Análisis de Problemas de Programación Dinamica

IntroduccinalaEconomadelaEmpresa
Tema5.Anlisisdeproblemasytomade decisiones
Introduccin
Lamodelizacin
Ambientesdedecisin
Criterios de decisin en contexto de incertidumbre

Criteriosdedecisinencontextodeincertidumbre
Certeza
Riesgo
IncertidumbreEstructurada
Incertidumbrenoestructurada
Laplace
Optimista
Pesimista
Hurwicz
Savare
Probabilidad
AnlisisBayesiano
5.1 Introduccin
La adopcin de decisiones tiene tanta importancia en el mbito empresarial
que se ha definido a la empresa como centro de decisiones voluntarias
tomadas en un entorno incierto.
En el transcurso de la historia,
historia el hombre ha tomado las decisiones basndose
en la experiencia, en la intuicin, en el sentido comn, y en la repeticin de
frmulas que funcionaron bien en el pasado.
D d l
Dadoelcrecientecambioenelentornoempresarial,latomadedecisiones
i t
bi
l t
i l l t
d d ii
resultacadavezmscompleja.Porello,comoenotrasreasdelaciencia
econmica,latomadedecisionesserealizaenbaseadistintosmodelos.
E muchos
En
h casos la
l realidad
lid d es tan compleja
l j que, para comprenderla,
d l hay
h que
simplificarla, tomando de ellas aquellos aspectos que resultan relevantes
para el anlisis de que se trate y relegando los que resultan accesorios. De
acuerdo con esto,
esto un modelo,
modelo es una representacin simplificada de una
parte de la realidad.
El principal objetivo de un modelo es permitir una mejor comprensin y
d
descripcin
i i de
d la
l realidad
lid d que representa.
t Esta
E t mejor
j compresin
i de
d la
l
realidad permite tomar mejores decisiones.
2
Unmodeloeconmico
Supuestos:
1. En la economa hay una nica empresa que produce un bien.
2. Este bien, es a la vez un bien de consumo y un bien de capital.
3. La empresa es precio aceptante en el mercado de factores y el mercado de productos. Toma,
precios y salarios como dados
4. Para producir las empresas utilizan capital y trabajo.
5. Los consumidores alquilan el capital a las empresas a un coste de r.
6. Asumimos que el objetivo de la empresa es maximizar beneficios
Beneficio precio produccin salario trabajador cos te capital capital
Maximizar
L
B p q (l , k ) ( w L) (r k )
B
0;
L
[Ecuacin 1]
q
w 0;
L
p
q
w
L
Unmodeloeconmico
Beneficio
Bmax
L (trabajo)
L*
Una solucin del problema particular del modelo planteado
1.
2.
3.
Funcin de produccin, q
Precio de los factores: p 10,
Stock de capital: k 100
Lk
w5
Un modelo econmico
S tit
Sustituyendo
d en [Ecuacin
[E
i 1]:
1]
q
w
L
10
1 100
5
2 L
5 10 5 L
L* 100
: Cantidaddemandadadetrabajo
Cantidad demandada de trabajo
Comoafectaalacantidaddemandadadetrabajoelestablecimientodecotizacionesa
laseguridadsocial?
Maximizar
B p q (l , k ) ( w(1 SS ) L) (r k )
L
cpo:
B
B
0;
L
Nota: SS representa el porcentaje de cotizaciones a la seguridad social

Nota:SSrepresentaelporcentajedecotizacionesalaseguridadsocial
5
q
w(1 SS ) 0;
L
L
q
w(1 SS )
L
Si SS=10%, Cul ser ahora la cantidad demandada de trabajo por parte de la

empresa
10
1 100
5(1 10%)
2 L
10 (1 10%) L
L* 82.6
: Cantidaddemandadadetrabajo
5.2Ambientesdedecisin
La toma de decisiones es tanto ms sencilla cuanto mayor sea la informacin de que se
dispone. La toma de decisiones se hace ms compleja cuando no sabemos con
certeza lo que va a ocurrir.
El nivel de informacin determina el tipo
p de ambiente de la decisin. Ambientes de
decisin:
Certeza: El ambiente de certeza es aquel en el que el decisor conoce con absoluta
seguridad
g
los estados de la naturaleza q
que van a p
presentarse.
Riesgo: Se denomina ambiente de riesgo a aquel en el que el decisor no sabe con
certeza qu estados de la naturaleza se presentarn, pero si conoce cuales pueden
presentarse y la probabilidad que tiene cada uno de ellos (por ejemplo, sabe que la
demanda puede ser de 150.000 unidades al ao, con una probabilidad del 25%, o
de 75.000 con una probabilidad del 75%, y sabe que hay una probabilidad del 40%
de q
que tenga
g competencia
p
fuerte y un 60% de q
que no tenga
g competencia).
p
)
Incertidumbre estructurada. El ambiente de incertidumbre estructurada es aquel en que
se conocen los estados de la naturaleza, pero no las probabilidades asignadas a
cada uno de esos estados.
Incertidumbre no estructurada. Es aquel en el que no se conocen ni los estados de la
7
naturaleza ni las probabilidades.
5.2.1 Criteriosdedecisinencontextosdeincertidumbre
Silaincertidumbrenoestructurada,nisepuedeobtenermayorinformacin,
yhadetomarseunadecisin,stahabrdebasarseenlaintuicin.
Silaincertidumbreestructurada,ladecisincontinaincorporandounacarga
desubjetividadmuyelevada.Peroenestecasolatomadedecisionesse
puederealizarutilizandodistintoscriterios:
Laplace
Optimista
Pesimista
Optimismoparcial
MnimoPesar(Savage)
8
Criterio de Laplace
El criterio de laplace se llama tambin racionalista o criterio de igual verosimilitud.
Parte del postulado de Bayes segn el cual, si no se conocen las probabilidades asociadas
a cada uno de los estados de la naturaleza no hay razn para pensar que uno tenga
ms probabilidades que otro por ello se calcula la media aritmtica de cada una de
las decisiones que se pueden tomar y se elige aquella que le corresponda el
resultado medio ms elevado.
elevado En el caso de que todos los resultados sean negativos
se elige el menos desfavorable.
TABLA 1
Decisiones
alternativas
E1
Estados de la Naturaleza
S1
S2
S3
60
50
40
E2
10
40
70
CriteriodeLaplace
MediaaritmticadeladecisinE1.
E1
60 50 40
50
3
MediaaritmticadeladecisinE2.
E2
10 40 70
40
3
UtilizandoelcriteriodeLaplacesetomaraladecisinE1.
10
CriterioOptimista
Eselcriterioqueelegiraunapersona,quepensaraquecualquieraque
fuesesudecisin,elestadoquesepresentarserelmsfavorable.
Por ello, cuando los resultados son positivos, se le denomina criterio maxi
Porello,cuandolosresultadossonpositivos,seledenominacriteriomaxi
max.Paracadadecisinseanalizanlosposiblesresultados,ysetoma
aquelladecisinqueenelcasomsoptimistaofrezcamejores
resultados.
resultados
Utilizandolosdatosdelatabla1,Culserladecisinquecorrespondaal
criteriooptimista?
SieligeE
Si
elige E1.,sucederlomsfavorable(S
suceder lo ms favorable (S1)yganar60u.m.
) y ganar 60 u m
SieligeE2.,sucederlomsfavorable(S3)yganar70u.m.
LuegoconestecriterioeligirE2,70>60
11
Criterio pesimista o de Wold

Es el que seguira una persona que pensara que cualquiera que fuese su
eleccin, el estado de la naturaleza que se presentar ser el menos
favorable.
Utilizando los datos de la tabla 1, Cul ser la decisin que corresponda al
criterio pesimista?
Si toma la decisin E1 ocurrir lo menos favorable, es decir S3, y ganar
40.
Si toma la decisin E2 ocurrir lo ms desfavorable, es decir S3, y ganar
10.
Bajo este criterio la decisin ser E1, ya que 40>10
Cuando los resultados sean desfavorables la decisin optima ser mini
max, la menor perdida entre las mayores prdidas.
12
Criterio de optimismo parcial
EEstecriterioconstituyeuncompromisoentreloscriteriosoptimistaypesimista,
t it i
tit
i
t l
it i
ti i t
i it
mediantelaintroduccindeuncoeficientedeoptimismoquedenotamos
por,comprendidoentre0y1,ydesucomplementoalaunidadqueesel
denominadocoeficientedepesimismo(1 ).
Elmejordelosresultadosdecadaestrategiaseponderaconelcoeficientede
El
mejor de los resultados de cada estrategia se pondera con el coeficiente de
optimismo ,entantoqueelpeordelosresultadosseponderaconel
coeficientepesimista (1 ).
Utilizandolosdatosdelatabla1,culserladecisinquecorrespondealcriterio
deoptimismoparcial?(suponedquealpha valeun60%).
SiseeligeE1 lomejorquepuedeocurriresS1 ylopeoresS3 :
Resultado:
E1 (60) (1 ) 40
13
Criteriodeoptimismoparcial
E1 0.6 (60) (0.6) 40 52

SiseeligeE2 lomejorquepuedeocurriresS3 ylopeoresS1 :
Resultado:
E2 (70) (1 ) 10
E2 0.6 (70) (1 0.6) 10 48
SilosresultadossonfavorablesladecisinquetomaraconestecriterioesE1.
1. Si
losresultados fuesen desfavorables ladecisin que setomara sera E2.
14
Criterio de mnimo pesar

Este criterio lo siguen quienes tienen aversin a arrepentirse por
equivocarse. Formalmente ha de partirse de la matriz de pesares.
Segn este criterio la decisin optima es elegir el menor entre los mximos
pesares.
Construimos primero la matriz de pesares.
pesares Veamos como se construye esta
matriz.
Si elige E1 y ocurre S1, su pesar es cero, ha ocurrido lo mejor que podra
pasar dado que ha elegido E1. Si elige E2, y ocurre S1, su pesar es 50,
que se calcula como la diferencia entre lo que gana con E2, que es 10, y
lo que habra ganada si hubiese tomado la decisin E1, que es 60.
15
Criteriodemnimopesar
S1
E1
E2
50
S2
S3
Si elige E1 y ocurre
oc rre S2, su
s pesar es cero,
cero ha ocurrido
oc rrido lo mejor que
q e podra pasar
dado que ha elegido E1. Si elige E2, y ocurre S2, su pesar es 10, que se calcula
como la diferencia entre lo que gana con E2, que es 40, y lo que habra
ganada si hubiese tomado la decisin E1, que es 50.
S1
S2
E1
E2
50
10
S3
16
Criteriodemnimopesar
SieligeE
g 1 yyocurreS3,,supesares30,(7040).SieligeE
p
,(
)
g 2,,yocurreS
y
p
3,,supesar
cero,haocurridolomejordadoquehaelegidoE2.
M t i de
Matriz
d pesares
S1
S2
S3
E1
30
E2
50
10
Si toma la decisin E1, el mximo pesar es de 30. Si toma la decisin E2, el

mximo pesar es de 50.
50 Siguiendo el criterio de Savage,
Savage la decisin
ptima es tomar la decisin E1, a la que corresponde el menor entre los
mximos pesares.
17
5.2.2Decisionesencontextoderiesgo
ElestudiodedecisionesencontextodeRIESGO precisatenerconocimientos
bsicosdeprobabilidad.
AcontinuacinestudiamosalgunosconceptosbsicosdePROBABILIDAD
Conforme a la definicin de Laplace, si de un total de n casos, todos
igualmente factibles, un suceso S puede presentarse en h de los casos,
la probabilidad de ocurrencia de un suceso S, que denotamos por P(S),
es el cociente entre el nmero de casos favorables y el nmero de casos
posibles.
P( S )
h
n
18
Ejemplo1.
Lanzamiento de una moneda una vez Calcular la probabilidad de sacar una
Lanzamientodeunamonedaunavez.Calcularlaprobabilidaddesacaruna
cara.
1
P( S cara)
Ejemplo2.
L
Lanzamientodeundado.Calcularlaprobabilidaddesacarunseis.
i t d
d d C l l l
b bilid d d
i
P( S sacar un seis)
1
6
Ejemplo3.
Tenemosunacestacon3bolasnegrasy7bolasblancas.S=sacarunabola
negra.
3
P( S sacar una bola
b l blanca
bl
)
10
19
Probabilidaddeunsucesocompuesto
Probabilidad
de un suceso compuesto
SeanSyTdossucesosINDEPENDIENTES,laprobabilidaddequeambossucesos
ocurranconjuntamente,quedenotamosporsecalculacomoel
P( S T )
productodelasprobabilidadesmarginalesdeS
d
d l
b bilid d
i l d S ydeT.
d T
P( S T ) P( S ) P(T )
DondeeslaprobabilidaddequeocurraelsucesoSyeslaprobabilidad
P(S )
P(T )
dequeocurraelsucesoT.
SeanSyT dossucesosDEPENDIENTES,laprobabilidaddequeambossucesos
ocurranconjuntamente,secalculacomo:
P( S T ) P( S ) P(T / S )
P( S T ) P(T ) P( S / T )
20
P( S / T )
: Probabilidad de qque ocurra el suceso S condicionada a qque ha
ocurrido el suceso T.
P(T / S ) : Probabilidad de que ocurra el suceso T condicionada a que ha
ocurrido el suceso S
Cuando dos sucesos son independientes, la probabilidad condicionada es
igual a la probabilidad marginal.
P( S / T ) P( S )
P(T / S ) P(T )
Ejemplo4.
Tenemos una urna con 5 bolas, 3 negras
g y 2 blancas. Sea el suceso S: sacar
una bola negra en la primera extraccin el suceso T: sacar una bola
negra en la segunda extraccin.
21
......continaejemplo4.
Cul es la probabilidad de que saquemos dos bolas negras seguidas, es decir, cul es la
Culeslaprobabilidaddequesaquemosdosbolasnegrasseguidas,esdecir,culesla
probabilidaddequeocurraelsucesoS yelsucesoT?
P( S T ) ?????
Para calcular esta probabilidad es necesario saber si las extracciones de las bolas son con o
sin reemplazamiento ya que ello determina si ambos sucesos son o no
independientes. Analizamos los dos casos posibles.
Caso1.NOHAYREEMPLAZAMIENTO.
EnestecasolosdossucesossonDEPENDIENTESyportantolaprobabilidadconjunta
secalculacomo:
P( S T ) P( S ) P(T / S )
P( S ) 3 / 5;
3 2 6
3
P(T / S ) 2 / 4; P( S T )
5 4 20 10
22
......contina ejemplo 4.
Caso 2. HAY REEMPLAZAMIENTO.
En este caso los dos sucesos son INDEPENDIENTES y por tanto la
probabilidad conjunta se calcula como el producto de las probabilidades
marginales.
P( S T ) P( S ) P(T )
3
P( S )
5
P((T
T)
3
5
3 3 9
P( S T )
5 5 25
23
ProbabilidaddeUNINENTRESUCESOS.
Dadosdossucesos,SyT,laprobabilidaddequeocurraobienelsucesoS obien
elsucesoT vienedadaporlasiguienteexpresin:
P( S T ) P( S ) P(T ) P( S T )
Ejemplo5.
Tenemosunaurnacon5bolas,3negrasy2blancas.Seaelsuceso
S:sacarunabolanegraenlaprimeraextraccinelsuceso
T
T:sacarunabolanegraenlasegundaextraccin.
b l
l
d
i
Culeslaprobabilidaddequesaquemosunabolanegraenlaprimera
Cul
es la probabilidad de que saquemos una bola negra en la primera
extraccinoquesaquemosunabolanegraenlasegunda,esdecirdeque
ocurraelsucesoS oelsucesoT?
24
......continaejemplo5.
Caso1.NOHAYREEMPLAZAMIENTO.
EnestecasolosdossucesossonDEPENDIENTES.
P( S T ) P( S ) P(T ) P( S T )
3 2 3 (4 3) (5 2) (2 3) 16 4 4 4
P( S T
T)
5 4 10
20
20 5 4 5
Caso2.HAYREEMPLAZAMIENTO.
EnestecasolosdossucesossonINDEPENDIENTES.
3 3 9 (5 3) (5 3) (9) 21
P( S T )
5 5 25
25
25
25
El TEOREMA DE BAYES nos dice lo siguiente:

Tenemos una serie de sucesos disjuntos que no pueden ocurrir de
f
forma
simultnea),
i l
) S1,
S1 S2,
S2 ....Sn,
S y dado
d d un suceso T,
T que puede
d
producirse conjuntamente con cada uno de los sucesos
anteriores, entonces la probabilidad del suceso T se puede
calcular como:
P(T ) P( S1 T ) P( S 2 T ) ... P( S n T )
P(T ) P( S1 ) P(T / S1 ) P( S 2 ) P(T / S 2 ) ... P( S n ) P(T(1)
/ Sn )
Teniendo en cuenta que la probabilidad conjunta de dos sucesos se

puede calcular como el producto de probabilidades
condicionadas:
P( Si ) P(T / Si ) P(T ) P( Si / T )
Y sabiendo que:
P ( Si / T )
P(T / Si ) P( Si )
P(T )
26
Un ejemplo:
T=sacar cara al lanzar una moneda
S1=Sacar
Sacar un uno al lazar un dado
dado
S2=Sacar un dos al lazar un dado
.......
S6=
=Sacar
Sacar un seis al lazar un dado
dado
S1, S2, S3, S4, S5, S6: son sucesos disjuntos. Si lanzas un dado una
vez, o bien sacas un uno, o un dos, o un tres, ..etc, pero no
puedes sacar conjuntamente
p
j
un uno y un dos.
Nos preguntan: cual es la probabilidad de que al tirar una moneda
salga cara?.
1 1 1
P (cara S 1)
2 6 12
P(cara) P(cara S 1) P(cara S 2) ... P(cara S 6)

P(cara)
1 1 1 1 1 1 1

12 12 12 12 12 12 2
27
Variables aleatorias
Se dice que una variables es aleatoria cuando no se sabe con certeza
el valor que tomar, sino solo los valores que puede tomar (o
rango de valores en los que se puede mover) y la probabilidad
de que tome esos valores (o la probabilidad de que tome un
valor en un intervalo definido).
Hay dos tipos de variables aleatorias: Discretas y Continuas
Se dice que una variable aleatoria es discreta cuando el nmero de
valores que puede tomar es finito.
Se dice que una variable aleatoria es continua,
continua cuando esa variable
puede tomar un nmero infinito de valores.
La inflacin, la tasa de crecimiento del consumo, la inversin y la
produccin, los rendimientos de activos en bolsa, los cambios en
los tipos de inters, la duracin de un determinado proceso de
produccin,, el valor de las ventas,, son ejemplos
p
j p
de variables
aleatorias continuas
28
Distribucin de probabilidad.
Variables aleatorias discretas
Una variable aleatoria es discreta si toma un nmero finito de valores.
Al conjunto
j
de valores q
que p
puede tomar una determinada variable aleatoria y
sus respectivas probabilidades se le denomina distribucin de probabilidad.
En el ejemplo (1), ladistribucindeprobabilidadeslasiguiente

Enelejemplo(1),
la distribucin de probabilidad es la siguiente
Valores
posibles
Probabilidad
0
1/16
= (1/2) (1/2) (1/2) (1/2)
4/16
= (1/16)+(1/16)+(1/16)+(1/16) Prob. S1, S2, S3, S4
6/16
= (1/16)+(1/16)+(1/16)+...
4/16
= (1/16)+(1/16)+(1/16)+(1/16) Prob. S12, S13, S14, S15
1/16
= (1/16)
Prob. Suceso 1(S1)

Prob. S6, S7, S8, S9, S10, S11
Prob. Suceso 16(S16)
29
La distribucin de probabilidad se suele representar por medio de un

HISTOGRAMA, es decir,
d
mediante
d
rectngulos
l
cuyas reas
son
proporcionales a los tamaos de las probabilidades que representan.
Histograma
0.40
0.375
0.35
Probab
bilidades
0.30
0.25
0.25
0.25
0.20
0.15
0.10
0.0625
0.0625
0.05
0.00
0
Valores posibles
30
La distribucin de probabilidad de una variable nos permite conocer la
probabilidad asignada a los distintos valores que puede tomar una variable.
Adems, la distribucin de probabilidad nos permite conocer la probabilidad
de que una variable sea inferior a un determinado valor, P ( x 3) o,
que
tome valores en un determinado intervalo P (2 x 4) .
En el ejemplo (1),
(1) podemos conoce
conocer la p
probabilidad
obabilidad de que
q e la variable
a iable x tome
un valor menor o igual que 3:
P( x 3) P( x 0) P( x 1) P( x 2) P( x 3)
1 4 6 4 15
P( x 3)
16 16 16 16 16
o la probabilidad de que teme un valor entre 2 y 4,
4
P(2 x 4) P( x 2) P( x 3) P( x 4)
P(2 x 4)
6 4 1 11

16 16 16 16
31
Momentos de la distribucin de Probabilidad
Esperanza Matemtica ( media, o valor esperado)
Varianza
Desviacin tpica
Esperanza matemtica (E(x))
La esperanza matemtica de una variable discreta, es una media ponderada de
los valores que puede tomar esa variable utilizando como coeficientes de
ponderacin
sus probabilidades.
Sea x una variable aleatoria discreta que toma los siguientes valores:
{
} y sus probabilidades son {
}
x1, x2 , x3 ,..xn
La esperanza matemtica se calcula como:
p1, p2 , p3 ,.. pn
E ( x) x1 p1 x2 p2 x3 p3 ... xn pn
32
El valor esperado de una variable, es el valor alrededor del cul la variable toma
distintos valores.. Se pude decir, que es el valor de referencia que seala
donde se encuentra centrada la distribucin.
Ejemplo (3)
Sean x e y dos variables aleatorias cuyas
y distribuciones de probabilidad
p
vienen
dadas en las tablas 1 y 2 respectivamente.
Tabla 2
Valores
Probabilidad
posibles
p
Tabla 1
Valores
posibles
Probabilidad
3
3/10
4/10
3/10
3/10
/
2/10
1/10
2/10
2/10
33
Varianza de una variable aleatoria discreta
Es la esperanza matemtica de los cuadrados de las desviaciones de los valores
posibles respecto a su media
Sea x una variable aleatoria discreta que toma los siguientes valores:
{ x1, x2 , x3 ,..xn
} y sus probabilidades
b bilid d son { p1, p2 , p3,.. pn }
La varianza se calcula como:
2 ( x1 x ) 2 p1 ( x2 x ) 2 p2 ( x3 x ) 2 p3 ... ( xn x ) 2 pn
La desviacin tpica es:
( x1 x ) 2 p1 ( x2 x ) 2 p2 ( x3 x ) 2 p3 ... ( xn x ) 2 pn
34
Distribucindeprobabilidad.
Variablesaleatoriasdiscretas
Tantolavarianzacomoladesviacintpicanosinformansobrela
distribucin de probabilidad en el sentido de que nos dicen cuan
distribucindeprobabilidad,enelsentidodequenosdicencuan
dispersosestnlosdatosrespectoalamedia.
Valorespequeosdesigma indicanconcentracinderesultados
respectoasumedia.Valoresgrandesdesigmacorrespondena
distribuciones ms dispersas
distribucionesmsdispersas.
Cuandosigmaespequeo,puededecirsequehayunaprobabilidad
muyelevadadequelavariabletomeunvalormuyprximoasu
valoresperado.Sisigmaesgrande,habrunaposibilidadelevada
dequelavariablesedesvealalzaoalabaja.
q
j
35
Utilizandolosdatosdelejercicio3,calcular:
1.
2.
3.
Laesperanzamatemticadexey
Lavarianzadexey
Histogramadexey
Esperanzamatemticadexey
E ( x) 3 (3 / 10) 4 (4 / 10) 5 (5 / 10) 4
E ( y ) 2 (3 / 10) 3 (2 / 10) 4 (1 / 10) 5 (2 / 10) 6 (2 / 10) 3.8
Varianzadexey
x2 (3 4) 2
3
6
3
4
(4 4) 2 (5 4) 2 0.6
10
10
10 10
36
x2 (2 3.8) 2
3
2
1
2
2
(3 3.8) 2 (4 3.8) 2 (5 3.8) 2 (6 3.8) 2 2.36
10
10
10
10
10
Histograma, x
Histograma, y
0.45
0.35
0.4
0.3
0.3
Proabilida
ad
Proabilida
ad
0.35
0.25
0.2
0.15
0.1
0.25
0.2
0.15
0.1
0.05
0 05
0.05
4
Valores posibles
Valores posibles
37
Variables aleatorias continuas
Variablesaleatoriascontinuas
Se dice que una variable aleatoria es continua, cuando en un rango de valores
determinado puede tomar infinitos valores.
En el caso de variables continuas, la probabilidad de que dicha variable tome un
valor concreto es infinitamente pequea, casi cero. Por eso, en el caso de
este tipo de variables, no nos interesas tanto saber la probabilidad de que
tome un valor concreto, sino la probabilidad de que esa variable tome un
valor en un determinado intervalo o sea inferior a un cierto valor.
En el caso de variables continuas,
continuas la distribucin de probabilidad o funcin de
densidad, nos dice cul es la probabilidad de que la variable x sea inferior a
un determinado valor que denotamos por a.
Sea f(x) la funcin de densidad de la variable x. Dicha variable toma valores en
el siguiente rango de [a, b]. La probabilidad de que dicha variable tome un
valor por debajo de c, perteneciente a ese intervalo, vienen dada por:
c
P( x c) f ( x)dx
a
38
Una de las distribuciones de probabilidad ms utilizada en la NORMAL.
Caractersticas de la NORMAL:
Es simtrica y tiene forma acampanada. Tambin se llama campana de

Gauss
El rea correspondiente a cada posible valor de la variable es infinitesimal;

es decir, que la probabilidad de que la variable tome un valor concreto es
cero.
La probabilidad de que la variable tome un valor comprendido en un cierto

intervalo finito,
finito es tambin una cantidad finita e igual al rea existente bajo
la campana en ese intervalo
El rango de fluctuacin de las variables con distribucin normal es +/infinito El rea total debajo de la campana vale uno.
infinito.
uno
La esperanza matemtica de la variable habr de encontrarse en el centro

de la distribucin, y dado que esta es simtrica, y que su rea total es igual
a uno, tanto el rea a la izquierda de su valor esperado como el rea a su
derecha vale 0.5
Se trata de un tipo de distribucin que queda perfectamente descrita con

solo el conocimiento de su esperanza matemtica o media y su varianza.
39
La distribuciones NORMAL.
-infinito
+ infinito
La probabilidad de que x tome un valor en el intervalo [a, b],

es el rea rayada de la figura arriba representada, y se
calcula como:
P ( a x b) P ( x b) P ( x a )
b
P(a x b) f ( x)dx
a
40
En el caso de variables continuas tambin podemos construir un histograma.
Para ello dividimos el rango de valores que pude tomar la variable en distintos
segmentos y calculamos para cada uno de ellos la frecuencia relativa, es
decir, el porcentaje de datos que toma esa variable en cada segmento.
EEUU: Tasa de crecimiento del IPI
Ejemplo (1).
Tasa de crecimiento del IPI de
Estados Unidos.
50
40
Prrobabilidad
IInflacin
fl i media:
di 3.09%
3 09%
Desviacin tpica: 2.937
60
30
20
10
0
-6
-4
-2
2
4
valores posibles
10
41
Ejemplo(2).Tasadecrecimientodelasventasalpormenor.
Para ello dividimos el rango de valores que pude tomar la variable en
distintos segmentos y calculamos para cada uno de ellos la
frecuencia relativa, es decir, el porcentaje de datos que toma esa
variable en cada segmento
EEUU: Tasa de crecimeinto de las ventas totales
40
35
30
25
P
Probabilidad
Inflacinmedia:5.76%
Desviacintpica:2.13
20
15
10
5
0
-2
4
6
valores posibles
10
12
42
Cuando una variable se distribuye normal, con esperanza
varianza, 2 , se denota de la siguiente forma:
x ~
N ( , )
En el caso particular en que la media es cero, y la varianza es uno,

se dice que la distribucin es Normal Estndar.
La distribucin de la Normal Estandarizada est tabulada (existen
unas tablas estadsticas al final del capitulo) con las que se puede
calcular la probabilidad de que la variable x tome un valor
comprendido en cualquier intervalo que se desee.
desee
43
Cmo leer la informacin que aparece en tabla. En el interior aparece

la probabilidad.
Tablas de
la Normal Tipificada
variable
x tome
0
un
0.0
0.1
0.2
Probabilidaddequela
variablextomeun
valorentre0y0.27
0.106
0.3
0.4
0.5
0.1985
0.6
Probablidaddequelavariable
Probablidad
de que la variable
xtomeun valorentre0y1.25
0.7
0.8
tomeun
0.9
1.0
0.353
1.1
1.2
1.3
Probabilidaddequela
variable x tome un
variablextomeun
valorentre0y0.52
44
Siunavariablesedistribuyenormal,conmedia yvarianza 2
podemos conocer su distribucin de probabilidad tipificando la variable
podemosconocersudistribucindeprobabilidadtipificandolavariable.
Paratipificarunavariablebastaconrestarlesumediaydividiresa
diferenciaporladesviacintpica.
Sepuededemostrarquelavariablequehemosobtenido, altipificar x
tieneunamediadeceroyvarianzaigualauno.
Sea x ~ N ( 2600, 386 )vamosacalcularlaprobabilidaddequedichavariabletome
unvalormayora3206.
P( x 3206) ????
Primero:tipificamoslavariable.
x 2600
386
45
Segundo: de la expresin anterior (1) despejamos el valor de x
(2)
x 2600 386
Tercero: planteamos la pregunta que nos hacen: P( x 3206)

(3)
Cuarto: Sustituimos en (3) el valor de x obtenido en (2):
P(2600 386 3206) ???

P(
3206 2600
) ???
386
Quinto: Buscamos en las tablas de la normal estndar

P( 1.57) 1 P( 1.57)
46
Tenemosquecalcularlaprobabilidaddequelanormalestndarsea
inferiora1.57.
e o a .5 .
P( 1.57) 1 P( 1.57)
EnlatabladelaNormalEstndartenemoslaprobabilidaddequela
Normaltomeunvalorentre0y1.57.Dichaprobabilidadesde
0.4418.
Sabemosademsquelaprobabilidaddequelavariable
tomeun
valorpordebajode0esiguala0.5.Luegosabemosquela
probabilidad de que
probabilidaddeque
tome un valor por debajo de 1 57 es de
tomeunvalorpordebajode1.57esde
0.9418.
P( 1.57) 0.5 0.4418 0.9418
P( 1.57) 1 0.9418 0.0582
As,sabemosquelaprobabilidaddequelavariablextomeunvalor
b
l
b bilid d d
l
i bl
l
mayora3206esiguala0.0582.
47
p
Unintervalodeconfianzaaunniveldesignificacin,nosdalospuntosentre
los cuales la variable en cuestin tomar valores con una probabilidad igual
loscualeslavariableencuestintomarvaloresconunaprobabilidadigual
a 1 .
Paraelcasoanterior,vamosaconstruirunintervalodeconfianzaaunnivelde
significacindel5%.Paraello,buscamosdosvalores,[a,b]talesque:
P(a x b 1 5%
Dadoquelavariablexsedistribuyenormal,sabemosque:
P(b x b) P( x b) P( x b) 95%
Sabemostambinquelaprobabilidaddequextomeunvalorporencimaopor
debajodebesiguala2.5%.Deellosededuceque:
P( x b) 1 2.5% 47.5%
P(b
x 2600
b) 95%
386
48
p
Nosabemosculeselvalordeb.Paraconocerlo,tenemosque
tipificarlavariablex.
x 2600
386
Ysustituimosenlaexpresinanterior:
P( x b) 1 2.5% 47.5%
P(2600 386 b) 47.5%
P(
b 2600
) 47.5%
386
BuscamosenlatabladelaNormalestndaraquelvalorquedejeala
Buscamos
en la tabla de la Normal estndar aquel valor que deje a la
izquierdadeladistribucinel47.5%delosdatos.Dichovalores
1.96
49
p
BuscamosenlatabladelaNormalestndar
Buscamos
en la tabla de la Normal estndar aquelvalorquedejealaizquierda
aquel valor que deje a la izquierda
deladistribucinel47.5%delosdatos.
P( z* ) 47.5%
Dichovalores1.96,esdecir,
z* 1.96
Unavezconocidopodemoscalcularb.
z*
z*
b 2600
386
b 2600 386 z*
As,elintervalodeconfianzaparalavariablexes(1843.44,3356.56),seha
calculadocomo:
(2600 (1.96 386) , 2600 (1.96 386))
50

Análisis de Problemas de Programación Dinamica

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análisis de Problemas de Programación Dinamica

Uploaded by

Copyright:

Available Formats

IntroduccinalaEconomadelaEmpresa

Criterios de decisin en contexto de incertidumbre

Beneficio precio produccin salario trabajador cos te capital capital

Nota: SS representa el porcentaje de cotizaciones a la seguridad social

Si SS=10%, Cul ser ahora la cantidad demandada de trabajo por parte de la

Criterio pesimista o de Wold

Criterio de optimismo parcial

E1 0.6 (60) (0.6) 40 52

Criterio de mnimo pesar

Si toma la decisin E1, el mximo pesar es de 30. Si toma la decisin E2, el

: Probabilidad de qque ocurra el suceso S condicionada a qque ha

El TEOREMA DE BAYES nos dice lo siguiente:

Teniendo en cuenta que la probabilidad conjunta de dos sucesos se

P(cara) P(cara S 1) P(cara S 2) ... P(cara S 6)

En el ejemplo (1), ladistribucindeprobabilidadeslasiguiente

= (1/2) (1/2) (1/2) (1/2)

= (1/16)+(1/16)+(1/16)+(1/16) Prob. S1, S2, S3, S4

= (1/16)+(1/16)+(1/16)+(1/16) Prob. S12, S13, S14, S15

Prob. Suceso 1(S1)

La distribucin de probabilidad se suele representar por medio de un

E ( x) 3 (3 / 10) 4 (4 / 10) 5 (5 / 10) 4

E ( y ) 2 (3 / 10) 3 (2 / 10) 4 (1 / 10) 5 (2 / 10) 6 (2 / 10) 3.8

Es simtrica y tiene forma acampanada. Tambin se llama campana de

El rea correspondiente a cada posible valor de la variable es infinitesimal;

La probabilidad de que la variable tome un valor comprendido en un cierto

La esperanza matemtica de la variable habr de encontrarse en el centro

Se trata de un tipo de distribucin que queda perfectamente descrita con

La probabilidad de que x tome un valor en el intervalo [a, b],

En el caso particular en que la media es cero, y la varianza es uno,

Cmo leer la informacin que aparece en tabla. En el interior aparece

Segundo: de la expresin anterior (1) despejamos el valor de x

Tercero: planteamos la pregunta que nos hacen: P( x 3206)

P(2600 386 3206) ???

Quinto: Buscamos en las tablas de la normal estndar

You might also like