Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisis de decisiones
1
Capítulo 1. Análisis de decisiones
Bajo Riesgo: Son situaciones en las que no se tiene certeza absoluta de lo que
va a ocurrir, pero se tienen estimaciones de probabilidad para los diferen-
tes resultados posibles. Por lo general, tan solo se tiene conocimiento de
los diferentes eventos o hechos de la naturaleza que pueden ocurrir junto
con una estimación de las probabilidades de ocurrencia de cada uno (estas
probabilidades se estiman a partir del comportamiento histórico del sistema.
2
1.3 Criterios de decisión
�
pj = 1
j∈S
3. Es posible construir una valoración numérica del beneficio para cada par
evento acción ri,j , con lo cual se constituye la llamada tabla o matriz de
recompensas o de pagos, como se observa en tabla 1.1.
Pueden tenerse diferentes criterios para la toma de decisiones, que pueden aplicarse
ante la insuficiencia de datos, cada uno de ellos representa un punto de vista ante
el problema.
Se dice que una acción i es dominada por otra acción i� cuando para todo j ∈
S, ri,j ≤ ri� ,j , y para algún estado j � , ri,j � < ri� ,j � .
Lo anterior implica que la acción i en ningún estado j será mejor que i� , por lo que
no habría ninguna razón para elegirla. Dicho de otro modo, es preciso buscar las
3
Capítulo 1. Análisis de decisiones
1.3.2 MaxiMin
Consiste en determinar el peor resultado para cada acción y elegir la acción que
proporcione el mejor de los peores resultados. Esto es elegir para cada acción a i el
valor mı́nj∈S ri,j . y de ellos elegir aquella acción cuyo valor sea el más grande
� �
máx mı́n{ri,j } (1.1)
i∈A j∈S
Se trata de un criterio pesimista que sólo tiene en cuenta el peor resultado para
cada una de las alternativas.
1.3.3 MaxiMax
Consiste en determinar el mejor resultado para cada acción y elegir la acción que
proporcione el mejor de los mejores resultados. Esto es elegir la acción a i con el
valor máxj∈S ri,j y de ellos elegir aquella acción cuyo valor sea el más grande
� �
máx máx{ri,j } (1.2)
i∈A j∈S
4
1.3 Criterios de decisión
5
Capítulo 1. Análisis de decisiones
1 2 3
a1 r1,1 r1,2 r1,3
a2 r2,1 r2,2 r2,3
a3 αr1,1 + (1 − α)r2,1 αr1,2 + (1 − α)r2,2 αr1,3 + (1 − α)r2,3
6
1.3 Criterios de decisión
La acción a tomar será la que proporcione el mayor de los valores esperados. Ma-
temáticamente hablando si para una variable aleatoria x con valor esperado E(x)
y varianza σ 2 , se obtiene una muestra de tamaño n de esta será (x1 , x2 , . . . , xn ),
�n 2
su promedio x̄ = n1 i=1 xi , y su varianza σn . Cuando n → ∞, la varianza tiende
a cero y x̄ = E(x), lo que significa que si se utiliza el valor esperado para comparar
alternativas, será conveniente que el procedimiento se repita un número grande de
veces. De lo contrario el promedio podrá ser muy diferente al valor esperado.
Sea x una variable aleatoria con valor esperado E(x) y varianza σ 2 , el promedio
�n 2
de una muestra de tamaño n es x̄ = n1 i=1 xi , y su varianza σn ; en consecuen-
cia cuando σ 2 se hace más pequeño, x̄ tiene una menor dispersión y se aproxi-
ma a E(x) con mayor probabilidad. Por lo tanto es valioso el desarrollo de un
criterio que maximice el beneficio esperado y minimice su varianza. Lo anterior
puede alcanzarse considerando
� múltiples metas en el mismo criterio, por ejemplo:
maximizar E(x) − K var(x), donde x es la variable aleatoria y K una constante
preespecificada.
7
Capítulo 1. Análisis de decisiones
Este tipo de análisis puede aplicarse para fijación de los niveles de servicio o de
aceptación propios de los procesos de manufactura.
Con información perfecta el pago esperado será igual a la sumatoria de las proba-
bilidades de ocurrencia de cada evento j multiplicadas por la mejor recompensa
posible para ese evento ri∗ ,j , donde i∗ es la acción que proporciona tal recompensa.
8
1.5 Árboles de decisión
r1
s1
s1 r2
a1 2 a3 5 s2 r3
s2 4 s1
1 r4
a4 6
s2 r5
a2 s1
3 r6
s2 r7
Del nodo de decisión inicial se desprende una rama por cada una de las acciones
posibles, a cuyo final se coloca un nodo de incertidumbre, del cual se desprende a
su vez una rama por cada posible estado de la naturaleza. Al final de estas últimas
ramas pueden colocarse nuevos nodos de decisión o los valores de la recompensa
asociada a la rama del árbol (la cual depende tanto de la decisión tomada como
del estado de la naturaleza correspondiente).
Cada columna de la matriz suma uno por tratarse de una distribución de probabi-
lidad condicional, el conjunto de tales distribuciones se conoce como conjunto de
distribuciones de muestreo del problema.
Una forma de evaluar las estrategias consiste en enumerar todas las posibles com-
binaciones de acción-resultado, lo cual puede no resultar fácil dependiendo del
número de alternativas y del número de estados de la naturaleza.
10
1.6 Valor esperado de la información experimental
Resultados del estudio (E): Son los posibles resultados del experimento o mues-
treo k ∈ E, como se indicó previamente se conocen además las probabilidades
P (k|j), ∀k, ∀j, que denotan la confiabilidad histórica del estudio.
A partir de los datos conocidos es posible calcular las probabilidades de cada uno
de los resultados del experimento haciendo uso de la teoría de las probabilidades,
especialmente de lo que se conoce como probabilidad de una partición, así:
�
P (k) = P (k|j)pj (1.11)
j∈S
P (k|j)pj
P (j|k) = � (1.12)
P (k|�)p�
�∈S
V EE = V EIM − V E (1.13)
/*******************************************************************
* Algunos criterios de teoría de decisiones implementados en GLPK *
*******************************************************************/
set A; #Alternativas
set S; #Estados de la naturaleza
11
Capítulo 1. Análisis de decisiones
#Citerio Maximin
param MinF{i in A}:= min{j in S} R[i,j]; #Mínima recompensa para la alternativa i
param Maximin:= max{i in A} MinF[i]; #Máximo de los mínimos
#Criterio Maximax
param MaxF{i in A}:= max{j in S} R[i,j]; #Máxima recompensa para la alternativa i
param Maximax:= max{i in A} MaxF[i]; #Máximo de los máximos
#Criterio de Hurwicz
param Hurwicz{i in A}:= alpha*MinF[i] +(1-alpha)*MaxF[i];
param MaxHurw:= max{i in A} Hurwicz[i];
#Criterio de Savage
param Savage{i in A, j in S}:= MaxC[j]-R[i,j];
param MaxFS{i in A}:= max{j in S} Savage[i,j];
param MiniMaxS:= min{i in A} MaxF[i];
param VEspS{i in A}:= sum{j in S} P[j]*Savage[i,j];
param VESavage:= min{i in A} VEspS[i];
solve;
printf ’Criterio Maximin... ’;
display MinF;
display Maximin;
printf ’La alternativa seleccionada es’
display MaxF;
display Maximax;
display Hurwicz;
display MaxHurw;
display Bayes;
12
1.6 Valor esperado de la información experimental
display MaxBayes;
display VEsp;
display VE;
display VECIP;
display VEIP;
display MaxC;
display Savage;
display MaxFS;
display MiniMaxS;
display VEspS;
display VESavage;
data;
set A:= a b c d;
set S:= 1 2 3 4;
param R: 1 2 3 4:=
a -5 -10 -18 -25
b -8 -7 -8 -23
c -21 -18 -12 -21
d -30 -22 -19 -15;
end;
Hurwicz[a] = -11
Hurwicz[b] = -11.8
Hurwicz[c] = -14.7
Hurwicz[d] = -19.5
Display statement at line 55
MaxHurw = -11
Criterio de Bayes (Laplace)... Display statement at line 57
Bayes[a] = -14.5
Bayes[b] = -11.5
Bayes[c] = -18
Bayes[d] = -21.5
Display statement at line 58
MaxBayes = -11.5
Criterio del valor esperado... Display statement at line 60
VEsp[a] = -16
VEsp[b] = -10.9
VEsp[c] = -16.2
VEsp[d] = -20.7
Display statement at line 61
VE = -10.9
Valor esperado de la información perfecta... Display statement at line 63
VECIP = -8.7
Display statement at line 64
VEIP = 2.2
Display statement at line 65
MaxC[1] = -5
MaxC[2] = -7
MaxC[3] = -8
MaxC[4] = -15
Criterio de pérdida MiniMax (Savage)... Display statement at line 67
Savage[a,1] = 0
Savage[a,2] = 3
Savage[a,3] = 10
Savage[a,4] = 10
Savage[b,1] = 3
Savage[b,2] = 0
Savage[b,3] = 0
Savage[b,4] = 8
Savage[c,1] = 16
Savage[c,2] = 11
Savage[c,3] = 4
Savage[c,4] = 6
Savage[d,1] = 25
Savage[d,2] = 15
14
1.7 Teoría de la utilidad
Savage[d,3] = 11
Savage[d,4] = 0
Display statement at line 68
MaxFS[a] = 10
MaxFS[b] = 8
MaxFS[c] = 16
MaxFS[d] = 25
Display statement at line 69
MiniMaxS = 8
Display statement at line 70
VEspS[a] = 7.3
VEspS[b] = 2.2
VEspS[c] = 7.5
VEspS[d] = 12
Display statement at line 71
VESAvage = 2.2
Model has been successfully processed
Debido a las críticas que tiene el criterio del valor esperado, entre las cuales están:
La Teoría de la utilidad surge como una alternativa para tener en cuenta tanto la
magnitud relativa de los pagos como su valor esperado. Es común que el decisor
no esté dispuesto a utilizar la teoría del valor esperado como criterio único porque
algunos de los pagos posibles afectaría dramáticamente el futuro de su negocio y
por lo tanto busque tener en cuenta otros factores.
15
Capítulo 1. Análisis de decisiones
Considerando una lotería como una situación en la cual una persona recibe para
cada i = 1, 2, . . . , n una recompensa ri con probabilidad pi , que se denota como
una lotería (p1 , r1 ; p2 , r2 ; . . . ; pn , rn ). Tal lotería puede representarse como un árbol
de probabilidad en el que a cada rama se asigna la probabilidad de su resultado
posible, el cual se coloca al final de la misma.
Para determinar los valores de las probabilidades asociadas a los pagos, se procede
primero a dar un valor de probabilidad igual a uno (pi = 1) a la mejor recompensa
posible, y un valor de probabilidad de cero a la peor recompensa posible (p i = 0).
Los demás valores deben calcularse a partir de comparaciones subjetivas en las
cuales se consideran loterías equivalentes, al final todos los valores se terminan
expresando como loterías entre el mejor y el peor valor posibles. También es posible
evaluar un conjunto de puntos intermedios y construir una curva de utilidad para
determinar los restantes.
n
�
E(U ) = pi U (ri ) (1.14)
i=1
1. El decisor prefiere r1 a r2
2. El decisor prefiere r2 a r1
16
1.7 Teoría de la utilidad
1. Se determinan en primer lugar los pagos menor y mayor rmin y rmax con las
respectivas utilidades U (rmin ) = 0 y U (rmax ) = 1.
3. Posteriormente se repite el paso anterior con loterías similares para cada uno
de los dos intervalos definidos, obteniendo los valores r0,25 y r0,75 .
Adverso al riesgo: Se trata del decisor para quien cualquier lotería L presenta
un valor P R(L) > 0, en otras palabras U (x) es cóncava.
−x
U (x) = 1 − e R (1.15)
Estudios estadísticos analizados por Howard (1992) han determinado que en pro-
medio, para las empresas, R puede determinarse a partir de los indicadores finan-
cieros ventas netas, ingreso neto o recursos propios, así: R es aproximadamente
igual al 6,4 % de las ventas netas, 124 % del ingreso neto o 15,7 % de los recursos.
�
ωi = 1,
i∈I
19
Capítulo 1. Análisis de decisiones
Una vez se ha construido la matriz esta debe normalizarse, dividiendo cada uno de
sus términos entre la sumatoria de los términos de la columna a la que pertenecen,
como se indica en ecuación 1.16. Cada columna de la matriz normalizada sumará
1.
ai,j
āi,j = � (1.16)
ak,j
k∈I
Los pesos relativos para cada objetivo se obtienen promediando los valores de la
matriz normalizada para cada fila como se muestra en ecuación 1.17
1�
ωi = āi,j (1.17)
n
j∈I
b = Aω = Δω (1.18)
20
1.8 Proceso de decisión de jerarquía analítica (AHP)
1. Calcular el vector b
� �
� bi
1
n −n
ωi
i∈I
IC =
n−1
�
IC
< 0,1 Consistencia satisfactoria
IA (1.19)
IC
IA > 0,1 No hay consistencia satisfactoria
Los valores del Índice de Consistencia Aleatorio para los diferentes n, obtenidos
mediante la simulación de 100.000 matrices (Aguarón y Moreno-Jiménez, 2001),
citado por Moreno Jimenez se presentan en la tabla 1.3.
n 3 4 5 6 7 8 9 10 11 12
IA 0,525 0,882 1,115 1,252 1,341 1,404 1,452 1,484 1,513 1,535
Fuente: (Aguarón y Moreno-Jiménez, 2001)
21
Capítulo 1. Análisis de decisiones
/*****************************************************
* Proceso de decisión por jerarquía analítica (AHP) *
*****************************************************/
set I; #Criterios
set J; #Alternativas
solve;
/*********************************************************************
* Las declaraciones "display" muestran los diferentes resultados. *
* Se selecciona la alternativa cuya calificación "Cal" sea la mejor *
*********************************************************************/
display NormA;
display Omega;
display NormVal;
display M;
display Cal;
22
1.8 Proceso de decisión de jerarquía analítica (AHP)
param Val:=
[Bell,*,*]:Jf Br Ma:=
Jf 1 5 3
Br 0.2 1 0.5
Ma 0.333 2 1
[Intl,*,*]:Jf Br Ma:=
Jf 1 0.166 0.25
Br 6 1 2
Ma 4 0.5 1
[Pers,*,*]:Jf Br Ma:=
Jf 1 4 0.25
Br 0.25 1 0.111
Ma 4 9 1;
23