TEORA DE LA DECISIN

Teora bsica en el desarrollo de la

Estadstica
Prof. J. Eugenio Martnez Falero

Definicin

La toma de decisiones es un proceso durante el

cual la persona debe escoger entre dos o ms
alternativas.
Todos y cada uno de nosotros pasamos los das y
las horas de nuestra vida teniendo que tomar
decisiones.
Algunas decisiones tienen una importancia relativa
en el desarrollo de nuestra vida, mientras otras
son determinantes en ella.

TOMA DE DECISIONES

Los captulos tradicionales de la estadstica como

la teora de la estimacin y el contraste de
hiptesis, han sido objeto de un nuevo enfoque.
Con la teora de la decisin se pueden llevar a cabo
muchas aplicaciones en forma ms correcta.

TOMA DE DECISIONES
El problema de la estimacin aparece de forma
natural cuando se considera el estudio de cualquier
fenmeno real y alguna caracterstica X del mismo
es objeto de observacin.
La mayora de las veces las observaciones revelan que
X es magnitud variable que no puede ser prevista
con certeza. Por ello se asocia a dicho fenmeno
real un modelo aleatorio, de modo que la variable X
pueda ser considerada en el mismo como una v.a.

TOMA DE DECISIONES
Las n observaciones realizadas sobre dicha X
constituirn una muestra: X= (x1, x2,..., xn), que
debe suministrar informacin sobre los parmetros
que determinan el modelo elegido.
Cuando el modelo contiene la distribucin de
probabilidad de X de forma completamente
especificada la eleccin de las decisiones que hay
que adoptar, cuyas consecuencias tambin
dependen de X, pueden ser hechas en funcin de
criterios basados en esa ley de probabilidades.

INFERENCIA Y DECISIN
ESTIMACIN:

Cualquier problema de estimacin de un parmetro

puede verse como un caso particular de decisin
donde el conjunto de acciones coincide con el de
sucesos: ambos iguales al conjunto de posibles
valores del parmetro.

INFERENCIA Y DECISIN
En la estimacin clsica no existe una distribucin de
probabilidad sobre los valores de , por lo que la
solucin no es directa.
Si L(, ) es la funcin de prdida, que toma valor
cero cuando = , con X realizacin muestral, el
riesgo del estimador (decisin) viene dado por:

R( , ) = L(, ).f ( X / )dX

INFERENCIA Y DECISIN

La decisin ptima (el estimador ptimo) ser aquel

con riesgo menor para todos los valores de ,
cuando ste exista.
Por ejemplo, tomando como funcin de prdida
L(, ) = k(- )2 y media de una poblacin N(,) con
conocida, el riesgo del estimador x es 2/n, y es
menor que para cualquier otro estimador, sea cual
sea el valor de .

INFERENCIA Y DECISIN
En la estimacin bayesiana al existir siempre una
distribucin de probabilidad para el parmetro el
problema est siempre resuelto.
Si L(, ) es la funcin de prdida, el estimador
ptimo inicial es aquel que minimiza la prdida
esperada:

R( , ) = L(, ).f ( )d

Al tomar la muestra X, el riesgo del estimador

(decisin) viene dado por:

R( , ) = L(, ).f ( / X )d

INFERENCIA Y DECISIN
El enfoque decisional se adapta mejor a la metodologa
bayesiana por dos razones:
1.

Conduce a un estimador claramente definido y ptimo con

el criterio elegido.

2.

Establece una gua clara para escoger el estimador, tanto

antes como despus de tomar la muestra, y de evaluar los
beneficios aportados por sta (reduccin de la Vza).

En inferencia clsica el enfoque decisional no tiene

ventaja prctica, ya que, en general, no es posible
encontrar estimadores con menor riesgo.

INFERENCIA Y DECISIN
CONTRASTES:

Un contraste de hiptesis puede analizarse como

un problema de decisin con dos acciones posibles:
d0=aceptar H0
d1=aceptar H1
Las consecuencias se miden con la funcin de
prdida L(Hi, dj) tal que L(Hi, di)=0.

INFERENCIA Y DECISIN
La decisin ptima del contraste ser d0 si:
P(H1)L(H1, d0)< P(H0)L(H0, d1)
El enfoque clsico no asigna probabilidades a las
hiptesis y esta formulacin no presenta ventajas
especiales en ste, pero s en el bayesiano, donde
se acepta H0 cuando:

P ( H 0 ) L( H 1 , d 0 )
>
P ( H 1 ) L ( H 0 , d1 )

INFERENCIA Y DECISIN

Se toma una muestra y calculamos las verosimilitudes

de obtener el resultado muestral M en funcin de
cada hiptesis. Esto implica que P(M/H1) y P(M/H0)
son conocidas, y las probabilidades a posteriori de
cada hiptesis se obtendrn con el T. de Bayes:

P( M / H i ) P( H i )
P( H i / M ) =
P( M )

i = 1,2

Estructura del contraste de hiptesis bayesiano (la

prdida asociada a la decisin correcta es cero):

H0

d0

P(H0/M)
H1
P(H1/M)
H0

d1

P(H0/M)
H1
P(H1/M)

0
(H1, d0)

(H0, d1)
0

INFERENCIA Y DECISIN
La decisin d0 ser preferible a d1 si:
P(H1/M)L(H1, d0)< P(H0/M)L(H0, d1)
que equivale a:

P ( H 0 / M ) P ( M / H 0 ) P ( H 0 ) L( H 1 , d 0 )
=
>
P ( H 1 / M ) P ( M / H 1 ) P ( H 1 ) L ( H 0 , d1 )
es decir:

P ( M / H 0 ) L( H 1 , d 0 ) P ( H 1 )
>
P( M / H1 ) L( H 0 , d1 ) P( H 0 )

INFERENCIA Y DECISIN
Si suponemos P(H1)=P(H0) y las consecuencias de
ambos errores idnticas entonces aceptaremos
H0 tomaremos la decisin d0 cuando

P( M / H 0 )
=
>1
P( M / H1 )
En la prctica ambos tipos de error no son iguales
por lo que aceptaremos H0 cuando: > k , donde
k depende de los costes y de las P(Hi)

TOMA DE DECISIONES
No siempre la decisin consiste en elegir un modelo de
probabilidad determinado y estimar los parmetros con la
informacin que tenemos.
En economa y gestin existen ciertos tipos de problemas en
los que no es posible obtener muestras (informacin
objetiva) para estimar ciertas caractersticas de la
poblacin. Es necesario recurrir a la informacin de una
persona (informacin subjetiva).
La teora de decisiones puede definirse como el anlisis
lgico y cuantitativo de todos los factores que afectan los
resultados de una decisin en un mundo incierto.

TOMA DE DECISIONES
En el siguiente ejemplo contamos con informacin
objetiva (duracin media del trayecto) y el estado
del trfico (informacin subjetiva medida con la
probabilidad)
Ejemplo: un profesor tiene que optar cada maana
entre dos trayectos. La duracin de cada uno
depende del estado del trfico que, para
simplificar, clasificamos en fluido (F) el 10% de las
veces, normal (N) el 60% y malo (M) el 30% de las
veces. Segn el estado del trfico se tienen los
tiempos de trayecto de la siguiente tabla:

TOMA DE DECISIONES
Suceso

Probabilidad

Trayecto d1

Trayecto d2

1=F

0,1

15m.

30m.

2=N

0,6

35m.

40m.

3=M

0,3

70m.

50m.

Qu opcin debe elegirse?

FACTORES DE LA DECISIN
Este ejemplo muestra los tres componentes bsicos de un
problema de decisin en condiciones de incertidumbre:

* Un conjunto de sucesos inciertos () de probabilidades que,

en este caso, suponemos conocidas estado del trfico.

* Conjunto de opciones d, de las cuales debe escogerse

unatrayecto

* Una funcin de consecuencias rij=C(i,dj), que indica el

resultado obtenido cuando se toma la decisin dj y ocurre
el resultado itiempo empleado en el trayecto.

Cuando esta funcin mide consecuencias negativas o costes se

denomina funcin de prdidas y en caso contrario funcin de
beneficios.

FASES DE LA DECISIN
Es importante considerar, adems, que todo proceso de adopcin
de decisiones requiere:

* Un correcto diagnstico del problema planteado.

* La determinacin de las alternativas ms adecuadas.
* El anlisis, individualizado y comparativo, de dichas
alternativas.

* La seleccin de la estrategia ms conveniente.

En cualquiera de estas fases del anlisis racional existe una
posibilidad de error.

PARMETROS DE LA DECISIN
Los parmetros a tener en cuenta en la decisin son:

* Periodo de referencia: cuanto ms alejada est la decisin

de la realidad considerada, ms problemtica ser su
validez.

* Determinacin del nmero de estrategias: ni muchas, ni

pocas.

* Cuantificacin de los resultados: las consecuencias

asignables a las alternativas deben cuantificarse

* Grado de conocimiento de los resultados: Si pueden o no

cuantificarse unvocamente las consecuencias.

PARMETROS DE LA DECISIN
Cuantificacin de los resultados:
Mediante mtodos numricos:
Funcin de utilidad
Funcin de prdida

monetarios
otros

Mediante mtodos de escalarizacin:

Funcin de valor
preferencia)

(expresada

en

trminos

de

FUNCIN DE UTILIDAD
La eleccin de una funcin de
utilidad U, que exprese
numricamente para cada
consecuencia correspondiente al
punto (q,d) la utilidad desde el
punto de vista del decisor individuo u organizacinpermite establecer un criterio
de eleccin para sus decisiones.

FUNCIN DE PRDIDA
En la teora de la decisin es corriente utilizar la
prdida asociada a cada consecuencia en lugar de
su utilidad. Esta prdida L(,d) se define como el
valor opuesto a la utilidad correspondiente, esto es

L(, d) = -U(, d)

FUNCIN DE RIESGO
El estado de la naturaleza se considera, en general,
una variable aleatoria. En este supuesto se define la
funcin de riesgo R(P,d), como el valor esperado de
la funcin de prdida L sobre :
Un criterio para seleccionar una decisin d es
conseguir que este riesgo sea mnimo.

R(P, d) = L(, d).dP()

FUNCIN DE RIESGO
En el ejemplo del trayecto diario del profesor, el
criterio de decisin ser minimizar el coste
esperado o tiempo promedio del trayecto que es:

min E[ L(, d)]

E[ri1 ] = 0,1(15) + 0,6(35) + 0,3(70) = 43,5m.

E[ ri 2 ] = 0,1(30) + 0,6( 40) + 0,3(50) = 42m.
Con este criterio el trayecto elegido es el d2

FUNCIN DE VALOR
El problema de seleccionar la accin ptima
se complica cuando la eleccin recae, no en
unos resultados cuantificables, sino sobre la
preferencia sobre los resultados que exprese
el decisor.
En cualquier caso, la decisin se asienta
sobre la posibilidad de introducir la funcin
de valor de las consecuencias de cada posible
decisin y estado de la naturaleza.

FUNCIN DE VALOR
La funcin de valor correspondiente a un
elemento decisor es la representacin
numrica de sus gustos y preferencias.
Aunque la eleccin sea compleja, existe
siempre la posibilidad de establecer una
relacin de preferencias entre las
distintas consecuencias o logros.

FUNCIN DE VALOR
Entre dos premios (denominacin usual que proviene
de la teora de juegos a partir de la cual se
desarrolla) r1 y r2, se puede decidir cual es
preferible o si son indiferentes para el decisor:
- si r2 es preferible a r1: r1 p r2
- si r2 es al menos tan preferible como r1: r1 p r2
esta relacin est definida inequvocamente para
cada par de premios de R y adems es transitiva.

FUNCIN DE VALOR
De igual forma, para expresar preferencias entre
las distribuciones de probabilidad, asociadas a la
obtencin de esos premios, la relacin, como mucho
tan preferible como ( p ) conducir tambin a la
ordenacin completa de la familia de distribuciones.
Dicha familia debe cumplir slo dos condiciones: que
sea un conjunto cerrado para combinaciones lineales
convexas de sus elementos, y adems ha de contener
todas las distribuciones degeneradas.

FUNCIN DE VALOR

Si una relacin de preferencia p sobre P, satisface un

conjunto de axiomas (que incluye una ordenacin
completa y nica de todos los estados de la naturaleza
manteniendo la relacin de orden con la utilidad),
existe una funcin de valor U, definida para los
elementos de P que concuerda con dicha relacin p .
Adems U queda unvocamente determinada, salvo una
transformacin lineal.

FUNCIN DE VALOR
CONSTRUCCIN: mediante el proceso de
comparacin y recomparacin (el ms usado).
En lneas generales este proceso consiste en
elegir dos expectativas x1 y x2 no equivalentes,
de forma que x1 p x2, y asignarles las utilidades:
U(x1)=0 y U(x2)=1.

FUNCIN DE VALOR
La utilidad de otra alternativa x3 (x1p x3 p x2) se basa
en encontrar un (0,1) de forma que
x3= (x1+(1-)x2); en estas condiciones:

U( x 3 )= U( x1 )+(1 - )U( x 2 )= 1 -
Para otra alternativa x3 (x3 p x1), se formula:
x1=(x3+(1-)x2) y en estas condiciones:

U( x 3 )= -1(1 - )/
Si x3 es tal que x2 p x3 entonces: U(x3)=1/(1-).

FUNCIN DE VALOR

Al depender la valoracin de cada decisin de

mltiples atributos, una de las mayores
dificultades para la construccin de la funcin de
valor se deriva del orden multidimensional del
problema.

Por tanto, parece necesario intentar reducir la

dimensin del mismo tanto como sea posible.

FUNCIN DE VALOR

Un procedimiento consiste en ajustar la funcin de

prdida a distintas expresiones construidas a
partir de utilidades unidimensionales.
La mutua y preferencial independencia supone la
descomposicin aditiva.
La independencia en las diferencias supone
descomposiciones cuasi-aditivas o multiplicativas

SI

Dados los objetivos (i , j)

Son MPI?

NO
Existe i / (i ,) es IDD de
su complementario y (i , j) son MPI del
complementario para j?

SI

NO
Es (i ,) IDD de su complementario i?

SI
Aditiva

Multiplicativa

NO
Cuasi-aditiva

Otras

PARMETROS DE LA DECISIN
Grado de conocimiento de los resultados
Resultados nicos:
Decisin con certidumbre

Resultados mltiples:
Ambiente de riesgo
Ambiente de incertidumbre

DECISIN CON CERTIDUMBRE

(

Son las que corresponden al conocimiento exacto

del estado de la naturaleza que se presentar.

La incertidumbre derivada de la multiplicidad de

estados no existe.

(
(

A cada estrategia se le asocia un solo resultado.

La resolucin de este tipo de problemas se
realiza con modelos matemticos: programacin lineal.

DECISIN CON CERTIDUMBRE

EJEMPLOS:
Problemas de rutas
Problema de transporte
Gestin de inventarios
...................................................
Planificacin de la produccin
Se resuelven con tcnicas de programacin lineal

PROGRAMACIN LINEAL

El problema general es asignar recursos

limitados entre actividades competitivas
de la mejor manera posible (ptima).
Este problema incluye elegir el nivel de
ciertas actividades que compiten por
recursos escasos necesarios para
realizarlas

PROGRAMACIN LINEAL

El adjetivo lineal significa que todas las

funciones matemticas del modelo deber ser
funciones lineales. En este caso, las palabra
programacin es un sinnimo de planificacin.
As, la programacin lineal trata la planificacin
de las actividades para obtener un resultado
ptimo.

MODELO GENERAL DE PL
Los trminos clave son recursos y actividades, en
donde m denota el nmero de distintos tipos de
recursos que se pueden usar y n denota el nmero
de actividades bajo consideracin.
Z =
Xj =
Cj =
bi =
aij =

valor de la medida global de efectividad

nivel de la actividad j (para j = 1,2,...,n)
incremento en Z que resulta al aumentar una unidad en
el nivel de la actividad j
cantidad de recurso i disponible para asignar a las
actividades (para i = 1,2,...,m)
cantidad del recurso i consumido por cada unidad de la
actividad j

Estructura de un modelo de PL

1. Funcin objetivo. Consiste en optimizar el objetivo

que persigue una situacin la cual es una funcin

lineal de las diferentes actividades del problema, la
funcin objetivo se maximiza o minimiza.

2. Variables de decisin. Son las incgnitas del

problema. La definicin de las variables es el punto

clave y bsicamente consiste en los niveles de todas
las actividades que pueden llevarse a cabo en el
problema a formular.

Estructura de un Modelo de PL
3. Restricciones Estructurales. Diferentes

requisitos que debe cumplir cualquier solucin

para que pueda llevarse a cabo. Dichas
restricciones pueden ser de capacidad, mercado,
materia prima, calidad, balance de materiales,
etc.

4. Condicin tcnica. Todas las variables deben

tomar valores positivos, o en algunos casos
puede ser que algunas variables tomen valores
negativos.

MODELO GENERAL DE PL
n

Optimizar Z = c j x j
j=1

Sujeta a:

a x
j=1

= bi

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

xj > 0

j =1, 2,.......,n

ij j

EJEMPLO FERTIMEX
Qu cantidad de
cada fertilizante fabricar
durante el mes
con el objeto de maximizar
las utilidades?
Sujeto a:
No asignar ms de 1,100 toneladas de nitrato,
1,800 toneladas de fosfato y 2,000 toneladas
de potasio.

EJEMPLO FERTIMEX
Variables de decisin
X1 = Toneladas del fertilizante 5-5-10 que
deben fabricarse.
X2 = Toneladas del fertilizante 5-10-5 que
deben fabricarse.
Funcin objetivo
Max. Z = C1 X1 + C2 X2
$ = ($/ton. de f. 5-5-10) x (tons. de f. 5-5-10)
+ ($/ton. de f. 5-10-5) x (tons. de f. 5-10-5)

EJEMPLO FERTIMEX
Clculo de C1
Precio de venta del f. 5-5-10/ton.

= $71.50

Costo del f. 5-5-10/ton.

Costo del nitrato/ton. (0.05)($200/ton.)
Costo del fosfato/ton. (0.05)($80/ton.)
Costo del potasio/ton. (0.10)($160/ton.)
Costo del barro/ton. (0.80)($10/ton.)
Costo del mezclado/ton.
Costo total

= $10.00
=
4.00
= 16.00
=
8.00
= 15.00
= $53.00

EJEMPLO FERTIMEX
C1 = $71.50/ton. - $53.00/ton. = $18.50/ton.
de forma similar,
C2 = $69.00/ton. - $49.00/ton. = $20.00/ton.
Max. Z = 18.5X1 + 20X2

EJEMPLO FERTIMEX
Restriccin de nitrato
0.05X1 es el uso de nitrato en X1 tons. de f. 5-5-10
0.05X2 es el uso de nitrato en X2 tons. de f. 5-10-5
0.05X1 + 0.05X2 1,100
Restriccin de fosfato
0.05X1 + 0.10X2 1,800
Restriccin de potasio
0.10X1 + 0.05X2 2,000

EJEMPLO FERTIMEX

Max. Z = 18.5X1 + 20X2

Sujeto a:

0.05X1 + 0.05X2 1,100

0.05X1 + 0.10X2 1,800
0.10X1 + 0.05X2 2,000
X1, X2 0

EJEMPLO FERTIMEX
0.05X1 + 0.05X2 1,100

0.10X1 + 0.05X2 2,000

0.05X1 + 0.10X2 1,800

413,600 = 18.5X1 + 20X2

10,637

300,000 = 18.5X1 + 20X2

413,600 = 18.5X1 + 20X2

14,640

DECISIN CON RIESGO

En ambiente de riesgo, los estados de la
naturaleza
son
variables
aleatorias
con
probabilidades conocidas.
Se utilizan diagramas de flujo, matrices de pago
y rboles de decisin que ayudan a representar
la funcin de utilidad o valor.
Ejemplos de este tipo de decisiones pueden ser:
Distribucin de plazos de entrega
Porcentaje de artculos rechazados en un
control de calidad.

Diagrama de Flujo
Un diagrama de flujo es un mtodo grafico que
muestra la relacin entre las decisiones, la
posibilidad de un evento y sus consecuencias.
Cuadros o rectngulos representan los nodos de
decisin.
Crculos u valos representan los posibles nodos.
Diamantes representan los nodos resultantes.
Lneas o arcos conectan los nodos y muestran la
direccin de influencia.

Tablas o Matriz de Pagos

Las consecuencias resultan de una combinacin

especifica de una alternativa de decisin y un
estado de naturaleza es un pago.
Un tabla muestra los pagos para todas las
combinaciones de alternativas de decisin y estado
de naturaleza es una tabla o matriz de pago.
Los pagos pueden ser expresadas en trminos de
beneficio, costo, tiempo, distancia o cualquier otra
medida apropiada.

rboles de Decision
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 estado de
naturaleza mientras los nodos cuadrados
corresponden a las alternativas de decisin.
Las Ramas que salen de cada nodo redondo
representan los diferentes estado de naturaleza
mientras que 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.

Toma de Decisiones Con

Probabilidades
Enfoque de Valor Esperado
Si las estimaciones de probabilidad de los estados
de naturaleza estn disponibles, podemos utilizar
el enfoque de valor esperado (EV).
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:
N

EV( d i ) = P( s j )Vij
j =1

N = numero 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

donde:

Ejemplo: Burger Prince

El Restaurante Burger Prince esta contemplando
abrir un nuevo restaurante en Main Street. Tiene tres
modelos distintos, cada uno con diferente capacidad de
asientos. Burger Prince estima que el nmero promedio de
clientes por hora 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

Ejemplo: Burger Prince

Enfoque del Valor Esperado
Se calcula el valor esperado para cada
decisin. El rbol de decisiones en la diapositiva
siguiente puede ayudar en este clculo. Aqu d1, d2,
d3 representan las alternativas de decisin de los
modelos A, B, C, y s1, s2, s3 representan los
estados de naturaleza de 80, 100 y 120.

Ejemplo: Burger Prince

rbol de Decisin

Pagos

2
d1
1

.4
.2
.4

10,000
15,000
14,000

d2
d3

s1
s2
s3

s1
s2
s3
s1
s2
s3

.4
.2
.4
.4
.2
.4

8,000
18,000
12,000
6,000
16,000
21,000

Ejemplo: Burger Prince

Valor Esperado Para Cada Decisin

d1

EMV = .4(10,000) + .2(15,000) + .4(14,000)

= $12,600
2

Modelo A
1

Modelo B

Modelo C

d2

d3

EMV = .4(8,000) + .2(18,000) + .4(12,000)

= $11,600
3

EMV = .4(6,000) + .2(16,000) + .4(21,000)

= $14,000
4

Seleccione el modelo con el mayor EV, Modelo C.

DECISIN CON RIESGO

Los procesos de decisin estadstica que se basan
en la posibilidad de asignar distribuciones de
probabilidad a determinados conjuntos de estados
de la naturaleza (mediante la obtencin de una
muestra) conducen a los mtodos de resolucin
conocidos como bayesianos.

DECISIN CON INCERTIDUMBRE

Los estados de la naturaleza son variables
aleatorias pero de distribucin de probabilidad
desconocida.
Se toma una decisin d que hace minimice las
prdidas o maximice las funciones de utilidad o
valor y representa una aplicacin directa de los
mtodos de la teora de juegos a los problemas de
la decisin.

DECISIN CON INCERTIDUMBRE

Los 3 criterios mas usados para la toma de
decisiones cuando la informacin de probabilidad
estima que la probabilidad del estado de
naturaleza no esta disponible son:
El enfoque optimista
El enfoque conservador
El enfoque minimax de arrepentimiento

Enfoque Optimista
Este enfoque seria usado por profesionales
optimistas.
La decisin con el mejor pago posible es la elegida.
Si la tabla de pago estuviera en trminos de
costos, la decisin con el mas bajo costo seria
elegida.

Enfoque Conservador
Usado por profesionales con un visin mas conservadora.
Para cada decisin se elabora una lista de un mnimo de
pagos y luego se selecciona la decisin correspondiente al
mximo de estos pagos mnimos. (Por lo tanto, el pago
mnimo posible es maximizado.)
Si el pago estuviera en trminos de costo, el costo mximo
seria determinado por cada decisin y luego la decisin se
selecciona la decisin correspondiente al mnimo de este
costo mximo. (Por lo tanto, el mximo costo posible es
minimizado.)

Enfoque Minimax de Arrepentimiento

Este enfoque requiere de la elaboracin de una tabla de
arrepentimiento o tabla de perdida de oportunidad.
Esto se hace calculando para cada estado de naturaleza la
diferencia entre cada pago y el mejor pago para ese
estado de naturaleza.
Luego, usando esta tabla de arrepentimiento se enlista el
arrepentimiento mximo para cada alternativa de decisin.
Se selecciona la alternativa de decisin con el mnimo de
los valores de entre los arrepentimientos mximos.

Ejemplo
Considere el siguiente problema con tres alternativas de
decisin y tres estados de naturaleza con la siguiente tabla
de pago representando utilidades:
Estados de Naturaleza

Decisiones

d1
d2
d3

s1

s2

s3

4
0
1

4
3
5

-2
-1
-3

Ejemplo
Enfoque Optimista
Una persona optimista usara el enfoque optimista.
Todo lo que se necesita hacer es elegir la decisin que tenga
el valor mas grande la tabla de pago. El valor mas alto es 5, y
por lo tanto la decisin opima es d3.

Decisin

seleccin

d1
d2
d3

Mximo
Pago
4
3
5

mximo

Ejemplo
Enfoque Conservador
Una persona conservadora se inclina mas por este
enfoque. Hacer una lista de pagos mnimos por cada decisin.
Seleccionar el valor mximo de los pagos mnimos.

Decisin
seleccin d2

d1
d2
d3

Pago
Mnimo
-2
-1
-3

mximo

Ejemplo
Enfoque Minimax de Arrepentimiento
En este enfoque, primero se elabora una tabla de
arrepentimiento restando del pago mas alto los dems
pagos de esa columna. En este Ejemplo, en la primera
columna se restan 4, 0, y 1 de 4; en la segunda columna se
resta 4, 3, y 5 de 5; etc. El resultado es una tabla de
arrepentimiento:

d1
d2
d3

s1

s2

s3

0
4
3

1
2
0

1
0
2

Ejemplo
Enfoque Minimax de Arrepentimiento
Para cada decisin enliste el arrepentimiento mximo.
Elija la decisin con el menor de los valores.

elija

d1

Decisin

d1
d2
d3

Arrepentimiento mximo
1
mnimo
4
3

MS OPCIONES
En problemas de ingeniera
y ms en el caso
ambiental- es corriente que
no slo se desee maximizar
un beneficio monetario, o
disminuir un tiempo de
espera, sino que se busca
alcanzar mltiples
objetivos.

Actualmente la importancia
de la opinin pblica
relacionada con cualquier
decisin implica incorporar
ms de un decisor, incluso
opiniones de mltiples
personas obtenidas a
travs de la red.

MUTICRITERIO

MULTIOPININ

ESTRUCTURACIN JERRQUICA
DE OBJETIVOS

Ejemplo de
estructuracin de
objetivos

Biodiversidad
2

Criterios
Biofsicos

3
AND

Capacidad de
produccin
Estado sanitario
Ecosistema

4
Conservacin
5
Ciclo del Carbono

Basado en el sistema de
gestin del conocimiento
(USDA Forest Service) para
evaluar la sostenibilidad
ecolgica de los montes.

Produccin

Recreo
Sostenibilidad
Forestal

6
AND

Criterios
Socioeconmicos

AND

Inversin

Cultura

Los nmeros representan los

indicadores de Montreal para
la gestin forestal sostenible.

Empleo

Legal

Institucional
7
Criterios de
Entorno

AND

Econmico
Capacidad
I+D+i
Capacidad
Seguimiento

Ejemplo de
estructuracin de
objetivos

Biodiversidad
2

Capacidad
productiva
E. Sanitario
Ecosistema

4
Conservacin
5
Ciclo carbono

Organizacin alternativa a
la estructura anterior.
Con nfasis en criterios
diferentes.

Produccin

Recreo

Ejemplo de estructuracin de objetivos

Sostenibilidad
forestal

AND

Criterios
Socioeconmicos

AND

Inversin

Cultura

Empleo

Legal

Institucional
7
Criterios de
Entorno

AND

Econmico
Capacidad
I+D+i
Capacidad
Seguimiento

INTEGRACIN DE LA INFORMACIN: Ejemplo

Div ersid ad d el
Eco sist ema

1
Bio d iv ersid ad

Indicado res 6 & 7

Div ersidad d e Esp e cies

[-4 , 4 ]

Cl cu lo d e la
d iv ersid ad del E co .

SUMA

Indicado r 2
Estad o

Indicado r 3
Reserv as

Indicado r 4
Fig .Protecc in
Indicado r 8
Div ersid ad g en ti ca

Operador
Operador

Indicado r 5
Frag men tacin

Y: los argumentos se evalan como factores limitantes.

SUMA: los argumentos contribuyen incrementalmente a

la evaluacin y pueden compensarse.

INTEGRACIN DE LA INFORMACIN: Ejemplo

Indicador 47
rea de subsistencia

Indicador 44
ndice de empleo

Indicador 45
ndice de dao
Empleo

Indicador 44
ndice de empleo

Indicador 45
ndice de salario

Indicator 13
Volumen de corta

[-5, 6]
Clculo del Empleo

SUM

OR

Indicador 46
Viabilidad comercial

AND

Volumen en pie

Volumen de
Madera

Indicador 46
Adaptabilidad comercial

Valor de la
madera

Otro ejemplo que incluye el operador OR.

INTEGRACIN DE LA INFORMACIN:
Precisin del Conocimiento
El operador
OR secuencial
(SOR)
especifica
caminos
alternativos
en orden de
preferencia.

Indicator 48
Property calc

SUM

Property rights
Land tenure
Traditional rights
Dispute resolution

Indicator 49
Planning calc

SUM

Forest planning
Policy review
Planning and review
coordination

Indicator 50
Public partic. calc

SUM

Policy formulation
Decision making
Access to information

Indicator 52
Conservation calc

SUM

Special environ. values

Cultural values
Social values
Scientific values

[-30, 30]
Legal calc

Legal

SUM

SOR
Indicator 51
Best practices
0
[0, 4]
Alternative legal
calc

Legal summary:
None
Weak
Unknown
Moderate
Strong

0.25
0.5
0.75
1

INTEGRACIN DE LA INFORMACIN:
Caracterizacin de Preferencias
* LA EVALUACIN SUPONE COMPARAR VECTORES:

a = (a

, a ,..., a n ) b = (b , b ,..., bn )
1 2
1 2
SISTEMA DE PREFERENCIAS
La relacin mayor o igual que se sustituye por al menos tan preferible
como como juicio subjetivo del evaluador: a b a f b
Un sistema de preferencias es completo:

a,b : b

f b,
f a, o
b a f b y b f a

La existencia de una funcin de valor exige que la relacin sea completa:

v : Rn R

(a , a ,..., an ) v(a) =v(a , a ,..., an ) R a = (a , a ,..., an ) R n

1 2
1 2
1 2

tal que : v(a) >v(b) a f b y v(a) =v(b) a b

INTEGRACIN DE LA INFORMACIN:
Forma de la Funcin de Valor

El tipo de la funcin de valor depende de la relacin de dependencia

entre objetivos
es PI de x1 , x2 y x + ,

tales que : (x1 , x + ) f (x 2 , x + )

(x1 , x * ) f (x 2 , x * ), x *

Si , es PI de su complementario
i j
(i = 1,...,n 1, j = i + 1,...,n)
v(a) = k v (a ) + ... + kn vn (an )
11 1

INTEGRACIN DE LA INFORMACIN:
Forma de la Funcin de Valor
LITOLOGA

CALIZAS

GRANITO

CLIMA

CLIMA
MODERADO

CLIMA
EXTREMO
(favorece
descalcificacin)

PRODUCTIVIDAD =
= f(LITOLOGA,
. CLIMA)

f
/
f

Para evaluar la
Productividad:
la LITOLOGA no
es PI del CLIMA

INTEGRACIN DE LA INFORMACIN:
Forma de la Funcin de Valor

6
5
Contribucin 4
marginal al
3
valor
2
integrado
1

0
1

Clases de caracter. o
cualidades

1
4

Objetivos a
integrar

INTEGRACIN DE LA INFORMACIN:
Forma de la Funcin de Valor
Otros tipos de funcin de valor:
v(a) = k v (a ) v (a ) ... vn(an )

1 1

2 2

1
2
v (a ) n
v(a) = k v (a )
v
(a
)
...

n n
1 1
2 2
v(a) = k v (a ) + k v (a ) + ... + k
v
(a
)v (a ) vn (an )
2 2 2
n -2 n -2 n -2 n-1 n-1
1 1 1

(multiplicativa)
(polinominal)
(parcial aditiva)

Dependen de otras relaciones dependencia entre objetivos

(independencia dbil el las diferencias, condicin de
Thomsen, ...)

INTEGRACIN DE LA INFORMACIN:
Valoracin de las Condiciones de Referencia
Grado de certeza en aceptar la
pertenencia al conjunto difuso

Contribucin a la sostenibilidad a
partir de condiciones de referencia

100 %

Mas certeza

Evaluador 1

F
U
N
C
I

Evaluador 2

D
E

Evaluador 3

P
E
R
T
E
N
E
N
C
I
A

Menos
certeza

O%
Medida de alguna caracterstica del conjunto difuso
(Medida de algn atributo)

INTEGRACIN DE LA INFORMACIN:
Ponderaciones de la Funcin de valor

Mtodo de la doble ordenacin.

k k ... kn

1 2
(k ,k ,...,kn ) Convexo
1 2
k k ... k
kn
1 2
n1

Mtodo de las n-igualdades.

a b k v (a ) + ... + kn vn (an ) = k v (b ) + ... + kn vn (bn )
11 1
11 1
c d k v (c ) + ... + knvn (cn ) = k v (d ) + ... + knvn (dn )
11 1
11 1
M

Ecuacin N 1
Ecuacin N 2

INTEGRACIN DE LA INFORMACIN:
Caracterizacin de Preferencias

SE PUEDE DEFINIR UNA PROBABILIDAD DE LA PREFERENCIA

Relacin de superclasificacin:
aRb P(a f b) p.j. = 0.95
No transitividad

P (a f b ) = 0.95 aRb
P (a f b ) = P (a f b ) P(b f c) =
P(b f c) = 0.95 bRc
= 0.95 0.95 0.95 a noR b

Dificultad de transformar comparacin en evaluacin:

MTODOS DIRECTOS

INTEGRACIN DE LA INFORMACIN:
Preferencias de mltiples usuarios

Implementacin de sistemas de convergencia de

preferencias de mltiples decisores (utilizacin de
bandas de indiferencia y del mtodo DELPHI, ...).
Morton, A. et al, 1999. Delphic SODA: A new
approach to distribuited group decision support.
Research paper 1999/2. Management Science.
Stracthclyde Business School
Morton, A. et al, 2001 Distribuited group decision
support. A study of some key conceps. Research
paper 2001/2. Management Science. Stracthclyde
Business School

TECNOLOGAS DE LA INFORMACIN.
Implantacin de:
Sistema de informacin que describa el significado de los
indicadores
Sistema de almacenamiento de datos (Data Warehouse)
para el anlisis y tratamiento de la informacin.
Mtodos de clasificacin de la informacin ambiental por
parte de cualquier usuario: sistemas derivados de la teora
de la decisin y del reconocimiento de formas; de la
utilizacin de funciones discriminantes y fronteras de
decisin; de los mtodos de clasificacin estadstica; basados
en distancias, ... .
Mtodos de agrupamiento de informacin ambiental por
parte de cualquier usuario: sistemas basados en mtodos
taxonmicos, en modelos paramtricos, en no-paramtricos,
en algoritmos de agrupamiento jerrquico, ... .

TECNOLOGAS DE LA INFORMACIN.
Implantacin de:
Mtodos para analizar la informacin espacio-temporal a
partir de los desarrollos existentes en campos aleatorios 4D:
anlisis espectral y mtodos basados en la frecuencia.

Procedimientos para identificar el sistema de preferencias

de cualquier usuario.

Mtodos de toma de decisiones multicriterio, para

implementar procesos de integracin de la informacin con
valor global medible y no medible.
Aplicaciones de internet para la construccin de
comunidades de usuarios.

INDICADORES
PANEUROPEOS DE
SOSTENIBILIDAD

PROBLEMA
AMBIENTAL

Base de
datos
ambientales

Tipologa
de
problemas

Estructuracin
jerrquica de
indicadores
Tecnologas
de la
Informacin

Identificacin
unidades de
decisin
Identificacin
del sistema de
preferencias
de cualquier
evaluador

Seleccin
del modo de
integracin de
la informacin

EVALUACIN
EVALUACIN
SOSTENIBILIDAD
SOSTENIBILIDAD