Capitulo 3 - 2008

Capitulo 3. Anlisis de decisiones con informacin muestral.
Dr. Csar Haro Daz

81

Captulo 3

ANLISIS DE DECISIONES CON INFORMACION MUESTRAL

3.1. Introduccin.

Al aplicar el enfoque del valor esperado, hemos mostrado cmo afecta la
informacin de probabilidad acerca de los estados de la naturaleza, los clculos del
valor esperado y, por tanto, la recomendacin de decisin. A menudo, los tomadores
de decisiones tienen evaluaciones preliminares o de probabilidad previa (a priori)
para los estados de la naturaleza que son los mejores valores de probabilidad
disponibles en ese momento. Sin embargo, para tomar la mejor decisin posible, el
tomador de decisiones puede desear buscar informacin adicional sobre los estados
de la naturaleza. Esta nueva informacin puede emplearse para revisar o actualizar
las probabilidades previas de modo que la decisin final se base en probabilidades
ms precisas. Con ms frecuencia, la informacin adicional se obtiene mediante
experimentos diseados para dar informacin muestral acerca de los estados de la
naturaleza. El muestreo de materia primas, el examen de productos y los estudios de
investigacin de mercados son ejemplos de experimentos (o estudios) que pueden
permitir a la administracin revisar o actualizar las probabilidades de los estados de
la naturaleza. Estas probabilidades revisadas se llaman probabilidades posteriores o
a posteriori.

3.2. Anlisis Posterior.

En el anlisis posterior, el tomador de decisiones debe:
1. Establecer una distribucin de probabilidades para la variable aleatoria de estado;
2. Tomar una muestra o efectuar un experimento y observar el resultado o los
resultados;
3. Revisar la distribucin de probabilidades anterior en una distribucin posterior,
sobre la base de la informacin adicional reunida, usando el teorema de Bayes;
4. Aplicar la estrategia bayesiana a la distribucin posterior para la eleccin de la
alterna de decisin ptima, que es la alternativa con el mximo pago (ganancia)
esperado o la mnima prdida (costo) esperada.

3.2.1. Probabilidades a posteriori.

Ahora en trminos generales, sea:

n = nmero posible de estados de la naturaleza;
P(Estado = estado j) = probabilidad a priori de que el estado de la naturaleza
verdadero sea el estado j, para j = 1, 2, .., n.
Resultado = resultado de la experimentacin o estudio de investigacin
(una variable aleatoria)
Resultado i = un valor posible del resultado de la experimentacin
P(Estado = estado j / Resultado = resultado i) = probabilidad a posteriori de que
el estado de la naturaleza
Dr. Csar Haro Daz
82

verdadero sea el estado j, dado
que Resultado = resultado i,
para j = 1, 2, , n.

La pregunta que se hace en este momento es la siguiente:

Dados P(Estado = estado j) y P(Resultado = resultado i / Estado = estado j), para
j = 1, 2,, n, cul es el valor de P(Estado = estado j / Resultado = resultado i)?

La respuesta se obtiene con la combinacin de las siguientes frmulas estndar de
teora de probabilidad:

i) resultado o P(Resultad
i) resultado Resultado j, estado P(Estado
i) resultado Resultado / j estado P(Estado
=
= =
= = =
=
= = = =
n
1 k
i) resultado Resultado k, estado P(Estado i) resultado o P(Resultad

P(Estado = estado j , Resultado = resultado i) = P(Resultado

=

resultado

i

/Estado

=

estado j)
P(Estado = estado j)

Por lo tanto, para cada j =1, 2,, n, la frmula deseada para la probabilidad a
posteriori correspondiente es:

=
= = =
= = =
= = =
n
1 k
k) estado Estado / i resultado o P(Resultad k) estado P(Estado
j) estado estado / i resultado o P(Resultad ) j estado P(Estado
i) resultado Resultado / j estado P(Estado

Esta frmula con frecuencia se conoce como teorema de Bayes porque fue
desarrollada por Thomas Bayes, el mismo matemtico del siglo XVII a quien se da
crdito por desarrollar la regla de decisin de Bayes.

Una vez completos estos clculos, se puede aplicar la regla de decisin de Bayes
igual que antes, donde las probabilidades a posteriori sustituyen a las probabilidades
a priori.

Dr. Csar Haro Daz
83

3.2.2. Continuacin del ejemplo con respecto al problema de Pittsburg
Development Corporation (PDC)

Regresemos al problema de Pittsburg Development Corporation (PDC) que compr
unos terrenos en los que se construir un nuevo complejo de condominios de lujo,
visto en el capitulo 2.

PDC es optimista respecto al potencial para el complejo de condominios de lujo.
Suponga que este optimismo conduce a una evaluacin de probabilidad subjetiva
inicial de 0.8 de que la demanda ser fuerte (
1
) y una probabilidad correspondiente
de 0.2 de que la demanda ser dbil (
2
). Por tanto, la distribucin anterior para los
dos niveles de demanda es como sigue:

1
= Demanda fuerte con 8 . 0 ) P(
1
= ;
2
= Demanda dbil con 2 . 0 ) P(
2
= .

Para esta situacin de decisin las tres alternativas de decisin posibles son:

d
1
= construir un complejo pequeo con 30 condominios;
d
2
= construir un complejo mediano con 60 condominios;
d
3
= construir un complejo grande con 90 condominios.

La tabla 3.1 muestra las ganancias expresadas en millones de dlares para todas las
combinaciones de las alternativas de decisin y los estados de la naturaleza.

Tabla 3.1. Ganancias (en millones de dlares) para el proyecto de condominios de PDC.

Alternativas de
decisin
(acciones)

Estados de la naturaleza

1
= Demanda fuerte.
8 . 0 ) P(
1
=

2
= Demanda dbil
2 . 0 ) P(
2
=

d
1
= complejo pequeo
con 30 condominios.

8

7
d
2
= complejo mediano
con 60 condominios

14

5
d
3
= complejo grande
con 90 condominios

20

- 9

Si ha de tomarse una decisin terminal con la presente informacin, calculamos el
valor del pago (ganancia) esperado para cada una de las tres alternativas de decisin
como sigue:
7.8 0.2(7) 0.8(8) ) GE(d
1
= + =
2 12. 0.2(5) 0.8(14) ) GE(d
2
= + =
2 . 4 1 0.2(-9) 0.8(20) ) GE(d
3
= + =
-

Dr. Csar Haro Daz
84

Por tanto, encontramos que el complejo de condominios grande, con un pago o
ganancia esperada de $14.2 millones, es la decisin recomendada.

Para esta alternativa de decisin ptima, el valor esperado de la informacin perfecta,
o prdida de oportunidad esperada, resulto ser:

| | 2 . 3 $ 2 . 14 4 . 17 2 . 14 ) 7 ( 2 . 0 ) 20 ( 8 . 0 VEsIP VEcIP VEIP = = + = =

En otras palabras, $3.2 millones representa el valor esperado adicional que podra
obtenerse si se dispusiera de informacin perfecta acerca de los estados de la
naturaleza.

En vista de este valor bastante grande de VEIP

=

$3.2 millones, podra estar
justificado un anlisis posterior. Informacin adicional por un anlisis posterior
acerca de los estados de la naturaleza, puede obtenerse en este caso por un estudio de
investigacin de mercado. Si el estudio es bueno, la informacin recopilada podra
valer una porcin considerable de los $3.2 millones.

Supongamos que la administracin de PDC est considerando un estudio de
investigacin de mercados de seis meses para aprender ms sobre la aceptacin
potencial en el mercado del proyecto de condominios de PDC. La administracin
anticipa que el estudio proporcionar uno de los dos resultados siguientes:

1. Informe favorable: una cantidad significativa de los individuos contactados
muestra inters en comprar un condominio PDC.
2. Informe desfavorable: muy pocos de los individuos contactados se interesan
en comprar un condominio PDC.

3.2.3. Diagrama de influencia.

Al introducir la posibilidad de realizar un estudio de investigacin de mercado, el
problema de PDC se vuelve ms complejo. El diagrama de influencia para el
problema de PDC expandido se muestra en la figura 3.1. Observe que los dos nodos
de decisin corresponden al estudio de investigacin y las decisiones acerca del
tamao del complejo. Los dos nodos fortuitos corresponden a los resultados del
estudio de investigacin y a la demanda para los condominios. Y, por ltimo, el nodo
de consecuencia es la ganancia. De los arcos del diagrama de influencia, vemos que
la demanda influye tanto los resultados del estudio de investigacin como la
ganancia. Aunque PDC desconoce en la actualidad la demanda, ya hay un nivel de
demanda para los condominios en el rea de Pittsburg. Si la demanda existente es
fuerte, es probable que el estudio encuentre un nmero significativo de individuos
que expresen un inters en comprar un condominio. Sin embargo, si la demanda
existente es dbil, es ms probable que el estudio localice un nmero significativo de
individuos que expresen poco inters en comprar un condominio. En este sentido, la
demanda existente para los condominios influir en los resultados del estudio de
investigacin y, con toda evidencia, la demanda tendr una influencia en la ganancia
de PDC.

Dr. Csar Haro Daz
85

Figura 3.1. Diagrama de influencia para el problema de PDC con informacin
muestral.

El arco del nodo de decisin del estudio de investigacin al nodo de decisin del
tamao del complejo indica que la decisin del estudio de investigacin precede a la
decisin del tamao del complejo. Ningn arco se extiende desde el nodo de decisin
del estudio de investigacin al nodo de resultados del estudio debido a que la
decisin de realizarlo en realidad no influye en los propios resultados. La decisin de
realizar el estudio hace que se disponga de los resultados de dicho trabajo, pero no
influye en los resultados mismos. Por ltimo, tanto el nodo de tamao del complejo
como el nodo de demanda influyen en la ganancia. Observe que si el estudio tiene un
costo, la decisin de realizarlo tambin influira en la ganancia. En tal caso,
necesitaramos agregar un arco del nodo de decisin del estudio al nodo de ganancia
para mostrar la influencia que el costo del estudio tendra en la utilidad.

3.2.4. rbol de decisin.

En esta seccin mostramos cmo puede usarse el teorema de Bayes, para calcular
las probabilidades de rama para los rboles de decisin.

El rbol de decisin para el problema de PDC con informacin muestral presenta la
secuencia lgica para las decisiones y los eventos fortuitos en la figura 3.2.

Despus, para revisar las probabilidades anteriores, dado el resultado de un estudio o
de una prueba, necesitamos una descripcin de la fidelidad prevista de las
indicaciones de la prueba. El anlisis de decisin y la eleccin de una estrategia
ptima requieren que conozcamos las probabilidades de las ramas correspondientes a
todos los nodos fortuitos. PDC ha elaborado las siguientes probabilidades de rama.

Estudio de
investigacin
Tamao del
complejo

Resultados
del estudio de
investigacin

Ganancia
Demanda
Dr. Csar Haro Daz
86

Fuerte (
1
)
8
Pequeo (d
1
) P(
1
/ F) = 0.94

Dbil (
2
)
7
P(
2
/ F) = 0.06

Informe Fuerte (
1
)
favorable 14
P(F) = 0.77 Mediano (d
2
) P(
1
/ F) = 0.94

Dbil (
2
)
5
P(
2
/ F) = 0.06

Fuerte (
1
)
20
Grande (d
3
) P(
1
/ F) = 0.94
Estudio de
investigacin Dbil (
2
)
de mercados - 9
P(
2
/ F) = 0.06

Fuerte (
1
)
8
Pequeo (d
1
) P(
1
/ U) = 0.35

Dbil (
2
)
7
P(
2
/ U) = 0.65

Fuerte (
1
)
Informe 14
desfavorable Mediano (d
2
) P(
1
/ U) = 0.35
P(U) = 0.23
Dbil (
2
)
5
P(
2
/ U) = 0.65

Fuerte (
1
)
20
Grande (d
3
) P(
1
/ U) = 0.35

Dbil (
2
)
- 9
P(
2
/ U) = 0.65

Fuerte (
1
)
8
Pequeo (d
1
) P(
1
) = 0.80

Dbil (
2
)
7
P(
2
) = 0.20

Fuerte (
1
)
Sin estudios de investigacin 14
de mercados Mediano (d
2
) P(
1
) = 0.80

Dbil (
2
)
5
P(
2
) = 0.20

Fuerte (
1
)
20
Grande (d
3
) P(
1
) = 0.80

Dbil (
2
)
- 9
Figura 3.2. rbol de decisin de PDC P(
2
) = 0.20
6

3
7
8
9

4
10
11
12

5
13
14
2

1
Dr. Csar Haro Daz
87

Sea:
F = Informe de investigacin de mercados favorable.
U = Informe de investigacin de mercados desfavorable
1
= Demanda fuerte (estado de la naturaleza 1)
2
= Demanda dbil (estado de la naturaleza 2)

En el nodo fortuito 2, necesitamos conocer las probabilidades de rama P(F) y P(U).
En los nodos fortuitos 6, 7 y 8, necesitamos conocer las probabilidades de rama
P(
1
/F), la probabilidad del estado de la naturaleza 1 dado un informe de
investigacin de mercados favorable, y P(
2
/F), la probabilidad del estado de la
naturaleza 2 dado un informe de investigacin de mercados favorable. Se hace
referencia a P(
1
/F) y P(
2
/F) como probabilidades posteriores debido a que son
probabilidades condicionales basadas en el resultado de la informacin muestral. En
los nodos fortuitos 9, 10 y 11, necesitamos conocer las probabilidades de rama
P(
1
/

U) y P(
2
/

U); note que stas tambin son probabilidades posteriores, denotando
las probabilidades de los dos estados de la naturaleza, dado que el informe de
investigacin de mercados sea desfavorable. Por ltimo, en los nodos fortuitos 12, 13
y 14 necesitamos las probabilidades para los estados de la naturaleza, ) P(
1
y ) P(
2
,
si no se realiza el estudio de investigacin de mercados.

Al hacer los clculos de probabilidad, necesitamos conocer la evaluacin de PDC de
las probabilidades para los dos estados de la naturaleza, ) P(
1
y ) P(
2
las cuales son
las probabilidades previas como se expuso antes. Adems, debemos conocer la
probabilidad condicional de los resultados de la investigacin de mercados (la
informacin muestral) dado cada estado de la naturaleza.
Por ejemplo, necesitamos conocer la probabilidad condicional de un informe de
investigacin de mercados favorable, dado que el estado de la naturaleza sea una
demanda fuerte para el proyecto de PDC; note que esta probabilidad de F dado el
estado de la naturaleza
1
se escribe P(F/
1
). Para realizar los clculos de
probabilidad, necesitaremos probabilidades condicionales para todos los resultados
muestrales, dados todos los estados de la naturaleza, es decir, P(F/
1
), P(F/
2
),
P(U/
1
) y P(U/
2
). En el problema de PDC, asumimos que las siguientes
evaluaciones estn disponibles para estas probabilidades condicionales.

Estado de la naturaleza

Investigacin de mercados

Favorable, F

Desfavorable, U

Demanda fuerte,
1

P(F

/

1
) = 0.90

P(U

/

1
) = 0.10

Demanda dbil,
2

P(F

/

2
) = 0.25

P(U

/

2
) = 0.75

Observe que las evaluaciones de probabilidad precedentes proporcionan un grado
razonable de confianza en el estudio de investigacin de mercados. Si el estado de la
naturaleza verdadero es
1
, la probabilidad de un informe de investigacin de
mercados favorable es 0.90 y la probabilidad de un informe de investigacin de
mercados desfavorable es 0.10. Si el estado de la naturaleza verdadero es
2,
la
probabilidad de un informe de investigacin de mercados favorable es 0.25 y la
probabilidad de un informe de investigacin de mercados desfavorable es 0.75. La
Dr. Csar Haro Daz
88

razn para una probabilidad de 0.25 de un informe favorable potencialmente
engaoso para el estado de la naturaleza
2
es que cuando algunos compradores
potenciales escuchen por primera vez acerca del nuevo proyecto de condominios, su
entusiasmo puede llevarlos a exagerar su inters real en l. La respuesta favorable
inicial de un comprador potencial puede cambiar rpidamente a un no, gracias
cuando ms tarde se enfrente con la realidad de firmar un contrato de compra y hacer
un pago.

En la siguiente exposicin, presentamos el criterio tabular como un mtodo
conveniente para realizar los clculos de probabilidad. Los clculos para el problema
de PDC basados en un informe de investigacin de mercados favorable (F) se
resumen en la tabla 3.2. Los pasos para elaborar esta tabla son los siguientes:

Paso 1. En la columna 1 se introducen los estados de la naturaleza. En la
columna 2 se introducen las probabilidades previas para los estados de
la naturaleza. En la columna 3 se introducen las probabilidades
condicionales de un informe de investigacin de mercados favorable (F)
dado cada estado de la naturaleza.
Paso 2. En la columna 4 se calculan las probabilidades conjuntas multiplicando
los valores de probabilidad previa en la columna 2 por los
correspondientes valores de probabilidad condicional en la columna 3.
Paso 3. Se suman las probabilidades conjuntas en la columna 4 para obtener la
probabilidad de un informe de investigacin de mercados favorable,
P(F).
Paso 4. Se divide cada probabilidad conjunta en la columna 4 entre P(F) = 0.77
para obtener las probabilidades posteriores o revisadas, P(
1
/

F) y
P(
2
/

F).

Tabla 3.2. Probabilidades de rama para el proyecto de condominio de PDC con base en
un reporte de investigacin de mercados favorable.

Estados de la
naturaleza

Probabilidades
previas

Probabilidades
condicionales

Probabilidades
conjuntas

Probabilidades
Posteriores

j
) P(
j
) / P(F
j
) P(F
j
F) / P(
j

1
0.8 0.90 0.72 0.94
2
0.2 0.25 0.05 0.06
1.0 = P(F) 0.77 1.00

La tabla 3.2 muestra que la probabilidad de obtener un informe de investigacin de
mercados favorable es P(F)

=

0.77. Adems, P(
1
/

F)

=

0.94 y P(
2
/

F)

=

0.06. En
particular, note que un informe de investigacin de mercados favorable producir
una probabilidad posterior o revisada de 0.94 de que la demanda de mercado del
condominio ser fuerte, 1
.

La tabla 3.3 muestra los clculos de las probabilidades de las ramas del problema de
PDC con base en un informe de investigacin de mercados desfavorable. Observe
que la probabilidad de obtener un informe de investigacin de mercados desfavorable
es P(U)

=

0.23. Si efectivamente se obtiene un informe desfavorable, la probabilidad
Dr. Csar Haro Daz
89

posterior de un demanda de mercado fuerte,
1
, es 0.35 y de una demanda de
mercado dbil, 2
, es 0.65.

Tabla 3.3. Probabilidades de rama para el proyecto de condominio de PDC con base en
un reporte de investigacin de mercados desfavorable.

Estados de la
naturaleza

Probabilidades
previas

Probabilidades
condicionales

Probabilidades
conjuntas

Probabilidades
Posteriores

j
) P(
j
) / P(F
j
) P(F
j
F) / P(
j

1
0.8 0.10 0.08 0.35
2
0.2 0.75 0.15 0.65
1.0 = P(U) 0.23 1.00

Las probabilidades de las ramas de las tablas 3.2 y 3.3 se muestran en el rbol de
decisin de PDC en la figura 3.2.

3.2.5. Estrategia de decisin.

La estrategia de decisin es una secuencia de decisiones y consecuencias casuales
donde las decisiones elegidas dependen de los resultados por determinar de los
eventos fortuitos.
El enfoque usado para determinar la estrategia de decisin ptima se basa en una
marcha en sentido inverso por el rbol de decisin empleando la secuencia siguiente:

1. En los nodos fortuitos, calcule el valor esperado multiplicando el resultado al
final de cada rama por las probabilidades de rama correspondientes.
2. En los nodos de decisin, seleccione la rama que conduzca al mejor valor
esperado. Este valor esperado se vuelve el valor esperado en el nodo de
decisin.

Iniciar los clculos de la marcha inversa encontrando los valores esperados en los
nodos fortuitos 6 a 14 da los siguientes resultados:

7.94 0.06(7) 0.94(8) 6) VE(nodo = + =
46 . 13 0.06(5) 0.94(14) 7) VE(nodo = + =
.26 18 0.06(-9) 0.94(20) 8) VE(nodo = + =
7.35 0.65(7) 0.35(8) 9) VE(nodo = + =
15 . 8 0.65(5) 0.35(14) 10) VE(nodo = + =
15 . 1 0.65(-9) 0.35(20) 11) VE(nodo = + =
80 . 7 0.20(7) 0.80(8) 12) VE(nodo = + =
20 . 12 0.20(5) 0.80(14) 13) VE(nodo = + =
20 . 14 0.20(-9) 0.80(20) 14) VE(nodo = + =

La figura 3.3 muestra el rbol de decisin reducido despus de calcular los valores
esperados en estos nodos fortuitos.

Dr. Csar Haro Daz
90

Pequeo (d
1
)

VE = 7.94
Informe
favorable
P(F) = 0.77 Mediano (d
2
)
VE= 13.46

Grande (d
3
)
Estudio de VE= 18.26
investigacin
de mercados

Pequeo (d
1
)
VE= 7.35

Informe
desfavorable Mediano (d
2
)
P(U) = 0.23 VE = 8.15

Grande (d
3
)
VE = 1.15

Pequeo (d
1
)
VE = 7.80

Sin estudios de investigacin
de mercados Mediano (d
2
)
VE = 12.20

Grande (d
3
)
VE = 14.20

Figura 3.3. rbol de decisin de PDC despus de calcular los valores esperados
en los nodos fortuitos 6 al 14.

A continuacin, pase a los nodos de decisin 3, 4 y 5. Para cada uno de stos,
seleccionamos la rama de la alternativa de decisin que conduce al mejor valor
esperado.
Por ejemplo, en el nodo 3 tenemos la opcin de la rama del complejo pequeo con
VE(nodo 6)

=

7.94, la rama del complejo mediano con VE(nodo 7)

=

13.46 y la rama
del complejo grande con VE(nodo 8)

=

18.26. Por tanto, seleccionamos la rama de la
alternativa de decisin del complejo grande y el valor esperado en el nodo 3 se
convierte en VE(nodo 3)

=

18.26.
Para el nodo 4, seleccionamos el mejor valor esperado de los nodos 9, 10 y 11. La
mejor alternativa de decisin es la rama del complejo mediano que proporciona
VE (nodo 4)

=

8.15. Para el nodo 5, seleccionamos el mejor valor esperado de los
nodos 12, 13 y 14. La mejor alternativa de decisin es la rama del complejo grande
6

3
7
8
9

4
10
11
12

5
13
14
2

1
Dr. Csar Haro Daz
91

que brinda VE (nodo 5)

=

14.20. La figura 3.4 muestra el rbol de decisin reducido
despus de elegir las mejores decisiones en los nodos 3, 4 y 5.

Informe
favorable
P(F) = 0.77
VE (d
3
) = 18.46

Estudio de
investigacin
de mercados

Informe
desfavorable
P(U) = 0.23 VE (d
2
) = 8.15

de mercados

VE (d
3
) = 14.20

Figura 3.4. rbol de decisin de PDC despus de elegir las mejores decisiones en los nodos 3, 4 y 5.

El valor esperado en el nodo fortuito 2 puede calcularse ahora como sigue:

15.93 0.23(8.15) ) 0.77(18.26
4) VE(nodo 0.23 3) VE(nodo 0.77 2) VE(nodo
= + =
+ =

Este clculo reduce el rbol de decisin a uno que slo implica las dos ramas de
decisin del nodo 1 (vase la figura 3.5).

Por ltimo, puede tomarse la decisin en el nodo de decisin 1 seleccionamos el
mejor valor esperado de los nodos 2 y 5. Esta accin conduce a la alternativa de
decisin de realizar el estudio de investigacin de mercados, lo que proporciona un
valor esperado global de 15.93.

La decisin ptima para PDC es realizar la investigacin de mercados y luego
implementar la siguiente estrategia de decisin:

Si la investigacin de mercados es favorable, construir el complejo de condominios
grande.

Si la investigacin de mercados es desfavorable, construir el complejo de
condominios mediano.

3

4

5
2
1
Dr. Csar Haro Daz
92

Estudio de investigacin de mercados
VE = 15.93

de mercados
VE = 14.20

Figura 3.5. rbol de decisin de PDC reducido a dos ramas de decisin.

Aplicando el Software Treeplan, para el problema de PDC con informacin muestral
se obtiene el siguiente rbol de decisin como salida:

Figura 3.6. rbol de decisin de PDC, mediante el TreePlan.

5
2
1
Dr. Csar Haro Daz
93

El anlisis del rbol de decisin de PDC describe los mtodos que pueden usarse
para analizar problemas de decisin secuenciales ms complejos. Primero trace un
rbol de decisin consistente de nodos de decisin y fortuitos y ramas que describan
la naturaleza secuencial del problema. Determine las probabilidades para todos los
resultados fortuitos. Luego, trabajando en sentido inverso por el rbol, calcule los
valores esperados en todos los nodos fortuitos y seleccione la mejor rama de decisin
en todos los nodos de decisin. La secuencia de las ramas ptimas determina la
estrategia de decisin ptima para el problema.

3.3. Perfil de riesgo.

La figura 3.7 da un rbol de decisin reducido que muestra slo la secuencia de las
alternativas de decisin y eventos fortuitos para la estrategia de decisin ptima de
PDC. Al poner en prctica la estrategia de decisin ptima, PDC obtendr uno de los
cuatro resultados que se muestran en las ramas terminales del rbol de decisin.
Recuerde que un perfil de riesgo muestra los resultados posibles con sus
probabilidades asociadas. Por tanto, para construir un perfil de riesgo para la
estrategia de decisin ptima necesitamos calcular la probabilidad para cada uno de
los cuatro resultados.

Informe
favorable
P(F) = 0.77
Fuerte (
1
)
20
P(
1
/ F) = 0.94
Estudio de Grande (d
3
)
investigacin
de mercados Dbil (
2
)
- 9

P(
2
/ F) = 0.06

Fuerte (
1
)
Informe 14
desfavorable P(
1
/ U) = 0.35
P(U) = 0.23

Dbil (
2
)
5
P(
2
/ U) = 0.65

Figura 3.7. rbol de decisin de PDC que muestra slo las ramas asociadas con la
estrategia de decisin ptima.

Observe que cada resultado es producto de una secuencia de ramas que conducen del
nodo 1 al resultado. Por ejemplo, el resultado de $20 millones se obtiene siguiendo la
rama superior del nodo 1, la rama superior del nodo 2, la rama inferior del nodo 3 y
la rama superior del nodo 8. La probabilidad de seguir esa secuencia de ramas puede
encontrarse multiplicando las probabilidades para las ramas de los nodos fortuitos en
la secuencia. Por tanto, la probabilidad del resultado de $20 millones es
(0.77)(0.94)

=

0.72. Del mismo modo, las probabilidades para cada uno de los otros
resultados se obtienen multiplicando las probabilidades para las ramas de los nodos

3

4
2
1
8
10
Dr. Csar Haro Daz
94

fortuitos que conducen a los resultados. Al hacerlo, encontramos la probabilidad del
resultado de -$9 millones es (0.77)(0.06)

=

0.05; la probabilidad del resultado de $14
millones es (0.23)(0.35)

=

0.08; y la probabilidad del resultado de 5 millones es
(0.23)(0.65)

=

0.15. La siguiente tabla que muestra la distribucin de probabilidad
para los resultados para la estrategia de decisin ptima de PDC es la representacin
tabular del perfil de riesgo para la estrategia de decisin ptima.

Resultado (millones de dlares)

Probabilidad

-9
5
14
20

0.05
0.15
0.08
0.72

La figura 3.8 proporciona una representacin grfica del perfil de riesgo. Al
comparar las figuras 2.8 (vase capitulo 2) y 3.8 vemos que el perfil de riesgo de
PDC cambia por la estrategia de realizar la investigacin de mercados. De hecho, el
uso del estudio de investigacin de mercados ha disminuido la probabilidad de la
prdida de $9 millones de 0.20 a 0.05. Lo ms probable sera que la administracin
de PDC viera ese cambio como una reduccin significativa en el riesgo asociado con
el proyecto del condominio.

1.0

0.8

0.6

0.4

0.2

-10 0 10 20
Ganancia (en millones de dlares)

Figura 3.8. Perfil de riesgo para el proyecto de condominios de PDC con informacin muestral
mostrando los resultados asociados con la estrategia de decisin ptima.

P
r
o
b
a
b
i
l
i
d
a
d
Dr. Csar Haro Daz
95

El valor esperado de la informacin perfecta proporciona una estimacin de qu tan
costoso es conocer el futuro. Aunque en la mayora de los casos no se puede conocer
el futuro de manera precisa, puede ser de valor llevar a cabo una investigacin de
mercado para obtener algo de informacin adicional acerca del futuro. Pero para
obtener tal informacin cuesta dinero. La administracin de PDC nunca debe pagar
ms de lo que valdra el hecho de tener la informacin perfecta, que es de $3.2
millones de dlares para el problema de PDC. As que, cunto pagara PDC? La
respuesta depende de la confiabilidad de la investigacin del estudio de mercado,
como se describir en la seccin 3.4.

3.4. Valor esperado de la informacin muestral.

El objetivo del estudio de la investigacin de mercados es el de ayudar al
administrador a realizar estimaciones de probabilidad ms precisas. En la seccin,
3.2.5 se estudio la manera en que PDC podra mejorar sus ganancias si se efecta un
estudio de investigacin de mercados. Cunto, entonces, estara dispuesto a pagar
PDC por esta investigacin de mercado? Es decir, cul es el valor esperado por
obtener esta informacin muestral?

En el problema de PDC, la investigacin de mercados es la informacin muestral
usada para determinar la estrategia de decisin ptima. El valor esperado asociado
con el estudio es de $15.93 millones. En la seccin 2.3 (vase capitulo 2) y en la
figura 3.5 mostramos que el mejor valor esperado si no se lleva a cabo el estudio es
$14.20 millones.
Por tanto, podemos concluir que la diferencia, $15.93 - $14.20 = $1.73, es el valor
esperado de la informacin muestral.

Esto significa que la ganancia esperada para PDC aumentar en $1.73 millones, si se
utilizan los resultados del estudio de investigacin de mercados. En otras palabras, el
VEIM

=

$1.73 millones sugiere que PDC debera estar dispuesta a pagar hasta $1.73
millones para realizar la investigacin de mercados.

En general, el valor esperado de la informacin muestral es como sigue:

VEsIM VEcIM VEIM = (3.1)
donde:

VEIM = valor esperado de la informacin muestral
VEcIM = valor esperado con de la informacin muestral acerca de los estados de
la naturaleza.
VEsIM = valor esperado sin de la informacin muestral acerca de los estados de la
naturaleza.

Observe la funcin del valor absoluto en la expresin 3.1. Para problemas de
minimizacin el valor esperado con informacin muestral es menor o igual que el
valor esperado sin informacin muestral. En este caso, VEIM es la magnitud de la
diferencia entre VEcIM y VEsIM; por tanto, al tomar el valor absoluto de la
diferencia como se muestra en la expresin (3.1) podemos manejar los casos tanto de
maximizacin como de minimizacin con esta expresin.
Dr. Csar Haro Daz
96

3.5. Eficiencia de la informacin muestral.

En la seccin 2.3.2 del capitulo 2 mostramos que el valor esperado de informacin
perfecta (VEIP) para el problema de PDC es de $3.2 millones. Nunca anticipamos
que el informe de la investigacin de mercados obtendra informacin perfecta, pero
podemos usar una medida de eficiencia para expresar el valor de la informacin
de la investigacin. Con la informacin perfecta teniendo una estimacin de
eficiencia de 100%, la estimacin de eficiencia E para la informacin muestral se
calcula como sigue:
100
VEIP
VEIM
E = (3.2)

Para el problema de PDC, la eficiencia de la informacin muestral ( E) es:

% 1 . 54 100
2 . 3
73 . 1
100
VEIP
VEIM
E = = =

En otras palabras, la informacin del estudio de investigacin de mercados
proporciona 54.1% del valor que se obtendra de tener la informacin perfecta.

Las estimaciones de eficiencia bajas para la informacin muestral podran conducir al
tomador de decisiones a buscar otros tipos de informacin. Sin embargo, las estimaciones de
eficiencia altas indican que la informacin muestral casi es tan buena como la informacin
perfecta y que fuentes adicionales de informacin no produciran resultados
significativamente mejores.

En el presente capitulo, se ha aprendido cmo el estudio de investigacin de mercado se
utiliza para ayudar a tomar la mejor decisin. Tambin se ha aprendido a determinar cunto
vale esta informacin adicional. Y por ultimo, se ha aprendido a interpretar los resultados de
efectuar el anlisis de decisiones con informacin muestral mediante el Software TreePlan.

3.6. Anlisis Preposterior.

Cuando la informacin adicional ha de ser integrada en un proceso de decisin, la
teora de decisin bayesiana adopta la forma de lo que se llama anlisis preposterior:
que trata de evaluar los posibles efectos en las alternativas de todos los resultados
muestrales posible de cada tamao de muestra factible y luego escoger la funcin de
decisin ptima. Un anlisis preposterior es diseado para responder, antes de tomar
una muestra, a dos preguntas: debe tomarse una muestra en una situacin de
decisin? Si es as, de qu tamao debe ser la muestra? Las respuestas a estas
preguntas se centran en la comparacin entre el valor de la informacin de la muestra
que puede esperarse y el costo de obtener tal informacin.

En la secciones anteriores hemos indicado lo valioso para el tomador de decisiones poder
pagar a lo ms hasta el valor de VEIP por informacin perfecta para eliminar la
incertidumbre con respecto a los estados de la naturaleza. Tambin hemos sealado que
ninguna muestra o ningn estudio de investigacin se podran esperar que diera informacin
perfecta. Para permitirnos calcular el valor de informacin adicional de cualquier fuente, es
importante la nocin de valor esperado de la informacin de la muestra. Esta nocin nos
ayudar a determinar el mejor tamao de muestra en una situacin de decisin dada; lo que
constituye el ncleo central de un anlisis preposterior.

Dr. Csar Haro Daz
97

Los procedimientos de anlisis preposterior a seguir en los problemas de decisin
con cualquier nmero de alternativas de decisin o cualquier nmero de estados, o
con todos ellos, se ilustrar con un ejemplo sencillo en cual solo hay dos alternativas
y cuatro estados de naturaleza.

A Gamma Excavation Company se le ofrece un contrato para excavar sitios para tres
torres de radar que han de ser construidos por la Fuerza Area de Estados Unidos a lo
largo de la costa de Maine por el monto de $10 000. El gerente de Gamma Company
estima que costar $2 200 excavar cada sitio en el que no se encuentre una capa de
roca y $4 000 excavar cada sitio en el que se encuentre una capa de roca. En este
caso, Gamma tiene claramente dos cursos de accin siguientes:

d 1
: aceptar la oferta;
d 2
: rechazar la oferta.

Las funciones de pago (ganancias) por estas dos alternativas de decisin (o actos)
pueden ser determinadas fcilmente a partir de la siguiente expresin (3.3) y se
presentan en las dos ltimas columnas de la tabla 3.4.

j j j
000 4 ) (3 200 2 000 10 ) P( = j = 1, 2, 3, 4. (3.3)

Tabla 3.4. Distribucin anterior y pagos para el problema de excavacin.

Estado: nmero de sitios que
contienen una capa rocosa

) P(
j

Pago (en miles de $)
j

d
1
: aceptar d
2
: rechazar

1
= 0
2
=

1
3
=

2
4
=

3

0.30
0.35
0.20
0.15

$3

400
1

600
-200
-2

000

$0
0
0
0

Gamma Company no est completamente segura de si se encontrar una capa de
roca en cualquiera de los tres sitios, pero puede asignar probabilidades anteriores a
los cuatro estados de naturaleza posibles sobre la base de un conocimiento de la
regin general de los sitios de excavacin, como se indica en las dos primeras
columnas de la tabla 3.4.

Puede observarse que en el anlisis preposterior la eleccin de la alternativa de
decisin (o acto) ptima con el estado de informacin corriente es equivalente a un
proceso de decisin con un tamao de muestra de 0. Esto es, el anlisis anterior
puede llamarse ahora apropiadamente funcin decisin con n = 0. Para nuestro
ejemplo ilustrativo, dado n =
0, tenemos:

240 1 $ ) 15 . 0 )( 2000 ( ) 20 . 0 )( 200 ( ) 35 . 0 ( 600 1 ) 30 . 0 ( 400 3 ) PE(d
1
= + + + =
y
0 $ ) 15 . 0 ( 0 ) 20 . 0 ( 0 ) 35 . 0 ( 0 ) 30 . 0 ( 0 ) PE(d
2
= + + + =

Dr. Csar Haro Daz
98

As, la funcin decisin con n =
0 conduce a la eleccin de d
1
como la alternativa de
decisin ptima.

Para esta alternativa, tenemos:

| |
340 $ 1240 1580
1240 ) 15 . 0 ( 0 ) 20 . 0 ( 0 ) 35 . 0 ( 1600 ) 30 . 0 ( 3400 VEsIP VEcIP VEIP
= =
+ + + = =

que establece el lmite superior para el valor de obtener una informacin adicional.

Con la posibilidad de obtener informacin adicional antes de tomar una decisin
terminal, Gamma Company determina si un sitio dado tiene capa de roca o no por
perforacin experimental a un costo de $150 por sitio. Con esta informacin del
costo, se puede observar que el tamao de muestra ptimo no puede exceder de 2
(esto es 2x150 = $300 < $340).
Una vez determinado los tamaos de muestra factibles, Gamma debe evaluar los
resultados de todos los tamaos de muestra posibles hasta n

=

2.
Para n=1, es decir, si Gamma escoge un sitio aleatoriamente y perfora
experimentalmente, hay dos resultados posibles de muestra:

x
1
: la perforacin indica que no hay capa de roca; x
1
= 0.
x
2
: la perforacin indica que hay una capa de roca; x
2
= 1.

Supongamos que la informacin obtenida de la muestra es absolutamente correcta, a
diferencia del ejemplo anterior de PDC. Podemos revisar las probabilidades
anteriores para cada uno de estos dos resultados posibles. Estas revisiones aparecen
en la tabla 3.5.

Tabla 3.5. Revisin de probabilidades para n = 1 del problema de excavacin.

x
k
j
) p(
j
) / p(x
j k
) P(x
j k
= ) p(
j
) / p(x
j k
) / x p(
k j

x 1

1
= 0
2
=

1
3
=

2
4
=

3

0.30
0.35
0.20
0.15

1
2

/ 3
1 / 3
0

0.30
0.23
0.07
0.00

0.50
0.38
0.12
0.00

1.00

0.60 ) p(x
1
=

1.00

x 2

1
= 0
2
=

1
3
=

2
4
=

3

0.30
0.35
0.20
0.15

0
1

/ 3
2 / 3
1

0.00
0.12
0.13
0.15

0.00
0.30
0.32
0.38

1.00

0.40 ) p(x
2
=

1.00

Deben hacerse dos observaciones acerca de los clculos contenidos en la tabla 3.5.
Primero, las probabilidades son condicionales al estado verdadero. Por ejemplo,
1 ) / p(x
1 1
= , puesto que ninguno de los sitios tiene una capa rocosa, la probabilidad
Dr. Csar Haro Daz
99

de que una perforacin indique que no hay capa rocosa debe ser 1; 3 / 2 ) / p(x
2 1
= ,
la probabilidad de que una perforacin indique que no hay capa rocosa dado que slo
uno de los sitios que tiene capa rocosa debe ser 2 / 3; etc. Despus, los valores de
) p(x
1
y ) p(x
2
forman lo que se llama probabilidades predictivas, puesto que ) p(x
k

se emplea para hacer predicciones sobre resultados de muestra antes de que sean
observados realmente.

Consideremos en este caso, que la muestra aleatoria debe ser tomada sin reposicin.
As, las probabilidades ) / p(x
j k
, son probabilidades obtenidas a partir de una
distribucin hipergeomtrica (con N = 3; n = 1, x

=

0, 1; j = 0, 1, 2, 3).

En efecto, tenemos:

1
1
3
1
3
0
0
0) / 0 p(x ) / p(x
1 1 1 1
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

3
2
1
3
1
2
0
1
1) / 0 p(x ) / p(x
2 1 2 1
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

3
1
1
3
1
1
0
2
2) / 0 p(x ) / p(x
3 1 3 1
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

0
1
3
1
0
0
3
3) / 0 p(x ) / p(x
4 1 4 1
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

0
1
3
1
3
1
0
0) / 1 p(x ) / p(x
1 2 1 2
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

3
1
1
3
0
2
1
1
1) / 1 p(x ) / p(x
1 2 2 2
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =
Dr. Csar Haro Daz
100

3
2
1
3
0
1
1
2
2) / 1 p(x ) / p(x
3 2 3 2
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

1
1
3
0
0
1
3
3) / 1 p(x ) / p(x
4 2 4 2
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

Continuando con nuestro anlisis para n

=

1, a partir de las probabilidades posteriores
o revisadas, tenemos los siguientes pagos esperados condicionales:

284 2 $ ) 0 . 0 )( 2000 ( ) 12 . 0 )( 200 ( ) 38 . 0 ( 600 1 ) 50 . 0 ( 400 3 ) / x PE(d
1 1
= + + + =
0 $ ) / x PE(d
1 2
=

344 $ ) 38 . 0 )( 2000 ( ) 32 . 0 )( 200 ( ) 30 . 0 ( 600 1 ) 0 . 0 ( 400 3 ) / x PE(d
2 1
= + + + =
0 $ ) / x PE(d
2 2
=

Estos clculos indican que si ocurre x 1
, entonces d 1
es la alternativa de decisin
ptima posterior; si ocurre x 2
entonces d
2
es la alternativa ptima posterior.

Ntese que los valores esperados por las alternativas de decisin ptimas posteriores
son condicionales de los mismos resultados y las probabilidades de la muestra
indicarn que p(x
1
) = 0.60 y p(x
2
) = 0.40 son las probabilidades predictivas,
respectivamente. Por lo tanto, el pago (o ganancia) esperado incondicional, al que
llamaremos pago esperado por la funcin de decisin con n

=

1, representado por
PE(1), deben ser los pagos esperados ponderados de las alternativas ptimas
posteriores con probabilidades predictivas como pesos. As, para nuestro ejemplo
ilustrativo, tenemos:

$1370.40 0(0.40) 2284(0.60)
) )p(x /x PE(d ) )p(x /x PE(d PE(1)
2 2 2 1 1 1
= + =
+ =
- -

Podemos observar en nuestro ejemplo que, PE(1) = 1370.40 > PE(0) = 1240, siendo
este ltimo el pago esperado por la alternativa de decisin ptima anterior (obtenida
sin muestreo).
Este resultado indica lo valioso que podra ser perforar experimentalmente un sitio
escogido al azar. El aumento del pago esperado de una funcin decisin con tamao
de muestra n procedente del pago esperado de la alternativa ptima anterior se define
como el valor esperado de informacin de muestra, VEIM (n).

As, en nuestro ejemplo

VEIM(1) = PE(1) PE(0) = PE(1) PE(d
1
) = 1370 1240 = $130.40.

El aumento del pago esperado de n

=

0 a n

=

1 es de $130.40.
Dr. Csar Haro Daz
101

Aunque la informacin de la muestra acta para reducir la incertidumbre inherente a
la variable de estado y, por consiguiente, aumentar el pago esperado de la alternativa
ptima, an no habr ganancia neta por muestreo, a menos que VEIM (n) sea mayor
que el costo de muestreo, C(n). La diferencia entre VEIM(n) y C(n) se llama
ganancia neta esperada del muestreo, GNEM(n), y para nuestro ejemplo ilustrativo:

60 . 19 $ 00 . 150 40 . 130 C(1) VEIM(1) GNEM(1) = = =

que es negativa, lo que indica que una muestra con n

=

1 es antieconmica y no debe
emprenderse. Es importante hacer notar aqu que el valor negativo de GNEM(1) no
excluye la posibilidad de que muestras mayores (n > 1) puedan ser an valiosas.

Para n

=

2, repetimos el procedimiento para el caso de n

=

1. Si Gamma Company
escoge ahora dos sitios al azar para perforar experimentalmente, habra entonces los
siguientes tres resultados muestrales posibles:

x
1
: ninguno de los dos sitios contiene una capa de roca; x
1
= 0.
x
2
: exactamente uno de los dos sitios contiene una capa rocosa; x
2
= 1.
x
3
: ambos sitios contienen capas rocosas; x
3
= 2.

Debe tomarse la muestra con reposicin o sin reposicin? Aqu, otra vez, nuestra
muestra aleatoria deber tomarse sin reposicin, pero a veces pueden tomarse
muestras con reposicin.

Tabla 3.6. Revisin de probabilidades para n = 2 del problema de excavacin.

x
k
j
) p(
j
) / p(x
j k
) P(x
j k
= ) p(
j
) / p(x
j k
) / x p(
k j

x 1

1
= 0
2
=

1
3
=

2
4
=

3

0.30
0.35
0.20
0.15

1
1

/ 3
0
0

0.30
0.12
0.00
0.00

0.71
0.29
0.00
0.00

1.00

0.42 ) p(x
1
=

1.00

x 2

1
= 0
2
=

1
3
=

2
4
=

3

0.30
0.35
0.20
0.15

0
2

/ 3
2 / 3
0

0.00
0.23
0.13
0.00

0.00
0.64
0.36
0.00

1.00

0.36 ) p(x
2
=

1.00

x 3

1
= 0
2
=

1
3
=

2
4
=

3

0.30
0.35
0.20
0.15

0
0
1 / 3
1

0.00
0.00
0.07
0.15

0.00
0.00
0.32
0.68

1.00

0.22 ) p(x
3
=

1.00

Dr. Csar Haro Daz
102

Cuando Gamma conozca con seguridad si un sitio particular tiene una capa rocosa,
es claramente un despilfarro de $150 perforar nuevamente en el mismo sitio.
Utilizaremos nuevamente la Distribucin Hipergeomtrica (con N = 3; n = 2, x

=

0, 1,
2; j = 0, 1, 2, 3), para calcular las probabilidades condicionales ) / p(x
j k
.

1
2
3
2
3
0
0
0) / 0 p(x ) / p(x
1 1 1 1
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

3
1
2
3
2
2
0
1
1) / 0 p(x ) / p(x
2 1 2 1
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

0
2
3
2
1
0
2
2) / 0 p(x ) / p(x
3 1 3 1
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

0
2
3
2
0
0
3
3) / 0 p(x ) / p(x
4 1 4 1
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

0
2
3
2
3
1
0
0) / 1 p(x ) / p(x
1 2 1 2
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

3
2
2
3
1
2
1
1
1) / 1 p(x ) / p(x
2 2 2 2
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

3
2
2
3
1
1
1
2
2) / 1 p(x ) / p(x
3 2 3 2
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

Dr. Csar Haro Daz
103

0
2
3
1
0
1
3
3) / 1 p(x ) / p(x
4 2 4 2
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

0
2
3
2
3
2
0
0) / 2 p(x ) / p(x
1 3 1 3
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

0
2
3
1
2
2
1
1) / 2 p(x ) / p(x
2 2 2 3
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

3
1
2
3
0
1
2
2
2) / 2 p(x ) / p(x
3 2 3 3
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

1
2
3
0
0
2
3
3) / 2 p(x ) / p(x
4 3 4 3
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =

De las probabilidades posteriores de la tabla 3.6, tenemos los siguientes pagos
esperados condicionales para las alternativas de decisin dado cada resultado de
muestra:

878 2 $ ) 0 )( 2000 ( ) 0 )( 200 ( ) 29 . 0 ( 1600 ) 71 . 0 ( 3400 ) / x PE(d
1
*
1
= + + + =
0 $ ) 0 ( 0 ) 0 ( 0 ) 29 . 0 ( 0 ) 71 . 0 ( 0 ) / x PE(d
1 2
= + + + =

952 $ ) 0 )( 2000 ( ) 36 . 0 )( 200 ( ) 64 . 0 ( 1600 ) 0 ( 3400 ) / x PE(d
2
*
1
= + + + =
0 $ ) / x PE(d
2 2
=

424 1 $ ) 68 . 0 )( 2000 ( ) 32 . 0 )( 200 ( ) 0 ( 1600 ) 0 ( 3400 ) / x PE(d
3 1
= + + + =
0 $ ) / x PE(d
3
*
2
=

Si x
1
: ninguna capa rocosa, o x
2
: una capa rocosa, se observa en una muestra de 2
que la alternativa d
1
es ptima.

Si se observa x
3
: dos capas rocosas, la alternativa de decisin d
2
es ptima.

Dr. Csar Haro Daz
104

Con los pagos esperados condicionales por las alternativas ptimas posteriores, el
pago esperado incondicional por la funcin de decisin con n = 2 es:

551.48 $1 ) 22 . 0 ( 0 (0.36) 952 (0.42) 2878
) )p(x / x PE(d ) )p(x / x PE(d ) )p(x / x PE(d PE(2)
3 3
*
2 2 2
*
1 1 1
*
1
= + + =
+ + =

Para funcin de decisin, tenemos:

48 . 311 $ 00 . 1240 48 . 1551 PE(0) PE(2) VEIM(2) = = =

48 . 11 $ ) 150 ( 2 48 . 311 C(2) VEIM(2) GNEM(2) = = =

que resulta ser positiva y por lo tanto n

=

2 es econmicamente valiosa.

Los clculos anteriores muestran que la funcin decisin con n = 2 es mejor que con
n

=

1 porque GNEM(2) >GNEM(1).

Por lo tanto, podemos expresar la regla de decisin ptima para el problema Gamma
como sigue:

Perforar experimentalmente dos sitios escogidos aletoriamente; escoger la alternativa
d
1
: aceptar la oferta, si ninguno o uno de los sitios contiene una capa rocosa; escoger
la alternativa d
2
: rechazar la oferta, si ambos sitios contienen capas rocosas.

3.7. Anlisis Preposterior Generalizado.

El procedimiento del anlisis preposterior visto en la seccin anterior puede ser
aplicado a cualquier problema de decisin cualquier nmero de alternativas de
decisin y cualquier nmero de estados de la naturaleza. Sin embargo, para obtener
una comprensin ms sistemtica de este procedimiento, generalizaremos lo que ha
sido presentado anteriormente.

3.7.1. Procedimiento de anlisis preposterior general para alternativas de
decisin y estados de naturaleza finitos.

Un anlisis preposterior es un estudio que trata de determinar la funcin de decisin
ptima antes de recoger realmente ms informacin.
Este anlisis se inicia con el establecimiento de una distribucin de probabilidades
anteriores para la variable aleatoria de estado de la naturaleza y con una estimacin
del costo de muestreo. Despus, se determina el valor esperado de la informacin
perfecta (o la prdida de oportunidad esperada), por la alternativa de decisin ptima
anterior. Si VEIP

=

LE(d
i
*
)

<

C(n), para todas las muestras n

1, debe tomarse una
decisin terminal con la informacin actual. En otro caso, se podra obtener
informacin adicional antes de tomar una decisin terminal.

Cuando se considere que el muestreo sea posiblemente valioso, empecemos con una
funcin de decisin para n = 1 e incrementar el tamao de n consecutivamente hasta
que se halle el tamao ptimo de la muestra, denotado por n

*
.
Para cada tamao de muestra n el anlisis es el mismo y se considera los siguientes
pasos:
Dr. Csar Haro Daz
105

1. Revise las probabilidades anteriores para todos y cada uno de los resultados
posibles de la muestra para una muestra de tamao n

=

1.

2. Identifique la alternativa de decisin ptima posterior,
*
i
d , para cada resultado
particular de la muestra y calcule su pago esperado condicional como:

=
j
k j ij k
*
i
) / x p( v ) / x PE(d (3.4)
o su prdida de oportunidad esperada condicional como:

=
j
k j ij k
*
i
) / x p( v ) / x LE(d (3.5)

3. Con pagos (o prdidas) esperados condicionales de alternativas de decisin
ptimas posteriores por varios resultados de muestra obtenidos, se determina
el pago (o prdida) esperado incondicional por la funcin de decisin con un
tamao de muestra particular. As, tenemos:

=
k
k k
*
i
) )p(x /x PE(d PE(n) en trminos de pagos (ganancias), (3.6)
o

=
k
k k
*
i
) )p(x /x LE(d LE(n) en trminos de prdidas de oportunidades,
para n = 1, 2, 3, . (3.7)

4. El incremento del pago esperado o la reduccin de la prdida esperada como
resultado del muestreo, comparado con la toma de decisiones sin muestreo
(n

=

0), se llama valor esperado de informacin por muestreo, que se define
como:

PE(0) PE(n) ) PE(d PE(n) VEIM(n)
i
= = en trminos de pagos
(3.8)
o

LE(n) LE(0) LE(n) ) LE(d VEIM(n)
i
= = en trminos de prdidas
de oportunidades, para n = 1, 2, 3, (3.9)

5. A menos que el valor esperado de la informacin por muestreo sea mayor que
el costo de obtener la muestra, el muestreo es una prdida de tiempo y dinero.
La ganancia neta esperada del muestreo es dado por:

C(n) VEIM(n) GNEM(n) = (3.10)

Si GNEM de una muestra propuesta es cero o negativa, no debe tomarse la
muestra.

6. Este proceso se repite incrementado los valores de n hasta que se halle el
tamao ptimo de la muestra. El tamao ptimo de muestra n
*
es aquella n
que maximiza la ganancia neta esperada del muestreo. Es decir:

GNEM(n) ) GNEM(n
*
> para todas las n posibles.

En el caso en el que n
*
= 0, se debe tomar la decisin terminal si ms muestreo.
Dr. Csar Haro Daz
106

3.8. Anlisis preposterior con muestreo Binomial.

3.8.1. El modelo Beta.

Recurdese que la variable aleatoria binomial es el nmero de xitos en n pruebas
Bernoulli independientes con una probabilidad constante de xito p para todas las
pruebas. En ocasiones la probabilidad de xito en el proceso Bernoulli es
desconocido y deseamos estimar su valor. Aqu, siendo p una probabilidad, es capaz
de asumir cualquiera de los valores reales entre 0 y 1. Usando la teora subjetiva de
probabilidad, hallamos el comportamiento aleatorio de esta variable continua p
caracterizado por el modelo de probabilidad beta. La funcin de densidad de
probabilidad beta puede expresarse como sigue:

1 r n 1 r
p) (1 p
1)! r (n 1)! (r
1)! (n
n) , r (p; f

0 p 1 (3.11)

As se define la distribucin beta en funcin de dos parmetros r y n. Estos dos
parmetros pueden considerarse como el nmero de xitos y el nmero de pruebas,
respectivamente, en un proceso binomial.

El valor esperado y la varianza de la distribucin beta son respectivamente:

n
r
E(p) = y
1) (n n
r) r(n
V(p)
2
+
= (3.12)

Para evaluar probabilidades beta, observamos la estrecha relacin que existe con la
distribucin binomial. La FDA de una variable aleatoria beta puede expresarse en
funcin de la FDA de una variable binomial como sigue:

] p , 1) (n ; r [r P n) , r ; p p ( P
B
' ' > = ' ' s
Si p 0.5 (3.13)

)] p - (1 , 1) (n ); r - (n [r P n) , r ; p p ( P
B
' ' < = ' ' s
Si p 0.5 (3.14)

En estas expresiones,
P y
B
P representan las probabilidades acumulativas para las
variables beta y binomial, respectivamente. Obsrvese que p y r representan los
valores especificados particularmente de p y r, respectivamente.

Se puede sealar que las distribuciones beta son capaces de asumir distintas formas
con diferentes valores de n y r. En particular observamos lo siguiente:

1. Si r

=

1 y n

=

1 la distribucin beta es una distribucin rectangular.
2. Si r < 0.5n, la distribucin beta es positiva asimtrica; si r >

0.5n, negativamente
asimtrica.
3. Si r > 1 y si n > 2, la distribucin beta es unimodal, siendo la moda definida como:

2 n
1 r
(p) X
m
=
Dr. Csar Haro Daz
107

Shape(r), Shape (n)
1,1
1,20
5,10
3,8
p
P
(
p
;

r
,

n
)
0 0.2 0.4 0.6 0.8 1
0
1
2
3
4

Figura 3.9. Curvas de densidad beta para valores escogidos de r y n.

3.8.2. Funcin de prdida cuadrtica.

Cuando el tomador de decisiones considera la prdida por hallarse arriba o abajo del
valor de estado como una funcin del error elevado al cuadrado, tenemos lo que se
conoce por funcin de prdida cuadrtica. Esta funcin de prdida se expresa como:

2
) b(d ) L(d, = (3.15)

donde b es una constante mayor que 0. El valor real de b, puede ser determinado
directamente del problema o indirectamente si el tomador de decisiones puede
especificar la cantidad de dinero que est dispuesto a pagar por informacin perfecta
sobre el estado.

Sabiendo que el estimador (o acto) ptimo es la media del estado cuando se emplea
una funcin de prdida cuadrtica, podemos determinar entonces VEIP directamente
tomando la expectativa de la funcin de prdida:

| | ) bV ) b(d E VEIP
2
( = = (3.16)

As, si la densidad anterior de la variable de estado es una distribucin beta con r
0
y
n 0
, tenemos entonces:

| |
1) (n n
) r (n r b
(p) bV VEIP
0
2
0
0 0 0
0
+
= =

3.8.3. El anlisis preposterior con muestreo Binomial.
En el caso de muestreo binomial la variable aleatoria de estado, p, se supone a
menudo que es continua con una funcin de densidad beta. Entonces, la solucin al
problema de decisin gira alrededor del nmero de actos y el tipo de funcin de
prdida. Cuando el nmero de actos o alternativas es infinito y la funcin de prdida
Dr. Csar Haro Daz
108

es de la forma L(d, p) = b(d p)
2
, la alternativa de decisin ptima es aquella cuyo
valor numrico es igual al valor esperado de la variable aleatoria de estado p.
Recurdese que si la ley de probabilidades anteriores de una variable aleatoria de
estado p es una densidad beta con parmetros r
0
y n 0
, y que si la funcin de prdida
es de la forma cuadrtica, entonces:

| |
1) (n n
) r (n r b
(p) bV VEIP
0
2
0
0 0 0
0
+
= =

Si se escoge una muestra aleatoria simple de tamao n de una poblacin binomial
cuya p desconocida se supone que tiene una distribucin anterior beta, entonces el
valor esperado de la informacin de la muestra es dado por:

|
|
.
|
\
|
+
=
|
|
.
|
\
|
+
=
n n
n
VEIP
n n
n
(p) bV VEIM(n)
0 0
0
(3.17)

Esta expresin es muy fcil de aplicar una vez obtenida VEIP. Es tambin una
demostracin evidente del hecho de que VEIM tiene VEIP como su lmite superior.
Observamos aqu que cuando n aumenta, n

/

(n
0
+ n) se aproxima a 1 y VEIM(n) se
aproxima a VEIP.

Volviendo al problema de determinar el tamao ptimo de la muestra, suponemos
que la funcin de costo es C(n) = c
0
+ v(n), donde c 0
es el costo fijo y v es el costo
variable; y as, la ganancia neta esperada del muestreo en este caso debe ser como
sigue:

| | (n) c
n n
n
(p) bV GNEM(n)
0
0
0
v +
|
|
.
|
\
|
+
= (3.18)

El valor mximo de esta funcin, o el tamao ptimo de muestra n
*
, es la siguiente
expresin:

| |
0
0 0
n
n (p) V b
n =
-
v
(3.19)

Esta formula da el tamao ptimo de muestra, de manera que la n
*
obtenida sea tal
que n
*
> 0 y GNEM(n
*
)

>

0; si no se cumple una u otra condicin, el tamao ptimo
de la muestra es 0.

Ejemplo. Los ejecutivos de una red nacional de televisin estn revisando las
posibles proporciones del auditorio total para un nuevo programa propuesto. Los
ejecutivos suponen una funcin de densidad beta anterior con r
0 =

2 y n 0
= 10. Ahora,
supongamos que consideran tambin que la funcin de prdida debe ser
2
p) (d 000 200 p) L(d, = .
Los ejecutivos de la red nacional de televisin desean estimar la parte del auditorio
potencial para un nuevo programa de televisin.

Dr. Csar Haro Daz
109

Solucin.

En estas condiciones tenemos:

0145 . 0
) 1 10 ( 10
) 2 10 ( 2
1) (n n
) r (n r
(p) V
2
0
2
0
0 0 0
0
=
+
=
+
=

Ahora, supongamos que el costo del muestreo se estima que es: C(n) = $100 + $5(n)

Entonces por la expresin (3.19):

66 158 . 66 10
5
0) (0.0145)(1 000 200
n ~ = =
-

Para esta funcin de decisin ptima, a partir de la expresin (3.18), tenemos que la
ganancia neta esperada del muestreo es:

| | 2088 $ 42 . 2088 $ (66) 5 100
66 10
66
) 0145 . 0 ( 000 200 GNEM(66) ~ = +
|
.
|
\
|
+
=

La regla de decisin ptima completa para el programa de televisin es:

Tomar una muestra al azar de n = 66 espectadores y determine el valor esperado
posterior del estado, E
1
(p); sobre la base de E
1
(p), decida si debe ser introducido o
no el programa.

3.9. Anlisis preposterior con muestreo Normal.

Cuando es posible el muestreo normal, a menudo se le prefiere al muestreo binomial,
porque puede obtenerse informacin ms relevante para un problema de decisin.
Por ejemplo, en el control de calidad, el estudio de valores dimensionales, tales como
el dimetro de tubos de hierro o la resistencia a la traccin de alambres de acero, es
claramente ms revelador que la clasificacin de la produccin en categoras
defectuosa y no defectuosa. Nuestro estudio del anlisis preposterior por muestreo
normal se limitar a situaciones de decisin con dos alternativas de decisin,
funciones de pagos lineales y varianzas conocidas. Aunque nuestro inters principal
es por la informacin ptima en este caso, comenzaremos con anlisis posterior por
muestreo normal para comprender mejor los distintos aspectos del anlisis posterior
correspondiente.

3.9.1. Funciones lineales de pagos y prdidas.

En una situacin de decisin en la que solo hay dos actos (alternativas) y en la que la
variable aleatoria de estado es continua, el criterio de decisin bayesiano simplifica
tambin, si las funciones de pago son lineales. Cuando los pagos por resultado de las
dos acciones pueden ser representados por funciones lineales encima del estado ,
estas funciones pueden escribirse:

b c ) , M(d
1 1 1
+ =
b c ) , M(d
2 2 2
+ =
Dr. Csar Haro Daz
110

Se supone que las constantes c
1 < c 2
y b 1
> b
2
. Estas desigualdades aseguran que las
dos funciones de pago se cortan en > 0. Para estas funciones, los pagos esperados
por d
1
y d
2
son:

) E( b c ] b E[c ) PE(d )] , E[M(d
1 1 1 1 1 1
+ = + = =

) E( b c ] b E[c ) PE(d )] , E[M(d
2 2 2 2 2 2
u + = + = =

Si, PE(d 1
)

>

PE(d 2
), d
1
es la alternativa mejor que d
2
, y viceversa. Para simplificar
an ms la decisin, podemos introducir el concepto de valor de punto de
equilibrio de la variable de estado, representado por b
, que es un valor de en el
que el tomador de decisiones se mostrara indiferente entre los dos actos
(alternativas), y que se obtiene igualando las dos funciones de pago definidas
anteriormente:

b 2 2 b 1 1
b c b c + = +

Despejando b
obtenemos:
2 1
1 2
b
b b
c c
= (3.20)

Una vez determinada b
, vemos que mientras el valor esperado del estado E()

sea
mayor que b
, PE(d 1
)

>

PE(d 2
).
De manera anloga, cuando E() < b
, PE(d 1
)

< PE(d 2
), y d
2
seria la alternativa
ptima sobre d
1
.

Lo anterior conduce la conclusin obvia siguiente: Si, escoger d 1
; en otro caso
escoger d 2
.

Esta forma especial del criterio bayesiano tambin puede expresarse en funciones de
prdida. Si las funciones de pago son lineales, las correspondientes funciones de
prdida tambin deben ser lineales. Puesto que la prdida de oportunidad por cada
combinacin de valor de alternativa y estado es la diferencia entre el pago por dicha
alternativa y el pago obtenido por la alternativa ptima, las funciones de prdida
correspondientes a las funciones de pago expresadas antes serian:

>
s
=
b
b b 2 1
1
si , 0
si ), )( b (b
) , L(d

>
s
=
b b 2 1
b
2
si , ) )( b (b
si 0,
) , L(d

La alternativa ptima es escogido entonces sustituyendo por E() y escogiendo la
alternativa para el cual L[d
i
, E()] es la menor.

Es importante mencionar que la forma especial del criterio de decisin bayesiano que
se acaba de establecer es independiente del tipo de la funcin de densidad anterior; la
decisin depende de la comparacin entre E() y b.
Sin embargo, si se supone que la
Dr. Csar Haro Daz
111

densidad anterior para el estado sigue cierta distribucin especial de probabilidad, tal
como la probabilidad de probabilidad beta o normal, entonces el valor esperado de la
informacin perfecta puede ser determinado directamente de formulas establecidas.

Pagos lineales y una variable de estado normal.
Con problemas de dos alternativas, dado que las funciones de pago son lineales y que
la variable aleatoria de estado est normalmente distribuida, el valor esperado de la
informacin perfecta puede calcularse con lo que se llama la integral de prdida
lineal normal unitaria, representada por ) (D L
0 N
. Supongamos que la decisin se
relaciona con una media de poblacin con una varianza conocida
2
, y
supongamos que la distribucin anterior de
X
es ) , N(M
2
0 0
para el estado;
entonces, tenemos:
) (D L b b VEIP
0 N 0 2 1
= (3.21)

donde para el argumento de la integral de prdida lineal normal unitaria tenemos:

0
0 b
0
M
D

= (3.22)

donde
b
representa el valor de punto de equilibrio de . Habiendo determinado D
0

podemos hallar el valor de ) (D L
0 N
de la tabla 3.7.

Consideremos el siguiente ejemplo. Un fabricante ha de decidir si introducir un
nuevo producto (d
1
), o no introducirlo (d
2
). Los costos fijos totales de introducir el
producto se estiman en $8.1 millones. La tasa variable de contribucin a la utilidad,
es decir, el precio de venta menos los costos variables unitarios, se calcula en $3 por
unidad de venta. Segn los registros de ventas anteriores, la empresa industrial tiene
50 000 clientes potenciales para el nuevo. De inters en esta situacin de toma de
decisiones son la distribucin anterior del promedio de ventas por cliente , hecha
por el fabricante, y las funciones de pago de las alternativas (o actos) son como
sigue:

000 50 1 000 100 8 000) 50 ( 3 000 100 8 ) , M(d
1
+ = + =

0 ) , M(d
2
=

Con estas funciones de pago, tenemos el promedio de punto de equilibrio de las
ventas como:
54
0 000 150
000) 100 8 ( 0
b
=

=

As, el valor esperado por el tomador de decisiones para la distribucin anterior de
es mayor de 54, entonces la alternativa de decisin d 1
, introducir el nuevo producto
seria la ptima.

Las funciones de prdida, en este caso, son:

Dr. Csar Haro Daz
112

>
s
=
4 5 si , 0
54 si , ) - 000(54 150
) , L(d
1

>
s
=
4 5 si , ) 000(54 50 1
4 5 si 0,
) , L(d
2

Tabla 3.7. Funcin de prdida normal unitaria.

El valor L
N
(D)es la prdida de oportunidad esperada (o VEIP) para una
funcin de prdida lineal con pendiente uno y una distribucin normal
unitaria. El valor D representa la posicin relativa del punto de
equilibrio.

Cuando se usa L
N
(D) para una distribucin normal general, el valor D
representa la desviacin del punto de equilibrio X b
con relacin a la media
expresada en desviacin estndar,, unidades.

Ahora supongamos que el fabricante puede establecer una funcin de densidad
anterior normal para el promedio de ventas con M 0 = 60 y 0 = 4; entonces claramente
d 1
es la alternativa ptima y, para esta alternativa, tenemos:

000 900 $ 000(60) 150 000 100 -8 ) PE(d
1
= + =
D .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

0.0 0.3989 0.3940 0.3980 0.3841 0.3793 0.3744 0.3697 0.3649 0.3602 0.3556
0.1 0.3509 0.3464 0.3418 0.3373 0.3328 0.3284 0.3240 0.3197 0.3154 0.3111
0.2 0.3069 0.3027 0.2986 0.2944 0.2904 0.2863 0.2824 0.2784 0.2745 0.2706
0.3 0.2668 0.2630 0.2592 0.2555 0.2518 0.2481 0.2445 0.2409 0.2374 0.2339
0.4 0.2304 0.2270 0.2236 0.2203 0.2169 0.2137 0.2104 0.2072 0.2040 0.2009
0.5 0.1978 0.1947 0.1917 0.1887 0.1857 0.1828 0.1799 0.1771 0.1742 0.1714
0.6 0.1687 0.1659 0.1633 0.1606 0.1580 0.1554 0.1528 0.1503 0.1478 0.1453
0.7 0.1429 0.1405 0.1381 0.1358 0.1334 0.1312 0.1289 0.1267 0.1245 0.1223
0.8 0.1202 0.1181 0.1160 0.1140 0.1120 0.1100 0.1080 0.1061 0.1042 0.1023
0.9 0.1004 0.09860 0.09680 0.09503 0.09328 0.09156 0.08986 0.08819 0.08654 0.08491
1.0 0.08332 0.08174 0.08019 0.07866 0.07716 0.07568 0.07422 0.07279 0.07138 0.06999
1.1 0.06862 0.06727 0.06595 0.06465 0.06336 0.06210 0.06086 0.05964 0.05844 0.05726
1.2 0.05610 0.05496 0.06595 0.06465 0.06336 0.06210 0.06086 0.05964 0.05844 0.05726
1.3 0.04553 0.04457 0.04363 0.04270 0.04179 0.04090 0.04002 0.03916 0.03831 0.03748
1.4 0.03667 0.03587 0.03508 0.03431 0.03356 0.03281 0.03208 0.03137 0.03067 0.02998
1.5 0.02931 0.02865 0.02800 0.03736 0.02674 0.02612 0.02552 0.02494 0.02436 0.02380
1.6 0.02324 0.02270 0.02217 0.02165 0.02114 0.02064 0.02015 0.01967 0.01920 0.01874
1.7 0.01829 0.01785 0.01742 0.01699 0.01658 0.01617 0.01578 0.01539 0.01501 0.01464
1.8 0.01428 0.01392 0.01357 0.01323 0.01290 0.01257 0.01226 0.01195 0.01164 0.01134
1.9 0.01105 0.01077 0.01049 0.01022 0.009957 0.009698 0.009445 0.009198 0.008957 0.008721
2.0 0.008491 0.008266 0.008046 0.007832 0.007625 0.007418 0.007219 0.007024 0.006835 0.006649
2.1 0.006468 0.006292 0.006120 0.005952 0.005788 0.005628 0.005472 0.005320 0.005172 0.005028
2.2 0.004887 0.004750 0.004616 0.004486 0.004358 0.004235 0.004114 0.003996 0.003882 0.003770
2.3 0.003662 0.003556 0.003453 0.003352 0.003255 0.003159 0.003067 0.002977 0.002889 0.002804
2.4 0.002720 0.002640 0.002561 0.002484 0.002410 0.002337 0.002267 0.002199 0.002132 0.002067
2.5 0.002005 0.001943 0.001883 0.001826 0.001769 0.001715 0.001662 0.001610 0.001560 0.001511
3.0 0.0
3

6468 0.0
3

3689 0.0
3

3560 0.0
3

3436 0.0
3

3316 0.0
3

3199 0.0
3

3087 0.0
3

2978 0.0
3

2873 0.0
3

2771
3.5 0.0
4

5848 0.0
4

5620 0.0
4

5400 0.0
4

5188 0.0
4

4984 0.0
4

4788 0.0
4

4599 0.0
4

4417 0.0
4

4242 0.0
4

4073
4.0 0.0
5

7145 0.0
5

6835 0.0
5

6538 0.0
5

6253 0.0
5

5980 0.0
5

5718 0.0
5
5468 0.0
5

5227 0.0
5

4997 0.0
5

4777

Dr. Csar Haro Daz
113

Para determinar el valor esperado de la informacin perfecta para d 1
*
, observamos
primero que:

000 150 b b
2 1
= , M 0 = 60 y 0 = 4

50 . 1
4
60 54
M
D
0
0 b
0
=
=

02931 . 0 (1.50) L ) (D L
N 0 N
= =

Luego, 586 17 $ 2931) 000(4)(0.0 150 ) (D L b b VEIP
0 N 0 2 1
= = =

Si el fabricante puede demorar su decisin y si puede obtenerse un predictor
perfecto, debe estar dispuesto a pagar hasta $ 17586 por ella.

Pagos lineales y una variable de estado beta.
En un problema de dos alternativas de decisin con pagos lineales, si la variable
aleatoria de estado p, es el parmetro Bernoulli, las funciones de pago pueden
expresarse como:

p b c p) , M(d
1 1 1
+ =
p b c p) , M(d
2 2 2
+ =

Como antes, se supone aqu que c
1 < c 2
y b 1
> b
2
. De estas funciones de pagos, el
valor de punto de equilibrio de p sera:
2 1
1 2
b
b b
c c
p
= (3.23)

Si el tomador de decisiones desea escoger la alternativa a priori, entonces d
1
es
ptima cuando E(p) > p
0
y d
2
es ptima cuando E(p) < p 0
. Si se supone que la
densidad anterior es una funcin beta con parmetro r 0
y n 0
, entonces, el valor
esperado de la informacin perfecta puede calcularse con las siguientes expresiones:

)] n , r ; p (p P p 1) n 1, r ; p (p )[E(p)P b (b VEIP
0 0 b b 0 0 b 2 1
> + + > =

, si E(p) p
b

1)] n 1, r ; p (p P E(p) - ) n , r ; p (p P )[p b (b VEIP
0 0 b 0 0 b b 2 1
+ + < < =

, si E(p) > p
b

Anlisis posterior.
El caso ilustrativo que utilizaremos ser el ejemplo anterior expuesto en la seccin
3.9.1. Recordar que el anlisis posterior para el ejemplo del nuevo producto fue
evaluado suponiendo que la funcin de densidad anterior para las ventas medias por
cliente es normal con media M 0
= 60 y varianza 16
2
0
= o . Adems, las funciones de
pago para las dos alternativas de decisin:

d
1
: Introducir el nuevo producto
d
2
: Abandonar el producto
Dr. Csar Haro Daz
114

se estima que son de formas lineales siguientes:

000 150 000 100 8 ) , M(d
1
+ =

0 ) , M(d
2
=

De estas funciones de pagos, se determina que el valor medio de punto de equilibrio
es 54
b
= . Puesto que M 0 >
b
, d
1
es la alternativa de decisin ptima anterior, y
para esta alternativa ptima, tenemos:

000 $900 000(60) 150 000 100 8 ) PE(d
1
= + =

586 17 $ 2931) 000(4)(0.0 150 ) (D L b b VEIP
0 N 0 2 1
= = =

El procedimiento de anlisis posterior para problemas de dos alternativas de decisin
con muestreo normal y funciones de pagos lineales es exactamente igual que el del
anlisis anterior, excepto que la eleccin de la alternativa posterior se basa en la
media (posterior) revisada y que el valor esperado posterior de informacin perfecta
se calcula con los parmetros posteriores M 1
y 1
.

Supngase, que al efectuar un anlisis posterior, el fabricante ha producido y enviado
algunas unidades de muestra del nuevo producto a 80 de sus 50 000 clientes
potenciales, escogidos aleatoriamente, con los siguientes resultados:

57 x = , s
2
= 320, 4 80 / 320
2
x
= =

Como n es bastante grande, podemos tratar a
2
x
o como si fuera
2
x
o . Ahora, puesto
que la media observada de la muestra es mayor que
b
, sabemos que la alternativa
ptima es todava d
1
. Pero, para hacer un anlisis posterior completo, debemos
determinar tambin la densidad posterior para
x
, que es normal y se define por:

6 . 57
4 16
) 16 ( 57 ) 4 ( 60

x M
M
2
x
2
0
2
0
2
x 0
1
=
+
+
=
+
+
=
2 . 3
4 16
) 4 )( 16 (

2
x
2
0
2
x
2
0 2
1
=
+
=
+
=

7889 . 1 2 . 3
1
= = o

Dados estos parmetros posteriores, tenemos el pago esperado posterior por la
alternativa ptima y el valor esperado posterior de informacin perfecta como sigue:

000 $540 000(57.6) 150 000 100 8 PE(80) ) PE(d
*
1
= + = =
218 2 $ ) )(0.008266 000(1.7889 150 ) (D L b b VEIP
1 N 1 2 1 1
= = = (3.24)

Dr. Csar Haro Daz
115

Obsrvese la similitud entre las formulas para VEIP y VEIP
1
. Tambin obsrvese
que en la expresin (3.24), el valor de D
1
en la integral prdida de L
N
se obtiene de
la siguiente manera:

01 . 2
7889 . 1
6 . 57 54
M
D
1
1 b
1
=
= (3.25)
y

008266 . 0 (2.01) L ) (D L
N 1 N
= =
de la tabla 3.7.

Compilacin de informacin ptima.
Es importante observar que el pago esperado por la alternativa ptima y el valor
esperado de informacin perfecta para el ejemplo del nuevo producto son menores
que los obtenidos en el anlisis anterior. La reduccin en PE
1
de PE refleja
claramente el hecho de que, debido a los resultados de la muestra, la media posterior,
M 1
es menor que la media anterior, M 0
. En general, para la mayora de los resultados
de la muestra la prdida (oportunidad) esperada despus del muestreo debe ser
menor, debido a la informacin adicional que tiende a producir una menor varianza
posterior, reduciendo as la incertidumbre. Nuestro ejemplo concuerda con esta
generalizacin. Una excepcin a esta generalizacin es cuando M 1
est mucho ms
cerca del valor de
b
que lo que estaba M 0
, haciendo as D 1
menor que D
0
y, por lo
tanto, haciendo que L
N
(D
1
) fuera mayor que L
N
(D
0
).

Sin embargo, las observaciones anteriores no son puestas en duda en el caso del
anlisis preposterior. Ahora, lo que se desea es un conocimiento del tamao ptimo
de la muestra antes del muestreo. Una vez ms, el valor esperado de una funcin de
decisin, o un plan de muestreo, depende de la prdida que evita, la cual, a su vez,
depende de la reduccin del grado de incertidumbre atribuido a la variable aleatoria
de estado. Especficamente, para determinar el valor esperado de la informacin de la
muestra necesitamos una medida que indique la cantidad de reduccin en la varianza
de la distribucin anterior a la posterior del estado. Tal medida obviamente puede
considerarse como la diferencia entre las varianzas anterior y posterior. Es decir,
representndose esta medida por
* 2
, tenemos:

2
x
2
0
2 2
0
2
x
2
0
2
x
2
0 2
0
2
1
2
0
* 2

) (

+
=
+
= = (3.26)

Esta ultima expresin, es la varianza de la funcin de densidad anterior para la
media posterior, M
1
, que es establecida antes del muestreo real. Adems, esta
densidad anterior tiene como esperanza matemtica E (M 1
) = M 0
. Esta funcin de
densidad es una densidad prerrevisada, o preposterior, para M
1
, que no debe
confundirse con la densidad posterior para X
. La solucin para n
*
gira ahora
alrededor de la funcin de densidad anterior para la media posterior, para la cual
podemos calcular E (M 1
) y
* 2
, y sobre cmo M
1
es distribuida anterior al muestreo
real. La densidad es normal si la ley de probabilidades anterior es normal. Adems, el
procedimiento de obtener el valor esperado de la informacin de la muestra es
anlogo al de obtener el valor esperado de informacin perfecta. Es decir,
Dr. Csar Haro Daz
116

) (D L b b VEIM(n)
N 2 1
- -
= (3.27)
donde

-
-

=
M
D
0 b
(3.28)

Examinaremos ahora la funcin de decisin con n = 80 para el ejemplo del nuevo
producto. De los anlisis anterior y preposterior afectados antes, tenemos:

8 . 12
4 16
) 16 (

) (
2
2
x
2
0
2 2
0 * 2
=
+
=
+
=

3.58 12.8 = =
-

68 . 1
58 . 3
60 54
M
D
0 b
=
=
-
-

01920 . 0 ) 68 . 1 ( L ) D ( L
N N
= =
-

310 $10 0.01920) 000(3.58)( 150 ) (D L b b VEIM(80)
N 2 1
= = =
- -

Suponiendo que el costo del muestreo en este caso es dado por:

n $20 000 $1 C(n) + =

entonces la ganancia neta esperada del muestreo para esta funcin de decisin es:

GNEM(80) = 10 310 [1 000 20(80)] = $7 710

Este valor positivo grande de GNEM indica que la muestra propuesta de tamao
n = 80 es valiosa; pero, Es n = 80 el tamao de la muestra?

Para responder a la pregunta anterior, y suponiendo que no se ha tomado an ninguna
muestra, pero que 320
2
= , observamos que, en general:

| | (n) c ) (D L b b GNEM(n)
0 N 2 1
v + =
- -

Esta ltima expresin es muy dificultosa de manipular para obtener el tamao ptimo
de la muestra. En la prctica, se emplea otra expresin equivalente para obtener n

*

como es el siguiente:
) log log (T antilog n
2
0
2 *
+ = (3.29)
donde
logG) , f(D T
0
= (3.30)
con
0
0 b
0
M
D

=
Dr. Csar Haro Daz
117

y
) log v (log log 3/2 b log
v
) ( b
log G log
2 2
0
2
3/2 2
0
+ + =
(
= (3.31)

Valores de la funcin T se dan en la tabla 3.8. Para usar esta tabla, adoptaremos la
prctica de redondear los valores de D
0
y G a un lugar decimal y emplear despus la
interpolacin lineal. Igualmente en la expresin (3.31)
2 1
b b b = .

Aplicando la expresin (3.29) para determinar n
*
para el ejemplo del nuevo producto,
tenemos:

5 . 1
4
0 6 4 5
M
D
0
0 b
0
=
=

3.2 3.176 320) log 20 (log - log16 3/2 000 log150
) log v (log log 3/2 b log G log
2 2
0
~ = + + =
+ + =

= = 3.2) f(1.5, T 0.9457

174 174.180 2410) antilog(2. 16) log 320 log (0.94 antilog n
*
~ = = + =

Si n
*
no fuera por lo menos uno, deduciramos aqu que el muestreo no debe ser
realizado, y que debe tomarse la decisin de usar solo ahora la distribucin anterior
para la variable estado. Puesto que nuestra n
*
es al menos uno, debemos hacer un
clculo ms. Hemos de calcular GNEM(n
*
). Si GNEM(n
*
) es negativa, deducimos
que no debe emprenderse el muestreo, porque aun la muestra ms til no vale su
costo, y que ahora debe tomarse la decisin de usar solamente la distribucin anterior
para la variable estado. Si GNEM(n
*
) es positiva, deducimos en tomar una muestra
de tamao n
*
y luego tomar nuestra decisin es el mejor curso de accin. Si los
costos fijos del muestreo son cero (c 0
= 0), podemos omitir el paso de calcular
GNEM(n
*
), porque nunca cambiar la decisin sobre muestreo. En nuestro ejemplo,
los costos fijos de muestreo son mayores que cero, por lo que debemos calcular
GNEM(n
*
). Para calcular GNEM(n
*
), continuaremos empleando s
2
= 320 obtenida
antes como la estimacin de
2
. Con n
*
= 174 tenemos,

1.8391
174
320
2
x
= =

3505 . 14
8391 . 1 16
) 16 (
2
*
2
=
+
=

7882 . 3 3505 . 14 = =
-

58 . 1
7882 . 3
60 54
*
=
= D

02436 . 0 ) 58 . 1 ( L ) D ( L
N N
= =
-

Dr. Csar Haro Daz
118

VEIM(174)

=

150 000(3.7882)(0.02436) = $13

842

C(174) = 1 000 + 20(174) = $4 480

GNEM(174) = $13 842 $4 480 = $9 362.

Puesto que GNEM resulta ser > 0, la muestra propuesta est justificada. Debe
observarse aqu que n
*
determinada por (3.29) es solo una aproximacin, debido al
redondeo de los valores de D
0
y log

G y a las interpolaciones.

Para especificar completamente una funcin de decisin ptima, necesitamos un
valor crtico de la media de la muestra, representado por c x , para determinar si d 1
o
d 2
es la alternativa de decisin ptima. En general, debe escogerse d 1
si c x x > , y
debe escogerse d
2
si c x x s .

La media posterior es un promedio ponderado de la media anterior y de la muestra:

2
x
2
0
2
0
2
x 0
1

x M
M
+
+
=

Si hacemos
b 1
M = , puede derivarse una frmula para halar c x , a partir de la
siguiente expresin:
2
x
2
0
2
0
c
2
x 0
b

x M
+
+
=
Despejando c x , obtenemos:
b 0 b
2
0
2
x
c ) M (
x + = (3.32)

Aplicando la expresin anterior al ejemplo del nuevo producto, suponiendo tambin
que la estimacin de
2
es 320 y, por lo tanto 1.8391
2
x
= como antes, tenemos:

31 . 53 54 ) 60 54 (
16
8391 . 1
) M (
x
b 0 b
2
0
2
x
c = + = + =

Con este resultado, la regla de decisin completa para el ejemplo del nuevo producto
puede expresarse como sigue:

Tome una muestra simple aleatoriamente con n = 174 y calcule la media de la
muestra; escoja d
1
: introduzca el nuevo producto, si 31 . 3 5 x > ; escoja
d
2
: abandone el producto, si 31 . 3 5 x s .
Dr. Csar Haro Daz
119

Tabla 3.8. Valores para logG) , f(D T
0
= : muestreo normal.

log G D
0
= 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
-0.9414
-0.7943
-0.6587
-0.5343
-0.4200
-0.3148
-0.2175
-0.1269
-0.0419
0.0382
0.1142
0.1867
0.2563
0.3234
0.3883
0.4513
0.5127
0.5727
0.6316
0.6893
0.7462
0.8023
0.8576
0.9123
0.9665
1.0202
1.0735
1.1265

-0.9100
-0.7327
-0.5854
-0.4573
-0.3433
-0.2400
-0.1452
-0.0573
0.0249
0.1026
0.1764
0.2470
0.3148
0.3804
0.4439
0.5058
0.5662
0.6253
0.6833
0.7404
0.7966
0.8521
0.9070
0.9613
1.0151
1.0685
1.1215

-0.4585
-0.3227
-0.2091
-0.1089
-0.0182
0.0655
0.1438
0.2178
0.2884
0.3560
0.4213
0.4846
0.5461
0.6062
0.6650
0.7228
0.7796
0.8356
0.8909
0.9456
0.9998
1.0534
1.1067

-0.2269
-.01081
-0.0075
0.0820
0.1640
0.2405
0.3126
0.3814
0.4475
0.5113
0.5733
0.6337
0.6928
0.7507
0.8076
0.8637
0.9191
0.9738
1.0280
1.0817

-0.0328
0.0714
0.1619
0.2438
0.3197
0.3912
0.4592
0.5245
0.5876
0.6489
0.7087
0.7672
0.8246
0.8811
0.9368
0.9918
1.0462

0.0183
0.1304
0.2241
0.3074
0.3839
0.4555
0.5235
0.5887
0.6516
0.7126
0.7722
0.8304
0.8876
0.9439
0.9994

0.1693
0.2693
0.3557
0.4339
0.5066
0.5752
0.6408
0.7039
0.7651
0.8247
0.8831
0.9403

0.2963
0.3885
0.4700
0.5447
0.6146
0.6811
0.7450
0.8067
0.8667

0.4041
0.4912
0.5693
0.6416
0.7097
0.7747

0.3978
0.4954
0.5793
0.6553

0.4772

Un signo menos delante de cualquier dato tabular se aplica a todo l. As, -0.9414 = 9.0586 10.0.
Si log G > 8.0, use la aproximacin ) (D (logG) 1/2 T
0
= , donde (D
0
) es el ltimo dato de cada columna para D
0
.

Capitulo 3 - 2008

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Capitulo 3 - 2008

Caricato da

Copyright:

Formati disponibili

Capitulo 3. Anlisis de decisiones con informacin muestral.

Dr. Csar Haro Daz

Potrebbero piacerti anche