Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UTN - FACULTAD REGIONAL ROSARIO INGENIERIA EN SISTEMAS DE INFORMACION UTN – FRRo Ingeniería en Sistemas de Información 1 STATISTICS FOR MODERN BUSINESS DECISIONS Lawrence L. LAPIN Sixth Edition The Dryden Press Parte IV: ANALISIS DE DECISION Capítulo 24: CONCEPTOS BASICOS DE LA TOMA DE DECISIONES La toma de decisiones bajo condiciones de incertidumbre tiene sus raíces en la teoría de decisión estadística . Aún cuando muchos de los mayores desarrollos en este campo se hicieron en los últimos cincuenta años, también contribuyeron a su desarrollo los matemáticos pioneros que formularon la teoría de la probabilidad hace más de 200 años. La teoría de decisión utiliza, además de probabilidades, elementos de estadística, economía y sicología. Este libro apunta al uso de la estadística en la toma de decisiones. En este capítulo consideraremos la estructura de la toma de decisiones en general. Haremos una distinción básica entre decisiones bajo condiciones de certeza, donde no hay elementos librados al azar, y decisiones bajo condiciones de incertidumbre, donde uno o más factores aleatorios afectan los resultados de la toma de decisión. 24-1 Certeza e incertidumbre en la toma de decision es Las aplicaciones menos complejas de la teoría de decisión las encontramos cuando debemos tomar decisiones bajo condiciones de certeza. Quizás el ejemplo más sencillo de decisión bajo certeza sea seleccionar qué ropa ponerse. Aunque las posibilidades son muchas, todos nos las arreglamos para decidir rápidamente y con poco esfuerzo. Pero no todas las decisiones son así de fáciles. Recuerden lo difícil que nos resultaba elegir qué caramelos comprar cuando éramos chicos. Cuando los resultados dependen sólo parcialmente de la elección, la toma de decisiones se vuelve más compleja. Para ver qué elementos están presentes en la estructura de una decisión bajo incertidumbre, consideremos la elección de llevar o no paraguas al salir de casa. Enfrentamos dos alternativas: llevar un elemento incómodo que en caso de lluvia nos permitirá cubrirnos, o salir con las manos libres esperanzados en que no llueva. Debido a que el pronóstico del tiempo no es exacto, enfrentamos la incertidumbre de saber si va a llover o no. A pesar de la incertidumbre debemos tomar una decisión. Esto ejemplifica un caso común de decisión bajo incertidumbre: elegir un curso de acción aún cuando los resultados finales son desconocidos y aleatorios. Este tipo de decisiones se suelen dividir en dos categorías: • toma de decisiones con riesgo: conocemos las probabilidades de los resultados posibles, • toma de decisiones bajo incertidumbre: las probabilidades anteriores son desconocidas. SISTEMAS DE GESTION II - Teoría de Decisión - 2 UTN – FRRo Ingeniería en Sistemas de Información 2 No haremos esta división aquí, ya que supondremos que siempre podremos encontrar de algún modo tales probabilidades, ya sea objetivamente, a través de las frecuencias relativas, o en forma subjetiva. En este capítulo, presentaremos el marco dentro del cual explicar cómo se toma una decisión. El ejemplo del paraguas ilustra los rasgos principales de una decisión bajo incertidumbre. Elegiremos llevar el paraguas si las posibilidades de lluvia parecen ser grandes, y elegiremos no llevarlo si parece poco probable que llueva. Pero, ocasionalmente, dos personas distintas pueden tomar decisiones distintas. Es que ¿existe siempre una decisión correcta? Si es así, ¿cómo pueden dos personas tomar distintas decisiones? Comenzaremos a responder estas preguntas identificando algunos elementos claves comunes a todas las decisiones y estructurándolos convenientemente para su análisis. 24-2 Elementos de la toma de decisiones Toda decisión bajo condiciones de certeza tiene dos elementos: cursos de acción y resultados . Los cursos de acción, o simplemente acciones , son las posibles elecciones de quien toma la decisión. Por ejemplo, cuando uno elige entre tres programas de televisión en el horario de las 9 p.m., cada programa es una acción. Los resultados pueden caracterizarse por el entretenimiento que proporciona cada uno. Si la decisión se toma bajo condiciones de incertidumbre, aparece un tercer elemento: los eventos . Siguiendo con nuestro ejemplo de la lluvia, las acciones son "llevar paraguas" o "dejar el paraguas en casa". Toda decisión implica la selección de una acción. Pero los resultados de cada acción son inciertos, porque un resultado es consecuencia, en parte, de una acción y, en parte, del azar. Para la acción "llevar paraguas" hay dos resultados posibles: (1) cargar el paraguas innecesariamente y (2) protegerse de la lluvia. Para la otra acción, "dejar el paraguas en casa" los dos resultados posibles son: (1) mojarse y (2) ni mojarse ni cargar todo el día con el paraguas. Otra vez, el que se dé el primer o el segundo resultado depende de que llueva. El resultado de una determinada acción que se haya elegido depende de qué evento , lluvia o no lluvia, ocurre. La tabla de decisión Para facilitar nuestro análisis, resumiremos un problema de decisión construyendo una tabla de decisión , que nos dará la relación existente entre pares de elementos de decisión. La tabla de decisión para el problema del paraguas es la siguiente: Cada fila de la tabla corresponde a un evento y cada columna a una acción. Los resultados aparecen en el cuerpo de la tabla. Hay un resultado para cada una de las combinaciones de evento y acción posibles, reflejando el hecho de que el resultado es producto de la relación entre acciones y eventos. Tabla 24-1 : Tabla de decisión para el problema del paraguas Acción Evento Llevar paraguas No llevar paraguas Lluvia Mantenerse seco Mojarse No lluvia Cargar el paraguas innecesariamente No mojarse y conservar las manos libres SISTEMAS DE GESTION II - Teoría de Decisión - 3 UTN – FRRo Ingeniería en Sistemas de Información 3 Sólo se incluyen en la tabla las acciones que el tomador de decisiones considera interesantes. "Quedarse en casa" es una acción posible, que no se incluye porque no está contemplada dentro de las opciones del decisor. Las acciones de la tabla 24-1 son mutuamente excluyentes y colectivamente exhaustivas, así que sólo puede elegirse una acción. Los eventos de la tabla también son mutuamente excluyentes y colectivamente exhaustivos. El árbol de decisión Un problema de decisión se puede ilustrar convenientemente mediante un diagrama llamado árbol de decisión como el que se muestra en la figura 24-1. Son de gran utilidad cuando las decisiones deben tomarse en diferentes momentos durante un período de tiempo muy largo. Los árboles de decisión son similares a los árboles de probabilidad. La elección de las diferentes acciones se muestra como ramificaciones de dientes de tenedor donde a cada acción corresponde una acción. Los eventos se representan como ramas separadas en otras ramificaciones. Distinguiremos entre estos dos tipos de puntos de ramificación usando cuadrados para los nodos que correspondan a elección de acciones, y círculos para los nodos que correspondan a ramificación de eventos. Figura 24-1 Arbol de decisión para el problema del paraguas ACCION EVENTO RESULTADO lluvia mantenerse seco no lluvia llevar cargar el paraguas paraguas sin necesidad no llevar paraguas lluvia mojarse no lluvia no mojarse y manos libres Un principio básico para la construcción de un árbol de decisión es que el flujo a través del árbol debe ser cronológico y de izquierda a derecha. Las acciones aparecen en las ramificaciones iniciales porque las decisiones deben tomarse antes de que se sepa qué evento ocurrió. Los eventos se muestran en la segunda serie de ramificaciones.El resultado posible para cada combinación acción-evento se indica al final del camino correspondiente que parte de la base del árbol. 24-3 Las alternativas y la tabla de pagos En esta sección, estudiaremos cómo elegir una acción. Seguiremos con el ejemplo de la lluvia y el paraguas. Si analizamos el proceso de la toma de decisión, seremos capaces en el futuro de tomar mejores decisiones en problemas más complejos. Nuestro análisis se SISTEMAS DE GESTION II - Teoría de Decisión - 4 UTN – FRRo Ingeniería en Sistemas de Información 4 centrará en dos medidas: una para la incertidumbre y una para el valor comparativo o pago asociado a los resultados de una decisión. Consideraremos ejemplos cuyos resultados tengan pagos obvios en alguna moneda de uso corriente, como el dólar. Cada resultado (es decir, cada combinación acción-evento) tiene asociado un valor de pago. En algunas ocasiones a estos pagos los llamaremos valores condicionales dado que son los pagos que el decisor recibe después de elegir una acción determinada. Estos valores se pueden disponer en una tabla de pagos o tabla de valores condicionales , como la Tabla 24-2. La decisión es elegir una de dos acciones: "jugar" o "no jugar". Sin importar cuál sea la decisión, el juego, que consiste en arrojar una moneda, se realizará igual y dará por resultado uno de los dos posibles eventos: "cara" o "cruz". Los resultados posibles corresponden a las cuatro combinaciones acción-evento. Si el decisor decide jugar la apuesta es de $1, las ganancias netas son los pagos que aparecen en la tabla. Objetivos y pagos Para determinar los pagos apropiados, supondremos que el decisor elegirá la acción que más lo acerque a sus objetivos. Cada resultado debe ser ordenado de acuerdo a qué tan cerca se encuentre de la meta del decisor. La tabla de pagos debe constituir una base significativa para la comparación y reforzar la habilidad del decisor para tomar una buena decisión. Por ejemplo, si la meta de un hombre de negocios es lograr un alto nivel de beneficios, entonces los pagos deben medir el beneficio de cada resultado posible. El beneficio es una medida válida para una serie de objetivos, pero no necesariamente es la mejor en el mundo de los negocios. La meta del fundador de una corporación exitosa puede ser mantener el control personal de la misma, así el fundador puede mantener deliberadamente bajos los beneficios para que la firma no sea atractiva para otros empresarios. En general, la toma de decisiones abarca diferentes tipos de metas, cada una de las cuales requiere una medida distinta para los resultados. Decisores con distintos objetivos pueden elegir distintas medidas para los pagos aún cuando consideren las mismas alternativas. Conclusión: la medida del pago se debe elegir de modo que los pagos proporcionen un "ranking" de los resultados que sea el adecuado para la meta u objetivo que se ha fijado el decisor. Es la meta fijada la que indica qué medida del pago es la válida. Tabla 24-2: Tabla de pagos para un juego Acción Evento Jugar No jugar cara $1 $0 cruz $-1 $0 SISTEMAS DE GESTION II - Teoría de Decisión - 5 UTN – FRRo Ingeniería en Sistemas de Información 5 Ejemplo: La elección del mejor prototipo de "Tippi- Toes" Como un ejemplo bastante detallado de toma de decisiones bajo incertidumbre en el área de los negocios, consideraremos a un hipotético fabricante que debe elegir entre cuatro prototipos de Tippi-Toes, una muñeca bailarina que hace piruetas. Cada prototipo responde a una tecnología diferente para las partes móviles, todas alimentadas por un pequeño motor a batería. Un prototipo está hecho en base a engranajes y palancas. El segundo es similar, con resortes en lugar de palancas. Otro trabaja con pesos y poleas. El cuarto diseño, tiene un sistema neumático de válvulas que se abren y cierran bajo el control de una pequeña computadora alojada en la cavidad de la cabeza. En sus aspectos funcionales todas los prototipos resultan idénticos. La elección del sistema sólo debe basarse en la comparación de las contribuciones de cada prototipo a los beneficios. La tabla de pagos es la siguiente: La demanda de las muñecas es incierta pero el gerente cree que será alguno de los valores que se muestran a continuación: El fabricante de juguetes de este ejemplo considera sólo tres posibles eventos, lo que simplifica mucho nuestro análisis. Sin embargo, la demanda no será exactamente 25000 ó 100000 unidades. El problema podría analizarse para miles de posibles niveles de demanda (por ejemplo de 0 a 500000 muñecas). Las técnicas que desarrollaremos aquí se pueden aplicar a situaciones más detalladas. Debido a requerimientos computacionales, la distribución de probabilidad de la demanda puede aproximarse a 100, 1000 ó 10000 unidades. De igual modo, nuestro ejemplo tiene sólo cuatro alternativas o acciones. En la práctica, el número de acciones posibles puede ser mucho mayor. Por ejemplo, decidir qué combinación de juguetes vender puede llevarnos a considerar millones de alternativas. El análisis de decisiones sólo debe incluir las alternativas que interesan al decisor. 24-4 Acciones inadmisibles. Antes de iniciar el proceso de toma de decisión, se debe determinar si hay acciones que nunca se tomarán en cuenta. Para ejemplificar, consideremos la tabla de pagos 24-4. Aparece una característica interesante para las acciones "pesos y poleas" y "neumático": sea cual fuere la demanda, el prototipo hecho con pesos y poleas da mayores beneficios (o menores pérdidas) que el neumático. Dado que el movimiento con pesos y poleas es siempre una elección mejor que el movimiento neumático, diremos que la primer acción Tabla 24-4 Tabla de Pagos para la Tippi-Toe Acción (sistema de movimiento) Evento (demanda) Engranajes Resortes Pesos y poleas Neumático Baja $25 000 $-10 000 $-125 000 $-300 000 Moderada 400 000 440 000 400 000 300 000 Alta 650 000 740 000 750 000 700 000 Demanda Cantidad (unidades) Baja 25 000 Moderada 100 000 Alta 150 000 SISTEMAS DE GESTION II - Teoría de Decisión - 6 UTN – FRRo Ingeniería en Sistemas de Información 6 domina a la segunda. Una acción domina a otra cuando tiene asociado un pago mejor o igual al de la otra sin importar cuál es el evento que ocurra, y cuando es estrictamente mejor para uno o más eventos. En general, siempre que una acción domina a otra esta última es inadmisible . La decisión a tomar por el fabricante de juguetes se verá simplificada por la eliminación del prototipo con movimiento neumático. La tabla modificada aparece como Tabla 24-5. Un modo simple de determinar si una acción es inadmisible es ver si todos los valores que aparecen en la columna de la tabla de pagos son menores o iguales que los correspondientes de otras columnas. Es fácil verificar que esto no ocurre con ninguna de las acciones de la Tabla 24-5, así que los tres prototipos restantes deben tomarse en cuenta en el momento de decidir. Estas acciones restantes se llaman acciones admisibles . 24.5 Maximizando los pagos esperados: La regla de d ecisión de Bayes ¿Cómo se debe elegir una acción? Cuando no hay incertidumbre la respuesta es directa: Elija la acción que le dé el mayor pago (aunque encontrar este óptimo puede ser muy difícil si hay muchas alternativas). Pero cuando los eventos son inciertos, la acción que conduce al mayor pago para un evento puede llevarnos a un pago menor que alguna otra acción para otro evento. Suponga que nuestro fabricante de juguetes acepta las siguientes probabilidades de demanda para las Tippi-Toes: Podemos calcular el pago esperado o promedio de cada acción en la Tabla 24-6 multiplicando cada pago por su respectiva probabilidad y sumando los productos para cada columna. Vemos que el sistema de movimiento a resortes es el que tiene el mayor pagopromedio: $455000. Así si usamos el máximo pago promedio como criterio de decisión, nuestro fabricante de juguetes elegirá el prototipo de movimiento a resortes para su muñeca Tippi- Toes. El criterio de seleccionar la acción con el mayor pago esperado o pago promedio se suele llamar regla de decisión de Bayes . Esta regla toma en cuenta toda la información sobre las chances de las distintos resultados posibles. Veremos que no es una regla adecuada a todas las circunstancias y que en algunos casos puede llevar a elegir acciones que no son las mejores. Sin embargo, veremos que este criterio permite tomar decisiones adecuadas bajo condiciones de incertidumbre cuando la selección de los pagos se hace cuidadosamente. Tabla 24-5 Tabla de Pagos modificada para la Tippi-Toe Acción (sistema de movimiento) Evento (demanda) Engranajes Resortes Pesos y poleas Baja $25 000 $-10 000 $-125 000 Moderada 400 000 440 000 400 000 Alta 650 000 740 000 750 000 Demanda Probabilidad Baja 0.10 Moderada 0.70 Alta 0.20 SISTEMAS DE GESTION II - Teoría de Decisión - 7 UTN – FRRo Ingeniería en Sistemas de Información 7 Tabla 24-6 Cálculo de los pagos esperados para el problema de decisión de la Tippi-Toe Engranajes Resortes Pesos y poleas Evento (demanda) Prob Pago Pago x Prob Pago Pago x Prob Pago Pago x Prob Baja 0.10 25 000 2 500 -10 000 -1 000 -125 000 -12 500 Moderada 0.70 400 000 280 000 440 000 308 000 400 000 280 000 Alta 0.20 650 000 130 000 740 000 148 000 750 000 150 000 $412 500 $455 000 $417 500 24-6 Análisis con árboles de decisión Las decisiones bajo incertidumbre muchas veces pueden plantearse en forma de una tabla de pagos. Pero muchos problemas son demasiado complejos como para ser presentados en una tabla. Las dificultades se presentan cuando los mismos eventos no pueden aplicarse a todas las acciones. Por ejemplo, un contratista puede tener que elegir entre licitar la construcción de una represa o licitar la construcción de un aeropuerto, ya que no cuenta con recursos suficientes como para licitar ambos trabajos a la vez. Independientemente del trabajo elegido, tiene una cierta probabilidad (que puede variar en los dos proyectos) de ganar cada licitación. Cada acción requerirá una serie distinta de eventos y probabilidades. A menudo deben tomarse decisiones en dos o más momentos a lo largo del tiempo, y entre sendas decisiones ocurren eventos aleatorios. Muchas veces estos problemas pueden analizarse con una tabla de pagos, pero generalmente las primeras elecciones inciden en el tipo, cantidad y probabilidades de los eventos siguientes. Esto hace que sea engorroso tomar la decisión dentro del rectángulo que define la matriz de la tabla de pagos. El árbol de decisión, que ya vimos, nos permite disponer los elementos de un problema complejo de decisión sin estar sujetos a la restricción del formato tabular. Una ventaja adicional del árbol de decisión es que sirve como una excelente herramienta de comunicación gerencial, ya que presenta claramente todos los cursos de acción y resultados posibles. Ejemplo: El marketing de Ponderosa El presidente de la Compañía de Discos Ponderosa, un pequeño estudio de grabación independiente, está por firmar un contrato con un grupo de rock llamado "Fluid Mechanics". El "tape" ya se ha grabado y Ponderosa debe decidir la política de marketing a seguir. Si se decide someter el disco a una prueba de mercado, se editarían 5000 unidades y se encararía una promoción regional; esto podría dar como resultado una decisión posterior de distribuir 45000 unidades más en el mercado nacional, para lo cual habría que hacer una segunda edición del disco. Si se decide lanzarlo directamente al mercado nacional, se hace una primer edición de 50000 unidades. Sin importar cual sea el resultado de la prueba regional, el presidente podría decidir entrar al mercado nacional o no hacerlo. Un disco de Ponderosa en este mercado es un éxito completo o un completo fracaso. Se considera un éxito si se venden todas las placas editadas, en caso de fracaso las ventas son SISTEMAS DE GESTION II - Teoría de Decisión - 8 UTN – FRRo Ingeniería en Sistemas de Información 8 prácticamente nulas. El tener éxito en un mercado regional no asegura el éxito a nivel nacional, pero es un buen predictor de lo que puede ocurrir. El árbol de decisión La estructura del problema de decisión de la Ponderosa aparece en el árbol de decisión de la figura 24-2. Deben tomarse dos decisiones en distintos momentos o etapas. La decisión inmediata es seleccionar una de dos acciones: "hacer la prueba regional" o "no hacer la prueba regional". Estas acciones se muestran como ramas del nodo inicial a (nodo cuadrado de decisión). Si se decide hacer una prueba de mercado, los resultados a obtener son inciertos. Esto se refleja en el nodo b (nodo circular correspondiente a evento), donde las ramas representan resultado favorables y desfavorables. Independientemente de lo que ocurra, se debe tomar una decisión entre dos nuevas acciones: "lanzarse al mercado nacional" o "abortar la operación". Estas acciones se toman en una etapa posterior y dan lugar a un par de nodos de decisión. Cada uno corresponde a las dos diferentes condiciones bajo las que se debe tomar la decisión: en el nodo c, cuando la prueba de mercado resultó favorable, y en el nodo d, cuando fue un fracaso. Si se elige lanzarse al mercado ya sea en el nodo c o el d, el éxito o fracaso del disco sigue siendo incierto, y los eventos posibles aparecen en el árbol de decisión como las ramas terminales en los nodos f y g. Figura 24-2 Arbol de decisión para el problema de Ponderosa ACCION EVENTO ACCION EVENTO RESULTADO éxito O1 mercado nacional O2 fracaso favorable O3 abortar desfavorable éxito O4 mercado testear mercado nacional fracaso O5 abortar O6 éxito O7 no testear mercado mercado nacional fracaso O8 abortar O9 b c d a e f g h SISTEMAS DE GESTION II - Teoría de Decisión - 9 UTN – FRRo Ingeniería en Sistemas de Información 9 Si la decisión inicial en el nodo a es "no hacer la prueba de mercado", entonces se debe tomar una segunda decisión en el nodo e: "lanzarse al mercado nacional" o "abortar". Como antes, el nodo h refleja los dos eventos posibles en caso de elegir lanzarse al mercado. La ruta correspondiente a "abortar" que parte del nodo e contiene una rama "artificial" - un recurso del diagrama para permitir que los caminos que parten de eventos y decisiones terminen en una etapa común. Cada camino que parte de la base del árbol conduce a una última posición correspondiente a un resultado. Cada combinación posible de acciones y eventos o cada camino, tiene un resultado distinto. Por ejemplo, O1 representa la siguiente secuencia de eventos y acciones: "hacer la prueba de mercado", "resultado favorable", "lanzarse al mercado nacional", "tener éxito". El primer paso en el análisis de un problema de decisión es obtener el pago correspondiente a cada resultado. Cálculo de los pagos El contrato con "Fluid Mechanics"establece un pago de $5000 al grupo si se edita el disco. Ponderosa contrata a un fabricante de discos para que haga las placas. Cada lote de discos producidos tiene un costo indirecto de $5000 más $0.75 por disco. Los costos de envase y distribución agregan $0.25 por disco. Por tanto el costo directo total por disco es $1.00. Con estos números se calcula la incidencia de cada acción en el árbol de decisión de la figura 24-2. Algunos de estos valores, o pagos efectivos parciales , se presentan en la tabla 24-7. Los pagos negativos indican gastos. Los pagos efectivos parciales aparecen en las respectivas ramas que salen de los nodos de decisión a y e en el árbol de decisión de la figura 24-3. De modo similar se determinan los pagos efectivos parciales para las acciones en los nodos de decisión c y d: $-50000 por el lanzamiento en el mercado nacional ($5000 por los costos indirectos más $1.00 de costo directo por 45000 discos), y $0 por abortar la operación. Ponderosa recibe $2 por cada disco que se vende al público. Ya que los eventos "favorable" y "desfavorable" o "éxito" y "fracaso" representan, respectivamente, la venta de todos los discos o de ninguno; el pago efectivo parcial se puede obtener multiplicando el número de discos vendidos por $2. Los pagos efectivos parciales para los eventos del nodo b son $10000 (por 5000 discos vendidos) y $0 (sin ventas). Los montos para los eventos de los nodos f y g son $90000 (por 45000 discos vendidos) y $0, mientras que los montos por los eventos del nodo h son $100000 y $0. Tabla 24-7 Algunos pagos efectivos de Ponderosa Acción Pago efectivo parcial ⊕⊕⊕⊕ PRUEBA DE MERCADO pago al grupo $- 5000 costo fijo del lote - 5000 costo directo de 5000 discos - 5000 TOTAL $-15000 Tabla 24-7 Algunos pagos efectivos de Ponderosa Acción Pago efectivo parcial ⊕⊕⊕⊕ SIN PRUEBA DE MERCADO $ 0 ⊕⊕⊕⊕ MERCADO NACIONAL (sin prueba previa) pago al grupo $- 5 000 costo fijo del lote - 5 000 costo directo de 50000 discos - 50 000 TOTAL $-60 000 SISTEMAS DE GESTION II - Teoría de Decisión - 10 UTN – FRRo Ingeniería en Sistemas de Información 10 El pago de cada resultado se obtiene sumando los pagos efectivos parciales de las ramas del camino que conduce a las posiciones finales. Así, para O1, sumamos $-15000, $10000, $-50000 y $90000. El pago de O1 es $35000. Los pagos de cada resultado aparecen en las posiciones finales del árbol de decisión de la figura 24-3. Figura 24-3 Arbol de decisión para el problema de Ponderosa Pago neto (.80) +$90.000 -$50.000 éxito +$35 000 mercado nacional fracaso -$55.000 (.50) +$10.000 $0 (.20) favorable abortar -$5.000 $0 (.50) $0 + $90 000 desfavorable -$50.000 éxito (.20) +$25.000 mercado testear mercado nacional -$15.000 fracaso -$65.000 $0 (.80) abortar -$15.000 $0 +$100.000 (.50) éxito +$40.000 $0 -$60.000 no testear mercado mercado nacional fracaso -$60.000 $0 (.50) abortar $0 $0 Asignando probabilidades a los eventos Los ejecutivos de Ponderosa desean elegir la acción que les dé el máximo beneficio promedio. Pero antes de tomar una decisión deben asignar probabilidades a los distintos eventos posibles. Suponga que el presidente de Ponderosa cree que la chance de que el resultado de la prueba de mercado sea favorable es 0.50. La probabilidad de no favorable es también 0.50. Estas probabilidades se ubican entre paréntesis a lo largo de las ramas del nodo en la figura 24-3. Al asignar probabilidades a los eventos éxito y fracaso para el lanzamiento nacional, nuestra decisión se enfrenta con tres situaciones distintas. Si no se hace prueba previa, la chance de obtener un éxito, se estima en 0.50. Un resultado favorable en la prueba de mercado indicaría que el disco gustó por lo menos en ese segmento regional del mercado, así la chance en el nivel nacional sería mucho mayor 0.80, esta es una probabilidad condicional. Del mismo modo, un resultado desfavorable en la prueba de mercado indicaría una falta de interés a nivel nacional en el disco, la probabilidad condicional para este suceso se estima en 0.20. Los siguientes valores de probabilidad se ubican sobre las ramas para los eventos considerados en el árbol de decisión: 0.80 para éxito y 0.20 para fracaso en el nodo f; 0.20 para éxito y 0.80 para fracaso en el nodo g; y 0.50 para éxito y 0.50 para fracaso en el nodo h. (Es sólo una coincidencia que la b c d a e f g h SISTEMAS DE GESTION II - Teoría de Decisión - 11 UTN – FRRo Ingeniería en Sistemas de Información 11 probabilidad de éxito en el mercado nacional cuando la prueba de mercado dio desfavorable sea 0.20, lo mismo que la probabilidad de fracaso en el mercado nacional cuando la prueba de mercado dio favorable. El decisor podría haber seleccionado otro valor como por ejemplo 0.10). Figura 24-4 Arbol de decisión de Ponderosa, inducción hacia atrás Pago neto (.80) $17.000 éxito +$35.000 mercado $17.000 nacional -$55.000 (.50) favorable -$5.000 $1.000 (.50) abortar -$47.000 (.20) desfavorable éxito +$25.000 mercado testear mercado nacional -$65.000 fracaso $-15.000 (.80) $1000 abortar -$15.000 (.50) -$10.000 éxito +$40.000 $0 $0 no testear mercado mercado nacional fracaso -$60.000 (.50) abortar $0 Inducción hacia atrás Ahora estamos listos para analizar la decisión de Ponderosa. Nuestro decisor quiere tomar una decisión en el nodo a. La primer acción que evalúa es "prueba de mercado". ¿Cuál es el pago promedio (o esperado) para esta acción? Si nos remitimos a la figura 24-3, vemos que hay seis resultados posibles, O1 a O6, consecuencia de esta decisión. ¿Cómo podemos tener en cuenta los pagos correspondientes a estos resultados en el pago promedio? No podemos hacerlo hasta tanto no especifiquemos qué acciones se elegirán en los nodos c y d. En general, no se puede evaluar una acción inmediata sin considerar primero todas las decisiones posteriores que tendrán lugar como resultado de esta decisión. Así, para hallar el pago promedio para la acción "prueba de mercado" nuestro decisor debe primero decidir qué hacer (lanzarse al mercado nacional o abortar el proyecto) en el caso de que: (1) la prueba de mercado arroje resultadosdesfavorables o (2) arroje resultados favorables. b c d a e f g h SISTEMAS DE GESTION II - Teoría de Decisión - 12 UTN – FRRo Ingeniería en Sistemas de Información 12 Esto ejemplifica una característica esencial en el análisis de decisiones en etapas múltiples: Las evaluaciones se hacen en el sentido contrario al orden cronológico. El procedimiento de hacer tales evaluaciones se denomina inducción hacia atrás . Para aclarar este punto describiremos el proceso de decisión de este problema. Para simplificar, en la figura 24-4 se vuelve a dibujar el árbol de decisión del presidente de Ponderosa con sus pagos efectivos parciales. A continuación se detalla la secuencia de decisiones óptimas. El presidente de Ponderosa debe elegir hacer la prueba de mercado para el disco de Fluid Mechanics. Si la prueba da resultados favorables, lo mejor es lanzarse al mercado nacional; si la prueba da resultados desfavorables, conviene abortar el proyecto. Este resultado se muestra en la figura 24-4 en las ramas del árbol que no han sido cortadas. Comentarios adicionales Las decisiones que se toman en las últimas etapas no son irrevocables, y este análisis no deja de lado el hecho de que el decisor puede cambiar de idea a lo largo del tiempo. Antes de que se tome la decisión futura del nodo c, puede que se conozca nueva información que podría, por ejemplo, indicar la necesidad de revisar las probabilidades de éxito a nivel nacional. Si hubiera una mala publicidad sobre alguno de los miembros de Fluid Mechanics, por ejemplo, el pago promedio por lanzarse al mercado nacional podría ser mucho menor que el de abortar el proyecto. Los cambios posibles en las condiciones no invalidan el análisis hacia atrás. En nuestro ejemplo, la elección de hacer una prueba de mercado es la mejor decisión que puede tomarse basándose en la información disponible hasta el momento. La estructura de un árbol de decisión es adecuada para analizar decisiones que se extienden a lo largo de un período de tiempo prolongado. Indica el mejor curso de acción para la decisión actual. A medida que pasa el tiempo, es posible que algunas incertidumbres se aclaren y aparezcan otras nuevas. Las acciones que previamente se identificaron como óptimas pueden transformarse en elecciones pobres y aparecer otras mejores. Puede que sea necesario revisar buena parte del árbol de decisiones y determinar nuevas acciones. Pero tales decisiones se analizan del mismo modo, usando la mejor información disponible en el momento de decidir. Aún cuando un árbol de decisión se analiza moviéndose hacia atrás en el tiempo, el análisis es realmente hacia adelante porque indica el curso de acción óptimo a seguir cuando se alcanza un punto futuro de decisión. Sin importar cuál o cuáles son los eventos que han ocurrido el curso de acción óptimo para el futuro es el que indica el análisis original. SISTEMAS DE GESTION II - Teoría de Decisión - 13 UTN – FRRo Ingeniería en Sistemas de Información 13 STATISTICS FOR MODERN BUSINESS DECISIONS Lawrence L. LAPIN Sixth Edition The Dryden Press Parte IV: ANALISIS DE DECISION Capítulo 25 : ELEMENTOS DE LA TEORIA DE DECISION El análisis moderno de la teoría de decisión tiene sus raíces en la teoría estadística de decisión . La teoría estadística de decisión pone el acento en la sistematización al elegir una acción, para ello usa las tablas de pago introducidas en el capítulo 24. Para seleccionar la mejor acción se pueden elegir entre varios criterios de decisión . La medida de los pagos es en sí misma un elemento clave para determinar las reglas de la toma de decisión, la teoría de decisión utiliza varias de estas medidas. Comenzaremos el tratamiento de la teoría de decisión examinando algunos de los criterios de decisión más conocidos. Hablaremos de la pérdida de oportunidad - una medida del pago que nos permite evaluar el valor de la información que se obtiene de ciertos eventos. Usaremos el adjetivo estadístico porque el muestreo es una fuente importante de esa información. Por muchas razones, también veremos que la regla de decisión de Bayes, que ayuda al decisor a seleccionar la acción que tiene el mayor pago promedio (o pago esperado), es el criterio más favorecido. Los conceptos teóricos de la toma de decisión referentes a esta regla fueron bastamente desarrollados, dado que este criterio usa toda la información a disposición del decisor. Cuando se usa la medida del pago apropiada, la regla de Bayes nos conduce a la mejor decisión. El artificio que hace esto posible es la utilidad , que mide las preferencias del decisor. La teoría de la utilidad es un campo específico dentro del amplio contexto de la teoría de decisión. Aunque la utilidad permite al decisor tomar decisiones que son consistentemente óptimas cuando enfrenta situaciones de riesgo, sus enunciados se basan en supuestos de conducta sobre los que no hay un acuerdo total. Sin embargo, muchas veces pueden tomarse decisiones equivalentes mediante otro procedimiento que se describe en este capítulo y que encuentra para cada curso de acción un equivalente de certeza . Estas cantidades se obtienen descontando el pago monetario promedio con una tasa de riesgo . Este capítulo trata sobre teoría de decisión. En capítulos posteriores, nos ocuparemos de temas más específicos. El capítulo 26 explica cómo se puede incorporar sistemáticamente la información experimental en la toma de decisiones. El 27 y el 28 son de índole más estadística; se unen estructuras de distribuciones de probabilidad con conceptos de la toma de decisión. El capítulo 29 describe la teoría de la utilidad y delinea los detalles prácticos sobre obtención y uso de las utilidades. SISTEMAS DE GESTION II - Teoría de Decisión - 14 UTN – FRRo Ingeniería en Sistemas de Información 14 25-1 Criterios de decisión El criterio maximín Ninguna teoría de decisión está completa hasta que el decisor haya considerado todas las reglas que puede usar para seleccionar la mejor acción. Comenzaremos con el criterio más simple, el maximín - un procedimiento que garantiza al decisor que su elección le posibilitará alcanzar el mejor de los peores resultados posibles. Como ejemplo, usaremos la Tabla 25-1, con los pagos de los posibles cursos de acción del fabricante de las muñecas Tippi-Toe. Supongamos que el fabricante desea elegir una acción que le asegure un resultado favorable sin importar qué ocurra. Esto va acompañado de un punto de vista pesimista, que determina el peor resultado para cada acción, sin importar el evento que ocurra. Para el prototipo con engranajes, el pago más bajo posible es $25000 y se obtiene cuando la demanda es baja. El menor pago para el prototipo con resortes se da también cuando la demanda es baja y es un monto negativo $-10000. Para el prototipo accionado con pesos y poleas, el menor pago es $-125000, nuevamente para demanda baja. Si elige la acción que le asegura el mayor de entre los pagos más bajos, el decisor tiene garantizado un retorno mínimo que es el mejor de los peores resultados posibles. En este caso, generar el movimiento con engranajes le asegura al fabricante de juguetes un pago de al menos $25000. El movimiento de engranajes es la acción con el máximo de los pagos mínimos. Un modo más corto de expresarlo es decir que el movimiento a engranajes es la acción con pago maximím . Para mostrar cómo se puede determinar en general un pago maximín, reconstruiremos la tabla de pagos del problema Tippi-Toe en la Tabla 25-2. En muchos de los ejemplos que veremos usaremos el beneficio como medida del pago. Como vimos en el capítulo 24, hay una variedad de medidas que se pueden usar para ordenar los resultados por importancia. En las aplicaciones a los negocios, el costo se usa a menudo para este propósito cuando, la meta es minimizar los costos operacionales. Podemosaplicar el criterio de pagos maximín a una situación donde trabajamos con costos invirtiendo la regla y seleccionando la acción con el mínimo de los costos máximos. El nombre apropiado para esta regla sería costo minimax . Este criterio es idéntico al de los beneficios maximín en el sentido de que los costos pueden Tabla 25-2 Búsqueda de la acción con pago maximín Acción (sistema de movimiento) Evento (demanda) Engranajes Resortes Pesos y poleas Baja $25 000 $-10 000 $-125 000 Moderada 400 000 440 000 400 000 Alta 650 000 740 000 750 000 Mínimo de columna $25 000 $-10 000 $-125 000 Máximo de los mínimos de cada columna = $ 25 000 Acción con pago maximín: Engranajes Tabla 25-1 Tabla de Pagos para la Tippi-Toe Acción (sistema de movimiento) Evento (demanda) Engranajes Resortes Pesos y poleas Baja $25 000 $-10 000 $-125 000 Moderada 400 000 440 000 400 000 Alta 650 000 740 000 750 000 SISTEMAS DE GESTION II - Teoría de Decisión - 15 UTN – FRRo Ingeniería en Sistemas de Información 15 considerarse como beneficios negativos, así debe invertirse el sentido de la maximización y la minimización. Ambos criterios nos llevan a elegir el mejor de entre los peores resultados. Para evitar confusiones, siempre usaremos maximín y minimax como adjetivos de beneficio o costo. La conveniencia del criterio de pagos maximín dependerá de la naturaleza de la decisión a tomar. Considere el problema de decisión de la Tabla 25-3. En esta situación, la decisión maximín es elegir A1. A2 podría ser una elección mejor si la probabilidad de E2 fuera lo suficientemente alta, pero la decisión maximín está perdiendo una oportunidad de ganar $10000 por no correr el riesgo de perder sólo $1. Sin embargo, podríamos encontrar circunstancias en las cuales A1 sería la mejor elección. Si el decisor tuviera sólo $1 y lo tuviera que usar para pagar una deuda que podría costarle la vida, los pagos de la tabla no serían realistas, no coincidirían con los verdaderos valores que el decisor les asigna. Considere la situación representada por los pagos que aparecen en Tabla 25-4. Aquí la acción con pago maximín es B1. Esta puede ser la mejor elección para un decisor que no está en condiciones de soportar una pérdida de $10000, sin importar qué tan probable sea esta. Muy poca gente se arriesgaría a perder su negocio eligiendo una acción que podría llevarlo a la bancarrota aunque la posibilidad de que esto ocurra sea extremadamente pequeña. Pero un individuo que puede sobrevivir a una pérdida de $10000 encontraría a B2 como una elección superior a la B1 si la probabilidad de E2 fuera sustancialmente menor que la de E1. Los ejemplos presentados muestran una deficiencia clave de los pagos maximín: Es un criterio extremadamente conservador que puede llevarnos a tomar algunas decisiones muy malas. Cualquier alternativa con un riesgo ligeramente grande se rechaza en favor de otra que comparativamente está libre de riesgo, aunque sea muy poco atractiva. Llegando a un extremo ridículo, el adoptar una política de pagos maximín dejaría a cualquier empresa afuera del mercado. Nunca tendríamos mercaderías almacenadas, porque existe la posibilidad de no venderlas. Nunca lanzaríamos nuevos productos al mercado, porque no estaríamos seguros de obtener éxito. Nunca daríamos crédito, porque alguno de nuestros clientes podría no pagarnos. El criterio de los pagos maximín no es el mejor si se conocen las probabilidades de los eventos. Es el adecuado para un problema de decisión cuyas probabilidades son desconocidas y no se pueden estimar razonablemente. Como los ejemplos vistos nos indican, solamente en los casos extremos - una persona muy comprometida con un crédito o un negocio que puede terminar en la bancarrota- el criterio de los pagos maximín nos conduce a una buena decisión. Tabla 25-3 Pagos maximín para una situación A hipotética Acción Evento A1 A2 E1 $0 $-1 E2 1 1000 Mínimo de columna 0 -1 Máximo de los mínimos = $0 Acción con pago maximín = A1 Tabla 25-4 Tabla de pagos para una situación B hipotética Acción Evento B1 B2 E1 $1 $10 000 E2 -1 -10 000 SISTEMAS DE GESTION II - Teoría de Decisión - 16 UTN – FRRo Ingeniería en Sistemas de Información 16 El criterio de la máxima verosimilitud Otra regla que sirve como modelo del comportamiento del decisor es el criterio de la máxima verosimilitud, que pone el acento en el evento más probable, excluyendo todos los otros. La tabla 25-5 aplica este criterio al problema de decisión de la Tippi-Toe. En este caso, vemos que la mayor probabilidad (0.70) corresponde a una demanda moderada. El criterio de máxima verosimilitud hace caso omiso de las posibles demandas baja y alta, supone que no ocurrirán. Esta regla nos indica que elijamos la mejor acción suponiendo que la demanda será moderada. En el ejemplo de la Tippi-Toe, la acción máximo verosímil es elegir el prototipo con movimiento a resortes, que nos dará un beneficio máximo de $440000 si la demanda es moderada. ¿Qué tan adecuado es el criterio de máxima verosimilitud en la toma de decisiones? Siguiendo con nuestro ejemplo, consideremos el rango de los resultados posibles para el movimiento a resortes, varía de una pérdida de $10000 si la demanda es baja a un beneficio de $740000 si la demanda es alta. Si adoptamos este criterio ignoraremos los otros posibles resultados, incluyendo el mejor (seleccionar pesos y poleas cuando la demanda es alta nos proporcionaría un beneficio de $750 000) y el peor (seleccionar pesos y poleas cuando la demanda es baja nos proporcionaría una pérdida de $125000). En este sentido, el criterio de máxima verosimilitud hace que escondamos la cabeza como el avestruz, ignorando buena parte de lo que puede llegar a suceder. Entonces ¿por qué lo presentamos aquí? Ejemplo: Explicación del ciclo de la carne porcina Presentamos este criterio porque parece ser el que prevalece en el momento de tomar decisiones, ya sea personales o en los negocios. Se puede usar también para explicar ciertas anomalías que de otro modo son difíciles de comprender racionalmente. Estas conductas caprichosas se manifiestan claramente en el llamado "ciclo de la carne porcina" que se da en la comercialización de los cerdos. El ciclo está relacionado con la evolución de los precios de los porcinos que presenta variaciones cíclicas de aproximadamente dos años, en el comienzo de las cuales el precio alcanza valores máximos, luego mínimos y máximos otra vez. Los ganaderos dedicados a la cría de cerdos han sido señalados como los culpables de este ciclo, ya que cuando los precios están en alza agrandan sus piaras, así, un año después la oferta de porcinos es excesiva y los precios bajan; Entonces como los precios son bajos, esos mismos ganaderos reducen sus stocks, disminuye la oferta de porcinos en el mercado y al año siguiente los precios suben. ¿Por qué los ganaderos no rompen este ciclo? No parece ser racional adoptar un patrón de conducta equivocado en la regulación del mercado. Una explicación es que estos ganaderos Tabla 25-5 Búsqueda de la acción con máxima verosimilitud Acción (sistema de movimiento) Evento (demanda) Probab Engranajes Resortes Pesos y poleas Baja 0.10 $25 000 $-10 000 $-125 000 Moderada 0.70 400 000 440 000 400 000 Alta 0.20 650 000 740 000 750 000 Evento más probable : Demanda moderada Pago máximo de la fila = $440000 Acción con la máxima verosimilitud: Resortes SISTEMAS DE GESTION II - Teoría de Decisión - 17 UTN – FRRo Ingeniería en Sistemas de Información 17 usan el criterio de máxima verosimilitud. Para ellos el precio más probable del mercado futuro es el precio actual - aún cuando ya han experimentado que este juicio les ha dado muy poco resultado. Bajo esta premisa, la acción máximo verosímil es aumentar la cantidad de cabezas cuando los precios actualesson altos y disminuirla cuando son bajos. El criterio de la razón insuficiente Otro criterio empleado en la toma de decisiones es el criterio de la razón insuficiente. Este criterio puede usarse cuando el decisor no tiene información sobre las probabilidades de los eventos. En este caso, no hay evento que pueda considerarse más probable que otro, y a todos los eventos se les asigna la misma probabilidad. Dado que los eventos son mutuamente excluyentes y colectivamente exhaustivos, la probabilidad de cada evento es 1 / número de eventos Usando estas probabilidades se elige la acción con el mayor pago esperado. Una de las mayores críticas que se hacen al criterio de la razón insuficiente es que, salvo en muy contadas situaciones, siempre se tiene disponible algún indicio de las probabilidades de los eventos. Cuando se tienen probabilidades más realistas, el criterio de decisión de Bayes proporciona resultados más valederos. El criterio preferido: la regla de decisión de Baye s Los tres criterios estudiados hasta ahora tienen defectos obvios. Ninguno de ellos toma en cuenta toda la información de que dispone el decisor. El maximín ignora por completo las probabilidades de los eventos. Aunque se argumenta que es un criterio importante cuando las probabilidades no pueden determinarse con facilidad, salvo en muy pocas ocasiones uno puede usar el juicio crítico para obtener valores aceptables para las probabilidades. El criterio de la máxima verosimilitud sólo toma en cuenta el evento más probable, aún en el caso de que este evento resulte ser menos probable que la combinación de los restantes eventos. (Entre 20 eventos, por ejemplo, el más probable puede tener una probabilidad de 0.10, la probabilidad de que uno de los otros eventos ocurran sería del 0.90) El criterio de la razón insuficiente nos lleva a ignorar nuestro juicio y desaprensivamente suponer que todos los eventos son igualmente probables. De acuerdo a este criterio, eventos tales como "guerra" y "paz", y "prosperidad" y "depresión", tienen probabilidades iguales. La regla de decisión de Bayes es el nudo central de la teoría estadística de decisión. Usa a fondo toda la información disponible y es el único criterio que nos permite incorporar información muestral o experimental. El mayor defecto de la regla de decisión de Bayes aparece cuando las alternativas implican distintas magnitudes de riesgo. Para ejemplificar este punto, consideremos la estructura de decisión que aparece en la Tabla 25-6. Las acciones C1 y C2 son igualmente atractivas de acuerdo al criterio del máximo pago promedio (regla de decisión de Bayes). Si embargo, la mayoría de los decisores tendrían una preferencia clara por la acción C2, porque evita correr el riesgo de perder $1000000. SISTEMAS DE GESTION II - Teoría de Decisión - 18 UTN – FRRo Ingeniería en Sistemas de Información 18 25-2 Pérdida de oportunidad y el valor esperado de la información perfecta ¿Es conveniente comprar información que nos ayude a elegir la mejor acción? La información no suele ser gratis, se necesitan recursos para tomar una muestra o realizar una encuesta. En esta sección, veremos cómo valuar esa información. Para eso introduciremos el concepto de pérdida de oportunidad. Pérdida de oportunidad Suponga que a cada resultado posible le asignamos una medida que exprese la diferencia entre el pago por la acción elegida y el mejor pago que podríamos obtener. DEFINICION: La pérdida de oportunidad de un resulta do es el monto que perdemos por no haber seleccionado la acción con el mejor pago de acuerdo al evento que realmente ocurrió. La Tabla 25-7 muestra cómo se obtienen las pérdidas de oportunidad a partir de los pagos en el problema del fabricante de muñecas. Primero se determina el pago mayor de cada fila, luego cada pago se resta del máximo de la fila respectiva. Tabla 25-7 Cómo determinar las pérdidas de oportunidad (Tippi-Toe) Acción (sistema de movimiento) Evento (demanda) Engranajes Resortes Pesos y poleas Máximo Baja $25 000 $-10 000 $-125 000 25 000 Moderada 400 000 440 000 400 000 440 000 Alta 650 000 740 000 750 000 750 000 Máximo de la fila - Pago = Pérdida de oportunidad (en cientos de dólares) Baja 25– 25= 0 25- (-10)=35 25-(-125)=150 Moderada 440- 400=40 440- 440=0 440 - 400=40 Alta 760-650=100 750 -740=10 750 - 750=0 Tabla 25-6 Tabla de pagos para una decisión hipotética C Acción C1 Acción C2 Evento Probabilidad Pago Pago x Probab. Pago Pago x Probab. E1 0.5 $-1000000 - 500000 $250000 $125000 E2 0.5 2000000 1000000 750000 375000 Pago esperado o promedio $500000 $500000 SISTEMAS DE GESTION II - Teoría de Decisión - 19 UTN – FRRo Ingeniería en Sistemas de Información 19 La tabla de pérdida de oportunidad para el problema de la Tippi-Toes aparece en la Tabla 25-8. Todas las pérdidas de oportunidad son no negativas ya que miden qué‚ tan mala ha sido la elección del decisor al escoger una acción que no resulta ser la mejor a la luz del evento que efectivamente ocurre. Consideremos el significado de la pérdida de oportunidad. Por ejemplo, supongamos que se elige el prototipo con engranajes y que la demanda resulta ser baja. La pérdida de oportunidad es cero, porque según observamos en la tabla 25-7 eligiendo cualquier otra acción no hubiéramos obtenido un pago mejor que los $25000 (máximo de la fila) que corresponden al prototipo con engranajes. Pero si elegimos el movimiento con engranajes y la demanda resulta alta, la pérdida de oportunidad es $100000, porque para este nivel de demanda el pago mayor es el de movimiento con pesos y poleas ($750000). Como para el movimiento a engranajes el pago es de sólo $650000, la diferencia 750000-650000=100000 representa el pago adicional perdido por no haber seleccionado la acción con pago mayor. Se debe remarcar que la pérdida de oportunidad de $100000 no es una pérdida en el sentido contable, porque se obtuvieron $650000 como beneficio positivo neto. En cambio, se ha perdido la oportunidad de ganar $100000 más. Diremos que si la demanda resultara alta el valor del disgusto del decisor por haber elegido engranajes en lugar de pesos y poleas sería de $10000. La regla de decisión de Bayes y la pérdida de oport unidad Podemos calcular la pérdida de oportunidad esperada o promedio para cada acción y luego seleccionar la acción que proporcione la pérdida mínima. Esto es lo que aparece en la Tabla 25-9 para el problema de la Tippi-Toes. La mínima pérdida de oportunidad es $5500 para el prototipo de resortes, que es la acción con pérdida de oportunidad mínima en este ejemplo. En el capítulo 24, vimos que el movimiento a resortes es también la acción con máximo pago esperado y en consecuencia es la mejor elección de acuerdo a la regla de Bayes. Este nuevo criterio nos conduce a la misma decisión. Se puede demostrar matemáticamente que esto es siempre así. Dado que ambos criterios nos conducirán a la misma acción diremos que la regla de decisión de Bayes consiste en seleccionar la acción que tiene el mayor pago esperado o la pérdida de oportunidad mínima. Tabla 25-9 Pérdidas de oportunidad promedio para la Tippi-Toe Engranajes Resortes Pesos y Poleas Evento (demanda) Probab. Pérdida Pérdida x Probab. Pérdida Pérdida x Probab. Pérdida Pérdida x Probab. Baja 0.10 $0 $0 $35000 $3500 $150000 $15000 Moderada 0.70 40000 28000 0 0 40000 28000 Alta 0.20 100000 20000 10000 2000 0 0 Pérdida de oport. esperada 48000 $5500 $43000 Tabla 25-8 Pérdidas de oportunidad para el problema de la Tippi-Toe Acción (sistema de movimiento) Evento (demanda) Engranajes Resortes Pesos y poleas Baja $0 $35 000 $150 000 Moderada 40 000 0 40 000 Alta 100 000 10 000 0 SISTEMAS DE GESTION II - Teoría de Decisión - 20 UTN– FRRo Ingeniería en Sistemas de Información 20 El valor esperado de la información perfecta Hasta aquí, nuestro fabricante de juguetes ha elegido una acción sin tener en cuenta más información que su experiencia en casos de juguetes similares. Pero es posible obtener mejor información sobre la demanda en la próxima temporada haciendo una prueba de mercado, o un sondeo de opiniones, o conociendo con anticipación los planes de la competencia. ¿Cuánto está dispuesto a pagar el decisor por la información adicional? Conocer los pagos que pueden obtenerse en caso de tener más información sobre los eventos futuros es de gran utilidad. Consideraremos el caso extremo en que el decisor puede obtener información perfecta. Usando esta información, el decisor tiene garantizada la elección de la acción que conduce al mayor pago cualquiera sea el evento que ocurra. Como queremos calcular el valor de dicha información antes de obtenerla, determinaremos el valor esperado de la información perfecta. Para calcular el pago esperado de la información perfecta, determinaremos el mayor pago para cada evento. Eso se ejemplifica para la Tippi-Toes en la Tabla 25-10. El máximo pago para cada nivel de demanda es el mayor valor de cada fila. Así, para una demanda baja, elegir pesos y poleas da el pago más alto ($25000). Si la información perfecta indica que la demanda será baja, el decisor elegirá ese tipo de movimiento. Del mismo modo $440000 es el máximo pago posible para una demanda moderada, este pago se logra si optamos por el movimiento a resortes. Similarmente, el pago máximo cuando la demanda es alta es $750000, que corresponde a pesos y poleas. La última columna de la Tabla 25-10 muestra el producto de los pagos máximos por sus respectivas probabilidades. La suma ($460500) es el pago esperado de la información perfecta. Este número representa el pago promedio si el fabricante se enfrenta repetidas veces con la misma situación y siempre elige la acción con pago máximo que corresponde al evento que indica la información perfecta. Recuerde que $406500 representa el pago esperado antes de disponer de la información. Después de obtener la información, ocurrirá exactamente uno de los pagos: $25000, $440000, o $750000. Cuando se obtiene la información el pago es una certeza. Tabla 25-10 Cálculo del pago esperado con información perfecta para el problema de la Tippi-Toe Acción Con información perfecta Evento Probab. Engranajes Resortes Pesos y Poleas Pago Máximo Acción Elegida Pago x Probab. Baja 0.10 $25000 $-10000 $-125000 25000 E 2500 Moderada 0.70 400000 440000 400000 440000 R 30800 Alta 0.20 640000 740000 750000 750000 PyP 15000 Pago esperado con información perfecta = 460500 Ahora contestaremos la pregunta referente al valor que tiene la información perfecta para el decisor. Como hemos visto, la regla de decisión de Bayes nos lleva a elegir una acción que maximiza el pago esperado sin considerar información adicional. Dado que esta es la mejor acción que el decisor puede seleccionar sin tener en cuenta información nueva, y dado que el pago esperado de la información perfecta es el pago promedio que se puede anticipar contando con la mejor información, el valor de la información perfecta para el decisor se expresa como la diferencia entre estos dos montos. Llamamos al número resultante valor esperado de la información perfecta, y lo abreviaremos VEIP. SISTEMAS DE GESTION II - Teoría de Decisión - 21 UTN – FRRo Ingeniería en Sistemas de Información 21 VALOR ESPERADO DE LA INFORMACION PERFECTA VEIP = Pago esperado con información perfecta - Pago esperado máximo (sin información) Para el caso de la decisión del fabricante de juguetes, obtenemos el VEIP restando el pago esperado máximo de $455000 (calculado en la Tabla 24-6) del pago esperado con información perfecta de $460500. VEIP = $460500 - $455000 = $5500 En este caso, el VEIP representa la mayor cantidad de dinero que un decisor estar dispuesto a pagar para obtener información sobre cuál será la demanda. Dicho de otro modo, $5500 es el incremento en el pago esperado que el decisor puede atribuir al conocimiento perfecto del comportamiento de la demanda. Tanto $455000 como $460500 son valores sin sentido después de que se obtuvo la información perfecta. Por lo tanto, un VEIP de $5500 sólo tiene sentido práctico antes de que se conozca la información perfecta. VEIP y la pérdida de oportunidad Destaquemos que $5500 es el mismo valor de la pérdida de oportunidad esperada que calculamos en la Tabla 25-9. El valor esperado de la información perfecta es igual a la pérdida de oportunidad esperada para la acción óptima. Así podemos calcular el valor esperado de la información perfecta a través de las pérdidas de oportunidad esperadas. La pérdida mínima es entonces el VEIP. La tabla 25-11 resume la relación entre pago esperado, pérdida de oportunidad esperada y valor esperado de la información perfecta para la decisión a tomar por el fabricante de juguetes. Observe que para cualquier acción, la suma del pago esperado y la pérdida esperada de oportunidad es igual al pago esperado con información perfecta. Si la información perfecta no existe para muchos casos de toma de decisión de la vida real, ¿por qué estamos interesados en el VEIP? Nuestra respuesta es que nos ayuda a establecer un límite para la información que podamos conseguir (que debe ser menos valiosa que la perfecta). Por ejemplo, si una investigación de mercado dirigida a predecir la demanda cuesta $6000, que excede el VEIP de $500, el estudio no debe hacerse sin importar qué tan bueno sea. Estudiaremos los conceptos de la toma de decisión con información experimental más adelante, en el capítulo 26. Tabla 25-11 Relación entre VEIP, pago y pérdida de oportunidad Engranajes Resortes Pesos y poleas Pago esperado $412500 $455000 $417500 Pérdida de oportunidad esperada 48000 5500 43000 Pago esperado con inform. Perfecta $460500 $460500 Acción óptima $460500 Valor esperado de la información perfecta (VEIP) = $5500 25-3 Ventajas y limitaciones de la regla de Bayes La teoría de decisión es útil porque muestra como descubrir el curso de acción que conviene al decisor. No hay sistema infalible para alcanzar este objetivo. Todos los criterios de decisión tienen imperfecciones. SISTEMAS DE GESTION II - Teoría de Decisión - 22 UTN – FRRo Ingeniería en Sistemas de Información 22 De los criterios de decisión presentados en este capítulo, la regla de decisión de Bayes - elegir la acción que tenga el mayor pago promedio- parece ser el más adecuado. Una ventaja es que usa más información que los otros. Como hemos visto, un criterio basado en los valores promedio o valores esperados usa todos las probabilidades disponibles y da a cada resultado una ponderación adecuada. Los otros criterios de toma de decisión usan unos pocos elementos para tomar la decisión. Los valores promedio o esperados proporcionan una regla para evaluar fuentes de información adicional que pueden usarse en la toma de decisiones. Aplicándola siempre a las decisiones rutinarias de todos los días, decisiones que tienen poco riesgo, la regla de decisión de Bayes nos dará los mejores resultados generales. Por ejemplo, tomemos el caso de un comprador del departamento de revistas de una librería importante. Si el comprador siempre elige comprar la cantidad de cada revista que maximiza el beneficio esperado, en el largo plazo notará que los beneficios esperados para las docenas de títulos de revistas son mayores que los que obtendría con cualquier otro tipo de criterio de decisión. Maximizar beneficios esperados tiene una amplia aceptación porque a menudo elige el curso de acción preferido por el decisor. Pero no siempre es así. Cuando se aplica a pagos monetarios, la regla de decisión de Bayes a menudoconduce a acciones no tan preferidas. Quizás el mejor ejemplo para esta situación sea el de los seguros, donde la elección es contratar una póliza o no hacerlo. La mayoría de los conductores tienen seguro para sus autos, y muchos tienen una cobertura superior a la exigida legalmente. Sabemos que el costo anual de la póliza excede la pérdida esperada en un accidente. (Esto se debe a que las compañías de seguro deben cargar más de lo que esperan pagar por reclamos para cubrir sus gastos y ganancias). Pero de acuerdo a la regla de decisión de Bayes, la mejor decisión sería no tener seguro, porque no tenerlo tiene un pago monetario esperado mayor (es decir, el costo esperado de no tener seguro es menor que el de tenerlo). Este curso de acción contradice las verdaderas preferencias de mucha gente. Casos similares, donde la regla de decisión de Bayes no se aplica, ocurren cuando una persona prefiere una alternativa de poco riesgo a otra de riesgo grande y mayor valor monetario promedio. Dado que los otros criterios de decisión también tienen defectos serios, ¿cómo podemos analizar las decisiones que implican grandes riesgos? Afortunadamente, la teoría de decisión tiene en cuenta las distintas actitudes hacia el riesgo ajustando los valores de los pagos. Esto se completa estableciendo de un índice verdad- valor, llamado valor de utilidad, para cada resultado. Así, una decisión puede analizarse usando utilidades en lugar de dólares o alguna otra medida estándar para los pagos. En el capítulo 29 describiremos detalladamente la teoría de la utilidad y sus aplicaciones, en ese momento estableceremos un principio muy importante: Cuando la regla de decisión de Bayes se aplica a un problema de decisión con los pagos medidos en utilidades, siempre indicar el curso de acción preferido por el decisor. Esto convierte a la regla en el criterio teóricamente perfecto para la toma de decisiones, sin importar que tan compleja parezca la decisión. SISTEMAS DE GESTION II - Teoría de Decisión - 23 UTN – FRRo Ingeniería en Sistemas de Información 23 STATISTICS FOR MODERN BUSINESS DECISIONS Lawrence L. LAPIN Sixth Edition The Dryden Press Parte IV: ANALISIS DE DECISION Capítulo 26: ANALISIS BAYESIANO DE DECISION CON INFORMACION EXPERIMENTAL Generalmente asociamos el término experimento con una prueba o una investigación. Todos los experimentos tienen una característica en común: proveen información. Esta información puede servir para revisar la incertidumbre. La información que se obtiene de la observación de un eclipse solar sirve de sustento para hipótesis acerca de los efectos que la gravedad del sol ejerce sobre los rayos de luz de las estrellas. La forma en que una persona responde las preguntas que se le hacen puede ser decisiva para que se la acepte o no como amiga. Cuando enfrentamos incertidumbre, un experimento ayuda a tomar mejores decisiones. Sin embargo, muchos experimentos no son concluyentes. Cualquier prueba puede disfrazar la verdad. Por ejemplo, algunos empleados que son potencialmente buenos pueden fallar en una prueba de admisión, aún cuando la prueba esté bien diseñada, y algunos incompetentes pueden pasarla. Otro buen ejemplo es una investigación sísmica, que brinda información geológica sobre la estructura de las rocas del subsuelo profundo, y que se usa para buscar depósitos de petróleo. Desafortunadamente, una exploración sísmica puede indicar que no hay petróleo en un campo que lo esté produciendo efectivamente, y puede confirmar la existencia de petróleo en un lugar que ya se ha comprobado que esté seco. Aún así, este tipo de experiencia es valioso. El resultado desfavorable de una prueba aumenta la chance de rechazar un mal proyecto, un resultado favorable refuerza la posibilidad de aceptar un proyecto promisorio. Vamos a incorporar la experimentación en el marco del análisis para la toma de decisiones. La información que obtengamos afectar las probabilidades de los eventos que determinan las consecuencias de cada acción. Revisaremos las probabilidades de los eventos en más o en menos según la evidencia obtenida. Así, el geólogo aumentar la probabilidad subjetiva de encontrar petróleo si una exploración sísmica da resultado favorable y la disminuir en caso contrario. La investigación sísmica juega el papel de la información experimental en la toma de decisiones. En los negocios se usan habitualmente otras fuentes clásicas de tal información. Una investigación de mercado permite recalcular las probabilidades de éxito de un nuevo producto. Muy a menudo se usa un test de aptitud para anticipar el desempeño de un futuro empleado, decisión que involucra una alto grado de incertidumbre. El muestreo se usa habitualmente para control de la calidad de un lote de productos. SISTEMAS DE GESTION II - Teoría de Decisión - 24 UTN – FRRo Ingeniería en Sistemas de Información 24 Las etapas en el análisis de decisiones bajo incertidumbre son tres: 1 - Análisis anterior . 2 - Análisis preposterior . 3 - Análisis posterior . ANALISIS ANTERIOR Consiste en: • Identificar la estructura de decisión. • Seleccionar la medida de pago. • Determinar las probabilidades anteriores. • Calcular PE y VEIP. Si el VEIP es pequeño significa que tenemos información suficiente para decidir. Caso contrario necesitamos nuevas fuentes de información. Pasamos a la etapa siguiente. ANALISIS PRE-POSTERIOR En esta parte de la evaluación, el decisor busca fuentes de información que le permita predecir los eventos. Sólo se evaluará aquellas fuentes cuyo costo es bajo (en relación con el VEIP) y que son confiables por contar con una historia de predicciones acertadas. Esta evaluación (que describiremos brevemente) incluye tanto el análisis de las probabilidades como el del árbol de decisión. Consiste en: • Buscar fuentes de información para predecir los eventos. • Elegir la de costo menor que VEIP y de alta confiabilidad. • Asignar probabilidades a priori, sean objetivas o subjetivas. • Identificar resultados y determinar las probabilidades condicionales para el experimento usando estimaciones basadas en frecuencias históricas. • Aplicar el Teorema de Bayes para obtener los resultados experimentales y probabilidades posteriores • Armar el árbol restando el costo del experimento (en el caso de que se haya trabajado con pagos netos. SISTEMAS DE GESTION II - Teoría de Decisión - 25 UTN – FRRo Ingeniería en Sistemas de Información 25 Arboles de probabilidad Estableciendo las probabilidades Paso 1 - Utilizar el juicio crítico • Asignar probabilidades a los eventos principales. Pueden ser: o objetivas o subjetivas En el ejemplo que analizaremos, las probabilidades anteriores son subjetivas: P(p)=0.5 donde p es el evento “hay petróleo”. Paso 2 - Evaluar la experiencia • Identificar resultados significativos (en el ejemplo: favorable F; desfavorable D) • Determinar las probabilidades condicionales de los resultados del experimento usando como medida la confiabilidad del mismo: o información histórica o distribuciones de probabilidad teóricas En el ejemplo que analizaremos, se utilizó información histórica para determinar la confiabilidad del experimento: P(F/p)=0.9; P(D/s)=0.8 donde s es el evento “seco, no hay petróleo” Paso 3 - Revisar las probabilidades • Aplicar Bayes para obtener: o probabilidades posteriores (condicionales) para los eventos o Probabilidades incondicionales para los resultados de la experiencia. Vemos los árboles con el ejemplo del petróleo. Construiremos dos árboles, en la: secuencia de información: la secuencia en la que naturalmente ocurren los hechos y en la que se conocen las probabilidades. secuencia de decisión: la secuencia en la que el decisor analiza los hechos y toma las decisiones. Como ya mencionamos, partimos de la evaluaciónde un experto de que hay 50% de posibilidades de encontrar petróleo y 50% de no encontrarlo. Además se sabe que el estudio tiene un 90% de posibilidades de confirmar que hay petróleo si en el campo realmente hay petróleo, y un 80% de confirmar que no hay petróleo si el campo está seco, estas probabilidades se denominan Probabilidades condicionales o confiabilidad del estudio. A partir de estos datos se arma el árbol y se calculan las probabilidades conjuntas, como el producto de las probabilidades anteriores por las condicionales. 0.9 0.45 = 0.5 * 0.9 0.1 0.05 = 0.5 * 0.1 0.2 0.1 = 0.5 * 0.8 0.8 0.4 = 0.5 * 0.8 0.5 0.5 Prob. Prob. Prob. Anterior Cond. Conjunta SISTEMAS DE GESTION II - Teoría de Decisión - 26 UTN – FRRo Ingeniería en Sistemas de Información 26 Probabilidad Condicional: P(A/B) = P (A ∩ B) / P(B) Probabilidad Conjunta: P (A ∩ B) = P(A/B) x P(B) El árbol anterior es en el sentido de la información. Resaltamos que las probabilidades que miden la confiabilidad del experimento (es decir, la probabilidad obtener el resultado en caso de conocer el evento) son probabilidades condicionales. A partir de este árbol podemos armar otro para calcular las distribuciones posteriores, lo llamaremos árbol en el sentido de la decisión. Estas probabilidades posteriores se podrían calcular también usando el teorema de Bayes. Estas probabilidades se obtienen de la siguiente manera: • Colocar las probabilidades conjuntas al final de las ramas. • Obtener las incondicionales con el teorema de la probabilidad total (0.55 = 0.45 + 0.1 y 0.45 = 0.05 + 0.4) • Dividir la probabilidad conjunta de cada rama por la probabilidad calculada anteriormente, obteniendo así las probabilidades posteriores. • 0.55 es la probabilidad de que el estudio diga que hay petróleo. • 0.45 es la probabilidad de que el estudio diga que no hay petróleo. • 9/11, 2/11 son probabilidades posteriores, o 9/11 es la probabilidad de que haya petróleo en el suelo, si el estudio dijo que hay petróleo. o 2/11 es la probabilidad de que no haya petróleo en el suelo, si el estudio dijo que hay petróleo. • 1/9 y 8/9 son probabilidades posteriores, o 1/9 es la probabilidad de que haya petróleo en el suelo, si el estudio dijo que no hay petróleo. o 8/9 es la probabilidad de que no haya petróleo en el suelo, si el estudio dijo que no hay petróleo. Una vez obtenidas las probabilidades posteriores sólo hay que armar el árbol de decisión como se explicó en el ejemplo del marketing de la Ponderosa. El árbol para el ejemplo que estamos analizando se construirá cuando se analice la construcción de árboles usando treeplan. Las probabilidades anteriores deben ser revisadas siempre que se use información experimental en la toma de decisiones, esto sucede porque normalmente obtenemos las probabilidades en la cronología inversa de la requerida para analizar el problema. 9/11 0.45 2/11 0.05 1/9 0.1 8/9 0.4 0.55 0.45 SISTEMAS DE GESTION II - Teoría de Decisión - 27 UTN – FRRo Ingeniería en Sistemas de Información 27 Valuando y decidiendo Valor Esperado de la Información Experimental (VEIE ) VEIE (Estudio) = PEIE(Estudio) – PE(A*) Donde PE(A*) es el mayor pago esperado que podemos obtener si información, o Pago Esperado de la acción óptima (A*) PEIE: pago esperado con información experimental. Es el pago promedio que se obtendría si repitiéramos muchas veces el experimento o estudio. El VEIE indica el adicional promedio que se obtendrá sobre el Pago Esperado de la acción óptima del análisis anterior, por llevar a cabo el estudio. Ganancia Neta Esperada del Experimento (GNEE) La GNEE tiene en cuenta el costo del estudio, cosa que no hace el VEIE. De esta forma es útil para comparar varios estudios, eligiendo aquél que proporcione la mayor ganancia neta esperada. Puede tomar un valor positivo, negativo o cero. GNEE(Estudio) = VEIE (Estudio) – Costo (Estudio) ANÁLISIS POSTERIOR El análisis preposterior no siempre se lleva a cabo, a veces la elección del experimento se hace en forma subjetiva (el decisor elige la experiencia sin análisis cuantitativo). En estos casos las etapas se reducen a dos: análisis anterior y análisis posterior. Una vez elegida la fuente de información, el decisor deberá revisar las probabilidades, con una serie de valores para cada resultado posible. Es igual que el análisis anterior, pero en vez de usar las probabilidades anteriores se utilizan las posteriores calculadas como se explicó en el análisis pre-posterior. Si se realizó el análisis preposterior todos los cálculos de probabilidades posteriores ya están hechos porque el preposterior es el conjunto de todos los posibles análisis posteriores. Sólo resta calcular el VEIP1 (Valor Esperado de la Información Perfecta posterior) La decisión se toma después de la experiencia.
Compartir