Uso del valor esperado en la toma de decisiones……

En la sección anterior calculamos el valor esperado de una variable aleatoria

y enfatizamos la importancia que éste tiene para los tomadores de
decisiones. Ahora necesitamos analizar cómo los tomadores de decisiones
combinan las probabilidades de que una variable aleatoria asuma ciertos
valores con las ganancias o pérdidas monetarias que se dan cuando
efectivamente toma estos valores. De esta forma, los responsables son
capaces de decidir inteligentemente en condiciones de incertidumbre.
Combinación de probabilidades y valores monetarios
Veamos el caso de un vendedor al mayoreo de frutas y legumbres que
comercia con frambuesas. Este producto tiene una vida útil muy limitada: si
no se vende el día que llega, ya no tiene valor. Una caja de frambuesas cuesta
$20 y el vendedor recibe $50 por ella. Éste no puede especificar el número de
cajas que un cliente pedirá en cualquier día dado, pero su análisis de
registros pasados ha producido la información que presentamos en la tabla
5-6. Problema de vendedor al mayoreo El señor Olson planea investigar a uno
de los dos departamentos, el de tierra o el de aire, pero no a ambos. Si
decide abrir una investigación en el departamento que tenga el mayor
número esperado de cartas perdidas por mes, ¿a cuál departamento deberá
investigar?

Soluciones a los ejercicios de autoevaluación EA 5-1 a) 5.3 Uso del valor

esperado en la toma de decisiones 187 0.4 0.3 0.2 102 105 108 111 114 117
Resultado Probabilidad 0.1 Resultado Frecuencia P(resultado) (1) (2) (3) (1)
(3) 102 10 0.08 8.16 105 20 0.16 16.80 108 45 0.36 38.88 111 15 0.12 13.32
114 20 0.16 18.24 117 015 0.12 014.04 125 1.00 109.44 Resultado esperado
Rendimiento P(Rendimiento) (1) (2) (1) (2) 0 0.20 0.00 10 0.25 2.50 15 0.30
4.50 25 0.15 3.75 50 0.10 05.00 1.00 15.75 Rendimiento esperado 188
Capítulo 5 Distribuciones de probabilidad Definición de los tipos de pérdidas
El vendedor al mayoreo ha sufrido dos tipos de pérdidas: 1) pérdidas por
obsolescencia, ocasionadas por tener en existencia demasiada fruta en un día
y tener que tirarla al siguiente, y 2) pérdidas de oportunidad, ocasionadas por
no tener en existencia el producto al momento en que un cliente lo solicita
(los clientes no esperan más allá del día en que solicitan una caja de
frambuesas). La tabla 5-7 es una tabla de pérdidas condicionales. Cada valor
en ella está condicionado a un número específico de cajas que se encuentran
en existencia y a un número específico de solicitudes.

Los valores que se tienen en la tabla 5-7 incluyen no solamente las pérdidas
por la fruta descompuesta, sino también las que se derivan de los ingresos
perdidos cuando el vendedor no es capaz de suministrar un pedido. Cuando
el número de cajas en existencia en un día cualquiera es igual al número de
cajas solicitadas no ocurre ninguno de estos dos tipos de pérdida. En tales
casos, el vendedor vende todo lo que tiene almacenado y no sufre pérdidas.
Esta situación se indica con el cero en negrita que aparece en la columna
correspondiente. Las cifras que se encuentren por encima de un cero
cualquiera representan las pérdidas sufridas al tener que tirar la fruta. En
este ejemplo, el número de cajas almacenadas es mayor al de cajas
solicitadas. Por ejemplo, si el vendedor tiene en existencia 12 cajas, pero
recibe solicitud para sólo 10 de ellas, pierde $40 (o $20 por caja no vendida
ese mismo día). Los valores que se encuentran debajo de los ceros en negrita
representan las pérdidas de oportunidad derivadas de pedidos que no se
pueden cumplir. Si, un cierto día, el vendedor tiene en existencia solamente
10 cajas de frambuesas y le solicitan 11, éste sufre una pérdida de
oportunidad de $30 por la caja que le faltó ($50 por caja menos $20 de su
costo, igual a $30). Cálculo de pérdidas esperadas Mediante el análisis de
cada una de las opciones de almacenamiento posibles podemos calcular la
pérdida esperada. Hacemos esto pesando cada una de las cuatro cifras de
pérdidas que aparecen en la tabla 5-7 con las probabilidades que vienen en la
tabla 5-6. Para la opción de almacenamiento de 10 cajas de fruta, la pérdida
esperada se calcula como lo indicamos en la tabla 5-8. Las pérdidas
condicionales de la tabla 5-8 se tomaron de la primera columna de la tabla 5-
7, para la existencia de 10 cajas de frambuesas. En la cuarta columna de la
tabla 5-8 se nos muestra que si se tienen en existencia 10 cajas diarias, a lo
largo de un periodo grande, la pérdida promedio o pérdida esperada será de
$52.50 por día. No hay garantías de que la pérdida del día siguiente sea
exactamente de $52.50. Las tablas de la 5-9 a la 5-11 muestran los cálculos
de la pérdida esperada resultante de decidirse por el almacenamiento de 11,
12 y 13 cajas de frambuesas, respectivamente.
La acción de almacenamiento óptima es aquella que minimiza las pérdidas
esperadas. Tener en existencia 12 cajas diariamente constituye esta opción,
en cuyo caso las pérdidas esperadas toman el valor mínimo de $17.50. Con la
misma facilidad, pudimos haber resuelto este problema tomando un camino
alternativo, es decir, maximizando la ganancia esperada ($50 recibidos por
caja de fruta, menos $20 del costo de cada caja), en lugar de minimizar la
pérdida esperada. En cualquier caso habríamos obtenido la misma respuesta:
12 cajas en existencia. En nuestro breve tratamiento del valor esperado
hemos hecho muy pocas suposiciones. Sólo mencionaremos dos de ellas.
Asumimos que la demanda del producto puede tomar únicamente cuatro
valores y que las frambuesas no valen nada al día siguiente. Estas dos
suposiciones reducen el valor de la respuesta que hemos obtenido. En el
capítulo 17, tendremos de nuevo situaciones de decisión con base en valores
esperados.
Prueba de hipótesis: En una prueba de hipótesis, debemos establecer el
valor supuesto o hipotético del parámetro de población antes de comenzar a
tomar la muestra. La suposición que deseamos probar se conoce como
hipótesis nula y se simboliza H0, o “H sub-cero”. Supongamos que deseamos
probar la hipótesis de que la media de la población es igual a 500. En
símbolos se escribe como sigue y se lee “la hipótesis nula es que la media de
población es igual a 500”: H0: 500 El término hipótesis nula surge de las
primeras aplicaciones agrícolas y médicas de la estadística. Con el fin de
probar la efectividad de un nuevo fertilizante o de una nueva medicina, la
hipótesis que se probaba era que no hubo efecto, es decir, no hubo
diferencia entre las muestras tratadas y las no tratadas. Si en un problema
usáramos un valor hipotético de una media de población, en símbolos sería:
H0 Esto se lee, “valor hipotético de la media de la población”. Si los
resultados de nuestra muestra no respaldan la hipótesis nula, debemos
concluir que se cumple alguna otra cosa. Siempre que rechazamos la
hipótesis, la conclusión que sí aceptamos se llama hipótesis alternativa cuyo
símbolo es H1 (“H sub-uno”). Para la hipótesis nula:
Consideraremos tres hipótesis alternativas posibles: • H1:
200 ← “La hipótesis alternativa es que la media de población no es igual a
200” • H1: 200 ← “La hipótesis alternativa es que la media de población es
mayor que 200” • H1:
 200 ← “La hipótesis alternativa es que la media de población es menor que
200”
Interpretación del nivel de significancia El propósito de la prueba de hipótesis
no es cuestionar el valor calculado del estadístico de la muestra, sino hacer
un juicio respecto a la diferencia entre ese estadístico y un parámetro
hipotético de la población. El siguiente paso después de establecer las
hipótesis nula y alternativa, entonces, consiste en decidir qué criterio utilizar
para confirmar si se acepta o se rechaza la hipótesis nula. En nuestro ejemplo
del complejo deportivo, decidimos que una diferencia observada entre la
media de la muestra x y la media hipotética de la población H0 tenía sólo
4.5%, o 0.045, de probabilidad de ocurrir. Por tanto, rechazamos la hipótesis
nula de que la media de la población fuera de 0.04 pulg (H0: 0.04 pulg). En
términos estadísticos, el valor 0.045 se conoce como nivel de significancia.
¿Qué pasa si probamos una hipótesis con 5% de nivel de significancia? Esto
quiere decir que rechazaremos la hipótesis nula si la diferencia entre el
estadístico y el parámetro hipotético de la población es tan grande que ésta u
otra diferencia mayor ocurrirá, en promedio, sólo cinco o menos veces en
cada 100 muestras, cuando el parámetro hipotético de la población es
correcto. Si suponemos que la hipótesis es correcta, entonces el nivel de
significancia indicará el porcentaje de medias muestrales que está fuera de
ciertos límites. (Recuerde que en estimación, el nivel de confianza indicaba el
porcentaje de medias muestrales que caían dentro de los límites de confianza
definidos.) La figura 8-2 ilustra cómo interpretar un nivel de significancia del
5%. Observe que el 2.5% del área bajo la curva está localizado en cada cola.
De la tabla 1 del apéndice, podemos determinar que el 95% de toda el área
bajo la curva está incluido en un intervalo que se extiende 1.96x a cada lado
de la media hipotética. Así pues, en el 95% del área no hay diferencia
significativa entre el valor observado del estadístico de la muestra y el valor
hipotético del parámetro de población. En el 5% restante (las regiones
sombreadas de la figura 8-2) sí existe una diferencia significativa. La figura 8-
3 examina este mismo ejemplo de otra manera. Aquí, 0.95 del área bajo la
curva cae en la región donde aceptaríamos la hipótesis nula. Las dos partes
sombreadas bajo la curva, que representan un total del 5% del área, son las
regiones donde rechazaríamos la hipótesis nula
Selección de un nivel de significancia No existe un nivel de significancia único
estándar o universal para probar hipótesis. En algunos casos, se utiliza un
nivel de significancia del 5%. Ciertos resultados de investigaciones publicados
a menudo prueban hipótesis para un nivel de significancia del 1%. Es posible
probar una hipótesis a cualquier nivel de significancia. Pero recordemos que
nuestra elección del estándar mínimo para una probabilidad aceptable, o el
nivel de significancia, es también el riesgo que corremos al rechazar una
hipótesis nula cuando es cierta. Cuanto más alto sea el nivel de significancia
que utilizamos para probar una hipótesis, mayor será la probabilidad de
rechazar la hipótesis nula cuando es cierta. Al examinar este concepto, nos
referiremos a la figura 8-4. Ésta ilustra una prueba de hipótesis para tres
niveles de significancia: 0.01, 0.10 y 0.50. También hemos indicado la
ubicación de la misma media de muestra x en cada distribución. En las
gráficas (a) y (b), aceptaríamos la hipótesis nula de que la media de población
es igual al valor hipotetizado. Pero observe que en la gráfica (c),
rechazaríamos esta misma hipótesis nula. ¿Por qué? Nuestro nivel de
significancia de 0.50 en esta parte es tan alto que rara vez aceptaríamos la
hipótesis nula cuando no es cierta, pero, al mismo tiempo, con frecuencia la
rechazaríamos aunque lo sea.
Errores de tipo I y tipo II Los especialistas en estadística usan definiciones y
símbolos específicos para el concepto ilustrado en la figura 8-4. Rechazar una
hipótesis nula cuando es cierta se denomina error tipo I, y su probabilidad
(que, como hemos visto, es también el nivel de significancia de la prueba) se
simboliza con (alfa). Por otro lado, aceptar una hipótesis nula cuando es falsa
se le llama error tipo II, y su probabilidad se simboliza con (beta). Existe una
relación entre estos dos tipos de errores: la probabilidad de cometer un tipo
de error puede reducirse sólo si estamos dispuestos a aumentar la
probabilidad de cometer el otro tipo de error. Observe en la gráfica (c) de la
figura 8-4, que la región de aceptación es bastante pequeña (0.50 del área
bajo la curva). Con una región de aceptación así de pequeña, rara vez
aceptaremos una hipótesis nula cuando no sea cierta, pero como precio de
esta seguridad, a menudo rechazaremos una hipótesis nula cuando sea
cierta. Puesto de otra manera, con el fin de obtener una baja, tendremos que
tolerar una alta. Para lidiar con este trueque o intercambio en situaciones
personales y profesionales, los tomadores de decisiones deciden el nivel de
significancia adecuado examinando los costos o la penalización vinculados
con ambos tipos de error. Suponga que cometer el error tipo I (rechazar una
hipótesis nula cuando es cierta) implica el tiempo y los problemas de volver a
trabajar un lote de compuestos químicos que debieran haberse aceptado. Al
mismo tiempo, cometer un error tipo II (aceptar una hipótesis nula cuando es
falsa) significa arriesgarse a que todo un grupo de consumidores de este
compuesto químico se envenenen. Evidentemente, la administración de esta
compañía preferirá el error tipo I sobre el de tipo II y, como resultado,
establecerá niveles de significancia muy altos en sus pruebas para obtener
betas () bajas. Suponga, por otra parte, que cometer un error tipo I implica
desarmar todo un motor en la fábrica, pero cometer un error tipo II implica
que los distribuidores de automóviles realicen reparaciones de garantía
relativamente baratas. Entonces es más probable que el fabricante prefiera el
error tipo II y que establezca menores niveles de significancia en sus pruebas.
Decisión de qué tipo de distribución usar en la prueba de hipótesis Después
de decidir el nivel de significancia a utilizar, nuestra siguiente tarea en la
prueba de hipótesis consiste en determinar la distribución de probabilidad
adecuada. Tenemos la opción de escoger entre la distribución normal, tabla 1
del apéndice, y la distribución t, tabla 2 del apéndice. Las reglas para elegir la
distribución adecuada son similares a las que encontramos en el capítulo 7
sobre estimación. La tabla 8-1 resume las situaciones en las que es posible
usar la distribución normal y la distribución t al hacer pruebas de medias.
Más adelante, en este capítulo, examinaremos las distribuciones apropiadas
para probar hipótesis sobre proporciones. Recuerde otra regla que debe
cumplirse al probar el valor hipotético de una media. Al igual que en la
estimación, utilice el multiplicador de población finita siempre que la
población sea finita en tamaño, el muestreo se haga sin reemplazo y la
muestra sea de más del 5% de la población.