UNAD

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
Escuela de Ciencias Bsicas, tecnologas e ingeniera

Contenido didctico del curso Teora de decisiones
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BSICAS, TECNOLOGIAS E INGENIERA
200608 TEORIA DE LAS DECISIONES

WILLIAM EDUARDO MOSQUERA LAVERDE
(Director Nacional)
NUBIA SALAZAR
Acreditador
BOGOT D.C.
Marzo 2010
1

INDICE DE CONTENIDO
INTRODUCCION GENERAL
UNIDAD 1. CONCEPTOS BASICOS Y DECISIONES BAJO INCERTIDUMBRE 11

CAPITULO 1. GENERALIDADES
CONCEPTOS BASICOS
DE
LA
TOMA
DE
DECISIONES
Leccin 1. Tipos de toma de decisiones

Leccin 2. Proceso de tomas de decisiones
Leccin 3. Elementos en los modelos de anlisis de toma de decisin
Leccin 4. Pasos para la toma de decisiones
Leccin 5. Criterios de decisin
Taller
CAPITULO 2. DECISIONES BAJO INCERTIDUMBRE VALOR ESPERADO
Leccin 6. Criterio del valor esperado
Leccin 7. Diseo y conduccin de la investigacin de merado
Leccin 8. Valor esperado de la informacin muestra
Leccin 9. Valor esperado con la informacin perfecta
Leccin 10.Criterio nivel de aceptacin
Taller
Y
13
14
18
20
22
25
29
30
31
32
34
35
38
41
CAPITULO 3. DECISONES BAJO INCERTIDUMBRE ARBOLES DE DECISON 42

Leccin 11. Elementos de los arboles de decisin
Leccin 12. Seleccin de alternativa de decisin
Leccin 13. Regla de bayes y arboles de decisin
Leccin 14. Teora de la utilidad
Leccin 15. Aplicaciones de la teora de la utilidad
Taller
43
44
48
53
55
60
AUTOEVALUCION UNIDAD 1
62
UNIDAD 2. DECISIONES BAJO RIESGO
63
CAPITULO 4. DECISIONES BAJO RIESGO- TEORIA DE JUEGOS
65
Leccin 16. Conceptos

Leccin 17. Mtodo estrategias dominadas
66
67
2

Leccin 18. Mtodo suma cero y punta de silla

Leccin 19. Mtodos estrategias mixtas
Leccin 20. Mtodo grafico
Taller
68
70
71
79
CAPITULO 5. DECISIONES BAJO RIESGO- CADENAS DE MARKOV.
80
Leccin
Leccin
Leccin
Leccin
Leccin
Taller
21. Procesos estocsticos

22. Cadenas de Markov.
23. Clasificacin de estados en una cadena de markov.
24. Procesos de decisin markoviano
25. Problema esttico y dinmico
81
84
86
88
98
102
CAPITULO 6. DECISIONES BAJO RIESGO - PROGRAMACION META.
103
Leccin 26. Conceptos fundamentales.

Leccin 27. Formulacin del modelo.
Leccin 28. Programacin con recursos limitados
Leccin 29. Objetivos mltiples
Leccin 30. Aplicaciones
Taller
104
106
111
117
120
122
CAPITULO 7. DECISIONES BAJO RIESGO SIMULACIN.
125
Leccin 31. Definiciones.

Leccin 32. Tipos de simulacin
Leccin 33. Mtodos de simulacin
Leccin 34. Aplicaciones de la simulacin.
Leccin 35. Mtodos de observaciones estadsticas
126
127
136
139
141
AUTOEVALUCION UNIDAD 2
145
BIBLIOGRAFIA.
147

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

LISTADO DE GRFICOS Y FIGURAS

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

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

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

INTRODUCCIN GENERAL
fuente:www.universia.es/.../decisiones-interactivas.jpg
El curso acadmico de Teora de Decisiones, consta de 2 (dos) crditos

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

Este curso es importante en la medida que sirve para desarrollo, anlisis y

comprensin de los diferentes mtodos matemticos para la toma de decisiones
necesarias en las diversas empresas que se manejan, orientan o dirigen en el
pas.
Las Unidades Didcticas que conforman el curso son: Conceptos bsicos y
Decisiones bajo incertidumbre; Decisiones bajo riesgo. En donde se debe resaltar
el repaso de Estadstica en el manejo de mediciones y procesos inferenciales,
Probabilidad en el conocimiento y manejo de los variados valores esperados y
desviaciones, Algebra lineal en el manejo y uso de las matrices necesarias para
las decisiones con cadenas de markov. Dichas temticas permiten el desarrollo de
competencias de orden superior especialmente la interpretacin, el anlisis, los
requerimientos y anlisis econmico para un proceso especifico.
Este curso est compuesto por dos Unidades didcticas a saber:
Unidad 1. Conceptos bsicos y decisiones bajo incertidumbre: Se inicia con
los conceptos de anlisis de decisin donde se pretende que el estudiante valore
la importancia de la teora de decisiones pues tiene que ver con la ciencia de la
toma de decisiones, se pretende adems desarrollar tcnicas para medir los
gustos o valores de las personas por medio de una funcin de utilidad.
Esto proporciona tambin una medida de la actitud individual de una persona a la
incertidumbre. Tambin se pretende mostrar como las creencias de una persona,
en trminos de probabilidades subjetivas, por medio del desarrollo de los arboles
de decisin.
Unidad 2. Decisiones bajo riesgo: Se plantean los diferentes mtodos
empleados para solucionar problemas relacionados con la teora de juegos,
cadenas de Markov y programacin meta con los que se pretende que el
estudiante posea ms herramientas para que busque la solucin ptima a
problemas simples y complejos que se le puedan presentar tanto en la
cotidianidad como en el ejercicio de su vida profesional y/o laboral. Adems un
ltimo captulo donde tenga una introduccin a los procesos de simulacin.
UNIDAD 1
8

Nombre de la Unidad
Introduccin
Justificacin
Intencionalidades Formativas
Denominacin de captulo 1
Denominacin de Leccin 1
Conceptos Bsicos y Decisiones Bajo

incertidumbre
Generalidades de la Toma de Decisiones

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

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

Markov.
Procesos estocsticos
Cadenas de de Markov
Clasificacin de estados en una cadena de
Markov
Procesos de decisin Markoviano
Problema esttico y dinmico
Decisiones Bajo Riesgo- Programacin
Meta.
Conceptos fundamentales.
Formulacin del modelo.
Programacin con recursos limitados.
Objetivos mltiples.
Aplicaciones.
Decisiones Bajo Riesgo- Simulacin.

Definiciones.
Tipos de simulacin.
Mtodos de simulacin.
Aplicaciones de simulacin.
Mtodos de observaciones estadsticas.
10

UNIDAD .1 CONCEPTOS BSICOS Y DECISIONES BAJO INCERTIDUMBRE.
Fuente: sigc.wikidot.com/.../conocimiento.JPG
INTRODUCCIN:
Esta unidad desarrollar, las bases necesarias y recopilacin de informacin para
llevar a cabo el curso de teora de decisiones, en la unidad se mostraran los pasos
para un proceso y por ende para una buena toma de decisin y por ende ver la
necesidad de tener mtodos matemticos para lo mismo.
En el siguiente captulo empezar el estudiante a desarrollar el manejo de los
criterios de decisin y la forma de interactuarlos con los procesos investigativos y
el manejo estadstico de esta investigacin de mercados.
Por ltimo aplicar lo visto en los captulos anteriores por medio modelos ms
grficos y sencillos como se resuelven los arboles de decisin.
OBJETIVO GENERAL:
Dar a conocer a los estudiantes las generalidades necesarias para la toma de
decisiones y una vista genrica de los modelos para resolver la toma de
decisiones bajo incertidumbre, sus caractersticas y los conceptos bsicos que
permitan manejar el vocabulario necesario en el curso.
OBJETIVOS ESPECIFICOS:
- Conocer los conceptos bsicos para los manejos de los mtodos en la teora de
decisiones.
11

- Aplicar los mtodos matemticos estadsticos para resolver la toma de

decisiones bajo incertidumbre.
-Diferenciar entre los mtodos para las tomas de decisiones bajo incertidumbre
desde la percepcin de una investigacin de mercados con o sin informacin
muestra.
- Conocer los diferentes criterios de decisin para aplicar en el modelo especfico.
- Observar cmo se puede aplicar los modelos decisorios en la empresa en
general.
COMPETENCIAS:
El estudiante despus de estudiar la unidad deber ser competente en los criterios
de decisin necesarios para aplicar en los mtodos de toma de decisin. Tambin
en las formas graficas para resolucin los problemas con incertidumbre.
Diferenciar entre las diferentes clases de decisiones, los mtodos de solucin.
JUSTIFICACION
El profesional debe continuamente aplicar decisiones en su labor, por lo tanto, las
herramientas de criterios de decisin, valor esperado y rbol de decisin debe
aplicar sus conocimientos en estadstica y probabilidad para poder escoger de
forma rpida y grafica una acertada decisin sin necesidad de aplicar clculos
matemticos exigentes.
INTENCIONALIDADES FORMATIVAS
La intencin formativa tiene que ver con las capacidades para tomar decisiones
por medio del uso de diferentes mtodos como lo son los criterios de decisin, el
valor esperado y los arboles de decisin, cuando se tienen diferentes alternativas
o solo dos. Pero esto no es posible s no se desarrolla previamente un estudio de
mercado y no se desarrollan los clculos de probabilidades.
Por lo cual el estudiante aplicar los conocimientos adquiridos en los cursos
previamente nombrados, observando la aplicacin real y til en cada uno de sus
campos profesionales.
12

CAPITULO 1: GENERALIDADES DE LA TOMA DE DECISIONES Y

CONCEPTOS BASICOS
Fuente:www.monografias.com/.../Image815.gif
INTRODUCCIN
En este captulo el estudiante desarrollar los siguientes temas concernientes al
manejo ptimo de una decisin como son:
- Tipos de toma de decisiones.
- Proceso para la toma de decisiones.
- Pasos para la toma de decisiones
- Criterios de decisin.
OBJETIVOS:
1.- Conocer la importancia de seguir un proceso y secuencia para tomar bien una
decisin.
2.- Observar diferentes formas para seguir rutas en las decisiones cotidianas
3.- Estudiar unos procesos y esquemas matemticos como base para una optima
decisin.
4.- Tener a mano un criterio matemtico que apoye una decisin tomada.
13

Leccin 1: TIPOS DE TOMA DE DECISIONES
Fuente: www.scielo.org.co/.../cadm/v20n34/a04g3.jpg
Para iniciar los anlisis en la toma de decisiones se iniciara con tener en cuenta
los tipos de decisiones que se nos presentan a diario en nuestra vida profesional y
particular, con tal concepto se debe diferenciar de la siguiente manera:
. Decisiones programadas: Estas decisiones son las basadas en un esquema de
planeacin, organizacin, control, planteamiento de objetivos y cumplimiento de
metas preestablecidas, son desarrolladas por el sector productivo principalmente y
algunos de nosotros en nuestro proyecto de vida.
Por ejemplo: Construcciones de vivienda, Planificacin de estudios, Adquisicin de
bienes a crdito.
. Decisiones no programadas: Estas decisiones no se basan en ningn tipo de
proyecto o estructura son las que se dan de forma espontnea sin la
programacin que requiere una optima toma de decisiones. Son las que tomamos
segn se vayan presentando las circunstancias tiene que ver con los eventos.
Por ejemplo: Las decisiones de apostar en los juegos de azar, el asistir a
reuniones programadas de ltima hora, los pagos extemporneos de obligaciones.
. Decisiones coercitivas: Son las decisiones que se toman por obligacin y
sin la participacin o consenso de las partes involucradas. Son completamente
direccionadas por agentes externos.
Por ejemplo: El cambio de vivienda cuando se es menor de edad, el despido de un
empresa, el cambio de ruta por cierre de una va.
14

La influencia de los agentes externos en la decisiones son poco manejables en

este aparte se tendr en cuenta solo el esquema donde se tenga control del
mismo o sea las decisiones programadas, estas se inician con un problema previo
el cual se debe resolver; Entonces como en los desarrollos de modelos de
programacin lineal despus de tener un problema ya sea planteado en forma
verbal o escrita debemos proceder de la siguiente manera:
Esquema para la toma de decisiones
Grafico 1. Esquema para la toma de decisiones
Diagnstico: Es el anlisis sistemtico de una situacin particular y un

instrumento cognoscitivo para identificar y descubrir problemas relevantes; en
planeacin, la necesidad de contar con un buen diagnstico es imperativa.
La ventaja de pensar estratgicamente es (en relacin al diagnstico) que siempre
se debern tomar en cuenta las visiones de la realidad de otros grupos (que
pueden ser discrepantes entre ellas), incluirlas como parte del mismo y obtener de
ms preguntas y alternativas de solucin.
Estrategia: Esta parte consiste en designar todos los medios posibles para
resolver el diagnostico, es por lo tanto, un punto que involucra la racionalidad
orientada a un objetivo, tambin se utiliza para designar los procedimientos
usados en una situacin de confrontacin con el fin de privar al oponente de sus
medios de lucha y obligarlo a abandonar el combate; es una cuestin, entonces,
de los medios destinados a obtener una victoria. (DELEUZE, Guilles. (1987)
Foucault. Ediciones Paidos. Barcelona Espaa)
15

Decisin: En esta parte la empresa o la persona ya determino una ruta especifica

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

cuando son utilizados en la complementacin exitosa de un proceso de decisin.
Una vez que se tenga una cantidad masiva de hechos integrados como
conocimiento, entonces su mente ser sobrehumana en el mismo sentido en que,
con la escritura, la humanidad es sobrehumana comparada a la humanidad antes
de escribir.
La grafica 2 ilustra el proceso de razonamiento estadstico basado en datos para
construir los modelos estadsticos para la toma de decisin bajo incertidumbre.
16

Grafico 2. Razonamiento estadistico
De donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico.
Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de
Decisiones
La figura anterior representa el hecho que a medida que la exactitud de un modelo
estadstico aumenta, el nivel de mejoramiento en la toma de decisin aumenta.
Esta es la razn del porqu necesitamos la estadstica de negocio. La estadstica
se cre por la necesidad de poner conocimiento en una base sistemtica de la
evidencia. Esto requiri un estudio de las leyes de la probabilidad, del desarrollo
de las propiedades de medicin, relacin de datos.
La inferencia estadstica intenta determinar si alguna significancia estadstica
puede ser adjunta luego que se permita una variacin aleatoria como fuente de
error. Una inteligente y crtica inferencia no puede ser hecha por aquellos que no
entiendan el propsito, las condiciones, y la aplicabilidad de las de diversas
tcnicas para juzgar el significado.
Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas
decisiones sean tomadas incrementa con la disponibilidad de la buena
informacin. El chance de la disponibilidad de la buena informacin incrementa
con el nivel de estructuracin del proceso de Direccin de Conocimiento. La figura
anterior tambin ilustra el hecho que mientras la exactitud de un modelo
estadstico aumenta, el nivel de mejora en la toma de decisiones aumenta.
El conocimiento es ms que simplemente saber algo tcnico. El conocimiento
necesita la sabidura. La sabidura es el poder de poner nuestro tiempo y nuestro
conocimiento en el uso apropiado. La sabidura viene con edad y experiencia. La
sabidura es la aplicacin exacta del conocimiento exacto. La sabidura es sobre
saber como algo tcnico puede ser mejor utilizado para cubrir las necesidades de
los encargados de tomar decisiones. La sabidura, por ejemplo, crea el software
estadstico que es til, ms bien que tcnicamente brillante.
17

Leccin 2: Proceso de Toma de Decisiones

La toma de decisiones requiere un proceso especfico con el fin de llevar a buen
trmino lo que se pretende decidir, el proceso a desarrollar es:
- Percepcin de la situacin que rodea algn problema.
- Anlisis y definicin de un problema. - Contar con un sistema de informacin
oportuno, confiable y actualizado.
- Conocer los factores internos formales e informales de la organizacin.
- Conocer los factores externos, definir restricciones y limitaciones.
- Elegir correctamente las tcnicas o herramientas a utilizar.
- Especificar los rendimientos y las metas esperadas.
- Evaluar costo - beneficio.
- Definir los objetivos.
- Bsqueda de alternativas ms adecuadas para el alcance de los objetivos.
- Evaluacin y comparacin de las alternativas.
- Implementacin de esas alternativas.
Los anteriores pasos los requerimos para todo tipo de toma de decisiones pero en
trminos de anlisis matemticos la toma de decisiones desde un punto de vista
estadsticos tiene en cuenta los siguientes pasos:
1.
2.
3.
4.
Simplificar
Construir un modelo de decisin
Probar el modelo
Usando el modelo para encontrar soluciones:
o El modelo es una representacin simplificada de la situacin real
o No necesita estar completo o exacto en todas las relaciones
o Se concentra en las relaciones fundamentales e ignora las irrelevantes.
o Este es entendido con mayor facilidad que un suceso emprico (observado),
por lo tanto permite que el problema sea resuelto con mayor facilidad y con
un mnimo de esfuerzo y prdida de tiempo.
5. El modelo puede ser usado repetidas veces para problemas similares, y
adems puede ser ajustado y modificado.
18

Afortunadamente, los mtodos probabilsticos y estadsticos para el anlisis de

toma de decisiones bajo incertidumbre son ms numerosos y mucho ms
poderosos que nunca. Las computadoras hacen disponible muchos usos
prcticos. Algunos de los ejemplos de aplicaciones para negocios son los
siguientes:
Un auditor puede utilizar tcnicas de muestreo aleatorio para auditar las
cuentas por cobrar de un cliente.
Un gerente de planta puede utilizar tcnicas estadsticas de control de
calidad para asegurar la calidad de los productos con mnima inspeccin y
menor nmero de pruebas.
Un analista financiero podra usar mtodos de regresin y correlacin para
entender mejor la analoga entre los indicadores financieros y un conjunto
de otras variables de negocio.
Un analista de mercadeo podra usar pruebas de significancia para aceptar
o rechazar una hiptesis sobre un grupo de posibles compradores a los
cuales la compaa est interesada en vender sus productos.
Un gerente de ventas podra usar tcnicas estadsticas para predecir las
ventas de los prximos periodos.
Anlisis de Decisiones: Tomando Decisiones Justificables y Defendibles
El anlisis de decisiones es la disciplina que consiste en evaluar alternativas
complejas en trminos de valores (habitualmente en $ porque es lo que a los
gerentes les importa) y de incertidumbre (lo que no conocemos). El anlisis de
decisiones brinda informacin sobre las diferencias entre las alternativas definidas,
y genera sugerencias de nuevas y mejores alternativas. Usamos nmeros para
cuantificar valores e incertidumbres subjetivas, lo cual nos permite comprender la
situacin de decisin. Los resultados numricos deben reconvertirse para generar
informacin cualitativa.
Los seres humanos pueden comprender, comparar y manipular nmeros. Por lo
tanto, para crear un modelo de anlisis de decisiones es necesario crear la
estructura del modelo y asignar las probabilidades y los valores para poblar el
modelo de computacin. Aqu se incluyen los valores para las probabilidades, las
funciones de valor para evaluar alternativas, las ponderaciones de valor para
medir la concesin que se debe hacer entre los objetivos, y la preferencia de
riesgo.
Una vez definida la estructura y los nmeros, el anlisis puede comenzar. El
Anlisis de Decisiones implica mucho ms que calcular la utilidad esperada y
ponderada de cada alternativa. Si nos detuviramos aqu, los decisores no
tendran demasiada informacin. Tenemos que examinar la sensibilidad de la
utilidad esperada y ponderada para las probabilidades clave, y los parmetros de
ponderacin y preferencia de riesgo. Como parte del anlisis de sensibilidad
19

podemos calcular el valor de la informacin perfecta para incertidumbres que han

sido modelizadas explcitamente.
Entre las comparaciones cuantitativas adicionales se incluye la comparacin
directa de la utilidad ponderada para dos alternativas en todos los objetivos y la
comparacin de todas las alternativas en dos objetivos seleccionados,
demostrando la optimalidad de Pareto para estos dos objetivos.
La complejidad del mundo moderno, junto con la cantidad de Informacin, la
Incertidumbre y el Riesgo, requieren un marco racional para la toma de
decisiones. Las metas del anlisis de decisiones son las siguientes: incorporar
orientacin, informacin, discernimiento y estructura al proceso de toma de
decisin, para que sta pueda ser mejor y ms "racional".
Figura 1. Ideas
Toda decisin necesita un decisor responsable. El decisor tiene varias

alternativas, y debe elegir una. El objetivo del decisor es elegir la mejor alternativa.
Despus de que se ha tomado la decisin, pueden producirse eventos sobre los
que el decisor no tiene control. Cada combinacin de alternativas elegida, seguida
por un evento, conduce a un resultado con algn valor mensurable. Los gerentes
toman decisiones en situaciones complejas. Las matrices de rbol de decisiones y
pago describen estas situaciones y aaden estructura a los problemas.
Leccin 3: Elementos de los Modelos de Anlisis de Decisin
Las teoras y las tcnicas matemticas que se toman en consideracin en el
anlisis de decisiones se ocupan de las teoras de eleccin prescriptivas (accin).
Es decir, la cuestin aqu es ver exactamente de qu modo se comporta un
decisor cuando se enfrenta a una eleccin entre cursos de accin, cuyos
resultados estn regidos por el azar o las acciones de los competidores.
El anlisis de decisiones es un proceso que le permite al decisor seleccionar una
decisin (slo una) entre un conjunto de alternativas posibles de decisin, cuando
existe incertidumbre con respecto al futuro, con el objetivo de optimizar el pago
(retorno) resultante, en trminos de algn tipo de criterio de decisin numrico.
20

Los elementos de los problemas de anlisis de decisiones son los siguientes:
Grafico 3. Componentes de un modelo probabilstico
1. Hay un decisor responsable individual. Por ejemplo, el Representante legal de

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

- Focalizarse en una sola fuente de informacin.

- Sobreestimar el valor de la informacin recibida de otros.
- Subestimar el valor de la informacin recibida de otros.
- Escuchar y ver slo lo que queremos.
- No escucharnos
- No ofrecer participacin
- Hacer de forma unilateral u obligada
Como se estudio en este captulo, hay una secuencia previa para la toma de
decisiones, se observo desde el anlisis del problema hasta las secuencias para
una ptima decisin, pero solo con anlisis empricos hasta el momento y no con
modelos matemticos para analizar en los siguientes captulos.
Ejemplo de decisin de inversin:
Los estados de la naturaleza son los estados de la economa durante un ao. El
problema es decidir qu acciones tomar entre los tres cursos posibles, con las
tasas de retorno dadas tal y como son mostradas en la tabla.
Estados de la Naturaleza
Bonos
Crecimiento
Crecimiento Sin
Bajo
medio
cambio
CM
SC
12%
-2
Cursos
de
Acciones 15
Accin
Depsito 7
Tabla 1. Matriz para procesos de decisin
Leccin 4: PASOS PARA LA TOMA DE DECISIONES

Definido el proceso para la toma de decisiones, se une el proceso escogido y
definido con una serie de pasos para la decisin como los siguientes, donde cada
uno de ellos plantea unas preguntas que se deben resolver as:
Definir el Problema
Se puede preguntar lo siguiente:
22

- Qu cree que causa el problema?

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

- Qu recursos tenemos? Estn accesibles?

- Tenemos el tiempo suficiente para implementar la alternativa?
- Cul es el riesgo asociado a cada alternativa?
Establecer el plan de accin para la implementacin de la mejor alternativa.
Considerar lo siguiente:
- Cmo la situacin se ver cuando el problema sea resuelto?
- Qu pasos se han de tomar para la implementacin de la mejor alternativa para
resolver el problema?
- Qu sistemas o procesos deberan ser cambiados por una poltica o
procedimiento?
- Cmo sabemos que los pasos se estn llevando a cabo?
- Qu recursos se necesitan en trminos de personas, facilidades y finanzas?
- Cunto tiempo se necesita para implementar la alternativa? Para ello es
necesaria la creacin de una agenda.
- Quines ser responsable de asegurarse de la implementacin del plan?
Monitorear la Implementacin del Plan.
Algunos aspectos a considerar:
- Observar que se estn dando lo esperado a travs de la implementacin.
- Cotejar que se est llevando a cabo el itinerario o agenda programada.
- Si el plan establecido no est dando los resultados esperados favor de revisar el
plan.
Verificar si el plan ha sido efectivo o no.
- Una manera de ver su efectividad es verificar que las operaciones vuelvan a la
normalidad.
- Verificar si los cambios realizados evitarn el mismo problema en el futuro.
- Preguntarnos que hemos aprendido del proceso de toma de decisiones
(conocimiento, entendimiento, destrezas).
24

- Realizar un memorando que describa los logros del esfuerzo durante el proceso
de resolver el problema y compartirlo con todos/as.
Leccin 5: Criterio de decisin
fuente: elearning.semarnat.gob.mx/cte /MATERIALESAPOYO...
Para el estudio de los criterios de decisin, primero debemos definir que son
criterios de decisin y los tipos de criterios que debemos estudiar:
Clasificacin de Criterios de Decisin:
Los criterios los clasificamos de acuerdo a la forma o estado de la naturaleza
(eventos) que se nos presentan para la decisin, por lo cual encontramos la
siguiente clasificacin:
1. DECISIN TOMADA BAJO CERTEZA
Los estados de la naturaleza que ocurrirn se asumen conocidos. En este caso el
que toma las decisiones sabe con claridad o exactitud cual estado de la naturaleza
ocurrir.
2. DECISIN TOMADA BAJO RIESGO
Existe conocimiento de la probabilidad que un estado de la naturaleza ocurra, por
lo cual es necesario un buen manejo de las densidades de probabilidad y el
manejo matemtico se desarrollan con base en informacin estadstica. Para
estados de la naturaleza se tiene en cuenta lo siguiente:
- maximizar el perjuicio esperado, medido en perjuicio neto esperado.
- maximizar el perjuicio esperado, medido por su utilidad.
- minimizar el perjuicio esperado, en este caso perjuicio y utilidad conducen la
misma
decisin.
25

3. DECISIN TOMADA BAJO INCERTIDUMBRE

La probabilidad de que ocurra un estado de la naturaleza es absolutamente
desconocida.
En este caso se supone que el que toma las decisiones tiene como conocimiento
de la probabilidad con que ocurrirn los estados de la naturaleza (evento) y para
ello se tiene en cuenta los siguientes criterios:
- maximizar el rendimiento neto mnimo.
- maximizar el rendimiento neto mximo.
- minimizar el perjuicio mximo.
Para iniciar el curso en los procesos matemticos se definirn a continuacin los
criterios bsicos para la toma de decisin as:
- CRITERIO DE PENA MINIMAX (SAVAGE)
Criterio de toma de decisiones que minimiza la penalidad mxima asociada con no
haber tomado la mejor decisin posible.
Penalidad = (ganancia por la mejor decisin) (ganancia por la decisin no ptima).
Cuando la penalidad se aproxima o es igual a cero (0) la opcin seleccionada es la

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

- CRITERIO OPTIMISTA (MAXIMAX)

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

EJEMPLO 1:
El vendedor de peridicos Felipe Rodrguez vende en la esquina de la Avenida

Caracas y la Calle 53, y cada da debe determinar cuantos peridicos pedir. Felipe
compra a $20 cada peridico y lo vende a $.25 Los peridicos que no vende al
final del da no tiene valor. Felipe sabe que cada da puede vender entre 6 y 10
peridicos, siendo igual cada probabilidad. Indique como se ajusta este problema
en el modelo segn el estado del mundo.
SOLUCION
En este ejemplo, los miembros S = 6, 7, 8, 9,10 son los valores posibles de la
demanda diaria de peridicos. Se sabe que p6 = p7 = p8 = p9 = p10 =1/5. Felipr
debe escoger una accin que es el nmero de peridicos que debe pedir cada da
entre A= 6, 7, 8, 9,10 .
Si Felipe compra i peridicos y la demanda es de j, entonces se compran i a un
costo de $20 i, y se venden min(i,j) peridicos a $25 cada uno. As, se Felipe
compra i peridicos y le piden j, tiene una ganancia neta rij donde
rij = 25i - 20i = 5i i j
rij = 25j - i
i j)
En la tabla 2, aparecen los valores de rij
27

DEMANDA DE PERIODICOS
PERIODICOS
PEDIDOS
6
7
8
9
10
6
$30
$10
-$10
-$30
-$50
7
$30
$35
$15
-$5
-$25
$30 $30
$35
$35
$40 $40
$20 $45
$ 0 $25
10
$30
$35
$40
$45
$50
Tabla 2. Matriz costos de ejemplo 1.
Aplicando el criterio de decisin maximin se obtienen los siguientes resultados:
PERIODICOS
PEDIDOS
6
7
8
9
10
EL PEOR ESTADO
DEL MUNDO
6, 7, 8, 9,10
6
6
6
6
RECOMPENSA EN EL PEOR
ESTADO DEL MUNDO
$30 --- maximin
$10
-$10
-$30
-$50
Tabla 3. Decisiones segn Criterio maximin
Por lo tanto si opta por la decisin de mitigar el peor de los casos, quiz ya pueda
sacar provecho de la buena fortuna, por lo cual Felipe nunca ganar menos de
$30, pero nunca ganar ms de $30. Por lo cual se recomienda ordenar 6
peridicos.
Aplicando el criterio de decisin maximax se obtiene los siguientes resultados:
PERIODICOS
PEDIDOS
6
7
8
9
10
EL PEOR ESTADO
DEL MUNDO
6, 7, 8, 9,10
7, 8, 9,10
8, 9,10
9,10
10
RECOMPENSA EN EL PEOR
ESTADO DEL MUNDO
$30
$35
$40
$45
$50 --- maximax
Tabla 4. Decisiones segn Criterio maximax
Este criterio de decisin produce una ganancia de $ 50 con la recomendacin de

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

por demanda menos cada una de las utilidades por peridico vendido, tal como
se muestra en la tabla siguiente:
PERIODICOS
PEDIDOS
6
7
8
9
10
$30 - $30 = $ 0
$30 - $10 = $20
$30 + $10 = $40
$30 + $30 = $60
$30 + $50 = $80
$35 - $30= $ 5
$35 - $35= $ 0
$35 - $15 = $20
$35 + $ 5 = $20
$35 + $25 = $60
$40 - $30= $10

$40 - $35 =$ 5
$40 - $40 = $ 0
$40 - $20 = $20
$40 - $ 0 = $40
$45 - $30= $15

$45 - $35 = $10
$45 - $40 = $ 5
$45 - $45 = $ 0
$45 - $ 0 = $40
10
$50 - $30= $20
$50 - $35 = $15
$50 - $40 = $10
$50 - $45 = $ 5
$50 $50 $50
Tabla 5. Penalizaciones ejemplo 1.
Los resultados obtenidos son las penalizaciones por lo cual los resultados son:
PERIODICOS
PEDIDOS
6
7
8
9
10
PENALIZACION
MAXIMA
$20
$20
$40
$60
$80
Segn este criterio se recomienda pedir entre 6 y 7 peridicos ya que la prdida

seria mnima solo de $20.
TALLER
1. PIZZA King y Noble greek son dos restaurantes competidores. Deben
determinar en forma simultnea, si emprenden campaas de publicidades

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

Pequea
Mediana Grande
6000
5000
2000
5000
6000
0
2. Sodaco planea producir una novedad: chocovan. Calcula que la demanda anual
de chocovan, D (miles de empaques) tiene la siguiente funcin de masa: P(D =30)
= .30, P(D = 50) = .40, P(D = 80 ) = .30. Cada empaque de Chocovan se vende a
$5 y se encurre en un costo variable de $3. Se necesitan $800000 para construir
la planta productora de Chocovan. Suponga que se recibe, por siempre $1 cada
ao, equivale a recibir $10 ahora. Considerando la recompensa para cada accin
y estado del mundo en trminos del valor presente neto, usar cada uno de los
criterios de decisin estudiados en el capitulo para determinar se sodaco debe
construir la planta.
29

CAPITULO 2: DECISIONES BAJO INCERTIDUMBRE VALOR ESPERADO.
Fuente: http://scielo.isciii.es/scielo.php?pid=S0213-9111200...
INTRODUCCIN
Este captulo desarrollar los siguientes temas un poco ms a fondo en donde se
tendrn en cuenta datos numricos recolectados de un estudio de mercados
previo los temas son:
- Caractersticas del valor esperado.
- Diseo y conduccin de la investigacin de mercados.
- Valor esperado de la informacin muestra
OBJETIVOS:
1.- Conocer los desarrollos necesarios para evaluar una investigacin de
mercados.
2.- Emplear los criterios de valor esperado para tomar la decisin de una
investigacin.
3.- Estudiar el criterio del valor esperado cuando se tiene una informacin perfecta
o una muestra especifica.
30

Leccin 6: CRITERIO DEL VALOR ESPERADO
Fuente:juangabrielcendales.com/.../acuerdos-y-certezas/
En las decisiones bajo incertidumbre esteremos soportados en la estadstica por

medio del valor esperado o esperanza matemtica.
Tambin tendremos un fuerte apoyo en los manejos de investigacin de mercados
lo que permite estudiar un poco mejor la teora de la utilidad o criterio de utilidad.
Todo esto nos da el manejo de informaciones que tenga algo de muestra o sin
informacin muestra.
- Valor Esperado
Grafica 4. Resultados de valor esperado

Fuente: www.monografias.com/trabajos48/medicinas-alte...
En estadstica el valor esperado o esperanza matemtica (o simplemente

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

Se refiere a una informacin que en un futuro haciendo retrospectiva permite ver

que escogimos la mejor opcin o alternativa.
Caractersticas:
Informacin del futuro que en retrospectiva, le permitir haber escogido la mejor
alternativa.
El clculo del valor esperado de la informacin perfecta se obtiene mediante:
- La estimacin de la probabilidad de cada resultado.
- El uso de estas probabilidades para encontrar la recuperacin esperada sin
informacin perfecta, mediante la aplicacin de criterios.
- El clculo del valor con informacin perfecta se obtiene de acuerdo a:
- Identificacin de la mejor decisin y la correspondiente ganancia para cada
resultado.
- Determinar la ganancia con relacin a la probabilidad dada.
- Multiplicacin de la ganancia para cada resultado futuro por la probabilidad
correspondiente de ese resultado y sumando los productos resultantes.
Leccin 7: DISEO Y CONDUCCION DE LA INVESTIGACION DE MERCADO

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

Investigacin de Mercados: permite disear y llevar a cabo una investigacin

que tiene como resultado un indicador descriptivo; adems permite que el
administrador estime probabilidades ms precisas.
rbol de Probabilidad: herramienta que permite visualizar y llevar a cabo anlisis
de decisiones y observar las probabilidades de los resultados, estn conformados
por nodos y arcos.
Tipos de probabilidades:
Probabilidad Conjunta: probabilidad de que se presenten dos sucesos.
Probabilidad Marginal: probabilidad de que se presente un suceso en particular.
Estas probabilidades permiten llegar a las probabilidades posteriores.
Probabilidades Posteriores: probabilidades revisadas de los resultados obtenidos
sobre la base de los indicadores de una investigacin de mercado.
EJEMPLO 2: Colombia.com es una empresa que se encarga de ensamblar

computadores, quieren incluir al mercado un nuevo equipo que cumpla con las
necesidades de los clientes, pero la empresa necesita conocer la acogida que va
tener ante el mercado, los administradores se hacen dos preguntas:
a) Cunto debe invertir en este producto experimental?

b) El producto tendr un xito o ser un fracaso?
Para responder a estas preguntas es necesario hacer un estudio de mercadeo.

- Formulacin del problema: identificar un numero de alternativas de decisin para
ello se debe tener en cuenta:
- La cantidad a invertir
- Estrategia para la inversin.
- La inversin se divide en 3 niveles:
- Nivel Inferior (L): los computadores no son conocidos en el mercado.
- Nivel Moderado (M): el procesador es conocido pero, otras partes son poco
conocidas.
- Nivel Alto(A): a pesar de que los dems componentes no son conocidos,
demuestran ser de buena calidad.
- Con base en lo anterior identificamos posibilidades.
- Fracaso (F): menos del 10% los clientes compran el producto.
- xito (S): entre el 10% y 20% los clientes compran el producto.
- Gran xito (G): ms del 20% compran el producto.
33

Resultado
Decisiones
Fracaso (F)
xito (S)
Baja (L)
-2
Moderada (M)
Alta (A)
-5
-8
10
6
Gran xito G)
8
12
15
Tabla 6. Estimaciones de Ganancia.
La administracin utilizo la experiencia para estimar las siguientes probabilidades

para los 3 resultados posibles para la venta del nuevo producto.
a) 0,4 Fracaso (F)
b) 0,4 xito (E)
c) 0,2 Gran xito (G).
Alternativa
Baja
Moderada
Alta
Ganancia Esperada
0,4(-2)+0,4(5)+0,2(8)=2,8
0,4(-5)+0,4(10)+0,2(12)=4,4
0,4(-8)+0,4(6)+0,2(15)=2,2
Tabla 7. Ganancia sin Informacin Perfecta.
Leccin 8: Valor esperado de la informacin muestra:

El objetivo de la investigacin de mercados (IM) es el de ayudar al administrador a
realizar estimaciones de probabilidad ms precisas.
El uso de la investigacin de mercado para modificar las probabilidades implica lo
siguiente:
- Diseo y ejecucin de la investigacin de mercado.
- Revisin de las probabilidades de los diferentes resultados basados en el
resultado de la investigacin de mercado.
- Identificacin de la decisin optima basada en las probabilidades revisadas.
Enfoque de valor esperado
- Si las estimaciones de probabilidad de los estados de naturaleza estn
disponibles, podemos utilizar el enfoque de valor esperado (EV).
34

- Aqu el valor esperado de cada decisin es calculada sumando el producto de los

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

P(sj ) = probabilidad del estado de naturaleza sj
Vij = el pago correspondiente a la alternativa de decisin di y estado de naturaleza
sj
Limitaciones del valor esperado:
- Si las consecuencias de un resultado potencialmente desfavorable pueden
sobrellevarse sin mayores sobresaltos, el VE es un criterio razonable para la
accin.
- Cuando las consecuencias de un resultado potencialmente desfavorable no
pueden ignorarse (cuando se ponen en juego grandes sumas de dinero en
trminos relativos), el VE puede no ser el mejor criterio de decisin.
Leccin 9: Valor Esperado de la Informacin Perfecta.

La ganancia esperada con informacin perfecta se toma el valor ms grande de
cada columna de la tabla de ganancia y se multiplica por los porcentajes
estimados.
= 0,4(-2)+0,4(10)+0,2(15)=6,2
35

Formula general del valor esperado de la informacin perfecta:
Valor esperado
de la
informacin
perfecta
Ganancia
esperada con
informacin
perfecta
Ganancia
esperada sin
informacin
perfecta
Valor esperado de la informacin perfecta = 6,2 4,4 = 1,8

En otras palabras el tener informacin perfecta vale $1.8 millones a
Colombia.com.
Indicador
I1
I2
Descripcin
< 10% compra producto (computador)
> 10% compra producto(computador)
Tabla 8. Indicadores favorables y desfavorables.

Indicador
I1
I2
0,8
0,2
0,3
0,7
0,1
0,9
Tabla 9. Probabilidades condicionales dadas por los resultados.

Indicador
I1
I2
Fracaso (F)
0,32
0,08
xito (S)
0,12
0,28
Gran xito (G)

0,02
0,18
P.Marginal
0,46
0,54
Tabla 10. Probabilidades conjuntas y marginales.

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

0,04
0,33
Tabla 11. Probabilidades Posteriores.

Decisiones
Baja
Moderada
Alta
Ganancia esperada
0,7(-2) + 0,3(5) + 0,04(8) = 0,42
0,7(-5) + 0,3(10) + 0,04(12) = 0,02
0,7(-8) + 0,3(6) + 0,04(15) = -3,2
Tabla 12. Indicador I1.
36

Decisiones
Ganancia esperada
Baja
0,15(2) + 0,52(5) + 0,33(8) = 4,94
Moderada
015(-5) + 0,52(10) + 0,33(12) = 8,41
Alta
0,15(-8) + 0,52(6) + 0,33(15) = 6,87
Tabla 13. Indicador I2.

Indicador
I1
I2
Decisin optima
Baja
Moderada
Ganancia esperada
0,42
8,4
Tabla 14. Decisiones ptimas y ganancias esperadas por I1 y I2
Ganancia
esperada
con
informacin
de muestra
Ganancia
esperada
cuando el
indicador es
I1
*P (1) +
Ganancia
esperada
cuando el
indicador
es I2
*P (2)
Ganancia esperada con informacin de muestra

= (0,42*0,46) + (8,4*0,54) = 4,7
Finalmente el valor esperado de la informacin de muestra es:

Valor
esperado
de la
informacin
de muestra
Ganancia
esperada
con
informacin
de muestra
Ganancia
esperada sin
informacin
de muestra
= 4,7 4,4 = 0,28
Esto significa que la ganancia esperada por Colombia.com aumentara en $279990

si se utiliza los resultados de la investigacin.
Eficiencia de la informacin de muestra
37

Eficiencia
de la
informacin
de muestra
Valor esperado de la
informacin de muestra
=
Valor esperado
de la
informacin perfecta
*100
= 0,28 / 1,8 = 15,6%
EJEMPLO 3: El vendedor de peridicos Felipe Rodrguez vende en la esquina de

la Avenida Caracas y la Calle 53, y cada da debe determinar cuantos peridicos
pedir. Felipe compra a $20 cada peridico y lo vende a $.25 Los peridicos que
no vende al final del da no tiene valor. Felipe sabe que cada da puede vender
entre 6 y 10 peridicos, siendo igual cada probabilidad. Indique como se ajusta
este problema en el modelo segn el estado del mundo.
PERIODICOS
PEDIDOS
6
7
8
9
10
6
$30
$10
-$10
-$30
-$50
7
$30
$35
$15
-$5
-$25
8
$30
$35
$40
$20
$ 0
10
$30
$30
$35
$35
$40
$40
$45
$45
$25
$50
Para el criterio del valor esperado se tiene en cuenta la probabilidad del estado de
la naturaleza que es para todas las posibles opciones de 1/5 por el pago
correspondiente para cada decisin y el valor mayor es la mejor decisin as:
RECOMPENSA ESPERADA
PERIODICOS
PEDIDOS
6
7
8
9
10
1/5( $30+$30+$30+$30+$30) =
1/5( $10+$35+$35+$35+$35) =
1/5(-$10+$15+$40+$40+$40) =
1/5(-$30-$5+$20+$45+$45) =
1/5(-$50-$25+$0+$25)
=
$30
$30
$25
$15
$0
Este criterio recomendara que se pidan 6 o 7 peridicos.

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

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

inventario ocioso. Ambas situaciones son costosas la primera da perdida beneficio

potencial, la segunda aumenta el costo del inventario.
Supuestamente se debe equilibrar estos costos, ya que generalmente es difcil
estimar el costo de escasez, se puede determinar el nivel de inventario tal que la
escasez esperada no exceda de A1 y el exceso esperado no pase de A2.
Matemticamente, esto se expresa de la siguiente manera.
Sea I el nivel de inventario que se va a determinar. Por lo tanto,
Escasez esperada = (x I) f(x) dx A1
Exceso esperado
= (I x) f(x) dx
A2
Como A1 y A2 no puede ser factible para algunos valores I. Se supone que

20 / x2
10
20
F(x) =
0
en cualquier otro valor
Se deduce que
=
= 20
ln 20/I + I/20 1
= 20
ln 10/I + I/10 -1
El criterio de aceptacin se simplifica y se tiene

Ln I - I/20 ln 20 A1/20 1 = 1.996 - A1/20
Ln I - I/10
ln 10 A2/20 1 = 1.302 A2/20
Esto significa que los niveles de aceptacin A1 y A2 deben ser tales que las dos
desigualdades se satisfagan simultneamente para al menos un valor de I.
El valor de I debe estar entre 10 y 20 por ser los lmites de demanda
I
Ln I I/20
Ln I I/10
12
1.88
1.28
13
14
1.91 1.94
1.26 1.24
15
1.96
1.21
16
17
1.97 1.98
1.17 1.13
18
1.99
1.09
19
20
1.99 1.99
1.04 0.99
40

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

clima, en gran medida. l debe ordenar sus mercancias en enero. El mayorista le
ofrece paquetes, con una variedad grande o pequea, a precios especiales, y le
vendedor ha decidido comprar uno u otro. Su tabla de utilidades en trminos de
ganancia neta en dlares aparece en seguida:
ESTADO NATURAL
DECISION
PEQUEO
GRANDE
FRIO
FRESCO
CALIDO
TRRIDO
1000
3000
4000
- 3000
-1000
4000
8000
En la figura 2, aparece la funcin de utilidad del dinero. Si el vendedor cree que

cada estado de la naturaleza es probable:
2
41

-Cul decisin maximiza el beneficio neto esperado en dlares?

-Cul decisin maximiza la utilidad esperada?
CAPITULO 3: DECISIONES BAJO INCERTIDUMBRE - ARBOLES DE DECISION
INTRODUCCION
El capitulo muestra otra forma de tomar decisiones cuando hay un grado de
incertidumbre en la informacin pero bajo un modelo que permite grficamente
observar la posible decisin, adems se emplea los criterios de valor esperado
como apoyo a la misma, en el captulo se estudiar:
- Las caractersticas de los arboles de decisin.
- Seleccin de alternativas de decisin.
- Las limitaciones cuando se emplea arboles de decisin.
- La teora de la utilidad.
OBJETIVOS:
1.- Identificar cuando se puede emplear un rbol de decisin.
2.- Emplear los arboles de decisin en un proceso decisorio especifico.
3.- Reconocer cuando se puede emplear un rbol de decisin y sus limitantes.
42

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

decisiones.
Leccin 11: ELEMENTOS DE LOS ARBOLES DE DECISIN.

Un rbol de decisin es una representacin grafica de las alternativas,
probabilidades y pagos o ganancias asociadas con un problema de decisiones.
- El primer paso para resolver problemas complejos es descomponerlos en
sub-problemas ms simples.
- Los rboles de decisin ilustran la manera en que se pueden desglosar los
problemas y la secuencia del proceso de decisin.
- Un nodo es un punto de unin.
- Una rama es un arco conector.
- La secuencia temporal se desarrolla de izquierda a derecha.
- Un nodo de decisin representa un punto en el que se debe tomar una decisin.
Se representa con un cuadrado.
- De un nodo de decisin salen ramas de decisin que representan las decisiones
posibles.
- Un nodo de estado de la naturaleza representa el momento en que se produce
un evento incierto. Se representa con un crculo.
- De un nodo de estado de la naturaleza salen ramas de estado de la naturaleza
que representan los posibles resultados provenientes de eventos inciertos sobre
los cuales no se tiene control.
- La secuencia temporal se desarrolla de izquierda a derecha.
- Las ramas que llegan a un nodo desde la izquierda ya ocurrieron. Las ramas que
salen hacia la derecha todava no ocurrieron.
- Las probabilidades se indican en las ramas de estado de la naturaleza. Son
probabilidades condicionales de eventos que ya fueron observados.
- Los valores monetarios en el extremo de cada rama dependen de
decisiones y estados de la naturaleza previos.
43

Caractersticas:
- Un rbol de Decisin es una representacin cronolgica del problema de
decisin.
- Cada rbol de Decisin tiene dos tipos de nodos:
Nodos redondos corresponden a los estados de naturaleza,
Representar situaciones cuyas ocurrencias son inciertas.
Nodos cuadrados corresponden a las alternativas de decisin
- Las Ramas que salen de cada nodo redondo representan los diferentes estados
de naturaleza, representar un posible acontecimiento
- Las ramas que sales de los nodos cuadrados representan las diferentes
alternativas de decisin.
- Al final de cada rama de un rbol estn los pagos obtenidos de una serie de
divisiones que componen ese rbol.
Ejemplo.
Suponga que el estado del tiempo es variable y puede que llueva o no.
Usted tiene que tomar la decisin de llevar paraguas o no. Fig. 3.
Nodo de
Decisin
Rama
Nodo de
Probabilidad
Fig. 3. rbol de decisin
Leccin 12: SELECCIN DE ALTERNATIVAS DE DECISIN

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

- Se prosigue el anlisis hacia la derecha del rbol, hasta seleccionar la primera

decisin.
- La decisin que resulta de un anlisis del rbol de decisin no es una decisin
sino una estrategia condicional a la ocurrencia de eventos que sucedan a la
decisin inmediata.
LIMITACIONES DE LOS RBOLES DE DECISIN
- Un rbol de decisin da una buena descripcin visual en problemas
relativamente simples, pero su complejidad aumenta exponencialmente a medida
que se agregan etapas adicionales.
- En algunas situaciones, la especificacin de la incertidumbre a travs de
probabilidades discretas resulta en una sobre simplificacin del problema.
EJEMPLO 5:
La compaa Certon ha desarrollado una nueva lnea de productos. El gerente
est atento para decidir el mercado apropiado y la estrategia de produccin.
Hay tres estrategias consideradas, A = agresiva, B = bsica, C = cautelosa. El
estudio de mercado ha denotado F = fuerte, D = dbil; los estimativos en pesos en
cada caso estn en la tabla 15:
Decisin
A
B
C
Estado de la naturaleza
F
D
30
-8
20
7
5
15
Donde F = 0,45, D = 0,55

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

P (F) =, 45
F
D
P (D) =, 55
P (F) =, 45
F
B
D
P (D)=,55
C
P (F)=,45
F
D
P (D)=,55
Figura 4. rbol de decisin para Compaa Certn
El proceso de usar un rbol de decisin para encontrar la decisin ptima se

denomina resolver el rbol. Para resolver el rbol se trabaja desde atrs hacia
adelante. Esto se llama retornando el rbol. Primero, las ramas terminales se
llevan hacia atrs calculando un valor esperado para cada nodo Terminal.
Primero se calculan los valores de cada rama, se multiplica el valor estimado en
pesos y el valor de cada estado de la naturaleza y despus se suman los valores
con el fin de obtener un solo resultado, Ver la figura 5.
ERA = 9.10
A
B
ERB = 12.85
C
ERC = 10,58
Figura 5: Resultado ejemplo 5.
La Administracin debe resolver un problema ms simple que es el de elegir la

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

DECISIONES
BAJA(l)
MODERADA(M)
ALTA(H)
PROBABILIDAD
FRACASO(F)
-2
-5
-8
0.4
XITO(S)
5
10
6
0.4
GRAN XITO
(G)
8
12
15
0.2
RESULTADOS:
DECISIONES
BAJA(l)
MODERADA(M)
ALTA(H)
FRACASO(F)
0.6
0.4
0.2
XITO(S)
0.3
0.4
0.5
GRAN XITO(G)
0.1
0.2
0.3
Tabla 16. Informacin ejemplo 6
Figura 6. rbol ejemplo 6.
GANANCIA ESPERADA = (0.4*(-2)) + (0.4*(5))+(0.2*(8))= 1.6

GANANCIA ESPERADA = (0.4*(-5)) + (0.4*(10))+(0.2*(12))=4.
GANANCIA ESPERADA = (0.4*(-8)) + (0.4*(6))+(0.2*(15))=2.2
47

Figura 7. Resultados rbol ejemplo 6.
Por tanto se toma la decisin Moderada debido a que da la MAYOR ganancia con
un valor de 4.4.
Leccin 13: Regla de Bayes y arboles de decisin
Para desarrollar una unin entre los arboles de decisin y el teorema de bayes
que es una herramienta clave para la solucin de estos problemas es mas fcil
entenderlo a partir de la siguiente explicacin: de un conjunto de entrenamiento D
de tamao N y de una funcin parametrizable F(x; W) (p.e. una red neuronal)
siendo W el conjunto de parmetros asociados a la funcin (p.e. los pesos de la
red neuronal), el problema del aprendizaje estadstico pasa por calcular W de
manera que se consiga un objetivo estadstico, p.e. minimizar una funcin de
costo estadstica. Para ello se utilizar algn mtodo de optimizacin. El sistema
de ecuaciones obtenido al aplicar el mtodo de optimizacin sobre la funcin de
costo estadstico es lo que se conoce como algoritmo de entrenamiento. Dicho
algoritmo es en realidad un sistema dinmico, es decir un conjunto de ecuaciones
que evolucionan en el tiempo. Este sistema dinmico deber converger hacia el
mnimo de la funcin de costo. No obstante, ser habitual definir un criterio de
parada del algoritmo que permita parar la ejecucin del mismo antes de que
converja.
EJEMPLO 7.
Ahora se va a considerar un ejemplo muy simple. Los caramelos sorpresa son de
dos sabores: CEREZA y LIMA. El fabricante de los caramelos tiene un sentido del
humor muy peculiar, y envuelve los caramelos en un envoltorio opaco en el que no
48

se indica el sabor. Los caramelos se introducen en grandes bolsas que son de

cinco tipos, otra vez indistinguibles desde afuera:
h1: 100% cereza
h2: 75% cereza + 25% lima
h5: 100% lima
Dada una nueva bolsa, la variable aleatoria H (para las hiptesis) denota el tipo de
bolsa, as que puede tomar valores desde h 1 hasta h5. Por supuesto, H no es
directamente observable. Cuando se abren y se inspeccionan los caramelos, se
revelan los datos D1, D2,, Dn, donde cada Di es una variable aleatoria con
valores posibles de CEREZA y LIMA. La tarea bsica a la que se enfrenta el
agente es predecir el sabor del siguiente caramelo. A pesar de que aparentemente
parece trivial, este escenario sirve para introducir muchos de los aspectos
principales. Realmente, el agente necesita inferir una teora de su mundo, aunque
sea muy simple.
El aprendizaje bayesiano simplemente calcula la probabilidad de cada hiptesis
dados los datos, y realiza predicciones sobre estas bases. Es decir, se realizan las
predicciones utilizando todas las hiptesis, ponderadas por sus probabilidades, y
no utilizando nicamente la "mejor" hiptesis. De esta forma, el aprendizaje se
reduce a inferencia probabilstica. Si D representa todos los datos, y d el valor
observado; la probabilidad de cada hiptesis se obtiene aplicando la regla de
Bayes:
(1)
Ahora suponga que queremos hacer una prediccin sobre una cantidad
desconocida X. tenemos
(2)
(3)
Donde se ha asumido que cada hiptesis determina una distribucin de
probabilidades de X. esta ecuacin muestra que las predicciones son el resultado
de ponderar las predicciones de las hiptesis individuales. Las hiptesis son en s
mismas intermediarios entre los datos crudos y las predicciones. Las cantidades
clave en el enfoque bayesiano son las hiptesis a priori. P(hi) y la verosimilitud
de los datos dada cada una de las hiptesis, P(d/hi).
49

En este ejemplo asumiremos, como informacin proporcionada por el fabricante,

que la distribucin a priori sobre h1,,h5 viene dada por [0.1 , 0.2 , 0.4 , 0.2 , 0.1].
La verosimilitud de los datos se calcula asumiendo que las observaciones son
independientes e idnticamente distribuidas (iid) as que
(4)
La figura 8 muestra cmo cambian las probabilidades a posteriori de las cinco
hiptesis a medida que se van observando los 10 caramelos de lima. Ntese que
las probabilidades comienzan con sus valores a priori, por lo que h 3 es
inicialmente ms probable que las dems, incluso despus de que se desenvuelva
el primer caramelo. Despus de desenvolver dos caramelos de lima, h 4 es la ms
probable; despus de tres o ms, h5 (la terrorfica bolsa con todos los caramelos
de lima) es la ms probable. Despus de 10, estamos bastante seguros de
nuestro destino.
El ejemplo muestra que, a la larga, la verdadera hiptesis domina la prediccin
bayesiana. Esto es caracterstico del aprendizaje bayesiano. Para cualquier a
priori fija que no excluya la hiptesis verdadera, la probabilidad a posteriori de
cualquier hiptesis falsa finalmente desaparecer, simplemente porque la
probabilidad de generar datos no caractersticos de forma indefinida es cada vez
ms pequea. Ms importante, la prediccin bayesiana es ptima, tanto si el
conjunto de datos es pequeo, como si es grande. Dada la hiptesis a priori,
cualquier otra prediccin ser correcta con menos frecuencia.
Por supuesto, la optimalidad del aprendizaje bayesiano tiene un precio. En los
problemas reales de aprendizaje, el espacio de hiptesis es normalmente muy
grande. En algunos casos, el clculo del sumatorio de la ecuacin (2) (o la
integracin en caso continuo) es tratable, pero en la mayora de los casos
debemos recurrir a mtodos aproximados o simplificados.
Figura 8. Evolucin de las probabilidades condicionales de h1, h2, h3, h4 y h5
50

Probabilidades para el momento en el que se destapa el primer caramelo
=0
= 0.1
= 0.4
= 0.3
= 0.2
Probabilidades para el momento en el que se destapa el segundo caramelo
=0
= 0.038
= 0.307
= 0.346
= 0.307
51

Probabilidades para el momento en el que se destapa el tercer caramelo
=0
= 0.0131
= 0.210
= 0.355
= 0.421
Como se observa en las ecuaciones anteriores; a medida que se van destapando
caramelos las ecuaciones se van actualizando con las nuevas probabilidades,
cosa que hace ms exactas las probabilidades a posteriori.
A continuacin se muestra la tabla 17. Para 10 iteraciones, es decir para los diez
primeros caramelos destapados.
h1 h2
h3
h4
h5
A priori
0,1 0,2
0,4
0,2
0,1
0,1
0,4
0,3
0,2
0,03846 0,30769 0,34615 0,30769
0,01316 0,21053 0,35526 0,42105
0,00413 0,13223 0,33471 0,52893
0,00122 0,07805 0,29634 0,62439
52

0,00034 0,04405 0,25086 0,70475
9,4E-05 0,02407 0,20562 0,77021
2,5E-05 0,01285 0,16468 0,82245
6,6E-06 0,00675 0,12968 0,86357
10
1,7E-06 0,0035 0,10087 0,89563
Tabla 17. Iteraciones ejemplo 7.
Leccin 14: TEORIA DE LA UTILIDAD.

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

- El valor de la utilidad, U (V) refleja la perspectiva del tomador de decisiones.
- El valor de la utilidad se calcula para cada posible ganancia.
- El menor resultado obtenido tiene un valor de utilidad de 0.
- El mayor resultado obtenido tiene un valor de utilidad de 1.
53

- La decisin ptima se elige usando el criterio de la utilidad esperada.
Sobre la indiferencia para asignaciones de valores de utilidad

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

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

Arriesgado al determinar la decisin
Ganancia
Grafico 5. Tipo de decisiones.
54

Hasta ahora hemos supuesto que el pago esperado en trminos monetarios es

la medida adecuada de las consecuencias de tomar una accin.
Sin embargo en muchas situaciones esto no es as y se debe utilizar otra
escala de medida para las acciones que realizamos
Leccin 15: APLICACIONES DE LA TEORIA DE UTILIDAD:
Suponga que se le ofrece a una persona Ganar $40000 fijos:
50% de posibilidades de ganar $100000
50% de posibilidades de no ganar nada
E {p(a 1 ,q)}= 0.5* $100000 + 0.5*0= $50000

E {p(a 2 ,q)}= 1* $40000 = $40000
Aunque la alternativa 1 tiene un pago esperado mayor, muchas personas

preferirn los $40000 pesos fijos, En muchas ocasiones los tomadores de
decisiones no estn dispuestos a correr riesgos aunque la ganancia esperada sea
mucho mayor.
Se pueden transformar los valores monetarios a una escala apropiada que
refleje las preferencias del tomador de decisiones, llamada funcin de utilidad
del dinero
U(M)
5
4
3
2
1
$10000 $ 20000 $30000 $40000 $50000 $60000
$100000
Grafico 6. Funcin de utilidad para el dinero
Una funcin de utilidad para el dinero de este tipo nos muestra una utilidad
marginal decreciente para el dinero. La pendiente de la funcin disminuye
conforme aumenta la cantidad de dinero M. Porque la segunda derivada < 0
cuando sta existe.
55

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

1. Se le hace al tomador de decisiones una oferta hipottica de obtener una gran
suma de dinero con probabilidad p o nada.
2. Para cada una de las pequeas cantidades se le pide al tomador de decisiones
que elija un valor de p que lo vuelva indiferente ante la oferta y la obtencin
definitiva de esa cantidad de dinero.
56

Cuando se usa la funcin de utilidad para el dinero, del tomador de decisiones,

para medir el valor relativo de los distintos valores monetarios posibles, la regla
de Bayes sustituye los pagos monetarios por las utilidades correspondientes; Por
lo tanto, la accin ptima es la que maximiza la utilidad esperada.
EJEMPLO 8. GOFERBROKE COMPANY, En estos momentos la compaa no
atraviesa por una situacin financiera slida y est operando con poco capital. Una
prdida de $100000 sera bastante seria. El peor escenario sera conseguir
$30000 para el sondeo ssmico y despus todava perder $100000 en la
perforacin cuando no haya petrleo.
Grafica 7 rbol para ejemplo 8.
Por otro lado, encontrar petrleo es una perspectiva interesante, ya que una
ganancia de $700000 dara a la compaa una base financiera slida. Para aplicar
la funcin de utilidad para el dinero del tomador de decisiones es necesario
conocer todos los pagos posibles.
57

Pago monetario
-130
-100
60
90
670
700
Utilidad
-150
-105
60
90
580
600
Tabla 18. Pagos y utilidad ejemplo 8.
Veamos la manera como se obtuvo esta tabla 18; El punto de inicio adecuado
para construir la funcin de utilidad es considerar el peor y el mejor de los
escenarios.
Suponga que slo tiene dos alternativas:
Alternativa 1 No hacer nada, utilidad = 0, pago = 0
Alternativa 2 Probabilidad p,
Probabilidad 1-p,
pago= 700
pago= -130
Qu valor de p hara que el tomador de decisiones fuera indiferente ante las dos
alternativas?
Suponga que la eleccin del tomador de decisiones es p = 1/5
4/5 u (-130) + 1/5 u (700) = 0
Uno de los valores de u (-130) y u (700) puede establecerse arbitrariamente, con
la salvedad de que el primero sea negativo y el segundo positivo
Suponga que seleccionamos u (-130) = -150
4/5 (-150) + 1/5 u (700) = 0
u (700) = 600
Para identificar u (-100), se selecciona un valor de p que haga que el tomador de
decisiones sea indiferente entre un pago de -130 con Probabilidad p o la de
definitivamente puede incurrir en un pago de -100.
Si p = 0.7 entonces u (-100) = p
u (-130) = 0.7(-150) = -105
58

Para obtener u (90), se selecciona un valor de p que haga que el tomador de

decisiones sea indiferente entre un pago de 700 con probabilidad p o la obtencin
de un pago definitivo de 90.
Si p = 0.15 entonces u (90) = p

U (700) = 0.15 (600) = 90
Con estos valores se puede dibujar una curva suavizada.
Grafica 8. Funcin de utilidad ejemplo 8.
Resumiendo:
Para f > 0 halle un valor de p tal que sea indiferente tener $700 con ese valor de p,
o tener a la fija f y se plantea u (f) = u (700)* p + 0 * (1-p)
u (f) = u (700)* p
Se halla u(f)
Para f < 0 halle un valor de p tal que sea indiferente tener -$130 con ese valor de
p, o tener a la fija f
u (-130)* p = u (f)
Se halla u (f)
Observe que u (M) es en esencia igual a M para valores pequeos (positivos o
negativos) de M, y despus se separa gradualmente para valores grandes de M;
Esto es caracterstico de una persona que tienen una aversin moderada al
riesgo.
59

Dada la funcin de utilidad para el dinero del dueo de la compaa, el proceso de

toma de decisiones se puede desarrollar por cualquiera de los mtodos estudiados
anteriormente excepto que ahora se sustituyen las utilidades por los pagos
monetarios. El uso de la teora de la utilidad refleja la actitud del tomador de
decisiones respecto al riesgo.
Grafica 9. rbol ejemplo 8 con funcin de utilidad.

FUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase25_II.pdf
TALLER:
1) La compaa de limpieza Jorge recibe contratos preliminares de dos fuentes,
de un agente propio de la empresa y de los gerentes de los edificios.
Histricamente, 3/8 de los contratos son obtenidos por el agente y 5/8 de
los gerentes, desafortunadamente, no todos los contratos preliminares
resultan para efectuarse. Actualmente, solamente de los contratos
obtenidos de los gerentes resultan, sin embargo 3/4 de los obtenidos por el
agente se efectan, por un contrato se obtienen $64000, el costo de
procesamiento y seguimiento de un contrato que no se realiza es de $3200.
Cul es el pago esperado asociado con los contratos preliminares.
2) Jorge est contratado para realizar una presentacin el 10 de mayo, las
ganancias dependen fuertemente del tiempo, si particularmente el tiempo es
lluvioso, el espectculo pierde $28000 y si es soleado obtiene utilidad de
60

$12000 (suponiendo que todo el da estar tanto lluvioso como soleado),

Jorge puede decidir cancelar el espectculo, pero si lo hace pagara una
multa de $1000. Histricamente el 10 de mayo tiene 1/4 del tiempo lluvioso.
Qu decisin deber Jorge tomar para maximizar sus ganancias esperadas?
-Cual
es
el
valor
esperado
de
la
informacin
perfecta?
Jorge tiene la opcin de conseguir la informacin del tiempo en la oficina
meteorolgica. Cuando ha sido lluvioso la oficina ha estado en lo correcto
(pronosticada lluvia) en el 90%. Cuando ha sido soleado, est l en lo correcto
(pronosticado
sol)
solamente
en
el
80%
del
tiempo.
- Si Jorge obtiene el estado del tiempo, Qu estrategia deber seguir para
maximizar sus expectativas de ganancias?
3) OILCO debe determinar si perforar o no en el mar para buscar petrleo. Cuesta
100000 dlares perforar y, si encuentra petrleo, su valor se calcula en 600000
dlares. Actualmente OILCO cree que hay 45 % de probabilidades que el campo
contenga petrleo. Antes de perforar OILCO puede contratar por 10000 dlares un
gelogo para obtener mas informacin acerca de la probabilidad que haya
petrleo en el lugar. Hay un 50% que el gelogo emita un dictamen favorable
contra el 50% que el dictamen sea desfavorable. Si el dictamen es favorable hay
probabilidad del 80% que el campo tenga petrleo. Si el dictamen es desfavorable
hay 105 de probabilidad que haya petrleo. Determinar las acciones optimas de
OILCO, tambin calcular VEIM (Valor Esperado de Informacin Muestra) y VEIP
(Valor Esperado de Informacin Perfecta)
4) Un cliente acude a un banco para obtener un prstamo de 50000 dlares a un
ao con 12% de inters. Si el banco no aprueba el prstamo los 50000 se
invertirn en bonos que ganaran un 6% anual. Sin mayores informes, el banco
cree que hay el 4% de probabilidad que el cliente se declare totalmente insolvente.
En este caso el banco pierde los 50000. A un costo de 500 dlares el banco puede
investigar en detalle el historial de crdito del cliente y emitir un concepto a favor o
en contra. La experiencia anterior indica que:
P (recomendacin favorable/cliente no insolvente)=70/96
P (recomendacin favorable/cliente insolvente) =
Cmo puede el banco maximizar sus ganancias?
Calcular el VEIM y VEIP?
61

AUTOEVALUACIN DE LA UNIDAD 1.
1.- Considere la siguiente matriz de pagos (|beneficios):
1
15
10
-6
17
14
14
20
19
10
-3
0
No se conocen probabilidades para la ocurrencia de los estados de la naturaleza.

Compare las soluciones obtenidas con cada uno de los criterios.
(a)
(b)
(c)
(d)
Laplace
Maximin.
Savage.
Hurwicz. (Suponga que = 0.5.)
2. La red de televisora NBS gana un promedio de 400000 dlares cuando un

espectculo tiene xito y pierde un promedio de 100000 dlares cuando no lo
tiene. De todos los espectculos que ha revisado esa red, sucede que el 25%
fueron xitos y el 75% fracasos. Una empresa de investigacin de mercados
puede, a un costo de 40000 dlares, hacer que una concurrencia presencie una
muestra del espectculo propuesto y de su opinin acerca de si ser xito o
fracaso. Si en realidad va a ser un xito, hay 90% de probabilidad que la empresa
de investigacin de mercado prediga que ser xito. Si en realidad va a ser un
fracaso, hay 80% de probabilidades que la prediccin sea fracaso. Determinar por
medio de arboles de decisin cmo puede la red televisora elevar al mximo sus
ganancias esperadas. Tambin calcular el VEIM y el VEIP.
RESPUESTAS:
1. a) a4 b) a2 c) a2 d) a4
2. Contratar a la empresa. Si predice xito, transmitir el programa. Si predice
fracaso, no transmitirlo. Ganancia esperada= 35000 dlares; VEIM= 50000
dlares; VEIP= 75000 dlares.
62

UNIDAD 2. DECISIONES BAJO RIESGO
INTRODUCCIN:
Esta unidad desarrollar, los criterios de decisin especficos para cuando no se
conoce la informacin o sea que se presenta un mayor riesgo Al tomar la decisin,
en otras palabras como si se avanzara a ciegas en las empresas o vida cotidiana,
en la unidad se mostrara la utilidad de las probabilidades en la toma de
decisiones, adems de programar decisiones con secuencia o metas escalonadas,
como tambin la simulacin de los procesos decisorios.
En los siguientes captulos el estudiante conocer el manejo de las decisiones
cuando solo tiene un competidor, como tambin cuando su producto tiene varios
competidores y depende de su comportamiento con el tiempo.
Por ltimo aplicar los conceptos de programacin lineal pero en decisiones con
metas y el algoritmo especfico, as como las aplicaciones de los modelos de
simulacin.
OBJETIVO GENERAL:
Dar a conocer a los estudiantes las modelos para apoyo en las decisiones cuando
no se conoce a futuro ninguna certeza por ende se debe basar todo en el estudio
probabilstico, las caractersticas, elementos esenciales, algoritmos de solucin y
la aplicabilidad de la probabilidad en una empresa.
OBJETIVOS ESPECIFICOS:
- Identificar y aplicar los diferentes tipos de probabilidades en las decisiones de
una empresa o la vida diaria.
- Aplicar los mtodos de solucin para la toma de decisiones donde solo hay dos
participantes y se debe suponer las decisiones del otro.
-Diferenciar las necesidades de un producto con respecto a otro y la influencia del
tiempo en las ventas de este en un mercado especfico.
63

- Conocer y aplicar las cadenas de markov.

- Observar y aplicar los algoritmos para la solucin optima en un proyecto donde
se deben programar las metas a conseguir y determinar la prioridad entre ellas.
- Reconocer las aplicaciones de la simulacin en la toma de decisiones.
COMPETENCIAS:
El estudiante despus de estudiar la unidad deber ser competente en la teora de
juegos para aplicarlo no solo con un competidor si no con un rival especifico.
Diferenciar el comportamiento de un producto en el tiempo y con otros productos
similares. Diferenciar entre los diferentes mtodos para desarrollar una simulacin
y la secuencia para definir un problema que tiene varias metas especficas.
JUSTIFICACION
El profesional adems de las decisiones con incertidumbre debe afrontar aquellas
donde el riesgo es alto y fuertemente apropiado por el azar, por lo tanto, con las
herramientas de teora de juegos, cadenas de markov y la programacin por
metas le permite desarrollar habilidades en los esquemas con dos jugadores o
tendencias en el tiempo, adems de medir decisiones con varias aproximaciones
previas y en donde se debe avanzar metdicamente. Por ltimo se aproxima a la
simulacin de sus decisiones y en donde se le exigir la apropiacin matemtica
previa para desarrollar los mtodos markovianos, por metas y de simulacin.
INTENCIONALIDADES FORMATIVAS
La intencin formativa tiene que ver con las capacidades para tomar decisiones
con riesgo por medio del uso de diferentes mtodos como lo son la teora de
juegos, las decisiones con procesos de markov. Adicionalmente aplicar modelos
de programacin cuando son varias las posibles decisiones y determinar los
desarrollos por medio de las simulaciones en los procesos de decisin. Esto lo
pueden realizar con apoyo de los conocimientos adquiridos en el clculo
diferencial, programacin lineal y ecuaciones diferenciales.
Por lo cual el estudiante aplicar integralmente sus conocimientos bsicos en el
campo profesional, teniendo un criterio claro para las diversas decisiones en las
empresas donde laboren.
64

Capitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS
INTRODUCCIN
En el mundo real, tanto en las relaciones econmicas como en las polticas o
sociales, son muy frecuentes las situaciones en las que, al igual que en los juegos,
su resultado depende de la conjuncin de decisiones de diferentes agentes o
jugadores.
La tcnica para el anlisis de estas situaciones es llamada Teora de juegos la
cual es sin duda un modelo para empresas ganadoras o exitosas en un ambiente
competitivo: Por ejemplo, existen muchos factores importantes a considerar
cuando se hace una oferta importante, entre los cuales estn:
Establecer y mantener una posicin de preferencia como oferente, desarrollar una
relacin de preferencia por parte de los clientes, de lo que se oferta en s mismo, y
del precio.
Es una fascinante aplicacin de la matemtica pura y la psicologa pura, e
incorpora series de modelos capaces de simplificar problemas complejos de
competencia o interaccin incierta entre dos o ms agentes.
OBJETIVOS
1.-Conocer en qu consiste la Teora de Juegos.
2.- Desarrollar destreza para la toma de decisiones.
3.- Poder elegir la mejor estrategia mediante un proceso matemtico.
4.- Saber elegir la mejor decisin de acuerdo a sus intereses.
5.- Reconocer y desarrollar los diferentes mtodos de la Teora de Juegos
65

Leccin 16. CONCEPTOS
Fuente: http://julioguti.bligoo.com/tag/psicologia
La teora de juegos es una Teora matemtica, que estudia las caractersticas

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

competencia es que el resultado final, depende de la combinacin de estrategias

seleccionadas por los adversarios.
- La Teora de juegos estudia las caractersticas generales de las situaciones
competitivas de una manera formal y abstracta.
- Da una importancia especial a los procesos de toma de decisiones de los
adversarios.
- Se llaman juegos con suma cero por que un jugador gana lo que el otro pierde,
de manera que la suma de sus ganancias netas es cero. Este juego consiste en
que los dos jugadores muestran al mismo tiempo uno o dos dados.
Si el nmero de dados coincide con el jugador que apuesta a pares (jugador 1)
gana la apuesta ($1) al jugador que va por impares (jugador 2).
Si el nmero no coincide el jugador 1 paga ($1) al jugador 2.
Un juego de dos personas se caracteriza por:
1. Las estrategias del jugador 1
2. Las estrategias del jugador 2
3. La matriz de pagos
METODOS DE SOLUCIN
Existen 4 mtodos para la solucin de Teora de juegos:
-
Estrategias Dominadas
Punto de silla y suma cero
Estrategias mixtas
Grafico
Leccin 17. Mtodo de estrategias Dominadas.
Fuente: http://isegara.blogspot.com/2010/05/el-mundo-del-adolescente-dominado-por.html
67

Este mtodo consiste en eliminar una serie de estrategias inferiores hasta que
quede una sola para elegir. Especficamente se puede eliminar una estrategia
cuando est dominado por otra, es decir, si existe otra estrategia que siempre es
al menos tan buena como esta, sin importar lo que hace el oponente.
Se debe tener en cuenta que el jugador que se ubica en la casilla 1 es el que
prima en las decisiones, podramos decir que este somos nosotros y que el otro es
nuestro oponente. Adems es clave decir que son las estrategias que ms se
buscan en las contiendas polticas. La mejor forma de entender estos mtodos es
por medio de un ejemplo como el de a continuacin.
EJEMPLO 9:
Jugador 2
Estrategias
Jugador1
1
6
2
10
3
12
14
-6
El jugador 1 elimina la estrategia 3 (dominada) ya que sta representa menos

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

prdidas.
Jugador 2
Estrategias
Jugador1
1
6
2
10
3
12
14
Jugador 2
Estrategias
Jugador 1
1
6
2
10
El jugador 1 elimina la estrategia 2 (dominada):

Jugador 2
Jugador2
estrategias
Jugador1
10
Estrategias
Jugador 1
10
68

El jugador 2 elimina la estrategia 2:

Jugador 2
Jugador 1
Jugador2
Estrategias
Estrategias
1
10
Jugador1
1
3
- Entonces sabemos que el jugador 1 recibe un pago de 6 por parte del jugador 2.
- El pago para el jugador, cuando ambos jugadores juegan de manera ptima
recibe el nombre de Valor de Juego.
Leccin 18. Mtodo suma cero y Punto de Silla.
Fuente: http://blog.pucp.edu.pe/blog/economate
El mtodo de punto silla se utiliza cuando no se puede aplicar el mtodo de

estrategias dominadas. Esto se debe a que no hay un dominio especfico entre
una estrategia y otra, Adems debemos emplear para su solucin los criterios de
decisin estudiadas en los captulos anteriores.
El mtodo consiste en que el jugador 1 debe elegir las estrategias de menor valor
y entre ellas escoger la estrategia de mayor valor a ganar (Maximin), mientras que
el jugador 2 debe elegir las estrategias de mayor valor y entre ellas escoger la
estrategia de menor valor a pagar (Minimax).
Cuando el Maximin es igual al Minimax tanto en el valor como en signo se dice
que hay punto silla. Esa posicin corresponde a la interseccin de la columna y la
fila (Punto Silla).
El Punto Silla es el valor del juego. Cuando estos valores no coinciden no existe
Punto Silla y se puede concluir que el juego no es justo o la solucin es inestable
- Si el juego tiene un valor de cero (0) o suma cero, se denomina Juego Justo, y
si es diferente de cero (0) se denomina Juego Injusto.
69

EJEMPLO 10.
jugador 2
Estrategias
Jugador1
-3
-2
-2
El Jugador 1 elige el valor mnimo de cada fila y el jugador 2 elige el valor mximo
de cada columna.
jugador2
Estrategias
Jugador1
Punto silla
1
-3
-2
-3
-2
-2
mximin
mnimax
Grafica 10. Juego de estrategias dominadas.
El Jugador 1 elige el valor mayor entre los valores mnimos (Maximin).

El Jugador 2 elige el valor mnimo entre los valores mayores (Minimax).
El punto de silla es igual a (0) (valor del juego), en este caso el juego es justo.
Leccin 19. Mtodo de estrategias Mixtas:
Fuente: http://www.opabinia.com/teoria/MEDIDA/MEDIDA.htm
Este mtodo se emplea cuando un juego no se puede resolver por los mtodos
anteriores (Estrategias dominadas y Punto Silla) utilizamos el mtodo de
estrategias mixtas, que consiste en combinar las estrategias dominadas con el
procedimiento de Solucin grfica.
70

Con este mtodo se le asigna a cada estrategia una probabilidad.

EJEMPLO 11.
jugador 2
Estrategias
-2
-3
1
Jugador1
El jugador 1 elimina la estrategia 3 (dominada)

jugador 2
Estrategias
-2
-3
1
Jugador1
Estrategias
1
jugador
1
jugador 2
Y
Y
1
2
Y
3
-2
-3
Determinando cual estrategia se debe eliminar se continua el proceso con el

mtodo grafico, el cual se explicar a continuacin. O se puede desarrollar por el
mtodo de punto de silla.
Leccin 20. Mtodo Grafico
Fuente: http://thales.cica.es/rd/Recursos/rd99/ed99-0045-01/secciones/grafico.html
71

Para desarrollar este mtodo, el cual se emplea tambin en las estrategias mixtas
tomamos la matriz de pagos del ejemplo 11 y la convertimos en un sistema de
ecuaciones lineales donde X hacen referencia al jugador 1 y las Y hacen
referencia al jugador 2; As:
Jugador 1.
X1 + X2
=1
X1 = 1 - X2
Jugador 2.
Y1 + Y2 + Y3 = 1
Para qu Y se tengan en funcin de X! y X2, se tiene en cuenta los valores de la
matriz de pagos as:
Y1 = 0X1 + 5X2
Y1 = 5X2
Y2 = -2X1 + 4X2
Y2 = -2 (1-X2)+ 4X2 = -2 + 2X2 + 4X2
Y2 = -2+6X2
Y3 = 2X1 - 3X2
Y3 = 2(1-X2) - 3X2 = 2 - 2X2 - 3X2
Y3 = 2 - 5X2
Con los valores anteriores se obtienen tres lneas rectas que debemos ubicar en
el plano cartesiano, a continuacin tenemos los puntos de corte respectivos con
los ejes:
Y1 = 5x2
X=0 Y=0
X=1 Y=5
Y2 = -2+6X2 x = 0 Y = -2
x=1 Y=4
Y3 = 2- 5x2
x=0 Y=2
X = 1 Y = -3
72

Grafica 11. solucin metodo grafico
Solucin ptima
El punto de corte nos determina la solucin ptima del juego. Que para este
mtodo se tiene aproximadamente 0,4 para X2; y por lo tanto 0,6 para X1.
Para mejor anlisis se puede desarrollar tambin por cualquiera de los mtodos
algebraicos as:
IGUALACION
Y2 = Y3
-2+6X2 = 2 -5X2
6X2+5X2 = 2+2
11X2 = 4
X2 = 4/11 = 0.36*100
X2 = 36% Y X1= 64%

Jugador 1 (64%, 36%,0)
El vrtice o corte de las dos rectas que optimizan el juego es:

Y2= V = -2 +6X2 = -2 + 6 (4/11) = -2 + 24/11 = 2/11
Teniendo en cuenta las dos rectas que forman parte del punto maximin y con
respecto ha Y son:
-2Y2 +2Y3 = 2/11
4Y2 - 3Y3 = 2/11
73

No se tiene en cuenta a Y1 debido a que no forma parte de la solucin mnima:

-2Y2 +2Y3 = 2/11 * 2
4Y2 - 3Y3 = 2/11
-4Y2 +4Y3 = 4/11
4Y2 - 3Y3 = 2/11
_________________
Y3 = 6/11 = 0,5454*100
Y3 = 54,54% y Y2 = 45,46%
Jugador 2 (0, 45.46%,54.54%)
Solucin:
Observando los valores de los porcentajes de las estrategias encontradas para
los dos jugadores podemos realizar el anlisis de la siguiente manera: El
jugador 1 le gana al jugador 2 en el primer turno por un valor del 64%, en el
segundo turno le gana el jugador 2 al jugador 1 por un porcentaje del 45.46, lo
que da hasta el momento un empate entre los dos jugadores, sin embargo en
el tercer y ltimo juego el jugador 2 le gana al jugador 1 con un 54.54%, lo que
da como resultado final, que el juego sea injusto, y tenga un valor de juego
igual a 2/11.
EJEMPLO 12: LA CAMPAA POLTICA: EJEMPLO DE PROTOTIPO
Dos polticos contienden entre s por la presidencia de la repblica de Colombia.
En este momento ellos estn haciendo sus planes de campaa para los dos
ltimos das antes de las elecciones; se espera que dichos das sean cruciales por
ser tan prximos al final. Por esto, ambos quieren emplearlos para hacer
campaas en dos ciudades importantes. Cali y Medelln para evitar prdidas de
tiempo, estn planeando viajar en la noche y para un da completo en cada ciudad
o dos das en solo una de las ciudades.
Como deben hacer los arreglos necesarios por adelantado, ninguno de los dos
sabr lo que su oponente tiene planeado hasta despus de concretar sus propios
planes. Cada poltico tiene un Jefe de Campaa en cada ciudad para asesorarlo
en cuanto al impacto que tendr (en trminos de votos ganados o perdidos). Las
distintas combinaciones posibles de los das dedicados a cada ciudad por ellos o
por sus oponentes.
Ellos quieren emplear esta informacin para escoger su mejor estrategia para
estos dos das.
SOLUCIN
74

FORMULACION: Los 2 jugadores, las estrategias de cada Jugador y la matriz de

pagos.
ESTRATEGIA 1: Pasar por un da en cada ciudad.
ESTRATEGIA 2: Pasar ambos das en Cali.
ESTRATEGIA 3: Pasar ambos das en Medelln.
MATRIZ DE PAGOS
Cantidad neta de votos ganados
por el POLITICO 2
(en unidades de 1000 votos)
Cantidad neta de votos ganados

por el POLITICO 1
(en unidades de 1000 votos)
Poltico 2
Poltico 2
Estrategias
-2
-3
1
Poltico 1
Estrategias
1
-2
-3
1
Poltico 1
METODO DE SOLUCIN: Para desarrollar este ejemplo se pueden emplear

cualquiera de los criterios de decisin estudiados en la leccin 5. En este ejemplo
se emplear el criterio maximax para el poltico 1 y maximin para el poltico 2
Maximax
Poltico 2
Estrategias
-2
-3
-2
-3
1
Poltico 1
Maximin.
2
5
4
Al tomar estos criterios el juego no es equilibrado y tiene un ganancia en la

estrategia 2 para el poltico 1 con un valor de 5, al cual se le debe sumar 0 del
pago correspondiente del poltico 2 o sea que el valor del juego es de 5 para el
poltico 1 con la estrategia 2 pasar ambos das en Cali, con respecto a la prdida
del poltico 2 de 0, al tomar la estrategia 1 de pasar un da en cada ciudad.
EJEMPLO 13: En este juego se desarrollarn las estrategias dominadas para dos
jugadores de la siguiente manera;
Ambos jugadores debern elegir su estrategia
75

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

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

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

la estrategia 1 (1<2)
1
1
Se obtiene como valor del juego la estrategia 1 para ambos jugadores donde el
jugador 1 obtiene un pago de 1 del jugador 2. Es un juego equilibrado pero no
justo.
EJEMPLO 13. Para la siguiente matriz de pagos, determine la estrategia optima
para cada jugador eliminado sucesivamente las estrategias dominadas (indique el
orden en que se eliminaron).
Jugador 2
Estrategias
1
1
jugador 1
76

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

Jugador 2
Estrategias
1
jugador 1
2

Jugador2
estrategias
Jugador1

Jugador 2
Estrategias
Jugador 1

El ejemplo nos entrega un valor del juego de 2 donde el jugador 1 recibe un pago
de 2 por parte del jugador 2; Este es un ejemplo de Juego Injusto.
EJEMPLO 14. Encuentre el Maximin, Mnimax el punto silla que tiene la siguiente
matriz de pagos.
77

Jugador 2
Estrategias
1
-3
-2
-4
-2
-1
-1
1
jugador 1
SOLUCIN
El jugador 1 elige el valor mnimo de cada fila y el jugador 2 elige el valor mximo
de cada columna:
Jugador 2
Estrategias
1
-3
-2
-3
-4
-2
-1
-4
-1
-1
-1
2 Mximos
1
jugador 1
Mnimos
El Jugador 1 elige el valor mayor entre los valores mnimos (Maximin). El Jugador
2 elige el valor mnimo entre los valores mayores (Mnimax).
Jugador 2
Estrategias
1
-3
-2
-4
-2
-1
1
jugador 1
Punto silla
-1
1
-1
1
3
-4
-1
1
minimax
maximin
El valor del juego es -1. Juego injusto.
78

TALLER:
1. Utilice el procedimiento grfico para determinar el Valor del Juego y la
estrategia mixta ptima para cada jugador.
Jugador 2
Estrategias
1
jugador
1
2. Para la siguiente matriz de pagos, determine la estrategia optima para cada

jugador eliminando sucesivamente las estrategias dominadas (Indique el orden
en que se eliminaron).
Jugador 2
Estrategias
1
1
jugador
1
3. Encuentre el Punto Silla del juego que tiene la siguiente Matriz de Pagos.
Jugador 2
Estrategias
1
1
jugador
1
4. Utilice el procedimiento grfico para determinar el valor del juego y la

estrategia mixta ptima para cada jugador segn el criterio de mnimax.
Jugador 2
Estrategias
1
jugador
1
79

CAPITULO 5. DECISONES BAJO RIESGO CADENAS DE MARKOV.
INTRODUCCION
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que
ocurra un evento depende del evento inmediato anterior; En efecto, las cadenas
de este tipo tienen memoria, "recuerdan" el ltimo evento y esto condiciona las
posibilidades de los eventos futuros. Esta dependencia del evento anterior
distingue a las cadenas de Markov de las series de eventos independientes, como
tirar una moneda al aire o un dado.
En los negocios, las cadenas de Markov se han utilizado para analizar los
patrones de compra de los deudores morosos, para planear las necesidades de
personal y para analizar el reemplazo de equipo; El anlisis de Markov, llamado
as en honor de un matemtico ruso que desarrollo el mtodo en 1907, permite
encontrar la probabilidad de que un sistema se encuentre en un estado en
particular en un momento dado.
Algo ms importante an, es que permite encontrar el promedio a la larga o las
probabilidades de estado estable para cada estado, con esta informacin se
pueden predecir el comportamiento del sistema a travs del tiempo. La tarea ms
difcil es reconocer cundo puede aplicarse.
La caracterstica ms importante que hay que buscar en la memoria de un evento
a otro, las cadenas de Markov se incluyen dentro de los denominados procesos
estocsticos, estos procesos estudian el comportamiento de variables aleatorias a
lo largo del tiempo X(t,w), definindose como una coleccin de variables aleatorias
{X(t,w), t I}, donde X (t,w) puede representar por ejemplo los niveles de
inventario al final de la semana t.
El inters de los procesos estocsticos es describir el comportamiento de un
sistema y su operacin durante algunos periodos, se pueden clasificar atendiendo
a dos aspectos: 1.- si el espacio de estados posibles de la variable aleatoria
contiene valores discretos o continuos y 2.- si los valores del tiempo son discretos
o continuos.
Las cadenas de Markov son un proceso estocstico en el que los valores del
tiempo son discretos y los estados posibles de la variable aleatoria contienen
valores discretos, es decir, es una cadena estocstica de tiempo discreto. Las
cadenas de Markov, se clasifican, adems, dentro de los procesos estocsticos de
Markov, que son aquellos en el que el estado futuro de un proceso es
80

independiente de los estados pasados y solamente depende del estado presente.

Por lo tanto las probabilidades de transicin entre los estados para los tiempos k-1
y k solamente depende de los estados que la variable adquiere dichos tiempos.
Leccin 21. PROCESOS ESTOCSTICOS.

La teora de los procesos estocsticos se centra en el estudio y modelizacin de
sistemas que evolucionan a lo largo del tiempo, o del espacio, de acuerdo a unas
leyes no determinsticas, esto es, de carcter aleatorio.
La forma habitual de describir la evolucin del sistema es mediante sucesiones o
colecciones de variables aleatorias. De esta manera, se puede estudiar cmo
evoluciona una V.A. a lo largo del tiempo; Por ejemplo, el nmero de personas que
esperan ante una ventanilla de un banco en un instante t de tiempo; el precio de
las acciones de una empresa a lo largo de un ao; el nmero de parados en el las
estaciones de buses a lo largo de un ao.
La primera idea bsica es identificar un proceso estocstico con una sucesin de
v.a. {Xn, n N} donde el subndice indica el instante de tiempo (o espacio)
correspondiente; Esta idea inicial se puede generalizar fcilmente, permitiendo
que los instantes de tiempo en los que se definen las v.a. sean continuos. As, se
podr hablar de una coleccin o familia de v.a. {Xt, t R}, que da una idea ms
exacta de lo que es un proceso estocstico.
Se tiene que una v.a. X(s) es una funcin que va desde un espacio muestral S a
la recta real, de manera que a cada punto s S del espacio muestral se le puede
asociar un nmero de la recta real. De este modo, la probabilidad de cada suceso
de S se puede trasladar a la probabilidad de que un valor de X (v.a.) caiga en un
cierto intervalo o conjunto de nmeros reales. Si a todo esto se le aade una
dimensin temporal, se obtiene un proceso estocstico.
La definicin formal es la siguiente:
Dado el espacio de probabilidad (,a, P ) de modo que para todo t T R fijo
Xt : (,a, P ) (R, B)
w Xt(w) R
Esto es, Xt es una variable aleatoria y w fijo, X(w) es una funcin del tiempo.
Ejemplos:
Xt: nmero de personas que esperan un autobs en un instante t donde t [9, 10]
Xt: precio de una accin de una empresa en un da t del mes (t = 1, 2, . . . , 30).
Xt: nmero de parados en el mes t (t = 1, 2, . . . , 12).
81

Para que un proceso estocstico est completamente definido hay que determinar
completamente las v.a., es decir, determinar e identificar la distribucin de
probabilidad asociada a cada una de ellas y, es ms, la distribucin conjunta de
todas ellas.
Al conjunto T R de subndices se le denomina conjunto paramtrico y puede
ser continuo o numerable. De este modo aparece una primera clasificacin en
procesos estocsticos de parmetro continuo o de parmetro discreto.
Se denomina conjunto de estados E, al conjunto de los posibles valores que
pueden tomar las v.a. {Xt}tR; En general, se piensa en el subndice t como el
indicativo del tiempo y en Xt como el estado o posicin del proceso estocstico en
el instante t.
EJEMPLO 15: Se lanza una moneda varias veces. Supngase que cada vez que
sale cara, un jugador gana 1 unidad y si sale sello pierde 1 unidad. Se puede
definir un proceso estocstico que modeliza la evolucin del juego.
As, si se denomina Xn al nmero de unidades monetarias que quedan despus
de n lanzamientos, el espacio muestral de Xn es
= {n-uplas de cara y sello}
De modo que el cardinal (el nmero de elementos) del conjunto es
# = 2n
Y el lgebra que se define es a = P (), esto es, las partes de (todos los
posibles subconjuntos que se pueden formar en ).
Consideramos a todas las posibles n-uplas equiprobables: P (w) = 1/2n.
Es un proceso discreto, porque el conjunto paramtrico es T = {1, 2, 3,. . .} y el
posible conjunto de estados es
E = {. . ., 3, 2, 1, 0, 1, 2, 3. . .}
Podemos estudiar la trayectoria de X (w):
Sea n = 6 y fijo, por ejemplo, w = (c, c, s, s, s, s) , esto es,
X1(w) = 1
X2(w) = 2
X3(w) = 1
X4(w) = 0
X5(w) = 1
X6(w) = 2
82

Ahora, si fijamos t, por ejemplo en t = 3, se puede calcular la distribucin de X3. El

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

Por ejemplo la ruina del jugador: inicialmente tengo $2, en los tiempos
1,2,...participo en un juego en el que apuesto $1 que gano con probabilidad p y
pierdo con probabilidad 1-p; Dejo de jugar cuando mi capital es $4 o he perdido
todo mi capital.
Si Xi es la cantidad de dinero que tengo en el tiempo i, X0, X1,... es un proceso
estocstico.
Un proceso estocstico de tiempo continuo es un proceso estocstico en el que el
estado del tiempo se puede examinar en cualquier momento, por ejemplo el
nmero de personas en un supermercado a los t minutos de abrir.
Leccin 22. CADENAS DE MARKOV.
Una Cadena de Markov es un proceso estocstico de tiempo discreto que para
t=0, 1, 2,.. y en todos los estados se verifica P(Xt+1=it+1 | Xt=it, Xt-1=it-1, ...,
X1=i1,X0=i0)=P(Xt+1=it+1|Xt=it)
La Hiptesis de estabilidad es la probabilidad P (Xt+1=i t+1t=i)=pij (no depende de t)
La probabilidad de transicin es pij
La Matriz de probabilidades de transicin es
P11 p12 ... p1s
P21 P22 ... P2s
P=
Ps1 Ps2 0 Pss
Donde se debe verificar que la pj =1
j=1
Las cadenas de Markov que cumplen la hiptesis de estabilidad se llaman
cadenas estacionarias de Markov.
La distribucin inicial de probabilidad de una cadena de Markov es aquella
q = [q1,...,qs] donde qi=P(X0=i)
EJEMPLO 16: la ruina del jugador es una cadena de Markov estacionaria
Estados: 0, 1, 2, 3, 4
Matriz de transicin
1
1-p
0
0
0
0
0
1-p
0
0
0 0
p 0
0 p
1-p 0
0 0
0
0
0
p
1
84

La anterior matriz de transicin se puede representar con un grafo en el que cada

nodo representa un estado y cada arco la probabilidad de transicin entre estados.
Grafica 12. Esquema de una matriz de transicin.
PROBABILIDADES DESPUS DE N PASOS.

Si una cadena de Markov estacionaria est en el estado i en el tiempo m, cul es
la probabilidad de que n perodos despus la cadena est en el estado j?
P (Xm+n =j |Xm= i) = P(Xn= j | X0=i)=Pij(n)
Donde,
Pij(n) es la probabilidad en la etapa n de una transicin del estado i al estado j
s
Pij (1)=Pij, Py(2)= Pik PKj

K=1
Pij (n) elemento ij-simo de Pn que es la probabilidad de estar en el estado j en el

s
tiempo n = qi py (n)
i=1
EJEMPLO 17. El ascensor de un edificio con bajo y dos pisos realiza viajes de
uno a otro piso. El piso en el que finaliza el viaje n-simo del ascensor sigue una
cadena de Markov. Se sabe que la mitad de los viajes que parten del bajo se
dirigen a cada uno de los otros dos pisos, mientras que si un viaje comienza en el
primer piso, slo el 25% de las veces finaliza en el segundo. Por ltimo, si un
trayecto comienza en el segundo piso, siempre finaliza en el bajo. Se pide:
a) Calcular la matriz de probabilidades de transicin de la cadena
b) Dibujar el grafo asociado
c) Cul es la probabilidad de que, a largo plazo, el ascensor se encuentre en
cada uno de los tres pisos.
SOLUCIN:
a) Los estados de la cadena los denotaremos por {0, 1, 2} haciendo corresponder
el 0 al bajo y 1 y 2 al primer y segundo piso respectivamente.
Las probabilidades de transicin son:
85

p00 = P(Rn=0 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre

en la planta baja si en la etapa anterior estaba en la planta baja. Obviamente es 0,
porque se supone que de etapa a etapa el ascensor se mueve.
p01 = P(Rn=1 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre
en la planta primera si en la etapa anterior estaba en la planta baja. Obviamente
es . Basta leer el enunciado. Y as sucesivamente vamos obteniendo las
distintas probabilidades de transicin cuya matriz es:
c)
Leccin 23. CLASIFICACIN DE ESTADOS EN UNA CADENA DE MARKOV.

Dados dos estados i y j, la trayectoria de i a j es la sucesin de transiciones que
comienza en i y termina en j, de forma que cada transicin de la secuencia tenga
probabilidad positiva.
86

Un estado j es alcanzable desde un estado i si hay una trayectoria de i a j, por lo

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

Markov.
-
se puede determinar a partir de la ecuacin:
Pkj
K=1
- En forma matricial
= p
- Este sistema tiene un nmero infinito de soluciones porque el rango de P

siempre resulta ser menor o igual que s-1; Tambin se debe verificar que,
87

1 +2 +...
s=
INTERPRETACIN INTUITIVA DE LAS PROBABILIDADES DE ESTADO

ESTABLE.
(1
Pj
)
=
Pk
j
j
La probabilidad de que una transicin determinada deje el estado j es igual a la

probabilidad de que una transicin determinada entre al estado j.
La probabilidad de que una transicin determinada deje el estado j =
(1 p j j)
La probabilidad de que una transicin determinada entre al estado j= Pk j

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

Su objetivo es optimizar el ingreso esperado al final de un perodo de tamao N,
donde,
Pk=[pi j k] y Rk=[ri j k] son las matrices de transicin y recompensa para la
alternativa k,
88

fn(i) es el ingreso esperado ptimo de las etapas n, n+1,...,N si el estado del

sistema al inicio de la etapa n es i.
m
fn(i) = max ,
j=1
Pijk [rij k n+1(j) ]
n = 1,2,, n
n+1(j) = 0, j = 1,2, ,m
EJEMPLO 18. Suponga que toda la industria de refresco produce dos colas: Coca
Cola y Pepsi Cola. Cuando una persona ha comprado Coca Cola hay una
probabilidad de 90% de que siga comprndola la vez siguiente. Si una persona
compr Pepsi, hay 80% de que repita la vez siguiente. Se pide:
a) Si una persona actualmente es comprador de Pepsi. Cul es la probabilidad
de que compre Coca Cola pasadas dos compras a partir de hoy?
b) Si en la actualidad una persona es comprador de Coca Cola. Cul es la
probabilidad de que compre Coca Cola pasadas tres compras a partir de ahora?
c) Supongamos que el 60% de toda la gente toma hoy Coca Cola y el 40% Pepsi.
A tres compras a partir de ahora, Qu fraccin de los compradores estar
tomando Coca Cola.
d) Determinar el estado estable.
SOLUCIN: La situacin se puede modelar como una cadena de Markov con dos
estados {Coca-Cola, Pepsi-Cola}= {C, P}. La matriz de transicin para el orden C,
P, es:
0,2 0,8
P=
0,9 0,1
a) Se pide la probabilidad de transicin en dos pasos, es decir que se pide el valor
en fila 2, columna 1 para la matriz P2, obtenindose que este es: 0,2.0,9+0,8.0,2
=0,34
b) Al igual que en el apartado anterior se pide el valor de probabilidad de transicin
en fila 1 y columna 1 para la matriz P3.
Esto quiere decir que la solucin al problema es 0,781.

c) El vector de probabilidad inicial es (0.6, 0.4), por tanto la probabilidad de
consumir ambos estados a partir de tres etapas es: (0.4, 0.6)*P3.
Calculamos primero P2, resultando que
89

Por lo tanto,
Entonces el resultado solicitado es 1/10000 *(6438 3562) = (0.6438, 0.3562);

esto es que al cabo de tres compras el 6438% comprar Coca Cola y el 3562%
comprar Pepsi Cola.
d) El estado estable se determina resolviendo el sistema de ecuaciones:
Aadiendo la ecuacin x+y = 1, siendo x la probabilidad de que una persona

compre Coca Cola a largo plazo e y lo mismo de que compre Pepsi Cola. El
sistema resultante es:
Obsrvese que las dos primeras ecuaciones son la misma por tanto quedmonos
con las dos ltimas, obteniendo como solucin:
x = 2/3; y = 1/3.
MODELOS DE ETAPAS INFINITAS
Se desarrollaran varios mtodos para este modelo de etapas, en el cual se buscan
las polticas para que existan soluciones de estado estable.
Mtodos:
Enumeracin exhaustiva: se evalan todas las polticas estacionarias posibles
del problema de decisin
Iteracin de poltica: determina la poltica ptima de forma iterativa
ENUMERACIN EXHAUSTIVA
Problema de decisin con S polticas estacionarias
Pasos del mtodo:
1.- Calcular el ingreso de una etapa esperado de la poltica s dado el estado i,
i = 1,2,...,m:
m
V1s
= Pij rijS
J=i
90

2.- Calcular las probabilidades estacionarias de largo plazo de la matriz de

transicin asociada a la poltica s.
3.- Determinar el ingreso esperado de la poltica s por paso de transicin:
m
Es =
vis
i=1
4.- La poltica ptima s* se determina de forma que Es* = max{Es}
Para una poltica especfica el rendimiento total esperado en la etapa n es,

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

k j=1
nmero de etapas que faltan por considerar:

m
Pij n 1 (j), i= 1,2, ... , m
n(i) = Vi +
j=1
El comportamiento asinttico del proceso se estudia haciendo
ITERACIN DE POLTICAS
El ingreso esperado por etapa es E=1v1 + 2v2 +...+ mvm
Para grande donde n(i) +(i) es un trmino constante que representa el
efecto sobre el ingreso de comenzar en el estado i.
Sustituyendo en la ecuacin recursiva y simplificando
m
E=V1 + Pij (j) - (i), i= 1,2, ... , m

J=1
Que es un sistema de m ecuaciones y m+1 incgnitas: E, f(1),...,f(m).

Para determinar el valor mximo de E se sigue un proceso iterativo que termina
cuando dos polticas sucesivas son idnticas:
1.- Determinacin del valor: se elige una poltica arbitraria s. Suponiendo fs(m)=0
se resuelven las ecuaciones:
91

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

j=1
2.- Mejoramiento de poltica: Para cada estado i determina la poltica k que

produce
m
MAX
K
Vi K
PK ij s(j )
, i= 1,2, ... , m
j=1
Las decisiones ptimas que resultan para los estados 1,2,..., m constituyen la
nueva poltica t. Si s y t son idnticas, t es ptima. Si no es as, se repite el
proceso con s=t.
EJEMPLO 19.PROBLEMA RATN:
Un ratn cambia de habitculo cada minuto con igual probabilidad a las salas
adyacentes
Donde puede circular en las opciones planteadas en el esquema siguiente;
La matriz de probabilidades de transicin es
P=
0
1/2
1/3
1/2
1/3
0
1/3
0
1/3
1/2
0
1/2
1/3
0
1/3
0
92

|IP|=0
Calculamos el espectro:
Autovalores:
=0
=1
= -1/3
= - 2/3
Multiplicidad 1 y nico de
mdulo 1
Existe distribucin final.

P () (I P) = 0
Sistema de ecuaciones:
( PS , PH , PC ,PE )
1
-1/2
-1/3
-1/2
-1/3 -1/3 -1/3

1
-1/2 0
-1/3 1
-1/3
0
-1/2 1
= (0,0,0,0,0)
PS + P H + PC + P E = 1
Las Probabilidades son
-Saln
-Habitacin
-Cocina
-Entrada
PS = 0,3
PH = 0,2
PC = 0,3
PE = 0,2
Existe distribucin lmite porque:

El sistema tiene una sola clase final
Esa clase final es aperidica
PARA ACABAR CON EL RATN
Se pone queso envenenado en la cocina
Se abre la puerta de la entrada (S C)
93

Grafica 13. Probabilidades del ratn ejemplo 19.
Qu probabilidad hay de que el sistema sea absorbido en cada estado final?

E, S y H son estados transitorios.
C y SC son estados recurrentes o finales.
La situacin inicial del ratn determinar la situacin futura.
Si inicialmente est en E es ms probable que salga de casa.
Si inicialmente est en H es ms probable que se quede en la cocina.
Matriz de transicin:
1
0
0
1
0
0
Estructura de P:
0
0
0
0
P=
1/3 0 0 1/3 1/3
0 1/3 1/3 0 1/3
0 1/3 1/3 1/3 0
P=
Matriz identidad (tantas columnas y filas como estados finales) ( I ).

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

j = Cocina, Salir de casa (estados finales) (1,2)

Q31 = 1/3 + 1/3 Q41 + 1/3 Q51
Prob. De que estando en 4 pase a 1
Prob. de que se marche directamente
Q41 = 1/3 Q31 + 1/3 Q51
Q51 = 1/3 Q31 + 1/3 Q41
Resolvemos el sistema:
1 -1/3 -1/3
-1/3 1
-1/3
-1/3 -1/3 1
I-Q
Q31
Q41
Q51
Q32
Q42
Q52
1/3 0
0 1/3
0 1/3
R
Matriz de
absorcin
en un salto
Matriz de prob.
Entre
transitorios
La probabilidad de acabar en cada uno de absorcin

los estados finales en funcin de su
en
posicin inicial.
Q31 Q32
Q41 Q42
Q51 Q52
un solo salto
1/2 1/2
1/4 3/4
1/4 3/4
La suma de los trminos de las filas debe ser 1.

O termina en un estado final o en el otro.
La probabilidad de los estados transitorios es cero
Dependiendo de la situacin inicial del ratn Cunto tiempo medio tardar en
desaparecer?
Llamamos mi al nmero medio de transiciones hasta la absorcin si el sistema se
encuentra en el estado transitorio i.
mE Nos encontramos inicialmente en la entrada.
95

mi = es una v.a. de tipo discreto.

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

mH = 1 1/3 + 1/3 (1 + mE ) + 1/3 (1 + mS)
1 -1/3 -1/3
-1/3 1
-1/3
-1/3 -1/3 1
mS
mE =
mH
1
1
1
mS
mE
mH
3
= 3
3
I-Q
Independientemente de la sala donde se encuentre inicialmente, el tiempo que
transcurre hasta que nos deshacemos del ratn es tres.
EJEMPLO 20. PROBLEMA TELEFONA MVIL
Una agencia de telefona mvil est estudiando la demanda presentada por el
Ayuntamiento de una poblacin cercana a Madrid. Esta poblacin se ha querellado
por una cobertura insuficiente del servicio de telefona mvil. Concretamente
aseguran que el tiempo que tarda una llamada en cortarse es inferior a 10 minutos
cuando las personas que estn hablando transitan por la calle o circulan en
vehculos.
Para verificar este hecho dos tcnicos de telefona se han desplazado a esta
localidad y han medido los niveles de calidad en conversaciones en los que ambos
interlocutores hablan mantenindose quietos en sus sitios (estudio esttico), y
tambin han hecho mediciones cuando ambos interlocutores andan por la calle
(estudio dinmico).
El estudio ha consistido en evaluar cada minuto los niveles de calidad de la
recepcin de seal en ambos terminales mviles. En el estudio esttico los niveles
de calidad de recepcin en cada Terminal son dos, 1 y 2, de menor a mayor
calidad de recepcin. En el estudio dinmico los niveles de calidad de recepcin
son tres, 0, 1 y 2. El nivel 0 corresponde a la prdida de la llamada.
96

Del resultado del estudio esttico ha resultado que la probabilidad de que

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

de caf en Pontevedra en el mes de junio?
b) A la larga, cmo se distribuirn los clientes de caf?
c) En junio, cual es la proporcin de clientes leales a sus marcas de caf?
SOLUCIN:
a) A la vista de las frecuencias anteriores, las probabilidades de transicin,
conservando el mismo orden que la tabla (A, B, C) es:
De marzo a Junio hay 4 etapas por lo que nos piden las probabilidades de
transicin al cabo de 4 meses, las que vendrn dada por los coeficientes de P4
97

b) A la larga se trata de la situacin estable:
Resolviendo se obtiene: x = 5/21; y = 10/21; z = 2/7.

c) En Marzo la proporcin de clientes de A es: 2028/8450 = 0,24; para B es
3718/8450 = 0,44 y para C es 2704/8450 = 0,32.
En el mes de junio la proporcin es:
Leccin 25. PROBLEMA ESTTICO Y DINAMICO.

La variable de estado de ambos estudio de ambos estudios es el nivel de
cobertura, y la cadena de Markov asociada ser la siguiente:
La matriz de probabilidades de transicin ser:

98

0,81
0,09
0,9
0,01
PEE
0,09
0,81
0,01
0,09
0,09
0,01
0,81
0,09
0,01
0,09
0.09
0,81
La calidad de la conversacin se establece como semisuma de los niveles de

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

(condicin necesaria), y el resto de autovalores no tienen mdulo 1 (condicin
suficiente).
La distribucin lmite es la asociada al auto valor = 1
(p1, p2, p3, P4)
0,19
- 0,09
- 0,09
- 0,01
- 0,09
- 019
- 0,01
- 0,09
- 0,09 - 0,01
0
- 0,01 - 0,09
0
- 0,09 - 0,09 = 0
- 0,09
0,19
0
P1 +p2 + p3 + p4 = 1
0,19 - 0,09 - 0,09 - 0,01
- 0,09 0,19 - 0,01 - 0,09
- 0,09 - 0,01 - 0,19 - 0,09
1
1
1
1
P1
P2
P3
P4
0
= 0
0
0
(P1 P2 P3 P4) = (0,25 0,25 0,25 0,25)

La calidad media de las conversaciones estticas:
q =(1+1). P1 + (1+2). P2 +(1+2). P3+(2+2). P4
q =2 * 0,25 +3 0,25 + 3 0,25 +4 *0,25 =1,5
2
99

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

PED =
I O
RQ
PED
1
0
0
0
0
0,01
0
0
0
0
1
0
0
0
0,07
0,01
0
0
0
0
1
0
0
0,02
0,09
0
0
0
0
0
1
0
0,07
0
0,01
0
0
0
0
0
1
0,02
0
0,09
0
0
0
0
0
0
0,49
0,07
0,07
0,01
0
0
0
0
0
0
0
0
0
0
0,14 0,14
0,63 0,02
0,02 0,63
0,09 0,09
0
0
0
0
0
0,04
0,18
0,18
0,81
100

Donde:
I
Matriz identidad (tantas columnas y filas como estados finales).
O
Matriz nula (tantas columnas como transitorias y tantas filas como estados
finales).
R
Probabilidades de absorcin de un solo salto.
Q
Probabilidades entre transitorios (tantas filas y columnas como estados
transitorios.
1, 2, 3, 4, 5 son estados finales.
6, 7, 8, 9 son estados transitorios.
Presenta cinco clases finales, luego, no existe una distribucin lmite de los
estados en este estudio dinmico, luego no podemos determinar la calidad media
del servicio como en el caso anterior. La calidad media del servicio ser
independiente del nivel de cobertura inicial de ambos interlocutores.
Ahora calcularemos cunto tarda en trmino medio en perderse una llamada que
se realiza andando por la calle y que se inici con ambos terminales a mxima
cobertura.
mi
Tiempo medio hasta que se corta la conversacin si el estado inicial es i
IQ.
0,51 - 0,14
- 0,07 - 0,37
- 0,07 - 0,02
- 0,01 - 0,09
M6
m7
m8
m9
1
1
1
1
- 0,14 - 0,04
- 0,02 - 0,18
- 0,37 - 0,18
- 0,09 0,19
m6
1
m7
1
m8 = 1
m9
1
m6
12,69
m7 = 16,47
m8
16,47
m9
21,53
Luego el ayuntamiento no tendra razn en sus afirmaciones, el tiempo que tarda
en cortarse una llamada es:
21,53 minutos si el nivel inicial de cobertura de ambos interlocutores es 2
16,47 minutos si el nivel inicial de cobertura de un interlocutor es 1 y el otro es 2.
12,69 minutos si el nivel inicial de cobertura de ambos interlocutores.
101

TALLER:
1. Las 20 chicas y los 10 chicos de un curso de COU organizan un viaje, para el
cual necesitan dinero. Deciden pedir trabajo por las tardes en una compaa
encuestadora que contrata a equipos jvenes de dos tipos:
TIPO A: Parejas: una chica y un chico
TIPO B: Equipos de cuatro, formados por tres chicas y un chico
Se paga a 30000 pesos. La tarde a la pareja y a 50000 pesos. La tarde al equipo
de 4.
Cmo les conviene distribuirse para sacar la mayor cantidad posible de dinero?
2. Una fbrica de tableros de madera, pintados, produce dos tipos de tableros:
Normales: Llevan una mano de imprimacin y otra de pintura.
Extras: Llevan una mano de imprimacin y tres manos de pintura.
Disponen de imprimacin para 10000 m2, pintura para 20000 m2 y tableros sin
pintar en cantidad ilimitada.
Sus ganancias netas son: 3500 pesos. Por el m2 de tablero normal y 5000 pesos.
Por m2 de tablero extra.
Qu cantidad de tablero de cada tipo les conviene fabricar para que las
ganancias sean mximas?
3. Mara distribuye su tiempo de ocio entre discoteca y cine. Cada vez que va a la
discoteca gasta por trmino medio 30.000 pesos, mientras que si va al cine su
gasto es de 5000 pesos. En cierto mes su presupuesto para ocio asciende a
220.000 Pesos. Y desea ir a la discoteca al menos tantas veces como al cine.
102

CAPITULO 6. DECICISONES BAJO RIESGO -PROGRAMACION META
INTRODUCCION
La mayora de las situaciones de decisin real, sean personales o profesionales,
se caracterizan por metas (atributos) y objetivos mltiples ms que por un simple
objetivo. Estas metas (atributos) pueden ser complementarias, pero
frecuentemente son conflictivas y tambin inconmensurables. Por ejemplo, un
productor de autos como la General Motors deseara construir un vehculo de
pasajeros que pudiera venderse por menos de $200,000.00, tuviera 250 caballos y
consiguiera 40 millas por galn.
Consideremos, por ejemplo, las metas (atributos) de economa de combustible y
de potencia. Entre ms alta sea la potencia, menor es la economa de
combustible, indicando que las dos metas (atributos) estn en conflicto. Adems
estas dos metas (atributos) son inconmensurables, pues la potencia y las millas
por galn tienen diferentes escalas y dimensiones.
OBJETIVOS:
1.-Representan direcciones de mejora de los atributos. La mejora puede
interpretarse en el sentido (ms del atributo mejor) o bien (menos del atributo
mejor). El primer caso corresponde a un proceso de maximizacin y el segundo a
uno de minimizacin de las funciones que corresponden a los atributos que
reflejan los valores del centro analista.
2.-Como paso previo a la definicin de meta se introducir el concepto de nivel de
aspiracin. Un nivel de aspiracin representa un nivel aceptable de logro para el
correspondiente atributo. La combinacin de un nivel de aspiracin con un atributo
genera una meta.
3.- el trmino criterio se utiliza como un trmino general que engloba los tres
conceptos precedentes (atributo, objetivo y metas). En otras palabras, los criterios
constituyen los atributos, objetivos o metas que se consideran relevantes para un
cierto problema decisional. Por consiguiente, la teora de la decisin multicriterio
103

constituye un marco general o paradigma decisional en el que subyacen diferentes

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

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

preguntas:
1. Son conmensurables o proporcionales los objetivos?
2. Cul es la importancia relativa de cada objetivo?
104

- Objetivos conmensurables de igual importancia: este es el caso ms sencillo,

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

capacidades de produccin en exceso (en trminos de unidades) de nuevos

productos y capacidades de embarque disponibles asignadas a los nuevos
productos:
Planta
1
2
3
capacidad de exceso
de
produccin(unidades
750
300
450
Capacidad de
embarque(pies
cbicos)
12000
10000
6500
Tabla 18. Atributos de la programacin meta.
Los productos 1,2 y 3 requieren 30,20 y 15 pies cbicos por unidad,

respectivamente. Las contribuciones unitarias a la utilidad de los productos 1,2 y 3
son $15,18 y 12 respectivamente. Los pronsticos de ventas indican que Aedis
puede esperar ventas tan altas como 900, 1000 y 700 unidades de los productos
1, 2 y 3 respectivamente, durante el periodo de planeacin en consideracin.
Dada la situacin que hemos descrito, la administracin ha expresado las
siguientes metas de preferencia en orden de importancia decreciente (P1=ms
importante):
P1. Lograr una utilidad perseguida de $15000.
P2. Utilizar tanto de la capacidad de exceso como sea posible. Debido al bajo
costo de la mano de obra, la administracin cree que es 1,5 veces ms
importante utilizar la capacidad de exceso de la planta 1 que la de las plantas 2 y
3.
P3. Lograr un balance de la carga de trabajo en la utilizacin de exceso de la
capacidad entre todas las plantas. Debido a ciertas demandas adicionales de los
trabajadores de la planta 1, la administracin cree que si ocurre algn desbalance
en la carga de trabajo, es dos veces ms importante que favorecer a la planta
1con menor trabajo con respecto a las plantas 2 y 3.
P4. Lograr el pronstico de ventas para el producto 2, puesto que este tiene la
mayor contribucin a la utilidad por unidad.
P5. Producir suficiente cantidad de los productos 1 y 3 para cumplir con las
ventas pronosticadas.
P6. No exceder la capacidad de embarque disponible.
Leccin 27. FORMULACIN DEL MODELO

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

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

esquema:
Restricciones de meta
-Por cada meta
Componentes en la F.O.
(minimizar suma de
desviaciones con respecto
a las metas)
FORMULACIN
-Restricciones Estructurales (no tiene que ver con las metas)
Las suposiciones bsicas que caracterizan el modelo de programacin lineal se

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

i=1
s.a.
n
aijxj+di- - di + = bi
para toda i
j=1
xj,di-,di+ 0
para toda j
Donde:
w = Ponderacin de las desviaciones con respecto a la meta.
di- = Desviacin dficit
di+ = Desviacin excedente
Los siguientes pasos se requieren para formular el modelo de programacin meta.
EJEMPLO23. SATISFACCIN DE UNA SOLA META.
Una divisin de Schwim Manufacturing Company produce dos tipos de bicicletas:
(1) una bicicleta de 3 velocidades y (2) una de 10 velocidades. La divisin obtiene
una utilidad de $25 en la bicicleta de 10 velocidades y $15 en la bicicleta de 3
107

velocidades. Debido a la fuerte demanda de estos artculos, durante el perodo de

planeacin de verano la divisin cree que puede vender, a los precios que
prevalezcan, todas las unidades de estas dos bicicletas que produzca. Las
instalaciones de produccin se consideran recursos escasos.
Estos recursos escasos corresponden al departamento de ensamblado y
terminado. Los tiempos unitarios de procesamiento y las capacidades de cada uno
de los departamentos se muestran en la tabla siguiente:
Hrs. requeridas para procesar cada bicicleta
Tipo de bicicleta
3 velocidades
10 velocidades
Hrs. disponibles en
c/ departamento.
En el Depto. de ensamble
En el depto. de
terminacin
Contribucin a la
utilidad unitaria
1
3
60
1
1
40
15
25
La divisin durante este perodo de planeacin se enfrenta a cambios grandes de

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

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

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

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

(N3, PR2 (N2 N3)) a 1,5PR2N1 N2 de la funcin objetivo (que sera PR2 (N1)
que pondera el logro de la minimizacin de la desviacin 1 con un factor de 3/2
vez.
El segundo nivel general de prioridades administrativas que tienen que ver con el
problema de PR2. La tercera meta de la administracin era lograr un balance de
subutilizar la planta 1 en vez de sobre utilizarla, debido a factores adicionales
desfavorables que existan all y no se presentan en las plantas 2 y 3. Por tanto,
se asigna 2PR3 a N10 y N11 y PR3 a P10 y P11. Puesto que la cuarta meta era lograr
las ventas esperadas del producto 2, se asigna PR4 a N8. A N7 y N9 asignamos
PR5, pues la quinta meta es el logro de estas ventas esperadas.
Aqu no preocupa el sobre logro de las ventas pronosticadas, puesto que se
puede, si hay espacio disponible, almacenar un inventario. Si no es posible, las
restricciones en la capacidad de embarque, que tienen prioridad ms alta, tendrn
en cuenta esta situacin. Puesto que la sexta meta de la administracin es no
exceder la capacidad de embarque, se asigna a P4, P5 y P6 el valor de PR6.
Leccin 28. Programacin con recursos limitados
Imagnese que se va a programar una secuencia de actividades con el propsito
de ejecutar un proyecto.
Figura 9. Programacin meta segn PERT
Los modelos bsicos tales como PERT y CPM programaran las actividades de un
modo que minimice el tiempo total de conclusin del proyecto, sujeto a la
restriccin de que se deben respetar todas las relaciones de precedencia. Los
recursos (dinero, trabajo, maquinaria) necesarios para terminar las actividades
individuales, con frecuencia se considera que estn disponibles en cualquier
cantidad que se requiera en un programa concreto. No obstante, la realidad es
que tales recursos pueden ser limitados, en cuyo caso esto resulta ser otra
restriccin.
Como ejemplo nico, estdiese el problema de programacin que se muestra en
las figuras 9 y 10. La figura 9. Muestra las relaciones de precedencia que hay
111

entre las diversas actividades; es decir, que actividades deben completarse antes
de que otras comiencen. Por ejemplo la actividad Vlll no puede empezar sino
cuando est terminada la Vll, que a su vez no puede empezar antes de terminar la
1. La figura 10 muestra la duracin de cada actividad (en semanas) y los recursos
necesarios (nmero de personal) para realizar cada actividad.
ACTIVIDAD
l
ll
lll
lV
V
Vl
Vll
Vlll
Xl
TIEMPO REQUERIDO
PARA TERMINAR
3
2
1
1
2
4
1
2
2
PERSONAL(POR SEMANA)QUE SE
NECESITA PARA TERMINAR
6
3
3
3
6
5
3
4
3
Fig. 10. Requerimiento de actividad por metas.
Este problema es simple y, por lo tanto, se puede calcular con facilidad el tiempo
de conclusin ms temprana posible. Es de 9 semanas. La figura 11 nos muestra
un programa de actividades propuesto que alcanza este tiempo global de
conclusin, entonces la figura 11, respeta las relaciones de precedencia de la
figura y al mismo tiempo muestra en qu momento debe empezar cada actividad y
cuanto durara (en semanas).
Fig. 11. Programa de actividades propuesto
En este programa que se propone, cada actividad empieza a la brevedad posible.

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

administrador tener una programacin que use los recursos en una forma ms
regular. A menudo se aplican programas heursticos para alcanzar tal objetivo.
Para alcanzar una de dichas heursticas, definamos la holgura de cada actividad.
La holgura es la mxima cantidad de tiempo que puede demorarse una actividad
sin retrasar la conclusin del proyecto global.
Fig.12. Carta de cargas de personal para la cedula propuesta
Por ejemplo la figura 11. Indica que la holgura de la actividad Vlll es de 3

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

Para aplicar esta heurstica, vamos a esquematizar en la figura 13. el plan

propuesto. En esta, la marca de la actividad aparece debajo de cada flecha. Arriba
de estas aparece la necesidad semanaria de personal. Por ejemplo, el 6 que est
arriba de la actividad l significa que se necesitan seis personas para cada uno de
las 3 semanas necesarias para concluir la actividad l. Por lo tanto, se puede leer,
debajo de las columnas adecuadas, para tener la cantidad total de personal que
se usara en una semana determinada: por ejemplo dado que en la semana 2 se
interceptan las actividades l y ll, el dato que aparece en el regln Personal total,
columna de la semana 2, es 9. En forma similar la distancia que hay entre la punta
de una flecha no continuada por otra, en el extremo de una serie de tareas, y al
final de la semana 9, indica la holgura de dicha flecha. Entonces, la actividad lV
tiene 5 semanas de holgura, mientras que la actividad Vlll tiene 3, etc., Para la
actividad Vlll, que es una flecha continuada, calculamos la holgura observando
que solo tiene a continuacin la flecha Vlll.
Fig. 13 Primera propuesta.
Fig. 14 segunda propuesta.
Y dado que la holgura de Vlll es de 3 semanas, es ser tambin la de la actividad

Vll. Ntese tambin que las actividades l, V y Vll tiene 0 como holgura y que no se
114

pueden mover hacia adelante sin aumentar el tiempo de conclusin de 9

semanas.
En la aplicacin de algoritmo precedente solo se mueven hacia adelante las
actividades que tengan holgura positiva, y, por lo tanto, no se toman en cuenta las
actividades l, V y Vl.
Hechas estas observaciones, podemos emplear la heurstica. Para el primer
propsito, el mximo de recursos requeridos es 15, en el periodo 4. Por lo tanto,
de acuerdo con el paso 2, imponemos una cuota superior de 14 a cada semana.
Esta cota se viola solo en la semana 4. Las actividades movibles que contribuyen
a la sobrecarga son lV, Vll y lX (puesto que no se puede tomar en cuenta a V).
De ellas, la d mayor holgura es lV. Se mueve lV un periodo adelante se reduce la
carga de la semana 4 en 3 unidades para un personal de 12, pero se origina una
carga adicional de tres unidades en la semana 5, dando en esta un total de 16,
que es la sobrecarga (es decir, se viola la cota superior de 14 impuesta). Por lo
tanto, se debe mover ms hacia adelante. Se ve que al mover la actividad lV dos
semanas adelante, en total, (a la semana 6, como se ilustra en la fig. 13). No se
viola la cota superior. Con esto se obtiene la segunda propuesta que se muestra
en la fig.14.
En la figura 14, la cota superior 13 se debe reducir a 12. La nica sobrecarga es
ocasionada por Vlll y lX en la semana 5. La actividad lX tiene la mxima holgura,
por lo que debe avanzar 3 semanas para comenzar en la semana 7, como
observa. Esto da la tercera propuesta que se presenta en la figura. 15. Aqu la
cota superior de 12 se deber reducir a 11. Hay violaciones en las semanas 1 y 6.
De acuerdo con el algoritmo, primero se mueve lll 2 semanas adelante y despus
lV una semana. Continuando la heurstica, obtenemos las propuestas cuarta y
quinta que se muestran en las figuras 16 y 17.
El algoritmo es incapaz de mejorar la quinta propuesta aun ms. Para apreciar
esto, ntese que solo se puede reducir la sobrecarga d la semana 5 adelantando
la actividad Vlll. Sin embargo, al avanzarla, 1,2 o 3 semanas aumentara a 12 el
personal total de las semanas 7 y 8 u 8 y 9. El paso 2b de la heurstica ha sido
satisfecho y, por lo tanto esta programacin es la solucin heurstica. Esta
programacin final ha uniformado en forma considerable el aprovechamiento del
personal, a partir del que se presenta en la figura 4, ya que el mximo es ahora 10
(en el periodo 5) y el mnimo es 8.
115

Figura 15. Tercera propuesta
Figura 16. Cuarta propuesta
Figura 17. Quinta propuesta

116

Figura 18. Cdula mnima ptima.
Con este problema se podra definir la solucin ptima como la cdula que
minimiza el uso mximo del personal. Para la cdula originada mediante
heurstica, el uso mximo es de 10, lo que ocurre en la semana 5. Aunque el
algoritmo heurstico no condujo a la optimizacin, funciona bastante bien. En los
problemas extensos (es decir, con muchas actividades) no sera posible llegar con
tal facilidad a la cdula ptima maximax. Es por esta razn que se emplea la
heurstica para los requerimientos de regularizacin.
Leccin 29. Objetivos mltiples
Es cuando por lo general en un problema especfico se tiene ms de un objetivo
por conseguir, como siempre nos sucede en la vida diaria, estos se pueden definir
como objetivos mltiples o programacin por metas. Se han desarrollado varios
enfoques para este tipo de problemas como son: el uso de la teora de utilidad
con multiatributos, l investigacin de soluciones ptimas de pareto mediante
programacin lineal, los mtodos de investigacin heurstica.
La programacin de metas se ampla en general a problemas lineales; es una
extensin de la programacin lineal que permite al planificador acercarse todo lo
posible a la satisfaccin de las metas y restricciones diversas. Permite a quien
toma las decisiones, al menos en l sentido heurstico, incorporar su sistema de
preferencia al trabajar con metas mltiples en conflicto. La idea principal no es la
solucin primordialmente ptima sino soluciones bastante buenas y cercanas.
EJEMPLO 24: El diseo de un modelo educativo cuyas variables de decisin son
X1 y X2, donde X1 es el nmero de horas de trabajo en clase y X2 el de horas de
trabajo de laboratorio. Supngase que se tiene la siguiente restriccin total de
horas del programa:
X1 + X2
100 (total de horas del programa)

117

En este mtodo hay dos clases de restricciones: restricciones del sistema

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

200 resolucin de problemas individuales.
Significa tan prximo como pueda al segundo miembro de la restriccin. Un

anlisis geomtrico permite observar que no existe una poltica que satisfaga las
restricciones, por lo cual se debe violar al menos una de las metas.
Para implantar el enfoque de la programacin por metas, la condicin de
experiencias de grupo se escribe de nuevo la restriccin meta:
12X1 + 29X2 + u1 - v1 = 1500
u1, v1 0
Donde u1= cantidad que falta al total de experiencias de grupo para 1500.
v1= cantidad que sobra al total de experiencias de grupo para 1500
Las variables u1 y v1 se llaman variables de desviacin, ntese que, por definicin,
queremos que u1 y v1 (o ambos) sean cero porque es imposible que al mismo
tiempo sobre y falte tiempo de 1500. Esto basta con hacer la suma de estas
variables muy pequea.
En forma similar, se escribe como condicin de meta la relativa a resolucin de
problemas:
19 X1 + 11X2 + u2 v2 = 2000
u2, v2 0
Y en este caso queremos que la suma de las dos variables de desviacin sea
pequea.
El modelo es:
Min u1 + v1 +u2 +v2
118

s.a.
x1 +
x2
100
horas del programa
12 x1 + 29 x2 + u1 v1
= 1500 grupos pequeos
19 x1 + 29 x2 + u2
- v2 = 2000 solucin problemas
x1,x2,u1, u2,v1,v2 0
El anterior se puede resolver por mtodos de programacin lineal. Por lo cual es
indiferente la decisin que se tome entre las siguientes: (1) una decisin que
exceda en 5 minutos la meta de experiencia y aciete a la meta de solucin con
exactitud, (2) una decisin que acierte a la meta de experiencias con exactitud y le
falten 5 minutos para la solucin de problemas, (3) una decisin en la que le faltan
2.5 minutos a cada meta.
(1) u1=0, v1=5, u2=0, v2=0
(2) u1=0, v1=0, u2=5, v2=0
(3) u1=2.5, v1=0, u2=2.5, v2=0
Estos datos producen el mismo valor de funcin objetivo. Pero si se cambian los
datos numricos se logran reflexiones diferentes ya que con los coeficientes en
horas los tiempos faltantes son ms crticos.
Una forma de expresar la preferencia entre las diversas metas consiste en asignar
distintos coeficientes a las diversas variables de desviacin en la funcin objetivo.
Para el ejemplo as:
Min 2u1 + 10 v1 + u2 + 20 v2
como funcin objetivo.
Con esta funcin objetivo es mejor que falta 9 minutos en la meta solucin de
problemas a exceder en un minuto en la meta de experiencias de grupo.
Resumen del uso de las restricciones metas:
Estas restricciones se escriben utilizando variables de desviacin no negativas u 1 y
v1 o bien s1+ y s1- , en la optimizacin al menos un par deben ser cero. U1, s1+
representan deficiencias y v1, s1- representan exceso.
Solo aparecen estas variables de desviacin en la funcin objetivo y debe ser
minimizacin. Las variables de decisin no aparecen en el objetivo.
Los tipos de metas son:
1.- Blanco: las restricciones tan prximas al termino independientes como sea
posible, se minimiza las variables de decisin y al menos una de estas es cero.
119

2.- Minimizar las deficiencias: el objetivo es minimizar la deficiencia u1 o s1+, v1

es variable de exceso. Si la u1 optima es positiva, la restriccin ser activa,
entonces v1 debe ser igual a cero.
3.- Minimizar excedentes: se minimiza v1, el excedente en el objetivo, u1 como
variable de holgura. Si la v1 ptima es positiva, eta restriccin ser activa.
4.- Restriccin del intervalo de metas: la meta consiste en aproximarse todo lo
posible a satisfacer el rango de las restricciones. Si minimiza u 1 + v1. Estas
variables son solo de exceso y holgura (no de desviacin) y cero en la
optimizacin.
Leccin 30. Aplicaciones.
Una de las aplicaciones son las evaluaciones de desempeo: El problema de
agregacin de forma general.
Sea X = {x1,K,xn} el conjunto de individuos o empleados a evaluar. Supondremos
que los individuos son evaluados por tres colectivos distintos:
El de sus superiores, A= { a1, ,ar }
El de los compaeros y colaboradores, B={b1,,br}
Y el de los clientes, C={ c1,.,cr}
Existen modelos de evaluacin del desempeo que incluyen la opinin que el
propio empleado tiene sobre s mismo. En este trabajo no se tendrn en cuenta
tales valoraciones, ya que debido a la metodologa de agregacin planteada
(valoraciones de consenso), en donde no se ponderan las valoraciones de los
colectivos, su inclusin podra perturbar el anlisis.
Consideraremos que existen diferentes criterios sobre los que el trabajador debe
ser examinado 1 ,..., p Y Y. Los evaluadores emiten su opinin sobre cada
empleado a travs de valores numricos dentro del intervalo unidad:
ik [0,1]
j a es la opinin del evaluador i a, A sobre el individuo j x , respecto al criterio k Y .
ik [0,1]
j b es la opinin del evaluador ib, B sobre el individuo j x , respecto al criterio k Y .
ik [0,1]
j c es la opinin del evaluador ic, C sobre el individuo j x , respecto al criterio k Y .
Una vez emitidas las opiniones individuales, el proceso de agregacin se realizar
atendiendo a los siguientes pasos:
120

1. En primer lugar se obtendr una evaluacin colectiva para cada empleado, por
colectivo y criterio:
k( ) k( 1k ,..., rk )
A j Aij v x =u a Ka , k( ) k( 1 k, , s k)
B j B ij v x =u b Kb , k( ) k( 1 k, , t k)
C j C ij v x =u c Kc.
2. En el segundo paso agregaremos las evaluaciones colectivas obtenidas
anteriormente, determinando una valoracin colectiva para cada empleado y para
cada criterio:
k( ) k( k( ), k( ), k( )).
j A j B j C j v x =u v x v x v x
3. Finalmente, agregaremos las valoraciones colectivas para cada criterio y
empleado, obteniendo una valoracin global para cada trabajador:
( ) ( 1( ), , p ( ))
j j j v x =u v x K v x .
Las expresiones funcionales anteriores, dadas a travs de kA
u , kB
u , kC
u , uk y u, no tendrn una expresin analtica, como ocurre habitualmente cuando
se establecen a priori operadores de agregacin para generar valoraciones
colectivas a partir de valoraciones individuales. En nuestro caso, la agregacin
ser determinada mediante la resolucin de diferentes problemas de
programacin por metas.
METODOLOGA DEL PROCESO DE AGREGACIN
El proceso de agregacin planteado anteriormente puede ser realizado con
diferentes metodologas. Algunos procedimientos basados en operadores de
agregacin pueden verse en Fodor y Roubens (1994) y Calvo, Kolesrova,
Komornkov y Mesiar (2002).
En este trabajo proponemos agregar la informacin facilitada dentro de un marco
analtico basado en distancias y utilizando tcnicas de la programacin por metas.
La idea fundamental consiste en calcular para un conjunto de m valoraciones
1k,..., mk j j y y sobre un individuo j x para el criterio k Y , un valor de consenso *k j
y.
Este valor de consenso cardinal constituye un valor desconocido en nuestro
problema de agregacin, que puede ser obtenido mediante la formulacin de un
problema basado en mtricas
121

El problema anterior trata de minimizar el desacuerdo existente entre el valor de

consenso deseado y cada una de las valoraciones emitidas. Obviamente, para
cada valor de p la mtrica asociada puede generar una solucin distinta. La
resolucin del problema planteado no es fcil, ya que la funcin no es lineal ni
diferenciable. Para evitar algunos de estos inconvenientes, el problema anterior
puede transformarse en el siguiente problema de programacin por metas.
En los diseos de operacin de los sistemas de transporte masivo, en desarrollos
agrarios de semillas y cras. Tambin en todo tipo de aplicaciones donde haya
variacin de metas para lograr los resultados esperados.
TALLER:
1. La compaa de distribucin Alpha suministra un solo producto a tres clientes en
diversos sitios desde b4odegas diferentes. Durante el perodo de planeacin
considerado, la compaa no puede cumplir la demanda de los clientes. Sin
embargo, la compaa ha determinado que las demandas de ciertos clientes
deben satisfacerse a expensas de otros. Para evitar desequilibrios serios, es
importante balancear la porcin de demanda satisfecha entre ciertos clientes.
Tambin debido a acuerdos sindicales, la compaa debe satisfacer ciertos
requisitos mnimos en los niveles de embarque en ciertas rutas. Finalmente, varias
de las rutas sobre las cuales se podra embarcar el producto son peligrosas y
deben evitarse.
A continuacin se resume el problema de transporte y los costos de embarque se

dan en cada una de las celdas y los valores de demanda en los mrgenes. Nota
que la demanda total excede al suministro total en 1,500 unidades.
Bodega 1
Bodega 2
Bodega 3
Cliente 1
10
8
2000
Cliente 2
4
10
1500
Cliente 3
12
3
5000
suministros
3000
4000
La administracin tiene las siguientes preferencias en las metas (en orden

decreciente de importancia):
1. Satisfacer la demanda total del cliente 3 ( entrega garantizada).
2. Satisfacer por lo menos el 75% de la demanda de cada cliente.
3. Minimizar el costo de transporte para los artculos embarcados.
4. Embarcar por lo menos 1000 unidades en la ruta de la Bodega 2 al Cliente 1
(convenio sindical).
122

5. Minimizar el costo de embarque en las rutas de la bodega 1 al cliente 3 y de la

bodega 2 al cliente 2 (peligros).
6. Balancear el porcentaje de demanda satisfecha entre los clientes 1 y 2.
Plantear el modelo de programacin meta.
2.- La compaa Bevco ha desarrollado recientemente tres nuevos productos
haciendo uso del exceso de capacidad en sus tres plantas sucursales existentes.
Cada producto puede fabricarse en cualquiera de las tres plantas. El anlisis ha
mostrado que sera rentable utilizar el exceso de capacidad para producir estos
nuevos productos. En realidad, el propsito principal de la gerencia al desarrollar
los nuevos productos era lograr la utilizacin completa de la capacidad productiva
de exceso sobre una base rentable. Mientras que las plantas Bevco generalmente
operan a capacidad plena en sus lneas de productos existentes, la produccin por
debajo de la capacidad normal ocurre con poca frecuencia, presentando
problemas con la fuerza laboral.
Aunque la compaa no necesita la fuerza laboral plena durante los perodos de
holgura, el costo de los despidos sera considerable, y Bevco deseara evitar esto
tanto como fuera posible.
Adems, la gerencia deseara balancear la utilizacin del exceso de capacidad
entre las plantas sucursales. esto servira para distribuir equitativamente la carga
de trabajo del personal de supervisores asalariados y reducir los agravios de la
fuerza laboral que se le paga por horas, que de otra manera se sentira
discriminada con respecto a las cargas de trabajo o a los despidos.
Para el perodo que se est considerando, las plantas tienen las siguientes
capacidades de produccin en exceso (en trminos de unidades) de nuevos
productos y capacidades de embarque disponibles asignadas a los nuevos
productos:
Planta
1
2
3
Capacidad de exceso de
produccin (unidades)
750
300
450
Capacidad de embarque(pies
cbicos)
12,000
10,000
6,500
Los productos 1, 2 y 3 requieren 30,20 y 15 pies cbicos por unidad,

respectivamente. Las contribuciones unitarias a la utilidad de los productos 1,2 y 3
son $15 $18 y $12 respectivamente. Los pronsticos de ventas indican que Bevco
puede esperar ventas tan altas como 900, 1,000 y 700 unidades de los productos
1, 2 y 3 respectivamente, durante el perodo de planeacin en consideracin.
Dada esta situacin, la administracin ha expresado las siguientes metas de
preferencia en orden de importancia decreciente.
123

1. Lograr una utilidad perseguida de $15,000

2. Utilizar tanto, como sea posible, la capacidad de exceso.
Debido al bajo costo de la mano de obra, la administracin cree que es 1.5 veces
ms importante utilizar la capacidad de exceso de la planta 1 que la de las plantas
2 y 3.
3. Lograr un balance de la carga de trabajo en la utilizacin de exceso de
capacidad entre todas las plantas. debido a ciertas demandas adicionales de los
trabajadores de la planta 1, la administracin cree que si ocurre algn desbalance
en la
carga de trabajo, es dos veces ms importante favorecer a la
planta 1 con menor trabajo con respecto a las plantas 2 y 3.
4. Lograr el pronstico de ventas para el producto 2, puesto que ste tiene la
mayor contribucin a la utilidad por unidad.
5. Producir suficiente cantidad de los productos 1 y 3 para cumplir con las ventas
pronosticadas.
6. No exceder la capacidad de embarque disponible.
Plantear el modelo de programacin meta.
124

CAPITULO 7. DECISONES BAJO RIESGO SIMULACIN
INTRODUCCION:
En la descripcin de un sistema por medio de un modelo, algunas veces se
encuentra que este es demasiado complicado para describirlo o que el modelo,
una vez obtenido, no permite una solucin analtica. La simulacin es un
procedimiento cuantitativo que describe un proceso al desarrollar un modelo de
ste y despus conducir una serie de experimentos, de tanteos organizados para
predecir el comportamiento del proceso con el tiempo.
La simulacin proporciona una manera de experimentar con las polticas o
sistemas propuestos sin tener que hacer cambios en el sistema real. Es tambin
una herramienta que brinda slo estimaciones estadsticas, no resultados exactos
y compara alternativas ms que generar una solucin ptima. Puede usarse en
aquellos problemas en que las tcnicas analticas son inadecuadas.
OBJETIVOS
1.- Definir las tcnicas bsicas utilizadas en un anlisis de simulacin.
2.- Aplicar el anlisis de simulacin a problemas de colas e inventarios.
3.- Utilizar una tabla de nmeros aleatorios para generar observaciones en las
variables aleatorias.
125

Leccin 31. DEFINICIONES

Algunos conceptos sobre lo que es simulacin, son los siguientes:
1- Es el uso de un modelo de sistema que tiene la caracterstica deseada de la
realidad, a fin de reproducir la esencia de las operaciones reales.
2 - Es la representacin de un proceso o fenmeno mediante otro ms simple,
que permite analizar sus caractersticas; Pero la simulacin no es solo eso
tambin es algo muy cotidiano, hoy en da, puede ser desde la simulacin de un
examen, que le hace la maestra a su alumno para un examen de Estado, la
produccin de textiles, alimentos, juguetes, construccin de infraestructuras por
medio de maquetas, hasta el entrenamiento virtual de los pilotos de combate.
3 - Es una representacin de la realidad mediante el empleo de un modelo u otro
mecanismo que reaccionar del mismo modo que la realidad bajo una serie de
condiciones dadas.
4- Es el proceso de desarrollar un modelo de un problema y estimar una medida
de su comportamiento, llevando a cabo experimentos mustrales sobre el modelo.
PASOS EN EL PROCESO DE SIMULACIN
Todas las simulaciones requieren una gran cantidad de planeacin y organizacin;
sin embargo, podemos definir algunos pasos bsicos.
1- Definir el problema o sistema que intenta simular.
2- La recopilacin de datos que describen las variables de entrada, y la decisin
de los componentes del sistema.
3- Construir el modelo de simulacin y definir el diseo experimental que utilizar
para aplicar el mtodo.
4- Asegurar que las entradas al modelo de simulacin sean adecuadas y que
modelo responda a esas entradas de manera similar al problema real.
5- Identificar y recolectar datos necesarios para probar el modelo.
6 - Correr la simulacin.
7- Analizar los resultados de la simulacin y, si se desea, cambiar la solucin que
se est evaluando.
8- Volver a correr la simulacin para probar la nueva solucin.
126

9- Validar la simulacin, esto es, aumentar las probabilidades de que cualquier

variable.
10- Conclusin que saquen sobre la situacin real de correr la simulacin, ser
vlida.
Leccin 32. TIPOS DE SIMULACION
- Un sistema discreto es aquel en el cual las variables de estado cambian solo en
puntos discretos o contables en el tiempo. Un ejemplo tpico de simulacin
discreta ocurre en las colas donde estamos interesados en la estimacin de
medidas como el tiempo de espera promedio o la longitud de la lnea de espera.
Tales medidas solo cambian cuando un cliente entra o sale del sistema; en todos
los dems momentos, no ocurre nada en el sistema desde el punto de vista de la
inferencia estadstica.
Un sistema continuo es aquel en el cual las variables de estado cambian en
forma continua a travs del tiempo. Un ejemplo tpico de simulacin continua es el
estudio de la dinmica de la poblacin mundial; los modelos de simulacin
continua normalmente se representan en trminos de ecuaciones diferenciales en
diferencias que describen las interacciones entre los diferentes elementos del
sistema.
Un modelo esttico de simulacin es una representacin de un sistema en
determinado punto en el tiempo.
Una simulacin dinmica es una representacin de cmo evoluciona un
sistema a travs del tiempo.
Podramos intentar dar algunas acepciones acerca del modelado en simulacin:
1.- Desarrollo de un modelo matemtico-lgico de un sistema y la manipulacin
experimental de l en una computadora.
2.- Implica la observacin del comportamiento dinmico del modelo en el tiempo.
3.- Dependiendo de la naturaleza de los datos de entrada, los resultados pueden
ser determinsticos o estocsticos.
4.- Un medio para ganar experiencia artificial mediante el uso de un modelo que
da apariencia o efecto de realidad.
5.- Un medio para evaluar alternativas de accin y determinar cual hecho
probablemente ser el ms efectivo en la situacin real.
127

6.- Se usa para problemas que son demasiado complejos para ser resueltos
mediante tcnicas analticas y/o matemticas.
EJEMPLO 25. SIMULACION DISCRETA
FILAS DE ESPERA
Se presentan situaciones en las cuales los requisitos de mano de obra no
solamente estn afectados por el tiempo necesario para terminar una actividad
sino tambin por el patrn de demanda de los servicios de hombre. Para ilustrar
esto, consideremos el caso de un encargado del puesto de herramientas. Los
operarios de mquina llegarn al puesto para obtener los accesorios de mquina
que necesitan. En el caso ms sencillo, el tiempo necesario para atender a un
operario y los momentos en los cuales llegan los operarios sern constantes. Bajo
estas circunstancias, la determinacin de los requisitos de mano de obra para el
puesto de herramientas no presenta ninguna dificultad. Por ejemplo, si el tiempo
de atencin es de 10 minutos por el operario de mquina y llega un operario de
mquina cada 10 minutos, es evidente que debe asignarse un encargado al
puesto. Si se hace esto, los acontecimientos que se presentan durante un perodo
tpico de una hora pueden describirse como sigue:
Tiempo de llegada
del operario
1:00 1:00 1:10 0: 00
Tiempo en que
comienza el servicio
1:10 1:10 1:20 0: 00
Tiempo en que
termina el servicio
1:20 1:20 1:30 0: 00
Tiempo ocioso del

encargado (minutos)
1:30 1:30 1:40 0: 00
Tiempo de espera
del operario (minutos)
1:40 1:40 1:50 0: 00
Operarios que
esperan para que
se les atienda
1:50 1:50 2:00 0: 00
Como puede verse, ni el encargado ni los operarios pierden tiempo y no se forma

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

intervalo entre los eventos de llegada puede ser ms o menos de 10 minutos. En

un caso como este, pueden presentarse demoras de servicio y formarse una fila
de espera. Para demostrar esto, consideremos otro perodo de tiempo hipottico
durante el cual los tiempos promedio de servicio y de llegada son de 10 minutos,
pero los valores individuales varan.
Especficamente, supondremos que los tiempos de llegada y servicio son los
indicados en las dos primeras columnas de la tabla que sigue. Dados esto datos y
suponiendo que estar presente un encargado, podemos construir el patrn de
acontecimientos que se describe en el resto de la tabla.
Tiempo de llegada
del operario
1:00 12
1:00 1:12 0: 00
Tiempo de servicio
Necesario (minutos)
1:08 8
1:12 1:20
1:18 10
1:20 1:30 0: 21
1:30 6
1:30 1:36 0: 00
1:45 14
1:45 1:59 0: 00
1:50 10
1:59 2:09 0: 91
Tiempo en que
comienza el servicio
Tiempo en que
termina el servicio
Tiempo ocioso del
encargado (minutos)
Tiempo de espera del
operario (minutos)
0:41
Operarios que esperan para que se les atienda; Un examen de los resultados
revela que, durante el perodo de 69 minutos del estudio, el encargado estuvo
ocioso 9 minutos y los operarios estuvieron esperando 15 minutos, a pesar del
hecho de que el tiempo de servicio promedio fue de 10 minutos y de que en
promedio lleg un operario cada 10 minutos.
Adems, debido al tiempo que tuvieron que esperar los operarios, se form una
cola. Si suponemos, para fines de discusin, que el perodo de estudio fue lo
suficientemente largo como para reflejar las condiciones que han de prevalecer en
general, puede calcularse el costo que debe asociarse con los tiempos de ocio y
espera.
Por ejemplo, la firma puede concluir que el costo del tiempo ocioso del encargado
es de $1200 por hora y el del tiempo de espera de los operarios es de $1500 por
hora. Estos costos incluirn elementos tales como la tasa de salario, las
prestaciones y el tiempo muerto del equipo. Por consiguiente, el costo para el
periodo de 69 minutos sera de costo =
129

9 * ($1200/60) + 15 * ($1500/60) = $555

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

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

uno(1), se debe generar un nmero aleatorio ri para luego determinar el valor

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

pseudoaleatorios, son tericamente variables continuas con densidad f y una

distribucin acumulada F.
Estadsticamente independientes: Las variables son independientes si su funcin
G se puede representar y si todos los nmeros aleatorios tienen la misma
distribucin, entonces la relacin toma la forma:
Su media debe ser estadsticamente igual a 1/2
Su varianza debe ser estadsticamente igual a 1/12
Su perodo o ciclo de vida debe ser largo: Existen varios procedimientos de
generacin de nmeros pseudoaleatorios; para la simulacin por computador son
importantes los nmeros pseudoaleatorios cuyos generadores se basan en los
procedimientos algebraicos. Este es el procedimiento iterativo donde los nmeros
pseudoaleatorios se obtienen del nmero anterior o de varios anteriores (proceso
de recursin).
METODO DE GENERACION DE PSEUDONUMEROS
Uno de los mtodos ms utilizados para generar nmeros pseudoaleatorios
empieza con un valor inicial no, llamado semilla y a continuacin por recursin los
valores sucesivos ni, i,, 1,..n.
Los mtodos ms empleados para la generacin de los nmeros pseudoaleatorios
son los siguientes:
CONTRASTES EMPIRICOS
La aproximacin a los generadores de nmeros aleatorios exige contrastar ciertas
propiedades estadsticas de sus salidas. Algunos de los contrastes son genricos
y pueden utilizarse en la evaluacin de generadores de variables aleatorias.
Mencionemos que muchos de estos contrastes se encuentran implementados en
los paquetes estadsticos comerciales ms importantes.
Adems. Algunos generadores disponen de una teora analtica que conduce a
contrastes tericos especficos.
Contraste
El contraste es de bondad de ajuste. Es poco potente, por lo que permite justificar
el rechazo de una hiptesis, pero proporciona escaso soporte a su aceptacin. El
estadstico del contraste es aquel cuya distribucin asinttica es una donde r son
los parmetros estimados y la aproximacin se acepta si min ei > 5.
Contraste
de
Kolmogorov
Smirnov
Consideramos el caso en que Fo es continua. La funcin de distribucin emprica
133

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

GENERADORES CONGRUENCIALES LINEALES

Los principales son:
Mtodos de los medios de cuadrados: Cada nuevo nmero de la secuencia es
producido tomando los dgitos medios m de un nmero obtenido mediante la
elevacin al cuadrado de un dgito.
Mtodo aditivo de congruencias: Inicializa con k valores dados, con k un entero
positivo y la sucesin se da mediante series de furrier.
Mtodo mixto de congruencias: Son nmeros que se obtienen mediante la
siguiente relacin de congruencia (con a y c mayores que 0).
GENERADORES DE REGISTRO DE DESPLAZAMIENTO
Los generadores congruenciales pueden generalizarse a recursiones lineales de
orden mayor. Para k 1, m primo, se define y el generador se denomina recursivo
mltiple. El estudio de este generador se asocia al del polinomio caracterstico
sobre el lgebra finita Fm con m elementos.
GENERADORES DE FIBONACCI RETARDADOS
Cuando n0= 0 y n1 = 1 en el mtodo aditivo congruencial se obtiene por medio de
generalizacin el caso especial denominado secuencia de Fibonacci. Parte de la
semilla inicial ( X1, X2, ... , Xr ) y usa la recursin donde r y s son retardos enteros
que satisfacen r > s y o es una operacin binaria que suele ser r +, -, x XOR.
Tpicamente; Los elementos inciales son enteros y la operacin binaria es la
suma mdulo 2n. La caracterizacin del periodo mximo de los generadores de
Fibonacci retardados est bien estudiada y se basan, de nuevo en el anlisis de
sucesiones lineales recursivas de enteros.
GENERADORES NO LINEALES
Dada la estructura reticular de los generadores lineales, algunos autores sugieren
utilizar generadores no lineales. Se distinguen dos formas de introducir no
linealidad en un generador:
a. Usar un generador con funcin de transicin lineal, produciendo la salida
mediante una transformacin no lineal del estado.
b. Usar un generador con funcin de transicin no lineal.
Una propiedad comn en estos generadores es que no producen una estructura
reticular como la de los lineales. Su estructura es altamente no lineal: tpicamente,
un hiperplano t-dimensional tendr a lo sumo t t-uplas solapantes de nmeros.
135

Sea rn un primo arbitrario y Fm = {0. 1, ...,m - 1} el lgebra finita de orden m. Para

un entero z, se define que es la inversa de z para la multiplicacin en Fm, si z =0
(mod m).
Dados a, b, Fm, a0, la sucesin congruencial inversa explcita se define mediante el
generador congruencial de inversin explcita se obtiene mediante normalizacin.
Obviamente, las sucesiones {un} e {yn} son peridicas con periodo mximo m.
COMBINACION DE GENERADORES
Para incrementar el perodo e intentar evitar las regularidades que muestran los
generadores lineales congruenciales se ha sugerido combinar diferentes
generadores para obtener uno hbrido que tal vez sea de mayor calidad que los
generadores originales. Tales combinaciones pueden considerarse heursticas,
algunas de las cuales han resultado bastante pobres.
Aunque el fundamento de estos procedimientos es esencialmente emprico,
tambin se han desarrollado algunos aspectos tericos. En primer lugar, se ha
observado que el periodo de un generador hbrido es, en general, bastante ms
largo que el de sus componentes siendo, adems, posible su determinacin.
En segundo lugar, hay resultados tericos que sugieren que algunas formas de
combinacin de generadores que mejoran su comportamiento estadstico.
Leccin 33. MTODOS DE SIMULACIN
Existe diversidad de mtodos para desarrollar la simulacin. Mencionamos
solamente una tcnica que es la ms fcil de comprender y es para muchas
situaciones particulares que mencionan en este curso.
Juegos operacionales
Se refiere a aquellas situaciones donde hay algn conflicto de intereses entre los
jugadores o entre quienes toman decisiones, dentro de la estructura de un
ambiente simulado. Ejemplo, administracin de negocios, juegos militares, entre
otros.
Simulacin de sistemas
Es un mtodo en el que la informacin utilizada en el anlisis de un problema
complicado, se procesa mediante el funcionamiento del modelo.
Mtodo de Montecarlo
Consiste en el reemplazo del universo real de elementos por el universo terico
correspondiente. Por ejemplo, simular la llegada de clientes a una sitio de pago, se
puede crear algo terico asumiendo ciertos comportamientos. Es una simulacin
136

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

2
5
12
6
10
21
10
15
36
25
20
19
20
25
7
14
30
5
10
7
100
4
2
100
Usando una muestra simulada de 20 clientes, estime el tiempo promedio de

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

30
35
40
45
50
0,14
0,10
0,07
0,04
0,02
0,77
0,87
0,94
0,98
1,00
0,630 - 0,769
0,770 - 0,869
0,870 - 0,939
0,940 - 0,979
0,980 - 0,999
Tiempo de servicio
5
10
15
20
25
30
0,12
0,21
0,36
0,19
0,07
0,05
0,12
0,33
0,69
0,88
0,95
1,00
0,000 - 0,119
0,120 - 0,329
0,330 - 0,689
0,690 - 0,879
0,880 - 0,949
0,950 - 0,999
A partir de la anterior distribucin, se muestrea al azar a fin de determinar los

tiempos efectivos de llegadas y de servicios que se usarn en la simulacin de
operacin. Recuerde que cada muestra determina diferentes valores, por tanto,
diferentes respuestas esperadas.
Al observar la distribucin acumulada con tres decimales y utilizando una tabla de
nmeros aleatorios, mediante un proceso que determina el investigador, se
seleccionan dgitos de 000 a 100 y este nmero se localiza en la distribucin
acumulada para obtener los valores de estudio.
Para nuestro ejercicio escogimos la primera columna para las llegadas y la ltima
para los servicios, obteniendo los siguientes resultados.
Nmero
Aleatorio
680
897
911
918
925
001
009
017
025
033
002
010
018
026
034
llegada
30
40
40
40
40
5
15
15
20
20
10
15
20
20
20
Nmero
aleatorio
Servicio
365
373
381
389
397
329
337
345
353
361
121
129
137
145
153
15
15
15
15
15
15
15
15
15
15
10
10
10
10
10
138

003
011
273
027
035
10
15
20
20
20
363
371
379
387
395
15
15
15
15
15
La simulacin se inicia suponiendo que la jornada de trabajo comienza a las 8.a.m.

Si hay una llegada se comienza el servicio inmediatamente; por ejemplo, la
primera llegada ocurre a las 8.30 a.m., a esa hora empieza el servicio que
terminar a las 8.45 a.m.; en este momento no hay ocio para el servidor ni tiempo
de espera del cliente. Si se sigue la secuencia, la siguiente llegada ocurre a las
9.10 a.m., como hay tiempo disponible del servidor, se comienza inmediatamente
y se termina a las 9.25 a.m. La tercera llegada ocurre a las 9.50 a.m., cuando est
libre el sistema para comenzar el servicio que finalizar a las 10.05 a.m.
Siguiendo la situacin descrita en forma consecutiva se llega a la respuesta,
teniendo en cuenta los tiempos de llegadas, los de inicio y las diferencias de los
mismos.
Otra forma de aplicar es teniendo una sola caracterstica, por ejemplo, la demanda
de un producto y la distribucin de probabilidades. Con estos elementos y
siguiendo los pasos pertinentes se puede establecer el promedio de la
caracterstica.
Leccin 34. APLICACIONES DE LA SIMULACIN
La tcnica de la simulacin ha sido, una importante herramienta del proyectista, ya
sea que est simulando el vuelo de un avin en un tnel de viento, la distribucin
de una planta con modelos a escala de mquinas, o bien lneas de comunicacin
con un diagrama de organizacin. Con la llegada de las computadoras de alta
velocidad, con las cuales conducir los experimentos simulados tiene gran facilidad,
esta tcnica ha incrementado tambin su importancia para el investigador de
operaciones. En consecuencia, la simulacin se ha convertido en la rama
experimental de la investigacin de operaciones.
Hasta ahora se ha hecho hincapi en que si es posible se construyan modelos
matemticos que sean una idealizacin razonable de los problemas, y a la vez,
tratables para su solucin, este enfoque analtico por lo comn es superior a la
simulacin. Sin embargo, muchos problemas son tan complejos que no se pueden
resolver analticamente. En consecuencia, aun cuando tiende a ser un
procedimiento relativamente caro, la simulacin suministra a menudo el nico
enfoque prctico para un problema.
Tpicamente la simulacin no es otra cosa ms que la tcnica de efectuar
experimentos de muestreo sobre el modelo del sistema. Los experimentos se
139

realizan sobre el modelo, en lugar de hacerlo sobre el propio sistema real,

nicamente porque esto ltimo sera demasiado inconveniente, tardado y costoso.
EJEMPLO 27. Supngase que se tiene la oportunidad de participar en un juego en
el que se lanzara repetidamente una moneda legal hasta que la diferencia entre el
nmero de caras y el nmero de sellos que se obtengan sea tres. Se pedira pagar
$1 por cada lanzamiento de la moneda, pero se recibiran $8 al final de cada
jugada. No se permite abandonar durante una jugada; Por lo tanto, se gana dinero
si el nmero de lanzamientos requeridos es menor que ocho, pero se pierde si se
requieren ms de ocho lanzamientos. Cmo se tomara la decisin de participar
o no en este juego? Muchas personas basaran esta decisin en la simulacin,
aunque seguramente no le dara ese nombre.
Los problemas donde se ha aplicado con xito la simulacin son demasiado
numerosos; sin embargo, con algunos ejemplos se ilustra la gran adaptabilidad
de esta tcnica.
Simulacin de las operaciones en un aeropuerto, por ejemplo Avianca, para
cambiar sistema de operacin de vuelos.
Simulacin del manejo de una lnea de produccin.
Simulacin de la operacin de un sistema de mantenimiento.
VENTAJAS Y DESVENTAJAS DE LAS TCNICAS DE SIMULACIN
Ventajas:
- Permiten experimentar con un modelo del sistema en vez del sistema real.
- Permiten descomponer un sistema muy grande en subsistemas para simularlos
en forma individual.
- Facilitan la manipulacin de la rplica del sistema.
- Es un proceso relativamente eficiente y flexible.
- Puede ser usada para analizar y sintetizar una compleja y extensa situacin real,
pero no puede ser empleada para solucionar un modelo de anlisis cuantitativo
convencional.
- En algunos casos la simulacin es el nico mtodo disponible.
- Los modelos de simulacin se estructuran y nos resuelve en general
problemas trascendentes.
- Los directivos requieren conocer como se avanza y que opciones son
atractivas; el directivo con la ayuda del computador puede obtener varias
opciones de decisin.
- La simulacin no interfiere en sistemas del mundo real.
- La simulacin permite estudiar los efectos interactivos de los componentes
individuales o variables para determinar las ms importantes.
- La simulacin permite la inclusin en complicaciones del mundo real.
140

Desventajas:
- No producen soluciones ptimas y cada corrida es como un experimento aislado
que se efecta.
- Cuando se utiliza un modelo matemtico puede ser imposible cuantificar todas
las variables que afectan el comportamiento del sistema.
- Un buen modelo de simulacin puede resultar bastante costoso; a menudo el
proceso es largo y complicado para desarrollar un modelo.
- La simulacin no genera soluciones ptimas a problemas de anlisis
cuantitativos, en tcnicas como cantidad econmica de pedido, programacin
lineal o PERT / CPM / LPU. Por ensayo y error se producen diferentes resultados
en repetidas corridas en el computador.
- Los directivos generan todas las condiciones y restricciones para analizar las
soluciones. El modelo de simulacin no produce respuestas por s mismo.
- Cada modelo de simulacin es nico. Las soluciones e inferencias no son
usualmente transferibles a otros problemas.
Leccin 35. METODOS PARA OBSERVACIONES ESTADISTICAS
DISTRIBUCIN BINOMIAL
Algunos experimentos consisten en la observacin e una serie de pruebas
idnticas e independientes, las cuales pueden generar uno de dos resultados.
Para simular una distribucin Binomial se emplean sus propiedades
estadsticas.
DISTRIBUCIN ERLANG
Esta distribucin se aplica en algunos problemas de lneas de espera,
inicialmente para el caso de telefona. Algunas formas para simular una
distribucin Erlang consisten en emplear los mtodos de convolucin y el de la
transformada inversa.
DISTRIBUCIN UNIFORME
Se utiliza cuando se requiere el empleo de una funcin constante. Para la
simulacin de variables aleatorias tipo Uniforme se emplean sus propiedades
estadsticas.
DISTRIBUCIN GEOMETRICA
Esta distribucin indica exactamente el nmero de repeticiones del experimento
hasta lograr la caracterstica de inters. Se genera la simulacin de variables
aleatorias tipo Geomtrica a partir del mtodo de la transformada inversa.
DISTRIBUCIN HIPERGEOMETRICA
Se utiliza a menudo en el estudio de problemas de produccin, control de calidad y
la aceptacin de muestreo; se emplea para marcar y remarcar. Una de las formas
para simular una distribucin Hipergeomtrica es emplear sus propiedades
estadsticas.
141

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

- La distribucin de Student (distribucin t) y la distribucin F estn relacionadas
con la distribucin Beta.
142

RELACIONES ENTRE DIFERENTES RELACIONES DISCRETAS

- La distribucin Hipergeomtrica tiende a la distribucin Binomial, cuando el
tamao del lote N tiende a infinito y la relacin del nmero de piezas defectuosas
entre el total del lote permanece constante.
- La distribucin de Poisson es una buena aproximacin de la distribucin Binomial
cuando el nmero de realizaciones de un experimento de Bernoulli n crece y la
probabilidad del evento "aceptableq disminuye. Esto equivale a que ambas
distribuciones tengan el mismo valor esperado, es decir, = nq.
- La distribucin Binomial Negativa es una generalizacin de la distribucin
Geomtrica.
- La distribucin Multinomial es una generalizacin de la distribucin Binomial.
LENGUAJES Y/O PAQUETES DE SIMULACION
En esta parte haremos una descripcin sucinta de algunos paquetes y/o lenguajes
de Simulacin de los ms empleados en el medio. Los cuales tenan las siguientes
ventajas:
- La situacin a analizar se puede modelar en forma ms o menos sencilla para el
programador por el conocimiento del lenguaje.
- El proceso se puede describir con tanta precisin como le sea posible en el
lenguaje conocido.
- Se pueden realizar todas las depuraciones posibles.
Emshoff y Sisson consideran que la Simulacin Discreta requiere de ciertas
funciones comunes que diferencian un lenguaje de Simulacin de uno de
propsito general, entre las cuales se encuentran las siguientes:
- Generar nmeros aleatorios.
- Generar variables aleatorias.
- Variar el tiempo hasta la ocurrencia del siguiente evento.
- Registrar datos para salida.
- Realizar anlisis estadstico sobre datos registrados.
- Construir salidas en formatos determinados.
- Detectar inconsistencias y errores.
Los lenguajes precursores en Simulacin fueron los de propsito general, entre
ellos por mencionar solo algunos tenemos: FORTRAN, ALGOL, COBOL, RPG,
BASIC, PASCAL, MODULA, PL/1, etc.
143

Los principales lenguajes utilizados en Simulacin son:

Simulacin de cambio continuo y de cambio discreto en computadoras hbridas
H01; Simulacin de incremento continuo con orientacin a ecuaciones directas
con nfasis en ecuaciones diferenciales DSL/90, MIMIC, BHSL, DIHYSYS y
S/360 CSMP; Simulacin de incremento continuo con simuladores orientados a
bloques con nfasis en ecuaciones diferenciales MIDAS, PACTOLUS, SCADS,
MADBLOC, COBLOC y 1130 CSMP; Simulacin de incremento continuo con
simuladores orientados a bloques con nfasis en ecuaciones de diferencias
DYNAMO, DYSMAP 2; Simulacin de incremento discreto con orientacin a
actividades CSL, CLP, GSP, GERT, FORSIM, ESP, MONTECODE y
MILITRAN; Simulacin de incremento discreto con orientacin a eventos
SIMSCRIPT, GASP, SIMCOM, SIMULATE y SIMPAC; Simulacin de
incremento discreto con orientacin a procesos SIMULA, OPS, SLAM y SOL;
Simulacin de incremento discreto con orientacin a flujo de transacciones
GPSS y BOSS.
PAQUETES
Los paquetes son una versin depurada de los diferentes lenguajes de propsito
general y presentan algunas ventajas sobre los lenguajes de programacin
generales:
- Reduccin de la tarea de programacin.
- Definicin exacta del sistema.
- Flexibilizacin mayor para cambios.
- Diferenciacin mejor de las entidades que conforman el sistema.
- Relacin estrecha entre las entidades del sistema.
Los paquetes de mayor utilizacin en Simulacin son: EXCEL, STELLA, SIMAN,
RISK, STORM, LINDO, CRYSTAL BALL, QSB, MOR/DS, OR/MS, BEER GAME,
GREENPACE, SIMULACION, TAYLOR II, CAPRE, SIMNET II, PROMODEL,
ITHINK, URBAN DYNAMICS y POWERSIM.
En Simulacin Gerencial podemos citar: FISH BANK, FINANACAT, BUGA-BUGA
y MARKOPS, TREE PLAN entre otros.
144

AUTOEVALUACION UNIDAD 2.
1.- Encuentre el punto de silla y el valor del juego para cada uno de los dos
juegos siguientes. Los pagos son para el jugador A.
B
-4
-5
-3
-4
-9
-2
-8
-9
-9
(1)
(2)
2.- Una compaa revisa el estado de uno de sus productos importantes sobre
una base anual y decide si tiene xito (estado 1) o no lo tiene (estado 2). Despus,
la compaa debe decidir si da publicidad o no al producto a fin de promover las
ventas ms a fondo. Las matrices P1 y P2 que se presentan aqu dan las
probabilidades de transicin con y sin publicidad durante un ao cualquiera. Los
rendimientos asociados estn dados por las matrices R1 y R2. Determine las
decisiones ptimas en los tres aos siguientes.
P1 =
0.9
0.1
R1 =
0.6 0.4
P2 =
0.7
0.3
0.2
0.8
2 1
1
R2 =
3.- Bogot debe determinar cmo asignar ambulancias durante el ao venidero.

Cuesta 5000 dlares anuales operar una ambulancia. Cada ambulancia se debe
asignar a uno de dos distritos. Sea Xi = numero de ambulancias asignadas al
distrito i (i=1,2). El tiempo promedio, en minutos, que tarda una ambulancia en
atender una llamada del distrito i es, para el distrito 1,
40 - 3X1, y para el distrito 2, 50 4X2. Bogot tiene tres metas:
145

META 1: El tiempo promedio de respuesta en el distrito 1 debe ser cuando ms 5

minutos.
META 2: El tiempo promedio de respuesta en el distrito 2 debe ser cuando ms 5
minutos
META 3: se debe gastar cuanto muchos 100000 dlares anuales en el servicio de
ambulancias.
Bogot cree, para cada distrito, que cada minuto extra que se prolonga el tiempo
promedio de respuesta sobre la meta de 5 minutos equivale a un costo de 10000
dlares, y por cada dlar que se rebasa el presupuesto se incurre en un costo de
un dlar.
a) Plantear y resolver le modelo de programacin lineal que se pueda emplear
para determinar cuntas ambulancias se deben asignar a cada distrito.
b) Para cada una de las siguientes prioridades ordenadas, aplicar el mtodo
simplex de programacin de metas para determinar la asignacin de
ambulancias a los departamentos. Meta 1 > Meta 2 quiere decir que la meta
1 tiene mayor prioridad que la meta 2. Las prioridades son: meta
1>meta2>meta 3, meta 2>meta 1>meta 3; meta3>meta1>meta2.
4. Use el generador congruente lineal para obtener una sucesin de 10 nmeros
aleatorios, dado que a= 17, c=43, m=100 y X0= 31.
RESPUESTAS:
1. 1) 7 2) -9
2. Aos 1 y 2, anunciar slo si el producto ni tiene xito. Ao 3: no publicitar
3. a) Min Z = 10000 s1+ + 10000 s2+ + s3+
s.a. 40 3 X1 + s1- - s1+ = 5
50 4X2
+ s2- - s2+
5000 x1
+ 5000 x2
= 5
+
s3- - s3+
= 100000
Todas las variables 0

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

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

Computers & Operations Research.

IIE Solutions.
Industrial Engineering.
Industrial World en Espaol.
International Journal of Operations & Production Management.
Management Science.
Manufacturing Engineering.
Mathematical Programming.
Mathematics of Operations Research.
Operations Research.
148

UNAD

Загружено:

Сведения о документе

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

UNAD

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Escuela de Ciencias Bsicas, tecnologas e ingeniera

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

200608 TEORIA DE LAS DECISIONES

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

UNIDAD 1. CONCEPTOS BASICOS Y DECISIONES BAJO INCERTIDUMBRE 11

Leccin 1. Tipos de toma de decisiones

CAPITULO 3. DECISONES BAJO INCERTIDUMBRE ARBOLES DE DECISON 42

UNIDAD 2. DECISIONES BAJO RIESGO

CAPITULO 4. DECISIONES BAJO RIESGO- TEORIA DE JUEGOS

Leccin 16. Conceptos

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Leccin 18. Mtodo suma cero y punta de silla

CAPITULO 5. DECISIONES BAJO RIESGO- CADENAS DE MARKOV.

21. Procesos estocsticos

CAPITULO 6. DECISIONES BAJO RIESGO - PROGRAMACION META.

Leccin 26. Conceptos fundamentales.

CAPITULO 7. DECISIONES BAJO RIESGO SIMULACIN.

Leccin 31. Definiciones.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Tabla 2. Matriz ejemplo 1.

Tabla 3. Decisiones segn criterio maximin

Tabla 4. Decisiones segn criterio maximax

Tabla 5. Penalizaciones ejemplo 1.

Tabla 6. Estimaciones de ganancia

Tabla 7. Ganancia sin informacin perfecta

Tabla 8. Indicadores favorables y desfavorables

Tabla 9. Probabilidades condicionales dadas por resultados

Tabla 10. Probabilidades conjuntas y marginales

Tabla 11. Probabilidades posteriores

Tabla 12. Indicador I1

Tabla 13. Indicador I2

Tabla 14. Decisiones ptimas y ganancias esperadas I1 y I2

Tabla 15. Ejemplo 5 compaa Certon

Tabla 16. Informacin ejemplo 6.

Tabla 17. Iteraciones ejemplo 7.

Tabla 18. Pagos y utilidades ejemplo 8.

Tabla 19. Atributos programacin meta

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

LISTADO DE GRFICOS Y FIGURAS

Figura 2. Funcin de utilidad

Figura 3. rbol de decisin

Figura 4. rbol decisin compaa certon

Figura 5. Resultado ejemplo 5.

Figura 6. rbol ejemplo 6.

Figura 7. Resultados rbol ejemplo 6.

Figura 8. Evolucin de las probabilidades

Figura 9. Programacin meta segn PERT

Figura 10. Requerimientos de actividad por metas

Figura 11. Programa de actividades propuesto

Grafica 1. Esquema para toma de decisiones

Grafica 2. Razonamiento estadstico

Grafica 3. Componentes de un modelo probabilstico

Grafica 4. Resultados valor esperado

Grafica 5. Tipo de decisiones

Grafica 6. Funcin utilidad para el dinero

Grafica 7. rbol ejemplo 8

Grafica 8. Funcin utilidad ejemplo 8

Grafica 9. rbol ejemplo 8 con funcin utilidad

Grafica 10. Juego estrategias dominadas

Grafica 11. Solucin mtodo grafico

Grafica 12. Esquema de matriz de transicin

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO