Materia: Herramientas Matemticas VI - Modelos de simulacin

Profesor: Ing. Jorge H. Cassi

- 1 -

Unidad 3: Modelos de decisin

Introduccin

Todo el tiempo estamos tomando decisiones, algunas sin importancia, otras, sumamente
transcendentes. Con frecuencia estas decisiones son intuitivas, emocionales o por consejos de
otras personas que han experimentado algo parecido, pero en la mayora de los casos en
condiciones diferentes del momento en que nos encontramos para tomar una decisin.

Aqu analizaremos MODELOS DE DECISIN lgicos con los que usted podr tomar una
decisin o por lo menos contrastar sus conclusiones, con su visin intuitiva, poltica, emocional,
entre otros.

La mayora de los modelos no nos indican qu decisin tomar, sino cmo proceder para
tomarlas, o cmo analizar decisiones a tomar o tomadas.

Por otra parte, con los modelos que vamos a analizar, no podemos asegurar que el resultado
de la decisin sea favorable (lo nico seguro que algo puede salir bien o mal si intenta hacerlas
bien, pero si las hace mal, sin duda, saldrn mal).

Por ejemplo; dos personas deciden jugar a la quiniela, uno acierta y el otro no; las dos tomaron la
misma decisin (jugar a la quiniela) y el resultado fue totalmente diferente, por elegir nmeros
diferentes.


3.1. Modelos de decisin determinsticos y estocsticos.

Cuando se supone que los parmetros o coeficientes se conocen con certidumbre se est
trabajando con un modelo determinstico. Sin embargo no todos los modelos de toma de
decisiones son determinsticos. En muchos casos, los parmetros del modelo varan debido a
incertidumbres, se habla entonces de modelos estocsticos. Este tipo de modelos puede dividirse
en dos categoras, dependiendo si la decisin se tomara utilizando datos previos (relacionados
con la ocurrencia de sucesos anteriores), o si no poseo ningn dato de acontecimientos
anteriores.


3.2. Procesos de una toma de decisin.

Una solucin puede definirse como el proceso de elegir la solucin para un problema, siempre y
cuando existan al menos dos soluciones alternativas. El proceso de toma de decisin consta de 5
etapas (donde TD: es quien toma las decisiones):

1) El TD se da cuenta de que existe un problema.

2) El TD recopila datos acerca del problema.

3) El TD elabora un modelo (versin simplificada de la realidad) que describe el problema.




Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 2 -

4) El TD utiliza un modelo para generar las soluciones alternativas al problema. Es
aconsejable no tener demasiadas alternativas porque dificulta el proceso de seleccin.

5) El TD elige entre las soluciones alternativas. En esta etapa, los modelos cuantitativos
pueden diferir de los cualitativos. En los modelos cualitativos las decisiones se toman de
acuerdo a las caractersticas del problema y segn los intereses y motivaciones del TD,
buscan encontrar la mejor u ptima solucin. Mientas que en los cuantitativos se busca
calcular el valor econmico de cada decisin, teniendo en cuenta las necesidades y
objetivos del TD, tratan de encontrar cualquier solucin satisfactoria.

El modelo cualitativo se usa frecuentemente para eliminar opciones falsas o perjudiciales, o
tambin porque un anlisis cuantitativo es muy oneroso y la ecuacin costo beneficio es
desfavorable.

Existen tres tipos principales de decisiones:

- decisiones bajo certidumbre;
- decisiones en las que no contamos con datos previos para calcular probabilidades
denominadas incertidumbre;
- decisiones para las cuales existen datos previos que permiten calcular
probabilidades, conocidas como riesgo, porque pueden ocurrir como que no.

Antes de comenzar a desarrollar cada modelo expondremos la terminologa empleada en la toma
de decisiones.

- Decisiones alternativas: son las distintas opciones que tiene el tomador de
decisiones (TdD), para elegir entre una u otra. (Para que tengamos un modelo de
toma de decisiones debe haber por lo menos dos alternativas).

- Estados de la naturaleza: situaciones externas, que no controla o domina el TdD
y que en general son aleatorios.

- Resultado de una decisin: el valor econmico o anmico en el que desemboca
el TdD al decidirse por alguna de sus alternativas u opciones.


3.3. Modelos de decisin sin datos previos.

En los casos en los que una decisin no se toma de forma repetida, es decir slo una vez, 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.

Para desarrollar los distintos modelos de decisin sin datos previos suponemos la siguiente
matriz de datos:


Estados de la naturaleza
A B C D
Alternativas
I 10 100 0 50
II 75 50 60 40
III 30 40 25 25


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 3 -

3.3.1. Modelo del optimista.

La persona considera que el medio ambiente es propicio. El TD determinar el mayor pago
(ganancia) para cada alternativa y despus elige el mximo de ellos en el caso de una matriz de
pago, caso contrario elegir el menor valor de costo para cada alternativa y posteriormente
seleccionar el menor costo, para una matriz de costo.

Veamos un ejemplo para ambos casos:

Pasos para la determinacin (para pago o ganancia):

1. Para cada alternativa, determinar el resultado con el mayor valor y registrarlo.


Estados de la naturaleza Optimista
(Maxi-Maxi)
A B C D
Alternativas
I 10 100 0 50 100
II 75 50 60 40 75
III 30 40 25 25 40

2. De los resultados obtenidos en el paso anterior elegimos el valor mximo; la alternativa
asociada con este resultado mximo es la estrategia que debe seguirse.


Estados de la naturaleza Optimista
(Maxi-Maxi)
A B C D
Alternativas
I 10 100 0 50 100
II 75 50 60 40 75
III 30 40 25 25 40



(Para costo o prdida se realiza al revs)

Se busca el menor valor para cada alternativa y se elige el menor



Estados de la naturaleza Optimista
(Mini-Mini)
A B C D
Alternativas
I 10 100 0 50 0
II 75 50 60 40 40
III 30 40 25 25 25


3.3.2. Modelo del pesimista.

Las decisiones se toman en un ambiente hostil con inseguridad econmica y falta de experiencia
donde la competencia es grande.

La persona que toma las decisiones es pesimista con respecto a los estados de la naturaleza
antes mencionadas por lo que debe evitar prdidas altas. Para ello se determina el menor
resultado para cada estrategia y luego se elije la que tenga el mayor de estos resultados. Es


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 4 -
decir, se maximizan los resultados mnimos (para el caso de una matriz de pago): Criterio de
seleccin o estrategia denominada Maximin.

Si es prdida o costo, se busca primero el valor ms elevado de cada alternativa y luego el
menor valor de los resultados obtenidos, es decir se persigue minimizar los resultados mximos:
Criterio de seleccin o estrategia Minimini


Ejemplo Pago o ganancia:



Estados de la naturaleza Pesimista
(Maxi-Mini)
A B C D
Alternativas
I 10 100 0 50 0
II 75 50 60 40 40
III 30 40 25 25 25


Prdida o costo



Estados de la naturaleza Pesimista
(Mini-Maxi)
A B C D
Alternativas
I 10 100 0 50 100
II 75 50 60 40 75
III 30 40 25 25 40



3.3.3. Modelo de minimizacin del arrepentimiento.

Este modelo es bastante pesimista. Se debe construir una matriz de arrepentimiento que muestra
lo que est dispuesto arrepentirse un tomador de decisiones por tomar una decisin segn el
estado de naturaleza que ocurra. Si el estado de naturaleza coincide con la mejor decisin que l
tom, no habr arrepentimiento, caso contrario se arrepentir en un valor equivalente entre el
mejor valor de un estado de naturaleza comparado con la decisin que adopt.

Para ello se debe establecer para cada estado de la naturaleza el valor econmico mximo (o
mnimo si es costo) y compararlo con cada valor de alternativa.

En otras palabras, la matriz de arrepentimiento exhibe lo que una persona que toma decisiones
est dispuesto a arrepentirse (de perder) de no obtener la mxima ganancia o mnima prdida.

Ejemplo Pago o ganancia:



Estados de la naturaleza
A B C D
Alternativas
I 10 100 0 50
II 75 50 60 40
III 30 40 25 25


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 5 -

1. Elegimos el mejor valor para cada estado de naturaleza (columna):


Estados de la naturaleza
A B C D
Alternativas
I 10 100 0 50
II 75 50 60 40
III 30 40 25 25


2. Restamos el mejor valor del estado de naturaleza (columna) con el valor de cada
alternativa (fila) del mismo estado de naturaleza. Luego elegimos el menos malo; ya
que si se llegamos a equivocarnos, el mayor arrepentimiento ser el valor menor de lo
peor que nos pueda pasar.


Matriz de arrepentimiento
A B C D
I 65 0 60 0 65
II 0 500 0 10 50
III 45 60 35 25 60


Prdida o costo



Estados de la naturaleza
A B C D
Alternativas
I 10 100 0 50
II 75 50 60 40
III 30 40 25 25



Matriz de arrepentimiento

A B C D
I 0 -60 0 -25 -60
II -65 -10 -60 -15 -65
III -20 0 -25 0 -25


3.3.4. Modelo de maximizacin del pago promedio o de minimizacin
del costo promedio.

Este modelo considera rpidamente una decisin teniendo en cuenta las frecuencias relativas de
los distintos estados de la naturaleza. Para ello se debe calcular el pago promedio para cada
estrategia y elegimos la alternativa que tenga mayor pago promedio, para el caso de ganancia o
seleccionamos el menor valor promedio si estuviramos en presencia de una matriz de costo.






Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 6 -
Ejemplo Pago o ganancia:



Estados de la naturaleza Mximo pago
promedio
A B C D
Alternativas
I 10 100 0 50 40
II 75 50 60 40 50,25
III 30 40 25 25 30


Prdida o costo



Estados de la naturaleza Mnimo Costo
promedio
A B C D
Alternativas
I 10 100 0 50 40
II 75 50 60 40 56,25
III 30 40 25 25 30



3.3.5. Modelo de probabilidades subjetivas.

Este modelo consiste en aplicar probabilidades a los estados de naturaleza en base a la
experiencia que posea el tomador de decisiones, es decir que como no contamos con datos
previos, cada decisor establecer para cada estado de la naturaleza, una probabilidad de lo que
espera que suceder.

Como estas probabilidades son subjetivas y depende del punto de vista o experiencia del
tomador de decisiones es un modelo poco empleado.

Una vez establecidas las probabilidades subjetivas de ocurrencia, para elegir la mejor alternativa,
debemos basarnos en un parmetro estadstico, como por ejemplo, el valor monetario esperado
o media (VME).

Supongamos que el tomado de decisiones establece las siguientes probabilidades subjetivas
para cada estado de la naturaleza, a saber:

Estados de la naturaleza
A B C D
20% 25% 35% 20%

Cmo se calcula el valor medio (monetario) esperado (VME)?

El valor medio (monetario) esperado se obtiene calculando para cada alternativa; la sumatoria de
los productos de cada uno de los valores de los estados de naturaleza por su probabilidad de
ocurrencia.





Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 7 -
Calculemos el VME para la primera alternativa:

VME
I
= 10 x 0,20 + 100 x 0,25 + 0 x 0,35 + 50 x 0,20
VME
I
= 2 + 25 + 0 + 10 = 37


Vemos cmo se aplica en VME segn sea una matriz de pago o de costo.


Ejemplo Pago o ganancia:


Estados de la naturaleza

VME A B C D
Alternativas
I 10 100 0 50 37
II 75 50 60 40 56,5
III 30 40 25 25 29,75
Probabilidades 20% 25% 35% 20%



Prdida o costo


Estados de la naturaleza

VME A B C D
Alternativas
I 10 100 0 50 37
II 75 50 60 40 56,5
III 30 40 25 25 29,75
Probabilidades 20% 25% 35% 20%


3.4. Modelos de decisiones con datos previos.

Caractersticas generales del modelo:
- Las decisiones se toman bajo las mismas condiciones (repetidas)
- Existe ms de un resultado para cada decisin
- Las circunstancias que rodean a la decisin son siempre las mismas, es decir,
existe experiencia anterior que puede utilizarse para obtener probabilidades para
cada resultado.

Hay dos maneras de tomar decisiones cuando existen datos previos que permiten calcular las
probabilidades de ocurrencia de los distintos estados de la naturaleza:
- Anlisis Clsico
- Anlisis Bayesiano


3.4.1. Anlisis Clsico.

Este anlisis consiste en:
1. Elaborar una regla de decisin.
2. Se establece un parmetro estadstico.


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 8 -
3. Proponer una hiptesis en base al parmetro estadstico (hiptesis nula - Ho).
4. Proponer una hiptesis opuesta a la nula (hiptesis alternativa H1)
5. Correr una (o ms) pruebas para aceptar o desechar la Ho.

La prueba de hiptesis se realiza tomando los datos previos y estableciendo un parmetro.

Ejemplo:

1. Se estima en base a la experiencia pasada que:


Demanda 100 250 320
Nmero de das 5 15 10


2. Se calcula la probabilidad de ocurrencia de cada estado de la naturaleza:


Demanda 100 250 320
Nmero de das 5 15 10
Probabilidad 5
30
| |
|
\ .
= 0,16
15
30
| |
|
\ .
=0,5
10
30
| |
|
\ .
=0,34


Se busca un parmetro estadstico, por ejemplo VME

VME = (100 x 0,16) + (250 x 0,5) + (320 x 0,34)
VME = 249,80

3. y 4. Se establece la Ho y H1 a partir de los estadsticos

250 Ho > y 1 250 H <



5. Se ejecuta o corre una prueba para aprobar o rechazar la Ho.
Supongamos que un estudio realizado sobre la demanda en los ltimos 30 das
obtuvimos un valor de demanda esperada de 200, en este caso se rechazara la
Ho.


3.4.2. Anlisis Bayesiano.

En ste anlisis, el problema siempre es la duda atroz de tomar una u otra decisin:

1. Porque hay aleatoriedad;
2. Porque dudamos de nuestros datos (probabilidad de los distintos estados de la
naturaleza) y necesitamos corroborarlos u optimizarlos. En este caso debemos
hacer nuevas pruebas o mejor encargarle a una consultora que nos provea mejor
informacin que la que poseemos.
En este ltimo caso debemos:
a) Valorar los datos que nos proveen,


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 9 -
b) Considerar el costo del trabajo de la consultora,
c) Decidir si aceptamos o no los consejos de n consultora.


3.4.3. Anlisis previo.

Tambin denominado a priori. Este anlisis permite concluir que:

a) Ninguna consultora nos puede afirmar que obtendremos un valor mejor o igual al
valor medio esperado de la informacin perfecta (VME
IP
);

b) A ninguna consultora le pagaramos por su informacin un valor mayor o igual al
valor de la informacin perfecta (V
IP
).

Cmo debemos proceder para cumplir el punto a)?

1. Calculamos la probabilidad de ocurrencia para cada estado de la naturaleza.



Est. de naturaleza N
1
Est. de naturaleza N
2
Est. de naturaleza N
3

Alternativa 1 A
1
N
1
A
1
N
2
A
1
N
3

Alternativa 2 A
2
N
1
A
2
N
2
A
2
N
3

Alternativa 3 A
3
N
1
A
3
N
2
A
3
N
3

Alternativa 4 A
4
N
1
A
4
N
2
A
4
N
3

P(N) P(N
1
) P(N
2
) P(N
3
)


2. Calculamos el VME para todas las alternativas utilizando:

VME
i
= O
ij
P
j
donde O
i j
= pago o costo utilizado, si ocurre j estado de la
naturaleza

Posteriormente calculamos los valores medios esperados (VME) para cada
alternativa:

VME
A1
= A
1
N
1
. P(N
1
) + A
1
N
2
. P(N
2
) + A
1
N
3
. P(N
3
)
VME
A2
= A
2
N
1
. P(N
1
) + A
2
N
2
. P(N
2
) + A
2
N
3
. P(N
3
)

VME
A3
= A
3
N
1
. P(N
1
) + A
3
N
2
. P(N
2
) + A
3
N
3
. P(N
3
)


3. Seleccionamos el valor mximo (para ganancia) o mnimo (para costo) de los VME
obtenidos. ste valor representa la ganancia o costo (segn el caso de estudio)
que conocemos en base a nuestra experiencia, y lo denotamos como VME*

4. Determinamos el valor medio esperado de la informacin perfecta (VME
IP
)

VME
IP
= (Max. O min.) N
1
. P(N
1
) + (Max. O min.) N
2
. P(N
2
) + (Max. O min.) N
3
. P(N
3
)


5. Calculamos el valor de la Informacin perfecta (V
IP
)

V
IP
= VME
IP
VME*


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 10 -

ste V
IP
me indica cunto estoy dispuesto a pagar por informacin perfecta.


3.4.4. Anlisis pre-posterior.

Primero se recordemos los conceptos sobre probabilidades condicionales:

- P (A/B) Probabilidad de que se produzca el evento A, habindose producido
el evento B.
- P (B/A) Probabilidad de que se produzca el evento B, habindose producido
el evento A.
- P (AB) Probabilidad de que se produzcan ambos eventos.


Teorema de Bayes:

( / ). ( )
( / )
( )
P A B P B
P B A
P A
=

Demostracin:

( ) ( / ). ( ) P A B P A B P B = [1]

(La probabilidad de que se produzca A y B es igual a la probabilidad de que se produzca A si se
ha producido B por la probabilidad de que se produzca B)

( ) ( / ). ( ) P A B P B A P A = [2]

Igualando [1] y [2] se tiene:

( / ). ( ) ( / ). ( ) P A B P B P B A P A =



( / ). ( )
( / )
( )
P B A P A
P A B
P B
=




( / ). ( )
( / )
( )
P A B P B
P B A
P A
=

Utilizando este teorema se analizara el valor de la prueba (R), siendo R= Resultado de las
pruebas y N= Estados de la naturaleza.

Las probabilidades condicionales pueden variar segn si la consultora posee o no experiencia
sobre el tema en estudio




Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 11 -
Cmo calcula para cada caso?

- Sin experiencia
( ) P R N = probabilidad de que la consultora haya pronosticado R y pas el estado de la
naturaleza N, o tambin, cuando la realidad N se dio ellos pronosticaron N, donde R=N o
RN.

Observemos la siguiente tabla:


N1 N2 N3
R1 P(R
1
/N
1
) P(R
1
/N
2
) P(R
1
/N
3
)
R2 P(R
2
/N
1
) P(R
2
/N
2
) P(R
2
/N
3
)
R3 P(R
3
/N
1
) P(R
3
/N
2
) P(R
3
/N
3
)
P(N) P(N
1
) P(N
2
) P(N
3
)


Esta tabla nos muestra que el consultor o consultora no tiene experiencia, ya que las
probabilidades obtenidas surgen de hechos ya ocurridos, es decir, sabiendo el estado de
naturaleza se predice la efectividad de la prueba.

Si estamos en presencia de una tabla de probabilidades sin experiencia debemos aplicar el
teorema de Bayes para transformar cada P(R/N) en P(N/R)

- Con experiencia

Para valorar la informacin de prueba, se debe calcular ( / ) P N R , es decir, cul es la
probabilidad de que cuando la consultora pronostic R se produzca N.

Por lo general se desconocen los valores de ( / ) P N R puesto que estos valores slo se
conocen despus de haber utilizado la prueba las suficientes veces para recopilar datos que
permitan calcular probabilidades. Generalmente se conoce lo opuesto, es decir, la
probabilidad de que ocurra el resultado de la prueba dado el resultado correspondiente
( ( ) P R N ) y puede calcularse usando datos histricos para determinar la forma en que se
hubiera comportado la prueba si se hubiera usado.

Para calcular ( / ) P N R antes se debe calcular ( ) P R = probabilidad de que la consultora
aconseje R=n1; R=n2; R=n3; R=n, es decir:

( ) ( ). ( ) ( ).( ) P R P R N P N P R N N = +


En donde , significa que no ocurra N







Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 12 -
Entonces se tiene que:

( / ). ( )
( / )
( ). ( ) ( ).( )
P R N P N
P N R
P R N P N P R N N
=
+



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 ya que se obtiene despus del procedimiento de
prueba.


Pasos para el anlisis:

1. Elaborar una tabla de probabilidades de prueba P(R/N), es decir, P (el resultado
de la prueba ser R/el resultado final fue N) y un conjunto de probabilidades
previas P(N), para cada estado de la naturaleza.



N1 N2 N3
R1 P(R
1
/N
1
) P(R
1
/N
2
) P(R
1
/N
3
)
R2 P(R
2
/N
1
) P(R
2
/N
2
) P(R
2
/N
3
)
R3 P(R
3
/N
1
) P(R
3
/N
2
) P(R
3
/N
3
)
P(N) P(N
1
) P(N
2
) P(N
3
)


2. Cada fila de la tabla de probabilidades de prueba lo multiplicamos por su
probabilidad previa P(N), correspondiente al estado de la naturaleza. El producto
es un elemento de una tabla modificada de probabilidades, P(R/N) P(N).
La suma de las probabilidades obtenidas para cada fila de la tabla ser ahora la
probabilidad de la prueba, P(R).

3. Dividimos cada elemento de la matriz de probabilidades modificada por el P(R), es
decir, P(R/N) P(N) / P(R), de esta manera obtenemos los elementos de la tabla de
pronsticos, P(N/R).

4. Utilizando la matriz de pago calculamos los distintos VME (mximo para utilidades,
mnimos para costos) para cada resultado de prueba.

5. Utilizando los VME (mximo para utilidades, mnimos para costos) para cada
resultado de prueba, estamos en condiciones de calcular el valor medio esperado
de la prueba, VME(prueba), que se obtiene multiplicando el VME (mximo para
utilidades, mnimos para costos) para cada resultado de prueba por la probabilidad
de que ocurra ese resultado, P(R), y sumando todos estos resultados. (Ver punto
3.4.6)

6. El valor de la prueba, V(prueba), se determina realizando la diferencia entre el
VME de la prueba calculado en el paso 5 y el VME (mximo para utilidades,


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 13 -
mnimos para costos) posible sin la prueba, es decir V(prueba) = VME(prueba)
VME* (sin prueba)


3.4.5. El valor de la informacin perfecta.

El valor de la informacin perfecta, V
IP
, fue demostrado en el punto 4.4.3. y significa, cuanto estoy
perdiendo de ganar por no poseer de informacin perfecta, o tambin, hasta cuando estoy
dispuesto a abonar a una consultora para que me suministre informacin perfecta.

Recordemos que el valor de la informacin perfecta se obtiene de conocer el valor medio
esperado de la informacin perfecta (VME
IP
) menos el valor medio esperado de nuestra
experiencia (VME*), es decir:

V
IP
= VME
IP
VME*


3.4.6. El valor de la prueba.

Por lo general la informacin proviene de algn procedimiento imperfecto de prueba. Esto quiere
decir que la informacin de la prueba no siempre pronostica en forma correcta el estado de la
naturaleza que ocurrir.

Tratemos de comprender el procedimiento que se utiliza:

( / ) P N R

es la probabilidad de qu 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 lo general se desconocen los valores de ( / ) P N R puesto que estos valores slo se conocen
despus de haber utilizado la prueba las suficientes veces para recopilar datos que permitan
calcular probabilidades. Generalmente se conoce lo opuesto, es decir, la probabilidad de que
ocurra el resultado de la prueba dado el resultado correspondiente ( ( ) P R N ) y puede calcularse
usando datos histricos para determinar la forma en que se hubiera comportado la prueba si se
hubiera usado.

La probabilidad de ( ) P R N no es la probabilidad de prueba que se necesita, pues esta se
calcul despus de conocer el resultado. Se necesita entonces calcular:

(1)

Calcular ahora resulta fcil. Se debe 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) se conoce como probabilidad a priori puesto que se calcula antes de cualquier prueba,
mientras que las otras son probabilidades condicionales.
( ). ( )
( )
( )
P R N P N
P N R
P R
=


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 14 -

La tercera probabilidad es P(R): la probabilidad de que ocurra el resultado de prueba R. puede
calcularse por medio de:

( ) ( ). ( ) ( ).( ) P R P R N P N P R N N = +

(2)


Combinando (1) y (2) obtenemos:

( / ). ( )
( / )
( ). ( ) ( ).( )
P R N P N
P N R
P R N P N P R N N
=
+


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 ya que se obtiene despus del procedimiento de
prueba.

En estos momentos estamos en condiciones de conocer el valor medio esperado de la prueba,
VME (prueba).

Para poder mostrar su expresin supongamos que tenemos una matriz como la siguiente:


Est. de naturaleza N
1
Est. de naturaleza N
2
Est. de naturaleza N
3

Alternativa 1 A
1
N
1
A
1
N
2
A
1
N
3

Alternativa 2 A
2
N
1
A
2
N
2
A
2
N
3

Alternativa 3 A
3
N
1
A
3
N
2
A
3
N
3

P(N) P(N
1
) P(N
2
) P(N
3
)


Si reemplazamos en la matriz cada P(N) por los distintos P(N/R) para cada R (prueba) y
calculamos los distintos VME (mximo para utilidades, mnimos para costos) para cada resultado
de prueba obtendramos para cada prueba (R) un valor de VME*

Una vez calculados todos los VME* (mximo para utilidades, mnimos para costos) para cada
resultado de prueba, estamos en condiciones de calcular el valor medio esperado de la prueba,
VME (prueba), que se obtiene multiplicando el VME* (mximo para utilidades, mnimos para
costos) para cada resultado de prueba por la probabilidad de que ocurra ese resultado, P(R), y
sumando todos estos resultados, obtenemos finalmente la expresin:


VME
(Prueba)
= (Max. O min.) VME*
1
. P(R
1
) + (Max. O min.) VME*2. P(N
2
) + (Max. O min.) VME*
3
P(N
3
)


que expresa el valor medio monetario esperado que nos suministra un consultor o consultora en
base a su experiencia.

Cmo se calcula el valor de la prueba?

El valor de la prueba, V(prueba), se determina realizando la diferencia entre el VME de la prueba
y el VME (mximo para utilidades, mnimos para costos) sin la prueba, es decir:

V(prueba) = VME(prueba) VME* (sin prueba)


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 15 -


Veamos toda esta teora aplicada a un ejercicio:

Suponga que el anlisis bayesiano previo nos indica para una matriz de ganancia los siguientes
valores:

VME* = $ 420 por da Valor que espero ganar en base a mi experiencia
VME
IP
= $ 510 por da Valor mximo que espero ganar si tuviera informacin
perfecta
V
IP
= $ 90 por da Es el valor que me estoy perdiendo de ganar por da por no
poseer informacin perfecta

Presuma que consulto a cinco Consultoras para mejorar nuestro VME* diario y que las mismas
cobran por sus servicios un cierto valor monetario diario que a continuacin se detallan:

Consultora I: VME (prueba) = $ 510 y cobra $ 30

Consultora II: VME (prueba) = $ 530 y cobra $ 20

Consultora III: VME (prueba) = $ 480 y cobra $ 40

Consultora IV: VME (prueba) = $ 490 y cobra $ 40

Consultora V: VME (prueba) = $ 470 y cobra $ 50


Cul consultora elegira y por qu?

Para comprender analicemos a cada consultora.

Consultora I
En base a sus pruebas nos indica que podemos ganar diariamente $ 510 y que por sus servicios
cobra diariamente $ 30, es decir, nuestra ganancia neta ser de $ 480 diarios. Esto significa que
es posible contratarla ya que ganara $ 60 ms por da, pero tiene como contra que me asegura
que voy a ganar $ 510, que es el valor mximo que puedo ganar (comparar con el VME
IP
) y esto
es casi imposible que suceda, es decir que me prediga lo que suceder exactamente.
Para que pueda comprender mejor su significado, por ejemplo, me est prediciendo todos los
das la demanda de clientes que tendr en mi negocio. Usted se arriesgara a confiar que se
suministre esta informacin con tanta exactitud y precisin?, en mi argumento lo contara
solamente si fuera DIOS!!! Caso contario no.

Consultora II
En base a sus pruebas nos indica que podemos ganar diariamente $ 530 y que por sus servicios
cobra diariamente $ 20, es decir, nuestra ganancia neta seran de $ 510 diarios. Esto significa
que es imposible contratarlo porque nos est mintiendo y de paso nos cobra.
Se estar preguntando por qu?, la respuesta es fcil, nunca el valor de su prueba me puede
hacer ganar ms que la informacin perfecta ($510). Por lo expuesto se descarta.

Consultora III
En base a sus pruebas nos indica que podemos ganar diariamente $ 480 y que por sus servicios
cobra diariamente $ 40, es decir, nuestra ganancia neta ser de $ 440 diarios. Esto significa que
es posible contratarla ya que ganara $ 20 ms por da.


Materia: Herramientas Matemticas VI - Modelos de simulacin
Profesor: Ing. Jorge H. Cassi
- 16 -

Consultora III
En base a sus pruebas nos indica que podemos ganar diariamente $ 490 y que por sus servicios
cobra diariamente $ 40, es decir, nuestra ganancia neta ser de $ 450 diarios. Esto significa que
es posible contratarla ya que ganara $ 30 ms por da.

Consultora V
En base a sus pruebas nos indica que podemos ganar diariamente $ 470 y que por sus servicios
cobra diariamente $ 50, es decir nuestra ganancia neta ser de $ 420 diarios. Esto significa que
es indistinto contratarla ya que ganara lo mismo que gano actualmente, por lo tanto, sino logro
bajar el valor de lo que pretende ganar la Consultora, no lo contratara.

Finalmente, del anlisis efectuado para cada consultora la que convendra contratar es la
Consultora III.