Professional Documents
Culture Documents
ii
Indice general
1. Modelos de redes 1
1.1. Algoritmos de optimizacion en redes . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Introduccion y conceptos basicos . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Arbol de mnima expansion . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.3. Algoritmo de flujo maximo . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.4. Algoritmo de Dijkstra (ruta mas corta) . . . . . . . . . . . . . . . . 15
1.1.5. Algoritmo de Floyd (ruta mas corta) . . . . . . . . . . . . . . . . . . 15
1.2. Redes y algoritmos para la administracion de proyectos . . . . . . . . . . . 15
1.2.1. Construccion de la red . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2. Algoritmo de la ruta crtica (CPM) . . . . . . . . . . . . . . . . . . . 15
1.2.3. Diagramas de Gant . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.4. Analisis de la ruta crtica con PERT . . . . . . . . . . . . . . . . . . 15
1.2.5. Optimizacion en la reduccion de la duracion del proyecto . . . . . . 15
2. Teora de decisiones 17
2.1. Teora de juegos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1. Formulacion de juegos de dos personas y suma cero . . . . . . . . . . 17
2.1.2. Estrategia dominada . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.3. Criterio minimax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.4. Juegos con estrategia mixta . . . . . . . . . . . . . . . . . . . . . . . 20
2.2. Analisis de decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1. Toma de decisiones sin experimentacion . . . . . . . . . . . . . . . . 21
2.2.2. Toma de decisiones con experimentacion . . . . . . . . . . . . . . . . 24
2.2.3. Arboles de decision . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.1. Procesos estocasticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.2. Procesos de estados discreto . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.3. Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.4. Ecuaciones de Chapman-Kolmogorov . . . . . . . . . . . . . . . . . . 34
2.3.5. Propiedades a largo plazo de las cadenas de Markov . . . . . . . . . 34
Bibliografa 35
iii
INDICE GENERAL
iv
Captulo 1
Modelos de redes
1
1. MODELOS DE REDES
descarga finita (o capacidad) de flujo de crudo. Un segmento de tubera puede ser uni-
direccional o bidireccional, segun su diseno [4]. En la Fig. 1.1, se muestra una red que
conecta pozos petroleros con las refineras utilizando estaciones de redistribucion interme-
dias. En esta red, las flechas indican la direccion del flujo y los arcos que no tienen flecha
son bidireccionales.
7
1 4
3 6 8 Destino
Origen
2 5
9
Estaciones de
Pozos Refineras
redistribucin
Figura 1.1: Red que conecta pozos petroleros y refineas por medio de estaciones de redistribucion.
La solucion del problema propuesto requiere agregar un solo origen y un solo destino,
utilizando arcos de capacidad infinita unidireccionales, como se muestra en la Fig. 1.1.
Para el arco (i, j), la notacion (C ij , C ji )
proporciona las capacidades de flujo inicia-
les en las dos direcciones i j y j i.
Para eliminar la ambiguedad, colocamos a
C ij junto al nodo i y a C ji junto al nodo
j, como se muestra en la Fig. 1.2.
El objetivo de este algoritmo es encon-
trar todas las rutas de avance, es decir,
rutas que lleven cierto flujo del origen al
destino, con el fin de obtener la capacidad Figura 1.2: Flujos de arcos Cij de i j y Cji de j i.
maxima de la red sumando las capacidades
de cada ruta de avance encontrada.
En primera instancia, es necesario identificar las capacidades de diseno para cada nodo
en la red inicial. Para un arco (i, j) su capacidad de diseno bidireccional es (C ij , C ji ).
Debido a que no siempre se utiliza la capacidad maxima en cada arco para llevar un flujo,
las capacidades residuales se actualizan en cada arco. Se utiliza la notacion (cij , cji ) para
representar las capacidades residuales de cada arco (i, j).
En la construccion de una ruta de avance se etiquetan los nodos. Para un nodo j que
recibe flujo del nodo i, anexamos la etiqueta [aj , i] donde aj es el flujo del nodo i al nodo
j. A continuacion se describen los pasos del algoritmo de flujo maximo.
Paso 1. a) Para todos los arcos, iguale la capacidad residual a la capacidad de diseno, esto
es (cij , cji ) = (C ij , C ji ).
b) Hacer a1 = y etiquetar el nodo origen con [, ].
c) Designe i = 1, y continue con el paso 2. El nodo i representa al nodo actual.
Paso 2. a) Determine Si el conjunto de nodos no etiquetados j al que se puede llegar
directamente desde i por medio de arcos con capacidades residuales positivas
(es decir cij > 0 para todas las j Si ).
2
1.1. ALGORITMOS DE OPTIMIZACION EN REDES
Paso 4. (Retroceso).
a) Defina los nodos de la ruta de avance pesima del nodo 1 al nodo n como
Np = (1, k1 , k2 , , n). Entonces el flujo maximo a lo largo de la ruta Np ,
representado por la mnima de todas las capacidades residuales a lo largo de la
ruta Np , y se calcula como
Paso 6. a) Como fueron determinadas m rutas de avance, el flujo maximo en la red esta
determinado por la suma de los flujos de cada ruta de avance fp , es decir:
F = f1 + f2 + + fm
b) Finalmente se calculan los flujos optimos en cada arco, los cuales indican la
cantidad de flujo que realmente fluye a traves de cada arco y la direccion en la
que fluye. Los flujos optimos se calculan utilizando las capacidades de diseno
(C ij , C ji ) (iniciales) y las capacidades residuales(cij , cji ) finales del arco (i, j).
3
1. MODELOS DE REDES
(, ) = (C ij cij , C ji cji )
Ejemplo 1.1 Determine el flujo maximo y los flujos optimos para la red que se muestra
en la Fig. 1.3.
0 4 20
5
10 0
1 30 0 5
20
0
10
30 0
0 20
2 40 3
0
Solucion.
Iteracion 1. Iguale las capacidades residuales iniciales (cij , cji ) a las capacidades de diseno (C ij , C ji ).
0 4 20
[ ,-]
10 0 [20,3]
1 30 0 5
20
0
10
30 0
0 20
2 40
3
0
[30,1]
4
1.1. ALGORITMOS DE OPTIMIZACION EN REDES
Iteracion 2 .
[10,3]
0 4 20
[ ,-]
10 0
[20,4]
1 10 0 5
20
20
10
30 20
0 0
2 40
3
0
[20,1] [40,2]
5
1. MODELOS DE REDES
Iteracion 3 .
0 4 10
15
[ ,-]
10 10
[30,2]
1 10 0 5
10
20
0
30 20
10 0
2 30
3
10
[10,1] [30,2]
Paso 3. k = 2 y a2 = c12 = max {10, 10, 10} y etiquete el nodo 2 con [10, 1]. Establezca
i = 2 y repita el paso 2.
Paso 2. S2 = {5}.
Paso 3. k = 5, y a5 = c25 = 30. Etiquete el nodo 5 con [30, 2]. Se ha encontrado una
ruta de avance. Continue con el paso 5.
Paso 5. N3 = [1, 2, 5] y f3 = min {, 10, 30} = 10. Las capacidades residuales a lo largo
de la ruta N3 son:
Iteracion 4 .
6
1.1. ALGORITMOS DE OPTIMIZACION EN REDES
0 4 10
15
[ ,-] 10 10
[20,2]
1 10 10 5
0
20
0
20 20
20 0
2 30
3
10
[10,3] [10,1]
Iteracion 5 .
[10,1]
0 4 10
15
[ ,-]
10 10
[10,4]
1 0 20 5
0
20
0
10 30
20 0
2 40
3
0 [15,4]
7
1. MODELOS DE REDES
Paso 2. S1 = {4}.
Paso 3. k = 4 y a4 = c14 = 10 y etiquete el nodo 4 con [10, 1]. Establezca i = 4 y repita
el paso 2.
Paso 2. S4 = {3, 5}.
Paso 3. k = 3 y a3 = c43 = 15 y etiquete el nodo 3 con [15, 4]. Establezca i = 3 y repita
el paso 2.
Paso 2. S3 = . Vaya al paso 4.
Paso 4. Retroceso. La etiqueta [15, 4] en el nodo 3, proporciona el nodo inmediatamente
anterior r = 4. Elimine el nodo 3 tachandolo para no considerarlo en esta
iteracion. Establezca i = r = 4, y repita el paso 2.
Paso 2. S4 = {5}.
Paso 3. k = 5, y a5 = c45 = 10. Etiquete el nodo 5 con [10, 4]. Se ha encontrado una
ruta de avance. Continue con el paso 5.
Paso 5. N5 = [1, 4, 5] y f5 = min {, 10, 10} = 10. Las capacidades residuales a lo largo
de la ruta N5 son:
Iteracion 6 .
10 4 0
15
0 20
1 0 20 5
0
20
0
10 30
20 0
2 40
3
0
8
1.1. ALGORITMOS DE OPTIMIZACION EN REDES
Ejemplo 1.2 (Flujo de aerolnea maximo) Las aerolneas Fly-by-Night deben deter-
mninar cuantos vuelos de conexion diarios se pueden concretar entre Juneau, Alaska y
Dallas, Texas. Los vuelos de conexion deben deternerse en Seattle y despues parar en Los
Angeles o Denver. Debido al espacio de aterrizaje limitado, Fly-by-Night esta limitado a
hacer el numero de vuelos diarios entre los pares de ciudades que se muestran en la si-
guiente tabla. Establezca un problema de flujo cuya solucion le permita saber a la aerolnea
como maximizar el numero de vuelos de conexion diarios de Juneau a Dallas. (Tomado
de Winston [6])
Solucion. El objetivo es conocer el numero maximo de vuelos diarios que se pueden rea-
lizar entre las ciudades de Juneau y Dallas. El primer paso para conocer este numero, es
construir una red que represente el problema. Esta red se puede representar graficamente
como se muestra en la Fig. 1.4, o bien en forma matricial. Posteriormente se utiliza la apli-
cacion Flujo Maximo referencia a descarga, para obtener los resultados del algoritmo,
mismos que se muestran en la Fig. 1.5.
Los ngeles
2 1
3 3 2
1 2 3 5
Figura 1.4: Red que representa Figura 1.5: Solucion al problema de la aerolnea Fly-by-Night.
los viajes entre Juneau y Dallas.
De acuerdo a los resultados del algoritmo se concluye que se pueden realizar un maximo
de 3 vuelos diarios entre Juneau y Dallas (Flujo Maximo), de los cuales, 1 vuelo sigue la
ruta Juneau-Seattle-L.A.-Dallas(Flujo optimo en los arcos (1,3),(2,4),(4,5) con 3,1,1 res-
pectivamente) y 2 vuelos siguen la ruta Juneau-Seattle-Denver-Dallas (Flujos optimos en
los arcos (1,2),(2,3),(3,5) con 3,2,2 respectivamente).
9
1. MODELOS DE REDES
Ejemplo 1.3 En fecha reciente se reservo el area de SEERVADA PARK para paseos y
campamentos. No se permite la entrada de automoviles, pero existe un sistema de caminos
angostos y sinuosos para tranvas y para jeeps conducidos por los guardabosques. En la
Fig. 1.6 se muestra este sistema de caminos, (sin las curvas) en donde O es la entrada
al parque; las otras letras representan la localizacion de las casetas de los guardabosques y
otras instalaciones de servicio. El parque contiene un mirador a un hermoso paisaje en la
estacion T. Algunos tranvas transportan a los visitantes desde la entrada a la estacion T
y viceversa. Durante la temporada pico, hay mas personas que quieren tomar un tranva a
la estacion T que aquellas a las que se les puede dar servicio. Para evitar la perturbacion
indebida de la ecologa y de la vida silvestre de la region, se ha impuesto un racionamiento
estricto al numero de viajes al da que pueden hacer los tranvas en cada camino. De esta
forma, durante la temporada pico, se pueden seguir varias rutas, sin tomar en cuenta la
distancia, para aumentar el numero de viajes de tranva diarios. La pregunta es como
planear las rutas de los distintos viajes, de manera que se maximice el numero total de
viajes que se pueden hacer al da, sin violar los lmites impuestos sobre cada camino.
Tomado de Hillier [3]
A 3
1
5
T
7 4 9
O B D
4 5
1
6
C E
4
Figura 1.6: Red que conecta pozos petroleros y refineas por medio de estaciones de redistribucion.
Solucion. El objetivo es conocer el numero maximo de viajes diarios que se pueden rea-
lizar entre la entrada al parque y el mirador. El primer paso para conocer este numero
representar la red de estaciones del parque en forma matricial. Posteriormente se utili-
za la aplicacion Flujo Maximo referencia a descarga. A continuacin se muestran las
iteraciones realizadas por el algoritmo y los resultados obtenidos al final.
En la Fig. 1.7, se muestra como se obtuvo la primera ruta de avance, obteniendo un
flujo f1 = 5. En la Fig. 1.8 se muestran las capacidades residuales actualizadas a traves
de la ruta de avance de la iteracion.
Figura 1.7: Ruta de avance obtenida en la iteracion 1. Figura 1.8: Actualizacion de las capacidades resi-
duales.
10
1.1. ALGORITMOS DE OPTIMIZACION EN REDES
Figura 1.9: Ruta de avance obtenida en la iteracion 2. Figura 1.10: Actualizacion de las capacidades re-
siduales.
Figura 1.11: Ruta de avance obtenida en la iteracion 3. Figura 1.12: Actualizacion de las capacidades re-
siduales.
Figura 1.13: Ruta de avance obtenida en la iteracion 4. Figura 1.14: Actualizacion de las capacidades re-
siduales.
Figura 1.15: Ruta de avance obtenida en la iteracion 5. Figura 1.16: Actualizacion de las capacidades re-
siduales.
Se observa en las figuras 1.9, 1.11, 1.13 y 1.15, las diferentes rutas de avance obtenidas
con sus flujos correspondientes f2 = 3, f3 = 4, f4 = 1 y f5 = 1. En las figuras 1.10, 1.12,
1.14 y 1.16, se muestra como se actualizan las capacidades residuales en cada iteracion.
Finalmente en la Fig. 1.17, se puede observar que el conjunto de nodos alcanzables desde
el origen (nodo 1) es vaco, el cual es el indicador de que no es posible encontrar mas rutas
de avance y finalizan las iteraciones del algoritmo dando lugar al calculo del flujo maximo
y los flujos optimos.
11
1. MODELOS DE REDES
Ejercicios
Ejercicio 1.1 Tres refineras envan un producto de gasolina a dos terminales de distri-
bucion a traves de una red de oleoductos. Cualquier demanda que no puede ser satisfecha
por medio de la red se adquiere de otras fuentes. Tres estaciones de bombeo le dan servicio
a la red, como se muestra en la siguiente figura.
12
1.1. ALGORITMOS DE OPTIMIZACION EN REDES
1 7
20 10
4
20 10 50
10
2 50 6
20 30 20
5
15 30
3 8
Estaciones de
Refineras Terminales
bombeo
Ejercicio 1.2 Se transporta alimento para gallinas por medio de camiones desde tres silos
hasta cuatro granjas. Algunos de los silos no pueden mandar los envos directamente a
algunas de las granjas. Las capacidades de las demas rutas estan limitadas por la cantidad
de camiones disponibles y el numero de viajes realizados diariamente. La siguiente tabla
muestra las cantidades diarias de abasto en silos y la demanda en las granjas (en miles
de pesos). Las entradas en las celdas de la tabla especifican las capacidades diarias de las
rutas asociadas.
Granja
1 2 3 4
1 30 5 0 40 20
Silo 2 0 5 5 90 20
3 100 40 30 40 200
200 10 60 20
13
1. MODELOS DE REDES
Ejercicio 1.3 Un padre tiene cinco hijos (adolescentes) y cinco tareas domesticas que
encomendarles. La experiencia pasada ha demostrado que obligar a un hijo a que realice
una tarea es contraproducente. Con esto en mente, el padre le pide a sus hijos que enumeren
sus preferencias entre las cinco tareas, como lo muestra la siguiente tabla:
Hijo Tarea preferida
Rif 3, 4 o 5
Mai 1
Ben 1o2
Kim 1, 2 o 5
Ken 2
El objetivo del padre ahora es terminar la mayor parte posible de tareas, al tiempo que
respeta las preferencias de los hijos, teniendo en cuenta que:
a) Cada hijo puede realizar solo 1 tarea.
b) Cada hijo puede realizar mas de 1 tarea.
Ejercicio 1.4 Cuatro fabricas producen cuatro tipos de juguetes. La siguiente tabla da
una lista de los juguetes que cada fabrica puede producir.
Fabrica Combinacion de producciones de juguetes
1 1, 2, 3
2 2, 3
3 1, 4
4 3, 4
Todos los juguetes requieren de alguna manera la misma mano de obra y material por
unidad. Las capacidades diarias de las cuatro fabricas son de 250, 180, 300 y 100 juguetes,
respectivamente. Las demandas diarias de los cuatro juguetes son 200, 150, 350 y 100
unidades, respectivamente. Determine los programas de produccion de las fabrica que mas
satisfaran las demandas de los cuatro juguetes.
14
1.2. REDES Y ALGORITMOS PARA LA ADMINISTRACION DE PROYECTOS
Ejercicio 1.6 Cinco camiones entregan siete tipos de paquetes. Hay tres paquetes de cada
tipo, y las capacidades de los cinco camiones son 6, 4, 5, 4 y 3 paquetes, respectivamente.
Prepare un problema de problema de flujo maximo que se pueda usar para determinar si
pueden cargarse los paquetes de modo que ningun camion lleve dos paquetes del mismo
tipo.
15
1. MODELOS DE REDES
16
Captulo 2
Teora de decisiones
Jugador 2
Estrategia 1 2
1 1 1
Jugador 1
2 1 1
Tabla 2.1: Matriz de pagos del juego de pares y nones
17
2. TEORIA DE DECISIONES
3. La matriz de pagos.
El juego inicia cuando ambos jugadores eligen sus estrategias de forma simultanea.
Antes de iniciar el juego, cada jugador conoce las estrategias de que dispone, las que tiene
su oponente y la matriz de pagos. Una jugada consiste en que los dos jugadores elijan al
mismo tiempo una estrategia sin saber cual es la eleccion de su oponente. Existen juegos
que se pueden realizar en multiples ocasiones y algunos solo se pueden jugar una vez.
Una estrategia es una regla predeterminada que especifica por completo como se
intenta responder a cada circunstancia posible en cada etapa del juego. La matriz de
pagos muestra la ganancia (positiva o negativa) del jugador 1, que resultara con cada
combinacion de estrategias de los dos jugadores. La ganancia establecida en la matriz de
pagos no necesariamente es dinero, tambien se puede ver reflejada como numero de votos,
fichas, ventas obtenidas o una determinada probabilidad de obtener algo.
Un objetivo primordial en la teora de juegos es desarrollar criterios racionales para
seleccionar una estrategia, los cuales implican dos supuestos importantes:
1. Ambos jugadores son racionales, es decir, ambos poseen la inteligencia para decidir
cual es su mejor opcion.
2. Ambos jugadores eligen sus estrategias solo para promover su propio bienestar (sin
compasion para el oponente).
Ejemplo 2.1 Dos polticos contienden entre s por un lugar en la Camara de Diputados
Federales de Mexico por el distrito IX del estado de Yucatan. En este momento elaboran
sus planes de campana para los dos ultimos das antes de las elecciones; se espera que
dichos das sean cruciales debido a que estan muy proximos al da de la votacion. Por esta
circunstancia, ambos quieren emplearlos para hacer campana en dos ciudades importantes:
Motul y Progreso. Para evitar perdidas de tiempo, planean viajar en la noche y pasar un
da completo en cada ciudad o dos das en solo una de ellas. Como deben de hacer los
arreglos necesarios por adelantado, ninguno de los dos conocera lo que su oponente tiene
planaeado hacer hasta despues de concretar sus propios planes. Cada poltico tiene un jefe
18
2.1. TEORIA DE JUEGOS
de campana en cada ciudad para asesorarlo sobre el efecto que tendran (en terminos de
votos ganados o perdidos) las combinaciones posibles de los das dedicados a cada ciudad
por ellos o sus oponentes. Por tanto, quieren emplear esta informacion para elegir su mejor
estrategia para estos dos das. En la tabla 2.2 se muestran los votos (en miles) ganados o
perdidos para el poltico 1.
Poltico 2
Estrategia 1 2 3
1 1 2 4
Poltico 1 2 1 0 5
3 0 1 1
Tabla 2.2: Matriz de pagos del problema de la campana poltica para estrategias dominadas
Solucion. Para formular este problema como un juego de dos personas y suma cero,
se identifican sus elementos principales: jugadores, estrategias y matriz de pagos. Los
jugadores son: Poltico 1 y Poltico 2. Las estrategias son:
1 2 3
1 1 2 4
2 1 0 5
Ahora, despues de que fue eliminada una estrategia del jugador 1, el jugador 2 se da
cuenta que el jugador 1 solo dispones de dos estrategias y observa que su estrategia 3
esta dominada tanto por la estrategia 1 como por la 2. Esto es, con respecto a la matriz
de pagos reducida con anterioridad para la estrategia 1: 1 < 4, 1 < 5; para la estrategia
2:2 < 4, 0 < 5. Al eliminar la estrategia dominada se obtiene
1 2
1 1 2
2 1 0
1 2
1 1 2
19
2. TEORIA DE DECISIONES
Metodo grafico
juegos
Programacion lineal
modelo
2. Una empresa financiera invierte en certificados. Cuales son los mejores prospectos
de certificados de sectores del mercado e individuales? Como afectan estos factores
las decisiones de la inversion?
20
2.2. ANALISIS DE DECISIONES
3. Un contratista del gobierno se presenta a una licitacion. Cuales seran los costos
reales del proyecto? Que otras companas se han presentado? Cual es su presu-
puesto probable?
5. Una compana decide perforar en cierta region. Cuan probable es que haya petroleo
en ella? Cuanto? Cuan profundo tendra que perforar? Deben los geologos inves-
tigar mas el sitio antes de perforar?
El analisis de decisiones se diseno para estudiar los tipos de decisiones que se deben
tomar en un ambiente de gran incertidumbre. Cuando es necesario tomar una decision,
surge una pregunta importante acerca del tiempo o la informacion que tenemos actual-
mente para tomar la decision. Es mejor decidir ahora o despues de tener los resultados de
algun estudio adicional (con cierto costo) con el objetivo de reducir la incertidumbre. A
estos estudios o pruebas que se realizan para reducir la incertidumbre se le conoce como
experimentacion. En consecuencia, el analisis de decisiones divide la toma de decisiones
en los casos sin experimentacion y con experimentacion
Se comenzara con el caso mas sencillo, el cual es la toma de decisiones sin experimen-
tacion.
Criterio del pago maximo: Para cada opcion posible, encuentre el pago mnimo
sobre todos los posibles estados de la naturaleza. Despues, encuentre el maximo de estos
pagos mnimos. Elija la opcion cuyo pago mnimo es el maximo. Este criterio es el mismo
que se utilizo en la seccion 2.1 (Teora de Juegos), criterio maximin.
21
2. TEORIA DE DECISIONES
del pago de cada opcion posible. Se elige la opcion con el maximo pago esperado. La teora
de la probabilidad define el valor esperado E(X) (formalmente conocido como esperanza
matematica) de la siguiente forma
X
E(X) = xi p(xi )
Ejemplo 2.2 La compana petrolera PEMEX es duena de unos terrenos en los que puede
haber petroleo. Un geologo consultor ha informado a la administracion que piensa que
existe una posibilidad de 1 entre 4 de encontrar petroleo.
Debido a esta posibilidad, otra compana petrolera ha ofrecido comprar las tierras en
$900, 000. Sin embargo, PEMEX considera conservarlas para perforar ella misma. El costro
de la perforacion es de $1 millon de pesos. Si se encuentra petroleo, el ingreso esperado
sera de $8 millones de pesos; as la ganancia esperada para PEMEX sera de $7 millones
de pesos. Se incurrira en una perdida de un millon de pesos (el costo de barrenar) si no
se encuentra petroleo.
Solucion. De acuerdo con los criterios de pago maximo, maxima posibilidad y la regla de
decision de Bayes, las alternativas a elegir quedan como sigue. Las cantidades representadas
en las tablas estan en decenas de millar, es decir, se deben de multiplicar por 10000 para
obtener la cantidad real.
Criterio del pago maximo: Este criterio, indica que se debe de elegir la accion de
vender el terreno, ya que es la maxima de las ganancias mnimas de cada alternativa. A
continuacion se muestra el criterio en la siguiente tabla.
Estado de la naturaleza
Alternativa Petroleo Seco Mnimo
1. Perforar en busca de petroleo 700 100 100
2. Vender terreno 90 90 90 Valor maximo
Probabilidad a priori 0.25 0.75
Estado de la naturaleza
Alternativa Petroleo Seco
1. Perforar en busca de petroleo 700 100 100
2. Vender terreno 90 90 90 Valor maximo en esta columna
22
2.2. ANALISIS DE DECISIONES
Este pago esperado de ambas alternativas se muestran como dos rectas en la Fig. 2.1.
El pago esperado de perforar es la recta con pendiente positiva y el pago esperado de
vender es la recta horizontal (debido a que tiene un valor de 90 para ambos estados de la
naturaleza). Tambien se pueden observar cuatro puntos en la Fig. 2.1, los cuales muestran
el pago esperado para las dos alternativas de decision cuando p = 0.15 o p = 0.35. Cuando
p = 0.15 la decision se inclina a vender el terreno, ya que se obtiene un pago esperado de
90 contra un pago esperado de 20 para la alternativa de perforar. Por el contrario, cuando
p = 0.35 la decision es perforar por un amplio margen (pago esperado de 180 contra solo
90 de vender). Entonces, la decision es muy sensible a la probabilidad a priori de encontrar
petroleo.
23
2. TEORIA DE DECISIONES
Figura 2.1: Cambio del pago esperado para cada accion cuando cambia la probabilidad a priori.
En la Fig. 2.1, se observa un punto en el que ambas rectas se intersectan. Este punto es
el punto de cruce y es el que determina el cambio de decision entre ambas alternativas.
Para encontrar este punto se establece
As, cuando la probabilidad a priori de encontrar petroleo sea mayor a 0.2375 se debe
de perforar y cuando sea menor se debe de vender.
Una persona que toma decisiones, necesita tener informacion precisa y confiable pa-
ra poder tomar una decision que no se vea afectada por la falta de confiabilidad de la
informacion. Por lo anterior, con frecuencia se realizan pruebas adicionales (experimenta-
cion) para mejorar las estimaciones preliminares de los respectivos estados de la naturaleza
dadas por las probabilidades a priori. Estas estimaciones mejoradas se llaman probabili-
dades a posteriori . A continuacion se retoma el contexto establecido en el ejemplo 2.2
y se le agregan datos para la experimentacion.
Probablidades a posteriori
24
2.2. ANALISIS DE DECISIONES
Teorema 2.1 (Regla de Bayes [5]) Si los eventos B1 , B2 , , Bk constituyen una par-
ticion del espacio muestral S donde P (Bi ) 6= 0 para i = 1, 2, , k, entonces para cualquier
evento A en S tal que P (A) 6= 0,
P (B = br , A) P (B = br , A)
P (B = br | A) = = k , para r = 1, 2, , k
P (A) X
P (B = bi , A)
i=1
P (A = ai , B = bj ) = P (A = ai |B = bj )P (B = bj )
para i = 1, 2, , n, j = 1, 2, , m; esto es, que se tiene que calcular para todas los
posibles valores de las variables aleatorias A y B.
Posteriormente, se calcula la distribucion de probabilidad de los resultados de la expe-
rimentacion o probabilidades incondicionales, P (A), de la siguiente forma
m
X
P (A = ai ) = P (A = ai , B = bj ) (2.1)
j=1
= P (A = ai , B = b1 ) + P (A = ai , B = b2 ) + + P (A = ai , B = bm ) (2.2)
Finalmente se puede utilizar el teorema 2.2.2 para calcular las probabilidades a pos-
teriori, utilizando la probabilidades incondicionales y la distribucion de probabilidad con-
junta. A continuacion se muestra un ejemplo en el que se aplican estos resultados.
Ejemplo 2.3 En el ejemplo 2.2 se tienen dos estados de la naturaleza: que el terreno se
encuentre seco o con petroleo, y las estimaciones preliminares de la probabilidad a priori
de cada estado. Ahora se tiene acceso a realizar una exploracion sismologica del terreno
25
2. TEORIA DE DECISIONES
para obtener una mejor estimacion de la probabilidad de que haya petroleo. El costo de
este estudio es de $300 mil pesos.
Una exploracion sismologica obtiene sondeos ssmicos que indican si la estructura
geologica es favorable para la presencia de petroleo. Los resultados de la exploracion sis-
mologica se dividen en las siguientes categoras:
26
2.2. ANALISIS DE DECISIONES
Para comprobar los resultados, verificamos que la suma de todas las probabilidades
anteriores es 1, esto es sumar la probablidad conjunta para todos los valores de A y B.
2 X
X 2
P (A = ai , B = bj ) =P (SSF, petroleo) + P (SSF, seco)
i=1 j=i
P (SSF, petroleo)
P (petroleo|SSF ) =
P (SSF )
0.15
= = 0.50
0.3
P (SSF, seco)
P (seco|SSF ) =
P (SSF )
0.15
= = 0.50
0.3
P (SSD, petroleo)
P (petroleo|SSD) =
P (SSD)
0.10
= = 0.1429
0.70
P (SSD, seco)
P (seco|SSD) =
P (SSD)
0.60
= = 0.8571
0.70
Por lo que la probabilidad de encontrar petroleo una vez que se conoce el resultado del
estudio sismologico es 0.5 cuando el sondeo es favorable y 0.1429 cuando el sondeo es
desfavorable. Asimismo, la probabilidad de que el terreno se encuentre seco es 0.5 y 0.8571,
cuando el sondeo es favorable y desfavorable respectivamente.
De acuerdo a los pagos establecidos para la combinacion de cada alternativa y estado
de la naturaleza, y las probabilidades a posteriori obtenidas anteriormente, se calcula el
27
2. TEORIA DE DECISIONES
pago esperado para cada alternativa dependiendo del resultado del estudio realizado. A
este pago esperado se resta el costo del estudio.
E(perf orar|SSF ) = P (petroleo|SSF )P ago(perf orar, petroleo) + P (seco|SSF )P ago(perf orar, seco)
= 0.5(7000000) + 0.5(1000000) 300000 = 2700000
E(vender|SSF ) = P (petroleo|SSF )P ago(vender, petroleo) + P (seco|SSF )P ago(vender, seco)
= 0.5(900000) + 0.5(900000) 300000 = 600000
E(perf orar|SSD) = P (petroleo|SSD)P ago(perf orar, petroleo) + P (seco|SSD)P ago(perf orar, seco)
= 0.1429(7000000) + 0.8571(1000000) 300000 = -156800
E(vender|SSD) = P (petroleo|SSD)P ago(vender, petroleo) + P (seco|SSD)P ago(vender, seco)
= 0.1429(900000) + 0.8571(900000) 300000 = 600000
Como el objetivo es maximizar el pago. Se evalua la poltica optima para cada resultado
del estudio. Entonces, cuando se obtienen sondeos ssmicos favorables (SSF ), la alternativa
es perforar obteniendo un pago esperado de $2, 700, 000. Cuando se obtienen sondeos
ssmicos desfavorables (SSD), la alternativa es vender con un pago esperado de $600, 000.
En la siguiente seccion se estudiara como obtener una cantidad que representa el valor
recomendable para la experimentacion, con el fin de conocer si es factible pagar por la
experimentacion.
El valor de la experimentacion
Antes de realizar cualquier experimento, debe determinarse su valor potencial. Se pre-
sentan aqu dos metodos complementarios para evaluar su valor potencial. Estos metodos
se llaman Valor Esperado de la Inforamacion Perfecta (V EIP ) y Valor Esperado de la
Experimentacion (VEE). A continuacion, se describe el primero.
donde P EIP es el pago esperado con informacion perfecta y P EsE es el pago esperado
sin el costo de la experimentacion. En la tabla 2.3 se muestra como queda el calculo para
el pago esperado con informacion perfecta.
28
2.2. ANALISIS DE DECISIONES
Estado de la naturaleza
Alternativa Petroleo Seco
1. Perforar en busca de petroleo 700 100
2. Vender terreno 90 90
Pago maximo 700 90
Probabilidad a priori 0.25 0.75
P EIP = 0.25(700) + 0.75(90) = 242.5
Tabla 2.3: Pago esperado con informacion perfecta para el problema de PEMEX
Como $1, 425, 000 excede por mucho a $300000, el costo del sondeo ssmico, puede
valer la pena proceder con la experimentacion. Para confirmar este hecho, se estudiara un
segundo metodo de evaluacion del beneficio potencial de la experimentacion.
Este calculo requiere mayor trabajo, debido a que incorpora las probabilidades a pos-
teriori para obtenerlo. Primero debe obtenerse el pago esperado con experimentacion
(P EcE) y sustraerle el pago esperado sin experimentacion (P EsE), obteniendo el valor
esperado de la experimentacion (V EE).
]
El calculo del P EcE requiere realizar lo siguiente:
n
X
P EcE = P (A = aj )E(AOpt|A = aj )
j=1
29
2. TEORIA DE DECISIONES
P (SSF ) = 0.3
P (SSD) = 0.7
E(perf orar|SSF ) = 300
E(vender|SSD) = 90
Por lo que,
1. Asegurese de que todas las alternativas y los estados de la naturaleza posibles esten
incluidos en el arbol.
2. Los pagos se introducen al inicio de la rama apropiada y en los nodos hoja (los que
estan al final del arbol), se introduce el pago de esa ruta.
Los arboles de decision estan compuestos por dos elementos basicos, nodos y ramas. Los
nodos son los puntos de ramificacion del arbol y los arcos que unen dos nodos son las ramas.
30
2.2. ANALISIS DE DECISIONES
Construya y etiquete el arbol de decision con los valores(costos o ganancias) y las proba-
blidades correspondientes. Realice el analisis del arbol y determine la poltica optima de
decisiones.
31
2. TEORIA DE DECISIONES
Una vez construida la estructura del arbol, se deben de colocar los pagos correspon-
dientes a cada rama y ruta, as como tambien las probabilidades correspondientes a cada
rama que sale de un nodo probabilstico. En este ejemplo las probabilidades se dividen:
probabilidades a priori (ver seccion 2.2.1) y las probabilidades incondicionales y a poste-
riori (ver seccion 2.2.2). Las probabilidades a priori se colocan en la seccion del arbol en
la que no se realiza la experimentacion, por lo que en la seccion del arbol donde se realiza
la experimentacion se colocan las otras probabilidades. En la Fig. 2.3, se observa el arbol
con los pagos y probabilidades correspondientes1 .
Vender
$600,000.00
$900,000.00 $600,000.00
Con sondeo ssmico
b 0.5
-$300,000.00 $1,230,000.00 Petrleo
$6,700,000.00
Perforar $8,000,000.00 $6,700,000.00
h
-$1,000,000.00 $2,700,000.00 0.5
0.3 Seco
SSF -$1,300,000.00
e $0.00 -$1,300,000.00
$0.00 $2,700,000.00
a Vender
$1,230,000.00 $600,000.00
$900,000.00 $600,000.00
0.25
Petrleo
$7,000,000.00
Perforar $8,000,000.00 $7,000,000.00
f
-$1,000,000.00 $1,000,000.00 0.75
Seco
Sin sondeo ssmico -$1,000,000.00
c $0.00 -$1,000,000.00
$0.00 $1,000,000.00
Vender
$900,000.00
$900,000.00 $900,000.00
1
Se utilizo el software TreePlan [1] para construir y resolver el arbol de decision.
32
2.3. CADENAS DE MARKOV
Para cada instate t tendremos una variable aleatoria distinta representada por Xt , con
lo que un proceso estocastico puede interpretarse como una sucesion de variables aleatorias
cuyas caractersticas pueden variar a lo largo del tiempo.
Si observamos unos valores de t tendramos una imagen similar a la siguiente:
33
2. TEORIA DE DECISIONES
A los posibles valores que puede tomar una variable aleatoria se le denomina estados,
por lo que puede tener un espacio de estados discreto o es espacio de estados continuos.
Dependiendo de como sea el conjunto de sunndices T y el tipo de variables aleatorias
dado por Xt se puede establecer la siguiente clasificacion de los procesos estocasticos.
t discreta t continua
X discreta Proceso de estado discreto y tiem- Proceso de estado discreto y tiem-
po discreto (Cadena) (Unidades po continuo (proceso de saltos pu-
producidas mensualmente de un ros)(Unidades producidas al tiem-
producto) po t)
X continua Proceso de estado continuo y tiem- Proceso de estados continuo y
po discreto (Toneladas de produc- tiempo continuo (Proceso conti-
cion diaria de un producto) nuo)(Velocidad de un vehculo al
instante t)
34
Bibliografa
[1] TreePlan: The Decision Tree Add-in for Microsoft Excel, 2017. http://treeplan.com/,
Accedido el 31 de Marzo de 2017.
[5] R. Walpole, R. Myers, and S. Myers. Probabilidad y estadstica para ingenieros. Pear-
son: Educacion. Pearson Educacion, 1999.
35