Clase1 16.10

MODELOS ESTOCÁSTICOS
Clase 1: probabilidades y toma de decisiones

Contenido
1. Probabilidad.
2. Espacio muestral continuo.
3. Cuantificación de la probabilidad.
4. Probabilidad aditiva.
5. Ley de probabilidad condicional.
6. Distribuciones clásicas de probabilidad.
7. Toma de decisiones en condición de certidumbre.
8. Toma de decisiones en condición de riesgo. Árboles de decisión.
9. Toma de decisiones en condición de incertidumbre.
10. Criterios de decisiones en condiciones de incertidumbre.
Resultado de aprendizaje
Reconoce conceptos y aplicaciones fundamentales de
probabilidades, árboles de decisión y métodos
decisionales.
Probabilidades y toma de decisiones
Introducción
Términos probabilísticos hacen parte de nuestro lenguaje

diario: oportunidad, riesgo, probable, posible, pueda que ocurra o
no, casi cierto y otros más.
Todas estas son utilizadas para comunicar un cierto grado de

incertidumbre aunque su uso no técnico no permite establecer una
clara diferencia entre probable y verosímil o entre improbable e
imposible.
Modelo
Frecuentemente el objetivo de un investigador es establecer una
adecuada descripción matemática de algún fenómeno natural o
artificial.
Un modelo puede ser definido como una idealización matemática

utilizada para aproximar un fenómeno observable. En esta
idealización, se hacen ciertas suposiciones. El éxito de un modelo
depende si estas suposiciones son válidas o no. Para chequear la
validez de un modelo, se toman observaciones. Este proceso es
llamado experimento.
Modelo determinístico
Un modelo determinístico, es aquel en el cual se establecen las

condiciones para que al ejecutar el experimento se determine el
resultado.
Ejemplos
1. Al quemar un hidrocarburo como el gas propano en presencia del oxígeno, se
produce dióxido de carbono y agua.
2. Leyes de Kepler (comportamiento de los planetas).
3. Leyes gravitacionales (un cuerpo baja en ciertas condiciones).
Etc….
Modelo no determinístico o Estocástico
Un modelo no determinístico (o estocástico), es aquel en el cual

información pasada, no permite la formulación de una regla para
determinar el resultado preciso de un experimento.
Muchos fenómenos naturales o artificiales son aleatorios en el

sentido de que el resultado exacto no puede ser predicho, y sus
resultados producen un patrón a largo plazo.
Modelo no determinístico o Estocástico

Ejemplos
1. El resultado de un partido de fútbol.
2. El número de llamadas telefónicas por minuto, la duración de cada llamada.
3. La velocidad de una partícula en un ambiente determinado.
4. El querer determinar la cantidad de lluvia que caerá debido a una tormenta que pasa
por una zona específica, el origen de la tormenta, la dirección de la tormenta, etc.
5. Considere el género de un nuevo nacimiento en un hospital. Sea H la notación para un
niño y M para una niña. Suponga que se registran los géneros en orden de cumpleaños,
entonces se observará una secuencia de letras , tal como : M H M M H M H H M M.
Esta secuencia muestra una no aparente regularidad. Sin embargo, uno no puede predecir
el género del próximo nacimiento, pero si se puede predecir a lo largo de muchas
ejecuciones que la proporción de niños (o niñas), en esta secuencia será cercana a ½.
Este comportamiento a lo largo de muchas ejecuciones es llamado regularidad estadística y
es evidente, por ejemplo, en todos los juegos de azar
Conceptos Básicos.
Definición de experimento estadístico
Un experimento que tiene las siguientes características es
llamado experimento aleatorio o estadístico.
1.Todos los posibles resultados del experimento son conocidos antes de

hacer la realización del experimento.
2.El resultado exacto en cualquier ejecución del experimento no es
predecible (aleatoriedad)
3.El experimento puede ser repetido bajo (más o menos) idénticas
condiciones.
4.Existe un patrón predictible a lo largo de muchas ejecuciones
(regularidad estadística).
Ejemplos
Algunos ejemplos de típicos experimentos aleatorios son:
a.Lanzar una moneda y observar la cara.

b.Seleccionar una planta y medir su altura
c.Seleccionar una planta de una parcela y observar si padece alguna
enfermedad, es decir es sana o enferma
d.Un lote de N ítem que contiene D defectuosos es muestreado. Un ítem
muestreado no se reemplaza y se registra si el ítem muestreado es o no
defectuoso. El proceso continúa hasta que todos lo ítem defectuosos sean
encontrados.
Ejemplos
Algunos ejemplos de típicos experimentos no aleatorios son:

a.Seleccionar al azar un bus de ruta (no alimentador) de transantiago y observar
el color. Aquí no se cumple la condición (ii), ya que se puede predecir una
ejecución del experimento, el color del bus.
b.Seleccionar al azar un estudiante de un colegio masculino y observar su
género. Aquí no se cumple la condición (ii), ya que se puede predecir una
ejecución del experimento, el género del alumno
Conceptos Básicos.
Estadística vs Probabilidad.
Existen tres componentes esenciales de un modelo estocástico (o
probabilístico):
1.Identificación de todos los posibles resultados del experimento.

2.Identificación de todos los eventos de interés
3.Asignación de probabilidades para estos eventos de interés.
El más importante como también el más interesante y difícil parte en la construcción

del modelo es la expresión de probabilidades.
Es pertinente en este momento distinguir entre probabilidad y estadística.

Conceptos Básicos.
En probabilidad, nosotros hacemos ciertas suposiciones acerca de la
población y entonces decimos algo acerca de la muestra.
Así, el problema en probabilidad es:

Dado un modelo estocástico, qué podemos decir acerca de los
resultados?
En estadística, el proceso es inverso. El problema en estadística es:

Dada una muestra (conjunto de resultados), qué se puede decir acerca de
la población (o el modelo)?
Conceptos Básicos.
Ejemplos
Lanzamiento de una moneda.
Suponga un experimento aleatorio que consiste en el lanzamiento de una

moneda y observar el resultado. Hay dos posibles resultados, llamados cara o
sello. El modelo estocástico puede ser que la moneda no está cargada. Este
hecho especifica completamente la probabilidad de cara (=1/2) y por
consiguiente también de sello (=1/2).
En probabilidad nosotros nos preguntamos: Dado que la moneda no está

cargada, cuál es la probabilidad de observar 5 caras en 20 lanzamientos?.
En estadística, nos preguntamos: Dado que en 20 lanzamientos de una moneda
se obtuvieron 5 caras, puede asegurarse que la moneda no está cargada?.
Reglas Básicas de Probabilidad.
La probabilidad tiene que ver con los resultados aleatorios de un

experimento.
Definición :
Cualquier situación donde el resultado es incierto se llama
experimento aleatorio.
Definición:
Espacio Muestral
Para cualquier experimento, el espacio muestreal S del experimento consiste
en todos los resultados posibles del experimento.
Un espacio muestral, denotado por S, asociado con un experimento aleatorio es

un conjunto de puntos tales que:
1.Cada elemento de S denota un resultado del experimento, y
2.Cualquier ejecución de el experimento da lugar a un resultado que corresponde

exactamente a un elemento de S .
Los elementos del espacio muestral son llamados puntos muestrales.

De acuerdo a la naturaleza de los elementos que conforman un espacio muestral,

este se puede clasificar en:
Discreto: Se dice que un espacio muestral S es discreto si al enumerar sus

elementos, estos números pueden ponerse en una correspondencia uno a uno con
el conjunto de los enteros positivos o cuando contiene un número contable de
elementos.
Por ejemplo,
En el lanzamiento de un dado, una vez, el espacio muestral S es = {1, 2, 3, 4, 5,
6}, que es un espacio con número finito de puntos. Ahora si el experimento
consiste en lanzar una moneda legal, hasta que aparezca el primer sello, el
espacio muestral es: S = { C,C,C,…..}; ya que el resultado deseado puede ocurrir
en la primera, segunda, tercera, . . . , tirada.
Continuo: El espacio muestral S es continuo si contiene un número infinito no

numerable de puntos.
Por ejemplo, un experimento aleatorio consiste en observar la resistencia a la

tensión de ciertas vigas, bajo las mismas condiciones; el tiempo entre las fallas
de un componente electrónico puede asumir cualquier valor no negativo, en
ambos casos el resultado puede ser cualquier número positivo por consiguiente
el espacio muestral es continuo.
Definición:
Evento:
Un evento E es cualquier colección de puntos (conjunto de resultados) en el
espacio muestral.
A modo de ilustración, el experimento de

lanzar un dado (de 6 caras) produce el
espacio de muestreo {1,2,3,4,5,6}.
El subconjunto {1,3,5} define el evento de

obtener valores impares.
Cuantificación de la probabilidad
• Si un evento E ocurre m veces en un experimento de n ensayos, entonces la probabilidad de
realizar el evento E se define como:
• La definición dice que cuando el experimento se repite un número infinito de veces, la

probabilidad de realizar un evento es m/n. Por ejemplo, cuantas más veces se lanza una
moneda equilibrada, más se acercará la estimación de P{cara} (o P{sello}) al valor teórico de
0.5. Por definición:
• Un evento E es imposible si P{E} = 0, y seguro si P{E} = 1. Por ejemplo, en el experimento

del dado de 6 caras, obtener un siete es imposible, pero obtener un número en el rango de 1
a 6 es seguro.
Probabilidad aditiva.
Si tenemos un evento E y un evento F, la probabilidad de que ocurra el

evento E o el evento F se calcula de la siguiente manera:
P(E⋃F) = P(E) + P(F) − P(E⋂F) Eventos no excluyentes
Donde:
P(E) : probabilidad de que ocurra el evento E.
P(F) : probabilidad de que ocurra el evento F.
P(E⋃F) : probabilidad de que ocurra el evento E o el evento F.
P(E⋂F) : probabilidad de que ocurra el evento E y el evento F a la vez.
Dos eventos A y B son mutuamente excluyentes si no pueden ocurrir al mismo
tiempo, es decir, si no tienen elementos comunes.
Entonces P(A⋂B) = 0 , por lo tanto, partiendo de la misma fórmula,

obtendríamos la siguiente expresión:
P(A⋃B) = P(A) + P(B) − P(A⋂B)

P(A⋃B) = P(A) + P(B) − 0
P(A⋃B) = P(A) +P(B)
Ejemplo
La probabilidad de que un día cualquiera, Carlos almuerce pollo frito es de 0,4.

La probabilidad de que almuerce hamburguesa es de 0,3; mientras que la
probabilidad de que almuerce pollo frito y hamburguesa el mismo día es de
0,1.
Calcula la probabilidad de que un día cualquiera, Carlos almuerce pollo frito o
hamburguesa.
Solución:
Definimos nuestras probabilidades:
Probabilidad de que Carlos almuerce pollo frito: P(A) = 0,4.

Probabilidad de que Carlos almuerce hamburguesa: P(B) = 0,3.
Probabilidad de que Carlos almuerce pollo frito y hamburguesa el mismo día: P(A⋂B) = 0,1.
Probabilidad de que Carlos almuerce pollo frito o hamburguesa:
P(A⋃B) = ?
Ahora, aplicamos nuestra fórmula:
P(A⋃B) = P(A) + P(B) − P(A⋂B)

P(A⋃B) = 0,4 + 0,3 − 0,1
P(A⋃B) = 0,6
Ley de probabilidad condicional

Si tenemos dos eventos, A y B, la probabilidad condicional de que ocurra
el evento A, dado que ha ocurrido el evento F, se representa como
P(A|B), y se calcula de la siguiente manera:
En algunos problemas, puede que sea necesario calcular la probabilidad de que

ocurra el evento B, dado que ha ocurrido A. En ese caso, simplemente
invertimos el orden de las variables:
Ejemplo
Si P(A) = 0,6 ; P(B) = 0,4 y P(A∩B)=0,18.
Calcular:
a) P(A|B)
b) P(B|A)
Solución:
a) Usamos la fórmula de probabilidad condicional:
Solución:
b) Usamos la fórmula de fórmula de probabilidad condicional, teniendo en cuenta
que vamos a calcular la probabilidad de que ocurra B, dado que ha ocurrido A.
VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

• Los resultados de un experimento pueden ser
naturalmente numéricos (por ejemplo el lanzamiento
de un dado) o estar representados por un código
(como en el caso del lanzamiento de una moneda
con el resultado cara/cruz codificado como 0/1). La
representación numérica de los resultados define lo
que se conoce como variable aleatoria.
• Una variable aleatoria “X”, puede ser discreta

(como en el lanzamiento de un dado) o continua
(como en el tiempo para que falle un equipo).
• Cada variable X aleatoria continua o discreta puede ser cuantificada por una función de
distribución de probabilidad (fdp).
DISTRIBUCIONES DE PROBABILIDAD COMUNES
Hay cuatro fdp que a menudo se presentan en estudios de investigación

de operaciones:
Binomial
de Poisson
Exponencial
Normal
Distribución binomial
Un fabricante produce un artículo en lotes de n artículos cada uno. La
fracción de artículos defectuosos, p, en cada lote se estima a partir de datos
históricos. Nos interesa determinar la fdp de la cantidad de artículos
defectuosos en un lote.
Hay combinaciones distintas de x artículos defectuosos en

un lote de tamaño n, y la probabilidad de realizar cada combinación es:
px(1 - p)n-x.
Por lo tanto, de acuerdo con la ley de la adición, la probabilidad de k
artículos defectuosos en un lote de n artículos es:
Esta es la distribución binomial con parámetros n y p.

Ejemplo
Las labores diarias de John Doe requieren hacer 10 viajes redondos por
automóvil entre dos ciudades.
Una vez que realiza los 10 viajes, el señor Doe puede descansar el resto
del día, una motivación suficientemente buena para exceder el límite de
velocidad. La experiencia muestra que hay 40% de probabilidad de ser
multado por exceso de velocidad en cualquier viaje redondo.
(a) ¿Cuál es la probabilidad de que el día termine sin una multa por
exceso de velocidad?
(b) Si cada multa por exceso de velocidad es de $80, ¿Cuál es la multa
diaria promedio?
Solución:
La probabilidad de ser multado en cualquier viaje es p = 0.4. Por lo tanto, la

probabilidad de no ser multado en cualquier día es:
P{x=0} = (0.4)0 (0.6)10 = 0.006
Esto significa que la probabilidad de terminar el día sin ser multado es menor que
1%.
La multa promedio por día es :
Multa promedio = $80 E{x} = $80 (np) = 80 * 10 * 0.4 = $320

Distribución de Poisson
Los clientes llegan a un banco o a una tienda de abarrotes de una forma
“totalmente aleatoria”; es decir, las horas de llegada no pueden
predecirse con anticipación. La fdp que describe el número de llegadas
durante un lapso de tiempo específico es la distribución de Poisson.
Sea x el número de eventos (por ejemplo, llegadas) que ocurren durante

un lapso de tiempo específico (un minuto, o una hora). Dado que l es
una constante conocida, la función de densidad de probabilidad de
Poisson se define como:
Ejemplo
A un taller de reparación de motores pequeños llegan trabajos de

reparación a razón de 10 por día.
(a) ¿Cuál es el número promedio de trabajos que se reciben a diario en
el taller?
(b) ¿Cuál es la probabilidad de que no lleguen trabajos durante cualquier
hora, suponiendo que el taller está abierto 8 horas al día?
Solución:
El número promedio de trabajos recibidos por día es igual a l = 10 trabajos por

día. Para calcular la probabilidad de que lleguen trabajos por hora, tenemos que
calcular la tasa de llegadas por hora; es decir, lhora = 10/8 = 1.25 trabajos de
reparación por hora.
Por lo tanto.
0.2865
Distribución exponencial
Si el número de llegadas a una instalación de servicio durante un lapso de
tiempo específico sigue la distribución de Poisson entonces,
automáticamente, la distribución del tiempo entre llegadas (es decir, entre
llegadas sucesivas) es la distribución exponencial.
Específicamente, si l es la tasa de ocurrencia de las llegadas de Poisson,
entonces la distribución del tiempo entre llegadas, x, es:
Función de densidad de probabilidad de la

distribución exponencial
Ejemplo
Los automóviles llegan al azar a una gasolinera. El tiempo promedio entre

llegadas es de 2 minutos.
Determine la probabilidad de que el tiempo entre llegadas no exceda de 1
minuto.
Una importante medida de probabilidad es la función de distribución
acumulada (FDA), definida como:
Solución:
La determinación de la probabilidad deseada es igual a la de calcular la FDA
(función de densidad acumulada de x; es decir,
La tasa de llegadas para el ejemplo es l = 1/2 llegadas por minuto. Si sustituimos

A = 1, la probabilidad deseada es:
0.3935
Distribución normal
La distribución normal describe muchos fenómenos aleatorios de la vida diaria,

como las calificaciones de ex menes y el peso y la estatura de las personas.
La fdp de la distribución normal es:
Ejemplo
El diámetro interno de un cilindro tiene la especificación 1 + 0.03 cm. El

resultado del proceso de maquinado que produce el cilindro sigue una
distribución normal con media de 1 cm y desviación estándar de 0.1 cm.
Determine el porcentaje de la producción que satisfará las especificaciones.
Solución:
Definiendo x como el parámetro interno del cilindro, la probabilidad de que
satisfaga las especificaciones es:
P{1 - 0.03 < x < 1 + 0.03} = P{0.97 < x < 1.03}
Esta probabilidad se calcula por medio de la normal estándar (Tabla A-1). Dado
que µ = 1 y s = 0.1, tenemos:
P{0.97 < x < 1.03} = P{(0.97 – 1) / 0.1 < z < (1.03 – 1)/ 0.1 }
= P{ -0.3 < z < 0.3}
= P{z < 0.3} - P{z < -0.3}
= P{z < 0.3} - P{z > 0.3} Por simetría
= P{z < 0.3} - [1 - P{z < 0.3}]
= 2P{z < 0.3} - 1
= 2 * 0.6179 - 1
= 0.2358
Observe que P{z < - 0.3} = 1 – P{z < 0.3} debido a la simetría de la fdp, como
se muestra en la figura.
La probabilidad acumulada P{z < 0.3} = 0.6179, se obtiene con la tabla normal
estándar (Tabla A.1) con la entrada designada con la fila z = 0.3 y la columna
z = 0.00.
Cálculo de P{-0.3 < z < 0.3} en

una distribución normal estándar
-0.3 0 0.3
Toma de decisiones.
Toma de decisiones en condición de certidumbre
Los modelos en que todos los datos se conocen con certeza,

constituyen los ejemplos de toma de decisiones bajo certidumbre.
El Proceso de Jerarquía Analítica (PJA) está diseñado para

situaciones en que las ideas, sentimientos y emociones que
afectan el proceso de toma de decisiones se cuantifican para
obtener una escala numérica y priorizar las alternativas.
Esta condición de certeza implica el debido conocimiento y clara definición tanto
del problema como de las soluciones alternativas y están claros los posibles
resultados de cada decisión.
Una vez que se identifican las soluciones alternativas y sus resultados
esperados, la toma de la decisión es relativamente fácil.
Modelos matemáticos asociados.
1.El análisis del punto de equilibrio.
2.Programación lineal.
Características:
•Los parámetros son constantes conocidos y ciertos.
•Solamente hay una consecuencia para cada alternativa.
•Se tiene conocimiento total sobre el problema.
•Información exacta, medible y confiable acerca del resultado de cada una
de las alternativas que consideremos.
Toma de decisiones en condición de riesgo.
Riesgo :
Las decisiones se toman con base en información que permite
estimar la probabilidad de ocurrencia de cada posible resultado.
Los resultados asociados con cada alternativa de decisión están

ligados a la probabilidad de ocurrencia de los diferentes estados de la
naturaleza posibles
Criterio del Valor Esperado.
La alternativa que se elige es la que maximice el valor de la

recompensa o utilidad promedio esperada, o bien que minimice el
valor del castigo o costo promedio esperado
Criterio del Valor Esperado.
El valor esperado de la alternativa “i”, se calcula con
Donde:
VEi : Valor esperado de la alternativa “i”
vij : Recompensa o costo que se obtendría al elegir la alternativa “i”, y se
presenta el estado de la naturaleza “j”.
pj : Probabilidad de ocurrencia del estado de la naturaleza ”j”
Tabla de Recompensas.
Tabla de Recompensas.
Ejemplo
Una compañía de investigación de mercados está considerando tres
opciones para el procesamiento de sus datos:
- Continuar con el propio personal
- Contratar una empresa externa (outsourcing)
- Un combinación de las dos opciones anteriores
El costo anual de cada opción (en miles de pesos), depende la

demanda futura de procesamiento de datos que puede ser alta, media
o baja. Si las probabilidades para cada nivel son 0.2, 0.5 y 0.3,
respectivamente. ¿Qué alternativa de decisión minimizará el costo del
procesamiento de datos?, ¿Cuál es el costo anual esperado de su
recomendación?
Los costos asociados con cada una de las alternativas y estados de la
naturaleza, se muestras en la siguiente tabla:
Ahora incluimos las probabilidades de ocurrencia de cada estado de la
naturaleza en la tabla de recompensas:
Calculo Valor Esperado
Calculo Valor Esperado
Como se trata de costos, se elige la alternativa de menor costo

Decisión : Se debe hacer la contratación de la empresa externa para procesar los
datos, lo que representaría un costo esperado de 570 mil pesos para el próximo
año.
Toma de decisiones en condición de riesgo. Árboles de decisión

Un Árbol de decisión es la representación gráfica del proceso secuencial de toma
de decisión bajo riesgo.
Tipo de información que se representa en un Árbol de Decisión:
- Alternativas de decisión
- Eventos aleatorios o estados de la naturaleza
- Probabilidades de ocurrencia de cada estado de la naturaleza
- Recompensas o pagos asociados a las alternativas y estados de la naturaleza
- Valor esperado de cada alternativa de decisión
Ventaja: Puede involucrar más de una etapa en la toma de decisiones.

Elementos de un Árbol de decisión
Elementos de un Árbol de decisión
Ejemplo
Un restaurante está analizando la posibilidad de abrir una sucursal, para lo cual

está considerando tres ubicaciones distintas : U1, U2 y U3.
Con base en los estudios realizados por la compañía, se estima que para cada
una de las ubicaciones que se están considerando, la utilidad neta anual es
diferente, en función de si la demanda es alta(da), o si la demanda es baja(db). La
probabilidad de que la demanda para la nueva sucursal sea alta es del 80%.
Las utilidades para cada ubicación y tipo de demanda se muestras en la siguiente
tabla de pagos o recompensas:
Solución:
Ejemplo
Una compañía de investigación de mercados está considerando tres
opciones para el procesamiento de sus datos:
- Continuar con el propio personal
- Contratar una empresa externa (outsourcing)
- Un combinación de las dos opciones anteriores
El costo anual de cada opción (en miles de pesos), depende la

demanda futura de procesamiento de datos que puede ser alta, media
o baja. Si las probabilidades para cada nivel son 0.2, 0.5 y 0.3,
respectivamente. ¿Qué alternativa de decisión minimizará el costo del
procesamiento de datos?, ¿Cuál es el costo anual esperado de su
recomendación?
Los costos asociados con cada una de las alternativas y estados de la
naturaleza, se muestras en la siguiente tabla:
Solución :
Toma de decisiones en condición de incertidumbre
La toma de decisiones bajo incertidumbre, así como bajo riesgo,

implica acciones alternativas, cuyas retribuciones dependen de los
estados de la naturaleza (aleatorios).
Específicamente, la matriz de retribución de un problema de

decisión con m acciones alternativas y n estados de la naturaleza,
puede representarse como se presenta en la imagen. Obtenida de Taha, 2004, p. 537.
El elemento ai representa la acción i y el elemento sj, representa el estado de la naturaleza j. La retribución

o resultado asociado con la acción ai y el estado sj es v(ai, sj).
En la toma de decisiones bajo incertidumbre, la distribución de probabilidad
asociada con los estados sj, j = 1,2,…, n, o se desconoce o no puede ser
determinada.
Esta falta de información condujo al desarrollo de criterios de decisión especiales:

1. Laplace
2. Minimax
3. Savage
4. Hurwicz
Criterios de decisiones en condiciones de incertidumbre
Laplace
Se basa en el principio de razón insuficiente. Ya que no se conocen las
distribuciones de probabilidad, no hay razón alguna para creer que las
probabilidades asociadas con los estados de la naturaleza sean
diferentes. Por tanto, las alternativas se evalúan utilizando la suposición
simplificadora de que todos los estados son igualmente probables de
que ocurran; es decir, P{s1} = P{s2} = P{s3} =…..= P{sn} = 1/n.
Si la retribución v(ai,sj) representa
la ganancia, la mejor alternativa
es la que da por resultado:

Minimax
El criterio maximin (minimax) está basado en la actitud conservadora de
hacer la mejor de las peores condiciones posibles.
Si v(ai, sj) es una pérdida, entonces seleccionamos la acción que
corresponde al siguiente criterio minimax.
Si v(ai, sj) es una ganancia, utilizamos el criterio maximin dado por:

Savage
Este criterio “modera” el grado de conservadurismo del criterio minimax
al reemplazar la matriz de retribución (ganancia o pérdida) v(ai, sj) con una
matriz de pérdida (o lamento), r(ai, sj) mediante la siguiente transformación:
Para demostrar por qué el criterio de Savage modera el criterio minimax
(maximin), considere la siguiente matriz de pérdida:
La aplicación del criterio minimax muestra que a2, con una pérdida definida de
$10,000, es la alternativa preferida. Sin embargo, puede ser mejor elegir a1 porque
hay una probabilidad de limitar la pérdida a $90 sólo si s2 ocurre. Éste suele ser
el caso cuando se utiliza la matriz de lamento:
Hurwicz
Está diseñado para representar diferentes actitudes de decisión que van
desde la más optimista hasta la más pesimista. Defina 0 < a < 1.
La acción seleccionada debe asociarse con:
El parámetro a es el índice de optimismo.
Si a = 0, entonces el criterio se reduce al criterio minimax conservador,
que busca la mejor de las peores condiciones.
Si a = 1, entonces el criterio es optimista porque busca la mejor de las
mejores condiciones.
El grado de optimismo (o pesimismo) puede ajustarse seleccionando un

valor de a entre 0 y 1.
Sin la fuerte sensación con respecto a un optimismo y a un pesimismo
extremos, a = 0.5 puede ser una elección adecuada.
Ejemplo
Un colegio (NOS) está preparando un sitio para acampar en el verano en el corazón

de Alaska para enseñar técnicas de sobrevivencia en áreas salvajes. NOS estima
que la asistencia puede caer dentro de una de cuatro categorías: 200, 250, 300 y
350 personas. El costo del campamento ser mínimo cuando su tamaño satisfaga la
demanda con exactitud. Las desviaciones por encima y por debajo de los niveles de
demanda ideales incurren en costos adicionales por construir más capacidad que la
necesaria o por perder oportunidades de ingresos cuando la demanda no se
satisface.
Si a1 a a4 representan los tamaños de los campamentos (200, 250, 300 y 350

personas) y s1 a s4 el nivel de asistencia, la siguiente tabla resume la matriz de
costos (en miles de dólares) para la situación.
Ejemplo: matriz de costos
s1 s2 s3 s4
a1 5 10 18 25
a2 8 7 18 23
a3 21 18 12 21
a4 30 22 19 15
Laplace
Dado que P{sj}= ¼, j = 1 a 4, los valores esperados con las diferentes acciones se
calculan como:
Laplace
s1 s2 s3 s4
a1 5 10 18 25 14,5
a2 8 7 12 23 12,5
a3 21 18 12 21 18
a4 30 22 19 15 21,5
Minimax
El criterio minimax produce la siguiente matriz:
s1 s2 s3 s4
a1 5 10 18 25 25
a2 8 7 12 23 23
a3 21 18 12 21 21
ß Minimax
a4 30 22 19 15 30
Savage
La matriz de arrepentimiento se determina restando 5, 7, 12 y 15 de las
columnas 1 a 4, respectivamente. Por lo tanto,
s1 s2 s3 s4 s1 s2 s3 s4
a1 5 10 18 25 a1 0 3 6 10 10
a2 8 7 12 23 a2 3 0 0 8 8
a3 21 18 12 21 a3 16 11 0 6 16
a4 30 22 19 15 a4 25 15 7 0 25
Hurwicz
a = 0,5
Valor esperado
Fila Fila VE =Alfa*fila
a *max minv+ +
(1 (1-
– alfa)*Fila
a)min max * vi
i i
s1 s2 s3 s4 min max
5 a1 25 (5)(0,5)
15 + (25)(1-0,5)
19 = 15
9,2 19,6
a1 5 10 18 25
7
a2 23
(7)(0,5)
15
+ (23)(1-0,5)
18,2
= 15 18,68
10,36
a2 8 7 12 23
a3 (12)(0,5) + (21)(1-0,5) = 16,5
12 21 16,5 18,3 13,89 18,57
a3 21 18 12 21
a4 (15)(0,5) + (30)(1-0,5) = 22,5
15 30 22,5 25,5 18,15 25,95
a4 30 22 19 15
Alfa 0,5 0,3 0,7 0,9
Utilizando una a apropiada podemos determinar la alternativa óptima.
Para el ejemplo, con a = 0.5, a1 o a2 es la óptima
Comparativo
Alternativa Laplace Minimax Hurwicz Savage
a1 14,5 25 15 10
a2 12,5 23 15 8
a3 18 21 16,5 16
a4 21,5 30 22,5 25
Bibliografía
Hillier, F. y Lieberman, G. (2010). Introducción a la Investigación
de operaciones (9a edición). México: MacGraw Hill. p. 978.
Taha, H. (2004). Investigación de operaciones (7a edición). México:
Pearson Educación. p. 830.

Clase1 16.10

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase1 16.10

Cargado por

Copyright:

Formatos disponibles

MODELOS ESTOCÁSTICOS

Clase 1: probabilidades y toma de decisiones

Términos probabilísticos hacen parte de nuestro lenguaje

Todas estas son utilizadas para comunicar un cierto grado de

Un modelo puede ser definido como una idealización matemática

Un modelo determinístico, es aquel en el cual se establecen las

Modelo no determinístico o Estocástico

Un modelo no determinístico (o estocástico), es aquel en el cual

Muchos fenómenos naturales o artificiales son aleatorios en el

Modelo no determinístico o Estocástico

1.Todos los posibles resultados del experimento son conocidos antes de

Algunos ejemplos de típicos experimentos aleatorios son:

a.Lanzar una moneda y observar la cara.

Algunos ejemplos de típicos experimentos no aleatorios son:

1.Identificación de todos los posibles resultados del experimento.

El más importante como también el más interesante y difícil parte en la construcción

Es pertinente en este momento distinguir entre probabilidad y estadística.

Así, el problema en probabilidad es:

En estadística, el proceso es inverso. El problema en estadística es:

Suponga un experimento aleatorio que consiste en el lanzamiento de una

En probabilidad nosotros nos preguntamos: Dado que la moneda no está

Reglas Básicas de Probabilidad.

La probabilidad tiene que ver con los resultados aleatorios de un

Un espacio muestral, denotado por S, asociado con un experimento aleatorio es

1.Cada elemento de S denota un resultado del experimento, y

2.Cualquier ejecución de el experimento da lugar a un resultado que corresponde

Los elementos del espacio muestral son llamados puntos muestrales.

De acuerdo a la naturaleza de los elementos que conforman un espacio muestral,

Discreto: Se dice que un espacio muestral S es discreto si al enumerar sus

Continuo: El espacio muestral S es continuo si contiene un número infinito no

Por ejemplo, un experimento aleatorio consiste en observar la resistencia a la

A modo de ilustración, el experimento de

El subconjunto {1,3,5} define el evento de

• La definición dice que cuando el experimento se repite un número infinito de veces, la

• Un evento E es imposible si P{E} = 0, y seguro si P{E} = 1. Por ejemplo, en el experimento

Si tenemos un evento E y un evento F, la probabilidad de que ocurra el

P(E⋃F) = P(E) + P(F) − P(E⋂F) Eventos no excluyentes

Entonces P(A⋂B) = 0 , por lo tanto, partiendo de la misma fórmula,

P(A⋃B) = P(A) + P(B) − P(A⋂B)

La probabilidad de que un día cualquiera, Carlos almuerce pollo frito es de 0,4.

Definimos nuestras probabilidades:

Probabilidad de que Carlos almuerce pollo frito: P(A) = 0,4.

Ahora, aplicamos nuestra fórmula:

P(A⋃B) = P(A) + P(B) − P(A⋂B)

Ley de probabilidad condicional

En algunos problemas, puede que sea necesario calcular la probabilidad de que

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

• Una variable aleatoria “X”, puede ser discreta

DISTRIBUCIONES DE PROBABILIDAD COMUNES

Hay cuatro fdp que a menudo se presentan en estudios de investigación

Hay combinaciones distintas de x artículos defectuosos en

Esta es la distribución binomial con parámetros n y p.

La probabilidad de ser multado en cualquier viaje es p = 0.4. Por lo tanto, la

P{x=0} = (0.4)0 (0.6)10 = 0.006

Multa promedio = $80 E{x} = $80 (np) = 80 * 10 * 0.4 = $320

Sea x el número de eventos (por ejemplo, llegadas) que ocurren durante

A un taller de reparación de motores pequeños llegan trabajos de

El número promedio de trabajos recibidos por día es igual a l = 10 trabajos por

Función de densidad de probabilidad de la

Los automóviles llegan al azar a una gasolinera. El tiempo promedio entre

La tasa de llegadas para el ejemplo es l = 1/2 llegadas por minuto. Si sustituimos

La distribución normal describe muchos fenómenos aleatorios de la vida diaria,

El diámetro interno de un cilindro tiene la especificación 1 + 0.03 cm. El

Cálculo de P{-0.3 < z < 0.3} en