Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Teoria de Decisiones 2010 Modulo
Teoria de Decisiones 2010 Modulo
NUBIA SALAZAR
Acreditador
BOGOT D.C.
Marzo 2010
1
INDICE DE CONTENIDO
INTRODUCCION GENERAL
DE
LA
TOMA
DE
DECISIONES
Y
13
14
18
20
22
25
29
30
31
32
34
35
38
41
43
44
48
53
55
60
AUTOEVALUCION UNIDAD 1
62
63
65
66
67
2
68
70
71
79
80
Leccin
Leccin
Leccin
Leccin
Leccin
Taller
81
84
86
88
98
102
103
104
106
111
117
120
122
125
126
127
136
139
141
AUTOEVALUCION UNIDAD 2
145
BIBLIOGRAFIA.
147
LISTADO DE TABLAS
Tabla 1. Matriz para procesos de decisin
22
28
28
28
29
34
34
36
36
36
36
36
37
37
45
47
53
58
100
20
41
44
46
46
47
48
50
111
112
112
15
17
21
31
54
55
57
59
60
70
72
85
INTRODUCCIN GENERAL
fuente:www.universia.es/.../decisiones-interactivas.jpg
UNIDAD 1
8
Nombre de la Unidad
Introduccin
Justificacin
Intencionalidades Formativas
Denominacin de captulo 1
Denominacin de Leccin 1
Denominacin de Leccin 2
Denominacin de Leccin 3
Denominacin de Leccin 4
Denominacin de Leccin 5
Denominacin de captulo 2
Denominacin de Leccin 6
Denominacin de Leccin 7
Denominacin de Leccin 8
Denominacin de Leccin 9
Denominacin de Leccin 10
Denominacin de captulo 3
Denominacin de Leccin 11
Denominacin de Leccin 12
Denominacin de Leccin 13
Denominacin de Leccin 14
Denominacin de Leccin 15
Nombre de la Unidad
Introduccin
Justificacin
Intencionalidades Formativas
Denominacin de captulo 4
Denominacin de Leccin 16
Denominacin de Leccin 17
Denominacin de Leccin 18
Denominacin de Leccin 19
Denominacin de Leccin 20
Denominacin de captulo 5
Markov.
Denominacin de Leccin 21
Denominacin de Leccin 22
Denominacin de Leccin 23
Denominacin de Leccin 26
Denominacin de Leccin 27
Denominacin de Leccin 28
Denominacin de Leccin 29
Denominacin de Leccin 30
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.
Denominacin de captulo 7
Denominacin de Leccin 31
Denominacin de Leccin 32
Denominacin de Leccin 33
Denominacin de Leccin 34
Denominacin de Leccin 35
Denominacin de Leccin 24
Denominacin de Leccin 25
Denominacin de captulo 6
10
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
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
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
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
15
16
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
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
19
Figura 1. Ideas
20
Estados de la Naturaleza
Bonos
Crecimiento
Crecimiento Sin
Bajo
medio
cambio
CM
SC
12%
-2
Cursos
de
Acciones 15
Accin
Depsito 7
22
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
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
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
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
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
por demanda menos cada una de las utilidades por peridico vendido, tal como
se muestra en la tabla siguiente:
DEMANDA DE PERIODICOS
PERIODICOS
PEDIDOS
6
7
8
9
10
$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
10
$50 - $30= $20
$50 - $35 = $15
$50 - $40 = $10
$50 - $45 = $ 5
$50 $50 $50
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
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
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
Fuente:juangabrielcendales.com/.../acuerdos-y-certezas/
33
Fracaso (F)
xito (S)
Baja (L)
-2
Moderada (M)
Alta (A)
-5
-8
10
6
Gran xito G)
8
12
15
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
34
= 0,4(-2)+0,4(10)+0,2(15)=6,2
35
Valor esperado
de la
informacin
perfecta
Ganancia
esperada con
informacin
perfecta
Ganancia
esperada sin
informacin
perfecta
Descripcin
< 10% compra producto (computador)
> 10% compra producto(computador)
I1
I2
0,8
0,2
0,3
0,7
0,1
0,9
Fracaso (F)
0,32
0,08
xito (S)
0,12
0,28
P.Marginal
0,46
0,54
Fracaso (F)
0,7
0,15
xito (S)
0.3
0,52
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
36
Ganancia esperada
Baja
Moderada
Alta
Decisin optima
Baja
Moderada
Ganancia esperada
0,42
8,4
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
Ganancia
esperada sin
informacin
de muestra
37
Eficiencia
de la
informacin
de muestra
Valor esperado de la
informacin de muestra
=
Valor esperado
de la
informacin perfecta
*100
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
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
= (I x) f(x) dx
A2
10
20
F(x) =
0
Se deduce que
=
= 20
ln 20/I + I/20 1
= 20
ln 10/I + I/10 -1
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
FRIO
FRESCO
CALIDO
TRRIDO
1000
3000
4000
- 3000
-1000
4000
8000
41
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
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
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
45
P (D) =, 55
P (F) =, 45
F
B
D
P (D)=,55
C
P (F)=,45
F
D
P (D)=,55
ERC = 10,58
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
47
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
(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
50
=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
=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
52
10
53
Utilidades.
Ganancia
Grafico 5. Tipo de decisiones.
54
$100000
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.
- Ganar $100000 con probabilidad 0.5 E (utilidad = 2). Obtener $30000.
- Ganar $100000 con probabilidad 0.75 E (utilidad = 3). Obtener $60000.
56
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
Utilidad
-150
-105
60
90
580
600
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
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
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
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
Laplace
Maximin.
Savage.
Hurwicz. (Suponga que = 0.5.)
62
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
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
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
Fuente: http://julioguti.bligoo.com/tag/psicologia
Estrategias Dominadas
Punto de silla y suma cero
Estrategias mixtas
Grafico
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
Jugador 2
Jugador1
Jugador 2
1
2
1
6
6
2
10
0
3
12
14
-6
Estrategias
Jugador1
10
12
14
Estrategias
Jugador1
1
6
2
10
3
12
14
Jugador 2
Estrategias
Jugador 1
1
6
2
10
Jugador2
estrategias
Jugador1
10
Estrategias
Jugador 1
10
68
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.
Fuente: http://blog.pucp.edu.pe/blog/economate
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
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
-2
-3
1
Jugador1
-2
-3
1
Jugador1
Estrategias
1
jugador
1
jugador 2
Y
Y
1
2
Y
3
-2
-3
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+6X2
Y3 = 2X1 - 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
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
73
74
Poltico 2
Poltico 2
Estrategias
-2
-3
1
Poltico 1
Estrategias
1
-2
-3
1
Poltico 1
Poltico 2
Estrategias
-2
-3
-2
-3
1
Poltico 1
Maximin.
2
5
4
75
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
Para el jugador 1
Para el jugador 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
jugador 1
2
Jugador1
Estrategias
Jugador 1
EJEMPLO 14. Encuentre el Maximin, Mnimax el punto silla que tiene la siguiente
matriz de pagos.
77
-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
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
1
jugador
1
3. Encuentre el Punto Silla del juego que tiene la siguiente Matriz de Pagos.
Jugador 2
Estrategias
1
1
jugador
1
Jugador 2
Estrategias
1
jugador
1
79
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
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
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
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
c)
86
Lim P
n
2...
2...
2...
Es decir,
Lim Pij =(n)= J
n
Pkj
K=1
- En forma matricial
= p
s=
Pk
j
j
(1 p j j)
88
fn(i) = max ,
j=1
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.
89
Por lo tanto,
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
Es =
vis
i=1
n(i) = Vi +
j=1
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
91
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
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
( PS , PH , PC ,PE )
1
-1/2
-1/3
-1/2
= (0,0,0,0,0)
PS + P H + PC + P E = 1
-Saln
-Habitacin
-Cocina
-Entrada
PS = 0,3
PH = 0,2
PC = 0,3
PE = 0,2
93
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=
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
un solo salto
1/2 1/2
1/4 3/4
1/4 3/4
95
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
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
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
. I - PEE = 0
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
99
PROBLEMA DINMICO.
Considerando variable de estado el nivel de cobertura, la cadena de Markov
asociada ser la siguiente:
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
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
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
104
1
2
3
capacidad de exceso
de
produccin(unidades
750
300
450
Capacidad de
embarque(pies
cbicos)
12000
10000
6500
FORMULACIN
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
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
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
X12 15(X11)
(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.
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
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).
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.
114
115
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
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
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
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
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.
Bodega 1
Bodega 2
Bodega 3
Cliente 1
10
8
2000
Cliente 2
4
10
1500
Cliente 3
12
3
5000
suministros
3000
4000
122
1
2
3
Capacidad de exceso de
produccin (unidades)
750
300
450
Capacidad de embarque(pies
cbicos)
12,000
10,000
6,500
123
124
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
126
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
Tiempo en que
comienza el servicio
Tiempo en que
termina el servicio
Tiempo de espera
del operario (minutos)
Operarios que
esperan para que
se les atienda
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
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
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
135
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
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
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
139
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
143
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 =
145
+ s2- - s2+
5000 x1
+ 5000 x2
= 5
+
s3- - s3+
= 100000
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
148