Introduccin y Sumario La teora de juegos describe las situaciones envueltas en conflictos en los cuales el beneficio es afectado por las

acciones y contra-reacciones de oponentes inteligentes. El juego suma-cero de dos- personas juega un papel fundamental en el desarrollo de la teora de juegos. La teora de juegos es sin duda un modelo para empresas ganadoras o exitosas en un ambiente competitivo: Por ejemplo, existen muchos factores importantes a considerar cuando se hace una oferta importante, entre los cuales estn: Establecer y mantener una posicin de preferencia como oferente, desarrollar una relacin de preferencia por parte de los clientes, de lo que se oferta en s mismo, y del precio. Para desarrollar los conceptos de la teora de juegos, considere el siguiente juego, en el cual el jugador I tiene dos opciones para escoger, y el jugador II tiene tres alternativas para cada eleccin del jugador I. La matriz de beneficios T se muestra a continuacin: Jugador II j=1 j=2 j=3 4 1 3 2 3 4 ______________________________________ La Matriz de Beneficios

Jugador I

i=1 i=2

En la matriz de beneficios, las dos filas (i = 1, 2) representan las dos estrategias posibles que el jugador I puede emplear, y las tres columnas (j = 1, 2, 3) representan las dos estrategias posibles que el jugador II puede emplear. La matriz de beneficios esta orientada al jugador I, lo que significa que un valor positivo tij es ganancia para el jugador I y una prdida para el jugador II, mientras que un tij negativo representa ganancia para el jugador II y una prdida para el jugador I. Por ejemplo, si el jugador I utiliza la estrategia 2 mientras que el jugador II aplica la estrategia 1, el jugador I recibe t21 = 2 unidades y por lo tanto el jugador II pierde 2 unidades. Obviamente, en nuestro ejemplo el jugador II siempre pierde; sin embargo, el objetivo es minimizar el beneficio del jugador I. La representacin grafica de los juegos podra ser observada como un Torneo que es jugado en una red de conexiones con direcciones. Bajo este esquema, existen dos tipos de nodos: terminales y continuos. Los nodos terminales no llevan a otros nodos, y el jugador I recibe el beneficio asociado a sus propios arcos. Los nodos continuos llevan a por lo menos un nodo adicional. Ambos jugadores seleccionas simultneamente un nodo respectivo. Para este ejemplo numrico, a continuacin se muestra el grfico correspondiente. En esta red de conexin con direcciones los bordes van desde el vrtice u hasta en vrtice w, y si algn jugador elige el u mientras el otro elige el w, este ltimo se encuentra en la cabeza del arco conectando dos nodos, por lo tanto recibe en beneficio tuw.

Una estrategia pura entre los pares (i. j) se encuentra en equilibrio si y solo si el elemento correspondiente tij es el mayor en su columna y el menor en su fila. Este tipo de elemento es llamado un punto de silla (por la analoga con la superficie de una silla). Un "punto de decisin de equilibrio", es decir, un "punto de silla", es tambin conocido como un "punto mini-mximo", el cual representa una decisin para dos jugadores en la cual ninguno de los dos puede mejorar partiendo unilateralmente de ese punto. Cuando no existe un punto de silla, se debe elegir una estrategia aleatoria. Esta es la idea detrs de una estrategia mixta. Una estrategia mixta para un jugador esta definida como la distribucin de probabilidad sobre el conjunto de todas las estrategias. Nuestro ejemplo numrico es uno de estos casos. El jugador I puede asegurar que el beneficio ser maxi minj tij = 2, mientras que el jugador II ajusta su juego suponiendo que el jugador I no recibe mas que min max tij = 3. El problema de cmo la diferencia [minj maxi tij] - [max min tij] 0 debera ser subdividida entre los jugadores se mantiene abierta. En tal caso, los jugadores buscan naturalmente estrategias adicionales de oportunidades para asegurarse ellos mismos que las posibilidades de compartir esta diferencia. Para alcanzar este objetivo, ellos deben seleccionar sus estrategias de manera aleatoria para confundirse el uno al otro Usaremos un mtodo general basado en la formulacin de la programacin lineal (PL). Esta equivalencia entre la teora de juegos y la programacin lineal podra ser sorprendente debido a que los problemas de PL envuelven solo un tomador de decisiones, pero se debe notar que con cada problema de PL, existe un problema asociado al mismo llamado problema dual de PL. Los valores ptimos de las funciones objetivo de ambos problemas PL son iguales, correspondientes al valor del juego. Cuando se soluciona la PL mediante el mtodo simple, la solucin al problema dual tambin aparece como parte de la tabla final. De esta forma obtenemos v, Y*, y X* resolviendo una PL. La formulacin de la PL y el mtodo simple es el

mtodo mas rpido, prctico, y til para resolver juegos con una matriz T grande. Suponga que el jugador II adopta una estrategia mixta, pero el jugador I solo se le permite utilizar una estrategia pura. Cul sera la estrategia mixta Y= (y1, y2, y3) que el jugador II debera adoptar para minimizar el beneficio mximo esperado v? Un momento de anlisis muestra que el jugador II debera resolver el siguiente problema: Min v = y T.Y y Ut.Y = 1

sujeto a:

La minimizacin se encuentra sobre todos los del vector de decisin Y 0, el escalar y no esta restringido en signo, y U un vector columna ndimensional con todos sus elementos iguales a 1. El lado derecho de las primeras n restricciones, por definicin, es el retorno esperado del jugador II en contra de la estrategia pura del jugador I. Estas estrategias mixtas seran ptimas si permitimos que el jugador I emplee estrategias mixtas. Las estrategias mixtas son conocidas tambin como estrategias de punto de silla. Por supuesto, un juego con un punto de silla tambin puede ser resuelto por este mtodo. La formulacin estndar en el mtodo simple requiere que todas las variables sean no-negativas. Para lograr esta condicin se debe sustituir la diferencia de dos variables nuevas por y. La estrategia ptima para el jugador I es la solucin del problema dual del jugador II. El mtodo simplex de la programacin lineal proporciona estrategias ptimas para ambos jugadores. Los juegos sociales y las normas de imparcialidad son convenciones que se han desarrollado para coordinar el comportamiento de manera equilibrada del juego de la sociedad llamado vida. Dado este punto de vista, las aproximaciones naturalistas del metafsico Emmanuel Kant y moralista de David Hume podran ser abandonadas. Ejemplos Numricos La programacin lineal para el problema del jugador II en un juego con una matriz de beneficios T dada anteriormente, es: Min v sujeta a: 4y1 2y1 y1 + + + y2 3y2 y2 + + + 3y3 4y3 y3 = v v 1

yj0, j = 1, 2, 3, v es no restringida La solucin ptima para el jugador II es: y1 = 1/2, y2 = 1/2, y3 = 0. Los precios sombra son las estrategiasptimas para el jugador I. Por lo tanto, el punto de silla mixto es: x1 = 1/4, x2 = 3/4; y1 = 1/2, y2 = 1/2, y3 = 0, y el valor del juego es igual a 5/2. Note que la estrategia esencial para el jugador I son: i = 1, i = 2; para el jugador II son j = 1, j = 2 mientras j = 3 no es esencial. Es costumbre el descartar las filas o las columnas dominantes para encontrar las estrategias ptimas. Sin embargo, esto asume que la matriz de beneficios es fija.

Un Problema de Inversin: Seleccin de un Portafolio Optimo

Considere el siguiente problema de inversin discutido el sitio web Anlisis de Decisin. El problema es decidir que accin o combinacin de ellas se debe tomar dentro de tres cursos posibles con las tasas de retorno dadas como sigue en la siguiente tabla.

Estados de la Naturaleza (Eventos) Crecimiento G No G (G) Medio Cambios Bajo G MG N L Bonos 12% 8 6 3 7 3 -2 Acciones Acciones 15 Depsitos 7 7 7 7 En el anlisis de decisin, el tomador de decisiones tiene que seleccionar por lo menos y como mucho una opcin de todas las alternativas posibles. Esto ciertamente limita su alcance y su aplicacin. Usted ha aprendido tanto el anlisis de decisin como la programacin lineal. Ahora es el momento para utilizar los conceptos de la teora de juego para conectar estos dos aparentemente diferentes modelos para ampliar y alcanzar modelos de toma de decisiones mas realistas. El problema de inversin puede ser formulado como si el inversor esta jugando en contra de la naturaleza.

Suponga que nuestro inversionista tiene $100,000 para colocarlos en tres inversiones posibles con valores desconocidos Y1, Y2, Y3, respectivamente. Es decir, Y1 + Y2 + Y3 = 100,000 Note que esta condicin es equivalente a la condicin de probabilidad total del jugador I en la Teora de Juegos. Bajo estos supuestos, los retornos son: 0,12Y1 0,08Y1 0,06Y1 0,03Y1 + + + 0,15Y2 0,07Y2 0,03Y2 0,02Y2 + + + + 0,07Y3 0,07Y3 0,07Y3 0,07Y3 {Si hay Crecimiento (G)} {Si existe un G Medio} {Si no Ocurren Cambios} {Si el crecimiento es Bajo}

El objetivo es que nuestro rendimiento (retorno) mas bajo (v) sea los mas grande posible. Formulando este problema de Anlisis de Decisin como un problema de Programacin Lineal obtenemos: Max v sujeta a: Y1 + Y2 + Y3 = 100000 0,12Y1 + 0,15Y2 + 0,07 Y3 v 0,08Y1 + 0,07Y2 + 0,07Y3 v 0,06Y1 + 0,03Y2 + 0,07Y3 v 0,03Y1 - 0,02Y2 + 0,07Y3 v y Y1, Y2, Y3 0, mientras que v es no restringido en signo (podra tener retornos negativos). Esta formulacin de programacin lineal es similar al problema discutido en la seccin de Teora de Juego. De hecho, la interpretacin de este problema es que, en esta situacin, el inversionista esta jugando en contra de la naturaleza (los estados de la economa.) Resolviendo este problema por cualquier solucin algortmica de programacin lineal, la solucin ptima es Y1 = 0, Y2 = 0, Y3 = 100.000, y v = $7000. Esto significa que el inversionista debera colocar todo el dinero

en el mercado de depsitos con unretorno acumulado de 100.0001,07 = $107.000. Note que la matriz de beneficios para este problema tiene un punto de silla; por lo tanto, como se esperaba, la solucinptima es una estrategia pura. En otras palabras, debemos invertir todo nuestro dinero en un solo portafolio. Como otro ejemplo numrico, considere las dos inversiones siguientes con las tasas de retorno dadas. Dado que usted desea invertir $12,000 en un periodo de un ao, Cmo invertira para la estrategia ptima? Estados de la Naturaleza (Eventos) Crecimiento G No G (G) Medio Cambios Bajo G MG N L Divisas 5 4 3 -1 Acciones Oro 2 3 4 5 Al igual que el ejemplo anterior, formulando este problema como uno de programacin lineal, obtenemos una solucin ptima, la cual es una estrategia mixta: Comprar $4000 en divisas extranjeras y $8000 en oro. El Problema de Inversin Bajo Riesgo: Suponga que la probabilidad subjetiva para cada uno de los estados de la economa estimados son: G(0,4), MG(0,2), NC(0,3) L(0,1). Cmo se debera invertir de forma de maximizar los retornos esperados? La siguiente tabla muestra las mediciones de riesgo calculadas para el Problema de Decisin de Inversin: Evaluacin del Desviacin estndar 3,12 6,11 0 riesgo C. V. 37% 75% 0%

C (0,4) Bonos 12 Acciones 15 Depsito 7

CM (0,2) 8 7 7

SC (0,3) 6 3 7

B (0,1) 3 -2 7

Valor esperado 8,5 8,1 7

De las columnas de Evaluacin del Riesgo en la tabla se llega a la conclusin de que los Bonos son mucho menos riesgosos que las Acciones. Es claro que el Depsito est exento de riesgo. Ahora, la ltima pregunta es: Con toda la informacin relevante, qu curso de accin asumir? Todo depende de usted.

Max [v - 0,0322Y1 - 0,0627Y2 -0Y3] sujeta a: Y1 + Y2 + Y3 = 100000 0.12Y1 + 0.15Y2 + 0.07 Y3 v 0.08Y1 + 0.07Y2 + 0.07Y3 v 0.06Y1 + 0.03Y2 + 0.07Y3 v 0.03Y1 - 0.02Y2 + 0.07Y3 v y Y1, Y2, Y3 0, mientras que v es no restringido en signo (podra tener retornos negativos). Esta formulacin de programacin lineal es similar al problema discutido en la seccin de Teora de Juego. De hecho, la interpretacin de este problema es que, en esta situacin, el inversionista esta jugando en contra de la naturaleza (los estados de la economa.) Resolviendo este problema por cualquier solucin algortmica de programacin lineal, la solucin ptima es Y1 = 0, Y2 = 0, Y3 = 100.000, y v = $7000. Esto significa que el inversionista debera colocar todo el dinero en el mercado de depsitos con unretorno acumulado de 100.0001,07 = $107.000. Note que la funcin objetivo anterior incluye la desviacin estndar para reducir el riesgo de su decisin. Sin embargo, es mas apropiado utilizar la matriz de covarianza. La funcin objetivo tendr una forma cuadrtica, la cual puede ser resuelta aplicando algoritmos de optimizacin no-lineal. Para obtener mas informacin sobre la elaboracin de problemas, y soluciones de algoritmos, junto a algunos ejemplos numricos ilustrativos, visite el sitio web de Decisiones Optimas de Negocios. Usted podra utilizar: la Teora de Juegos Suma Cero de Dos- Personas con Aplicaciones para comprobar sus clculos y experimentaciones. Proceso de Evaluacin de Riesgo: Claramente, diferentes modelos de probabilidad subjetiva son estimables que pueden arrojar diferentes resultados. Estos ejemplos muestran que tan importante es estar claro acerca de los objetivos del modelo. Una aplicacin importante de los modelos de probabilidad subjetiva es que modelan el efecto de incertidumbre del estado del conocimiento en modelos consecuentes. Normalmente se obtiene que la dependencia entre factores desconocidos puede ser importante en la conduccin de los resultados del modelo. Por ejemplo, considere dos portafolios que tienen retornos aleatorias R1 y R2; la relacin:

Cov (R1, R2) / Var (R1) se llama el beta de cambio de la estrategia I con respecto a la estrategia II de cambio. Existen varios mtodos disponibles para modelar estas dependencias, en particular mtodos de correlacin simple. El siguiente diagrama de flujo explica el proceso de evaluacin de riesgo para la seleccin de portafolios basados en sus series de tiempo financieras.

Evaluacin de Riesgo en la Seleccin de Portafolios haga click en la imagen para agrandarla El modelo hbrido anterior trae las tcnicas del anlisis de decisin, programacin lineal, y evaluacin estadstica de riesgo (mediante la funcin cuadrtica de riesgo definida por la matriz de covarianza) para soportar las decisiones iterativas para el modelo de alternativas de inversin.

Una Clasificacin de Actitudes de los Inversionistas en Relacin al Riesgo y su Impacto Probabilidad de un Evento y el Impacto de su Ocurrencia: La aproximacin del proceso-orientado de gerenciar el riesgo e incertidumbre es parte del modelaje probabilstico. Esto permite al tomador de decisiones examinar el riesgo dentro de sus retornos esperados, e identificar los asuntos crticos de evaluar, limitar, y mitigar el riesgo. Este proceso envuelve tanto aspectos cuantitativos como cualitativos de la evaluacin del impacto del riesgo. La ciencia de la decisin no describe lo que las personas hacen dado que existen tanto problemas para calcular la probabilidad y la utilidad de los resultados. Las decisiones tambin pueden afectadas por la racionalidad subjetiva de las personas y por la manera que el problema de decisin sea percibido.

Tradicionalmente, el valor esperado de una variable aleatoria ha sido utilizado como la mayor ayuda para cuantificar el monto de riesgo. Sin embargo, el valor esperado no es necesariamente una buena medida por si solo para tomar decisiones, dado que distorsiona la distincin entre probabilidad y severidad. Para demostrarlo, considere el ejemplo siguiente: Suponga que una persona debe tomar una decisin entre los escenarios 1 y 2 a continuacn:

Escenario 1: Existe 50% de chance de perder $50, y a 50% de chance de no perderlo. Escenario 2: Existe 1% de chance de perder $2500, y un 99% de chance no perderlo.

Ambos escenarios resultan en una prdida esperada de $25, pero esto o refleja el hecho de que el escenario 2 es mucho mas riesgoso que el primero. (Por supuesto que esto es una evaluacin subjetiva). El tomador de decisiones podra estar mas preocupado acerca de minimizar el efecto de ocurrencia de un evento extremo del cual el o ella se encuentra preocupado por la media. La tabla siguiente explica la complejidad de la probabilidad de un evento, el impacto de ocurrencia de un evento y si indicador de riesgo asociado respectivamente:

De la seccin anterior, se puede recordar que la certidumbre equivalente el beneficio libre de riesgo; adicionalmente, la diferencia entre la certidumbre

equivalente del tomador de decisiones y el valor monetario esperado (VME) es llamada la prima de riesgo. Podramos utilizar el signo y la magnitud de la prima de riesgo para clasificar la actitud relativa del tomador de decisiones en relacin con el riesgo de la manera siguiente:

Si la prima de riesgo es positiva, el tomador de decisiones esta deseando tomar el riesgo, por lo tanto se le llama buscador de riesgo. Claramente, algunas personas son mas buscadores de riesgo que otras. Si la prima de riesgo es negativa, el tomador de decisiones evitar el riesgo, por lo tanto se le llama adverso al riesgo. Si la prima de riesgo es cero, el tomador de decisiones se le llama riesgo neutral.

Evaluacin de Riesgo: Que Tan Bueno es Su Portafolio? El riesgo es la adversidad de las apuestas, el cual se describe en trminos de probabilidad. La evaluacin de riesgo es un procedimiento para cuantificar los valores de prdida o de la ganancia y proporcionarles con los valores propios de probabilidad. En otras palabras, la evaluacin de riesgo significa construir la variable aleatoria que describe el riesgo. El indicador de riesgo es una cantidad describe la calidad de la decisin. Si la perdida de la generalidad, considere nuestro ejemplo de inversin anterior. Suponga que el portafolio ptimo es: Y1.B + Y2.S + Y3.D El valor esperado (es decir, el average): El retorno esperado es: Y1.Br + Y2.Sr + Y3.Dr donde, Br, Sr, y Dr son los averages histricos de B, S, y D, respectivamente. El retorno esperado por si solo no es un buen indicador de la calidad de la decisin. La varianza necesita ser conocida de forma tal que se pueda tomar una decisin educada. Alguna vez ha escuchado el dilema del estadstico de 2 metros de alto que se ahog en un ro de un 1,5 metros de average de profundidad? En el ejemplo de la inversin, tambin es necesario calcular el riesgo asociado al portafolio ptimo. Una medida de riesgo es generalmente reportada por variacin, o su raz cuadrada llamada desviacin estndar. La variacin y desviacin estndar son valores numricos que indican la

variabilidad inherente a su decisin. Para el riesgo, valores mas pequeos indican que lo que se esperaba podra ser lo que se obtendra. Lo que deseamos es un retorno esperado grande, con riesgo pequeo; por lo tanto, alto riesgo hace que el inversionista se preocupe. Varianza: An important measure of risk is variance: Y12.Var(B) + Y22.Var(S) + Y32.Var(D) + 2Y1.Y2.Cov(B, S) + 2Y1.Y3.Cov(B, D) + 2Y2.Y3.Cov(S, D) De donde Var y Cov son la varianza y covarianza, respectivamente, estas son calculadas utilizando datos recientes. La varianza es una medida de riesgo; pro lo tanto, mientras masa grande sea la varianza, mas grande es el riesgo. La varianza no se expresa en los mismos trminos del valor esperado. Por lo tanto, es difcil de entender y de explicar como resultado del trmino al cuadrado cuando se calcula. Esto puede ser aliviado cuando se trabaja con la raz cuadrada de la varianza, el cual es llamada la Desviacin Estndar:

Tanto la varianza como la desviacin estndar proporcionan la misma informacin; por lo tanto, la una se puede obtener directamente de la otra. En otras palabras, el proceso de calcular la desviacin estndar envuelve el clculo de la varianza. Dado que la desviacin estndar es la raz cuadrada de la varianza, se expresa en las mismas unidades que el valor esperado. Para el proceso de decisin dinmico, la Volatilidad como medida de riesgo incluye el perodo de tiempo sobre el cual la desviacin estndar es calculada. La medida de Volatilidad esta definida como la desviacin estndar dividida por la raz cuadrada de la duracin del tiempo. Cuando se consideran dos portafolios diferentes, Qu hara si un portafolio tiene un retorno esperado mayor, pero con un riesgo mucho mayor que el portafolio alternativo? In tal caso, utilice otra medida de riesgo conocida como el Coeficiente de Variacin. Coeficiente de Variacin (CV) es la desviacin relativa absoluta con respecto al tamao provisto que es no cero, expresado en porcentaje: CV =100 |S/ | % Note que el CV es independiente de la medida del valor esperado. El coeficiente de variacin demuestra la relacin entre la desviacin estndar y el valor esperado, mediante la expresin del riesgo como porcentaje del

valor esperado. Un portafolio con 10% o menos de CV es considerado bueno. La inversa del CV (1/CV) se llama ratio de Seal de Ruido. La Diversificacin podra reducir su riesgo: Dado que la covarianza aparece en la evaluacin del riesgo, este reduce el riesgo si es negativo. Por lo tanto, diversificando su inversin podra reducir el riesgo sin reducir los beneficios recibidos por sus actividades. Por ejemplo, usted podra escoger el comprar una variaedad de acciones diferentes en vez de una sola. A usted podra gustarle utilizar el siguiente JavaScript para propsitos de clculos y de experimentos computacionales como herramientas para el anlisis de riesgo fundamental:

Estadsticos Computacionales para Distribuciones Multinomiales Media, Desviacin Estndar y Coeficiente de Variacin Estadsticos de MultiVariacin: Media, Varianza y Covarianza

Factores de Prioridad de Portafolios y Anlisis de Estabilidad Introduccin: El anlisis de sensibilidad, conocido tambin como anlisis de estabilidad, es una tcnica utilizada para determinar en que medida un retorno esperado cambiar en respuesta a cambio dado en las variables de entrada, dado que las otras variables permanecen constantes. Pasos en el Anlisis de Sensibilidad: 1. Comience con la consideracin de un caso-base en una situacin nominal, usando los valores esperados para cada valor de entrada. 2. Calcule los resultados del caso-base. 3. Considere una serie de preguntas que pasa si para determinar en cuanto los resultados se derivarn del nivel nominal si los valores de entrada son derivados de sus valores esperados. 4. cada valor de entrada es cambiado por varios puntos porcentuales por debajo y por arriba de su valor esperado, y el beneficio esperado es calculado. 5. El conjunto de beneficios esperados son sustituidos en contra de la variable que fue cambiada. 6. Mientras ms inclinada sea la pendiente (derivada) de la lnea resultante, ms sensible ser el cambio en las variables en referencia al valor esperado del beneficio. Anlisis de Escenarios: El anlisis de escenarios es una tcnica de anlisis de riesgo que considera tanto la sensibilidad del beneficio esperado en las variables claves como tambin el rango del valor de las variables. El peor y

mejor conjunto de circunstancias razonables son consideradas, y el beneficio esperado para cada uno es calculado y comparado al esperado, o caso-base, output. Claramente, escenarios extensivos y anlisis de sensibilidad pueden ser llevados a cabo utilizando versiones computarizadas del procedimiento anterior. Qu tan Estable es su Decisin? El anlisis de estabilidad compara los resultados de cada escenario con los chances de eventos. Versiones computarizadas del procedimiento anterior son necesarias y herramientas tiles. Estas pueden ser utilizadas extensamente para examinar las decisiones para estabilidad y sensitividad siempre que exista incertidumbre en la tasa de retorno. Prioridad de los Factores Incontrolables: El anlisis de estabilidad tambin proporciona modelos crticos de variables de entrada. La prueba de sensibilidad mas simple es si un portafolio ptimo cambia cuando el factor de incertidumbre es fijado a un valor extremo mientras que las otras variables permanecen constantes. Si la decisin no cambia, la incertidumbre puede ser dejada como un factor de menor importancia con respecto a los dems. El anlisis de sensibilidad se enfoca en los factores con mayor impacto, por lo tanto ayudando a darle prioridad a la recoleccin de datos mientras incrementa la confiabilidad en la informacin. A usted podra gustarle utilizar el JavaScript de Estadsticos de MultiVariacin: Media, Varianza, y Covarianza para comprobar sus clculos y para realizar experimentos asistidos por computadoras.

La Probabilidad de Ruina del Apostador Para este momento, usted debera haberse dado cuenta que el juego anterior no es un problema de puras decisiones aleatorias. Cambiando a estrategias diferentes con frecuencias especficas obtenidas por soluciones ptimas es el objetivo de confundir a otros jugadores. El siguiente juego es un ejemplo de un problema de toma de decisin aleatoria pura. Probabilidad de Ruina: El segundo JavaScript es para el anlisis de sensibilidad de ganar el total del premio en dlares o perderlo todo (ruina.) Dejemos que R = la cantidad de dinero que se apuesta, T = el objetivo en monto de dlares, U = el tamao de cada apuesta, y p = la probabilidad de ganar alguna apuesta, luego la probabilidad de la probabilidad (W) de alcanzar el objetivo, es decir, irse con $(R+T ) es: W = (A -1) / (B -1)

donde, A = [ (1 - p) / p ] R / U y B = [ (1 - p) / p ] (T+R) / U Por lo tanto, la probabilidad de ruina, es decir, la probabilidad de perder todo $R es: (1 W). Note: Estos resultados estn sujetos a la condicin de que el monto objetivo ($T) debe ser mucho menor que el dinero que se trajo a apostar ($R). Es decir ($T) debe ser una fraccin (f) de ($R). Recuerde que si se apuesta demasiado usted se ir como un perdedor, mientras que si usted apuesta poco, su capital se incrementar lentamente. Usted se preguntar que fraccin (f) de R se deber apostar siempre. Deje que V sea el monto que usted gana por cada dlar que arriesga, luego la fraccin ptima es: f = p - (1 - p) / V Por ejemplo, para p = 0,5, y v = 2, el valor ptimo de decisin f es 25% de su capital R. El resultado anterior, recomienda que la fraccin (f) de R es la que usted debera siempre apostar, pero no debe exceder de p. A usted podra gustarle utilizar el JavaScript de El Juego del Apostador Suma-Cero de Dos- Personas y sus Aplicaciones para comprobar sus resultados y para realizar experimentaciones numricas asistidas por computadoras.

Otras Tcnicas de Modelos de Competencia La competencia en los negocios siempre ocurre dado los efectos negativos de alguna de las partes sobre otra ( es decir, compaa), dada la reduccin de los recursos escasos compartidos. La competencia es un mecanismo que llega al crecimiento logstico. El modelo de crecimiento logstico es expresado como: dN / dt = r N (K - N)/K donde, N = tamao de la poblacin, r = tasa de crecimiento de per-capita de la poblacin, K = transportando la capacidad del ambiente, La pregunta principal es la siguiente. Podra el factor de capacidad de transporte en la ecuacin logstica ser una funcin en vez de ser una

constante? La competencia de dos tecnologas, por ejemplo, wireless versus cable o templadura simulada versus un algoritmo gentico puede ser intrigante. Aqu, las dos partes son simplemente competidores, uno se come al otro --, as como cuando el consumidor es la verdadera "presa" aunque a veces complaciente. El modelo de Lotka-Voterra y sus mltiples variantes son mtodos ampliamente usados en muchas disciplinas, incluyendo la economa. El modelo clsico de competencia de Lotka-Volterra es descrito por el siguiente sistema de ecuaciones diferenciales: dN1 / dt = r1 N1 (K1 - N1 - aN2 )/K1 dN2 / dt = r2 N2 (K2 - N2 - bN1)/K2 El coeficiente de competencia a, y b son las constantes proporcionales que relacionan el efecto de por lo menos un consumidor de la primera parte en la segunda poblacin. En el punto de equilibrio tenemos: N2 dN1 / dt = N1 dN2 / dt = 0. Cualquier extensin para la modificacin del modelo de competencia de Lotka-Volterra debe solucionar las debilidades siguientes: El modelo asume que la presa crece espontneamente y que su capacidad de transporte del ambiente no tiene lmite. Adicionalmente, removiendo el supuesto de que todos los predadores y las presas comienzan en el mismo punto espacial produce un conjunto de resultados interesantes, tiles, y mas realistas.

8.- Dos grandes almacenes A y B compiten en el mercado y pretenden aumentar la afluencia de compradores en estas Navidades. Cada uno de ellos, tras estudios de marketing, han decidido adoptar las siguientes estrategias. 1) Anticipar las rebajas. 2) Proporcionar servicio a domicilio. 3) Establecer aparcamiento gratuito. La variacin de la afluencia de pblico tras aplicar dichas estrategias se ha estimado obtenindose los siguientes resultados. Si A anticipa las rebajas ganar un 4% si B tambin las anticipa, perder un 2% si B proporciona servicio a domicilio y ganar un 2% si B establece aparcamiento gratuito. Si A proporciona servicio a domicilio ganar un 3% si B anticipa las rebajas, no se producen cambios si B tambin proporciona servicio a domicilio y perder un 1% si B establece aparcamiento gratuito. Por ltimo, si A establece aparcamiento gratuito perder respectivamente un 3% si B anticipa las rebajas, un 4% si B proporciona servicio a domicilio y un 2% si establece aparcamiento gratuito. a) Construir la matriz de pagos asociada y eliminar las estrategias dominadas justificando el procedimiento seguido. b) Obtenga las estrategias ptimas para cada uno de los almacenes. Solucin: Se trata de un juego bipersonal de suma nula cuya matriz de pagos es la siguiente:
R. Caballero, T. Gmez, M. Gonzlez, M. Hernndez, F. Miguel, J. Molina, M.M. Muoz, L. Rey, F. Ruiz

A\B Anticipar Ser.Domi Apar.Gra Anticipar 4 -2 2

Programacin Matemtica para Economistas

Ser.Domi 3 0 -1 Apar.Gra -3 -4 -2 El mnimo por filas es {-2, -1, -4}, y el mximo de estos valores es -1, luego el valor maximin del jugador 1 (valor puro inferior del juego) es 1 = v* = -1. Por otra parte, el mximo por columnas es {4, 0, 2}, y el mnimo de stos es 0, luego el valor minimax del jugador 2 ( valor puro superior del juego) es -2 = v* = 0 Por tanto, la matriz del juego no tiene punto de silla y no podemos determinar una punto de equilibrio en estrategias puras.

Por otra parte, a partir de la matriz se observa que, para la compaa A la estrategia Aparcamiento Gratuito es dominada por la de Servicio a Domicilio, luego se puede eliminar porque nunca va a ser seleccionada. Para la compaa B la estrategia Servicio a Domicilio domina a Anticipar las Rebajas, con lo cual aqulla tambin se puede eliminar. A partir de todo lo anterior la matriz de pagos queda: A\B Ser.Dom Apar.Gra Anti 0 4 Ser.Dom 2 1 Para determinar la solucin del juego debemos considerar estrategias mixtas para cada compaa y se tendrn que resolver dos problemas lineales, uno para cada jugador, que son duales. Para la compaa B el problema a resolver es: Maxsa122121241210 1 ++.., teniendo en cuenta que hemos sumado 2 a cada elemento de la matriz para que todos sean estrictamente positivos.
R. Caballero, T. Gmez, M. Gonzlez, M. Hernndez, F. Miguel, J. Molina, M.M. Muoz, L. Rey, F. Ruiz

La solucin es (1 ,2) = (3/8, 1/4) y el valor del juego es:

Programacin Matemtica para Economistas

=+=+=1138188512 A partir de lo cual se obtiene, 2 = 1 = 3/5 3 = 2 = 2/5 y el valor del juego original = v = 8/5 - 2 = 2/5. En consecuencia la estrategia ptima para la segunda compaa es (0, 3/5, 2/5).
R. Caballero, T. Gmez, M. Gonzlez, M. Hernndez, F. Miguel, J. Molina, M.M. Muoz, L. Rey, F. Ruiz

De manera anloga para la compaa A, tomaremos la solucin del problema dual, obteniendo u1 = 1/8 y u2 = 1/2, el valor del juego es el mismo y la distribucin de probabilidades es: 1 = u1 = 1/5, 2 = u2 = 4/5, luego la estrategia es (1/5, 4/5, 0)