1.- INTRODUCCIÓN AL ANÁLISIS DE DECISIÓN
Transcript of 1.- INTRODUCCIÓN AL ANÁLISIS DE DECISIÓN
INTRODUCCIÓN AL ANÁLISIS DE DECISIÓN
Las empresas toman muchas decisiones cruciales, por ejemplo la de introducir o no un nuevo producto
o dónde ubicar una nueva planta. El resultado de estas decisiones puede afectar seriamente la
rentabilidad futura de la compañía. El campo del análisis de decisión es el marco necesario para tomar
este tipo de importantes decisiones. Las empresas toman muchas decisiones cruciales, por ejemplo la
de introducir o no un nuevo producto o dónde ubicar una nueva planta. El resultado de estas decisiones
puede afectar seriamente la rentabilidad futura de la compañía. El campo del análisis de decisión es el
marco necesario para tomar este tipo de importantes decisiones.
Una decisión puede definirse como el proceso de elegir la solución para un problema, siempre y
cuando existan al menos dos soluciones alternativas. Es evidente que deben llevarse a cabo varias
acciones antes de tomar una decisión.
Estas actividades pueden resumirse de la siguiente manera (donde T. D.= quien toma las decisiones):
Etapa 1. El T. D. se da cuenta que existe un problema.
Etapa 2. El T. D. recopila datos acerca del problema.
Etapa 3. El T. D. elabora un modelo que describe el problema.
Etapa 4. El T. D. utiliza el modelo para generar soluciones alternativas para el problema.
Etapa 5. El T. D. elige entre las soluciones alternativas. Este proceso de toma de decisiones en 5
etapas puede relacionarse con las primeras 3 etapas del proceso de resolución de problemas de
CA/IO, estas primeras etapas serán:
1- identificación, observación y planteamiento del problema
2.- construcción del modelo
3.- generación de la solución
Las etapas 1 y 2 del proceso de toma de decisiones se relacionan con la etapa 1 del proceso de
resolución de problemas; la etapa 3 del proceso de toma de decisiones se relaciona con la etapa 2 del
proceso de resolución de problemas. Por último, las etapas 4 y 5 del proceso de toma de decisiones
corresponden a la etapa 3 del proceso de resolución de problemas. En esta sección se utilizan enfoques
cuantitativos como cualitativos.
Se empleara el concepto de “satisfaciente” para restringir el número de alternativas y después se
usaran métodos cuantitativos para elegir una de éstas.
Caso: Ashley Washington fabrica y vende pizzas a estudiantes del State Ohio College. Al mezclar los
principales ingredientes de las pizzas y hornearlas por anticipado, ha podido hacer que el tiempo de
1
espera de sus clientes sea breve en comparación con el de restaurantes de la competencia. Aunque ha
vendido una gran cantidad de pizzas, en ocasiones Ashley se ha visto obligado a tirar un gran número
de pizzas horneadas con anticipación debido a que la demanda fue inferior a lo que había anticipado.
Por esta razón, está buscando una política que pueda utilizar para decidir cuántas pizzas debe hornear
con el objeto de maximizar las utilidades.
Ashley ha reducido sus alternativas a sólo 4 posibilidades: hornear 150, 160, 170 o 180 pizzas. Ha
estudiado los patrones previos de demanda para determinar el número de pizzas que se solicitaron por
día, en los últimos 100 días. Ha encontrado lo siguiente.
Número de pizzas que se solicitan 150 160 170 180
Número de días 20 40 25 15
Ashley ha determinado que muy pocas veces ha tenido una demanda inferior a 150 pizzas o mayor a
180; por eso redujo las alternativas por día. Este es un ejemplo del uso de política satisfaciente para
reducir el número de alternativas.
Ashley ha determinado que gana $2 por cada pizza que vende y pierde $1 por cada pizza que no vende.
Con esta información es posible construir una tabla de utilidades para cada una de las políticas de
número de pizzas por hornear y por cada nivel de ventas.
Tabla 1. Tabla de utilidades para la Pizzería Ashley
Demanda de pizzas
Número de pizzas que se hornean con anticipación
150 160 170 180150 300 300 300 300160 290 320 320 320170 280 310 340 340180 270 300 330 360
Para ilustrar los cálculos de la tabla 1, considérese el caso en el que se hornearon previamente 160
pizzas pero se vendieron sólo 150. En esta situación la utilidad bruta sería $2 x 150 = $300, habiendo
perdido $10 por las pizzas que no se vendieron y, por ello, se obtendría una utilidad neta de $290. Es
posible utilizar la tabla 1 para determinar el número de pizzas que deben hornearse previamente para
maximizar las utilidades de la pizzería.
Antes de decidir cuál es la política óptima, Ashley también esta considerando mudar su pizzería a un
nuevo local, existen tres alternativas de entre las que puede escoger: permanecer donde esta, mudarse a
2
Baxter Street, o mudarse a Epps Brige Road, su decisión se verá influenciada por acciones externas
sobre las cuales no tiene control. Estas acciones externas son las decisiones que otras personas tomarán.
Con la ayuda de un asesor financiero, Ashley ha pronosticado el valor actual de cada una de las
decisiones, tomando en cuenta las dos acciones externas (que se consideran mutuamente excluyentes),
junto con la posibilidad de que no ocurra ninguna de las dos acciones. Estos valores se muestran en la
tabla 2.
Tabla 2. Valores presentes de la decisión de ubicación
Acción externa
Decisión Ninguna
Cerrar losantiguos
dormitorios
Construirnuevos
departamentos
No mudarse + $100,000 + $50,000 + $20,000
Baxter St. + $40,000 + $150,000 + $25,000
Epps Bridge Rd - $20,000 + $20,000 + $ 200,000
Puesto que esta decisión sobre ubicación se tomará sólo una vez, no existen datos previos que puedan
utilizarse para auxiliar en la decisión.
Análisis preliminar del caso de la pizzería Ashley
En este caso, se enfrenta a dos decisiones que Ashley debe tomar con respecto a la operación del
restaurante de pizzas. La primera decisión, que se refiere al número de pizzas que han de hornearse con
anticipación, es del tipo de las que deben tomarse todos los días que la pizzería opera.
En consecuencia, existen datos previos que pueden utilizarse para ayudar a tomar esa decisión sobre
política y emplearse para calcular probabilidades, las cuales se generan a partir de datos existentes y
pueden utilizarse para determinar una decisión sobre política que proporcione el máximo de utilidades.
Recordar que la probabilidad de que ocurra un evento. Si p es la probabilidad de que ocurra un evento,
entonces 0 ≤ p ≤ 1. Conforme más cercana esté p a 1 es más probable que ocurra el evento.
La segunda decisión es del tipo de las que no tienen información previa disponible. Las decisiones
de este tipo, se toman sólo una vez. Deben basarse en los resultados posibles que han de ocurrir y en la
forma en que éstos afectan a quien toma decisiones, el T. D. puede utilizar criterios de toma de
decisiones que no tomen en cuenta las probabilidades. Por otro lado, el T. D. podría utilizar
3
probabilidades subjetivas para determinar una decisión. Las probabilidades subjetivas las genera cada
individuo que toma decisiones, sin el uso de datos previos.
Tipos de decisiones
En esencia existen tres tipos principales de decisiones.
1. decisiones bajo certidumbre
2. decisiones en las que pueden usarse datos previos para calcular probabilidades que se emplean en
toma de decisiones.
3. decisiones para las cuales existen datos previos que permiten calcular probabilidades.
Toma de decisiones bajo certidumbre
En los casos que existe sólo un resultado para una decisión se están tomando decisiones bajo
certidumbre. Ejemplos de eso son la programación lineal y la programación en enteros. En ambos
casos, si se decide que un grupo de variables sea positivo (es decir, si se toma una decisión) no hay
duda con respecto a cuál será la utilidad asociada con esa decisión.
Toma de decisiones utilizando datos previos
En los casos en los que debe tomarse una decisión en forma repetida y se tienen muchos resultados
posibles, y las circunstancias que rodean a la decisión son siempre iguales, se tiene lo que podría
denominarse decisiones utilizando datos previos. Dado que es posible valerse de la experiencia pasada
para desarrollar probabilidades con respecto a la ocurrencia de cada resultado, en este tipo de toma de
decisiones se utilizan modelos en probabilidades.
Son tres las condiciones necesarias para este tipo de toma de decisiones.
1.- las decisiones se toman bajo las mismas condiciones
2.- existe más de un resultado para cada decisión
3.- existe experiencia anterior que puede utilizarse para obtener probabilidades para cada resultado.
Si cualquiera de estas condiciones no se cumple, entonces no se considera que es una decisión con base
en datos previos. Se contemplará un solo modelo cuantitativo de toma de decisiones para emplearlo en
la toma de decisiones empleando datos previos
4
Toma de decisiones sin datos previos
En los casos en los que una decisión no se toma en forma repetida, o no existe experiencia pasada que
pueda utilizarse para calcular probabilidades, o las circunstancias que rodean la decisión cambian de un
momento a otro, se considera que la decisión se toma sin datos previos. Se le denomina así debido a
que la misma decisión se toma sólo una vez, y como tal, no existe experiencia pasada que ayudó en el
proceso de toma de decisiones.
Decisiones alternativas
Cuando un T. D. enfrenta un problema que requiere una decisión, una de las acciones que debe
emprender antes de llegar a una decisión, es determinar las alternativas sobre las cuales se basará la
decisión final. En el caso de la Pizzería Ashley, Ashley tiene cuatro alternativas relacionadas con el
número de pizzas que debe hornear con anticipación (150, 160, 170 o 180 pizzas). También tiene tres
alternativas con respecto a la ubicación (no mudarse, Baxter Street o Epps Bridge). Este caso ilustra el
hecho de que no hacer cosa alguna es también una alternativa que quien toma las decisiones debe
considerar. Observar también que sólo se consideran alternativas en verdad viables. Está es una forma
de la característica de satisfaciente que se mencionó antes.
Los estados de la naturaleza
Una persona que toma decisiones y que enfrenta una situación de decisión en la que pueden producirse
resultados múltiples a partir de una estrategia determinada, enfrenta estados de la naturaleza múltiples
o acciones externas múltiples. Los estados de la naturaleza son las circunstancias que afectan el
resultado de la decisión pero que están fuera del control del T. D.
En el caso de la Pizzería Ashley, en la cual se va a tomar una decisión con respecto a cuántas pizzas
deben hornearse, los estados de la naturaleza se refieren a los niveles de demanda para las pizzas. Es
decir,
Ashley no puede controlar el número de pizzas que le solicitaran una noche determinada; aun así, este
nivel de demanda tendrá efectos sobre las utilidades que obtenga por cualquier decisión que tome.
Con respecto a la decisión sobre la ubicación, de nuevo Ashley enfrenta tres estados de la naturaleza
sobre los cuales no tiene control. Estos estados de la naturaleza están influidos por las decisiones que
alguna otra persona tomará con respecto a los antiguos dormitorios y los nuevos departamentos. Las
5
decisiones tendrán un efecto inevitable sobre el valor presente de las utilidades, y esto sin importar qué
decisión tome Ashley con respecto a la ubicación. De nuevo, y al igual que en la selección de
alternativas, es importante considerar sólo condiciones del medio ambiente que tengan un efecto
significativo sobre los resultados.
Resultados
Para cada combinación de estrategias y estado de la naturaleza habrá un resultado. Este resultado
puede expresarse en términos de utilidades (en el caso del problema de elegir el número de pizzas que
deben hornearse), puede expresarse en términos de valores presentes (como en el caso de la decisión
sobre la ubicación), o puede expresarse en términos de alguna medida no monetaria.
Para determinar los resultados es necesario considerar todas las posibles combinaciones de
decisiones y de estados de la naturaleza para determinar el resultado que se obtendría sí se utiliza una
alternativa dada y si ocurre un estado especifico de la naturaleza. Por ejemplo, en el problema de la
ubicación de la pizzería, si Ashley decidiera no mudarse y cerraran los antiguos dormitorios, se calculo
que el resultado sería $50,000.
En esa situación, dado que había tres alternativas y tres estados de la naturaleza, existen 3 x 3 = 9
resultados que deben calcularse. En general, si existen k alternativas y n estados de la naturaleza, será
necesario calcular (k x n) resultados. Con bastante frecuencia los resultados también se denominan
pagos y una tabla de resultados se denomina tabla de pagos.
Árboles de decisión
Una forma clara y sencilla de estructurar el proceso de toma de decisiones es por medio de un árbol de
decisión. Está formado por nodos de acción, nodos de probabilidad y ramas. Un árbol de decisión los
nodos se denotarán con un cuadro ( ) y representarán aquellos lugares del proceso de toma de
decisiones en los que se toma una decisión. Los nodos de probabilidad se denotarán por medio de un
circulo ( ) e indicarán aquellas partes del proceso de toma de decisiones en las que ocurre algún
estado de la naturaleza. Las ramas se utilizan para denotar las decisiones o los estados de la naturaleza.
También pueden anotarse probabilidades sobre las ramas para denotar la probabilidad de que ocurra un
estado determinado de la naturaleza.
6
Por último, se colocan los pagos al final de las ramas terminales del estado de la naturaleza para
mostrar el resultado que se obtendría al tomar una decisión particular, y que después ocurra un estado
específico de la naturaleza. Como ejemplo de árbol de decisión, considérese el caso de un profesor
universitario que está tratando de decidir si debe llevar o no un paraguas a su trabajo el día de hoy. La
decisión de llevar el paraguas se muestra como un nodo de acción en la figura 1.
nodo de nodos de
acción probabilidad
Figura 1. Nodos de acción y de probabilidad
Al final de cada una de las ramas que parten de un nodo de acción habrá un nodo de probabilidades u
otro nodo de acción. Los posibles estados de la naturaleza comenzarán en los nodos de probabilidad.
También se muestran en la figura 2 los posibles estados de la naturaleza para la decisión del profesor.
En este caso, se ha anotado también sobre la rama de probabilidad las probabilidades de que haya lluvia
o esté despejado de acuerdo con la oficina meteorológica local.
Ahora, si se combinan los nodos de acción y los nodos de probabilidad con los pagos para cada
combinación se tiene un árbol de decisión. El profesor ha determinado los diversos pagos asociados
con las cuatro posibles combinaciones de decisiones y de estados de la naturaleza. Estos pagos se
colocan al final de las ramas terminales de probabilidad. El profesor ha decido los siguientes pagos:
Llevar paraguas y que no llueva - 1
Llevar paraguas y que llueva + 20
No llevar paraguas y que no llueva + 5
No llevar paraguas y que llueva - 40
Utilizando estos pagos es posible construir un árbol de decisión. Este árbol se muestra en la figura 3
7
Llevar paraguas
No llevar paraguas
Lluvia (0.6)
Despejado (0.4)
Fig. 3 árbol de decisión para la decisión sobre el paraguas.
+ 20
- 1
- 40
+ 5
Empleando la terminología de alternativas, estados de la naturaleza, resultados, y arboles de decisión,
se analizan estos modelos para la toma de decisiones, tanto usando datos previos como sin utilizarlos
TOMA DE DECISIONES SIN DATOS PREVIOS
En esta parte se analiza un conjunto de modelos de decisión que pueden usarse sin datos previos. No es
posible decir que uno de estos modelos es más correcto que cualquier otro. Lo apropiado de cada
modelo depende de la opinión del T. D. y de si éste desea o no utilizar probabilidades subjetivas. Al
analizar cada modelo se describe bajo qué circunstancias sería apropiado, se usara el problema de
ubicación de la Pizzería Ashley como aplicación del modelo.
En los tres primeros modelos no se utilizan probabilidades subjetivas para tomar una decisión, en tanto
que en los últimos si se hace.
Modelo de decisión del pesimista
8
Llevar paraguas
No llevar paraguas
Lluvia (0.6)
Despejado (0.4)
Lluvia (0.6)
Despejado (0.4)
La persona que toma decisiones y que es pesimista con respecto a los estados de la naturaleza o
considera, debido a inseguridad económica, que debe evitar pérdidas altas aun a riesgo de posiblemente
perder altas utilidades, se inclinará a utilizar el modelo de decisión que se conoce como modelo de
decisión del pesimista. El principal concepto en el que se basa este modelo es evitar pérdidas elevadas
o inaceptables.
Para implantar este concepto de evitar pérdidas se determina el menor resultado para cada estrategia y
después se elige la que tenga el mayor de estos resultados menores. Dado que se están maximizando
los resultados mínimos, este modelo se conoce también como el del criterio maximín. El
procedimiento puede describirse como sigue:
Paso 1. Determinar el resultado de menor valor para cada alternativa y registrarlo en una lista.
Paso 2. De la lista de resultados elegir el valor máximo. La alternativa asociada con este resultado
máximo es la estrategia que debe utilizarse.
Como ejemplo del uso del modelo de decisión del pesimista, considerar el resultado para la decisión de
ubicación de la Pizzería Ashley (tabla 3).
Estados de la naturaleza
sin cambio (N1)
Se cierran los antiguos dormitorios (N2)
Se construyen nuevos departamentos (N3)
Permanecer en la ubicación actual (A1)
+ $100,000 +$ 50,000 + $ 20,000
Mudarse a Baxter Street (A2)
+ $ 40,000 + $ 150,000 + $ 25,000
Mudarse a Epps Bridge Road (A3)
- $20,000 + $ 20,000 + $ 200,000
Si se aplica ahora el paso 1 del modelo de decisión del pesimista a este problema se pueden listar los
resultados mínimos (pagos) y el estado de la naturaleza asociado con cada uno de esos resultados
mínimos (tabla 4).
Si después se aplica el paso 2 del modelo se maximizan los valores de la tabla 4 y se encuentra que la
alternativa que se elige es la A2 (mudarse a Baxter Street), que da un pago mínimo de $25,000. Es
9
Alternativa Pago Mínimo
A1 $20,000 (N3)A2* $25,000 (N3)A3 -$25,000 (N1)
Tabla 4. Pagos mínimos para el problema de ubicación
decir Ashley elige la estrategia de menor pago que podría esperar seria de $25,000. Si eligiera
cualquiera de las otras dos alternativas el pago podría se menor que esto.
Este modelo se denominó modelo de decisión del pesimista. Se supone que sucederá lo peor y
después se busca hacer lo mejor bajo esta consideración. En otras palabras, se considera que el medio
ambiente es hostil y se trabaja sobre esa base.
Otra razón por la que podría decidirse utilizar este modelo es el conjunto de circunstancias que
rodean la decisión. En algunos casos no es posible financiar algunos de los resultados ruidosos. Por
ejemplo, aunque la estrategia de Baxter Street tiene un pago mínimo de $25,000, el pago mínimo de
Epps Bride Road tiene un pago
mínimo de $20,000. Si la Pizzería Ashley no puede permitir perdidas como ésta, sería necesario evitar
esa posibilidad al no elegir esta estrategia.
En la siguiente figura 3, se ha planteado el problema de la pizzería Ashley en un árbol de decisión.
Acción Probabilidad
Figura 3. Árbol de decisión para el problema de Ashley con respecto a mudarse
En este caso existen tres ramas de decisión que corresponden a no mudarse, mudarse a Baxter Street y
mudarse a Epps Bridge Road para cada rama de decisión existen tres ramas de estados de la naturaleza
asociados con un nodo de probabilidad. Esos corresponden a no mudarse, cerrar los dormitorios y
construir nuevos departamentos. Por ultimo, para cada combinación de acción y alternativa existe un
pago que se ha colocado en el extremo final de cada una de las ramas terminales.
10
No mudarse
Mudarse a Baxter Street
Mudarse a Epps Bride
Sin cambio
Sin cambio
Cierran los dormitorios
Construyen departamentos
Sin cambio
Cierran los dormitorios
Cierran los dormitorios
Construyen departamentos
Construyen departamentos
$100,000
$50,000
$20,000
$40,000
$150,000
$25,000
-$20,000
$20,000
$200,000
Para elaborar la tabla de pago mínimo para el modelo de decisión del pesimista, todo lo que se
necesita hacer es elegir el pago mínimo asociado con cada rama de decisión.
Modelo de decisión del optimista
El T. D. que considera que el medio ambiente es propicio será optimista con respecto al resultado, en
vez de ser pesimista. Bajo este supuesto, el T. D. determina el mayor pago para cada alternativa y
después elige el máximo de éstos.
El procedimiento par aplicar el modelo de decisión optimista es el mismo que se utilizo para el
modelo de decisión pesimista, pero con una excepción importante. El paso 1 se modificara como sigue:
Paso 1. Para cada alternativa, determinar el resultado con el mayor valor y anotarlo en una lista.
Paso 2. Dé la lista de resultados, elegir el valor máximo; la alternativa asociada con este resultado
máximo es la estrategia que debe seguirse.
Como ejemplo del uso del modelo de decisión del optimista considerar de nuevo el problema de la
Pizzería Ashley acerca de decidir si debe mudarse o no. si se aplica este modelo de decisión a este
problema, el paso 1 produce la lista que se muestra en la tabla 5.
Tabla 5. Pagos máximos
Alternativa
Pago
máximo
A1 + $100,000
A2 +$150,000
A3* +$200,000
Si después se aplica el paso 2 del modelo de decisión del optimista, se maximizan los valores de la
tabla 5 y se encuentra que la alternativa elegida es la A3 (mudarse a Epps bridge Road) con un pago de
$200,000. Es decir, si Ashley elige la alternativa de mudarse a Epps Bridge Road, entonces el pago
máximo que podría esperar es $200,000. Si se selecciona cualquier otra alternativa el pago sería en
definitiva inferior a este valor.
Este modelo de decisión se conoce como modelo del optimista porque T. D. tiene también una
opinión optimista acerca del medio ambiente. Quien toma las decisiones podría también utilizar este
modelo en una situación en la que la cantidad de dinero que puede perderse (pago negativo) es pequeña
en comparación con la utilidad que puede alcanzarse. En estos casos, se supone que quien toma las
decisiones puede permitirse las perdidas que podrían ocurrir si se utiliza el modelo del optimista. Para
el ejemplo, podría haberse elegido la alternativa A3 debido a la magnitud del rendimiento $200,000,
11
que era grande en comparación con la perdida que pudiera haber ocurrido por elegir esa alternativa,
$20,000. El T. D. considero que $20,000 no era una pérdida potencial grande al considerar el pago.
Modelos de decisión de minimización del arrepentimiento
Otro modelo de decisión que representa una opinión bastante pesimista del medio ambiente es el de la
minimización del arrepentimiento, también conocido como minimización de las perdidas de
oportunidad.
Para comprender este modelo de decisión es necesario definir una pérdida de oportunidad. Para
un estado de la naturaleza determinado existen siempre una o más alternativas que producen el mayor
pago. Si se elige una estrategia que dé como resultado un pago inferior al máximo para ese estado de la
naturaleza en particular, entonces se incurre en una pérdida de oportunidad que es igual a la diferencia
entre el pago más alto y el pago que se da con la estrategia elegida, y se siente arrepentimiento. En
otras palabras, para un estado determinado de la naturaleza,
Perdida de oportunidad = pago máximo – pago por la alternativa seleccionada (ecuación 1)
Las perdidas de oportunidad son la cantidad que se pierde cuando la alternativa que eligió no era la
mejor. Si la decisión conduce al pago más alto para un estado de la naturaleza particular, no hay
pérdida de oportunidad y no se siente arrepentimiento.
Como ejemplo del modelo de pérdida de oportunidad o de arrepentimiento considérese el primer
estado de la naturaleza (no cambiarse) para el problema de ubicación de la Pizzería Ashley. Esta
columna de la tabla 6.
Tabla 6. Pagos del primer estado de la naturaleza
Alternativa Sin cambio (N1)
A1 +$100,000A2 +$40,000A3 -$20,000
Usando los valores de la tabla 6 se determina que el máximo pago es $100,000 y ocurre para A1 (no
mudarse). Tomando este valor y la ecuación (1) puede calcularse la pérdida de oportunidad para cada
alternativa, ver siguiente tabla.
Tabla 7. Calculo de la perdida de oportunidad para N1
Alternativa Pagomáximo
- Pago de laalternativa
= Perdida de
oportunidad 12
A1 $100,000 $100,000 0A2 $100,000 $40,000 $60,000A3 $100,000 -$20,000 $120,000
Utilizando el mismo procedimiento puede calcularse la pérdida de oportunidad para el segundo y
tercer estados de la naturaleza. Cuando se anotan en una tabla combinada los valores de oportunidad
para todos los estados de la naturaleza se tiene una tabla de arrepentimiento. Una tabla de este tipo
para el problema de la pizzería Ashley se muestra en la tabla 8.
Tabla 8. Tabla de arrepentimiento
Se busca evitar valores
grandes de arrepentimiento puesto que están asociados con pérdidas grandes de oportunidad. Esta clase
de toma de decisiones es similar al modelo de decisión pesimista, excepto que aquí se busca minimizar
las perdidas máximas de oportunidad. Es posible plantear un procedimiento paso a paso para el modelo
de decisión de minimización del arrepentimiento de la siguiente manera:
Paso 1. Para cada estado de la naturaleza:
a.- Determinar el pago más alto.
b.- Calcular las pérdidas de oportunidad para cada alternativa, utilizando la ecuación 1.
c.- Colocar estos valores de pérdida de oportunidad en una tabla de arrepentimientos.
Paso 2. Para cada alternativa de la tabla de arrepentimiento, determinar la pérdida máxima de
oportunidad y colocar este valor en una lista.
Paso 3. Utilizando la lista del paso 2, determinar la mínima de las perdidas máximas de utilidad. La
alternativa correspondiente es que debe elegirse.
Si se utiliza este procedimiento paso a paso para generar la tabla de arrepentimientos de la tabla 8,
se llega a la lista de valores máximos de pérdida de oportunidad que se muestran en la tabla 9.
Tabla 9. Valores del arrepentimiento máximo
Alternativa Máxima perdidade oportunidad
A1 $180,000A2 $175,000A3* $130,000
13
Alternativa Sin cambio
(N1)
Cerrar los Antiguos
Dormitorios (N2)
Construir Nuevos
Departamentos (N3)No mudarse (A1) 0 $100,000 $180,000Mudarse a Baxter
Street (A2) $60,000 0 $175,000Mudarse a Epps
Bride Road (A3)
$120,000 $130,000 0
Estado de la naturaleza
Utilizando el paso 3, se elige entonces la alternativa A3 (mudarse a Epps Bridge Road) puesto que es el
menor valor de la lista de pérdidas máximas de oportunidad con un valor de $130,000. Esta alternativa
está marcada con un asterisco en la tabla 9.
En este modelo de decisión quien toma las decisiones busca evitar pérdidas elevadas de oportunidad
a través de un análisis minimax de la tabla de arrepentimientos. Al hacer esto, quien toma las
decisiones minimiza la diferencia máxima que puede ocurrir entre la mejor alternativa para un estado
determinado de la naturaleza y cada uno de los resultados. Al elegir una alternativa quien toma
decisiones se asegura de minimizar el arrepentimiento máximo o pérdida de oportunidad.
Modelo de decisión de maximización del pago promedio
En los casos en los que quien toma las decisiones se enfrenta a alternativas múltiples en las que cada
alternativa tiene a su vez resultados múltiples, es una práctica común encontrar el pago promedio para
cada estrategia y elegir después la alternativa que tenga el mayor pago promedio. En este modelo de
decisión, si existen n resultados para cada alternativa con
Oij = pago para la i-ésima alternativa dado el j – ésimo estado de la naturaleza, y
Vi = pago promedio para la i – ésima alternativa
Entonces
Por ejemplo, en el problema del cambio de ubicación de la Pizzería Ashley el pago promedio para la
primera alternativa está dada por.
V1 = (100,000 + 50,000 + 20,000) /3 = $56,667 (A1)
En tanto que
V2 = (40,000 + 150,000 + 25,000) /3 = $71,667 (A2)
y
V3 = (- 20,000 + 20,000 + 200,000) /3 = $66,667 (A3)
Utilizando estos valores, quien toma las decisiones elabora una lista de valores promedio similar a la
que se realizó en los tres modelos anteriores de decisiones. En este caso, esa lista se muestra en la tabla
10. Cuando se maximizan estos pagos promedio se elige la estrategia A2 (mudarse a Baxter Street).
Esta alternativa aparece señalada con un asterisco en la tabla 10.
14
Tabla 10. Pagos promedio
alternativa Pagos promedio
A1 $56,667A2* $71,667A3 $66,667
Se presenta una descripción detallada del modelo de decisión del pago promedio máximo:
Paso 1. Para cada alternativa, calcular el pago promedio para todos los estados de la naturaleza y
colocar estos valores en una lista.
Paso 2. Determinar el mayor valor de la lista de pagos promedio. La alternativa que corresponde a este
pago es la que debe seleccionarse.
Desde un punto de vista intuitivo no parecería que el modelo de decisión del pago promedio
máximo dependa de probabilidades. Sin embargo, al tomar los promedios de los resultados para cada
decisión se está diciendo en forma implícita que los resultados son igualmente probables. En términos
de probabilidades, la probabilidad de que ocurra cada resultado es igual 1/n en donde n es el numero de
resultados. En otras palabras, si pi = probabilidad del i – ésimo resultado, entonces p1 = p2 =. . . = pn =
1/n.
Después pueden utilizarse estas probabilidades para calcular el valor monetario esperado (VME)
para cada decisión. El VME se basa en el concepto de valor esperado de la teoría de la probabilidad. Si
existen, señalemos, n resultados para un experimento en donde cada resultado tiene un rendimiento rj y
una probabilidad de ocurrencia de pj, entonces el valor esperado de ese experimento está dado por:
Donde
Por ejemplo, si se lanza un solo dado con la misma probabilidad de ocurrencia para cada uno de los
seis lados y el rendimiento fuera igual al número que se obtuvo, entonces el valor esperado de ese
experimento sería.
Si el rendimiento está dado en términos de dinero entonces el valor esperado se convierte en el valor
monetario esperado.
15
En el caso de probabilidades igualmente posibles,
Esta misma fórmula dada en la ecuación 2, lo cual demuestra que el modelo de decisión de pago
promedio máximo es lo mismo que utilizar un enfoque de VME máximo con probabilidades iguales.
Modelo de probabilidades subjetivas
Aunque no siempre es posible hacer uso de datos previos para calcular probabilidades para la
ocurrencia de diversos resultados, pueden utilizarse probabilidades subjetivas. Esas probabilidades se
basan en una multitud de experiencias anteriores, que quien toma las decisiones puede emplear para
asignar probabilidades a los resultados. Las probabilidades subjetivas son el concepto básico sobre el
cual se basan las apuestas. Cada apostador asigna una probabilidad diferente a los diversos resultados
de una carrera o de algún otro juego de azar y después avalúa los resultados para decidir cómo debe
apostar. Muchos aspectos intervienen en la forma en que el apostador asigna probabilidades incluyendo
el número de acciones, el peso que el apostador asigna a cada opción y las experiencias pasadas con
respecto al evento.
En los negocios, es frecuente que quien toma decisiones deba asignar probabilidades a la ocurrencia
de diversos resultados con base en un juicio personal respecto a las condiciones del mercado, a las
acciones futuras de un competidor, a la importancia del producto que se considera, etc. En algunas
ocasiones la intuición o una “corazonada” conduce a una persona que toma decisiones a asignar
probabilidades por razones que no puede definir.
Una vez que se asignan las probabilidades subjetivas, quien toma decisiones debe decidir si es
adecuado utilizar valores monetarios para los pagos (tanto positivos como negativos) en el cálculo de
los valores esperados. En otras palabras, ¿existe una relación lineal entre el dinero implicado y la
utilidad que logra quien toma las decisiones con cada resultado? En este caso, la utilidad se refiere a
las consecuencias no monetarias de la ocurrencia de un resultado.
Si se aplica el análisis utilitario esperado a la Pizzería Ashley y a la decisión con respecto a
mudarse se necesitan dos tipos de información. En primer lugar, se debe saber si los dólares que
aparecen en la tabla de pagos (tabla 3) representan en realidad todas las consecuencias de cada
decisión, tanto monetarias como no monetarias. Si no es así, entonces, sería necesario elaborar una
tabla de valores de utilidad para Ashley.
16
En segundo lugar, se debe pedir a Ashley una estimación de la probabilidad de ocurrencia de cada
resultado. Después se pueden utilizar el valor esperado para elegir una alternativa. Suponer que Ashley
está satisfecho con los valores monetarios de la tabla de pagos como representación de las
consecuencias de cada decisión. Estima que existe una probabilidad 0.4 de que no haya acciones
externas (resultado 1), una probabilidad 0.3 de que se cierren los antiguos dormitorios (resultado 2) y
una probabilidad 0.3 de que se construyan los nuevos departamentos (resultado 3). Ahora es posible
calcular los valores utilitarios esperados para cada decisión.
A1: VUE 1 = (0.4) (100,000) + (0.3) (50,000) + (0.3) (20,000) = $ 61,000
A2: VUE 2 = (0.4) (40,000) + (0.3) (150,000) + (0.3) (25,000) = $ 68,500
A3: VUE 3 = (0.4) (- 20,000) + (0.3) (20,000) + (0.3) (200,000) = $ 58,000
Utilizando el método de la probabilidad subjetiva, Ashley elegiría la alternativa A2 (mudarse a Baxter
Street).
Si se usa un árbol de decisión para representar esto el árbol se asemejaría al que aparece en la figura 3,
excepto que ahora se incluyen probabilidades en cada rama de resultados (figura 4). Esas
probabilidades solo se multiplican por el resultado que aparece al final de cada rama y se suman para
todos los resultados de cada una de las ramas de estrategias con el objeto de calcular el valor esperado
(VME o VUE) para cada alternativa.
Acción Probabilidad
(0.3)
(A2)
(0.3)
17
No mudarse (A1)
Mudarse a Baxter Street
Mudarse a Epps Bride (A3)
(N1) Sin cambio (0.4)
(N1) Sin cambio
(0.4)
(N2)Cierran los dormitorios (0.3)
(N3) Construyen departamentos (
(N1) Sin cambio (0.4)
(N2) Cierran los dormitorios (0.3)
(N2) Cierran los dormitorios (0.3)
(N3)Construyen departamentos
(N3) Construyen departamentos (0.3)
$100,000
$50,000
$20,000
$40,000
$150,000
$25,000
-$20,000
$20,000
$200,000
Figura 4. Árbol de decisión para el problema de a mudarse
Como ejemplos de los cálculos de valor esperado utilizando un árbol de decisión considerar la rama A1
(no mudarse). En esta rama si se multiplican los resultados que aparecen al final de cada una de las
ramas de estados de la naturaleza por las probabilidades de la rama, y después se suman, se obtiene.
(0.4) (100,000) + (0.3) (50,000) + (0.3) (20,000) = $ 61,000
Lo cual es el mismo VUE que se calculó antes para A1, sólo que ahora se utilizo el árbol de decisión en
los cálculos.
Observar que VUE sería exactamente el mismo para el método del pago promedio máximo, si se
remplazan las probabilidades subjetivas por probabilidades igualmente posibles, en este caso, la
probabilidad de cada rama sería 0.3333, puesto que existen tres resultados para cada rama de decisión.
Comparación de los análisis bayesiano y clásico para la toma de decisiones utilizando datos
previos
Cuando existen datos previos disponibles para auxiliarse en la toma de decisiones, es posible utilizar
dos tipos de análisis. Se les define en forma amplia como análisis bayesiano y análisis clásico. En el
análisis bayesiano se combinan los datos previos (o probabilidades subjetivas) con datos muéstrales o
de prueba, utilizando la formula desarrollada por Thomas Bayes.
En el análisis clásico se utilizan los datos previos para elaborar una regla de decisión y después se
corre una prueba o se toma una muestra. La decisión se toma con base en el resultado de la prueba o
muestra. Este es el tipo de análisis que por lo general se enseña en la estadística bajo el nombre de
prueba de hipótesis. Por ejemplo, en el caso de la Pizzería Ashley, puede determinarse la demanda
esperada por medio del siguiente cálculo:
Demanda esperada = (0.2) (150) + (0.4) (160) + (0.25) (170) + (0.15) (180) = 163.5
Con base en la demanda esperada, Ashley podría esperar que la demanda excediera, en promedio, las
160 pizzas por noche. Para probar esta expectativa, puede utilizarse el análisis clásico, primero se
plantea la siguiente hipótesis nula, utilizando el valor esperado que se calculo con los datos previos:
H0 = µ ≥ 160
Esta hipótesis nula dice que los datos previos indican que la demanda promedio a largo plazo, o media
µ, será mayor o igual a 160 pizzas. Utilizando los datos previos se plantea una hipótesis alternativa de
que la demanda es menor de 160 pizzas:
H1: µ < 160
18
(o que la demanda media es inferior a 160 pizzas)
Para tomar una decisión se toma una muestra de los valores de la demanda para cierto número de
noches. Con base en esta muestra se podría aceptar la hipótesis nula y asegurar que la demanda media
de Ashley es de 160 o más pizzas por noche. Por otro lado, la muestra podría conducir a rechazar la
hipótesis nula y a afirmar que, después de todo, la demanda promedio en realidad no es de 160 o más
pizzas.
En el análisis bayesiano se elabora una matriz de decisión que contiene las consecuencias monetarias
de diversas decisiones. Con esta matriz de decisión, en el análisis bayesiano se realiza primero un
análisis previo utilizando los datos anteriores. A esto le sigue un segundo análisis o preposterior, en el
cual se determina si resultaría útil llevar a cabo pruebas o muestras adicionales. Si el análisis
preposterior muestra que las pruebas o las muestras serían económicamente útiles, entonces se lleva a
cabo. Si se toma una muestra o se lleva a cabo una prueba, se utilizan los resultados para modificar las
probabilidades previas con el objeto de determinar las probabilidades posteriores o “después” de la
prueba. Estas probabilidades posteriores combinan tanto los datos previos como resultado de la prueba
o muestra.
Al comparar el análisis clásico con el bayesiano, se observa que en el primero siempre se procede a
realizar una prueba o a recolectar una muestra, pero en el análisis bayesiano sólo se hace esto después
de que un análisis preposterior de los datos haya mostrado que pruebas o muestras adicionales serían
económicamente valiosas. Esta decisión de probar o muestrear, o no hacerlo, combinada con la
modificación de las probabilidades con base en las pruebas, es lo que da al análisis bayesiano ventajas
con respecto al análisis clásico, ya que permite una toma de decisiones más económica.
Análisis bayesiano
Para comenzar un análisis bayesiano del caso de la Pizzería Ashley, en primer lugar se necesita una
matriz de decisión que muestre las consecuencias económicas de diversas decisiones. Para hacer esto,
se amplía la tabla de utilidades 1 para convertirla en la tabla de utilidades 13
Tabla 13. Tabla de utilidades
Número de pizzas que se hornean con anticipación
Numero
150
de pizzas
160
que se
170
solicitan
180150 300 300 300 300160 290 320 320 320170 280 310 340 340180 270 300 330 360
19
Fracción de tiempo 0.20 0.40 0.25 0.15
Esta tabla ampliada incluye los pagos para cada estado de la naturaleza y cada alternativa, y la porción
de tiempo en que ocurrió cada estado de la naturaleza. Esta fracción se encuentra dividiendo el número
de días de cada estado de la naturaleza entre el número total de días para todos ellos. Se estudiaron 20 +
40 + 25 + 15 = 100 días; por ello, para el primer estado de la naturaleza, la fracción es 20/100 = 0.20.
Estas fracciones son equivalentes a probabilidades, dado que se suma es igual a uno y reflejan la
proporción de tiempo que ocurrió cada estado de la naturaleza. Considerar que se observará la misma
proporción en el futuro.
Utilizando esta información, si existen n estados de la naturaleza, es posible calcular el VME para
cada alternativa, por medio de la formula que sigue:
Donde O ij = pago utilizando la i – ésima alternativa si ocurre el j – ésimo estado de la naturaleza
Pj = probabilidad de que ocurra el j – ésimo estado de la naturaleza
VMEi = valor monetario esperado para la i – ésima alternativa
Si se aplica este modelo de decisión al problema de la Pizzería Ashley, con respecto a cuántas pizzas
hornear con anticipación, se tienen los siguientes cálculos:
VME 1 = (0.20) (300) + (0.40) (300) + (0.25) (300) + (0.15) (300) = $ 300.00
VME 2 = (0.20) (290) + (0.40) (320) + (0.25) (320) + (0.15) (320) = $ 314.00
VME 3 = (0.20) (280) + (0.40) (310) + (0.25) (340) + (0.15) (360) = $ 316.00
VME 4 = (0.20) (270) + (0.40) (300) + (0.25) (330) + (0.15) (360) = $ 310.50
Después, se anotan estos valores monetarios esperados en una lista a partir de la cual se determina el
máximo (ver tabla 14)
Tabla 14. Valores monetarios esperados
Alternativa VME150 (A1) $300.00160 (A2) 314.00170 (A3) 316.00*180(A4) 310.50
Se encuentra que el VME es $316 y ocurre para una decisión de hornear 170 pizzas. La interpretación
de este valor es que si Ashley horneara 170 pizzas cada noche, entonces su utilidad promedio a largo
plazo sería de $316 por noche. Observar que en ningún momento ocurriría este valor en realidad; es un
20
valor promedio para una gran cantidad de aplicaciones de la alternativa bajo condiciones similares. Esta
alternativa está marcada con un asterisco en la tabla 14.
Se presenta un procedimiento paso a paso para el modelo de decisión VME.
Paso 1. Calcular las probabilidades, p j, para la ocurrencia de cada estado de la naturaleza.
Paso 2. Calcular el VME para todas las alternativas utilizando la ecuación (6) y anotar estos valores en
una lista.
Paso 3. Utilizar la lista de VME´s calculada en el paso 2 para determinar el valor máximo. La
alternativa que corresponde al VME máximo es la decisión que debe tomarse.
Esta es la porción a priori de un análisis bayesiano
Uso de árboles de decisión para problemas con datos previos
Al igual que con los problemas de decisión en los que no existen datos previos disponibles, es posible
(y en muchas ocasiones aconsejable) utilizar árboles de decisión para determinar cuál es la decisión
correcta. En el caso de los problemas en que existen datos previos, se construye un árbol de decisión de
la misma forma en que se hizo para otros tipos de problemas, la única diferencia es que se incluyen las
probabilidades calculadas en las ramas de probabilidad y estas probabilidades se utilizan para calcular
los VME. En el caso de la decisión de la pizzería con respecto a cuántas pizzas hornear con
anticipación, habrá cuatro ramas de decisión que corresponden a hornear 150, 160, 170, o 180 pizzas.
Al final de cada rama de decisión habrá un nodo de probabilidad que tiene cuatro estados que
corresponden a la demanda de 150, 160, 170, y 180 pizzas. En cada rama de estado de la naturaleza
habrá también una probabilidad de que ocurra ese estado y al final de cada una de las ramas de estado
de la naturaleza habrá un resultado o utilidad para cada decisión y estado de la naturaleza. El árbol de
decisión para la pizzería Ashley se muestra en la figura 5
Utilizando los valores de las utilidades y las probabilidades para cada rama de estado de la
naturaleza, se calcula el VME para cada nodo de probabilidad utilizando la ecuación 6. Esto es,
multiplicando cada probabilidad por la utilidad correspondiente y sumando todos estos productos para
cada nodo de probabilidad. Los VME están anotados por debajo de cada nodo de probabilidad y el
VME máximo está anotado bajo el punto de decisión. La decisión a la que corresponde el VME es el
número máximo, a largo plazo, de pizzas que deben hornearse: 170 pizzas, en este caso las que arrojan
utilidades diarias de $ 316.
Este problema se denomina comúnmente problema del vendedor de diarios. El nombre proviene de
la situación de un vendedor de diarios que intenta decidir cuántos debe comprar cada día para vender. 21
El concepto es exactamente el mismo que decidir el número de pizzas que deben hornearse con
anticipación.
22
$300 0
$314 0
$316 0
$310. 50 500
$300
$300
$300
$300
$2900
$320
$320
$320
$280
$310
$340
$340
$270
$300
$330
$360
Figura 5. Árbol de decisión para el horneado previo de pizzas
El valor de la información perfecta
Con frecuencia surge la siguiente pregunta: ¿Cuánto estaría dispuesta a pagar la persona que toma las
decisiones para obtener información adicional sobre cuáles serán las circunstancias reales? Antes de de
responder esta pregunta se necesita conocer el valor de la información misma. Si la información es
perfecta, es decir, si la información nos dice exactamente qué es lo que va a ocurrir, resulta bastante
sencillo responder la pregunta.
Si se conoce con exactitud cuál estado de la naturaleza ocurrirá, es fácil determinar la alternativa
que debe elegirse. Se elegiría la alternativa que produce el mayor pago para cada estado de la
naturaleza. En el problema de la Pizzería Ashley, para un número determinado de demanda de pizzas,
se elegiría hornear con anticipación el número de pizzas que maximizara las utilidades netas. Por
ejemplo, para la situación en la que se supiera que habría una demanda de 160 pizzas, las utilidades
máximas ocurrieran si se hornearan 160 pizzas, y esa utilidad sería $320. Si se calcula esto para cada
uno de los estados de la naturaleza, se generaría la lista que aparece en la tabla 15.
Tabla 15. Pagos máximos
Pizzas que se solicitan(estados de la naturaleza)
Decisión con Pago máximo
pago
150 150 $300160 160 $320170 170 $340180 180 $360
Puesto que cada estado de la naturaleza ocurre sólo durante una fracción del tiempo, es posible
calcular el valor monetario esperado para el caso de la información perfecta utilizando los pagos
máximos y las probabilidades para cada estado de la naturaleza. En el caso que se muestra en la tabla
15, el valor monetario esperado de la información perfecta (VMEIP) se calcula de la siguiente manera.
VMEIP = (0.20) (300) + (0.4) (320) + (0.25) (340) + (0.15) (360)
VMEIP = $ 327
Por ello, si se conoce con anticipación qué estado de la naturaleza ocurrirá y si se elije cada vez la
decisión que arrojara las máximas utilidades, la utilidad promedio a largo plazo se obtendría $327. En
general, esto se plantea de la siguiente manera.
23
Donde O* ij = la máxima utilidad para cada estado de la naturaleza
pj = la probabilidad de cada estado de la naturaleza
Para calcular el valor de la información perfecta, lo único que se hace es calcular la diferencia entre
el valor monetario esperado para la información perfecta y ese mismo valor monetario esperado sin
información perfecta:
VPI = VME IP – VME *IP 8
Donde VIP = valor de la información perfecta
VMEIP = VME para la información perfecta
VME* = VME máximo sin información perfecta
En el caso de la pizzería, VMEIP = $327 y VME* = $316, por lo que VIP = $327 - $316 = $11. Puede
verse a partir de esto que Ashley estaría dispuesto a pagar hasta $ 11 por día para conocer con
anticipación exactamente cuántas pizzas se requerirán cada día. Si la información no es perfecta, o el
costo de la información es mayor de $11, entonces podría arreglárselas mejor sin conocer la
información en forma anticipada.
El valor de la información de prueba
En términos prácticos, por lo general la información proviene de algún procedimiento imperfecto de
prueba. Con esto quiere hacerse notar que la información dela prueba no siempre pronostica en forma
correcta el estado de la naturaleza que ocurrirá. Por ejemplo, un meteorólogo podría, con base en
alguna prueba, pronosticar lluvia y, aun así, este estado de la naturaleza podría ocurrir sólo el 70% de
las veces que se hace esta predicción.
Debido a esta información en el poder predictivo de las pruebas, el cálculo del valor de la
información de prueba es algo más complejo que para la información perfecta. Para comprender el
procedimiento que se utiliza para realizar estos cálculos, sea
P(N | R) = probabilidad de que ocurra en realidad el evento N, dado que el resultado de la prueba fue R
24
7
Dado que la prueba es imperfecta, P (N | R) < 1. Por ejemplo, si un meteorólogo está en lo correcto el
70% de las veces, entonces P (N | R) = 0.7, donde N = llueve y R = se pronosticó lluvia.
Sin embargo, por lo general se desconocen los valores de P (N | R) (lo cual se lee “probabilidad de
N dado R”) puesto que estos valores sólo se conocen después de haber utilizado la prueba las
suficientes veces para recopilar datos que permitan calcular probabilidades. Por lo general se conoce lo
opuesto, es decir, la probabilidad de que ocurra el resultado de la prueba dado el resultado
correspondiente. Esta probabilidad es P (R | N) y puede calcularse utilizando datos históricos para
determinar la forma en que se hubiera comportado la prueba si se hubiera utilizado.
Por adversidad, la probabilidad P (R | N) no es la probabilidad de prueba P (N | R) que se necesita,
puesto que se calculo después de conocer el resultado. Para calcular P(N | R) se usa un resultado bien
conocido de la probabilidad, denominado ley de Bayes. Este resultado dice que
Por lo general, dos de los valores que aparecen en esta fórmula pueden obtenerse a partir de datos de
prueba, y el tercero calcularse a partir de los otros dos. Resulta fácil calcular a partir de datos previos la
probabilidad de que la prueba sea exacta, dado que se conoce el resultado real, P (R │ N), y la
probabilidad de que ocurra un resultado particular sin importar cuál sea la prueba, P (N). P(N) también
puede ser una probabilidad subjetiva basada en la experiencia que tenga en esas situaciones quien toma
las decisiones. Esta última probabilidad; P (N), se conoce como probabilidad a priori puesto que se
calcula antes de cualquier prueba, mientras que las otras son probabilidades condicionales.
La tercera probabilidad que aparece en la ley de Bayes, P (R), es la probabilidad de que ocurra el
resultado de prueba R. esta probabilidad puede calcularse por medio del siguiente resultado de la teoría
probabilística:
Donde significa “no N” o “negación de N”. Puesto que incluye todos los eventos que no sean N,
y pueden ser sumas de diversos valores. Los valores de
pueden calcularse al mismo tiempo que se obtienen P (R │ N) y P (N).
25
9
Combinando 9 y 10 se llega a una versión modificada de la ley de Bayes:
11
El resultado final, P(N │ R), probabilidad de que ocurra el suceso N dado el resultado de Prueba R, se
conoce como probabilidad a posteriori, puesto que se obtiene después del procedimiento de prueba.
Una vez que se conocen los valores de la probabilidad a posteriori, es posible emplearlos para llevar a
cabo el análisis preposterior con el objeto de determinar si debe llevarse a cabo una prueba o un
muestreo.
Aplicación a la Pizzería Ashley
Considerar ahora el uso de un procedimiento de pronóstico para la Pizzería Ashley. Recordar que
Ashley hornea con anticipación todas las pizzas y necesita conocer cual es la decisión que proporcione
las mayores utilidades
A Ashley, le ha ofrecido sus servicios una profesora de investigación de mercados de negocios,
Carolyn Myers para realizar una prueba experimental para pronosticar el número de pizzas que se
ordenaran cada día. Por este servicio le cobrará a Ashley $5 por día. La cuestión es: ¿debe Ashley
contratar ese servicio de pronósticos?
Si los pronósticos de la profesora tuvieran una exactitud del 100%, se había determinado antes que
su valor sería $11. Sin embargo, se ha encontrado que sus pronósticos no tienen una exactitud del
100%, por lo que su valor será un poco menor a éste. Utilizando los datos de ventas anteriores, la
profesora ha reunido la tabla de probabilidades de prueba que se muestra en la tabla 16.
Tabla 16. Probabilidades de datos
Número de Pizzas que se Solicitaron Número de pizzas
pronosticado (alternativas) 150 160 170 180
150 1/2 1/4 0 0160 1/3 1/2 1/6 1/6170 1/6 1/4 2/3 1/3180 0 0 1/6 1/2
Los estados de la naturaleza que se muestran en la parte superior son el número de pizzas que en
realidad se solicitan; los valores de la primera columna son el número de pizzas que la prueba de la
profesora había pronosticado. Las probabilidades que aparecen en el cuerpo de la tabla son las
probabilidades de que la prueba hubiera pronosticado cada número de pizzas, dado el número que en
26
realidad se solicito. Por ejemplo, en los días en que los en los que se solicitaron en realidad 160 pizzas,
la técnica de predicción habría pronosticado 160 pizzas la mitad de las veces, 150 pizzas una cuarta
parte de las veces, 170 pizzas una cuarta parte de las veces y nunca 180 pizzas. Estas son
probabilidades condicionales que se comentaron antes, es decir P (R | N).
Observar en esta tabla que la suma de las probabilidades de cada columna es igual a 1, mientras que
la suma por renglón no es igual a 1. Esto se debe a que para un número determinado de pizzas
vendidas, tiene que pronosticarse algún número, en tano que no existe relación entre el número
pronosticado y el número vendido.
Con el objeto de convertir las probabilidades P (R | N) de la tabla 16 a probabilidades P(N | R), es
necesario calcular P (R) para cada número de pizzas pronosticado utilizando la ecuación 10:
En la tabla 16, para R = 150, se encuentra que N = 150 y = 160, 170 y 180. Para calcular las
probabilidades de P(N) y P ( ), se utiliza ahora los valores de la experiencia anterior para el número
de pizzas que se solicitaron; es decir, se utiliza la fracción de tiempo que se demandó cada número de
pizzas, a partir de la tabla 13:
P (150 de demanda) = 0.2 = 1/5
P (160 de demanda) = 0.4 = 2/5
P (170 de demanda) = 0.25 = 1 / 4
P (180 de demanda) = 0.15 = 3/20
A partir de esto y de los valores de la tabla 16 se tiene.
P (150 pronosticadas) = P (150 pronosticadas | 150 de demanda) P (150 de demanda)
+ P (150 pronosticadas | 160 de demanda) P (160 de demanda)
+ P (150 pronosticadas | 170 de demanda) P (170 de demanda)
+ P (150 pronosticadas | 180 de demanda) P (180 de demanda)
= (1/2) (1/5) + (1/4) (2/5) + (0) (1/4) + (0) (3/20) = 2/10 = 1/5
De manera similar,27
P (160 pronosticadas) = (1/3) (1/5) + (1/2) (2/5) + (1/6) (1/4) + (1/6) (3/20)
= 1/3
P (170 pronosticadas) = (1/6) (1/5) + (1/4) (2/5) + (2/3) (1/4) + (1/3) (3/20)
= 7/20
P (180 pronosticadas) = (0) (1/5) + (0) (2/5) + (1/6) (1/4) + (1/2) (3/20)
= 7/60
Observar que estos cálculos pueden realizarse trabajando con los valores de cada renglón. Cada valor
de P (R) es simplemente la suma de los productos de las probabilidades de estados de la naturaleza y
las probabilidades correspondientes de cada renglón. También puede observarse que si se suman estas
probabilidades de pronosticar cada número de pizzas, se obtiene:
1/5 + 1/3 + 7/20 + 7/60 = 1
Esto es de esperarse, puesto que debe pronosticarse algún número de pizzas, 150, 160, 170 o 180.
Utilizando cada uno de los elementos de cada una de las sumas que dieron los valores de P(R)
como anotación de una nueva tabla 17.
Tabla 17. Tabla modificada de probabilidades conjuntas
Número de(estados
pizzasde
Quela
se Solicitaronnaturaleza)
Número pronosticado de pizzas
(alternativas) 150 160 170 180 Suma 150 1/10 1/10 0 0 2/10160 1/15 1/5 1/24 1/40 1/3170 1/30 1/10 1/6 1/20 7/20180 0 0 1/24 3/40 7/60
En donde cada entrada o anotación es P(R │N) P(N) o P(R │ ) P ( ). Por ejemplo, la anotación del
tercer renglón y primera columna es igual a
P (170 pronosticadas │ 150 de demanda) P (150 de demanda)
De la ecuación 11. Se sabe que las probabilidades a posteriori se obtienen por medio de:
11
Utilizando los valores de la tabla 17, es fácil encontrar los valores de esta ecuación. El numerador
proviene de los valores de esta tabla y el denominador es la suma para cada renglón. Como dos
ejemplos; considerar P (150 demandadas 150 pronosticadas) y P(150 demandadas │ 160
28
pronosticadas). Para la primera probabilidad, se pasa al primer renglón, primera columna de la tabla 17,
para obtener el numerador, P (150 pronosticadas │ 150 demandadas) P (150 demandadas y se utiliza la
suma del renglón de 150 pronosticadas para el denominador. El resultado es:
P (150 de demanda │ 150 pronosticadas) = 1/10 / 2/10 = 1 / 2
Esto significa que la mitad del tiempo que se pronostican 150 pizzas para la demanda, en realidad se
solicitan 150. De manera similar,
P (160 pronosticada │150 de demanda) P (150 de demanda)
P (150 de demanda │ 160 pronosticada) = =
Suma del renglón
1/15 /1/3 = 1 / 5
Este valor significa que si la prueba pronostica una demanda de 160 pizzas, una quinta parte de las
veces en realidad se solicitarán 150 pizzas.
Si se realizan estos cálculos para cada uno de los valores de la tabla 17, se llega a una tabla de
valores en la que cada valor es P (N pizzas se demandaran │R pizzas se pronosticaron). Estos valores
se proporcionan en la tabla 18,
Tabla 18. Probabilidades a posteriori
número de pizzas(estados
que se de la
SolicitaronNaturaleza)
Número de pizzas Pronosticadas(alternativas 150 160 170 180
150 1 / 2 1 / 2 0 0
160 1 / 5 3 / 5 1 / 8 3 /40170 2 / 21 2 / 7 10 / 21 1 / 7180 0 0 5 / 14 9 / 14
Los valores de la tabla 18, son probabilidades P (N │ R) que se desean y que indicaran qué tan útil será
la prueba de la profesora. Cada renglón de esta tabla es ahora una distribución completa de
probabilidad a posteriori y puede utilizarse para pronosticar los niveles de demanda a través de un
análisis preposterior.
Ahora se procede a calcular el valor monetario esperado de la prueba de la profesora. Esto se hace
eligiendo primero la mejor alternativa para cada uno de los posibles resultados de la prueba, utilizando
el criterio del VME. Esto se hace para cada uno de los resultados.
29
Si la prueba de la profesora pronostica que habrá una demanda de 150 pizzas, se utilizan las
probabilidades del primer renglón de la tabla 18, para calcular los VME de la tabla de pagos. Esto
produce la tabla 19.
Tabla 19. Calculo del VME con un pronóstico de 150 pizzas
Número
(estados
dequede la
Pizzas se
naturaleza)
solicitaron
Pizzas horneadas con anticipación
(alternativas)
150 160 170 180 VME
150 300 300 300 300 $ 300.00160 290 320 320 320 305.00170 280 310 340 340 295.00180 270 300 330 360 285.00
Probabilidad 1 / 2 1 / 2 0 0En la cual puede verse que si se pronostica una demanda de 150 pizzas, la alternativa con el VME más alto es hornear 160 pizzas. Las tablas 20, 21 y 22 muestran estos cálculos para pronósticos de 160, 170 y 180 pizzas.
Tabla 20. Calculo del VME con un pronóstico de 160 pizzas
Número
(estados
dequede la
pizzas se
naturaleza)
solicitaron
Pizzas horneadas con anticipación
(alternativas)
150 160 170 180 VME
150 300 300 300 300 $ 300.00160 290 320 320 320 314.00170 280 310 340 340 310.00180 270 300 330 360 302.25
Probabilidad 1 / 5 3 / 5 1 / 8 3 / 40
Tabla 21. Calculo del VME con un pronóstico de 170 pizzas
Número
(estados
dequede la
pizzas se
naturaleza)
solicitaron
Pizzas horneadas con anticipación
(alternativas)
150 160 170 180 VME
150 300 300 300 300 $ 300.00160 290 320 320 320 317.10170 280 310 340 340 325.70180 270 300 330 360 320.00
Probabilidad 2 / 21 2 / 7 10 / 21 1 / 7
Tabla 22. Calculo del VME con un pronóstico de 180 pizzas
Número
(estados
dequede la
pizzas se
naturaleza)
solicitaron
Pizzas horneadas con anticipación
(alternativas)
150 160 170 180 VME
30
← Alternativa preferida
← Alternativa preferida
← Alternativa preferida
150 300 300 300 300 $ 300.00160 290 320 320 320 320.00170 280 310 340 340 340.00180 270 300 330 360 349.30
Probabilidad 0 0 5 / 14 9 / 14
Utilizando la alternativa preferible para cada uno de los resultados posibles de la prueba y la
probabilidad de que ocurra cada uno de esos resultados (a partir de la tabla18), es posible calcular el
VME utilizando la prueba de la profesora:
VME (de la prueba) = (VME máximo dado un pronóstico de 150) P (150 pronosticadas)
+ (VME máximo dado un pronóstico de 160) P (160 pronosticadas)
+ (VME máximo dado un pronóstico de 170) P (170 pronosticadas)
+ (VME máximo dado un pronóstico de 180) P (180 pronosticadas)
Sustituyendo los valores adecuados, se obtiene
VME (de prueba) = (305.00) (2/10) + (314.00) (1/3) + (325.70) (7/20) + (349.30) (7/60) = $ 320.41
Por ello, el VME que resulta de utilizar la prueba de la profesora es de $320.41. Recordar que el
VME sin la prueba era de $316. Por tanto, el valor neto de la prueba de la profesora es $320.41 -
$316.00 = $ 4.41 por día. Puesto que este valor es inferior a los $5.00 que cobra por utilizar la prueba, a
Ashley le convendría más no utilizar el servicio de pronóstico de la profesora.
A continuación se resume el uso de este análisis:
Paso 1. Elaborar una tabla de probabilidades de prueba, es decir, P (el resultado de la prueba será R │ el
resultado real fue N) y un conjunto de probabilidades previas P(N), para cada estado de la naturaleza.
Paso 2. Para cada renglón de la tabla de probabilidades de prueba, multiplicar cada elemento por la probabilidad
previa correspondiente de estado de la naturaleza, P (R │N) P (N). La suma de estas probabilidades para cada
renglón es ahora P (R).
Paso3. Dividir cada elemento de la matriz de probabilidades modificada entre la suma de su renglón, es decir, P
(R │N) P (N) / P (R), para obtener los elementos de la tabla de pronósticos, P (N │ R).
Paso 4. Utilizando la matriz de pago calcular por separado el VME máximo para cada resultado de prueba,
utilizando las probabilidades del renglón de la matriz de predicción que corresponde a ese resultado de prueba.
Paso 5. Utilizando los VME máximos para cada resultado de prueba, calcular el VME (de la prueba)
multiplicando el VME máximo para cada resultado de prueba por la probabilidad de que ocurra ese resultado, P
(R), sumando todos estos resultados.
Paso 6. Calcular el valor neto de la prueba determinando la diferencia entre el VME de la prueba calculado en el
paso 5 y el VME máximo posible sin la prueba.
31
← Alternativa preferida
Uso de arboles de decisión para el análisis bayesiano
Es posible emplear arboles de decisión para representar la decisión de si deben utilizarse o no las
predicciones de la profesora, para la demanda de pizzas. En este caso se da un análisis
32