INTRODUCCIN AL ANLISIS DE DECISIN Las empresas toman muchas decisiones cruciales, por ejemplo la de introducir o no un nuevo producto o dnde

ubicar una nueva planta. El resultado de estas decisiones puede afectar seriamente la rentabilidad futura de la compaa. El campo del anlisis de decisin es el marco necesario para tomar este tipo de importantes decisiones. Las empresas toman muchas decisiones cruciales, por ejemplo la de introducir o no un nuevo producto o dnde ubicar una nueva planta. El resultado de estas decisiones puede afectar seriamente la rentabilidad futura de la compaa. El campo del anlisis de decisin es el marco necesario para tomar este tipo de importantes decisiones. Una decisin puede definirse como el proceso de elegir la solucin para un problema, siempre y cuando existan al menos dos soluciones alternativas. Es evidente que deben llevarse a cabo varias acciones antes de tomar una decisin. Estas actividades pueden resumirse de la siguiente manera (donde T. D.= quien toma las decisiones): Etapa 1. El T. D. se da cuenta que existe un problema. Etapa 2. El T. D. recopila datos acerca del problema. Etapa 3. El T. D. elabora un modelo que describe el problema. Etapa 4. El T. D. utiliza el modelo para generar soluciones alternativas para el problema. Etapa 5. El T. D. elige entre las soluciones alternativas. Este proceso de toma de decisiones en 5 etapas puede relacionarse con las primeras 3 etapas del proceso de resolucin de problemas de CA/IO, estas primeras etapas sern: 1- identificacin, observacin y planteamiento del problema 2.- construccin del modelo 3.- generacin de la solucin Las etapas 1 y 2 del proceso de toma de decisiones se relacionan con la etapa 1 del proceso de resolucin de problemas; la etapa 3 del proceso de toma de decisiones se relaciona con la etapa 2 del proceso de resolucin de problemas. Por ltimo, las etapas 4 y 5 del proceso de toma de decisiones corresponden a la etapa 3 del proceso de resolucin de problemas. En esta seccin se utilizan enfoques cuantitativos como cualitativos. Se empleara el concepto de satisfaciente para restringir el nmero de alternativas y despus se usaran mtodos cuantitativos para elegir una de stas. Caso: Ashley Washington fabrica y vende pizzas a estudiantes del State Ohio College. Al mezclar los principales ingredientes de las pizzas y hornearlas por anticipado, ha podido hacer que el tiempo de
1

espera de sus clientes sea breve en comparacin con el de restaurantes de la competencia. Aunque ha vendido una gran cantidad de pizzas, en ocasiones Ashley se ha visto obligado a tirar un gran nmero de pizzas horneadas con anticipacin debido a que la demanda fue inferior a lo que haba anticipado. Por esta razn, est buscando una poltica que pueda utilizar para decidir cuntas pizzas debe hornear con el objeto de maximizar las utilidades. Ashley ha reducido sus alternativas a slo 4 posibilidades: hornear 150, 160, 170 o 180 pizzas. Ha estudiado los patrones previos de demanda para determinar el nmero de pizzas que se solicitaron por da, en los ltimos 100 das. Ha encontrado lo siguiente. Nmero de pizzas que se solicitan 150 160 170 180 Nmero de das 20 40 25 15

Ashley ha determinado que muy pocas veces ha tenido una demanda inferior a 150 pizzas o mayor a 180; por eso redujo las alternativas por da. Este es un ejemplo del uso de poltica satisfaciente para reducir el nmero de alternativas. Ashley ha determinado que gana $2 por cada pizza que vende y pierde $1 por cada pizza que no vende. Con esta informacin es posible construir una tabla de utilidades para cada una de las polticas de nmero de pizzas por hornear y por cada nivel de ventas.
Tabla 1. Tabla de utilidades para la Pizzera Ashley Demanda de pizzas
Nmero de pizzas que se hornean con anticipacin 150 160 170 180 150 300 290 280 270 160 300 320 310 300 170 300 320 340 330 180 300 320 340 360

Para ilustrar los clculos de la tabla 1, considrese el caso en el que se hornearon previamente 160 pizzas pero se vendieron slo 150. En esta situacin la utilidad bruta sera $2 x 150 = $300, habiendo perdido $10 por las pizzas que no se vendieron y, por ello, se obtendra una utilidad neta de $290. Es posible utilizar la tabla 1 para determinar el nmero de pizzas que deben hornearse previamente para maximizar las utilidades de la pizzera. Antes de decidir cul es la poltica ptima, Ashley tambin esta considerando mudar su pizzera a un nuevo local, existen tres alternativas de entre las que puede escoger: permanecer donde esta, mudarse a
2

Baxter Street, o mudarse a Epps Brige Road, su decisin se ver influenciada por acciones externas sobre las cuales no tiene control. Estas acciones externas son las decisiones que otras personas tomarn. Con la ayuda de un asesor financiero, Ashley ha pronosticado el valor actual de cada una de las decisiones, tomando en cuenta las dos acciones externas (que se consideran mutuamente excluyentes), junto con la posibilidad de que no ocurra ninguna de las dos acciones. Estos valores se muestran en la tabla 2.
Tabla 2. Valores presentes de la decisin de ubicacin Accin externa
Cerrar los antiguos dormitorios + $50,000 + $150,000 + $20,000 Construir nuevos departamentos + $20,000 + $25,000 + $ 200,000

Decisin No mudarse Baxter St. Epps Bridge Rd

Ninguna + $100,000 + $40,000 - $20,000

Puesto que esta decisin sobre ubicacin se tomar slo una vez, no existen datos previos que puedan utilizarse para auxiliar en la decisin. Anlisis preliminar del caso de la pizzera Ashley En este caso, se enfrenta a dos decisiones que Ashley debe tomar con respecto a la operacin del restaurante de pizzas. La primera decisin, que se refiere al nmero de pizzas que han de hornearse con anticipacin, es del tipo de las que deben tomarse todos los das que la pizzera opera. En consecuencia, existen datos previos que pueden utilizarse para ayudar a tomar esa decisin sobre poltica y emplearse para calcular probabilidades, las cuales se generan a partir de datos existentes y pueden utilizarse para determinar una decisin sobre poltica que proporcione el mximo de utilidades. Recordar que la probabilidad de que ocurra un evento. Si p es la probabilidad de que ocurra un evento, entonces 0 p 1. Conforme ms cercana est p a 1 es ms probable que ocurra el evento. La segunda decisin es del tipo de las que no tienen informacin previa disponible. Las decisiones de este tipo, se toman slo una vez. Deben basarse en los resultados posibles que han de ocurrir y en la forma en que stos afectan a quien toma decisiones, el T. D. puede utilizar criterios de toma de decisiones que no tomen en cuenta las probabilidades. Por otro lado, el T. D. podra utilizar probabilidades

subjetivas para determinar una decisin. Las probabilidades subjetivas las genera cada individuo que toma decisiones, sin el uso de datos previos. Tipos de decisiones En esencia existen tres tipos principales de decisiones. 1. decisiones bajo certidumbre 2. decisiones en las que pueden usarse datos previos para calcular probabilidades que se emplean en toma de decisiones. 3. decisiones para las cuales existen datos previos que permiten calcular probabilidades. Toma de decisiones bajo certidumbre En los casos que existe slo un resultado para una decisin se estn tomando decisiones bajo certidumbre. Ejemplos de eso son la programacin lineal y la programacin en enteros. En ambos casos, si se decide que un grupo de variables sea positivo (es decir, si se toma una decisin) no hay duda con respecto a cul ser la utilidad asociada con esa decisin. Toma de decisiones utilizando datos previos En los casos en los que debe tomarse una decisin en forma repetida y se tienen muchos resultados posibles, y las circunstancias que rodean a la decisin son siempre iguales, se tiene lo que podra denominarse decisiones utilizando datos previos. Dado que es posible valerse de la experiencia pasada para desarrollar probabilidades con respecto a la ocurrencia de cada resultado, en este tipo de toma de decisiones se utilizan modelos en probabilidades. Son tres las condiciones necesarias para este tipo de toma de decisiones. 1.- las decisiones se toman bajo las mismas condiciones 2.- existe ms de un resultado para cada decisin 3.- existe experiencia anterior que puede utilizarse para obtener probabilidades para cada resultado. Si cualquiera de estas condiciones no se cumple, entonces no se considera que es una decisin con base en datos previos. Se contemplar un solo modelo cuantitativo de toma de decisiones para emplearlo en la toma de decisiones empleando datos previos Toma de decisiones sin datos previos
4

En los casos en los que una decisin no se toma en forma repetida, o no existe experiencia pasada que pueda utilizarse para calcular probabilidades, o las circunstancias que rodean la decisin cambian de un momento a otro, se considera que la decisin se toma sin datos previos. Se le denomina as debido a que la misma decisin se toma slo una vez, y como tal, no existe experiencia pasada que ayud en el proceso de toma de decisiones. Decisiones alternativas Cuando un T. D. enfrenta un problema que requiere una decisin, una de las acciones que debe emprender antes de llegar a una decisin, es determinar las alternativas sobre las cuales se basar la decisin final. En el caso de la Pizzera Ashley, Ashley tiene cuatro alternativas relacionadas con el nmero de pizzas que debe hornear con anticipacin (150, 160, 170 o 180 pizzas). Tambin tiene tres alternativas con respecto a la ubicacin (no mudarse, Baxter Street o Epps Bridge). Este caso ilustra el hecho de que no hacer cosa alguna es tambin una alternativa que quien toma las decisiones debe considerar. Observar tambin que slo se consideran alternativas en verdad viables. Est es una forma de la caracterstica de satisfaciente que se mencion antes. Los estados de la naturaleza Una persona que toma decisiones y que enfrenta una situacin de decisin en la que pueden producirse resultados mltiples a partir de una estrategia determinada, enfrenta estados de la naturaleza mltiples o acciones externas mltiples. Los estados de la naturaleza son las circunstancias que afectan el resultado de la decisin pero que estn fuera del control del T. D. En el caso de la Pizzera Ashley, en la cual se va a tomar una decisin con respecto a cuntas pizzas deben hornearse, los estados de la naturaleza se refieren a los niveles de demanda para las pizzas. Es decir, Ashley no puede controlar el nmero de pizzas que le solicitaran una noche determinada; aun as, este nivel de demanda tendr efectos sobre las utilidades que obtenga por cualquier decisin que tome. Con respecto a la decisin sobre la ubicacin, de nuevo Ashley enfrenta tres estados de la naturaleza sobre los cuales no tiene control. Estos estados de la naturaleza estn influidos por las decisiones que alguna otra persona tomar con respecto a los antiguos dormitorios y los nuevos departamentos. Las decisiones tendrn un efecto inevitable sobre el valor presente de las utilidades, y esto sin importar qu decisin tome Ashley con respecto a la ubicacin. De nuevo, y al igual que en la seleccin de
5

alternativas, es importante considerar slo condiciones del medio ambiente que tengan un efecto significativo sobre los resultados. Resultados Para cada combinacin de estrategias y estado de la naturaleza habr un resultado. Este resultado puede expresarse en trminos de utilidades (en el caso del problema de elegir el nmero de pizzas que deben hornearse), puede expresarse en trminos de valores presentes (como en el caso de la decisin sobre la ubicacin), o puede expresarse en trminos de alguna medida no monetaria. Para determinar los resultados es necesario considerar todas las posibles combinaciones de decisiones y de estados de la naturaleza para determinar el resultado que se obtendra s se utiliza una alternativa dada y si ocurre un estado especifico de la naturaleza. Por ejemplo, en el problema de la ubicacin de la pizzera, si Ashley decidiera no mudarse y cerraran los antiguos dormitorios, se calculo que el resultado sera $50,000. En esa situacin, dado que haba tres alternativas y tres estados de la naturaleza, existen 3 x 3 = 9 resultados que deben calcularse. En general, si existen k alternativas y n estados de la naturaleza, ser necesario calcular (k x n) resultados. Con bastante frecuencia los resultados tambin se denominan pagos y una tabla de resultados se denomina tabla de pagos. rboles de decisin Una forma clara y sencilla de estructurar el proceso de toma de decisiones es por medio de un rbol de decisin. Est formado por nodos de accin, nodos de probabilidad y ramas. Un rbol de decisin los nodos se denotarn con un cuadro ( circulo ( ) y representarn aquellos lugares del proceso de toma de decisiones en los que se toma una decisin. Los nodos de probabilidad se denotarn por medio de un ) e indicarn aquellas partes del proceso de toma de decisiones en las que ocurre algn estado de la naturaleza. Las ramas se utilizan para denotar las decisiones o los estados de la naturaleza. Tambin pueden anotarse probabilidades sobre las ramas para denotar la probabilidad de que ocurra un estado determinado de la naturaleza. Por ltimo, se colocan los pagos al final de las ramas terminales del estado de la naturaleza para mostrar el resultado que se obtendra al tomar una decisin particular, y que despus ocurra un estado especfico de la naturaleza. Como ejemplo de rbol de decisin, considrese el caso de un profesor
6

universitario que est tratando de decidir si debe llevar o no un paraguas a su trabajo el da de hoy. La decisin
de llevar el paraguas se muestra como un nodo de accin en la figura 1.

nodo de accin
Llevar paraguas

nodos de probabilidad
Lluvia (0.6)

No llevar paraguas

Despejado (0.4)

Figura 1. Nodos de accin y de probabilidad

Al final de cada una de las ramas que parten de un nodo de accin habr un nodo de probabilidades u otro nodo de accin. Los posibles estados de la naturaleza comenzarn en los nodos de probabilidad. Tambin se muestran en la figura 2 los posibles estados de la naturaleza para la decisin del profesor. En este caso, se ha anotado tambin sobre la rama de probabilidad las probabilidades de que haya lluvia o est despejado de acuerdo con la oficina meteorolgica local. Ahora, si se combinan los nodos de accin y los nodos de probabilidad con los pagos para cada combinacin se tiene un rbol de decisin. El profesor ha determinado los diversos pagos asociados con las cuatro posibles combinaciones de decisiones y de estados de la naturaleza. Estos pagos se colocan al final de las ramas terminales de probabilidad. El profesor ha decido los siguientes pagos: Llevar paraguas y que no llueva Llevar paraguas y que llueva No llevar paraguas y que no llueva No llevar paraguas y que llueva -1 + 20 +5 - 40

Utilizando estos pagos es posible construir un rbol de decisin. Este rbol se muestra en la figura 3

Fig. 3 rbol de decisin para la decisin sobre el paraguas. 7

Lluvia (0.6)

+ 20

Llevar paraguas Despejado (0.4) 1

Lluvia (0.6)

40

No l le

var

para

g u as

Despejado (0.4)

+5

Empleando la terminologa de alternativas, estados de la naturaleza, resultados, y arboles de decisin, se analizan estos modelos para la toma de decisiones, tanto usando datos previos como sin utilizarlos TOMA DE DECISIONES SIN DATOS PREVIOS En esta parte se analiza un conjunto de modelos de decisin que pueden usarse sin datos previos. No es posible decir que uno de estos modelos es ms correcto que cualquier otro. Lo apropiado de cada modelo depende de la opinin del T. D. y de si ste desea o no utilizar probabilidades subjetivas. Al analizar cada modelo se describe bajo qu circunstancias sera apropiado, se usara el problema de ubicacin de la Pizzera Ashley como aplicacin del modelo. En los tres primeros modelos no se utilizan probabilidades subjetivas para tomar una decisin, en tanto que en los ltimos si se hace. Modelo de decisin del pesimista La persona que toma decisiones y que es pesimista con respecto a los estados de la naturaleza o considera, debido a inseguridad econmica, que debe evitar prdidas altas aun a riesgo de posiblemente perder altas utilidades, se inclinar a utilizar el modelo de decisin que se conoce como modelo de
8

decisin del pesimista. El principal concepto en el que se basa este modelo es evitar prdidas elevadas o inaceptables. Para implantar este concepto de evitar prdidas se determina el menor resultado para cada estrategia y despus se elige la que tenga el mayor de estos resultados menores. Dado que se estn maximizando los resultados mnimos, este modelo se conoce tambin como el del criterio maximn. El procedimiento puede describirse como sigue: Paso 1. Determinar el resultado de menor valor para cada alternativa y registrarlo en una lista. Paso 2. De la lista de resultados elegir el valor mximo. La alternativa asociada con este resultado mximo es la estrategia que debe utilizarse. Como ejemplo del uso del modelo de decisin del pesimista, considerar el resultado para la decisin de ubicacin de la Pizzera Ashley (tabla 3).
Estados de la naturaleza sin cambio (N1) Permanecer en la ubicacin actual (A1) Mudarse a Baxter Street (A2) + $100,000 + $ 40,000 Se cierran los antiguos dormitorios (N2) +$ 50,000 + $ 150,000 + $ 20,000 Se construyen nuevos departamentos (N3) + $ 20,000 + $ 25,000 + $ 200,000

Mudarse a Epps Bridge - $20,000 Road (A3)

Si se aplica ahora el paso 1 del modelo de decisin del pesimista a este problema se pueden listar los resultados mnimos (pagos) y el estado de la naturaleza asociado con cada uno de esos resultados mnimos (tabla 4).
Tabla 4. Pagos mnimos para el problema de ubicacin Alternativa A1 A2* A3 Pago Mnimo $20,000 (N3) $25,000 (N3) -$25,000 (N1)

Si despus se aplica el paso 2 del

modelo se maximizan los valores de la tabla 4 y se encuentra que la alternativa que se elige es la A2 (mudarse a Baxter Street), que da un pago mnimo de $25,000. Es decir Ashley elige la estrategia de menor pago que podra esperar seria de $25,000. Si eligiera cualquiera de las otras dos alternativas el pago podra se menor que esto.
9

Este modelo se denomin modelo de decisin del pesimista. Se supone que suceder lo peor y despus se busca hacer lo mejor bajo esta consideracin. En otras palabras, se considera que el medio ambiente es hostil y se trabaja sobre esa base. Otra razn por la que podra decidirse utilizar este modelo es el conjunto de circunstancias que rodean la decisin. En algunos casos no es posible financiar algunos de los resultados ruidosos. Por ejemplo, aunque la estrategia de Baxter Street tiene un pago mnimo de $25,000, el pago mnimo de Epps Bride Road tiene un pago mnimo de $20,000. Si la Pizzera Ashley no puede permitir perdidas como sta, sera necesario evitar esa posibilidad al no elegir esta estrategia. En la siguiente figura 3, se ha planteado el problema de la pizzera Ashley en un rbol de decisin.
Accin Probabilidad
$100,000
o ambi Sin c Cierran los dormitorios

$50,000 $20,000 $40,000 $150,000

tos

No mudarse
Sin c o ambi

Construye n

departame n

tos

Mudarse a Baxter Street

Cierran los dormitorios

Construye n

departame n

$25,000 -$20,000 $20,000

Mudarse a Epps Bride

m Sin ca

bio Cierran los dormitorios

Construyen departamentos $200,000

Figura 3. rbol de decisin para el problema de Ashley con respecto a mudarse

En este caso existen tres ramas de decisin que corresponden a no mudarse, mudarse a Baxter Street y mudarse a Epps Bridge Road para cada rama de decisin existen tres ramas de estados de la naturaleza asociados con un nodo de probabilidad. Esos corresponden a no mudarse, cerrar los dormitorios y construir nuevos departamentos. Por ultimo, para cada combinacin de accin y alternativa existe un pago que se ha colocado en el extremo final de cada una de las ramas terminales. Para elaborar la tabla de pago mnimo para el modelo de decisin del pesimista, todo lo que se necesita hacer es elegir el pago mnimo asociado con cada rama de decisin.
10

Modelo de decisin del optimista El T. D. que considera que el medio ambiente es propicio ser optimista con respecto al resultado, en vez de ser pesimista. Bajo este supuesto, el T. D. determina el mayor pago para cada alternativa y despus elige el mximo de stos. El procedimiento par aplicar el modelo de decisin optimista es el mismo que se utilizo para el modelo de decisin pesimista, pero con una excepcin importante. El paso 1 se modificara como sigue: Paso 1. Para cada alternativa, determinar el resultado con el mayor valor y anotarlo en una lista. Paso 2. D la lista de resultados, elegir el valor mximo; la alternativa asociada con este resultado mximo es la estrategia que debe seguirse. Como ejemplo del uso del modelo de decisin del optimista considerar de nuevo el problema de la Pizzera Ashley acerca de decidir si debe mudarse o no. si se aplica este modelo de decisin a este problema, el paso 1 produce la lista que se muestra en la tabla 5.
Tabla 5. Pagos mximos
Pago Alternativ a A1 A2 A3* mximo + $100,000 +$150,000 +$200,000

Si despus se aplica el paso 2 del modelo de decisin del optimista, se maximizan los valores de la tabla 5 y se encuentra que la alternativa elegida es la A3 (mudarse a Epps bridge Road) con un pago de $200,000. Es decir, si Ashley elige la alternativa de mudarse a Epps Bridge Road, entonces el pago mximo que podra esperar es $200,000. Si se selecciona cualquier otra alternativa el pago sera en definitiva inferior a este valor. Este modelo de decisin se conoce como modelo del optimista porque T. D. tiene tambin una opinin optimista acerca del medio ambiente. Quien toma las decisiones podra tambin utilizar este modelo en una situacin en la que la cantidad de dinero que puede perderse (pago negativo) es pequea en comparacin con la utilidad que puede alcanzarse. En estos casos, se supone que quien toma las decisiones puede permitirse las perdidas que podran ocurrir si se utiliza el modelo del optimista. Para el ejemplo, podra haberse elegido la alternativa A3 debido a la magnitud del rendimiento $200,000, que era grande en comparacin con la perdida que pudiera haber ocurrido por elegir esa alternativa, $20,000. El T. D. considero que $20,000 no era una prdida potencial grande al considerar el pago. Modelos de decisin de minimizacin del arrepentimiento
11

Otro modelo de decisin que representa una opinin bastante pesimista del medio ambiente es el de la minimizacin del arrepentimiento, tambin conocido como minimizacin de las perdidas de oportunidad. Para comprender este modelo de decisin es necesario definir una prdida de oportunidad. Para un estado de la naturaleza determinado existen siempre una o ms alternativas que producen el mayor pago. Si se elige una estrategia que d como resultado un pago inferior al mximo para ese estado de la naturaleza en particular, entonces se incurre en una prdida de oportunidad que es igual a la diferencia entre el pago ms alto y el pago que se da con la estrategia elegida, y se siente arrepentimiento. En otras palabras, para un estado determinado de la naturaleza, Perdida de oportunidad = pago mximo pago por la alternativa seleccionada (ecuacin 1) Las perdidas de oportunidad son la cantidad que se pierde cuando la alternativa que eligi no era la mejor. Si la decisin conduce al pago ms alto para un estado de la naturaleza particular, no hay prdida de oportunidad y no se siente arrepentimiento. Como ejemplo del modelo de prdida de oportunidad o de arrepentimiento considrese el primer estado de la naturaleza (no cambiarse) para el problema de ubicacin de la Pizzera Ashley. Esta columna de la tabla 6.
Tabla 6. Pagos del primer estado de la naturaleza
Alternativ a A1 A2 A3 Sin cambio (N1) +$100,000 +$40,000 -$20,000

Usando los valores de la tabla 6 se determina que el mximo pago es $100,000 y ocurre para A1 (no mudarse). Tomando este valor y la ecuacin (1) puede calcularse la prdida de oportunidad para cada alternativa, ver siguiente tabla.
Tabla 7. Calculo de la perdida de oportunidad para N1
Alternativ a A1 A2 A3 Pago mximo $100,000 $100,000 $100,000 - Pago de la alternativa $100,000 $40,000 -$20,000 = Perdida de oportunidad 0 $60,000 $120,000

12

Utilizando el mismo procedimiento puede calcularse la prdida de oportunidad para el segundo y tercer estados de la naturaleza. Cuando se anotan en una tabla combinada los valores de oportunidad para todos los estados de la naturaleza se tiene una tabla de arrepentimiento. Una tabla de este tipo para el problema de la pizzera Ashley se muestra en la tabla 8.
Tabla 8. Tabla de arrepentimiento
Estado de la naturaleza Sin cambio (N1) 0 $60,000 $120,000 Cerrar los Antiguos Dormitorios (N2) $100,000 0 $130,000 Construir Nuevos Departamentos (N3) $180,000 $175,000 0

Alternativa No mudarse (A1) Mudarse a Baxter Street (A2) Mudarse a Epps Bride Road (A3)

Se busca

evitar valores grandes de arrepentimiento puesto que estn asociados con prdidas grandes de oportunidad. Esta clase de toma de decisiones es similar al modelo de decisin pesimista, excepto que aqu se busca minimizar las perdidas mximas de oportunidad. Es posible plantear un procedimiento paso a paso para el modelo de decisin de minimizacin del arrepentimiento de la siguiente manera: Paso 1. Para cada estado de la naturaleza: a.- Determinar el pago ms alto. b.- Calcular las prdidas de oportunidad para cada alternativa, utilizando la ecuacin 1. c.- Colocar estos valores de prdida de oportunidad en una tabla de arrepentimientos. Paso 2. Para cada alternativa de la tabla de arrepentimiento, determinar la prdida mxima de oportunidad y colocar este valor en una lista. Paso 3. Utilizando la lista del paso 2, determinar la mnima de las perdidas mximas de utilidad. La alternativa correspondiente es que debe elegirse. Si se utiliza este procedimiento paso a paso para generar la tabla de arrepentimientos de la tabla 8, se llega a la lista de valores mximos de prdida de oportunidad que se muestran en la tabla 9.
Tabla 9. Valores del arrepentimiento mximo
Alternativ a A1 A2 A3* Mxima perdida de oportunidad $180,000 $175,000 $130,000

13

Utilizando el paso 3, se elige entonces la alternativa A3 (mudarse a Epps Bridge Road) puesto que es el menor valor de la lista de prdidas mximas de oportunidad con un valor de $130,000. Esta alternativa est marcada con un asterisco en la tabla 9. En este modelo de decisin quien toma las decisiones busca evitar prdidas elevadas de oportunidad a travs de un anlisis minimax de la tabla de arrepentimientos. Al hacer esto, quien toma las decisiones minimiza la diferencia mxima que puede ocurrir entre la mejor alternativa para un estado determinado de la naturaleza y cada uno de los resultados. Al elegir una alternativa quien toma decisiones se asegura de minimizar el arrepentimiento mximo o prdida de oportunidad. Modelo de decisin de maximizacin del pago promedio En los casos en los que quien toma las decisiones se enfrenta a alternativas mltiples en las que cada alternativa tiene a su vez resultados mltiples, es una prctica comn encontrar el pago promedio para cada estrategia y elegir despus la alternativa que tenga el mayor pago promedio. En este modelo de decisin, si existen n resultados para cada alternativa con Oij = pago para la i-sima alternativa dado el j simo estado de la naturaleza, y Vi = pago promedio para la i sima alternativa Entonces

Por ejemplo, en el problema del cambio de ubicacin de la Pizzera Ashley el pago promedio para la primera alternativa est dada por. V1 = (100,000 + 50,000 + 20,000) /3 = $56,667 (A1) En tanto que V2 = (40,000 + 150,000 + 25,000) /3 = $71,667 (A2) y V3 = (- 20,000 + 20,000 + 200,000) /3 = $66,667 (A3) Utilizando estos valores, quien toma las decisiones elabora una lista de valores promedio similar a la que se realiz en los tres modelos anteriores de decisiones. En este caso, esa lista se muestra en la tabla 10. Cuando se maximizan estos pagos promedio se elige la estrategia A2 (mudarse a Baxter Street). Esta alternativa aparece sealada con un asterisco en la tabla 10.
Tabla 10. Pagos promedio 14

alternativ a A1 A2* A3

Pagos promedio $56,667 $71,667 $66,667

Se presenta una descripcin detallada del modelo de decisin del pago promedio mximo: Paso 1. Para cada alternativa, calcular el pago promedio para todos los estados de la naturaleza y colocar estos valores en una lista. Paso 2. Determinar el mayor valor de la lista de pagos promedio. La alternativa que corresponde a este pago es la que debe seleccionarse. Desde un punto de vista intuitivo no parecera que el modelo de decisin del pago promedio mximo dependa de probabilidades. Sin embargo, al tomar los promedios de los resultados para cada decisin se est diciendo en forma implcita que los resultados son igualmente probables. En trminos de probabilidades, la probabilidad de que ocurra cada resultado es igual 1/n en donde n es el numero de resultados. En otras palabras, si pi = probabilidad del i simo resultado, entonces p1 = p2 =. . . = pn = 1/n. Despus pueden utilizarse estas probabilidades para calcular el valor monetario esperado (VME) para cada decisin. El VME se basa en el concepto de valor esperado de la teora de la probabilidad. Si existen, sealemos, n resultados para un experimento en donde cada resultado tiene un rendimiento rj y una probabilidad de ocurrencia de pj, entonces el valor esperado de ese experimento est dado por:

Donde

Por ejemplo, si se lanza un solo dado con la misma probabilidad de ocurrencia para cada uno de los seis lados y el rendimiento fuera igual al nmero que se obtuvo, entonces el valor esperado de ese experimento sera.

Si el rendimiento est dado en trminos de dinero entonces el valor esperado se convierte en el valor monetario esperado. En el caso de probabilidades igualmente posibles,
15

Esta misma frmula dada en la ecuacin 2, lo cual demuestra que el modelo de decisin de pago promedio mximo es lo mismo que utilizar un enfoque de VME mximo con probabilidades iguales. Modelo de probabilidades subjetivas Aunque no siempre es posible hacer uso de datos previos para calcular probabilidades para la ocurrencia de diversos resultados, pueden utilizarse probabilidades subjetivas. Esas probabilidades se basan en una multitud de experiencias anteriores, que quien toma las decisiones puede emplear para asignar probabilidades a los resultados. Las probabilidades subjetivas son el concepto bsico sobre el cual se basan las apuestas. Cada apostador asigna una probabilidad diferente a los diversos resultados de una carrera o de algn otro juego de azar y despus avala los resultados para decidir cmo debe apostar. Muchos aspectos intervienen en la forma en que el apostador asigna probabilidades incluyendo el nmero de acciones, el peso que el apostador asigna a cada opcin y las experiencias pasadas con respecto al evento. En los negocios, es frecuente que quien toma decisiones deba asignar probabilidades a la ocurrencia de diversos resultados con base en un juicio personal respecto a las condiciones del mercado, a las acciones futuras de un competidor, a la importancia del producto que se considera, etc. En algunas ocasiones la intuicin o una corazonada conduce a una persona que toma decisiones a asignar probabilidades por razones que no puede definir. Una vez que se asignan las probabilidades subjetivas, quien toma decisiones debe decidir si es adecuado utilizar valores monetarios para los pagos (tanto positivos como negativos) en el clculo de los valores esperados. En otras palabras, existe una relacin lineal entre el dinero implicado y la utilidad que logra quien toma las decisiones con cada resultado? En este caso, la utilidad se refiere a las consecuencias no monetarias de la ocurrencia de un resultado. Si se aplica el anlisis utilitario esperado a la Pizzera Ashley y a la decisin con respecto a mudarse se necesitan dos tipos de informacin. En primer lugar, se debe saber si los dlares que aparecen en la tabla de pagos (tabla 3) representan en realidad todas las consecuencias de cada decisin, tanto monetarias como no monetarias. Si no es as, entonces, sera necesario elaborar una tabla de valores de utilidad para Ashley. En segundo lugar, se debe pedir a Ashley una estimacin de la probabilidad de ocurrencia de cada resultado. Despus se pueden utilizar el valor esperado para elegir una alternativa. Suponer que Ashley
16

est satisfecho con los valores monetarios de la tabla de pagos como representacin de las consecuencias de cada decisin. Estima que existe una probabilidad 0.4 de que no haya acciones externas (resultado 1), una probabilidad 0.3 de que se cierren los antiguos dormitorios (resultado 2) y una probabilidad 0.3 de que se construyan los nuevos departamentos (resultado 3). Ahora es posible calcular los valores utilitarios esperados para cada decisin. A1: VUE 1 = (0.4) (100,000) + (0.3) (50,000) + (0.3) (20,000) = $ 61,000 A2: VUE 2 = (0.4) (40,000) + (0.3) (150,000) + (0.3) (25,000) = $ 68,500 A3: VUE 3 = (0.4) (- 20,000) + (0.3) (20,000) + (0.3) (200,000) = $ 58,000 Utilizando el mtodo de la probabilidad subjetiva, Ashley elegira la alternativa A2 (mudarse a Baxter Street). Si se usa un rbol de decisin para representar esto el rbol se asemejara al que aparece en la figura 3, excepto que ahora se incluyen probabilidades en cada rama de resultados (figura 4). Esas probabilidades solo se multiplican por el resultado que aparece al final de cada rama y se suman para todos los resultados de cada una de las ramas de estrategias con el objeto de calcular el valor esperado (VME o VUE) para cada alternativa.
Accin Probabilidad
.4) io (0 camb Sin (N1) (N2)Cierran los dormitorios (0.3)

$100,000 $50,000 $20,000 $40,000 $150,000 $25,000 -$20,000

(N3) Const ruyen dep artamento ( s

No mudarse (A1)

(0.3)
io camb Sin (N1) (N2) Cierran los dormitorios (0.3) (0.4)

Mudarse a Baxter Street (A2)

(N3)Const
(0.4)

ruyen dep (0.3) artamentos

Mudarse a Epps Bride (A3)

(N1)

m b io Sin ca

(N2) Cierran los dormitorios (0.3) $20,000

(N3) Construyen departamentos (0.3) $200,000

Figura 4. rbol de decisin para el problema de a mudarse 17

Como ejemplos de los clculos de valor esperado utilizando un rbol de decisin considerar la rama A1 (no mudarse). En esta rama si se multiplican los resultados que aparecen al final de cada una de las ramas de estados de la naturaleza por las probabilidades de la rama, y despus se suman, se obtiene. (0.4) (100,000) + (0.3) (50,000) + (0.3) (20,000) = $ 61,000 Lo cual es el mismo VUE que se calcul antes para A1, slo que ahora se utilizo el rbol de decisin en los clculos. Observar que VUE sera exactamente el mismo para el mtodo del pago promedio mximo, si se remplazan las probabilidades subjetivas por probabilidades igualmente posibles, en este caso, la probabilidad de cada rama sera 0.3333, puesto que existen tres resultados para cada rama de decisin. Comparacin de los anlisis bayesiano y clsico para la toma de decisiones utilizando datos previos Cuando existen datos previos disponibles para auxiliarse en la toma de decisiones, es posible utilizar dos tipos de anlisis. Se les define en forma amplia como anlisis bayesiano y anlisis clsico. En el anlisis bayesiano se combinan los datos previos (o probabilidades subjetivas) con datos mustrales o de prueba, utilizando la formula desarrollada por Thomas Bayes. En el anlisis clsico se utilizan los datos previos para elaborar una regla de decisin y despus se corre una prueba o se toma una muestra. La decisin se toma con base en el resultado de la prueba o muestra. Este es el tipo de anlisis que por lo general se ensea en la estadstica bajo el nombre de prueba de hiptesis. Por ejemplo, en el caso de la Pizzera Ashley, puede determinarse la demanda esperada por medio del siguiente clculo: Demanda esperada = (0.2) (150) + (0.4) (160) + (0.25) (170) + (0.15) (180) = 163.5 Con base en la demanda esperada, Ashley podra esperar que la demanda excediera, en promedio, las 160 pizzas por noche. Para probar esta expectativa, puede utilizarse el anlisis clsico, primero se plantea la siguiente hiptesis nula, utilizando el valor esperado que se calculo con los datos previos: H0 = 160 Esta hiptesis nula dice que los datos previos indican que la demanda promedio a largo plazo, o media , ser mayor o igual a 160 pizzas. Utilizando los datos previos se plantea una hiptesis alternativa de que la demanda es menor de 160 pizzas: H1: < 160 (o que la demanda media es inferior a 160 pizzas)

18

Para tomar una decisin se toma una muestra de los valores de la demanda para cierto nmero de noches. Con base en esta muestra se podra aceptar la hiptesis nula y asegurar que la demanda media de Ashley es de 160 o ms pizzas por noche. Por otro lado, la muestra podra conducir a rechazar la hiptesis nula y a afirmar que, despus de todo, la demanda promedio en realidad no es de 160 o ms pizzas. En el anlisis bayesiano se elabora una matriz de decisin que contiene las consecuencias monetarias de diversas decisiones. Con esta matriz de decisin, en el anlisis bayesiano se realiza primero un anlisis previo utilizando los datos anteriores. A esto le sigue un segundo anlisis o preposterior, en el cual se determina si resultara til llevar a cabo pruebas o muestras adicionales. Si el anlisis preposterior muestra que las pruebas o las muestras seran econmicamente tiles, entonces se lleva a cabo. Si se toma una muestra o se lleva a cabo una prueba, se utilizan los resultados para modificar las probabilidades previas con el objeto de determinar las probabilidades posteriores o despus de la prueba. Estas probabilidades posteriores combinan tanto los datos previos como resultado de la prueba o muestra. Al comparar el anlisis clsico con el bayesiano, se observa que en el primero siempre se procede a realizar una prueba o a recolectar una muestra, pero en el anlisis bayesiano slo se hace esto despus de que un anlisis preposterior de los datos haya mostrado que pruebas o muestras adicionales seran econmicamente valiosas. Esta decisin de probar o muestrear, o no hacerlo, combinada con la modificacin de las probabilidades con base en las pruebas, es lo que da al anlisis bayesiano ventajas con respecto al anlisis clsico, ya que permite una toma de decisiones ms econmica. Anlisis bayesiano Para comenzar un anlisis bayesiano del caso de la Pizzera Ashley, en primer lugar se necesita una matriz de decisin que muestre las consecuencias econmicas de diversas decisiones. Para hacer esto, se ampla la tabla de utilidades 1 para convertirla en la tabla de utilidades 13
Tabla 13. Tabla de utilidades
Nmero de pizzas que se hornean con anticipacin 150 160 170 180 Fraccin de tiempo Numero 150 300 290 280 270 0.20 de pizzas 160 300 320 310 300 0.40 que se 170 300 320 340 330 0.25 solicitan 180 300 320 340 360 0.15

Esta tabla ampliada incluye los pagos para cada estado de la naturaleza y cada alternativa, y la porcin de tiempo en que ocurri cada estado de la naturaleza. Esta fraccin se encuentra dividiendo el nmero de
19

das de cada estado de la naturaleza entre el nmero total de das para todos ellos. Se estudiaron 20 + 40 + 25 + 15 = 100 das; por ello, para el primer estado de la naturaleza, la fraccin es 20/100 = 0.20. Estas fracciones son equivalentes a probabilidades, dado que se suma es igual a uno y reflejan la proporcin de tiempo que ocurri cada estado de la naturaleza. Considerar que se observar la misma proporcin en el futuro. Utilizando esta informacin, si existen n estados de la naturaleza, es posible calcular el VME para cada alternativa, por medio de la formula que sigue:

Donde

O ij = pago utilizando la i sima alternativa si ocurre el j simo estado de la naturaleza Pj = probabilidad de que ocurra el j simo estado de la naturaleza VMEi = valor monetario esperado para la i sima alternativa

Si se aplica este modelo de decisin al problema de la Pizzera Ashley, con respecto a cuntas pizzas hornear con anticipacin, se tienen los siguientes clculos: VME 1 = (0.20) (300) + (0.40) (300) + (0.25) (300) + (0.15) (300) = $ 300.00 VME 2 = (0.20) (290) + (0.40) (320) + (0.25) (320) + (0.15) (320) = $ 314.00 VME 3 = (0.20) (280) + (0.40) (310) + (0.25) (340) + (0.15) (360) = $ 316.00 VME 4 = (0.20) (270) + (0.40) (300) + (0.25) (330) + (0.15) (360) = $ 310.50 Despus, se anotan estos valores monetarios esperados en una lista a partir de la cual se determina el mximo (ver tabla 14)
Tabla 14. Valores monetarios esperados Alternativ a 150 (A1) 160 (A2) 170 (A3) 180(A4) VME $300.00 314.00 316.00* 310.50

Se encuentra que el VME es $316 y ocurre para una decisin de hornear 170 pizzas. La interpretacin de este valor es que si Ashley horneara 170 pizzas cada noche, entonces su utilidad promedio a largo plazo sera de $316 por noche. Observar que en ningn momento ocurrira este valor en realidad; es un valor promedio para una gran cantidad de aplicaciones de la alternativa bajo condiciones similares. Esta alternativa est marcada con un asterisco en la tabla 14. Se presenta un procedimiento paso a paso para el modelo de decisin VME. Paso 1. Calcular las probabilidades, p j, para la ocurrencia de cada estado de la naturaleza.
20

Paso 2. Calcular el VME para todas las alternativas utilizando la ecuacin (6) y anotar estos valores en una lista. Paso 3. Utilizar la lista de VMEs calculada en el paso 2 para determinar el valor mximo. La alternativa que corresponde al VME mximo es la decisin que debe tomarse. Esta es la porcin a priori de un anlisis bayesiano
$300

Uso de rboles de decisin para problemas con datos previos Al igual que con los problemas de decisin en los que no existen datos previos disponibles, es posible (y
$300

en muchas ocasiones aconsejable) utilizar rboles de decisin para determinar cul es la decisin
$300 correcta. En el caso de los problemas en que existen datos previos, se construye un rbol de decisin de la 0

misma forma en que se hizo para otros tipos de problemas, la nica diferencia es que se incluyen las $300 probabilidades calculadas en las ramas de probabilidad y estas probabilidades se utilizan para calcular los VME. En el caso de la decisin de la pizzera con respecto a cuntas pizzas hornear con anticipacin, $300 habr cuatro ramas de decisin que corresponden a hornear 150, 160, 170, o 180 pizzas. Al final de cada rama de decisin habr un nodo de probabilidad que tiene cuatro estados $2900 corresponden a la que demanda de 150, 160, 170, y 180 $314 pizzas. En cada rama de estado de la naturaleza habr tambin una probabilidad de que ocurra ese estado y al final de cada una de las ramas de estado de la naturaleza habr un resultado o utilidad para cada decisin y estado de la naturaleza. El rbol de decisin para la pizzera Ashley se muestra en la figura 5
$320 0 $320

Utilizando los valores de las utilidades y las probabilidades para cada rama de estado de la naturaleza, se calcula el VME para cada nodo de probabilidad utilizando la ecuacin 6. Esto es, multiplicando cada probabilidad por la utilidad correspondiente y sumando todos estos productos para cada nodo de $280
$316 probabilidad. Los VME estn anotados por debajo de cada nodo de probabilidad y el VME mximo est 0 $310 anotado bajo el punto de decisin. La decisin a la que corresponde el VME es el nmero mximo, a $320

largo plazo, de pizzas que deben hornearse: 170 pizzas, en este caso las que arrojan utilidades diarias de $ 316.
$340

Este problema se denomina comnmente problema del vendedor de diarios. El $340 nombre proviene de la situacin de un vendedor de diarios que intenta decidir cuntos debe comprar cada da para vender. El
$310. 50 concepto es exactamente el mismo que decidir

anticipacin.

500

el nmero de pizzas que deben hornearse con

$300

$270

$330

21

$360

Figura 5. rbol de decisin para el horneado previo de pizzas

El valor de la informacin perfecta

22

Con frecuencia surge la siguiente pregunta: Cunto estara dispuesta a pagar la persona que toma las decisiones para obtener informacin adicional sobre cules sern las circunstancias reales? Antes de de responder esta pregunta se necesita conocer el valor de la informacin misma. Si la informacin es perfecta, es decir, si la informacin nos dice exactamente qu es lo que va a ocurrir, resulta bastante sencillo responder la pregunta. Si se conoce con exactitud cul estado de la naturaleza ocurrir, es fcil determinar la alternativa que debe elegirse. Se elegira la alternativa que produce el mayor pago para cada estado de la naturaleza. En el problema de la Pizzera Ashley, para un nmero determinado de demanda de pizzas, se elegira hornear con anticipacin el nmero de pizzas que maximizara las utilidades netas. Por ejemplo, para la situacin en la que se supiera que habra una demanda de 160 pizzas, las utilidades mximas ocurrieran si se hornearan 160 pizzas, y esa utilidad sera $320. Si se calcula esto para cada uno de los estados de la naturaleza, se generara la lista que aparece en la tabla 15. Tabla 15. Pagos mximos
Pizzas que se solicitan (estados de la naturaleza) 150 160 170 180 Decisin con Pago mximo 150 160 170 180 pag o $300 $320 $340 $360

Puesto que cada estado de la naturaleza ocurre slo durante una fraccin del tiempo, es posible calcular el valor monetario esperado para el caso de la informacin perfecta utilizando los pagos mximos y las probabilidades para cada estado de la naturaleza. En el caso que se muestra en la tabla 15, el valor monetario esperado de la informacin perfecta (VMEIP) se calcula de la siguiente manera. VMEIP = (0.20) (300) + (0.4) (320) + (0.25) (340) + (0.15) (360) VMEIP = $ 327 Por ello, si se conoce con anticipacin qu estado de la naturaleza ocurrir y si se elije cada vez la decisin que arrojara las mximas utilidades, la utilidad promedio a largo plazo se obtendra $327. En general, esto se plantea de la siguiente manera. 7

23

Donde

O* ij = la mxima utilidad para cada estado de la naturaleza pj = la probabilidad de cada estado de la naturaleza

Para calcular el valor de la informacin perfecta, lo nico que se hace es calcular la diferencia entre el valor monetario esperado para la informacin perfecta y ese mismo valor monetario esperado sin informacin perfecta: VPI = VME IP VME *IP Donde VIP = valor de la informacin perfecta VMEIP = VME para la informacin perfecta VME* = VME mximo sin informacin perfecta En el caso de la pizzera, VMEIP = $327 y VME* = $316, por lo que VIP = $327 - $316 = $11. Puede verse a partir de esto que Ashley estara dispuesto a pagar hasta $ 11 por da para conocer con anticipacin exactamente cuntas pizzas se requerirn cada da. Si la informacin no es perfecta, o el costo de la informacin es mayor de $11, entonces podra arreglrselas mejor sin conocer la informacin en forma anticipada. El valor de la informacin de prueba En trminos prcticos, por lo general la informacin proviene de algn procedimiento imperfecto de prueba. Con esto quiere hacerse notar que la informacin dela prueba no siempre pronostica en forma correcta el estado de la naturaleza que ocurrir. Por ejemplo, un meteorlogo podra, con base en alguna prueba, pronosticar lluvia y, aun as, este estado de la naturaleza podra ocurrir slo el 70% de las veces que se hace esta prediccin. Debido a esta informacin en el poder predictivo de las pruebas, el clculo del valor de la informacin de prueba es algo ms complejo que para la informacin perfecta. Para comprender el procedimiento que se utiliza para realizar estos clculos, sea P(N | R) = probabilidad de que ocurra en realidad el evento N, dado que el resultado de la prueba fue R Dado que la prueba es imperfecta, P (N | R) < 1. Por ejemplo, si un meteorlogo est en lo correcto el 70% de las veces, entonces P (N | R) = 0.7, donde N = llueve y R = se pronostic lluvia.
24

Sin embargo, por lo general se desconocen los valores de P (N | R) (lo cual se lee probabilidad de N dado R) puesto que estos valores slo se conocen despus de haber utilizado la prueba las suficientes veces para recopilar datos que permitan calcular probabilidades. Por lo general se conoce lo opuesto, es decir, la probabilidad de que ocurra el resultado de la prueba dado el resultado correspondiente. Esta probabilidad es P (R | N) y puede calcularse utilizando datos histricos para determinar la forma en que se hubiera comportado la prueba si se hubiera utilizado. Por adversidad, la probabilidad P (R | N) no es la probabilidad de prueba P (N | R) que se necesita, puesto que se calculo despus de conocer el resultado. Para calcular P(N | R) se usa un resultado bien conocido de la probabilidad, denominado ley de Bayes. Este resultado dice que

Por lo general, dos de los valores que aparecen en esta frmula pueden obtenerse a partir de datos de prueba, y el tercero calcularse a partir de los otros dos. Resulta fcil calcular a partir de datos previos la probabilidad de que la prueba sea exacta, dado que se conoce el resultado real, P (R N), y la probabilidad de que ocurra un resultado particular sin importar cul sea la prueba, P (N). P(N) tambin puede ser una probabilidad subjetiva basada en la experiencia que tenga en esas situaciones quien toma las decisiones. Esta ltima probabilidad; P (N), se conoce como probabilidad a priori puesto que se calcula antes de cualquier prueba, mientras que las otras son probabilidades condicionales. La tercera probabilidad que aparece en la ley de Bayes, P (R), es la probabilidad de que ocurra el resultado de prueba R. esta probabilidad puede calcularse por medio del siguiente resultado de la teora probabilstica:

Donde

significa no N o negacin de N. Puesto que y pueden ser sumas de

incluye todos los eventos que no sean N, valores. Los valores de

diversos

pueden calcularse al mismo tiempo que se obtienen P (R N) y P (N). Combinando 9 y 10 se llega a una versin modificada de la ley de Bayes: 11

25

El resultado final, P(N R), probabilidad de que ocurra el suceso N dado el resultado de Prueba R, se conoce como probabilidad a posteriori, puesto que se obtiene despus del procedimiento de prueba. Una vez que se conocen los valores de la probabilidad a posteriori, es posible emplearlos para llevar a cabo el anlisis preposterior con el objeto de determinar si debe llevarse a cabo una prueba o un muestreo. Aplicacin a la Pizzera Ashley Considerar ahora el uso de un procedimiento de pronstico para la Pizzera Ashley. Recordar que Ashley hornea con anticipacin todas las pizzas y necesita conocer cual es la decisin que proporcione las mayores utilidades A Ashley, le ha ofrecido sus servicios una profesora de investigacin de mercados de negocios, Carolyn Myers para realizar una prueba experimental para pronosticar el nmero de pizzas que se ordenaran cada da. Por este servicio le cobrar a Ashley $5 por da. La cuestin es: debe Ashley contratar ese servicio de pronsticos? Si los pronsticos de la profesora tuvieran una exactitud del 100%, se haba determinado antes que su valor sera $11. Sin embargo, se ha encontrado que sus pronsticos no tienen una exactitud del 100%, por lo que su valor ser un poco menor a ste. Utilizando los datos de ventas anteriores, la profesora ha reunido la tabla de probabilidades de prueba que se muestra en la tabla 16.
Tabla 16. Probabilidades de datos Nmero de Pizzas que se Nmero de pizzas pronosticado (alternativas) 150 160 170 180 Solicitaron

150 1/2 1/3 1/6 0

160 1/4 1/2 1/4 0

170 0 1/6 2/3 1/6

180 0 1/6 1/3 1/2

Los estados de la naturaleza que se muestran en la parte superior son el nmero de pizzas que en realidad se solicitan; los valores de la primera columna son el nmero de pizzas que la prueba de la profesora haba pronosticado. Las probabilidades que aparecen en el cuerpo de la tabla son las probabilidades de que la prueba hubiera pronosticado cada nmero de pizzas, dado el nmero que en realidad se solicito. Por ejemplo, en los das en que los en los que se solicitaron en realidad 160 pizzas, la tcnica de prediccin habra pronosticado 160 pizzas la mitad de las veces, 150 pizzas una cuarta parte de las veces, 170 pizzas una cuarta parte de las veces y nunca 180 pizzas. Estas son probabilidades condicionales que se comentaron antes, es decir P (R | N).
26

Observar en esta tabla que la suma de las probabilidades de cada columna es igual a 1, mientras que la suma por rengln no es igual a 1. Esto se debe a que para un nmero determinado de pizzas vendidas, tiene que pronosticarse algn nmero, en tano que no existe relacin entre el nmero pronosticado y el nmero vendido. Con el objeto de convertir las probabilidades P (R | N) de la tabla 16 a probabilidades P(N | R), es necesario calcular P (R) para cada nmero de pizzas pronosticado utilizando la ecuacin 10:

En la tabla 16, para R = 150, se encuentra que N = 150 y

= 160, 170 y 180. Para calcular las

probabilidades de P(N) y P ( ), se utiliza ahora los valores de la experiencia anterior para el nmero de pizzas que se solicitaron; es decir, se utiliza la fraccin de tiempo que se demand cada nmero de pizzas, a partir de la tabla 13: P (150 de demanda) = 0.2 = 1/5 P (160 de demanda) = 0.4 = 2/5 P (170 de demanda) = 0.25 = 1 / 4 P (180 de demanda) = 0.15 = 3/20 A partir de esto y de los valores de la tabla 16 se tiene. P (150 pronosticadas) = P (150 pronosticadas | 150 de demanda) P (150 de demanda) + P (150 pronosticadas | 160 de demanda) P (160 de demanda) + P (150 pronosticadas | 170 de demanda) P (170 de demanda) + P (150 pronosticadas | 180 de demanda) P (180 de demanda) = (1/2) (1/5) + (1/4) (2/5) + (0) (1/4) + (0) (3/20) = 2/10 = 1/5 De manera similar, P (160 pronosticadas) = (1/3) (1/5) + (1/2) (2/5) + (1/6) (1/4) + (1/6) (3/20) = 1/3 P (170 pronosticadas) = (1/6) (1/5) + (1/4) (2/5) + (2/3) (1/4) + (1/3) (3/20) = 7/20
27

P (180 pronosticadas) = (0) (1/5) + (0) (2/5) + (1/6) (1/4) + (1/2) (3/20) = 7/60 Observar que estos clculos pueden realizarse trabajando con los valores de cada rengln. Cada valor de P (R) es simplemente la suma de los productos de las probabilidades de estados de la naturaleza y las probabilidades correspondientes de cada rengln. Tambin puede observarse que si se suman estas probabilidades de pronosticar cada nmero de pizzas, se obtiene: 1/5 + 1/3 + 7/20 + 7/60 = 1 Esto es de esperarse, puesto que debe pronosticarse algn nmero de pizzas, 150, 160, 170 o 180. Utilizando cada uno de los elementos de cada una de las sumas que dieron los valores de P(R) como anotacin de una nueva tabla 17. Tabla 17. Tabla modificada de probabilidades conjuntas
Nmero de (estados Nmero pronosticado de pizzas (alternativas) 150 160 170 180 pizzas de Que la se Solicitaron naturaleza)

150 1/10 1/15 1/30 0

160 1/10 1/5 1/10 0

170 0 1/24 1/6 1/24

180 0 1/40 1/20 3/40

Suma 2/10 1/3 7/20 7/60

En donde cada entrada o anotacin es P(R N) P(N) o P(R ) P ( ). Por ejemplo, la anotacin del tercer rengln y primera columna es igual a P (170 pronosticadas 150 de demanda) P (150 de demanda) De la ecuacin 11. Se sabe que las probabilidades a posteriori se obtienen por medio de:
11

Utilizando los valores de la tabla 17, es fcil encontrar los valores de esta ecuacin. El numerador proviene de los valores de esta tabla y el denominador es la suma para cada rengln. Como dos ejemplos; considerar P (150 demandadas 150 pronosticadas) y P(150 demandadas 160 pronosticadas). Para la primera probabilidad, se pasa al primer rengln, primera columna de la tabla 17, para obtener el numerador, P (150 pronosticadas 150 demandadas) P (150 demandadas y se utiliza la suma del rengln de 150 pronosticadas para el denominador. El resultado es: P (150 de demanda 150 pronosticadas) = 1/10 / 2/10 = 1 / 2
28

Esto significa que la mitad del tiempo que se pronostican 150 pizzas para la demanda, en realidad se solicitan 150. De manera similar,
P (160 pronosticada 150 de demanda) P (150 de demanda) P (150 de demanda 160 pronosticada) = Suma del rengln =

1/15 /1/3 = 1 / 5 Este valor significa que si la prueba pronostica una demanda de 160 pizzas, una quinta parte de las veces en realidad se solicitarn 150 pizzas. Si se realizan estos clculos para cada uno de los valores de la tabla 17, se llega a una tabla de valores en la que cada valor es P (N pizzas se demandaran R pizzas se pronosticaron). Estos valores se proporcionan en la tabla 18, Tabla 18. Probabilidades a posteriori
nmero Nmero de pizzas Pronosticadas (alternativas 150 160 170 180 de pizzas (estados que se de la Solicitaron Naturaleza)

150 1/2 1/5 2 / 21 0

160 1/2 3/5 2/7 0

170 0 1/8 10 / 21 5 / 14

180 0 3 /40 1/7 9 / 14

Los valores de la tabla 18, son probabilidades P (N R) que se desean y que indicaran qu tan til ser la prueba de la profesora. Cada rengln de esta tabla es ahora una distribucin completa de probabilidad a posteriori y puede utilizarse para pronosticar los niveles de demanda a travs de un anlisis preposterior. Ahora se procede a calcular el valor monetario esperado de la prueba de la profesora. Esto se hace eligiendo primero la mejor alternativa para cada uno de los posibles resultados de la prueba, utilizando el criterio del VME. Esto se hace para cada uno de los resultados. Si la prueba de la profesora pronostica que habr una demanda de 150 pizzas, se utilizan las probabilidades del primer rengln de la tabla 18, para calcular los VME de la tabla de pagos. Esto produce la tabla 19.
Tabla 19. Calculo del VME con un pronstico de 150 pizzas Nmero Pizzas horneadas con anticipacin (alternativas) 150 (estados 150 300 160 300 de que de la 170 300 Pizzas se naturaleza) 180 300 solicitaron VME $ 300.00

29

 Alternativa preferida 170

160

180 Probabilidad

290 280 270 1/2

320 310 300 1/2

320 340 330 0

320 340 360 0

305.00 295.00 285.00

En la cual puede verse que si se pronostica una demanda de 150 pizzas, la alternativa con el VME ms alto es hornear 160 pizzas. Las tablas 20, 21 y 22 muestran estos clculos para pronsticos de 160, 170 y 180 pizzas.
Tabla 20. Calculo del VME con un pronstico de 160 pizzas Nmero Pizzas horneadas con anticipacin (alternativas) 150 160 Alternativa preferida 170 180 Probabilidad (estados 150 300 290 280 270 1/5 160 300 320 310 300 3/5 de que de la 170 300 320 340 330 1/8 pizzas se naturaleza) 180 300 320 340 360 3 / 40 solicitaron VME $ 300.00 314.00 310.00 302.25

Tabla 21. Calculo del VME con un pronstico de 170 pizzas Nmero Pizzas horneadas con anticipacin (alternativas) 150 160 170 Alternativa preferida 180 Probabilidad (estados 150 300 290 280 270 2 / 21 160 300 320 310 300 2/7 de que de la 170 300 320 340 330 10 / 21 pizzas se naturaleza) 180 300 320 340 360 1/7 solicitaron VME $ 300.00 317.10 325.70 320.00

Tabla 22. Calculo del VME con un pronstico de 180 pizzas Nmero Pizzas horneadas con anticipacin (alternativas) 150 160 170
Alternativa preferida

(estados 150 300 290 280 270 0

16 0 30 0 32 0 31 0 30 0 0

de que de la 170 300 320 340 330 5 / 14

pizzas se naturaleza) 180 300 320 340 360 9 / 14

solicitaron VME $ 300.00 320.00 340.00 349.30

180 Probabilidad

30

Utilizando la alternativa preferible para cada uno de los resultados posibles de la prueba y la probabilidad de que ocurra cada uno de esos resultados (a partir de la tabla18), es posible calcular el VME utilizando la prueba de la profesora:
VME (de la prueba) = (VME mximo dado un pronstico de 150) P (150 pronosticadas) + (VME mximo dado un pronstico de 160) P (160 pronosticadas) + (VME mximo dado un pronstico de 170) P (170 pronosticadas) + (VME mximo dado un pronstico de 180) P (180 pronosticadas)

Sustituyendo los valores adecuados, se obtiene

VME (de prueba) = (305.00) (2/10) + (314.00) (1/3) + (325.70) (7/20) + (349.30) (7/60) = $ 320.41

Por ello, el VME que resulta de utilizar la prueba de la profesora es de $320.41. Recordar que el VME sin la prueba era de $316. Por tanto, el valor neto de la prueba de la profesora es $320.41 - $316.00 = $ 4.41 por da. Puesto que este valor es inferior a los $5.00 que cobra por utilizar la prueba, a Ashley le convendra ms no utilizar el servicio de pronstico de la profesora. A continuacin se resume el uso de este anlisis:
Paso 1. Elaborar una tabla de probabilidades de prueba, es decir, P (el resultado de la prueba ser R el resultado real fue N) y un conjunto de probabilidades previas P(N), para cada estado de la naturaleza. Paso 2. Para cada rengln de la tabla de probabilidades de prueba, multiplicar cada elemento por la probabilidad previa correspondiente de estado de la naturaleza, P (R N) P (N). La suma de estas probabilidades para cada rengln es ahora P (R). Paso3. Dividir cada elemento de la matriz de probabilidades modificada entre la suma de su rengln, es decir, P (R N) P (N) / P (R), para obtener los elementos de la tabla de pronsticos, P (N R). Paso 4. Utilizando la matriz de pago calcular por separado el VME mximo para cada resultado de prueba, utilizando las probabilidades del rengln de la matriz de prediccin que corresponde a ese resultado de prueba. Paso 5. Utilizando los VME mximos para cada resultado de prueba, calcular el VME (de la prueba) multiplicando el VME mximo para cada resultado de prueba por la probabilidad de que ocurra ese resultado, P (R), sumando todos estos resultados. Paso 6. Calcular el valor neto de la prueba determinando la diferencia entre el VME de la prueba calculado en el paso 5 y el VME mximo posible sin la prueba.

Uso de arboles de decisin para el anlisis bayesiano Es posible emplear arboles de decisin para representar la decisin de si deben utilizarse o no las predicciones de la profesora, para la demanda de pizzas. En este caso se da un anlisis

31