz para el peso 5 6 y obtenga la mejor accin. 2. En la tabla del ejemplo 3 habr algn valor de tal que la mejor accin sea a 2 ?.
2.2.4 CRITERIO DE LAPLACE O RAZN INSUFICIENTE
En este criterio se considera que cada evento tiene la misma probabilidad y por consiguiente por accin se calcula el promedio de las consecuencias. Posteriormente, elige la accin que tenga el mayor valor m 1 n Lk = a X = max X ij . i =1 n j =1
EJEMPLO 6
En la tabla de utilidad del ejemplo 3 aplique el criterio de Laplace y obtenga la mejor accin. Eventos Acciones
D1 = 700 p1 = 0.1 10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3 10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5 10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1 10,500 12,000 13,500 15,000
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
Solucin
Primeramente se calculan los promedios por accin. Eventos Acciones
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
20
D1 = 700 p1 = 0.1
10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3
10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5
10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1
10,500 12,000 13,500 15,000
1 n X ij n j =1 10,500 11,550 12,150
12,300

m 1 n Luego, se elige el mayor de los promedios obteniendo Lk = max X ij = 12300 al que i =1 n j =1 corresponde la accin de comprar o invertir en a 4 = 1000 cajas de 4 pilas.
2.2.5 CRITERIO DEL VALOR ESPERADO
En este criterio se considera que los eventos 1 , 2 ,, n tienen probabilidades p1 , p 2 ,, p n , respectivamente. Luego, por accin se calcula el valor esperado de las consecuencias. Posteriormente se elige la accin que tenga el mayor valor esperado
m n VE ( X ) = max X ij p j . i =1 j =1
Este criterio tiene una gran aplicacin en Teora de decisiones, por lo que posteriormente regresaremos a revisarlo ms detenidamente.
EJEMPLO 7
En la tabla de utilidad del ejemplo 3 aplique el criterio de valor esperado y obtenga la mejor accin. Eventos Acciones
D1 = 700 p1 = 0.1 10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3 10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5 10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1 10,500 12,000 13,500 15,000
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
Solucin Primeramente se calculan los valores esperados por accin. Eventos Acciones
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1
10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3
10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5
10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1
10,500 12,000 13,500 15,000
X
j =1
ij
pj
10,500 11,820
12,600
12,480
m n Luego, se elige el mayor de los valores esperados y VE ( X ) = max X ij p j = 12600 al que i =1 j =1 corresponde la accin de comprar o invertir en a 3 = 900 cajas de 4 pilas.
21
22 Captulo 2
2.2.6 CRITERIO DE SAVAGE (1951), MINIMAX O PRDIDA DE OPORTUNIDAD
En este criterio se establece primero la matriz o tabla de prdidas de oportunidad, la que se forma eligiendo por evento a la mayor consecuencia, sea sta para el evento j, max{X ij }. Posteriormente se
i =1 m
calculan las consecuencias, prdidas de oportunidad, correspondientes a las consecuencias del evento, de la siguiente forma vij = max{X ij } X ij .
i =1 m
As, la tabla de prdidas de oportunidad Eventos Acciones

a1 a2 am
1
p1
v11 v 21 v m1
2
p2
v12 v22
.
n
pn
v1n v2n vmn
n
vm 2
Construida la tabla de prdidas de oportunidad se elige el valor mximo por accin. Es decir, por accin se elige la mxima consecuencia, que denotaremos por Vi = max{vij } y posteriormente la mejor
j =1
accin se elige, con la que se obtiene el mnimo de las mximas consecuencias por accin m m n Vk = min{Vi } = min max{vij } . i =1 i =1 j =1
NOTA
En este criterio se calculan las prdidas de lo que se deja de ganar por no haber elegido la mejor accin por evento. En consecuencia, la matriz de prdidas de oportunidad no puede tener valores negativos.
EJEMPLO 8
En la tabla de utilidad del ejemplo 3 aplique el criterio de Savage y obtenga la mejor accin. Eventos Acciones
D1 = 700 p1 = 0.1
10,500 10,200 9,900 9,600
D2 = 800 p 2 = 0.3
10,500 12,000 11,700 11,400
D3 = 900 p 3 = 0.5
10,500 12,000 13,500 13,200
D4 = 1000 p 4 = 0 .1
10,500 12,000 13,500 15,000
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
Solucin
22
Primeramente se calcula la tabla de prdida de oportunidad, la que se forma eligiendo por evento a la mayor consecuencia, max{X ij }, y posteriormente, se calculan los valores que representan las prdidas
i =1 m
de lo que se deja de ganar por no haber elegido la mejor accin por evento vij = max{X ij } X ij .
i =1
Eventos Acciones
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1
0 300 600 900
D2 = 800 p 2 = 0.3
1,500 0 300 600
D3 = 900 p 3 = 0.5
3,000 1,500 0 300
D4 = 1000 p 4 = 0 .1
4,500 3,000 1,500 0
A la matriz de prdida de oportunidad, se aplica el criterio mnimax. Es decir, se elige a la mayor consecuencia por accin. Eventos Acciones a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000 D1 = 700 p1 = 0.1 0 300 600 900 D2 = 800 p 2 = 0.3 1,500 0 300 600 D3 = 900 p 3 = 0.5 3,000 1,500 0 300 D4 = 1000 p 4 = 0 .1 4,500 3,000 1,500 0 max{ Vij }
i =1 n
4,500 3,000 1,500
900
m m n Luego, se elige el menor de los mximos Vk = min{ Vi } = min max{X ij } = 900 al cual i =1 i =1 j =1 corresponde la accin de comprar o invertir a 4 = 1000 cajas de 4 pilas.
COMENTARIOS SOBRE LA MATRIZ DE PRDIDA DE OPORTUNIDAD
La matriz de prdida de oportunidad juega un papel fundamental en las aplicaciones de la teora de decisiones a la economa y finanzas, por consiguiente en el captulo 4 regresaremos a ella. Por el momento comentaremos qu representa la matriz de prdida de oportunidad para una matriz de pagos. Dado un evento o estado de la naturaleza los elementos de la matriz de prdida de oportunidad representan el valor que el decisor deja de percibir por haber tomado otra decisin. Por ejemplo, el valor de 300 cuando D1 = 700 y a 2 = 800 , indica que al haber elegido la accin de comprar 800 cajas de 4 pilas cada una (si ocurre el evento cuya demanda es de 700), entonces el decisor deja de recibir $300 de ganancia, si hubiese elegido la accin a1 = 700 . Es decir, para esta demanda, D1 = 700 , la mejor accin debi haber sido la compra de 700 cajas. Similarmente para los dems casos. Al valor que se deja de ganar al no haber elegido la accin ptima por evento, se le suele llamar costo de prdida de oportunidad, en el caso de D1 = 700 y a 2 = 800 el costo de prdida de oportunidad fue $300.
23
24 Captulo 2
2.2.7 CRITERIOS DE DECISIN PARA UNA MATRIZ DE COSTOS
Se ha mencionado que los criterios anteriores se establecieron para una tabla o matriz de pagos, en caso de una tabla o matriz de costos tenemos dos situaciones. 1. Los costos se utilizan con su signo negativo. En este caso los criterios se usan como se explic en las subsecciones anteriores. 2. Los costos se utilizan con signo positivo. En este caso los criterios se invierten. Es decir, en donde se considere un mximo para la matriz de pagos en la de costos se considera el mnimo.
EJEMPLO 9
Dada la matriz de costos de inversin sin aumentar los ingresos del ejemplo 3, obtendremos la mejor accin para el criterio maximin. Resolveremos utilizando a) los costos positivos (invirtiendo el criterio). b) los costos negativos (sin invertir el criterio). Eventos Acciones
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1
7,000 7,300 7,600 7,900
D2 = 800 p 2 = 0.3
7,000 8,000 8,300 8,600
D3 = 900 p 3 = 0.5
7,000 8,000 9,000 9,300
D4 = 1000 p 4 = 0 .1
7,000 8,000 9,000 10,000
Solucin a) Si trabajamos con la matriz de costos, considerando stos como positivos, el criterio se tiene que invierte, es decir buscamos primeramente el mximo por accin y posteriormente el mnimo de stos valores.
Eventos Acciones D1 = 700 p 1 = 0 .1 D2 = 800 p 2 = 0.3 D3 = 900 p 3 = 0.5 D4 = 1000 p 4 = 0 .1
Oi = max{X ij }
j =1
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
10,500 10,200 9,900 9,600
10,500 12,000 11,700 11,400
10,500 12,000 13,500 13,200
10,500 12,000 13,500 15,000
10,500 12,000 13,500 15,000
En seguida se elige el menor de los mximos obteniendo 10,500 al cual le corresponde la accin de comprar o invertir en a1 = 700 cajas de 4 pilas.
b) Otra forma de resolver el problema consiste en considerar los costos con su signo. Es decir, la matriz de costos se forma con signo negativo para los costos, en este caso como se trata solamente de costos, todos los valores son negativos.
24
Eventos Acciones
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
D1 = 700 p1 = 0.1
-7,000 -7,300 -7,600 -7,900
D2 = 800 p 2 = 0.3
-7,000 -8,000 -8,300 -8,600
D3 = 900 p 3 = 0.5
-7,000 -8,000 -9,000 -9,300
D4 = 1000 p 4 = 0 .1
-7,000 -8,000 -9,000 -10,000
Ahora se aplica el criterio maximin. Es decir, primeramente se eligen los mnimos por accin. Eventos Acciones D1 = 700 p1 = 0.1 D2 = 800 p 2 = 0.3 D3 = 900 p 3 = 0.5 D4 = 1000 p 4 = 0 .1
n j =1
S i = min X ij -7,000 -8,000 -9,000 -10,000

m
{ }
a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000
-7,000 -7,300 -7,600 -7,900
-7,000 -8,000 -8,300 -8,600
-7,000 -8,000 -9,000 -9,300
-7,000 -8,000 -9,000 -10,000
En seguida se elige el mayor de los mnimos obteniendo S k = max{S i } = 7000 al que le

i =1
corresponde la accin de comprar o invertir en a1 = 700 cajas de 4 pilas. Se puede apreciar que en ambos casos (a) y (b) se obtiene la misma decisin. Similarmente para los dems criterios de decisin.
2.3 APLICACIONES DE PROBLEMAS DE DECISIONES BAJO INCERTIDUMBRE SIN MUESTREO

Con frecuencia los problemas en Teora de decisiones no estn dados en forma tabular, por lo tanto un primer paso consiste en determinar la matriz o tabla de pagos o costos. Para tal efecto, se deben identificar los tres componentes de un problema de decisiones: Acciones, eventos (con sus probabilidades) y consecuencias. El siguiente ejemplo es una situacin muy trivial, pero pretendemos ilustrar que en ciertos problemas todos los criterios de decisin revisados nos pueden llevar a tomar la misma decisin.
EJEMPLO 10
Una compaa constructora de INFONAVIT, construye casas de inters social el terreno donde se piensa construir tiene un costo de $15,000,000 pesos, las casas tendrn un costo de $140,000 cada una y la compaa espera venderlas en $320,000. Los administradores de la constructora tienen que decidir cuntas casas construir. Por estadsticas saben que se pueden tener las siguientes demandas alta, media y baja. Las ventas segn las demandas son de 300, 200 y 100, respectivamente, con probabilidades de ocurrencia de 0.30, 0.65 y 0.05. El problema que tienen los administradores para tomar una decisin consiste en que en si ellos se preparan para una demanda mayor de la que ocurrir, entonces resulta lo siguiente:
25
26 Captulo 2
Construccin 300 300 200
Demanda mediana baja baja
Precios de venta 200 a $320,000 y el resto a $300,000 100 a $320,000 y el resto a $250,000 100 a $320,000 y el resto a $300,000
Para el criterio de Hurwicz utilice = 0.8 .
Solucin Para formar la matriz o tabla de pagos primeramente se tienen que identificar las acciones y los eventos. Eventos: Acciones: e1 : Demanda alta. a1 : Construir 300 casas. e2 : Demanda mediana. a 2 : Construir 200 casas. e3 : Demanda baja. a 3 : Construir 100 casas.
Las consecuencias en este caso se refieren a las utilidades, por consiguiente, la matriz que se formar en este problema es una matriz de pagos. Para determinar las consecuencias, se requiere conocer todos los costos que se involucran y las ganancias, de esta forma se calcularn las utilidades. Dentro de los costos tenemos: Costo por terreno $15,000,000. Costo por casa $140,000. Dentro de las ganancias, se tiene los precios de venta $320,000 por casa. La utilidad como se sabe est dada por Utilidad = Ganancia Costo.
1. Consecuencias para la accin a1 , construccin de 300 casas.

El costo por construir 300 casas es Costo(300) = $15,000,000 + $140,000(300) = 57,000,000 .
La ganancia depende del evento a ocurrir. Cuando se construyen 300 casas y demandan 300 tenemos una ganancia de, Ganancia = ($320,000)(300) = 96,000,000 Utilidad = 96,000,000 57,000,000 = 39,000,000 Cuando se construyen 300 casas y demandan 200 tenemos una ganancia de. Ganancia = ($300,000)(100) + (200)(320,000) = 94,000,000 Utilidad = 94,000,000 57,000,000 = 37,000,000 Cuando se construyen 300 casas y demandan 100 tenemos una ganancia de, Ganancia = ($250,000)(200) + (100)(320,000) = 82,000,000 Utilidad = 82,000,000 57,000,000 = 25,000,000
2. Para la accin a 2 construccin de 200 casas tenemos.

26
El costo por construir 200 casas es:

Costo(200) = $15,000,000 + $140,000(200) = 43,000,000 . La ganancia depende del evento a ocurrir.
Cuando se construyen 200 casas y demandan 300 o 200 tenemos una ganancia de, Ganancia = ($320,000)(200) = 64,000,000 Utilidad = 64,000,000 43,000,000 = 21,000,000 . Cuando se construyen 200 casas y demandan 100 tenemos una ganancia de, Ganancia = ($300,000)(100) + (100)($320,000) = 62,000,000 Utilidad = 62,000,000 43,000,000 = 19,000,000
3. Para la accin a 3 construccin de 100 casas tenemos. El costo por construir 100 casas es:
Costo(100) = $15,000,000 + $140,000(100) = 29,000,000 .

La ganancia depende del evento a ocurrir. Cuando se construyen 100 casas y demandan 300, 200 o 100 tenemos una ganancia de
Ganancia = ($320,000)(100) = 32,000,000 Utilidad = 32,000,000 29,000,000 = 3,000,000 De tal forma que la Matriz o tabla de pagos para las utilidades queda dada por:
Demanda Construccin Acciones a1 a2 a3 e1 39,000,000 21,000,000 3,000,000
Eventos e2 37,000,000 21,000,000 3,000,000
e3 25,000,000 19,000,000 3,000,000
Ahora se aplicarn los diferentes criterios para tomar una mejor decisin, se recuerda que la accin elegida como la mejor depender del criterio, y que en algunos casos se tienen la misma, pero en otros cambiar.
e1
0.30
e2
0.65
e3
0.05
Maximin Hurwicz Mximax = 0.80 Wald

39,000,000 21,000,000 3,000,000 27,800,000 19,400,000 3,000,000
Laplace
33,666,667 20,333,333 3,000,000
VE
37,000,000 20,900,000 3,000000
a1 39,000,000 37,000,000 25,000,000 25,000,000 a2 21,000,000 21,000,000 19,000,000 19,000,000 a3 3,000,000 3,000,000 3,000,000 3,000,000
Clculos del valor esperado
27
28 Captulo 2
VE (a1 ) = (0.30)(39,000,000) + (0.65)(37,000,000) + (0.05)(25,000,000) = 37,000,000 VE (a 2 ) = (0.30)(21,000,000) + (0.65)(21,000,000) + (0.05)(19,000,000) = 20,900,000 VE (a 3 ) = (0.30)(3,000,000) + (0.65)(3,000,000) + (0.05)(3,000,000) = 3,000,000
Clculos del criterio de Hurwicz
S k + (1 )Ok = max{0.1S i + 0.9Oi }

i =1
= max{0.8(25) + 0.2(39), 0.8(19) + 0.2(21), 0.8(3) + 0.2(3)} 1,000,000 = 27,800,000 Para el criterio de Savage, primeramente calculamos la matriz de prdida de oportunidad
e1 0.30 a1 a2 a3 0 18,000,000 36,000,000
e2 0.65 0 16,000,000 34,000,000
e3 0.05 0 6,000,000 22,000,000
Mnimax Savage 0 18,000,000 36,000,000
Conclusin En este caso, bajo los 6 criterios result la misma decisin tomar la accin a1 . Es decir, el decisor construir 300 casas. La trivialidad del ejemplo reside en que en todas las acciones que tome el decisor tendrn ganancia, luego la mejor decisin en cualquier escenario es construir la mayor cantidad posible de casas. Es decir, el problema se podra haber resuelto sin necesidad de recurrir a los criterios de decisin. En el siguiente ejemplo, si tenemos situaciones de prdida y por tal razn es necesario indicar un criterio de solucin, ya que las mejores acciones cambiarn.
EJEMPLO 11
Un vendedor de peridicos debe decidir diariamente cuntos peridicos de ltimas noticias debe comprar para la tarde. En el pasado a observado la siguiente frecuencia de peticiones. Peridicos pedidos 100 200 300 400 Proporcin de das que han ocurrido esas peticiones 0.1 0.2 0.4 0.3
Cada peridico le cuesta $6 y lo vende en $10, los peridicos que no se vendan al da siguiente le compran a $2.5. Si el asume que no pierde negocio como resultado de no ser capaz de satisfacer el pedido de un cliente. a) Construya la tabla de pagos para las acciones comprar y los eventos demandas. b) Encuentre las mejores acciones segn cada criterio. Para el de Hurwicz, utiliza = 0.6 .
28
Solucin Para construir la matriz o tabla de pagos, ya se tienen identificadas a las acciones y los eventos. Eventos: Acciones: e1 : Demanda de 100 peridicos. a1 : Comprar 100 peridicos. e2 : Demanda de 200 peridicos. a 2 : Comprar 200 peridicos. e3 : Demanda de 300 peridicos. a 3 : Comprar 300 peridicos. e4 : Demanda de 400 peridicos. a 4 : Comprar 400 peridicos. Las consecuencias en este caso tambin se refieren a las utilidades, como en el ejemplo anterior. Por consiguiente, la matriz que ser construir en este problema es una matriz de pagos. Para determinar las consecuencias, se procede como en el ejemplo anterior. En cada uno de los casos a analizar la ganancia depender del evento a ocurrir. 1.- Consecuencias para la accin a1 , compra de 100 peridicos. Costo(100) = $6(100) = $600 . Cuando se compran 100 peridicos y demandan 100 o ms tenemos una ganancia de, Ganancia = ($10)(100) = $1,000 .
Utilidad = 1,000 600 = $400 .
2.- Consecuencias para la accin a 2 , compra de 200 peridicos.
Costo(200) = $6(200) = $1,200 . Cuando se compran 200 peridicos y demandan 100 tenemos una ganancia de, Ganancia = (10)(100) + 2.5(100) = $1,250
ventas recuperacin
Utilidad = 1,250 1,200 = $50 Cuando se compran 200 peridicos y demandan 200 o ms tenemos una ganancia de, Ganancia = ($10)(200) = $2,000 Utilidad = 2,000 1,200 = $800
3.- Consecuencias para la accin a3 , compra de 300 peridicos.

Costo(300) = $6(300) = $1,800 . Cuando se compran 300 peridicos y demandan 100 tenemos una ganancia de, Ganancia = (10)(100) + 2.5(200) = $1,500 .
ventas recuperacin
Utilidad = 1,500 1,800 = $300 . Cuando se compran 300 peridicos y demandan 200 tenemos una ganancia de, Ganancia = (10)(200) + 2.5(100) = $2,250 .
ventas recuperacin
Utilidad = 2,250 1,800 = $450 .

29
30 Captulo 2
Cuando se compran 300 peridicos y demandan 300 o ms tenemos una ganancia de,
Ganancia = ($10)(300) = $3,000 .
Utilidad = 3,000 1,800 = $1,200 .
4.- Consecuencias para la accin a 4 , compra de 400 peridicos.

Costo(400) = $6(400) = $2,400 . Cuando se compran 400 peridicos y demandan 100 tenemos una ganancia de,
Ganancia = (10)(100) + 2.5(300) = $1,750 .

ventas recuperacin
Utilidad = 1,750 2,400 = $650 . Cuando se compran 400 peridicos y demandan 200 tenemos una ganancia de, Ganancia = (10)(200) + 2.5(200) = $2,500
ventas recuperacin
Utilidad = 2,500 2,400 = $100 . Cuando se compran 400 peridicos y demandan 300 tenemos una ganancia de, Ganancia = (10)(300) + 2.5(100) = $3,250 .
ventas recuperacin
Utilidad = 3,250 2,400 = $850 . Cuando se compran 400 peridicos y demandan 400 o ms tenemos una ganancia de, Ganancia = ($10)(400) = $4,000 . Utilidad = 4,000 2,400 = $1,600 .
vender Comprar
100 0.1
400 50 -300 -650
200 0.2
400 800 450 100
300 0.4
400 800 1200 850
400 0.3
400 800 1200 1600
Wald 400 50 -300 -650
Maxi max
400 800 1200 1600
Hurwicz = 0.6 400 350 300 250
Laplace
400 612.5 637.5 475
VE
400 725 900 775
100 200 300 400
Para el criterio de Savage se tiene que calcular la tabla de prdida de oportunidad.
vender Comprar 100 200 300 400
100 0.1
0 350 700 1050
200 0.2
400 0 350 700
300 0.4
800 400 0 350
400 0.3
1200 800 400 0
Mnimax Savage
1200 800 700 1050
VE
760 435 260 385
30
Conclusin En este caso, bajo el criterio conservador de Wald y el de Hurwicz con = 0.6 , se elige comprar 100 peridicos. Mientras que con el criterio ms optimista del mximax se elige la accin de comprar 400 peridicos. Finalmente la mejor decisin segn los criterios de Laplace, Savage y valor esperado consiste en comprar 300 peridicos.
EJEMPLO 12
Considere la siguiente tabla de decisiones donde x es un nmero real.
1
a1 a2 a3 a4 x 2 3 6
2
3 2 2 6
3
4 2 1 1
4
6 4 9 3
Encuentre la decisin que debe tomarse en funcin de x de acuerdo a los criterios anteriores, excluyendo el de valor esperado y considerando en el criterio de Hurwicz un valor = 0.5 . Adems determine los rangos de x para los cuales los cinco criterios tienen la misma eleccin. Solucin Con la tabla de decisiones dada se aplican los criterios de Wald, maximax y Laplace
1
a1 x
2
3
3
4
4
6
Wald, Si
Mximax, Oi
S i + (1 )Oi
min{x,3} + max{x,6} 2 3 5 3.5
min{3, x}
max{x,6}
a2 a3 a4
2 3 6
2 2 6
2 1 1
4 9 3
2 1 1
a1 si x > 2 a1 o a 2 si x = 2 a si x < 2 2
4 9 6
Por el criterio de Wald se elige
Por el criterio de Maximax se elige a1 si x > 9 a1 o a3 si x = 9 a si x < 9 3 Por el criterio de Hurwicz para = 0.5 se elige a1 si x > 7 a1 o a3 si x = 7 a si x < 7 3 Por el criterio de Laplace se elige
31
32 Captulo 2
a1 si x > 3 a1 o a 4 si x = 3 a si x < 3 4
Tabla de prdida de oportunidad, para el criterio minimax.
1
x<6 x6 0
2
3
3
0
4
3
Prdida mxima
x<6 x6
a1
a2 a3 a4
6 x
max{6 x, 3} 5 4 6
3 max{x 2, 5} max{x 3, 4} max{x 6, 6}
4 3 0
x2 x3 x6
4 4 0
2 3 3
5 0 6
Para este criterio se elige
a1 a1 a1 a 3
si x 6 si x > 2 o a3 si x = 2 si x < 2
Finalmente se puede apreciar que se elige la accin 1 para todos los mtodos con x > 9 .
EJERCICIOS
1. Resuelva el ejemplo 11, del vendedor de peridicos, pero con la siguiente tabla de frecuencia de peticiones. En el caso del criterio de Hurwicz utiliza = 0.52
Peridicos pedidos
100 200 300 400
Proporcin de das que han ocurrido esas peticiones

0.5 0.3 0.1 0.1
2. En una economa emergente las tasas de inters para prstamos bancarios generalmente estn
variando. De tal forma que los bancos acostumbran ofrecer prstamos con tasas de inters variable. Si usted tendra que tomar una decisin, sobre pedir un prstamo de $180,000 para la adquisicin de un terreno, a pagar a 4 aos, con las siguientes opciones.
Prestamos a tasa fija del 17.3% anual. Prstamo variable por Bancomer a una tasa de inters variable de 14%, 16%, 18% y 20% anual, con probabilidades de ocurrencia, 0.20, 0.25, 0.30 y 0.25, respectivamente. Prstamo variable por HSBC a una tasa de inters variable de 13%, 17%, 19% y 22% anual, con probabilidades de ocurrencia, 0.20, 0.25, 0.30 y 0.25, respectivamente.
32
a) b) c) d)
Prstamo variable por Banamex a una tasa de inters variable de 15%, 16%, 17% y 21% anual, con probabilidades de ocurrencia, 0.20, 0.25, 0.30 y 0.25, respectivamente. Defina las acciones y eventos del problema que ayuden a elegir el mejor prstamo. Construya una tabla de decisiones, ser de pagos o costos?, que represente el pago del prstamo que tendra que hacer segn sea su eleccin de prstamo. Determine por el criterio de valor esperado qu tipo de prstamo le conviene elegir. Sera conveniente emplear los otros criterios. Explique su respuesta.
3. Una persona que se va a jubilar tiene un problema de decisiones que resolver para poder elegir una
de las opciones que l considera como viables. La persona recibir $340,000 pesos por sus aos de servicio, y est contemplando las siguientes opciones.
Invertir su capital en un banco con una tasa anual del 8%. Invertir su dinero comprando 4 carros para taxis y ponerlos a trabajar, el tendra que pagar 50 pesos por el alquiler de las placas y ahorrar 20 pesos para mantenimiento de la unidad al da. Dentro de las posibilidades de incertidumbre la persona contempla lo siguiente, en el mejor de los casos cada carro le dara una cuota de 200 pesos diarios, en una situacin regular 170 finamente en el peor de los casos recibira 120 pesos diarios en promedio. Las probabilidades estimadas por la persona seran 0.3, 0.6 y 0.1, respectivamente. Invertir su dinero comprando 2 microbuses, ponerlos a trabajar, el tendra que pagar 100 pesos por el alquiler de las placas y ahorrar 50 pesos para mantenimiento de la unidad al da. Dentro de las posibilidades de incertidumbre la persona contempla lo siguiente, en el mejor de los casos cada microbs le dara una cuota de 380 pesos diarios, en una situacin regular 300 finamente en el peor de los casos recibira 220 pesos diarios en promedio. Las probabilidades estimadas por la persona seran 0.3, 0.6 y 0.1, respectivamente. a). Construya la matriz de decisiones para el problema. b). Con cada uno de los criterios estudiados encuentre cul sera la decisin a considerar. Para el criterio de Hurwicz utilice = 0.2 .
c). Si la persona es muy optimista, que accin le aconsejaras tomar. Justifique su respuesta. ota: Para los clculos Considere 365 das al ao.
4. Suponga que se tienen seis proyectos de los que se conoce su inversin original (en millones de
pesos) y el tiempo de recuperacin de la inversin en aos, los datos se muestran en la tabla siguiente.
Aos 0 1 2 3 4
A -8 4 4 0 0
B -12 6 6 5 5
C -12 8 4 5 5
D -2 1 1 1 2
E -18 16 5 0 0
F -18 5.4 19.2 0 0
33
34 Captulo 2
Utilizando el criterio de Valor Presente Neto, con tasas de inters del 6%, 8% y 12%, y probabilidades de ocurrencia, 0.3, 0.6 y 0.1, respectivamente. Construya una tabla de decisiones y determine por cada uno de los criterios de decisin visto, que proyecto se recomienda elegir. Para el criterio de Hurwicz emplee un = 0.4 .
5. El gerente de una empresa y tiene que tomar una decisin con respecto a la compra de equipos de
cmputo que pueden adquirir en $11,000 pesos y vender en $16,000. Las probabilidades de vender un determinado nmero de equipos durante 6 meses es la siguiente: Nmero de Computadoras 25 30 35 40
P ( X = x)
0.1 0.3 0.4 0.2
Debido a la competencia y el ingreso de nuevos modelos el precio de adquisicin se estima que bajar de $11,000 a un costo $C, despus de los 6 meses. a. Determine la tabla de decisiones. b. Existir algn valor de C, para el cual coincidan los criterios de decisiones. c. Hasta que costo C el gerente podra esperar para que la mejor decisin por el criterio de Wald sea comprar 25 computadoras. d. Hasta que costo C el gerente podra esperar para que la mejor decisin sea comprar 35 computadoras, segn el criterio Hurwichz con = 0.4 . e. Con el valor de C encontrado determine la mejor accin elegida segn el criterio de valor esperado.
6. El administrador de una red comercial de productos perecederos tiene el siguiente problema de

decisiones con respecto a un producto en particular. El kilogramo de dicho producto lo compra a $15 pesos y lo vende a $30 pesos durante los primeros tres das, despus de que el producto en este intervalo de tiempo a madurado suficiente, lo ofrece a $20 pesos el kilogramo en promedio, durante los tres das siguientes, mientras que el sptimo da remata el producto restante a $13 pesos el kilogramo, el producto que no se venda en este da es prdida total. Al vendedor lo surten una vez a la semana. El hijo del vendedor que est estudiando en un nivel superior quiere ayudarle a su padre a tomar una mejor decisin a la hora de hacer sus compras de este producto. Para esto el hijo anota las compras de sus clientes en las tres etapas del problema (1-3 da, del 4-6 da y 7 da)
34
2.4 SISTEMA AXIOMTICO Hasta el momento se han revisados los criterios de decisin basados en las tablas o matrices de decisin, pero no se mencion los axiomas bajo los que estn soportados dichos criterios o lo que es lo mismo no se ha justificado su uso. En la presente seccin veremos un breve resumen de los axiomas que justifican dicho uso. Axioma 1. Clasificacin Jerrquica Completa. Una regla de decisin debe estar propuesta por una forma de ranking que sea completa para todas las acciones (en teora axiomtica de preferencias a esto se le llama de orden dbil y ocurre cuando se cumplen las propiedades de completes y transitividad, ver captulo 7). Axioma 2. Independencia de iveles. Este axioma indica que si dos tablas de decisiones se diferencian slo por el orden entre sus acciones, la eleccin tendr que seguir siendo la misma. Lo anterior significa que si (.) representa una
permutacin cualesquiera entre las filas de la matriz y se tiene la decisin Vi > V j , para vij , entonces se
debera cumplir para v (i ) ( j ) que V (i ) > V ( j ) .

EJEMPLO 14
Supngase que en una tabla de 2 2 con la accin a 2 preferida sobre la accin a1 , es decir, V2 > V1 y tabla de consecuencias: 1 2 10 0 8 3
a1 a2
Cul accin ser preferente en la tabla siguiente?
a'1 a'2
'1 ' 2 8 3 10 0
es preferida sobre a 2 . Sea (1) = 2, (2) = 1 , es decir, V ' ( 2) > V ' (1) ; V '1 > V ' 2 , luego a1
Similarmente podra haberse dado.
a''1 a''2
''1 3 0
'' 2 8 10
V ' ' 2 > V ' '1 y a 2 es preferida sobre a1 . Este axioma nos indica que el orden en la tabla o matriz de decisiones en el que se coloquen las acciones y eventos es independiente de la eleccin que tome el decisor.
Axioma 3. Independencia de Escala de Valor.

Se tiene una tabla de acciones en las que se cumple alguna preferencia para las consecuencias vij , = vij + con > 0 , debera cumplirse la Vi > V j , entonces para las siguientes consecuencias vij
misma preferencia Vi > V j .
35
36 Captulo 2
EJEMPLO 15 Supngase que en una tabla de 2 2 se cumple V2 > V1 . Por ejemplo, la tabla de consecuencias: 1 2 10 0 8 3
a1 a2
= 3vij + 60 Cul ser preferente en la tabla? Defnase las consecuencias vij
a'1 a'2
'1 ' 2 90 60 84 69
Podemos notar que las preferencias se siguen cumpliendo. Este axioma nos indica que al cambiar las consecuencias en la matriz de decisin por una misma transformacin afn (transformacin lineal, con coeficiente positivo) en la tabla o matriz de decisiones, la eleccin que tome el decisor es independiente de la transformacin.
Axioma 4. Dominancia Fuerte Supngase que en una tabla de decisiones hay dos acciones a i y a k tales que sus valores vij > v kj para todos los estados j .
Entonces la regla de decisin debe asignar el valor V a las acciones tales que
Vi > Vk .
EJEMPLO 16
Supngase que en una tabla de 2 2 con V1 > V2 y tabla de consecuencias:
a1 a2
1 2 11 15 6 8
En este caso se asigna el valor V a la accin a1 , porque domina a la accin a 2 ( 11 > 6 y 15 > 8 ).
NOTA
Los criterios de decisin deben cumplir los 4 axiomas que hemos analizado. Algunos de los siguientes axiomas no se cumplen por alguno de los criterios.
Axioma 5. Independencia de Alternativas Irrelevantes Sea una tabla de decisiones m n con estados de la naturaleza j , acciones a i y valores vij dados.
Constryase una segunda tabla de decisiones a partir de la primera, agregando una accin extra en donde la segunda tabla es de orden (m + 1) n y tal que
= vij , para 1 i m, 1 j n . vij v(m +1) j para j =1,..., n , puede tomar cualquier valor numrico.
36
Entonces una regla de decisin debe asignar los valores V y V' respectivamente a las acciones en las dos tablas tales que para cualquier 1 i, k < m Vi > Vk si y slo si Vi > Vk .
Este axioma indica que las tablas deben conducir al mismo ranking en las primeras m acciones.
EJEMPLO 17
Supngase que en una tabla de 2 2 con V2 > V1 y tabla de consecuencias:

1 2 10 0 8 3
a1 a2
Ahora construimos una segunda tabla

1 2 10 0 8 3 4 5
a1 a2
a3
Es obvio que en las primeras dos acciones de ambas tablas se conserva la mismas preferencias.
Axioma 6. Independencia de la Adicin de una Constante a una columna.

Sea una tabla de decisiones m n con estados de la naturaleza j , acciones a i y valores vij dados. Sea una segunda tabla de m n con los mismos estados de la naturaleza j y acciones a i , pero
, los cuales se construyen de la primera tabla agregando una constante c a todos diferentes valores vij
los elementos de la l-sima columna, es decir;
= v il + c, 1 i m, vil = vij para j l , vij 1 i m, 1 j n
Entonces la regla de decisin debe asignar los valores V y V', respectivamente, a las acciones en las dos tablas, tales que para cualesquier 1 i, k m Vi > V k V ' i > V ' k .
EJEMPLO 18
Sea la siguiente tabla de decisiones
1
a1 a2 a3 a4
4
2
3 6 2
3
8 7 6 6
1 4
3
Ahora agreguemos una constante a cualquier columna, por ejemplo a la 2 agregamos c-constante.
37
38 Captulo 2
1
a1
a2 a3 a4
2
3+c 6+c
2+ c
3
8 7 6 6
4
1 4 3
1+ c
Como se puede observar no pasa nada si le sumamos una constante a cada valor de las acciones correspondiente a un mismo evento, las preferencias deben conservarse.
Axioma 7. Independencia de la Permutacin de Filas. Supngase que en una tabla de decisiones m n existen dos acciones a i y a k y la permutacin de
los nmeros { 1, 2, , n} , tales que vij = v k ( j ) , entonces la regla de decisin debe asignar valores V a las acciones, tales que Vi = Vk .
EJEMPLO 19
Sea la siguiente tabla de decisiones y la permutacin para j = 1 , con ( j ) = 2
1
a1 a4 2 0
2
0 2
3
3 3
En este caso, la accin a 1 tiene los mismos valores que la accin a 4 , slo que permutados, luego debern tener el mismo valor, V1 = V4 .
Axioma 8. Independencia de la Duplicacin de Columnas. Sea una tabla de decisiones m n , con estados de la naturaleza j , acciones a i y valores vij dados.
Sea una segunda tabla de decisiones de orden m (n + 1) , con estados de la naturaleza j y acciones construidos de la primera tabla por duplicacin de la n-sima columna los valores a i y valores vij quedaran de la siguiente forma:
= vij para 1 j n vij para 1 i m vi( n +1) = vin Entonces la regla de decisin debe asignar los valores V y V', respectivamente, a las acciones en las dos tablas tales que para cualquier 1 i, k m Vi > Vk Vi > Vk .
EJEMPLO 20
Sea la siguiente tabla de decisiones
38
1
a1 a4
3
4 6
9 2
Ahora agregamos una columna, y se tiene
1
a1 a4
9 2
4 6
4 6
Entonces se cumple que Vi > Vk Vi > Vk .

TEOREMA
Los criterios de decisin de Wald (Maximin), de Hurwicz (Maximax), de Savage (Minimax o perdida de oportunidad) y Laplace (razn suficiente). Cumplen con algunos de los ocho axiomas vistos anteriormente. Para ello se presenta la siguiente tabla. Axioma Wald Hurwicz Savage Laplace 1 2 3 4 5 6 7 8
X X X X X
Finalmente, como cualquier otra teora matemtica, con los axiomas formulados y los criterios de decisiones se puede demostrar el teorema y formular nuevos teoremas, para desarrollar toda una teora bastante completa de los criterios de decisiones y para matrices de decisin.
39
40 Captulo 2 EJERCICIOS
1. Sea la siguiente tabla de decisiones .
40
Captulo 3
ANLISIS BAYESIANO DE DE DECISIONES, DECISIONES, CASO DISCRETO
Introduccin
En el captulo anterior iniciamos el estudio de los problemas de decisin sin informacin muestral, con base en tablas o matrices de decisin, con ellas se estudiaron los diferentes criterios de decisin ms comunes utilizados en problemas de decisiones sin muestreo. En el presente captulo haremos uso de la informacin muestral, con la que se pueden hacer estudios de mercado y utilizar dicha informacin para tomar una mejor decisin. Al introducir informacin muestral tendremos que trabajar con variables aleatorias que reflejen el comportamiento de la poblacin en estudio. Las variables aleatorias discretas que utilizaremos son la hipergeomtrica y binomial, aunque con el desarrollo de los conceptos que se estudien quedarn sentadas las bases para poder hacer uso de cualquier otro tipo de variable aleatoria discreta. El objetivo principal del anlisis bayesiano de decisiones que veremos en este captulo consiste en aumentar la certeza de buenos resultados, tomando buenas decisiones. Consideramos un buen resultado aquel que nos gustara que ocurriese, pero por otro lado, una buena decisin ser aquella que sea consistente con la informacin disponible y las apreciaciones de la persona que decide. Crear un modelo que emplee la informacin disponible, que puede ser muestral o de apreciacin, o bien una combinacin de stas, es uno de los propsitos del anlisis de decisiones, a este tipo de anlisis le denominaremos a priori y a posteriori. Se ha visto que al tomar decisiones elegimos una entre varias alternativas. En algunas ocasiones conocemos las alternativas con sus respectivas consecuencias, en otras desafortunadamente no. As, podemos tener infinidad de situaciones en donde una persona tiene que tomar una decisin. Por ejemplo; Qu nivel de inventario de los artculos en un almacn. En qu acciones puede un corredor de bolsa invertir. Si es conveniente el lanzamiento de un nuevo producto, etc.
Los problemas de toma de decisiones tienen una gran aplicacin en diferentes esferas, una de ellas son las plizas de seguros, ya que resultan varias alternativas a la hora de lanzar una nueva pliza de seguros al mercado, que el decisor debe poder evaluar, como son: Qu pasa si lanzamos la nueva pliza y no tiene aceptacin?,
41
42.
Captulo 3
Qu ocurre si la lanzamos y tiene aceptacin?, Qu pasa si decidimos no lanzarla y hubiera tenido aceptacin? y Qu pasara si no lanzamos la nueva pliza, pero suponemos que no tendr aceptacin? Este es un problema tpico de decisin y el decisor debe contar con el conocimiento de la probabilidad de todas las opciones para decidir correctamente. No debe olvidar que una decisin correcta, siempre generar un beneficio, mientras una decisin incorrecta le traer como consecuencia un costo o prdida. Sin embargo, pocas veces el decisor conoce con exactitud los valores de todos los riesgos que pueden intervenir en los problemas socioeconmicos, administrativos, financieros, etc. que se presentan cotidianamente; esto significa que el decisor desconoce l o los pagos que tendra que realizar por estos incidentes. Es decir, la ganancia de las decisiones tambin depende de variables econmicas sobre las que el decisor no tiene control, a stas se les dio el nombre de estados de la naturaleza o eventos y deben ser mutuamente excluyentes y exhaustivos. 3.1 ENFOQUES BAYESIANO Y CLSICO En las diferentes corrientes de probabilidad revisadas, mencionamos que dos de ellas son de gran importancia en el anlisis de decisiones, la subjetiva y la bayesiana. Esta ltima se atribuye y lleva el nombre en honor al clrigo y matemtico ingls Thomas Bayes (1702-1761), aunque se tiene indicios de que Laplace hizo algunos trabajos antes de Bayes. A pesar de tener aproximadamente 3 siglos de haber aparecido los primeros trabajos bayesianos, no fue sino hasta la dcada de los 50s del siglo pasado que se inici a desarrollar con gran rapidez la Teora de Decisiones, se increment su uso a diferentes tipos de problemas, principalmente problemas gerenciales, sociales, econmicos, entre otros. Una de las principales razones por las que se han aumentado las aplicaciones de la teora de decisiones se debe al mayor uso de la Probabilidad y la Estadstica. Por tal razn, en ocasiones se le da el nombre de Teora estadstica de la decisin. A diferencia de la estadstica clsica, la que se ocupa de estimar un parmetro, como la media poblacional, por medio de un estimador puntual, un intervalo de confianza o una prueba de hiptesis, la teora estadstica de la decisin, en muchas de sus aplicaciones se ocupa de las consecuencias financieras. Por tal razn, uno de los objetivos principales de la Teora estadstica de la decisin consiste en aumentar la certeza de buenos resultados en el proceso de la toma de decisiones incluyendo explcitamente, los beneficios o ganancias que pueden ocurrir. Cabe aclarar que consideramos un buen resultado, a aqul que nos gustara que ocurriese; por otro lado, una buena decisin ser aqulla que resulte consistente con la teora al emplear la informacin disponible y las apreciaciones de la persona que decide. As, de esta forma al crear un modelo que emplee la informacin disponible, nos enfrentamos a situaciones del anlisis que denominaremos a priori y a posteriori, o bien una combinacin de stas. Por lo tanto, el captulo lo enfocaremos a revisar el material existente en la modelacin de problemas de decisiones que pueden ser aplicados en la toma de decisiones gerenciales, problemas de inversiones en donde interviene el Anlisis Bayesiano. Como sabemos la teora estadstica de la decisin se enfoca en determinar que decisin se debe tomar de un conjunto de alternativas factibles. En algunas ocasiones conoceremos las alternativas con
42
Anlisis bayesiano de decisiones, caso discreto 43
sus respectivas ganancias o consecuencias, en otras no. Por ejemplo, consideremos las siguientes situaciones, sobre problemas de teora de decisin. El Instituto Nacional de la Comunicacin Humana debe decidir si adquiere equipo con mejor tecnologa o contina utilizando el existente. Los escenarios posibles: Se mantiene la demanda constante o aumenta. En estas situaciones la problemtica consiste en decidir qu es ms redituable, mantener o adquirir el nuevo equipo. Qu decisin debe tomarse? El gerente de una empresa est pensando en tercerizar su sistema de transporte, para esto su grupo de trabajo identific una serie de variables de decisin que intervienen en la gestin del transporte. El estudio de dichas variables tuvo como objetivo definir los elementos que influyen en la decisin de contar con una flota propia, o en contratar el servicio de transporte (tercerizar). Durante la gestin, las sucursales que integran la empresa analizan entre una gama de decisiones correspondiente al servicio de transporte que ms convenga en la distribucin de sus productos. En efecto, dada la creciente importancia de los niveles de servicio y el cumplimiento en las entregas a los clientes, el transporte se ha convertido en un elemento generador de ventajas competitivas, transformndose no slo en una estrategia basada en los costos, sino en una gestin de servicio con valor agregado. Bajo este nuevo paradigma, el grupo de trabajo de la empresa debe emprender los estudios necesarios para determinar la estrategia ms conveniente en la transportacin de los productos. Luego, qu decisin debe tomarse?
Cada uno de estos casos de decisin est caracterizado por varias posibilidades de accin y diversos factores que no estn bajo el control de quien toma la decisin. Ellos caracterizan la naturaleza de la toma de decisiones. Las alternativas posibles de decisin se pueden enumerar, los posibles eventos futuros se pueden determinar, y ms an se pueden establecer las probabilidades, pero las decisiones se toman en condiciones de incertidumbre. 3.2 PROBABILIDADES A POSTERIORI CON INFORMACIN MUESTRAL DISCRETA En el captulo 1, Repaso de la Teora de las probabilidades, hemos visto detalladamente el clculo de probabilidades condicionales, en particular el Teorema de Bayes. En esta seccin revisaremos el clculo de probabilidades a posteriori cuando se dispone de informacin de la muestra de tipo discreto. Posteriormente, las ideas aqu desarrolladas se ampliarn a las variables aleatorias continuas.
3.2.1 PROBABILIDADES CONDICIONALES A PRIORI
Iniciamos recordando que las probabilidades a priori son aquellas probabilidades que asigna el decisor (cabe recordar que una de las corrientes de mayor uso por los decisores es la subjetiva) o se tienen antes de la informacin muestral. As, las probabilidades a priori el decisor las asigna antes de cualquier recopilacin de datos y son tales que ellas muestran la posibilidad de ocurrencia de cada uno de los eventos que se relacionan con el problema de toma de decisiones. Adems de las probabilidades a priori, tenemos las probabilidades condicionales a priori que son empleadas en el teorema de bayes, ste las modifica actualizndolas o ajustndolas, llamndose al resultado probabilidad a posteriori.
EJEMPLO 1
En tiempos de elecciones los candidatos buscan la forma de conocer la incertidumbre en cuanto a su popularidad en diferentes regiones. Un candidato a la Presidencia de la Repblica, se da cuenta que en
43
44.
Captulo 3
tres regiones de un estado tiene popularidades que las clasifica en baja, media y alta. Las probabilidades de que visite cada regin, antes de las elecciones son, 0.25 para las regiones de baja y media popularidad y 0.5 para la regin de alta popularidad. Antes de visitar cada regin l manda hacer un diagnstico para conocer su aceptacin, obteniendo en la regin de baja popularidad una aceptacin favorable del 20%, en la de media del 50% y en la de alta del 70%. Con estos datos calcule las probabilidades condicionales de que al seleccionar una persona aleatoriamente, resulte ser de una de las regiones en donde el candidato tiene popularidad, dado que la persona entrevistada contest afirmativamente. En qu le ayudara al candidato a la presidencia de la repblica conocer los resultados encontrados? Solucin Primeramente introducimos la notacin, para las tres regiones con popularidad, baja, media y alta, R1 ,
R2 y R3 , respectivamente. Mientras que la aceptacin favorable la denotamos por F.
Las probabilidades conocidas a priori son, P ( R1 ) = 0.25 , P ( R2 ) = 0.25 y P ( R3 ) = 0.5 , similarmente las probabilidades condicionales a priori del diagnstico son: P ( F | R1 ) = 0.20 , P ( F | R2 ) = 0.50 y P ( F | R3 ) = 0.70 . Empleando el Teorema de Bayes a dichas probabilidades a priori obtenemos las probabilidades condicionales.
Para los clculos podemos emplear los diagramas de rbol de probabilidades, pero en este caso practicaremos la forma de tabla (ver captulo 1).
Probabilidades a priori
Probabilidad conjunta P ( F Ri ) = P( F | Ri ) P ( Ri )
0.050 0.125 0.350
Probabilidades a posteriori P ( Ri | F ) = P ( Ri F )
0.0952 0.2381 0.6667
Ri
R1 R2 R3
P ( Ri )
0.25 0.25 0.50
P ( F | Ri )
0.20 0.50 0.70
3
P( F R )
i i =1
Suma
NOTA
P( F R ) = 0.525
i i =1
En este ejemplo hemos introducido dos probabilidades a priori, una que no est condicionada P ( Ri ) y que se determina con alguno de los criterios o tcnicas de probabilidades, como son datos histricos, subjetivamente, etc. mientras que la otra es una probabilidad condicional previa P ( F | Ri ) dada por el investigador despus de realizar una encuesta, pero no mencionamos la forma de calcular esta ltima. En general la forma de calcular la probabilidad condicional a priori depender del modelo probabilstico que estemos usando y esto ser parte de la subseccin 4.2.2.
44
3.2.2 PROBABILIDADES A POSTERIORI
Con frecuencia en los problemas del clculo de probabilidades a posteriori, las probabilidades a priori provienen de una variable aleatoria. En esta seccin trabajaremos con las variables aleatorias discretas, en particular con la hipergeomtrica y binomial. En cuestiones de seguridad, o de control de calidad se acostumbra llevar a cabo muestreos sin reemplazo. De tal forma que se requiere calcular probabilidades a priori con la distribucin hipergeomtrica (no existe reemplazo en el muestreo). Por otro lado, la poblacin sobre la que se lleva a cabo el muestreo, generalmente es demasiado grande y por consiguiente el clculo de probabilidades de la distribucin hipergeomtrica se aproxima por medio de la distribucin binomial.
EJEMPLO 2
Sea el ejemplo anterior sobre las elecciones presidenciales. Despus de seleccionar una muestra de 20 personas de dichas regiones, se les pregunta si estn a favor del candidato. Cul es la probabilidad de que a lo ms 8 personas que contestaron afirmativamente sean de una de las regiones en donde l tiene popularidad. En qu le ayudara al candidato a la presidencia de la repblica conocer los resultados encontrados? Solucin Sea X i la variable aleatoria que denota la cantidad de personas a favor del candidato de la regin Ri , para R1 , R2 y R3 . Luego, la cantidad de personas seleccionadas n = 20 . As, las probabilidades condicionales a priori de la muestra son:
k P ( X i 8 | n = 20, p Ri ) = C kn p R 1 p Ri i 8
nk
k =0
En donde, p Ri = P(F | Ri ) denota el porcentaje de personas de la regin i = 1, 2, 3 , que est a favor del
candidato. As, las probabilidades son: P ( X 1 8 | n = 20, p R1 = 0.20) = 0.9900 P ( X 2 8 | n = 20, p R2 = 0.50) = 0.2517 P ( X 3 8 | n = 20, p R3 = 0.70) = 0.0051 Luego, si denotamos por F = ( X i 2 | n = 35, p i ) tenemos:
Probabilidad conjunta
Probabilidades a posteriori
P ( Ri | F ) = P ( Ri F ) P( F )
Ri
R1
P ( Ri ) 0.25 0.25 0.50
P ( X i 8 | n = 20, p Ri ) | Ri 0.9900 0.2517 0.0051

3
P ( F Ri ) = P( F | Ri ) P ( Ri ) 0.2475 0.0629 0.0026
0.7908 0.2011 0.0081
R2
R3
Suma P( F Ri ) = P ( F ) = 0.3130
i =1
45
46.
Captulo 3
EJEMPLO 3
Una empresa productora de artculos domsticos, ha notado que sus lotes de entrega tienen los siguientes porcentajes de defectuosos 1%, 2%, 4% y 5% con una probabilidad de ocurrencia del 0.30, 0.25, 0.25 y 0.20, respectivamente. Si seleccionamos al azar 35 de estos artculos, cul es la probabilidad a posteriori de que a lo ms se encuentren 2 defectuosos en cada uno de los porcentajes de defectuosos dados. Solucin Sea X i la variable aleatoria que denota la cantidad de artculos defectuosos entre los 35 revisados para cada porcentaje de defectuosos 1%, 2%, 4% y 5%, i = 1, 2, 3, 4 , respectivamente. Luego, n = 35 y las probabilidades condicionales a priori de la muestra son:
k (1 p k ) P ( X i 2 | n = 35, pi ) = C kn p k k =0 2 nk
En donde, pi denota el porcentaje de defectuosos del porcentaje correspondiente i = 1, 2, 3, 4 . As, las probabilidades son:
P ( X 1 2 | n = 35, p1 = 0.01) = 0.9948 P ( X 2 2 | n = 35, p 2 = 0.02) = 0.9675 P ( X 3 2 | n = 35, p 3 = 0.04) = 0.8365 P ( X 4 2 | n = 35, p 4 = 0.05) = 0.7458
Luego, si denotamos por Y = ( X i 2 | n = 35, p i ) | P( X i ) tenemos:
P( X i ) P (( X i 2 | n = 35, p i ) | P ( X i ) )
P (Y X i ) = P(Y | X i ) P ( X i )
P( X i | Y ) = P( X i Y ) P (Y )
0.30 0.25 0.25 0.20
0.9948 0.9675 0.8365 0.7458

3
0.29845 0.24187 0.20913 0.14915
0.33213 0.26916 0.23273 0.16598
Suma P (Y X i ) = P (Y ) = 0.89861
i =1
EJERCICIOS 1. En una economa emergente la inflacin puede ser muy cambiante, de tal forma que tomar una decisin sobre la compra de un bien, puede realizarse en mejores trminos mediante un anlisis de decisin. As, un decisor que piensa comprar un carro sabe que el precio del mismo varia segn se comporte la inflacin en el pas. El decisor observa el comportamiento de la inflacin y el incremento del precio de los autos, obteniendo la siguiente informacin mediante resultados histricos. Si la inflacin aumenta considerablemente la probabilidad de que el costo del carro aumente en el prximo mes es de 0.75; si la inflacin aumenta moderadamente la probabilidad de que el costo del carro aumente en el prximo mes es de 0.45; si la inflacin se mantiene constante la
46
probabilidad de que el costo del carro aumente en el prximo mes es de 0.15 y finalmente si la inflacin disminuye la probabilidad de que por motivos de planeacin el costo del carro aumente en el prximo mes es 0.05. Por otro lado, tambin encontr que la probabilidad de que la inflacin aumente: considerablemente, moderadamente, se mantenga constante o disminuya en los prximos meses es de 0.25, 0.30, 0.35 y 0.10, respectivamente. Calcule las probabilidades a posteriori para cada evento. 2. Los bancos que otorgan crditos siempre estn en riesgo de que los deudores no liquiden sus prstamos. De tal forma que llevaron un estudio de riesgo sobre la recuperacin de capital de los prstamos, obteniendo que al otorgar crditos a personas sin realizar un estudio detallado el 15% de las veces se tiene un alto riesgo de que no paguen; un riesgo moderado de que no paguen el 20% de las veces y un riesgo bajo del 35% de que no paguen. Por otro lado, el gerente tiene los resultados del bur crediticio del pas, en estos resultados se tiene que en el 10% de los casos un riesgo bajo se considera como riesgo alto; en el 30% de los casos un riesgo moderado se considera como un alto riesgo y en el 80% de los casos un alto riesgo es realmente un alto riesgo. As, que el gerente del banco decide realizar estudios de solvencia econmica a sus solicitantes de prstamos. Calcule las probabilidades a posteriori para cada uno de los riesgos crediticios en cada uno de los tipos de solicitantes; alto riesgo, riesgo moderado y bajo riesgo. 3. Una empresa comercializadora que exporta tiene los porcentajes de artculos defectuosos, como se muestra en la siguiente tabla. Evento
E1 E2 E3 E4
Fraccin de artculos defectuosos, pi 0.01 0.03 0.05 0.10
P ( Ei )
0.10 0.40 0.30 0.20
Supngase que se toma una muestra de tamao 50 y decide analizar todo el lote si a lo ms se tienen 5 artculos defectuosos. Determine las probabilidades a posteriori para cada evento. 3.3 VALOR ESPERADO DE LA INFORMACIN PERFECTA (VEIP) Se mencion al inicio que el decisor parte del principio de racionalidad, l siempre elegir la alternativa que maximiza la ganancia esperada o minimiza la prdida relativa. Por lo que surge un nuevo concepto relacionado con la prdida relativa, referente a la eleccin de la mejor decisin y se le da el nombre de costo de incertidumbre. Entenderemos por costo de incertidumbre a la cantidad mxima que el decisor est dispuesto a pagar por saber o conocer el evento o estado de la naturaleza que ocurrir. Por consiguiente, es comn que el costo de incertidumbre se conozca tambin como el Valor Esperado de la Informacin Perfecta, y se denota por VEIP. As, el VEIP es el costo que elimina a toda la incertidumbre. Definicin 1 El Valor Esperado de la Informacin Perfecta (VEIP) es la cantidad que se deja de ganar o se pierde por la presencia de condiciones de incertidumbre que afectan las acciones en una toma de decisiones.
47
48.
Captulo 3
Para calcular el VEIP, se puede hacer de dos formas, dependiendo de la matriz de decisiones pagos o prdida de oportunidad, ambas son equivalentes, tal y como se ver a continuacin. Forma 1. Clculo del VEIP a travs de una matriz de pagos Supngase que se tiene una matriz de pagos, y denotemos por VE (a ) el valor esperado de la accin a, el VEIP se puede calcular de la siguiente manera. VEIP = min{ VE ( mejores acciones por evento) VE (accin i)} .
i =1 m
En algunas literaturas a VE (mejores acciones por evento) se le da el nombre de GEIP, ganancia esperada con la informacin perfecta. Es decir,
GEIP = VE (mejores acciones por evento) = ( mejores acciones por evento i) pi
i =1 m
Luego, VEIP = min{GEIP VE (accin i )}.

i =1 m
EJEMPLO 4
Sea el ejemplo del vendedor de peridicos visto en el captulo 3, en donde result la matriz de pagos vender 100 200 300 400
Comprar 100 200 300 400
0.1
400 50 -300 -650
0.2
400 800 450 100
0.4
400 800 1200 850
0.3
400 800 1200 1600
a) Obtenga la ganancia esperada de la informacin perfecta, GEIP. b) Calcule el valor esperado de la informacin perfecta, VEIP. Solucin a) Para calcular la ganancia esperada de la informacin perfecta, primeramente encontramos la mejor accin por cada evento. Por ejemplo, para el evento vender 100 peridicos, la mejor accin sera comprar 100 peridicos, ya que da una ganancia de $400, mientras que las otras acciones daran ganancias de $50, -$300 y -$650 pesos. Similarmente para el evento de vender 200 peridicos la mejor accin sera comprar 200 peridicos con una ganancia de $800 pesos. Al final se obtienen las mejores parejas (accin, evento) mostradas en negrilla en la tabla siguiente vender Comprar 100 200 300 400
48
100 0.1 400 50 -300 -650
200 0.2
400 800 450 100
300 0.4
400 800 1200 850
400 0.3
400 800 1200 1600
Despus de haber encontrado las mejores acciones por evento, se calcula el valor esperado, considerando dichas acciones.
GEIP = (mejores acciones por evento) p i
i =1 m
= 400(0.1) + 800(0.2) + 1200(0.4) + 1600(0.3) = 1160.
b) Para calcular el VEIP, se encuentran los valores esperados por accin, tal y como se puede apreciar en la ltima columna de la tabla siguiente. vender Comprar 100 200 300 400 100 0.1 400 50 -300 -650 200 0.2 400 800 450 100 300 0.4 400 800 1200 850 400 0.3 400 800 1200 1600 VE 400 725 900 775
Finalmente, se calculan las diferencias GEIP VE (accin i ) y se obtiene la mnima de ellas vender Comprar 100 200 300 400 100 0.1 400 50 -300 -650 200 0.2
400 800 450 100
300 0.4
400 800 1200 850
400 0.3
400 800 1200 1600
VE
400 725 900 775
VEIP = min{GEIP VE (accin i )}

i =1
760 435 260 385
Como se puede apreciar en la ltima columna de la tabla anterior se encuentra en negrilla el VEIP. Luego, el decisor (vendedor) estar dispuesto a pagar $260 por la informacin perfecta, es decir, aquella que elimina toda su incertidumbre.
Forma 2. Clculo del VEIP a travs de una matriz de prdida de oportunidad

Otra manera de calcular el VEIP para los datos de una matriz de pagos, se obtiene a travs de su matriz de prdida de oportunidad.
Si tenemos una matriz de pagos, para determinar el VEIP, primeramente debemos encontrar la matriz de prdida de oportunidad correspondiente. Con la matriz de prdida de oportunidad obtenida en el punto anterior, resulta VEIP = min{ VE (accin i )} .
i =1 m
Cuando se obtiene la matriz de prdida de oportunidad a la cantidad min{ VE (accin i)} , tambin
i =1
se le conoce como, Prdida de Oportunidad Esperada, POE. Es decir, VEIP = POE .

EJEMPLO 5
Sea el ejemplo del vendedor de peridicos visto en el captulo 3, en donde result la matriz de pagos 49
50.
Captulo 3
vender Comprar 100 200 300 400
100 0.1 400 50 -300 -650
200 0.2 400 800 450 100
300 0.4 400 800 1200 850
400 0.3 400 800 1200 1600
a) Obtenga su matriz de prdida de oportunidad. b) Con base en la matriz encontrada en (a) calcule el POE o el VEIP. Solucin a) Se calcula la matriz de prdida de oportunidad, de la matriz de pagos. vender Comprar 100 200 300 400 100 0.1 0 350 700 1050 200 0.2 400 0 350 700 300 0.4 800 400 0 350 400 0.3 1200 800 400 0
b) Con base en la matriz encontrada en (a) se calcula el POE o el VEIP. Para esto se obtiene el valor esperado por accin de (a) vender Comprar 100 200 300 400 100 0.1 0 350 700 1050 200 0.2 400 0 350 700 300 0.4 800 400 0 350 400 0.3 1200 800 400 0 VE 760 435 260 385
Se puede apreciar que la respuesta no cambia con respecto al inciso (a). VEIP = POE = 260 . Es decir, el decisor (vendedor) estar dispuesto a pagar $260 por la informacin perfecta. Forma 1. Clculo del VEIP a travs de una matriz de costos Considerando el comentario que se hizo en la seccin 3.2.7, en el cual se mencionaba que si los costos se trabajaban con sus signos (negativos) los criterios no cambiaban, tenemos:
VEIP = min{ VE (mejores acciones por evento) VE (accin i)} = min{GEIP VE (accin i)} .
i =1 i =1 m m
EJEMPLO 6
En una economa emergente las tasas de inters para prstamos bancarios generalmente estn variando. De tal forma que los bancos acostumbran ofrecer prstamos con tasas de inters variable. Si usted tendra que tomar una decisin sobre pedir un prstamo de $180,000 para la adquisicin de un terreno, a pagar a 4 aos, con las siguientes opciones.
50
Prstamo variable por Banamex a una tasa de inters variable de 15%, 16%, 17% y 21% anual, con probabilidades de ocurrencia, 0.20, 0.25, 0.30 y 0.25, respectivamente. Prstamo variable por Bancomer a una tasa de inters variable de 14%, 16%, 18% y 20% anual, con probabilidades de ocurrencia, 0.20, 0.25, 0.30 y 0.25, respectivamente. Prstamo variable por HSBC a una tasa de inters variable de 13%, 17%, 19% y 22% anual, con probabilidades de ocurrencia, 0.20, 0.25, 0.30 y 0.25, respectivamente. Sean las acciones ai , tipo de prstamo; i = 1 tasa variable Banamex, i = 2 tasa variable
Bancomer i = 3 tasa variable HSBC, mientras que los eventos estarn compuestos por la situacin a ocurrir y tienen probabilidades del 0.20, 0.25, 0.30 y 0.25, respectivamente. a) Construya una tabla de decisiones que represente el pago del prstamo a realizar segn sea cada accin. b) Obtenga la ganancia esperada de la informacin perfecta, GEIP. c) Obtenga el valor esperado de la informacin perfecta, VEIP.
Solucin a) Las consecuencias se calculan con la cantidad de dinero que tendra que pagar por el prstamo recibido, segn sea el evento que se presente. As, de esta forma para el caso de tasa variable, en el primer evento, 0.15 180000 = 27000 , el cual se anota como negativo, ya que se trata de un costo. Similarmente para las dems consecuencia, 0.16 180000 = 28800 0.17 180000 = 30600
Hasta completar la tabla (obsrvese que todas las consecuencias son negativas). Eventos Acciones Banamex - M Bancomer - B HSBC - H
T1 p1 = 0.20 -27000 -25200 -23400
T2 p 2 = 0.25 -28800 -28800 -30600
T3 p3 = 0.30 -30600 -32400 -34200
T4 p 4 = 0.25 -37800 -36000 -39600
b) Para calcular el GEIP, primeramente encontramos la mejor accin por cada evento. En este caso la mejor accin es el mayor (se est considerando el signo). Por ejemplo, para el evento de tasa T1 el mayor es 23,400 ( 23400 > 25200 > 27000 ). Similarmente para los dems eventos, al final se obtienen las mejores parejas (accin, evento) mostradas en negrilla en la tabla siguiente.
Eventos Acciones Banamex - M Bancomer - B HSBC - H
T1 p1 = 0.20 T2 p 2 = 0.25 T3 p3 = 0.30 T4 p 4 = 0.25
-27000 -25200 -23400
-28800 -28800 -30600
-30600 -32400 -34200
-37800 -36000 -39600

51
52.
Captulo 3
Despus de haber encontrado las mejores acciones por evento, se calcula el valor esperado, considerando dichas acciones.
GEIP = (mejores acciones por evento) pi
i =1 m
= 23400(0.20) 2800(0.25) 30600(0.30) 36000(0.25) = 30060
c) Para calcular el VEIP, se calculan los valores esperados por accin, como se aprecia en la penltima columna de la tabla siguiente. Finalmente, se calculan las diferencias GEIP VE (accin i) y se obtiene la mnima de ellas, ver ltima columna de la tabla siguiente.
T1 p1 = 0.20
T2
T3
T4 p 4 = 0.25
p 2 = 0.25 p3 = 0.30
VE -31230 -30960 -32490
VEIP = min{GEIP VE (accin i )}

i =1
-27000 -25200 -23400
-28800 -28800 -30600
-30600 -32400 -34200
-37800 -36000 -39600
1170 900 2430
Como se puede apreciar en la ltima columna de la tabla anterior se encuentra en negrilla el VEIP. Luego, el decisor estar dispuesto a pagar por la informacin perfecta $900.
Forma 2. Clculo del VEIP para una matriz de prdida de oportunidad de costos Para calcular el VEIP a partir de una matriz de prdida de oportunidad de una matriz de costos, se obtiene de la siguiente forma. Encontramos primeramente la matriz de prdida de oportunidad correspondiente. Con la matriz de prdida de oportunidad encontrada en el punto anterior, resulta VEIP = min{VE (accin i )} = POE .
i =1 m
EJEMPLO 7
Resuelva el ejemplo 6 con la matriz de prdida de oportunidad, encontrando el POE.
Solucin a) En la tabla de costos del ejemplo se obtiene la matriz de prdida de oportunidad, obteniendo la matriz siguiente:
T1 p1 = 0.20
3600 1800 0
T2 p 2 = 0.25
0 0 1800
T3 p3 = 0.30
0 1800 3600
T4 p 4 = 0.25
1800 0 3600
Ahora se calculan los valores esperados por acciones y se elige al menor, ver la ltima columna de la tabla siguiente.
52
T1 p1 = 0.20
T2 p 2 = 0.25
T3 p3 = 0.30
T4 p 4 = 0.25
VE 1170 900 2430
3600 1800 0
0 0 1800
0 1800 3600
1800 0 3600
Luego, lo que el decisor estar dispuesto a pagar por la informacin perfecta es $900 y como era de esperarse coincide con el valor del ejemplo 6. 3.4 VALOR DE LA INFORMACIN MUESTRAL (VIM) Cuando se lleva a cabo el estudio de algn fenmeno el conocimiento de informacin muestral nos permitir tener una mejor estimacin de las probabilidades asignadas a los eventos o estados de la naturaleza. Dicha mejora se basa en el Teorema de Bayes, el cual modifica las probabilidades a priori, obteniendo probabilidades a posteriori que se emplean en la toma de decisiones, relacionada con un evento en especfico. As, de lo anterior vemos que el decisor se enfrenta ante una situacin en la que las acciones a elegir dependen del muestreo. Es decir, la accin que el decisor elija en condiciones a priori puede variar cuando se agrega informacin de la muestra, de esta forma surge el concepto econmico en Teora de decisiones valor de la informacin muestral, denotado por VIM . Definicin 2 El Valor de la informacin muestral (VIM) es la diferencia entre ganancias o costos esperados a posteriori correspondientes a las mejores acciones, a posteriori y a priori. En forma prctica el VIM se calcula de la siguiente manera:
VIM = Pago esperado (costo) a posterior correspondiente a la mejor accin a posterior pago esperado (costo) a posterior correspondiente a la mejor accin previa.
NOTA
El VIM no puede ser negativo, esto se debe a que el VIM nos muestra una medida cuantitativa de la necesidad de revisar o no un muestreo. El VIM es cero cuando las mejores acciones a priori y a posteriori coinciden. Esto ltimo indica que pudimos no realizar la muestra, pero si el VIM es positivo, este hecho indica que la cantidad correspondiente al VIM es la ganancia esperada por haber utilizado la informacin muestral.
EJEMPLO 8
El gerente de mercadotecnia de una empresa considera la posibilidad de lanzar una nueva lnea de aparatos telefnicos mviles. Por experiencia, estudiando la demanda de otras empresas clasifica su propia demanda en tres niveles con sus correspondientes ganancias semanales. Las probabilidades de los tres niveles de demanda son: Baja ( E1 ) = 0.2 , media ( E 2 ) = 0.5 , alta ( E 3 ) = 0.3 .
53
54.
Captulo 3
El gerente se da cuenta que la competencia es grande, as que decide aplicar una encuesta para sondear la aceptacin que tendra su nuevo aparato telefnico mvil. Decide nada ms dos resultados posibles: aceptacin favorable (B) y no favorable. De la encuesta se obtienen los siguientes resultados para cada nivel de demanda Demanda Baja E1
Aceptacin Favorable 0.4 Aceptacin no Favorable 0.6 Aceptacin Favorable 0.8 Aceptacin no Favorable 0.2 Aceptacin Favorable 0.6 Aceptacin no Favorable 0.4
Demanda Media E 2
Demanda Alta E3
a) Calcule las probabilidades a posteriori para cada uno de los niveles de demanda. b) Calcule el VIM Solucin Dado que el diagnstico result no favorable. Probabilidad a priori Probabilidad a posteriori
Ei
P( Ei )
0.20 0.50 0.30
P( B c | Ei )
0.60 0.20 0.40
P( Ei B c )
0.12 0.10 0.12 = 0.34
P( Ei | B c )
0.12 / 0.34 = 0.353 0.10 / 0.34 = 0.294 0.12 / 0.34 = 0.353
E1 E2 E3
Dado que el diagnstico result favorable. Probabilidad a priori Probabilidad a posteriori
Ei E1 E2 E3
P( Ei )
0.20 0.50 0.30
P( B | E i )
0.40 0.80 0.60
P( Ei B )
0.08 0.40 0.18 = 0.66
P( Ei | B )
0.08 / 0.66 = 0.121 0.40 / 0.66 = 0.606 0.18 / 0.66 = 0.273
b) Para obtener el VIM el gerente presenta un cuadro de ganancias y prdidas de lanzar el nuevo producto en millones de pesos, en los distintos niveles de demanda, ver tabla siguiente.
54
Ganancias Semanales Probabilidad Demanda Lanzar el Nuevo Tel. No lanzar el Nuevo Tel. 0.20 0.50 0.30 Baja Media Alta -$30 $60 $100 $0 $0 $0
Solucin La mejor decisin utilizando probabilidades a priori. Vender el Nuevo producto: E = 0.2( 30) + 0.5(60) + 0.3(100 ) = $54 . No lanzar el Nuevo Producto: E = 0.2(0) + 0.5(0) + 0.3(0) = $0 . La mejor decisin, lanzar el nuevo telfono, con una utilidad esperada de $54,000,000. Anteriormente se estimaron las probabilidades a posteriori de un resultado favorable y uno no favorable. Con estos datos se determina la solucin ptima en ambos casos. Cul es la mejor decisin si el diagnstico resulta no favorable? Vender el Nuevo telfono: E = 0.353( 30 ) + 0.294 (60 ) + 0.353(100 ) = $42 .35 . No Vender el Nuevo telfono: E = 0.353(0) + 0.294 (0) + 0.353(0) = $0 . La mejor decisin es lanzar el Nuevo Telfono. Cul es la mejor decisin si el resultado es favorable? Vender el Nuevo telfono: E = 0 .121 ( 30 ) + 0 .606 ( 60 ) + 0 .273 (100 ) = $ 60 .03 . No Vender el Nuevo telfono: E = 0 .121 ( 0 ) + 0 .294 ( 0 ) + 0 .353 ( 0 ) = $ 0 . La mejor decisin es lanzar el Nuevo Telfono. Cul es el Valor de la Informacin Muestral cuando el resultado es no favorable? La mejor accin previa es lanzar el nuevo telfono, luego su valor correspondiente a la accin a posterior lanzar el telfono $42,350,000. La mejor accin a posterior es lanzar el nuevo telfono y su valor es $42,350,000.
VIM = 42,350,000 42,350,000= 0.

La mejor decisin no cambia con el resultado muestral, es decir, pudimos no revisar la muestra y quedarnos con el valor esperado previo. An as debemos agregar que un estudio muestral revela informacin sobre la incertidumbre que se presenta en este tipo de situaciones. Por ejemplo, si obtenemos la diferencia entre la ganancia posterior y previa de la mejor accin: $42,350,000 - $54,000,000 = -$11,650,000, este resultado nos indica que la ganancia esperada,
55
56.
Captulo 3
utilizando informacin muestral es $11,650,000 menos que la ganancia esperada inicial indicada sin el muestreo. Cul es el Valor de la Informacin Muestral cuando el resultado es favorable? La mejor accin previa es lanzar el nuevo telfono, luego su valor correspondiente a la accin posterior lanzar el telfono $60,030,000. La mejor accin posterior es lanzar el nuevo telfono y su valor es $60,030,000.
VIM = $60,030,000 $60,030,000= 0.

La mejor decisin no cambia con el resultado muestral, es decir, pudimos no revisar la muestra y quedarnos con el valor esperado previo. Pero analicemos la informacin obtenida, si obtenemos la diferencia entre la ganancia a posterior y previa, de la mejor accin: $60,030,000 - $54,000,000 = $6,030,000, este resultado nos indica que la ganancia esperada, utilizando informacin muestral nos dice que estaramos ganando $6,030,000 ms que el valor esperada inicial indicado sin muestreo. El ejemplo anterior aunque sencillo nos ayuda a interpretar el VIM y la informacin que de l podemos obtener.
EJEMPLO 9
Una empresa productora de artculos domsticos, est pensando en lanzar al mercado un nuevo artculo similar a uno que tiene actualmente. El gerente quisiera tomar una decisin de cul artculo le conviene fabricar, para esto lleva a cabo un estudio y obtiene que el nuevo producto le dara una utilidad de 450um por artculo, mientras que el anterior una utilidad fija de 420um. Por otro lado, para reforzar su decisin obtuvo los siguientes porcentajes de artculos buenos para el nuevo artculo 95%, 92%, 90% y 88% artculos buenos con una probabilidad de ocurrencia del 0.40, 0.25, 0.20 y 0.15, respectivamente. Los lotes de ventas tienen 25,000 artculos. Encuentre el VIM para la utilidad de los artculos nuevos y anteriores, si se toma el criterio de seleccionar al azar 100 de estos artculos y considerar que al menos 95 de ellos seran buenos. Solucin Para resolverlo se recomienda utilizar algn paquete para realizar los clculos, por ejemplo Excel. Primeramente calcularemos las probabilidades a posteriori.
Sea X i la variable aleatoria que denota la cantidad de artculos buenos entre los 100 revisados para cada porcentaje de buenos 95%, 92%, 90% y 88%, i = 1, 2, 3, 4 respectivamente. Luego, n = 100 y las probabilidades condicionales a priori de la muestra son:
P ( X i 95 | n = 100, p i ) =
C
k = 95
100
n k
k (1 p k ) pk
nk
En donde, pi denota el porcentaje de buenos del porcentaje correspondiente i = 1, 2, 3, 4 . As, las probabilidades son: P ( X 1 95 | n = 100, p1 = 0.95) = 0.6160
P ( X 2 95 | n = 100, p 2 = 0.92) = 0.1799 P ( X 3 95 | n = 100, p3 = 0.90) = 0.0576 P ( X 4 95 | n = 100, p 4 = 0.88) = 0.0152
56
Luego, si denotamos por Y = ( X i 95 | n = 100, p i ) | P ( X i ) tenemos: Probabilidades a priori

P( X i ) P (( X i 95 | n = 100, p i ) | P( X i ) )
P (Y X i ) = P(Y | X i ) P ( X i )
P( X i | Y ) = P( X i Y ) P (Y )
0.40 0.25 0.20 0.15
0.6160 0.1799 0.0576 0.0152

4
0.24640 0.04497 0.01152 0.00228
0.80742 0.14736 0.03773 0.00748
Suma P (Y X i ) = P(Y ) = 0.30517

i =1
Segundo calcularemos las utilidades a priori y veremos cul es la mejor decisin Utilidad por tipo de Utilidad esperada a artculo priori Fraccin de Probabilidad buenos a priori uevo Anterior uevo Anterior 0.950 0.40 10687500 10500000 4275000 4200000 0.920 0.25 10350000 10500000 2587500 2625000 0.900 0.20 10125000 10500000 2025000 2100000 0.880 0.15 9900000 10500000 1485000 1575000 1.00 10372500 10500000 Mximo = 10,500,000
Mejor decisin a priori seguir con el artculo anterior.
Tercero calcularemos las utilidades a posteriori y veremos cul es la mejor decisin Utilidad por tipo de artculo Fraccin de buenos 0.950 0.920 0.900 0.880 Probabilidad a posteriori 0.80742 0.14736 0.03773 0.00748 uevo 10687500 10350000 10125000 9900000 Anterior 10500000 10500000 10500000 10500000 Utilidad esperada a posteriori Anterior 8477958 1547268 396214 78561 10500000
uevo 8629350 1525164 382063 74072 10610649 Mximo = 10,610,649
Mejor decisin a posteriori lanzar al mercado el nuevo artculo.
Cuarto calcularemos el VIM

VIM = 10,610,649 10,500,000 = 110,649 .
57
58.
Captulo 3
Es decir, el valor de la informacin muestral es 110,649 um con una probabilidad de ocurrencia de 0.30517 (valor de la probabilidad total al calcular la probabilidad a posteriori). Esto lo podemos interpretar como el valor 110,649 um que ganaremos ms por haber hecho el muestreo, si tomamos la decisin de lanzar el nuevo producto al mercado y puede ocurrir con una probabilidad de 0.30517. 3.5 GANANCIA NETA ESPERADA DE MUESTREO (GNEM) Se ha visto el valor de la informacin muestral, el cual se calcul bajo un valor fijo de la muestra. Por consiguiente, surge la pregunta: Cmo ser el VIM cuando se tienen otros tamaos de muestra? Sabemos que el valor del VIM depende del tamao de la muestra, por otro lado, si a cada VIM calculado se le asigna una probabilidad, se puede calcular un valor semejante al valor esperado de los VIM`s, al que se le da el nombre de VEIM, valor esperado de la informacin muestral. Se dice que el VEIM es un valor semejante al valor esperado de los VIM`s, ya que no se trata de variables aleatorias que tengan alguna distribucin de probabilidades, pero sin embargo la frmula para clculos es similar,
VEIM = VIM i p i .
i =1 k
La igualdad se lee: El valor esperado de la informacin muestral es igual a la sumatoria de los valores de la informacin muestral de todos los k resultados posibles muestrales, multiplicados por su probabilidad de ocurrencia, pi . La probabilidad de ocurrencia de un VIM se obtiene de la tabla de probabilidades a posteriori y es igual a la probabilidad obtenida por el Teorema de la Probabilidad Total. Ntese que
EJEMPLO 10
p
i =1
no tiene que ser uno, puede ser un valor mayor o menor a la unidad.
En el ejemplo anterior (9), para el VEIM tenemos un slo tamao de muestra n = 100 . Luego,
VEIM = VIM i pi = 110649 0.30517 = 33,767 um.
i =1 k
EJEMPLO 11
Los siguientes datos son los VIM de un artculo que se est estudiando y sobre el que se tom una muestra de 3 de ellos y se determinaron las probabilidades de que ocurrieran 0, 1, 2 y 3 defectuosos. Calcule el VEIM para este caso. Para x = 0 un VIM 1 = $2,345 , con p1 = 0.46 .
Para x = 1 un VIM 2 = $2,050 , con p 2 = 0.24 . Para x = 2 un VIM 3 = $1,850 , con p3 = 0.06 . Para x = 3 un VIM 4 = $0 , con p 4 = 0.16 .
Solucin Calculamos el VEIM

58
VEIM = VIM i pi = 2345(0.46) + 2050(0.24) + 1850(0.06) + 0(0.16) = $1,682 .

i =1
Debido que se tienen diferentes tamaos de GNEM muestra, se puede definir un concepto ms, el de Ganancia neta esperada de muestreo, G EM. Resulta que la GNEM est en funcin del tamao ptimo de la muestra. Entendiendo por tamao ptimo de la muestra al valor de la muestra que maximiza la GNEM. En general n resulta que GNEM tiene su punto ms alto en algn tamao de la muestra, para despus descender, ver figura. De lo anterior, podemos concluir que en un problema de decisiones en donde se aplique la G EM es fundamental el anlisis de diversos tamaos de muestras, para elegir aquella que nos maximicen la ganancia neta esperada del muestreo.
Definicin 3 Llamaremos ganancia neta esperada del muestreo (G EM) a la diferencia entre el VEIM y el costo de la muestra (CM). As, G EM = VEIM CM Como se vio en las subsecciones previas la informacin muestral ayuda al decisor en una mejor toma de decisiones, puesto que ayuda a disminuir la incertidumbre al llevar a cabo una decisin. Adems al hacer uso de la informacin muestral, las acciones tomadas de manera a priori pueden variar como resultado de la informacin que se ha agregado. As, cuando la G EM de la muestra es superior a cero, entonces debe tomarse la muestra, siempre que no exista otra muestra que tenga otra G EM mayor.
EJEMPLO 12
En el caso del ejemplo 11 calcular la GNEM si el costo por revisar cada artculo es de 100 pesos. Solucin Hemos calculado el VEIM, VEIM = $1,682 , ahora el costo de muestreo CM = 3 100 = $300 . Finalmente, la ganancia neta esperada de muestreo
G EM = VEIM CM = 1682 300 = $1,382 .
EJEMPLO 13
En el caso del ejemplo 10 suponer un costo de 35 um por artculo revisado y calcular la GNEM.
Solucin Hemos calculado el VEIM, VEIM = 33,767 , ahora el costo de muestreo CM = 35 100 = $3500 . Finalmente, la ganancia neta esperada de muestreo
G EM = VEIM CM = 33767 3500 = 30,267 .
EJEMPLO 14
En el caso del ejemplo 10 suponemos un costo de 35 um por artculo revisado y calculamos la GNEM. a) Cuando fijamos n y variamos x. b) Cuando fijamos x y variamos n.
59
60.
Captulo 3
Solucin Realizamos los clculos de forma similar que en el ejemplo 9 y calculamos las GNEM, para el VEIM excluimos los casos que tienen GNEM negativo. Del ejemplo 9 notamos que es preferible tener un programa sencillo en Excel o algn otro paquete para realizar los clculos. As, considerando la ayuda de la hoja de clculo de Excel de Microsoft-office tendremos los resultados que se muestran en las tablas siguientes. Para el VEIM excluimos los casos cuando la GNEM se hace negativa. n 98 99 100 101 102 103 104 x 95 95 95 95 95 95 95 VIM 148678 131934 110649 85318 57240 28231 125 Proba VIM 0.12127 0.20764 0.30517 0.40409 0.49834 0.58519 0.66367 G EM 14600 23930 30266 30941 24955 12916 -3557 n 100 100 100 100 100 100 100 100 100 x 91 92 93 94 95 96 97 98 99 VIM 0 18928 51304 82672 110813 133623 151127 163659 172210 Proba VIM 0.69332 0.60788 0.51322 0.41114 0.30517 0.20251 0.1141 0.05056 0.01548 G EM -3500 8006 22830 30490 30316 23560 13743 4774 -834
VEIM= 74805 GNEM= $71,305 Considerando x fija y variando n Las grficas de la GNEM para cada caso estn dadas abajo.
Grfica GNEM 35000 30000 25000
GNEM
VEIM= 158171 GNEM= 154671 Considerando n fija y variando x
Grfica GNEM 35000 30000 25000 20000 15000 10000 5000 0 92 93 94 95 96 97

Valores de X
20000 15000 10000 5000 0 98 99 100 101 102 103

Valores de X
Considerando x fija y variando n
GNEM
Considerando n fija y variando x
60
Anlisis bayesiano de decisiones, caso discreto 61 EJERCICIOS
1. Prueba que la matriz de prdida de oportunidad para una matriz de pagos o costos en donde se conservan los signos sus consecuencias nunca son negativas. 2. Demuestre que en general VEIP = POE . 3. (2) En una caseta de cobro de una autopista funcionan dos carriles: el carril 1 recibe el 40% del flujo vehicular, en tanto que el carril 2 el restante 60%. Las autoridades han establecido un reglamento para circulacin de trileres, nicamente pueden circular por el carril 1.
a) Se sabe que el 10% del flujo que recibe el carril 1 son trileres y el 8% del carril 2 tambin lo
son. De todos los trileres que pasan por esa caseta de cobro, qu porcentaje viola el reglamento? b) (3) Despus de ver el porcentaje del inciso (a) sobre la violacin del reglamento, la autoridad decide realizar un estudio para ver si es necesario llevar a cabo una capacitacin de los chferes de los trileres, o toma sanciones ms severas contra los infractores. Proponen que si el porcentaje de chferes, que no conocen el reglamento, de una muestra que se tome es mayor al 50%, entonces llevarn a cabo la capacitacin, en caso contrario slo aplicarn sanciones ms severas. En el estudio se tom una muestra de 20 conductores de trileres, de los cuales 6 dijeron desconocer el reglamento. Determine si es necesario capacitar a los conductores de trileres. 4. (7 ) En una agencia de autos nuevos existen 3 vendedores V1 , V2 , V3 . El vendedor V1 atiende el 20%, V2 el 30% y V3 el restante del total de clientes. Se sabe que V1 y V2 venden cada uno el
10% de camionetas de contado y V3 el 15%. Despus de analizar una muestra de 10 ventas al contado, se encontr que tres de ellas son camionetas. Cul es la probabilidad a posteriori de que las tres las haya vendido uno de ellos? Encontrar la probabilidad para cada uno.
5. (9) En un centro recreativo existen 2 mquinas tragamonedas en diferentes sitios estratgicos: la mquina 1 recibe el 60% de las apuestas y su probabilidad de ganar es de 0.05, en tanto en la mquina 2 la probabilidad de ganar es de 0.08. Si se juegan 10 veces y se gana 5. Cul es la probabilidad de ganar en cada una de las mquinas? 6. (4) Una empresa comercializadora que importa herramientas de China est por recibir un lote de 10,000 taladros. El exportador indica que tienen la distribucin de probabilidad de encontrar taladros defectuosos, mostrada en la tabla de la derecha.
Fraccin de taladros defectuosos A1 :0.01 A2 :0.05 P( Ei ) 0.50 0.30
El costo por unidad es de $150, si la fraccin de 0.20 A3 :0.10 taladros defectuosos es de 0.05 o mayor, la empresa exportadora pagar el costo de regresar el lote; pero si es menor, la importadora tendr que aceptar el embargue o pagar los gastos que ascienden al 10% del costo total para poder regresarlo. Determine el Valor de la Informacin de la Muestra (VIM)
7. (15) Las instituciones que prefieren los CEOS (chef executive officer) en Mexico para estudiar una MBA (Master Business Administration) segn Wall Street Journal son IPADE 19%; ITESM 11%; otras universidades mexicanas 26%; Harvard 10%; Stanford University 9%; otras
61
62.
Captulo 3
universidades del extranjero 25%. Por otro lado se sabe que los egresados de estas instituciones encuentran empleo para dirigir una empresa en el primer ao de egreso de la siguiente forma: IPADE 65%; ITESM= 55%; otras universidades mexicanas 30%; Harvard 70%; Stanford University 70% y otras universidades extranjeras 50%. Si se eligen a 20 directores y altos ejecutivos de empresas, cul es la probabilidad de que 5 sean egresados del IPADE y 5 del ITESM? 8. Un pequeo inversionista tiene $3,900,000 pesos para invertir. l ha estudiado varias acciones comunes y escogi tres que son: GF Banorte, Siefore Inbursa y Credimax. l puede decidir invertir en partes proporcionales en las tres acciones. Consideremos tres situaciones posibles de incertidumbre: Alza fuerte (esto es, si los precios de las acciones se incrementan drsticamente), media y baja (es decir, si los precios de las acciones disminuyen) en el mercado a fin de este ao, el valor de sus acciones ($1,300,000 para cada una de las tres) cambiaran como se muestra en la tabla 1 (note que en caso de una alza baja tendra prdidas). Sus predicciones respecto a las tres probabilidades a ocurrir son 0.30, 0.50 y 0.20 respectivamente. Compra GF Banorte Siefore Inbursa Credimax Alza fuerte, S1 Alza media, S 2 Mercado a la baja S 3
p1 = 0.30
2, 200 2, 400 1, 900
p 2 = 0.50
1, 800 1, 700 1, 500
p3 = 0.20
1, 080 1, 000 1, 100
Tabla de Ganancias (miles) para tres acciones comunes bajo 3 condiciones de mercado a) Con la matriz de los valores de sus acciones a fin de ao calcule el VEIP. b) Encuentre la matriz de utilidades para el inversionista. c) Con la matriz de utilidades calcule cunto estara dispuesto a pagar por recibir la informacin perfecta. 9. (6 veip) Un pequeo fabricante de adornos Nmero de adornos navideos est evaluando la posibilidad de producir 1,000 un adorno de moda. Los costos para cada uno de stos se estiman en $15 y el precio al pblico sera de 1,500 $25. si los adornos no son vendidos en la prxima 2,000 temporada navidea, ya no se tendra un costo de 2,500 recuperacin. Por la experiencia del fabricante se 3,000 estima que la distribucin de la probabilidad de vender los adornos se muestra en la tabla de la derecha. Determine el valor esperado de la informacin perfecta (VEIP).
P( X ) 0.10 0.25 0.35 0.25 0.05
10. (8 veip) El dueo de un expendio de revistas compra los ejemplares de un semanario en $8 y los vende en $12; las ventas oscilan de 9 a 12 revistas y la probabilidad de ser vendidas es 0.15, para 9 ejemplares; 0.25 para 10; 0.35 para 11 ejemplares y 0.25 para 12. Si las revistas no son vendidas no se pueden devolver al editor, determina el valor esperado de la informacin perfecta. 11. (5 gnem) Una empresa comercializadora de herramientas de China sabe que el VIM es de $128,000.00 cuando se realiza un muestreo de 15 taladros, encontrndose 3 defectuosos, determina 62
la Ganancia Neta Esperada del Muestreo de la empresa, si el costo por revisar un taladro es de $35 y la probabilidad de ocurrencia es de 0.0351. 12. (12 gnem) El administrador de una fbrica de telas est analizando dos opciones: la primera trata sobre la venta de una antigua mquina tejedora en 500,000um la misma que est por depreciarse totalmente; la segunda opcin consiste en iniciar la ltima produccin de 10,000 metros de tela en rollos de 2metros de ancho cuya utilidad es de 60um el metro del rollo. En un muestreo realizado el administrador encontr que el 20% de la tela es defectuosa (20 de cada 10 metros de rollo), adems sabe que el VIM es cero y la probabilidad de ocurrencia de 0.1838, posteriormente con el mismo valor de VIM se clculo la probabilidad de encontrar un metro y cero metros de tela de rollo defectuoso, 0.3273 y 0.3936, respectivamente. Determine la GNEM si el costo por revisar un metro de tela de rollo es de 43um. 13. Una red de laboratorios farmacuticos est analizando la posibilidad de comercializar un nuevo medicamento para el control de peso. Los encargados del proyecto estiman 4 niveles de aceptacin del producto, como se puede apreciar en la siguiente tabla, en donde se muestra al mismo tiempo las probabilidades a priori y las condicionales del muestreo, obtenidas de un estudio de mercado realizado en la zona metropolitana de la ciudad de Mxico. Evento
E1 (alta) E 2 (media alta) E3 (media baja) E 4 (baja)
Probabilidad a priori P ( E i )
Probabilidad condicional del muestreo P ( M | E i )
Utilidades
0.45 0.35 0.10 0.10
0.45 0.35 0.10 0.10
Para las utilidades del proyecto y las dos situaciones que pueden darse sobre comercializar o no el nuevo medicamento determine: a) El VEIP a priori y a posteriori. b) VIM
Fraccin de artculos 14. Una empresa comercializadora que importa P ( Ei ) Evento defectuosos, pi cierto producto est por recibir un lote de 10,000 artculos. El vendedor indica que E1 0.005 0.20 tienen la distribucin de probabilidad de E2 0.008 0.40 artculos defectuosos mostrada en la tabla de la derecha. El costo por unidad es de 2,500 E3 0.010 0.25 um, si la fraccin de artculos defectuosos es E4 0.050 0.15 mayor o igual a 0.005 la empresa exportadora pagar el costo de regresar el lote; pero si es menor de 0.005, la empresa importadora tendr que aceptar el embarque o pagar gastos que ascienden al 5% del costo total de la mercanca para poder regresarlo; y si la fraccin de artculos defectuosos es de 0.008 la empresa importadora tendr que aceptar el embarque o pagar gastos que ascienden al 3% del costo total de la mercanca para poder regresarlo. Supngase que se toma una muestra de tamao 200 y rechaza en ambas situaciones si a lo ms se tienen tres
63
64.
Captulo 3
artculos defectuosos. Determine para los costos de las tres situaciones que pueden darse a la empresa importadora: a) El VEIP a priori y a posteriori. b) VIM Si el costo de unidad muestreada es de 10um c) Calcule la GNEM para n = 200 y n = 210 , cul tamao de muestra resulta ms ptimo (200 o 210). d) Bajo estas condiciones encuentre el tamao de muestra ptimo.
15. (10 vim) La Compaa Mueblera del DF desea comercializar refrigeradores de un nuevo proveedor en el mercado, quien le ofrece un lote de 2,000 aparatos a un precio de $3,200 cada uno. El fabricante asegura que la probabilidad de encontrar refrigeradores defectuosos es mostrada en la distribucin de probabilidad mostrada a la derecha.
Fraccin de refrigeradores defectuosos Ai

A1 : 0.01 A2 : 0.05 A3 : 0.10 A4 : 0.20
P ( Ai ) 0.5 0.3 0.1 0.1
Las condiciones que establece el proveedor son: si la mueblera encuentra 200 o ms refrigeradores defectuosos en este lote, los recoger sin costo alguno, adems de indemnizar a la mueblera con el 1% de valor total del lote por concepto de gastos de almacenaje. Pero si encuentran menos de 200 refrigeradores defectuosos, la mueblera los puede regresar siempre y cuando pague los costos de devolucin que ascienden a $320000. La empresa deber aceptar las condiciones del proveedor si se realiz un muestreo a 12 refrigeradores encontrndose 2 defectuosos?
16. (11 vim) Industrias El Corte Perfecto, S.A. es una Fraccin metros buenos de P ( Ai ) fbrica de telas que actualmente est analizando tela Ai dos opciones: la primera es vender una antigua mquina tejedora en $500,000 la cual est por 0.1 A1 : 0.99 depreciarse por completo; la segunda opcin es 0.2 A2 : 0.95 iniciar la ltima produccin de 10,000 metros de tela, cuya utilidad es de $60 por metro. Los 0.3 A3 :0.90 ingenieros de produccin mencionan que la 0.4 A4 : 0.85 fraccin de metros sin defectos con sus respectivas probabilidades se muestran en la tabla de la derecha. Los ingenieros realizan una prueba en la mquina produciendo 10 metros, hallando 2 defectuosos. Es conveniente iniciar el proceso de produccin o vender la mquina? Determine el VIM para cuantificar el riesgo.
64
3.6 GENERALIZACIN DE RESULTADOS PARA UNA DISTRIBUCIN BINOMIAL Suponga una situacin de mercadotecnia de una empresa que quiere promover un nuevo producto, para tal efecto analiza qu sistema de mercadeo le resulta ms redituable de un total de m sistemas de comercializacin. Por otro lado, con base en la experiencia y apoyndose en un estudio previo, determina que las ventas del nuevo producto tambin dependen de la proporcin de clientes potenciales, dadas por r1 , r2 , , rk , con
r
i =1
= 1 y ri > 0 , en donde ri i-sima proporcin de clientes
potenciales, con probabilidad de ocurrencia pi , para i = 1, 2, , k . Mientras que las ganancias estn
denotadas por xij , en donde i representa la i-sima proporcin de clientes potenciales correspondiente al j-simo sistema de comercializacin, para i = 1, 2, , k y j = 1, 2, , m . El problema general consiste en analizar los diferentes escenarios de decisin que tendra el gerente de mercadotecnia al seleccionar una muestra de n personas, de las cuales x ( 0 x n ) contestan que s compraran el nuevo producto. Vamos a realizar un anlisis de cmo se puede dar respuesta a las preguntas revisadas anteriormente. Es decir: a) Cul sera la mejor decisin previa? b) Cul sera la mejor decisin a posteriori? c) Cul sera el VEIP? d) Cul sera el VIM? e) Qu se requiere para determinar la GNEM y cmo se obtendra? Solucin
A) LA MEJOR DECISIN PREVIA
Para conocer qu sistema de mercadotecnia previo es el ms recomendable, utilizamos el criterio de valor esperado, por ejemplo para una tabla de ganancias localizamos cul de los m sistemas ser nuestra mejor opcin: Paso 1 Construccin de la Tabla de ganancias Se especifica en columnas cada una de la proporcin de clientes potenciales Ri , la probabilidad pi de la proporcin a priori de cada uno de los clientes potenciales, las ganancias conocidas de cada Sistema de Mercadotecnia, as como las ganancias redituables de cada uno de los 1, 2, 3,, m, sistemas Cada rengln especificar que evento se podra presentar estableciendo la cantidad de clientes potenciales dados por R1 , R2 , , Rk , y Ri > 0 , en donde Ri i-sima proporcin de clientes potenciales
para i = 1, 2, , k . Adems, Ri depender de la experiencia previa, apoyada en algn estudio previo,
como pueden ser pronsticos, entre otros ms, cada uno con probabilidad de ocurrencia pi , obtenida de manera heurstica o subjetiva por parte del decisor. Mientras que las ganancias estn denotadas por pi xij , en donde i representa la i-sima proporcin de clientes potenciales correspondiente al j-simo sistema de comercializacin, para i = 1, 2, , k y j = 1, 2, , m . Luego, la tabla de ganancias tendr la apariencia siguiente:
65
66.
Captulo 3
Ganancia utilizando el sistema j

Proporcin de Clientes Potenciales
Ganancia del sistema j a priori

1 p1 x11 p 2 x 21 2 p1 x12 p 2 x 22
P ( Ri )
a priori
p1 p2
1 x11 x21
2 x12 x22
m x1m x2m
m p1 x1m p2 x2 m
R1 R2
Rk
pk
xk1
xk 2
xkm
pk xk1 pi xi i
=1
pk xk 2 p i xi i
=1
p k x km p i xim i
=1
Paso 2 Con el criterio de valor esperado, elegir la mejor decisin previa con respecto a la mejor ganancia redituable para el decisor. Esto es obtener la sumatoria total de cada uno de los diferentes sistemas y elegir la ms fructfera para el decisor.
B) LA MEJOR DECISIN A POSTERIORI
Se procede de la misma forma que en el caso de la mejor decisin a priori. Con ayuda de probabilidades condicionales y los teoremas de la probabilidad total y bayes, calculamos cada una de las probabilidades a posteriori para cada evento que se presente. As, el clculo de la probabilidad condicional previa (a priori), P ( B | Ri ) que se lee la probabilidad de B dado Ri , lo que significa realizar un muestreo, inspeccin o encuesta que nosotros consideraremos por el momento de tipo Hipergeomtrico, pero que aproximaremos con la distribucin binomial.
Paso 1 Recordamos que la suma de las probabilidades de la proporcin a priori de cada evento R1 , R2 ,..., Rk
debe ser uno P ( R1 ) + P ( R2 ) + + P ( Rk ) = 1 . Al calcular la probabilidad condicional a priori, determinada por P ( B | Ri ) , en donde B expresa una variable aleatoria que depende, tanto de n como de x , y para calcularla utilizamos la distribucin de la condicional a priori P ( B (n, x) | Ri ) , como lo mencionamos previamente en este caso se trata de una distribucin hipergeomtrica que aproximaremos por la binomial, cuya frmula general en el caso de los parmetros p y n , es
n x P ( X = x) = C x p (1 p ) n x .
Aqu el parmetro p es la proporcin Ri , para cada i = 1, 2, , k . Luego,

n x P ( B(n, x) | Ri ) = C x Ri (1 Ri ) n x , para cada i = 1, 2, , k .
En donde:
n = Nmero Total de Personas. x = Nmero Total de Personas Seleccionados.
66
Paso 2 Colocamos en forma de tabla los valores obtenidos de cada resultado de las probabilidades condicionales para cada evento, enseguida obtenemos los productos de la probabilidad a priori y la probabilidad condicional [ P ( Ri ) P ( B (n, x) | Ri ) ]. Con ayuda de los teoremas de la probabilidad total y bayes calculamos las probabilidades a posteriori de cada uno de los eventos, ver tabla siguiente.
Probabilidad a Priori y condicional a priori
Probabilidad a posteriori
Ri
P ( Ri )
P ( B (n, x) | Ri )
P ( Ri B (n, x))
P ( Ri | B (n, x)) = pi*

* P ( R1 | B (n, x)) = p1
R1 R2 Rk
p1 p2 pk
P ( B (n, x) | R1 ) P ( B ( n, x ) | R 2 ) P ( B ( n, x ) | R k )
P ( R1 B (n, x)) P ( R2 B (n, x)) P ( Rk B (n, x)) P ( B) = P ( Ri B (n, x))

i =1 k
* P ( R2 | B ( n, x )) = p 2
* P ( R k | B ( n, x )) = p k
NOTA: P ( B ) es la probabilidad del VIM, que se utiliza para calcular el VEIM.
Paso 3 Construimos una tabla de utilidad para conocer qu sistema de mercadotecnia tendr mejores ganancias * manejando las probabilidades a posteriori representadas por p k x km , y elegimos la mejor decisin a posterior. Ganancia utilizando el sistema j
Ganancia del sistema j a posteriori 1

* p1 x11 * p2 x 21
P( pi* )
a posteriori
* p1
1
x11
2
x12
M
x1m
2
* p1 x12 * p2 x 22
m
* p1 x1m * p2 x2 m
R1
R2 Rk
* p2
x21 xk1
x22 xk 2
x2m xkm
k
* pk
* pk xk1
* pk xk 2
* pk x km
p
i =1
* i i1
pi* xi 2
i =1
p
i =1
* i im
67
68.
Captulo 3
C) EL VEIP
Primeramente acomodamos cada uno de los Eventos y Alternativas de Decisin del problema en una Matriz de Pagos y obtenemos su matriz de Prdidas de Oportunidad Arrepentimientos, que tendrn la siguiente representacin:
Matriz de Pagos para cada sistema j
Matriz de Prdidas de Oportunidad o Arrepentimientos para cada sistema j

Optimo para cada Ri
P ( Ri )
a priori
R1 R2
Y11 Y21
Y12 Y22
Y1m Y2 m
Y1* Y2*
Y1* Y11 Y2* Y21
Y1* Y12 Y2* Y22
Y1* Y1m Y2* Y2 m
p1 p2
Rk
Yk1
m
Yk 2
Ykm
Yk*
Yk* Yk1
Yk* Yk 2
Yk* Ykm
pk
En donde: Yi* = max{ Yij }, para i = 1, 2, , k .

j =1
Paso 1 Acomodamos en la Matriz de Pagos, para cada uno de los j sistemas, todas y cada una de las ganancias, encontramos el mximo para cada Ri con i = 1, 2, , k expresado por Yi* . Paso 2 Para la matriz de prdida de oportunidad calculamos, Yi* Yij con j = 1, 2, , m . Luego, calculamos el
valor esperado para cada sistema de la matriz de prdidas de oportunidad elegimos al mnimo de los valores esperados, este ser el POE. POE = Costo de Incertidumbre = Valor Esperado de la Informacin Perfecta (VEIP).
NOTA
Otra forma de calcular el VEIP, consiste en determinar para cada sistema su valor esperado de informacin perfecta
VEIPj = GEIP PE j = Yi* pi Yij pi = (Yi * Yij ) pi , j = 1, 2, , m .
i =1 i =1 i =1 k k k
Finalmente, obtenemos el mnimo de estas prdidas VEIP = min{ VEIPj } .

j =1
D) EL VIM
El Valor de la Informacin muestral VIM es la diferencia entre las ganancias o costos esperados a posteriori correspondientes a las mejores acciones: previa y a posteriori al muestreo.
Paso 1 Se calculan las mejores acciones a priori y a posteriori, como se hizo en los incisos A y B.
68
Paso 2 Para calcular el VIM, tenemos dos opciones Si la mejor accin a priori y a posteriori coinciden, entonces el VIM vale cero. Si la mejor accin a priori y a posteriori no coinciden, entonces el VIM es igual a la diferencia de los valores a posteriori correspondientes a cada una de las acciones; VIM = Valor a posterior correspondiente a la mejor accin a posterior menos el valor a posterior correspondiente a la mejor accin a previa.
NOTA
En caso de que nuestros valores se refirieran a algn costo se colocan como valores negativos.
E) GANANCIA NETA ESPERADA DEL MUESTREO GNEM
La G EM est en funcin del tamao ptimo de la muestra. Se define como la diferencia entre el valor esperado de la informacin muestral VEIM y el Costo de la Muestra G EM = VEIM CM . Si la G EM de la muestra que se considera es superior a cero, entonces debe tomarse la muestra; siempre que no exista otra muestra que tenga otra G EM mayor. El Valor esperado de la informacin muestral VEIM es la sumatoria de los valores de la informacin muestral de todos los resultados posibles muestrales (si los hay), multiplicados por su probabilidad de ocurrencia VEIM = (VIM i ) P ( Ri ) .
i =1 k
ESTUDIO DE CASO
Un fabricante de piezas metlicas en los ltimos cinco aos ha visto como su negocio va perdiendo hegemona en su ramo, tanto en el aspecto econmico, como en los recursos de produccin por malas decisiones a la hora de invertir sus recursos financieros. De prcticas pasadas el fabricante sabe que puede clasificar los eventos en las siguientes categoras; Extraordinario, Ventajoso, Productivo, Improductivo y Malo que es el peor escenario, el estima que dichos eventos ocurrirn con las siguientes probabilidades 0.15, 0.20, 0.30, 0.20 y 0.15, respectivamente. Siendo posible vender 10,000 cajas de transmisin a las armadoras de autos con las siguientes alternativas en costos $200, $190, $185, $180 y $175 pesos cada una, con respecto a los eventos. Debido a los precios de venta que maneja el fabricante a continuacin se muestra una tabla del porcentaje de cajas de transmisin que l espera vender para cada evento que se presente.
Porcentaje estimado de ventas segn costos Categoras Extraordinario Ventajoso Productivo Improductivo Malo 200
85% 81% 84% 50% 10%
190
86% 81% 88% 55% 12%
185
88% 83% 92% 60% 20%
180
89% 84% 93% 60% 21%
175
90% 85% 94% 65% 22%
69
70.
Captulo 3
Para competir, su firma primeramente debe disear un dispositivo de prueba para el proceso de produccin, para el que tiene dos opciones y de las cuales elegir la que le de un menor costo fijo de produccin para 10,000 unidades: Opcin 1 El Fabricante puede utilizar sus mquinas existentes, la reparacin de las mquinas actuales costar $40,000 y el costo por cada unidad producida ser de $25, y en caso de que la maquinara llegase a fallar se suma a los costos un tiempo extra. En la siguiente tabla se muestran los costos y probabilidades de situaciones de trabajo que se pueden suscitar con la maquinaria existente. Otros egocios Probabilidad Costos de Tiempo extra Pesado Normal Ligero Opcin 2 Comprar nueva forja con un costo de $270,000 incluyendo costos de montaje para las cajas de transmisin. Con la nueva forja, la firma no incurrir en ningn costo por tiempo extra y el costo de produccin sera de slo $15 por unidad. Con esta informacin y contemplando un muestreo binomial se pretende determinar la mejor alternativa en precios, a priori y a posteriori, utilizar estas para determinar su VEIP, VIM, GNEM, etc. El decisor lleva un estudio detallado sobre las cajas de transmisin fabricadas y disea un experimento de aceptacin. Toma muestras de tamao n y realiza una prueba binomial. Es decir, elige n cajas y calcula la probabilidad de que a lo ms 5 de ellas sean defectuosas. Por otro lado, las probabilidades en cada evento; extraordinario, ventajoso, productivo, improductivo y malo, de que las cajas sean defectuosas son, 0.10, 0.15, 0.10, 0.15 y 0.20, respectivamente. Los costos finales se obtienen sumando costos fijos ms los costos de $10 por caja de transmisin revisada. Sugerencia los costos fijos se obtienen eligiendo la mejor de las dos alternativas, comprar o no la forja nueva. Calcule la matriz de utilidad y conteste a las siguientes preguntas. a) Cul sera la mejor decisin previa? b) Cul sera la mejor decisin a posteriori para n = 40 y n = 45 con x = 5 ? c) Cul sera el VEIP a priori y a posteriori, para cada uno de los dos casos? d) Cul sera el VIM para cada uno de los dos casos? e) Qu se requiere para determinar la Ganancia Neta Esperada del Muestreo (GNEM) y cmo se obtendra? f) Cmo se obtendra el tamao ptimo de la muestra en la Ganancia Neta Esperada del Muestreo?
70
0.2 0.7 0.1
$200,000 100,000 0
Tabla Datos de costos y probabilidades para el modelo del fabricante de cajas automticas
Captulo 4
ANLISIS BAYESIANO DE DE DECISIONES, DECISIONES, CASO CONTINUO
Introduccin
Hasta el momento se han considerado las distribuciones de probabilidad para variables aleatorias discretas, ahora iniciaremos la revisin de los conceptos anteriores para las variables aleatorias continuas. Sobre dichas variables nos interesarn sus parmetros de posicin, los cuales bajo el contexto bayesiano son variables aleatorias y por consiguiente tienen una importancia relevante en los estudios econmicos. As, los problemas que revisaremos en variables aleatorias continuas, sern los mismos que en las variables aleatorias discretas: VEIP, POE, VEIM y GNEM, bajo situaciones aleatorias del parmetro de posicin, media. El parmetro media en el enfoque bayesiano es considerada una variable aleatoria ya que est determinado por la subjetividad de un individuo. Por ejemplo, se hace el estudio de la demanda a dos tipos de telfonos mviles (dos acciones), detectando a las variables que afectan la demanda de cada uno de ello y podran ser entre otras: El tamao del telfono. El precio (que representara un costo fijo). Cada cuntas horas necesita recarga (gastos variables en funcin de su uso). Capacidad de almacenamiento en memoria.
Para llevar a efecto el estudio de los telfonos ser necesario asignar un valor promedio (media poblacional) a la cantidad de veces que se utiliza, de esta forma podremos determinar cul de ellos es el ms econmico?. Finalmente podemos aplicar un muestreo para la mejor opcin, corroborando y sustentando los resultados obtenidos. Los modelos que vamos a revisar, tienen su atractivo en el sentido que en ellos intervendr el conocimiento y experiencia del decisor, puesto que no nicamente utilizaremos los datos que genera una muestra, sino una combinacin, tanto del juicio personal como del anlisis estadstico, esto obligar a la persona que toma la decisin, administrador, gerente, etctera, a estar pendiente de todo lo que podra afectar su decisin. El estudio se lleva a efecto iniciando con una muestra de tamao 1, es decir, considerando sola71
72 Captulo 4
-mente un vendedor, un negocio, etctera. Posteriormente, cuando introduciremos una seccin para ver cmo se globalizan los conceptos revisados hasta ese momento, y con ellos estudiaremos al VEIM y GNEM, en donde es indispensable una muestra. VALORES INICIALES DE LOS PARMETROS NORMALES La estimacin de la media de una poblacin utilizando el anlisis bayesiano consiste en asignar un valor a priori basado en el juicio o creencia personal del decisor. Este valor puede ser modificado cuando se obtiene la evidencia muestral, es decir, por una distribucin a posteriori. En el anlisis bayesiano, la media poblacional es considerada una variable aleatoria ya que est determinada por la subjetividad del decisor. As, una distribucin subjetiva, tiene una media inicial que se denotar 0 y una desviacin estndar 0 . Para la obtencin de la medida previa o a priori, muchas veces se utilizan la moda y la mediana debido a que se pueden estimar sin clculos matemticos, por otro lado, en las distribuciones simtricas coinciden los tres valores. Por ejemplo, la desviacin estndar previa o a priori es estimada por un intervalo que establece el decisor. A este intervalo se le denomina intervalo de credibilidad porque est basado en el juicio personal del decisor. Para una variable aleatoria con distribucin normal, el intervalo al (1 )100% de confianza para el parmetro media por el mtodo de colas iguales estar dado por:
0 Z 2 0 < < 0 + Z 2 0 .
Por lo tanto, si el decisor establece valores para los lmites del intervalo de confianza, limsup (superior) y liminf (inferior), tendremos la siguiente expresin para la desviacin estndar lim sup lim inf 0 = , 2Z 2
donde, Z
2
es el valor de la variable con distribucin normal estndar, cuya rea derecha es igual a
2 . En decisiones se acostumbra usar el criterio de razn insuficiente, es decir, cuando el decisor no

tiene preferencia sobre alguna situacin ni tampoco tiene informacin adicional que nos lleve a tener inclinacin sobre una accin. Por consiguiente consideramos un nivel de significancia del 50% de confianza, lo que significa una probabilidad igual de que sea o no sea ese intervalo el que contiene al parmetro. Cuando hablamos de la distribucin normal estndar, para el 50% tenemos que Z 2 0.68 . En esta situacin se acostumbre realizar una aproximacin para la estimacin de la desviacin estndar inicial al considerar que Z
2
0.68 2 3 , obteniendo:
0 = (lim sup lim inf) .

EJEMPLO 1
3 4
Un fabricante de plumas que no tiene informacin sobre la venta de su producto establece con un nivel de confianza del 50% que uno de sus distribuidores puede vender entre 12,000 y 16,000 plumas durante la temporada escolar. Calcule la venta promedio y su desviacin estndar inicial del distribuidor, suponiendo que las ventas tienen una distribucin normal.
Solucin
0 =
12000 + 16000 3 = 14000 plumas con 0 = (16000 12000) = 3000 por distribuidor. 2 4
72
Anlisis bayesiano de decisiones, caso continuo 73
4.1 FUNCIONES DE PAGO LINEALES Sabemos que en los costos totales de produccin en una empresa intervienen dos tipos: costos fijos y costos variables. Los costos fijos siempre tendrn que desembolsarse independientemente de la cantidad de unidades producidas, mientras que los costos variables dependern de la cantidad de artculos producidos. As, Costos Totales = Costos Fijos + Costos Variables. Cuando la relacin es simple y de tipo lineal, puede expresarse
= a + bx . y
Similarmente, si se trata de utilidades, tenemos que la utilidad total en una relacin simple est dada por los costos fijos de produccin ms la utilidad por artculo vendido y en el caso lineal se representa de la forma anterior, donde
a = ki es la ordenada al origen (costos fijos) es un factor fijo, por lo regular representa desembolso de capital, por lo tanto es un valor negativo. Es un gasto que se realiza no importando las unidades de la variable aleatoria (media poblacional).
b = bi es la pendiente (costos variables o utilidad por artculo) es un factor variable, su nivel se ve

afectado por la variable aleatoria (media poblacional). Puede representar utilidades (valores positivos) o egresos (valores negativos). x y es la variable independiente (unidades producidas), y representa los valores de la variable aleatoria X , con valor de la media poblacional 0 . es la variable dependiente (costos totales o utilidad total), o pago ( Ai ) es decir, pago por la accin Ai . Por lo tanto, para un mercado la funcin lineal de pago est dada para el valor x por: Pago( Ai ) = k i + bi x , i = 1, 2,
As, el pago esperado para las acciones ser PE ( Ai ) = k i + bi 0 , i = 1, 2, Donde:
PE( Ai ) = Pago esperado por accin para i = 1, 2, ki = desembolso de capital para i = 1, 2, bi = utilidades o egresos para i = 1, 2, 0 = media poblacional previa.
Regla de decisin. La mejor accin se determina sustituyendo el valor de la media previa en cada una de las funciones de pago y se elige la accin que tenga el mayor pago esperado; es decir, donde se obtiene el mejor resultado hablando en trminos econmicos, la mayor utilidad o el menor costo.
73
74 Captulo 4
Por otro lado, cuando se tienen dos o ms acciones en problemas econmicos es costumbre buscar cul es el nmero de unidades promedio requeridas para que la ganancia de las acciones sea la misma, es decir, se calcula el punto de equilibrio. El punto de equilibrio en el anlisis estadstico de decisiones se establece en el cruce de las dos funciones lineales de pago esperado. En este punto la ganancia es la misma para ambas acciones, por lo tanto, es indistinto elegir una u otra accin. As, para obtener el valor de la variable aleatoria ( E ) en el punto de equilibrio tenemos
Pagoesperado( A1 ) = k1 + b1 E Pagoesperado( A2 ) = k2 + b2 E k1 + b1 E = k2 + b2 E b1 E b2 E = k2 k1
E (b1 b2 ) = k2 k1
Luego,
E =
EJEMPLO 2
k 2 k1 . b1 b2
Una empresaria se dedica a la venta de ropa para muecas y est indecisa entre comprar una nueva mquina con el proveedor A o B. Para el caso del proveedor A se tiene un costo de $120 mil pesos, y por cada unidad a producir, la mquina le representa un costo por depreciacin por unidad producida de $4. La mquina del proveedor B cuesta $160 mil pesos, y los costos por depreciacin por unidad producida sern de $2. Vamos a calcular las funciones lineales de pago para estas acciones y determinaremos el punto de equilibrio. Solucin Ntese que los datos dados en este ejemplo en su conjunto representan costos, luego los valores son negativos. Pago( Ai ) = ki + bi x . Para Ai = AA , k A = $120,000 , b A = $4 Pago( AA ) = 120000 + (4) x .
Para Ai = AB , k B = $160,000 , bB = $2 Pago( AB ) = 160000 + (2) x . Para determinar el punto de equilibrio utilizaremos su frmula
E =
Donde:
kB k A . bA bB
k A = $120,000 , b A = $4 ; k B = $160,000 , bB = $2 Punto de equilibrio en unidades:
74
E =
160000 (120000) = 20000 . 4 (2)
En este punto el pago esperado para las dos acciones ser el mismo.
EJEMPLO 3
En el caso del fabricante de plumas del ejemplo 1 con 0 = 14000 plumas, suponga que el distribuidor tiene dos opciones distintas de comercializacin. La primera tiene un costo de 3000um pero tiene una utilidad adicional de 0.30 um, mientras que con la segunda opcin tiene un costo de 4000 con una utilidad adicional de a) 0.40 um por unidad. b) 0.35 um por unidad Determine las funciones lineales de pago, el punto de equilibrio y cul sera la mejor opcin de comercializacin en cada inciso. Solucin inciso a Primero las funciones lineales de pago. El costo fijo para la primera opcin es k1 = 3000 y cada pluma con una utilidad adicional de b1 = 0.30 . Luego para la accin 1
Pago( A1 ) = k1 + b1 x = 3000 + 0.30 x . Similarmente para la accin dos, el costo fijo es k 2 = 4000 y cada pluma con una utilidad adicional de b2 = 0.40 . Luego para la accin 2 Pago( A2 ) = k 2 + b2 x = 4000 + 0.40 x
Segundo el punto de equilibrio. De la frmula de arriba para el punto de equilibrio
E =
k 2 k1 4000 (3000) = = 10000 . b1 b2 0.30 0.40
Es decir, cuando se fabrican 10,000 plumas para un distribuidor se tiene el punto de equilibrio.
Tercero la mejor accin. Calculamos los valores de los pagos esperados con 0 = 14000
PE ( A1 ) = k1 + b1 0 = 3000 + 0.30(14000) = 1200 PE ( A2 ) = k 2 + b2 0 = 4000 + 0.40(14000) = 1600 Es decir, la mejor decisin es la segunda accin de comercializacin.
Solucin inciso b. Simplificando los clculos Primero las funciones lineales de pago. Para la accin 1 es el mismo que en (a)
Pago( A1 ) = k1 + b1 x = 3000 + 0.30 x . Para la accin dos el costo fijo es k 2 = 4000 y cada pluma con una utilidad adicional de b2 = 0.35 . Luego para la accin 2 Pago( A2 ) = k 2 + b2 x = 4000 + 0.35 x
75
76 Captulo 4
Segundo el punto de equilibrio. De la frmula de arriba para el punto de equilibrio
E =
k 2 k1 4000 (3000) = = 20000 . b1 b2 0.35 0.40
Es decir, cuando se fabrican 20,000 plumas para un distribuidor se tiene el punto de equilibrio. Tercero la mejor accin. Calculamos los valores de los pagos esperados con 0 = 14000
PE ( A1 ) = k1 + b1 0 = 3000 + 0.30(14000) = 1200 PE ( A2 ) = k 2 + b2 0 = 4000 + 0.35(14000) = 900 Es decir, la mejor decisin es la primera accin de comercializacin. Note que si 0 > E , entonces la mejor accin es la funcin lineal que queda hacia arriba a la derecha de E , y si 0 < E , entonces la mejor accin es la funcin lineal que queda hacia arriba a la izquierda de E .
Fig. Ejemplo 3, izquierda muestra las opciones del inciso (a) y a la derecha del (b). Para la eleccin de la mejor accin tendr algo que ver la relacin entre 0 y E ? Para la eleccin de la mejor accin tendr algo que ver si son pagos o costos? 4.2 FUNCIONES DE PRDIDA LINEAL SECCIONADAS Supngase que tenemos varias alternativas y deseamos conocer cul de ellas satisface mejor nuestros objetivos, es decir, que alternativa nos da una decisin ptima. En esta decisin la funcin de prdida de oportunidad tiene un papel fundamental, recordemos el concepto de prdida de oportunidad. La Prdida de Oportunidad ( PO) es la diferencia entre la ganancia de la mejor accin y la ganancia de cada una de las otras acciones dado que un evento especfico ha ocurrido. Podemos observar que en general cuando en cada evento la mejor accin es seleccionada, la prdida de oportunidad ser cero.
En el caso de las funciones de pago lineales la funcin de prdida correspondiente a cada accin es una funcin lineal por partes o seccionada. La funcin de prdida lineal se compone de dos partes o segmentos a partir del punto de equilibrio: de un lado la prdida de oportunidad asociada a una accin
76
especfica es cero, mientras que del otro lado la prdida de oportunidad aumenta de manera lineal con cada unidad adicional. Para determinar la funcin de prdida lineal, primeramente calculamos la pendiente de la funcin de prdida de oportunidad, la cual est definida por el valor absoluto de la diferencia entre las pendientes de las dos acciones. Esta pendiente es la misma para las dos acciones. Pendiente de la funcin de prdida de oportunidad:
b = b1 b2 .
As, pueden resultar dos escenarios y en cada uno de ellos dos situaciones implcitas. Escenario 1 Si b1 , b2 > 0 representa beneficios o utilidades, sus dos situaciones son: Cuando 0 > E , la accin que resulte ptima tendr una funcin de prdida igual a cero por debajo del punto de equilibro, cuando se sita por arriba del punto de equilibrio, se tiene que su funcin de prdida ser b multiplicada por el nmero de unidades X = x que estn por encima del punto de equilibrio b( x E ) . Mientras que la otra accin no ptima tendr una funcin de prdida igual a cero por arriba del punto de equilibrio, y por abajo del punto de equilibrio su funcin de prdida ser b multiplicada por el nmero de unidades que estn por debajo del punto de equilibrio b( E x) . Es decir, ptimo
b( x E ) para x > E PO( A2 , x) = para x E 0 b( E x) para x E PO( A1 , x) = para x > E 0
o ptimo
Graficando esto, tenemos:
b2 b1
Cuando 0 < E la accin que resulte ptima tendr una funcin de prdida igual a cero por arriba del punto de equilibrio, mientras que por abajo del punto de equilibrio su funcin de
77
78 Captulo 4
prdida es b multiplicado por el nmero de unidades X = x que estn por debajo del punto de equilibrio b( E x) . Mientras que la otra accin tendr una funcin de prdida igual a cero por debajo del punto de equilibro, y por arriba del punto de equilibro, se tiene que la funcin de prdida es b multiplicado por el nmero de unidades que estn por arriba del punto de equilibrio b( x E ) . ptimo
b( E x) para x E PO( A1 , x) = para x > E 0 b( x E ) para x > E PO( A2 , x) = para x E 0
o ptimo
b2 b1
0
Escenario 2
Si b1 , b2 < 0 representa prdidas o gastos sus dos situaciones son: Cuando 0 > E , la accin que resulte ptima tendr una funcin de prdida igual a cero por debajo del punto de equilibro, y por arriba del punto de equilibrio, se tiene que su funcin de prdida ser b multiplicada por el nmero de unidades X = x que estn por encima del punto de equilibrio b( x E ) . Mientras que la otra accin no ptima tendr una funcin de prdida igual a cero por arriba del punto de equilibrio, y por abajo del punto de equilibrio su funcin de prdida ser b multiplicada por el nmero de unidades que estn por debajo del punto de equilibrio b( E x) .Teniendo lo siguiente: ptimo
b( x E ) para x > E PO( A1 , x) = para x E 0 b( E x) para x E PO ( A2 , x) = para x > E 0
o ptimo
78
E
b2 b1
Cuando 0 < E , la accin que resulte ptima tendr una funcin de prdida igual a cero por arriba del punto de equilibrio, mientras que por abajo del punto de equilibrio su funcin de prdida es b multiplicado por el nmero de unidades X = x que estn por debajo del punto de equilibrio b( E x) . Mientras que la otra accin tendr una funcin de prdida igual a cero por debajo del punto de equilibro, y por arriba del punto de equilibro la funcin de prdida es b multiplicado por el nmero de unidades que estn por arriba del punto de equilibrio b( x E ) . ptimo
b( E x) para x E PO ( A2 , x) = para x > E 0 b( x E ) para x > E PO( A1 , x) = para x E 0
o ptimo
Graficando esto tenemos:
0
b2 b1
0
EJEMPLO 4
Tomando como base el ejemplo 2 de la seccin anterior plantearemos las funciones de prdida lineales seccionadas, para un valor 0 = 25,000 .
79
80 Captulo 4
Solucin Sabemos que Pago( AA ) = 120000 + (4) x , Pago( AB ) = 160000 + (2) x Pago y E = 20,000 unidades. Luego, la pendiente de la funcin de prdida de oportunidad: b =| 4 (2) |= $2 .
Fig. Muestra las grficas de las dos acciones A y B, con su punto de equilibrio. Como 0 > E y tenemos costos, los valores son negativos, estamos en un escenario 2, en donde la mejor accin es la B. Para la accin AB , si el nivel real de ventas est por arriba del punto de equilibrio, se tiene que la funcin de prdida b multiplicado por el nmero de unidades que estn por encima del punto de equilibrio, ver figura de abajo a la izquierda.
2( x 20000) para x > E = 20000 PO ( AB , x) = para x E = 20000 0
70000
45000
60000 50000 40000 30000 20000 10000 0
40000 35000 30000 25000 20000 15000 10000 5000 0
10000
20000
30000
40000
50000
5000
10000
15000
20000
Para la accin AA , si el nivel real de ventas est por debajo del punto de equilibrio, se tiene la funcin de prdida es b multiplicado por el nmero de unidades que est por debajo del punto de equilibrio, ver figura de arriba a la derecha. para x E = 20000 0 PO( AA , x) = 2(20000 x) para x < E = 20000
80
Anlisis bayesiano de decisiones, caso continuo 81 EJEMPLO 5
En el caso del fabricante de plumas de los ejemplos 1 y 3 con 0 = 14000 plumas, suponga que el distribuidor tiene dos opciones distintas de comercializacin. La primera tiene un costo de 3000um pero tiene una utilidad adicional de 0.30um, mientras que con la segunda opcin tiene un costo de 4000 con una utilidad adicional de a) 0.40 um por unidad. b) 0.35 um por unidad Determine las funciones lineales seccionadas de pago en cada inciso. Solucin inciso a
Del ejemplo 3 result E = 10,000 < 0 = 14,000 , calculando b = b1 b2 = 0.30 0.40 = 0.10 . Por
otro lado, se trata de utilidades, es decir estamos en un escenario 1
b( x E ) para x > E 0.10( x 10000) para x > 10000 ptimo PO( A2 , x) = = para x E 0 para x 10000 0 b( E x) para x E 0.10(10000 x) para x 10000 = o ptimo PO( A1 , x) = para x > E 0 para x > 10000 0
Solucin inciso b
Del ejemplo 3 result E = 20000 > 0 = 14000 , calculando b = b1 b2 = 0.35 0.40 = 0.05 . Por
otro lado, se trata de utilidades, es decir estamos en un escenario 1
b( E x) para x E 0.05(20000 x) para x 20000 ptimo PO( A1 , x) = = para x > E 0 para x > 20000 0 b( x E ) para x > E 0.05( x 20000) para x > 20000 o ptimo PO( A2 , x) = = para x E 0 para x 20000 0
4.3 SITUACIONES DE GLOBALIZACIN Hasta el momento hemos hablado de un solo comerciante o de un distribuidor, etctera, pero los conceptos anteriores son en realidad ms aplicados cuando tenemos un negocio en el que participan varios distribuidores, trabajadores, mquinas y por lo tanto es necesario disponer de la interpretacin anterior para el caso de una globalizacin. Es decir, cuando aumentamos el nmero de trabajadores, mquinas, etctera. Cundo globalizamos el negocio los costos o utilidades simplemente se extrapolan? Primeramente estableceremos las reglas para la notacin, cuando nos refiramos a situaciones de n empresas, distribuidores, trabajadores, etctera y hablemos de la globalizacin de sus prdidas o utilidades, agregaremos un subndice n, que denotar la cantidad que se est globalizando. As, la media y desviacin estndar iniciales por el decisor en el caso globalizado estarn representadas por, 0 n y 0 n , respectivamente. Similarmente, para la funcin lineal de pago y las funciones seccionadas con cada uno de sus componentes k in , bin , En , bn y POn ( Ai , x) . Dichos
81
82 Captulo 4
componentes estn relacionados multiplicando el valor para un caso por la cantidad de la globalizacin, excepto para En , ya que este es un caso especial que analizaremos por separado, puesto que siempre aparece en operaciones de sumas y restas con los valores de x
0 n = n 0
k in = nk i bin = nbi bn = nb
0 n = n 0
Pago n ( Ai ) = nPago( Ai ) PE n ( Ai ) = nPE ( Ai ) POn ( Ai , X ) = nPO( Ai , X ) Luego, podemos verificar lo siguiente En = E
En =
k 2 n k1n b1n b2 n
nk 2 nk1 nb1 nb2
k 2 k1 b1 b2
= E .
Ser lgico el resultado anterior En = E ?

Cuando todos los valores se globalizan estn multiplicados por n la cantidad de distribuidores, tiendas, etctera. Lgicamente los costos o utilidades tambin se multiplican por el mismo valor n. Ahora por qu resulta En = E y no En = n E . En las operaciones que aparece En o E est sumndose o restndose con los valores de x, y debemos notar que al aumentar o disminuir en una unidad el valor de x, el resultado aumenta o disminuye en n unidades al globalizar. Esto se debe a que los valores de x estn multiplicados por los costos variables, mismos que ya sea han multiplicado por bin = nbi . Por tales razones los valores de En = E y x no se tienen que multiplicar por n, ya que se hace automticamente en la operacin bin ( x) = nbi x , en caso contrario su resultado final global estara multiplicado por n 2 . Note que aumentar o disminuir cada unidad de x es equivalente a multiplicar todo por n, similarmente para cada unidad de E . Luego, para el PO se debe comparar 0 con E o
0 n con n E
Otra forma de expresar lo anterior consistira en cambiar simplemente los valores x y costos fijos, en estas condiciones cambiaran los valores para el equilibrio En = n E , pero no as los valores de los costos variables bin = bi . Adems en este caso las unidades de x tienen que cambiar en forma proporcional a nx .
EJEMPLO 6
En el caso del fabricante de plumas de los ejemplos 1, 3 y 5 con 0 = 14000 plumas, el distribuidor tiene dos opciones distintas de comercializacin. La primera tiene un costo de 3000um pero tiene una utilidad adicional de 0.30 um, mientras que con la segunda opcin tiene un costo de 4000 con una utilidad adicional de 0.35 um por unidad. Suponga que el fabricante tiene 20 distribuidores similares. Determine todos sus componentes y conceptos globales.
82
Solucin
0 n = n 0 = 20 14000 = 280000
k1n = nk1 = 20 (3000) = 60000 k 2 n = nk 2 = 20 (4000) = 80000 b1n = nb1 = 20 0.30 = 6 b2 n = nb2 = 20 0.35 = 7 bn = nb = 20 0.05 = 1
0 n = n 0 = 20 3000 = 60000
Pago n ( A1 ) = nPago( A1 ) = 20 (3000 + 0.30 x) = 60000 + 6 x Pago n ( A2 ) = nPago( A2 ) = 20 (4000 + 0.35 x) = 80000 + 7 x PE n ( A1 ) = nPE ( A1 ) = 20 1200 = 24000 PE n ( A2 ) = nPE ( A2 ) = 20 900 = 18000
Para la funcin de prdida de oportunidad, notamos que E = 20000 > 0 .

0.05(20000 x) para x 20000 (20000 x) para x 20000 ptimo POn ( A1 , x) = 20 = para x > 20000 0 para x > 20000 0
o ptimo
0.05( x 20000) para x > 20000 ( x 20000) para x > 20000 = POn ( A2 , x) = 20 para x 20000 0 para x 20000 0
4.4 VALOR ESPERADO DE LA INFORMACIN PERFECTA El Valor Esperado de la Informacin Perfecta (VEIP) es la cantidad mxima que el decisor est dispuesto a pagar por saber o conocer el evento o estado de la naturaleza que regir.
Sabemos del caso discreto que la prdida de oportunidad esperada (POE) es equivalente al valor esperado de la informacin perfecta (VEIP). Por otro lado, el valor esperado de la informacin perfecta es la prdida de oportunidad esperada para la mejor accin. En el caso de dos acciones con funciones de prdida lineales por partes, slo nos va a interesar la funcin de prdida de oportunidad para la mejora accin al calcular la POE. Para calcular la POE o el VEIP se recurre a la definicin de valor esperado en las acciones que no son ptimas, puesto que stas son las que nos dan la prdida. Luego, recordemos que tenamos dos escenarios: para utilidades y costos, pero ambos nos conducen a las mismas opciones de prdida no ptima, que estarn dadas por: b( x E ) para x > E a) Si E > 0 , y la accin no ptima A, PO( A, x) = para x E 0
b) Si E < 0 , y la accin no ptima A, PO( A, x) =
b( E x) para x E para x > E 0
83
84 Captulo 4
De tal forma que el VEIP lo podemos calcular con el valor esperado de la accin no ptima, para la variable aleatoria X con funcin de densidad de probabilidad f X ( x) , tendremos:
VEIP = E{PO( A, X )} =
PO( A, x) f
( x)dx .
Analizando cada uno de los dos casos posibles en forma general, tendremos:
a) Si E > 0 , VEIP = b)
Si E < 0 , VEIP =
PO( A, x) f X ( x)dx = b ( x E ) f X ( x)dx .

E E
PO( A, x) f X ( x)dx = b ( E x) f X ( x)dx .
De aqu en adelante el clculo del VEIP depende de la funcin de densidad correspondiente a la distribucin de X.
4.4.1 VEIP NO GLOBALIZADO PARA UNA DISTRIBUCIN NORMAL
Analizando los dos casos posibles tendremos:
a) Si E > 0 ,
VEIP = b ( x E ) f X ( x)dx = b ( x E )
E E

(x 0 )2 exp 2 2 2 0
dx .
Estandarizando z =
x = E z =
x 0
x = 0 z + 0 dx = 0 dz y los lmites de integracin cambian, si
E 0 y x z . Luego, 0
VEIP = b ( x E )
E
(x 0 )2 exp 2 2 2 0
z2 ( 0 z + 0 E ) dx = b 0 dz exp 2 0 2 E 0
= b 0
E z + 0 0 E 0
0
1 z2 0 dz = b 0 z E exp 2 0 E 0 2
f Z ( z )dz
En donde f Z ( z ) es la funcin de densidad de la distribucin normal estndar, denotando 0 D* = E > 0 , tendremos
VEIP = b 0 ( z D * ) f Z ( z )dz .
D*
b) Similarmente para el caso E < 0 .
VEIP =
PO( A, x) f X ( x)dx = b ( E x)
(x 0 )2 exp 2 2 2 0
dx
84

E 0 0
VEIP = b
( E 0 z 0 )
E 0 0
z2 exp 2 dz 2
**
= b 0
D E 0 z f Z ( z )dz = b 0 D ** z f Z ( z )dz 0
En donde f Z ( z ) es la funcin de densidad de la distribucin normal estndar y 0 D ** = E < 0 , podemos realizar el cambio z = z * , y utilizar que la funcin f Z ( z ) es simtrica
con respecto al eje de las ordenadas, es decir, f Z ( x) = f Z ( x) , para toda x,

D**
VEIP = b 0
(D
**
+ z f Z ( z )(dz ) = b 0
* *
(z
+ D ** f Z ( z * )dz *
D**
Observe que D * = D ** = D ** > 0 , y quitando asteriscos a la z, tendremos
VEIP = b 0
(z
+ D ** f Z ( z * )dz * = b 0
(z D ) f
*
( z )dz , con D * = D ** > 0
D**
D*
Finalmente, de los dos resultados de a y b y denotando D =
E 0 > 0 , resultar 0
VEIP = b 0 ( z D ) f Z ( z )dz .
D
Por definicin de funcin de prdida normal unitaria L( x) = ( z x) f Z ( z )dz , en donde f Z ( z ) es

x
la funcin de densidad de la distribucin normal estndar y x > 0 , podemos establecer la frmula para 2 . calcular el VEIP en el caso de una distribucin normal con media 0 y 0
VEIP = b 0 L ( D ) . Donde: b = b1 b2 .
0 = desviacin estndar de la distribucin normal previa.

L( D ) = la funcin de prdida unitaria para D =
EJEMPLO 7
E 0 > 0. 0
La empresaria de la fbrica de muecas piensa impartir un curso de capacitacin para incrementar las ventas, tiene dos opciones una firma llamada A y otra B, para A su costo es de $100,000 pesos garantizando una utilidad de $90 pesos por unidad y B con un costo de $200,000 pesos incrementando una utilidad de $92 pesos por unidad. Determine el valor esperado de la informacin perfecta para este
85
86 Captulo 4
problema de dos acciones con funciones lineales de prdida por partes con una distribucin normal de probabilidad previa.
Solucin Datos: b A = 90 , bB = 92 , luego b = 90 92 = 2
E =
200000 (100000) = 50,000 unidades. 90 92
0 = 0 =
D=
200000 + 100000 = 150,000 2 3 (LS LI ) = 3 (200000 100000) = 75,000 4 4
E O 50,000 150,000 4 = = = 1.333 . O 75,000 3
L( D) = 0.042425528 . VEIP = (2)(75,000)(0.042425528) 6,364 ste es el valor mximo que est dispuesto a pagar el decisor por conocer las condiciones de incertidumbre que prevalecern en el evento.
La figura anterior corresponde a la funcin de prdida de oportunidad para la mejor accin pues se tiene que la funcin de prdida est por debajo del punto de equilibrio, ya que esta accin tiene el pago esperado mayor 0 = 150,000 ; encontrndose por encima del punto de equilibrio E = 50,000 . As podemos observar que las prdidas de oportunidad ocurren a la izquierda de E = 50,000 , tambin se puede decir que entre mayor sea la distancia entre 0 y E menor ser la probabilidad de ocurrencia de una prdida de oportunidad, como lo muestra el rea que se encuentra por debajo de la curva a la izquierda de E , esta rea corresponde a la funcin de perdida unitaria L( D) .
86
4.4.2 VEIP GLOBALIZADO PARA UNA DISTRIBUCIN NORMAL
Por lo expuesto arriba el VEIP en forma globalizada lo podemos calcular con el valor esperado de la funcin de prdida lineal seccionada y global de la accin no ptima, para la variable aleatoria X con funcin de densidad de probabilidad f X ( x) , tendremos:
VEIPn = E{POn ( A, X )} = E{nPO ( A, X )} = nVEIP , En donde, el VEIP se refiere al valor de la informacin muestreal no globalizado, as en el caso de una distribucin normal, tendremos: VEIPn = nVEIP = nb 0 L( D ) . Donde: b = b1 b2 no globalizada.
0 = desviacin estndar de la distribucin normal previa no globalizada.

L( D ) = la funcin de prdida unitaria para D =
EJEMPLO 8
E 0 0n = En > 0. 0 0n
En el ejemplo 7 sobre la empresaria de la fbrica de muecas que piensa impartir un curso de capacitacin para incrementar las ventas con dos opciones una firma llamada A y otra B. Suponga que el estudio de mercado se lleva a efecto en 15 plantas y determine el valor esperado de la informacin perfecta global.
Solucin
Del ejemplo 7 obtuvimos el VEIP = 6,364 ahora para las 15 plantas tendremos VEIPn = nVEIP = 15 6,364 = 95460 .
EJEMPLO 9
En el caso del fabricante de plumas ver ejemplos 1, 3, 5 con 0 = 14000 plumas, el distribuidor tiene dos opciones distintas de comercializacin. La primera tiene un costo de 3000um pero con una utilidad adicional de 0.30 um, mientras que la segunda opcin tiene un costo de 4000 con una utilidad adicional de 0.40 um por unidad. Suponga que el fabricante tiene 100 distribuidores similares. Suponiendo normalidad en las ventas calcule VEIP y VEIPn .
Solucin
Hemos calculado en el ejemplo 1 0 = 14000 y 0 = 3000 , en el ejemplo 3 E = 10000 , y b = 0.10 .
Luego D =
E 0 10000 14000 4 = = , de tal manera que 0 3000 3

L( D ) = L(4 3) = 0.042395
Finalmente el VEIP VEIP = b 0 L( D) = 0.10 3000 0.042395 = 12.7185 VEIPn = nVEIP = 100(12.7185) = 1,271.85
87
88 Captulo 4
4.4.3 VALOR ESPERADO DE LA INFORMACIN DE LA MUESTRA
En general, no podemos decir que la media previa es distinta de la media posterior sin haber realizado la seleccin de una muestra, lo que si puede adelantar el decisor es que, La desviacin estndar posterior ser menor que la desviacin estndar previa. De lo expuesto arriba podemos observar que la POE de la mejor accin est en funcin de la distancia entre la media previa 0 y el punto de equilibrio ( E ) . Si la desviacin estndar se reduce, lo mismo ocurre con el valor de la POE, ya que D ser mayor y, por lo tanto, el valor de la prdida unitaria ser ms pequeo. El valor esperado de la informacin muestral VEIM es la diferencia esperada entre el VEIP antes de la muestra y el VEIP que se anticipa despus de la muestra. El VEIM reduce la prdida de oportunidad esperada correspondiente a la mejor accin, como respuesta de seleccionar una muestra del tamao determinado. La reduccin en la varianza entre las distribuciones de probabilidad previa y posterior se 2 designan mediante * y puede determinarse por la siguiente frmula:
4 0 = 2 . 2 0 + X 2 *
En la expresin anterior se necesita el valor de la desviacin estndar poblacional para 2 determinar la varianza media X . Por lo general, ese valor se desconoce, por lo tanto es necesario estimar el valor de la desviacin estndar ( ) basndose en el anlisis de una muestra de tamao m en
2 circunstancias o situaciones semejantes con X = 2 m. 2 Determinando el valor de X se calcula el valor esperado de la informacin muestral, en el caso de la distribucin normal, mediante la siguiente expresin:
VEIM = nb * L( D* ) .
0 0 2 Donde, b =| b2 b1 | , D* = E , * = , X = 2 m , 2 un valor proveniente de un 2 2 * 0 + X

estudio de mercado, L( D* ) funcin de prdida unitaria para D* , n cantidad de distribuidores, trabajadores, etctera y m tamao de la muestra que se elige para llevar a cabo un anlisis. Note que la frmula del VEIM es similar a la frmula del VEIP n , con la diferencia de que en el denominador de la frmula se encuentra * y no 0 .
EJEMPLO 10
Continuando con el ejemplo 8 en donde el estudio se llev a efecto en n = 15 plantas. Supngase que la empresaria tiene informacin segura de que las ventas de otras empresas, despus de la capacitacin, tienen una desviacin estndar de $8,000. Encuentre el valor esperado de la informacin muestral VEIM proveniente de un estudio de mercado donde la muestra revisada fue de m = 10 plantas.
88
Solucin Frmula: VEIM = nb * L( D* ) , datos b = 90 92 = 2 , E = 50,000 , 0 = 75,000 . Sustituyendo en las frmulas para la varianza resulta: 4 75,000 4 *2 = 2 0 2 = y * = 74,957.4 8,000 2 0 + X 2 75,000 + 10 Para la funcin de prdida lineal, resulta: 0 50,000 150,000 D* = E = = 1.33409 . * 74,957.4
L( D* ) = 0.042325996 Finalmente, el VEIM VEIM = 15(2)(74957.4)(0.042325996) = $95,179.36 .
Despus de realizar un muestreo, el valor obtenido sera el pago mximo que se hara para conocer qu circunstancias regirn el evento, la POE se reduce. El pago sin estudiar la muestra fue de $95,460 (VEIP, ver ejemplo 8).
4.5 GANANCIA NETA ESPERADA DEL MUESTREO Y TAMAO PTIMO DE LA MUESTRA Se ha comentado que la Ganancia Neta del Muestreo (G EM) y el tamao ptimo de la muestra son dos conceptos que estn vinculados estrechamente. El tamao ptimo de la muestra se define como aquel que maximiza la (G EM)
La seleccin de una muestra contribuye a disminuir la Prdida de Oportunidad Esperada (POE) , aunque seleccionar una muestra tambin implica un costo (CM ) , Costo Muestral. La ganancia neta esperada tiene su punto ms alto en algn tamao muestral, para despus descender. Se calcular la (G EM) para la mejor accin, se estimar para varios tamaos de muestra, seleccionando el tamao de la muestra que tenga la G EM mxima. La ganancia neta esperada del muestreo (G EM) se define como la diferencia entre el valor esperado de la informacin muestral VEIM y el costo de la muestra.
(G EM) = VEIM CM .
EJEMPLO 11
Con los datos del ejemplo 10, calcularemos la ganancia neta esperada del muestreo, cuando el costo unitario es $12 y determinaremos el tamao ptimo de la muestra.
Solucin Para efectos de ejemplificacin se muestran los clculos que deben realizarse para un tamao de muestra m = 8 . Los clculos se realizan de forma similar que en el ejemplo 10.
89
90 Captulo 4
* =
75000 4
2
8000 8 L( D* ) = 0.04230874 ; VEIM = 15(2)(74946.72)(0.04230874) = 95,127.04 75000 2 +
= 74946.72 ; D* =
E 0 50,000 150,000 = = 1.33428 * 74,946.7
G EM = VEIM CM = 95127 96 = $95,031.

m 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
*
74893.56 74914.81 74928.99 74939.12 74946.72 74952.64 74957.37 74961.24 74964.47 74967.20 74969.54 74971.57 74973.35 74974.91 74976.31 74977.55 74978.68 74979.69 74980.61 74981.46 74982.23 74982.94 74983.60 74984.20 74984.77 74985.29 74985.78 74986.24 74986.67 74987.07 74987.45
D*
L( D* )
1.33523 1.33485 1.33460 1.33442 1.33428 1.33418 1.33409 1.33402 1.33397 1.33392 1.33388 1.33384 1.33381 1.33378 1.33375 1.33373 1.33371 1.33369 1.33368 1.33366 1.33365 1.33364 1.33363 1.33361 1.33360 1.33359 1.33359 1.33358 1.33357 1.33356 1.33356
0.04222257 0.04225701 0.04227999 0.04229642 0.04230874 0.04231832 0.042326 0.04233227 0.04233751 0.04234194 0.04234573 0.04234902 0.0423519 0.04235444 0.0423567 0.04235872 0.04236054 0.04236218 0.04236368 0.04236505 0.0423663 0.04236745 0.04236852 0.0423695 0.04237041 0.04237127 0.04237206 0.0423728 0.0423735 0.04237416 0.04237477
VEIM 94865.95 94970.28 95039.91 95089.69 95127.04 95156.10 95179.36 95198.40 95214.26 95227.69 95239.20 95249.18 95257.91 95265.62 95272.47 95278.60 95284.11 95289.11 95293.64 95297.79 95301.59 95305.08 95308.31 95311.30 95314.07 95316.65 95319.06 95321.32 95323.43 95325.42 95327.29
G EM 94818.0 94910.3 94967.9 95005.7 95031.0 95048.1 95059.4 95066.4 95070.3 95071.7 95071.2 95069.2 95065.9 95061.6 95056.5 95050.6 95044.1 95037.1 95029.6 95021.8 95013.6 95005.1 94996.3 94987.3 94978.1 94968.7 94959.1 94949.3 94939.4 94929.4 94919.3
Tabla Clculos de la GNEM del ejemplo 11. Los dems clculos para diferentes tamaos de muestra, desde 4 hasta encontrar el tamao ptimo, recordemos que la teora nos dice que la funcin de GNEM con respecto al tamao de muestra es cncava, es decir crece y en algn punto iniciar a decrecer.
90
En la tabla de anterior se observa claramente que la ganancia neta esperada del muestreo es ptima en $95071.7 correspondiente a un tamao de muestra m = 13 . Grficamente tendremos la GNEM.
95100 95050 95000 94950 94900 94850 94800 94750 94700 94650 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36
Ganancia neta esperada del muestreo
Fig. Tamao ptimo de la muestra En donde se observa que despus de un tamao m = 13 la GNEM comienza a decrecer. Luego, el tamao de muestra ptimo para el presente ejercicio es m = 13 .
EJERCICIOS
1. El administrador de una empresa mediana dedicada a la fabricacin de cierto tipo de cermica estima que sus ventas mensuales llevadas a efecto por 8 distribuidores fluctan entre 17,500 y 22,500 piezas con una certeza del 50%. Suponiendo normalidad en las ventas determine a. la media y la desviacin estndar global y por distribuidor. Ahora el administrador est evaluando la posibilidad de ampliar la produccin, para esto decide invertir en total 47,500 um con esto el costo por pieza bajara de 6um (costo en la situacin actual) a 3.5um (costo despus de la inversin). Considerando las acciones invertir y no invertir. b. Encuentre el punto de equilibrio y las funciones lineales de pago global y por distribuidor, considerando que en la situacin actual no se tienen costos fijos. Cul es la mejor accin? c. Encuentre el punto de equilibrio y las funciones lineales de pago global y por distribuidor, considerando que en la situacin actual se tienen costos fijos por mantenimiento totales de 8000um. Cul es la mejor accin? d. Calcule las funciones de prdida lineales seccionadas y el VEIP global y por distribuidor. Por experiencias de otras empresas de cermica se ha estimado una desviacin estndar de 2200 piezas vendidas. Determine el VEIM y la GNEM con un costo unitario de 10um para: e. 2.
m = 4 y m = 6 distribuidores muestreados. Determine el tamao ptimo de la muestra
El gerente de una compaa distribuidora de autos evala abrir una sucursal ms en cierta ciudad de Mxico, para esto l lleva a efecto un estudio de la situacin. Concluye con una certeza del 50%
91
92 Captulo 4
que las ventas totales de sus seis sucursales existentes oscilan entre 71.1 y 84.9 unidades mensuales. Suponga que las ventas tiene una distribucin normal determine a. la media y la desviacin estndar global y por sucursal.
Ahora el gerente est evaluando la posibilidad de abrir la nueva sucursal en Guadalajara o Monterrey para ello requiere una inversin de 8,000,000um y 7,400,000um, respectivamente, las que le daran ingresos respectivos de 110,000 y 105,000um por auto vendido. Tomando en consideracin las 7 sucursales b. Encuentre el punto de equilibrio y las funciones lineales de pago global y por sucursal. Cul es la mejor decisin? c. Calcule las funciones de prdida lineales y seccionadas y el VEIP global y por sucursal. Por experiencias de otras empresas del rama automotriz se tiene la informacin que cuando una distribuidora abre una sucursal, la desviacin estndar estimada es de 1.6 unidades y que el costo del muestreo es de 6500 por unidad. Determine el VEIM y la GNEM para: d. m = 3 y m = 4 sucursales muestreados. Determine el tamao ptimo de la muestra 3.
Una compaa de seguros est evaluando el posible lanzamiento al mercado de un nuevo seguro. La empresa cuenta con 60 agentes capacitados para manejar el nuevo seguro y los directivos de la empresa tienen el 50% de certeza que las ventas de este nuevo seguro oscilar entre 3,800 y 6,800 plizas (los que puse al inicio fueron 5270 y 5730). Por otro lado, la aseguradora tiene dos opciones: la primera es recurrir a su cartera de clientes, lo que le costara 45,000um arrojndole una utilidad de 60um por pliza. La segunda opcin es la contratacin de una agencia de publicidad para lanzar una promocin en medios de comunicacin cuyo costo sera de 202,500um con una utilidad de 90um por pliza. Suponga que la distribucin de las ventas de seguros es normal. a. Calcule la media y desviacin estndar global y por agente. b. Calcule las funciones lineales de pago global y por agente, y determine cul es la mejor opcin. c. Calcule el VEIP global y por agente. d. Suponiendo que de aseguradoras sobre el mismo ramo, se tiene una desviacin estndar estimada de 2500 (antes era 400) plizas vendidas por 65 agentes, asigne un costo unitario de muestreo y calcule la GNEM. Cul es el tamao ptimo de muestreo?
4. Una empresa pequea tiene 5 puestos semi-fijos de pizzas en diferentes cruceros de la ciudad. Est evaluando la posibilidad de abrir un establecimiento fijo, estima que sus ventas oscilarn entre 25,000 21,800 pizzas con una certeza del 50%. Actualmente su inversin para operar en el prximo semestre es de 820,000um teniendo ingresos por pizza vendida de 55um, pero si opta por la apertura del establecimiento su inversin sera de 1,000,000um con ingresos por cada pizza de 62um. Suponiendo que la distribucin de las ventas pizzas es normal. a. Calcule la media y desviacin estndar global y por establecimiento. b. Calcule las funciones lineales de pago global y por establecimiento, y determine cul es la mejor opcin. c. Calcule el VEIP global y por establecimiento.
92
d. Suponiendo que de establecimientos de pizzas se tiene una desviacin estndar estimada de 400 pizzas vendidas por establecimiento, asigne un costo unitario de muestreo y calcule la GNEM. Cul es el tamao ptimo de muestreo? 5. Un decisor necesita comprar una mquina, pero est indeciso entre las mquinas del proveedor A o B. El decisor tiene una certeza del 50% que la produccin diaria de sus 20 plantas est entre 200,000 y 300,000 piezas. Suponiendo normalidad en la produccin a. Calcule la media y la desviacin estndar global y por planta. Suponga que la mquina del proveedor A tiene un costo de 150,000um y por cada unidad que se produce, la mquina tiene un costo de depreciacin de 5um. Mientras que la mquina B cuesta 190,000um y los costos unitarios por depreciacin son 3um. b. Encuentre el punto de equilibrio y las funciones lineales de pago global y por planta. Cul es la mejor decisin? c. Calcule las funciones de prdida lineales y seccionadas y el VEIP global y por planta. Por experiencias de otras empresas del ramo se tiene que la desviacin estndar estimada es de 3500 unidades y que el costo del muestreo es de 2um por unidad. Determine el VEIM y la GNEM para: d. m = 8 y m = 12 plantas muestreadas. Determine el tamao ptimo de la muestra. 6. Un decisor que se dedica a la venta de cierto producto con presentaciones en cajas de 100 bolsas cada una, est decidiendo si lleva o no a cabo un programa publicitario para su negocio. El decisor tiene 50 distribuidores para su producto y considera con una certeza del 50% que la ventas semanales de su producto estn entre 15,000 y 20,000 cajas. Suponiendo normalidad en las ventas a. Calcule la media y la desviacin estndar global y por distribuidor.
En caso de que se decida por el programa publicitario el costo ser de 75,000um y se recibira un beneficio adicional de 100um por caja vendida. En caso de que no aplique el programa publicitario no tendr gastos ni beneficios adicionales, de tal forma que el decisor asigna un valor de cero a los costos, mientras que las utilidades por caja seran de slo 60um. b. Encuentre el punto de equilibrio y las funciones lineales de pago global y por distribuidor. Cul es la mejor decisin? c. Calcule las funciones de prdida lineales y seccionadas y el VEIP global y por distribuidor. Por experiencias de otras empresas del ramo se tiene que la desviacin estndar estimada es de 2200cajas y que el costo del muestreo es de 10um por caja. Determine el VEIM y la GNEM para: d. m = 40 y m = 45 distribuidores muestreados. Determine el tamao ptimo de la muestra.
7. Con el desarrollo del clculo del VEIP para el caso de una distribucin normal, obtenga la frmula para calcular el VEIP en el caso de una distribucin exponencial con media a priori 0 . Sug. Ver el desarrollo de la subseccin 5.5.1. 8.
93
94 Captulo 4
4.6 GENERALIZACIN DE RESULTADOS PARA UNA DISTRIBUCIN NORMAL En esta seccin veremos la generalizacin de los conceptos y resultados mostrados en las secciones anteriores. Supngase una situacin general de una empresa con n productos, que pueden ser elaborados por m maquinarias. Se desea disminuir los costos al fabricar sus productos, para tal efecto analiza qu maquinaria le resulta ms redituable de un total de las m alternativas. As, con base en la experiencia y apoyndose en un estudio previo, se determina que los costos de produccin estn determinados por un factor fijo k ij , y uno variable bij , en donde i representa la i-sima alternativa
i = 1, 2, , m , correspondiente al j-simo producto elaborado para su comercializacin, j = 1, 2, , n . El problema general consiste en analizar los diferentes escenarios de decisin que tendra el gerente al presentrsele:
Caso 1 Un par de alternativas. Caso 2 Un conjunto de n n alternativas, con solucin nica. Caso 3 Cuando: a ) m > n ms ecuaciones que incgnitas. b ) m < n menos ecuaciones que incgnitas (infinidad de soluciones). Ahora vamos a realizar un anlisis de cmo se puede dar respuesta a las preguntas revisadas anteriormente. Es decir: a) Cules son las Funciones Lineales de Pago? b) Cul es el Pago Esperado para las distintas alternativas? c) Cul es el Punto de Equilibrio? d) Cules son las Funciones de Prdida Seccionadas? e) Cul sera el VEIP en cada caso? f) Cul sera el VEIM en cada caso? g) Cul sera el GNEM y el Tamao ptimo de la muestra en cada caso?
1 FUNCIONES LINEALES DE PAGO
Para conocer las funciones lineales de pago de n productos, es decir los costos fijos y costos variables para cada alternativa, dependiendo del caso que se presente tendremos: Caso 1 Cuando se maneje un par de alternativas
A1 (Y1 ) = k11 + b11 X 1 + k12 + b12 X 2 + A2 (Y2 ) = k 21 + b21 X 1 + k 22 + b22 X 2 + + k1n + b1n X n + k 2 n + b2 n X n
Caso 2 Cuando se maneje Y1 hasta Yn (nxn)
94
A1 (Y1 ) = k11 + b11 X 1 + k12 + b12 X 2 + A2 (Y2 ) = k 21 + b21 X 1 + k 22 + b22 X 2 + An (Yn ) = k n1 + bn1 X 1 + k n 2 + bn 2 X 2 +
+ k1n + b1n X n + k 2 n + b2 n X n + k nn + bnn X n
Caso 3 A) Cuando se manejen ms ecuaciones que incgnitas m > n B) Cuando se manejen menos ecuaciones que incgnitas m < n
A1 (Y1 ) = k11 + b11 X 1 + k12 + b12 X 2 + A2 (Y2 ) = k 21 + b21 X 1 + k 22 + b22 X 2 + Am (Ym ) = k m1 + bm1 X 1 + k m 2 + bm 2 X 2 +
2
+ k1n + b1n X n + k 2 n + b2 n X n + k mn + bmn X n
PAGO ESPERADO PARA LAS DISTINTAS ALTERNATIVAS
Es la mejor alternativa. Es decir, donde se obtiene el mejor resultado, hablando en trminos econmicos. La mayor utilidad o el menor costo. Dependiendo del Caso que se presente: Caso 1 Cuando se maneje un par de alternativas
PE ( A1 ) = k11 + b11 1 + k12 + b12 2 + PE ( A2 ) = k 21 + b21 1 + k 22 + b22 2 + + k1n + b1n n + k 2 n + b2 n n
Caso 2 Cuando se maneje Y1 hasta Yn (nxn)

PE ( A1 ) = k11 + b11 1 + k12 + b12 2 + PE ( A2 ) = k 21 + b21 1 + k 22 + b22 2 + PE ( An ) = k n1 + bn1 1 + k n 2 + bn 2 2 + + k1n + b1n n + k 2 n + b2 n n + k nn + bnn n
Caso 3 A) Cuando se manejen mas ecuaciones que incgnitas m > n B) Cuando se manejen menos ecuaciones que incgnitas m < n
PE ( A1 ) = k11 + b11 1 + k12 + b12 2 + PE ( A2 ) = k 21 + b21 1 + k 22 + b22 2 + PE ( Am ) = k m1 + bm1 1 + k m 2 + bm 2 2 +
3 PUNTO DE EQUILIBRIO
+ k1n + b1n n + k 2 n + b2 n n + k mn + bmn n
Para conocer cul es el nmero de unidades promedio requeridas para que la ganancia de las acciones sea la misma igualando las ecuaciones a 0 cero y despejando i = E :
k11 + b11 1 + k12 + b12 2 + + k1n + b1n n = k 21 + b21 1 + k12 + b12 2 + + k 2 n + b2 n n
Pasando al lado izquierdo la expresin y agrupando trminos

(k11 k 21 + b11 1 b21 1 ) + (k12 + b12 2 k 22 b22 2 ) + + (k1n k 2 n + b1n b2 n ( n ) = 0
95
96 Captulo 4
Considerando la independencia entre productos
k1i k 2i + (b1i b2i ) i = 0
i = 1,2,..., n
i =
4 FUNCIONES DE PRDIDA SECCIONADAS
k 2i k1i b1i b2i
Las funciones de prdida seccionadas, se componen de dos partes o segmentos a partir del punto de equilibrio: de un lado la prdida de oportunidad asociada a una accin especfica es cero, mientras que del otro lado la prdida de oportunidad aumenta de manera lineal con cada unidad adicional, y con una pendiente definida por el valor absoluto de la diferencia entre las pendientes b = bij bij para toda
i = 1, 2, , m y j = 1, 2, , n en todos los casos
Para la accin Aij , si el nivel real de ventas est por arriba del punto de equilibrio, se tiene que la funcin de prdida es b multiplicado por el nmero de unidades que est por encima del punto de equilibrio.
b( X Ej ) para X > Ej PO( Aij , X ) = para X Ej 0
Para la accin Aij , si el nivel real de ventas est por debajo del punto de equilibrio, se tiene que la funcin de prdida es b multiplicado por el nmero de unidades que est por debajo del punto de equilibrio. para X Ej 0 PO( Aij , X ) = 2(20000 X ) para X < Ej
5 EL VEIP
Paso 1 Primeramente se especificar para qu caso de los antes mencionados vamos a calcular el VEIP, pues es necesario calcular el valor absoluto de los costos variables b de las diversas alternativas para cada
situacin que se presente.
Caso 1 Cuando se maneje un par de alternativas b j = b1 j b2 j , Caso 2 Cuando se maneje Y1 hasta Yn (nxn)
b j = max bij bkj , i, k = 1,2..., n
i<k
j = 1, 2, , , n .
j = 1,2..., n
Caso 3 A) Cuando se manejen ms ecuaciones que incgnitas m > n B) Cuando se manejen menos ecuaciones que incgnitas m < n
b j = max bij bij
i<k
i, k = 1,2..., m
j = 1,2..., n
96
Paso 2 Despus utilizaremos el valor de la desviacin estndar 0 j , donde j = 1, 2, , , n , productos de la

distribucin de probabilidad previa conocida.
Paso 3 Por ltimo encontraremos el valor de la funcin de prdida unitaria D j para una distribucin normal. Dj = L( D j ) = funcin de prdida unitaria. Paso 4 Sustituir en la frmula general para encontrar el VEIPj donde j = 1, 2, , , n .
VEIPj = (b j )( 0 )( L( D j )) .
6 El VEIM
Ej 0 j 0j
Simplemente es la diferencia esperada entre el VEIP calculado antes de la muestra y el VEIP que se anticipa despus de la muestra. Paso 1 Primeramente se especificar para qu caso de los antes mencionados vamos a calcular el VEIP, pues es necesario calcular el valor absoluto de los costos variables b de las diversas alternativas para cada caso que se presente.
Caso 1 Cuando se maneje un par de alternativas b j = b1 j b2 j j = 1, 2, , , n . Caso 2 Cuando se maneje Y1 hasta Yn (nxn) b j = max bij bkj
i<k
i, k = 1,2..., n
j = 1,2..., n .
Caso 3 A) Cuando se manejen ms ecuaciones que incgnitas m > n B) Cuando se manejen menos ecuaciones que incgnitas m < n b j = max bij bkj i, k = 1,2..., m j = 1, 2..., n .
i<k
Paso 2 Encontrar la reduccin en la varianza entre las distribuciones de probabilidad previa y posterior que se designa mediante *2j , determinada por la siguiente frmula:
*2j =
4 0 j 2 2 0 j + X j
con
j = 1, 2, , , n .
2 Donde x representa el valor de la desviacin estndar poblacional. Por lo general ese valor se desconoce, por lo tanto es necesario estimar el valor de la desviacin estndar ( ) basndose en el anlisis de circunstancias semejantes o situaciones semejantes.
97
98 Captulo 4
2 X = j
2 jestimada
n donde n = tamao de la muestra conocida y j = 1, 2, , , n .
Paso 3 Por ultimo encontraremos el valor de la funcin de prdida unitaria D j para una distribucin normal. Dj = Paso 4
Sustituir en la frmula general para encontrar el VEIM j
Ej 0 j 0j
y L( D j ) = la funcin de prdida normal unitaria, donde j = 1, 2, , , n ,
VEIM j = (b j )( * j )( L( D* j )) j = 1, 2, , , n .
7 LA GNEM Y EL TAMAO PTIMO DE LA MUESTRA
El G EM j definido como la diferencia entre el VEIM y el costo de la muestra CM j .
G EM j = VEIM j CM j con j = 1, 2, , , n .
Por lo tanto, el tamao que represente la mxima ganancia neta, resulta que ese tamao de muestra ser el ptimo.
98
Captulo 5
PROBLEMA DE DECISIONES DECISIONES CON RBOLES DE DECISIN DECISIN
Introduccin
En los captulos precedentes se mostraron algunos criterios para resolver problemas de la teora de decisiones bajo incertidumbre por medio de las tablas o matrices de decisiones. En est captulo le toca el turno a los rboles de decisin un apoyo fundamental para el decisor en la solucin de problemas clsicos de la teora de decisiones. El captulo inicia con una introduccin a los rboles de decisin, su construccin, componentes y estructura. Posteriormente, se plantean los pasos a seguir por el decisor para llevar a cabo una solucin completa de los problemas de decisin bajo incertidumbre basados en los rboles de decisin. El captulo contina con ejemplos que ilustran la secuencia de solucin de los problemas con rboles de decisin. Se plantean situaciones en donde el decisor puede o no llevar a cabo un estudio preliminar sobre el problema. Finalmente para la solucin de los rboles de decisin se utiliza el software Precision tree for Excel, el cual se puede bajar gratuitamente de la pgina http://www.palisade.com 5.1 RBOLES DE DECISIN Como se sabe del captulo 1, un diagrama de rbol es una herramienta til para ilustrar cmo resolver problemas de probabilidades en varias etapas, sobre todo hace fcil la aplicacin del Teorema de bayes, ya que sin los diagramas de rbol de probabilidades puede resultar un poco complejo. El rbol de decisin es simplemente un diagrama del problema real que tiene el decisor. El anlisis del rbol de decisiones le permite al decisor identificar la mejor accin inicial, as como las mejores acciones subsecuentes. El rbol de decisin se construye de izquierda a derecha y su lectura es de derecha a izquierda, identificando los puntos de decisin y los eventos, anotando en el diagrama los valores de la incertidumbre de los eventos y sus pagos o costos correspondientes. Una parte importante de los diagramas de rboles de decisin consiste en la presentacin de una manera fcil de la trayectoria histrica para cada una de las alternativas que tiene el decisor.
99
100 Captulo 5
Los rasgos principales del rbol de decisiones son los puntos de ramificacin y cada punto designa la seleccin de acciones, una de las cuales debe ser elegida por el decisor, o un grupo de resultados con incertidumbre, uno de los cuales ocurrir. Finalmente, podemos decir que las reglas establecidas en teora de decisiones para los nodos es la siguiente. Los nodos de decisin se representan por cuadrados mientras que los nodos de incertidumbre, son representados por crculos. Cabe aclarar que en general no existen reglas rgidas para la construccin de un rbol de decisiones. El nico requisito es que el rbol describa el problema perfectamente, con todas sus actividades ordenadas cronolgicamente.
5.1.1 COMPONENTES DE UN RBOL DE DECISIONES
Alternativas de decisin o acciones en cada punto de decisin. A estos nodos tambin se les conoce como nodos de decisin estn representados en el rbol mediante un cuadrado.
Camino 1 Nodo de decisin Camino 2
Eventos que pueden presentarse ante una accin o alternativa de decisin. A estos nodos tambin se les conoce como nodos de incertidumbre y estn representados en el rbol mediante un crculo. Cada nodo de incertidumbre, tiene la caracterstica de que todos sus eventos deben ser exhaustivos.
Camino 1 Nodo de incertidumbre Camino 2
Probabilidades de los eventos que resulten de las decisiones. Aparecen slo en los nodos de incertidumbre y cabe recordar que su suma siempre debe ser igual a 1.
Camino 1 Probabilidades(nodo de incertidumbre) Camino 2 30.0% 70.0%
Los resultados de las combinaciones alternativas de decisin-evento. A estos tambin se les suele llamar consecuencias, stas pueden aparecer tanto en los nodos de incertidumbre como en los de decisin.
Consecuencias en un nodo de incertidumbre:
100
Problemas de decisiones con rboles de decisin

Camino 1 Probabilidades(nodo de incertidumbre) Camino 2 30.0% 130 70.0% 40
Consecuencias en un nodo de decisin:

Camino 1 30 Nodo de decisin Camino 2 60
5.2 SOLUCIN DE UN PROBLEMA DE DECISIONES CON AYUDA DE RBOLES DE DECISIN En teora de decisiones al utilizar los rboles de decisin se puede estructurar la solucin mediante las siguientes etapas. Etapa 1. Construccin de un rbol de decisiones. Se determinan las acciones de los nodos de decisin, en donde se hacen Hiptesis simplificatorias y se determina un horizonte de planeacin para el decisor. Se determinan los eventos y sus nodos de incertidumbre.
Etapa 2. Evaluacin de los impactos (o clculo de consecuencias) y clculo de las probabilidades. Etapa 3. Establecer un criterio de decisin generalmente se usa el criterio de valor esperado, mximo para pagos y mnimo para costos en caso de poner costos positivos, en caso de poner los costos con su signo negativo se sigue tomando el valor mximo. Etapa 4. Identificacin de las estrategias de solucin. Es decir, obtencin de los escenarios que se le pueden presentar al decisor, stos se obtienen al resolver el rbol de decisiones y analizar las diferentes alternativas que se pueden tener en el rbol final.
EJEMPLO 1
Una empresa que produce cierto artculo tuvo ganancias este ao de 150 millones, el gerente de la empresa quiere aumentar las ganancias con la introduccin de un nuevo artculo similar al anterior. Para esto l puede contratar una consultora que hace estudios de mercado, la cual le cobra 20 millones, los resultados posibles de la demanda son: alta (a), regular (r) y baja (b). Con base en el historial de la consultora se tiene la siguiente tabla de errores en los pronsticos.
101
102 Captulo 5
Pronstico Real A R B
Porciento de desaciertos de la consultora a r b 5 5 0 2 10 8 0 15 15
La tabla se puede interpretar para aciertos y fallas. En el caso de fallas, F, se interpreta de la siguiente forma, si la demanda fue alta (A) y se pronostic regular (r) la consultora falla en el 5%, P (rF | A) = 0.05 , de los casos. As, para las dems situaciones de fallas:
P (a F | A) = 0.05 , P (rF | A) = 0.05 , P (bF | A) = 0.00 , P (a F | R ) = 0.02 , P (rF | R) = 0.10 , P (bF | R ) = 0.08 P (a F | B ) = 0.00 , P (rF | B ) = 0.15 , , P (bF | B ) = 0.15 Para el caso de aciertos, C, Si la demanda fue alta y se pronostic alta la consultora acierta en el 95% , P (a C | A) = 0.95 , de los casos (fall en el 5%), si la demanda es regular y se pronostic regular la consultora acierta en el 90%, P (rC | R ) = 0.90 (fall en el 10%), as para los dems casos: P (a C | A) = 0.95 , P (rC | A) = 0.95 , P (bC | A) = 1.00 , P (a C | R ) = 0.98 , P (rC | R ) = 0.90 , P (bC | R ) = 0.92 P (a C | B ) = 1.00 , P (rC | B ) = 0.85 , P (bC | B ) = 0.85 El gerente ha estimado la ocurrencia de los eventos para los tres tipos de demanda posibles si introduce el artculo nuevo: Demanda alta (A), con P ( A) = 0.3 y una ganancia de 300 millones. Demanda regular (R), con P ( R) = 0.5 y una ganancia de 100 millones.
Demanda baja (B), con P ( B ) = 0.2 y una ganancia de 100 millones. Cul es la estrategia ptima para la empresa y cul es la ganancia esperada de esta estrategia?. Solucin
Etapa 1. Construccin de un rbol de decisiones. Se inicia con un nodo de decisin, del cual salen dos ramificaciones, para las acciones: hacer un estudio y no llevar a cabo el estudio. Si se lleva a cabo el estudio se pueden pronosticar las demandas a, r y b. En cada caso se elige una accin; quedarse con el artculo anterior o cambiar al nuevo, si se cambia al nuevo pueden ocurrir, con cierta incertidumbre, cualquiera de las demandas A, R y B. Si no se lleva a cabo el estudio se elige una accin; quedarse con el artculo anterior o cambiar al nuevo, si se cambia al producto nuevo pueden ocurrir, con cierta incertidumbre, cualquiera de las demandas A, R y B. Grficamente el rbol de decisiones se ha hecho en el software Precision tree for Excel, y se muestra a continuacin.
102

Anterior a A Nuevo R B Con estudio Anterior r A Nuevo R B Anterior b A Nuevo R B Ejemplo 1 Anterior Sin estudio A Nuevo R B
103
104 Captulo 5
Etapa 2. Evaluacin de los impactos (clculo de consecuencias) y las probabilidades. Tenemos que calcular las probabilidades, P ( A | a C ), P ( A | rF ), P ( A | bF ), , para esto primeramente se requieren las probabilidades de a, r y b. stas se pueden calcular con el rbol de probabilidades, el cual es diferente del rbol de decisiones y se forma slo con los nodos de incertidumbre, empleando el Teorema de Bayes; colocamos los eventos segn se conozca la secuencia de ocurrencia de los eventos (no necesariamente es la misma que en el rbol de decisiones), ver rbol siguiente:
95.0%
a A 30.0% r b Probabilidades a R 50.0% r b a B 20.0% r b
0.285
5.0% 0.0%
0.015 0.000
2.0%
0.010
90.0% 8.0% 0.0%
0.450 0.040 0.000
15.0% 85.0%
0.030 0.170
Del rbol de probabilidades, se puede observar que P (a ) = 0.285 + 0.010 + 0 = 0.295 , P (r ) = 0.015 + 0.450 + 0.030 = 0.495 y P (b) = 0 + 0.040 + 0.170 = 0.210 .
Ahora las probabilidades condicionales 0.285 P( A | a) = = 0.966 P ( A | r ) = 0.295 0.010 P( R | a) = = 0.034 , P ( R | r ) = 0.295 0 P( B | a) = =0 P( B | r ) = 0.295
104
0.015 0 = 0.030 P ( A | b) = =0 0.495 0.210 0.450 0.040 = 0.909 y P ( R | b) = = 0.190 0.495 0.210 0.030 0.170 = 0.061 P ( B | b) = = 0.810 0.495 0.210
El diagrama de rbol con las probabilidades y sus impactos, se muestra a continuacin.

Anterior
130
29.5% A Nuevo R B 3.4% 80 0.0% -120 96.6% 280
Con estudio Anterior 130
49.5% 3.0% 280 Nuevo R B Anterior 130 91.0% 80 6.0% -120
21.0% 0.0% 280 Nuevo R B 19.0% 80 81.0% -120
Ejemplo 1 Anterior 150 Sin estudio A Nuevo R B 50.0% 100 20.0% -100 30.0% 300
105
106 Captulo 5
Etapa 3. Establecemos un criterio de decisin. Emplearemos el criterio de valor esperado y se elegir el mximo por tratarse de pagos. Calculando los valores esperados en los nodos de incertidumbre y eligiendo al mayor, similarmente en los nodos de decisin se elige la mayor opcin. As, el rbol es:
Anterior FALSO
130
29.5% 0
Decisin 273.4 A VERDADERO Nuevo 0 96.7% 280 Valor esperado 273.4 R B 3.3% 80 0.0% -120
VERDADERO Con estudio 0
Valor esperado 172.303 VERDADERO Anterior 130 0.495 130
49.5% 0
Decisin 130 A Nuevo FALSO 0 R B VERDADERO Anterior 130 0.21 130 3.0% 280 Valor esperado 74 91.0% 80 6.0% -120
21.0% 0
Decision 130 A Nuevo FALSO 0 R B 0.0% 280 Valor esperado -82 19.0% 80 81.0% -120
Ejemplo 1
Decisin 172.303 VERDADERO Anterior 150 Sin estudio FALSO 0 Decisin 150 A Nuevo FALSO 0 R B 30.0% 300 Valor esperado 120 50.0% 100 20.0% -100 0 100 0 -100 0 300 0 150
106
Etapa 4. Identificacin de las estrategias de solucin. Se obtienen al resolver el rbol de decisiones y se analizan las diferentes alternativas que se pueden tener en el rbol final.
a 29.5% 0 Decisin 273.4 A VERDADERO Nuevo 0 96.7% 280 Valor esperado 273.4 R B VERDADERO Con estudio 0 Valor esperado 172.303 VERDADERO Anterior 130 r 49.5% 0 Decisin 130 VERDADERO Anterior 130 b Decisin 172.303 21.0% 0 Decisin 130 0.21 130 0.495 130 3.3% 80 0.0% -120
La estrategia a seguir ser la siguiente. Se elige la accin de llevar a cabo un estudio de mercado, luego puede ocurrir: Si el estudio arroja un resultado de demanda alta (a), entonces la mejor decisin sera fabricar el nuevo producto. Si el estudio arroja un resultado de demanda regular (r), entonces la mejor decisin sera quedarse con el producto anterior. Es decir, no fabricar el nuevo producto. Si el estudio arroja un resultado de demanda baja (b), entonces la mejor decisin sera quedarse con el producto anterior. Es decir, no fabricar el nuevo producto.
EJEMPLO 2
Supngase que Octavio tiene un problema de decisiones el cual consiste en elegir una de dos opciones: adquirir una cmara digital nueva con un costo de $5,000 comprar una cmara usada a su amigo Hctor en $4,000.
Hctor le permite a Octavio que previamente haga una revisin de la cmara para su evaluacin. Octavio conoce a un tcnico en cmaras que por la revisin le cobra $300, por experiencia Octavio sabe que el tcnico se equivoca en su diagnostico de la siguiente forma:
107
108 Captulo 5
el tcnico puede diagnosticar que la cmara est bien cuando en realidad est mal en el 10% de los casos el tcnico puede diagnosticar que la cmara est mal cuando en realidad est bien en el 10% de los casos.
Por otro lado, por intuicin propia Hctor estima que la probabilidad de que la lente salga mala es de 0.30 y que salga buena de 0.70. Finalmente la lente cuesta $1,500. Cul ser la mejor decisin que pueda tomar Octavio?, utilizar el criterio de valor esperado, considerando el precio de la cmara nueva como el costo base en los impactos econmicos. Solucin Etapa 1. Construccin de un rbol de decisiones
Nueva Sin Revisin Lente Buena Usada Lente mala Ejemplo 2 Nueva Diag. buena Lente Buena Usada Lente Mala Con Revisin Nueva Diag. mala Lente Buena Usada Lente Mala
Etapa 2. Evaluacin de los impactos (clculo de consecuencias) y las probabilidades.
108

Nueva Sin Revisin Lente Buena Usada Lente mala Ejemplo 2 Nueva -300 Diag. buena 66.0% Lente Buena Usada Lente Mala Con Revisin Nueva -300 Diag. mala 34.0% Lente Buena Usada Lente Mala 79.4% -800 20.6% 700 4.5% -800 95.5% 700 30.0% -500 70.0% 1000
El rbol de probabilidades se forma slo con los nodos de incertidumbre obteniendo:

DB LB 70.0% DM Prob. Ejemplo 2 DB LM 30.0% DM 90.0% 0.27 10.0% 0.03 10.0% 0.07 90.0% 0.63
109
110 Captulo 5
0.63 = 0.955 , P ( LM | DB ) = 1 0.955 = 0.045 0.63 + 0.03 0.07 P ( LB | DM ) = = 0.206 , P ( LM | DM ) = 1 0.206 = 0.794 0.07 + 0.27 P ( LB | DB) =
Etapa 3. Establecer un criterio de decisin. Emplearemos el criterio de valor esperado y se elegir el mximo por tratarse de pagos.
Se calculan los valores esperados en los nodos de incertidumbre y se elige al mayor, similarmente en los nodos de decisin se elige la mayor opcin. El rbol obtenido se muestra a continuacin.
Nueva VERDADERO Sin Revisin 0 Decision 550 Lente Buena Usada VERDADERO 0 Chance 550 Lente mala Ejemplo 2 Decision 550 Nueva Diag. buena 66.0% 0 Decision 632.5 Lente Buena Usada VERDADERO 0 Chance 632.5 Lente Mala Con Revisin FALSO 0 Chance 315.45 Nueva VERDADERO -300 Diag. mala 34.0% 0 Decision -300 Lente Buena Usada FALSO 0 Chance -491 Lente Mala 79.4% -800 0 -800 20.6% 700 0 700 0 -300 4.5% -800 0 -800 95.5% 700 0 700 FALSO -300 0 -300 30.0% -500 0.3 -500 70.0% 1000 0.7 1000 FALSO 0 0
110

VERDADERO Sin Revisin 0 Decision 550 Lente Buena Usada VERDADERO 0 Chance 550 Lente mala Decision 550 30.0% -500 0.3 -500 70.0% 1000 0.7 1000
La estrategia a seguir consiste en comprar la cmara usada sin revisin.

EJEMPLO 3
Supngase que el contador Federico lleva la contabilidad de dos grandes empresas A y B, y que no recuerda en cul de ellas ha cometido un error de contabilidad. Federico estima que las probabilidades de haber cometido el error en las empresas A, B son P ( A) = 0.60 y P ( B) = 0.40 , respectivamente. Adems le quedan 2 das para entregar la contabilidad y slo puede buscar durante el da. Si encuentra el error durante el primer da lo puede corregir y entregar a tiempo, por otro lado, si lo encuentra en el segundo da puede suceder que lo encuentre y lo alcance a corregir o que lo encuentre y no lo alcance a corregir. Si agregamos que las empresas estn muy retiradas, de tal forma que en un da slo puede buscar en una sola empresa. El contador estima que puede tener los siguientes beneficios:
Encontrarlo en el primer da y corregirlo con un beneficio de $5,000. Encontrarlo en el segundo da y lo alcance a corregir con un beneficio de $5,000. Encontrarlo en el segundo da y no lo alcance a corregir con un beneficio de $3,000. No encontrarlo en los dos das con un beneficio de -$4,000 (prdida) Probabilidad de encontrar el error en la empresa A, cuando buscamos en A es 0.30. Probabilidad de encontrar el error en la empresa B, cuando buscamos en B es 0.80. La probabilidad de que lo encuentre en el segundo da y lo alcance a corregir es de 0.90.
Finalmente el contador estima las probabilidades
Encuentra las estrategias de solucin.
Solucin Etapa 1.
Se construir el rbol de decisiones, iniciando con la bsqueda en la empresa A o en la B.
111
112 Captulo 5
Encontrar 1 Corregir Buscar A Corregir Encontrar 2 No corregir Buscar A No encontrar 2 No encontrar 1 Corregir Encontrar 2 No corregir Buscar B No encontrar 2 Ejemplo 3 Encontrar 1 Corregir Buscar B Corregir Encontrar 2 No corregir Buscar A No encontrar 2 No encontrar 1 Corregir Encontrar 2 No corregir Buscar B No encontrar 2
Etapa 2. Obtencin de las consecuencias y probabilidades

112
Encontrar 1
18.0% Corregir 100.0% 5000
Buscar A Corregir Encontrar 2 15.0% No corregir 10.0% 3000 Buscar A No encontrar 2 No encontrar 1 82.0% 90.0% 5000 Encontrar 2 39.0% No corregir 10.0% 3000 Buscar B No encontrar 2 Ejemplo 3 Encontrar 1 32.0% Corregir Buscar B Corregir Encontrar 2 26.0% No corregir 10.0% 3000 Buscar A No encontrar 2 No encontrar 1 68.0% 90.0% 5000 Encontrar 2 9.0% 0 No corregir 10.0% 3000 Buscar B No encontrar 2 91.0% -4000 74.0% -4000 90.0% 5000 100.0% 5000 61.0% -4000 85.0% -4000 90.0% 5000
Corregir
Corregir
Para el clculo de probabilidades se tiene que analizar en las diferentes situaciones.

113
114 Captulo 5
Situacin 1A. El rbol de probabilidades cuando buscamos en A el primer da estar formado de la siguiente manera:
E1 A 60.0% 0 Chance 0 NE1 Chance 0 E1 B 40.0% 0 NE1 Chance 0 100.0% 0 0.4 0 0.0% 0 0 0 70.0% 0 0.42 0 30.0% 0 0.18 0
Buscar en A
Encontrar en A 1 da
P ( E1 ) = P ( A) P ( E1 | A) + P ( B ) P ( E1 | B ) = 0.60 0.30 + 0.40 0 = 0.18 .
Situacin 2A.
El rbol de probabilidades cuando buscamos en A los dos primeros das estar:
E1 A 60.0% 0 Chance 0 E2 NE1 70.0% 0 Chance 0 NE2 Chance 0 E2 E1 0.0% 0 NE2 B 40.0% 0 Chance 0 E2 NE1 100.0% 0 NE2 Chance 0 100.0% 0 0.4 0 0.0% 0 0 0 Chance 0 100.0% 0 0 0 0.0% 0 0 0 70.0% 0 Encontrar A 2 dia 0.294 0 30.0% 0 0.126 0 30.0% 0 0.18 0
Buscar en A los dos das
De donde las probabilidades estarn dadas por: P ( E 2 | E1 ) = P ( E 2 E1 ) 0.126 = = 0.15 . P( E1 ) 0.82
114
Situacin 3A. El rbol de probabilidades cuando buscamos en A el primer da y el segundo da buscamos en B

E1 A 60.0% 0 Chance 0 E2 NE1 70.0% 0 Chance 0 NE2 Chance 0 E1 B 40.0% 0 Chance 0 E2 NE1 100.0% 0 NE2 Chance 0 20.0% 0 0.08 0 80.0% 0 0.32 0 0.0% 0 0 0 100.0% 0 0.42 0 0.0% 0 0 0 30.0% 0 0.18 0
Buscar en A y en B 2do. Da
Buscar en A-B
P ( E 2 | E1 ) = Similarmente para B.
P ( E 2 E1 ) 0.32 = = 0.39 . P ( E1 ) 0.82
Situacin 1B.
El rbol de probabilidades cuando buscamos en B el primer da.
E1 A 60.0% 0 Chance 0 NE1 Chance 0 E1 B 40.0% 0 NE1 Chance 0 20.0% 0 0.08 0 80.0% 0 0.32 0 100.0% 0 0.6 0 0.0% 0 0 0
Buscar en B
Encontrar en B 1 da
P ( E1 ) = P( A) P ( E1 | A) + P ( B ) P ( E1 | B) = 0.60 0 + 0.40 0.8 = 0.32 .
Situacin 2B.
El rbol de probabilidades cuando buscamos en B los dos primeros das estar dado por:
115
116 Captulo 5
E2 E1 0.0% 0 NE2 A 60.0% 0 Chance 0 E2 NE1 100.0% 0 Chance 0 NE2 Chance 0 E1 B 40.0% 0 Chance 0 E2 NE1 20.0% 0 NE2 Chance 0 20.0% 0 0.016 0 80.0% 0 0.064 0 80.0% 0 0.32 0 100.0% 0 0.6 0 0.0% 0 0 0 Chance 0 100.0% 0 0 0 0.0% 0 0 0
Buscar en B los dos das

Encontrar en B 2 da
De donde las probabilidades estarn dadas por P ( E 2 | E1 ) = Situacin 3B.
P ( E 2 E1 ) 0.064 = = 0.0941 . P ( E1 ) 0.68
El rbol de probabilidades cuando buscamos en B el primer da y el segundo da buscamos en A.

E1 A 60.0% 0 Chance 0 E2 NE1 100.0% 0 Chance 0 NE2 Chance 0 E1 B 40.0% 0 Chance 0 E2 NE1 20.0% 0 NE2 Chance 0 100.0% 0 0.08 0 0.0% 0 0 0 80.0% 0 0.32 0 70.0% 0 0.42 0 30.0% 0 0.18 0 0.0% 0 0 0
Buscar en B y en A 2do. Da
Buscar en B-A
De donde las probabilidades estarn dadas por P ( E 2 | E1 ) =
P ( E 2 E1 ) P ( E1 )
0.18 = 0.2647 . 0.68
116
Etapa 3. Establecer un criterio de decisin Emplearemos el criterio de valor esperado y se elegir el mximo por tratarse de pagos. Se calculan los valores esperados en los nodos de incertidumbre y se elige al mayor, similarmente en los nodos de decisin se elige la mayor opcin. El rbol obtenido se muestra a continuacin.
Encontrar 1 18.0% 0 Chance 5000 Corregir Buscar A FALSO 0 Chance 434.24 Corregir Encontrar 2 15.0% 0 Chance 4800 No corregir 10.0% 3000 Buscar A FALSO 0 Chance -2680 No encontrar 2 No encontrar 1 82.0% 0 Decision -568 Corregir Encontrar 2 39.0% 0 Chance 4800 No corregir 10.0% 3000 VERDADERO Buscar B 0 Chance -568 No encontrar 2 Ejemplo 3 Decision 435.84 Encontrar 1 32.0% 0 Chance 5000 Corregir VERDADERO Buscar B 0 Chance 435.84 Corregir Encontrar 2 26.0% 0 Chance 4800 No corregir 10.0% 3000 VERDADERO Buscar A 0 Chance -1712 No encontrar 2 No encontrar 1 68.0% 0 Decision -1712 Corregir Encontrar 2 9.0% 0 Chance 4800 No corregir 10.0% 3000 Buscar B FALSO 0 Chance -3208 No encontrar 2 91.0% -4000 0 -4000 90.0% 5000 74.0% -4000 0.5032 -4000 90.0% 5000 100.0% 5000 0.32 5000 61.0% -4000 0 -4000 90.0% 5000 85.0% -4000 0 -4000 90.0% 5000 100.0% 5000 0 5000
117
118 Captulo 5
Decision 435.84 Encontrar 1 VERDADERO Buscar B 0 Chance 435.84 Corregir Encontrar 2 26.0% 0 Chance 4800 No corregir 10.0% 3000 VERDADERO Buscar A 0 Chance -1712 No encontrar 2 No encontrar 1 68.0% 0 Decision -1712 74.0% -4000 0.5032 -4000 90.0% 5000 32.0% 5000 Chance 5000
La estrategia a seguir sera la siguiente. Se elige la accin de buscar en B, el primer da: Si el error estaba en B y se encuentra se termina. Si el error no se encuentra en B al primer da el segundo da se busca en A.
118
Problemas de decisiones con rboles de decisin EJERCICIOS
1.
La empresa HSBC est llevando a cabo un estudio de factibilidad para colocar ms sucursales en la ciudad de Guadalajara. Los empresarios consideran para tomar su decisin la afluencia de clientes, las decisiones son colocar 40, 30 o 20 sucursales. Por otro lado, los empresarios clasificaron la afluencia de clientes en alta, media y baja. Los costos estimados para la colocacin de una sucursal es de $800,000 pesos cada una.
Por otro lado, ellos estiman que las probabilidades de las afluencias alta, media y baja, son 0.3, 0.5 y 0.2, respectivamente. Adems han estimado los escenarios para cada una de las acciones a tomar, de la siguiente forma. En el caso de colocar 40 sucursales ms, con el escenario de afluencia alta, ellos estiman rendimientos de 65 millones, para una afluencia media de 45 millones y en el peor de los casos un rendimiento de 35 millones. En el caso de colocar 30 sucursales ms, con el escenario de afluencia alta, ellos consideraran las posibilidades de colocar 15, 6 o no colocar ms sucursales. En el caso de colocar 15 sucursales ms, se estiman rendimientos de 60 millones; si se colocan 6 sucursales ms se espera un rendimiento de 55 millones; en el caso de no colocar ms sucursales se espera un rendimiento de 50 millones. Si el escenario es de una afluencia media, ellos consideraran la posibilidad de colocar 5 sucursales ms con un rendimiento de 51 millones, o dejar las que estn con un rendimiento de 45 millones. Si el escenario es de una afluencia baja, ellos consideraran las posibilidades de cerrar 10 sucursales de las cuales ahorraran 3.5 millones en gastos y tendran un rendimiento de 35 millones, o dejar las que estn con un rendimiento de 38 millones. En el caso de colocar 20 sucursales ms, con el escenario de afluencia alta, ellos consideraran las posibilidades de colocar 15, 10 o 5 sucursales ms. En el caso de colocar 15 sucursales ms, se estiman rendimientos de 55 millones; si se colocan 10 sucursales ms se espera un rendimiento de 52 millones; si se colocan 5 sucursales ms se esperan rendimientos de 50 millones. Si el escenario es de una afluencia media, ellos consideraran la posibilidad de colocar 10 sucursales ms con un rendimiento de 48 millones; colocar 7 sucursales ms con rendimientos de 45 millones o colocar 4 sucursales con rendimientos de 42 millones. Si el escenario es de una afluencia baja, ellos consideraran las posibilidades de cerrar 4 sucursales de las cuales ahorraran 0.5 millones en gastos y tendran un rendimiento de 32 millones, o dejar las que estn con un rendimiento de 33 millones. Cul ser la mejor decisin y estrategia para los empresarios?. 2. Resuelva el ejercicio anterior, si se lleva a cabo un estudio, el cual cuesta 3 millones. 3. La gerencia de una empresa est tratando de decidir que producto de tres posibles, A, B y C sacar al mercado para la temporada de verano (por cuestiones econmicas solo podr ofrecer un producto). El gerente de mercadotecnia plantea las situaciones para los tres productos. El producto A es el ms conocido para la empresa en cuanto a su fabricacin, precio y ventas, el gerente de mercadotecnia sabe, por experiencias, que si saca el producto A a la venta tendr una probabilidad igual a 0.7 de que se tengan ventas altas con una ganancia de 8 millones, mientras que en ventas bajas tendr ganancias de 5 millones.
119
120 Captulo 5
El producto B tiene cierto reconocimiento por los compradores, pero debido a que en la fbrica no se ha trabajado del todo, se tiene una probabilidad de 0.2 que su produccin se retrase, adems no se tiene un consenso en la empresa en su precio de venta. As, que el gerente a hecho las estimaciones siguientes con respecto a las ganancias segn escenarios. Si el precio fijado es alto y hay un retraso en su fabricacin, se tendr una probabilidad de ventas altas de 0.3, con ganancias de 7 millones, y en caso de ventas bajas se tendrn ganancias de 2 milln; pero si el precio fijado es bajo se tendr una probabilidad de ventas altas de 0.6 con una ganancia de 6 millones, y en caso de ventas bajas se tendrn 3 millones de ganancia. En caso de que no existan contratiempos en su fabricacin se tendrn los siguientes escenarios: Si el precio fijado es alto se tendr una probabilidad de ventas altas de 0.5, con ganancias de 8 millones, y en caso de ventas bajas se tendrn ganancias de 5 millones; pero si el precio fijado es bajo se tendr una probabilidad de ventas altas de 0.8 con una ganancia de 7 millones, y en caso de ventas bajas se tendrn 3 millones de ganancias. Finalmente sobre el producto C, se tienen poco conocimiento por parte de los compradores, pero los fabricantes lo catalogan de mayor calidad. Pero su fabricacin no se ha trabajado del todo, y se tiene una probabilidad de 0.3 que su produccin se retrase, adems no se tiene un consenso en la empresa en su precio de venta. As, que el gerente a hecho las estimaciones siguientes con respecto a las ganancias segn escenarios. Si el precio fijado es alto y hay un retraso en su fabricacin, se tendr una probabilidad de ventas altas de 0.3, con ganancias de 8 millones, y en caso de ventas bajas se tendrn perdidas de 0.5 millones; pero si el precio fijado es bajo se tendr una probabilidad de ventas altas de 0.8 con una ganancia de 6 millones, y en caso de ventas bajas se tendrn 3.5 millones de ganancia. En caso de que no existan contratiempos en su fabricacin se tendrn los siguientes escenarios: Si el precio fijado es alto se tendr una probabilidad de ventas altas de 0.6, con ganancias de 10 millones, y en caso de ventas bajas se tendrn ganancias de 4 millones; pero si el precio fijado es bajo se tendr una probabilidad de ventas altas de 0.9 con una ganancia de 9 millones, y en caso de ventas bajas se tendrn 5 millones de ganancias. Cul es la estrategia ptima para la empresa y cul es la ganancia esperada de esta estrategia?. 4. Resuelva el ejercicio anterior, suponiendo que en caso del producto C, se lleva a cabo una comercializacin televisiva con un costo de 2 millones, aumentando las ganancias en cada escenario en un milln. 5. Una empresa tuvo ganancias por 2 millones este ao en cierto producto, el gerente de mercadotecnia quiere sacar al mercado un nuevo producto (similar al anterior). Para esto l ha realizado una clasificacin de las posibles ventas en: alta, media y baja, con ganancias respectivas de 5, 2 y -2 millones, respectivamente. l no sabe si llevar a cabo un estudio de mercado previamente o no. En caso de contratar una consultora, para llevar a cabo un estudio de mercado, ella le cobra 250 mil pesos. El pronstico del gerente es el siguiente, predice ventas altas, medias y bajas con probabilidad 0.4, 0.5 y 0.1, respectivamente. Con base en el historial de la consultora se tiene la siguiente tabla de probabilidades condicionales. Nivel de ventas potenciales Ventas altas Ventas medias Ventas bajas 0.80 0.25 0.20 0.15 0.65 0.30
Pronstico de ventas altas, A Pronstico de ventas medias, M
120
Pronstico de ventas bajas, B
0.05 1.00
0.10 1.00
0.50 1.00
Determine cul es la mejor estrategia y cul su ganancia esperada. 6. Resuelva el ejercicio anterior con ganancias previas de 2.5 millones. 7. Con respecto al ejercicio 5, qu sucede cuando las ganancias previas son de 2.5 millones y un costo de la consultora de $350,000. 8. Con respecto al ejercicio 5, qu sucede cuando las ganancias previas son de 2.5 millones y un costo de la consultora de $500,000. 9. Supngase que usted tiene que decidir sobre la comprar de un carro y tiene posibilidades limitadas sobre, una buena opcin en una lnea nueva de coches que cuesta $4,000 y un coche usado que cuesta $2,750. Usted debe tener un coche para el trabajo. As, si el carro que usted compra es defectuoso, tendra que rentar un auto mientras lo reparan. La garanta del coche nuevo cubre gastos de reparacin o cambio del coche por un periodo de dos aos. Garanta que no tiene el carro usado. Usted considera el mercado de los autos de segunda mano y observa que cualquier automvil tiende a ser o muy buena o muy mala compra, pocos automviles estn entre los extremos. Con esto en mente usted considera slo dos eventos. i) El carro usado es muy buena compra y gasta $750 en reparaciones y gastos de rentas en los siguientes dos aos.
ii) El carro usado es muy malo y gasta $1750 en reparaciones y gastos de rentas durante los siguientes dos aos. Usted tambin cree que la probabilidad de hacer una buena compra es de slo 2/5. Sin embargo, usted puede preguntar al vendedor un consejo sobre una prueba de camino para el carro usado, a un costo despreciable, pero arriesgndose con una probabilidad de 1/3 de que el coche usado se venda mientras se lleva a cabo la prueba. La prueba de camino dar un informe satisfactorio o insatisfactorio segn las siguientes probabilidades Probabilidad de que la prueba de camino sea satisfactoria
insatisfactoria
Condicional de que el carro sea: Una muy mala compra

1 10 9 10
Una muy buena compra

9 10 1 10
Si el automvil usado se vende antes de que usted lo compre, entonces deber comprar el carro nuevo.
121
122 Captulo 5
Alternativamente usted puede pedir a sus propios mecnicos examinar el auto, tambin a un costo despreciable. Ellos pueden hacerlo inmediatamente, pero arriesga la opcin de compra, usted tiene que confiar en que ellos no recibirn una mordida por parte del vendedor del auto. Como resultado, usted evala su fiabilidad como: Probabilidad de que la revisin del mecnico sea satisfactoria
insatisfactoria
Condicional de que el carro sea: Una muy mala compra

1 2 1 2
Una muy buena compra

1 0
a).- Cul ser su mejor estrategia a seguir? b).- Cul sera la respuesta al inciso (a), si agrega un costo para las pruebas (usted determine un costo).
122
Captulo 6
PREFERENCIAS DE ORDEN ORDEN Y FUNCIONES DE VALOR
Introduccin
En el presente captulo iniciaremos dando un anlisis detallado de la construccin Terica de las preferencias de orden, basndonos en la relacin de orden dbil . Para tal efecto, iniciamos con un brevsimo repaso de las relaciones binarias y su clasificacin, en relaciones: reflexivas, simtricas, transitivas, equivalencias, antisimtricas y asimtricas. Recordaremos las clases de equivalencia, problema de representatividad y correspondencia con la particin de un conjunto. Visto el repaso de relaciones, daremos inicio a una relacin particular, conocida como preferencias de orden, para las cuales revisamos su sistema axiomtico en el que se construyen los teoremas que justifican la validez de los resultados a emplearse en las aplicaciones de la Teora de decisiones a la economa y finanzas. Posteriormente, revisaremos una explicacin Terica que justifica la existencia y unicidad de las funciones de valor que se pueden aplicar al conjunto de alternativas del decisor y con base en ellas las relaciones de orden, entre alternativas, las podremos comparar como relaciones numricas. Las funciones de valor las veremos en su primera etapa para un atributo, posteriormente revisaremos las funciones de valor para el caso de independencia de 2 y ms atributos, as como las funciones aditivas. 6.1 RELACIONES BINARIAS En esta seccin revisaremos brevemente las relaciones binarias y una clasificacin elemental de stas, iniciamos con la definicin de relacin. Sean los conjuntos A y B, sobre los que nos interesa establecer de alguna manera una correspondencia entre sus elementos, hecho que da origen al siguiente concepto matemtico. Definicin 1 Sean los conjuntos A y B, y P ( x, y ) un enunciado lgico definido en A B , se dice que existe una relacin binaria entre los elementos de los conjuntos A y B, y ella est determinada por P ( x, y ) .
123
124 Captulo 6
La relacin entre los conjuntos A y B la simbolizaremos por , la cual representar la correspondencia que existe entre estos conjuntos por medio de su enunciado lgico, y suele denotarse de la siguiente manera: = ( A, B, P ( x, y ) ) .
Cuando los elementos a A y b B estn relacionados se representan por
a b.
6.1.1 CLASIFICACIN DE RELACIONES
Existen relaciones entre los elementos de un mismo conjunto que cumplen ciertas propiedades y que son de inters en la Teora de Decisiones, a continuacin se enlistan las ms usuales en Teora de Decisiones.
1 RELACIONES REFLEXIVAS
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , entonces = ( A, A, P ( x, y ) ) , es una relacin reflexiva si para todo elemento a A , a est relacionada con ella misma, a a.
2 RELACIONES SIMTRICAS
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tendremos que relacin simtrica, si para los elementos a, b A , se cumple que
cuando a b, entonces b a.
3 RELACIONES TRANSITIVAS
= ( A, A, P ( x, y ) ) , es una
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tendremos que relacin transitiva, si para los elementos a, b, c A , se cumple que si a b y b c, entonces a c.
Observacin
= ( A, A, P ( x, y ) ) , es una
Para algunos ejemplos es ms conveniente definir una relacin transitiva por medio de su opuesta, esto es cuando una relacin no es transitiva.
4 RELACIONES NO TRANSITIVAS
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tendremos que relacin no transitiva, si para los elementos a , b , c A , se cumple que a b y b c, pero a
NOTA
= ( A, A, P ( x, y ) ) , es una
c.
De la definicin anterior, se deduce que una relacin es transitiva cuando no existen elementos a, b, c A , para los cuales se cumple que a b y b c.
5 RELACIONES DE EQUIVALENCIA
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tendremos que relacin de equivalencia, si es: a).- reflexiva,
124
= ( A, A, P ( x, y ) ) , es una
Preferencias de orden y funciones de valor. 125
b).- simtrica y c).- transitiva.

6 RELACIONES ANTISIMTRICAS
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tendremos que relacin antisimtrica, si para los elementos a, b A , se cumple que
cuando a b y b a, entonces a = b .
Observacin
= ( A, A, P ( x, y ) ) , es una
Para algunos ejemplos es ms conveniente definir una relacin antisimtrica por medio de su opuesta, esto es cuando una relacin no es antisimtrica.
7 RELACIONES NO ANTISIMTRICAS
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tendremos que = ( A, A, P ( x, y ) ) , es una relacin no antisimtrica, si existen elementos a, b A , para los cuales se cumple a b y b a, pero a b .
8 RELACIONES ASIMTRICAS
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tendremos que

relacin asimtrica, si existen elementos a, b A , tales que se cumple a b pero b
NOTAS
= ( A, A, P ( x, y ) ) , es una
a.
1.- Es obvio que una relacin no puede ser simtrica y asimtrica al mismo tiempo, aunque si puede ser no simtrica y no asimtrica a la vez. 2.- Igualmente debe estar claro que una relacin no puede ser reflexiva y asimtrica a la vez. 3.- Puede ocurrir que una relacin sea simtrica y antisimtrica a la vez, por ejemplo la relacin en A A , = {(1,1), (2,2), , (9,9)} , es simtrica y antisimtrica a la vez.
6.1.2 CLASES DE EQUIVALENCIA
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tal que = (A,A, P(x, y)), es una relacin de equivalencia, llamaremos clase de equivalencia del elemento a A , al conjunto de todos los elementos de A, que estn relacionados con a. Las clases de equivalencia del elemento a, se simbolizan por [a ] , o por medio de los conjuntos indizados Ba Ba = [a ] = {x A | a x} .
A) PROPIEDAD DE LA REPRESENTATIVIDAD DE UNA CLASE DE EQUIVALENCIA
De la definicin de clase de equivalencia est claro que surge la interrogante sobre el elemento que represente a la clase, dicha pregunta se puede establecer en el siguiente Lema.
LEMA 1
Una clase de equivalencia, se puede representar por medio de cualquier elemento que pertenezca a dicha clase.
125
126 Captulo 6 Demostracin
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tales que
= (A,A, P(x, y)), es una
relacin de equivalencia, representemos por [a ] una clase de equivalencia en . Por otro lado, escogemos un elemento x de dicha clase, esto es x [a ] , entonces por definicin de clase de equivalencia a x, como la relacin es simtrica, tenemos que x a, de donde se obtiene a [x ] , con lo que se demuestra la afirmacin.
TEOREMA 1
Dos o ms clases de equivalencia diferentes, no pueden tener elementos en comn.

Demostracin
Sea A un conjunto y P ( x, y ) un enunciado lgico en A A , tales que = (A,A, P(x, y)), es una relacin de equivalencia, veamos los elementos a, b A , tales que a no est relacionado con b, esto es [a ] [b] , ahora supngase que existe un elemento x A , tal representan a dos clases diferentes en
que x [a ] y x [b] , esto es a x y b x, como es una relacin de equivalencia, tenemos que es simtrica y por lo tanto x b, adems es transitiva y de las relaciones a x y x b, se deduce que a b, lo cual no puede ser, ya que [a ] [b] , y el teorema queda demostrado, ya que se contradice la suposicin de la existencia de un elemento x A tal que x [a ] [b] .
B) RELACIONES DE EQUIVALENCIA Y PARTICIONES
En el estudio de las relaciones se tiene una conexin bastante estrecha, entre las relaciones de equivalencia y las particiones, por medio de los siguientes dos teoremas.
TEOREMA 2
Sea el conjunto A, y enunciado lgico P ( x , y ) en A A , con relacin de equivalencia A, entonces
= (A, A, P(x, y)) una
efecta en A una particin A = {[a ], [b],}, en
donde los conjuntos [a ] , [b] , etc. son clases de equivalencia en A dadas por .
TEOREMA 3
Sea A un conjunto y A1, A2, , An, subconjuntos de A, tales que la familia A = {A1 , A2 ,, An } forman una particin del conjunto A, entonces A define sobre el conjunto A una relacin de equivalencia.
NOTA
De los teoremas anteriores, se puede concluir que existe una correspondencia uno a uno entre todas las clases de equivalencia y todas las particiones de un conjunto. 6.2 PREFERENCIAS DE ORDEN En las preferencias de orden al igual que en las relaciones, se tiene un conjunto A (finito) de alternativas, sobre el cual se define una relacin binaria y algunas de las relaciones revisadas como son: reflexiva, simtrica, transitiva, equivalencia, asimtrica y antisimtrica. En la teora de nmeros son de fundamental importancia las relaciones de >, y la de = , en Teora de Decisiones el conjunto A, no necesariamente es un conjunto numrico, es mucho ms
126
general, sus elementos representan las alternativas del decisor ante una situacin de incertidumbre. Por lo tanto, surge la necesidad de introducir relaciones equivalentes a las anteriores, para poder llevar a cabo una mejor toma de decisiones. Debido a la generalidad de los elementos en que puede estar constituido el conjunto de alternativas A, en teora de decisiones se acostumbra usar las siguientes relaciones binarias de preferencia de orden
a b , a preferente sobre b (preferencia estricta).
b , a al menos tan preferente como b (preferencia dbil).
a ~ b , a es indiferente a b (no existe preferencia, indiferencia).

En el estudio de las preferencias, al igual que en las reas de matemticas, las teoras son creadas con definiciones, se formulan axiomas y se demuestran Teoremas, Lemas y Postulados. De esta forma hemos iniciado el estudio, definiendo las preferencias de orden a b , a b , a ~ b . Ahora falta establecer el sistema axiomtico correspondiente, que nos permita desarrollar una teora sobre las preferencias de orden de un decisor.
6.2.1 PREFERENCIAS DBILES
En teora de decisiones entenderemos por preferencias dbiles a las relaciones a cumplan los siguientes axiomas sobre el conjunto de alternativas A.
AXIOMA 1. Comparabilidad o completitud.
b , y pediremos que
a, b A se cumple alguna de las siguientes relaciones: a
b, b
a o ambas. Otra forma
equivalente, no existen a, b A tales que a / b y b / a .

AXIOMA 2. Transitividad.
a, b, c A , si a
b yb
c a
c.
AXIOMA 3. Consistencia entre indiferencias y preferencias dbiles.
a, b A , si
a ~ b (a
a ). Otra forma equivalente,
a, b A , si
a~ / b (a / b o b / a ).
AXIOMA 4. Consistencia entre preferencias estrictas y preferencias dbiles.
a, b A , si a
NOTA
b b / a . Otra forma equivalente, a, b A , si b
a a / b.
El axioma 3 se puede considerar como la definicin de la indiferencia y por eso algunos autores prefieren utilizar la preferencia estricta en lugar de la dbil. Con base en los 4 axiomas anteriores, llamados de orden dbil, se formula y demuestra el siguiente teorema, que resulta ser la base en el desarrollo de las preferencias de orden, puesto que nos muestra la consistencia que existe entre los tres tipos de relaciones de orden.
127
128 Captulo 6 TEOREMA 4
Sea la relacin de orden dbil y supngase que se cumplen los 4 axiomas de preferencias dbiles, entonces i. es transitiva. ii. es asimtrica. iii. es reflexiva. iv. es simtrica. v. es transitiva. vi. a, b, c A, (a ~ b y b c) a c . vii. a, b, c A, (a b y b ~ c) a c . viii. a, b A se cumple exactamente una de las relaciones a ~ b, a b, b a .
Demostracin
i. Se prueba por reduccin al absurdo, es decir, supngase a, b, c A y son tales que a b y b c c a.
(1)
De b c y el axioma 4, se concluye que c / b . Luego, del axioma 1 resulta que b c . Con la relacin anterior b c y c a se concluye del axioma 2 que b a , pero esto no puede ser porque de las condiciones del teorema a
b , y del Axioma 4 esto ltimo es equivalente a b / a .
As, se obtuvo un absurdo, b a y b / a no se pueden cumplir al mismo tiempo. Por lo tanto, de (1) a
b yb c c / a . Finalmente, del axioma 4 se concluye que a
c.
ii. Supngase a, b A y que a est relacionado con b por medio de , esto es a b . Luego, por el axioma 4, b / a . As, del axioma 1 a b y otra vez por el axioma 4 b / a (en su forma equivalente). Es decir, b no est relacionado con a. iii. Supngase a A y que a no es indiferente a a, luego a ~ / a , esto implica que a puede ser luego a ~ a . iv. Supngase a, b A y que a es indiferente a b, a ~ b , luego del axioma 3,
a ~ b (a b yb a) (b a y a b) b ~ a .
a , lo que no
v. Supngase que a, b, c A y a ~ b y b ~ c luego del axioma 3,

a ~ b (a b yb a ) y b ~ c (b c y c b) b y b c implica a c,
Por transitividad de la relacin de orden dbil axioma 2, a similarmente, c

b yb a implica c
a . Finalmente, del axioma 3 se concluye que a ~ c c , luego del axioma 3, c a
vi. Supngase que a, b, c A, a ~ b y b

a b yb
a y b
b y c / b.
128
De las dos ltimas relaciones se concluye que c / a . Esto se verifica fcilmente por reduccin al absurdo, puesto que si ocurriese que a c , entonces de b a y el Axioma 2 (transitividad de ), se concluye que b c , pero esto no puede ser ya que por suposicin b finalmente del Axioma 4, a c .
c . As, se cumple que c / a ,
vii. Se demuestra de forma similar que el inciso vi. Supngase que a, b, c A, a luego del axioma 3,
a b yb c yc b b/a y c
b c/a
Axioma 4
b y b~c
c.
viii. Supngase que a, b A , la demostracin se puede hacer los 4 casos que pudiesen ocurrir. a b y b a , luego del Axioma 3 a ~ b .

a b y b / a , luego del Axioma 4 a a , luego del Axioma 4 b b. a. a y a b , lo
a /b yb
a / b y b / a , no puede ocurrir este caso porque se obtendra del axioma 4, b cual no puede ser.
NOTA
De lo expuesto arriba, se puede concluir que las relaciones de orden dbil, , deben cumplir la completez y transitividad, mientras que las relaciones de orden estricto, , deben cumplir con la asimetra y la transitividad; finalmente las relaciones de indiferencia deben ser de equivalencia.
6.2.2 CLASES DE INDIFERENCIA
De forma similar que en las relaciones de equivalencia, tenemos que las relaciones de indiferencia forman una clase, llamada clase de indiferencias. As, si a A , denotamos su clase de indiferencias por I (a) , y se define como:
I (a ) = {b a, b A, y b a} .
LEMA 2
Si se cumplen los axiomas del 1 al 4, entonces 1) Si a b I (a ) = I (b ) . 2) Si I (a ) y I (b ) tienen un elemento en comn, entonces I (a ) = I (b ) . 3) Si a

Demostracin
b entonces c I (a ) y d I (b ) se cumple c
d.
1) Sea c I (a ) , luego por definicin de clase de indiferencia c ~ a y por otro lado de las condiciones del lema a ~ b , as por transitividad de indeferencia c ~ b , finalmente por definicin de clase de indiferencia c I (b) y se concluye que I (a) I (b) .
Similarmente, se concluye que I (b) I (a) , de donde I (a ) = I (b) .
129
130 Captulo 6
2) Suponga que c A es el elemento comn de I (a ) e I (b ) , luego, c ~ a y c ~ b . Por simetra en el primer termino a ~ c y c ~ b . Por la transitividad a ~ b , finalmente del inciso anterior del lema se concluye que I (a ) = I (b) . 3) Supngase que c I (a ) , entonces por definicin de clase de indiferencia resulta que c ~ a y del hecho de que a b aplicamos el punto vi del Teorema 4, se concluye c b . Similarmente, sea d I (b) por definicin de clase de equivalencia d ~ b por simetra de la indiferencia b ~ d .
Finalmente de c
b y b ~ d aplicamos el punto vii del Teorema 4, se concluye c
d.
Las clases de indiferencia son similares a las clases de equivalencia en las relaciones, luego se cumplen los mismos resultados de la seccin anterior, pero ahora para las clases de indiferencia. Sus demostraciones se omiten por ser similares al caso de equivalencia.
A) PROPIEDAD DE LA REPRESENTATIVIDAD DE UNA CLASE DE INDIFERENCIA LEMA 3
Una clase de indiferencia, se puede representar por medio de cualquier elemento que pertenezca a dicha clase.
TEOREMA 5
Dos o ms clases de indiferencia diferentes, no pueden tener elementos en comn.

B) RELACIONES DE EQUIVALENCIA Y PARTICIONES TEOREMA 6
Sea el conjunto A de alternativas y I una relacin de indiferencia, entonces I efecta en A una particin A = {I (a1 ), I (a 2 ), } , en donde los conjuntos I (a1 ), I (a 2 ), etc. son clases de indiferencia en A.
TEOREMA 7
Sea A un conjunto de alternativas y A1, A2, , An, subconjuntos de A, tales que la familia A = {A1 , A2 ,, An } forman una particin del conjunto A, entonces A define sobre el conjunto A una relacin de indiferencias.
NOTA
De los teoremas anteriores, se puede concluir que existe una correspondencia uno a uno entre todas las clases de indiferencia y todas las particiones de un conjunto. 6.3 CONSTRUCCIN DE LAS FUNCIONES DE VALOR DE UN ATRIBUTO En la seccin 2 revisamos los conjuntos de alternativas, A, y la parte axiomtica que debe respetar un decisor al emplear sus preferencias sobre los objetos de A, para que la toma de decisiones que se haya hecha con el apoyo de los axiomas tenga un sustento racional. Al trabajar con conjuntos de alternativas, entramos en un mundo de comparaciones entre objetos que no necesariamente son nmeros, lo que dificulta su estudio y razn por la que las relaciones se usan en su notacin, smbolos ms general, y sobre los cuales se construyen las relaciones de comparacin, vistas en la seccin anterior. Lgicamente surge la pregunta sobre la factibilidad de
130
poder llevar a cabo comparaciones cuando tenemos alternativas de decisiones en contextos mucho muy variados. Existir algn mtodo que permita llevar a cabo comparaciones entre las alternativas y reglas de relacin que cumplan el sistema axiomtico de la seccin 2? La respuesta a la pregunta se dar en esta seccin con la construccin de funciones sobre A, a las que se les da el nombre de funciones de valor. Con estas funciones se podrn asignar valores a las alternativas para poder transportar la Teora de preferencias a la Teora de nmeros, en donde estn bien establecidas las relaciones que cumplen el sistema axiomtico revisado en la seccin anterior. Es y , utilizadas en las alternativas del decisor, sern decir, las relaciones de preferencias , transformadas, con la funcin de valor, a las comparaciones numricas, por medio de las relaciones conocidas en Teora de nmeros, >, e =, respectivamente; las equivalencias entre las relaciones con >, con y con = es slo por conveniencia de notacin.
La idea intuitiva de asignacin de valores, consiste en encontrar una funcin v() : A R ,
(2)
tal que si tenemos a, b A , y la relacin de orden dbil , entre a y b, se pueda establecer la relacin de orden dbil entre v(a), v(b) R . A la funcin que de esta forma se construye le llamaremos funcin de valor. Los siguientes 2 teoremas justifican la existencia de la funcin v. El primero para el caso particular en el que A es un conjunto finito y el segundo para un conjunto infinito.
TEOREMA 8 Existencia de la funcin v caso finito.
Sea el conjunto de alternativas A finito, existe una funcin de valor v() : A R , tal que a b v( a) v(b), a, b A (*)
si y slo si
Demostracin
es de orden dbil (cumple las condiciones de los axiomas 1 a 4).
Primero demostraremos que si existe v() : A R , tal que a b v( a) v(b), a, b A , entonces la relacin es de orden dbil.
Completitud
Para la completitud analizamos la propiedad de tricotoma de los nmeros, la cual consiste en que dados dos nmeros x, y R , se cumple una y slo una de las relaciones: ( x > y o y > x) o x = y. La cual es equivalente a (x> / y o y> / x) o ( x > / y y y> / x)
son nmeros de (*)
i) Si v(a ) > / v(b) ii) Si v(b) > / v(a )
v (b ) v ( a ) b a .
de (*)
son nmeros
v(a ) v(b) a b .
iii) Cuando v(a) > / v(b) y v(b) > / v(a ) , entonces se cumplen ambos b a y a b . 131
132 Captulo 6 NOTA
Si a / b , por (*) se cumple que v(a) / v(b) , luego como stos ltimos son nmeros resulta que v(b) > v(a ) . Por lo tanto, hemos probado que b a v (b ) > v ( a ) . (**) Transitividad. Si a b y b c por (*) tenemos que v(a) v(b) y v(b) v(c) , luego por la
transitividad de la relacin entre nmeros resulta v(a) v(c) y por (*) a c .
Consistencia entre indiferencias y preferencias dbiles. a, b A , si v(a) v(b) y v(b) v(a) , entonces de la relacin entre nmeros esto se cumple si y slo si v(a) = v(b) . De (*) esto significa que (a b y b a ) a ~ b . Consistencia entre preferencias estrictas y preferencias dbiles. a, b A , si v(b) v(a) , entonces de la relacin entre nmeros esto implica que v(a) > / v(b) , de (*) esto significa que si
b a , de (**) esto es equivalente a a / b . y es de orden dbil, entonces existe
En segundo lugar, demostraremos que si existe la relacin
una funcin de valor v() : A R , tal que a b v( a) v(b), a, b A .
Supondremos que la relacin
es de orden dbil y denotaremos al conjunto V (a ) = {b | a, b A y a b} .
Se define la cardinalidad de V (a) por v(a) . Es decir, # (V (a) ) = v(a) , tenemos que probar que sta es una funcin de valor que representa la relacin demostrar a b v(a) v(b), a, b A . . Es decir, cumple con (*), y tenemos que
ecesidad. Suponemos que a b , entonces b V (a ) y por transitividad para cualquier c que cumpla b c resulta a c . Luego, c V (a ) , de tal forma que V (b) V (a ) , de donde
# (V (b) ) # (V (a) ) , es decir, v(a) v(b) .
Suficiencia. Suponemos que v(a) v(b) y demostraremos que a b . La demostracin se har por contrapuesta. De est forma suponemos que a / b por el axioma 4 resulta b a . Por definicin de V (a) tenemos que b V (a) , pero a V (b) . Es decir, V (a ) V (b) , esto es v(b) > v(a ) ,
equivalentemente a v(a) / v(b) . Luego, se concluye que si v(a) v(b) , entonces a b .
TEOREMA 9 Existencia de la funcin v caso infinito.
Sea el conjunto de alternativas A, existe una funcin de valor v() : A R , tal que a b v( a) v(b), a, b A si y slo si orden denso de A con respecto de la relacin .
(*)
es de orden dbil, es decir, cumple las condiciones de los axiomas 1 a 4 de
132
Definicin 2 Sea B un subconjunto de A, B es llamado un subconjunto denso de A, con respecto a

a1 , a 2 A con a1 a 2 existe b B , tal que a1 b a 2 .
si
Ahora veremos un teorema que muestra la unicidad de la funcin de valor

TEOREMA 10 Unicidad de la funcin v.
Sea el conjunto de alternativas A y
una relacin de orden dbil, es decir cumple los
axiomas 1 a 4, entonces v() y w() son ambas funciones ordinarias de valor con solo si existe una funcin estrictamente creciente tal que
si y
w(a ) = (v(a ) ), a A
Demostracin
ecesidad. Suponemos que v() es una funcin ordinaria de valor con
y que es una funcin
estrictamente creciente. Luego, de los Teoremas 8 y 9, a b v(a ) v(b), a, b A ahora por ser una funcin estrictamente creciente w(a ) w(b), a, b A y por los Teoremas 8 y 9 w es una funcin ordinaria de valor.
Suficiencia. Suponemos que v y w son funciones ordinarias de valor con las mismas preferencias. Es decir, a b v(a ) v(b) y w(a ) w(b), a, b A .
Luego, definimos una funcin , tal que w() = (v() ) y por las relaciones anteriores tiene que ser estrictamente creciente.
6.4 SISTEMA AXIOMTICO DE LOS MODELOS DE DIFERENCIA DE VALOR En la seccin anterior revisamos la existencia y unicidad de la funcin de valor, funcin que se utilizar en los conjuntos de alternativas, A, para que a travs de ella se lleve a efecto la asignacin de valores a los elementos de A y de esta forma podamos llevar a cabo un ordenamiento de alternativas. Posteriormente, con base en la funcin que veremos a continuacin se asignarn mayores distancias a mayores preferencias y de esta manera podremos ordenar todas las preferencias intermedias del conjunto A.
Sea a b la representacin del intercambio de la alternativa b por la alternativa a. Con dicho intercambio y la funcin ordinaria de valor v() , definida en las relaciones de orden dbil, , entre los objetos del conjunto de alternativas A, tal que si a, b A entonces a b v(a ) v(b) . Podemos introducir una relacin de orden dbil entre intercambios de la siguiente forma. Sean A un conjunto de alternativas y para a, b, c, d A , definimos los intercambios a b y c d , entonces diremos que el intercambio a b es al menos tan preferente que c d , y denotaremos dicha preferencia por e , de tal manera que (a b) e (c d ) . Luego, ( a b)
e
(c d ) v(a) v(b) v(c) v( d ) .
(3) 133
134 Captulo 6
Representando grficamente las situaciones que pueden ocurrir a mayores preferencias hacia la derecha tendremos:

b b d d b d d b b c c
e

c a a c a d a a
Con lo anterior se concluye la definicin de una funcin ordinaria de valor V, dada en las relaciones de intercambiabilidad, tal que V (a b) = v(a ) v(b) . As, tendremos que V representa una funcin ordinaria de valor para las relaciones de intercambiabilidad, puesto que ( a b ) e (c d ) V ( a b ) V (c d ) .
De esta forma podemos estableceremos los axiomas correspondientes a la relacin de preferencia sobre los intercambios.
AXIOMA 1. Orden dbil.
sobre el Los 4 axiomas de la seccin 7.2.1 sobre las preferencias de orden dbiles conjunto de objetos A, se cumplen para el conjunto de intercambios y la relacin de orden e.
AXIOMA 2. Consistencia de
y
e
a, b A , si a
b ( a b)
(c c) para c A .
Ntese que el axioma en realidad representa la definicin de la funcin ordinaria de valor, ya que
a
AXIOMA 3.
b ( a b)
(c c) v(a ) v(b) v(c) v(c) = 0 v(a ) v(b) .
a, b, c, d A , (a b)
(c d ) ( d c )
(b a ) .
El axioma se deriva al multiplicar por menos 1 a la desigualdad (3)
( a b)
(c d ) v(a) v(b) v(c) v( d ) v(d ) v(c) v(b) v(a ) (d c) e (b a)
134
Preferencias de orden y funciones de valor. 135 AXIOMA 4.
a, b, c, d , e, f A ,
( d e) ( a c) (b c) e (e f ) ( a b)
e
(d f ) .
El axioma lo podemos ilustrar por medio de la siguiente grfica. Supngase que las preferencias crecen a la derecha, entonces segn las situaciones anteriores que se pueden presentar, una de ellas sera la mostrada en la grfica siguiente.
v ( a ) v (c ) v(d ) v( f )
c
AXIOMA 5. Solubilidad.

b e d
(i) b, c, d A, a A , tal que (a b) ~ e (c d ) . (ii) b, c A, a A , tal que (b a) ~ e (a c) .

Grficamente el axioma representa lo siguiente
v (c ) v ( d ) = v ( a ) v (b )
Con la ayuda de este axioma y la funcin ordinaria de diferencia de valor aplicada, de acuerdo a las preferencias del decisor, sobre el conjunto de alternativas A, en donde el decisor ranquea a sus elementos de tal forma que a n a n 1 a 2 a1 a 0 . Podemos graficar los elementos del conjunto A contra los valores que se les asignen en la funcin ordinaria de valor, los cuales se recomienda hacerlos de la siguiente manera. Asignar el valor cero al elemento menos deseable del conjunto de alternativas
v(a 0 ) = 0 .
Posteriormente, al siguiente elemento de A que sea ms preferente que a 0 , denotado por a1 asignarle el valor 1 v(a1 ) = 1 . De esta forma al siguiente elemento de A que sea ms preferente que a1 , denotado por a 2 , podemos relacionarlo con a 0 y a1 mediante una relacin de indiferencia de intercambios (a 2 a1 ) ~ e (a1 a 0 ) .
135
136 Captulo 6
Luego, resulta
v(a 2 ) v(a1 ) = v(a1 ) v(a 0 ) v( a 2 ) 1 = 1 0 v(a 2 ) = 2 Continuando con el proceso (a3 a 2 ) ~ e (a 2 a1 ) ~ e (a1 a0 )
v(a3 ) v(a 2 ) = v(a 2 ) v(a1 ) v(a3 ) 2 = 2 1 v(a3 ) = 3 En general, obtenemos para las indiferencias de intercambiabilidad (a1 a 0 ) ~ e ( a 2 a1 ) ~ e (a3 a 2 ) ~ e Mientras que al evaluar la funcin de valor v(a 0 ) = 0, v(a1 ) = 1, , v( a n ) = n, Graficando el procedimiento anterior, lo podemos apreciar en la figura 1. ~ e (a n a n1 ) .
n
n 1
n n 1
3 3 2 2 1 1 0 0 a a a a 0 1 2 3
a n 1 an a0 a1 a2 a3 a n 1 a n
(a)
(b)
Fig. 1 Curvas de dos comportamientos de la funcin de valor En la figura 1a se muestra una funcin de valor en donde se asigna menor valor a las alternativas que estn ms alejadas, esto se puede observar ya que a mayor alejamiento de las alternativas igual incremento en el valor de la funcin. Similarmente en la figura 1b se tiene mayor valor a las alternativas que se encuentren ms alejadas. Una interpretacin adecuada la tendremos al revisar las funciones de utilidad y el tipo de decisor en el captulo 8. Para valores intermedios de las alternativas se lleva acabo una interpolacin.
136
Preferencias de orden y funciones de valor. 137 AXIOMA 6. Arquimedeano.
Cualquier secuencia estndar estrictamente acotada es finita. Una secuencia estndar est definida por:
{a n | (a n a n1 ) ~ e (a1 a 0 )
forma
para n = 2, 3, } .
Se dice que una secuencia estndar es estrictamente acotada si se expresa de la siguiente
{a n | b
a n ; (a n a n 1 ) ~ e (a1 a 0 )}.
TEOREMA 11 Existencia de la funcin de diferencia de valor.
Si se satisfacen los axiomas 1-6 de esta seccin, entonces existe una funcin de diferencia de valor con la cual se representan y e tal que
v() : A R , a b v(a ) v(b) y (a b) e (c d ) v(a) v(b) v(c) v( d ) . Adems los axiomas 1-4 y el 6 son necesarios para tal representacin.
Ahora veremos un teorema que muestra la unicidad de la funcin de diferencia de valor

TEOREMA 12 Unicidad de la funcin de diferencia de valor.
Bajo las condiciones suaves de solubilidad en el conjunto de alternativas A, v() y w() son dos funciones de diferencia de valor con las mismas preferencias existen nmeros reales y con > 0 tales que w(a ) = v(a) + , a A .
si y solo si
6.5 FUNCIONES DE VALOR MULTIATRIBUTOS En la seccin anterior revisamos, entre otras cosas, la funcin de valor con un atributo, pero como es esperarse en la vida real los problemas de decisiones generalmente estn constituidos de 2 o ms atributos. De tal forma que iniciamos introduciendo la notacin correspondiente.
6.5.1 CONCEPTOS BSICOS DE FUNCIONES DE VALOR MULTIATRIBUTOS
En general, en el caso de problemas de decisin con q atributos, denotaremos al vector de alternativas
a = (a1 , a 2 ,, a q ) .
En donde,
a A = A1 A2 Aq , es decir, la alternativa ai Ai para i = 1, , q . De esta forma el problema general de las preferencias en el caso multiatributo se complica, debido a que debemos explicar cmo se entienden stas. Por ejemplo, que representa a b , y cmo sera la funcin ordinaria de valor para este caso. As, en la investigacin entenderemos por las preferencias a b , cuando se cumplen todas trmino a trmino. Es decir,
a b a1 b1 , a 2 b2 , , a q bq .
Con respecto a la funcin ordinaria de valor multiatributo, tenemos que deber ser una funcin
137
138 Captulo 6
v : A R , es decir, v : A1
Aq R .
De tal forma que cumpla

a b v(a) v(b) (a1 , a 2 , , a q ) (b1 , b2 , , bq ) v(a1 , a 2 , , a q ) v(b1 , b2 , , bq )
La dificultad para trabajar con multiatributos se puede apreciar en este momento ya que en la seccin anterior la introduccin de las funciones ordinarias de valor para un atributo simplificaba el trabajo con las preferencias. Pero en la expresin anterior podemos apreciar que la introduccin de la funcin ordinaria de valor multiatributos da como resultado un problema de mayor complejidad, ya que la funcin es multivariable y por consiguiente su comparacin no es tan sencilla, an en el caso de valores numricos. As, un primer paso en el caso multiatributos consistir en revisar las situaciones ms simples de funciones ordinarias de valor, bajo diferentes hiptesis, como son: Preferencias independientes, funciones aditivas sobre los atributos y las funciones lineales de valor. Antes de revisar cada una de las hiptesis que se tendran que hacer para simplificar el estudio de las funciones ordinarias de valor, formulemos un teorema que muestra la existencia de una funcin ordinaria de valor en el caso en que las alternativas son valores numricos.
TEOREMA 13 Existencia de la funcin ordinaria de valor.
Supngase que A = R q y que se cumple lo siguiente. i) Orden dbil. Para se cumplen los axiomas de orden dbil. ii) Dominancia estricta. Si a k > bk , para k = 1, 2, , q entonces a b . iii) Continuidad. Si a b c , entonces existe , 0 < < 1 , y a + (1 )c ~ b . Entonces existe una funcin ordinaria de valor. Grficamente el teorema representa lo siguiente. b a
a + (1 )c ~ b
Curva de indiferencia para b
Fig. 2 Representacin grfica de la existencia de la funcin ordinaria de valor Adems debido a que se trata de un caso numrico de alternativas, se puede establecer el valor de , de la siguiente forma b c = i i , para toda i = 1, 2, , q . a i ci
138
6.5.2 PREFERENCIAS INDEPENDIENTES DE DOS ATRIBUTOS
En esta subseccin tomamos en cuenta que cada alternativa puede ser representada slo por dos atributos, es decir, A = X 1 X 2 y damos las siguientes definiciones. Definicin 3 Se dice que el atributo X 1 es preferencialmente independiente del atributo X 2 si para X1 toda x1 , x1 , ) para algn X 2 , implica que ( x1 , ) ( x1 , ) para todo X 2 . ( x1 , ) ( x1
Similarmente, se dice que el atributo X 2 es preferencialmente independiente del X2 atributo X 1 si para toda x 2 , x 2 ( , x) ( , x 2 ) para algn X 1 , implica que ( , x 2 ) ( , x 2 ) para todo X 1 . Si ambas se cumplen se dice que X 1 y X 2 son mutuamente preferencialmente independientes. De forma similar que en el estudio de las probabilidades se pueden definir las preferencias de orden marginalmente independientes.
Definicin 4 Si X 1 es preferencialmente independiente de X 2 , se denota la preferencia marginal de orden

X1
sobre el conjunto X 1 , si
x1
X1
( x1 , ) ( x1 , ) para algn X 2 . x1
Similarmente, si X 2 es preferencialmente independiente de X 1 , se denota la preferencia
marginal de orden
X2
sobre el conjunto X 2 , si
X2
x2
( , x 2 ) ( , x x2 2 ) para algn X 1 .
De las definiciones 3 y 4 se puede deducir el siguiente Lema.

LEMA 4
Si X 1 y X 2 son mutuamente preferencialmente independientes y si

A = X 1 X 2 , entonces las preferencias marginales
Demostracin
X1
es de orden dbil en
X2
son ambas de orden dbil.
Completitud de
X1
X 1 y por ser X 1 preferencialmente independiente de X 2 , . Sean x1 , x1
tenemos que para cualquier X 2 y la comparabilidad de , ) o ( x1 , ) ( x1 , ) o ambos. ( x1 , ) ( x1 Similarmente para la completitud de Transitividad de
X1 X2
.
X1
, x1 X 1 , tales que x1 . Sean x1 , x1
y x1 x1
X1 X1
. Luego, x1
x1
x1
X1 X1
( x1 , ) ( x1 , ) por definicin de x1 ( x1 , ) ( x1 , ) por definicin de x1
X1
139
140 Captulo 6
Pero X 1 es preferencialmente independiente de X 2 , luego, tenemos para cualquier X 2 , ) ( x1 , ) . De la transitividad de eligiendo = , resulta ( x1 se cumple , ) ( x1 , ) ( x1 , ) ( x1 , ) x1 X1 x1 . ( x1 , ) ( x1 Similarmente para la transitividad de
X2
6.5.3 MODELO ADITIVO DE VALOR PARA DOS ATRIBUTOS
La funcin ordinaria de valor ms simple que podemos estudiar, en el caso de dos atributos, se obtiene bajo la hiptesis de aditividad, ya que el problema se puede reducir al caso univariado. Definicin 5
* Una funcin de valor v( x1 , x2 ) es aditiva si v( x1 , x 2 ) = v1 ( x1 ) + v 2 ( x 2 ) para x10 x1 x1 y 0 * x2 x2 x2 .
CONSTRUCCIN DE UNA FUNCIN DE VALOR ADITIVA
Para construir una funcin de valor aditiva se pueden seguir los siguientes pasos.
Paso 1. Sea v( x, y ) una funcin de valor aditiva, y ( x0 , y 0 ) un punto del dominio de la funcin, tal que el decisor asigna un valor cero a la funcin
0 = v( x0 , y 0 ) = v x ( x0 ) + v y ( y 0 ) luego 0 = v x ( x0 ) = v y ( y 0 ) .
Paso 2. Se elige un valor x1 al que el decisor arbitrariamente asigna un valor, generalmente se utiliza el valor 1, v x ( x1 ) = 1 . Paso 3. Se le pregunta al decisor a que punto sobre el eje de las ordenadas el punto ( x1 , y 0 ) es indiferente. Es decir, ( x1 , y 0 ) ~ ( x0 , ) , dentese este valor por y1 , entonces
( x1 , y 0 ) ~ ( x0 , y1 ) y
y1 y0 x0
( x0 , y1 ) ( x1 , y 0 ) x1
Fig. 3 Representacin grfica de la curva de indiferencia para ( x1 , y 0 ) ~ ( x0 , y1 ) .

140
Luego, v( x1 , y 0 ) = v( x0 , y1 ) , en el caso que estamos analizando

v( x1 , y 0 ) = v x ( x1 ) + v y ( y 0 ) = 1 + 0 = 1 v x ( x1 ) = 1 v( x0 , y1 ) = v x ( x 0 ) + v y ( y1 ) = 0 + v y ( y1 ) = 1 v y ( y1 ) = 1
Paso 4. Con los resultados del paso 3, se evala la funcin de valor en ( x1 , y1 ) , obteniendo
v( x1 , y1 ) = v x ( x1 ) + v y ( y1 ) = 1 + 1 = 2 .
Ahora se le pregunta al decisor que puntos sobre los ejes son equivalentes a ( x1 , y1 ) , y denotmoslos por ( x2 , y 0 ) y ( x0 , y 2 ) , obteniendo ( x1 , y1 ) ~ ( x 2 , y 0 ) y ( x1 , y1 ) ~ ( x0 , y 2 ) .
( x0 , y 2 ) ( x1 , y1 ) ( x0 , y1 ) y0 x0 ( x1 , y 0 ) ( x2 , y 0 )
Fig. 4 Representacin grfica de las curvas de indiferencia para ( x1 , y 0 ) ~ ( x0 , y1 ) , ( x1 , y1 ) ~ ( x 2 , y 0 ) y

( x1 , y1 ) ~ ( x0 , y 2 ) .
NOTA
Una forma de determinar si la funcin de valor es aditiva consiste en preguntarle al decisor sobre la relacin entre ( x2 , y 0 ) y ( x0 , y 2 ) . Si l contesta que no hay indiferencia entre ellos, entonces la funcin no es aditiva, ya que una relacin de indiferencia debe ser transitiva, luego de ( x1 , y1 ) ~ ( x 2 , y 0 ) y ( x1 , y1 ) ~ ( x0 , y 2 ) se tendr que deducir que ( x 2 , y 0 ) ~ ( x0 , y 2 ) . En caso de que la funcin de valor pase la prueba de aditividad, se puede continuar y entonces, 2 = v( x1 , y1 ) = ( x2 , y 0 ) y 2 = v( x1 , y1 ) = v( x0 , y 2 ) . Por la aditividad de la funcin v, resulta
v( x0 , y 2 ) = v x ( x0 ) + v y ( y 2 ) = 0 + v y ( y 2 ) = 2 v y ( y 2 ) = 2 v( x 2 , y 0 ) = v x ( x 2 ) + v y ( y 0 ) = v x ( x 2 ) + 0 = 2 v x ( x 2 ) = 2
141
142 Captulo 6
As, el proceso se contina, preguntndole al decisor que punto sobre el eje x es indiferente con ( x 2 , y1 ) , denotmoslo con ( x3 , y 0 ) . Posteriormente que punto sobre el eje de las y es indiferente con ( x1 , y 2 ) , denotmoslo con ( x 0 , y 3 ) . y
( x0 , y 3 ) ( x1 , y 2 ) ( x0 , y 2 ) ( x1 , y1 ) ( x0 , y1 ) ( x 2 , y1 )
y0 x0
( x1 , y 0 ) ( x2 , y 0 ) ( x3 , y 0 )
Fig. 5 Representacin grfica de las curvas de indiferencia para ( x1 , y 0 ) ~ ( x0 , y1 ) ;

( x1 , y1 ) ~ ( x 2 , y 0 ) y ( x1 , y1 ) ~ ( x0 , y 2 ) ; ( x3 , y 0 ) ~ ( x 2 , y1 ) ~ ( x1 , y 2 ) ~ ( x0 , y 3 ) . Con la ayuda de la aditividad de la funcin de valor, vamos a calcular el valor de v( x 2 , y1 ) y v( x1 , y 2 ) . v( x 2 , y1 ) = v x ( x 2 ) + v y ( y1 ) = 2 + 1 = 3 v( x1 , y 2 ) = v x ( x1 ) + v y ( y 2 ) = 1 + 2 = 3 Luego, por las indiferencias y la funcin de valor v ( x 3 , y 0 ) = v ( x 2 , y1 ) = 3 v( x 0 , y 3 ) = v( x1 , y 2 ) = 3 De esta forma hemos obtenido la propiedad de Thomson. ( x 0 , y1 ) ~ ( x1 , y 0 ) Para toda x 0 , x1 , x 2 X y y 0 , y1 , y 2 Y , ( x 2 , y1 ) ~ ( x1 , y 2 ) ( x 2 , y 0 ) ~ ( x0 , y 2 )
As, sucesivamente con la indiferencia y la aditividad de la funcin de valor, podemos calcular los diferentes valores para la funcin v y las funciones v x y v y , cuyas grficas se muestran en la figura 6.
142
v x ( x)
3 2 1 3 2 1
v y ( y)
x x0
y y0
x1
y3 y2 Fig. 6 Representacin grfica de las funciones de valor v x y v y .
x2
x3
y1
En un problema prctico cmo se puede construir una funcin de valor aditiva? La construccin de la funcin de valor aditiva con 2 atributos, se puede llevar a cabo con los siguientes pasos. 1. Finalmente ordenar cada uno de los atributos, denotmoslos por a y b, iniciando con el menos preferente a 0 a1 a n ; b0 b1 bn (ntese que dependiendo del atributo, no necesariamente es el que tenga menor valor). 2. Colocar los puntos ordenados en el paso anterior, el menos preferente del atributo 1 con el menos preferente del atributo 2, (a 0 , b0 ) , as sucesivamente hasta terminar con el ms preferente en cada atributo, (a1 , b1 ) , (a 2 , b2 ),, (a n , bn ) y asignar un valor a la funcin de valor
para el caso de atributos con menos preferencia, se recomienda iniciar con cero, v(a 0 , b0 ) = 0 .
3. Con el valor asignado en el punto anterior y la propiedad que la funcin de valor es aditiva, se puede asignar el valor a la funcin de valor con un atributo, 0 = v(a0 , b0 ) = v a ( a0 ) + vb (b0 ) , por
ejemplo 0 = v a (a 0 ) = vb (b0 ) .
4. Se elige el siguiente valor de uno de los atributos, por ejemplo a1 , y se asigna un valor mayor al anterior (paso 3) a su funcin de valor de un atributo. Si en el paso 3 se asign cero, entonces se recomienda ahora asignar el valor 1,
1 = v a (a1 ) = v a (a1 ) + 0 = v a (a1 ) + vb (b0 ) = v(a1 , b0 ) .
5. Se pregunta al decisor que punto sobre el eje del otro atributo es indiferente con (a1 , b0 ) . Sea
este valor b1* , el valor que menciona el decisor puede o no coincidir con (a 0 , b1 ) .
En caso de que b1* = b1 , y utilizando la aditividad de la funcin de valor
1 = v(a1 , b0 ) = v(a 0 , b1* ) = v(a 0 , b1 ) = va (a 0 ) + vb (b1 ) = 0 + vb (b1 ) = vb (b1 ) . En caso de que b1* b1 , y utilizando la aditividad de la funcin de valor 1 = v(a1 , b0 ) = v(a0 , b1* ) = va (a 0 ) + vb (b1* ) = 0 + vb (b1* ) = vb (b1* ) .
143
144 Captulo 6
Ahora para encontrar el valor de vb (b1 ) , se puede utilizar una proporcin con b0 , b1 y b1* y
vb (b0 ) , vb (b1 ) y vb (b1* ) .
vb (b1* ) vb (b1 ) vb (b1 ) vb (b0 ) =
v (b * ) vb (b1 ) b1* b1 b1* b1 o b 1 = o alguna otra. b1 b0 vb (b1* ) vb (b0 ) b1* b0
De donde se despeja y encuentra el valor de vb (b1 ) . vb (b1 ) = b1* b1 b1* b0
[v (b ) v (b )] + v (b )
b * 1 b 0 b * 1
6. Repetir los pasos 4, 5 y 6 para (a1 , b1 ) , (a 2 , b2 ),, (a n , bn ) , obteniendo de esta forma los
valores para v(ai , b j ) , va (ai ) y vb (b j ) , para toda i, j de cero a n.
veremos los teoremas que justifican la existencia y unicidad de la funcin ordinaria de valor para el caso bidimensional
TEOREMA 14 Existencia de la funcin ordinaria de valor aditiva bidimensional.
Si los siguientes 6 axiomas son satisfechos, entonces existe una funcin aditiva de valor con la cual se representa en el conjunto de alternativas A = X Y tal que
( x, y ) ( x , y ) v X ( x) + vY ( y ) v X ( x ) + vY ( y ) .
Adems los axiomas 1-3 y el 5 son necesarios para tal representacin. Axioma 1.Orden dbil de en A = X Y . Axioma 2. Independencia X y Y son mutuamente preferencialmente independientes. Axioma 3. Condicin de Thomson. Axioma 4. Restriccin de solubilidad. Axioma 5. Arquimediano. Axioma 6. Condicin de esensiabilidad de atributos. El atributo X es esencial si existen
equivalentemente x1
X
x0 , x1 X tales que
( x1 , y )
( x 0 , y ) y Y
x0 .
Ahora veremos un teorema que muestra la unicidad de la funcin de diferencia de valor.

TEOREMA 15 Unicidad de la funcin ordinaria de valor aditiva bidimensional.
Bajo las condiciones de solubilidad dos funciones aditivas de valor v( x, y ) = v X ( x) + vY ( y ) y w( x, y ) = w X ( x) + wY ( y ) , concuerdan con las mismas preferencias si y solamente si existen > 0 y X , Y tales que w X ( x) = v X ( x) + X y wY ( y ) = vY ( y ) + Y .
144
Preferencias de orden y funciones de valor. 145 EJEMPLO 1
Supngase el sistema de transporte para la ciudad de Mxico el cual tiene diferentes aspectos, entre los que contemplaremos los atributos, costo y cantidad de personas transportadas. Opciones i 0 1 2 3 4 5 Opciones Metro y lneas A y B Metrobus Combis y peseros RTP Trolebs Taxis Costo del pasaje (promedio), Ci* $2 $4.50 $4 $3 $2.5 $20 Cantidad de personas transportadas, Pi* 4,000,000 100,000 400,000 200,000 150,000 10,000
Construir la funcin de valor aditiva correspondiente al problema de transporte de la ciudad de Mxico y zona metropolitana. Solucin Paso 1. Ordenamos los atributos del ms preferente al menos preferente
** ** ** ** ** Costo: C 5 en donde; C4 C3 C2 C1** C 0 ** * ** * ** * ** * ** * C5 = C0 = $2, C 4 = C4 = $2.5, C 3 = C3 = $3, C 2 = C2 = $4, C1** = C1* = 4.5, C 0 = C5 = $20
Personas transportadas: P5** P4** P3** P2** P1** P0** en donde

P5** = P0* = 4000000, P4** = P2* = 400000, P3** = P3* = 200000 P2** = P4* = 150000, P1** = P1* = 100000, P0** = P5* = 10000
Paso 2. Asignacin de valores a las parejas

** Asignar valores a las parejas (Ci , Pi ) , en donde C 0 = C 0 , P0 = P0** y C1 = C1** los dems valores para
las Ci y Pi se obtienen al asignar valores a la funcin de valor, de tal manera que se obtengan las diferentes curvas de indiferencia entre los atributos. Para esto es necesario recurrir al conocimiento del decisor sobre el tema. Paso 3. Asignamos el valor de 0 a la pareja (C 0 , P0 ) en la funcin de valor
0 = v(C 0 , P0 ) = v c (C 0 ) + v p ( P0 ) v c (C 0 ) = v p ( P0 ) = 0 .
Paso 4. Ahora elegimos el siguiente valor del atributo costos (se pudo haber elegido el atributo cantidad de personas transportadas), C1 = C1** = C1* = 4.5 y a la pareja (C1 , P0 ) le asignamos el valor de 1 en la funcin de valor,
1 = v(C1 , P0 ) = vc (C1 ) + v p ( P0 ) , pero v p ( P0 ) = 0 luego vc (C1 ) = 1 ,

obteniendo un valor de otra curva de indiferencia.
145
146 Captulo 6
Paso 5. Continuando con las curvas de indiferencia tenemos que preguntar para que valor del atributo cantidad de personas transportadas (C 0 , P1 ) es indiferente con (C1 , P0 ) . Por ejemplo, el decisor puede contestar P1 = 800,00
Valor de la funcin de valor para la curva de indiferencia
Combinacin de atributos personas transportadas en 10,000
0 1 2 3 4 5
(C 0 , P0 ) ; (20,1) (C1 , P0 ) ; (C 0 , P1 ) (4.5,1); (20,80) (C 2 , P0 ) ; (C1 , P1 ) ; (C 0 , P2 ) (3.5,1); (4.5, 80); (20,180); (C 3 , P0 ) ; (C 2 , P1 ) ; (C1 , P2 ) ; (C 0 , P3 ) (3,1); (3.5,80); (4.5, 180); (20,270); (C 4 , P0 ) ; (C3 , P1 ) ; (C 2 , P2 ) ; (C1 , P3 ) ; (C 0 , P4 ) (2.5,1); (3,80); (3.5,180); (4.5, 270); (20,330) (C 5 , P0 ) ; (C 4 , P1 ) ; (C 3 , P2 ) ; (C 2 , P3 ) ; (C1 , P4 ) ; (C 0 , P5 ) (2,1); (2.5,80); (3,180); (3.5,270); (4.5, 330); (20,400)
Ahora vamos a colocar en una tabla los valores de los atributos ordenados y posteriormente, las funciones de valor correspondiente, para cada pareja inicial. En el caso que el valor no se encuentre en la tabla de valores el valor que le corresponde se tendr que interpolar. Por ejemplo en la tabla de la derecha el valores para C i* = $4 se tiene que interpolar, similarmente para Pi* = 100,000 ; 400,000, 200,000 y 150,000 (en stos se tomaron los 4 valores iniciales).
v(.)
Ci Pi
Ci*
$2 $4.50 $4 $3 $2.5 $20
v(C i* )
Pi*
4,000,000 100,000 400,000 200,000 150,000 10,000
v( Pi* )
v (C i* , Pi * )
0 1 2 3 4 5
20 4.5 3.5 3 2.5 2
10,000 800,000 1,800,000 2,700,000 3,300,000 4,000,000
5 1 1.667 3 4 0
5 0.149 0.479 0.259 0.204 0
10 1.149 2.146 3.259 4.204 0
En la ltima columna de la tabla arriba a la derecha se tiene la suma de valores para la funcin de valor. Finalmente, con dichos valores se considera cul de las alternativas es ms preferente, segn sea su valor. En este caso sera: Metro Trolebs RTP Combis y peseros metrobus taxis.
En general, los casos que debemos analizar para cada valor de la funcin de valor para dos atributos estarn dados por:
146
Preferencias de orden y funciones de valor. 147 VALOR DE LA FUNCIN DE VALOR 0 1 2 3 4 5 C0 C1 C2 C3 C4 C5 P0 P0 P0 P0 P0 P0 C0 C1 C2 C3 C4 P1 P1 P1 P1 P1 C0 C1 C2 C3 P2 P2 P2 P2 C0 C1 C2 P3 P3 P3 C0 C1 P4 P4 C0 P5 1 2 3 4 5 6 Cantidad de casos EJEMPLO 2
Al inicio del ao 2000 se pens en la construccin de un nuevo aeropuerto o la ampliacin de uno existente para satisfacer la demanda en vuelos internacionales y nacionales. Representando por las letras A, B, C, D y E las diferentes alternativas, result la siguiente tabla que contempla dos atributos, tiempo de acceso al aeropuerto y cantidad de personas que resultaran afectadas en caso de un accidente. Considerando dichos atributos para la toma de decisiones de la mejor opcin de construccin del aeropuerto, construir la funcin de valor aditiva correspondiente al problema del aeropuerto. i 0 1 2 3 4 Sitios A B C D E Tiempo (min.) de acceso Ti* 75 60 45 15 30 Personas afectadas en caso de accidentes Pi* 300 1,000 3,000 30,000 10,000
Solucin Paso 1. Ordenar los atributos del menos preferente al ms preferente Costo: T4** T3** T2** T1** T0** en donde;
T4** = T3* = 15, T3** = T4* = 30, T2** = T2* = 45, T1** = T1* = 60, T0** = T0* = 75
Personas afectadas: P4** P3** P2** P1** P0** en donde

P4** = P0* = 300, P3** = P1* = 1,000, P2** = P2* = 3,000, P1** = P4* = 10,000, P0** = P3* = 30,000
Paso 2. Asignacin de valores
147
148 Captulo 6
Asignar valores a las parejas (Ti , Pi ) , en donde T0 = T0** , P0 = P0** y T1 = T1** los dems valores para las Ti y Pi se obtienen al asignar valores a la funcin de valor, de tal manera que se obtengan las diferentes curvas de indiferencia entre los atributos. Para esto es necesario recurrir al conocimiento del decisor sobre el tema. Paso 3. Asignamos el valor de 0 a la pareja (T0 , P0 ) en la funcin de valor
0 = v(T0 , P0 ) = vc (T0 ) + v p ( P0 ) vc (T0 ) = v p ( P0 ) = 0 .

Paso 4. Ahora elegimos el siguiente valor del atributo tiempo (se pudo haber elegido el atributo cantidad de personas afectadas), T1 = T1** = T1* = 60 y a la pareja (T1 , P0 ) le asignamos el valor de 1 en la funcin de valor,
1 = v(T1 , P0 ) = vc (T1 ) + v p ( P0 ) , pero v p ( P0 ) = 0 luego vc (T1 ) = 1 ,

obteniendo un valor de otra curva de indiferencia.
Paso 5. Continuando con las curvas de indiferencia tenemos que preguntar para que valor del atributo cantidad de personas transportadas (T0 , P1 ) es indiferente con (T1 , P0 ) . Por ejemplo, el decisor puede contestar P1 = 20000
Valor de la funcin de valor para la curva de indiferencia
Combinacin de atributos personas afectadas
0 1 2 3 4 5 6 7
(T0 , P0 ) (75, 30000) (T1 , P0 ) ; (T0 , P1 ) (60, 30000); (75, 20000) (T2 , P0 ) ; (T1 , P1 ) ; (T0 , P2 ) (55,30000); (60, 20000); (75,15000); (T3 , P0 ) ; (T2 , P1 ) ; (T1 , P2 ) ; (T0 , P3 ) (48,30000); (55,20000); (60, 15000); (75,12000); (T4 , P0 ) ; (T3 , P1 ) ; (T2 , P2 ) ; (T1 , P3 ) ; (T0 , P4 ) (40,30000); (48,20000); (55,15000); (60, 12000); (75,8000); (T5 , P0 ) ; (T4 , P1 ) ; (T3 , P2 ) ; (T2 , P3 ) ; (T1 , P4 ) ; (T0 , P5 ) ; (30,30000); (40,20000); (48,15000); (55, 12000); (60,8000); (75,5000); (T6 , P0 ) ; (T5 , P1 ) ; (T4 , P2 ) ; (T3 , P3 ) ; (T2 , P4 ) ; (T1 , P5 ) ; (T0 , P6 ) ; (20,30000); (30,20000); (40,15000); (48, 12000); (55,8000); (60,5000); (75,1000); (T7 , P0 ) ; (T6 , P1 ) ; (T5 , P2 ) ; (T4 , P3 ) ; (T3 , P4 ) ; (T2 , P5 ) ; (T1 , P6 ) ; (T0 , P7 ) ; (12,30000); (20,20000); (30,15000); (40, 12000); (48,8000); (55,5000); (60,1000); (75,300);
Ahora vamos a colocar en una tabla los valores de los atributos ordenados y posteriormente, las funciones de valor correspondiente, para cada pareja inicial.
148
v(.)
Ti
Pi
Ti*
v(Ti * )
Pi*
v( Pi* )
v (Ti * , Pi * )
0 1 2 3 4 5 6 7
75 60 55 48 40 30 20 12
30000 20000 15000 12000 8000 5000 1000 300
75 60 45 15 30
0 1 3.375 6.625 5
300 1,000 3,000 30,000 10,000
7 6 5.5 0 3.5
7 7 8.875 6.625 8.5
En la ltima columna de la tabla de arriba a la derecha se tiene la suma de valores para la funcin de valor. Finalmente, con dichos valores se considera cul de las alternativas es ms preferente, segn sea su valor. En este caso sera:
C E A~ B D.
EJERCICIOS
1. En el ejemplo 1 agregue el atributo comodidad de transporte y asigne valores a cada alternativa (note que en este atributo los valores de las alternativas, no necesariamente son nmeros, pueden ser: muy cmodo, medio cmodo, etc., los que si son valores numricos son los de la funcin de valor). Con los tres atributos escriba el orden de preferencias de las alternativas. 2. En el caso de tres atributos en el ejercicio anterior, cuntos casos se dan para cada valor de la funcin de valor (0, 1, 2, 3, 4, 5). 3. Resuelva el ejercicio anterior para el caso general, cuando se tienen k atributos y 0, 1, 2, , m valores para la funcin de valor. 4. En el ejemplo 2 agregue un atributo y asigne valores a cada alternativa. Con los tres atributos escriba el orden de preferencias de las alternativas.
6.5.4 MODELO ADITIVO DE VALOR PARA TRES O MS ATRIBUTOS
Los conceptos y resultados de la seccin anterior pueden ser generalizados a 3 o ms atributos, la nica diferencia es que no podremos graficar la construccin de la funcin de utilidad para el caso de ms de tres dimensiones. En esta subseccin tomamos en cuenta que cada alternativa puede ser representada por tres o ms atributos. Por ejemplo, para A = X 1 X 2 X 3 el atributo preferencialmente independiente puede
3 tener 6 situaciones, C13 casos de un atributo preferencialmente independiente de los otros dos, y C 2 casos de dos atributos preferencialmente independientes del otro. Es decir, cuando tenemos tres 3 atributos podemos hablar de C13 + C 2 = 2 3 2 = 6 variantes de preferencias independientes.
Utilizando la notacin anterior las preferencias marginales sern: X1 , X2 , X3 X1 , X 2 , X1 , X 3 ,
X 2 , X3
149
150 Captulo 6
Es decir, el atributo X 1 es preferencialmente independiente de los atributos X 2 y X 3 , si , 2 , 3 ) para algn 2 X 2 y 3 X 3 ( x1 , 2 , 3 ) ( x1 , 2 , 3 ) 2 X 2 , 3 X 3 . ( x1 , 2 , 3 ) ( x1 , 2 , 3 ) . Podemos denotar la preferencia independiente por ( x1 , 2 , 3 ) X1 ( x1
Similarmente, el atributo X 2 es preferencialmente independiente de los atributos X 1 y X 3 , si , 3 ) para algn 1 X 1 , 3 X 3 ( 1 , x 2 , 3 ) ( 1 , x ( 1 , x 2 , 3 ) ( 1 , x 2 2 , 3 ) 1 X 1 , 3 X 3 . Podemos denotar la preferencia independiente por ( 1 , x 2 , 3 ) X 2 ( 1 , x 2 , 3 ) . Tambin el atributo X 3 es preferencialmente independiente de los atributos X 1 y X 2 , si ( 1 , 2 , x3 ) ( 1 , 2 , x3 ) para algn 1 X 1 y 2 X 2 ( 1 , 2 , x3 ) ( 1 , 2 , x3 ) 1 X 1 , 2 X 2 . Podemos denotar la preferencia independiente por ( 1 , 2 , x3 )
X3
( 1 , 2 , x3 ) .
As, la pareja de atributos X 1 X 2 es preferencialmente independiente del atributo X 3 , si , x2 , 3 ) para algn 3 X 3 ( x1 , x 2 , 3 ) ( x1 , x ( x1 , x 2 , 3 ) ( x1 2 , 3 ) 3 X 3 . Podemos denotar la , x2 , 3 ) . preferencia independiente por ( x1 , x 2 , 3 ) X1 , X 2 ( x1 La pareja de atributos X 1 X 3 es preferencialmente independiente del atributo X 2 , si , 2 , x3 ) para algn 2 X 2 ( x1 , 2 , x3 ) ( x1 , 2 , x3 ) 2 X 2 . Podemos denotar la ( x1 , 2 , x3 ) ( x1 , 2 , x3 ). preferencia independiente por ( x1 , 2 , x3 ) X1 , X 3 ( x1 Finalmente, la pareja de atributos X 2 X 3 es preferencialmente independiente del atributo X 1 , si , x3 ) para algn 1 X 1 ( 1 , x 2 , 3 ) ( 1 , x 2 , x3 ) 1 X 1 . Podemos denotar la ( 1 , x 2 , x3 ) ( 1 , x 2 ). preferencia independiente por ( 1 , x 2 , x3 ) X 2 , X 3 ( 1 , x 2 , x3 Cuando todas las combinaciones posibles de preferencias independientes se cumplen, entonces se dice que los atributos X 1 , X 2 , X 3 son mutuamente preferencialmente independientes.
En general para n atributos A = X 1 X 2

n 1 n 2 n n 1 n
X n el atributo preferencialmente independiente
puede tener C + C + + C = 2 2 situaciones, Cin casos de i atributos preferencialmente independiente de los otros n i , para 1 i n 1 . Cuando todas las combinaciones posibles de preferencias independientes se cumplen, entonces se dice que los atributos X 1 , X 2 , , X n son mutuamente preferencialmente independientes.
, x2 ,, x n ) v X i ( xi ) v X i ( xi ) . Mientras que en En el caso general, ( x1 , x 2 , , x n ) ( x1
i =1 i =1 n n
las relaciones de indiferencia

( x11 , x 20 , , x n 0 ) ~ ( x10 , x 21 , , x n 0 ) ~ ( x12 , x 20 , , x n 0 ) ~ Etc. En donde, xik X i para i = 1, 2, , n , k = 0, 1, 2, , tales que xik ~ ( x10 , x 20 , , x n1 ) ~ ( x10 , x 20 , , x n 1,1 x n1 ) ~ ( x10 , x 20 , , x n 2 ) ~ ( x11 , x 21 , , x n 0 ) ~
xij para k j .
150
Para entender la generalizacin, introducimos la siguiente notacin al particionar el conjunto de ndices I n = { 1,2, , n} en I q = {k | k I n } y su complemento, tal que la cardinalidad de I q = q , con
q = 1, 2, , n 1 . De esta forma denotamos X =
iI q
yY=
iI q
. As, los elementos de A, los
podemos representar por a A a = (x, y ) en donde x X y y Y con ( X , Y ) una descomposicin conocida de A. La motivacin de utilizar la notacin anterior, consiste en que de esta forma el caso general lo podremos trabajar como en el caso bidimensional.
Definicin 5 Se dice que el atributo X es preferencialmente independiente del atributo Y si para toda x, x X
(x, ) (x , ) para algn Y , implica que (x, ) (x , ) para todo Y . Similarmente, se dice que el atributo Y es preferencialmente independiente del atributo X si para toda y , y Y (, y ) (, y ) para algn X , implica que (, y ) (, y ) para todo X . Si ambas se cumplen para cualquier posible descomposicin ( X , Y ) de A se dice que X y Y son mutuamente preferencialmente independientes. De forma similar que en el estudio de las probabilidades se puede definir las preferencias de orden marginalmente independientes.
Definicin 6 Si X es preferencialmente independiente de Y, se denota la preferencia marginal de orden X sobre el conjunto Y, si x X x ( x, ) (x , ) para algn Y . Similarmente, se obtiene que Y es preferencialmente independiente de X.
Finalmente veremos los teoremas que justifican la existencia y unicidad de la funcin ordinaria de valor para el caso n-dimensional
TEOREMA 16 Existencia de la funcin ordinaria de valor bidimensional.
Si los siguientes 5 axiomas son satisfechos, entonces existe una funcin aditiva de valor con la cual se representa en el conjunto de alternativas A = X 1 X 2 X n n 3 ,
, x2 ,, xn ) v X i ( xi ) v X i ( xi ) . tal que ( x1 , x 2 , , x n ) ( x1
i =1 i =1
Adems los axiomas 1,2 y 4 son necesarios para tal representacin. Axioma 1.Orden dbil de en A = X Y .
Axioma 2. X y Y son mutuamente preferencialmente independientes. 151
152 Captulo 6
Axioma 3. Restriccin de solubilidad para cada atributo. Axioma 4. Arquimediano. Axioma 5. Condicin de esensiabilidad de cada atributo. Ahora veremos un teorema que muestra la unicidad de la funcin de diferencia de valor
TEOREMA 17 Unicidad de la funcin ordinaria de valor n-dimensional.
Bajo las condiciones de solubilidad dos funciones aditivas de valor v(a) = v X i (a i ) y w(a) = w X i (a i ) ,
i =1 i =1 n n
concuerdan con las mismas preferencias si y solamente si existen > 0 y 1 , 2 , , n tales que w X i (a i ) = v X i (a i ) + i para i = 1, 2, , n .
6.5.5 MODELO DE FUNCIONES LINEALES DE VALOR
Supngase que estamos en un problema multiatributo, es decir, el conjunto de alternativas A = X 1 X 2 X n y tenemos una funcin de valor v, tal que v ( x) = i x i .
i =1 n
En donde, los coeficientes i se conocen como pesos de la funcin. A este tipo de funciones se les da el nombre de funciones lineales de valor. Las funciones lineales de valor son otro tipo particular de funciones de valor que simplifican el estudio y aplicaciones a la economa y la investigacin de operaciones. Una de las primeras aplicaciones de las funciones lineales de valor que se han revisado est en la programacin lineal. Puesto que en esta rea de Investigacin de Operaciones, tanto la funcin objetivo como sus restricciones son lineales. Ahora veremos los teoremas de existencia y unicidad de la funcin lineal de valor.
TEOREMA 18 Existencia de la funcin lineal de valor.
Si los siguientes 3 axiomas son satisfechos, entonces existe una funcin lineal de valor para A = R n con la cual se representa en A Axioma 1.Orden dbil de en A. Axioma 2. Existe una constante ij : 1 entre a i y a j si y solamente si para cualquier
a A : (a1 , , a i , , a j , , a n ) ~ (a1 , , a i + ij k , , a j k , , a n ) , para cualquier k
positivo o negativo y par de atributos.
Axioma 3. Monotona. Sea 0 R n entonces existe un a A tal que a cualquier b A y cualquier > 0 se cumple b + a b .
0 . Adems, para
152
Preferencias de orden y funciones de valor. 153 TEOREMA 19 Unicidad de la funcin lineal de valor n-dimensional.
Sea A = R n y dos funciones lineales de valor

v(x) = i x i y w(x) = i xi
i =1 i =1 n n
concuerdan con las mismas preferencias si y solamente si existen > 0 tal que w(a) = v(a) es decir, i = i para i = 1, 2, , n .
153
Captulo 7
LOTERAS Y FUNCIN DE DE UTILIDAD DE UN OBJETIVO
Introduccin
En el captulo anterior se discutieron las relaciones de preferencia de orden y se construy la funcin de valor, y la que veremos en el presente captulo sirve de base para construir las funciones de utilidad, tema central del captulo y texto. Antes de iniciar con las funciones de utilidad, analicemos qu sucede cuando en un problema real se lleva a cabo la introduccin de incertidumbre. La introduccin de incertidumbre se debe a que en la realidad las decisiones raramente son estticas. La incertidumbre el decisor la puede introducir sutilmente con ayuda de un juego al azar, las Loteras. l tiene una medida de valor vij , a la que le puede aplicar el criterio de valor esperado y tomar la mejor decisin. Por ejemplo, en el caso de pagos o beneficios, en donde se tienen los eventos {1 , 2 ,, n } y funcin de valor vkj la eleccin de la mejor accin ak de {a1 , a2 ,, a m } estar dada
por:
P(
j =1
n
m n )v kj = max P ( j )vij . i j =1
(1)
En donde, P ( j ) es la probabilidad de que ocurra el estado de la naturaleza j , de tal forma

que
n
P(
j =1 j
) = 1 . Por otro lado, v kj es la funcin de valor para la accin k y evento j. Mientras que a
P(
j =1
)v kj le daremos el nombre de utilidad esperada de la accin a k . Por lo tanto, la regla de
decisin la llamaremos Regla de la utilidad esperada. Primeramente debemos notar que la utilidad v kj es una funcin ordinaria de valor. Pero las funciones ordinarias de valor son solamente transformaciones crecientes y con respecto a su valor
155
156 Captulo 7
esperado o promedio no tienen sentido. Por ejemplo, se lanza una moneda no cargada y tenemos que el decisor acepta una de las siguientes opciones. Opcin A: Ganar 10 pesos con probabilidad 0.5 y perder 6 pesos con probabilidad 0.5. Opcin B: Ganar1000 pesos con probabilidad 0.5 y perder 500 pesos con probabilidad 0.5. En trminos de valor esperado resulta: Opcin A: 0.5(10) + 0.5(6) = 2 . Opcin B: 0.5(1000) + 0.5(500) = 250 .
Podemos apreciar que en la opcin B resulta el valor esperado en dinero ms grande. Pero sin embargo, se puede predecir que mucha gente elegira la opcin A, porque el precio de perder es pequeo, 6 pesos, comparado con el precio de perder en la opcin B, 500 pesos. Es decir, el riesgo monetario en la opcin A es pequeo. Por otro lado, no se quiere decir que sea irracional elegir la opcin B, ya que si el jugador es rico, perder 500 pesos no es significante para l. Pero decidir que la opcin B no es racional por ser cara no tiene base matemtica, sin embargo, si adoptamos el criterio de valor esperado sa sera la decisin.
Puesto que ms dinero invariablemente es preferente sobre menos dinero, la funcin ordinaria de valor es absolutamente valida para representar a todas las opciones en sus preferencias en los juegos de dinero. Sin embargo, sigue latente la eleccin de la opcin A para el caso de jugadores que no tengan demasiado dinero. Por lo tanto, es necesario tener una mejor funcin que nos ayude a tomar decisiones racionales, esto se puede lograr si bajo un sistema de preferencias, bien establecido, el decisor define una funcin en la que l puede implantar sus preferencias, desde la peor a la mejor situacin. Por ejemplo, el decisor puede introducir la funcin u, tal que en la peor y mejor situacin toma los valores u (500) = 1 y u (1000) = 1 , respectivamente, mientras que a las opciones restantes el decisor les asigna valores en este rango con respecto a sus preferencias, u (6) = 0.1 y u (10) = 0.2 . Entonces, tenemos que bajo el criterio de valor esperado. Opcin A: 0.5u (10) + 0.5u ( 6) = 0.5(0.2) + 0.5(0.1) = 0.05 . Opcin B: 0.5u (1000) + 0.5u (500) = 0.5(1) + 0.5(1) = 0 . De tal forma que el decisor preferira la opcin A sobre la B. Sin embargo, el exigir que cualquiera de estas dos funciones u () o v() se tome como una representacin universal de todos los decisores es un error. Durante el captulo veremos que para cada decisor existe una funcin u () , la cual representar sus preferencias bajo cierto sistema axiomtico de racionalidad y veremos 2 mtodos de construccin de dichas funciones:
Con base en las preferencias del decisor, apoyndose en la aversin, propensin o neutralidad al riesgo del decisor. Con base en funciones analticas que cumplan las caractersticas de una funcin de utilidad.
Primeramente, veremos algunos conceptos bsicos que se utilizan en problemas econmicos en los que existe incertidumbre y se pueden trabajar en las loteras, como son: Prima de riesgo, precio de compra, valor de la informacin perfecta y el equivalente bajo certeza. Posteriormente, estudiaremos
156
Loteras y funcin de utilidad de un objetivo 157
las funciones de utilidad con un solo objetivo, con 2 objetivos o ms las veremos en el captulo siguiente. 7.1 PREFERENCIAS REFERENTES A LOTERAS En est seccin se estudiarn las decisiones racionales tomadas en los juegos que estn determinados por simples mecanismos como las loteras. Para tal efecto asumiremos slo un nmero pequeo de premios. Sea X = {x1 , x 2 , , x n } el conjunto de posibles premios. En particular se asumir que uno de los premios es el premio de perder, es decir, ganar nada. Una lotera la representaremos por
l = p1 , x1 ; p 2 , x 2 ;; p n , x n .
(2)
Donde pi 0 , denota la probabilidad de ganar xi , para i = 1, 2, , n y deben cumplir pi = 1 . i 1

=
El caso pi = 0 , indica que los premios seguros no son posibles en la lotera. A estas
loteras les llamaremos loteras simples. Por otro lado, el decisor debe ser capaz de considerar loteras compuestas, entendiendo por stas a las loteras en donde todos o algunos de los premios tambin son loteras. Por ejemplo, l = q1 , l1 ; q 2 , l 2 ;; q m , l m .
(3)
Donde q i 0 denota la probabilidad de ganar y entrar a la lotera li para i = 1, 2, , m y deben cumplir qi = 1 . Denotaremos al conjunto de todas las loteras, por L. i 1
=
En las loteras simples se tiene en forma directa los premios X = {x1 , x 2 , , x n } , mientras que en las loteras compuestas los premios finales de una lotera son aquellos elementos de X con los que se obtienen los ltimos resultados de la lotera compuesta, las cuales consideraremos que son loteras finitas compuestas. Entendiendo por lotera compuesta finita a un subconjunto de premios del conjunto X, que se obtiene despus de un nmero finito de aleatorizaciones. Sea A el conjunto de todos los premios X = {x1 , x 2 , , x n } , y que incluye al conjunto L de todas las loteras que intervienen en las loteras compuestas. Es decir, A = X L .
Se ver ms adelante que bajo suposiciones razonables del decisor, acerca de la consistencia de sus preferencias, existe una funcin de utilidad u () en X tal que el decisor lleve a cabo las relaciones
xi x j u ( xi ) u ( x j ) xi , x j X
p1 , x1 ;; p n , x n , x1 ;; p n , x n p i u ( xi ) piu ( xi ) xi , x j X p1
i =1 i =1 n n
(4) (5)
Para cualquier par de loteras simples en A. Considerando (4) se muestra que u () es una funcin ordinaria de valor en un conjunto de premios X, considerando (5) se muestra que u () posee las propiedades de la utilidad esperada en un conjunto de loteras simples. Es decir, esto implica que es apropiado elegir entre loteras simples, de
157
158 Captulo 7
acuerdo a la regla de la utilidad esperada. Aunque cabe aclarar que las suposiciones tambin justifican elegir entre loteras compuestas de acuerdo a la regla de la utilidad esperada. La primera suposicin que haremos es que el decisor tiene sobre A una preferencia de orden dbil (comparable y transitiva). En este momento cabe recordar que en general A contiene tanto, premios como loteras, de tal forma que la comparabilidad o completitud se complica para cualquier premio xi o lotera l simple o compuesta. As, el decisor tiene que llevar a cabo xi l , l xi o ambos. En otras palabras el decisor debe estar preparado para comparar y jerarquerizar premios y loteras. Tales comparaciones no son fciles de hacer, por ejemplo, Qu prefiere usted, $25 con certeza o una lotera de $1,000 con probabilidad 0.15 de ganar o una lotera de $500 con probabilidad 0.30 de ganar o una lotera de $200 con probabilidad 0.45 de ganar o una lotera de $1,100 con probabilidad 0.10 de ganar?
Por otro lado, si tales comparaciones son difciles Qu tan difcil ser comparar 2 loteras? Sin embargo, cuando se construyen loteras supondremos que el decisor est capacitado para asumir tales comparaciones y nos concretaremos slo en ver los axiomas bajo los que est construida la teora de las loteras y las funciones de utilidad.
7.1.1 AXIOMAS DE COMPORTAMIENTO RACIONAL En el captulo anterior revisamos la parte axiomtica sobre las preferencias de orden, vimos las relaciones estrictas, dbiles y de indiferencia. Ahora en esta seccin prolongaremos el estudio de las preferencias aplicado a las loteras.
AXIOMA 1 de orden dbil
Sobre el conjunto A se cumplen los axiomas de orden dbil para 1).- Completitud: a b, b a o ambos. 2).- Transitividad: a, b, c A , si a b y b c , entonces a c .
y ~
3).- Consistencia de la indiferencia y preferencias dbiles: a, b A si a ~ b slo si a b y b a. 4).- Consistencia de preferencias estrictas y preferencias dbiles: a, b A si a si a / b . De esta manera el decisor podr y deber etiquetar los premios, de tal forma que x1 x 2 xn .
b slo
158
En ocasiones para no asumir trivialidades se pide la preferencia estricta en la jerarqua de los premios.
AXIOMA 2 No trivialidad
El decisor debe llevar a cabo x1
xn .
Aunque existen loteras que no tienen preferencias estrictas. Por ejemplo, Lotera A: Ganar $100 pesos si se lanza la moneda y resulta guila. Ganar $0 pesos si se lanza la moneda y resulta sol. Lotera B: Ganar $100 pesos si se lanza un dado y resulta un nmero par. Ganar $0 pesos si se lanza un dado y resulta un nmero impar. De esta forma se puede apreciar que en ambas loteras se tiene el 50% de probabilidades de ganar $100 y 50% de probabilidades de no ganar nada.
AXIOMA 3 Reduccin de loteras compuestas
Sea una lotera compuesta l = q1 , l1 ; q 2 , l 2 ;
; q m , l m , la cual tiene como premios a las

; p jn , xn
loteras l1 , l 2 ,, l m , con l j = p j1 , x1 ; p j 2 , x2 ; l ~ l * , en donde l * = p1 , x1 ; p 2 , x 2 ;
para j = 1, 2, , m , entonces
+ q m p mi
; p n , xn con pi = q1 p1i +
En este axioma podemos notar que una de las importancias en la suposicin reside en que la probabilidad pi de ganar el premio xi , resulta de la lotera compuesta l. As, de esta manera, la suposicin es una simple demanda de que la preferencia del decisor depende solamente de los ltimos premios y las probabilidades correspondientes con las cuales ellos se obtienen. Aqu el nmero de cambios en los mecanismos envueltos en la generacin de dichas probabilidades es irrelevante. Este axioma tiene la siguiente implicacin, considrese la lotera
l = 0, x1 ;0, x 2 ;
;1, xi ;;0, x n .
Es decir, una lotera que con el 100% de probabilidades recibe el premio xi y no recibe nada ms. De tal forma que para el decisor es indiferente entre recibir el premio xi y la lotera l. Por consiguiente, xi ~ 0, x1 ;0, x 2 ; ;1, xi ; ;0, x n x i X .
AXIOMA 4 Sustitubilidad
Sean b, c A tales que b ~ c y l A cualquier lotera simple o compuesta tal que l = ; q, b; , entonces si los dems resultados no se cambian l = ; q, b; ~ ; q, c; = l * .
Ntese los siguientes puntos del axioma.

b, c A , cada uno de ellos puede ser premio o lotera.
159
160 Captulo 7
En l, q es la probabilidad de que b resulte directo. Similarmente en l * , q es la probabilidad de que c resulte directo. La nica diferencia es que c sustituye a b. Si b ~ c , surge la pregunta cmo puede el decisor entender si l recibe a b o c, como un resultado de una lotera?. Por ejemplo, suponga que b es un premio y c una lotera, entonces al sustituir c por b se incrementa la incertidumbre, porque minimamente se agrega un mecanismo ms de probabilidad. Es decir, antes del ltimo premio de la lotera en b, se tiene que llevar a cabo otro mecanismo aleatorio para la lotera en c. Debido a que el conjunto A contiene a los conjuntos de premios X y loteras L el decisor debe saber elegir entre ellos.
Por otro lado, con frecuencia en la toma de decisiones se tienen situaciones en donde la lotera slo tiene dos resultados con probabilidades diferentes de cero. Es decir, loteras hipotticas que denotaremos por x1 px r y representan una situacin en donde el decisor recibe el premio preferente x1 con probabilidad p sobre el premio menos preferente con probabilidad 1 p . As,
x1 px r = p, x1 ;0, x 2 ;
;0, x r 1 ;1 p, x r ,
es una lotera simple que asigna a x1 el premio ms preferente de X con probabilidad p y a x r el premio menos preferente en X con probabilidad 1 p . Cualquier otro premio en esta lotera es imposible. Por lo tanto, dicho tipo de loteras se pueden representar como loteras binarias de la forma:
x1 px r = p, x1 ; 1 p, x r p [0, 1] .
Esto implica que se cumple

x1 px r = p, x1 ; 1 p, x r A , p [0, 1] .
Nosotros asumiremos que el decisor est preparado en considerar sus preferencias para cada lotera de cualquier valor de p, 0 p 1 . As, de esta forma hemos introducido un problema sobre la escala de referencias o regla que el decisor debe tener para medir sus preferencias. Al conjunto de loteras {x1 px r | 0 p 1} se le da el nombre de Experimento de referencia, o Experimento auxiliar, mientras que a las loteras de la forma x1 px r se les conoce como loteras de referencia.
AXIOMA 5 Experimento de referencia
x1 px r A para toda p, tal que 0 p 1 . Con este axioma se tiene una situacin en cuanto a la estructura de A . Puesto que dicho conjunto contiene a todos los premios en X, todas las loteras en L todas las loteras de referencia posibles, juntas con todas las loteras finitas compuestas que pueden ser construidas por sustitucin para una salida de lotera cualquier premio o lotera de referencia en A que sea indiferente a la salida. La razn de introducir las loteras referenciales consiste en que de esta forma el decisor puede tener ms claras sus preferencias en L y as tomar una mejor decisin. Pero queremos que la introduccin de las loteras referenciales, sean consideradas por el decisor para sus preferencias en todo A y no slo en L.
160
Loteras y funcin de utilidad de un objetivo 161 AXIOMA 6 Monotona
x1 px r x1 p * x r si y slo si p p * .
El axioma indica que el decisor prefiere la lotera referencial en donde l tiene mayor probabilidad de ganar x1 .
AXIOMA 7 Continuidad
Para toda xi X existe un u i , 0 u i 1 , tal que xi ~ x1u i x r . El axioma nos indica lo siguiente, supngase x1 = $100 y x r = $0 y que algunos otros premios son $40 con certeza. Considerando loteras binarias x1 px r , para diferentes valores de p. Por ejemplo, p = 0.9999 , entonces el decisor prefiere
$100(0.9999)$0 $40 . Pero si p = 0.01 , entonces el decisor prefiere $40 $100(0.01)$0 . Si ahora se considera una secuencia de loteras binarias cuando p se incrementa desde 0 hasta 1. Resulta que inicialmente el premio $40 es preferido que la lotera x 1 px r , pero cuando el valor de p aumenta esto se invierte. De tal manera que existe un valor intermedio de p tal que tomar una decisin entre la lotera x1 px r y la certeza $40 es indiferente.
NOTA
El axioma 7 puede no cumplirse en situaciones criticas, es decir puede haber premios xi tales que no exista un valor u i , tal que xi ~ x1u i x r . Por ejemplo, supngase que x1 = $1 ,
xi = $0 y xr = la muerte del decisor. As, para cualquier u i < 1 el decisor tiene que elegir entre recibir $0 con certeza contra una lotera en donde l corre el riesgo de morir. Obviamente la mejor lotera para l consiste en ganar $1, pero si u i = 1 , entonces $1(1)$0 ~ $1 , sin embargo $1
$0 porque incrementa el valor monetario. Pero en esta
situacin no existe valor de u i tal que $1u i muerte ~ $0 .
En muchas situaciones si existe un valor u i tal que xi ~ x1u i x r , pero en la prctica el decisor no puede discriminar un valor preciso dado. Por ejemplo, en la situacin de $100(u i )$0 ~ $40 supngase que el decisor estableci que u i = 0.7 es el valor frontera
entre decidir $40 o $100(u i )$0 , pero qu se puede decir con respecto a los valores prximos a 0.7, u i = 0.69999 o u i = 0.70001 . Como veremos el anlisis de decisin basado en la Teora de utilidad esperada no demanda una precisin. En el axioma 7 se ha preferido usar u i en lugar de pi que denota a la probabilidad en la lotera binaria, la cual da una indiferencia con xi . Posteriormente, se probar que dicho valor de u i dar la existencia de la funcin de utilidad u, tal que u ( xi ) = u i .
161
162 Captulo 7 PROPOSICIN 1 Unicidad de u i .
En el axioma 7 el valor u i es nico.

Demostracin Supngase que existen 2 valores u i y u i* , tales que
x1u i xr ~ xi ~ x1u i* x r , y que u i > u i* , esto implica por el axioma de monotona que x1u i x r x1u i* x r , pero esto contradice la suposicin de x1u i xr ~ xi ~ x1u i* x r , ya que por transitividad x1u i xr ~ x1u i* x r . Por lo tanto, u i u i* . Similarmente para u i < u i* se concluye que u i u i* , de donde u i = u i* .
PROPOSICIN 2 Existencia de u i
Sea la lotera 0, x1 ; 0, x 2 ;
que xi ~ x1u i x r .
; 1, xi ;
; 0, x r , entonces existe un valor u i , 0 u i 1 , tal
Demostracin De la observacin del Axioma 3 tenemos que
xi ~ 0, x1 ; 0, x 2 ;
; 1, xi ;
; 0, x r .
Por el axioma 4 de sustitucin y la condicin xi ~ x1u i x r
xi ~ 0, x1 ; 0, x 2 ; xi ~ u i , x1 ; 0, x 2 ;
Por definicin de loteras binarias
; 1, x1u i x r ; ; 0, xi ;
; 0, x r .
Por el axioma 3 podemos expresar la lotera compuesta en otra equivalente pero simple ; (1 u i ), x r .
xi ~ x1u i x r .
7.1.2 EXISTENCIA DE LA FUNCIN DE UTILIDAD
Con base en este resultado podemos pasar a la demostracin de la existencia de una funcin de utilidad.
TEOREMA 1 Existencia de la funcin de utilidad

Si tenemos un mtodo para llevar acabo preferencias sobre A que cumplan los axiomas 17, entonces existe una funcin de utilidad u () en X, la cual representa en el sentido
a) b)
xi x j u ( x i ) u ( x j ), xi , x j X .
p1 , x1 ; p 2 , x 2 ; ; pr , xr , x1 ; p 2 , x2 ; p1 , x r pi u ( xi ) p iu ( xi ) . ; pr
i =1 i =1 r r
Demostracin b) Considerando la lotera simple
162
l = p1 , x1 ; p 2 , x 2 ;
; pr , xr .
Por el axioma 7 de continuidad, tenemos que cada premio xi es indiferente de la lotera referencial xi ~ x1u i x r , para i = 1, 2, , r . Luego llevando a cabo una por una de las r sustituciones, segn el axioma 4, resulta l ~ p1 , x1u1 x r ; p 2 , x1u 2 x r ;
; p r , x1u r x r . ; 0, xi ; ; (1 u i ), x r y por el
Pero por definicin de lotera binaria x1u i x r = u i , x1 ; 0, x 2 ; axioma 3, reduccin de loteras compuestas
l ~ p1u1 + p 2 u 2 +
Pero
+ p r u r , x1 ;0, x 2 ;
;0, x r 1 ; p1 (1 u1 ) + p 2 (1 u 2 ) +
r r r
+ p r (1 u r ), x r .
p1 (1 u1 ) + p 2 (1 u 2 ) +
Luego,
r
+ p r (1 u ) = pi pi u i = 1 pi u i .
i =1 i =1 i =1
l~
pi ui , x1 ;0, x2 ;
i =1
r r ;0, x r 1 ;1 pi u i , x r = x1 pi u i xr . i =1 i =1
Por transitividad de la indiferencia r l ~ x1 pi u i xr . i =1

* * Similarmente para l * = p1 , x1 ; p 2 , x2 ; * ; pr , x r , resulta
r * l * ~ x1 pi u i xr . i =1 Del axioma 1 referente al orden dbil y el axioma 6 sobre la monotona, tenemos que l l * , luego
r r r r * l l * x1 p u x x p u x p u pi*u i . i i i i r 1 i i r i =1 i =1 i =1 i =1
De esta forma para u ( xi ) = u i se demuestra el inciso (b). Para el inciso (a), tenemos xi x j , luego por el axioma 1 sobre el orden dbil y la continuidad existe un valor u i [0, 1] , tal que ( xi ~ x1u i x r y x j ~ x1u j x r ) . As,
Ax. 6
xi x j x1u i x r x1u j x r u i u j .
163
164 Captulo 7
7.1.3 UNICIDAD DE LA FUNCIN DE UTILIDAD
En la Proposicin 1, vimos que si xi X existe un u i , 0 u i 1 , tal que xi ~ x1u i x r y dicho valor u i es nico. De tal forma que surge la pregunta si la funcin de utilidad, dada por u ( xi ) = u i est definida de manera nica, la respuesta es s. Todo esto requiere que la funcin de utilidad representante de las preferencias del decisor en cualquiera de los sentidos vistos

sea apropiada.
xi x j u ( xi ) u ( x j ) xi , x j X . p1 , x1 ;; p n , x n
, x1 ;; p n , x n p i u ( xi ) piu ( xi ) xi , x j X . p1
i =1 i =1
p p*
p( x)u ( x)dx p
X X
( x)u ( x)dx E (u | p) E (u | p * ) .
De lo anterior se puede concluir que una funcin de utilidad debe ser una funcin ordinaria de valor sobre X y el orden de las loteras estar dado por sus utilidades esperadas, las cuales deben ser igualadas por las preferencias del decisor.
TEOREMA 2 Unicidad de la funcin de utilidad
Si u () es una funcin de utilidad en X (conjunto de premios), entonces w() = u () + , con > 0 , tambin es una funcin de utilidad representando las mismas preferencias. Recprocamente, si u () y w() son 2 funciones de utilidad en X representado las mismas preferencias, entonces existe un > 0 y R tales que w() = u () + .
Demostracin Primera parte. Sea u () una funcin de utilidad en X, por el axioma de orden dbil y el Teorema de existencia del valor
u i , tenemos: xi x j u ( xi ) u ( x j )
u ( xi ) + u ( x j ) + para > 0 w( xi ) w( x j ) Por otro lado, para las loteras obtenemos del mismo teorema de existencia
p1 , x1 ; p 2 , x 2 ; ; pr , xr , x1 ; p p1 2 , x2 ; ; p r , x r p i u ( xi ) p i u ( xi )
i =1 r i =1 r r r
p i u ( xi ) + piu ( xi ) +
i =1 i =1
E (u + | p ) E (u + | p ) E ( w | p) E ( w | p )
164
Por lo tanto, se concluye que w() = u () + , si es una funcin de utilidad que representa las mismas preferencias que u. Segunda parte: La demostracin se har por reduccin al absurdo. Sea u () y w() funciones de utilidad en X que representan las mismas preferencias vamos a suponer que w() u () + , para > 0
Por otro lado, representemos en el plano cartesiano los puntos (u i , wi ) , en donde u i = u ( xi ) y (*)
wi = w( xi ) . Estamos suponiendo que ellos cumplen con (*), y por consiguiente podemos elegir tres puntos que no sean colineales, (u1 , w1 ), (u 2 , w2 ) y (u 3 , w3 ) , ver figuras siguientes.
w3
w3 y = pw3 + (1 p ) w1 w2
w1 w2
w1
u1
(a)
u2
u3
u1
def
(b)
u2
u3
Sin perdida de generalidad suponemos que u1 < u 2 < u 3 . Sea p =
u 2 u1 u 3 u1
y consideremos la
lotera x3 px1 . En trminos de la funcin u () , la lotera x3 px1 tiene utilidad esperada pu ( x3 ) + (1 p)u ( x1 ) = As, x2 ~ x3 px1 . De donde tenemos que u 2 u1
u 2 u1 (u u1 )u 3 + (u 3 u 2 )u1 u1 = 2 u3 + 1 = u 2 = u( x2 ) u 3 u1 u 3 u1 u 3 u1
pu ( x3 ) + (1 p )u ( x1 ) = u ( x 2 ) pu ( x3 ) + (1 p)u ( x1 ) = u ( x 2 ) pu ( x3 ) + p + (1 p )u ( x1 ) + (1 p ) = u ( x 2 ) + p[u ( x3 ) + ] + (1 p )[u ( x1 ) + ] = u ( x 2 ) + pw( x3 ) + (1 p ) w( x1 ) = w( x 2 ) Es decir,

165
166 Captulo 7
w2 = pw3 + (1 p ) w1 , para un valor p [0, 1] . Por otro lado, de la condicin de no colinealidad resultan dos situaciones:
(**)
Cuando w2 est entre w1 y w3 , ver figura anterior (b). Por la condicin de no colinealidad, existe un valor, y w2 , tal que por tringulos semejantes se cumple la relacin
u 2 u1 y w1
De donde resulta
u 3 u1 w3 w1
y w1 u u1 = 2 = p. w3 w1 u 3 u1
Por lo tanto, y = w1 + p ( w3 w1 ) = pw3 + (1 p) w1 = w2 , pero y w2 , esto no puede ser y se contradice la suposicin.
En el caso en que w2 no est entre w1 y w3 , ver figura anterior (a), resulta obvio
w2 pw3 + (1 p ) w1 , para toda p [0, 1] , porque no existe una representacin convexa de w2 a travs de w1 y w3 .
Finalmente, de ambos casos se contradice con (**), de tal forma que por reduccin al absurdo se concluye que existe un > 0 tal que w() = u () + .
7.2 CONCEPTOS BSICOS En teora de decisiones se trabaja constantemente en situaciones bajo incertidumbre, ejemplo clsico las loteras. Por ejemplo, supngase que el administrador de una empresa se encuentra ante una situacin de inversin en la modificacin de un producto (que ha ido en decadencia) en su negocio, pero no conoce la probabilidad de que el nuevo producto tenga mayor o menor xito que la del producto existente. El administrador puede estimar que sus ganancias con el nuevo producto seran de 15 millones con una probabilidad p, mientras que si contina con el mismo producto tendra prdidas por 3 millones con una probabilidad 1 p , de tal forma que su situacin la puede representar mediante
una lotera l = p,15; 1 p,3 , con premios en millones. Podemos decir que bajo estas condiciones si alguien le ofreciera al menos 15 millones con certeza a cambio de la situacin de inversin en la que l se encuentra, el administrador aceptara. Por otro lado, viendo que con el producto anterior, el negocio va en quiebra, los trabajadores le pediran al menos 3 millones con certeza, para que no tuviera que continuar con tal situacin econmica, l administrador se negara rotundamente y continuara con la lotera (situacin de negocios).
7.2.1 EQUIVALENTE BAJO CERTEZA
De lo anterior, podemos deducir que se desprende una situacin en la que al administrador le de lo mismo, obtener la cantidad que se le ofrezca bajo certeza, que continuar con la lotera, a dicho valor se le conoce como su equivalente bajo certeza y se define de la siguiente forma.
166
Definicin 1 Dada una situacin incierta de decisin, se llama Equivalente bajo certeza, EBC, a la mnima cantidad por la cual el decisor est dispuesto a cambiar esa situacin que posee, lotera por la cantidad bajo certeza. Cmo obtener el equivalente bajo certeza? En una situacin dada el equivalente bajo certeza se puede obtener de diferentes formas. 1. Si no se conoce la funcin de utilidad analtica. 2. Cuando se conoce la funcin de utilidad analtica. En esta situacin se puede utilizar el hecho que se obtiene de la definicin del EBC, que indica EBC ~ l . Posteriormente, se usa la funcin de utilidad obteniendo
u ( EBC ) = u (l ) . Resultando una ecuacin con respecto al EBC, cuya solucin ser el valor del EBC.
EJEMPLO 1
Considerando una empresa que produce cierto artculo y tuvo ganancias este ao de 150 millones, el administrador de la empresa quiere aumentar las ganancias con la introduccin de un nuevo artculo similar al anterior. Para esto l puede contratar una consultora que hace estudios de mercado, la cual le cobra 20 millones, los resultados posibles de la demanda son: alta (a), regular (r) y baja (b). Con base en el historial de la consultora se tiene la siguiente tabla de errores en los pronsticos. Pronstico Real Porciento de desaciertos de la consultora a r b 5 5 0 2 10 8 0 15 15
A R B
La tabla se interpreta de la siguiente forma, si la demanda fue alta (A) y se pronostic regular (r) la consultora falla en el 5% de los casos. As, para los dems casos. Si la demanda fue alta y se pronostic alta la consultora acierta en el 95% de los casos (fall en el 5%), Si la demanda es regular y se pronostic regular la consultora acierta en el 90% (fall en el 10%), de los casos y finalmente si la demanda es baja y se pronostic baja la consultora acierta en el 85% (fall en el 15%), de los casos. El administrador ha estimado lo siguiente para los tres tipos de demanda posibles en caso de introducir el artculo nuevo: Demanda alta (A), con P ( A) = 0.3 y una ganancia de 300 millones. Demanda regular (R), con P ( R) = 0.5 y una ganancia de 100 millones. Demanda baja (B), con P ( B ) = 0.2 y una ganancia de 100 millones. Calcule el EBC, en el caso que no se lleve a cabo un estudio de mercado, si se sabe que la funcin de utilidad en esta situacin es u ( x) = ( x + 100) 2 .
167
168 Captulo 7
Solucin Primeramente trazamos el rbol cuando no se hace el estudio

Artculo anterior 150 Sin estudio A Artculo nuevo R B 50.0% 100 20.0% -100 30.0% 300
Notamos que la rama del artculo nuevo se puede ver como una lotera
l = 0.3,300; 0.5,100; 0.2,100 . Aplicando la funcin de utilidad u ( x) = ( x + 100) 2 , obtenemos
Artculo anterior FALSO 62500 Sin estudio Decisin 68000 A VERDADERO Artculo nuevo 0 30.0% 160000 Utilidad esperada 68000 R B 50.0% 40000 20.0% 0
Lo cual implica que u (l ) = 0.30(300 + 100) 2 + 0.50(100 + 100) 2 + 0.2(100 + 100) 2 = 68,000 . Finalmente aplicando EBC ~ l y la funcin de utilidad se obtiene u ( EBC ) = u (l ) . As,
u ( EBC ) = u (l ) ( EBC + 100) 2 = 68000 EBC + 100 = 68000 EBC = 100 68000 De donde EBC = 160.77 , esto implica que el administrador est dispuesto, sin llevar a cabo un estudio de mercado, a recibir mnimo 160.77 millones con certeza, para vender el negocio del nuevo producto.
168
Una caracterizacin del EBC, est relacionada con la condicin de que en estas circunstancias el decisor es dueo de la lotera, a diferencia de la situacin en la que l quiere comprar la lotera.
7.2.2 PRECIO DE COMPRA
Cuando un decisor quiere conocer el mayor precio que est dispuesto a pagar por adquirir una lotera (negocio que se encuentra bajo incertidumbre), l se enfrenta ante una situacin de precio de compra. Definicin 2 Dada una situacin incierta de decisin, se llama Precio de compra, PC, a la mxima cantidad que el decisor est dispuesto a pagar por adquirir la lotera. Cmo obtener el precio de compra? El precio de compra se entiende como la cantidad con la que existe indiferencia entre tener la lotera habiendo pagado PC y no tenerla, sin haber pagado algo. Es decir, l PC ~ 0 . De tal forma que si conocemos la funcin de utilidad el PC se puede obtener de forma similar al EBC por medio de la ecuacin
u (l PC ) = u (0) .
EJEMPLO 2
Calcule el precio de compra para el ejemplo 1, suponiendo que el administrador es el comprador y tiene una funcin de utilidad u ( x) = ( x + 200) 2 .
Solucin
Note del ejemplo anterior que la lotera es l = 0.3,300; 0.5,100; 0.2,100 , mientras que la funcin de utilidad est dada por u ( x) = ( x + 200) 2 . Luego, para obtener el PC se tiene
u (l PC ) = 0.30(300 PC + 200) 2 + 0.50(100 PC + 200) 2 + 0.2( 100 PC + 200) 2 = 0.30(500 PC ) 2 + 0.50(300 PC ) 2 + 0.2(100 PC ) 2 = 0.30( 250000 1000 PC + PC 2 ) + 0.50(90000 600 PC + PC 2 ) + 0.2(10000 200 PC + PC 2 ) = PC 2 640 PC + 122000 Mientras que
u (0) = (0 + 200) 2 = 40000 . As,

u (l PC ) = u (0) PC 640 PC + 122000 = 40000 PC 2 640 PC + 82000 = 0 Resolviendo la ecuacin
2
PC =
640 640 2 4(82000) 2
177.17 = 462.83
169
170 Captulo 7
Se elige el valor ms pequeo de compra, el cual ser el mximo que el decisor estara dispuesto a pagar para comprar la lotera. De donde PC = 177.17 , esto implica que el administrador est dispuesto, sin llevar a cabo un estudio de mercado, a pagar como mximo 177.17 millones con certeza, para comprar el negocio del nuevo producto.
Una caracterizacin del PC, est relacionada con la condicin de que en estas circunstancias el decisor no es dueo de la lotera, ahora l quiere comprar la lotera.
7.2.3 VALOR DE LA INFORMACIN PERFECTA
Debido a que el decisor (persona de negocios, administrador, gerente, etc.) ante un negocio se encuentra con la disyuntiva de invertir, sin conocer con certeza el resultado, l est interesado en conocer la informacin que le indique que ocurrir.
Definicin 3
Dada una situacin incierta de inversin (representada por una lotera), se llama Valor de la informacin perfecta, VIP, a la mxima cantidad que el decisor est dispuesto a pagar por la informacin.
Cmo obtener el Valor de la informacin perfecta? El valor de la informacin perfecta se entiende, como la cantidad con la que existe indiferencia entre el EBC y las mejores consecuencias de las decisiones y la lotera habiendo pagado VIP por la informacin. Es decir, l * VIP ~ EBC , en donde l * representa la lotera que contiene las mejores consecuencias. De tal forma que si conocemos la funcin de utilidad, el VIP se puede obtener de forma similar al PC por medio de la ecuacin
u (l * VIP) = u ( EBC ) .
EJEMPLO 3
Calcule el Valor de la informacin perfecta para el ejemplo 1, con funcin de utilidad u ( x) = ( x + 100) 2 .
Solucin Del ejemplo 1 la lotera es l = 0.3,300; 0.5,100; 0.2,100 , mientras que la funcin de utilidad estaba
dada por u ( x) = ( x + 100) 2 , y su EBC fue 160.77. Luego, para obtener el VIP se tiene u ( EBC ) = (160.77 + 100) 2 = 68,001 .
Artculo anterior
Por otro lado, para calcular * u (l VIP) , se necesita la lotera l * , la cual obtenemos del rbol de decisiones del ejemplo 1. Para elegir las mejores consecuencias de las decisiones, tenemos en el primer caso 300 150 , 150 100 y 150 100 , de esta forma
170
150 Sin estudio A Artculo nuevo R B 50.0% 100 20.0% -100 30.0% 300
l * = 0.3,300; 0.5,150; 0.2,150 . Luego, u (l * VIP) = 0.30(300 VIP + 100) 2 + 0.50(150 VIP + 100) 2 + 0.2(150 VIP + 100) 2 = 0.30(400 VIP) 2 + 0.50(250 VIP) 2 + 0.2(250 VIP) 2 = 0.30(160000 800VIP + VIP 2 ) + 0.70(62500 500VIP + VIP 2 ) = VIP 2 590VIP + 91750 Finalmente, obtenemos la ecuacin para el VIP
u (l * VIP ) = u ( EBC ) VIP 2 590VIP + 91750 = 68001 VIP 2 590VIP + 23749 = 0 Resolviendo la ecuacin
VIP =
590 590 2 4(23749) 2
546.55 = 43.45
Se elige el valor ms pequeo el cual ser el mximo que el decisor estara dispuesto a pagar por la informacin. De donde se puede concluir que si se llega hacer un estudio de mercado el decisor estara dispuesto a pagar mximo 43.45 millones por el estudio.
NOTA
El VIP tiene similitud con el VEIP dado por la frmula VEIP = min{ VE (mejores acciones por evento) VE (accin i)} .
i =1 m
EJERCICIO
1.- Supngase una lotera l = 0.1,3; 0.6,5; 0.3,2 y funcin de utilidad u ( x) = ( x + 10) 2 . Calcule VE (3.9), EBC (3.96), PR (-0.06), PC (3.994) y el VIP, a) en este ltimo considere una opcin adicional de 2.5 con certeza (0.13). b) en este ltimo considere una opcin adicional de 4 con certeza (0.65). 2.- Supngase una lotera l = 0.1,10; 0.6,5; 0.3,6 y funcin de utilidad u ( x) = ( x + 10) 2 . Calcule VE
(-0.2), EBC (1.48), PR (-1.68), PC () y el VIP, en este ltimo considere una opcin adicional de (cada quien la suya) con certeza.
7.2.4 PRIMA DE RIESGO
Cuando un decisor (administrador, gerente o persona de negocios) se encuentra ante la problemtica de vender o comprar un negocio que tiene ganancias bajo incertidumbre, el primer problema que debe resolver consiste en determinar si tiene aversin (repudio, odio, prevencin o miedo) o propensin (preferencia, aficin, apego o devocin) al riesgo, resultante de la posible inversin. De esta forma se origina el siguiente concepto.
171
172 Captulo 7
Definicin 4 Dada una situacin incierta de inversin (representada por una lotera), se llama Prima de riesgo de una lotera, PR, a la diferencia del valor esperado de la lotera y el equivalente bajo certeza, segn la funcin de utilidad
VE EBC , si u ( x) es creciente u ( x) > 0 PR = EBC VE , si u ( x) es decreciente u ( x) < 0
Cmo interpretar los valores de la prima de riesgo? De la definicin de prima de riesgo se tiene que pueden suceder tres situaciones 1. Prima de riesgo positiva. En este caso se dice que el decisor tiene aversin al riesgo y PR representa la cantidad que el decisor est dispuesto a dejar de ganar por esa aversin. 2. Prima de riesgo negativa. En este caso se dice que el decisor tiene propensin al riesgo y PR representa la cantidad que vala la preferencia del decisor. 3. Prima de riesgo cero. En este caso se dice que el decisor tiene neutralidad al riesgo. La neutralidad al riesgo se presenta cuando el VE es igual al EBC de la lotera.
NOTAS
Para determinar si una funcin es creciente o decreciente, se tienen las reglas: Una funcin u ( x) es creciente si al aumentar el valor de x aumenta el valor de u ( x) y una forma de comprobarlo es con la derivada. La funcin u ( x) es creciente en el intervalo en donde u ( x) > 0 .
Una funcin u ( x) es decreciente si al aumentar el valor de x diminuye el valor de u ( x) y una forma de comprobarlo es con la derivada. La funcin u ( x) es decreciente en el intervalo en donde u ( x) < 0 .
EJEMPLO 4
Calcule la prima de riesgo para el caso del ejemplo 1, suponiendo que el administrador establece la funcin de utilidad u ( x) = ( x + 100) 2 .
Solucin Del ejemplo 1 se obtuvo el EBC = 160.77 . Adems la lotera a la que se refiere el problema para el artculo nuevo estaba dada por l = 0.3,300; 0.5,100; 0.2,100 . Luego, su valor esperado ser
VE = pi xi = 0.3(300) + 0.5(100) + 0.2(100) = 120 .
i =1 n
Por otro lado, tenemos que determinar si la funcin de utilidad es creciente o decreciente en los valores de la lotera, es decir de 100 a 300. Para esto calculamos la derivada de la funcin de utilidad u ( x) = ( x + 100) 2 , obteniendo u ( x) = 2( x + 100) . As, la funcin de utilidad es creciente para valores de x, tales que u ( x) = 2( x + 100) > 0 . Es decir, para x 100 . Luego, PR = VE EBC , de esta forma se tiene la prima de riesgo
172
PR = VE EBC = 120 160.77 = 40.77 .
Es decir, el administrador tiene propensin al riesgo valuada por 40.77 millones. Posteriormente regresaremos al estudio de la prima de riesgo y su relacin con la funcin de utilidad, en donde daremos una descripcin detallada de los tres casos mencionados arriba y sus posibles funciones analticas de la funcin de utilidad. 7.3 CONSTRUCCIN DE LA FUNCIN DE UTILIDAD CON UN SLO OBJETIVO Se coment en la parte introductoria de Teora de preferencias que la funcin de utilidad es una de las bases motoras de la Teora de decisiones, ya que da la opcin de pasar las preferencias a valores numricos y poder comparar diferentes situaciones, por ejemplo las loteras o problemas de negocios bajo incertidumbre. Debido a lo anterior tiene una gran importancia el poder construir las funciones de utilidad. Hasta el momento las funciones de utilidad slo se han utilizado, sin ver cmo se construyen. Pero en esta seccin veremos dos mtodos para la construccin de una funcin de utilidad. Mtodo grfico. Mtodo analtico. La construccin de una funcin de utilidad se puede basar en la prima de riesgo, para lo que analizaremos los tres casos suscitados al definir la prima de riesgo, para funciones de utilidad ascendente y descendente.
7.3.1 AVERSIN AL RIESGO VARIANDO CAPITAL
Cuando se defini la aversin al riesgo se mencion que esto ocurre cuando la prima de riesgo es positiva, lo que nos lleva a funciones de utilidad que tienen que ser cncavas a la izquierda (fig. a) para el caso de funciones de utilidad crecientes. cncavas a la derecha (fig. b) para el caso de funciones de utilidad decrecientes. Ver figuras siguientes.
u (t )
u (t1 ) u (t 0 ) + u (t1 ) 2 t 0 + t1 2
Cncava a la izquierda
u (t ) u (t1 ) u (t 0 ) + u (t1 ) 2
Cncava a la derecha
u (t 0 )
EBC (a)
t0
VE =
u (t 0 )
EBC t0 VE = t 0 + t1 2
t1
PR = VE EBC > 0
(b)
t1
PR = EBC VE > 0
Fig. 8.1 Muestra las funciones de utilidad con aversin al riesgo, en (a) la funcin de utilidad es creciente u ( x) > 0 , y en (b) es decreciente u ( x) < 0 .
173
174 Captulo 7
Si al crecer el capital la prima de riesgo no vara se tiene aversin constante al riesgo. Si al crecer el capital la prima de riesgo aumenta se tiene aversin creciente al riesgo. Si al crecer el capital la prima de riesgo disminuye se tiene aversin decreciente al riesgo.
7.3.2 PROPENSIN AL RIESGO VARIANDO CAPITAL
Cuando se defini la propensin al riesgo se mencion que esto ocurre cuando la prima de riesgo es negativa, lo cual nos lleva a funciones de utilidad que tienen que ser convexas a la izquierda (fig. a) para el caso de funciones de utilidad decreciente. convexas a la derecha (fig. b) para el caso de funciones de utilidad crecientes. Ver figuras siguientes.
u (t )
u (t1 )
u (t 0 ) + u (t1 ) 2
Convexa a la izquierda
u (t )
u (t1 )
u (t 0 ) + u (t1 ) 2
Convexa a la derecha
u (t 0 ) (a) t0
EBC
t +t VE = 0 1 2
u (t 0 )
EBC
t1
(b)
t0
VE =
t0 + t1 2
t1
PR = EBC VE < 0
PR = VE EBC < 0
Fig. 8.2 Muestra las funciones de utilidad con propensin al riesgo, en (a) la funcin de utilidad es decreciente u ( x) < 0 , y en (b) es creciente u ( x) > 0 .
Si al crecer el capital la prima de riesgo no vara se tiene propensin constante al riesgo. Si al crecer el capital la prima de riesgo disminuye se tiene propensin creciente al riesgo. Si al crecer el capital la prima de riesgo aumenta se tiene propensin decreciente al riesgo.
7.3.3 NEUTRALIDAD AL RIESGO VARIANDO CAPITAL
En el caso de neutralidad al riesgo no existen cambios y la funcin de utilidad es una lnea recta.
NOTAS
Obsrvese que el crecimiento de la aversin y la propensin son inversos. El capital y la aversin al riesgo son proporcionales, si uno aumenta o disminuye la aversin tambin aumenta o disminuye. El capital y la propensin al riesgo son inversas, si uno aumenta el otro disminuye y viceversa.
174
7.3.4 MTODO GRFICO PARA CONSTRUIR UNA FUNCIN DE UTILIDAD
Supngase que deseamos conocer la funcin de utilidad u ( x) entre x y x , y se conoce que para cualquier x, tal que x x x
a mayor preferencia de x mayor utilidad (equivalentemente a una funcin de utilidad creciente, u ( x) > 0 ).
A mayor preferencia de x menor utilidad (equivalentemente a una funcin de utilidad decreciente, u ( x) < 0 ).
En caso de una funcin de utilidad creciente podemos seguir los siguientes pasos para su construccin. Si la funcin de utilidad es decreciente se hace de forma similar.
Paso 1.
Asignacin arbitraria de valores de utilidad para x y x (recurdese que se supuso x x x , luego x menos preferente que x ). Generalmente, se asigna cero para el menos preferente y 1 para el ms preferente. As, u ( x ) = 0 y u ( x ) = 1 . Se eligen 3 puntos cualesquiera entre x y x , tales que x x1 x 2 x3 x y se determinan sus utilidades.
Paso 2.
Para la asignacin de valores a x x1 x 2 x3 x , se utiliza la informacin del tipo de decisor, es decir, si el decisor tiene, aversin, propensin o neutralidad al riesgo. Se supone que la funcin de utilidad entre x y x , slo puede ser de aversin (funcin cncava entre x y x ), propensin (funcin convexa entre x y x ) o neutralidad (lnea recta entre x y x ). En el ejemplo suponemos que se trata de un decisor con aversin al riesgo. Luego, los valores asignados a x x1 x 2 x3 x , dan como resultados los siguientes puntos u ( x) u ( x ) = 1 u ( x3 ) u( x2 ) u ( x1 )
u ( x ) = 0 x x1 x2 x3 x
Paso 3. Con los 5 puntos construidos de la curva y utilizando la caracterstica de monotona de la funcin de utilidad se suaviza la curva. Monotona. Se supone que la funcin de utilidad entre x y x , es montona es decir, creciente o decreciente entre dichos valores.
175
176 Captulo 7
Con las consideraciones anteriores podemos eliminar ciertas regiones en donde no puede pasar la funcin de utilidad, para que pueda cumplir las caractersticas dadas por el decisor. Las regiones que se pueden eliminar se obtienen fuera de los rectngulos que se forman al encerrar cinco parejas de puntos ( x, u ( x)) , formadas por x x1 x 2 x3 x y sus valores en la funcin de utilidad. Como se muestra en la siguiente figura.
u (t )
u ( x ) = 1 u ( x3 ) u( x2 ) u ( x1 )
u ( x ) = 0 x x1 x2 x3 x
De tal forma que la funcin de utilidad slo puede tomar valores dentro de los rectngulos que quedan sin sombrear. Podemos reducir an ms la regin en donde puede estar la funcin de utilidad al trazar lneas rectas entre pares de puntos ( x, u ( x)) y ( x1 , u ( x1 )) ; ( x1 , u ( x1 )) y ( x 2 , u ( x 2 )) ; ( x 2 , u ( x 2 )) y ( x3 , u ( x3 )) ; ( x3 , u ( x3 )) y ( x , u ( x )) y eliminando:
las regiones por debajo de la recta en su propio rectngulo, para esto nos basamos en el hecho de que estamos suponiendo un decisor con aversin al riesgo, lo que significa que la funcin de utilidad en este caso es cncava y debe estar en la mitad de arriba de cada rectngulo en los rectngulos contiguos se elimina la regin por arriba de la recta trazada en el punto anterior, esto se hace porque la funcin de utilidad perdera la suavidad si pasa por estas regiones. Finalmente queda el rea sin sombrear por donde puede pasar la funcin de utilidad, ver figura siguiente.
u (t )
u ( x ) = 1 u ( x3 ) u( x2 ) u ( x1 )
u ( x ) = 0 x
176
x1
x2
x3
Finalmente en el rea factible para la funcin de utilidad se hace un bosquejo de sta, quedando la figura siguiente.
u (t )
u ( x ) = 1 u ( x3 ) u( x2 ) u ( x1 )
u ( x ) = 0 x x1 x2 x3 x
Para terminar dejamos libre a la funcin de utilidad trazada, que cumple con las restricciones que fueron establecidas por el decisor 1. La funcin es creciente. 2. El decisor tiene aversin al riesgo. 3. la funcin pasa por las coordenadas ( x , u ( x )) , ( x1 , u ( x1 )) , ( x 2 , u ( x 2 )) , ( x3 , u ( x3 )) y ( x , u ( x )) .
u ( x) u ( x ) = 1 u ( x3 ) u( x2 ) u ( x1 )
u ( x ) = 0 x x1 x2 x3 x
En la siguiente seccin veremos la parte analtica de las funciones de utilidad de un objetivo y la forma de llevar a cabo la comprobacin para identificar de qu tipo de funcin se trata. Se da un ejemplo de cada tipo de funcin de utilidad que puede ocurrir segn el tipo de decisor.
EJERCICIO
Construya su funcin de utilidad para el atributo tiempo de viaje al trabajo.
177
178 Captulo 7
8.4 FUNCIONES ANALTICAS DE UTILIDAD DE UN OBJETIVO

En esta parte utilizamos el resultado demostrado por Howard Raiffa, quien prueba que en el caso de funciones de utilidad crecientes, la prima de riesgo de una lotera ( PR = VE EBC ), est relacionada con la funcin de aversin local al riesgo, 2 1 x x PR ~ r ( x) , 2 2 u ( x) y 0.5, x; 0.5, x cuando x x pequea. en donde r ( x) = u ( x)
Funcin de utilidad creciente

u ( x) creciente
u ( x) > 0
x crece, y r ( x)
Ejemplo de u ( x)
Forma de la grfica de u ( x)
(1) Constante
Aversin
PR > 0 u ( x) cncava izquierda u ( x) < 0
No vara
a be cx ; b > 0, c > 0 a + bx cx 2 ; b c > 0, x < 2c a + c ln( x + b) ; c > 0 , x > b
(2) Creciente
aumenta
x=
b 2c
(3) Decreciente
disminuye
x = b
(4) Constante
Propensin PR < 0 u ( x) convexa derecha u ( x) > 0
No vara
a + be cx ; b > 0, c > 0 a + bx + cx 2 ; b c > 0, x > 2c a c ln(b x) ; c > 0, x 0
178
Comprobaciones Aversin (1)

u ( x) = a be cx u ( x) = bce cx > 0 si b > 0, c > 0 u ( x) crece u ( x) = bc 2 e cx < 0 si b > 0 u ( x) concva r ( x) = bc 2 e cx bce cx = c > 0 r ( x) no varia
Propensin (4)
u ( x) = a + be cx u ( x) = bce cx > 0 si b > 0, c > 0 u ( x) crece u ( x) = bc 2 e cx > 0 si b > 0 u ( x) convexa r ( x) = bc 2 e cx bce cx = c < 0 r ( x) no varia
(2)
u ( x) = a + bx cx 2 b u ( x) crece 2c u ( x) = 2c < 0 si c > 0 u ( x) concva 2c 2c b r ( x) = = > 0, si x 0 r ( x) crece (b 2cx) 2 u ( x) = b 2cx > 0 si x <
(5)
u ( x) = a + bx + cx 2 b u ( x) crece 2c u ( x) = 2c > 0 si c > 0 u ( x) convexa 2c 2c b r ( x) = = < 0, si x > b + 2cx b + 2cx 2c 2 ( 2c ) r ( x) = > 0 r ( x) crece (b 2cx) 2 u ( x) = b + 2cx > 0 si x >
(3)
u ( x) = a + c ln( x + b) c > 0 si x > b u ( x) crece x+b c u ( x) = < 0 si c > 0 u ( x) concva ( x + b) 2 c ( x + b) 2 1 r ( x) = = > 0, si x > b c x+b x+b 1 r ( x) = < 0 r ( x) decrece ( x + b) 2 u ( x) =
(6)
u ( x) = a c ln(b x) c > 0 si x 0 si c > 0 u ( x) convexa (b x) 2 c (b x) 2 1 r ( x) = = < 0, si x 0 si b > 0 u ( x) crece u ( x) = 0 r ( x) = 0
179
180 Captulo 7
Cuando la funcin de utilidad es decreciente, se tiene que la prima de riesgo se calcula como PR = EBC VE , y es indiferente con q ( x) = u ( x) u ( x) de una lotera que est relacionada con la funcin de aversin local al riesgo, para funciones de utilidad decrecientes 2 1 x x PR ~ q ( x) , 2 2 u ( x) en donde q ( x) = . u ( x) Funcin de utilidad decreciente
u ( x) decreciente
u ( x) < 0
x crece, y q ( x)
Ejemplo de u ( x)
Forma de la grfica de u ( x)
Aversin
PR > 0 u ( x) cncava derecha u ( x) < 0
(8) Constante
No vara
a be cx ; b > 0, c > 0
(9) Creciente
aumenta
a + c ln(b x) ; c > 0, x 0, x > 2c a + be cx ; b > 0, c > 0 a c ln( x + b) ; c > 0 , x > b a + bx + cx 2 ; b c > 0, x < 2c
(10) Decreciente
disminuye
Propensin PR < 0 u ( x) convexa izquierda u ( x) > 0
(11) Constante
No vara
(12) Creciente
aumenta
(13) Decreciente
disminuye
Neutralidad PR = 0 u ( x) = 0
(14)
a bx ; b > 0
180
Comprobaciones Aversin (8)

u ( x) = a be
cx
Propensin (11)
u ( x) = a + be cx u ( x) = bce cx < 0 si b > 0, c > 0 u ( x) decrece u ( x) = bc 2 e cx > 0 si b > 0 u ( x) convexa q( x) = bc 2 e cx bce cx = c < 0 q ( x) no varia
u ( x) = bce cx < 0 si b > 0, c > 0 u ( x) decrece u ( x) = bc 2 e cx < 0 si b > 0 u ( x) concva q( x) = bc 2 e cx bce cx = c > 0 q ( x) no varia
(9) u ( x) = a + c ln(b x)
c < 0 si x < b, c > 0 u ( x) decrece bx c u ( x) = < 0 si c > 0 u ( x) concva (b x ) 2 c ( x + b) 2 1 q( x) = = > 0, si x 0 q ( x) crece ( x + b) 2 u ( x) =
(12) u ( x) = a c ln( x + b)
c < 0 si x > b, c > 0 u ( x) decrece x+b c u ( x) = > 0 si c > 0 u ( x) convexa ( x + b) 2 c ( x + b) 2 1 q( x) = = < 0, si x > b, c > 0 c x+b x+b 1 q ( x) = < 0 q ( x) crece ( x + b) 2 u ( x) =
(10)
u ( x) = a + bx cx
2
(13)
u ( x) = a + bx + cx 2 b u ( x) decrece 2c u ( x) = 2c > 0 si c > 0 u ( x) convexa 2c b q ( x) = < 0, si x < , c > 0 b + 2cx 2c 2 ( 2c) q ( x) = < 0 q ( x) decrece (b + 2cx) 2 u ( x) = b + 2cx < 0 si x 0 u ( x) concva 2c b q( x) = > 0, si x > b 2cx 2c 2 ( 2c ) q ( x) = < 0 q ( x) decrece (b 2cx) 2 u ( x) = b 2cx < 0 si x >
(14) eutralidad
u ( x) = a bx u ( x) = b < 0 si b > 0 u ( x) decrece u ( x) = 0 q( x) = 0
181
182 Captulo 7 NOTAS
En general, ocurre que la funcin de utilidad puede ser en algunos segmentos cncava y en otros convexa, la combinacin de estos comportamientos depende del decisor, si tiene aversin o propensin al riesgo, respectivamente. Cuando se trata de dinero, el comportamiento del decisor se puede ver influenciado por las cantidades de dinero que estn en juego. Por ejemplo, el decisor podra tener neutralidad al riesgo en cantidades pequeas, donde no le importe mucho, despus tener aversin al riesgo y posiblemente cuando la cantidad sea elevada l podra estar dispuesto a correr grandes riesgo con un comportamiento de propensin.
Cuando se utiliza la funcin de utilidad en problemas de decisin se deben involucrar decisiones basadas en valores referentes a la variable. Solucin numrica de ecuaciones En la construccin de las funciones de utilidad se tendrn que resolver ecuaciones algebraicas que pueden contener valores un poco extremosos.
EJEMPLO 7
Sea la funcin de utilidad con aversin constante al riesgo u ( x) = a be cx , y supngase que se

tiene la lotera l = 0.5, 300000; 0.5, 0 y su EBC = 80000 . Determine una funcin particular de
utilidad.
Solucin De las condiciones del problema

0.5, 300000; 0.5, 0 ~ 80000 . Luego,
u (80000) = u (l ) a be 80000 c = 0.5u (300000) + 0.5u (0) a be 80000 c = 0.5 a be 300000c + 0.5(a b ) be
80000 c
= 0.5be
300000 c
0.5b
Como b 0 , podemos dividir entre 0.5b obtenemos:
e 80000 c = 0.5e 300000 c + 0.5 o 2e 80000 c e 300000c 1 = 0 .

Est ecuacin siempre tiene una solucin c = 0 , pero sta no nos interesa, es decir, se debe buscar otra raz de la ecuacin f (c) = 2e 80000c e 300000c 1 = 0 , diferente de cero. Podemos notar que los coeficientes de la variable c, en la exponencial, son negativos, pero muy grandes en valor absoluto, por lo que se puede dificultar su bsqueda.
Cmo llevar a cabo la bsqueda de la raz?
182
Una opcin de bsqueda de races consiste en graficar la funcin f (c) , y determinar los puntos en donde se cruza la grfica con el eje de las abscisas. Pero notaremos que para poder apreciar la grfica se tiene que buscar una escala adecuada, lo cual puede llevar bastante tiempo. Otra opcin consiste en utilizar un paquete matemtico para la bsqueda numrica de races, el problema consiste en asignar un intervalo de bsqueda adecuado, ya que en caso contrario la raz que dar el programa ser la raz cero, la cual no nos sirve. Por ejemplo, la raz de la ecuacin f (c) = 2e 80000c e 300000c 1 = 0 , se busca en un intervalo ( 10 9 , 1) y da la respuesta aproximada
c = 0.000007361173037 = 7.361173037 10 6 (ver expresiones #1 y #2)
Tabla 1. Muestra la raz de la ecuacin f (c) = 2e 80000c e 300000c 1 = 0 .

Una manera de simplificar la bsqueda en estos casos consiste en encontrar la raz de f (kc ) = 0 en lugar de f (c) = 0 ( c = kc * ) , de tal forma que el valor de k, tiene que ser diferente de cero y se elige de tal manera que los coeficientes de la c en la exponencial no sean tan extremosos. Por ejemplo, en esta ecuacin k = 10 4 = 0.0001 y as la ecuacin a resolver ser:
*
f (10 4 c * ) = 2e 8c e 30 c 1 = 0 . Cuya raz diferente de cero se muestra en las expresiones #3 y #4 de la tabla 1, luego la raz original aproximada ser c = 10 4 c * = 10 4 (0.07361173037) = 7.361173037 10 6 coincide con la anterior. Similarmente, para k = 10 5 = 0.00001 , la ecuacin a resolver ser: f (10 5 c * ) = 2e 0.8c e 3c 1 = 0 . Cuya raz aproximada diferente de cero se muestra en las expresiones #5 y #6 de la tabla 1, c = 10 5 c * = 10 5 (0.7361173037) = 7.361173037 10 6 y coincide con la anterior. Similarmente, para k = 10 6 = 0.000001 , la ecuacin a resolver ser: f (10 6 c * ) = 2e 0.08c e 0.3c 1 = 0 .
* * * *
183
184 Captulo 7
Con raz aproximada diferente de 0, c * = 7.361173037 y la raz aproximada de c que nos interesa ser c = 10 6 c * = 10 6 (7.361173037) = 7.361173037 10 6 , la cual coincide con la anterior (ver las expresiones #7 y #8 de la tabla 1).
Finalmente, una funcin particular de utilidad para a = 5 y b = 2 estar dada por u ( x) = 5 2e 0.000007361173037 x .
EJERCICIOS
Construya su funcin analtica de utilidad para el atributo tiempo de viaje al trabajo, visto en el ejemplo anterior.
EJEMPLO 8
Construya la funcin analtica de utilidad para el caso en que el decisor prefiere cantidades mayores de premios y conoce las siguientes indiferencias de 3 loteras con su EBC $2600 ~ 0.5,$5000; 0.5,$100 , $12600 ~ 0.5,$15000; 0.5,$9900 y $22600 ~ 0.5,$25000; 0.5,$19900
Solucin Para encontrar la funcin de utilidad adecuada se recomienda seguir la siguiente secuencia de pasos:
a) Determine el tipo de funcin de utilidad, creciente o decreciente. b) Determine la prima de riesgo, definicin 3
VE EBC , si u ( x) es creciente u ( x) > 0 PR = EBC VE , si u ( x) es decreciente u ( x) < 0
c) De las 14 funciones propuestas elija la adecuada, o usted proponga alguna otra. d) Para encontrar la o las constantes que intervienen en la funcin elegida, utilice el hecho
de que EBC ~ l y la funcin de utilidad. Sug. Se usan todas las loteras posibles, pero inicialmente se usa la lotera que abarque el mayor rango posible.
Verificacin a). Se tiene una funcin de utilidad creciente, puesto que el decisor prefiere cantidades mayores de premios. Con este hecho, los 14 casos posibles de funciones se reducen a 7. b). Calculamos la prima de riesgo, para esto de (a) notamos que la funcin de utilidad es creciente, luego PR = VE EBC .
Lotera 1: VE = 0.5(5000) + 0.5(100) = 2450 , luego PR = VE EBC = 2450 2600 = 150 .
Lotera 2: VE = 0.5(15000) + 0.5(9900) = 12450 , luego PR = VE EBC = 12450 12600 = 150 . Lotera 3: VE = 0.5(25000) + 0.5(19900) = 22450 , luego PR = VE EBC = 22450 22600 = 150 .
184
c). De la prima de riesgo calculada en (b) notamos que es constante y negativa. Luego, el decisor tiene propensin constante al riesgo y la funcin de utilidad puede ser a + be cx . d). Bsqueda de los valores de las constantes, para esto se utiliza la u ( x) y EBC ~ l . Es decir,
2600 ~ 0.5, 5000; 0.5, 100 . Luego,
u (2600) = u (l ) a + be 2600c = 0.5u (5000) + 0.5u (100) a + be 2600c = 0.5 a + be 5000 c + 0.5 a + be 100 c be
2600 c
= 0.5be
5000 c
+ 0.5be
100 c
Dividiendo entre 0.5b , y pasando todos los trminos a un mismo lado, resulta la ecuacin
f (c) = 2e 2600c e 5000c e 100c = 0 . Cuya solucin aproximada, c = 4.62428734 10 5 = 0.0000462428734 , se muestra en la tabla 2.
Tabla 2. Muestra la raz de la ecuacin f (c) = 2e 2600c e 5000c e 100c = 0 .

De la misma forma que se realiz en el ejemplo 6, una manera de simplificar la bsqueda en estos casos consiste en encontrar la raz de f (kc * ) = 0 en lugar de f (c) = 0 ( c = kc * ) . Por ejemplo, en esta ecuacin k = 10 4 = 0.0001 y as la ecuacin a resolver ser:
f (10 4 c * ) = 2e 0.26c e 0.5c e 0.01c = 0 . Cuya raz diferente de cero se muestra en las expresiones #3 y #4 de la tabla 2, luego la raz original aproximada es c = 10 4 c * = 10 4 (0.4624287338) = 4.624287338 10 5 y coincide con la anterior. Similarmente, para k = 10 5 = 0.00001 , la ecuacin a resolver ser: f (10 5 c * ) = 2e 0.026c e 0.05 c e 0.001c = 0 . Cuya raz aproximada diferente de cero se muestra en las expresiones #5 y #6 de la tabla 2, c = 10 5 c * = 10 5 ( 4.624287338) = 4.624287338 10 5 y coincide con la anterior.
* * * * * *
185
186 Captulo 7 EJEMPLO 9
Construya la funcin analtica de utilidad para el caso en que el decisor prefiere a mayor cantidad del atributo mayor preferencia. Si se conocen las siguientes relaciones con las loteras 1. $500 0.5,$1000; 0.5,$0 , 2. 3. 4. 5. 6. 7. 8.
$250 $750 0.5,$500; 0.5,$0 , 0.5,$1000; 0.5,$500 ,
0.5, x1 ; 0.5, x 2 , 2 $90 ~ 0.5,$200; 0.5,$0 ,

$490 ~ 0.5,$600; 0.5,$400 , $ x + 90 ~ 0.5,$200 + x; 0.5,$ x $400 ~ 0.5,$1000; 0.5,$0 . x ,
x1 + x 2
Sugerencias
La idea es seguir los pasos del ejemplo anterior, pero cuando se tiene una lotera como la 7, podemos observar que ella generaliza a 5 y 6, por lo tanto, la prima de riesgo se puede considerar constante. Tratar de seguir los pasos del ejemplo anterior. En el punto 4 del ejemplo anterior se usa la lotera que abarque el mayor rango posible.
Solucin
Se probarn los 4 pasos sugeridos arriba.
Verificacin a). Se tiene una funcin de utilidad creciente, puesto que el decisor prefiere a mayor cantidad del atributo mayor preferencia. As, se tienen slo 7 de los 14 casos posibles de funciones. b). Calculamos la prima de riesgo, pero de la lotera 7, podemos observar que ella generaliza a 5 y 6, por lo tanto, la prima de riesgo se puede considerar constante, adems de (a) notamos que la funcin de utilidad es creciente, luego PR = VE EBC .
VE = (200 + x)(0.5) + x(0.5) = 100 + x .
Considerando que EBC = x + 90 , se tiene

PR = VE EBC = 100 + x (90 + x) = 10 > 0 .
c). De la prima de riesgo calculada en (b) notamos que es constante y positiva. Luego, el decisor tiene aversin constante al riesgo y la funcin de utilidad puede ser a be cx , con c > 0 . d). Bsqueda de los valores de las constantes, para esto se utiliza la u ( x) y EBC ~ l . Es decir,
$400 ~ 0.5,$1000; 0.5,$0 . Luego,
186
u (400) = u (l ) a be 400 c = 0.5u (1000) + 0.5u (0) a be 400 c = 0.5 a be 1000 c + 0.5(a b ) be
400 c
= 0.5be
1000 c
0.5b
Dividiendo entre 0.5b , y pasando todos los trminos a un mismo lado, resulta la ecuacin
f (c) = 2e 400c e 1000 c 1 = 0 . Cuya solucin aproximada, c = 4.62428734 10 5 = 0.0000462428734 , se muestra en la tabla 3.
Tabla 3. Muestra la raz de la ecuacin f (c) = 2e 400c e1000 c 1 = 0 .

As, una funcin de utilidad particular ser: u ( x) = e 0.0008221632343 .
EJERCICIOS 1. Sea la funcin u ( x) =

c ( x + b) 2 , da un clasificacin de ella como funcin de utilidad.
2. Construya su funcin analtica de utilidad para el atributo tiempo de viaje al trabajo (sug. Ver ejemplos 7, 9 y 10). 3. En cada caso da un ejemplo de una funcin de utilidad concreta. a) A mayor cantidad del atributo, mayor preferencia y aversin creciente al riesgo. b) A mayor cantidad del atributo, mayor preferencia y aversin constante al riesgo. c) A mayor cantidad del atributo, mayor preferencia y aversin decreciente al riesgo. d) A mayor cantidad del atributo, menor preferencia y aversin constante al riesgo. e) A mayor cantidad del atributo, menor preferencia y aversin creciente al riesgo. f) A mayor cantidad del atributo, menor preferencia y aversin decreciente al riesgo. g) A mayor cantidad del atributo, mayor preferencia y propensin constante al riesgo. h) A mayor cantidad del atributo, menor preferencia y propensin constante al riesgo. i)
A mayor cantidad del atributo, mayor preferencia y propensin creciente al riesgo.
j) A mayor cantidad del atributo, menor preferencia y propensin creciente al riesgo. 4. Un inversionista tiene $1000 para invertir en dos tipos de acciones. Si l invierte $m en la accin A, entonces en la accin B invertir $(1000 m) . Una inversin en la accin A tiene una probabilidad de 0.7 de duplicar su valor y una probabilidad de 0.3 de una prdida total. Una inversin en la accin B tiene una probabilidad de 0.6 de duplicar su valor y 0.4 de una prdida total. Las probabilidades asociadas con A son independientes de las que se asocian con la accin B.
187
188 Captulo 7
Determine el valor ptimo de m, si la funcin de utilidad del decisor para ganar o perder x es u ( x) = log e ( x + 3000) . Cul ser el valor ptimo de m, si la funcin de utilidad fuese
u ( x) = ( x + 3000) 2 ?.
5. Un inversionista tiene $200,000 para invertir en dos tipos de acciones. Si el invierte $m en la accin A, entonces en la accin B invertir $(200,000 m) . Una inversin en la accin A tiene una probabilidad de 0.6 de duplicar su valor y una probabilidad de 0.4 de una prdida total. Una inversin en la accin B tiene una probabilidad de 0.7 de duplicar su valor y 0.3 de una prdida total. Las probabilidades asociadas con A son independientes de las que se asocian con la accin B. Determine el valor ptimo de m, si la funcin de utilidad del decisor para ganar o perder x es u ( x) = log e ( x + 400,000) . 6. Usted ya tiene conocimiento de un juego como el de la paradoja de Sant-Petersburgo. Se lanza una moneda y usted recibir $ 2 n si resulta la primera guila en el n-simo lanzamiento. Sin embargo, antes de que la moneda sea lanzada, alguien le ofrece comprar su ganancia desconocida. l le da $x y toma el premio que resulte del lanzamiento de la moneda. Si usted emplea la funcin de utilidad u ( y ) = log 2 ( y ) , cul es el menor valor de x que usted aceptar? 7. Un hombre es alrgico al pescado y las papas, le gusta el bistec y el pudn de rin, y l tolera al pollo aunque no le gusta mucho. l est lejos en un pueblo y puede ir de compras, por dos caminos, a los extremos opuestos de la calle principal. Uno, es un negocio de pescado y papas, siempre sirven pescado y papas y a veces venden bistec y pudn de rin. En el otro slo venden pollo. El hombre est hambriento y slo tiene tiempo de llegar a uno de los 2 negocios antes de que los cierren. l decide que cualquier cosa a la suerte de ir al negocio del pescado y papas y encontrar bistec y pudn de rin, l ira al pollo. Discuta su opcin desde el punto de vista de teora de utilidad. 8. Considere la siguiente tabla de decisiones bajo riesgo, cuyas consecuencias son monetarias Consecuencias Estados xij 1 2 3
a1
Acciones $100 $90 $100 14 $110 $100 $110 12 $120 $120 $100 14
a2 a3
Probabilidades
Transforme este problema en uno de eleccin entre loteras. El decisor tiene las siguientes indiferencias con las loteras referenciales. $100 ~ $120(0.5)$90 $110 ~ $120(0.8)$90 Qu accin debe elegir el decisor?
9. Considere las loteras l , l1 , l 2 , , l s del Axioma 8.2.3. Sea U j = p ji u ( xi ) , j = 1, 2, , s la

i =1
utilidad esperada de una lotera simple l j . Muestre que las preferencias del decisor entre loteras
188
compuestas tales como la l pueden ser representadas por las utilidades esperadas, en donde la utilidad esperada es l = q j U j . Generalice este resultado para cualquier lotera compuesta finita.
j =1 s
Use este resultado para probar la necesidad de la condicin de independencia. 10. Supngase que usted desea evaluar a un tomador decisiones de una funcin de utilidad para el dinero, u ( x) , para r diferentes valores, x = x1 , x 2 ,, xr . Suponga adems que el decisor tiene r 2 indiferencias de la forma
(i ) (i ) p1(i ) , x1 ; p 2 , x 2 ; ; p r(i ) , x r ~ q1(i ) , x1 ; q 2 , x 2 ; ; q r(i ) , x r
para i = 1, 2, , (r 2) .
D una condicin con la cual se asegure que esta informacin es suficiente para determinar que esta es una funcin de utilidad nica bajo una transformacin afn.
11. Considere las loteras sobre cinco premios {x1 , x 2 , x3 , x4 , x5 } . Suponga que el decisor afirma que: (a) x1 x 2 x 3 x 4 x5 . (b) (c) (d)
0.9, x1 ; 0.1, x5 x 2 0.8, x1 ; 0.2, x5 . 0.38, x1 ; 0.2, x 4 ; 0.42, x5 .
0.42, x1 ; 0.2, x 4 ; 0.38, x5 0.3, x1 ; 0.6, x 4 ; 0.1, x5 0.7, x1 ; 0.3, x5 x3 0.5, x 2 ; 0.5, x 4 .
Encuentre las cotas en una funcin de utilidad conveniente para representar las preferencias del decisor. Hay suficiente evidencia para deducir su eleccin entre las siguientes loteras? Explique sus respuestas.
(i) (ii) (iii) (iv)
0.5, x3 ; 0.5, x 4 y 0.5, x 2 ; 0.5, x3 . 0.3, x1 ; 0.1, x 2 ; 0.5, x3 ; 0.1, x 4 y x3 . 0.1, x 2 ; 0.6, x3 ; 0.3, x 4 y 0.1, x 2 ; 0.7, x3 ; 0.2, x 4 . 0.5, x1 ; 0.5, x 4 y 0.2, x1 ; 0.6, x3 ; 0.2, x5 .
189
Captulo 8
FUNCIONES DE UTILIDAD UTILIDAD CON VARIOS OBJETIVOS
Introduccin
En el captulo anterior iniciamos el estudio de las funciones de utilidad con un slo atributo. Entendiendo por atributo la medida del logro del objetivo del decisor. Por ejemplo, en el caso de dos consecuencias x1 y x 2 , el rbol de decisiones puede tener ramificaciones de la siguiente manera:
A1 E1 A2 B1 E2 B2 Bn Em Ejemplo 2 consecuencias An
( x1 , x 2 )
En donde se muestra que las acciones disponibles a elegir pueden tener ms de un atributo. As, de forma similar que en las funciones de valor, vistas en el captulo 5, para el caso de varios atributos, primeramente veremos las situaciones para dos atributos, y posteriormente lo generalizaremos para 3 o ms. 8.1 FUNCIN DE UTILIDAD CON DOS ATRIBUTOS En situaciones en las que existe incertidumbre, en lugar de utilizar la funcin de valor, se emplea la funcin de utilidad. Pero resulta que en el caso de dos o ms atributos la construccin de la funcin de utilidad es ms compleja, requiere de intercambio constante de informacin con el decisor para su construccin y conocimientos del tipo de funcin a tratar.
191
192. Captulo 8 EJEMPLO 1
Al inicio del ao 2000 se pens en la construccin de un nuevo aeropuerto o la ampliacin de uno existente para satisfacer la demanda en vuelos internacionales y nacionales en la ciudad de Mxico. Supngase que existen dos alternativas que representaremos por las letras A y B. Cuyos resultados de los objetivos, tiempo de acceso al aeropuerto y cantidad de personas que resultaran afectadas en caso de un accidente y sus probabilidades se muestran en la siguiente tabla.
Sitios
Probabilidad
13
Tiempo (min.) de acceso 90 60 20 120
Personas afectadas en caso de accidentes 1,000 1,500 3,000 500
A B
13 13 1
Emplear la funcin de utilidad con sus objetivos para la toma de decisiones de la mejor alternativa para la construccin del aeropuerto y comprobar las dificultades que representa encontrar dicha funcin junto con las funciones de utilidad unidimensionales de cada atributo. Solucin Tenemos los objetivos tiempo de acceso en minutos (x). personas afectadas en caso de accidente (y).
Las incertidumbres y los valores de los atributos se muestran en la siguiente figura abajo a la izquierda. Para analizar la situacin, debido a la incertidumbre, se recurre a su funcin de utilidad, ver figura derecha.
33.3% Situacin A
(90,1000)
Situacin A
33.3%
u (90,1000)
33.3%
(60,1500)
33.3%
u (60,1500)
33.3% Ejemplo 1 Utilidad Situacin B
(20,3000)
Ejemplo 1 Utilidad
33.3%
u (20,3000)
(120,500)
Situacin B
u (120,500)
Siguiendo el procedimiento del captulo 7, en la construccin de funciones de valor, el paso subsecuente consiste en asignar valores a la parejas de atributos de los objetivos en la funcin de utilidad, pero como veremos en est seccin las asignaciones requieren de mayores suposiciones sobre la funcin de utilidad. Por ahora de forma similar que en el caso de la funcin de valor se construyen las funciones de utilidades unidimensionales. Para tal efecto, elegimos las peores consecuencias por atributos, sean
192
Funciones de utilidad con varios objetivos. 193
stas x 0 = 120, y 0 = 3000 y asignamos el valor cero a su utilidad, u ( x0 , y 0 ) = 0 = u (120,3000) . Luego,

elegimos las mejores consecuencias por atributos, sean stas x * = 20, y * = 500 y asignamos el valor de uno a su utilidad u ( x * , y * ) = 1 = u (20,500) . Posteriormente, se determinarn las funciones de utilidad unidimensionales. Para esto se construye la lotera ( x * , y 0 ) ~ r , ( x * , y * ); 1 r , ( x0 , y 0 ) .
Para conocer el valor de la funcin de utilidad en el punto ( x * , y 0 ) . De donde,
u ( x * , y 0 ) = ru ( x * , y * ) + (1 r )u ( x 0 , y 0 ) = r (1) + (1 r )(0) = r
y Similarmente podemos calcular el valor de la funcin de utilidad para el punto ( x0 , y * ) , construyendo una lotera con dos puntos conocidos, que sean indiferentes a ( x0 , y * ) . Por ejemplo, con ( x0 , y 0 ) y ( x * , y * ) , pero podemos apreciar que seguimos necesitando informacin sobre la funcin de utilidad conjunta u ( x, y ) . Por ejemplo, en el caso de funciones de valor en dos atributos, se dijo que la funcin ordinaria de valor v( x, y ) eran funciones de valor aditivas si cumplan
( x0 , y * )
( x* , y * )
y0 x0
( x , y0 )
v( x, y ) = v X ( x) + vY ( y ) . Pero con las funciones de utilidad veremos que necesitamos an ms supuestos que en las funciones de valor.
Sea el espacio de consecuencias X Y sobre el que las preferencias establecidas por el decisor cumplen los 6 axiomas de los Teorema sobre la existencia y unicidad de la funcin de valor bidimensional del captulo 7. Por otro lado, supngase que dichas preferencias sobre loteras envuelven los premios en X Y que pueden ser representados por una funcin de utilidad u ( x, y ) . Es decir, la funcin de utilidad es una funcin ordinaria de valor en X Y , de tal forma que por el Teorema sobre la unicidad de la funcin ordinaria de valor con las mismas preferencias en el mismo espacio de consecuencias resulta u ( x, y ) = (v( x, y ) ) = (v X ( x) + vY ( y ) ) . En donde, la transformacin () es estrictamente creciente, pero la aditividad no se cumple si () es exponencial (aunque si es estrictamente creciente). De tal forma que para poder hablar de la aditividad en las funciones de utilidad es necesario considerar condiciones ms fuertes, por ejemplo, en la seccin veremos la independencia en utilidad y la independencia aditiva. Para determinar la funcin de utilidad multiatributos, se pueden suponer algunos casos tpicos de la funcin de utilidad, como los siguientes. 1. Independencia de utilidad. 2. Independencia aditiva.
193
194. Captulo 8
3. Funcin de valor. 4. Independencia multiplicativa. 5. Atributos preferencialmente independientes. Entre algunos otros, hemos denotado por ( x0 , y 0 ) a las peores consecuencias de los atributos y
por ( x * , y * ) a las mejores, de tal forma que podemos formular la siguiente definicin.
Definicin
A la regin delimitada por los 4 puntos ( x0 , y 0 ) , ( x0 , y * ) , ( x0 , y * ) y ( x * , y * ) le llamaremos regin admisible y a sus puntos correspondientes valores admisibles. Por ejemplo, en el caso de funciones de valor en dos atributos, se dijo que la funcin ordinaria de valor v( x, y ) eran funciones de valor aditivas si cumplan v( x, y ) = v X ( x) + vY ( y ) . Pero con las funciones de utilidad veremos que necesitamos an ms supuestos que las funciones de valor.
8.1.1 INDEPENDENCIA EN UTILIDAD
Para poder establecer la aditividad de la funcin de utilidad, una primera condicin est dada en la hiptesis de independencia, condicin que resulta ser ms dbil que la hiptesis de aditividad, pero en la prctica puede ocurrir con mayor frecuencia.
Definicin 1 X es independiente en utilidad de Y si las preferencias entre loteras con valores de X y un valor comn de Y son independientes del valor Y. Similarmente, Y es independiente en utilidad de X, si las preferencias entre loteras con valores de Y y un valor comn de X son independientes del valor de X. Cuando ambas se cumplen se llaman mutuamente independientes en utilidad. Despus del comentario veremos un Lema que nos proporciona una expresin para el hecho de que X es independiente en utilidad de Y. Comentario X es independiente en utilidad de Y, significa que la funcin de utilidad u ( x, y ) no cambia la forma que tiene en y1 , valor fijo de Y. Es decir, u ( x, y ) es el resultado de trasladar y cambiar la escala de u ( x, y1 ) , esto es u ( x, y ) = a ( y ) + b( y )u ( x, y1 ) . Ver figura de la derecha. Fig. 9.1 Muestra que u ( x, y1 ) no cambia, slo se desplaza en a ( y ) y su amplitud se altera en b( y ) > 0 .
u ( x, y )
y4 y3 y1 y2
x
194
Por otro lado, el hecho de que X sea independiente en utilidad de Y, y que Y no sea independiente en utilidad de X, significa que u ( x, y ) cambia su forma con respecto de u ( x1 , y ) , cuando se cambia x, ver figura de la derecha. Fig. 9.2 Muestra que u ( x1 , y ) cambia al variar x.
u ( x, y )
y4
y3 y1 y2
x
PROPOSICIN 1
Si X es independiente en utilidad de Y, entonces X es preferencialmente independiente de Y.

Demostracin Ntese que ( x, y ) ~ 1, ( x, y ) , loteras binarias. Luego, para algn
( x, ) ( x , ) 1, ( x, )
1, ( x , ) .
Utilizando que X es independiente en utilidad de Y, tendremos ( x, ) ( x , ) 1, ( x, ) De las loteras binarias ( x, ) ( x , ) para toda .
LEMA 1 Representacin de la independencia en utilidad con la funcin de utilidad
1, ( x , ) para toda .
X es independiente en utilidad de Y si y slo si para un y0 fijo se cumple u ( x, y ) = a ( y ) + b( y )u ( x, y 0 ) ( x, y ) X Y . Donde b( y ) > 0 y a ( y ) son funciones que estn definidas con relacin a y0 . Similarmente, Y es independiente en utilidad de X si y slo si para un x0 fijo se cumple u ( x, y ) = c( x) + d ( x)u ( x 0 , y ) ( x, y ) X Y . Donde d ( x) > 0 y c( x) son funciones que estn definidas con relacin a x0 . X y Y son mutuamente independiente en utilidad si y slo si para un x0 y y0 fijo se cumplen u ( x, y ) = a ( y ) + b( y )u ( x, y 0 ) ( x, y ) X Y . u ( x, y ) = c( x) + d ( x)u ( x 0 , y ) ( x, y ) X Y . La demostracin resulta de la definicin de independencia en utilidad.
195
Supngase que tenemos una estacin de bomberos y deseamos analizar dos objetivos: x- Tiempo de respuesta de los bomberos a una llamada en auxilio por parte de la ciudadana, y- Tiempo de respuesta del carro con agua. Por otro lado, est claro que el atributo Y es independiente en utilidad del atributo X, pero X no es independiente en utilidad de Y. En el estudio se conocen los mejores y peores tiempos por atributo, para X son cero y 80 minutos, para Y cero y 45 minutos. Se conocen los valores de la funcin de utilidad al evaluarse en cada una de las parejas de combinaciones de estos valores.
u (0, 0) = 1 , u (80, 45) = 0 , u (80, 0) = 0.5 y u (0, 45) = 0.5 . Se desea determinar el valor de la funcin de utilidad que se tendra cuando el atributo x = 20 y y = 30 .
Solucin Representamos en la siguiente grfica las parejas de atributos, obsrvese que las preferencias aumentan para el atributo X a la derecha, luego los valores de x disminuyen desde el menos deseable, 80, hasta el ms deseable, 0. Similarmente para el atributo Y, pero sobre el eje de las abscisas. Y
(80, 0) (20, 0) (0, 0)
Preferencias en forma ascendente para Y (80, 30)

(80, 35) (80, 40) (20, 30)
X
( 80, 45) (60, 45) (20, 45) (0, 45)
Preferencias en forma ascendente para X De la condicin, Y independiente en utilidad de X, tenemos que para un x0 fijo se cumple:
u ( x, y ) = c( x) + d ( x)u ( x 0 , y ) ( x, y ) X Y .
Para emplear esta informacin debemos obtener la funcin de utilidad en u (20,45) a partir de los valores conocidos u (80, 45) = 0 y u (0, 45) = 0.5 , de forma similar se tiene que encontrar u (20,0) de los valores conocidos u (0, 0) = 1 y u (80, 0) = 0.5 . Otra vez podemos apreciar que requerimos de informacin adicional para poder determinar los valores requeridos para u (20,45) y u (20,0) . Para esto existen varios caminos a explorar.
196
Por el axioma de continuidad, tenemos que existe un valor

(20, 45) ~ u i , (0, 45);1 u i , (80, 45) . Similarmente existe un valor
(20, 0) ~ u i , (0, 0);1 u i , (80, 0) .
u i (0,1) , tal que
u i (0,1) , tal que
Empleando proporciones entre los atributos y los valores de la funcin de utilidad en dichos atributos. Conocimientos sobre el tipo de funcin de utilidad.
Vamos a utilizar el segundo mtodo referente a las proporciones. 80 20 0
u (80,0) = 0.5
De donde,
u (20,0)
u (0,0) = 1
u (0,0) u (20,0) 20 = u (0,0) u (80,0) 80 1 u (20,0) 1 = 1 0 .5 4 7 u (20,0) = 8

Similarmente, 80 20 0
u (80,45) = 0
De donde,
u (20,45)
u (0,45) = 0.5
u (0,45) u (20,45) 20 = u (0,45) u (80,45) 80 0.5 u (20,45) 1 = 0 .5 0 4 3 u (20,45) = 8

As, tendremos para x0 = 0 7 7 = u (20,0) = c(20) + d (20)u (0,0) = c(20) + d (20)(1) c(20) + d (20) = 8 8 3 6 = u (20,45) = c(20) + d (20)u (0,45) = c(20) + d ( 20)(0.5) 2c(20) + d (20) = 8 8 Finalmente, resolviendo el sistema de ecuaciones
197
198. Captulo 8
c(20) + d (20) = 2c(20) + d (20) =
7 1 8 c(20) = , d (20) = 1 6 8 8
Sustituyendo estos valores en u ( x, y ) = c( x) + d ( x)u ( x 0 , y ) , para x0 = 0 , resulta 1 u (20,30) = c(20) + d (20)u (0,30) = + u (0,30) . 8 Falta encontrar u (0,30) , utilizando proporciones en la vertical
45 u (0, 45) = 0.5 30 u (0, 30) 0 u (0,0) = 1
u (0,0) u (0,30) 30 = u (0,0) u (0,45) 45 1 u (0,30) 2 = 1 0 .5 3 2 u (0,30) = 3 Sustituyendo este valor obtenemos el valor de la utilidad para (20, 30) 1 1 2 13 u (20,30) = + u (0,30) = + = = 0.5417 . 8 8 3 24
NOTA
Este ltimo valor tambin se puede calcular con la interpolacin entre los dos valores encontrados de la utilidad para u (20,0) y u (20,45) .
TEOREMA 1 Mutuamente independientes en utilidad
Si X y Y son mutuamente independientes en utilidad, adems ( x0 , y 0 ) es tal que u ( x0 , y 0 ) = 0 , entonces a) u ( x, y ) = u ( x, y 0 ) + u ( x0 , y ) + ku ( x, y 0 )u ( x0 , y ) ( x, y ) X Y . b) Si k 0 (1 + ku ( x, y ) ) = (1 + ku ( x, y 0 ) )(1 + ku ( x0 , y ) ) ( x, y ) X Y .

Demostracin Por definicin de atributos mutuamente independientes en utilidad, se cumple
u ( x, y ) = a ( y ) + b( y )u ( x, y 0 ) ( x, y ) X Y . u ( x, y ) = c( x) + d ( x)u ( x 0 , y ) ( x, y ) X Y .
198
Luego, de la condicin u ( x0 , y 0 ) = 0 resulta, para x0 y y0

u ( x0 , y ) = a ( y ) + b( y )u ( x0 , y 0 ) = a ( y ) . u ( x, y 0 ) = c( x) + d ( x)u ( x0 , y 0 ) = c( x) . De esta forma
u ( x, y ) = u ( x0 , y ) + b( y )u ( x, y 0 ) ( x, y ) X Y (*) . u ( x, y ) = u ( x, y 0 ) + d ( x)u ( x0 , y ) ( x, y ) X Y Igualando ambas expresiones u ( x0 , y ) + b( y )u ( x, y 0 ) = u ( x, y 0 ) + d ( x)u ( x0 , y ) . De donde

u ( x0 , y ) d ( x)u ( x0 , y ) = u ( x, y 0 ) b( y )u ( x, y 0 ) u ( x0 , y )(1 d ( x) ) = u ( x, y 0 )(1 b( y ) ), para x x0 , y y 0 1 d ( x ) 1 b( y ) = u ( x, y 0 ) u ( x 0 , y ) ( x, y ) X Y
Pero la ltima igualdad se cumple slo cuando es un valor constante 1 d ( x ) 1 b( y ) = =k. u ( x, y 0 ) u ( x 0 , y ) Finalmente, al despejar d ( x) o b( y ) y sustituir en su igualdad correspondiente de (*) u ( x, y ) = u ( x, y 0 ) + u ( x0 , y ) + ku ( x, y 0 )u ( x0 , y ) ( x, y ) X Y . El inciso (b) se obtiene al multiplicar por k la expresin de (a)
ku ( x, y ) = ku ( x, y 0 ) + ku ( x0 , y ) + k 2 u ( x, y 0 )u ( x0 , y ) 1 + ku ( x, y ) = 1 + ku ( x, y 0 ) + ku ( x0 , y ) + k 2 u ( x, y 0 )u ( x0 , y )
(1 + ku ( x, y )) = (1 + ku( x, y 0 )) + ku( x0 , y)(1 + ku ( x, y 0 ) ) (1 + ku ( x, y )) = (1 + ku( x, y 0 ))(1 + ku ( x0 , y) )

Del teorema se deriva el siguiente corolario que ser de utilidad en el siguiente tema sobre independencia aditiva entre atributos.
COROLARIO
La condicin de aditividad del Teorema 1 para algn x1 , x 2 X y y1 , y 2 Y

0.5, ( x1 , y1 ); 0.5, ( x 2 , y 2 ) ~ 0.5, ( x1 , y 2 ); 0.5, ( x 2 , y1 ) adems
(*)
( x1 , y 0 ) ~ / ( x 2 , y 0 ) y ( x0 , y1 ) ~ / ( x0 , y 2 ) ,
entonces u ( x, y ) = u ( x, y 0 ) + u ( x 0 , y ) .
(**)
(***)
199
200. Captulo 8
Demostracin
En la relacin (*) aplicamos la funcin de utilidad

0.5u ( x1 , y1 ) + 0.5u ( x 2 , y 2 ) = 0.5u ( x1 , y 2 ) + 0.5u ( x 2 , y1 ) u ( x1 , y1 ) + u ( x 2 , y 2 ) = u ( x1 , y 2 ) + u ( x 2 , y1 ) Ahora hacemos uso de la relacin del Teorema 1, u ( x, y ) = u ( x, y 0 ) + u ( x0 , y ) + ku ( x, y 0 )u ( x0 , y ) , en la igualdad anterior
(u ( x1 , y 0 ) + u ( x0 , y1 ) + ku ( x1 , y 0 )u ( x0 , y1 ) ) + (u ( x2 , y0 ) + u ( x0 , y 2 ) + ku ( x2 , y 0 )u ( x0 , y 2 ) ) = (u ( x1 , y 0 ) + u ( x0 , y 2 ) + ku ( x1 , y0 )u ( x0 , y 2 )) + (u ( x2 , y 0 ) + u ( x0 , y1 ) + ku ( x2 , y 0 )u ( x0 , y1 ) )
Eliminando trminos iguales en ambos lados
(ku ( x1 , y 0 )u ( x0 , y1 )) + (ku ( x 2 , y 0 )u ( x0 , y 2 )) = (ku ( x1 , y 0 )u ( x0 , y 2 )) + (ku ( x2 , y 0 )u ( x0 , y1 )) .

Abriendo parntesis y simplificando
k (u ( x1 , y 0 )u ( x0 , y1 ) + u ( x 2 , y 0 )u ( x0 , y 2 ) u ( x1 , y 0 )u ( x0 , y 2 ) u ( x 2 , y 0 )u ( x0 , y1 ) ) = 0 k (u ( x1 , y 0 )(u ( x 0 , y1 ) u ( x 0 , y 2 ) ) u ( x 2 , y 0 )(u ( x0 , y1 ) u ( x0 , y 2 ) )) = 0 k (u ( x0 , y1 ) u ( x0 , y 2 ) )(u ( x1 , y 0 ) u ( x 2 , y 0 ) ) = 0 Pero de la condicin (**) y la funcin de utilidad tendremos u ( x1 , y 0 ) u ( x 2 , y 0 ) 0 u ( x0 , y1 ) u ( x0 , y 2 ) 0 De donde se concluye, que k = 0 y por consiguiente
u ( x, y ) = u ( x, y 0 ) + u ( x 0 , y ) + ku ( x, y 0 )u ( x 0 , y ) = u ( x, y 0 ) + u ( x 0 , y ) .
8.1.2 INDEPENDENCIA ADITIVA
Otro tipo de independencia entre atributos se obtiene al hacer una suposicin ms fuerte que la independencia en utilidad, supngase que se tienen las loteras l1 = 0.5, ( x1 , y1 ); 0.5, ( x 2 , y 2 ) y l 2 = 0.5, ( x1 , y 2 ); 0.5, ( x 2 , y1 ) . Cuyos valores se representan en la figura de la derecha. Resulta que si existe independencia en utilidad entre ellas tendra que dar lo mismo entre l1 y l 2 . Luego, l1 ~ l 2 para todo x1 , x 2 , y1 , y 2 . Cuando esto ocurre se dice que tenemos independencia aditiva y por lo tanto, u ( x, y ) = x u x ( x ) + y u y ( y ) . Esta representacin se puede justificar por medio del siguiente Teorema.
( x1 , y 2 ) y2
( x2 , y 2 )
y1
( x1 , y1 ) x1 x2
( x 2 , y1 )
200
Funciones de utilidad con varios objetivos. 201 TEOREMA 2. Independencia aditiva
Supngase que u ( x, y ) es una funcin de utilidad en X Y , y X y Y cumplen la

independencia aditiva, adems si ( x0 , y 0 ) es tal que u ( x0 , y 0 ) = 0 , entonces
u ( x, y ) = u ( x, y 0 ) + u ( x 0 , y ) . Es decir, la independencia aditiva es una condicin necesaria para esta representacin.
Demostracin Previo al teorema mencionamos que las loteras
l1 = 0.5, ( x, y ); 0.5, ( x 2 , y 2 ) y l 2 = 0.5, ( x, y 2 ); 0.5, ( x 2 , y )
Bajo independencia indican que son indiferentes para cualesquier x2 , y 2 , luego tendremos al aplicar la funcin de utilidad 0.5u ( x, y ) + 0.5u ( x 2 , y 2 ) = 0.5u ( x, y 2 ) + 0.5u ( x 2 , y )
u ( x, y ) + u ( x 2 , y 2 ) = u ( x, y 2 ) + u ( x 2 , y ) u ( x , y ) = u ( x, y 2 ) + u ( x 2 , y ) u ( x 2 , y 2 ) En particular para el caso en que x0 = x 2 , y 0 = y 2 y la condicin u ( x0 , y 0 ) = 0 , se concluye que, u ( x, y ) = u ( x, y 0 ) + u ( x 0 , y ) . Es decir, del teorema 2 se concluye que si X y Y cumplen con la independencia aditiva, entonces al igual que en las funciones de valor podemos encontrar a u x ( x) sin considerar a y y viceversa. Adems, podemos observar que si X y Y cumplen con la independencia aditiva, entonces se tiene la representacin de la funcin de utilidad u ( x, y ) = x u x ( x ) + y u y ( y ) , con u, u x y u y en escala de 0 a 1,resulta que, x 0, y 0 constantes. Falta determinar las restricciones que deban cumplir, x y y , que nos permitan encontrar un valor particular. De esta manera, si en el conjunto de consecuencias de X Y representamos por ( x0 , y 0 ) las peores y por ( x * , y * ) las mejores consecuencias por atributos, entonces por la independencia aditiva se cumplir u ( x0 , y 0 ) = u x ( x0 ) = u y ( y 0 ) = 0
u( x* , y * ) = u x ( x* ) = u y ( y * ) = 1 Empleando estos valores podemos determinar condiciones para encontrar x y y . Evaluando la funcin de utilidad en ( x * , y 0 ) y ( x0 , y * ) , tendremos: u ( x * , y 0 ) = x u x ( x * ) + y u y ( y 0 ) = x , optimista en X y pesimista en Y. u ( x0 , y * ) = x u x ( x0 ) + y u y ( y * ) = y , pesimista en X y optimista en Y. De tal forma que u ( x * , y * ) = x + y = 1 y x 0, y 0 .
201
202. Captulo 8 NOTA
Cuando en los problemas de decisiones con dos o ms atributos se establece la hiptesis de la independencia aditiva, la solucin se simplifica grandemente y el problema no representa dificultades en su solucin. Finalmente, se usa el criterio de decisin, que asigna la mejor alternativa aquella que tenga el mayor valor de la utilidad esperada.
EJEMPLO 3
Supngase que se tienen las inmobiliarias ARA (A) y GEO (B), de las cuales nos interesan los objetivos: costo de la casa en pesos y tiempo de entrega de la casa en meses. Adems conocemos que la inmobiliaria ARA entrega una casa con probabilidad 0.6, si el costo es de $700,000 pesos en un tiempo de 6 meses, y con una probabilidad de 0.4 para una entrega inmediatamente, pero a un costo de $1,200,000 pesos. Por su parte la inmobiliaria GEO siempre tarda en entregar la casa tres meses a un costo de $900,000 pesos. El problema consiste en llevar a cabo un anlisis de la situacin para determinar por medio de la funcin de utilidad que alternativa es mejor para invertir, la inmobiliaria A o la B. Para esto disponemos, adicionalmente a la informacin mencionada. Se cumple la hiptesis de independencia aditiva. Conocemos las funciones de utilidad unidimensionales para cada objetivo, dadas por las grficas de abajo y en donde se muestra que el decisor en costo tiene propensin al riesgo, mientras que en el tiempo de entrega tiene aversin al riesgo. Se pueden hacer preguntas adicionales al decisor.
u c (costo) u t ( tiempo) Preferencias en forma ascendente
1 0.8 0.6 0.4 0.2 0 700000 1200000 Preferencias en forma ascendente
1 0.8 0.6 0.4 0.2 0 0 6
(a) Funcin de utilidad para el costo
(b) Funcin de utilidad para el tiempo
Solucin
Proporcionaremos una metodologa para la solucin del problema, cuando se cumple la independencia aditiva y se conocen las funciones de utilidad unidimensionales de los atributos.
202
Paso 1. Establecer las alternativas de decisin y los objetivos a estudiar. En este caso se trata de dos alternativas inmobiliaria ARA y GEO. Mientras que los objetivos ya estn definidos, costo de la casa y tiempo de entrega. Paso 2. Determinar las mejores y peores alternativas de cada objetivo. De los datos del problema podemos apreciar que en el caso de costos el peor es $1,200,000 pesos y la mejor $700,000 pesos, por otro lado, en el caso del tiempo, la peor son 6 meses y lo mejor es la entrega inmediata. Paso 3. Asignacin de valores a la funcin de utilidad. Se ha visto que lo mejor consiste en asignar valores entre 0 y 1 a las funciones de utilidad. Cero para las peores alternativas y uno para las mejores. La razn de esta asignacin consiste en establecer relaciones entre c y t , para poder determinar sus valores. De lo expuesto despus del Teorema 2, resulta. u (c , t ) Situacin c-costo t-tiempo
Pesimista en c y t Optimista en c y t
Optimista en c y pesimista en t Pesimista en c y optimista en t
1,200,000 700,000
700,000 1,200,000
6 0
6 0
c + t = 1 c t
En caso de requerir ms valores se recomienda buscarlos de la siguiente forma. Primeramente se decide o pregunta al decisor qu relacin de preferencia existe entre las dos ltimas parejas de atributos de la tabla anterior. Es decir, cul de las siguientes relaciones se cumple (700000, 6) (1200000, 0) ; (1200000, 0) (700000, 6) ; (700000, 6) ~ (1200000, 0) .
Ntese que estas relaciones son equivalentes, al emplear la funcin de utilidad entre las parejas, a lo siguiente. c > t ; c < t ; c = t .
a). Cuando el decisor dice que se cumple la igualdad, hemos obtenido otra relacin entre c y t , de tal forma que
c + t = 1 c = t = 0.5 u (c, t ) = 0.5u c (c) + 0.5u t (t ) . c = t
b). Cuando el decisor dice que se cumple cualquiera de las otras dos relaciones, por ejemplo, c > t
o equivalentemente (700000, 6) la siguiente manera. (1200000, 0) , podremos obtener una relacin entre c y t , de (1200000, 0) , ahora se busca una pareja de valores de c
El decisor estableci que (700000, 6)
y t, sea sta (c1 , t1 ) , tal que (700000, 6) (c1 , t1 ) ~ (1200000, 0) , dicha pareja existe por el axioma 7 sobre la continuidad, visto en el captulo 8 puesto que (700000, 6) (1200000, 0) 1 u (700000, 6) > u (1200000, 0) 0 .
203
204. Captulo 8
Para simplificar la bsqueda de (c1 , t1 ) , utilizamos la pareja que se empleo en la comparacin, (700000, 6) , fijamos un valor y variamos el otro hasta que el decisor indique que se alcanz la indiferencia. Por ejemplo, fijamos los 6 meses y variamos el costo hasta encontrar uno con el cual el decisor indique que (700000, 6) (c1 , 6) ~ (1200000, 0) . Sea dicho valor c1 = $850,000 , su representacin grafica se muestra abajo, en donde se muestra la regin admisible de funcin de utilidad u (c , t ) .
t
(700000, 6) (850000, 6)
Preferencias en forma ascendente para t
0 700000 Preferencias en forma ascendente para c
(1200000, 0) c 1200000
Con el valor encontrado c1 = $850,000 y la funcin de utilidad unidimensional para el costo encontramos un valor de u c (850000) . Como se puede apreciar u c (850000) 0.38 . Ahora con la indiferencia encontrada (850000, 6) ~ (1200000, 0) y la funcin de utilidad podemos determinar la otra relacin que requerimos para encontrar c y t u (850000, 6) = u (1200000, 0) c u c (850000) + t u t (6) = c u c (1200000) + t u t (0)
u c (costo)
1 0.8 0.6 0.4 0.2 0 700000 850000 1200000
c 0.38 + t (0) = c (0) + t (1) 0.38 c t = 0
De esta forma hemos llegado al sistema de ecuaciones c + t = 1 . 0.38c t = 0 De donde,
204
c =
1 0.38 1 0.38 ; t = u ( c, t ) = u c (c ) + u t (t ) . 1.38 1.38 1.38 1.38
Paso 4. Evaluacin de alternativas con la funcin de utilidad encontrada. Finalmente, con 1 0.38 u (c , t ) = u c (c ) + u t (t ) , evaluamos cada una de las alternativas, y empleamos el criterio de 1.38 1.38 decisin: Mayor utilidad esperada mejor alternativa. Recordemos la situacin que estamos resolviendo
60.0%
Inmobiliaria A
(700000, 6)
0
40.0%
Independencia aditiva Inmobiliaria B
(1200000,0)
(900000, 3)
Es decir, requerimos conocer los valores u c (700000) , u c (1200000) , u c (900000) , u t (3) , u t (0)
y u t (6) de los cuales no tenemos u c (900000) y u t (3) , pero los podemos encontrar de la misma forma que se determino u c (850000) , ver grficas siguientes. u c (costo) u t ( tiempo)
Preferencias en forma ascendente
1 0.8 0.6 0.4 0.2 0 700000 850000 (a) Funcin de utilidad para el costo 1200000 900000
1 0.8
Preferencias en forma ascendente
0.6 0.4 0.2 0 3 6 (b) Funcin de utilidad para el tiempo 0
Luego, u c (900000) 0.25 y u t (3) 0.8 , con estos valores tendremos la utilidad esperada de cada alternativa.
205
206. Captulo 8
E ( A) = E (u (c, t ) | p ) = 0.6u (700000, 6) + 0.4u (1200000, 0) 0.38 0.38 1 1 = 0.6 u c (700000) + u t (6) + 0.4 u c (1200000) + u t ( 0) 1.38 1.38 1.38 1.38 0.38 0.38 1 1 (1) + (0) + 0.4 ( 0) + (1) = 0.6 1.38 1.38 1.38 1.38 = 0.4406
E ( B ) = E (u (c, t ) | p ) = 1u (900000, 3) = =
1 0.38 u c (900000) + u t (3) 1.38 1.38
1 0.38 (0.25) + (0.8) = 0.4014 1.38 1.38
Finalmente, del criterio de decisin E ( A) > E ( B ) se prefiere la alternativa A sobre la B.

EJERCICIO
Resuelva el ejemplo 1 utilizando la hiptesis de independencia aditiva.
Solucin En el ejemplo 2 vimos que x0 = 120, y 0 = 3000 con utilidad u ( x0 , y 0 ) = 0 = u (120,3000) , similarmente
para x * = 20, y * = 500 su utilidad u ( x * , y * ) = 1 = u (20,500) . Agregando la hiptesis de independencia aditiva a la funcin de utilidad, tendemos
u ( x, y ) = x u x ( x ) + y u y ( y ) . As, 1 = u ( x * , y * ) = x u x ( x * ) + y u y ( y * ) = x + y .
Falta determinar una ecuacin con respecto a x y y . Esto se puede lograr preguntndole al decisor sobre dos puntos admisibles que sean indiferentes. Tal vez los puntos ms sencillos seran, uno en cada eje dentro de la regin admisible, o en los lados de la regin factible. As, se pregunta al decisor hasta encontrar ( , y 0 ) ~ ( x0 , ) .
y
( x0 , y * )
( x* , y * )
y0 x0 De esta forma
( x* , y0 )
206
u ( , y 0 ) = u ( x0 , )
x u x ( ) + y u y ( y 0 ) = x u x ( x0 ) + y u y ( ) x u x ( ) = y u y ( )
Los valores de u x ( ) y u y ( ) se pueden obtener de la grafica de u x ( x) y u y ( y ) ,
respectivamente.
8.2 FUNCIN DE UTILIDAD CON N ATRIBUTOS

De forma similar que en las funciones de utilidad la generalizacin de la funcin de utilidad para el caso de q atributos se lleva a cabo de una forma simple al generalizar los conceptos y resultados vistos para el caso de dos atributos. Primeramente, supngase que tenemos el espacio de consecuencias A = X 1 X 2
Xn , e
introducimos la notacin al particionar el conjunto de ndices I n = { 1,2, , n} en I q = {k | k I n } y su complemento, tal que la cardinalidad de I q = q , con q = 1, 2, , n 1 . De esta forma denotamos
X=
iI q
yY=
iI q
. As, los elementos de A, los podemos representar por a A a = (x, y ) en
donde x X y y Y con ( X , Y ) una descomposicin conocida de A.

As, en la descomposicin ( X , Y ) los atributos X se llaman independientes en utilidad de los atributos Y si sus preferencias por loteras para ( X , y ) con una y fijada no depende del valor y. Similarmente, los atributos X 1 , X 2 , , X n son mutuamente independientes en utilidad si para todas las
combinaciones ( X , Y ) X es independiente en utilidad de Y. En caso de que X 1 , X 2 , , X n sean mutuamente independientes en utilidad, el Teorema 3 se puede generalizar con la forma multiplicativa de la funcin de utilidad 1 + ku ( x1 , x 2 , , x n ) = (1 + ku i ( xi ) ) .
i =1 n
0 0 0 En donde, entenderemos por u i ( xi ) = u ( x , x , , xi , , x n ) y u ( x10 , x 2 , , x n ) = 0.
0 1
0 2
La funcin multi-lineal ser de la forma:

u ( x1 , x 2 , , x n ) = u1 ( x1 ) + + u n ( xn ) + + k nn 1u n ( x n )u n1 ( x n 1 ) u n ( xn ) + k12 u1 ( x1 )u 2 ( x 2 ) + + k12,n u1 ( x1 )u 2 ( x 2 )
X 1 , X 2 , , X n son independientes aditivamente si para cualquier descomposicin ( X , Y ) y para toda x, x X y y , y Y Finalmente, la independencia aditiva. Los atributos 0.5, (x, y ); 0.5, (x , y ) ~ 0.5, (x, y ); 0.5, ( x , y ) . En el caso de independencia aditiva, la funcin de utilidad es aditiva u ( x1 , x 2 , , x n ) = u1 ( x1 ) + u 2 ( x 2 ) + + u n ( xn ) .
207
208. Captulo 8
0 0 0 0 en donde, u i ( xi ) = u ( x10 , x 2 , , xi , , x n ) y u ( x10 , x 2 , , x n ) = 0.
Finalmente, podemos comentar que el concepto de distribucin de probabilidad marginal puede ser encontrado con frecuencia en las alternativas de independencia aditiva y en utilidad. Ambas son usadas con frecuencia en la literatura de teora de decisiones. Por ejemplo, en la descomposicin ( X , Y ) de A = X 1 X 2 X n , X es independiente en utilidad de Y, las preferencias entre loteras sobre ( X , y ) para una y fija, depende solamente de la distribucin marginal de probabilidades sobre X y no del nivel de y fijado. Mientras que en el caso de que X 1 , X 2 , , X n son independientes aditivamente si sus preferencias entre loteras dependen
solamente en las n-simas distribuciones de probabilidad marginales sobre X 1 , X 2 , , X n y no de su distribucin de probabilidad conjunta. La solucin del problema, en general, puede ser ms complejo en algunos problemas prcticos en donde no se cumple la condicin de independencia, porque es razonable considerar condiciones de dependencia. En estas circunstancias las preferencias de un decisor sobre algunos atributos pueden depender en el nivel de otros atributos. En las ltimas tres dcadas algunos investigadores han llevado a cabo estudios para los casos de dependencia de atributos en los cuales plantean las condiciones apropiadas para identificar las funciones de utilidad correspondientes, pero en el trabajo no las veremos.
EJERCICIOS
1.- Donald Duck est esperando a sus 3 sobrinos a cenar, pero el est consciente de que no todos pueden llegar. l piensa que las probabilidades de que lleguen 0, 1, 2 o 3 sobrinos a cenar son 1 8 ,
2 8 , 2 8 y 3 8 , respectivamente. l debe decidir cuntas comidas preparar. Sus preferencias se pueden representar por la funcin de utilidad
u ( x, y , z ) = x 2 y z 2 , donde, x = nmero de sobrinos que va a alimentar.

y = nmero de sobrinos que estn hambrientos porque l no cocino suficientes comidas. z = nmero de comidas sobrante porque l cocino demasiadas comidas.
Ninguna comida puede compartirse. Cada sobrino puede comer slo una comida. Cuntas comidas l debe preparar?
2.- Un hombre es alrgico al pescado y las papas, le gusta el bistec y el pudn de rin, y l tolera al pollo aunque no le gusta mucho. l est lejos en un pueblo y puede ir de compras, por dos caminos, a los extremos opuestos de la calle principal. Uno, es un negocio de pescado y papas, siempre sirven pescado y papas y a veces venden bistec y pudn de rin. En el otro slo venden pollo. El hombre est hambriento y slo tiene tiempo de llegar a uno de los 2 negocios antes de que los cierren. l decide que cualquier cosa a la suerte de ir al negocio del pescado y papas y encontrar bistec y pudn de rin, l ira al pollo. Discuta su opcin desde el punto de vista de teora de utilidad.
208
Captulo 9
FUNCIONES DE PRDIDA Y RIESGO
Introduccin
En los captulos previos revisamos las funciones de utilidad y valor para medir el beneficio de diferentes acciones con y sin incertidumbre. En el presente captulo revisaremos dos funciones ms, que resultan al tomar una decisin, en donde est implcito el riesgo. Actualmente no es posible imaginarse un campo en donde no est presente el riesgo, debido a que siempre existe un problema cuando no se sabe que decisin tomar, puesto que una vez que se tiene la polmica de elegir una alternativa hay que tomar una decisin para que sta sea la que nos represente menor prdida al seleccionarla. Luego, escoger una alternativa es sumamente difcil, esto se debe a la falta de seguridad de las posibles condiciones que puedan llegar a presentarse. Por ejemplo, en las empresas al tomar decisiones en los procesos de produccin, pueden afectar toda la venta de la mercanca trayendo consigo perdidas millonarias, como en el caso del biper que tuvieron un tiempo de vida muy pequeo, trayendo prdidas muy considerables a sus inversionistas. Por lo anterior, es importante sopesar los riesgos e incertidumbres que se pueden tener al tomar una decisin. Puesto que siempre existen elementos esenciales a considerar, como la identificacin y elaboracin de los posibles riesgos, as como la manipulacin de los valores para producir un conjunto de objetivos precisos e internamente consistentes. El anlisis de riesgo consiste sobre todo en un clculo de probabilidades de ocurrencia de sucesos de valoracin diversa para poder lograr la mezcla apropiada entre la rentabilidad y el riesgo. La funcin de prdida es muy importante debido a que indica la prdida o costo que se sufre cuando estimamos el parmetro con valores del estimador y con ella estamos cuantificando el error que se comete. De tal forma que en un problema especfico, para poder cuantificar la prdida que tendra un decisor al tomar una alternativa, tenemos que recurrir a alguna medida estadstica que pueda reflejar dicha prdida. Por otro lado, sabemos que una de las medidas estadsticas que ayudan a tener una cuantificacin promedio, para una variable aleatoria es el valor esperado o esperanza matemtica. Por consiguiente, en la Teora de Decisiones se introduce un nuevo concepto que cuantifica las funciones de prdida, dando cabida a las funciones de riesgo como el valor esperado de la funcin de prdida. Con base en lo anterior, podemos apreciar que se han desarrollado diversos mtodos para medir el riesgo, pero dentro de la literatura actual no se encuentran trabajos que vinculen en el marco terico,
209
210. Captulo 9
la funcin de prdida y de riesgo con las aplicaciones de stas. As, podemos apreciar que en la mayora de ellos se suele calcular el riesgo sin mencionar que ste proviene de cierta funcin de prdida la que da origen a la funcin de riesgo. Un ejemplo claro se presenta cuando los inversionistas calculan el riesgo mediante la desviacin estndar. As, con esta informacin concluyen que mientras mayor sea la magnitud de la desviacin y mayor la probabilidad de que esto ocurra el riesgo es mayor. Podemos apreciar que con este enfoque del riesgo el inversionista no se detiene a analizar el tipo de distribucin de las prdidas. Es por ello que en este captulo se enfatiza en el uso de las funciones de prdida como la parte motora para la cuantificacin del riesgo. De esta forma se revisarn las principales funciones de prdida, adems de encontrar su funcin de riesgo. Cuando se va a tomar una decisin es obvio que el decisor busca informacin para tratar de disminuir el riesgo en sus inversiones, de esta forma en la teora estamos dando cabida a una parte de la estadstica, el anlisis bayesiano de decisiones. As, estaremos revisando la parte terica para el caso en que los parmetros tambin son variables aleatorias, esto lo llevaremos a cabo introduciendo los estimadores de bayes y calculando el llamado riesgo de bayes. Revisaremos la parte de las familias conjugadas y los riesgos de bayes para las principales funciones de prdida. 9.1 ANLISIS DE DECISIONES PARA APLICACIONES ECONMICAS El anlisis de decisiones es una disciplina que ayuda a decisores y empresas que enfrentan situaciones de decisiones complejas, inciertas, pero de gran importancia que tienen elementos conflictivos. Es decir, esta disciplina no se suele usar para decisiones rutinarias o de poca importancia. Ronald A. Howard1 (1966), al introducir el nombre de anlisis de decisiones lo defini como: Un procedimiento lgico para el balance de los factores que influyen en una decisin Una de las metas del anlisis de decisiones consiste que al concluir el proceso del anlisis el decisor sepa con claridad qu beneficio desea y cunto lo valora, adems que entienda la naturaleza de la situacin de decisin a enfrentar, y conozca el impacto de las acciones que puede emprender. Como resultado de esto, el decisor sabr con claridad lo que ms le conviene hacer. Eso significa que el anlisis de decisiones aspira a dar al decisor mucho ms que slo las recomendaciones sobre qu alternativa debe elegir. As, aprender a realizar distinciones especializadas de un anlisis de decisiones permite ver caractersticas importantes de situaciones que pasan desapercibidas. Por ejemplo, la distincin ms importante en el anlisis de decisiones est entre; una buena decisin y un buen resultado. Esta distincin frecuentemente no se hace en la vida cotidiana y cuando alguien obtiene un buen resultado usa expresiones del tipo tom una buena decisin identificando el efecto con una de las posibles causas (la calidad de la decisin) sin considerar eventos fuera de su control que pudieron haber producido ese resultado. Aqu entenderemos por un buen resultado a aquel que se valore ms que otros posibles resultados. Por ejemplo, llegar a tiempo, ahorrar dinero, obtener un buen producto, etctera. Pero cabe aclarar que no necesariamente lo que es un buen resultado para una persona lo es para otra. Lo que se considera un buen resultado depende de las preferencias, los objetivos y la situacin particular.
1
Ronald A. Howard y sus estudiantes fueron los creadores de una escuela rigurosa de estudio y aplicacin del anlisis de decisiones que ha sido llamada la escuela de Stanford (por Stanford University en California, USA).
210
Funciones de prdida y riesgo. . 211
Aunque es tentador definir una buena decisin como aquello que nos da un buen resultado, esto es errneo, porque si dependiramos de conocer el resultado para distinguir una buena de una mala decisin no seriamos capaces de distinguir una mala decisin en el momento de tomarla, que generalmente ocurre antes de conocer el resultado. La definicin de buena decisin debe permitir saber si la eleccin es buena antes de saber el resultado. As que es importante puntualizar: Una buena decisin es aquella que es lgicamente consistente con nuestras preferencias y con la informacin disponible en el momento de tomar la decisin2 Esta definicin es completa y demandante, requiere identificar claramente lo que se desea lograr, utilizar toda la informacin relevante disponible sobre incertidumbres, alternativas y resultados, y combinar estos elementos de una manera lgica. Hacer lo anterior es a lo que se le llamar tomar buenas decisiones. El esfuerzo en tomar buenas decisiones se debe a que se desea obtener buenos resultados, pero se debe reconocer que en el mundo real no hay certezas absolutas. As, en condiciones de incertidumbre una buena decisin aumenta la probabilidad de obtener un buen resultado aunque no garantiza estrictamente su obtencin. Similarmente, una mala decisin aumenta la probabilidad de obtener un mal resultado. Tcnicamente entonces, el tomar buenas decisiones aumenta el valor de probabilidad de los resultados que se desean (con respecto al valor que tendran si no se hubiera tomado una buena decisin) y disminuye el valor de probabilidad para los resultados que no deseamos. Esto suena como slo una sutil diferencia en parmetros, sin embargo el efecto prctico de cambiar esos parmetros mediante buenas decisiones es que a mediano y largo plazo se tiene prcticamente garantizado mejores ingresos, o cualquiera que sea el resultado que se busque, que si no se tomaran buenas decisiones. Al tomar una buena decisin particular puede haber eventos fortuitos que impidan obtener el resultado que se desea, pero al tomar habitualmente buenas decisiones al invertir se mejorar radicalmente nuestro futuro: el nmero de buenos resultados ser mucho ms grande que el de malos resultados. Mediante el proceso de anlisis se desea entender la naturaleza del problema y como consecuencia determinar la mejor alternativa para el decisor. Una herramienta clave en la comprensin de una situacin de decisin es la modelacin de sus componentes principales, esto es, la modelacin de decisiones, eventos inciertos y resultados. A su vez estos elementos tienen componentes, as, las decisiones tienen asociadas alternativas que pueden ser seleccionadas libremente y los eventos tienen elementos cuya posible ocurrencia est indicada por valores de probabilidad. Por otra parte, los resultados tienen una importancia que depende de los objetivos y preferencias del decisor. Luego, en este captulo revisaremos dos partes importantsimas de un problema de decisiones en donde se quiere cuantificar la prdida de una decisin, para esto introduciremos el concepto de funcin de prdida y riesgo en una decisin. Mientras que en las secciones 10.2-10.3 revisaremos con detalle diferentes funciones de prdida y sus correspondientes funciones de riesgo. 9.2 FUNCIONES DE PRDIDA Cuando un decisor se enfrenta a un problema en donde tiene que elegir una alternativa de un conjunto de stas, es claro que la eleccin que tome le traer ciertas repercusiones que pueden ser, tanto
2
Ley Borras Roberto. Anlisis de Incertidumbre y Riesgo para a Toma de Decisiones. Edit. Comunidad Morelos. Mxico 2001.
211
212. Captulo 9
favorables como no favorables. Por otro lado, existen diferentes formas de medir dichas repercusiones, dependiendo de su naturaleza. En el captulo ser de inters tratar el tipo de repercusiones, en donde stas son parte de un fenmeno aleatorio y que adems se podrn establecer por medio de una funcin de la variable aleatoria correspondiente a la que le llamaremos funcin de prdida.
9.2.1 ALGUNAS FUNCIONES DE PRDIDA
Una funcin de prdida suele denotarse por l (t , ) , en donde es un parmetro y t el valor de la variable aleatoria T que representa la prdida. Luego, l (t , ) es una funcin que toma valores no negativos e indica la prdida (costo) que se sufre cuando estimamos el parmetro, , por un valor de T. Es decir, l : R+ . En donde, es el espacio paramtrico.
EJEMPLOS 1
Algunas funciones de prdida ms comunes son las siguientes.
1) l (t , ) = (t ) , prdida cuadrtica.
2
2) l (t , ) = t , prdida en valor absoluto.

2 (t ) , si t < k 3) l (t , ) = 2 , prdida seccionada. , si t k k
4) l (t , ) = ( )(t ) , ( ) funcin de .
n n i n i 5) l (t , ) = funcin de prdida polinomial. t i =0 i
Con ellas mediante aproximaciones se pueden ampliar las funciones de prdida, por ejemplo a funciones logartmicas y funciones convexas.
9.3 RIESGO Y FUNCIN DE RIESGO Regularmente al tomar una decisin se presenta la falta de seguridad acerca de los eventos futuros, debido a que las condiciones actuales pueden diferir mucho de las que lleguen a ocurrir en realidad, adems de que la capacidad para hacer pronsticos exactos disminuye a medida que el tiempo es mayor, el momento de la decisin, sin duda, es el acontecimiento ms creativo y crtico, debido a que lo importante es valorar con precisin la posibilidad de que se produzca el resultado previsto. Por eso es importante considerar los riesgos que pueden tenerse al elegir una decisin.
As, es muy comn or hablar de las consecuencias de las decisiones, de cmo un nuevo producto o un nuevo modelo, un producto antiguo, una nueva fbrica, un lote inmobiliario, una administracin o toda una compaa progresaron o decayeron; sin embargo se conoce muy poco acerca de la decisin que precedi a esos acontecimientos: el sopesamiento y el balanceo, la incertidumbre, los conflictos y el supuesto en la mente de quienes tomaron la decisin, durante el periodo en que se investigaron y compararon acciones alternativas, cuando los resultados se conocan slo como eventos futuros esperados y era preciso hacer una eleccin.
212
Por otro lado, se tiene que considerar que existen elementos esenciales para la identificacin y elaboracin de los posibles riesgos, as como la manipulacin de los valores, para producir un conjunto de objetivos precisos e internamente consistentes. Por tales razones, los posibles riesgos depende, en gran medida, de la calidad de la informacin disponible; mientras que la evaluacin depende de una combinacin de herramientas que proporcionan las matemticas con la valoracin subjetiva del decisor, dando como resultado una precisin que permitir una resolucin de problemas de alto nivel ya que todo esto da la posibilidad de ponderar la probabilidad de ocurrencia de los riesgos. Adems deben revisarse las conclusiones cuando se obtiene informacin adicional o cuando las circunstancias varan, comparar entre diferentes opciones para poder examinar los riesgos y las rentabilidades potenciales. El anlisis de riesgos consiste sobre todo en un clculo de probabilidades de ocurrencia de sucesos de valoracin diversa para poder lograr la mezcla apropiada entre la rentabilidad y el riesgo. Aprender a realizar distinciones especializadas de un anlisis de decisiones que permitan ver caractersticas importantes de situaciones que podran pasar desapercibidas, obtener claridad de accin en situaciones difciles y confusas, y lograr utilizar toda la informacin relevante disponible sobre incertidumbres, alternativas y resultados, combinando stos de una manera lgica. En la actualidad el trmino riesgo es muy usado en diferentes literaturas en formas que parecen no tener relacin, como ejemplos se pueden mencionar: Riesgo de tasa de inters: Es la variabilidad en el rendimiento de la inversin ante cambios en el nivel de tasas de inters. Riesgo de mercado: Corresponde a la variabilidad en el rendimiento de la inversin ante fluctuaciones en el mercado general (por ejemplo la bolsa de valores). Riesgo de inflacin: La inseguridad de que el poder adquisitivo de la inversin al vencimiento se vea afectado por la variabilidad de la inflacin. Riesgo del negocio: La inseguridad de desenvolverse en determinadas ramas de la industria, por ejemplo la industria siderrgica no tiene el mismo riesgo que la industria de Internet.
Con los ejemplos anteriores de riesgo lo que se desea es que el lector tenga un panorama amplio sobre el riesgo que puede tomar un decisor ante una accin que l ejecute. Por el momento hemos considerado al riesgo como un trmino que puede servir para identificar el perfil del decisor. As, hemos visto que un decisor se puede clasificar como: decisor con aversin, propensin (pueden ser constantes, crecientes o decrecientes) o neutralidad al riesgo. Por ejemplo, para determinar el perfil de riesgo de un inversionista, considerando el supuesto bsico de la teora financiera, el decisor en la mayora de sus actividades siente aversin al riesgo, es decir, en una situacin determinada es preferible para l, una certeza relativa, si es alta, se puede convertir en un decisor conservador, en caso contrario puede ser un decisor optimista y estar constantemente con propensin al riesgo. Para el caso de los decisores que presentan aversin al riego, no quiere decir que estn indispuestos a asumir riesgos; ms bien significa que ellos requerirn un valor esperado ms alto o un rendimiento mayor para las decisiones riesgosas. Por ello es necesario mencionar y examinar formas de medir el riesgo. Se puede usar un nmero de mecanismos estadsticos bsicos para medir el alcance del riesgo inherente en cualquier situacin.
213
214. Captulo 9
9.3.1 MEDICIN DEL RIESGO MEDIANTE LA DESVIACIN ESTNDAR
En situaciones econmicas el riesgo se puede considerar como la posibilidad de que el rendimiento real proveniente de poseer un valor se desve del rendimiento esperado. Es decir, mientras mayor sea la magnitud de la desviacin y mayor la probabilidad de que esto ocurra, se dice que es mayor el riesgo del valor. Por lo tanto, la idea consiste en desarrollar la informacin necesaria sobre el valor esperado y la dispersin de la distribucin de probabilidades de los rendimientos posibles. Esta distribucin de probabilidades se resume en trminos de dos parmetros: el valor esperado y la desviacin estndar. As el valor esperado de los rendimientos es:
R = Ri p i
i =1 n
Donde Ri - rendimiento para la posibilidad i pi probabilidad o frecuencia de que ocurra de este rendimiento n el nmero total de posibilidades. Mientras que la desviacin estndar est dada por:
(R
n i =1
R pi .
De sta manera la dispersin, o amplitud, de la distribucin de los rendimientos reflejan el grado de riesgo del inversionista. Una distribucin con una desviacin estndar pequea en relacin con su valor esperado seala una pequea dispersin y un alto grado de confianza en los resultados. Una distribucin con una desviacin estndar grande en relacin a su valor esperado muestra un alto grado de incertidumbre sobre los posibles rendimientos de la inversin. Otra forma de medir el riesgo se refiere al coeficiente de variacin, que consiste en dividir la desviacin estndar entre el valor medio:
V=
Luego, entre ms grande sea el coeficiente de variacin mayor ser el riesgo.

9.3.2 ALGUNAS FUNCIONES DE RIESGO
Hemos visto que la funcin de prdida est dada en dependencia de una variable aleatoria y su parmetro o parmetros. As, para poder cuantificar la prdida que tendra un decisor al tomar una alternativa del conjunto de alternativas en algn problema tiene que recurrir a alguna medida estadstica que pueda reflejar dicha prdida. Por ejemplo, en una situacin particular, en donde tenemos un conjunto de alternativas A = {a1 , a 2 ,, a n } se tomar, si es posible, la alternativa que minimice el riesgo, por lo tanto la funcin
de riesgo ser la funcin de prdida ms pequea correspondiente a la alternativa denotada por a ,
l a , = min l (a i , ) .
1 i k
214
Otra de las medidas estadsticas que se utiliza para tener una cuantificacin promedio de una variable aleatoria es la esperanza matemtica. Por consiguiente, en la Teora de Decisiones introducimos un nuevo concepto que ayuda a cuantificar las funciones de prdida l (T , ) , la funcin de riesgo, que definimos como el valor esperado de la funcin de prdida y se denota por RT ( ) .
RT ( ) = E {l (T , )} funcin de riesgo de T respecto a l (T , ) . Por otro lado, de las definiciones referentes a las funciones de prdida y riesgo, resulta implcito que se tiene un estimador del parmetro. Luego, establecemos un criterio para elegir el mejor estimador
RT ( ) = E {l (T , )} = E {l (u ( X), )}.
As, suponiendo que u (x ) es una funcin continua
RT ( ) = l ((u | x ), ) f X (x; )dx .

Rn
El objetivo ahora es buscar al estimador puntual t = u (x ) (valor del estimador T ) que minimiza la expresin anterior, la cual est en funcin de l , u (x ) y f X (;) .
Finalmente la funcin de riesgo puede utilizarse para medir el costo por tomar una decisin. Es decir, cunto vamos a perder o ganar por tomar una cierta accin?
EJEMPLOS 2
1. La funcin de riesgo para el caso de una funcin de prdida cuadrtica, T un estimador de RT ( ) = E {l (T , )} = E (T ) 2 = ecm(T ) = var(T ) + sesgo 2 (T ) . 2. La funcin de riesgo para el caso de una funcin de prdida cuadrtica, cuando T sea un estimador insesgado de RT ( ) = E {l (T , )} = E (T ) 2 = var(T ) .
3. La funcin de riesgo para el caso de una funcin de prdida polinomial

n n n i n i n n n i n n i i RT ( ) = E {l (T , )} = E T E T = = T i (r ) . i i i =0 i i =0 i =0
( )
EJERCICIOS 1
1. Sea X 1 , X 2 , , X n una muestra aleatoria con distribucin bernoulli y parmetro . a. Encuentre la funcin de riesgo para una funcin de prdida cuadrtica y T = X + 1 n un estimador de . b. Si la variable se relaciona con el fracaso de que un empresario abra un pequeo negocio con probabilidad de prdida de 0.8 y prdidas por error de $500,000 pesos, encuentre el valor de la funcin de riesgo si abre 4 de tales negocios. 2. Encuentre la funcin de riesgo para una funcin de prdida seccionada, T un estimador de con distribucin normal
215
216. Captulo 9
2 (t ) , si t < k l (t , ) = 2 , si t k k
3. Encuentre la funcin de riesgo para una funcin de prdida valor absoluto, l (t , ) = t . 4. La funcin de riesgo para el caso de una funcin de prdida polinomial de grado 2, T un estimador de con distribucin exponencial. 5.
9.4 DISTRIBUCIONES A PRIORI Y A POSTERIORI A finales del siglo XVIII, en 1763, fue publicado el Teorema de Bayes, as llamado por el nombre del monje cisterciense que lo desarroll en respuesta a los postulados de la inferencia gausiana. Thomas Bayes resolvi cuantitativamente el problema para determinar cul de varias hiptesis es ms probable sobre la base de los datos, en el artculo que se titulaba Ensayo hacia la solucin de un problema en la doctrina del azar.
Aunque las bases de la inferencia bayesiana datan de hace ms de dos siglos, sta no pas de constituir simplemente un inters terico, una de las razones que explican tal realidad y que a la vez augura un prominente futuro, es que algunos de los problemas de cierta complejidad que posee este mtodo exigen el uso de recursos computacionales lo que dio inicio a una revolucin en la ciencia estadstica que tambin involucr el resurgimiento de la teora bayesiana. Las principales caractersticas que contiene la teora bayesiana son las siguientes:
1. Para cualquier modelo probabilstico el anlisis bayesiano hace uso de toda la informacin previa que se tenga sobre los datos. 2. Los resultados de inferencia estadstica que se consideren inaceptables probablemente lo sean porque provienen de supuestos inapropiados y no por errores del proceso de inferencia. En otras palabras la distribucin de probabilidades que se ha supuesto a priori puede ser incorrecta. 3. La inferencia bayesiana no presenta problemas al escoger estimadores e intervalos de confianza. 4. Proporciona seguimiento a los supuestos sobre el conocimiento previo. 5. Permite la actualizacin continua de la informacin sobre los parmetros de la distribucin conforme se generan ms observaciones. 6. La inferencia bayesiana no requiere de la evaluacin de las propiedades de los estimadores obtenidos de muestras sucesivas.
9.4.1 TEOREMA DE BAYES
El Teorema de Bayes, puede ser descrito afirmando que la informacin final de la que se dispone sobre el verdadero valor del estado de la naturaleza es la suma de la informacin de la que inicialmente se parte, ms la informacin que proporcionan los datos u observaciones. As, en el Teorema de Bayes se
216
manejan dos tipos de probabilidades: probabilidad a priori, que es la disponible antes de realizar una prueba y/u observacin y probabilidad a posteriori, que es la obtenida despus de realizarla. Notacin X - variables aleatorias, x - valores posibles de las variables aleatorias. X - espacio de valores posibles. -variables aleatorias parmetros, - valores posibles de las variables aleatorias (parmetros). Caso discreto
TEOREMA
Sea (,, ) y una particin de dada por {B1 ,, Bn } entonces A P ( A) > 0 tal que la probabilidad a posteriori P ( A | Bk )P (Bk ) P (Bk | A) = n , P( A | Bi )P(Bi )
i =1
donde, P(BK ) es la probabilidad a priori.
Caso continuo Despus de obtener los resultados del experimento X = x , la distribucin para ser la densidad a posteriori f () f X| (x | ) f (x, ) f |X ( | x ) = X, = , f X (x ) ( ) f ( ) f x | d X |
donde, f () - densidad a priori y f X| (x | ) - funcin de verosimilitud con parmetro desconocido
que debe pertenecer al espacio paramtrico . El problema de inferencia estadstica consiste en determinar donde es probable que se encuentre el verdadero valor del parmetro en , partiendo de las observaciones y f X| (x | ) .
EJEMPLO 3
Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin bernoulli con
parmetro (0,1) = desconocido y distribucin a priori ~ Beta( 0 , 0 ) , con 0 , 0 conocidos, determine la distribucin a posteriori para | X . Solucin Del teorema de bayes necesitamos a la densidad conjunta dada por
f () f X| (x | ) =
0 1 (1 ) 0 1 B ( 0 , 0 )
i =1
n
xi
(1 ) 1 xi
n
xi n xi 0 1 (1 ) 0 1 i =1 (1 ) i =1 = B ( 0 , 0 )
0 + n xi 1 0 + xi 1 1 i =1 = i =1 (1 ) B ( 0 , 0 )
n
217
218. Captulo 9
Ahora la densidad marginal f X (x )

f X (x ) =
0 + n xi 1 0 + xi 1 1 i =1 i =1 (1 ) f () f X| (x | )d = d B ( , ) 0 0 0
1
n
n n n n B 1 + 0 + xi , 0 + n xi 0 + n xi 1 xi 1 0 1 i =1 i =1 i =1 i =1 (1 ) = d n n B ( 0 , 0 ) B 0 + xi ,+ 0 + n xi 0 i =1 i =1 n n B 0 + xi , 0 + n xi i =1 i =1 = B ( 0 , 0 )
Finalmente
0 + n xi 1 n 0 + xi 1 1 n i =1 0 + n xi 1 0 + xi 1 i =1 (1 ) i =1 B( 0 , 0 ) i =1 (1 ) = f |X ( | x ) = . n n n n B 0 + xi , 0 + n xi B 0 + xi , 0 + n xi i =1 i =1 i =1 i =1 B ( 0 , 0 )
n n
n n Es decir, | X ~ Beta + x , + n xi 0 i 0 . i =1 i =1
Con frecuencia para determinar la distribucin a posteriori es suficiente trabajar con los ncleos3, es decir f |X ( | x ) ker ( f () ) ker ( f X| (x | )) . Posteriormente, basta con identificar la familia de la que proviene el ncleo, mientras que la constante (para que sea una funcin de densidad) se puede calcular tomando en cuenta que la integracin slo es con respecto al parmetro y debe dar uno, en general el clculo de dicha integral resulta difcil, en estos casos puede realizarse en forma numrica.
EJEMPLO 4
Encuentre la distribucin a posterior del ejemplo anterior. Solucin Determinando los ncleos ker ( f () ) = 0 1 (1 ) 0 1
ker ( f X| (x | )) = xi (1 )1 xi = i =1 (1 )
i =1
xi
xi
i =1
De donde f |X ( | x ) ker ( f () ) ker ( f X| (x | )) =

3
0 1
(1 )
0 1
xi
xi
i =1
i =1 (1 )
0 + xi 1
i =1
0 + n xi 1
(1 )
i =1
Ncleo representa la parte de la funcin de densidad que depende de la variable o parmetro en estudio, y se denota por ker, del alemn kernel.
218
Falta determinar la constante para que f |X ( | x ) sea una funcin de densidad con (0,1) = .
1 = f |X ( | x )d = c( x, 0 , 0 , n)
0 0 1 1
0 + xi 1
i =1
0 + n xi 1
(1 )
i =1
De donde c(x, 0 , 0 , n) =
1
n n B 0 + xi , 0 + n xi i =1 i =1
n n Finalmente, | X ~ Beta 0 + xi , 0 + n xi . i =1 i =1
9.4.2 DISTRIBUCIONES CONJUGADAS
Cuando estamos aplicando el teorema de bayes es frecuente que se tengan familias de distribuciones a priori y a posteriori que coincidan, en estas condiciones les llamaremos familias conjugadas.
1) DISTRIBUCIN BETA CON DISTRIBUCIN BERNOULLI
parmetro (0,1) = desconocido y distribucin a priori ~ Beta( 0 , 0 ) , con 0 , 0 conocidos,

n n entonces la distribucin a posteriori ser una distribucin | X ~ Beta + x , + n xi 0 i 0 . i =1 i =1 Demostracin, ver ejemplos 3 y 4.
2) DISTRIBUCIN NORMAL CON DISTRIBUCIN NORMAL
Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin

conocido y parmetro media R = desconocido con distribucin a priori ~
2 0 , 0
( , *2 ) con *2
2 ( 0 , 0 ) , con
conocidos,
2 * 2 0 2 0
entonces
2 * 2 0
la
.
distribucin
posteriori
ser
una
distribucin
0 + n x , 2 2 2 + n * + n 0 * Demostracin Determinando los ncleos | X ~
2 2 ( 0 ) 2 0 ker ( f () ) = exp exp 2 2 2 0 2 0 2 n n (x ) (x )2 ker ( f X| (x | )) = exp i 2 = exp i 2 2 * i =1 i =1 2 *
De donde
219
220. Captulo 9
2 2 2 0 n ( xi ) f |X ( | x ) ker ( f () ) ker ( f X| (x | )) = exp exp 2 2 2 0 i =1 2 * 2 2 n (x ) 2 0 = exp i 2 2 2 0 2 * i =1 2 2 n n 2 2 0 = exp + + x 2 2 2 i 2 2 0 2 * i =1 2 0 2 * 1 n n + 2 0 + exp 2 + x 2 2 2 2 2 0 2 * 2 0 2 * 2 2 2 2 2 2 + nx 0 2 0 * * + n 0 2 2 0 * = exp 2 2 2 2 2 2 2 2 0 * 0 * * + n 0 Completando cuadrados 2 2 2 0 *2 + nx 0 1 1 . f |X ( | x ) exp 2 2 ( 2 + n 2 ) 2 + n 2 2 0 * * 0 * 0
Falta determinar la constante para que f |X ( | x ) sea una funcin de densidad con R = . 2 2 0 *2 + nx 0 1 1 ( ) 1 = f |X | x d = c(x, 0 , , , n) exp 2 2 2 2 2 2 0 * ( *2 + n 0 ) * + n 0
2 0 2 *
2 De donde c(x, 0 , 0 , *2 , n) =
d .
1
2 2 2 2 0 * ( *2 + n 0 )
. .
Finalmente, | X ~
2 2 *2 0 + n 0 x *2 0 , 2 2 + n 2 *2 + n 0 * 0
3) DISTRIBUCIN GAMMA CON DISTRIBUCIN POISSON
a).- La distribucin gamma es de la forma ( , ) .

Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin poisson con parmetro
media R + = desconocido y distribucin a priori ~ ( 0 , 0 ) , con 0 , 0 conocidos, entonces

n la distribucin a posteriori ser una distribucin | X ~ + 0 xi , 0 + n . i =1 Demostracin Determinando los ncleos
ker ( f () ) = 0 1 exp{ 0 } ker ( f X| (x | )) = xi exp{ } = i =1 exp{ n }.

i =1 n
xi
220
De donde
f |X ( | x ) ker ( f () ) ker ( f X| (x | )) = 0 1 exp{ 0 } i =1 exp{ n }
0 + xi 1
n
xi
i =1
exp{ (n + 0 ) }.
Falta determinar la constante para que f |X ( | x ) sea una funcin de densidad con R + =
1 = f |X ( | x )d = c(x, 0 , 0 , n)
0
n 0 + xi i =1
0 + xi 1
i =1
exp{ (n + 0 ) }d .
0
n . Finalmente, | X ~ + 0 xi , 0 + n . n i =1 0 + x i i =1
Luego, c(x, 0 , 0 , n) =
(n + 0 )
b).- La distribucin gamma es de la forma ( , ) . Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin poisson con parmetro
media R + = desconocido y distribucin a priori ~ ( 0 , 0 ) , con 0 , 0 conocidos, entonces
n la distribucin a posteriori ser una distribucin | X ~ + xi , 0 (n 0 + 1) 0 . i =1
4) DISTRIBUCIN GAMMA CON DISTRIBUCIN EXPONENCIAL
a).- La distribucin gamma y exponencial son de la forma ( , ) .

Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin exponencial con
parmetro R + = desconocido y distribucin a priori ~ ( 0 , 0 ) con 0 , 0 conocidos,
n entonces la distribucin a posteriori ser una distribucin | X ~ n , xi + + 0 0 . i =1 b).- La distribucin gamma y exponencial son de la forma ( , ) .
Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin exponencial con media
1 , parmetro R + = desconocido y distribucin a priori ~ ( 0 , 0 ) con 0 , 0 conocidos,
entonces la distribucin a posteriori ser una distribucin | X ~ 0 + n, 0 Demostracin Determinando los ncleos ker ( f () ) = 0 1 exp{ 0 }
n n ker ( f X| (x | )) = exp{ xi } = n exp xi . i =1 i =1
n 1 + xi 0 . i =1
De donde
221
222. Captulo 9
n n exp xi f |X ( | x ) ker ( f () ) ker ( f X| (x | )) = 0 1 exp{ 0 } i =1
1 n = 0 + n 1 exp xi + 0 i =1
Falta determinar la constante para que f |X ( | x ) sea una funcin de densidad con R = .
1 n 1 = f |X ( | x )d = c(x, 0 , 0 , n) 0 + n 1 exp + x i 0 0 0 i =1
d .
Luego, c(x, 0 , 0 , n) =
n 1 + xi 0 i =1 ( 0 + n )
0 +n
, y
| X ~ 0 + n, 0
n 1 + 0 xi . El i =1
resultado, tambin est en la forma ( , ) .

EJEMPLO 5
Supngase que se desconoce la proporcin de artculos defectuosos de un gran cargamento y que la distribucin a priori del parmetro es una Beta( 2, 200) . Si seleccionamos al azar 100 artculos del cargamento y 3 de ellos resultan defectuosos, cul es la distribucin a posteriori del parmetro?
Solucin En el caso distribucin beta con distribucin bernoulli hemos demostrado que n n | X ~ Beta + x , + n xi 0 i 0 , i =1 i =1
0 = 2, 0 = 200, n = 100,
x
i =1
= 3 , de tal forma que
| X ~ Beta(2 + 3, 200 + 100 3) = Beta(5, 297 ) y f |X ( | x ) =

EJEMPLO 6
4 (1 ) 296
B (5, 297)
En las condiciones del ejemplo anterior, supngase que despus de que un decisor ha observado que hay 3 artculos defectuosos entre los 100 artculos seleccionados al azar, la distribucin a posteriori del 2 2 parmetro fue una Beta( , ) , con |X = 2 51 y | X = 98 (51 103) , cul es la distribucin a
priori del parmetro?

Solucin Este ejemplo lo podemos resolver en forma general, si planteamos el problema de representar los parmetros de la distribucin Beta( , ) con respecto a su esperanza y varianza que son conocidas. De las distribuciones sabemos que para una distribucin beta
222
= + 2 = 2 ( + ) ( + + 1) Sustituyendo el valor de en la varianza

2 = . = ( + ) ( + )( + + 1) ( + )( + + 1) , sustituyendo en
Ntese que de la expresin para la esperanza matemtica, tenemos + = la expresin anterior para la varianza
2 =
2 ( + ) 3 = = . 3 ( + ) + 1
Sustituyendo en la esperanza matemtica
1 3 = = . 2 ( + ) 2 ( + ) 3 + 2 ( + ) + 1+ 3 3
Multiplicando ambos miembros de la igualdad por el denominador y dividiendo entre , resulta
3 + 2 ( + ) = 2 .
Luego, despejando al parmetro alfa
2 (1 ) 2 3 = . 2 2 Sustituyendo el valor de alfa en el valor para , tendremos: =

2 ( + ) = 3 2
2 3
2 3 + 2
2 (1 ) 2 (1 ) = = 1 + 1. 2 2
Es decir, encontramos
2 (1 ) = 2 2 = (1 ) + 1 2 Por otro lado, sabemos que
n n | X ~ Beta + x , + n xi 0 i 0 = Beta( , ) . i =1 i =1 De donde, obtenemos los valores de los parmetros de la distribucin a priori
223
224. Captulo 9
n 2 (1 ) xi = 0 2 i =1 2 n = (1 ) + 1 n + xi 0 2 i =1
2 2 Finalmente sustituimos los valores n = 100, x i = 3 , |X = 2 51 y | X = 98 (51 103)
i =1 n
(2 51) 2 (1 2 51) 2 (1 ) 3 =1 = x = 0 i 51 98 (512 103) 2 i =1 2 n (2 51)(1 2 51) 2 2 49 = (1 ) + 1 n + x = + 1 100 + 3 = i 2 2 0 51 2 98 (51 103) i =1 Con esto obtenemos que la distribucin a priori ~ Beta( 0 , 0 ) = Beta(1, 49 2 ) .
2 n
EJEMPLO 7
Sea el nmero promedio de defectos por cada 100 pies de cinta magnetofnica. Supngase que el valor de es desconocido y que su distribucin a priori es una gamma con parmetros 0 = 2 y
0 = 10 . Cuando se inspecciona una cinta de 1200 pies, se encuentran exactamente 4 defectuosos. Determine la distribucin a posteriori de . Solucin Note que la distribucin a priori es una tipo gamma, ( 0 , 0 ) , mientras que las variables tratan de
una distribucin de poisson porque en la cinta de 1200 pies existen 12 de 100 pies cada una, ahora nos interesan los defectos de 12 tramos de 100 pies cada uno. En el caso de la distribucin gamma con distribucin poisson demostramos que n n | X ~ 0 + xi , 0 + n , 0 = 2, 0 = 10, n = 12, x i = 4 , de tal forma que i =1 i =1 n 22 6 5 exp(22 ) ( ) ( ) ( ) y . | = | X ~ + x , + n = 2 + 4 , 10 + 12 = 6 , 22 f x | X 0 i 0 ( 6) i =1
EJEMPLO 8
Supngase que las estaturas de los individuos de cierta poblacin tienen una distribucin normal con media desconocida y desviacin estndar de 2 pulgadas, y la distribucin a priori de ~ (68, 1) . Son seleccionados al azar 10 personas de la poblacin y se encuentra que su estatura promedio es 69.5 pulgadas, cul es la distribucin a posteriori de ? Solucin En el caso de la distribucin normal con distribucin normal demostramos que 2 2 *2 0 + n 0 x *2 0 2 , *2 = 2 2 , 0 = 68, 0 | X ~ , = 1, n = 10 y x = 69.5 , de tal forma que 2 2 2 + n 2 + n * 0 * 0
224
| X ~
EJEMPLO 9
2 2 *2 0 + n 0 x *2 0 , 2 2 + n 2 *2 + n 0 * 0
4(68) + 10(1)(69.5) 4(1) = , 4 + 10(1) 4 + 10(1)
967 2 , . 14 7
En las condiciones del ejemplo anterior, a).- Qu intervalo de longitud 1 pulgada tiene la mayor probabilidad a priori de contener a ?, cul es la probabilidad del intervalo?. b).- Qu intervalo de longitud 1 pulgada tiene la mayor probabilidad a posteriori de contener a ?, cul es la probabilidad del intervalo? Solucin 68 a) Sabemos que ~ (68,1) , luego estandarizando Z = , es decir 1 P (q1 < Z < q 2 ) = P (q1 + 68 < < q 2 + 68) Como el intervalo debe contener la mayor probabilidad, sabemos que esto ocurre cuando es simtrico con respecto a la media, luego q1 = q 2 , adems la longitud del intervalo debe valer 1, es decir q 2 + 68 (q1 + 68) = 1 q 2 q1 = 1 q1 = q 2 = 0.5 67.5 < < 68.5 Para la probabilidad P (q1 < Z < q 2 ) = P ( 0.5 < Z < 0.5) = 0.383 b) Siguiendo un procedimiento similar al anterior, pero con | X ~ (967 14 , 2 7 ) , luego 967 14 estandarizando tenemos Z = y P (q1 < Z < q 2 ) , el intervalo debe contener la mayor 27
probabilidad (cuando q1 = q 2 ) y la longitud del intervalo debe ser 1. Luego, obtenemos
1 = 967 14 + q 2 2 7 967 14 + q1 2 7 = q 2 2 7 q1 2 7 q 2 q1 = 7 2 Con esto q1 = q 2 = 7 8 , de tal forma que la probabilidad estar dada por:
P (q1 < Z < q 2 ) = P 7 8 < Z < 7 8 = 0.6502 .

EJERCICIOS 2
1. Demuestre 3b y 4a. 2. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin poisson con
parmetro media R + = desconocido y distribucin a priori ~ ( 0 , 0 ) , con 0 , 0

conocidos, cul es E (exp( k ) | X ) , para k > 0 ?.
3. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin geomtrica con

parmetro (0,1) = desconocido y distribucin a priori ~ Beta ( 0 , 0 ) , con 0 , 0 conocidos, a. Cul es la distribucin de | X ?
b.
Cul es E k (1 ) m | X , k , m > 0 ?.
225
226. Captulo 9
4. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin

2
( 0 , ) con
= 1 y que la distribucin a priori para ~ ( 0 , 0 ) , cul es la distribucin | X ?

5. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin uniforme U (0, ) con parmetro R + = desconocido y distribucin a priori ~ Pareto( 0 , 0 ) , con 0 , 0 conocidos. Cul es la distribucin de | X ? 6. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin
( , ) con
= 1 y que la distribucin a priori para ~ ( 0 , 0 ) y para | ~ distribucin de ( , ) | X ?
( 0 , 0 ) cul es la
9.5 RIESGO Y ESTIMADORES DE BAYES Se ha comentado que en la estadstica clsica se considera a los parmetros como un valor constante, pero en Teora de Decisiones es comn trabajar con informacin a priori y a posteriori de tal forma que resulta ms propicio trabajar bajo un contexto bayesiano, en donde se considera a los parmetros variables aleatorias con la intencin de incluir informacin adicional para estimar al parmetro. Supngase que X1 , X 2 , , X n es una muestra aleatoria de f (x; ) donde, un intervalo de nmeros reales. Adems se tiene una funcin de prdida l (t , ) con t = u (x) una funcin de los valores de la muestra aleatoria y sabemos que es un valor tomado por una variable aleatoria con densidad a priori conocida f ( ) .
NOTACIN
f ( ) : densidad a priori de (conocimiento por experiencia de ). f |X ( | x ) : densidad a posteriori de (despus de observar la muestra aleatoria),
RT ( ) = E {l (T , )} = l (u (x), ) f X| (x | )dx .
Rn
As, bajo el contexto bayesiano RT ( ) resulta ser una variable aleatoria, funcin de la variable aleatoria . Supngase que en RT ( ) deseamos comparar los estimadores del parmetro en forma numrica. Entonces es razonable considerar las comparaciones bajo una medida estadstica promedio, es decir, el riesgo esperado que se denota por B(T ) y llamaremos riesgo de Bayes. De tal forma que B (T ) = E {RT ( )} riesgo de Bayes. Es decir, al sustituir las funciones de riesgo y prdida se tiene:
B (T ) = E {RT ( )} = E {ET | (l (T , ))}. Por lo tanto, surge la definicin del estimador de Bayes, como la T que minimiza el riesgo de Bayes respecto a todos los estimadores puntuales posibles. Este planteamiento siempre admite una solucin, aunque implique una mayor complejidad, porque se tiene la funcin de riesgo y la funcin a posteriori, como se puede apreciar en la expresin
B(T ) = l (u (x ), ) f X| (x | ) f ( )dxd .
Rn
226
Por otro lado, se sabe que puede intercambiarse el orden de integracin si las funciones a integrar son todas positivas. Luego, B (T ) = l (u (x ), ) f X| (x | ) f ( )d dx . R n As, minimizar B(T ) en la igualdad es equivalente a minimizar la integral entre corchetes respecto a u (x ) . Adems, por el teorema de Bayes, se pueden intercambiar las densidades condicionales, de tal forma que f X| (x | ) f ( ) = f , X ( , x ) = f |X ( | x ) f X (x ) .
Por lo tanto, l (u (x ), ) f X| (x | ) f ( )d = l (u (x ), ) f |X ( | x ) f X (x )d = f X (x )

l (u (x ), ) f ( | x )d
| X
esperanza de la funcin de prdida es decir, el riesgo a posteriori E|X {l (u (x ), )}
Por lo tanto, el estimador de Bayes es la funcin u (x ) que minimiza el riesgo a posteriori E |X {l (u (x ), )} = X (t ) . En caso de que la funcin sea diferenciable en t se pueden buscar sus mnimos, que pueden ser relativos o absolutos. Es decir, se desea encontrar el valor t que minimiza
E |X {l (t , )} = E{l (t , ) | x} = X (t ) ,
t es constante cuando se calcula E, mientras que f |X ( | x ) es la funcin de densidad a posteriori.

Al minimizar X (t ) , resulta una funcin de x y esa funcin ser la u (x ) que se est buscando.
9.5.1 ESTIMADOR DE BAYES PARA UNA FUNCIN DE PRDIDA CUADRTICA
En el caso particular de una funcin de prdida cuadrtica los clculos para el estimador de bayes se simplifican considerablemente. Para esto se ve como primer punto, el riesgo a posteriori para la funcin de prdida cuadrtica
X (t ) = E{l (t , ) | X = x} = l (t , ) f |X ( | x )d = E |X (t 2 2 t + 2 ) = t 2 2tE |X ( ) + E |X ( 2 ) .
Ahora se optimiza por t a X (t ) , la cual trata de una parbola hacia arriba con respecto de t y es suficiente con encontrar el vrtice de la parbola para saber que se trata de un mnimo X (t ) = 2t 2 E|X ( ) = 0 t = E|X ( ) . t es un mnimo, empleando la segunda derivada se justifica que efectivamente la funcin Luego, t es convexa y contiene al punto en donde la primera derivada es igual a cero, lugar en donde alcanza un 2 valor mnimo relativo 2 X (t ) = 2 > 0 t = E |X ( ) es un mnimo y es el valor del estimador de t bayes para .
227
Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin bernoulli con parmetro (0,1) = . Adems conocemos que la funcin de prdida es cuadrtica y la distribucin
a priori ~ Beta( 0 , 0 ) , con 0 , 0 conocidos. Encuentre el valor del estimador de bayes para . Solucin Por tratarse de una funcin de prdida cuadrtica para el estimador de bayes requerimos calcular el valor esperado de la distribucin a posteriori. Para esto ntese que se trata de una familia conjugada, beta con distribucin bernoulli y hemos obtenido en 10.4.2 que n n x , n xi | X ~ Beta + + 0 i 0 . i =1 i =1 Luego, el valor del estimador de bayes en este caso estar dado por:
0 + xi
= E |X ( ) = t
i =1
0 + xi
n
0 + xi + 0 + n x i
i =1 i =1
i =1
0 + 0 + n
EJEMPLO 11
Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin normal ( , 1) con R . Adems tenemos la funcin de prdida cuadrtica y ~ (0, 1) . Encuentre el estimador de bayes para .
Solucin Similarmente al ejemplo anterior se trata de una funcin de prdida cuadrtica para el estimador de bayes, luego tenemos que calcular el valor esperado de la distribucin a posteriori. Para esto ntese que estamos con una familia conjugada normal con distribucin normal y hemos obtenido en 10.4.2 que 2 2 *2 0 + n 0 x *2 0 . | X ~ , 2 2 2 2 + n + n * 0 * 0 Luego, el estimador de bayes estar dado por: 2 2 n = E ( ) = * 0 + n 0 X = 1(0) + n(1) X = n X = 1 X . T | X i 2 2 1 + n(1) n +1 n + 1 i =1 * + n 0
EJEMPLO 12
Supngase que el nmero de defectos en una cinta magntica de grabacin de 1200 pies tiene una distribucin de poisson con media R + desconocida pero con distribucin a priori ~ (3, 1) , forma ( 0 , 0 ) . Cuando se seleccionan 5 lentes al azar y se inspeccionan, el nmero de defectos resultantes son 2, 2, 6, 0 y 3. Para una funcin de prdida cuadrtica, cul es el valor del estimador de bayes para ?.
Solucin Similarmente al los ejemplos anteriores se trata de una funcin de prdida cuadrtica para el estimador de bayes, luego debemos calcular el valor esperado de la distribucin a posteriori. Para esto ntese que estamos con una familia conjugada gamma con distribucin poisson y hemos obtenido en 10.4.2 que
228

n | X ~ + 0 xi , 0 + n , 0 = 3, 0 = 1, n = 5, i =1
x
i =1
= 2 + 2 + 6 + 0 + 3 = 13 , de tal forma
n 616 15 exp( 6 ) ( ) ( ) y ( ) . | X ~ + x , + n = 3 + 13 , 1 + 5 = 16 , 6 f | x = | X 0 i 0 (16) i =1 Luego, el valor del estimador de bayes estar dado por:
0 + xi
= E |X ( ) = t
EJEMPLO 13
i =1
0 + n
16 8 = . 6 3
Supngase que se selecciona una muestra aleatoria de tamao n de una distribucin de poisson con media R + desconocida y distribucin a priori ~ ( 0 , 0 ) cuya media es 0 . Demuestre que el estimador de bayes para de una funcin de prdida cuadrtica es una media ponderada de la forma
n X n + (1 n ) 0 con n n 1 . Solucin Como la distribucin a priori de es de la forma ( , ) y se trata de una funcin de prdida
= E|X ( ) . Por otro lado, vimos cuadrtica, entonces el valor del estimador de bayes est dado por t que la distribucin a posteriori en este caso
n | X ~ + 0 xi , 0 + n i =1 Luego, de las distribuciones conocemos que el valor esperado es
n 1 1 1 1 n xi = 0 + xi . 0 + n 0 + n 0 + n i =1 0 1 + n 0 0 n + 1 n i =1 1 1 1 , tenemos que 1 n = 1 , note que n n 1 . De la Denotando n = = 0 n + 1 0 n + 1 1 + n 0
0 + xi
i =1
|X =
distribucin a priori y el valor esperado 0 = 0 0 , finalmente el estimador de bayes es
|X = n X n + (1 n ) 0 .
EJEMPLO 14
Supngase que se selecciona una muestra aleatoria de tamao n de una distribucin exponencial con parmetro R + desconocido y distribucin a priori ~ ( 0 , 0 ) con 0 , 0 conocidos. Demuestre que los estimadores de bayes para de una funcin de prdida cuadrtica constituyen una sucesin consiste de estimadores para con n = 1, 2, 3, . Sug. Utilice el resultado 4a de la seccin 10.4.2 para la distribucin a posteriori.
Solucin Similarmente a los ejemplos anteriores se trata de una funcin de prdida cuadrtica para el estimador de bayes, luego tenemos que calcular el valor esperado de la distribucin a posteriori. Para esto ntese
229
230. Captulo 9
que estamos con una familia conjugada gamma con distribucin exponencial y hemos obtenido en 10.4.2 que n | X ~ + + n , xi 0 0 . i =1 = E ( ) = 0 + n . Luego, el estimador de bayes estar dado por T n | X 0 + nX Debemos probar que estos estimadores representan una sucesin consiste de estimadores para , es decir que son convergentes en probabilidad, dicho de otra forma |< > 0, P | T 1 . n n
Forma 1. Del estimador de bayes y la ley dbil de los grandes nmeros, X es consistente en probabilidad a = 0 n + 1 1 , tendremos: , adems de la distribucin exponencial = 1 y T n 0 n + X X |< > 0, P | T 1
Forma 2. El siguiente mtodo es un poco ms largo, pero da respuesta satisfactoria al problema. Tenemos el = 0 + n y la probabilidad a calcular, as > 0 estimador de bayes T n 0 + nX
|< = P + < T < + = P 1 < 1 < 1 P |T n n + T + n
) (
1 n+ X 0 n + 1 0 n + 1 0 1 = P < <X< 0 = P < 0 + n +1 + + n n + 0 tomando en cuenta que en la distribucin exponencial = 1 0 n + 1 0 X 0 n + 1 0 |< = P P |T n < < n n + n n n + 0 1 0 0 1 = P 0 n <Z < + n ( + ) ( + ) n ( + ) n ( + ) Aproximando a una distribucin normal 0 0 0 1 1 | 0 y prximo a cero, con los valores 0 , 0 , , fijos, tenemos que a medida que n crece 0 0 1 n 0 y n n . ( + ) ( + ) n
|< 1 0 = 1 . Luego, concluimos la verificacin P | T n n
230
9.5.2 ESTIMADOR DE BAYES PARA UNA FUNCIN DE PRDIDA VALOR ABSOLUTO
Otro caso particular de una funcin de prdida que se utiliza con frecuencia es la funcin valor absoluto, as tendremos al estimador de bayes al minimizar para = R
X (t ) = E{l (t , ) | X = x} = E |X (| t |) = | t | f |X ( | x )d
= (t ) f |X ( | x )d + ( t ) f |X ( | x )d .
t
Sea y n 2 la mediana de la distribucin a posteriori f |X ( | x ) y sin prdida de generalidad

podemos suponer que y n 2 t . Adems, t = (t y n 2 ) + ( y n 2 ) . Luego, las dos ltimas integrales las podemos descomponer de la siguiente forma al sustituir la expresin anterior en la cantidad bajo el signo de integracin
X (t ) =
= +
[(t y
yn 2
n 2 ) + ( y n 2 ) f | X ( | x )d + ( y n 2 t ) + ( y n 2 ) f | X ( | x )d t t
[(t y [( y
n 2
| x )d + n 2 ) + ( y n 2 ) f | X (
t ) + ( y n 2 ) f |X ( | x )d
yn 2
[(t y
yn 2
n 2
) + ( y n 2 ) f |X ( | x )d
[( y
yn 2
n 2
t ) + ( y n 2 ) f |X ( | x )d
yn 2 yn 2
= + +
(t y n 2 ) f |X ( | x )d +
t
( y n 2 ) f |X ( | x )d +

(t y
yn 2 yn 2
n 2
) f |X ( | x )d + ) f |X ( | x )d
( y n 2 ) f |X ( | x )d +
yn 2
( y n 2 t ) f |X ( | x )d +
n 2
( y
n 2
yn 2
(t y n 2 ) f |X ( | x )d +
yn 2
t
(y
yn 2
) f |X ( | x )d
Ntese que
(t y n 2 ) f |X ( | x )d +
yn 2
( y n 2 ) f |X ( | x )d =
yn 2
(t ) f ( | x )d
| X yn 2
(t y n 2 ) f |X ( | x )d +
yn 2
( y n 2 ) f |X ( | x )d =
yn 2
(t ) f ( | x )d .
| X yn 2
Adems
yn 2
(t y n 2 ) f |X ( | x )d +
(y
n 2
t ) f |X ( | x )d = 0 .
yn 2
231
232. Captulo 9
Luego,
yn 2
X (t ) =
( y n 2 ) f |X ( | x )d +
( y n 2 ) f |X ( | x )d + 2 (t ) f |X ( | x )d
yn 2
yn 2
= E | Yn 2 | + 2 (t ) f |X ( | x )d .
yn 2 0
Ahora se optimiza por t a X (t ) , para esto ntese que el segundo termino es mayor o igual a cero, luego el mnimo se obtiene cuando es cero, pero esto ocurre en el caso en que t = y n 2 la mediana
de la distribucin a posteriori f |X ( | x ) . As. Hemos encontrado que en el caso de una funcin de
prdida valor absoluto el estimador de bayes coincide con la mediana de la distribucin a posteriori para el parmetro.
EJEMPLO 15

parmetro (0,1) = , y que la funcin de prdida es la de valor absoluto con ~ Beta( 0 , 0 ) ,
0 , 0 conocidos. Encuentre el estimador de bayes para en las condiciones del ejemplo 5.

Solucin Por tratarse de una funcin de prdida valor absoluto para el estimador de bayes requerimos calcular la mediana de la distribucin a posteriori, de 10.4.2 n n | X ~ Beta + x , + n xi 0 i 0 . i =1 i =1 De las condiciones del ejemplo 5, | X ~ Beta(2 + 3, 200 + 100 3) = Beta(5, 297 ) . Luego, integrando la funcin de densidad con respecto a e igualando a 0.5
yn 2
0 .5 =
1 f |X ( )d = B (5, 297)
yn 2
(1 ) 296 d .
Realizando el cambio de variable 1 = w , tenemos
1 0 .5 = B (5, 297)
1 yn 2 4 296 (1 w) w ( dw) = 1
1 1 (1 w) 4 w 296 dw . B (5, 297) 1 yn 2
Resolviendo la integral resulta la ecuacin, despus de cambiar yn 2 por y
(1 y ) 297 330791175 y 4 + 4410549 y 3 + 44253 y 2 + 297 y + 1 0.5 = 0 .

Falta encontrar la raz de la ecuacin entre 0 y 1 para la mediana, utilizando mtodos numricos o con ayuda de un paquete matemtico, tenemos el valor de la mediana para la distribucin a posteriori 0.01550068799 y hemos visto que ste valor coincide con el estimador de bayes.
232
Funciones de prdida y riesgo. . 233 EJEMPLO 16
Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin normal ( , 1) con R y que la funcin de prdida es la de valor absoluto con ~ (0, 1) . Encuentre el estimador de bayes para . Solucin Podemos realizar los clculos como en el ejemplo anterior, pero recordando que la distribucin a posteriori para el parmetro es normal, resulta que por ser simtrica con respecto a la media coinciden la media, mediana y moda. Luego, del ejemplo 11 y que el estimador de bayes para la funcin valor absoluto coincide con el estimador de bayes la funcin de prdida cuadrtica, quien result 1 n = y n 2 = E |X ( ) = t xi . n + 1 i =1
EJEMPLO 17
Supngase que el nmero de defectos en una cinta magntica de grabacin tiene una distribucin de poisson con media R + desconocida pero con distribucin a priori ~ (3, 1) . Cuando son seleccionadas 5 cintas al azar y se inspeccionan, el nmero de defectos resultantes son 2, 2, 6, 0 y 3. Para una funcin de prdida valor absoluto, cul es el valor del estimador de bayes para ?. Sug. Utilice la forma ( 0 , 0 ) y algn paquete matemtico o mtodos numricos. Solucin Por tratarse de una funcin de prdida valor absoluto para el estimador de bayes requerimos calcular la mediana de la distribucin a posteriori, de 10.4.2 n | X ~ + 0 xi , 0 + n . i =1 En donde,
0 = 3, 0 = 1, n = 5, xi = 13 , as
i =1
| X ~ (3 + 13,1 + 5) = (16, 6 ) . Luego,

yn 2
integrando la funcin de densidad con respecto a e igualando a 0.5

yn 2
0 .5 =
616 f |X ( )d = (16)
15
e 6 d .
Denotemos la mediana por x y resolvemos la integral por integracin por partes, obtenemos la ecuacin
314928 x 15 + 787320 x 14 + 1837080 x 13 + 3980340 x 12 + 7960680 x 11 + 14594580 x 10 e 6 x + 875875 24324300 x 9 + 36486450 x 8 + 48648600 x 7 + 56756700 x 6 + 56756700 x 5 + 47297250 x 4 + 875875 31531500 x 3 + 15765750 x 2 + 5255250 x + 875875 0 .5 = 0 . 875875 Resolviendo la ecuacin con respecto a la mediana por mtodos numricos o con ayuda de un paquete matemtico, tenemos el valor de la mediana para la distribucin a posteriori 2.611321583 y hemos visto que ste coincide con el valor del estimador de bayes.
233
234. Captulo 9 EJERCICIOS 3
1. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin geomtrica con parmetro (0,1) = desconocido y distribucin a priori ~ Beta ( 0 , 0 ) , con 0 , 0 conocidos. Evale el estimador de bayes para usando las funciones de prdida: a. Cuadrtica. b. Valor absoluto. 2. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin usando las funciones de prdida: a. Cuadrtica. b. Valor absoluto. 3. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin uniforme U (0, ) con parmetro R + = desconocido y distribucin a priori ~ Pareto( 0 , 0 ) , con 0 , 0 conocidos. Evale el estimador de bayes para usando las funciones de prdida: a. Cuadrtica. b. Valor absoluto. c. L( , t ) = e ( t ) ( t ) 1 4. Supngase que tenemos una muestra aleatoria X 1 , X 2 , , X n de la distribucin poisson con parmetro media R + = desconocido y distribucin a priori ~ ( 0 , 0 ) , con 0 , 0 conocidos, cul es el estimador de bayes de exp(4 ) , usando una funcin de prdida cuadrtica?. 5. Resuelva el ejemplo 13 para el caso de una muestra aleatoria de tamao n de una distribucin de poisson con media R + desconocida y distribucin a priori ~ ( 0 , 0 ) cuya media es 0 . Demuestre que el estimador de bayes para de una funcin de prdida cuadrtica es una media ponderada de la forma n X n + (1 n ) 0 con n n 1 . Sug. Utilice el resultado 3b de la
seccin 10.4.2 para la distribucin a posteriori.
9.5.3 ESTIMADOR DE BAYES PARA UNA FUNCIN DE PRDIDA POLINOMIAL
( 0 , ) con
= 1 2 y que la distribucin a priori para ~ ( 0 , 0 ) . Evale el estimador de bayes para
Con base en el desarrollo de la funcin de prdida cuadrtica se puede pensar en una generalizacin para las funciones de prdida polinomiales de grado n.
n n i n i Sea una funcin de prdida l (t , ) = t un polinomio de grado n, diferente de cero, i =0 i vamos a calcular el riesgo de Bayes y el estimador de Bayes. Para esto calculamos el valor esperado de la funcin de prdida, RT ( ) ,
n n n i n i n i E{l (t , )} = t E = i t n i (t ) . i =0 i =0 i
234
En donde, E ni = n i (t ) representa los momentos a posteriori. Luego, minimizando el riesgo de Bayes respecto a todos los estimadores posibles resulta
n n i T = min i t n i (t ) . t i = 0
Con esto se presenta el problema de cmo minimizar la expresin anterior. Una forma de encontrar el mnimo cuando se tiene una funcin de prdida del tipo polinomial de grado n es analizando los diferentes tipos de funciones que se pueden llegar a presentar.
Cuando n (t ) > 0 ; n es par se tiene

n n i min t n i (t ) . t i = 0 i
El mnimo se encontrara entre los mnimos relativos.
n (t ) = E ( n ) = n f X ( x )d .
En el caso cuando n = 2 , E X
Cuando n = 2k , E X 2 k
( ) = var( X ) + [E ( X )] ) = var(X ) + [E (X )] > 0 .

2
0 , siempre va a ser positiva.
Como el i-simo momento de es positivo y la funcin de densidad es mayor a cero, indica que es posible obtener el mnimo. Si n es par y t (a, b ) , el mnimo se encontrar entre los mnimos
relativos o el mnimo de alguno de los extremos (a, b ) .
Con n impar El mnimo se encontrara en los extremos (a, b ) o en los mnimos relativos, siempre y cuando t est acotado. Si no lo est T no existe ya que sera . n n i n i Analizando el caso general, l (t , ) = ai t , es decir cuando ai 1 , se puede realizar i =0 i
una transformacin para llegar al caso anterior con coeficiente 1, si dividimos entre a n .
9.5.4 ESTIMADOR DE BAYES PARA UNA FUNCIN DE PRDIDA LOGARTMICA
Si f (x ) C (n+1) (D ) donde D es el dominio de f (x ) y C (k ) es la clase de todas las funciones k veces diferenciables que son continuas en un intervalo cerrado que contiene a a y x, y la (k + 1) -sima derivada de f exista en todos los puntos del intervalo abierto correspondiente. Entonces
f (x ) =
k =0 n
k!
(a )(
x a) + ,
k
con el error de aproximacin. Es llamado el Polinomio de Taylor de n-simo grado con centro en a. Se tiene que ln(x ) C k R + k y exp(x ) C k R + k . Estas funciones tienen como dominio todos los reales, pero si t est en un intervalo se puede utilizar una aproximacin.
( )
( )
235
236. Captulo 9
X (t ) = E |X (l (t , )) = l (t , ) f |x ( | t )d = g (t; ) f |x ( | t )d .

Empleando la aproximacin con el polinomio de Taylor

g (t ; a ) =
k =0 n
g k (a; a ) (t a )k + . k!
Entonces
X (t ) =
n g k ( ; ) (t )k + f |x ( | t )d = 1 g k ( ; )(t )k f |x ( | t )d + k! k = 0 k! k =0 n k n k 1 1 = t i g k ( ; ) k i f |x ( | t )d + = t i E g k (; ) k i + k = 0 i = 0 k! k = 0 i = 0 k!
9.5.5 ESTIMADOR DE BAYES PARA UNA FUNCIN DE PRDIDA CONVEXA
Si l (t , ) es convexa y se quiere resolver X (t ) = l (t , ) f |T ( | t )d . Entonces
d (t ) = l (t , ) f |T ( | t )d = l ' (t , ) f |T ( | t )d X dt Al igualar a cero la derivada

|T |T
l (t , ) f ' ( | t )d .
|T
l ' (t , ) f ( | t )d + l (t , ) f ' ( | t )d = 0 . As, al buscar el valor de

2
t, tal que E |T (l 't (t , )) = l ' (t , ) f |T ( | t )d = 0 .
Como ejemplo se toma la funcin cuadrtica. Si l (t , ) = (t ) entonces
X (t ) = (t )2 f |T ( | t )d .
= E |T ( ) . (t ) = 2 (t ) f |T ( | t )d = 0 t E |T ( ) = 0 , y se obtiene t De donde X
236
Cap tulo 10 Bases te oricas sobre las funciones de p erdida y riesgo

10.1. Conceptos estad sticos b asicos para las funciones de p erdida y riesgo
En este cap tulo se revisa la teor a de las funciones convexas, necesaria para entender el desarrollo te orico de las funciones de p erdida (, ) revisadas en el cap tulo anterior, as como el de sus estimadores . El cap tulo est a basado en las secciones 1.7 y 2.1 del libro Theory of Point Estimation, Second Edition, de los autores E.L. Lehmann y George Casella. En el cap tulo anterior se revisaron las funciones de p erdida (, ) y riesgo (), enfoc andonos al desarrollo y uso de estas, para algunas funciones de p erdida particulares como la cuadr atica y valor absoluto. En el presente cap tulo revisaremos en general cu ales son en la teor a las funciones de p erdida m as apropiadas y sus estimadores de que minimicen el riesgo en una toma de decisiones.
10.2. Conceptos estad sticos b asicos para las funciones de p erdida y riesgo
Para obtener mejores funciones de p erdida es necesario conjuntar los conceptos de funciones convexas y los mejores estimadores puntuales para los argumentos de estas, de tal forma que debemos iniciar con una estandarizaci on de los t erminos estad sticos que ser an utilizados en el desarrollo del cap tulo. 1. Clases de funciones de densidad. Sea una variable aleatoria con funci on de densidad (; ) en donde es el par ametro de la distribuci on de la variable aleatoria que genera una clase de distribuciones que denotaremos por F = { : }. La clase anterior tambi en se puede declarar con respecto a la funci on de distribuci on () = ( < ).
237
238 10.2. CONCEPTOS ESTADISTICOS BASICOS PARA LAS FUNCIONES DE PERDIDA Y RIESGO
2. Vector aleatorio. Sea 1 , . . . , una muestra aleatoria, se llama vector aleatorio a X = (1 , . . . , ). 3. Estimador. Sea una muestra aleatoria 1 , . . . , de la familia F con par ametro , se llama estimador de () a la funci on (X). Mientras que cuando las variables toman un valor particular se llama estimaci on de () a la funci on (x). 4. Estimador aleatorizado. Si X es un vector aleatorio con par ametro , se llama estimador alaeatorizado de () a la regla de asignar a cada posible resultado x de X una variable aleatoria con distribuci on conocida (x). 5. Estad stico. Sea 1 , . . . , una muestra aleatoria de la familia F con par ametro , se llama estad stico de () a cualquier funci on (X). 6. Estad stico suciente. Sea 1 , . . . , una muestra aleatoria de la familia F con par ametro , se llama estad stico suciente de () al estad stico (X) si la distribuci on condicional de = es independiente de para toda . Una de las caracter sticas de las estad sticas sucientes, , consiste en que estas contienen toda la informaci on acerca del par ametro que est a contenida en la variable aleatoria . N otese que de la denici on sobre las estad sticas sucientes se deduce inmediatamente el siguiente teorema. Teorema 10.1. Sea 1 , . . . , una muestra aleatoria dada en F () y sea una estad stica suciente para F . Entonces para cualquier estimador (X) de () existe un estimador basado en con la misma funci on de riesgo que la de (X). Demostraci on. Se concluye de la denici on de estad stica suciente, puesto que contiene toda la informaci on del par ametro. 7. C omo determinar estad sticas sucientes. Para determinar estad sticas sucientes se puede utilizar el criterio de factorizaci on. Teorema 10.2. Sea 1 , . . . , una muestra aleatoria dada en F = { : } familia de distribuciones de una condici on necesaria y suciente para que una estad stica sea suciente para F es que existan funciones no negativas y , tales que () = ( ()) (), con excepci on de un conjunto de probabilidad cero. Sea (, ) la funci on de p erdida en estudio, entonces para minimizar la funci on de riesgo correspondiente, tenemos de los u ltimos dos puntos revisados que es de gran importancia trabajar con las estad sticas sucientes para determinar estimadores de que minimicen el riesgo en la toma de decisiones.
238
CAP ITULO 10. BASES TEORICAS SOBRE LAS FUNCIONES DE PERDIDA Y RIESGO 239
10.2.1.
Ejemplos de estad sticas sucientes
Revisaremos algunas familias de densidades en donde emplearemos los teoremas 10.1 y 10.2. Poisson. Uniforme con un par ametro. Normal con una variable y un par ametro. Normal con un par ametro. 10.2.2. Estad sticas completas con un par ametro
Existen familias de densidades que tienen una propiedad muy importante, que bajo cierto resultado, que se ver a m as adelante, proporcionan buenos estimadores puntuales para el par ametro en la funci on de p erdida. Pero antes de denir a estas familias, veamos las estad sticas ancillares. Denici on 10.1. Sea 1 , . . . , una muestra aleatoria con par ametro y (X) una estad stica de F = { : }, se llama estad stica ancillar si su funci on de distribuci on no depende del par ametro , y se llama estad stica ancillar de primer orden (ver ejemplos 10.1) si su esperanza ( (X)) es constante, independiente de .
EJEMPLO 10.1
Algunos ejemplos de estad sticas ancillares se obtienen de las familias. Poisson. Uniforme con un par ametro. Normal con una variable y un par ametro. Normal con un par ametro. Denici on 10.2. Sea 1 , . . . , una muestra aleatoria con par ametro y (X) una estad stica de F = { : }, se llama estad stica completa (ver 10.2)si es una estad stica ancillar de primer orden tal que: si ( (X)) = 0 para toda entonces () = 0, excepto de un conjunto con probabilidad cero. La familia de densidades correspondiente tambi en se llama completa. En general resulta que si la estad stica pertenece a la familia exponencial, entonces dicha estad stica es completa. Denici on 10.3. Una familia de distribuciones se llama una familia exponencial si su funci on de densidades se pueden expresar de la forma () = exp ( ()()) ()(), en donde las funciones (.) y (.) son positivas para toda y para toda , respectivamente. Mientras que las funciones (.) y (.) son invertibles.
239
240 10.3. FUNCIONES Y CONJUNTOS CONVEXOS
EJEMPLO 10.2
Algunos ejemplos de las familias exponenciales (completas) Poisson. Binomial. Uniforme con un par ametro. Normal con un par ametro.
10.3.
Funciones y conjuntos convexos
La propiedad de convexidad de las funciones juega un papel muy importante en el caso de estimaci on puntual. Por ejemplo, en el cap tulo anterior revisamos algunas funciones de p erdida, en particular, la cuadr atica y la de valor absoluto, sin haber hecho una precisi on, estas funciones son convexas. En general, la raz on del estudio de las funciones de p erdida (, ) convexas en se debe a que estas facilitan los desarrollos te oricos sobre la optimizaci on cuando se trata de estimadores puntuales. Denici on 10.4. Sea una funci on de valores reales, denida en el intervalo = (, ) con < , se dice que es una funci on convexa si para cualesquier , y< ( + (1 ) ) () + (1 )( ), para todo 0 < < 1 (10.1) Se dice que la funci on es convexa estricta si la desigualdad en (10.1) es estricta.
NOTA 10.1: Una funci on es c oncava en (, ) si es convexa.
La convexidad es una condici on fuerte que implica varias situaciones y simplica los desarrollos en la b usqueda de valores que optimicen una funci on, por tales razones resulta apropiado revisar algunos criterios para determinar cu ando una funci on es convexa. Teorema 10.3. Criterios de convexidad de una funci on 1. Sea una funci on denida y diferenciable en (, ), entonces una condici on necesaria y suciente para que sea convexa es que () ( ) < < < . (10.2)
La funci on es convexa estricta si y s olo si la desigualdad en (10.2) es estricta para toda < . 2. Sea una funci on denida y dos veces diferenciable en (, ), entonces una condici on necesaria y suciente para que sea convexa es que () 0 < < < .
240
(10.3)
En este caso la desigualdad estricta en (10.3) es u nicamente una condici on necesaria, pero no suciente para que la funci on sea convexa estricta.
EJEMPLO 10.3
Algunas funciones convexas simples. () = 2 , del segundo criterio tenemos que () = 2 0 . () = , del primer criterio se obtiene que () ( ) para toda < . () = 3 en + , del segundo criterio tenemos que () = 6 0 0. () = , del segundo criterio tenemos que () = 0 . Una propiedad importante de las funciones convexas est a dada en el siguiente teorema. Teorema 10.4. Sea una funci on convexa denida en = (, ) y sea un punto jo de . Entonces existe una l nea recta = () = ( ) + () (10.4)
a trav es del punto (, ()) (ver gura a la derecha), tal que () () para toda . (10.5)
Teorema 10.4 gracamente
Teorema 10.5. Desigualdad de Jensen. Si es una funci on denida en un intervalo abierto = (, ) y una variable aleatoria que cumple ( ) = 1 y su esperanza es nita, entonces ( ( )) (( )) . (10.6) Si es convexa estricta, entonces la desigualdad es estricta a menos que sea una constante con probabilidad 1. Del teorema 10.5 se concluye el siguiente corolario. Corolario 10.6. Si es una variable aleatoria no-constante y positiva con esperanza nita, entonces (i)
1 ( )
<
(1)
(ii) ( ( )) < ( ( )).

EJERCICIOS 10.1
Resuelva los ejercicios 1.7.2, 1.7.3,1.7.8.

241
242 10.3. FUNCIONES Y CONJUNTOS CONVEXOS
Los conjuntos convexos juegan un papel muy importante en los problemas de optimizaci on, porque contienen a todos los puntos que se encuentren dentro del segmento que une cualquier par de puntos del conjunto. Lo anterior aunque parece sencillo contiene una gran relevancia te orica porque maniesta que la propiedad entre los puntos que est an uni endose debe prolongarse a trav es de todo el segmento. Denici on 10.5. Sea un conjunto y , dos puntuales cualesquiera de , entonces se dice que el conjunto es convexo, si = + (1 ) para todo [0, 1].
EJEMPLO 10.4 (Conjuntos convexos y no convexos)
Circulo, cuadrado, cualquier poligono regular (ver guras 10.1). Conjuntos no convexos, por ejemplo una luna, estrella, (ver guras 10.2), etc etera.
Figura 10.1: Conjuntos convexos = + Figura 10.2: Conjuntos no convexos =

(1 ) + (1 )
La denici on anterior junto con la de una funci on convexa (10.4) se pueden generalizar en un espacio euclideano Denici on 10.6. Para cualquier par de puntos x = (1 , . . . , ) y y = (1 , . . . , ) en , se dene un punto x + (1 )y con coordenadas + (1 ) con = 1, . . . , . (i) Un conjunto es convexo si para cualquier x, y los puntos x + (1 )y, 0 < < 1 tambi en est an en . Geom etricamente se dice que el segmento que une los puntos est a contenido en el conjunto . (ii) Sea una funci on de valores reales denida en el conjunto convexo es convexa si ( + (1 ) ) ()+(1 )( ), para todo 0 < < 1 y es estricta convexa si la desigualdad es estricta para x y y.
EJEMPLO 10.5 (Combinaci on convexa)
Si es una funci on de una variable real denida en el intervalo para cada = 1, . . . , entonces para cualquier constantes positivas 1 , . . . , llamamos combinaci on convexa a (x) = ( ), y resulta ser una funci on convexa denida sobre los rect angulos con lados 1 , . . . , ; y es convexa estricta cuando las funciones 1 , . . . , son convexas estrictas.
242
En particular en este ejemplo tenemos que la funci on de p erdida (, t) = es convexa estricta. Para el caso dimensional tambi en existe un criterio an alogo para determinar cu ando una funci on es convexa. Teorema 10.7. Sea (t) una funci on denida en un conjunto convexo y dos veces diferenciable en t . Entonces una condici on necesaria y suciente para que sea convexa es que la matrix Hessiana sea semidenida positiva, y cuando es denida positiva, entonces es convexa estricta.
NOTA 10.2: Criterios para determinar cuando una matriz A es denida o semidenida

( ())2
(10.7)
positiva. (i) Si la forma cuadr atica x Ax 0, y es cero s olo cuando x = 0, entonces la matriz A es denida positiva ; en caso de existir un x = 0, entonces es semidenida positiva . (ii) Si todos los valores caracter sticos (propios o eigen valores) son positivos, la matriz A es denida positiva; en caso de existir al menos un valor caracter stico cero y positivos la matriz es semidenida positiva.
EJEMPLO 10.6 (Funci on de p erdida cuadr atica)
esta es una Considere la funci on de p erdida (, t) = ( ()) ( ()), funci on convexa estricta, siempre que la matriz hessiana sea denida positiva. En particular sean: 1. (, t) = 49 (1 1 ())2 + 4 (2 2 ())2 + 56 (1 1 ()) (2 2 ()) la matriz Hes( ) 49 14 siana est a dada por 2 . Mientras que su forma cuadr atica 14 4
2 2 2(492 1 + 281 2 + 42 ) = 2(71 + 22 ) 0
y es cero cuando x = (, 7 /2) para toda , esto indica que la funci on de p erdida es convexa, pero no convexa estricta. Si utilizamos el segundo cr terio con los valores caracter sticos, tenemos: 4 49 14 = 4((49 )(4 ) 142 ) = 0 14 4
Resolviendo la ecuaci on tenemos los valores caracter sticos = 53, 0, obteniendo el mismo resultado que con la forma cuadr atica.
243
244 10.4. BUSQUEDA DE ESTIMADORES QUE DISMINUYAN EL RIESGO
2. (, t) = (1 1 ())2 + 5 (2 2 ())2 + (3 3 ())2 + 4 (1 1 ()) (2 2 ()) + 2 2 (1 1 ()) (3 3 ()) + 2 (2 2 ()) (3 3 ()).

EJERCICIOS 10.2
Resuelva los ejercicios 1.7.12, 1.7.18, 1.7.19 y el ejemplo 2 que est a arriba El siguiente resultado nos indica una situaci on en la que podemos obtener funciones de riesgo con un valor u nico que minimiza el riesgo. Teorema 10.8. Sea (, ) una funci on de p erdida convexa y denida en , y la funci on de riesgo () = [(, )] nita para un valor . Si la funci on de p erdida no es mon otona, entonces () tiene un m nimo en un intervalo cerrado, adem as si es convexa estricta, entonces el m nimo es u nico.
EJEMPLO 10.7
Funciones de p erdida cuadr atica (el valor m nimo es u nico) y valor absoluto (el valor m nimo puede no ser u nico). Corolario 10.9. Bajo las condiciones del teorema 10.8, sup ongase que la funci on de p erdida es par y la variable aleatoria es sim etrica con respecto a ( ) = , entonces la funci on de riesgo tiene su valor m nimo en = .
EJEMPLO 10.8
Ver una funci on de p erdida no convexa.
10.4.
B usqueda de estimadores que disminuyan el riesgo
En estos momentos cabe recordar el problema que estamos analizando en esta parte de la Teor a de decisiones, al aplicar las funciones de p erdida y riesgo en las decisiones. Al introducir las funciones de p erdida ante un problema de decisi on lo que deseamos determinar son los estimadores puntuales con los que la funci on (, ) minimiza a su correspondiente funci on de riesgo. Es decir, debemos hacer una b usqueda de mejores estimadores para una funci on de p erdida (, ), tal que minimicen la funci on de riesgo. Teorema 10.10. Teorema de Rao-Blackwell. Sea X un vector de variables aleatorias con funci on de distribuci on () F = { } en donde espacio param etrico, y sea la estad stica suciente para F . Por otro lado, sea (X) un estimador de (), y la funci on de p erdida (, ) una funci on convexa estricta en . Entonces si (X) tiene una esperanza nita y riesgo [ ] (X) () = (, (X)) , y si tenemos la esperanza condicionada [ ] () = (X) ,
244
(10.1)
el riesgo del estimador () satisface (, ) < (, ) a menos que (X) = (X) con probabilidad 1. Algunos puntos que valen la pena remarcar del teorema 10.10 son: 1. La suciencia de es usada en la demostraci on solamente para garantizar que ( ) no dependa de y por eso es un estimador. 2. Si la funci on de p erdida es convexa, pero no convexa estricta, entonces la relaci on (10.2) del teorema se cumple si reemplazamos el signo de desigualdad estricta por (, ) (, ), lo que signica que el estimador ( ) es al menos tan bueno como el estimador (X). 3. El teorema no se cumple si eliminamos la condici on de convexidad. Corolario 10.11. Dado un estimador aleatorizado de (), existe un estimador no aleatorizado que es uniformemente mejor si la funci on de p erdida es convexa estricta y al menos tan bueno cuando esta es convexa. Denici on 10.7. Un estimador es llamado inadmisible, s existe otro estimador que domina a este, es decir, (, ) (, ) para toda , con desigualdad estricta para alg un . En caso de no existir dicho estimador , entonces es llamado estimador admisible. Cuando la funci on de p erdida es convexa estricta, entonces se concluye del corolario 10.11 que cualquier estimador admisible debe ser no aleatorizado. Teorema 10.12. Si es una funci on de p erdida convexa estricta y es un estimador admisible de (), y si es otro estimador con la misma funci on de riesgo, que satisface (, ) = (, ) para toda , entonces = con probabilidad 1. Los resultados anteriores pueden ser extendidos al caso de vectores, es decir, para () = (1 (), . . . , ()) y el estimador (X) = (1 (X), . . . , (X)).
EJERCICIOS 10.3
(10.2)
Resuelva los ejercicios 1.7.9 y 1.7.10
10.5.
Funciones de p erdida m as comunes
Durante el desarrollo de las secciones anteriores se ha hecho enfasis en las funciones convexas, puesto que como hemos visto estas pueden dismuir el riesgo. Pero en la realidad la pregunta que siempre surge, se reere a la factibilidad de encontrar una de tales funciones
245
246 10.6. GENERALIZACION DE LAS FUNCIONES DE PERDIDA
que modele la realidad. Adem as cuando tenemos problemas reales de p erdida, por ejemplo en una situaci on nanciera, producci on de piezas defectuosas, etc etera, generalmente suponemos que las p erdidas estar an acotadas, de tal forma que impl citamente estamos suponiendo que la funci on de p erdida (, ) debe ser acotada, condici on que no cumplen las funciones convexas. Proposici on 10.13. Sea una funci on denida y acotada en o + , entonces no puede ser una funci on convexa, a menos que sea constante. Adem as las funciones de p erdida acotadas, con no acotada pueden conducir a estimadores completamente irracionales, a excepci on de un caso trivial (ver un teorema sobre estimadores IVUM). Al ser no acotada pueden cometerse grandes errores que inuir an, dando aproximaciones muy malas. Quizas las funciones convexas resultan en estimadores m as razonables porque en las grandes penalizaciones ellos exijen compensar grandes errores por la suposici on no realista de que es ilimitada. Ellos toman valores tan caros que los estimadores tratar an de evitarlos. Las funciones de p erdida ampliamente usadas son las que utilizamos en el cap tulo anterior. (i) Funci on de p erdida cuadrada: (, ) = [ ()]2 . (ii) Funci on de p erdida cuadrada ponderada: ()(, ) = [ ()]2 . Estas dos funciones son convexas estrictas en y cumplen con los resultados de optimizaci on mostrados. (iii) Funci on de p erdida valor absoluto: (, ) = (). Es la funci on convexa m as lenta en crecimiento. (iv) Funci on de p erdida valor absoluto a la potencia (1, 2): (, ) = () , con 1 < < 2. Esta funci on es convexa estricta. { [ ()]2 , si () ; Estas fun(v) Funci on de p erdida seccionada: (, ) = 2 2 () , si () . ciones tienen gran aplicaci on, porque representan las p erdidas evaluadas de forma diferente con respecto al tipo de error en la estimaci on. Se construyen de tal forma que sean continuas y diferenciables continuas. Una de las desventajas de los dos u ltimos tipos de las funciones de p erdida, consiste en que los estimadores resultantes, incluso en problemas bastante simples, no se pueden obtener en forma cerrada y de aqu que son m as dif ciles de aprovechar intuitivamente e interpretar. Estas desventajas hacen que un decisor, generalmente se incline por usar las funciones de p erdida cuadr atica o alguna otra medida de precisi on derivada de esta.
10.6.
Generalizaci on de las funciones de p erdida
Los resultados anteriores se pueden generalizar, tanto en la cantidad de par ametros y desde luego en la cantidad de estimadores. Iniciaremos con las estad sticas sucientes
246
minimales, para esto denotamos al vector de par ametros = (1 , . . . , ) y las estad sticas T = (1 , . . . , ), en donde y no necesariamente son iguales.
Denici on 10.8. Sea 1 , . . . , una muestra aleatoria de la familia F con par ametros , se llama estad stica m nima suciente de ( ) al estad stico T con (X), para = 1, . . . , , si para cualquier otra estad stica suciente U de existe una funci on , tal que T = (U).
EJEMPLO 10.9
Sean 1 , . . . , y 1 , . . . , independientes con distribuciones (, 2 ) y (, 2 ), respectivamente. Encuentre la estad stica m nima suciente para los siguientes casos:
(a) Cuando , , y son arbitrarios y < , < , 0 < , .
(b) Cuando = y , , son arbitrarios.
(c) Cuando = y , , son arbitrarios.
Soluci on (a) Utilizando el criterio de factorizaci on, necesitamos encontrar la distribuci on conjunta de X, Y, para esto utilizamos su independencia (x, y) = (x) (y) =
=1 ( )2 ( )2 1 1 22 2 2 2 2 =1
( =
1 2
) (
1 2
1 2 2 exp 2 + 2 2 =1 =1 2 2 1 2 2 + 2 2 2 2 =1 =1 2
De donde, la estad stica minima suciente estar a dada por: ( ) = 2 , , 2 , para los par ametros = (, 2 , , 2 ).
247
(b) Utilizando el desarrollo del inciso anterior, con = , tendremos: (x, y) = (x) (y) =
=1 ( )2 ( )2 1 1 2 2 22 2 2 =1
( =
1 2
)+
1 exp 2 2
(
=1
2 +
=1
)
2
2 =1
2 + 2 + 2 =1 2 2
De donde, la estad stica minima suciente estar a dada por: ( ) = 2 + 2 , , para los par ametros = (, 2 , ). (c) Siguiendo el procedimiento del inciso anterior, con = , tendremos (x, y) = (x) (y) =
=1 ( )2 ( )2 1 1 2 2 2 2 2 2 =1
( =
1 2
) (
1 2
{ exp
1 2 2 + 2 2 =1 2 =1 2 2 1 2 2 2 + 2 2 2 =1 =1 2
De donde, la estad stica minima suciente estar a dada por: ( ) = 2 , , 2 , para los par ametros = (, 2 , 2 ). Teorema 10.14. Sea F una familia nita de densidades , = 0, 1, . . . , en donde todas tienen el mismo soporte. Entonces la estad stica ) ( (X) ( X) 1 (X) ,..., con = para = 1, . . . , (10.1) ( X) = 0 ( X) 0 ( X) 0 ( X) es minima suciente.
Demostraci on. Primero vericaremos una condici on necesaria y suciente para que la estad stica sea suciente es que para cualesquier = 1, 2, . . . , jo el cociente (x)/0 () sea una funci on u nicamente de (x).
248
Como se cumplen las condiciones del teorema sobre el criterio de factorizaci on, tenemos que existen las funciones no negativas y , tales que () = [ (x)] (x) a excepci on de un evento con probabilidad cero. Luego, la raz on (x) [ (x)] (x) [ (x)] = = 0 (x) 0 [ (x)] (x) 0 [ (x)] a excepci on de un evento con probabilidad cero, es una funci on de para = 1, 2, . . . , . Luego, es una estad stica suciente para F , si y s olo si es funci on de , entonces es la estad stica m nima suciente. El teorema 10.14 se puede extender al caso en que F es contable, m as a un cuando es incontable, aunque su demostraci on tiene ciertas dicultades te oricas. Combinando estos estos resultados con el teorema 10.14 y el lema siguiente se pueden determinar estad sticas m nimas sucientes. Lema 10.15. Si F es una familia de distribuciones con soporte com un y F0 F , y si es m nima suciente para F0 y suciente para F , entonces es m nima suciente para F. Demostraci on. Si es una estad stica suciente para F , entonces lo es tambi en para F0 y de aqu es funci on de , luego es una una estad stica m nima suciente.
EJEMPLO 10.10
Muestre que las estad sticas de orden son m nimas sucientes para la familia de localizaci on (x) = (1 ) ( ), cuando es la densidad de: (a) la distribuci on doble exponencial (, 1) (b) la distribuci on de Cauchy (, 1) Soluci on (a)En el caso de la distribuci on doble exponencial, su funci on de densidad 1 / (, ) est a dada por () = 2 . En el caso particular (, 1), su funci on de 1 densidad () = 2 . As , iniciamos deniendo a la familia de densidades en estudio F = { (, 1) : < < } Luego, la funci on de densidad para la familia de localizaci on, estar a dada por { } ( ) 1 1 = exp . (x) = 2 2 =1 =1 (10.2)
(10.3)
249
Tomando los valores (diferentes) para el par ametro = 0 , 1 , . . . , , tendremos la subfamilia de F en (10.2) dada por F0 = { (, 1) : = 0 , 1 , . . . , } (10.4)
Vamos a utilizar el teorema 10.14, para esto necesitamos la estad stica (X), dada por ( ( X) = (X) 1 (X) ,..., 0 (X) 0 (X) ) con = (X) para = 1, . . . , 0 (X) (10.5)
De la ecuaci on (10.3), para 0 y cada con = 1, . . . , , tenemos { } ( ) 1 0 (x) = exp 0 2 =1 { } ( ) 1 (x) = exp 2 =1 Sustituyendo (10.6) y (10.7), en la expresi on (10.3) con 0 = 0, resulta { } ( 1 ) exp 2 ( x) {=1 } = ( ) 0 (x) 1 exp 2 =1 { } = exp ( ) , para cada = 1, . . . ,
=1
(10.6) (10.7)
(10.8)
Por el teorema 10.14, (X) dada por (10.5) son las estad sticas m nimas sucientes para F0 dada en (10.4). Falta por comprobar que (X) es una estad stica suciente para F , esto lo comprobamos, mostrando que para = + 1, (X) es equivalente a las estad sticas de orden, es decir, (x) = (y) si y solamente si x = (1 , . . . , ) y y = (1 , . . . , ) tienen las mismas estad sticas de orden, esto es uno, es una permutaci on de la otra. En este caso esto resulta de (10.8) la ecuaci on (x) = (y) se transforma al simplicar la exponencial en la ecuaci on
=1
( ) =
=1
( ) para cada = 1, . . . , + 1
(10.9)
En la expresi on (10.9) tenemos la suma de expresiones del tipo , que son
250
funciones sim etricas con respecto a /2, y tienen la siguiente expresi on: si < 0; si < ; , , Si > 0 2 , si [0, ]; para < 0 2 + , si [, 0]; , si > . , si > 0. Se obtienen al abrir par entesis, por ejemplo para > 0. Si < 0 = (( )) = Si > = ( ) = Si [0, ] = (( )) = 2 Por otro lado,
=1
( ) =
( ( ) ) () () () , es decir, ( ) = =1 =1 =1
de donde tenemos que la ecuaci on (10.9) la podemos escribir en forma equivalente a

( ) ( ) () () = () () para cada = 1, . . . , + 1 =1 =1
(10.10)
Por lo tanto, en la expresi on (10.10) tenemos dos sistemas de ecuaciones lineales con incognitas que coinciden en + 1 valores, entonces sus soluciones son las mismas, lo que es equivalente a que las estad sticas de orden de las s y s son iguales. Por lo tanto, (X) coincide con las estad sticas de orden y estas son sucientes para F y adem as se demostr o que (X) son las estad sticas m nimas sucientes para F0 F , luego del lema 10.15 se concluye que las estad sticas de orden son m nimas sucientes para F . (b) Se siguen los mismos pasos que en el inciso anterior, de tal forma que se simplicar a un poco. En el caso de la distribuci on cauchy, su funci on de densidad (, ) est a dada por 1 1 1 () = 2 +()2 . En el caso particular (, 1), su funci on de densidad () = . 1+()2 As , iniciamos deniendo a la familia de densidades en estudio F = { (, 1) : < < } Luego, la funci on de densidad para la familia de localizaci on, estar a dada por ( ) 1 1 (x) = . 1 + ( )2 =1 (10.12) (10.11)
Tomando los valores (diferentes) para el par ametro = 0 , 1 , . . . , , tendremos la subfamilia de F en (10.11) dada por F0 = { (, 1) : = 0 , 1 , . . . , } (10.13)
251
Vamos a utilizar el teorema 10.14, para esto necesitamos la estad stica (X), dada por (10.5). Luego, de la expresi on (10.12), para 0 y cada con = 1, . . . , , tenemos
( 1 )
(x) = 0 (x) =
=1
1 1+( )2 1 1+2
( 1 ) =1 =1
1 + 2 , para cada = 1, . . . , 1 + ( )2
(10.14)
Por el teorema 10.14, (X) dada por (10.5) son las estad sticas m nimas sucientes para F0 dada en (10.13). Falta por comprobar que (X) es una estad stica suciente para F , esto lo comprobamos, mostrando que para = + 1, (X) es equivalente a las estad sticas de orden, es decir, (x) = (y) si y solamente si x = (1 , . . . , ) y y = (1 , . . . , ) tienen las mismas estad sticas de orden, esto es uno, es una permutaci on de la otra. En este caso esto resulta sencillo, porque con (10.14) la ecuaci on (x) = (y) se transforma con la rec proca a la ecuaci on
1 + ( )2 =1
1 + 2
1 + ( )2 =1 2 1 +
para cada = 1, . . . , + 1
(10.15)
N otese que en este caso los polinomios en tienen coecientes reales, luego en tienen ra ces y sus conjugadas. Adem as coinciden en + 1 valores, entonces sus ra ces son las mismas, lo que es equivalente a que las estad sticas de orden de las s y s son iguales. Por lo tanto, (X) coincide con las estad sticas de orden y estas son sucientes para F y adem as se demostr o que (X) son las estad sticas minimas sucientes para F0 F , luego del lema 10.15 se concluye que las estad sticas de orden son m nimas sucientes para F. Pruebe la siguiente generalizaci on del Teorema 10.14 para familias sin soporte com un. Teorema 10.16. Sea F una familia nita con densidades , = 0, . . . , y para cualquier , sea () el conjunto de parejas de sub ndices (, ) para las cuales () + () > 0 Entonces, la estad stica { } ( X) (X) = : < y (, ) (X) (X) es m nima suciente. Aqu , (x)/ (x) = si (x) = 0 y (x) > 0. N otese que las estad sticas de 10.14 y 10.16 son diferentes { } 1 (X) 2 (X) 2 (X) 3 (X) 3 (X) 3 (X) ( X) = , , , , , ,... 0 (X) 0 (X) 1 (X) 0 (X) 1 (X) 2 (X)
252
Demostraci on. Para cada densidad de la familia, se cumplen las condiciones del Teorema de factorizaci on, aunque tienen soportes diferentes, por esto para cada = 0, . . . , existen las funciones no negativas y , tales que () = [ ()] () con excepci on de un evento con probabilidad cero. Luego, de la raz on () [ ()] () = , () [ ()] () con = constante para < la raz on ser a funci on de . Por lo tanto, tenemos que () ser a una estad stica suciente para F , entonces como (X) es una funci on de para = 0, . . . , , se sigue que es la estad stica m nima suciente para F . El teorema queda demostrado.
NOTA 10.3: La condici on de dividir entre la densidad < no se puede cambiar por la
()
general del Teorema 10.14 de dividir entre 0 . Por ejemplo, si = 2 y 0 = (, 1), 1 = ( 1, ) (distribuciones uniformes) y 2 () = 2/2 para 0 < < el teorema 10.16 no se cumple. Lo anterior se debe a que en el caso general en que F = { (1 , 2 ) : < 1 < 2 < }, tendremos: 0,1 (x) = 2 ( x) = Luego, 1 (x) =1 0 (x)
EJEMPLO 10.11
=1 =1
(1 ,2 ) ( ) =
=1
( , 2 ) (1 , ) = (() , 2 ) (1 , (1) )
2 2 ( , ) = ( , ) () 2 2 =1
2 (x) =0 0 (x)
2 ( x) = depende de x 1 ( x)
Sea = 1 y = (, + 1), = 0, 1. (a) Muestre que la estad stica m nima suciente para F = {0 , 1 } es ( ) = si < < + 1, con = 0, 1. Soluci on: Utilizamos la representaci on general para las densidades uniformes F = { (1 , 2 ) : < 1 < 2 < }, tendremos: 0,1 (x) =
=1
(1 ,2 ) ( ) =
=1
( , 2 ) (1 , ) = (() , 2 ) (1 , (1) )
Luego, con = 2 variables una ser a la m nimal y la otra la m aximal, para una distribuci on uniforme con soporte de longitud 1, de aqu que cuando est e en el menor intervalo la estad stica se puede hacer equivalente a 0, cuando est e en el
253
254 10.7. DISMINUCION DEL RIESGO CON LOS ESTIMADORES IVUM
intervalo mayor la estad stica mayor se puede hacer equivalente a 1. (b) Sean 1 y 2 iid de acuerdo a la distribuci on para F . Muestre que cada una de las estad sticas 1 = (1 ) y 2 = (2 ) es suciente para (1 , 2 ). Soluci on: Utilizamos la representaci on general para las densidades uniformes F = { (1 , 2 ) : < 1 < 2 < }, tendremos: 0,1 (x) =
=1
(1 ,2 ) ( ) =
=1
( , 2 ) (1 , ) = (() , 2 ) (1 , (1) )
Luego, con = 2 variables una ser a la m nimal y la otra la m aximal, de aqu que cada una de las estad sticas 1 = (1 ) y 2 = (2 ) es suciente para (1 , 2 ) (c) Muestre que (1 ) y (2 ) son equivalentes. Soluci on: La equivalencia resulta de la funci on () = + 1 o () = 1, puesto que las variables est an distribuidas uniformemente en un intervalo de longitud 1 y con estas funciones podemos obtener una de la otra.
EJERCICIOS 10.4
Resuelva los ejercicios 1.6.8, 1.6.12, 1.6.16
10.7.
Secci on 2.1
Disminuci on del riesgo con los estimadores IVUM
254

Curso Teoria de Desiciones

Загружено:

Сведения о документе

Исходное описание:

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Curso Teoria de Desiciones

Загружено:

Авторское право:

Доступные форматы

Captulo 1

PROBLEMAS TPICOS TPICOS Y MOTIVACIN DE DE LA TEORA DE DECISIONES

Supngase que se tienen dos situaciones diferentes que consisten en lo siguiente.

Problemas tpicos y motivacin de Teora de decisiones. decisiones. 3

lanzamiento puede ganar $ 2 n esperada del jugador?

pesos con probabilidad (1 2) n . Se pregunta, Cul es la ganancia

Comprobacin de que X tiene una distribucin de probabilidades. Es decir,

Ahora calculamos el valor esperado1 de la variable aleatoria X,

Ver sesin 1, definicin 10.

Problemas tpicos y motivacin de Teora de decisiones. decisiones. 5

Problemas tpicos y motivacin de Teora de decisiones. decisiones. 7

recuperacin en el ao i de la inversin (.) (1 + r ) i

1 , con lo que resulta la 1+ r

La solucin de la ecuacin, se obtiene definiendo la variable, x =

Problemas tpicos y motivacin de Teora de decisiones. decisiones. 9

8 4 5 5 + + + = 0 r = 0.3200 2 3 1 + r (1 + r ) (1 + r ) (1 + r ) 4 TIR (C ) = 32.00% 1 1 1 2 + + + = 0 r = 0.4327 2 3 1 + r (1 + r ) (1 + r ) (1 + r ) 4 TIR( D) = 43.27% 16 5 + = 0 r = 0.1339 1 + r (1 + r ) 2 TIR( E ) = 13.39%

5.4 19.2 + = 0 r = 0.1936 1 + r (1 + r ) 2 TIR( F ) = 19.36%

Proyecto Limn Durazno 6 4 0 0 2 0 3 4 3 5 4 3

Criterios de decisin bajo incertidumbre sin muestreo. 13

Consecuencias: En este caso tendremos 4 4 = 16 consecuencias (4 acciones y 4 eventos).

Criterios de decisin bajo incertidumbre sin muestreo. 15

Para D1 = 700 y a 3 = 900 , la consecuencia ( accin > Demanda )

no es necesario, ya que se puede trabajar con la expresin inicial

c) La matriz de utilidades, finalmente quedar estructurada de la siguiente forma.

D1 = 700 p1 = 0.1 10,500 10,200 9,900 9,600

D2 = 800 p 2 = 0.3 10,500 12,000 11,700 11,400

D3 = 900 p 3 = 0.5 10,500 12,000 13,500 13,200

D4 = 1000 p 4 = 0 .1 10,500 12,000 13,500 15,000

a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000

Eventos Acciones a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000

D1 = 700 p1 = 0.1 7,000 8,000 9,000 10,000

D2 = 800 p 2 = 0.3 7,000 8,000 9,000 10,000

D3 = 900 p 3 = 0.5 7,000 8,000 9,000 10,000

D4 = 1000 p 4 = 0 .1 7,000 8,000 9,000 10,000

Eventos Acciones a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000

D1 = 700 p1 = 0.1 17,500 17,500 17,500 17,500

D2 = 800 p 2 = 0.3 17,500 20,000 20,000 20,000

D3 = 900 p 3 = 0.5 17,500 20,000 22,500 22,500

D4 = 1000 p 4 = 0 .1 17,500 20,000 22,500 25,000

Criterios de decisin bajo incertidumbre sin muestreo. 17 NOTAS

con la que se obtiene el mximo de las mnimas consecuencias por accin

D1 = 700 p1 = 0.1 10,500 10,200 9,900 9,600

D2 = 800 p 2 = 0.3 10,500 12,000 11,700 11,400

D3 = 900 p 3 = 0.5 10,500 12,000 13,500 13,200

D4 = 1000 p 4 = 0 .1 10,500 12,000 13,500 15,000

a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000

Solucin Primeramente se eligen los mnimos por accin.

Posteriormente se elige el mayor de los mnimos obteniendo S k = max{S i } = 10,500 al cual le

consecuencia, que denotaremos por Oi = max X ij

{ } y posteriormente la mejor accin se elige, con la

la mejor accin Ok = max{Oi } .

10,500 12,000 13,500

Criterios de decisin bajo incertidumbre sin muestreo. 19

Posteriormente, se elige el mayor de los mximos obteniendo Ok = max{Oi } = 15000 al cual le

S k + (1 )Ok = max{S i + (1 )Oi }; [0,1] .

a1 = 700 a 2 = 800 a 3 = 900 a 4 = 1000

10,500 10,200 9,900 9,600

10,500 12,000 11,700 11,400

10,500 12,000 13,500 13,200

10,500 12,000 13,500 15,000

10,500 12,000 13,500 15,000

10,500 10,200 9,900 9,600

10500 10506 10512 10518