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:
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.
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.
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.