Documente Academic
Documente Profesional
Documente Cultură
Xavier Cabezas
Segundo Término
2018
1 / 23
Sobre la toma de decisiones
Example
Elegir entre 3 ofertas de universidades bajo los siguientes criterios:
1 Percepción de reputación
2 Ubicación geográfica
3 Ranking
4 Flexibilidad de horarios
Es claro, que cuando multiples criterios (objetivos) están presentes, elegir, la mejor
alternativa puede ser una terea muy difı́cil.
2 / 23
El Proceso de Jerarquı́a Analı́tica (The Analytic Hierarchy Process, AHP)
Daniela ha ponderado cada criterio de acuerdo a lo que ella considera más (o menos)
importante para su vida profesional.
Ahora suponga que Daniela puede determinar una ponderación a cada criterio por cada
oferta de trabajo (Calificación (scoreij ) que representa qué tan bueno son los trabajos j
por los criterios i):
Criterio T1 T2 T3 Suma
SA 0.571 0.286 0.143 1
UT 0.159 0.252 0.589 1
AT 0.088 0.669 0.243 1
PV 0.069 0.426 0.506 1
AHP utiliza las ponderaciones y los scores para determinar cuál trabajo Daniela debe
elegir, mediante una simple suma ponderada:
X
Calificación global de Tj = wi × scoreij
i
4 / 23
AHP (3)
X
Calificación global de Tj = wi × scoreij
i
Calificación global de T1 =
0,5115(0,571) + 0,0986(0,159) + 0,2433(0,088) + 0,1466(0,069) = 0,339
Calificación global de T2 =
0,5115(0,286) + 0,0986(0,252) + 0,2433(0,669) + 0,1466(0,426) = 0,396
Calificación global de T3 =
0,5115(0,143) + 0,0986(0,589) + 0,2433(0,243) + 0,1466(0,506) = 0,265
5 / 23
Determinación de los scores
Si se tienen n alternativas de donde decidir y m criterios, es posible construir una matriz
de comparación Acriterio = [aij ] de n × n por cada m.
Esta matriz representa qué tan importante una alternativa es respecto a otra. Para esto
AHP utiliza una escala discreta del 1 − 9, por ejemplo:
7 / 23
Determinación de los scores (3)
Similarmente:
T1 T2 T3
T1 1 1/7 1/3
AAT = 7 1 3 =⇒ NAT =⇒ scoreAT = [0,088, 0,669, 0,243]
T2
T3 3 1/3 1
T1 T2 T3
T1 1 1/4 1/7
APV = 4 1 2 =⇒ NPV =⇒ scorePV = [0,069, 0,426, 0,506]
T2
T3 7 2 1
8 / 23
Determinación de las ponderaciones w ’s
El procedimiento descrito para la estimación de los scores se aplica para la determinación
de los pesos w ’s (el vector de ponderaciones de los criterios).
En nuestro ejemplo:
SA UT AT PV
SA 1 5 2 4
1/5 1 1/2 1/2
UT
A= =⇒
1/2 2 1 2
AT
PV 1/4 2 1/2 1
SA UT AT PV
SA 0,5128 0,5000 0,5000 0,5333
0,1026 0,1000 0,1250 0,0667
UT
NA =
0,2564 0,2000 0,2500 0,2667
AT
PV 0,1282 0,2000 0,1250 0,1333
Las matrices de comparación son basadas en el criterio personal de quien las elabora, y
por ende un grado de inconsistencia es esperado.
Por ejemplo en:
SA UT AT PV
SA 1 5 2 4
1/5 1 1/2 1/2
UT
A=
1/2 2 1 2
AT
PV 1/4 2 1/2 1
Daniela considera que SA es 2 veces más importante que AT y que AT es 2 veces más
importante que UT , por lo tanto, si sus asignaciones de preferencia son consistentes,
deberı́a ocurrir que SA sea para ella 4 veces más importe que UT . Sin embargo, esto no
ocurre, SA, es para ella, 5 veces más importante que UT . La matriz A es inconsistente.
10 / 23
Consistencia de las matrices de comparación (2)
T1 T2 T3 T1 T2 T3
T1 1 2 4 T1 0,571 0,571 0,571
ASA = 1/2 1 2 =⇒ NSA = 0,286 0,286 0,286
T2 T2
T3 1/4 1/2 1 T3 0,143 0,143 0,143
11 / 23
Consistencia de las matrices de comparación (3)
Lo anterior implica que una matriz de comparación consistente siempre cumple que:
Aw = nw
Porque:
w1 w1 w1
w1 w2
... wn
w1 nw1 w1
w2 w2
... w2
w nw w
w1 w2 wn 2 2 2
= = n
.. .. .. .. .. .. ..
.
. . . .
. .
wn wn wn
w1 w2
... wn
wn nwn wn
Si la matriz de comparación no es consistente, esta relación se aproxima utilizando el
promedio de las filas de la matriz normalizada y obteniendo un escalar nmax , el cual se
espera no sea muy alejado a n para concluir que la matriz de comparación no es muy
inconsistente:
"P P P #T
j n1j j n2j j nnj
Aw = nmax w , donde w = , ,...,
n n n
P
Desde que i w i = 1, no es difı́cil verificar que nmax es igual a la suma de los
componentes del vector Aw .
12 / 23
Consistencia de las matrices de comparación (4)
1 Calcule nmax .
nmax − n
2 Calcule el ı́ndice de consistencia, CI = .
n−1
1,98(n − 2)
3 Calcule el ı́ndice aleatorio e consistencia, RI = . (RI se determina de
n
forma empı́rica como el promedio de CI en una muestra grande de matrices de
comparación A generadas de forma aleatoria).
CI
4 Calcule la relación de consistencia CR = .
RI
5 Si CR ≤ 0,1, el nivel de incosistencia puede aceptarse. Caso contrario hay que
modificar la matriz A.
Más información puede encontrarsre en: Saaty, T. ‘’The Analytic Hierarchy Process”.
Pittsburgh, Pa.: 1988.
13 / 23
Consistencia de las matrices de comparación (5)
SA UT AT PV
SA 1 5 2 4 0,5115 2,0775
1/5 1 1/2 1/2 0,0986 0,3959
UT
Aw = =
1/2 2 1 2 0,2433 0,9894
AT
PV 1/4 2 1/2 1 0,1466 0,5933
14 / 23
Toma de decisiones bajo incertidumbre
Supongamos que vamos a tomar decisiones bajo incertidumbre (las situaciones o posibles
eventos pueden describirse mediante funciones de probabilidad).
15 / 23
Un ejemplo de toma de decisiones bajo incertidumbre
Example
Newspaper vendor Un vendedor de periódicos desea determinar cuántos unidades de
periódicos ordenar a su proveedor. El vendedor paga $0,20 por cada unidad y los vende a
un valor de $0,25. Periódicos que no son vendidos al final del dı́a no tienen valor. El
vendedor sabe además que cada dı́a puede vender entre 6 y 10 periódicos, con igual
probabilidad.
Aquı́ el estado de la naturaleza es dado por lo que puede suceder, en este caso, la
demanda, y por lo tanto S = { 6, 7, 8, 9, 10 }. Se sabe también que
p6 = p7 = p8 = p9 = p10 = 1/5. El vendedor eligirá una acción (número de periódicos a
ordenar cada dı́a) dentro del conjunto A = { 6, 7, 8, 9, 10 }. Además:
rij = 0,25i − 0,20i = 0,05i para i ≤ j
rij = 0,25j − 0,20i para i ≥ j
16 / 23
Criterios de decisión
17 / 23
Criterios de decisión (ejemplo resuelto: VE, Maximin, Maximax y Minimax
Regret)
18 / 23
Teorema de Bayes
A las P(Ei )’s se las conoce como probabilidades apriori y a las P(E |Ei ) como la
varosimilitud (likelihood) de E dado el estado de la naturaleza Ei .
Example
Una compañı́a produce chips de memoria en lotes de 10 unidades. De experiencia pasada,
la compañı́a sabe que 80 % de todos los lotes contienen 10 % (1 de 10) de chips
defectuosos y 20 % de todos los lotes contienen 50 % (5 de 10) de chips defectuosos. Si
un buen lote (10 % de defectuosos) de chips es enviado a la siguiente etapa de
producción, se incurre en un costo de procesamiento de $1000, y si un mal lote (50 % de
defectuosos) es enviado a la siguiente etapa de producción, se incurre en un costo de
$4000. La compañı́a también tiene la alternativa de re-trabajar el lote a un costo de
$1000, lo que producirá un buen lote. Además, para un costo de $100. la compañı́a
puede probar un chip de cada lote en un intento de determinar si el lote es bueno o malo.
Determine como la compañı́a puede minimizar el costo total esperado por lote.
20 / 23
Arboles de decisión (2)
21 / 23
Arboles de decisión (3)
22 / 23