Teoria de La Decision ML IO2 IIN

Investigación de
Operaciones II - IIN
Dr. Juan Pérez
Material de lectura
Unidad I: TEORÍA DE LA DECISIÓN
Facultad Politécnica
Facultad Politécnica UNA
Departamento de Ciencias Básicas
Facultad Politécnica DCB_03_00
Universidad Nacional de Asunción
1. Toma de decisiones bajo certidumbre
Muchos problemas involucran la toma de decisiones cuando las

consecuencias de las decisiones alternativas se conocen con un grado
razonable de certidumbre. Este entorno de toma de decisiones permitió
formular modelos matemáticos útiles como la programación lineal,
programación entera, programación no lineal, etc. con funciones objetivo que
especifican las consecuencias estimadas de cualquier combinación de
decisiones. Aunque estas consecuencias casi nunca pueden predecirse con
total seguridad, al menos se pueden estimar con suficiente exactitud para
justificar el uso de estos modelos (junto con el análisis de sensibilidad, etc.).
En este apartado estudiaremos otro modelo que se ajusta a la toma de

decisiones bajo certidumbre, el cual es conocido como Proceso de Jerarquía
Analítica (PJA)
1.1. Proceso de Jerarquía Analítica (PJA)
El PJA está diseñado para situaciones en que las ideas, sentimientos y

emociones que afectan el proceso de toma de decisiones se cuantifican y así
obtener una escala numérica para priorizar las alternativas. Para ilustrar este
modelo consideremos el siguiente ejemplo.
1.1.1. Ejemplo (Martin Hans)
Martin Hans, un brillante estudiante del último año de la preparatoria, recibió

ofertas de becas académicas completas de tres instituciones: U de A, U de B
y U de C. Martin fundamenta su elección en dos criterios: la ubicación y la
reputación académica. Para él, la reputación académica es cinco veces más
importante que la ubicación, y asigna un peso de aproximadamente 83% a la
reputación y un 17% a la ubicación.
Supongamos que contamos con los siguientes datos para calificar las tres
universidades desde el punto de vista de la ubicación y la reputación:
Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica
2
Tabla 1: Criterios vs Estimaciones de peso del ejemplo (Martin Hans)
La estructura del problema de decisión se resume en la figura siguiente. El

problema implica una sola jerarquía (nivel) con dos criterios (ubicación y
reputación) y tres alternativas de decisión (U de A, U de B y U de C).
Figura 1: Mapa de Jerarquías del Ejemplo (Martin Hans)
A partir del mapa anterior podemos sacar la calificación para cada universidad
según los criterios considerados a través del los siguientes cálculos de pesos
compuestos.
Según estos resultados, Martin elige la U de A porque tiene el peso

compuesto más alto.
3
Es importante mencionar que la estructura general del PJA

puede incluir varios niveles de criterios, conforme a las
condiciones de cada problema
1.1.2. Ejemplo (Martin y Jane Hans)
Supongamos ahora que la hermana gemela de Martin, Jane, también fue

aceptada con beca completa en las tres universidades. Los padres insisten en
que los dos hermanos asistan a la misma universidad.
La figura de abajo resume el problema de decisión, el cual ahora implica dos

jerarquías. Los valores de 𝑝 y 𝑞 en la primerajerarquía son los pesos relativos
que representan las opiniones de Martin y Jane(presumiblemente iguales).
Los pesos (𝑝1 , 𝑝2 ) y (𝑞1 , 𝑞2 ) en la segunda jerarquía, respectivamente,
representan las preferencias de Martin y Jane con respecto a la ubicación y
reputación de cada universidad. El resto de la gráfica de toma de decisiones
puede interpretarse del mismo modo. Observemos que 𝑝 + 𝑞 = 1,𝑝1 + 𝑝2 =
1, 𝑞1 + 𝑞2 = 1, 𝑝11 + 𝑝12 + 𝑝13 = 1, 𝑝21 + 𝑝22 + 𝑝23 = 1, 𝑞11 + 𝑞12 + 𝑞13 = 1, y
𝑞21 + 𝑞22 + 𝑞23 = 1. La parte inferior de la figura siguiente demuestra cómo se
calcula el pesocompuesto de la U de A. análogamente se calculan los pesos
compuestos de la U de B y la U de C, respectivamente.
Figura 2: Mapa de Jerarquías del Ejemplo (Martin y Jane Hans)
4
1.1.3. Determinación de los pesos
El centro del PJA es la determinación de los pesos relativos (como los

utilizados en el Ejemplo de Martin Hans) para calificar las alternativas.
Suponiendo que nos enfrentamos a 𝑛 criterios en una jerarquía dada, el PJA

estableceuna matriz de comparación por pares 𝐴 de 𝑛 𝑥 𝑛, que cuantifica el
juicio del tomadorde decisiones de la importancia relativa de los criterios. La
comparación por pares se hace de modo que el criterio en la fila 𝑖(𝑖 =
1, 2, … , 𝑛) se califica con respecto a cadacriterio alterno. Si 𝑎𝑖𝑗 define el
elemento (𝑖, 𝑗) de 𝐴, el PJA utiliza una escala numéricadel 1 al 9 en la cual
𝑎𝑖𝑗 = 1 significa que 𝑖 y 𝑗 son de igual importancia, 𝑎𝑖𝑗 = 3 indica que 𝑖 es
débilmente más importante que 𝑗,𝑎𝑖𝑗 = 5 indica que𝑖 es fuertemente más
importante que 𝑗, 𝑎𝑖𝑗 = 7 indica que 𝑖 es muy fuertemente más importante que
𝑗y 𝑎𝑖𝑗 = 9 indica que 𝑖 es extremadamente másimportante que 𝑗. Otros valores
intermedios como 2, 4, 6 y 8 se interpretan segúncorresponda. La
1
consistencia en el juicio implica que si 𝑎𝑖𝑗 = 𝑘, entonces 𝑎𝑗𝑖 = 𝑘 .Además,
todos los elementos diagonales 𝑎𝑖𝑖 de 𝐴 son iguales a1, porque

estoselementos califican cada criterio contra sí mismo.
1.1.4. Proceso sistemático del PJA
Para demostrar cómo se determina la matriz de comparación 𝐴 para el

problema de decisión del Ejemplo de Martin Hans, comenzamos con la
jerarquía superior que tiene que ver con los criterios de ubicación (𝐿) y
reputación (𝑅). En el juicio de Martin, 𝑅 es fuertemente más importante que𝐿,
1
y por consiguiente 𝑎21 = 5 y, de forma automática,𝑎21 = 5 , por lo que se
genera la siguiente matriz de comparación:
5
Los pesos relativos de 𝑅 y 𝐿 se determinan normalizando 𝐴 para crear una

nueva matriz 𝑁.El proceso requiere dividir los elementos individuales de cada
columna entre la suma de la columna.Por lo tanto, dividimos los elementos de
1
la columna 1 entre 6 = (1 + 5) y los de la columna 2 entre 1,2 = + 1 . Los
5
pesos relativos deseados,𝑤𝑅 y 𝑤𝐿 , se calculan entonces como promedios de

fila:
Los cálculos arrojan 𝑤𝐿 = 0.17 y 𝑤𝑅 = 0.83, los pesos que utilizamos en la

Figura 1. Las columnas de 𝑁 son iguales, una indicación de que el tomador de
decisiones está ejerciendo un juicioconsistente al especificar las entradas de
la matriz de comparación 𝐴. La consistencia siempreestá garantizada en
matrices de comparación de 2𝑥2 pero no en matrices de mayor orden (como
explicaremos en breve).
Las preferencias de Martin con respecto a la importancia relativa de las tres

universidades desde el punto de vista de los dos criterios 𝐿 y 𝑅 se resumen en
las siguientes matrices de comparación:
A continuación, tenemos:
Suma de la columna 𝐴𝐿 = {8; 3. 5; 1. 7}
Suma de la columna 𝐴𝑅 = {1.83; 3.67; 5.5}
Las matrices normalizadas se determinan dividiendo cada entrada de una

columna entre la suma de la columna respectiva; es decir,
6
Los valores 𝑤𝐿𝐴 = 0.129, 𝑤𝐿𝐵 = 0.277 𝑦 𝑤𝐿𝐶 = 0.594 dan los pesos de las
ubicaciones respectivas de U de A, U de B y U de C. Asimismo, los valores de
𝑤𝑅𝐴 = 0.545, 𝑤𝑅𝐵 = 0.273 𝑦 𝑤𝑅𝐶 = 0.182dan los pesos relativos con respecto a
la reputación académica de las tres universidades. Éstos son los valores
utilizados en la Figura 1.
1.1.4.1. Consistencia de la matriz de comparación.
En el Ejemplo de Martin Hans, todas las columnas de las matrices

normalizadas 𝑁y 𝑁𝑅 son idénticas, y las de 𝑁𝐿 no lo son. Esto significa que 𝐴y
𝐴𝑅 son consistentes y que 𝐴𝐿 no lo es. Consistencia implica juicio racional por
parte del tomador de decisiones. Matemáticamente decimos que una matriz
de comparación 𝐴es consistente si
(𝑎𝑖𝑗 )(𝑎𝑗𝑘 ) = 𝑎𝑖𝑘 , para todas las 𝑖, 𝑗y 𝑘. Por ejemplo, en la matriz 𝐴𝑅 tenemos
3
que 𝑎13 = 3 y 𝑎12 . 𝑎23 = 2. 2 = 3. Esta propiedad requiere que todas las
columnas (y filas) de 𝐴𝑅 sean linealmente dependientes. En particular, las

columnas de cualquier matriz de comparación de 2𝑥2, como 𝐴, son
dependientes por definición, y por consiguiente una matriz de 2𝑥2 siempre
esconsistente.
Es raro que las matrices de comparación de mayor orden sean siempre

consistentes, y se espera un grado de inconsistencia. Para decidir qué nivel
de inconsistencia es “tolerable” tenemos que desarrollar una medida
cuantificable de consistencia para la matriz de comparación 𝐴. En el Ejemplo
7
de Martin Hans vimos que una matriz consistente 𝐴produce una matriz
normalizada 𝑁en la cual todas las columnas son idénticas; es decir,
La matriz de comparación original 𝐴 puede determinarse a partir de 𝑁

mediante un proceso de retroceso que divide los elementos de la columna
𝑖 entre 𝑤𝑖 ; es decir,
Por consiguiente, 𝐴 es consistente si:
Para el caso en que 𝐴no sea consistente, el peso relativo, 𝑤𝑖 , está dado
aproximadamente por el promedio de los 𝑛elementos de la fila 𝑖en la matriz
normalizada 𝑁. Si𝑤 es el vector de los promedios calculados, podemos
demostrar que:
En este caso, cuanto más se acerca 𝑛𝑚 á𝑥 a 𝑛, más consistente es la matriz de

comparación 𝐴. Basado en esta observación, el PJA calcula la razón de
consistencia como:
8
Si 𝐶𝑅 ≤ 0,1; el nivel de inconsistencia es aceptable. De lo contrario, la

inconsistencia es alta, y quizás el tomador de decisiones tenga que revisar las
estimaciones de los elementos 𝑎𝑖𝑗 para obtener una mejor consistencia. El
valor de 𝑛𝑚 á𝑥 se calcula a partir de𝐴𝑤 = 𝑛𝑚 á𝑥 𝑤, observando que la i-ésima
ecuación es:
En el Ejemplo de Martin Hans, la matriz 𝐴𝐿 es inconsistente porque las

columnas de su 𝑁𝐿 no son idénticas. Para probar la consistencia de 𝑁𝐿 ,
comenzamos calculando 𝑛𝑚 á𝑥 . Entonces tenemos:
9
2. Toma de decisiones bajo 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:
Figura 3: Matriz de retribuciones de un problema de decisión.
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:
10
1. Laplace
2. Maximax (Optimista – Ganancias)
3. Minimin (Optimista – Costos)
4. Minimax (Pesimista – Costos)
5. Maximin (Pesimista – Ganancias)
6. Savage (o mínimo arrepentimiento)
7. Hurwicz
Estos criterios difieren en el enfoque que adopte el tomador de decisiones
ante el problema.
2.1. Criterio de Laplace
El Criterio de 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, Si la retribución 𝑣(𝑎𝑖 , 𝑠𝑗 ) representa la ganancia, la mejor
alternativa es la que da por resultado:
2.2. Criterio Optimista
El Criterio Maximax evalúa cada decisión según lo mejor que pudiera pasar
si ésta se tomara. En este caso, entonces, evalúa cada decisión por el
rendimiento máximo posible asociado con esa decisión. En otras palabras,
para cada decisión identificamos el valor máximo de esa fila y seleccionamos
la opción con la mayor ganancia de entre los máximos. Utilizamos este criterio
cuando el interés está enfocado en las utilidades del problema. (Optimista)
 


máx máx v ai , s j
ai 



sj 
 
11
Utilizamos el Criterio Minimin cuando tenemos datos de costos o gastos,

seleccionamos los costos mínimos para cada decisión y posteriormente
seleccionamos la opción con el mínimo costo de entre los mínimos.
(Optimista)
 


mínmín v ai , s j
ai 



sj 
 
2.3. Criterio Pesimista
El Criterio Minimax está basado en la actitud conservadora de hacer la mejor

de las peores condiciones posibles. Si 𝑣(𝑎𝑖 , 𝑠𝑗 ) es una pérdida o un costo,
entonces seleccionamos la acción que corresponde al siguiente criterio
Minimax.
Si 𝑣(𝑎𝑖 , 𝑠𝑗 )es una ganancia, utilizamos el Criterio Maximin dado por:
2.4. Criterio de Savage
El Criterio de lamento de Savage “modera” el grado de conservadurismo del

criterio Minimax (Maximin) 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:
Es importante tener en cuenta que la matriz de pérdida o

lamento es una matriz de COSTO de oportunidad, por lo tanto
los datos que contiene representan los costos de no haber
contado con el mejor escenario, independientemente de que la
matriz original contenga ganancias o costos.
12
Para demostrar por qué el criterio de Savage modera el criterio Minimax

(Maximin), consideremos 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 utilizamos la matriz de lamento:
2.5. Criterio de Hurwicz
El último criterio, Hurwicz, está diseñado para representar diferentes

actitudes de decisión que van desde la más optimista hasta la más pesimista.
Defina 0    1. La acción seleccionada debe asociarse con:
El parámetro𝛼 es el índice de optimismo. Si𝛼 = 0, entonces el criterio se

reduce al criterio Minimax conservador, que busca la mejor de las peores
condiciones. Si 𝛼 = 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, 𝛼 = 0,5puede ser una
elección justa.
13
2.6. Ejemplo de decisión bajo incertidumbre
National Outdoors School (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
será 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.
Figura 4: Matriz de retribuciones del ejemplo de National Outdoors School (NOS)
Resuelve el problema utilizando todos los criterios estudiados para la toma de

decisiones bajo incertidumbre.
2.6.1. Desarrollo del Ejemplo de decisión bajo incertidumbre
 Tomaremos la decisión primeramente aplicando el Criterio de

Laplace, por lo que supondremos que los cuatro estados de la naturaleza son
1
igualmente probables, es decir, 𝑃 𝑠𝑗 = 4 para 𝑗 = 1, … ,4, entonces los valores
esperados con las diferentes acciones se calculan como:
14
Por lo tanto, bajo este criterio la mejor decisión es construir un campamento

para 250 personas con un valor esperado 𝐸 de $12.500 que corresponde al
menor costo posible.
 Seguidamente elegiremos la mejor opción bajo el Criterio Optimista.
Como en este problema la matriz de retribuciones contiene datos de costos,
entonces utilizaremos el Criterio Minimin.
𝑠1 𝑠2 𝑠3 𝑠4 𝐹𝑖𝑙𝑎 𝑀𝑖𝑛
𝑎1 5 10 18 25 5 Minimin
𝑎2 8 7 12 23 7
𝑎3 21 18 12 21 12
𝑎4 30 22 19 15 15

para 200 personas que se corresponde con el menor costo posible.
 A continuación aplicaremos el Criterio Pesimista para la toma de

decisiones. Como en este problema la matriz de retribuciones contiene datos
de costos, entonces utilizaremos el Criterio Minimax.
15

 Utilizaremos ahora el Criterio de Savage para tomar una decisión

moderando el grado de pesimismo o conservadurismo. Para ello
construiremos la matriz de mínimo arrepentimiento o costo de oportunidad,
restando 5, 7, 12 y 15 (mínimo valor de cada columna) de las columnas 1 a 4,
respectivamente. Por lo tanto:

Siempre aplicaremos el Criterio Minimax a la matriz de

arrepentimiento debido a que sus datos están asociados a
costos de oportunidad.
 Por último tomaremos la decisión según el Criterio de Hurwicz. A

continuación resumiremos los cálculos para cada una de las alternativas,
teniendo en cuenta que la matriz de retribuciones está basada en costos:
Tabla 2: Aplicación del Criterio de Hurwicz para el ejemplo de National Outdoors School (NOS)
16
Utilizando una 𝛼 apropiada podemos determinar la alternativa óptima. Por

ejemplo, en 𝛼 = 0.5, 𝑎1 o 𝑎2 es la óptima, y en 𝛼 = 0 .25, 𝑎3 es la óptima.
3. Toma de decisiones bajo riesgo
En condiciones de riesgo, los beneficios asociados con cada alternativa de

decisión están representados por distribuciones de probabilidad, y la decisión
puede basarse en el criterio de valor esperado, maximización de la utilidad
esperada o la minimización del costo esperado. En ocasiones, el criterio del
valor esperado se modifica para tener en cuenta otras situaciones, como
describiremos más adelante.
3.1. Criterio del Valor Esperado
El criterio del valor esperado busca maximizar la utilidad esperada (promedio)

o minimizar del costo esperado. Los datos del problema asumen que la
retribución (o costo) asociado con cada alternativa de decisión es
probabilística.
En los modelos de la teoría de decisiones, una pieza fundamental de
información es la tabla de retribuciones, como se observa en la tabla de
abajo. Las decisiones alternativas están enumeradas en un lado de la tabla, y
los posibles estados de la naturaleza están indicados en la parte superior. Las
entradas del cuerpo de la tabla son las retribuciones para todas las
combinaciones posibles de decisiones y estados de la naturaleza.
Figura 5: Matriz de retribuciones de un problema de decisión.
17
En la terminología de teoría de la decisión, las situaciones probabilísticas se

llaman estados de naturaleza. Por lo general, un problema de decisión puede
incluir 𝑛 estados de naturaleza y 𝑚 alternativas. Si 𝑝𝑗 (> 0) es la probabilidad
de ocurrencia del estado 𝑗 y 𝑣𝑖𝑗 es la retribución de la alternativa 𝑖, dado el
estado 𝑗 (𝑖 = 1, 2, … , 𝑚; 𝑗 = 1, 2, … , 𝑛), entonces la retribución esperada de la
alternativa 𝑖 se calcula como:
𝑉𝐸𝑖 = 𝑣𝑖1 . 𝑝1 + 𝑣𝑖2 . 𝑝2 + 𝑣𝑖3 . 𝑝3 + ⋯ + 𝑣𝑖𝑛 . 𝑝𝑛
Donde:
𝑝1 + 𝑝2 + 𝑝3 + ⋯ + 𝑝𝑛 = 1
La mejor alternativa es la asociada con 𝑉𝐸 ∗ = 𝑚á𝑥{𝑉𝐸𝑖 }, en el caso de

utilidad o 𝑉𝐸 ∗ = 𝑚𝑖𝑛{𝑉𝐸𝑖 }, en el caso de pérdida o costo.
3.1.1. Ejemplo 1 de decisión bajo riesgo
Supongamos que se desea invertir $10,000 en el mercado de valores

adquiriendo acciones en una de dos compañías: A y B. Las acciones de la
compañía A, aún cuando son riesgosas, podrían redituar 50% durante el
siguiente año, en un mercado favorable. Si las condiciones del mercado de
valores no son favorables (es decir, un mercado “bajista”) las acciones
pueden perder 20% de su valor. La compañía B proporciona inversiones
seguras con 15% de rendimiento en un mercado “alcista” y de sólo 5% en un
mercado “bajista”. Todas las publicaciones que se ha consultado pronostican
una probabilidad de 60% de un mercado “alcista” y 40% de un mercado
“bajista”. ¿Cómo se debe invertir el dinero?
a) Construye la matriz de retribuciones del problema incluyendo la

información de las probabilidades.
b) Resuelve el problema por el Criterio del Valor Esperado (VE).
3.1.1.1. Desarrollo del Ejemplo 1 de decisión bajo riesgo
a) En primer lugar construyamos la matriz de retribuciones del problema

para ilustrar la situación presentada.
18
Alternativas Estados de la naturaleza (ganancias)

Mercado alcista (1) Mercado bajista (2)
Compañía A 5000 -2000
Compañía B 1500 500
Probabilidades 0.6 0.4
Tabla 3: Matriz de retribuciones del problema de inversión
b) Apliquemos el Criterio del Valor esperado a los datos de la matriz de

retribuciones.
𝑉𝐸𝐴 = 𝑣𝐴1 . 𝑝1 + 𝑣𝐴2 . 𝑝2 = 5000. 0.6 − 2000. 0.4 = $𝟐𝟐𝟎𝟎
𝑉𝐸𝐵 = 𝑣𝐵1 . 𝑝1 + 𝑣𝐵2 . 𝑝2 = 1500. 0.6 + 500. 0.4 = $1100
Según este criterio decidimos invertir en la compañía A por generar un
mayor valor esperado.
3.1.2. Árbol de decisiones
Un problema de decisión también puede representarse como un árbol de

decisiones. Utilizaremos dos tipos de nodos en el árbol: Un cuadrado
representa un punto de decisión, y un círculo representa un evento aleatorio
(estado de la naturaleza).
Figura 6: Árbol de decisión del ejemplo de inversión.
19
3.1.3. Variantes del criterio del valor esperado
Esta sección aborda dos temas relacionados con el criterio del valor
esperado: la determinación de probabilidades a posteriori basada en
experimentación, y el uso de la utilidad contra el valor real del dinero.
Probabilidades a posteriori (de Bayes). Las probabilidades utilizadas en el
criterio del valor esperado se suelen estimar a partir de datos históricos. En
algunos casos la precisión de estas estimaciones puede mejorarse por medio
de experimentación adicional. Las probabilidades resultantes se conoce como
probabilidades a posteriori (o de Bayes), en contraste con las probabilidades a
priori determinadas a partir de datos duros sin procesar.
3.1.2.1. Probabilidades a posteriori en el ejemplo de la inversión
Este ejemplo demuestra cómo se modifica el criterio del valor esperado para
aprovechar las probabilidades a posteriori. Las probabilidades (anteriores) de
0.6 y 0.4 de un mercado “alcista” y un mercado “bajista”, respectivamente se
determinan a partir de publicaciones financieras disponibles. Supongamos
que en lugar de depender únicamente de estas publicaciones, decidimos
conducir una investigación más “personal” al consultar a un amigo que se
desempeña bien en el mercado de valores. El amigo cuantifica una
recomendación de invertir “a favor /o en contra”, de la siguiente manera: En
un mercado “alcista”, hay 90% de probabilidades de que la recomendación
sea “a favor”. Se reduce a 50% en un mercado “bajista”. ¿Cómo afecta la
información adicional a la decisión? La afirmación del amigo proporciona
probabilidades condicionales de las recomendaciones “a favor” y “en contra”
dado que los estados de la naturaleza son mercados “alcista” y “bajista”.
Definamos:
𝑣1 = 𝑣𝑜𝑡𝑜 "𝑎 𝑓𝑎𝑣𝑜𝑟"
𝑣2 = 𝑣𝑜𝑡𝑜 "𝑒𝑛 𝑐𝑜𝑛𝑡𝑟𝑎"
𝑚1 = 𝑀𝑒𝑟𝑐𝑎𝑑𝑜 "𝑎𝑙𝑐𝑖𝑠𝑡𝑎"
𝑚2 = 𝑀𝑒𝑟𝑐𝑎𝑑𝑜 "𝑏𝑎𝑗𝑖𝑠𝑡𝑎"
Por lo tanto, escribimos la afirmación del amigo en la forma de enunciados de
probabilidad como:
20
𝑃 𝑣1 𝑚1 = 0.9 𝑃 𝑣2 𝑚1 = 0.1
𝑃 𝑣1 𝑚2 = 0.5 𝑃 𝑣2 𝑚2 = 0.5
Con esta representación resumimos el problema de decisión de la siguiente

manera:
1. Si la recomendación del amigo es “a favor”, ¿invertiríamos en la acción
A o en la acción B?
2. Si la recomendación del amigo es “en contra”, ¿invertiríamos en la
acción A o en la acción B?
3. Según los valores esperados globales, ¿es recomendable realizar la
investigación previa?
a) Construye el árbol de decisiones agregando toda la información

disponible.
b) Resuelve el problema utilizando las probabilidades a posteriori.
3.1.2.1.1. Desarrollo del problema con probabilidades a

posteriori
Para evaluar las diferentes alternativas, es necesario calcular las

probabilidades a posteriori 𝑃{𝑚𝑖 |𝑣𝑗 }. Estas probabilidades a posteriori
toman en cuenta la información adicional proporcionada por la
recomendación “a favor” o “en contra” y se calculan de acuerdo con los
siguientes pasos generales:
Paso 1. Resume las probabilidades condicionales 𝑃{𝑚𝑖 |𝑣𝑗 } en la siguiente
forma tabular:
Paso 2. Calcula las probabilidades conjuntas como

𝑃 𝑣𝑗 𝑚𝑖 . 𝑃 𝑚𝑖 , ∀ 𝑖, 𝑗
21
Dadas las probabilidades a priori 𝑃 𝑚1 = 0.6 y 𝑃 𝑚2 = 0.4, las

probabilidades conjuntas se determinan multiplicando la primera y segunda
filas de la tabla en el paso 1 por 0.4, respectivamente; es decir,
Paso 3. Calcula las probabilidades absolutas como
𝑃 𝑣𝑗 = 𝑃 𝑚𝑖 𝑣𝑗 ∀𝑗
𝑖
Estas probabilidades son las sumas en las columnas de la tabla del paso 2;
es decir,
Paso 4. Determine las probabilidades a posteriori deseadas como

𝑃 𝑣𝑗 𝑚𝑖 . 𝑃 𝑚𝑖
𝑃 𝑚𝑖 𝑣𝑗 =
𝑃 𝑣𝑗
Estas probabilidades se calculan dividiendo cada columna en la tabla del paso
2 entre la suma en la columna correspondiente en la tabla del paso 3, lo cual
da:
Luego el árbol de decisión es:
22
Figura 7: Árbol de decisión del ejemplo de inversión con probabilidades a posteriori.
b) Ahora ya estamos listos para evaluar las alternativas basados a partir

de las retribuciones esperadas, es decir,
1. Recomendación “A favor”:
Acción A en el nodo 4 = (5000 𝑥 0.730) + (−2000 𝑥 0.270) = $𝟑𝟏𝟏𝟎
Acción B en el nodo 5 = (1500 𝑥 0.730) + (500 𝑥 0.270) = $1230
Decisión: Invertir en la acción A.
2. Recomendación “En contra”

Acción A en el nodo 6 = (5000 𝑥 0.231) + (−2000 𝑥 0.769) = − $383
Acción B en el nodo 7 = (1500 𝑥 0.231) + (500 𝑥 0.769) = $𝟕𝟑𝟏
Decisión: Invertir en la acción B.
23
Las decisiones dadas equivalen a decir que las retribuciones esperadas en

los nodos de decisión 2 y 3 son $3110 y $731, respectivamente.
3. Decisión global
Dadas las probabilidades 𝑃{𝑣1 } = 0.74 y 𝑃{𝑣2 } = 0.26 como se calcularon
en el paso 3, podemos calcular la retribución esperada para todo el árbol de
decisiones:
 El valor esperado con la investigación previa es de:
0.74 𝑥 3110 + 0.26 𝑥 731 = $𝟐𝟒𝟗𝟏. 𝟒𝟔
 El valor esperado sin la investigación previa era de: $2200
Luego, la conclusión final es realizar la investigación previa, si

la recomendación es a favor, invertir en A y si la recomendación
es en contra, invertir en B.
3.2. Criterio del Valor Esperado
Un enfoque alternativo para maximizar el 𝑉𝐸 es minimizar la pérdida de

oportunidad esperada (𝑃𝑂𝐸). Primero se construye una tabla de pérdida o
costo de oportunidad. Luego, se calcula la 𝑃𝑂𝐸 para cada alternativa,
multiplicando la pérdida de oportunidad por la probabilidad y sumando los
resultados.
3.2.1. Ejemplo de aplicación de la POE
John Thompson es el fundador y presidente de la compañía Thompson

Lumber, una empresa rentable localizada en Portland, Oregon. John
Thompson debe decidir si expande su línea de productos fabricando y
comercializando un nuevo producto: casetas de almacenamiento para patios.
John decide que sus alternativas son construir:
1. Una nueva planta grande para fabricar las casetas.
2. Una planta pequeña.
24
3. Ninguna planta (es decir, tiene la opción de no desarrollar la nueva línea

del producto).
Thompson determina que hay solamente dos resultados posibles: el mercado
para las casetas de almacenamiento podría ser favorable, lo cual significa que
existe una demanda alta para el producto, o bien, ser desfavorable, es decir,
que haya poca demanda para las casetas.
Como Thompson desea maximizar sus utilidades, puede usar la ganancia
para evaluar cada consecuencia. John Thompson ya evaluó la ganancia
potencial asociada con los diferentes resultados.
La tabla de decisiones para los valores condicionales de Thompson se
presenta a continuación:
Tabla 4: Matriz de retribuciones del problema de John Thompson
Supongamos que John Thompson piensa ahora que la probabilidad de un

mercado favorable es exactamente la misma que la probabilidad de un
mercado desfavorable: es decir, cada estado de naturaleza tiene una
probabilidad de 0.50.
Usando la POE mínima como criterio de decisión, elijamos la mejor alternativa
para este caso.
3.2.1.1. Desarrollo del Ejemplo de aplicación de la POE
Primeramente vamos a construir la matriz de la POE para el problema dado
25
Tabla 5: Matriz de Perdida de Oportunidad Esperada (POE) del problema de John Thompson
Seguidamente calculemos la 𝑃𝑂𝐸 para las tres alternativas posibles:

𝑃𝑂𝐸 (construir una planta grande) = (0.5)($0) + (0.5)($180000) = $90000
𝑃𝑂𝐸(construir una planta pequeña) = (0.5)($100000) + (0.5)($20000) =
$60000
𝑃𝑂𝐸 (no hacer nada) = (0.5)($200000) + (0.5)($0) = $100000
Usando la POE mínima como criterio de decisión, la segunda alternativa
“construir una planta pequeña” sería la mejor decisión.
3.3. Valor Esperado de la Información Perfecta (VEIP)
En esta sección se investigan dos términos relacionados: el valor esperado de

la información perfecta (VEIP) y el valor esperado con información perfecta
(VECIP).
El valor esperado con información perfecta es el rendimiento promedio o
esperado, a largo plazo, si tenemos información perfecta antes de tomar una
decisión. Para calcular este valor, elegimos la mejor alternativa para cada
estado de naturaleza y multiplicamos su pago por la probabilidad de
ocurrencia de ese estado de naturaleza.
𝑉𝐸𝐶𝐼𝑃 =  (𝑚𝑒𝑗𝑜𝑟 𝑝𝑎𝑔𝑜 𝑒𝑛 𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑑𝑒 𝑛𝑎𝑡𝑢𝑟𝑎𝑙𝑒𝑧𝑎 𝑗) (𝑝𝑟𝑜𝑏. 𝑑𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑑𝑒 𝑛𝑎𝑡𝑢𝑟𝑎𝑙𝑒𝑧𝑎 𝑗)
El valor esperado de la información perfecta, VEIP, es el valor esperado con

información perfecta, menos el valor esperado sin información perfecta.
26
Entonces, el VEIP es la mejora en el VE que resulta al tener información

perfecta.
𝑉𝐸𝐼𝑃 = 𝑉𝐸𝐶𝐼𝑃 – 𝑒𝑙 𝑚𝑒𝑗𝑜𝑟 𝑉𝐸
3.3.1. Ejemplo de aplicación de VEIP y VECIP
Volvamos al caso de John Thompson. Supongamos que una empresa de

Marketing propone ayudar a John a tomar decisiones sobre si construir una
planta para fabricar las casetas de almacenamiento. La empresa de Marketing
asegura que su análisis técnico indicará a John con certidumbre si el mercado
es favorable para su producto propuesto. En otras palabras, cambiará su
entorno de una toma de decisiones con riesgo en uno de toma de decisiones
con certidumbre. Esta información ayudaría a evitar que John cometa un error
muy costoso. La empresa de Marketing cobrará a Thompson $65,000 por la
información.
¿Qué recomendaríamos a John? ¿Debería contratar a la empresa para hacer
el estudio de mercado? Incluso si la información del estudio fuera
perfectamente exacta, ¿valdría $65000?¿Cuánto valdría?
3.3.1.1. Desarrollo del Ejemplo de aplicación de VEIP y VECIP
En la tabla de abajo tenemos la matriz de retribuciones, las probabilidades y

el VECIP
Tabla 6: Matriz de retribuciones con el VECIP del problema de John Thompson
El VECIP se obtuvo realizando las siguientes operaciones:

𝑉𝐸𝐶𝐼𝑃 = ($200000)(0.50) + ($0)(0.50) = $100000
27
Esto significa que si tuviéramos información perfecta, la retribución

promediaría los $100000.
El VE máximo sin información adicional es de $40000. Por lo tanto, el
incremento en el 𝑉𝐸 es:
𝑉𝐸𝐼𝑃 = 𝑉𝐸𝐶𝐼𝑃 – 𝑒𝑙 𝑚𝑒𝑗𝑜𝑟 𝑉𝐸 = $100000 − $40000 = $60000
Así, lo más que Thompson estaría dispuesto a pagar por información perfecta
son $60,000. Desde luego, esto se basa de nuevo en la suposición de que la
probabilidad de cada estado de naturaleza es de 0.50.
Para encontrar el VEIP en problemas de minimización, el enfoque es

similar. Se encuentra el mejor pago en cada estado de naturaleza,
pero ahora es el menor pago de ese estado de naturaleza, en vez del
mayor. El VECIP se calcula con estos valores más bajos y se
compara con el mejor (menor) VE sin información perfecta. El VEIP
es la mejora que resulta, y es el mejor VE – VECIP.
3.4. Árbol de decisiones del problema de John Thompson
El árbol de decisiones final con los pagos y las probabilidades para la

situación de decisión de John Thompson se muestra en la figura siguiente:
Figura 8: Árbol de decisión del problema de John Thompson con probabilidades a priori.
28
3.4.1. Incorporación de información nueva en el árbol de decisión

de John Thompson
Digamos que John Thompson tiene que tomar dos decisiones, con la segunda
decisión dependiente del resultado de la primera. Antes de decidir acerca de
la construcción de la nueva planta, John tiene la opción de realizar su propio
estudio de investigación de mercados a un costo de $10000. La información
de su estudio puede ayudarle a decidir si construir una planta grande, una
pequeña o ninguna. John reconoce que ese estudio de mercado no le
proporcionará la información perfecta, aunque podría ayudarlo bastante de
todas formas.
El primer punto de decisión de Thompson es realizar el estudio de mercado
de $10000. Si elige no hacerlo, puede ya sea construir una planta grande, una
pequeña o ninguna. Este es el segundo punto de decisión de John.
El mercado será favorable (probabilidad de 0.50) o desfavorable (también
probabilidad de 0.50) si construye.
Existe una probabilidad del 70% de que el estudio indique un resultado
positivo en un mercado favorable, mientras que la probabilidad de que el
estudio arroje un resultado positivo en un mercado desfavorable es del 20%.
Resuelve el problema y responde los siguientes cuestionamientos:
a) ¿Comparando los VE, se debe optar por hacer o no hacer el estudio?
b) ¿Si el resultado del estudio es positivo, que se debe elegir?
c) ¿Si el resultado del estudio es negativo, que se debe elegir?
3.4.1.1. Resolución del problema de John Thompson con

estudio de mercado
En el gráfico siguiente tenemos el árbol completo del problema de John
Thompson, incluyendo las probabilidades a priori y posteriori, así como los
valores esperados. Las probabilidades a posteriori se obtuvieron utilizando el
Teorema de Bayes, tal como se había explicado detalladamente en la
resolución del problema de inversión, por lo cual queda a cargo del lector
realizar los cálculos necesarios para la obtención de dichas probabilidades.
Como el costo del estudio de mercado es $10000, este valor se restó de
todos los pagos de las ramas extremas del árbol.
29
Figura 9: Árbol de decisión del problema de John Thompson con probabilidades a posteriori.
Conclusiones
a) Según los resultados obtenidos en el árbol de decisión y al comparar los
valores esperados de hacer o no hacer un estudio de mercado, se debe optar
por hacer dicho estudio ya que arroja una mayor retribución si se toma esta
decisión.
b) Si el resultado del estudio de mercado es favorable, se debe elegir
construir una planta grande.
c) Si el resultado del estudio de mercado es negativo, se debe elegir construir
una planta pequeña.
30
3.5. Valor Esperado de la Información Muestral (VEIM)
Con el estudio de mercado que intenta realizar, John Thompson sabe que su
mejor decisión será construir una planta grande si el estudio es favorable, o
bien, una planta pequeña si el estudio resulta negativo. No obstante, John
también se da cuenta de que investigar el mercado no es gratis. Le gustaría
saber cuál es el valor real de hacer un estudio. Una forma de medir el valor de
la información de mercado es calcular el valor esperado de la información
muestral (VEIM), que es el incremento en el valor esperado como resultado
de la información muestral.
El valor esperado con información muestral (VE con IM) se encuentra a partir
del árbol de decisiones y el costo de la información muestral se agrega a este,
pues se restó de todas las ramas finales los pagos antes de calcular el VE
con IM. Ahora, el valor esperado sin información muestral (VE sin IM) se resta
de esto para determinar el valor de la información de la muestra.
𝑉𝐸𝐼𝑀 = 𝑉𝐸 𝑐𝑜𝑛 𝐼𝑀 + 𝑐𝑜𝑠𝑡𝑜 − (𝑉𝐸 sin 𝐼𝑀)
Donde:
VEIM = valor esperado de la información muestral
VE con IM = valor esperado con información muestral
VE sin IM = valor esperado sin información muestral
𝑉𝐸𝐼𝑀 = $49200 + 10000 − 40000 = 59200 − 40000 = 19200
Esto significa que John pagaría hasta $19200 por un estudio de mercado y
aún así ganar. Como cuesta tan solo $10000, sin duda vale la pena el estudio.
3.5.1. Eficiencia de la Información Muestral
Quizás haya muchos tipos de información muestral disponible para un

tomador de decisiones. Al desarrollar un nuevo producto, la información se
obtiene mediante encuestas, de un grupo de enfoque, con otras técnicas de
investigación de mercados o, de hecho, usando un mercado de prueba para
saber cómo será la venta. Mientras que ninguna de estas fuentes de
información es perfecta, pueden evaluarse comparando el VEIM con el VEIP.
31
Si la información de una muestra fuera perfecta, entonces, la eficiencia sería

de 100%. La eficiencia de la información muestrales:
𝑉𝐸𝐼𝑀
𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 = 𝑋 100%
𝑉𝐸𝐼𝑃
19200
𝐸𝑛 𝑒𝑙 𝑒𝑗𝑒𝑚𝑝𝑙𝑜 𝑑𝑒 𝑇𝑕𝑜𝑚𝑝𝑠𝑜𝑛 𝐿𝑢𝑚𝑏𝑒𝑟: 𝑋100% = 32%
60000
Así, el estudio de mercado tiene una eficiencia de tan solo 32% comparada
con la información perfecta.
Bibliografía
 Taha, H. (2012). Investigación de operaciones. México D.F: Pearson

Educación.
 Winston, W. & Goldberg, J. (2004). Investigación de Operaciones :

aplicaciones y algoritmos. Belmont, CA: Thomson/Brooks/Cole.
 Hillier, F. & Lieberman, G. (2010). Introducción a la investigación de

operaciones. México, D.F: McGraw-Hill.
 Render, B., Stair, R., Hanna, M. & Osuna, M. (2012). Métodos

cuantitativos para los negocios. México, D.F: Pearson Educación.
32

Teoria de La Decision ML IO2 IIN

Cargado por

Copyright:

Formatos disponibles

Teoria de La Decision ML IO2 IIN

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

Teoria de La Decision ML IO2 IIN

Cargado por

Copyright:

Formatos disponibles

Investigación de

1. Toma de decisiones bajo certidumbre

Muchos problemas involucran la toma de decisiones cuando las

En este apartado estudiaremos otro modelo que se ajusta a la toma de

1.1. Proceso de Jerarquía Analítica (PJA)

El PJA está diseñado para situaciones en que las ideas, sentimientos y

1.1.1. Ejemplo (Martin Hans)

Martin Hans, un brillante estudiante del último año de la preparatoria, recibió

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

Tabla 1: Criterios vs Estimaciones de peso del ejemplo (Martin Hans)

La estructura del problema de decisión se resume en la figura siguiente. El

Figura 1: Mapa de Jerarquías del Ejemplo (Martin Hans)

Según estos resultados, Martin elige la U de A porque tiene el peso

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

Es importante mencionar que la estructura general del PJA

1.1.2. Ejemplo (Martin y Jane Hans)

Supongamos ahora que la hermana gemela de Martin, Jane, también fue

La figura de abajo resume el problema de decisión, el cual ahora implica dos

Figura 2: Mapa de Jerarquías del Ejemplo (Martin y Jane Hans)

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

1.1.3. Determinación de los pesos

El centro del PJA es la determinación de los pesos relativos (como los

Suponiendo que nos enfrentamos a 𝑛 criterios en una jerarquía dada, el PJA

todos los elementos diagonales 𝑎𝑖𝑖 de 𝐴 son iguales a1, porque

1.1.4. Proceso sistemático del PJA

Para demostrar cómo se determina la matriz de comparación 𝐴 para el

genera la siguiente matriz de comparación:

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

Los pesos relativos de 𝑅 y 𝐿 se determinan normalizando 𝐴 para crear una

pesos relativos deseados,𝑤𝑅 y 𝑤𝐿 , se calculan entonces como promedios de

Los cálculos arrojan 𝑤𝐿 = 0.17 y 𝑤𝑅 = 0.83, los pesos que utilizamos en la

Las preferencias de Martin con respecto a la importancia relativa de las tres

Las matrices normalizadas se determinan dividiendo cada entrada de una

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

1.1.4.1. Consistencia de la matriz de comparación.

En el Ejemplo de Martin Hans, todas las columnas de las matrices

columnas (y filas) de 𝐴𝑅 sean linealmente dependientes. En particular, las

Es raro que las matrices de comparación de mayor orden sean siempre

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

La matriz de comparación original 𝐴 puede determinarse a partir de 𝑁

Por consiguiente, 𝐴 es consistente si:

En este caso, cuanto más se acerca 𝑛𝑚 á𝑥 a 𝑛, más consistente es la matriz de

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

Si 𝐶𝑅 ≤ 0,1; el nivel de inconsistencia es aceptable. De lo contrario, la

En el Ejemplo de Martin Hans, la matriz 𝐴𝐿 es inconsistente porque las

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

2. Toma de decisiones bajo incertidumbre

La toma de decisiones bajo incertidumbre, así como bajo riesgo, implica

Figura 3: Matriz de retribuciones de un problema de decisión.

El elemento 𝑎𝑖 representa la acción 𝑖 y el elemento 𝑠𝑗 , representa el estado de

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

2.1. Criterio de Laplace

El Criterio de Laplace se basa en el principio de razón insuficiente. Ya que

2.2. Criterio Optimista

Facultad Politécnica UNA | www.pol.una.py – www.educa.una.py/politecnica

Utilizamos el Criterio Minimin cuando tenemos datos de costos o gastos,

2.3. Criterio Pesimista

El Criterio Minimax está basado en la actitud conservadora de hacer la mejor

Si 𝑣(𝑎𝑖 , 𝑠𝑗 )es una ganancia, utilizamos el Criterio Maximin dado por:

2.4. Criterio de Savage