Universidad Nacional Abierta y A Distanc PDF

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD
Escuela de Ciencias Básicas, tecnologías e ingeniería

Contenido didáctico del curso Teoría de decisiones
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGIAS E INGENIERÍA
200608 – TEORIA DE LAS DECISIONES
WILLIAM EDUARDO MOSQUERA LAVERDE

(Director Nacional)
NUBIA SALAZAR
Acreditador
BOGOTÁ D.C.
Marzo 2010
1
INDICE DE CONTENIDO
INTRODUCCION GENERAL 7
UNIDAD 1. CONCEPTOS BASICOS Y DECISIONES BAJO INCERTIDUMBRE 11
CAPITULO 1. GENERALIDADES DE LA TOMA DE DECISIONES Y

CONCEPTOS BASICOS 13
Lección 1. Tipos de toma de decisiones 14

Lección 2. Proceso de tomas de decisiones 18
Lección 3. Elementos en los modelos de análisis de toma de decisión 20
Lección 4. Pasos para la toma de decisiones 22
Lección 5. Criterios de decisión 25
Taller 29
CAPITULO 2. DECISIONES BAJO INCERTIDUMBRE VALOR ESPERADO 30
Lección 6. Criterio del valor esperado 31

Lección 7. Diseño y conducción de la investigación de merado 32
Lección 8. Valor esperado de la información muestra 34
Lección 9. Valor esperado con la información perfecta 35
Lección 10.Criterio nivel de aceptación 38
Taller 41
CAPITULO 3. DECISONES BAJO INCERTIDUMBRE ARBOLES DE DECISON 42
Lección 11. Elementos de los arboles de decisión 43

Lección 12. Selección de alternativa de decisión 44
Lección 13. Regla de bayes y arboles de decisión 48
Lección 14. Teoría de la utilidad 53
Lección 15. Aplicaciones de la teoría de la utilidad 55
Taller 60
AUTOEVALUCION UNIDAD 1 62
UNIDAD 2. DECISIONES BAJO RIESGO 63
CAPITULO 4. DECISIONES BAJO RIESGO- TEORIA DE JUEGOS 65
Lección 16. Conceptos 66

Lección 17. Método estrategias dominadas 67
2
Lección 18. Método suma cero y punta de silla 68

Lección 19. Métodos estrategias mixtas 70
Lección 20. Método grafico 71
Taller 79
CAPITULO 5. DECISIONES BAJO RIESGO- CADENAS DE MARKOV. 80
Lección 21. Procesos estocásticos 81

Lección 22. Cadenas de Markov. 84
Lección 23. Clasificación de estados en una cadena de markov. 86
Lección 24. Procesos de decisión markoviano 88
Lección 25. Problema estático y dinámico 98
Taller 102
CAPITULO 6. DECISIONES BAJO RIESGO - PROGRAMACION META. 103
Lección 26. Conceptos fundamentales. 104

Lección 27. Formulación del modelo. 106
Lección 28. Programación con recursos limitados 111
Lección 29. Objetivos múltiples 117
Lección 30. Aplicaciones 120
Taller 122
CAPITULO 7. DECISIONES BAJO RIESGO – SIMULACIÓN. 125
Lección 31. Definiciones. 126

Lección 32. Tipos de simulación 127
Lección 33. Métodos de simulación 136
Lección 34. Aplicaciones de la simulación. 139
Lección 35. Métodos de observaciones estadísticas 141
AUTOEVALUCION UNIDAD 2 145
BIBLIOGRAFIA. 147
3
LISTADO DE TABLAS
Tabla 1. Matriz para procesos de decisión 22
Tabla 2. Matriz ejemplo 1. 28
Tabla 3. Decisiones según criterio maximin 28
Tabla 4. Decisiones según criterio maximax 28
Tabla 5. Penalizaciones ejemplo 1. 29
Tabla 6. Estimaciones de ganancia 34
Tabla 7. Ganancia sin información perfecta 34
Tabla 8. Indicadores favorables y desfavorables 36
Tabla 9. Probabilidades condicionales dadas por resultados 36
Tabla 10. Probabilidades conjuntas y marginales 36
Tabla 11. Probabilidades posteriores 36
Tabla 12. Indicador I1 36
Tabla 13. Indicador I2 37
Tabla 14. Decisiones óptimas y ganancias esperadas I1 y I2 37
Tabla 15. Ejemplo 5 compañía Certon 45
Tabla 16. Información ejemplo 6. 47
Tabla 17. Iteraciones ejemplo 7. 53
Tabla 18. Pagos y utilidades ejemplo 8. 58
Tabla 19. Atributos programación meta 100
4
LISTADO DE GRÁFICOS Y FIGURAS
Figura 1. Ideas 20
Figura 2. Función de utilidad 41
Figura 3. Árbol de decisión 44
Figura 4. Árbol decisión compañía certon 46
Figura 5. Resultado ejemplo 5. 46
Figura 6. Árbol ejemplo 6. 47
Figura 7. Resultados árbol ejemplo 6. 48
Figura 8. Evolución de las probabilidades 50
Figura 9. Programación meta según PERT 111
Figura 10. Requerimientos de actividad por metas 112
Figura 11. Programa de actividades propuesto 112
Grafica 1. Esquema para toma de decisiones 15
Grafica 2. Razonamiento estadístico 17
Grafica 3. Componentes de un modelo probabilístico 21
Grafica 4. Resultados valor esperado 31
Grafica 5. Tipo de decisiones 54
Grafica 6. Función utilidad para el dinero 55
Grafica 7. Árbol ejemplo 8 57
Grafica 8. Función utilidad ejemplo 8 59
Grafica 9. Árbol ejemplo 8 con función utilidad 60
Grafica 10. Juego estrategias dominadas 70
Grafica 11. Solución método grafico 72
Grafica 12. Esquema de matriz de transición 85
5
ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO
El contenido didáctico del curso academico: Teoría de decisiones fue

diseñado inicialmente en el año 2004 por la licenciada Gloria lucia Guzmán,
docente de la UNAD, ubicada en el CEAD de Neiva, como parte del modulo de
Métodos Probabilísticos. La separación de temáticas y ajustes de los contenidos
los ha desarrollado el I.Q. William Eduardo Mosquera Laverde, Tutor del CEAD
José Acevedo y Gómez, Ingeniero Químico de la Universidad Nacional de
Colombia, y especialista en Educación Superior a Distancia de UNAD 2009, En
curso de Maestría en Gestión y Auditorias en tecnologías e ingeniera ambiental de
CEPES- México. Se ha desempeñado como tutor de la UNAD desde el 2005.
El contenido didáctico ha tenido dos actualizaciones: desarrolladas por el

mismo Ing. Mosquera en los años 2007 y 2009 quien se desempeña actualmente
como director del cuso a nivel nacional.
La version del contenido didáctico que actualmente se presenta tiene como

características: 1) Incorpora nuevos contenidos relacionados con la Unidad 1,
pues en la version anterior no se tiene separado en lecciones y no presenta
énfasis en el uso de software libre WINQSB 2.0. 2) Profundiza en las temáticas de
simulación y programación por metas.
La Dra. Nubia Salazar, tutora del CEAD Sogomoso, apoyó el proceso de

revisión de estilo del contenido didáctico e hizo aportes disciplinares, didácticos y
pedagógicos en el proceso de acreditación del material didáctico desarrollado en
el mes de Mayo de 2010.
6
INTRODUCCIÓN GENERAL
fuente:www.universia.es/.../decisiones-interactivas.jpg
El curso académico de Teoría de Decisiones, consta de 2 (dos) créditos

académicos, cuyo campo de formación es la Disciplinar y tiene carácter
profesional- electiva en los programas de ingeniería Industrial, Sistemas y
Administración de Empresas que oferta la UNAD; además, es de tipo teórico.
Después de comprender e interiorizar los conocimientos de los tres cursos

preliminares de Investigación de operaciones (programación lineal, métodos
deterministicos, métodos probabilísticos) y el apoyo en los conocimientos
adquiridos en estadística descriptiva y probabilidad el estudiante está en
capacidad de iniciar el curso de teoría de las decisiones, teniendo en cuenta que
lo anterior son los presaberes básicos para este curso, en donde se busca
entender los métodos, operaciones y definiciones sobre las diferentes técnicas
de aplicación en las decisiones dependiendo del tipo y calidad de la información
obtenida, las bases estadísticas en la formulación de decisiones bajo
incertidumbre, mientras con las bases de probabilidad desarrolla la formulación de
decisiones bajo riesgo, también esquemas gráficos como los arboles de decisión
que llevan a los estudiantes a visualizar mejor el proceso de toma de decisión,
estos métodos y esquemas son indispensables para la toma de decisiones que se
manejan cotidianamente en todas las empresas en el mundo. El objetivo
fundamental es que los estudiantes comprendan e interioricen las temáticas que
cubren el curso, con el fin de adquirir las herramientas matemáticas,
metodológicas y analíticas que le permitan resolver problemas que requieren de
la toma de decisiones con un soporte científico y poder manejar bien la toma de
decisiones en las diferentes áreas del desarrollo profesional. Respecto a las
competencias, se busca que el estudiante identifique los fundamentos del tema,
interprete sus requerimientos y características, aprenda su utilidad y aplique lo
aprendido en diversas áreas del saber.
El curso de Teoría de decisiones es el último escalón de la línea de

Investigación de operaciones utilizada en Ciencias, Tecnología, Ingeniería e
Investigación, ya que a través de esta, se diseñan, emplean, analizan y
desarrollan diversas habilidades y competencias. Pero para que esto se cumpla,
es necesario un trabajo planificado, colaborativo y sistemático, lo que indica que
su entendimiento e interiorización debe ser metódico, estructurado y secuencial.
7
Este curso es importante en la medida que sirve para desarrollo, análisis y

comprensión de los diferentes métodos matemáticos para la toma de decisiones
necesarias en las diversas empresas que se manejan, orientan o dirigen en el
país.
Las Unidades Didácticas que conforman el curso son: Conceptos básicos y

Decisiones bajo incertidumbre; Decisiones bajo riesgo. En donde se debe resaltar
el repaso de Estadística en el manejo de mediciones y procesos inferenciales,
Probabilidad en el conocimiento y manejo de los variados valores esperados y
desviaciones, Algebra lineal en el manejo y uso de las matrices necesarias para
las decisiones con cadenas de markov. Dichas temáticas permiten el desarrollo de
competencias de orden superior especialmente la interpretación, el análisis, los
requerimientos y análisis económico para un proceso especifico.
Este curso está compuesto por dos Unidades didácticas a saber:
Unidad 1. Conceptos básicos y decisiones bajo incertidumbre: Se inicia con

los conceptos de análisis de decisión donde se pretende que el estudiante valore
la importancia de la teoría de decisiones pues tiene que ver con la ciencia de la
toma de decisiones, se pretende además desarrollar técnicas para medir los
gustos o valores de las personas por medio de una función de utilidad.
Esto proporciona también una medida de la actitud individual de una persona a la

incertidumbre. También se pretende mostrar como las creencias de una persona,
en términos de probabilidades subjetivas, por medio del desarrollo de los arboles
de decisión.
Unidad 2. Decisiones bajo riesgo: Se plantean los diferentes métodos

empleados para solucionar problemas relacionados con la teoría de juegos,
cadenas de Markov y programación meta con los que se pretende que el
estudiante posea más herramientas para que busque la solución óptima a
problemas simples y complejos que se le puedan presentar tanto en la
cotidianidad como en el ejercicio de su vida profesional y/o laboral. Además un
último capítulo donde tenga una introducción a los procesos de simulación.
UNIDAD 1
8
Nombre de la Unidad Conceptos Básicos y Decisiones Bajo

incertidumbre
Introducción
Justificación
Intencionalidades Formativas
Denominación de capítulo 1 Generalidades de la Toma de Decisiones
y Conceptos básicos.
Denominación de Lección 1 Tipos de toma de decisiones
Denominación de Lección 2 Proceso de toma de decisiones
Denominación de Lección 3 Elementos en los modelos de análisis de
toma de decisión
Denominación de Lección 4 Pasos para la toma de decisiones
Denominación de Lección 5 Criterios de decisión
Denominación de capítulo 2 Decisiones Bajo Incertidumbre Valor
Esperado
Denominación de Lección 6 Criterio de valor esperado
Denominación de Lección 7 Diseño y conducción de la investigación de
mercado
Denominación de Lección 8 Valor esperado de la información muestra.
Denominación de Lección 9 Valor esperado con la información perfecta.
Denominación de Lección 10 Criterio nivel de aceptación.
Denominación de capítulo 3 Decisiones Bajo Incertidumbre Arboles
de Decisión
Denominación de Lección 11 Elementos de los arboles de decisión
Denominación de Lección 12 Selección de alternativa de decisión
Denominación de Lección 13 Regla de bayes y arboles de decisión.
Denominación de Lección 14 Teoría de la utilidad
Denominación de Lección 15 Aplicaciones de la teoría de la utilidad.
UNIDAD 2
Nombre de la Unidad Decisiones Bajo Riesgo

Introducción
Justificación
Intencionalidades Formativas
Denominación de capítulo 4 Decisiones Bajo Riesgo- Teoría de juegos
Denominación de Lección 16 Conceptos
Denominación de Lección 17 Método estrategias dominadas
Denominación de Lección 18 Método suma cero y punta de silla
Denominación de Lección 19 Métodos estrategias mixtas
Denominación de Lección 20 Método grafico
Denominación de capítulo 5 Decisiones Bajo Riesgo –Cadenas de
9
Markov.
Denominación de Lección 21 Procesos estocásticos

Denominación de Lección 22 Cadenas de de Markov
Denominación de Lección 23 Clasificación de estados en una cadena de
Markov
Denominación de Lección 24 Procesos de decisión Markoviano
Denominación de Lección 25 Problema estático y dinámico
Denominación de capítulo 6 Decisiones Bajo Riesgo- Programación
Meta.
Denominación de Lección 26 Conceptos fundamentales.
Denominación de Lección 27 Formulación del modelo.
Denominación de Lección 28 Programación con recursos limitados.
Denominación de Lección 29 Objetivos múltiples.
Denominación de Lección 30 Aplicaciones.
Denominación de capítulo 7 Decisiones Bajo Riesgo- Simulación.

Denominación de Lección 31 Definiciones.
Denominación de Lección 32 Tipos de simulación.
Denominación de Lección 33 Métodos de simulación.
Denominación de Lección 34 Aplicaciones de simulación.
Denominación de Lección 35 Métodos de observaciones estadísticas.
10
UNIDAD .1 CONCEPTOS BÁSICOS Y DECISIONES BAJO INCERTIDUMBRE.
Fuente: sigc.wikidot.com/.../conocimiento.JPG
INTRODUCCIÓN:
Esta unidad desarrollará, las bases necesarias y recopilación de información para

llevar a cabo el curso de teoría de decisiones, en la unidad se mostraran los pasos
para un proceso y por ende para una buena toma de decisión y por ende ver la
necesidad de tener métodos matemáticos para lo mismo.
En el siguiente capítulo empezará el estudiante a desarrollar el manejo de los

criterios de decisión y la forma de interactuarlos con los procesos investigativos y
el manejo estadístico de esta investigación de mercados.
Por último aplicará lo visto en los capítulos anteriores por medio modelos más
gráficos y sencillos como se resuelven los arboles de decisión.
OBJETIVO GENERAL:
Dar a conocer a los estudiantes las generalidades necesarias para la toma de

decisiones y una vista genérica de los modelos para resolver la toma de
decisiones bajo incertidumbre, sus características y los conceptos básicos que
permitan manejar el vocabulario necesario en el curso.
OBJETIVOS ESPECIFICOS:
- Conocer los conceptos básicos para los manejos de los métodos en la teoría de
decisiones.
11
- Aplicar los métodos matemáticos estadísticos para resolver la toma de

decisiones bajo incertidumbre.
-Diferenciar entre los métodos para las tomas de decisiones bajo incertidumbre
desde la percepción de una investigación de mercados con o sin información
muestra.
- Conocer los diferentes criterios de decisión para aplicar en el modelo específico.
- Observar cómo se puede aplicar los modelos decisorios en la empresa en

general.
COMPETENCIAS:
El estudiante después de estudiar la unidad deberá ser competente en los criterios

de decisión necesarios para aplicar en los métodos de toma de decisión. También
en las formas graficas para resolución los problemas con incertidumbre.
Diferenciar entre las diferentes clases de decisiones, los métodos de solución.
JUSTIFICACION
El profesional debe continuamente aplicar decisiones en su labor, por lo tanto, las

herramientas de criterios de decisión, valor esperado y árbol de decisión debe
aplicar sus conocimientos en estadística y probabilidad para poder escoger de
forma rápida y grafica una acertada decisión sin necesidad de aplicar cálculos
matemáticos exigentes.
INTENCIONALIDADES FORMATIVAS
La intención formativa tiene que ver con las capacidades para tomar decisiones
por medio del uso de diferentes métodos como lo son los criterios de decisión, el
valor esperado y los arboles de decisión, cuando se tienen diferentes alternativas
o solo dos. Pero esto no es posible sí no se desarrolla previamente un estudio de
mercado y no se desarrollan los cálculos de probabilidades.
Por lo cual el estudiante aplicará los conocimientos adquiridos en los cursos

previamente nombrados, observando la aplicación real y útil en cada uno de sus
campos profesionales.
12
CAPITULO 1: GENERALIDADES DE LA TOMA DE DECISIONES Y

CONCEPTOS BASICOS
Fuente:www.monografias.com/.../Image815.gif
INTRODUCCIÓN
En este capítulo el estudiante desarrollará los siguientes temas concernientes al

manejo óptimo de una decisión como son:
- Tipos de toma de decisiones.
- Proceso para la toma de decisiones.
- Pasos para la toma de decisiones
- Criterios de decisión.
OBJETIVOS:
1.- Conocer la importancia de seguir un proceso y secuencia para tomar bien una
decisión.
2.- Observar diferentes formas para seguir rutas en las decisiones cotidianas
3.- Estudiar unos procesos y esquemas matemáticos como base para una optima
decisión.
4.- Tener a mano un criterio matemático que apoye una decisión tomada.
13
Lección 1: TIPOS DE TOMA DE DECISIONES
Fuente: www.scielo.org.co/.../cadm/v20n34/a04g3.jpg
Para iniciar los análisis en la toma de decisiones se iniciara con tener en cuenta
los tipos de decisiones que se nos presentan a diario en nuestra vida profesional y
particular, con tal concepto se debe diferenciar de la siguiente manera:
. Decisiones programadas: Estas decisiones son las basadas en un esquema de

planeación, organización, control, planteamiento de objetivos y cumplimiento de
metas preestablecidas, son desarrolladas por el sector productivo principalmente y
algunos de nosotros en nuestro proyecto de vida.
Por ejemplo: Construcciones de vivienda, Planificación de estudios, Adquisición de

bienes a crédito.
. Decisiones no programadas: Estas decisiones no se basan en ningún tipo de

proyecto o estructura son las que se dan de forma espontánea ó sin la
programación que requiere una optima toma de decisiones. Son las que tomamos
según se vayan presentando las circunstancias tiene que ver con los eventos.
Por ejemplo: Las decisiones de apostar en los juegos de azar, el asistir a

reuniones programadas de última hora, los pagos extemporáneos de obligaciones.
. Decisiones coercitivas: Son las decisiones que se toman por obligación y

sin la participación o consenso de las partes involucradas. Son completamente
direccionadas por agentes externos.
Por ejemplo: El cambio de vivienda cuando se es menor de edad, el despido de un

empresa, el cambio de ruta por cierre de una vía.
14
La influencia de los agentes externos en la decisiones son poco manejables en

este aparte se tendrá en cuenta solo el esquema donde se tenga control del
mismo o sea las decisiones programadas, estas se inician con un problema previo
el cual se debe resolver; Entonces como en los desarrollos de modelos de
programación lineal después de tener un problema ya sea planteado en forma
verbal o escrita debemos proceder de la siguiente manera:
Esquema para la toma de decisiones
Grafico 1. Esquema para la toma de decisiones
Diagnóstico: Es el análisis sistemático de una situación particular y un

instrumento cognoscitivo para identificar y descubrir problemas relevantes; en
planeación, la necesidad de contar con un buen diagnóstico es imperativa.
La ventaja de pensar estratégicamente es (en relación al diagnóstico) que siempre

se deberán tomar en cuenta las visiones de la realidad de otros grupos (que
pueden ser discrepantes entre ellas), incluirlas como parte del mismo y obtener de
más preguntas y alternativas de solución.
Estrategia: Esta parte consiste en designar todos los medios posibles para
resolver el diagnostico, es por lo tanto, un punto que involucra la racionalidad
orientada a un objetivo, también se utiliza para designar los procedimientos
usados en una situación de confrontación con el fin de privar al oponente de sus
medios de lucha y obligarlo a abandonar el combate; es una cuestión, entonces,
de los medios destinados a obtener una victoria. (DELEUZE, Guilles. (1987)
Foucault. Ediciones Paidos. Barcelona España)
15
Decisión: En esta parte la empresa o la persona ya determino una ruta especifica

a seguir para conseguir lo optimo es su objetivo primario.
Acciones: Son los pasos a tomar en la decisión escogida cado uno de los
parámetros determinados en un esquema de proyectos PERT-CPM, la secuencia
necesaria para cumplir además tiene inmerso los desarrollos estratégicos por si
algún punto no se puede lograr o eventualmente no se puede realizar o se debe
cambiar.
Evaluación de resultados: Luego de desarrollado el proyecto o solucionado el

problema se debe hacer un alto para mirar cómo se va avanzando y hacer los
cambios del caso esto se asocia con los principios del mejoramiento continuo. Por
lo tanto una evaluación sistemática que permita verificar el avance de las
acciones y la pertinencia pública de las estrategias. Para evaluar correctamente,
se deben distinguir los diversos indicadores y su alcance:
- Indicadores de control: expresan metas cuantitativas en el corto plazo; son

incluidos generalmente en los Programas Operativos Anuales (POA's).
- Indicadores de eficiencia: son aquellos que se definen para cada unidad o

subproducto de la acción; expresan la "productividad" de cada acción y permiten
corregir el rumbo de los componentes o proyectos del subprograma.
- Indicadores de eficacia: estos indicadores permiten observar el grado en que los

objetivos de cada acción y de cada subprograma han sido cumplidos; muestran el
grado de satisfacción institucional y social.
Ya con la evaluación se lograr que los hechos se conviertan en conocimiento,

cuando son utilizados en la complementación exitosa de un proceso de decisión.
Una vez que se tenga una cantidad masiva de hechos integrados como
conocimiento, entonces su mente será sobrehumana en el mismo sentido en que,
con la escritura, la humanidad es sobrehumana comparada a la humanidad antes
de escribir.
La grafica 2 ilustra el proceso de razonamiento estadístico basado en datos para

construir los modelos estadísticos para la toma de decisión bajo incertidumbre.
16
Grafico 2. Razonamiento estadistico
De donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadístico.
Level of improvements on decisión making = Nivel de Mejoramiento en la Toma de

Decisiones
La figura anterior representa el hecho que a medida que la exactitud de un modelo

estadístico aumenta, el nivel de mejoramiento en la toma de decisión aumenta.
Esta es la razón del porqué necesitamos la estadística de negocio. La estadística
se creó por la necesidad de poner conocimiento en una base sistemática de la
evidencia. Esto requirió un estudio de las leyes de la probabilidad, del desarrollo
de las propiedades de medición, relación de datos.
La inferencia estadística intenta determinar si alguna significancia estadística

puede ser adjunta luego que se permita una variación aleatoria como fuente de
error. Una inteligente y crítica inferencia no puede ser hecha por aquellos que no
entiendan el propósito, las condiciones, y la aplicabilidad de las de diversas
técnicas para juzgar el significado.
Considerando el ambiente de la incertidumbre, la posibilidad de que “las buenas

decisiones” sean tomadas incrementa con la disponibilidad “de la buena
información”. El chance de la disponibilidad de “la buena información” incrementa
con el nivel de estructuración del proceso de Dirección de Conocimiento. La figura
anterior también ilustra el hecho que mientras la exactitud de un modelo
estadístico aumenta, el nivel de mejora en la toma de decisiones aumenta.
El conocimiento es más que simplemente saber algo técnico. El conocimiento

necesita la sabiduría. La sabiduría es el poder de poner nuestro tiempo y nuestro
conocimiento en el uso apropiado. La sabiduría viene con edad y experiencia. La
sabiduría es la aplicación exacta del conocimiento exacto. La sabiduría es sobre
saber como algo técnico puede ser mejor utilizado para cubrir las necesidades de
los encargados de tomar decisiones. La sabiduría, por ejemplo, crea el software
estadístico que es útil, más bien que técnicamente brillante.
17
Lección 2: Proceso de Toma de Decisiones
La toma de decisiones requiere un proceso específico con el fin de llevar a buen

término lo que se pretende decidir, el proceso a desarrollar es:
- Percepción de la situación que rodea algún problema.
- Análisis y definición de un problema. - Contar con un sistema de información

oportuno, confiable y actualizado.
- Conocer los factores internos formales e informales de la organización.
- Conocer los factores externos, definir restricciones y limitaciones.
- Elegir correctamente las técnicas o herramientas a utilizar.
- Especificar los rendimientos y las metas esperadas.
- Evaluar costo - beneficio.
- Definir los objetivos.
- Búsqueda de alternativas más adecuadas para el alcance de los objetivos.
- Evaluación y comparación de las alternativas.
- Implementación de esas alternativas.
Los anteriores pasos los requerimos para todo tipo de toma de decisiones pero en
términos de análisis matemáticos la toma de decisiones desde un punto de vista
estadísticos tiene en cuenta los siguientes pasos:
1. Simplificar
2. Construir un modelo de decisión
3. Probar el modelo
4. Usando el modelo para encontrar soluciones:
o El modelo es una representación simplificada de la situación real
o No necesita estar completo o exacto en todas las relaciones
o Se concentra en las relaciones fundamentales e ignora las irrelevantes.
o Este es entendido con mayor facilidad que un suceso empírico (observado),
por lo tanto permite que el problema sea resuelto con mayor facilidad y con
un mínimo de esfuerzo y pérdida de tiempo.
5. El modelo puede ser usado repetidas veces para problemas similares, y
además puede ser ajustado y modificado.
18
Afortunadamente, los métodos probabilísticos y estadísticos para el análisis de

toma de decisiones bajo incertidumbre son más numerosos y mucho más
poderosos que nunca. Las computadoras hacen disponible muchos usos
prácticos. Algunos de los ejemplos de aplicaciones para negocios son los
siguientes:
Un auditor puede utilizar técnicas de muestreo aleatorio para auditar las

cuentas por cobrar de un cliente.
Un gerente de planta puede utilizar técnicas estadísticas de control de
calidad para asegurar la calidad de los productos con mínima inspección y
menor número de pruebas.
Un analista financiero podría usar métodos de regresión y correlación para
entender mejor la analogía entre los indicadores financieros y un conjunto
de otras variables de negocio.
Un analista de mercadeo podría usar pruebas de significancia para aceptar
o rechazar una hipótesis sobre un grupo de posibles compradores a los
cuales la compañía está interesada en vender sus productos.
Un gerente de ventas podría usar técnicas estadísticas para predecir las
ventas de los próximos periodos.
Análisis de Decisiones: Tomando Decisiones Justificables y Defendibles
El análisis de decisiones es la disciplina que consiste en evaluar alternativas

complejas en términos de valores (habitualmente en $ porque es lo que a los
gerentes les importa) y de incertidumbre (lo que no conocemos). El análisis de
decisiones brinda información sobre las diferencias entre las alternativas definidas,
y genera sugerencias de nuevas y mejores alternativas. Usamos números para
cuantificar valores e incertidumbres subjetivas, lo cual nos permite comprender la
situación de decisión. Los resultados numéricos deben reconvertirse para generar
información cualitativa.
Los seres humanos pueden comprender, comparar y manipular números. Por lo

tanto, para crear un modelo de análisis de decisiones es necesario crear la
estructura del modelo y asignar las probabilidades y los valores para poblar el
modelo de computación. Aquí se incluyen los valores para las probabilidades, las
funciones de valor para evaluar alternativas, las ponderaciones de valor para
medir la concesión que se debe hacer entre los objetivos, y la preferencia de
riesgo.
Una vez definida la estructura y los números, el análisis puede comenzar. El

Análisis de Decisiones implica mucho más que calcular la utilidad esperada y
ponderada de cada alternativa. Si nos detuviéramos aquí, los decisores no
tendrían demasiada información. Tenemos que examinar la sensibilidad de la
utilidad esperada y ponderada para las probabilidades clave, y los parámetros de
ponderación y preferencia de riesgo. Como parte del análisis de sensibilidad
19
podemos calcular el valor de la información perfecta para incertidumbres que han

sido modelizadas explícitamente.
Entre las comparaciones cuantitativas adicionales se incluye la comparación

directa de la utilidad ponderada para dos alternativas en todos los objetivos y la
comparación de todas las alternativas en dos objetivos seleccionados,
demostrando la optimalidad de Pareto para estos dos objetivos.
La complejidad del mundo moderno, junto con la cantidad de Información, la

Incertidumbre y el Riesgo, requieren un marco racional para la toma de
decisiones. Las metas del análisis de decisiones son las siguientes: incorporar
orientación, información, discernimiento y estructura al proceso de toma de
decisión, para que ésta pueda ser mejor y más "racional".
Figura 1. Ideas
Toda decisión necesita un decisor responsable. El decisor tiene varias

alternativas, y debe elegir una. El objetivo del decisor es elegir la mejor alternativa.
Después de que se ha tomado la decisión, pueden producirse eventos sobre los
que el decisor no tiene control. Cada combinación de alternativas elegida, seguida
por un evento, conduce a un resultado con algún valor mensurable. Los gerentes
toman decisiones en situaciones complejas. Las matrices de árbol de decisiones y
pago describen estas situaciones y añaden estructura a los problemas.
Lección 3: Elementos de los Modelos de Análisis de Decisión
Las teorías y las técnicas matemáticas que se toman en consideración en el

análisis de decisiones se ocupan de las teorías de elección prescriptivas (acción).
Es decir, la cuestión aquí es ver exactamente de qué modo se comporta un
decisor cuando se enfrenta a una elección entre cursos de acción, cuyos
resultados están regidos por el azar o las acciones de los competidores.
El análisis de decisiones es un proceso que le permite al decisor seleccionar una

decisión (sólo una) entre un conjunto de alternativas posibles de decisión, cuando
existe incertidumbre con respecto al futuro, con el objetivo de optimizar el pago
(retorno) resultante, en términos de algún tipo de criterio de decisión numérico.
20
Los elementos de los problemas de análisis de decisiones son los siguientes:
Grafico 3. Componentes de un modelo probabilístico
1. Hay un decisor responsable individual. Por ejemplo, el Representante legal de

una compañía que quizás deba rendir cuentas ante los accionistas.
2. Un número finito de eventos (futuros) posibles, llamados Estados de la
Naturaleza, es decir, un conjunto de escenarios posibles. Las circunstancias en
las cuales se toma una decisión se llaman estados de la naturaleza. Los
estados de la naturaleza se identifican y agrupan en el conjunto S; los
miembros se denotan como s. El conjunto S es un grupo de conjuntos
mutuamente excluyentes. Es decir, sólo puede ocurrir un estado de la
naturaleza. ¿Qué puede hacer la naturaleza?
3. Un número finito de alternativas posibles de decisión. Hay una acción a,
miembro del conjunto A, que puede ser adoptada por el decisor. Sólo puede
adoptar una. ¿Qué puedo hacer? Una buena decisión requiere buscar un
conjunto más rico de alternativas que las que se presentaron inicialmente o que
las aceptadas tradicionalmente.
4. Sea breve en la parte de la lógica y la razón de su decisión. Es probable que
existan mil cosas en un automóvil, pero usted no las necesita todas para tomar
la decisión. Con media docena es suficiente.
5.La manera más sencilla de formular el problema de decisión es usando una
matriz de beneficios (tabla). Hay una matriz de beneficios X bien definida,
monetaria (y luego de utilidad) sobre dos conjuntos de dominio dimensionales
A y S. Las filas y las columnas se asignan a las alternativas de decisión
posibles y a los estados posibles de la naturaleza, respectivamente.
Normalmente no es tarea sencilla construir esta matriz; por lo tanto, puede

requerir algo de práctica.
Fuente de Errores en la Toma de Decisiones: La fuente principal de errores en

los problemas de toma de decisiones arriesgadas son las presunciones falsas, no
tener una estimación exacta de las probabilidades, depender de la expectativa,
dificultades en medir la función de utilidad, y los errores de pronóstico.
Cuando tomamos alguna decisión se puede incurrir en algunos errores que

sesgan las decisiones ya sea para bien o para mal, entre los más frecuentes
errores tenemos:
21
- Focalizarse en una sola fuente de información.

- Sobreestimar el valor de la información recibida de otros.
- Subestimar el valor de la información recibida de otros.
- Escuchar y ver sólo lo que queremos.
- No escucharnos
- No ofrecer participación
- Hacer de forma unilateral u obligada
Como se estudio en este capítulo, hay una secuencia previa para la toma de
decisiones, se observo desde el análisis del problema hasta las secuencias para
una óptima decisión, pero solo con análisis empíricos hasta el momento y no con
modelos matemáticos para analizar en los siguientes capítulos.
Ejemplo de decisión de inversión:
Los estados de la naturaleza son los estados de la economía durante un año. El

problema es decidir qué acciones tomar entre los tres cursos posibles, con las
tasas de retorno dadas tal y como son mostradas en la tabla.
Estados de la Naturaleza
Crecimiento Sin
Crecimiento Bajo
medio cambio
C CM SC B
Bonos 12% 8 6 3
Cursos
de Acciones 15 7 3 -2
Acción
Depósito 7 7 7 7
Tabla 1. Matriz para procesos de decisión
Lección 4: PASOS PARA LA TOMA DE DECISIONES
Definido el proceso para la toma de decisiones, se une el proceso escogido y

definido con una serie de pasos para la decisión como los siguientes, donde cada
uno de ellos plantea unas preguntas que se deben resolver así:
Definir el Problema
Se puede preguntar lo siguiente:
22
- ¿Qué cree que causa el problema?
- ¿Dónde, cómo y qué está pasando?
- ¿Con quién está pasando?
- ¿Por qué está pasando?
Describa de manera específica el problema.
- Si se presenta un problema considerado como complejo es aconsejable que se

proceda a contestar las preguntas mencionadas hasta que se logren escribir los
problemas relacionados.
- Es importante verificar el entendimiento de los problemas. Esto se puede lograr

con el diálogo con un par para clarificar conceptos.
- Otro aspecto a considerar es establecer un orden o prioridad en los problemas a

tratar. Para ello es útil distinguir entre “urgente” e “importante”.
- El entender nuestro rol en el problema es importante, pues influye grandemente

en como uno percibe el rol de los demás.
Buscar las Causas Potenciales del Problema.
- En esta fase es importante recibir la retroinformación de los que notan el

problema o quienes están siendo afectados por él.
- Escribe cuáles son tus opiniones y que has escuchado de otros.
- Haz una descripción de la causa del problema, en términos de lo que está

pasando, dónde, cuándo, cómo, con quién y por qué.
Identificar Alternativas para Resolver el Problema.
- Desarrollar una “tormenta de ideas” para la solución del problema.
- La “tormenta de ideas” consiste en colectar el mayor número de ideas posibles y

luego cernir las mismas para encontrar la mejor idea.
Seleccionar una alternativa para resolver el problema.
Se ha de considerar:
- ¿Cuál alternativa resolverá el problema a largo plazo?
- ¿Cuál alternativa es más realista al momento?
23
- ¿Qué recursos tenemos? ¿Están accesibles?
- ¿Tenemos el tiempo suficiente para implementar la alternativa?
- ¿Cuál es el riesgo asociado a cada alternativa?
Establecer el plan de acción para la implementación de la mejor alternativa.

Considerar lo siguiente:
- ¿Cómo la situación se verá cuando el problema sea resuelto?
- ¿Qué pasos se han de tomar para la implementación de la mejor alternativa para

resolver el problema?
- ¿Qué sistemas o procesos deberían ser cambiados por una política o

procedimiento?
- ¿Cómo sabemos que los pasos se están llevando a cabo?
- ¿Qué recursos se necesitan en términos de personas, facilidades y finanzas?
- ¿Cuánto tiempo se necesita para implementar la alternativa? Para ello es

necesaria la creación de una agenda.
- ¿Quiénes será responsable de asegurarse de la implementación del plan?
Monitorear la Implementación del Plan.

Algunos aspectos a considerar:
- Observar que se estén dando lo esperado a través de la implementación.
- Cotejar que se esté llevando a cabo el itinerario o agenda programada.

- Si el plan establecido no está dando los resultados esperados favor de revisar el
plan.
Verificar si el plan ha sido efectivo o no.
- Una manera de ver su efectividad es verificar que las operaciones vuelvan a la

normalidad.
- Verificar si los cambios realizados evitarán el mismo problema en el futuro.
- Preguntarnos que hemos aprendido del proceso de toma de decisiones

(conocimiento, entendimiento, destrezas).
24
- Realizar un memorando que describa los logros del esfuerzo durante el proceso
de resolver el problema y compartirlo con todos/as.
Lección 5: Criterio de decisión
fuente: elearning.semarnat.gob.mx/cte /MATERIALESAPOYO...
Para el estudio de los criterios de decisión, primero debemos definir que son
criterios de decisión y los tipos de criterios que debemos estudiar:
Clasificación de Criterios de Decisión:
Los criterios los clasificamos de acuerdo a la forma o estado de la naturaleza

(eventos) que se nos presentan para la decisión, por lo cual encontramos la
siguiente clasificación:
1. DECISIÓN TOMADA BAJO CERTEZA
Los estados de la naturaleza que ocurrirán se asumen conocidos. En este caso el

que toma las decisiones sabe con claridad o exactitud cual estado de la naturaleza
ocurrirá.
2. DECISIÓN TOMADA BAJO RIESGO
Existe conocimiento de la probabilidad que un estado de la naturaleza ocurra, por

lo cual es necesario un buen manejo de las densidades de probabilidad y el
manejo matemático se desarrollan con base en información estadística. Para
estados de la naturaleza se tiene en cuenta lo siguiente:
- maximizar el perjuicio esperado, medido en perjuicio neto esperado.

- maximizar el perjuicio esperado, medido por su utilidad.
- minimizar el perjuicio esperado, en este caso perjuicio y utilidad conducen la
misma decisión.
25
3. DECISIÓN TOMADA BAJO INCERTIDUMBRE
La probabilidad de que ocurra un estado de la naturaleza es absolutamente

desconocida.
En este caso se supone que el que toma las decisiones tiene como conocimiento
de la probabilidad con que ocurrirán los estados de la naturaleza (evento) y para
ello se tiene en cuenta los siguientes criterios:
- maximizar el rendimiento neto mínimo.

- maximizar el rendimiento neto máximo.
- minimizar el perjuicio máximo.
Para iniciar el curso en los procesos matemáticos se definirán a continuación los
criterios básicos para la toma de decisión así:
- CRITERIO DE PENA MINIMAX (SAVAGE)
Criterio de toma de decisiones que minimiza la penalidad máxima asociada con no

haber tomado la mejor decisión posible.
Penalidad = (ganancia por la mejor decisión) – (ganancia por la decisión no óptima).
Cuando la penalidad se aproxima o es igual a cero (0) la opción seleccionada es la

mejor alternativa para la inversión.
- CRITERIO PROBABILÍSTICO
Consiste en incorporar la probabilidad de cada uno de los resultados que se

puedan presentar.
Pasos para desarrollarlo:
- Estimar la probabilidad de cada resultado.
- Utilizar estas propiedades para calcular una ganancia esperada para cada
alternativa.
- Escoger la alternativa que tenga la mayor ganancia esperada.
Permite incorporar su conocimiento (o creencias) acerca de la probabilidad relativa

de cada resultado, para el caso del canal de televisión usted podría creer, basado
en la experiencia, que hay una misma probabilidad de que la serie sea un éxito o
un fracaso, pero que existe una menor probabilidad que la serie sea un gran éxito,
para cada uno de los resultado posibles, usted debe:
1. Estimar la probabilidad de cada resultado.

2. Utilizar estas probabilidades para calcular una ganancia esperada.
3. Escoja la alternativa que tenga la mayor ganancia esperada.
26
- CRITERIO OPTIMISTA (MAXIMAX)

Consiste en escoger la alternativa que nos represente mayor ganancia en
inversión.
- CRITERIO PESIMISTA (MAXIMIN)

El objetivo principal de este criterio es seleccionar la alternativa que maximice
ganancia mínima posible, es decir, asegurar la mínima perdida.
- CRITERIO HURWICZ
Este criterio combina los criterios pesimista y optimista, decidiendo que tan
optimista o que tan pesimista se desea ser.
- se escoge el coeficiente de optimismo alfa que tiene valores de 0 a 1 (entre más

cerca este de uno es más optimista).
- fórmula para cada alternativa:
- Ganancia pesada = alfa * (ganancia máxima) + (1- alfa) * (ganancia mínima).
- seleccione la alternativa que presente la mayor ganancia pesada.
EJEMPLO 1:
El vendedor de periódicos Felipe Rodríguez vende en la esquina de la Avenida

Caracas y la Calle 53, y cada día debe determinar cuantos periódicos pedir. Felipe
compra a $20 cada periódico y lo vende a $.25 Los periódicos que no vende al
final del día no tiene valor. Felipe sabe que cada día puede vender entre 6 y 10
periódicos, siendo igual cada probabilidad. Indique como se ajusta este problema
en el modelo según el estado del mundo.
SOLUCION
En este ejemplo, los miembros S = 6, 7, 8, 9,10 son los valores posibles de la

demanda diaria de periódicos. Se sabe que p6 = p7 = p8 = p9 = p10 =1/5. Felipr
debe escoger una acción que es el número de periódicos que debe pedir cada día
entre A= 6, 7, 8, 9,10 .
Si Felipe compra i periódicos y la demanda es de j, entonces se compran i a un

costo de $20 i, y se venden min(i,j) periódicos a $25 cada uno. Así, se Felipe
compra i periódicos y le piden j, tiene una ganancia neta rij donde
rij = 25i - 20i = 5i i j

rij = 25j - i i ≥ j)
En la tabla 2, aparecen los valores de rij
27
DEMANDA DE PERIODICOS
PERIODICOS
PEDIDOS 6 7 8 9 10
6 $30 $30 $30 $30 $30

7 $10 $35 $35 $35 $35
8 -$10 $15 $40 $40 $40
9 -$30 -$5 $20 $45 $45
10 -$50 -$25 $ 0 $25 $50
Tabla 2. Matriz costos de ejemplo 1.
Aplicando el criterio de decisión maximin se obtienen los siguientes resultados:
PERIODICOS EL PEOR ESTADO RECOMPENSA EN EL PEOR

PEDIDOS DEL MUNDO ESTADO DEL MUNDO
6 6, 7, 8, 9,10 $30 --- maximin

7 6 $10
8 6 -$10
9 6 -$30
10 6 -$50
Tabla 3. Decisiones según Criterio maximin
Por lo tanto si opta por la decisión de mitigar el peor de los casos, quizá ya pueda
sacar provecho de la buena fortuna, por lo cual Felipe nunca ganará menos de
$30, pero nunca ganará más de $30. Por lo cual se recomienda ordenar 6
periódicos.
Aplicando el criterio de decisión maximax se obtiene los siguientes resultados:
PERIODICOS EL PEOR ESTADO RECOMPENSA EN EL PEOR

PEDIDOS DEL MUNDO ESTADO DEL MUNDO
6 6, 7, 8, 9,10 $30
7 7, 8, 9,10 $35
8 8, 9,10 $40
9 9,10 $45
10 10 $50 --- maximax
Tabla 4. Decisiones según Criterio maximax
Este criterio de decisión produce una ganancia de $ 50 con la recomendación de

pedir 10 periódicos, pero deja abierta la posibilidad que la demanda sea solo 6
periódicos en cuyo caso perderá $50.
Aplicando el criterio Savage, penalización o minimax se debe primero tener en

cuenta la penalización previa o sea la diferencia entre la mayor utilidad obtenida
28
por demanda menos cada una de las utilidades por periódico vendido, tal como
se muestra en la tabla siguiente:
PERIODICOS
PEDIDOS 6 7 8 9 10
6 $30 - $30 = $ 0 $35 - $30= $ 5 $40 - $30= $10 $45 - $30= $15 $50 - $30= $20
7 $30 - $10 = $20 $35 - $35= $ 0 $40 - $35 =$ 5 $45 - $35 = $10 $50 - $35 = $15
8 $30 + $10 = $40 $35 - $15 = $20 $40 - $40 = $ 0 $45 - $40 = $ 5 $50 - $40 = $10
9 $30 + $30 = $60 $35 + $ 5 = $20 $40 - $20 = $20 $45 - $45 = $ 0 $50 - $45 = $ 5
10 $30 + $50 = $80 $35 + $25 = $60 $40 - $ 0 = $40 $45 - $ 0 = $40 $50 $50 $50
Tabla 5. Penalizaciones ejemplo 1.
Los resultados obtenidos son las penalizaciones por lo cual los resultados son:
PERIODICOS PENALIZACION
PEDIDOS MAXIMA
6 $20
7 $20
8 $40
9 $60
10 $80
Según este criterio se recomienda pedir entre 6 y 7 periódicos ya que la pérdida

seria mínima solo de $20.
TALLER
1. PIZZA King y Noble greek son dos restaurantes competidores. Deben
determinar en forma simultánea, si emprenden campañas de publicidades
pequeñas, medianas o grandes. Pizza King cree que es igualmente probable que
Noble Greek lleve a cabo una campaña pequeña, mediana o grande. En la tabla
se muestran las ganancias de Pizza King, dadas las acciones de los dos
restaurantes. Determinar la campaña elegida por Pizza King según los criterios
maximin, maximax y minimax.
ELECCION DE ELECCION DE NOBLE GREEK

PIZZAS KING Pequeña Mediana Grande
Pequeña 6000 5000 2000
Mediana 5000 6000 0
2. Sodaco planea producir una novedad: chocovan. Calcula que la demanda anual
de chocovan, D (miles de empaques) tiene la siguiente función de masa: P(D =30)
= .30, P(D = 50) = .40, P(D = 80 ) = .30. Cada empaque de Chocovan se vende a
$5 y se encurre en un costo variable de $3. Se necesitan $800000 para construir
la planta productora de Chocovan. Suponga que se recibe, por siempre $1 cada
año, equivale a recibir $10 ahora. Considerando la recompensa para cada acción
y estado del mundo en términos del valor presente neto, usar cada uno de los
criterios de decisión estudiados en el capitulo para determinar se sodaco debe
construir la planta.
29
CAPITULO 2: DECISIONES BAJO INCERTIDUMBRE – VALOR ESPERADO.
Fuente: http://scielo.isciii.es/scielo.php?pid=S0213-9111200...
INTRODUCCIÓN
Este capítulo desarrollará los siguientes temas un poco más a fondo en donde se
tendrán en cuenta datos numéricos recolectados de un estudio de mercados
previo los temas son:
- Características del valor esperado.
- Diseño y conducción de la investigación de mercados.
- Valor esperado de la información muestra
OBJETIVOS:
1.- Conocer los desarrollos necesarios para evaluar una investigación de

mercados.
2.- Emplear los criterios de valor esperado para tomar la decisión de una
investigación.
3.- Estudiar el criterio del valor esperado cuando se tiene una información perfecta
o una muestra especifica.
30
Lección 6: CRITERIO DEL VALOR ESPERADO
Fuente:juangabrielcendales.com/.../acuerdos-y-certezas/
En las decisiones bajo incertidumbre esteremos soportados en la estadística por

medio del valor esperado o esperanza matemática.
También tendremos un fuerte apoyo en los manejos de investigación de mercados

lo que permite estudiar un poco mejor la teoría de la utilidad o criterio de utilidad.
Todo esto nos da el manejo de informaciones que tenga algo de muestra o sin
información muestra.
- Valor Esperado
Grafica 4. Resultados de valor esperado
Fuente: www.monografias.com/trabajos48/medicinas-alte...
En estadística el valor esperado o esperanza matemática (o simplemente

esperanza) de una variable aleatoria es la suma de la probabilidad de cada suceso
multiplicado por su valor. Por ejemplo en un juego de azar el valor esperado es el
beneficio medio.
Si todos los sucesos son de igual probabilidad la esperanza es la media aritmética.
31
Se refiere a una información que en un futuro haciendo retrospectiva permite ver

que escogimos la mejor opción o alternativa.
Características:
Información del futuro que en retrospectiva, le permitirá haber escogido la mejor

alternativa.
El cálculo del valor esperado de la información perfecta se obtiene mediante:
- La estimación de la probabilidad de cada resultado.
- El uso de estas probabilidades para encontrar la recuperación esperada sin

información perfecta, mediante la aplicación de criterios.
- El cálculo del valor con información perfecta se obtiene de acuerdo a:
- Identificación de la mejor decisión y la correspondiente ganancia para cada

resultado.
- Determinar la ganancia con relación a la probabilidad dada.
- Multiplicación de la ganancia para cada resultado futuro por la probabilidad

correspondiente de ese resultado y sumando los productos resultantes.
Lección 7: DISEÑO Y CONDUCCION DE LA INVESTIGACION DE MERCADO
El propósito de la I.M. es diseñar y llevar a cabo una investigación que tenga como
resultado un indicador descriptivo o estimación del proyecto propuesto.
Para determinar la confiabilidad de la investigación, se necesita hacer una

evaluación en base a los resultados esperados.
- Reporte favorable del estudio I.M; la muestra tomada expresa un interés

considerable en el producto de la X Cía.
- Reporte no favorable del estudio de I.M; a muestra tomada expresa poco interés
por producto de la X Cía.
Se evalúa para cada resultado, la probabilidad de que cada indicador sea

resultado de la investigación.
Revisión de las probabilidades en la investigación de mercados:

Probabilidades: permite estimar decisiones para resultados posibles.
32
Investigación de Mercados: permite diseñar y llevar a cabo una investigación

que tiene como resultado un indicador descriptivo; además permite que el
administrador estime probabilidades más precisas.
Árbol de Probabilidad: herramienta que permite visualizar y llevar a cabo análisis

de decisiones y observar las probabilidades de los resultados, están conformados
por nodos y arcos.
Tipos de probabilidades:
Probabilidad Conjunta: probabilidad de que se presenten dos sucesos.
Probabilidad Marginal: probabilidad de que se presente un suceso en particular.

Estas probabilidades permiten llegar a las probabilidades posteriores.
Probabilidades Posteriores: probabilidades revisadas de los resultados obtenidos

sobre la base de los indicadores de una investigación de mercado.
EJEMPLO 2: Colombia.com es una empresa que se encarga de ensamblar

computadores, quieren incluir al mercado un nuevo equipo que cumpla con las
necesidades de los clientes, pero la empresa necesita conocer la acogida que va
tener ante el mercado, los administradores se hacen dos preguntas:
a) ¿Cuánto debe invertir en este producto experimental?

b) ¿El producto tendrá un éxito o será un fracaso?
Para responder a estas preguntas es necesario hacer un estudio de mercadeo.

- Formulación del problema: identificar un numero de alternativas de decisión para
ello se debe tener en cuenta:
- La cantidad a invertir
- Estrategia para la inversión.
- La inversión se divide en 3 niveles:
- Nivel Inferior (L): los computadores no son conocidos en el mercado.
- Nivel Moderado (M): el procesador es conocido pero, otras partes son poco
conocidas.
- Nivel Alto(A): a pesar de que los demás componentes no son conocidos,
demuestran ser de buena calidad.
- Con base en lo anterior identificamos posibilidades.
- Fracaso (F): menos del 10% los clientes compran el producto.
- Éxito (S): entre el 10% y 20% los clientes compran el producto.
- Gran éxito (G): más del 20% compran el producto.
33
Resultado
Decisiones Fracaso (F) Éxito (S) Gran éxito G)

Baja (L) -2 5 8
Moderada (M) -5 10 12
Alta (A) -8 6 15
Tabla 6. Estimaciones de Ganancia.
La administración utilizo la experiencia para estimar las siguientes probabilidades

para los 3 resultados posibles para la venta del nuevo producto.
a) 0,4 Fracaso (F)
b) 0,4 Éxito (E)
c) 0,2 Gran éxito (G).
Alternativa Ganancia Esperada

Baja 0,4(-2)+0,4(5)+0,2(8)=2,8
Moderada 0,4(-5)+0,4(10)+0,2(12)=4,4
Alta 0,4(-8)+0,4(6)+0,2(15)=2,2
Tabla 7. Ganancia sin Información Perfecta.
Lección 8: Valor esperado de la información muestra:
El objetivo de la investigación de mercados (IM) es el de ayudar al administrador a

realizar estimaciones de probabilidad más precisas.
El uso de la investigación de mercado para modificar las probabilidades implica lo

siguiente:
- Diseño y ejecución de la investigación de mercado.
- Revisión de las probabilidades de los diferentes resultados basados en el

resultado de la investigación de mercado.
- Identificación de la decisión optima basada en las probabilidades revisadas.
Enfoque de valor esperado
- Si las estimaciones de probabilidad de los estados de naturaleza están

disponibles, podemos utilizar el enfoque de valor esperado (EV).
34
- Aquí el valor esperado de cada decisión es calculada sumando el producto de los

pagos bajo cada estado de naturaleza y la probabilidad de que dicho estado de
naturaleza ocurra.
- Se selecciona la decisión que proporcione el mejor valor esperado.
Valor esperado de una alternativa de decisión:
- El valor esperado de una alternativa de decisión es la suma de los pagos

ponderados correspondientes a la alternativa de decisión.
- El valor esperado (EV) de una alternativa de decisión di se define así:
Donde: N = número de estados de naturaleza
P(sj ) = probabilidad del estado de naturaleza sj
Vij = el pago correspondiente a la alternativa de decisión di y estado de naturaleza

sj
Limitaciones del valor esperado:
- Si las consecuencias de un resultado potencialmente desfavorable pueden

sobrellevarse sin mayores sobresaltos, el VE es un criterio razonable para la
acción.
- Cuando las consecuencias de un resultado potencialmente desfavorable no

pueden ignorarse (cuando se ponen en juego grandes sumas de dinero en
términos relativos), el VE puede no ser el mejor criterio de decisión.
Lección 9: Valor Esperado de la Información Perfecta.
La ganancia esperada con información perfecta se toma el valor más grande de

cada columna de la tabla de ganancia y se multiplica por los porcentajes
estimados.
= 0,4(-2)+0,4(10)+0,2(15)=6,2
35
Formula general del valor esperado de la información perfecta:
Valor esperado Ganancia Ganancia

de la esperada con esperada sin
información información información
= perfecta
-
perfecta perfecta
Valor esperado de la información perfecta = 6,2 – 4,4 = 1,8
En otras palabras el tener información perfecta vale $1.8 millones a

Colombia.com.
Indicador Descripción
I1 < 10% compra producto (computador)
I2 > 10% compra producto(computador)
Tabla 8. Indicadores favorables y desfavorables.

Indicador F S G
I1 0,8 0,3 0,1
I2 0,2 0,7 0,9
Tabla 9. Probabilidades condicionales dadas por los resultados.
Indicador Fracaso (F) Éxito (S) Gran éxito (G) P.Marginal

I1 0,32 0,12 0,02 0,46
I2 0,08 0,28 0,18 0,54
Tabla 10. Probabilidades conjuntas y marginales.
Indicador Fracaso (F) Éxito (S) Gran éxito (G)

I1 0,7 0.3 0,04
I2 0,15 0,52 0,33
Tabla 11. Probabilidades Posteriores.
Decisiones Ganancia esperada

Baja 0,7(-2) + 0,3(5) + 0,04(8) = 0,42
Moderada 0,7(-5) + 0,3(10) + 0,04(12) = 0,02
Alta 0,7(-8) + 0,3(6) + 0,04(15) = -3,2
Tabla 12. Indicador I1.
36
Decisiones Ganancia esperada

Baja 0,15(2) + 0,52(5) + 0,33(8) = 4,94
Moderada 015(-5) + 0,52(10) + 0,33(12) = 8,41
Alta 0,15(-8) + 0,52(6) + 0,33(15) = 6,87
Tabla 13. Indicador I2.
Indicador Decisión optima Ganancia esperada

I1 Baja 0,42
I2 Moderada 8,4
Tabla 14. Decisiones óptimas y ganancias esperadas por I1 y I2
Ganancia Ganancia Ganancia

esperada esperada esperada
con = cuando el *P (1) + cuando el *P (2)
información indicador es
indicador
de muestra I1
es I2
Ganancia esperada con información de muestra
= (0,42*0,46) + (8,4*0,54) = 4,7
Finalmente el valor esperado de la información de muestra es:
Valor Ganancia
esperado
= _ Ganancia
esperada esperada sin
de la con información
información información de muestra
de muestra de muestra
= 4,7 – 4,4 = 0,28
Esto significa que la ganancia esperada por Colombia.com aumentara en $279990

si se utiliza los resultados de la investigación.
Eficiencia de la información de muestra
37
Eficiencia Valor esperado de la

de la información de muestra
=
Valor esperado de la *100
información
de muestra información perfecta
= 0,28 / 1,8 = 15,6%
EJEMPLO 3: El vendedor de periódicos Felipe Rodríguez vende en la esquina de

la Avenida Caracas y la Calle 53, y cada día debe determinar cuantos periódicos
pedir. Felipe compra a $20 cada periódico y lo vende a $.25 Los periódicos que
no vende al final del día no tiene valor. Felipe sabe que cada día puede vender
entre 6 y 10 periódicos, siendo igual cada probabilidad. Indique como se ajusta
este problema en el modelo según el estado del mundo.
PERIODICOS
PEDIDOS 6 7 8 9 10
6 $30 $30 $30 $30 $30

7 $10 $35 $35 $35 $35
8 -$10 $15 $40 $40 $40
9 -$30 -$5 $20 $45 $45
10 -$50 -$25 $ 0 $25 $50
Para el criterio del valor esperado se tiene en cuenta la probabilidad del estado de
la naturaleza que es para todas las posibles opciones de 1/5 por el pago
correspondiente para cada decisión y el valor mayor es la mejor decisión así:
RECOMPENSA ESPERADA
PERIODICOS
PEDIDOS
6 1/5( $30+$30+$30+$30+$30) = $30

7 1/5( $10+$35+$35+$35+$35) = $30
8 1/5(-$10+$15+$40+$40+$40) = $25
9 1/5(-$30-$5+$20+$45+$45) = $15
10 1/5(-$50-$25+$0+$25) = $0
Este criterio recomendaría que se pidan 6 o 7 periódicos.
Lección 10: Criterio nivel de aceptación
Este criterio no proporciona una decisión óptima en el sentido de maximizar

beneficio o minimizar un costo. Más bien es un medio de determinar cursos de
acción aceptables. Considere por ejemplo, la situación que ocurre cuando una
38
persona anuncia la venta de un auto usado. Al recibir una oferta, el vendedor debe
decidir dentro de un tiempo razonable, si está es aceptable o no. En este aspecto,
el vendedor establece un precio límite abajo del cual el auto no será vendido. Este
es el nivel de aceptación que permitirá al vendedor aceptar la primera oferta que
lo satisfaga. Tal criterio no puede proporcionar el óptimo; Una oferta posterior
puede ser más alta que la aceptada.
Al tomar una decisión en el ejemplo de los autos usados, no se menciono una

distribución de probabilidad. ¿Entonces porque el criterio de nivel de aceptación se
clasifica como una toma de decisiones con riesgo? Se puede argumentar que al
seleccionar el nivel de aceptación, el propietario del automóvil tiene conocimiento
del valor en el mercado de unidades similares. Este equivale a decir que él tiene
una “noción” de la distribución de los precios de los autos usados, decididamente,
esto no da una definición formal de una función densidad de probabilidad pero se
tiene una base para adjuntar datos que se puedan emplear a fin de desarrollar
dicha función. En realidad, se debe suponer que este es el caso, ya que la
ignorancia completa acerca de la distribución puede hacer que el propietario fije el
nivel de aceptación demasiado alto y en esta caso ninguna oferta seria aceptable;
o bien fijarlo muy bajo y en este caso quizás el propietario no llegue a tener un
noción adecuada del valor real del automóvil. En cualquier caso una de las
ventajas de aceptar el nivel de aceptación es que quizás no sea necesario definir
con exactitud la función densidad de probabilidad.
La explicación anterior destaca la utilidad del criterio del nivel de aceptación

cuando todos los cursos de acción alternativos no están disponibles cuando se
toma la decisión. Esta no necesita ser la única situación donde se utiliza este
criterio. Considérese, por ejemplo, el caso donde una estación de servicio
(lavandería, restaurante, peluquería) puede atender con diferentes tasas de
servicio. Una tasa alta de servicio aunque proporciona un servicio más rápido y
conveniente, puede ser demasiado costosa para el propietario. Recíprocamente
un servicio lento no puede ser tan costoso, pero ocasiona la pérdida de clientes y
por último el beneficio. El objetivo es llegar al punto óptimo de realizar el servicio.
En estos casos es posible determinar la distribución de probabilidad para el
servicio tanto en llegada como en el tiempo de atención, debido a que estas
instalaciones operan durante largo tiempo parece ideal determinar la optimalidad
basado en la minimización del costo de la instalación por unidad de tiempo en
total. Incluyendo el costo esperado de operar mas el costo esperado de la
inveniencia para el cliente, siendo ambos función del nivel de servicio siendo el
primero más alto, el más bajo el segundo y viceversa. Sin embargo este criterio
será impráctico debido a la dificultad de determinar el costo del cliente. Otros
factores intangibles no se pueden determinar fácilmente en relación al costo ya
que depende del cliente y su personalidad.
EJEMPLO 4: Se supone que la demanda x por periodo de cierta mercancía está

dada por la función continua de probabilidad f(x), si la cantidad al comenzó del
periodo no es suficiente puede ocurrir escasez. Si se tiene demasiado hay
39
inventario ocioso. Ambas situaciones son costosas la primera da perdida beneficio

potencial, la segunda aumenta el costo del inventario.
Supuestamente se debe equilibrar estos costos, ya que generalmente es difícil

estimar el costo de escasez, se puede determinar el nivel de inventario tal que la
escasez esperada no exceda de A1 y el exceso esperado no pase de A2.
Matemáticamente, esto se expresa de la siguiente manera.
Sea I el nivel de inventario que se va a determinar. Por lo tanto,
Escasez esperada = ∫ (x – I) f(x) dx ≤ A1
Exceso esperado = ∫ (I – x) f(x) dx A2
Como A1 y A2 no puede ser factible para algunos valores I. Se supone que
20 / x2 10 x 20
F(x) =
0 en cualquier otro valor
Se deduce que
= = 20 ln 20/I + I/20 – 1
= = 20 ln 10/I + I/10 -1
El criterio de aceptación se simplifica y se tiene
Ln I - I/20 ≥ ln 20 – A1/20 – 1 = 1.996 - A1/20
Ln I - I/10 ≥ ln 10 – A2/20 – 1 = 1.302 – A2/20
Esto significa que los niveles de aceptación A1 y A2 deben ser tales que las dos
desigualdades se satisfagan simultáneamente para al menos un valor de I.
El valor de I debe estar entre 10 y 20 por ser los límites de demanda
I 12 13 14 15 16 17 18 19 20
Ln I – I/20 1.88 1.91 1.94 1.96 1.97 1.98 1.99 1.99 1.99
Ln I – I/10 1.28 1.26 1.24 1.21 1.17 1.13 1.09 1.04 0.99
40
Se satisface para 13 < I < 17. Por consiguiente para cualquiera de estos valores
se proporciona una respuesta al problema.
TALLER:
1. El Restaurante Ave Roja está contemplando abrir un nuevo restaurante en

Medellín. Tiene tres modelos distintos, cada uno con diferente capacidad de
asientos. Burger Prince estima que el número promedio de clientes por ahora será
de 80, 100 o 120. La tabla de pago para los tres modelos es el siguiente:
Promedio De Clientes Por Hora

s1 = 80 s2 = 100 s3 = 120
Modelo A $10,000 $15,000 $14,000

Modelo B $ 8,000 $18,000 $12,000
Modelo C $ 6,000 $16,000 $21,000
2. Un vendedor de recuerdos de viaje descubre que sus ventas dependen del

clima, en gran medida. Él debe ordenar sus mercancias en enero. El mayorista le
ofrece paquetes, con una variedad grande o pequeña, a precios especiales, y le
vendedor ha decidido comprar uno u otro. Su tabla de utilidades en términos de
ganancia neta en dólares aparece en seguida:
ESTADO NATURAL
DECISION FRIO FRESCO CALIDO TÓRRIDO
PEQUEÑO 0 1000 3000 4000
GRANDE - 3000 -1000 4000 8000
En la figura 2, aparece la función de utilidad del dinero. Si el vendedor cree que

cada estado de la naturaleza es probable:
41
-¿Cuál decisión maximiza el beneficio neto esperado en dólares?
-¿Cuál decisión maximiza la utilidad esperada?
CAPITULO 3: DECISIONES BAJO INCERTIDUMBRE - ARBOLES DE DECISION
INTRODUCCION
El capitulo muestra otra forma de tomar decisiones cuando hay un grado de

incertidumbre en la información pero bajo un modelo que permite gráficamente
observar la posible decisión, además se emplea los criterios de valor esperado
como apoyo a la misma, en el capítulo se estudiará:
- Las características de los arboles de decisión.
- Selección de alternativas de decisión.
- Las limitaciones cuando se emplea arboles de decisión.
- La teoría de la utilidad.
OBJETIVOS:
1.- Identificar cuando se puede emplear un árbol de decisión.
2.- Emplear los arboles de decisión en un proceso decisorio especifico.
3.- Reconocer cuando se puede emplear un árbol de decisión y sus limitantes.
42
4.- Analizar la teoría de utilidad como una herramienta para la toma de

decisiones.
Lección 11: ELEMENTOS DE LOS ARBOLES DE DECISIÓN.
Un árbol de decisión es una representación grafica de las alternativas,

probabilidades y pagos o ganancias asociadas con un problema de decisiones.
- El primer paso para resolver problemas complejos es descomponerlos en

sub-problemas más simples.
- Los árboles de decisión ilustran la manera en que se pueden desglosar los

problemas y la secuencia del proceso de decisión.
- Un nodo es un punto de unión.
- Una rama es un arco conector.
- La secuencia temporal se desarrolla de izquierda a derecha.
- Un nodo de decisión representa un punto en el que se debe tomar una decisión.

Se representa con un cuadrado.
- De un nodo de decisión salen ramas de decisión que representan las decisiones

posibles.
- Un nodo de estado de la naturaleza representa el momento en que se produce

un evento incierto. Se representa con un círculo.
- De un nodo de estado de la naturaleza salen ramas de estado de la naturaleza

que representan los posibles resultados provenientes de eventos inciertos sobre
los cuales no se tiene control.
- La secuencia temporal se desarrolla de izquierda a derecha.
- Las ramas que llegan a un nodo desde la izquierda ya ocurrieron. Las ramas que
salen hacia la derecha todavía no ocurrieron.
- Las probabilidades se indican en las ramas de estado de la naturaleza. Son

probabilidades condicionales de eventos que ya fueron observados.
- Los valores monetarios en el extremo de cada rama dependen de

decisiones y estados de la naturaleza previos.
43
Características:
- Un Árbol de Decisión es una representación cronológica del problema de

decisión.
- Cada Árbol de Decisión tiene dos tipos de nodos:
Nodos redondos corresponden a los estados de naturaleza,

Representará situaciones cuyas ocurrencias son inciertas.
Nodos cuadrados corresponden a las alternativas de decisión
- Las Ramas que salen de cada nodo redondo representan los diferentes estados
de naturaleza, representará un posible acontecimiento
- Las ramas que sales de los nodos cuadrados representan las diferentes
alternativas de decisión.
- Al final de cada rama de un árbol están los pagos obtenidos de una serie de
divisiones que componen ese árbol.
Ejemplo.
Suponga que el estado del tiempo es variable y puede que llueva o no.
Usted tiene que tomar la decisión de llevar paraguas o no. Fig. 3.
Nodo de
Decisión
Rama
Nodo de
Probabilidad
Fig. 3. Árbol de decisión
Lección 12: SELECCIÓN DE ALTERNATIVAS DE DECISIÓN
- Trabajando de atrás hacia adelante en el árbol, se calcula el valor esperado

para cada nodo de estado de la naturaleza.
- Dado que quien toma las decisiones controla las ramas que salen de cada
nodo de decisión, se elige la rama que resulte en el mayor valor esperado.
- Se van tachando todas las ramas que no sean seleccionadas.
44
- Se prosigue el análisis hacia la derecha del árbol, hasta seleccionar la primera

decisión.
- La decisión que resulta de un análisis del árbol de decisión no es una decisión

sino una estrategia condicional a la ocurrencia de eventos que sucedan a la
decisión inmediata.
LIMITACIONES DE LOS ÁRBOLES DE DECISIÓN
- Un árbol de decisión da una buena descripción visual en problemas

relativamente simples, pero su complejidad aumenta exponencialmente a medida
que se agregan etapas adicionales.
- En algunas situaciones, la especificación de la incertidumbre a través de

probabilidades discretas resulta en una sobre simplificación del problema.
EJEMPLO 5:
La compañía Certon ha desarrollado una nueva línea de productos. El gerente

está atento para decidir el mercado apropiado y la estrategia de producción.
Hay tres estrategias consideradas, A = agresiva, B = básica, C = cautelosa. El

estudio de mercado ha denotado F = fuerte, D = débil; los estimativos en pesos en
cada caso están en la tabla 15:
Decisión Estado de la naturaleza

F D
A 30 -8
B 20 7
C 5 15
Donde F = 0,45, D = 0,55

Tabla 15. Ejemplo 5. Compañía Certon.
– ¿cuál será la mejor estrategia?
Una manera más conveniente de representar este problema es usando árboles de

decisión, como en la figura 4. Un nodo cuadrado representará un punto en el cual
se debe tomar una decisión, y cada línea abandonando el cuadrado representará
una posible decisión. Un nodo círculo representará situaciones cuyas ocurrencias
son inciertas, y cada línea abandonando el círculo representará un posible
acontecimiento
45
P (F) =, 45
F
D P (D) =, 55
A P (F) =, 45
F
B
D P (D)=,55
C
P (F)=,45
F
D P (D)=,55
Figura 4. Árbol de decisión para Compañía Certón
El proceso de usar un árbol de decisión para encontrar la decisión óptima se

denomina resolver el árbol. Para resolver el árbol se trabaja desde atrás hacia
adelante. Esto se llama retornando el árbol. Primero, las ramas terminales se
llevan hacia atrás calculando un valor esperado para cada nodo Terminal.
Primero se calculan los valores de cada rama, se multiplica el valor estimado en

pesos y el valor de cada estado de la naturaleza y después se suman los valores
con el fin de obtener un solo resultado, Ver la figura 5.
ERA = 9.10
B
ERB = 12.85
C
ERC = 10,58
Figura 5: Resultado ejemplo 5.
La Administración debe resolver un problema más simple que es el de elegir la

alternativa que lleva al valor esperado más alto del nodo Terminal. De esta forma
un árbol de decisión provee una forma más gráfica de ver el problema. Se utiliza la
misma información que antes y se realizan los mismos cálculos.
EJEMPLO 6. Considérese La información suministrada en la tabla 16, utilice

diagramas de árbol para solucionar el problema
46
DECISIONES FRACASO(F) ÉXITO(S) GRAN ÉXITO

(G)
BAJA(l) -2 5 8
MODERADA(M) -5 10 12
ALTA(H) -8 6 15
PROBABILIDAD 0.4 0.4 0.2
RESULTADOS:
DECISIONES FRACASO(F) ÉXITO(S) GRAN ÉXITO(G)

BAJA(l) 0.6 0.3 0.1
MODERADA(M) 0.4 0.4 0.2
ALTA(H) 0.2 0.5 0.3
Tabla 16. Información ejemplo 6
Figura 6. Árbol ejemplo 6.
GANANCIA ESPERADA = (0.4*(-2)) + (0.4*(5))+(0.2*(8))= 1.6

GANANCIA ESPERADA = (0.4*(-5)) + (0.4*(10))+(0.2*(12))=4.
GANANCIA ESPERADA = (0.4*(-8)) + (0.4*(6))+(0.2*(15))=2.2
47
Figura 7. Resultados árbol ejemplo 6.
Por tanto se toma la decisión Moderada debido a que da la MAYOR ganancia con
un valor de 4.4.
Lección 13: Regla de Bayes y arboles de decisión
Para desarrollar una unión entre los arboles de decisión y el teorema de bayes
que es una herramienta clave para la solución de estos problemas es mas fácil
entenderlo a partir de la siguiente explicación: de un conjunto de entrenamiento D
de tamaño N y de una función parametrizable F(x; W) (p.e. una red neuronal)
siendo W el conjunto de parámetros asociados a la función (p.e. los pesos de la
red neuronal), el problema del aprendizaje estadístico pasa por calcular W de
manera que se consiga un objetivo estadístico, p.e. minimizar una función de
costo estadística. Para ello se utilizará algún método de optimización. El sistema
de ecuaciones obtenido al aplicar el método de optimización sobre la función de
costo estadístico es lo que se conoce como algoritmo de entrenamiento. Dicho
algoritmo es en realidad un sistema dinámico, es decir un conjunto de ecuaciones
que evolucionan en el tiempo. Este sistema dinámico deberá converger hacia el
mínimo de la función de costo. No obstante, será habitual definir un criterio de
parada del algoritmo que permita parar la ejecución del mismo antes de que
converja.
EJEMPLO 7.
Ahora se va a considerar un ejemplo muy simple. Los caramelos sorpresa son de
dos sabores: CEREZA y LIMA. El fabricante de los caramelos tiene un sentido del
humor muy peculiar, y envuelve los caramelos en un envoltorio opaco en el que no
48
se indica el sabor. Los caramelos se introducen en grandes bolsas que son de

cinco tipos, otra vez indistinguibles desde afuera:
h1: 100% cereza
h2: 75% cereza + 25% lima
h5: 100% lima
Dada una nueva bolsa, la variable aleatoria H (para las hipótesis) denota el tipo de
bolsa, así que puede tomar valores desde h 1 hasta h5. Por supuesto, H no es
directamente observable. Cuando se abren y se inspeccionan los caramelos, se
revelan los datos D1, D2,…, Dn, donde cada Di es una variable aleatoria con
valores posibles de CEREZA y LIMA. La tarea básica a la que se enfrenta el
agente es predecir el sabor del siguiente caramelo. A pesar de que aparentemente
parece trivial, este escenario sirve para introducir muchos de los aspectos
principales. Realmente, el agente necesita inferir una teoría de su mundo, aunque
sea muy simple.
El aprendizaje bayesiano simplemente calcula la probabilidad de cada hipótesis
dados los datos, y realiza predicciones sobre estas bases. Es decir, se realizan las
predicciones utilizando todas las hipótesis, ponderadas por sus probabilidades, y
no utilizando únicamente la "mejor" hipótesis. De esta forma, el aprendizaje se
reduce a inferencia probabilística. Si D representa todos los datos, y d el valor
observado; la probabilidad de cada hipótesis se obtiene aplicando la regla de
Bayes:
(1)
Ahora suponga que queremos hacer una predicción sobre una cantidad
desconocida X. tenemos
(2)
(3)
Donde se ha asumido que cada hipótesis determina una distribución de
probabilidades de X. esta ecuación muestra que las predicciones son el resultado
de ponderar las predicciones de las hipótesis individuales. Las hipótesis son en sí
mismas intermediarios entre los datos crudos y las predicciones. Las cantidades
clave en el enfoque bayesiano son las hipótesis a priori. P(hi) y la verosimilitud
de los datos dada cada una de las hipótesis, P(d/hi).
49
En este ejemplo asumiremos, como información proporcionada por el fabricante,

que la distribución a priori sobre h1,…,h5 viene dada por [0.1 , 0.2 , 0.4 , 0.2 , 0.1].
La verosimilitud de los datos se calcula asumiendo que las observaciones son
independientes e idénticamente distribuidas (iid) así que
(4)
La figura 8 muestra cómo cambian las probabilidades a posteriori de las cinco
hipótesis a medida que se van observando los 10 caramelos de lima. Nótese que
las probabilidades comienzan con sus valores a priori, por lo que h 3 es
inicialmente más probable que las demás, incluso después de que se desenvuelva
el primer caramelo. Después de desenvolver dos caramelos de lima, h 4 es la más
probable; después de tres o más, h5 (la terrorífica bolsa con todos los caramelos
de lima) es la más probable. Después de 10, estamos bastante seguros de
nuestro destino.
El ejemplo muestra que, a la larga, la verdadera hipótesis domina la predicción
bayesiana. Esto es característico del aprendizaje bayesiano. Para cualquier a
priori fija que no excluya la hipótesis verdadera, la probabilidad a posteriori de
cualquier hipótesis falsa finalmente desaparecerá, simplemente porque la
probabilidad de generar datos no característicos de forma indefinida es cada vez
más pequeña. Más importante, la predicción bayesiana es óptima, tanto si el
conjunto de datos es pequeño, como si es grande. Dada la hipótesis a priori,
cualquier otra predicción será correcta con menos frecuencia.
Por supuesto, la optimalidad del aprendizaje bayesiano tiene un precio. En los
problemas reales de aprendizaje, el espacio de hipótesis es normalmente muy
grande. En algunos casos, el cálculo del sumatorio de la ecuación (2) (o la
integración en caso continuo) es tratable, pero en la mayoría de los casos
debemos recurrir a métodos aproximados o simplificados.
Figura 8. Evolución de las probabilidades condicionales de h1, h2, h3, h4 y h5
50
Probabilidades para el momento en el que se destapa el primer caramelo
=0
= 0.1
= 0.4
= 0.3
= 0.2
Probabilidades para el momento en el que se destapa el segundo caramelo
=0
= 0.038
= 0.307
= 0.346
= 0.307
51
Probabilidades para el momento en el que se destapa el tercer caramelo
=0
= 0.0131
= 0.210
= 0.355
= 0.421
Como se observa en las ecuaciones anteriores; a medida que se van destapando
caramelos las ecuaciones se van actualizando con las nuevas probabilidades,
cosa que hace más exactas las probabilidades a posteriori.
A continuación se muestra la tabla 17. Para 10 iteraciones, es decir para los diez
primeros caramelos destapados.
h1 h2 h3 h4 h5
A priori 0,1 0,2 0,4 0,2 0,1
1 0 0,1 0,4 0,3 0,2
2 0 0,03846 0,30769 0,34615 0,30769
3 0 0,01316 0,21053 0,35526 0,42105
4 0 0,00413 0,13223 0,33471 0,52893
5 0 0,00122 0,07805 0,29634 0,62439
52
6 0 0,00034 0,04405 0,25086 0,70475
7 0 9,4E-05 0,02407 0,20562 0,77021
8 0 2,5E-05 0,01285 0,16468 0,82245
9 0 6,6E-06 0,00675 0,12968 0,86357
10 0 1,7E-06 0,0035 0,10087 0,89563
Tabla 17. Iteraciones ejemplo 7.
Lección 14: TEORIA DE LA UTILIDAD.
La utilidad es una forma alternativa para medir el atractivo del resultado de una
decisión. Dicho de otro modo, de encontrar los valores a llenar una tabla de pagos.
Se emplea en los criterios de decisión y de valor esperado los beneficios netos y el
arrepentimiento como medidas de la bondad de una combinación concreta de una
decisión con un estado natural.
La utilidad sugiere otras mediciones como la razón de la utilidad y la función de

utilidad específica para cada problema de decisión. Entre estos desarrollos
tenemos:
- Una única oportunidad para tomar la decisión y ésta tiene riesgos considerables.
- Un boleto de lotería tiene una ganancia esperada negativa.
- Una póliza de seguros cuesta más que el valor actual de las pérdidas esperadas
de la compañía aseguradora.
Características de la Teoría de la utilidad
- El valor de la utilidad, U (V) refleja la perspectiva del tomador de decisiones.
- El valor de la utilidad se calcula para cada posible ganancia.
- El menor resultado obtenido tiene un valor de utilidad de 0.
- El mayor resultado obtenido tiene un valor de utilidad de 1.
53
- La decisión óptima se elige usando el criterio de la utilidad esperada.
Sobre la indiferencia para asignaciones de valores de utilidad

- Listar todas las posibles ganancias en la matriz de ganancias en orden
ascendente.
- Asignar una utilidad 0 al valor más bajo y un valor 1 al más alto.
- Para todas las otras posibles ganancias formular al tomador de decisiones

la siguiente pregunta:
“suponga que Ud. Podría recibir esa ganancia en forma segura o recibiría,
ya sea la mayor ganancia con probabilidad p y la menor ganancia con
probabilidad (1-p). ¿Qué valor para p lo haría indiferente ante esas dos
situaciones?
La respuesta a esta pregunta son las probabilidades de indiferencia con
respecto a la ganancia y se usan como valores para la utilidad.
DETERMINANDO LA RAZON DE LA UTILIDAD:
- La técnica provee una cierta cantidad de riesgo para cuando el tomador de

decisiones debe elegir una opción.
- La técnica se basa en tomar la ganancia más segura versus arriesgar la

obtención de la más alta o baja de las ganancias.
- Tres tipos de tomadores de decisiones

1.El no arriesgado - prefiere una ganancia segura a una probabilidad de una
misma ganancia esperada.
2. El arriesgado - prefiere una ganancia probabilística a una misma ganancia
segura esperada.
3. El neutral es indiferente a una ganancia segura o probabilística.
Utilidades. No arriesgado al determinar la decisión
Neutral al determinar la decisión
Arriesgado al determinar la decisión
Ganancia
Grafico 5. Tipo de decisiones.
54
Hasta ahora hemos supuesto que el pago esperado en términos monetarios es

la medida adecuada de las consecuencias de tomar una acción.
Sin embargo en muchas situaciones esto no es así y se debe utilizar otra

escala de medida para las acciones que realizamos
Lección 15: APLICACIONES DE LA TEORIA DE UTILIDAD:
Suponga que se le ofrece a una persona Ganar $40000 fijos:
50% de posibilidades de ganar $100000

50% de posibilidades de no ganar nada
E {p(a 1 ,q)}= 0.5* $100000 + 0.5*0= $50000

E {p(a 2 ,q)}= 1* $40000 = $40000
Aunque la alternativa 1 tiene un pago esperado mayor, muchas personas

preferirán los $40000 pesos fijos, En muchas ocasiones los tomadores de
decisiones no están dispuestos a correr riesgos aunque la ganancia esperada sea
mucho mayor.
Se pueden transformar los valores monetarios a una escala apropiada que

refleje las preferencias del tomador de decisiones, llamada función de utilidad
del dinero
U(M)
5
4
3
2
1
$10000 $ 20000 $30000 $40000 $50000 $60000 $100000
Grafico 6. Función de utilidad para el dinero
Una función de utilidad para el dinero de este tipo nos muestra una utilidad
marginal decreciente para el dinero. La pendiente de la función disminuye
conforme aumenta la cantidad de dinero M. Porque la segunda derivada < 0
cuando ésta existe.
55
Pero se puede observar que no todas las personas tienen una utilidad marginal
decreciente para el dinero. Hay personas que tienen funciones de utilidad marginal
creciente para el dinero.
El hecho de que distintas personas tienen funciones de utilidad diferentes para el

dinero tiene una aplicación importante para el tomador de decisiones cuando se
enfrenta a la incertidumbre. Por lo tanto cuando una función de utilidad para el
dinero se incorpora en un análisis de decisiones de un problema, esta función de
utilidad debe construirse de manera que se ajuste a las preferencias y valores del
tomador de decisiones.
La clave para considerar que la función de utilidad para el dinero se ajusta al

tomador de decisiones es la siguiente propiedad de las funciones de utilidad: “Bajo
las suposiciones de la teoría de utilidad, la función de utilidad para el dinero de un
tomador de decisiones tiene la propiedad de que éste se muestra indiferente ante
dos cursos de acción alternativos si los dos tienen la misma utilidad esperada”.
Para la aplicación que se está estudiando y según el grafico 6 se obtiene que:
Se le ofrece Ganar $100000 con probabilidad p (utilidad = 4),

No ganar nada con probabilidad 1-p (utilidad = 0)
El valor esperado de la utilidad con esta oferta es
E (utilidad) = 4 * p
El tomador de decisiones será entonces indiferente ante cualquiera de estos 3
pares de alternativas:
- Ganar $100000 con probabilidad 0.25 E (utilidad = 1). Obtener $10000.
Construcción de la función de utilidad para el dinero:

1. Se le hace al tomador de decisiones una oferta hipotética de obtener una gran
suma de dinero con probabilidad p o nada.
2. Para cada una de las pequeñas cantidades se le pide al tomador de decisiones

que elija un valor de p que lo vuelva indiferente ante la oferta y la obtención
definitiva de esa cantidad de dinero.
56
Cuando se usa la función de utilidad para el dinero, del tomador de decisiones,

para medir el valor relativo de los distintos valores monetarios posibles, la regla
de Bayes sustituye los pagos monetarios por las utilidades correspondientes; Por
lo tanto, la acción óptima es la que maximiza la utilidad esperada.
EJEMPLO 8. GOFERBROKE COMPANY, En estos momentos la compañía no

atraviesa por una situación financiera sólida y está operando con poco capital. Una
pérdida de $100000 sería bastante seria. El peor escenario sería conseguir
$30000 para el sondeo sísmico y después todavía perder $100000 en la
perforación cuando no haya petróleo.
Grafica 7 Árbol para ejemplo 8.
Por otro lado, encontrar petróleo es una perspectiva interesante, ya que una
ganancia de $700000 daría a la compañía una base financiera sólida. Para aplicar
la función de utilidad para el dinero del tomador de decisiones es necesario
conocer todos los pagos posibles.
57
Pago monetario Utilidad

-130 -150
-100 -105
60 60
90 90
670 580
700 600
Tabla 18. Pagos y utilidad ejemplo 8.
Veamos la manera como se obtuvo esta tabla 18; El punto de inicio adecuado
para construir la función de utilidad es considerar el peor y el mejor de los
escenarios.
Suponga que sólo tiene dos alternativas:
Alternativa 1 No hacer nada, utilidad = 0, pago = 0
Alternativa 2 • Probabilidad p, pago= 700

• Probabilidad 1-p, pago= -130
¿Qué valor de p haría que el tomador de decisiones fuera indiferente ante las dos
alternativas?
Suponga que la elección del tomador de decisiones es p = 1/5
4/5 u (-130) + 1/5 u (700) = 0
Uno de los valores de u (-130) y u (700) puede establecerse arbitrariamente, con

la salvedad de que el primero sea negativo y el segundo positivo
Suponga que seleccionamos u (-130) = -150
4/5 (-150) + 1/5 u (700) = 0
u (700) = 600
Para identificar u (-100), se selecciona un valor de p que haga que el tomador de

decisiones sea indiferente entre un pago de -130 con Probabilidad p o la de
definitivamente puede incurrir en un pago de -100.
Si p = 0.7 entonces u (-100) = p

u (-130) = 0.7(-150) = -105
58
Para obtener u (90), se selecciona un valor de p que haga que el tomador de

decisiones sea indiferente entre un pago de 700 con probabilidad p o la obtención
de un pago definitivo de 90.
Si p = 0.15 entonces u (90) = p

U (700) = 0.15 (600) = 90
Con estos valores se puede dibujar una curva suavizada.
Grafica 8. Función de utilidad ejemplo 8.
Resumiendo:
Para f > 0 halle un valor de p tal que sea indiferente tener $700 con ese valor de p,
o tener a la fija f y se plantea u (f) = u (700)* p + 0 * (1-p)
u (f) = u (700)* p
Se halla u(f)
Para f < 0 halle un valor de p tal que sea indiferente tener -$130 con ese valor de
p, o tener a la fija f
u (-130)* p = u (f)
Se halla u (f)
Observe que u (M) es en esencia igual a M para valores pequeños (positivos o

negativos) de M, y después se separa gradualmente para valores grandes de M;
Esto es característico de una persona que tienen una aversión moderada al
riesgo.
59
Dada la función de utilidad para el dinero del dueño de la compañía, el proceso de

toma de decisiones se puede desarrollar por cualquiera de los métodos estudiados
anteriormente excepto que ahora se sustituyen las utilidades por los pagos
monetarios. El uso de la teoría de la utilidad refleja la actitud del tomador de
decisiones respecto al riesgo.
Grafica 9. Árbol ejemplo 8 con función de utilidad.

FUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase25_II.pdf
TALLER:
1) La compañía de limpieza Jorge recibe contratos preliminares de dos fuentes,

de un agente propio de la empresa y de los gerentes de los edificios.
Históricamente, 3/8 de los contratos son obtenidos por el agente y 5/8 de
los gerentes, desafortunadamente, no todos los contratos preliminares
resultan para efectuarse. Actualmente, solamente ½ de los contratos
obtenidos de los gerentes resultan, sin embargo 3/4 de los obtenidos por el
agente se efectúan, por un contrato se obtienen $64000, el costo de
procesamiento y seguimiento de un contrato que no se realiza es de $3200.
¿Cuál es el pago esperado asociado con los contratos preliminares.
2) Jorge está contratado para realizar una presentación el 10 de mayo, las

ganancias dependen fuertemente del tiempo, si particularmente el tiempo es
lluvioso, el espectáculo pierde $28000 y si es soleado obtiene utilidad de
60
$12000 (suponiendo que todo el día estará tanto lluvioso como soleado),
Jorge puede decidir cancelar el espectáculo, pero si lo hace pagara una
multa de $1000. Históricamente el 10 de mayo tiene 1/4 del tiempo lluvioso.
¿Qué decisión deberá Jorge tomar para maximizar sus ganancias esperadas?
-¿Cual es el valor esperado de la información perfecta?
Jorge tiene la opción de conseguir la información del tiempo en la oficina

meteorológica. Cuando ha sido lluvioso la oficina ha estado en lo correcto
(pronosticada lluvia) en el 90%. Cuando ha sido soleado, está él en lo correcto
(pronosticado sol) solamente en el 80% del tiempo.
- Si Jorge obtiene el estado del tiempo, ¿Qué estrategia deberá seguir para
maximizar sus expectativas de ganancias?
3) OILCO debe determinar si perforar o no en el mar para buscar petróleo. Cuesta

100000 dólares perforar y, si encuentra petróleo, su valor se calcula en 600000
dólares. Actualmente OILCO cree que hay 45 % de probabilidades que el campo
contenga petróleo. Antes de perforar OILCO puede contratar por 10000 dólares un
geólogo para obtener mas información acerca de la probabilidad que haya
petróleo en el lugar. Hay un 50% que el geólogo emita un dictamen favorable
contra el 50% que el dictamen sea desfavorable. Si el dictamen es favorable hay
probabilidad del 80% que el campo tenga petróleo. Si el dictamen es desfavorable
hay 105 de probabilidad que haya petróleo. Determinar las acciones optimas de
OILCO, también calcular VEIM (Valor Esperado de Información Muestra) y VEIP
(Valor Esperado de Información Perfecta)
4) Un cliente acude a un banco para obtener un préstamo de 50000 dólares a un

año con 12% de interés. Si el banco no aprueba el préstamo los 50000 se
invertirán en bonos que ganaran un 6% anual. Sin mayores informes, el banco
cree que hay el 4% de probabilidad que el cliente se declare totalmente insolvente.
En este caso el banco pierde los 50000. A un costo de 500 dólares el banco puede
investigar en detalle el historial de crédito del cliente y emitir un concepto a favor o
en contra. La experiencia anterior indica que:
P (recomendación favorable/cliente no insolvente)=70/96
P (recomendación favorable/cliente insolvente) = ¼
¿Cómo puede el banco maximizar sus ganancias?
¿Calcular el VEIM y VEIP?
61
AUTOEVALUACIÓN DE LA UNIDAD 1.
1.- Considere la siguiente matriz de pagos (|beneficios):
Θ1 θ2 θ3 θ4 θ5
α1 15 10 0 -6 17
α2 3 14 8 9 2
α3 1 5 14 20 -3
α4 7 19 10 2 0
No se conocen probabilidades para la ocurrencia de los estados de la naturaleza.

Compare las soluciones obtenidas con cada uno de los criterios.
(a) Laplace
(b) Maximin.
(c) Savage.
(d) Hurwicz. (Suponga que α = 0.5.)
2. La red de televisora NBS gana un promedio de 400000 dólares cuando un

espectáculo tiene éxito y pierde un promedio de 100000 dólares cuando no lo
tiene. De todos los espectáculos que ha revisado esa red, sucede que el 25%
fueron éxitos y el 75% fracasos. Una empresa de investigación de mercados
puede, a un costo de 40000 dólares, hacer que una concurrencia presencie una
muestra del espectáculo propuesto y de su opinión acerca de si será éxito o
fracaso. Si en realidad va a ser un éxito, hay 90% de probabilidad que la empresa
de investigación de mercado prediga que será éxito. Si en realidad va a ser un
fracaso, hay 80% de probabilidades que la predicción sea fracaso. Determinar por
medio de arboles de decisión cómo puede la red televisora elevar al máximo sus
ganancias esperadas. También calcular el VEIM y el VEIP.
RESPUESTAS:
1. a) a4 b) a2 c) a2 d) a4
2. Contratar a la empresa. Si predice éxito, transmitir el programa. Si predice

fracaso, no transmitirlo. Ganancia esperada= 35000 dólares; VEIM= 50000
dólares; VEIP= 75000 dólares.
62
UNIDAD 2. DECISIONES BAJO RIESGO
INTRODUCCIÓN:
Esta unidad desarrollará, los criterios de decisión específicos para cuando no se

conoce la información o sea que se presenta un mayor riesgo Al tomar la decisión,
en otras palabras como si se avanzara a ciegas en las empresas o vida cotidiana,
en la unidad se mostrara la utilidad de las probabilidades en la toma de
decisiones, además de programar decisiones con secuencia o metas escalonadas,
como también la simulación de los procesos decisorios.
En los siguientes capítulos el estudiante conocerá el manejo de las decisiones

cuando solo tiene un competidor, como también cuando su producto tiene varios
competidores y depende de su comportamiento con el tiempo.
Por último aplicará los conceptos de programación lineal pero en decisiones con
metas y el algoritmo específico, así como las aplicaciones de los modelos de
simulación.
OBJETIVO GENERAL:
Dar a conocer a los estudiantes las modelos para apoyo en las decisiones cuando
no se conoce a futuro ninguna certeza por ende se debe basar todo en el estudio
probabilístico, las características, elementos esenciales, algoritmos de solución y
la aplicabilidad de la probabilidad en una empresa.
OBJETIVOS ESPECIFICOS:
- Identificar y aplicar los diferentes tipos de probabilidades en las decisiones de

una empresa o la vida diaria.
- Aplicar los métodos de solución para la toma de decisiones donde solo hay dos
participantes y se debe suponer las decisiones del otro.
-Diferenciar las necesidades de un producto con respecto a otro y la influencia del

tiempo en las ventas de este en un mercado específico.
63
- Conocer y aplicar las cadenas de markov.
- Observar y aplicar los algoritmos para la solución optima en un proyecto donde

se deben programar las metas a conseguir y determinar la prioridad entre ellas.
- Reconocer las aplicaciones de la simulación en la toma de decisiones.
COMPETENCIAS:
El estudiante después de estudiar la unidad deberá ser competente en la teoría de

juegos para aplicarlo no solo con un competidor si no con un rival especifico.
Diferenciar el comportamiento de un producto en el tiempo y con otros productos
similares. Diferenciar entre los diferentes métodos para desarrollar una simulación
y la secuencia para definir un problema que tiene varias metas específicas.
JUSTIFICACION
El profesional además de las decisiones con incertidumbre debe afrontar aquellas

donde el riesgo es alto y fuertemente apropiado por el azar, por lo tanto, con las
herramientas de teoría de juegos, cadenas de markov y la programación por
metas le permite desarrollar habilidades en los esquemas con dos jugadores o
tendencias en el tiempo, además de medir decisiones con varias aproximaciones
previas y en donde se debe avanzar metódicamente. Por último se aproxima a la
simulación de sus decisiones y en donde se le exigirá la apropiación matemática
previa para desarrollar los métodos markovianos, por metas y de simulación.
INTENCIONALIDADES FORMATIVAS
La intención formativa tiene que ver con las capacidades para tomar decisiones
con riesgo por medio del uso de diferentes métodos como lo son la teoría de
juegos, las decisiones con procesos de markov. Adicionalmente aplicar modelos
de programación cuando son varias las posibles decisiones y determinar los
desarrollos por medio de las simulaciones en los procesos de decisión. Esto lo
pueden realizar con apoyo de los conocimientos adquiridos en el cálculo
diferencial, programación lineal y ecuaciones diferenciales.
Por lo cual el estudiante aplicará integralmente sus conocimientos básicos en el

campo profesional, teniendo un criterio claro para las diversas decisiones en las
empresas donde laboren.
64
Capitulo 4. DECISIONES BAJO RIESGO –TEORIA DE JUEGOS
INTRODUCCIÓN
En el mundo real, tanto en las relaciones económicas como en las políticas o

sociales, son muy frecuentes las situaciones en las que, al igual que en los juegos,
su resultado depende de la conjunción de decisiones de diferentes agentes o
jugadores.
La técnica para el análisis de estas situaciones es llamada Teoría de juegos la

cual es sin duda un modelo para empresas ganadoras o exitosas en un ambiente
competitivo: Por ejemplo, existen muchos factores importantes a considerar
cuando se hace una oferta importante, entre los cuales están:
Establecer y mantener una posición de preferencia como oferente, desarrollar una

relación de preferencia por parte de los clientes, de lo que se oferta en sí mismo, y
del precio.
Es una fascinante aplicación de la matemática pura y la psicología pura, e

incorpora series de modelos capaces de simplificar problemas complejos de
competencia o interacción incierta entre dos o más agentes.
OBJETIVOS
1.-Conocer en qué consiste la Teoría de Juegos.
2.- Desarrollar destreza para la toma de decisiones.
3.- Poder elegir la mejor estrategia mediante un proceso matemático.
4.- Saber elegir la mejor decisión de acuerdo a sus intereses.
5.- Reconocer y desarrollar los diferentes métodos de la Teoría de Juegos
65
Lección 16. CONCEPTOS
Fuente: http://julioguti.bligoo.com/tag/psicologia
La teoría de juegos es una Teoría matemática, que estudia las características

generales de las situaciones competitivas y hace parte de la teoría general de
decisiones como mecanismo para el manejo de las estrategias.
En la teoría de Juegos un oponente se designa como jugador, cada jugador tiene

un numero de elecciones llamadas estrategias. Los resultados a pagar de un
juego se resumen como funciones de las diferentes estrategias para cada jugador,
en donde la ganancia de un jugador es igual a la pérdida del otro.
Se debe tener en cuenta siempre las siguientes definiciones elementales como

son:
Juego: es la situación de conflicto en la que dos o más adversarios intentan
alcanzar un objetivo seleccionando cursos de acción de entre todos los que sean
permitidos por las reglas.
Reglas: posibles cursos de acción que pueden ser elegidos y deben ser
conocidas por todos los jugadores.
Resultados: asociados a cada posible combinación de elecciones, estos son
definidos por adelantado y conocidos por todos los jugadores.
Movida: elección de un curso de acción en particular de entre un conjunto de
alternativas posibles.
Partida: secuencias de movidas que se suceden en un juego desde el principio
hasta el final; Debe tenerse una secuencia por cada jugador.
Estrategia de un jugador: Es la regla de decisión predeterminada que permite a
un jugador elegir cada una de las movidas que conforman a una partida, ante el
análisis de todas las posibles elecciones de los competidores.
Estrategia pura: es aquella en la cual cada una de las movidas hechas por un
jugador a lo largo de una partida corresponde a una única opción o curso de
acción particular.
Estrategia mixta: es aquella en la cual no siempre se opta por el mismo curso de
acción a lo largo de una partida.
Valor del juego: Es el resultado de jugar una partida, cada jugador con su
estrategia. Indica cual es el beneficio o perjuicio que recibe cada jugador.
Solución del juego: es el conjunto de estrategias óptimas para cada jugador y
valor del juego resultante de la aplicación de esas estrategias.
IDEAS FUNDAMENTALES
- Una característica básica en muchas de las situaciones de conflicto y
66
competencia es que el resultado final, depende de la combinación de estrategias

seleccionadas por los adversarios.
- La Teoría de juegos estudia las características generales de las situaciones

competitivas de una manera formal y abstracta.
- Da una importancia especial a los procesos de toma de decisiones de los

adversarios.
- Se llaman juegos con suma cero por que un jugador gana lo que el otro pierde,
de manera que la suma de sus ganancias netas es cero. Este juego consiste en
que los dos jugadores muestran al mismo tiempo uno o dos dados.
Si el número de dados coincide con el jugador que apuesta a pares (jugador 1)
gana la apuesta ($1) al jugador que va por impares (jugador 2).
Si el número no coincide el jugador 1 paga ($1) al jugador 2.
Un juego de dos personas se caracteriza por:
1. Las estrategias del jugador 1

2. Las estrategias del jugador 2
3. La matriz de pagos
METODOS DE SOLUCIÓN
Existen 4 métodos para la solución de Teoría de juegos:
- Estrategias Dominadas
- Punto de silla y suma cero
- Estrategias mixtas
- Grafico
Lección 17. Método de estrategias Dominadas.
Fuente: http://isegara.blogspot.com/2010/05/el-mundo-del-adolescente-dominado-por.html
67
Este método consiste en eliminar una serie de estrategias inferiores hasta que
quede una sola para elegir. Específicamente se puede eliminar una estrategia
cuando está dominado por otra, es decir, si existe otra estrategia que siempre es
al menos tan buena como esta, sin importar lo que hace el oponente.
Se debe tener en cuenta que el jugador que se ubica en la casilla 1 es el que

prima en las decisiones, podríamos decir que este somos nosotros y que el otro es
nuestro oponente. Además es clave decir que son las estrategias que más se
buscan en las contiendas políticas. La mejor forma de entender estos métodos es
por medio de un ejemplo como el de a continuación.
EJEMPLO 9:
Jugador 2
Estrategias 1 2 3
1 6 10 12
Jugador1 2 6 0 14
3 0 6 -6
El jugador 1 elimina la estrategia 3 (dominada) ya que ésta representa menos

ganancias:
Estrategias Jugador 2 Jugador 2
1 2 3 Estrategias
1 2 3
1 6 10 12
1 6 10 12
Jugador1 2 6 0 14 Jugador1
2 6 0 14
3 0 6 -6
El jugador 2 elimina la estrategia 3 (dominante) ya que con ésta obtendrá mayores

pérdidas.
Estrategias Jugador 2 Jugador 2

Estrategias
1 2 3 1 2
1 6 10 12 1 6 10
Jugador1 Jugador 1
2 6 0 14 2 6 0
El jugador 1 elimina la estrategia 2 (dominada):
Jugador2 Jugador 2
estrategias Estrategias
1 2
1 2
1 6 10
Jugador1 6 10
2 6 0 1
Jugador 1
68
El jugador 2 elimina la estrategia 2:
Jugador 2 Jugador2
Estrategias Estrategias
1 2 1
1 6 10 Jugador1 3 6
Jugador 1
- Entonces sabemos que el jugador 1 recibe un pago de 6 por parte del jugador 2.
- El pago para el jugador, cuando ambos jugadores juegan de manera óptima

recibe el nombre de Valor de Juego.
Lección 18. Método suma cero y Punto de Silla.
Fuente: http://blog.pucp.edu.pe/blog/economate
El método de punto silla se utiliza cuando no se puede aplicar el método de

estrategias dominadas. Esto se debe a que no hay un dominio específico entre
una estrategia y otra, Además debemos emplear para su solución los criterios de
decisión estudiadas en los capítulos anteriores.
El método consiste en que el jugador 1 debe elegir las estrategias de menor valor
y entre ellas escoger la estrategia de mayor valor a ganar (Maximin), mientras que
el jugador 2 debe elegir las estrategias de mayor valor y entre ellas escoger la
estrategia de menor valor a pagar (Minimax).
Cuando el Maximin es igual al Minimax tanto en el valor como en signo se dice

que hay punto silla. Esa posición corresponde a la intersección de la columna y la
fila (Punto Silla).
El Punto Silla es el valor del juego. Cuando estos valores no coinciden no existe
Punto Silla y se puede concluir que el juego no es justo o la solución es inestable
- Si el juego tiene un valor de cero (0) o suma cero, se denomina Juego Justo, y
si es diferente de cero (0) se denomina Juego Injusto.
69
EJEMPLO 10.
jugador 2
Estrategias 1 3
2
1 -3 -2 6
Jugador1 2 2 0 2
3 -2 4 3
El Jugador 1 elige el valor mínimo de cada fila y el jugador 2 elige el valor máximo
de cada columna.
Estrategias jugador2
1 2 3
1 -3 -2 6 -3
Jugador1
2 2 0 2 0
3 5 -2 4 -2
5 0 6
Punto silla máximin mínimax
Grafica 10. Juego de estrategias dominadas.
El Jugador 1 elige el valor mayor entre los valores mínimos (Maximin).
El Jugador 2 elige el valor mínimo entre los valores mayores (Minimax).

El punto de silla es igual a (0) (valor del juego), en este caso el juego es justo.
Lección 19. Método de estrategias Mixtas:
Fuente: http://www.opabinia.com/teoria/MEDIDA/MEDIDA.htm
Este método se emplea cuando un juego no se puede resolver por los métodos
anteriores (Estrategias dominadas y Punto Silla) utilizamos el método de
estrategias mixtas, que consiste en combinar las estrategias dominadas con el
procedimiento de Solución gráfica.
70
Con este método se le asigna a cada estrategia una probabilidad.
EJEMPLO 11.
jugador 2
Estrategias
1 2 3
1
0 -2 2
Jugador1 2 5 4 -3
3 2 3 4
El jugador 1 elimina la estrategia 3 (dominada)
jugador 2
Estrategias
1 2 3
1
0 -2 2
Jugador1 2 5 4 -3
3 2 3 4
jugador 2 Y
Estrategias Y Y
1 2 3
1
0 -2 2
jugador
1 2 5 4 -3
Determinando cual estrategia se debe eliminar se continua el proceso con el

método grafico, el cual se explicará a continuación. O se puede desarrollar por el
método de punto de silla.
Lección 20. Método Grafico
Fuente: http://thales.cica.es/rd/Recursos/rd99/ed99-0045-01/secciones/grafico.html
71
Para desarrollar este método, el cual se emplea también en las estrategias mixtas
tomamos la matriz de pagos del ejemplo 11 y la convertimos en un sistema de
ecuaciones lineales donde X hacen referencia al jugador 1 y las Y hacen
referencia al jugador 2; Así:
Jugador 1.
X1 + X2 =1 X1 = 1 - X2
Jugador 2.
Y1 + Y2 + Y3 = 1
Para qué Y se tengan en función de X! y X2, se tiene en cuenta los valores de la

matriz de pagos así:
Y1 = 0X1 + 5X2 Y1 = 5X2
Y2 = -2X1 + 4X2 Y2 = -2 (1-X2)+ 4X2 = -2 + 2X2 + 4X2 Y2 = -2+6X2
Y3 = 2X1 - 3X2 Y3 = 2(1-X2) - 3X2 = 2 - 2X2 - 3X2 Y3 = 2 - 5X2
Con los valores anteriores se obtienen tres líneas rectas que debemos ubicar en
el plano cartesiano, a continuación tenemos los puntos de corte respectivos con
los ejes:
Y1 = 5x2 X=0 Y=0

X=1 Y=5
Y2 = -2+6X2 x = 0 Y = -2
x=1 Y=4
Y3 = 2- 5x2 x=0 Y=2

X = 1 Y = -3
72
Grafica 11. solución metodo grafico

Solución óptima
El punto de corte nos determina la solución óptima del juego. Que para este
método se tiene aproximadamente 0,4 para X2; y por lo tanto 0,6 para X1.
Para mejor análisis se puede desarrollar también por cualquiera de los métodos
algebraicos así:
IGUALACION
Y2 = Y3
-2+6X2 = 2 -5X2
6X2+5X2 = 2+2
11X2 = 4
X2 = 4/11 = 0.36*100 X2 = 36% Y X1= 64%
Jugador 1 (64%, 36%,0)
El vértice o corte de las dos rectas que optimizan el juego es:
Y2= V = -2 +6X2 = -2 + 6 (4/11) = -2 + 24/11 = 2/11
Teniendo en cuenta las dos rectas que forman parte del punto maximin y con
respecto ha Y son:
-2Y2 +2Y3 = 2/11

4Y2 - 3Y3 = 2/11
73
No se tiene en cuenta a Y1 debido a que no forma parte de la solución mínima:
-2Y2 +2Y3 = 2/11 * 2

4Y2 - 3Y3 = 2/11
-4Y2 +4Y3 = 4/11

4Y2 - 3Y3 = 2/11
_________________
Y3 = 6/11 = 0,5454*100
Y3 = 54,54% y Y2 = 45,46%
Jugador 2 (0, 45.46%,54.54%)
Solución:
Observando los valores de los porcentajes de las estrategias encontradas para
los dos jugadores podemos realizar el análisis de la siguiente manera: El
jugador 1 le gana al jugador 2 en el primer turno por un valor del 64%, en el
segundo turno le gana el jugador 2 al jugador 1 por un porcentaje del 45.46, lo
que da hasta el momento un empate entre los dos jugadores, sin embargo en
el tercer y último juego el jugador 2 le gana al jugador 1 con un 54.54%, lo que
da como resultado final, que el juego sea injusto, y tenga un valor de juego
igual a 2/11.
EJEMPLO 12: LA CAMPAÑA POLÍTICA: EJEMPLO DE PROTOTIPO
Dos políticos contienden entre sí por la presidencia de la república de Colombia.

En este momento ellos están haciendo sus planes de campaña para los dos
últimos días antes de las elecciones; se espera que dichos días sean cruciales por
ser tan próximos al final. Por esto, ambos quieren emplearlos para hacer
campañas en dos ciudades importantes. Cali y Medellín para evitar pérdidas de
tiempo, están planeando viajar en la noche y para un día completo en cada ciudad
o dos días en solo una de las ciudades.
Como deben hacer los arreglos necesarios por adelantado, ninguno de los dos
sabrá lo que su oponente tiene planeado hasta después de concretar sus propios
planes. Cada político tiene un Jefe de Campaña en cada ciudad para asesorarlo
en cuanto al impacto que tendrá (en términos de votos ganados o perdidos). Las
distintas combinaciones posibles de los días dedicados a cada ciudad por ellos o
por sus oponentes.
Ellos quieren emplear esta información para escoger su mejor estrategia para
estos dos días.
SOLUCIÓN
74
FORMULACION: Los 2 jugadores, las estrategias de cada Jugador y la matriz de

pagos.
ESTRATEGIA 1: Pasar por un día en cada ciudad.

ESTRATEGIA 2: Pasar ambos días en Cali.
ESTRATEGIA 3: Pasar ambos días en Medellín.
MATRIZ DE PAGOS
Cantidad neta de votos ganados Cantidad neta de votos ganados

por el POLITICO 1 por el POLITICO 2
(en unidades de 1000 votos) (en unidades de 1000 votos)
Político 2 Político 2
Estrategias Estrategias
1 2 3 1 2 3
1 1
0 -2 2 0 -2 2
Político 1 2 5 4 -3 Político 1 2 5 4 -3
3 2 3 4 3 2 3 4
METODO DE SOLUCIÓN: Para desarrollar este ejemplo se pueden emplear

cualquiera de los criterios de decisión estudiados en la lección 5. En este ejemplo
se empleará el criterio maximax para el político 1 y maximin para el político 2
Político 2 Maximax
Estrategias
1 2 3
1 2
0 -2 2
Político 1 5
2 5 4 -3
3 2 3 4 4
Maximin. 0 -2 -3
Al tomar estos criterios el juego no es equilibrado y tiene un ganancia en la

estrategia 2 para el político 1 con un valor de 5, al cual se le debe sumar 0 del
pago correspondiente del político 2 o sea que el valor del juego es de 5 para el
político 1 con la estrategia 2 pasar ambos días en Cali, con respecto a la pérdida
del político 2 de 0, al tomar la estrategia 1 de pasar un día en cada ciudad.
EJEMPLO 13: En este juego se desarrollarán las estrategias dominadas para dos
jugadores de la siguiente manera;
Ambos jugadores deberán elegir su estrategia
75
Jugador 2
Para el jugador 1:
Estrategias La estrategia 3 está dominada por la
1 2 3 estrategia 1 ya que tiene pagos más
1 altos (1>0, 2>1, 4>-1)
1 2 4 Independiente de lo que haga el
jugador 2.
jugador 1 2 1 0 5
3 0 1 -1
Jugador 2 Para el jugador 2

Estrategias
1 2 3 La estrategia 3 está dominada
Por la estrategia 1( 1<4 y 1<5,
1 La estrategia 3 está dominada
1 2 4
Jugador Por la estrategia 2 (2<4,0,<5),
1
2 1 0 5
1 2 Para el jugador 1
1 1 2 La estrategia 2 está dominada

por la estrategia 1(1=1, 2>0)
2 1 0
Para el jugador 2
1 2
1 1 2 La estrategia 2 está dominada por
la estrategia 1 (1<2)
1
1 1
Se obtiene como valor del juego la estrategia 1 para ambos jugadores donde el
jugador 1 obtiene un pago de 1 del jugador 2. Es un juego equilibrado pero no
justo.
EJEMPLO 13. Para la siguiente matriz de pagos, determine la estrategia optima

para cada jugador eliminado sucesivamente las estrategias dominadas (indique el
orden en que se eliminaron).
Jugador 2
Estrategias
1 2 3
1
2 3 5
jugador 1 2 2 1 6
3 1 2 0
76
SOLUCIÓN
Jugador 2
Estrategias
1 2 3
1
2 3 5
jugador 1 2 2 1 6
3 1 2 0
Para el jugador 1 la estrategia 3 es dominada por la estrategia 1.
Jugador 2
Estrategias 3
1 2
1
2 3 5
jugador 1
2 2 1 6
Jugador2
estrategias
1 2
1 2 3
Jugador1
2 2 1
Jugador 2
Estrategias
1 2
1 2 3
Jugador 1
El ejemplo nos entrega un valor del juego de 2 donde el jugador 1 recibe un pago
de 2 por parte del jugador 2; Este es un ejemplo de Juego Injusto.
EJEMPLO 14. Encuentre el Maximin, Mínimax el punto silla que tiene la siguiente
matriz de pagos.
77
Jugador 2
Estrategias
1 2 3
1
3 -3 -2
jugador 1 2 -4 -2 -1
3 1 -1 2
SOLUCIÓN
El jugador 1 elige el valor mínimo de cada fila y el jugador 2 elige el valor máximo
de cada columna:
Jugador 2
Estrategias
1 2 3
1 -3 Mínimos
3 -3 -2
jugador 1 2 -4 -2 -1 -4
3 1 -1 2 -1
3 -1 2 Máximos
El Jugador 1 elige el valor mayor entre los valores mínimos (Maximin). El Jugador
2 elige el valor mínimo entre los valores mayores (Mínimax).
Jugador 2
Estrategias
1 2 3
1 3
3 -3 -2
jugador 1 -4
2 -4 -2 -1
3 1 -1 2 -1
1 1
Punto silla 3 -1 2 minimax
1
maximin
El valor del juego es -1. Juego injusto.
78
TALLER:
1. Utilice el procedimiento gráfico para determinar el Valor del Juego y la

estrategia mixta óptima para cada jugador.
Jugador 2
Estrategias
1 2 3
1
2 3 5
jugador
1
2 2 1 6
2. Para la siguiente matriz de pagos, determine la estrategia optima para cada

jugador eliminando sucesivamente las estrategias dominadas (Indique el orden
en que se eliminaron).
Jugador 2
Estrategias
1 2 3
1
2 3 5
jugador
1 2 2 1 6
3 1 2 0
3. Encuentre el Punto Silla del juego que tiene la siguiente Matriz de Pagos.
Jugador 2
Estrategias
1 2 3
1
2 3 5
jugador
1 2 2 1 6
3 1 2 0
4. Utilice el procedimiento gráfico para determinar el valor del juego y la
estrategia mixta óptima para cada jugador según el criterio de mínimax.
Jugador 2
Estrategias
1 2 3
1
2 3 5
jugador
1
2 2 1 6
79
CAPITULO 5. DECISONES BAJO RIESGO – CADENAS DE MARKOV.
INTRODUCCION
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que

ocurra un evento depende del evento inmediato anterior; En efecto, las cadenas
de este tipo tienen memoria, "recuerdan" el último evento y esto condiciona las
posibilidades de los eventos futuros. Esta dependencia del evento anterior
distingue a las cadenas de Markov de las series de eventos independientes, como
tirar una moneda al aire o un dado.
En los negocios, las cadenas de Markov se han utilizado para analizar los
patrones de compra de los deudores morosos, para planear las necesidades de
personal y para analizar el reemplazo de equipo; El análisis de Markov, llamado
así en honor de un matemático ruso que desarrollo el método en 1907, permite
encontrar la probabilidad de que un sistema se encuentre en un estado en
particular en un momento dado.
Algo más importante aún, es que permite encontrar el promedio a la larga o las
probabilidades de estado estable para cada estado, con esta información se
pueden predecir el comportamiento del sistema a través del tiempo. La tarea más
difícil es reconocer cuándo puede aplicarse.
La característica más importante que hay que buscar en la memoria de un evento
a otro, las cadenas de Markov se incluyen dentro de los denominados procesos
estocásticos, estos procesos estudian el comportamiento de variables aleatorias a
lo largo del tiempo X(t,w), definiéndose como una colección de variables aleatorias
{X(t,w), t ∈ I}, donde X (t,w) puede representar por ejemplo los niveles de
inventario al final de la semana t.
El interés de los procesos estocásticos es describir el comportamiento de un
sistema y su operación durante algunos periodos, se pueden clasificar atendiendo
a dos aspectos: 1.- si el espacio de estados posibles de la variable aleatoria
contiene valores discretos o continuos y 2.- si los valores del tiempo son discretos
o continuos.
Las cadenas de Markov son un proceso estocástico en el que los valores del
tiempo son discretos y los estados posibles de la variable aleatoria contienen
valores discretos, es decir, es una cadena estocástica de tiempo discreto. Las
cadenas de Markov, se clasifican, además, dentro de los procesos estocásticos de
Markov, que son aquellos en el que el estado futuro de un proceso es
80
independiente de los estados pasados y solamente depende del estado presente.

Por lo tanto las probabilidades de transición entre los estados para los tiempos k-1
y k solamente depende de los estados que la variable adquiere dichos tiempos.
Lección 21. PROCESOS ESTOCÁSTICOS.
La teoría de los procesos estocásticos se centra en el estudio y modelización de

sistemas que evolucionan a lo largo del tiempo, o del espacio, de acuerdo a unas
leyes no determinísticas, esto es, de carácter aleatorio.
La forma habitual de describir la evolución del sistema es mediante sucesiones o

colecciones de variables aleatorias. De esta manera, se puede estudiar cómo
evoluciona una V.A. a lo largo del tiempo; Por ejemplo, el número de personas que
esperan ante una ventanilla de un banco en un instante t de tiempo; el precio de
las acciones de una empresa a lo largo de un año; el número de parados en el las
estaciones de buses a lo largo de un año.
La primera idea básica es identificar un proceso estocástico con una sucesión de

v.a. {Xn, n ∈ N} donde el subíndice indica el instante de tiempo (o espacio)
correspondiente; Esta idea inicial se puede generalizar fácilmente, permitiendo
que los instantes de tiempo en los que se definen las v.a. sean continuos. Así, se
podrá hablar de una colección o familia de v.a. {Xt, t ∈ R}, que da una idea más
exacta de lo que es un proceso estocástico.
Se tiene que una v.a. X(s) es una función que va desde un espacio muestral S a
la recta real, de manera que a cada punto s ∈ S del espacio muestral se le puede
asociar un número de la recta real. De este modo, la probabilidad de cada suceso
de S se puede trasladar a la probabilidad de que un valor de X (v.a.) caiga en un
cierto intervalo o conjunto de números reales. Si a todo esto se le añade una
dimensión temporal, se obtiene un proceso estocástico.
La definición formal es la siguiente:
Dado el espacio de probabilidad (Ω,a, P ) de modo que para todo t ∈ T ⊂ R fijo

Xt : (Ω,a, P ) −→ (R, B)
w −→ Xt(w) ∈ R
Esto es, Xt es una variable aleatoria y ∀w ∈ Ω fijo, X•(w) es una función del tiempo.
Ejemplos:
Xt: número de personas que esperan un autobús en un instante t donde t ∈ [9, 10]
Xt: precio de una acción de una empresa en un día t del mes (t = 1, 2, . . . , 30).
Xt: número de parados en el mes t (t = 1, 2, . . . , 12).
81
Para que un proceso estocástico esté completamente definido hay que determinar
completamente las v.a., es decir, determinar e identificar la distribución de
probabilidad asociada a cada una de ellas y, es más, la distribución conjunta de
todas ellas.
Al conjunto T ⊂ R de subíndices se le denomina conjunto paramétrico y puede

ser continuo o numerable. De este modo aparece una primera clasificación en
procesos estocásticos de parámetro continuo o de parámetro discreto.
Se denomina conjunto de estados E, al conjunto de los posibles valores que

pueden tomar las v.a. {Xt}t∈R; En general, se piensa en el subíndice t como el
indicativo del tiempo y en Xt como el estado o posición del proceso estocástico en
el instante t.
EJEMPLO 15: Se lanza una moneda varias veces. Supóngase que cada vez que
sale cara, un jugador gana 1 unidad y si sale sello pierde 1 unidad. Se puede
definir un proceso estocástico que modeliza la evolución del juego.
Así, si se denomina Xn al número de unidades monetarias que quedan después
de n lanzamientos, el espacio muestral de Xn es
Ω = {n-uplas de cara y sello}
De modo que el cardinal (el número de elementos) del conjunto es

#Ω = 2n
Y el álgebra que se define es a = P (Ω), esto es, las partes de Ω (todos los
posibles subconjuntos que se pueden formar en Ω).
Consideramos a todas las posibles n-uplas equiprobables: P (w) = 1/2n.
Es un proceso discreto, porque el conjunto paramétrico es T = {1, 2, 3,. . .} y el

posible conjunto de estados es
E = {. . ., −3, −2, −1, 0, 1, 2, 3. . .}
Podemos estudiar la trayectoria de X (w):
Sea n = 6 y fijo, por ejemplo, w = (c, c, s, s, s, s) , esto es,
X1(w) = 1
X2(w) = 2
X3(w) = 1
X4(w) = 0
X5(w) = −1
X6(w) = −2
82
Ahora, si fijamos t, por ejemplo en t = 3, se puede calcular la distribución de X3. El

conjunto de posibles estados de X3 es:
-1
0
1
1 3
2
1
0 1
0
-1
-1 -3
-2
-1
De modo que E = {−3, −1, 1, 3} y
P {X3 = −3} = 1/ 23 = 1/8
P {X3 = −1} = 3* 1/23 = 3/8
P {X3 = 1} = 3* 1/23 = 3/8
P {X3 = 3} = 1/23 = 1/8
Se puede definir una nueva variable aleatoria:

Y ≡ número de caras obtenidas (éxitos).
Se observa, entonces, que
Y Bin (3, p =1/2)
Y así
P {Y = 0} = P {X3 = −3} = 1/23 = 1/8
P {Y = 1} = P {X3 = −1} = 3*1/23 = 3/8
P {Y = 2} = P {X3 = 1} = 3*1/23 = 3/8
P {Y = 3} = P {X3 = 3} = 1/23 = 1/8
Luego X3 se distribuye como una Bin=(3, p = ½), aunque tomando otros valores
que los estrictamente igual a 0, 1, 2, 3.
Se identifica así el proceso estocástico, y se puede preguntar uno cuál es la

probabilidad de que a las 10 tiradas se tengan unidades monetarias negativas,
esto es que se arruine el jugador.
- Un proceso estocástico de tiempo discreto es una descripción de la relación

entre las variables aleatorias X0, X1,...que representan alguna característica de un
sistema en puntos discretos en el tiempo.
83
Por ejemplo la ruina del jugador: inicialmente tengo $2, en los tiempos
1,2,...participo en un juego en el que apuesto $1 que gano con probabilidad p y
pierdo con probabilidad 1-p; Dejo de jugar cuando mi capital es $4 o he perdido
todo mi capital.
Si Xi es la cantidad de dinero que tengo en el tiempo i, X0, X1,... es un proceso
estocástico.
Un proceso estocástico de tiempo continuo es un proceso estocástico en el que el

estado del tiempo se puede examinar en cualquier momento, por ejemplo el
número de personas en un supermercado a los t minutos de abrir.
Lección 22. CADENAS DE MARKOV.
Una Cadena de Markov es un proceso estocástico de tiempo discreto que para

t=0, 1, 2,.. y en todos los estados se verifica P(Xt+1=it+1 | Xt=it, Xt-1=it-1, ...,
X1=i1,X0=i0)=P(Xt+1=it+1|Xt=it)
La Hipótesis de estabilidad es la probabilidad P (Xt+1=i t+1t=i)=pij (no depende de t)
La probabilidad de transición es pij
La Matriz de probabilidades de transición es

P11 p12 ... p1s
P21 P22 ... P2s
P=
Ps1 Ps2 … 0 Pss
Donde se debe verificar que la Σ pj =1

j=1
Las cadenas de Markov que cumplen la hipótesis de estabilidad se llaman
cadenas estacionarias de Markov.
La distribución inicial de probabilidad de una cadena de Markov es aquella

q = [q1,...,qs] donde qi=P(X0=i)
EJEMPLO 16: la ruina del jugador es una cadena de Markov estacionaria
Estados: 0, 1, 2, 3, 4
Matriz de transición
1 0 0 0 0
1-p 0 p 0 0
0 1-p 0 p 0
0 0 1-p 0 p
0 0 0 0 1
84
La anterior matriz de transición se puede representar con un grafo en el que cada

nodo representa un estado y cada arco la probabilidad de transición entre estados.
Grafica 12. Esquema de una matriz de transición.
PROBABILIDADES DESPUÉS DE N PASOS.
Si una cadena de Markov estacionaria está en el estado i en el tiempo m, ¿cuál es

la probabilidad de que n períodos después la cadena esté en el estado j?
P (Xm+n =j |Xm= i) = P(Xn= j | X0=i)=Pij(n)
Donde,
Pij(n) es la probabilidad en la etapa n de una transición del estado i al estado j
s
Pij (1)=Pij, Py(2)= Σ Pik PKj
K=1
Pij (n) elemento ij-ésimo de Pn que es la probabilidad de estar en el estado j en el
s
tiempo n = Σ qi py (n)
i=1
EJEMPLO 17. El ascensor de un edificio con bajo y dos pisos realiza viajes de
uno a otro piso. El piso en el que finaliza el viaje n-ésimo del ascensor sigue una
cadena de Markov. Se sabe que la mitad de los viajes que parten del bajo se
dirigen a cada uno de los otros dos pisos, mientras que si un viaje comienza en el
primer piso, sólo el 25% de las veces finaliza en el segundo. Por último, si un
trayecto comienza en el segundo piso, siempre finaliza en el bajo. Se pide:
a) Calcular la matriz de probabilidades de transición de la cadena

b) Dibujar el grafo asociado
c) ¿Cuál es la probabilidad de que, a largo plazo, el ascensor se encuentre en
cada uno de los tres pisos.
SOLUCIÓN:
a) Los estados de la cadena los denotaremos por {0, 1, 2} haciendo corresponder

el 0 al bajo y 1 y 2 al primer y segundo piso respectivamente.
Las probabilidades de transición son:
85
p00 = P(Rn=0 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre

en la planta baja si en la etapa anterior estaba en la planta baja. Obviamente es 0,
porque se supone que de etapa a etapa el ascensor se mueve.
p01 = P(Rn=1 / Rn-1=0), esto es la probabilidad de que el ascensor se encuentre

en la planta primera si en la etapa anterior estaba en la planta baja. Obviamente
es ½. Basta leer el enunciado. Y así sucesivamente vamos obteniendo las
distintas probabilidades de transición cuya matriz es:
c)
Lección 23. CLASIFICACIÓN DE ESTADOS EN UNA CADENA DE MARKOV.
Dados dos estados i y j, la trayectoria de i a j es la sucesión de transiciones que

comienza en i y termina en j, de forma que cada transición de la secuencia tenga
probabilidad positiva.
86
Un estado j es alcanzable desde un estado i si hay una trayectoria de i a j, por lo

tanto si dos estados i y j se comunican si i es alcanzable desde j y j es alcanzable
desde i.
Un conjunto de estados S en una cadena de Markov es cerrado (constituyen una

clase de la cadena) sin ningún estado fuera de S es alcanzable desde un estado
en S.
Un estado i es absorbente si pii=1
Un estado i es transitorio si hay un estado j alcanzable desde i, pero el estado i

no es alcanzable desde j.
Un estado es recurrente si no es transitorio.
Un estado i es periódico con periodo k>1 si k es el menor número tal que todas
las trayectorias que parten del estado i y regresan al estado i tienen una longitud
múltiplo de k.
Si un estado recurrente no es periódico es aperiódico.
Si todos los estados de una cadena son recurrentes, aperiódicos y se comunican

entre sí, la cadena es ergódica.
PROBABILIDADES EN ESTADO ESTACIONARIO.
Si P es la matriz de transición de una cadena ergódica de S estados entonces

existe un vector =[ 1 2 ... 3 ] tal que
1 2... s
n
Lim P = 1 2... s
n ∞
1 2... s
Es decir,
Lim Pij =(n)= J
n ∞
Se le llama distribución de estado estable o de equilibrio para la cadena de
Markov.
- se puede determinar a partir de la ecuación: j = Σ Pkj

K=1
- En forma matricial = p
- Este sistema tiene un número infinito de soluciones porque el rango de P

siempre resulta ser menor o igual que s-1; También se debe verificar que,
87
1 +π2 +... + s= 1
INTERPRETACIÓN INTUITIVA DE LAS PROBABILIDADES DE ESTADO

ESTABLE.
j (1 –Pj j ) =Σ πκ Pk j
K≠ j
La probabilidad de que una transición determinada deje el estado j es igual a la

probabilidad de que una transición determinada entre al estado j.
La probabilidad de que una transición determinada deje el estado j = j (1 − p j j)
La probabilidad de que una transición determinada entre al estado j= Σ π κ Pk j

K≠ j
En el estado estable el flujo de probabilidad hacia cada estado debe ser igual al
flujo de probabilidad que sale de cada estado o sea son las probabilidades de
equilibrio.
ANÁLISIS DE ESTADO TRANSITORIO
El comportamiento de una cadena de Markov antes de alcanzar el estado estable

se llama comportamiento transitorio. Para su estudio se utiliza las fórmulas
dadas anteriormente para Pi j(n).
Lección 24. PROCESO DE DECISIÓN MARKOVIANO
Consiste en la aplicación de la programación dinámica a un proceso de decisión

estocástico, en donde las probabilidades de transición entre estado están
descritas por una cadena de Markov.
La estructura de recompensas del proceso está descrita por una matriz cuyos
elementos individuales son el costo o el beneficio de moverse de un estado a otro.
Las matrices de transición y de recompensas dependen de las alternativas de

decisión. El objetivo es determinar la política óptima que maximice el ingreso
esperado en un número finito o infinito de etapas.
MODELO DE ETAPAS FINITAS
Su objetivo es optimizar el ingreso esperado al final de un período de tamaño N,

donde,
Pk=[pi j k] y Rk=[ri j k] son las matrices de transición y recompensa para la
alternativa k,
88
fn(i) es el ingreso esperado óptimo de las etapas n, n+1,...,N si el estado del

sistema al inicio de la etapa n es i.
m
∫fn(i) = max , Σ Pijk [rij k ∫n+1(j) ] n = 1,2,…, n
k j=1
∫n+1(j) = 0, j = 1,2, … ,m
EJEMPLO 18. Suponga que toda la industria de refresco produce dos colas: Coca
Cola y Pepsi Cola. Cuando una persona ha comprado Coca Cola hay una
probabilidad de 90% de que siga comprándola la vez siguiente. Si una persona
compró Pepsi, hay 80% de que repita la vez siguiente. Se pide:
a) Si una persona actualmente es comprador de Pepsi. ¿Cuál es la probabilidad

de que compre Coca Cola pasadas dos compras a partir de hoy?
b) Si en la actualidad una persona es comprador de Coca Cola. ¿Cuál es la
probabilidad de que compre Coca Cola pasadas tres compras a partir de ahora?
c) Supongamos que el 60% de toda la gente toma hoy Coca Cola y el 40% Pepsi.
A tres compras a partir de ahora, ¿Qué fracción de los compradores estará
tomando Coca Cola.
d) Determinar el estado estable.
SOLUCIÓN: La situación se puede modelar como una cadena de Markov con dos
estados {Coca-Cola, Pepsi-Cola}= {C, P}. La matriz de transición para el orden C,
P, es:
0,2 0,8
P=
0,9 0,1
a) Se pide la probabilidad de transición en dos pasos, es decir que se pide el valor

en fila 2, columna 1 para la matriz P2, obteniéndose que este es: 0,2.0,9+0,8.0,2
=0,34
b) Al igual que en el apartado anterior se pide el valor de probabilidad de transición
en fila 1 y columna 1 para la matriz P3.
Esto quiere decir que la solución al problema es 0,781.
c) El vector de probabilidad inicial es (0.6, 0.4), por tanto la probabilidad de

consumir ambos estados a partir de tres etapas es: (0.4, 0.6)*P3.
Calculamos primero P2, resultando que
89
Por lo tanto,
Entonces el resultado solicitado es 1/10000 *(6438 3562) = (0.6438, 0.3562);

esto es que al cabo de tres compras el 64’38% comprará Coca Cola y el 35’62%
comprará Pepsi Cola.
d) El estado estable se determina resolviendo el sistema de ecuaciones:
Añadiendo la ecuación x+y = 1, siendo x la probabilidad de que una persona

compre Coca Cola a largo plazo e y lo mismo de que compre Pepsi Cola. El
sistema resultante es:
Obsérvese que las dos primeras ecuaciones son la misma por tanto quedémonos
con las dos últimas, obteniendo como solución:
x = 2/3; y = 1/3.
MODELOS DE ETAPAS INFINITAS
Se desarrollaran varios métodos para este modelo de etapas, en el cual se buscan

las políticas para que existan soluciones de estado estable.
Métodos:
• Enumeración exhaustiva: se evalúan todas las políticas estacionarias posibles
del problema de decisión
• Iteración de política: determina la política óptima de forma iterativa
ENUMERACIÓN EXHAUSTIVA
Problema de decisión con S políticas estacionarias
Pasos del método:

1.- Calcular el ingreso de una etapa esperado de la política s dado el estado i,
i = 1,2,...,m:
m
V1s = Σ Pij rijS
J=i
90
2.- Calcular las probabilidades estacionarias de largo plazo de la matriz de

transición asociada a la política s.
3.- Determinar el ingreso esperado de la política s por paso de transición:

m
Es = Σ i
s
vis
i=1
4.- La política óptima s* se determina de forma que Es* = max{Es}
Para una política específica el rendimiento total esperado en la etapa n es,
m
∫n(i) = Vi + Σ Pij ∫n+1(j), i= 1,2, ... , m
k j=1
η número de etapas que faltan por considerar:

m
∫n(i) = Vi + Σ Pij ∫n – 1 (j), i= 1,2, ... , m
j=1
El comportamiento asintótico del proceso se estudia haciendo η→∞
ITERACIÓN DE POLÍTICAS
El ingreso esperado por etapa es E=π1v1 + π2v2 +...+ πmvm
Para η grande donde ∫n(i) ηΕ +∫(i) es un término constante que representa el

efecto sobre el ingreso de comenzar en el estado i.
Sustituyendo en la ecuación recursiva y simplificando

m
E=V1 + Σ Pij ∫ (j) - ∫ (i), i= 1,2, ... , m

J=1
Que es un sistema de m ecuaciones y m+1 incógnitas: E, f(1),...,f(m).
Para determinar el valor máximo de E se sigue un proceso iterativo que termina

cuando dos políticas sucesivas son idénticas:
1.- Determinación del valor: se elige una política arbitraria s. Suponiendo fs(m)=0
se resuelven las ecuaciones:
91
m
Es=Vsi +Σ Psij ∫s(j) - ∫ (i), i= 1,2, ... , m
j=1
2.- Mejoramiento de política: Para cada estado i determina la política k que

produce
m
MAX Vi K Σ PK ij ∫ s(j ) , i= 1,2, ... , m

K j=1
Las decisiones óptimas que resultan para los estados 1,2,..., m constituyen la
nueva política t. Si s y t son idénticas, t es óptima. Si no es así, se repite el
proceso con s=t.
EJEMPLO 19.PROBLEMA RATÓN:

Un ratón cambia de habitáculo cada minuto con igual probabilidad a las salas
adyacentes
Donde puede circular en las opciones planteadas en el esquema siguiente;
La matriz de probabilidades de transición es
0 1/3 1/3 1/3

1/2 0 1/2 0
P= 1/3 1/3 0 1/3
1/2 0 1/2 0
92
Calculamos el espectro: |λI–P|=0
λ=0
Autovalores: λ=1 Multiplicidad 1 y único de
λ = -1/3 módulo 1
λ = - 2/3
Existe distribución final.
P (λ) (I – P) = 0
Sistema de ecuaciones:
1 -1/3 -1/3 -1/3

( PS , PH , PC ,PE ) -1/2 1 -1/2 0 = (0,0,0,0,0)
-1/3 -1/3 1 -1/3
-1/2 0 -1/2 1
PS + P H + PC + P E = 1
-Salón PS = 0,3
Las Probabilidades son -Habitación PH = 0,2
-Cocina PC = 0,3
-Entrada PE = 0,2
Existe distribución límite porque:
• El sistema tiene una sola clase final
• Esa clase final es aperiódica
PARA ACABAR CON EL RATÓN
• Se pone queso envenenado en la cocina
• Se abre la puerta de la entrada (S C)
93
Grafica 13. Probabilidades del ratón ejemplo 19.
¿Qué probabilidad hay de que el sistema sea absorbido en cada estado final?
• E, S y H son estados transitorios.

• C y SC son estados recurrentes o finales.
• La situación inicial del ratón determinará la situación futura.
• Si inicialmente está en E es más probable que salga de casa.
• Si inicialmente está en H es más probable que se quede en la cocina.
Matriz de transición: Estructura de P:
1 0 0 0 0 I O
0 1 0 0 0
P=
1/3 0 0 1/3 1/3 P= R Q
0 1/3 1/3 0 1/3
0 1/3 1/3 1/3 0
Matriz identidad (tantas columnas y filas como estados finales) ( I ).

Matriz 2 x 3 (tantas columnas como transitorios y tantas filas como estados finales)
(O).
Matriz 3 x 2 (Probabilidades de absorción en un solo salto) (R).
Matriz 3 x 3 (Probabilidad de transición entre transitorios) (Q).
QIJ es la probabilidad de que el sistema, encontrándose inicialmente en el estado
transitorio i acabe en el estado final j.
i = Entrada, Salón, Habitación (estados transitorios) (3, 4,5)
94
j = Cocina, Salir de casa (estados finales) (1,2)
Q31 = 1/3 + 1/3 Q41 + 1/3 Q51
Prob. De que estando en 4 pase a 1

Prob. de que se marche directamente
Q41 = 1/3 Q31 + 1/3 Q51

Q51 = 1/3 Q31 + 1/3 Q41
Resolvemos el sistema:
1 -1/3 -1/3 Q31 Q32 1/3 0

-1/3 1 -1/3 - Q41 Q42 = 0 1/3
-1/3 -1/3 1 Q51 Q52 0 1/3
I-Q = R
Matriz de
Matriz de prob.
absorción
Entre
en un salto
transitorios
La probabilidad de acabar en cada uno de absorción

los estados finales en función de su
posición inicial. en
Q31 Q32 un solo salto

1/2 1/2
Q41 Q42 = 1/4 3/4
Q51 Q52 1/4 3/4
La suma de los términos de las filas debe ser 1.
O termina en un estado final o en el otro.
La probabilidad de los estados transitorios es cero
Dependiendo de la situación inicial del ratón ¿Cuánto tiempo medio tardará en

desaparecer?
Llamamos mi al número medio de transiciones hasta la absorción si el sistema se

encuentra en el estado transitorio i.
mE Nos encontramos inicialmente en la entrada.
95
mi = es una v.a. de tipo discreto.
mi = 1, 2,3 ...
El ratón se va a la 1ª
SISTEMA DE ECUACIONES:
mE = 1 ·1/3 + 1/3 (1 + mS ) + 1/3 (1 + mH)
Pasar de la entrada al dormitorio

Tiempo
mS = 1 ·1/3 + 1/3 (1 + mE ) + 1/3 (1 + mH)

mH = 1 ·1/3 + 1/3 (1 + mE ) + 1/3 (1 + mS)
1 -1/3 -1/3 mS 1 mS 3
-1/3 1 -1/3 mE = 1 mE = 3
-1/3 -1/3 1 mH 1 mH 3
I-Q
Independientemente de la sala donde se encuentre inicialmente, el tiempo que

transcurre hasta que nos deshacemos del ratón es tres.
EJEMPLO 20. PROBLEMA TELEFONÍA MÓVIL
Una agencia de telefonía móvil está estudiando la demanda presentada por el

Ayuntamiento de una población cercana a Madrid. Esta población se ha querellado
por una cobertura insuficiente del servicio de telefonía móvil. Concretamente
aseguran que el tiempo que tarda una llamada en cortarse es inferior a 10 minutos
cuando las personas que están hablando transitan por la calle o circulan en
vehículos.
Para verificar este hecho dos técnicos de telefonía se han desplazado a esta
localidad y han medido los niveles de calidad en conversaciones en los que ambos
interlocutores hablan manteniéndose quietos en sus sitios (estudio estático), y
también han hecho mediciones cuando ambos interlocutores andan por la calle
(estudio dinámico).
El estudio ha consistido en evaluar cada minuto los niveles de calidad de la

recepción de señal en ambos terminales móviles. En el estudio estático los niveles
de calidad de recepción en cada Terminal son dos, 1 y 2, de menor a mayor
calidad de recepción. En el estudio dinámico los niveles de calidad de recepción
son tres, 0, 1 y 2. El nivel 0 corresponde a la pérdida de la llamada.
96
Del resultado del estudio estático ha resultado que la probabilidad de que

cualquiera de los terminales mantenga su nivel de cobertura en el minuto siguiente
es del 80%, la probabilidad de que cada Terminal baje un nivel es de un 10% y de
que suba otro 10%. Por otra parte del estudio dinámico ha resultado que la
probabilidad de que la cobertura de cada Terminal se mantenga es del 70%, de
que cada Terminal suba un nivel es del 20% y de que baje un 10%.
EJEMPLO 21. Los consumidores de café en el área de Pontevedra usan tres

marcas A, B, C. En marzo de 1995 se hizo una encuesta en lo que entrevistó a las
8450 personas que compran café y los resultados fueron:
a) Si las compras se hacen mensualmente, ¿cuál será la distribución del mercado

de café en Pontevedra en el mes de junio?
b) A la larga, ¿cómo se distribuirán los clientes de café?
c) En junio, cual es la proporción de clientes leales a sus marcas de café?
SOLUCIÓN:
a) A la vista de las frecuencias anteriores, las probabilidades de transición,
conservando el mismo orden que la tabla (A, B, C) es:
De marzo a Junio hay 4 etapas por lo que nos piden las probabilidades de
transición al cabo de 4 meses, las que vendrán dada por los coeficientes de P4
97
b) A la larga se trata de la situación estable:
Resolviendo se obtiene: x = 5/21; y = 10/21; z = 2/7.
c) En Marzo la proporción de clientes de A es: 2028/8450 = 0,24; para B es

3718/8450 = 0,44 y para C es 2704/8450 = 0,32.
En el mes de junio la proporción es:
Lección 25. PROBLEMA ESTÁTICO Y DINAMICO.
La variable de estado de ambos estudio de ambos estudios es el nivel de

cobertura, y la cadena de Markov asociada será la siguiente:
La matriz de probabilidades de transición será:
98
0,81 0,09 0,09 0,01

PEE 0,09 0,81 0,01 0,09
0,9 0,01 0,81 0.09
0,01 0,09 0,09 0,81
La calidad de la conversación se establece como semisuma de los niveles de

cobertura de los terminales operativos. Sería interesante preguntarse si es posible
determinar la calidad media de conversaciones. Para calcularla estudiamos la
distribución límite de los estados, que existe porque hay una única clase final a
periódica.
Autovalores de PEE se obtienen haciendo λ. I - PEE = 0

λ=1
λ = 0,8 (De multiplicidad 2)
λ = 0,64
La distribución límite existe, porque hay un auto valor λ = 1 de multiplicidad 1

(condición necesaria), y el resto de autovalores no tienen módulo 1 (condición
suficiente).
La distribución límite es la asociada al auto valor λ = 1
0,19 - 0,09 - 0,09 - 0,01 0

- 0,09 - 019 - 0,01 - 0,09 0
(p1, p2, p3, P4) - 0,09 - 0,01 - 0,09 - 0,09 = 0
- 0,01 - 0,09 - 0,09 0,19 0
P1 +p2 + p3 + p4 = 1
0,19 - 0,09 - 0,09 - 0,01 P1 0

- 0,09 0,19 - 0,01 - 0,09 P2 = 0
- 0,09 - 0,01 - 0,19 - 0,09 P3 0
1 1 1 1 P4 0
(P1 P2 P3 P4) = (0,25 0,25 0,25 0,25)
La calidad media de las conversaciones estáticas:

q =(1+1). P1 + (1+2). P2 +(1+2). P3+(2+2). P4
q =2 * 0,25 +3 0,25 + 3 0,25 +4 *0,25 =1,5
2
99
PROBLEMA DINÁMICO.
Considerando variable de estado el nivel de cobertura, la cadena de Markov
asociada será la siguiente:
La matriz de probabilidades de transición será:

PED = I O
RQ
1 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0
0 0 0 0 1 0 0 0 0
PED 0,01 0,07 0,02 0,07 0,02 0,49 0,14 0,14 0,04
0 0,01 0,09 0 0 0,07 0,63 0,02 0,18
0 0 0 0,01 0,09 0,07 0,02 0,63 0,18
0 0 0 0 0 0,01 0,09 0,09 0,81
100
Donde:
•I Matriz identidad (tantas columnas y filas como estados finales).
•O Matriz nula (tantas columnas como transitorias y tantas filas como estados
finales).
•R Probabilidades de absorción de un solo salto.
•Q Probabilidades entre transitorios (tantas filas y columnas como estados
transitorios.
• 1, 2, 3, 4, 5 son estados finales.
• 6, 7, 8, 9 son estados transitorios.
Presenta cinco clases finales, luego, no existe una distribución límite de los
estados en este estudio dinámico, luego no podemos determinar la calidad media
del servicio como en el caso anterior. La calidad media del servicio será
independiente del nivel de cobertura inicial de ambos interlocutores.
Ahora calcularemos cuánto tarda en término medio en perderse una llamada que
se realiza andando por la calle y que se inició con ambos terminales a máxima
cobertura.
mi Tiempo medio hasta que se corta la conversación si el estado inicial es i
M6 1
I–Q. m7 1
m8 1
m9 1
0,51 - 0,14 - 0,14 - 0,04 m6 1

- 0,07 - 0,37 - 0,02 - 0,18 m7 1
- 0,07 - 0,02 - 0,37 - 0,18 m8 = 1
- 0,01 - 0,09 - 0,09 0,19 m9 1
m6 12,69
m7 = 16,47
m8 16,47
m9 21,53
Luego el ayuntamiento no tendría razón en sus afirmaciones, el tiempo que tarda

en cortarse una llamada es:
21,53 minutos si el nivel inicial de cobertura de ambos interlocutores es 2

16,47 minutos si el nivel inicial de cobertura de un interlocutor es 1 y el otro es 2.
12,69 minutos si el nivel inicial de cobertura de ambos interlocutores.
101
TALLER:
1. Las 20 chicas y los 10 chicos de un curso de COU organizan un viaje, para el

cual necesitan dinero. Deciden pedir trabajo por las tardes en una compañía
encuestadora que contrata a equipos jóvenes de dos tipos:
TIPO A: Parejas: una chica y un chico
TIPO B: Equipos de cuatro, formados por tres chicas y un chico
Se paga a 30000 pesos. La tarde a la pareja y a 50000 pesos. La tarde al equipo

de 4.
¿Cómo les conviene distribuirse para sacar la mayor cantidad posible de dinero?
2. Una fábrica de tableros de madera, pintados, produce dos tipos de tableros:

Normales: Llevan una mano de imprimación y otra de pintura.
Extras: Llevan una mano de imprimación y tres manos de pintura.
Disponen de imprimación para 10000 m2, pintura para 20000 m2 y tableros sin
pintar en cantidad ilimitada.
Sus ganancias netas son: 3500 pesos. Por el m2 de tablero normal y 5000 pesos.
Por m2 de tablero extra.
¿Qué cantidad de tablero de cada tipo les conviene fabricar para que las
ganancias sean máximas?
3. María distribuye su tiempo de ocio entre discoteca y cine. Cada vez que va a la
discoteca gasta por término medio 30.000 pesos, mientras que si va al cine su
gasto es de 5000 pesos. En cierto mes su presupuesto para ocio asciende a
220.000 Pesos. Y desea ir a la discoteca al menos tantas veces como al cine.
102
CAPITULO 6. DECICISONES BAJO RIESGO -PROGRAMACION META
INTRODUCCION
La mayoría de las situaciones de decisión real, sean personales o profesionales,

se caracterizan por metas (atributos) y objetivos múltiples más que por un simple
objetivo. Estas metas (atributos) pueden ser complementarias, pero
frecuentemente son conflictivas y también inconmensurables. Por ejemplo, un
productor de autos como la General Motors desearía construir un vehículo de
pasajeros que pudiera venderse por menos de $200,000.00, tuviera 250 caballos y
consiguiera 40 millas por galón.
Consideremos, por ejemplo, las metas (atributos) de economía de combustible y

de potencia. Entre más alta sea la potencia, menor es la economía de
combustible, indicando que las dos metas (atributos) están en conflicto. Además
estas dos metas (atributos) son inconmensurables, pues la potencia y las millas
por galón tienen diferentes escalas y dimensiones.
OBJETIVOS:
1.-Representan direcciones de mejora de los atributos. La mejora puede

interpretarse en el sentido (más del atributo mejor) o bien (menos del atributo
mejor). El primer caso corresponde a un proceso de maximización y el segundo a
uno de minimización de las funciones que corresponden a los atributos que
reflejan los valores del centro analista.
2.-Como paso previo a la definición de meta se introducirá el concepto de nivel de

aspiración. Un nivel de aspiración representa un nivel aceptable de logro para el
correspondiente atributo. La combinación de un nivel de aspiración con un atributo
genera una meta.
3.- el término criterio se utiliza como un término general que engloba los tres
conceptos precedentes (atributo, objetivo y metas). En otras palabras, los criterios
constituyen los atributos, objetivos o metas que se consideran relevantes para un
cierto problema decisional. Por consiguiente, la teoría de la decisión multicriterio
103
constituye un marco general o paradigma decisional en el que subyacen diferentes

atributos, objetivos o metas.
Lección 26. CONCEPTOS FUNDAMENTALES DE PROGRAMACIÓN META.
La formulación de un modelo de Programación Meta es similar al modelo de P.L.

El Primer paso es definir las variables de decisión, después se deben de
especificar todas las metas gerenciales en orden de prioridad. Así, una
característica de la Programación Meta es que proporciona solución para los
problemas de decisión que tengan metas múltiples, conflictivas e
inconmensurables arregladas de acuerdo a la estructura prioritaria de la
administración.
La Programación Meta es capaz de manejar problemas de decisión con una sola

meta o con metas múltiples. En tales circunstancias, las metas establecidas por el
tomador de decisiones son logradas únicamente con el sacrificio de otras metas.
Atributo: Este concepto se refiere a valores del centro analista relacionados con
una realidad objetiva. Estos valores pueden medirse independientemente de los
deseos del centro analista, siendo usualmente susceptibles de expresarse como
una función matemática f(x) de las variables de decisión.
Metas y variables de desviación

Forma inicial de la meta Forma de la meta Variable de desviación
transformada no deseada (a minimizar)
Fi(X)ti Fi(x)ni p i= ti ni
Fi(x)ti Fi(x)ni pi = ti pi
Fi(x)=ti Fi(x)ni pi = ti nipi
Formulación de la función objetivo
La función objetivo para un problema de programación por meta siempre es

minimizar alguna combinación de variables de desviación. Desde un punto de
vista de toma de decisiones administrativa, esto significa que se está buscando la
combinación de variables reales por ejemplo (mesas y sillas) que cumplan mejor
con todos los objetivos. Esto podría llamarse optimizar un conjunto de objetivos
"satisfactorios" o satisfacer.
La forma exacta de la función objetivo varía según la respuesta a estas dos

preguntas:
1. ¿Son conmensurables o proporcionales los objetivos?

2. ¿Cuál es la importancia relativa de cada objetivo?
104
- Objetivos conmensurables de igual importancia: este es el caso más sencillo,

aunque muy pocas veces se encuentra en la práctica. Aquí los objetivos se miden
en una escala común (conmensurables y tienen la misma importancia.
- Ponderación preferente de los objetivos: las ponderaciones de preferencia

pueden aplicarse a cualquier grupo de objetivos conmensurables. Las
ponderaciones deben reflejar la utilidad o el valor de los objetivos.
- Rango de prioridad de los objetivos: ¿que pasa cuando los objetivos no son
conmensurables, cuando no hay una escala común para comparar las
desviaciones de los diferentes objetivos? Este es un caso importante, al que se
enfrentan con frecuencia los administradores. Si el administrador puede ordenar o
dar un rango para sus metas entonces la solución es posible.
Quizás no sea una tarea fácil dar un rango a los objetivos de acuerdo con su
importancia pero es algo que la mayoría de las personas entienden y pueden
lograr. En la programación por objetivos se le asigna la prioridad P1al objetivo más
importante, siguiendo P2 a una prioridad más baja. No existe límite en el número
de niveles de prioridad pero debe asignarse una prioridad para cada variable de
desviación. Se permiten empates o prioridades iguales.
Los problemas de programación por meta se resuelven en orden de prioridad. Es

decir, se prueba la optimización en el nivel de prioridad más alto ignorando las
prioridades más bajas hasta optimizar este nivel.
EJEMPLO22. La compañía Aedis ha desarrollado recientemente tres nuevos

productos haciendo uso del exceso de capacidad en sus tres plantas sucursales
existentes: Cada producto puede fabricarse en cualquiera de las tres plantas.
El análisis ha demostrado que sería rentable utilizar el exceso de capacidad para

producir estos tres nuevos productos. En realidad, el propósito de la gerencia al
desarrollar los nuevos productos era lograr la utilización completa de la capacidad
productiva de exceso sobre una base rentable. Mientras que las plantas Aedis
generalmente operan a capacidad plena en sus líneas de productos existentes, la
producción por debajo de la capacidad normal ocurre con poca frecuencia,
presentando problemas con la fuerza laboral. Aunque la compañía no necesita la
fuerza laboral plena durante los períodos de holgura, el costo de los despidos
sería considerable, y Aedis desearía evitar esto tanto como fuera posible.
Además, la gerencia desearía balancear la utilización del exceso de capacidad

entre las sucursales. Esto serviría para distribuir equitativamente la carga de
trabajo del personal de supervisores asalariados y reducir los agravios de la fuerza
laboral que se le paga por horas, que de otra manera se sentiría discriminada con
respecto a las cargas de trabajo o a los despidos.
Para el período que es está considerando, las plantas tienen las siguientes
105
capacidades de producción en exceso (en términos de unidades) de nuevos

productos y capacidades de embarque disponibles asignadas a los nuevos
productos:
Planta capacidad de exceso Capacidad de

de embarque(pies
producción(unidades cúbicos)
1 750 12000
2 300 10000
3 450 6500
Tabla 18. Atributos de la programación meta.
Los productos 1,2 y 3 requieren 30,20 y 15 pies cúbicos por unidad,

respectivamente. Las contribuciones unitarias a la utilidad de los productos 1,2 y 3
son $15,18 y 12 respectivamente. Los pronósticos de ventas indican que Aedis
puede esperar ventas tan altas como 900, 1000 y 700 unidades de los productos
1, 2 y 3 respectivamente, durante el periodo de planeación en consideración.
Dada la situación que hemos descrito, la administración ha expresado las

siguientes metas de preferencia en orden de importancia decreciente (P1=más
importante):
P1. Lograr una utilidad perseguida de $15000.
P2. Utilizar tanto de la capacidad de exceso como sea posible. Debido al bajo
costo de la mano de obra, la administración cree que es 1,5 veces más
importante utilizar la capacidad de exceso de la planta 1 que la de las plantas 2 y
3.
P3. Lograr un balance de la carga de trabajo en la utilización de exceso de la

capacidad entre todas las plantas. Debido a ciertas demandas adicionales de los
trabajadores de la planta 1, la administración cree que si ocurre algún desbalance
en la carga de trabajo, es dos veces más importante que favorecer a la planta
1con menor trabajo con respecto a las plantas 2 y 3.
P4. Lograr el pronóstico de ventas para el producto 2, puesto que este tiene la
mayor contribución a la utilidad por unidad.
P5. Producir suficiente cantidad de los productos 1 y 3 para cumplir con las
ventas pronosticadas.
P6. No exceder la capacidad de embarque disponible.
Lección 27. FORMULACIÓN DEL MODELO

Definida las metas para problema y definida el orden prioritario de cada una de
ellas, se debe proceder a formular el modelo, tomando las exigencias de las
106
restricciones y desviaciones, por lo cual se debe tener en cuenta el siguiente

esquema:
Restricciones de meta
-Por cada meta
Componentes en la F.O.
FORMULACIÓN (minimizar suma de
desviaciones con respecto
a las metas)
-Restricciones Estructurales (no tiene que ver con las metas)
Las suposiciones básicas que caracterizan el modelo de programación lineal se

aplican igualmente al modelo de programación meta. La diferencia principal en la
estructura es que la programación meta no intenta minimizar o maximizar la
función objetivo como lo hace el modelo de programación lineal. En vez de ello,
busca minimizar las desviaciones entre las metas deseadas y los resultados reales
de acuerdo a las prioridades asignadas. El objetivo de un modelo de programación
meta es expresado en términos de las desviaciones de las metas a que se apunta.
Esto es las desviaciones de las metas se colocan en la función objetivo y deben
minimizarse. El modelo general de la programación meta puede expresarse
matemáticamente de la siguiente manera:
m
min Z = Σ wi(di+ + di-)
i=1
s.a.
n
Σaijxj+di- - di + = bi para toda i
j=1
xj,di-,di+≥ 0 para toda j
Donde:
w = Ponderación de las desviaciones con respecto a la meta.
di- = Desviación déficit
di+ = Desviación excedente
Los siguientes pasos se requieren para formular el modelo de programación meta.
EJEMPLO23. SATISFACCIÓN DE UNA SOLA META.
Una división de Schwim Manufacturing Company produce dos tipos de bicicletas:

(1) una bicicleta de 3 velocidades y (2) una de 10 velocidades. La división obtiene
una utilidad de $25 en la bicicleta de 10 velocidades y $15 en la bicicleta de 3
107
velocidades. Debido a la fuerte demanda de estos artículos, durante el período de

planeación de verano la división cree que puede vender, a los precios que
prevalezcan, todas las unidades de estas dos bicicletas que produzca. Las
instalaciones de producción se consideran recursos escasos.
Estos recursos escasos corresponden al departamento de ensamblado y

terminado. Los tiempos unitarios de procesamiento y las capacidades de cada uno
de los departamentos se muestran en la tabla siguiente:
Hrs. requeridas para procesar cada bicicleta
Tipo de bicicleta En el Depto. de ensamble En el depto. de Contribución a la

terminación utilidad unitaria
3 velocidades 1 1 15
10 velocidades 3 1 25
Hrs. disponibles en 60 40
c/ departamento.
La división durante este período de planeación se enfrenta a cambios grandes de

organización y cree que el maximizar la utilidad no es un objetivo realista. Sin
embargo, desearía lograr un nivel satisfactorio de utilidad durante este período de
dificultad. La dirección cree que la utilidad diaria de $600 debería satisfacerse y
desea determinar, dadas las restricciones del tiempo de producción, la mezcla de
producto, que debería llevar a esta tasa de contribución a utilidades.
Formula un modelo de programación meta que satisfaga estos requerimientos
Definición de variables:
x1 = Número de bicicletas de 3 velocidades producidas por día
x2 = Número de bicicletas de 10 velocidades producidas por día
d1- = Cantidad por debajo de la utilidad perseguida
d1+ = cantidad por encima de la utilidad perseguida

Minimizar Z = d1- + d1+ s.a.
x1 +3x2 ≤ 60 (horas de ensamble).
Restricciones estructurales
x1 + x2 ≤ 40 ( (horas de terminación)
15x1 +25x2 +d1- - d1+ = 600 (Utilidad perseguida)
Restricción meta
x1, x2, d1-,d1+ ≥ 0
108
Nota: Puesto que tanto d1-,d1+ aparecen en la función objetivo y a ambas se les
asigna pesos iguales, esto indica que la administración desea lograr la utilidad
meta exactamente.
1-Exceso en las restricciones de capacidad
N- desviación negativa.
P- desviación positiva.
P1 =750 N1 X31 X21 X11
P2 =300 N2 X32 X22 X12
P3 =450. N3 X33 X23 X13
Donde Xij = número de unidades del producto i producidas en la planta j
N1, N2, N3 =exceso de capacidad no utilizada en las plantas 1,2 y 3

respectivamente.
P1, P2, P3 = cantidad mediante la cual la capacidad de exceso se excede las

plantas 1,2 y 3 respectivamente.
2- Restricciones en el requisito de espacio

P4=12000 N4 15X31 20X21 30X11
P5=10000 N5 15X32 20X22 30X12
P6= 6500 N6 15X33 20X23 30X13
N4, N5, N6 =número de unidades de capacidad de embarque disponible no utilizada

en las plantas 1,2 y 3, respectivamente.
P4, P5, P6 = número de unidades de capacidad adicional de embarque requerida
en las plantas 1,2 y 3, respectivamente.
3-Restricciones en las ventas esperadas

P7=900 N7 X13 X12 X11
P8=1000 N8 X23 X22 X21
P9= 700 N9 X33 X32 X31
N7, N8, N9 =número de unidades sublogradas de las ventas esperadas de los

productos 1,2 y 3 respectivamente.
P7, P8, P9 = número de unidades sobre logradas de las ventas esperadas de los
productos 1,2 y 3 respectivamente.
4-Balance de carga de trabajo
300 X32 X22 750 = X12 X31 X21 X11

450 X33 X23 750 = X13 X31 X21 X11
109
Este balance de ecuaciones puede escribirse como una restricción meta por
medio de una simple división y por transposición del miembro derecho como sigue
(por transitividad, solamente dos restricciones de balance son necesarias):
P0.0033X32 0.0033X32 0.0033X12 0.0013X31 0.0013X21 0.0013X11
P10 =0 +N10
0.00223X33 + 0.00223X23 0.0022X13 0.0013X31 0.0013X21 0.0013X11
P11=0 N11
N10, N11= número de unidades producidas demasiado bajas con relación a las
producidas en las plantas 2 y 3, respectivamente.
P10, P11= Número de unidades producidas en exceso relativas a las que se

producen en las plantas 2 y 3, respectivamente.
5- Restricción de utilidad
P12=15000 N12 X33 X32 12(X31 X23) X22 18(X21 X13) X12 15(X11)
N12 =suma en dólares por debajo de la utilidad perseguida.
P12 = suma en dólares por encima de la utilidad perseguida.
Si la meta de utilidad no se enuncia, se puede restringir el lado derecho de esta

ecuación para que sea cero y determinar cuál sería la utilidad. Puesto que todas
las variables reales (Xij) y las variables de desviación (N ó P) son no negativas, el
valor de (N12, P12) sería la utilidad real.
6- Función objetivo
PR3 (P10 N11) 2PR3 (N10 N3) PR2 (N2 1,5PR2 (N1) P12)
Minimizar Z=PR1 (N12 P6) P5 PR6 (P4 N9) PR5 (N7 P11)+PR4 (N8)
Puesto que la administración desea conseguir una utilidad perseguida de $15000

con la más alta prioridad, se asigna PR1 a las variables de desviación en la meta
de restricción de utilidad. La segunda meta de la administración sería utilizar el
exceso de capacidad de planta hasta donde fuera posible.
Sin embargo, era preferible utilizar el exceso en la planta 1 sobre las plantas 2 y 3
en una relación de 1,5 a 1. Esta situación presumiblemente representa una
distinción en los costos de operación de las diferentes plantas. Para reflejar las
prioridades relativas de la administración, se modifica la formulación estándar
110
(N3, PR2 (N2 N3)) a 1,5PR2N1 N2 de la función objetivo (que sería PR2 (N1)
que pondera el logro de la minimización de la desviación 1 con un factor de 3/2
vez.
El segundo nivel general de prioridades administrativas que tienen que ver con el
problema de PR2. La tercera meta de la administración era lograr un balance de
subutilizar la planta 1 en vez de sobre utilizarla, debido a factores adicionales
desfavorables que existían allí y no se presentan en las plantas 2 y 3. Por tanto,
se asigna 2PR3 a N10 y N11 y PR3 a P10 y P11. Puesto que la cuarta meta era lograr
las ventas esperadas del producto 2, se asigna PR4 a N8. A N7 y N9 asignamos
PR5, pues la quinta meta es el logro de estas ventas esperadas.
Aquí no preocupa el sobre logro de las ventas pronosticadas, puesto que se

puede, si hay espacio disponible, almacenar un inventario. Si no es posible, las
restricciones en la capacidad de embarque, que tienen prioridad más alta, tendrán
en cuenta esta situación. Puesto que la sexta meta de la administración es no
exceder la capacidad de embarque, se asigna a P4, P5 y P6 el valor de PR6.
Lección 28. Programación con recursos limitados
Imagínese que se va a programar una secuencia de actividades con el propósito

de ejecutar un proyecto.
Figura 9. Programación meta según PERT
Los modelos básicos tales como PERT y CPM programaran las actividades de un
modo que minimice el tiempo total de conclusión del proyecto, sujeto a la
restricción de que se deben respetar todas las relaciones de precedencia. Los
recursos (dinero, trabajo, maquinaria) necesarios para terminar las actividades
individuales, con frecuencia se considera que están disponibles en cualquier
cantidad que se requiera en un programa concreto. No obstante, la realidad es
que tales recursos pueden ser limitados, en cuyo caso esto resulta ser otra
restricción.
Como ejemplo único, estúdiese el problema de programación que se muestra en

las figuras 9 y 10. La figura 9. Muestra las relaciones de precedencia que hay
111
entre las diversas actividades; es decir, que actividades deben completarse antes
de que otras comiencen. Por ejemplo la actividad Vlll no puede empezar sino
cuando esté terminada la Vll, que a su vez no puede empezar antes de terminar la
1. La figura 10 muestra la duración de cada actividad (en semanas) y los recursos
necesarios (número de personal) para realizar cada actividad.
TIEMPO REQUERIDO PERSONAL(POR SEMANA)QUE SE

ACTIVIDAD PARA TERMINAR NECESITA PARA TERMINAR
l 3 6
ll 2 3
lll 1 3
lV 1 3
V 2 6
Vl 4 5
Vll 1 3
Vlll 2 4
Xl 2 3
Fig. 10. Requerimiento de actividad por metas.
Este problema es simple y, por lo tanto, se puede calcular con facilidad el tiempo
de conclusión más temprana posible. Es de 9 semanas. La figura 11 nos muestra
un programa de actividades propuesto que alcanza este tiempo global de
conclusión, entonces la figura 11, respeta las relaciones de precedencia de la
figura y al mismo tiempo muestra en qué momento debe empezar cada actividad y
cuanto durara (en semanas).
Fig. 11. Programa de actividades propuesto
En este programa que se propone, cada actividad empieza a la brevedad posible.

Se puede ver que l, ll y lll empiezan de inmediato (al principio de la semana 1).
Las actividades lV, V, Vll y lX comienzan al principio de la semana 4. La actividad
Vl, al inicio de la semana 6 y la actividad Vlll al principio de la semana 5.
Consideremos ahora el personal que se necesita para implantar el programa

propuesto. Se pueden combinar los datos del personal de la fig. 10, con la
programación de la figura 11, para producir la grafica de trabajo del personal que
se ve en la fig. 12, y solo 5 en las semanas 7,8 y 9. Puede ser ventajoso para el
112
administrador tener una programación que use los recursos en una forma más
regular. A menudo se aplican programas heurísticos para alcanzar tal objetivo.
Para alcanzar una de dichas heurísticas, definamos la holgura de cada actividad.

La holgura es la máxima cantidad de tiempo que puede demorarse una actividad
sin retrasar la conclusión del proyecto global.
Fig.12. Carta de cargas de personal para la cedula propuesta
Por ejemplo la figura 11. Indica que la holgura de la actividad Vlll es de 3

semanas, en tanto que la actividad V no tiene holgura.
Ahora usando este concepto, se puede proponer la siguiente heurística:
1. Determinar los recursos requeridos máximos en la programación propuesta

digamos m.
2. En cada semana, imponer una cuota superior m – 1 para el uso de
recursos y de ser posible, revisar la cedula propuesta para satisfacer esta
restricción. La revisión se realiza en forma sistemática de la siguiente
manera:
a. Comenzando con la primera semana que viole la restricción, considerar

la actividad que contribuyan a la sobrecarga y mover hacia adelante, lo
menos que sea posible. La que tenga mayor holgura, hasta que no se
contribuya a la sobrecarga, pero sin demorar la terminación del proyecto
global (lo cual significa que las actividades que carezcan de holgura no
podrán ser removidas). Si hay empates, mover hacia adelante la actividad
que menos contribuyan a la sobrecarga (es decir la que utilice menor
cantidad de personal).
b. La heurística termina cuando no se puede disminuir la sobrecarga en

curso.
113
Para aplicar esta heurística, vamos a esquematizar en la figura 13. el plan

propuesto. En esta, la marca de la actividad aparece debajo de cada flecha. Arriba
de estas aparece la necesidad semanaria de personal. Por ejemplo, el 6 que está
arriba de la actividad l significa que se necesitan seis personas para cada uno de
las 3 semanas necesarias para concluir la actividad l. Por lo tanto, se puede leer,
debajo de las columnas adecuadas, para tener la cantidad total de personal que
se usara en una semana determinada: por ejemplo dado que en la semana 2 se
interceptan las actividades l y ll, el dato que aparece en el reglón Personal total,
columna de la semana 2, es 9. En forma similar la distancia que hay entre la punta
de una flecha no continuada por otra, en el extremo de una serie de tareas, y al
final de la semana 9, indica la holgura de dicha flecha. Entonces, la actividad lV
tiene 5 semanas de holgura, mientras que la actividad Vlll tiene 3, etc., Para la
actividad Vlll, que es una flecha continuada, calculamos la holgura observando
que solo tiene a continuación la flecha Vlll.
Fig. 13 Primera propuesta.
Fig. 14 segunda propuesta.
Y dado que la holgura de Vlll es de 3 semanas, es será también la de la actividad

Vll. Nótese también que las actividades l, V y Vll tiene 0 como holgura y que no se
114
pueden mover hacia adelante sin aumentar el tiempo de conclusión de 9

semanas.
En la aplicación de algoritmo precedente solo se mueven hacia adelante las

actividades que tengan holgura positiva, y, por lo tanto, no se toman en cuenta las
actividades l, V y Vl.
Hechas estas observaciones, podemos emplear la heurística. Para el primer

propósito, el máximo de recursos requeridos es 15, en el periodo 4. Por lo tanto,
de acuerdo con el paso 2, imponemos una cuota superior de 14 a cada semana.
Esta cota se viola solo en la semana 4. Las actividades “movibles” que contribuyen
a la sobrecarga son lV, Vll y lX (puesto que no se puede tomar en cuenta a V).
De ellas, la d mayor holgura es lV. Se mueve lV un periodo adelante se reduce la
carga de la semana 4 en 3 unidades para un personal de 12, pero se origina una
carga adicional de tres unidades en la semana 5, dando en esta un total de 16,
que es la sobrecarga (es decir, se viola la cota superior de 14 impuesta). Por lo
tanto, se debe mover más hacia adelante. Se ve que al mover la actividad lV dos
semanas adelante, en total, (a la semana 6, como se ilustra en la fig. 13). No se
viola la cota superior. Con esto se obtiene la segunda propuesta que se muestra
en la fig.14.
En la figura 14, la cota superior 13 se debe reducir a 12. La única sobrecarga es

ocasionada por Vlll y lX en la semana 5. La actividad lX tiene la máxima holgura,
por lo que debe avanzar 3 semanas para comenzar en la semana 7, como
observa. Esto da la tercera propuesta que se presenta en la figura. 15. Aquí la
cota superior de 12 se deberá reducir a 11. Hay violaciones en las semanas 1 y 6.
De acuerdo con el algoritmo, primero se mueve lll 2 semanas adelante y después
lV una semana. Continuando la heurística, obtenemos las propuestas cuarta y
quinta que se muestran en las figuras 16 y 17.
El algoritmo es incapaz de mejorar la quinta propuesta aun más. Para apreciar

esto, nótese que solo se puede reducir la sobrecarga d la semana 5 adelantando
la actividad Vlll. Sin embargo, al avanzarla, 1,2 o 3 semanas aumentaría a 12 el
personal total de las semanas 7 y 8 u 8 y 9. El paso 2b de la heurística ha sido
satisfecho y, por lo tanto esta programación es la solución heurística. Esta
programación final ha uniformado en forma considerable el aprovechamiento del
personal, a partir del que se presenta en la figura 4, ya que el máximo es ahora 10
(en el periodo 5) y el mínimo es 8.
115
Figura 15. Tercera propuesta
Figura 16. Cuarta propuesta
Figura 17. Quinta propuesta
116
Figura 18. Cédula mínima óptima.
Con este problema se podría definir la solución óptima como la cédula que
minimiza el uso máximo del personal. Para la cédula originada mediante
heurística, el uso máximo es de 10, lo que ocurre en la semana 5. Aunque el
algoritmo heurístico no condujo a la optimización, funciona bastante bien. En los
problemas extensos (es decir, con muchas actividades) no sería posible llegar con
tal facilidad a la cédula óptima maximax. Es por esta razón que se emplea la
heurística para los requerimientos de regularización.
Lección 29. Objetivos múltiples
Es cuando por lo general en un problema específico se tiene más de un objetivo

por conseguir, como siempre nos sucede en la vida diaria, estos se pueden definir
como objetivos múltiples o programación por metas. Se han desarrollado varios
enfoques para este tipo de problemas como son: el uso de la teoría de utilidad
con multiatributos, l investigación de soluciones óptimas de pareto mediante
programación lineal, los métodos de investigación heurística.
La programación de metas se amplía en general a problemas lineales; es una

extensión de la programación lineal que permite al planificador acercarse todo lo
posible a la satisfacción de las metas y restricciones diversas. Permite a quien
toma las decisiones, al menos en l sentido heurístico, incorporar su sistema de
preferencia al trabajar con metas múltiples en conflicto. La idea principal no es la
solución primordialmente óptima sino soluciones bastante buenas y cercanas.
EJEMPLO 24: El diseño de un modelo educativo cuyas variables de decisión son

X1 y X2, donde X1 es el número de horas de trabajo en clase y X2 el de horas de
trabajo de laboratorio. Supóngase que se tiene la siguiente restricción total de
horas del programa:
X1 + X2 100 (total de horas del programa)
117
En este método hay dos clases de restricciones: restricciones del sistema

(llamadas restricciones fuertes) que no pueden ser violadas, restricciones de meta
(llamadas restricciones suaves) que se pueden violar cuando sea necesario. La
limitante anterior del total de horas del programa es un ejemplo de restricción del
sistema.
Se supone ahora que según el diseño del programa, cada hora de clase abarca 12
minutos de experiencias en grupos pequeños y 19 de resolución de problemas
individuales, en tanto que cada hora de laboratorio abarca 29 minutos de
experiencia de pequeños grupos y 11 de resolución de problemas individuales. El
tiempo total del programa es de 600 minutos. Los diseñadores tienen que
perseguir dos metas. Los estudiantes deben gastar hasta donde sea posible, un
cuarto del tiempo máximo del programa trabajando en pequeños grupos y un
tercio en la resolución de problemas. Estas condiciones son:
12X1 + 29X2 1500 experiencias en pequeños grupos.

19 X1 + 11 X2 200 resolución de problemas individuales.
Significa tan próximo como pueda al segundo miembro de la restricción. Un

análisis geométrico permite observar que no existe una política que satisfaga las
restricciones, por lo cual se debe violar al menos una de las metas.
Para implantar el enfoque de la programación por metas, la condición de

experiencias de grupo se escribe de nuevo la restricción meta:
12X1 + 29X2 + u1 - v1 = 1500 u1, v1 ≥0
Donde u1= cantidad que falta al total de experiencias de grupo para 1500.
v1= cantidad que sobra al total de experiencias de grupo para 1500
Las variables u1 y v1 se llaman variables de desviación, nótese que, por definición,

queremos que u1 y v1 (o ambos) sean cero porque es imposible que al mismo
tiempo sobre y falte tiempo de 1500. Esto basta con hacer la suma de estas
variables muy pequeña.
En forma similar, se escribe como condición de meta la relativa a resolución de

problemas:
19 X1 + 11X2 + u2 – v2 = 2000 u2, v2 ≥ 0
Y en este caso queremos que la suma de las dos variables de desviación sea
pequeña.
El modelo es:
Min u1 + v1 +u2 +v2
118
s.a.
x1 + x2 100 horas del programa
12 x1 + 29 x2 + u1 – v1 = 1500 grupos pequeños
19 x1 + 29 x2 + u2 - v2 = 2000 solución problemas
x1,x2,u1, u2,v1,v2 ≥ 0
El anterior se puede resolver por métodos de programación lineal. Por lo cual es

indiferente la decisión que se tome entre las siguientes: (1) una decisión que
exceda en 5 minutos la meta de experiencia y aciete a la meta de solución con
exactitud, (2) una decisión que acierte a la meta de experiencias con exactitud y le
falten 5 minutos para la solución de problemas, (3) una decisión en la que le faltan
2.5 minutos a cada meta.
(1) u1=0, v1=5, u2=0, v2=0

(2) u1=0, v1=0, u2=5, v2=0
(3) u1=2.5, v1=0, u2=2.5, v2=0
Estos datos producen el mismo valor de función objetivo. Pero si se cambian los
datos numéricos se logran reflexiones diferentes ya que con los coeficientes en
horas los tiempos faltantes son más críticos.
Una forma de expresar la preferencia entre las diversas metas consiste en asignar
distintos coeficientes a las diversas variables de desviación en la función objetivo.
Para el ejemplo así:
Min 2u1 + 10 v1 + u2 + 20 v2 como función objetivo.
Con esta función objetivo es mejor que falta 9 minutos en la meta solución de
problemas a exceder en un minuto en la meta de experiencias de grupo.
Resumen del uso de las restricciones metas:
Estas restricciones se escriben utilizando variables de desviación no negativas u 1 y

v1 o bien s1+ y s1- , en la optimización al menos un par deben ser cero. U1, s1+
representan deficiencias y v1, s1- representan exceso.
Solo aparecen estas variables de desviación en la función objetivo y debe ser

minimización. Las variables de decisión no aparecen en el objetivo.
Los tipos de metas son:
1.- Blanco: las restricciones tan próximas al termino independientes como sea
posible, se minimiza las variables de decisión y al menos una de estas es cero.
119
2.- Minimizar las deficiencias: el objetivo es minimizar la deficiencia u1 o s1+, v1

es variable de exceso. Si la u1 optima es positiva, la restricción será activa,
entonces v1 debe ser igual a cero.
3.- Minimizar excedentes: se minimiza v1, el excedente en el objetivo, u1 como

variable de holgura. Si la v1 óptima es positiva, eta restricción será activa.
4.- Restricción del intervalo de metas: la meta consiste en aproximarse todo lo

posible a satisfacer el rango de las restricciones. Si minimiza u 1 + v1. Estas
variables son solo de exceso y holgura (no de desviación) y cero en la
optimización.
Lección 30. Aplicaciones.
Una de las aplicaciones son las evaluaciones de desempeño: El problema de

agregación de forma general.
Sea X = {x1,K,xn} el conjunto de individuos o empleados a evaluar. Supondremos

que los individuos son evaluados por tres colectivos distintos:
• El de sus superiores, A= { a1,… ,ar }
• El de los compañeros y colaboradores, B={b1,…,br}
• Y el de los clientes, C={ c1,….,cr}
Existen modelos de evaluación del desempeño que incluyen la opinión que el

propio empleado tiene sobre sí mismo. En este trabajo no se tendrán en cuenta
tales valoraciones, ya que debido a la metodología de agregación planteada
(valoraciones de consenso), en donde no se ponderan las valoraciones de los
colectivos, su inclusión podría perturbar el análisis.
Consideraremos que existen diferentes criterios sobre los que el trabajador debe
ser examinado 1 ,..., p Y Y. Los evaluadores emiten su opinión sobre cada
empleado a través de valores numéricos dentro del intervalo unidad:
• ik [0,1]
j a es la opinión del evaluador i a, A sobre el individuo j x , respecto al criterio k Y .
• ik [0,1]
j b es la opinión del evaluador ib, B sobre el individuo j x , respecto al criterio k Y .
• ik [0,1]
j c es la opinión del evaluador ic, C sobre el individuo j x , respecto al criterio k Y .
Una vez emitidas las opiniones individuales, el proceso de agregación se realizará

atendiendo a los siguientes pasos:
120
1. En primer lugar se obtendrá una evaluación colectiva para cada empleado, por
colectivo y criterio:
k( ) k( 1k ,..., rk )
A j Aij v x =u a Ka , k( ) k( 1 k, , s k)
B j B ij v x =u b Kb , k( ) k( 1 k, , t k)
C j C ij v x =u c Kc.
2. En el segundo paso agregaremos las evaluaciones colectivas obtenidas

anteriormente, determinando una valoración colectiva para cada empleado y para
cada criterio:
k( ) k( k( ), k( ), k( )).
j A j B j C j v x =u v x v x v x
3. Finalmente, agregaremos las valoraciones colectivas para cada criterio y

empleado, obteniendo una valoración global para cada trabajador:
( ) ( 1( ), , p ( ))
j j j v x =u v x K v x .
Las expresiones funcionales anteriores, dadas a través de kA

u , kB
u , kC
u , uk y u, no tendrán una expresión analítica, como ocurre habitualmente cuando
se establecen a priori operadores de agregación para generar valoraciones
colectivas a partir de valoraciones individuales. En nuestro caso, la agregación
será determinada mediante la resolución de diferentes problemas de
programación por metas.
METODOLOGÍA DEL PROCESO DE AGREGACIÓN
El proceso de agregación planteado anteriormente puede ser realizado con

diferentes metodologías. Algunos procedimientos basados en operadores de
agregación pueden verse en Fodor y Roubens (1994) y Calvo, Kolesárova,
Komorníková y Mesiar (2002).
En este trabajo proponemos agregar la información facilitada dentro de un marco
analítico basado en distancias y utilizando técnicas de la programación por metas.
La idea fundamental consiste en calcular para un conjunto de m valoraciones
1k,..., mk j j y y sobre un individuo j x para el criterio k Y , un valor de consenso *k j
y.
Este valor de consenso cardinal constituye un valor desconocido en nuestro

problema de agregación, que puede ser obtenido mediante la formulación de un
problema basado en métricas
121
El problema anterior trata de minimizar el desacuerdo existente entre el valor de

consenso deseado y cada una de las valoraciones emitidas. Obviamente, para
cada valor de p la métrica asociada puede generar una solución distinta. La
resolución del problema planteado no es fácil, ya que la función no es lineal ni
diferenciable. Para evitar algunos de estos inconvenientes, el problema anterior
puede transformarse en el siguiente problema de programación por metas.
En los diseños de operación de los sistemas de transporte masivo, en desarrollos

agrarios de semillas y crías. También en todo tipo de aplicaciones donde haya
variación de metas para lograr los resultados esperados.
TALLER:
1. La compañía de distribución Alpha suministra un solo producto a tres clientes en

diversos sitios desde b4odegas diferentes. Durante el período de planeación
considerado, la compañía no puede cumplir la demanda de los clientes. Sin
embargo, la compañía ha determinado que las demandas de ciertos clientes
deben satisfacerse a expensas de otros. Para evitar desequilibrios serios, es
importante balancear la porción de demanda satisfecha entre ciertos clientes.
También debido a acuerdos sindicales, la compañía debe satisfacer ciertos
requisitos mínimos en los niveles de embarque en ciertas rutas. Finalmente, varias
de las rutas sobre las cuales se podría embarcar el producto son peligrosas y
deben evitarse.
A continuación se resume el problema de transporte y los costos de embarque se

dan en cada una de las celdas y los valores de demanda en los márgenes. Nota
que la demanda total excede al suministro total en 1,500 unidades.
Cliente 1 Cliente 2 Cliente 3 suministros

Bodega 1 10 4 12 3000
Bodega 2 8 10 3 4000
Bodega 3 2000 1500 5000
La administración tiene las siguientes preferencias en las metas (en orden

decreciente de importancia):
1. Satisfacer la demanda total del cliente 3 ( entrega garantizada).

2. Satisfacer por lo menos el 75% de la demanda de cada cliente.
3. Minimizar el costo de transporte para los artículos embarcados.
4. Embarcar por lo menos 1000 unidades en la ruta de la Bodega 2 al Cliente 1
(convenio sindical).
122
5. Minimizar el costo de embarque en las rutas de la bodega 1 al cliente 3 y de la

bodega 2 al cliente 2 (peligros).
6. Balancear el porcentaje de demanda satisfecha entre los clientes 1 y 2.
Plantear el modelo de programación meta.
2.- La compañía Bevco ha desarrollado recientemente tres nuevos productos

haciendo uso del exceso de capacidad en sus tres plantas sucursales existentes.
Cada producto puede fabricarse en cualquiera de las tres plantas. El análisis ha
mostrado que sería rentable utilizar el exceso de capacidad para producir estos
nuevos productos. En realidad, el propósito principal de la gerencia al desarrollar
los nuevos productos era lograr la utilización completa de la capacidad productiva
de exceso sobre una base rentable. Mientras que las plantas Bevco generalmente
operan a capacidad plena en sus líneas de productos existentes, la producción por
debajo de la capacidad normal ocurre con poca frecuencia, presentando
problemas con la fuerza laboral.
Aunque la compañía no necesita la fuerza laboral plena durante los períodos de
holgura, el costo de los despidos sería considerable, y Bevco desearía evitar esto
tanto como fuera posible.
Además, la gerencia desearía balancear la utilización del exceso de capacidad

entre las plantas sucursales. esto serviría para distribuir equitativamente la carga
de trabajo del personal de supervisores asalariados y reducir los agravios de la
fuerza laboral que se le paga por horas, que de otra manera se sentiría
discriminada con respecto a las cargas de trabajo o a los despidos.
Para el período que se está considerando, las plantas tienen las siguientes
capacidades de producción en exceso (en términos de unidades) de nuevos
productos y capacidades de embarque disponibles asignadas a los nuevos
productos:
Planta Capacidad de exceso de Capacidad de embarque(pies

producción (unidades) cúbicos)
1 750 12,000
2 300 10,000
3 450 6,500
Los productos 1, 2 y 3 requieren 30,20 y 15 pies cúbicos por unidad,

respectivamente. Las contribuciones unitarias a la utilidad de los productos 1,2 y 3
son $15 $18 y $12 respectivamente. Los pronósticos de ventas indican que Bevco
puede esperar ventas tan altas como 900, 1,000 y 700 unidades de los productos
1, 2 y 3 respectivamente, durante el período de planeación en consideración.
Dada esta situación, la administración ha expresado las siguientes metas de

preferencia en orden de importancia decreciente.
123
1. Lograr una utilidad perseguida de $15,000
2. Utilizar tanto, como sea posible, la capacidad de exceso.

Debido al bajo costo de la mano de obra, la administración cree que es 1.5 veces
más importante utilizar la capacidad de exceso de la planta 1 que la de las plantas
2 y 3.
3. Lograr un balance de la carga de trabajo en la utilización de exceso de

capacidad entre todas las plantas. debido a ciertas demandas adicionales de los
trabajadores de la planta 1, la administración cree que si ocurre algún desbalance
en la carga de trabajo, es dos veces más importante favorecer a la
planta 1 con menor trabajo con respecto a las plantas 2 y 3.
4. Lograr el pronóstico de ventas para el producto 2, puesto que éste tiene la

mayor contribución a la utilidad por unidad.
5. Producir suficiente cantidad de los productos 1 y 3 para cumplir con las ventas
pronosticadas.
6. No exceder la capacidad de embarque disponible.
Plantear el modelo de programación meta.
124
CAPITULO 7. DECISONES BAJO RIESGO – SIMULACIÓN
INTRODUCCION:
En la descripción de un sistema por medio de un modelo, algunas veces se

encuentra que este es demasiado complicado para describirlo o que el modelo,
una vez obtenido, no permite una solución analítica. La simulación es un
procedimiento cuantitativo que describe un proceso al desarrollar un modelo de
éste y después conducir una serie de experimentos, de tanteos organizados para
predecir el comportamiento del proceso con el tiempo.
La simulación proporciona una manera de experimentar con las políticas o

sistemas propuestos sin tener que hacer cambios en el sistema real. Es también
una herramienta que brinda sólo estimaciones estadísticas, no resultados exactos
y compara alternativas más que generar una solución óptima. Puede usarse en
aquellos problemas en que las técnicas analíticas son inadecuadas.
OBJETIVOS
1.- Definir las técnicas básicas utilizadas en un análisis de simulación.
2.- Aplicar el análisis de simulación a problemas de colas e inventarios.
3.- Utilizar una tabla de números aleatorios para generar observaciones en las
variables aleatorias.
125
Lección 31. DEFINICIONES
Algunos conceptos sobre lo que es simulación, son los siguientes:
1- Es el uso de un modelo de sistema que tiene la característica deseada de la

realidad, a fin de reproducir la esencia de las operaciones reales.
2 - Es la representación de un proceso o fenómeno mediante otro más simple,

que permite analizar sus características; Pero la simulación no es solo eso
también es algo muy cotidiano, hoy en día, puede ser desde la simulación de un
examen, que le hace la maestra a su alumno para un examen de Estado, la
producción de textiles, alimentos, juguetes, construcción de infraestructuras por
medio de maquetas, hasta el entrenamiento virtual de los pilotos de combate.
3 - Es una representación de la realidad mediante el empleo de un modelo u otro

mecanismo que reaccionará del mismo modo que la realidad bajo una serie de
condiciones dadas.
4- Es el proceso de desarrollar un modelo de un problema y estimar una medida

de su comportamiento, llevando a cabo experimentos muéstrales sobre el modelo.
PASOS EN EL PROCESO DE SIMULACIÓN
Todas las simulaciones requieren una gran cantidad de planeación y organización;

sin embargo, podemos definir algunos pasos básicos.
1- Definir el problema o sistema que intenta simular.
2- La recopilación de datos que describen las variables de entrada, y la decisión

de los componentes del sistema.
3- Construir el modelo de simulación y definir el diseño experimental que utilizará

para aplicar el método.
4- Asegurar que las entradas al modelo de simulación sean adecuadas y que

modelo responda a esas entradas de manera similar al problema real.
5- Identificar y recolectar datos necesarios para probar el modelo.
6 - Correr la simulación.
7- Analizar los resultados de la simulación y, si se desea, cambiar la solución que

se está evaluando.
8- Volver a correr la simulación para probar la nueva solución.
126
9- Validar la simulación, esto es, aumentar las probabilidades de que cualquier

variable.
10- Conclusión que saquen sobre la situación real de correr la simulación, será
válida.
Lección 32. TIPOS DE SIMULACION
- Un sistema discreto es aquel en el cual las variables de estado cambian solo en

puntos discretos o contables en el tiempo. Un ejemplo típico de simulación
discreta ocurre en las colas donde estamos interesados en la estimación de
medidas como el tiempo de espera promedio o la longitud de la línea de espera.
Tales medidas solo cambian cuando un cliente entra o sale del sistema; en todos
los demás momentos, no ocurre nada en el sistema desde el punto de vista de la
inferencia estadística.
• Un sistema continuo es aquel en el cual las variables de estado cambian en

forma continua a través del tiempo. Un ejemplo típico de simulación continua es el
estudio de la dinámica de la población mundial; los modelos de simulación
continua normalmente se representan en términos de ecuaciones diferenciales en
diferencias que describen las interacciones entre los diferentes elementos del
sistema.
• Un modelo estático de simulación es una representación de un sistema en

determinado punto en el tiempo.
• Una simulación dinámica es una representación de cómo evoluciona un

sistema a través del tiempo.
Podríamos intentar dar algunas acepciones acerca del modelado en simulación:
1.- Desarrollo de un modelo matemático-lógico de un sistema y la manipulación

experimental de él en una computadora.
2.- Implica la observación del comportamiento dinámico del modelo en el tiempo.
3.- Dependiendo de la naturaleza de los datos de entrada, los resultados pueden

ser determinísticos o estocásticos.
4.- Un medio para ganar experiencia artificial mediante el uso de un modelo que
da apariencia o efecto de realidad.
5.- Un medio para evaluar alternativas de acción y determinar cual hecho

probablemente será el más efectivo en la situación real.
127
6.- Se usa para problemas que son demasiado complejos para ser resueltos
mediante técnicas analíticas y/o matemáticas.
EJEMPLO 25. SIMULACION DISCRETA
FILAS DE ESPERA
Se presentan situaciones en las cuales los requisitos de mano de obra no

solamente están afectados por el tiempo necesario para terminar una actividad
sino también por el patrón de demanda de los servicios de hombre. Para ilustrar
esto, consideremos el caso de un encargado del puesto de herramientas. Los
operarios de máquina llegarán al puesto para obtener los accesorios de máquina
que necesitan. En el caso más sencillo, el tiempo necesario para atender a un
operario y los momentos en los cuales llegan los operarios serán constantes. Bajo
estas circunstancias, la determinación de los requisitos de mano de obra para el
puesto de herramientas no presenta ninguna dificultad. Por ejemplo, si el tiempo
de atención es de 10 minutos por el operario de máquina y llega un operario de
máquina cada 10 minutos, es evidente que debe asignarse un encargado al
puesto. Si se hace esto, los acontecimientos que se presentan durante un período
típico de una hora pueden describirse como sigue:
Tiempo de llegada
del operario 1:00 1:00 1:10 0: 00
Tiempo en que
comienza el servicio 1:10 1:10 1:20 0: 00
Tiempo en que
termina el servicio 1:20 1:20 1:30 0: 00
Tiempo ocioso del

encargado (minutos) 1:30 1:30 1:40 0: 00
Tiempo de espera
del operario (minutos) 1:40 1:40 1:50 0: 00
Operarios que
esperan para que
se les atienda 1:50 1:50 2:00 0: 00
Como puede verse, ni el encargado ni los operarios pierden tiempo y no se forma

línea de espera o cola o fila. En consecuencia, no habría necesidad de asignar
sino un encargado al puesto de herramientas. Sin embargo, la situación real es
generalmente más compleja. Por ejemplo, es más probable que solamente el
tiempo de servicio promedio sea de 10 minutos y que un operario llegue cada 10
minutos en promedio. Como esto lo sugiere, un solo tiempo de servicio y un solo
128
intervalo entre los eventos de llegada puede ser más o menos de 10 minutos. En
un caso como este, pueden presentarse demoras de servicio y formarse una fila
de espera. Para demostrar esto, consideremos otro período de tiempo hipotético
durante el cual los tiempos promedio de servicio y de llegada son de 10 minutos,
pero los valores individuales varían.
Específicamente, supondremos que los tiempos de llegada y servicio son los

indicados en las dos primeras columnas de la tabla que sigue. Dados esto datos y
suponiendo que estará presente un encargado, podemos construir el patrón de
acontecimientos que se describe en el resto de la tabla.
Tiempo de llegada
del operario 1:00 12 1:00 1:12 0: 00
Tiempo de servicio
Necesario (minutos) 1:08 8 1:12 1:20 0:41
Tiempo en que
comienza el servicio 1:18 10 1:20 1:30 0: 21
Tiempo en que
termina el servicio 1:30 6 1:30 1:36 0: 00
Tiempo ocioso del

encargado (minutos) 1:45 14 1:45 1:59 0: 00
Tiempo de espera del
operario (minutos) 1:50 10 1:59 2:09 0: 91
Operarios que esperan para que se les atienda; Un examen de los resultados
revela que, durante el período de 69 minutos del estudio, el encargado estuvo
ocioso 9 minutos y los operarios estuvieron esperando 15 minutos, a pesar del
hecho de que el tiempo de servicio promedio fue de 10 minutos y de que en
promedio llegó un operario cada 10 minutos.
Además, debido al tiempo que tuvieron que esperar los operarios, se formó una
cola. Si suponemos, para fines de discusión, que el período de estudio fue lo
suficientemente largo como para reflejar las condiciones que han de prevalecer en
general, puede calcularse el costo que debe asociarse con los tiempos de ocio y
espera.
Por ejemplo, la firma puede concluir que el costo del tiempo ocioso del encargado
es de $1200 por hora y el del tiempo de espera de los operarios es de $1500 por
hora. Estos costos incluirán elementos tales como la tasa de salario, las
prestaciones y el tiempo muerto del equipo. Por consiguiente, el costo para el
periodo de 69 minutos sería de costo =
129
9 * ($1200/60) + 15 * ($1500/60) = $555
Si el día de trabajo contiene 480 minutos, el costo diario promedio sería de costo
por día = $555 * (480/69) = $3861.
Ahora se debe considerar si éste representa el mínimo costo posible. Para reducir
la longitud de la cola y por consiguiente, el tiempo de espera de los operarios, la
firma puede asignar un encargado más al puesto de herramientas.
Además, esta reducción sería neutralizada hasta cierto grado por un aumento en
el tiempo ocioso de los encargados. Sin embargo, puede ser que el costo total
resultante sea inferior al que resulta con un encargado. Debe determinarse si este
es el caso, tomando los tiempos necesarios de llegada y servicio indicados en la
tabla anterior, determinando los tiempos ociosos y de espera que se presentarán
con dos encargados para atender a los operarios y calculando el costo resultante.
Esto se repetirá para alternativas que exijan tres o más encargados hasta que se
encuentre la alternativa que produzca el costo mínimo.
METODOS DE ANALISIS
La anterior ilustración sirve para indicar la naturaleza de los problemas llamados

de fila de espera o cola. En general, la firma encuentra que, al aumentar la
capacidad de servicio disponible y, por consiguiente, el costo de servicio, puede
reducir la longitud de la fila de espera y, por consiguiente, el costo de espera. Para
alguna combinación de capacidad de servicio y fila de espera correspondiente, el
costo será un mínimo y la labor es determinar dicha combinación.
La labor es difícil, porque con mucha frecuencia variarán los tiempos de servicio y
de llegada. Por consiguiente, se necesita determinar los diferentes valores que
pueden asumir estos tiempos en un problema dado y estimar la probabilidad de
que se presente cada uno. Se han desarrollado enfoques cuantitativos para la
solución de los problemas de fila de espera en los cuales se hace alguna
suposición con respecto a la naturaleza de la distribución de los tiempos de
servicio y llegada. Por ejemplo, una suposición común es la de que es aplicable la
distribución de Poisson. Pero la teoría en la que se basan estos métodos es
bastante compleja y no hay razón para creer que las distribuciones consideradas
difieran muy frecuentemente de las reales. Por estas razones, no consideraremos
estos métodos analíticos.
Otro enfoque es la simulación Monte Carlo. Ese método exige estimar, con base
en la experiencia pasada, si es posible, las probabilidades de que se presenten los
diversos tiempos posibles de servicio y llegada. Luego, en la forma descrita en
nuestra discusión anterior de la simulación, puede originarse una serie de tiempos
de llegada y tiempos de servicio correspondientes. Los tiempos de ocio y espera
resultantes, y su costo, pueden calcularse para capacidades de servicio
alternativas y puede escogerse la capacidad más económica. Sin embargo,
130
siempre debe tenerse cuidado de generar una serie bastante larga como para
obtener una indicación exacta de los efectos a largo plazo de una política
determinada.
EJEMPLO 26. SIMULACION CONTINUA
DINAMICA DE SISTEMAS
La Dinámica de Sistemas se encarga de estudiar la presencia de algunas

características de interés en los sistemas sociales que luego de su interpretación
nos van a servir para planificar el modelo más adecuado de acuerdo a sus
propiedades.
A continuación vamos a presentar un problema de poblaciones (nacimientos,

muertes), emigración, inmigración, demanda y construcción de viviendas.
Ecuaciones
POB K = POB J + DT ( NAC JK – MUE JK + MIG JK )

D VIV K = FAM K – VIVC K
NAC KL = POB K * T1
FAM K = POB K / T6
MIG JK = INM JK – EMI JK
MIG JK = (POB K – POB J ) / DT
MIG JK = (POB (t + DT) – POB (t)) / DT
A continuación se puede correr este programa en un paquete de Simulación

especializado en Dinámica de Sistemas, como puede ser Urban Dynamics o
Powersim.
GENERACION DE VARIABLES ALEATORIAS
Luego de introducir al sistema los datos, es necesario transformarlos en

información, la cual puede ser determinística y/o probabilística. La determinística
ingresa directamente al sistema con su valor respectivo. Para la probabilística se
requiere generar modelos que emulen el comportamiento de la variable
correspondiente. Los números pseudoaleatorios son la base para realizar
simulaciones donde hay variables estocásticas, porque estos números generan
eventos probabilísticos; inicialmente se parte de la generación de números
pseudoaleatorios uniformes entre cero (0) y uno (1).
Los métodos más empleados para la generación de variables aleatorias son:
Método de la transformada inversa: Consiste en emplear la distribución

acumulada F(x) de la distribución de probabilidad a simular por medio de
integración; como el rango de F(x) se encuentra en el intervalo de cero (0) a
131
uno(1), se debe generar un número aleatorio ri para luego determinar el valor

de la variable aleatoria cuya distribución acumulada es igual a r i. El problema de
este método radica en el hecho que algunas veces se dificulta demasiado la
consecución de la transformada inversa.
Método de convolución: Permite generar una distribución a partir de la suma de

distribuciones más elementales o mediante la transformada z.
Método de aceptación y rechazo: Cuando f(x) es una función acotada y x tiene

un rango finito, como a x b, se utiliza este método para encontrar los valores de las
variables aleatorias. El método consiste en normalizar el rango de f mediante un
factor de escala c, luego definir a x como una función lineal de r, después se
generan parejas de números aleatorios r1, r2 y por último si el número encontrado
se elige al azar dentro del rango (a, b) y r b, se utiliza este método para encontrar
los valores de las variables aleatorias. El método consiste en normalizar el rango
de f mediante un factor de escala c, luego definir a x como una función lineal de r,
después se generan parejas de números aleatorios r1, r2 y por último si el número
encontrado se elige al azar dentro del rango (a, b) y r cf (x) se acepta, en caso
contrario se rechaza. El problema de este método es la cantidad de intentos que
se realizan antes de encontrar una pareja exitosa.
Método de composición: Con este método la distribución de probabilidad f(x) se

expresa como una mezcla o composición de varias distribuciones de probabilidad
fi(x) seleccionadas adecuadamente.
Procedimientos especiales: Existen algunas distribuciones estadísticas de

probabilidad en las cuales es posible emplear sus propiedades para obtener
expresiones matemáticas para la generación de variables aleatorias en forma
eficiente. En varios casos se aplica el Teorema Central del Límite y en otros se
utiliza el método directo para encontrar las variables aleatorio
GENERACION DE NUMEROS PSEUDO ALEATORIOS
Existen varios métodos para la generación de números pseudoaleatorios entre

cero (0) y uno (1); la importancia del método a emplear estriba en el hecho que los
números generados deben cumplir ciertas condiciones para poder validarlos:
• Uniformemente distribuidos: Los números aleatorios son los valores de las

variables estadísticas que pertenecen a la distribución uniforme; tienen las
siguientes características:
Si (i =1, 2, 3...) son números aleatorios, entonces su función f satisface la relación

para todos los valores:
Es decir, la función f ( ) en un punto expresa la posibilidad de que algunos

números aleatorios se encuentren en el intervalo [0, x]. Los números
132
pseudoaleatorios, son teóricamente variables continuas con densidad f y una

distribución acumulada F.
• Estadísticamente independientes: Las variables son independientes si su función

G se puede representar y si todos los números aleatorios tienen la misma
distribución, entonces la relación toma la forma:
• Su media debe ser estadísticamente igual a 1/2

• Su varianza debe ser estadísticamente igual a 1/12
• Su período o ciclo de vida debe ser largo: Existen varios procedimientos de
generación de números pseudoaleatorios; para la simulación por computador son
importantes los números pseudoaleatorios cuyos generadores se basan en los
procedimientos algebraicos. Este es el procedimiento iterativo donde los números
pseudoaleatorios se obtienen del número anterior o de varios anteriores (proceso
de recursión).
METODO DE GENERACION DE PSEUDONUMEROS
Uno de los métodos más utilizados para generar números pseudoaleatorios

empieza con un valor inicial no, llamado semilla y a continuación por recursión los
valores sucesivos ni, i,…, 1,..n.
Los métodos más empleados para la generación de los números pseudoaleatorios

son los siguientes:
CONTRASTES EMPIRICOS
La aproximación a los generadores de números aleatorios exige contrastar ciertas

propiedades estadísticas de sus salidas. Algunos de los contrastes son genéricos
y pueden utilizarse en la evaluación de generadores de variables aleatorias.
Mencionemos que muchos de estos contrastes se encuentran implementados en

los paquetes estadísticos comerciales más importantes.
Además. Algunos generadores disponen de una teoría analítica que conduce a
contrastes teóricos específicos.
Contraste
El contraste es de bondad de ajuste. Es poco potente, por lo que permite justificar

el rechazo de una hipótesis, pero proporciona escaso soporte a su aceptación. El
estadístico del contraste es aquel cuya distribución asintótica es una donde r son
los parámetros estimados y la aproximación se acepta si min ei > 5.
Contraste de Kolmogorov – Smirnov

Consideramos el caso en que Fo es continua. La función de distribución empírica
133
de una muestra X1, X2,..., Xn se define como Bajo la hipótesis nula Ho: Fx(X)
=Fo(X) esperamos que Fn se aproxime a Fo.
Definimos el estadístico bilateral de Kolmogorov-Smirnov como la distribución

exacta de Dn está tabulada para valores seleccionados de n= 40 y del nivel de
significación. Para muestras grandes, se utiliza la distribución asintótica de Dn.
Contraste de rachas
Dada la sucesión de observaciones X1, X2, ... , Xn , construimos la sucesión de

símbolos binarios definida mediante 1 si Xi < Xi+1, 0 si Xi> Xi+1. Definimos racha
creciente (decreciente) de longitud 1 a un grupo seguido de 1 números 1 o 0.
Intuitivamente, rechazamos la aleatoriedad con un número muy pequeño o muy
grande de rachas. De ahí se obtiene inmediatamente el contraste.
Contraste de rachas por encima y por debajo de la mediana
Otro procedimiento para definir rachas es el recuento de observaciones que se

sitúan a un mismo lado de la mediana. La distribución asintótica del número de
rachas, bajo la hipótesis de aleatoriedad, es de donde se sigue, inmediatamente,
un contraste.
Contraste de permutaciones
Separamos las observaciones en k-uplas

La k-upla general se escribe, primero las ordenamos crecientemente y
consideramos la ordenación correspondiente de los subíndices j. Bajo la hipótesis
de la probabilidad de que dos números sean iguales es nula, hay k! ordenaciones
posibles.
Bajo la hipótesis de independencia, todas las permutaciones son equiprobables,
con probabilidad igual. Entonces es inmediato aplicar un contraste con k! clases,
distribución asintótica frecuencias esperadas r / k!, donde r es el número de k-
uplas y frecuencias observadas el número de veces que aparece cada ordenación.
Contraste de huecos
Fijamos dos valores y con 0 < < < 1. La sucesión presenta un hueco de longitud m
si Bajo la hipótesis de aleatoriedad de la serie, la longitud m de los huecos sigue
una distribución geométrica de parámetro, es decir, la hipótesis de aleatoriedad
implica independencia de las longitudes de los huecos y podemos aplicar un
contraste basado en las comparaciones de los números observados y esperados
de huecos de longitud m.
Repetición de contrastes
Para aumentar su potencia, los contrastes anteriores pueden repetirse N veces. La
distribución empírica de los valores del estadístico puede compararse con su
distribución teórica mediante, por ejemplo, el contraste de Kolmogorov-Smirnov.
134
GENERADORES CONGRUENCIALES LINEALES
Los principales son:

Métodos de los medios de cuadrados: Cada nuevo número de la secuencia es
producido tomando los dígitos medios m de un número obtenido mediante la
elevación al cuadrado de un dígito.
Método aditivo de congruencias: Inicializa con k valores dados, con k un entero

positivo y la sucesión se da mediante series de furrier.
Método mixto de congruencias: Son números que se obtienen mediante la

siguiente relación de congruencia (con a y c mayores que 0).
GENERADORES DE REGISTRO DE DESPLAZAMIENTO
Los generadores congruenciales pueden generalizarse a recursiones lineales de

orden mayor. Para k 1, m primo, se define y el generador se denomina recursivo
múltiple. El estudio de este generador se asocia al del polinomio característico
sobre el álgebra finita Fm con m elementos.
GENERADORES DE FIBONACCI RETARDADOS
Cuando n0= 0 y n1 = 1 en el método aditivo congruencial se obtiene por medio de

generalización el caso especial denominado secuencia de Fibonacci. Parte de la
semilla inicial ( X1, X2, ... , Xr ) y usa la recursión donde r y s son retardos enteros
que satisfacen r > s y o es una operación binaria que suele ser r +, -, x ó XOR.
Típicamente; Los elementos iníciales son enteros y la operación binaria es la

suma módulo 2n. La caracterización del periodo máximo de los generadores de
Fibonacci retardados está bien estudiada y se basan, de nuevo en el análisis de
sucesiones lineales recursivas de enteros.
GENERADORES NO LINEALES
Dada la estructura reticular de los generadores lineales, algunos autores sugieren

utilizar generadores no lineales. Se distinguen dos formas de introducir no
linealidad en un generador:
a. Usar un generador con función de transición lineal, produciendo la salida

mediante una transformación no lineal del estado.
b. Usar un generador con función de transición no lineal.

Una propiedad común en estos generadores es que no producen una estructura
reticular como la de los lineales. Su estructura es altamente no lineal: típicamente,
un hiperplano t-dimensional tendrá a lo sumo t t-uplas solapantes de números.
135
Sea rn un primo arbitrario y Fm = {0. 1, ...,m - 1} el álgebra finita de orden m. Para

un entero z, se define que es la inversa de z para la multiplicación en Fm, si z =0
(mod m).
Dados a, b, Fm, a0, la sucesión congruencial inversa explícita se define mediante el

generador congruencial de inversión explícita se obtiene mediante normalización.
Obviamente, las sucesiones {un} e {yn} son periódicas con periodo máximo m.
COMBINACION DE GENERADORES
Para incrementar el período e intentar evitar las regularidades que muestran los
generadores lineales congruenciales se ha sugerido combinar diferentes
generadores para obtener uno híbrido que tal vez sea de mayor calidad que los
generadores originales. Tales combinaciones pueden considerarse heurísticas,
algunas de las cuales han resultado bastante pobres.
Aunque el fundamento de estos procedimientos es esencialmente empírico,

también se han desarrollado algunos aspectos teóricos. En primer lugar, se ha
observado que el periodo de un generador híbrido es, en general, bastante más
largo que el de sus componentes siendo, además, posible su determinación.
En segundo lugar, hay resultados teóricos que sugieren que algunas formas de
combinación de generadores que mejoran su comportamiento estadístico.
Lección 33. MÉTODOS DE SIMULACIÓN
Existe diversidad de métodos para desarrollar la simulación. Mencionamos

solamente una técnica que es la más fácil de comprender y es para muchas
situaciones particulares que mencionan en este curso.
Juegos operacionales
Se refiere a aquellas situaciones donde hay algún conflicto de intereses entre los
jugadores o entre quienes toman decisiones, dentro de la estructura de un
ambiente simulado. Ejemplo, administración de negocios, juegos militares, entre
otros.
Simulación de sistemas
Es un método en el que la información utilizada en el análisis de un problema
complicado, se procesa mediante el funcionamiento del modelo.
Método de Montecarlo
Consiste en el reemplazo del universo real de elementos por el universo teórico

correspondiente. Por ejemplo, simular la llegada de clientes a una sitio de pago, se
puede crear algo teórico asumiendo ciertos comportamientos. Es una simulación
136
con técnicas de muestreo aleatorio, o sea, que en vez obtener muestras de una
población real, se obtienen de un duplicado teórico 1 de la población real.
El método de Montecarlo comprende la determinación de la distribución de

probabilidad de la variable que se trata, para obtener luego una muestra de esa
distribución mediante números aleatorios, con el fin de generar datos.
El método se utiliza para resolver problemas que dependen de la probabilidad,

donde la experimentación física es impracticable o muy costosa y donde es
imposible la acción de una fórmula exacta.
A partir de la siguiente situación se va a desarrollar un problema de simulación

y la forma de manejarlo.
EJEMPLO26. En un supermercado X, se ha tomado una muestra de 100 llegadas

de clientes a un punto de control, y se ha efectuado un estudio del tiempo
requerido para dar el servicio a los clientes en minutos. La recopilación de la
información es:
Tiempo entre llegadas Frecuencia Tiempo de servicio Frecuencia

5 2 5 12
10 6 10 21
15 10 15 36
20 25 20 19
25 20 25 7
30 14 30 5
35 10
40 7 100
45 4
50 2
100
Usando una muestra simulada de 20 clientes, estime el tiempo promedio de

espera, el porcentaje de clientes y el porcentaje ocioso del dependiente.
El primer paso es determinar la función de probabilidad acumulada a partir de la

distribución de probabilidades (intervalo aleatorio) de los tiempos de frecuencias
relativas obtenidas como porcentaje del número de casos, sobre el total.
Tiempo de Frecuencia Frecuencia relativa Intervalo

Llegada relativa acumulada aleatorio
5 0,02 0,02 0,000 - 0.019
10 0,06 0,08 0,020 - 0,079
15 0,10 0,18 0,080 - 0,170
20 0,25 0,43 0,180 - 0,429
25 0,20 0,63 0,430 - 0,629
137
30 0,14 0,77 0,630 - 0,769

35 0,10 0,87 0,770 - 0,869
40 0,07 0,94 0,870 - 0,939
45 0,04 0,98 0,940 - 0,979
50 0,02 1,00 0,980 - 0,999
Tiempo de servicio
5 0,12 0,12 0,000 - 0,119

10 0,21 0,33 0,120 - 0,329
15 0,36 0,69 0,330 - 0,689
20 0,19 0,88 0,690 - 0,879
25 0,07 0,95 0,880 - 0,949
30 0,05 1,00 0,950 - 0,999
A partir de la anterior distribución, se muestrea al azar a fin de determinar los

tiempos efectivos de llegadas y de servicios que se usarán en la simulación de
operación. Recuerde que cada muestra determina diferentes valores, por tanto,
diferentes respuestas esperadas.
Al observar la distribución acumulada con tres decimales y utilizando una tabla de

números aleatorios, mediante un proceso que determina el investigador, se
seleccionan dígitos de 000 a 100 y este número se localiza en la distribución
acumulada para obtener los valores de estudio.
Para nuestro ejercicio escogimos la primera columna para las llegadas y la última
para los servicios, obteniendo los siguientes resultados.
Número llegada Número Servicio

Aleatorio aleatorio
680 30 365 15
897 40 373 15
911 40 381 15
918 40 389 15
925 40 397 15
001 5 329 15
009 15 337 15
017 15 345 15
025 20 353 15
033 20 361 15
002 10 121 10
010 15 129 10
018 20 137 10
026 20 145 10
034 20 153 10
138
003 10 363 15
011 15 371 15
273 20 379 15
027 20 387 15
035 20 395 15
La simulación se inicia suponiendo que la jornada de trabajo comienza a las 8.a.m.

Si hay una llegada se comienza el servicio inmediatamente; por ejemplo, la
primera llegada ocurre a las 8.30 a.m., a esa hora empieza el servicio que
terminará a las 8.45 a.m.; en este momento no hay ocio para el servidor ni tiempo
de espera del cliente. Si se sigue la secuencia, la siguiente llegada ocurre a las
9.10 a.m., como hay tiempo disponible del servidor, se comienza inmediatamente
y se termina a las 9.25 a.m. La tercera llegada ocurre a las 9.50 a.m., cuando está
libre el sistema para comenzar el servicio que finalizará a las 10.05 a.m.
Siguiendo la situación descrita en forma consecutiva se llega a la respuesta,

teniendo en cuenta los tiempos de llegadas, los de inicio y las diferencias de los
mismos.
Otra forma de aplicar es teniendo una sola característica, por ejemplo, la demanda
de un producto y la distribución de probabilidades. Con estos elementos y
siguiendo los pasos pertinentes se puede establecer el promedio de la
característica.
Lección 34. APLICACIONES DE LA SIMULACIÓN
La técnica de la simulación ha sido, una importante herramienta del proyectista, ya

sea que esté simulando el vuelo de un avión en un túnel de viento, la distribución
de una planta con modelos a escala de máquinas, o bien líneas de comunicación
con un diagrama de organización. Con la llegada de las computadoras de alta
velocidad, con las cuales conducir los experimentos simulados tiene gran facilidad,
esta técnica ha incrementado también su importancia para el investigador de
operaciones. En consecuencia, la simulación se ha convertido en la rama
experimental de la investigación de operaciones.
Hasta ahora se ha hecho hincapié en que si es posible se construyan modelos

matemáticos que sean una idealización razonable de los problemas, y a la vez,
tratables para su solución, este enfoque analítico por lo común es superior a la
simulación. Sin embargo, muchos problemas son tan complejos que no se pueden
resolver analíticamente. En consecuencia, aun cuando tiende a ser un
procedimiento relativamente caro, la simulación suministra a menudo el único
enfoque práctico para un problema.
Típicamente la simulación no es otra cosa más que la técnica de efectuar

experimentos de muestreo sobre el modelo del sistema. Los experimentos se
139
realizan sobre el modelo, en lugar de hacerlo sobre el propio sistema real,

únicamente porque esto último sería demasiado inconveniente, tardado y costoso.
EJEMPLO 27. Supóngase que se tiene la oportunidad de participar en un juego en

el que se lanzaría repetidamente una moneda legal hasta que la diferencia entre el
número de caras y el número de sellos que se obtengan sea tres. Se pediría pagar
$1 por cada lanzamiento de la moneda, pero se recibirían $8 al final de cada
jugada. No se permite abandonar durante una jugada; Por lo tanto, se gana dinero
si el número de lanzamientos requeridos es menor que ocho, pero se pierde si se
requieren más de ocho lanzamientos. ¿Cómo se tomaría la decisión de participar
o no en este juego? Muchas personas basarían esta decisión en la simulación,
aunque seguramente no le daría ese nombre.
Los problemas donde se ha aplicado con éxito la simulación son demasiado

numerosos; sin embargo, con algunos ejemplos se ilustra la gran adaptabilidad
de esta técnica.
• Simulación de las operaciones en un aeropuerto, por ejemplo Avianca, para

cambiar sistema de operación de vuelos.
• Simulación del manejo de una línea de producción.
• Simulación de la operación de un sistema de mantenimiento.
VENTAJAS Y DESVENTAJAS DE LAS TÉCNICAS DE SIMULACIÓN
Ventajas:
- Permiten experimentar con un modelo del sistema en vez del sistema real.
- Permiten descomponer un sistema muy grande en subsistemas para simularlos
en forma individual.
- Facilitan la manipulación de la réplica del sistema.
- Es un proceso relativamente eficiente y flexible.
- Puede ser usada para analizar y sintetizar una compleja y extensa situación real,
pero no puede ser empleada para solucionar un modelo de análisis cuantitativo
convencional.
- En algunos casos la simulación es el único método disponible.
- Los modelos de simulación se estructuran y nos resuelve en general
problemas trascendentes.
- Los directivos requieren conocer como se avanza y que opciones son
atractivas; el directivo con la ayuda del computador puede obtener varias
opciones de decisión.
- La simulación no interfiere en sistemas del mundo real.
- La simulación permite estudiar los efectos interactivos de los componentes
individuales o variables para determinar las más importantes.
- La simulación permite la inclusión en complicaciones del mundo real.
140
Desventajas:
- No producen soluciones óptimas y cada corrida es como un experimento aislado
que se efectúa.
- Cuando se utiliza un modelo matemático puede ser imposible cuantificar todas
las variables que afectan el comportamiento del sistema.
- Un buen modelo de simulación puede resultar bastante costoso; a menudo el
proceso es largo y complicado para desarrollar un modelo.
- La simulación no genera soluciones óptimas a problemas de análisis
cuantitativos, en técnicas como cantidad económica de pedido, programación
lineal o PERT / CPM / LPU. Por ensayo y error se producen diferentes resultados
en repetidas corridas en el computador.
- Los directivos generan todas las condiciones y restricciones para analizar las
soluciones. El modelo de simulación no produce respuestas por sí mismo.
- Cada modelo de simulación es único. Las soluciones e inferencias no son
usualmente transferibles a otros problemas.
Lección 35. METODOS PARA OBSERVACIONES ESTADISTICAS
DISTRIBUCIÓN BINOMIAL
Algunos experimentos consisten en la observación e una serie de pruebas
idénticas e independientes, las cuales pueden generar uno de dos resultados.
Para simular una distribución Binomial se emplean sus propiedades
estadísticas.
DISTRIBUCIÓN ERLANG
Esta distribución se aplica en algunos problemas de líneas de espera,
inicialmente para el caso de telefonía. Algunas formas para simular una
distribución Erlang consisten en emplear los métodos de convolución y el de la
transformada inversa.
DISTRIBUCIÓN UNIFORME
Se utiliza cuando se requiere el empleo de una función constante. Para la
simulación de variables aleatorias tipo Uniforme se emplean sus propiedades
estadísticas.
DISTRIBUCIÓN GEOMETRICA
Esta distribución indica exactamente el número de repeticiones del experimento
hasta lograr la característica de interés. Se genera la simulación de variables
aleatorias tipo Geométrica a partir del método de la transformada inversa.
DISTRIBUCIÓN HIPERGEOMETRICA
Se utiliza a menudo en el estudio de problemas de producción, control de calidad y
la aceptación de muestreo; se emplea para marcar y remarcar. Una de las formas
para simular una distribución Hipergeométrica es emplear sus propiedades
estadísticas.
141
DISTRIBUCIÓN POISSON
Sirve para trabajar en teoría de colas. Para simular una distribución Poisson se
deben usar sus propiedades estadísticas.
RELACIONES ENTRE DIFERENTES RELACIONES CONTINUAS

- La distribución Normal es una buena aproximación de la distribución Binomial.
Cuando en una distribución Binomial n tiende a cero, ésta se puede aproximar por
una distribución de Poisson.
- La Geométrica tiende a la distribución Exponencial cuando, en la primera

distribución q tiende a cero y el tiempo entre llegadas también tiende a cero.
- La distribución de Poisson describe el número de eventos por unidad de tiempo;

la distribución exponencial representa el tiempo que transcurre entre dos eventos
sucesivos. La distribución Exponencial puede derivarse de la de Poisson.
- La distribución Exponencial es un caso especial de la distribución Gamma.

Cuando en la distribución Gamma = 1, se tiene la distribución exponencial. Esto
significa que la suma de variables aleatorias independientes que tienen una
distribución Exponencial Negativa, es a su vez una variable aleatoria con
distribución Gamma.
- La distribución de Erlang es una generalización de la distribución Exponencial.

Cuando en la distribución de Erlang el parámetro r = 1, se tiene la distribución
Exponencial.
- La distribución Gamma es una generalización de la distribución de Erlang y por

consiguiente, de la distribución Exponencial. Cuando en la distribución Gamma el
parámetro r es una constante, se tiene la distribución de Erlang.
- La distribución de Weibull es una generalización de la distribución Exponencial.

Cuando el parámetro = 1 en la distribución de Weibull, se tiene la distribución
Exponencial.
- La distribución Gamma y la de Weibull son generalizaciones de la distribución

exponencial y sin embargo, no son una misma distribución.
Existen distribuciones Gamma que no son Weibull y viceversa.
- Cuando en la distribución beta los parámetros = 1, se tiene la distribución

Uniforme.
- La distribución Chi-cuadrada es un caso particular de la distribución Gamma.
- La distribución de Student (distribución t) y la distribución F están relacionadas

con la distribución Beta.
142
RELACIONES ENTRE DIFERENTES RELACIONES DISCRETAS
- La distribución Hipergeométrica tiende a la distribución Binomial, cuando el

tamaño del lote N tiende a infinito y la relación del número de piezas defectuosas
entre el total del lote permanece constante.
- La distribución de Poisson es una buena aproximación de la distribución Binomial

cuando el número de realizaciones de un experimento de Bernoulli n crece y la
probabilidad del evento "aceptable”q disminuye. Esto equivale a que ambas
distribuciones tengan el mismo valor esperado, es decir, = nq.
- La distribución Binomial Negativa es una generalización de la distribución

Geométrica.
- La distribución Multinomial es una generalización de la distribución Binomial.
LENGUAJES Y/O PAQUETES DE SIMULACION

En esta parte haremos una descripción sucinta de algunos paquetes y/o lenguajes
de Simulación de los más empleados en el medio. Los cuales tenían las siguientes
ventajas:
- La situación a analizar se puede modelar en forma más o menos sencilla para el

programador por el conocimiento del lenguaje.
- El proceso se puede describir con tanta precisión como le sea posible en el

lenguaje conocido.
- Se pueden realizar todas las depuraciones posibles.
Emshoff y Sisson consideran que la Simulación Discreta requiere de ciertas

funciones comunes que diferencian un lenguaje de Simulación de uno de
propósito general, entre las cuales se encuentran las siguientes:
- Generar números aleatorios.

- Generar variables aleatorias.
- Variar el tiempo hasta la ocurrencia del siguiente evento.
- Registrar datos para salida.
- Realizar análisis estadístico sobre datos registrados.
- Construir salidas en formatos determinados.
- Detectar inconsistencias y errores.
Los lenguajes precursores en Simulación fueron los de propósito general, entre

ellos por mencionar solo algunos tenemos: FORTRAN, ALGOL, COBOL, RPG,
BASIC, PASCAL, MODULA, PL/1, etc.
143
Los principales lenguajes utilizados en Simulación son:
Simulación de cambio continuo y de cambio discreto en computadoras híbridas

H01; Simulación de incremento continuo con orientación a ecuaciones directas
con énfasis en ecuaciones diferenciales DSL/90, MIMIC, BHSL, DIHYSYS y
S/360 CSMP; Simulación de incremento continuo con simuladores orientados a
bloques con énfasis en ecuaciones diferenciales MIDAS, PACTOLUS, SCADS,
MADBLOC, COBLOC y 1130 CSMP; Simulación de incremento continuo con
simuladores orientados a bloques con énfasis en ecuaciones de diferencias
DYNAMO, DYSMAP 2; Simulación de incremento discreto con orientación a
actividades CSL, CLP, GSP, GERT, FORSIM, ESP, MONTECODE y
MILITRAN; Simulación de incremento discreto con orientación a eventos
SIMSCRIPT, GASP, SIMCOM, SIMULATE y SIMPAC; Simulación de
incremento discreto con orientación a procesos SIMULA, OPS, SLAM y SOL;
Simulación de incremento discreto con orientación a flujo de transacciones
GPSS y BOSS.
PAQUETES
Los paquetes son una versión depurada de los diferentes lenguajes de propósito
general y presentan algunas ventajas sobre los lenguajes de programación
generales:
- Reducción de la tarea de programación.

- Definición exacta del sistema.
- Flexibilización mayor para cambios.
- Diferenciación mejor de las entidades que conforman el sistema.
- Relación estrecha entre las entidades del sistema.
Los paquetes de mayor utilización en Simulación son: EXCEL, STELLA, SIMAN,

RISK, STORM, LINDO, CRYSTAL BALL, QSB, MOR/DS, OR/MS, BEER GAME,
GREENPACE, SIMULACION, TAYLOR II, CAPRE, SIMNET II, PROMODEL,
ITHINK, URBAN DYNAMICS y POWERSIM.
En Simulación Gerencial podemos citar: FISH BANK, FINANACAT, BUGA-BUGA

y MARKOPS, TREE PLAN entre otros.
144
AUTOEVALUACION UNIDAD 2.
1.- Encuentre el punto de silla y el valor del juego para cada uno de los dos
juegos siguientes. Los pagos son para el jugador A.
B B
8 6 2 8 4 -4 -5 6
A 8 9 4 5 A -3 -4 -9 -2
7 5 3 5 6 7 -8 -9
7 3 -9 5
(1) (2)
2.- Una compañía revisa el estado de uno de sus productos importantes sobre
una base anual y decide si tiene éxito (estado 1) o no lo tiene (estado 2). Después,
la compañía debe decidir si da publicidad o no al producto a fin de promover las
ventas más a fondo. Las matrices P1 y P2 que se presentan aquí dan las
probabilidades de transición con y sin publicidad durante un año cualquiera. Los
rendimientos asociados están dados por las matrices R1 y R2. Determine las
decisiones óptimas en los tres años siguientes.
P1 = 0.9 0.1 , R1 = 2 –1
0.6 0.4 1 –3
P2 = 0.7 0.3 , R2 = 4 1
0.2 0.8 2 –1
3.- Bogotá debe determinar cómo asignar ambulancias durante el año venidero.
Cuesta 5000 dólares anuales operar una ambulancia. Cada ambulancia se debe
asignar a uno de dos distritos. Sea Xi = numero de ambulancias asignadas al
distrito i (i=1,2). El tiempo promedio, en minutos, que tarda una ambulancia en
atender una llamada del distrito i es, para el distrito 1,
40 - 3X1, y para el distrito 2, 50 – 4X2. Bogotá tiene tres metas:
145
META 1: El tiempo promedio de respuesta en el distrito 1 debe ser cuando más 5

minutos.
META 2: El tiempo promedio de respuesta en el distrito 2 debe ser cuando más 5

minutos
META 3: se debe gastar cuanto muchos 100000 dólares anuales en el servicio de

ambulancias.
Bogotá cree, para cada distrito, que cada minuto extra que se prolonga el tiempo
promedio de respuesta sobre la meta de 5 minutos equivale a un costo de 10000
dólares, y por cada dólar que se rebasa el presupuesto se incurre en un costo de
un dólar.
a) Plantear y resolver le modelo de programación lineal que se pueda emplear

para determinar cuántas ambulancias se deben asignar a cada distrito.
b) Para cada una de las siguientes prioridades ordenadas, aplicar el método
simplex de programación de metas para determinar la asignación de
ambulancias a los departamentos. Meta 1 > Meta 2 quiere decir que la meta
1 tiene mayor prioridad que la meta 2. Las prioridades son: meta
1>meta2>meta 3, meta 2>meta 1>meta 3; meta3>meta1>meta2.
4. Use el generador congruente lineal para obtener una sucesión de 10 números

aleatorios, dado que a= 17, c=43, m=100 y X0= 31.
RESPUESTAS:
1. 1) 7 2) -9
2. Años 1 y 2, anunciar sólo si el producto ni tiene éxito. Año 3: no publicitar
3. a) Min Z = 10000 s1+ + 10000 s2+ + s3+

s.a. 40 – 3 X1 + s1- - s1+ = 5
50 – 4X2 + s2- - s2+ = 5
5000 x1 + 5000 x2 + s3- - s3+ = 100000
Todas las variables ≥ 0
b) Si P1>P2>P3, entonces la solución óptima es X1= 35/3, X2=45/4. Si

P2>P1>P3, entonces la solución óptima es X1= 35/3, X2= 45/4. Si P3>P1>P2,
entonces la solución óptima es X1= 35/3, X2=25/3.
4. 0.70, 0.33, 0.04, 0.11, 0.30, 0.53, 0.44, 0.91, 0.90, 0.73
146
BIBLIOGRAFIA
TAHA, Hamdy A. (1995). Investigación de operaciones. México. Editorial

Alfaomega. 5 edición.
EPPEN, Gould y Schimidt. (1999). Investigación de operaciones en las Ciencias

de Ingeniería. Bogotá d.c. Editorial Prentice may. 3 edición
GALLAGHER, Watson. (2005). Métodos Cuantitativos para la Toma de decisiones.

Bogotá d.c. Editorial McGraw Hill
SHAMBLIN, James. (2006).Investigación de Operaciones. México. Ed. limusa.
KAUFMANN, A. Faure R. (2005).Invitación a la investigación de operaciones.

México. CECSA. 7 edición.
MARTHUR Y SOLOW.(2003). Investigación de Operaciones. Bogotá d.c. Editorial

Prentice Hall.
SASIENI, Yaspan. (2001). Investigación de operaciones. México. Limusa.
BARROS, Oscar. (2003).Investigación operativa análisis de sistemas. Chile.

Universitaria.
MORA, Jose Luis.(1998). Investigación de operaciones e informática. España.

Editorial Trillas.
PRAWDA, Juan. (1979). Métodos y Modelos de investigación de operaciones.

México. Editorial Limusa.
THIERAUF, Robert. (1982). Introducción a la investigación de operaciones.

México. Editorial Limusa.
Russell Stuart J.(2004).Inteligencia artificial un enfoque moderno. Bógota d.c. 2a
edición.
Aprendizaje estadístico:
http://petrus.upc.es/~microele/neuronal/xn/docs/2_aprend.pdf
Redes Neuronales y Maquinas de Soporte Vectorial: Un enfoque global:
http://www.uv.mx/anmarin/slides/180205Gonzalez.pdf
Ejemplos cadenas de markov:
http://www.iesxunqueira1.com/Download/pdf/ejmarkov.pdf
Revistas:
• ters & Industrial Engineering.
147
• Computers & Operations Research.

• IIE Solutions.
• Industrial Engineering.
• Industrial World en Español.
• International Journal of Operations & Production Management.
• Management Science.
• Manufacturing Engineering.
• Mathematical Programming.
• Mathematics of Operations Research.
• Operations Research.
148

Universidad Nacional Abierta y A Distanc PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Universidad Nacional Abierta y A Distanc PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

Escuela de Ciencias Básicas, tecnologías e ingeniería

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

200608 – TEORIA DE LAS DECISIONES

WILLIAM EDUARDO MOSQUERA LAVERDE

UNIDAD 1. CONCEPTOS BASICOS Y DECISIONES BAJO INCERTIDUMBRE 11

CAPITULO 1. GENERALIDADES DE LA TOMA DE DECISIONES Y

Lección 1. Tipos de toma de decisiones 14

CAPITULO 2. DECISIONES BAJO INCERTIDUMBRE VALOR ESPERADO 30

Lección 6. Criterio del valor esperado 31

CAPITULO 3. DECISONES BAJO INCERTIDUMBRE ARBOLES DE DECISON 42

Lección 11. Elementos de los arboles de decisión 43

UNIDAD 2. DECISIONES BAJO RIESGO 63

CAPITULO 4. DECISIONES BAJO RIESGO- TEORIA DE JUEGOS 65

Lección 16. Conceptos 66

Lección 18. Método suma cero y punta de silla 68

CAPITULO 5. DECISIONES BAJO RIESGO- CADENAS DE MARKOV. 80

Lección 21. Procesos estocásticos 81

CAPITULO 6. DECISIONES BAJO RIESGO - PROGRAMACION META. 103

Lección 26. Conceptos fundamentales. 104

CAPITULO 7. DECISIONES BAJO RIESGO – SIMULACIÓN. 125

Lección 31. Definiciones. 126

AUTOEVALUCION UNIDAD 2 145

Tabla 1. Matriz para procesos de decisión 22

Tabla 2. Matriz ejemplo 1. 28

Tabla 3. Decisiones según criterio maximin 28

Tabla 4. Decisiones según criterio maximax 28

Tabla 5. Penalizaciones ejemplo 1. 29

Tabla 6. Estimaciones de ganancia 34

Tabla 7. Ganancia sin información perfecta 34

Tabla 8. Indicadores favorables y desfavorables 36

Tabla 9. Probabilidades condicionales dadas por resultados 36

Tabla 10. Probabilidades conjuntas y marginales 36

Tabla 11. Probabilidades posteriores 36

Tabla 12. Indicador I1 36

Tabla 13. Indicador I2 37

Tabla 14. Decisiones óptimas y ganancias esperadas I1 y I2 37

Tabla 15. Ejemplo 5 compañía Certon 45

Tabla 16. Información ejemplo 6. 47

Tabla 17. Iteraciones ejemplo 7. 53

Tabla 18. Pagos y utilidades ejemplo 8. 58

Tabla 19. Atributos programación meta 100

LISTADO DE GRÁFICOS Y FIGURAS

Figura 2. Función de utilidad 41

Figura 3. Árbol de decisión 44

Figura 4. Árbol decisión compañía certon 46

Figura 5. Resultado ejemplo 5. 46

Figura 6. Árbol ejemplo 6. 47

Figura 7. Resultados árbol ejemplo 6. 48

Figura 8. Evolución de las probabilidades 50

Figura 9. Programación meta según PERT 111

Figura 10. Requerimientos de actividad por metas 112

Figura 11. Programa de actividades propuesto 112

Grafica 1. Esquema para toma de decisiones 15

Grafica 2. Razonamiento estadístico 17

Grafica 3. Componentes de un modelo probabilístico 21

Grafica 4. Resultados valor esperado 31

Grafica 5. Tipo de decisiones 54

Grafica 6. Función utilidad para el dinero 55

Grafica 7. Árbol ejemplo 8 57

Grafica 8. Función utilidad ejemplo 8 59

Grafica 9. Árbol ejemplo 8 con función utilidad 60

Grafica 10. Juego estrategias dominadas 70