TOMA DE DECISIONES BAJO CERTIDUMBRE,

RIESGO E INCERTIDUMBRE





















El anlisis de decisiones proporciona una manera til de clasificar los modelos
para la toma de decisiones. Las situaciones de decisin se clasifican, generalmente,
sobre la base de conocimiento que tenga el decisor(o crea tener) de la misma. Es
costumbre dividir los grados de conocimiento o informacin en tres categoras,
empezando desde el conocimiento completo hasta la ignorancia. Entre estas
categoras estn:

1. Certidumbre (informacin completa)
2. Riesgo (informacin parcial)
3. Incertidumbre (informacin limitada)

TOMA DE DECISIN BAJO CERTIDUMBRE

En el ambiente del proceso de toma de decisiones bajo certidumbre, quienes la
toman conocen con certeza la consecuencia de cada una de las alternativas que
implica la seleccin de la decisin. Naturalmente, seleccionaran la alternativa que
maximizara su bienestar o que dar el mejor resultado.

Las tcnicas ms representativas para representar toma de decisiones bajo
certidumbre, son los modelos de programacin lineal.

Programacin Lineal

Herramienta que permite modelar y resolver problemas donde se requiere
mejorar el uso de recursos limitados. Un modelo de Programacin Lineal (PL) se
estructura usando un conjunto de variables de decisin con la que se forma una
funcin que describe lo que se quiere alcanzar, que por lo general recibe el nombre de
funcin objetivo, y un conjunto de restricciones.

El modelo considera que las variables de decisin tienen un comportamiento
lineal, tanto en la funcin objetivo como en las restricciones del problema.

Supuestos Bsicos de la Programacin Lineal.

Linealidad
Modelos Deterministas
Variables reales
No Negatividad.

La linealidad ms all de que la funcin objetivo y las restricciones no
contengan trminos no lineales, requiere satisfacer dos propiedades:

1. La proporcionalidad, requiere que la contribucin de cada variable, tanto en
la funcin objetivo como en las restricciones, debe ser directamente
proporcional al valor de la variable. Un ejemplo que no cumple con esta
propiedad sera el caso de venta de un producto donde se indique que es ms
barato si se compra ms de un docena, en este caso la contribucin por la
venta no es la misma si es menos de una docena.

2. La aditividad, la contribucin total de las variables, tanto en la funcin
objetivo como en las restricciones, debe ser igual a la suma de la contribucin
individual de cada variable, es decir la variacin de una variable no debe
afectar a otra variable. Ejemplo, no se cumple la propiedad en el caso de dos
productos competidores, si al incrementar la venta de uno de los productos se
afecta la venta de otro.

Modelo de Programacin Lineal

El modelo se construye con tres elementos: variables, restricciones y funcin
objetivo. Una vez obtenido todos estos elementos se procede a presentar el modelo
usando una estructura estndar, donde la funcin objetivo y las restricciones se
presentan de forma lineal y todos los trminos que contengan variables se colocan al
lado izquierdo del operador, siguiendo el orden del subndice de las variables.

En el modelado de PL, por lo general, se emplea la siguiente terminologa:

Recurso: Se suele dar este nombre a la materia prima que se tiene para
elaborar un producto, pero tambin se utiliza para indicar la demanda de un producto,
el nivel de riesgo, en fin se utiliza para referirse a aquel elemento del problema que
debe ser asignado o distribuido entre varias actividades y que posee limites para su
uso.

Actividades: Se refiere entre que se debe distribuir el recurso, ya sean
productos, tareas, entre otros. Estn representadas por las variables de decisin y es
los que se quiere determinar.



Ejemplos:

1.- Un fabricante de muebles tiene 6 unidades de maderas y 28 horas
disponibles, durante las cuales fabricar biombos decorativos. Con anterioridad, se
han vendido bien 2 modelos, de manera que se limitar a producir estos 2 tipos.
Estima que el modelo uno requiere 2 unidades de madera y 7 horas de tiempo
disponible, mientras que el modelo 2 requiere una unidad de madera y 8 horas. Los
precios de los modelos son 120 UM y 80 UM, respectivamente. Cuntos biombos de
cada modelo debe fabricar si desea maximizar su ingreso en la venta?

Objetivo: Maximizar el ingreso por ventas
Restricciones: Unidades de madera, Tiempo disponible.
Variables de decisin:
X
1
= Cantidad de biombos tipo I a fabricar
X
2
= Cantidad de biombos tipo II a fabricar
Modelo de programacin lineal:
Maximizar Z= 120X
1
+ 80X
2

Sujeto a:
2X
1
+ X
2
6 (Unidades de madera)
7X
1
+ 8X
2
28 (Tiempo disponible)
X
1
, X
2
0

2.- Una empresa manufacturera est considerando dedicar su capacidad a fabricar 3
productos; llammoslos productos 1, 2 y 3. La capacidad disponible de las mquinas
que podra limitar la produccin se resume en la siguiente tabla:
Tipo de Mquina Tiempo Disponible (horas mquina)
Fresadora 500
Torno 350
Rectificadora 150

El nmero de horas requeridas por cada unidad de los productos respectivos
es:
Tipo de Mquina Producto 1 Producto 2 Producto 3
Fresadora 9 3 5
Torno 5 4 0
Rectificadora 3 0 2

El departamento de ventas indica que el potencial de ventas para los productos
1 y 2 es mayor que la tasa de produccin mxima y que el potencial de ventas para el
producto 3 es de 20 unidades por semana. La utilidad unitaria sera de 30, 12 y 15
UM, respectivamente, para los productos 1, 2 y 3.

Formlese el modelo de programacin lineal para determinar cunto debe
producir la empresa de cada producto para maximizar la utilidad.

Objetivo: Maximizar la utilidad
Variable de decisin:
Cantidad a fabricar del producto 1. (X1).
Cantidad a fabricar del producto 2. (X2).
Cantidad a fabricar del producto 3. (X3).
Restricciones:
Capacidad disponible para produccin de cada mquina (3 restricciones)
Potencial de ventas para el producto 3. (1 restriccin)
Maximizar
Sujeto a:



3.- Un expendio de carnes acostumbra preparar carne para hamburguesa con
una combinacin de carne molida de res y carne molida de cerdo. La carne de res
contiene 80 % de carne y 20 % de grasa y le cuesta a la tienda 80 centavos por libra.
La carne de cerdo contiene 68 % de carne y 32 % de grasa y cuesta 60 centavos por
libra. Qu cantidad de cada tipo de carne debe emplear la tienda por cada libra de
carne para hamburguesa si desea minimizar el costo y mantener el contenido de grasa
no mayor de 25 %?

Objetivo: Minimizar el costo
Variable de decisin:
Cantidad de carne de res. (X
1
).
Cantidad de carne de cerdo (X
2
)
Restricciones:
Contenido de grasa no mayor de 25 %
Contenido de carne molida a producir

Minimizar
Sujeto a:



4.- Una compaa distribuidora de agua tiene 3 depsitos con entrada diaria estimada
de 15, 20 y 25 millones de litros de agua respectivamente. Diariamente tiene que
abastecer 4 reas A, B, C y D, las cuales tienen una demanda esperada de 8, 10, 12 y
15 millones de litros de agua, respectivamente. El costo de bombeo por milln de
litros de agua es como sigue:
DEPSITO REA
A B C D
1 2 3 4 5
2 3 2 5 2
3 4 1 2 3

Minimice el costo total de suministro de agua de los depsitos a las reas.
Objetivo: Minimizar el costo total de suministro de agua de los depsitos a las reas.
Variables de decisin: Cantidad de agua que se enva de cada depsito a cada rea.
Restricciones:
Entradas de agua disponible. (3 restricciones)
Necesidades de agua de las reas. (4 restricciones)
Minimizar

Sujeto a:



5.- Jack Bienstaulk tiene a su cargo la compra de mercancas enlatadas para el
servicio de alimentos GAGA en una gran universidad. l sabe cul ser la demanda
durante el transcurso del ao escolar y ha estimado tambin los precios de compra. En
la figura se muestran estos datos. Puede comprar anticipadamente y almacenar para
evitar los aumentos de precios, pero existe un costo de mantener inventario de $0.20
por caja, por mes, aplicado al inventario en existencia al final del mes. Elabore un PL
que minimice el costo y que ayude a Jack a determinar el momento de sus compras,
Sugerencia: Supngase que Pt es el nmero de cajas compradas en el mes t y que It es
el nmero de cajas en existencias al final del mes t.
Datos de la demanda y el costo
SEP. OCT. NOV. DIC. ENE. FEB. MAR. ABR. MAY.
Demandas
(cajas )
1000 900 850 500 600 1000 1000 1000 500
costo por
caja
$20 $20 $20 $21 $21 $21 $23 $23 $23

Objetivo: Minimizar el costo total (costo de compra e inventarios)
Variables:
P
t
=Cantidad de cajas compradas en el mes t. (t=1,2, 9)
I
t
= Cantidad de cajas en existencia en el mes t (t=1,2,8)
Restricciones: Ecuaciones de demanda e inventarios por mes (9 restricciones)



6.- Para una cafetera que trabaja 24 horas se requieren las siguientes meseras:
HORAS DEL
DA
NMERO MNIMO DE
MESERAS
2-6 4
6-10 8
10-14 10
14-18 7
18-22 12
22-2 4

Cada mesera trabaja 8 horas consecutivas por da con horarios de entrada 2, 6,
10, 14, 18 y 22 horas. El objetivo es encontrar el nmero ms pequeo requerido para
cumplir los requisitos anteriores. Formule el problema como un modelo de
programacin lineal.

Objetivo: Minimizar el nmero total de meseras requeridas.
Variables de decisin:
X
1
= Nmero de meseras que entran a las 2
X
2
= Nmero de meseras que entran a las 6
X
3
= Nmero de meseras que entran a las 10
X
4
= Nmero de meseras que entran a las 14
X
5
= Nmero de meseras que entran a las 18
X
6
= Nmero de meseras que entran a las 22

Restricciones:
Cantidad de meseras requeridas en el horario de 2-6 (4 meseras)
Cantidad de meseras requeridas en el horario de 6-10 (8 meseras)
Cantidad de meseras requeridas en el horario de 10-14 (10 meseras)
Cantidad de meseras requeridas en el horario de 14-18 (7 meseras)
Cantidad de meseras requeridas en el horario de 18-22 (12 meseras)
Cantidad de meseras requeridas en el horario de 22-2 (4 meseras)



Mtodos de Resolucin
Un modelo matemtico de decisin, por muy bien formulado que est, no
sirve de nada sino podemos encontrar una solucin satisfactoria. Una de las
caractersticas de la programacin lineal es que, gracias a sus propiedades
matemticas, se consigue la solucin ptima sin muchas dificultades.


Mtodo Grfico
El mtodo grfico se utiliza para la solucin de problemas de PL,
representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo.
El modelo se puede resolver en forma grfica si slo tiene dos variables. Para
modelos con tres o ms variables, el mtodo grfico es imprctico o imposible.

Cuando los ejes son relacionados con las variables del problema, el mtodo es
llamado mtodo grfico en actividad. Cuando se relacionan las restricciones
tecnolgicas se denomina mtodo grfico en recursos.
Pasos:

Graficar las soluciones factibles, o el espacio de soluciones (factible), que
satisfagan todas las restricciones en forma simultnea.
Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles.
El espacio encerrado por las restricciones restantes se determinan sustituyendo
en primer trmino <= por (=) para cada restriccin, con lo cual se produce la
ecuacin de una lnea recta.
Trazar cada lnea recta en el plano y la regin en cual se encuentra cada
restriccin cuando se considera la desigualdad lo indica la direccin de la
flecha situada sobre la lnea recta asociada.
Cada punto contenido o situado en la frontera del espacio de soluciones
satisfacen todas las restricciones y por consiguiente, representa un punto
factible.
Aunque hay un nmero infinito de puntos factibles en el espacio de
soluciones, la solucin ptima puede determinarse al observar la direccin en
la cual aumenta la funcin objetivo.
Las lneas paralelas que representan la funcin objetivo se trazan mediante la
asignacin de valores arbitrarios a fin de determinar la pendiente y la
direccin en la cual crece o decrece el valor de la funcin objetivo.

Ejemplos.
Minimizar la funcin f(x, y)=2x+8y sometida a las restricciones:

Llamando, respectivamente r, s y t a las rectas expresadas en las tres ltimas
restricciones, la zona de soluciones factibles sera:




Siendo los vrtices:
A interseccin de r y t:

B interseccin de s y t:

C interseccin de r y s:

Siendo los valores de la funcin objetivo en ellos:

Alcanzndose el mnimo en el punto C.

La Funcin objetivo:
f(x, y)=10.000x+6.000y mxima
Restricciones:


Zona de soluciones factibles:
Vrtices:

A(0, 60)
B interseccin de r y s:

C(90, 0)

Valores de la funcin objetivo:

Ha de vender 90 plazas para fumadores y ninguna para no fumadores y as obtener un
beneficio mximo de 900.000 bolvares.


Mtodo Simplex
Es un procedimiento iterativo que permite ir mejorando la solucin a cada
paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin.
Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste
en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace
siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero
de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se
podr encontrar la solucin.

El mtodo del simplex se basa en la siguiente propiedad: si la funcin
objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que
parte de A, a lo largo de la cual f aumenta.

El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig.
El mtodo del simplex se utiliza, sobre todo, para resolver problemas de
programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y
el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones
lineales constituyen la base del mtodo simplex.

Construccin de la primera tabla: En la primera columna de la tabla aparecer
lo que llamaremos base, en la segunda el coeficiente que tiene en la funcin objetivo
cada variable que aparece en la base (llamaremos a esta columna Cb), en la tercera el
trmino independiente de cada restriccin (P0), y a partir de sta columna aparecern
cada una de las variables de la funcin objetivo (Pi). Para tener una visin ms clara
de la tabla, incluiremos una fila en la que pondremos cada uno de los nombres de las
columnas. Sobre sta tabla que tenemos incluiremos dos nuevas filas: una que ser la
que liderar la tabla donde aparecern las constantes de los coeficientes de la funcin
objetivo, y otra que ser la ltima fila, donde tomar valor la funcin objetivo.
Nuestra tabla final tendr tantas filas como restricciones.

Tabla
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
Pi1 Ci1 bi1 a11 a12 ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn
Z Z0 Z1-C1 Z2-C2 ... Zn-Cn

Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0 ser el
de sustituir Cim en la funcin objetivo (y cero si no aparece en la base). El resto de
columnas se obtiene restando a este valor el del coeficiente que aparece en la primera
fila de la tabla.

Se observar al realizar el mtodo Simplex, que en esta primera tabla, en la
base estarn las variables de holgura.

- Condicin de parada: Comprobaremos si debemos de dar una nueva iteracin o no,
que lo sabremos si en la fila Z aparece algn valor negativo. Si no aparece ninguno,
es que hemos llegado a la solucin ptima del problema.
- Eleccin de la variable que entra: Si no se ha dado la condicin de parada, debemos
seleccionar una variable para que entre en la base en la siguiente tabla. Para ello nos
fijamos en los valores estrictamente negativos de la fila Z, y el menor de ellos ser el
que nos de la variable entrante.
- Eleccin de la variable que sale: Una vez obtenida la variable entrante, obtendremos
la variable que sale, sin ms que seleccionar aquella fila cuyo cociente P0/Pj sea el
menor de los estrictamente positivos (teniendo en cuenta que slo se har cuando Pj
sea mayor de 0). La interseccin entre la columna entrante y la fila saliente nos
determinar el elemento pivote.
- Actualizacin de la tabla: Las filas correspondientes a la funcin objetivo y a los
ttulos permanecern inalterados en la nueva tabla. El resto deber calcularse de dos
formas diferentes:

- Si es la fila pivote cada nuevo elemento se calcular:

Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.

- Para el resto de elementos de filas se calcular:

Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna
Pivote en la fila actual * Nuevo Elemento Fila)

Mtodo de las Dos Fases
ste mtodo difiere del Simplex en que primero hay que resolver un problema
auxiliar que trata de minimizar la suma de las variables artificiales. Una vez resuelto
este primer problema y reorganizar la tabla final, pasamos a la segunda fase, que
consiste en realizar el mtodo Simplex normal.

Fase I
En esta primera fase, se realiza todo de igual manera que en el mtodo
Simplex normal, excepto la construccin de la primera tabla, la condicin de parada y
la preparacin de la tabla que pasar a la fase 2.

- Construccin de la primera tabla: Se hace de la misma forma que la tabla
inicial del mtodo Simplex, pero con algunas diferencias. La fila de la funcin
objetivo cambia para la primera fase, ya que cambia la funcin objetivo, por lo tanto
aparecern todos los trminos a cero excepto aquellos que sean variables artificiales,
que tendrn valor "-1" debido a que se est minimizando la suma de dichas variables
(recuerde que minimizar F es igual que maximizar F (-1)).

La otra diferencia para la primera tabla radica en la forma de calcular la fila Z.
Ahora tendremos que hacer el clculo de la siguiente forma: Se sumarn los
productos Cb Pj para todas las filas y al resultado se le restar el valor que aparezca
(segn la columna que se est haciendo) en la fila de la funcin objetivo.

Tabla
C0 C1 C2 ... Cn-k ... Cn
Base Cb P0 P1 P2 ... Pn-k ... Pn
Pi1 Ci1 bi1 a11 a12 ... a1n-k ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n-k ... a2n
... ... ... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn-k ... amn
Z Z0 Z1 Z2 ... Zn-k ... Zn
Siendo Zj = (CbPj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k
(variables de decisin, holgura y exceso), y Cj = -1 para todo j comprendido entre n-k
y n (variables artificiales).

- Condicin de parada: La condicin de parada es la misma que en el mtodo
Simplex normal. La diferencia estriba en que pueden ocurrir dos casos cuando se
produce la parada: la funcin toma un valor 0, que significa que el problema original
tiene solucin, o que tome un valor distinto, indicando que nuestro modelo no tiene
solucin.

- Eliminar Columna de variables artificiales: Si hemos llegado a la conclusin
de que el problema original tiene solucin, debemos preparar nuestra tabla para la
segunda fase. Deberemos eliminar las columnas de las variables artificiales,
modificar la fila de la funcin objetivo por la original, y calcular la fila Z de la misma
forma que en la primera tabla de la fase 1.

Fase II
Construccin de la primera tabla: En la primera columna de la tabla aparecer
lo que llamaremos base, en la segunda el coeficiente que tiene en la funcin objetivo
cada variable que aparece en la base (llamaremos a esta columna Cb), en la tercera el
trmino independiente de cada restriccin (P0), y a partir de sta columna aparecern
cada una de las variables de la funcin objetivo (Pi). Para tener una visin ms clara
de la tabla, incluiremos una fila en la que pondremos cada uno de los nombres de las
columnas. Sobre sta tabla que tenemos incluiremos dos nuevas filas: una que ser la
que liderar la tabla donde aparecern las constantes de los coeficientes de la funcin
objetivo, y otra que ser la ltima fila, donde tomar valor la funcin objetivo.
Nuestra tabla final tendr tantas filas como restricciones.

Tabla
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
Pi1 Ci1 bi1 a11 a12 ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... amn
Z Z0 Z1-C1 Z2-C2 ... Zn-Cn

Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0 ser el
de sustituir Cim en la funcin objetivo (y cero si no aparece en la base). El resto de
columnas se obtiene restando a este valor el del coeficiente que aparece en la primera
fila de la tabla.

Se observar al realizar el mtodo Simplex, que en esta primera tabla, en la
base estarn las variables de holgura.

- Condicin de parada: Comprobaremos si debemos de dar una nueva
iteracin o no, que lo sabremos si en la fila Z aparece algn valor negativo. Si no
aparece ninguno, es que hemos llegado a la solucin ptima del problema.

- Eleccin de la variable que entra: Si no se ha dado la condicin de parada,
debemos seleccionar una variable para que entre en la base en la siguiente tabla. Para
ello nos fijamos en los valores estrictamente negativos de la fila Z, y el menor de
ellos ser el que nos de la variable entrante.
- Eleccin de la variable que sale: Una vez obtenida la variable entrante,
obtendremos la variable que sale, sin ms que seleccionar aquella fila cuyo cociente
P0/Pj sea el menor de los estrictamente positivos (teniendo en cuenta que slo se har
cuando Pj sea mayor de 0). La interseccin entre la columna entrante y la fila saliente
nos determinar el elemento pivote.

- Actualizacin de la tabla: Las filas correspondientes a la funcin objetivo y a
los ttulos permanecern inalterados en la nueva tabla. El resto deber calcularse de
dos formas diferentes:

- Si es la fila pivote cada nuevo elemento se calcular:
Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.

- Para el resto de elementos de filas se calcular:
Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna
Pivote en la fila actual * Nuevo Elemento Fila).

Utilice la solucin bsica ptima obtenida en la fase I como solucin inicial
para el problema original. Esto significa que se debe utilizar el rea de las
restricciones de la solucin obtenida en la fase I, pero con la funcin objetivo original
modificado, ya que las variables del problema original pueden ser bsicas en esa
solucin y por definicin estas no pueden tener coeficiente diferente de cero en la
funcin objetivo. Para esto se deben extraer las restricciones de la solucin de la fase
I, luego se despejan las variables bsicas actuales que pertenezcan a z y por ltimo se
sustituyen en la funcin objetivo, expresando z en funcin de las variables no bsicas.
Para resolver se aplica el algoritmo del mtodo simplex.

Mtodo Smplex
Iteracin:
Var
Bsica
Z X
1
X
2
X
3
X
4

Lado
Derecho
Cociente
0
Z 1 -120 -80 0 0 0 -
X
3
0 2 1 1 0 6 3
X
4
0 7 8 0 1 28 4
1
Z 1 0 -20 60 0 360 -
X
1
0 1 0.5 0.5 0 3 6
X
4
0 0 4.5 -3.5 1 7 1.5556
2
Z 1 0 0 44.4444 4.4444 391.1111 -
X
1
0 1 0 0.8889
-
0.1111
2.2222 -
X
2
0 0 1 -0.7778 0.2222 1.5556 -

Solucin ptima (X
1
,X
2
) = (2.222222222,1.555555556) Z=391.111111111

Modelo de Transporte
Tcnica cuantitativa que busca minimizar los costos asociados a la
distribucin de un bien o servicio desde diferentes orgenes hasta diferentes destinos.
Esta tcnica se utiliz posteriormente en otros sistemas, en los cuales, el problema no
implica transporte fsico de bienes pero existen relaciones lineales, y el modelo
formulado tiene las caractersticas de un Modelo de Transporte.
El modelo usado en esta tcnica es un modelo lineal, con caractersticas
especiales, donde los coeficientes de las variables, en las restricciones, son uno o
cero.

El objetivo del modelo de transporte es determinar la cantidad de mercanca
que se enviar de cada fuente hasta cada destino, tal que minimice el costo de
transporte.

Elementos involucrados en el Modelo



Modelo de
Programacin
Lineal de Modelo de
Transporte

j i, las todas para X
n , 1,2, j b X
m , 1,2, i a X
: a sujeto
X C Z Minimizar
ij
j
nm
1 i
ij
i
n
1 j
ij
m
1 i
n
1 j
ij ij
0 >
= >
= s
=

=
=
= =

1
2
3
1
2
3
m n




C
11
C
mn
:
a
a
a
a
b
b
b
b
Fue Dest
Unid
ades
Unidad
es de
C
m,n
Costo de Transporte Unitario
X
m,n
Variable de decisin. Cantidad
Este modelo implica que la oferta total debe ser cuando menos igual a la demanda
total
|
|
.
|

\
|

=
n
1 j
j
b .
Cuando la oferta total es igual a la demanda total
|
|
.
|

\
|

=
=
=
n
1 j
j
b
m
1 i
ai , el modelo recibe
el nombre de Modelo de Transporte Equilibrado, en este caso las restricciones seran
ecuaciones (=).

En la prctica esto no es necesariamente cierto, pero cualquier problema de
transporte se puede equilibrar. Las cantidades demandadas deben ser iguales a las
cantidades ofrecidas para poder solucionar el modelo.

Cada modelo tiene tantas restricciones de oferta como el nmero de orgenes
(m) que existan y tantas restricciones de demanda como el nmero de destinos (n)
que existan.

Las restricciones de oferta garantizan que no se transportar ms de la
cantidad disponible en los orgenes.

Las restricciones de demanda garantizan que las cantidades demandas sern
satisfechas.




Representacin del Modelo de Transporte











Solucin del problema de transporte

Pasos:

1. Determinar una solucin factible inicial. Una solucin factible inicial debe incluir
m+n-1 variables bsicas. (m fuentes y n destinos). Existe varios mtodos para
obtener la solucin inicial: mtodo de la esquina Noroeste, mtodo de costo
mnimo y aproximacin de Vogel.
2. Elegir una variable que entra del conjunto de Variables No Bsicas. Si todas estas
variables satisfacen la condicin de optimidad, detngase. E lo contrario ir al paso
3. Determinar la variable que sale del conjunto de Variable Bsicas actuales,
mediante el uso de la condicin de factibilidad, obtenga la nueva solucin bsica.
Regrese al paso 2.
Destinos
1 2 n


Fuentes
1
C
11
C
12
C
1n

x
11
x
12
x
1n

2 C
21
C
22
C
2n

x
21
x
22
x
2n

m C
m1
C
m2
C
mn
x
m1
x
m2
X
mn

Mtodo de la esquina Noroeste para obtener la solucin factible inicial
Consiste en ir asignando la mxima cantidad posibles a las variables
(comenzando por la esquina noroeste, x
11
) de manera que se satisfaga la demanda
(columna) o se agote la oferta (fila), tachando la columna o la fila segn sea el caso.
Si se satisfacen ambas (la demanda y la oferta) se tacha slo una de ellas. El proceso
termina cuando se deja de tachar exactamente una columna o una fila.

Como elegir la variable que entra. Mtodo de los Multiplicadores.
Se asocian los multiplicadores Ui y Vj con la fila i y la columna j
respectivamente. Para cada variable bsica Xij de la solucin actual, los
multiplicadores deben satisfacer la siguiente ecuacin:
Ui +Vj = Cij

Obteniendo m+n -1 (cantidad de variables bsicas) ecuaciones suponiendo un
valor arbitrario a cualquier multiplicador (por lo general a u1 = 0 ) y as obtener el
resto de los multiplicadores.

La evaluacin de cada variable No Bsica Xpq est dada por:

Xpq bsica no variable cada para Cpq Vq Up pq C + =

Se selecciona como variable que entra la variable No Bsica que tenga el
pq C ms positivo.


Como elegir la variable que sale
Al igual que en el mtodo simplex se busca la razn mnima, para ello se
construye un ciclo cerrado para la variable actual que entra, el ciclo empieza y
termina en sta variable (es indistinto si el ciclo es en el sentido horario o
antihorario). El ciclo consta de segmentos horizontales y verticales conectados por
puntos extremos que deben ser variables bsicas, es decir todo punto de esquina debe
ser una variable bsica. La variable bsica que sale se elige de entre las variables de
esquina del ciclo que disminuir cuando la variable que entra aumente arriba del nivel
cero, esto se indica en la tabla con los signos + y comenzando desde la esquina de
la variable que entra con + y alternando. La variable que sale es la que tiene el valor
ms pequeo, ya que es la primera en llegar a cero y cualquier disminucin adicional
la volver negativa.

Mtodo de Costo Mnimo para obtener la solucin factible inicial
Asignar el valor ms grande posible a la variable con menor costo unitario de
toda la tabla, los empates se rompen arbitrariamente, tache la fila o columna o
satisfecha. Si una fila o columna se satisfacen simultneamente se tacha slo una de
ellas.

Mtodo de aproximacin de Vogel (VAM)
1. Evale una penalizacin para cada fila y columna restando el menor elemento de
costo del elemento de costo menor siguiente en la misma fila o columna.
2. Seleccione la fila o columna con mayor penalizacin (romper empates
arbitrariamente) y asigne el mayor valor posible a la variable con el costo ms
bajo y ajuste la oferta y la demanda y tache la fila o columna satisfecha ( si se
satisfacen simultneamente se tacha slo una y se asigna la oferta o la demanda
segn corresponda. Cualquier fila o columna con oferta o demanda cero no se
considera para el clculo de penalizaciones futuras.
3. a.- Si slo hay una fila o columna si tachar detngase
b.- Si slo hay una fila (columna) con oferta (demanda) positiva sin tachar
determine la variable bsica de la fila (columna) a travs del mtodo de costo
mnimo. Detngase.
c.- Si todas las filas y columnas sin tachar tienen ofertas y demandas cero,
determine las variables bsicas cero a travs del mtodo de costo mnimo,
detngase.
d.- De lo contrario, calcule las penalizaciones de las filas y columnas no tachadas
y dirjase al paso 2.

Programacin Dinmica
La programacin dinmica consiste en una tcnica que permite determinar de
manera eficiente las decisiones que optimizan el comportamiento de un sistema que
evoluciona a lo largo de una serie de etapas. En otras palabras, trata de encontrar la
secuencia de decisiones que optimizan el comportamiento de un proceso polietpico.

Ejercicio # 1: Considere la siguiente red en la que cada nmero junto a una
ligadura representa la distancia real entre el par de nodos que conecta. El objetivo es
encontrar la ruta ms corta del origen al destino.

Utilice programacin dinmica para resolver este problema construyendo
manualmente las tablas usuales para n=3, n=2 y n=1.



Solucin:
N=3
S
3
F
3
*(S) X
3
*
D 6 T
D 7 T
N=2
S
x2
D E F
2
*(S) X
2
*
A 5+6=11 -------- 11 D
B 7+6=13 8+7015 13 D
C --------- 6+7=13 13 E
N=1
S
x1
A B C F
1
(S) X
1
*
O 9+11=20 6+13=19 7+13=20 19 B
Ruta: O B D T


TOMA DE DECISIN BAJO RIESGO

En el proceso de toma de decisiones bajo riesgo, hay varios resultados
posibles para cada alternativa, y quien toma las decisiones conoce la probabilidad de
que cada uno de estos resultados ocurra.

Los diferentes criterios de decisin en ambiente de riesgo se basan en
estadsticos asociados a la distribucin de probabilidad de los resultados. Algunos de
estos criterios se aplican sobre la totalidad de las alternativas, mientras que otros slo
tienen en cuenta un subconjunto de ellas, considerando las restantes peores, por lo no
que estn presentes en el proceso de toma de decisiones.

Representaremos por R(a
i
) los resultados asociados a la alternativa a
i
, y
por P(a
i
) la distribucin de probabilidad correspondiente a tales resultados, esto es, el
conjunto de valores que representan las probabilidades de ocurrencia de los diferentes
estados de la naturaleza:
R x
i1
x
i1
. . . x
i1

P p
1
p
2
. . . p
n


Los principales criterios de decisin empleados sobre tablas de decisin en
ambiente de riesgo son:
Criterio del valor esperado
Criterio de la mnima varianza con media acotada
Criterio de la media con varianza acotada
Criterio de la dispersin
Criterio de la probabilidad mxima

Todos estos criterios sern aplicados al problema de decisin bajo riesgo cuya
tabla de resultados figura a continuacin:










Criterio del valor esperado
El resultado o valor esperado para la alternativa a
i
, que notaremos E[R(a
i
)],
viene dado por:


Por lo que el criterio del valor esperado resulta ser:

Decisin bajo riesgo: Ejemplo
Estados de la Naturaleza
Alternativas e
1
e
2
e
3
e
4

a
1
11 9 11 8
a
2
8 25 8 11
a
3
8 11 10 11
Probabilidades 0.2 0.2 0.5 0.1
Obsrvese que esta regla de decisin es una generalizacin del criterio de
Laplace en la que desaparece el requisito de probabilidad para los diferentes estados
de la naturaleza.

Ejemplo
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla
muestra el resultado esperado para cada una de las alternativas.

Criterio del valor esperado
Estados de la Naturaleza
Alternativas e
1
e
2
e
3
e
4
E[R(a
i
)]
a
1
11 9 11 8 10.3
a2 8 25 8 11 11.7
a
3
8 11 10 11 9.9
Probabilidades 0.2 0.2 0.5 0.1

La alternativa ptima segn el criterio del valor esperado sera a
2
, pues
proporciona el mximo de los valores esperados.

Criterio de mnima varianza con media acotada.
Para la utilizacin de este criterio se consideran exclusivamente las
alternativas a

cuyo valor esperado E[R(a)]

sea mayor o igual que una
constante K fijada por el decisor. Para cada una de las alternativas a
i
que cumpla esta
condicin se determina la varianza V[R(a
i
)]

de sus resultados,


y se selecciona la que presente menor varianza, de esta forma se consigue la eleccin
de una alternativa con poca variabilidad en sus resultados y que proporciona, por
trmino medio, un resultado no demasiado pequeo. En resumen, el criterio de
mnima varianza con media acotada es el siguiente:



Ejemplo
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el
resultado esperado y su varianza para cada una de las alternativas.






Si el decisor selecciona un valor 10 para la constante K, quedara excluida del
proceso de decisin la alternativa a
3
, que es la que posee menor varianza. Excluida
Criterio de mnima varianza con media acotada
Estados de la
Naturaleza

Alternativas e
1
e
2
e
3
e
4
E[R(a
i
)] V
a
1
11 9 11 8 10.3 1.21
a
2
8 25 8 11 11.7 45.01
a
3
8 11 10 11 9.9 1.09
Probabilidades 0.2 0.2 0.5 0.1
sta, la eleccin ptima corresponde a la alternativa a
1
, pues es la que posee menor
varianza entre las que cumplen la condicin E[R(a
i


Criterio de la media con varianza acotada.
Para la utilizacin de este criterio se consideran exclusivamente las
alternativas a

cuya varianza V[R(a)]

sea menor o igual que una constante K fijada por
el decisor. Para cada una de las alternativas a
i
que cumpla esta condicin se determina
el valor esperado E[R(a
i
)]

de sus resultados,



Y se selecciona la que presente mayor valor esperado, de esta forma se
consigue la eleccin de una alternativa con poca variabilidad en sus resultados y que
proporciona, por trmino medio, un buen resultado. En resumen, el criterio de la
media con varianza acotada es el siguiente:



Ejemplo:
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el
resultado esperado y su varianza para cada una de las alternativas.


Criterio de la media con varianza acotada
Estados de la Naturaleza
Alternativas e
1
e
2
e
3
e
4
E[R(a
i
)] V
a
1
11 9 11 8 10.3 1.21
a
2
8 25 8 11 11.7 45.01
a
3
8 11 10 11 9.9 1.09
Probabilidades 0.2 0.2 0.5 0.1

Si el decisor selecciona un valor 20 para la constante K, quedara excluida del
proceso de decisin la alternativa a
2
, que es la que posee mayor valor esperado.
Excluida sta, la eleccin ptima corresponde a la alternativa a
1
, pues es la que posee
mayor valor esperado entre las que cumplen la condicin V.

Criterio de dispersin
Para cada alternativa a
i
se calcula el siguiente valor medio corregido:



donde K es una valor fijado por el decisor, y se selecciona la de mayor valor
resultante. De esta forma se consigue limitar la influencia de alternativas con un valor
esperado grande, pero tambin alta variabilidad. Por tanto, el criterio de
dispersin puede resumirse de la siguiente forma:



Ejemplo:
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra,
para cada una de las alternativas, el valor esperado, la varianza y el valor esperado
corregido correspondiente a un factor K=2.

Criterio de dispersin
Estados de la
Naturaleza

Alternativas e
1
e
2
e
3
e
4
E[R(a
i
)] V CR
a
1
11 9 11 8 10.3 1.21 8.10
a
2
8 25 8 11 11.7 45.01 -1.72
a
3
8 11 10 11 9.9 1.09 7.81
Probabilidades 0.2 0.2 0.5 0.1

La alternativa ptima segn el criterio de dispersin sera a
1
, pues proporciona
el mximo de los valores corregidos.

Criterio de la probabilidad mxima.
Para cada alternativa a
i
se determina la probabilidad de que la variable
aleatoria que proporciona el resultado tome un valor mayor o igual que una
constante K fijada por el decisor:


y se selecciona aquella alternativa con mayor probabilidad asociada. Por tanto,
el criterio de probabilidad mxima puede resumirse de la siguiente forma:



Ejemplo:
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra,
para cada una de las alternativas, la probabilidad de que el resultado sea mayor o
igual que K=10.

Criterio de probabilidad mxima
Estados de la Naturaleza
Alternativas e
1
e
2
e
3
e
4
P


a
1
11 9 11 8 0.7
a
2
8 25 8 11 0.3
a
3


8 11 10 11 0.8
Probabilidades 0.2 0.2 0.5 0.1

Para la alternativa a
1
, slo los resultados correspondientes a los
estados e
1
y e
3
superan el valor 10, siendo sus probabilidades asociadas 0.2 y 0.5;
sumando ambas se obtienen la probabilidad de obtener un resultado mayor o igual
que 10 para la alternativa a
1
. De manera anloga se determinan las restantes
probabilidades. La alternativa ptima segn este criterio sera a
3
, pues proporciona la
probabilidad ms alta.

TOMA DE DECISIN BAJO INCERTIDUMBRE

En la toma de decisiones bajo incertidumbre se posee informacin deficiente
para tomar la decisin, no se tienen ningn control sobre la situacin, no se conoce
como puede variar o la interaccin de la variables del problema, se pueden plantear
diferentes alternativas de solucin pero no se le puede asignar probabilidad a los
resultados que arrojen.

Con base en lo anterior hay dos clases de incertidumbre:

Estructurada: No se sabe que puede pasar entre diferentes alternativas, pero s se
conoce que puede ocurrir entre varias posibilidades.

No estructurada: No se sabe que puede ocurrir ni las probabilidades para las
posibles soluciones, es decir no se tienen ni idea de que pueda pasar.

Caractersticas:

En las decisiones tomadas con pura incertidumbre o ignorancia total, el
decisor no tiene ningn conocimiento, ni siquiera de la probabilidad de
ocurrencia de cualquier estado de la naturaleza. En estas situaciones, el
comportamiento del decisor se basa puramente en su actitud hacia la
incgnita. Algunos de estos comportamientos son los optimistas, los
pesimistas y los de arrepentimiento.

Observe que esta categora de problemas (es decir, los problemas con pura
incertidumbre) resultan apropiados slo para la toma de decisiones en la vida
privada. El poltico, el conductor de un grupo humano, la persona pblica
tiene que tener cierto conocimiento de los estados de la naturaleza, para poder
predecir las probabilidades de cada estado. De lo contrario no podr tomar una
buena decisin que sea razonable y defendible.

Siempre que un decisor tiene cierto conocimiento sobre los estados de la
naturaleza puede asignar una probabilidad subjetiva a la ocurrencia de cada
estado. Este es el caso de toma de decisiones bajo riesgo.

El decisor en caso de incertidumbre o ignorancia deberia invertir en limitar
sus incertidumbres con respecto a la probabilidad de cada estado de la
naturaleza. Si la situacin y el valor de la utilidad esperada lo aconsejan se
puede comprar informacin relevante a especialistas, para poder tomar una
mejor decisin. Encuestas, estadsticas, anlisis de sensibilidad, etc.

Cuando las decisiones se toman bajo ignorancia total, el decisor no tiene
conocimiento de los resultados de ninguno de los estados de la naturaleza y/o
es costoso obtener la informacin necesaria. En tal caso, la decisin depende
meramente del tipo de personalidad que tenga el decisor.



Modelos matemticos de la toma de decisiones bajo incertidumbre

Criterio de wald
Este es el criterio ms conservador ya que est basado en lograr lo mejor de
las peores condiciones posibles. Esto es, si el resultado x(a
i
, e
j
) representa prdida
para el decisor, entonces, para a
i
la peor prdida independientemente de lo que e
j

pueda ser, es mx e
j
{ x(a
i
, e
j
) }. El criterio minimax elige entonces la accin a
i

asociada a :

{ } ) , ( _
j i e a i
e a x mx mn a Elegir
j i
=


En una forma similar, si x(a
i
, e
j
) representa la ganancia, el criterio elige la
accin a
i
asociada a :

{ } ) , ( _
j i e a i
e a x mn mx a Elegir
j i
=

Este criterio recibe el nombre de criterio maximin, y corresponde a un
pensamiento pesimista, pues razona sobre lo peor que le puede ocurrir al decisor
cuando elige una alternativa.

Caractersticas:
El decisor piensa que tome la alternativa que tome, suceder lo peor para l.
Se determina el resultado ms desfavorable con cada estrategia. Se selecciona
la estrategia que ofrece el ms favorable de todos los determinados.
Tambin se le llama maxi-min mini-max segn el caso.
Criterio maximax
Las situaciones, ambientes o contextos en los cuales se toman las decisiones,
se pueden clasificar segn el conocimiento y control que se tenga sobre las variables
que intervienen o influencian el problema, ya que la decisin final o la solucin que
se tome va a estar condicionada por dichas variables. Dichos ambientes pueden ser:
bajo riesgo, bajo incertidumbre, certidumbre y conflicto de los cuales se desprenden
algunos criterios Attach:file.ext que nos permitirn evaluar las alternativas y as elegir
la que nos proporcione un mayor beneficio.

Criterio Maximax.
El criterio maximax propone que el decisor debe buscar los mayores
beneficios posibles para cada accin y escoger la accin que tenga mayores
beneficios. Esta estrategia solo contempla el mayor beneficio posible e ignora las
probabilidades y consecuencias de los otros sucesos que pueden ocurrir. Por ejemplo
se tiene:

Accin
Estado de la naturaleza: d1 d2 d3 La demanda es: Comprar 0 Comprar 1 Comprar 2
q1 0 0 30 60 q2 1 0 20 10 q3 2 0 20 40

Para el ejemplo anterior el criterio maximax elegira la accin comprar 2, ya
que ofrece beneficios posibles de cuarenta pesos; sin embargo, ignora la posibilidad
de que pueda generar prdidas por sesenta pesos.

El criterio maximax no es una regla de decisin prudente. Hay algunas
circunstancias en las que se desea tomar riesgos prudentes, pero debe hacerse
tomando en cuenta las posibilidades y las consecuencias de lo que puede suceder.
Criterio Minimax.
El criterio minimax sugiere que se seleccione la accin con menor perda
mxima posible, de otro modo, la que presente los mayores beneficios mnimos
posibles. En otras palabras, hay que asegurar que se ganen por lo menos R pesos y
buscar la accin que brinde R mayor (la menor perdida, si se analizan las perdidas).

La accin minimax del ejemplo propuesto en el criterio maximax, seria pedir
cero unidades. La prdida mxima que puede ocurrir con cero unidades es cero pesos;
las perdidas mximas de las otras dos acciones son treinta y sesenta.

El criterio minimax tiende a llevar a la decisin de no hacer nada, a menos que
no haya probabilidad de perdida. Es un criterio muy conservador. La persona que use
el criterio minimax se vera, al final de cuentas, ante la amenaza de morirse de
hambre (al no hacer nada) y estara obligado a actuar. En trminos de las actividades
empresariales, la corporacin se estancara y seria superada por la competencia
dispuesta a innovar y a tomar riesgos razonables de sufrir prdidas.

En otras situaciones se puede llegar a una decisin totalmente irracional al
usar el criterio minimax. Por ejemplo suponga que la siguiente tabla nos muestra los
costos condicionales de dos acciones:

Accin
Estado de la naturaleza: Comprar seguro No comprar seguro q1 $1000 $1001 q2 1000
10

La mejor accin es comprar el seguro, de acuerdo con el criterio minimax, ya que
el costo mximo es de 1000 pesos (el costo mximo de la accin no comprar (el
seguro) es 1001 pesos). Sin embargo, si los dos estados tuvieran la misma
probabilidad, o si el estado q2 es ms probable que q1, entonces la mayora de las
personas opinaran que la accin deseable es no comprar. Minimax no es una
estrategia deseable en un juego contra la naturaleza, pero si es til frente a adversarios
que piensan.

Enfoque de arrepentimiento minimax.
El enfoque de arrepentimiento para la toma de decisiones no es puramente optimista
ni puramente conservador. Se ilustra el enfoque de arrepentimiento mostrando cmo
puede emplearse para seleccionar una alternativa en el siguiente ejemplo.

Criterio de hurwicz

Este criterio representa un intervalo de actitudes desde la ms optimista hasta
la ms pesimista. En las condiciones ms optimistas se elegira la accin que
proporcione el mx a
i
mx e
j
{ x(a
i
, e
j
) }. Se supone que x(a
i
, e
j
), representa la
ganancia o beneficio. De igual manera, en las condiciones ms pesimistas, la accin
elegida corresponde a mx a
i
mn e
j
{ x(a
i
, e
j
) }. El criterio de Hurwicz da un balance
entre el optimismo extremo y el pesimismo extremo ponderando las dos condiciones
anteriores por los pesos respectivos o y (1- o), donde 0 o 1. Esto es, si x(a
i
, e
j
)
representa beneficio, seleccione la accin que proporcione:

{ } ) , ( ) 1 ( ) , (
j i e j i e a
e a x mn e a x mx mx
j j i
o o +

Para el caso donde x(a
i
, e
j
) representa un costo, el criterio selecciona la accin
que proporciona:

{ } ) , ( ) 1 ( ) , (
j i e j i e a
e a x mx e a x mn mn
j j i
o o +


El parmetro o se conoce como ndice de optimismo: cuando o = 1, el
criterio es demasiado optimista; cuando o = 0, es demasiado pesimista . Un valor de
o entre cero y uno puede ser seleccionado dependiendo de si el decisor tiende hacia el
pesimismo o al optimismo. En ausencia de una sensacin fuerte de una circunstancia
u otra, un valor de o = 1/2 parece ser una seleccin razonable.

Ejemplo:
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con la media ponderada de los niveles de optimismo y
pesimismo de las diferentes alternativas para un valor a = 0.4:

Alternativas
Terreno
comprado
Estados de la Naturaleza
Aeropuerto en A Aeropuerto en B mne
i
mxe
i
S(a
i
)
A 13 -12 -12 13 -2
B -8 11 -8 11 -0.4
A y B 5 -1 -1 5 1.4
Ninguno 0 0 0 0 0
La alternativa ptima segn el criterio de Hurwicz sera comprar las parcelas
A y B, pues proporciona la mayor de las medias ponderadas para el valor de a
seleccionado.

Criterio de savage

En 1951 Savage argumenta que al utilizar los valores x
ij
para realizar la
eleccin, el decisor compara el resultado de una alternativa bajo un estado de la
naturaleza con todos los dems resultados, independientemente del estado de la
naturaleza bajo el que ocurran. Sin embargo, el estado de la naturaleza no es
controlable por el decisor, por lo que el resultado de una alternativa slo debera ser
comparado con los resultados de las dems alternativas bajo el mismo estado de la
naturaleza.

Con este propsito Savage define el concepto de prdida relativa o prdida de
oportunidad r
ij
asociada a un resultado x
ij
como la diferencia entre el resultado de la
mejor alternativa dado que e
j
es el verdadero estado de la naturaleza y el resultado de
la alternativa a
i
bajo el estado e
j
:



As, si el verdadero estado en que se presenta la naturaleza es e
j
y el decisor
elige la alternativa a
i
que proporciona el mximo resultado x
ij
, entonces no ha dejado
de ganar nada, pero si elige otra alternativa cualquiera a
r
, entonces obtendra como
ganancia x
rj
y dejara de ganar x
ij
-x
rj
.
Savage propone seleccionar la alternativa que proporcione la menor de las
mayores prdidas relativas, es decir, si se define r
i
como la mayor prdida que puede
obtenerse al seleccionar la alternativa a
i
,



el criterio de Savage resulta ser el siguiente:



Conviene destacar que, como paso previo a la aplicacin de este criterio, se
debe calcular la matriz de prdidas relativas, formada por los elementos r
ij
. Cada
columna de esta matriz se obtiene calculando la diferencia entre el valor mximo de
esa columna y cada uno de los valores que aparecen en ella.

Explicacin de los pasos para realizar el criterio de savage:
Este criterio dice que para cada estado de la naturaleza (variable incontrolable)
hay una decisin que es mejor que el resto. Hay que buscar qu se deja de ganar o qu
se pierde si se toma otra decisin que no sea sa (es decir, que permite el
arrepentimiento).

1) Encima de cada columna del cuadro, se indica el n ms alto de su columna.
2) Dentro de la tabla, se va restando ese n ms alto de cada n de la tabla.
3) A parte, se representa con S y un nmero a partir del 1. Habr tantos como
posibles acciones (filas). Se busca el Minimax (mnimo entre los mximos) que es
el n ms alto de cada fila (teniendo en cuenta que, por ejemplo, el 0 es mayor que un
n negativo).

Ejemplo:

Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra la
matriz de prdidas relativas y el mnimo de stas para cada una de las alternativas.





El mayor resultado situado en la columna 1 de la tabla de decisin original es
13; al restar a esta cantidad cada uno de los valores de esa columna se obtienen las
prdidas relativas bajo el estado de la naturaleza Aeropuerto en A. De la misma
forma, el mximo de la columna 2 en la tabla original es 11; restando a esta cantidad
cada uno de los valores de esa columna se obtienen los elementos r
ij
correspondientes
al estado de la naturaleza Aeropuerto en B. Como puede observarse, el
valor
i
menor se obtiene para la tercera alternativa, por lo que la decisin ptima
segn el criterio de Savage sera comprar ambas parcelas.

Alternativas
Terreno
comprado
Estados de la Naturaleza

Aeropuerto en A Aeropuerto en B
i

A 0 23 23
B 21 0 21
A y B 8 12 12
Ninguno 13 11 13
El criterio de Savage puede dar lugar en ocasiones a decisiones poco
razonables. Para comprobarlo, consideremos la siguiente tabla de resultados:






La tabla de prdidas relativas correspondiente a esta tabla de resultados es la
siguiente:






La alternativa ptima es a
1
. Supongamos ahora que se aade una alternativa,
dando lugar a la siguiente tabla de resultados:








Estados de la
Naturaleza
Alternativas e
1
e
2

a
1
9 2
a
2
4 6
Estados de la
Naturaleza

Alternativas e
1
e
2

i

a
1
0 4 4
a
2
5 0 5
Estados de la
Naturaleza
Alternativas e
1
e
2

a
1
9 2
a
2
4 6
a
3
3 9
La nueva tabla de prdidas relativas sera:








El criterio de Savage selecciona ahora como alternativa ptima a
2
, cuando
antes seleccion a
1
. Este cambio de alternativa resulta un poco paradjico:
supongamos que a una persona se le da a elegir entre peras y manzanas, y
prefiere peras. Si posteriormente se la da a elegir entre peras, manzanas y naranjas,
esto equivaldra a decir que ahora prefiere manzanas!

Criterio de Laplace
Este criterio, propuesto por Laplace en 1825, est basado en el principio de
razn insuficiente: como a priori no existe ninguna razn para suponer que un estado
se puede presentar antes que los dems, podemos considerar que todos los estados
tienen la misma probabilidad de ocurrencia, es decir, la ausencia de conocimiento
sobre el estado de la naturaleza equivale a afirmar que todos los estados son
equiprobables. As, para un problema de decisin con n posibles estados de la
naturaleza, asignaramos probabilidad 1/n a cada uno de ellos.

Una vez realizada esta asignacin de probabilidades, a la alternativa a
i
le
corresponder un resultado esperado igual a:
Estados de la
Naturaleza

Alternativas e
1
e
2

i

a
1
0 7 7
a
2
5 3 5
a
3
6 0 6


La regla de Laplace selecciona como alternativa ptima aquella que proporciona un
mayor resultado esperado:



Ejemplo:
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra los
resultados esperados para cada una de las alternativas.

Alternativas
Terreno
comprado
Estados de la Naturaleza
Aeropuerto en A Aeropuerto en B Resultado
esperado
A 13 -12 0.5
B -8 11 1.5
A y B 5 -1 2
Ninguno 0 0 0

En este caso, cada estado de la naturaleza tendra probabilidad ocurrencia 1/2.
El resultado esperado mximo se obtiene para la tercera alternativa, por lo que la
decisin ptima segn el criterio de Laplace sera comprar ambas parcelas.
La objecin que se suele hacer al criterio de Laplace es la siguiente: ante una
misma realidad, pueden tenerse distintas probabilidades, segn los casos que se
consideren. Por ejemplo, una partcula puede moverse o no moverse, por lo que la
probabilidad de no moverse es 1/2. En cambio, tambin puede considerarse de la
siguiente forma: una partcula puede moverse a la derecha, moverse a la izquierda o
no moverse, por lo que la probabilidad de no moverse es 1/3.

Desde un punto de vista prctico, la dificultad de aplicacin de este criterio
reside en la necesidad de elaboracin de una lista exhaustiva y mutuamente
excluyente de todos los posibles estados de la naturaleza.

Por otra parte, al ser un criterio basado en el concepto de valor esperado, su
funcionamiento debe ser correcto tras sucesivas repeticiones del proceso de toma de
decisiones. Sin embargo, en aquellos casos en que la eleccin slo va a realizarse una
vez, puede conducir a decisiones poco acertadas si la distribucin de resultados
presenta una gran dispersin, como se muestra en la siguiente tabla:

Estados de la Naturaleza
Alternativas e
1
e
2
Resultado
esperado
a
1
15000 -5000 5000
a
2
5000 4000 4500

Este criterio seleccionara la alternativa a
1
, que puede ser poco conveniente si
la toma de decisiones se realiza una nica vez, ya que podra conducirnos a una
prdida elevada.

LISTA DE REFERENCIAS

Render, B. (2006). Mtodos cuantitativos para los negocios. Novena edicin.
Editorial PEARSON EDUCACIN.

Taha, H. (2004). Investigacin de Operaciones. Sptima Edicin. Mxico:
Editorial PEARSON EDUCACIN.

Vicens, E. (s.f.). Mtodos Cuantitativos, Volumen II. Editorial Servicio de
Publicaciones.

(http://es.scribd.com/doc/61178886/1/PROGRAMACION-DINAMICA-
DETERMINISTICA)

(http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/intro.htm)

(http://systemvzla.blogspot.com)