UNIVERSIDAD NORORIENTAL PRIVADA

GRAN MARISCAL DE AYACUCHO

VICE-RECTORADO ACADMICO
FACULTAD DE INGENIERA
ESCUELA DE MANTENIMIENTO MENCIN INDUSTRIAL
NCLEO CIUDAD BOLVAR

TEORIA DE JUEGOS

PROFESOR:

BR. ANDRES LINARES APONTE

ING. JORGE VELAZCO

C.I 20.055.114

CIUDAD BOLVAR; JUNIO 2015

1. Qu es la teora de juegos?
La Teora de juegos es una rama de la economa que estudia las
decisiones en las que para que un individuo tenga xito tiene que tener en
cuenta las decisiones tomadas por el resto de los agentes que intervienen en
la situacin. La teora de juegos como estudio matemtico no se ha utilizado
exclusivamente en la economa, sino en la gestin, estrategia, psicologa o
incluso en biologa.
El dilema del prisionero

El dilema del prisionero es el ejemplo ms tpico de teora de juegos.

Supongamos que detienen a dos personas por delitos menores que les
costaran a cada una dos aos de crcel. La polica sabe que han cometido
uno peor, pero necesitan pruebas, supongamos que una declaracin de uno
de los dos.
Si ambos delatan al otro por el delito mayor irn seis aos a la crcel.
Si uno delata y el otro no, el delator ir un ao por colaborar y el otro ir diez
aos por el delito. Teniendo en cuenta que los prisioneros no pueden
comunicarse entre ellos (estn en habitaciones separadas) qu harn?
Supongamos que somos uno de los dos prisioneros, no sabemos qu
har el otro por lo que el mejor de los casos es delatar al otro

independientemente de lo que haga, ya que en ambas situaciones

minimizamos los aos de pena esperados en la crcel. Si el otro nos delata
iremos seis aos en vez de diez y si no nos delata iremos uno en vez de dos.
Dado que el otro es igual de inteligente que nosotros, lo ms probable
es que llegue a la misma decisin. Al final lo que acaba pasando es que
ambos acaban perdiendo seis aos entre rejas, mientras que si hubieran
cooperado hubieran sido slo dos. La situacin alcanzada es un equilibrio de
Nash, porque ambas partes no pueden cambiar sin empeorar. Es decir, no se
haya la mejor situacin para las partes.
Teorema Minimax
En teora de juegos, Minimax es un mtodo de decisin para minimizar
la perdida mxima esperada en juegos con adversario con informacin
completa. John von Neumann es el creador del teorema minimax, quien dio
la siguiente nocin de lo que era un juego:
"Un juego es una situacin conflictiva en la que uno debe tomar una decisin
sabiendo que los dems tambin toman decisiones, y que el resultado del
conflicto se determina, de algn modo, a partir de todas las decisiones
realizadas." Tambin afirm que:
"Siempre existe una forma racional de actuar en juegos de dos participantes,
si los intereses que los gobiernan son completamente opuestos."
La demostracin a esa afirmacin se llama Teora Minimax y surge en
1926. Este teorema establece que en los juegos bipersonales de suma cero,
donde cada jugador conoce de antemano la estrategia de su oponente y sus

consecuencias, existe una estrategia que permite a ambos jugadores

minimizar la prdida mxima esperada. En particular, cuando se examina
cada posible estrategia, un jugador debe considerar todas las respuestas
posibles del jugador adversario y la prdida mxima que puede acarrear. El
jugador juega, entonces, con la estrategia que resulta en la minimizacin de
su mxima prdida. Tal estrategia es llamada ptima para ambos jugadores
slo en caso de que sus minimaxes sean iguales (en valor absoluto) y
contrarios (en signo). Si el valor comn es cero el juego se convierte en un
sinsentido.
En los juegos de suma no nula, existe tanto la estrategia Minimax
como la Maximin. La primera intenta minimizar la ganancia el rival, o sea
busca que el rival tenga el peor resultado. La segunda intenta maximizar la
ganancia propia, o sea busca que el jugador obtenga el mejor resultado.

2. Teora y Funcin de la Utilidad.

La teora define la funcin de utilidad de la siguiente manera:
U = f (X1, X2, X3 , ... , Xn)
Donde U es el nivel de la utilidad y Xi son los bienes y/o servicios
que consume una determinada persona.
En la siguiente figura donde el eje vertical es la utilidad total y el eje
horizontal, las cantidades del bien X, se analiza cmo evoluciona la utilidad
a medida que aumenta el consumo del bien X.

Las caractersticas ms resaltantes de esta curva son las siguientes:

a) La utilidad se incrementa pero de manera decreciente, lo que significa que es
cncava hacia abajo, por tanto tendr un valor mximo y a partir de ste la
utilidad disminuir.
b) Si aumenta el consumo de X, la satisfaccin total crece; sin embargo las
variaciones pequeas en la utilidad cada vez son menores.
c) Si se divide el eje horizontal en cantidades iguales y las proyectamos
verticalmente, los cambios en la utilidad (U), cada vez se harn menores
hasta hacerse cero.
d) Si hacemos que los cambios en el consumo del bien X sean infinitamente
pequeos, tendremos una curva continua que aumenta de manera
decreciente, lo que significa que la utilidad marginal disminuye a medida que
aumenta el consumo

3. Decisiones en ambiente de incertidumbre (Criterios de decisin: Wald,

Maximax, Minimax, Hurwicz, Savage).

Las series de los modelos mediante los cuales la toma de decisin se

puede simplificar, no se busca profundizar en cada una de las disciplinas,
sino tener una visin global de las mismas simplificando su explicacin con la
posible adaptacin a la prctica de nuestras organizaciones. Estos modelos
son: Maximin o Wald, Maximax, Hurwicz, Laplace y Savage. Siempre hay
que contar con ese umbral probabilstico de incertidumbre por lo que la
decisin variara en funcin de factores externos no controlables pero en la
medida de lo posible si evitables y disminuir su impacto lo ms posible
para/con la decisin tomada alcanzando el objetivo que se haba propuesto.
Vamos a presentar un ejemplo comn para todos que iremos
desarrollando en cada uno de los modelos, nos encontramos ante una
situacin donde nuestra organizacin de cambio de estrategia, existen dudas
sobre como redirigirla y hacer foco en un nuevo nicho de mercado.
Haremos una valoracin en funcin de las variables obtenidas.

Soluciones A
B
C

Escenarios
1
2
7
8
10
2
5
4

3
1
5
9

Modelo Maximin o de Wald: Lo que propone el modelo de Maximin o

de Wald es fijarnos en las valoraciones ms bajas dentro de todas las
soluciones es decir, las valoraciones ms bajas son 1 para la solucin A, 2
para la B y 4 para la C, entonces dentro de este rango nos quedamos con C,
pues es la ms alta dentro de las peores, la filosofa es la mejor de las
peores , esto supone una prdida de informacin porque no se tienen en
cuenta el resto de campos y la opcin elegida no podra ser la ms ptima.
Estamos hablando de una forma Pesimista de elegir segn Wald.

Modelo Maximax: Al contrario que el anterior, el modelo Maximax propone

trabajar con los datos que mayor puntuacin han obtenido, por ejemplo, en
nuestro cuadro las de mayor puntuacin son 8 para A, 10 para B y de 9 para
C, aplicando la lgica de este modelo tomaramos como decisin final la B
pues su puntuacin es superior al resto, la mejor de las mejores, por lo que
es la que ms beneficios dara. Nos encontramos en la misma tesitura que
antes, no contamos con toda la informacin y podemos estar eligiendo, como
antes, no la mejor de las decisiones. Como hemos comentado esta vez la
forma de tomar la decisin sera Optimista
Modelo de Hurwicz: Este modelo toma una lgica intermedia entre las
anteriores, y para el peor valor da un valor de 1-, mientras que para el valor
ms alto otorga un valor de , donde es el valor de optimismo que
utilizamos, este valor oscila de 0 a 1, sin llegar a los extremos para no
coincidir con las teoras anteriores, un valor razonable es 1/2, para nuestro
caso trabajamos con =1/4. Por lo que el resultado sera el siguiente:
A: 1*3/4 + 8*1/4= 2,75
B: 2*3/4 + 10*1/4= 4
C: 4*3/4 + 9*1/4= 5,25
La opcin a elegir en este caso es la C, pues tenemos la mxima puntuacin,
aun as con este modelo seguimos despreciando informacin pudiendo llegar
a resultados similares a los de Maximin y Maximax.
Modelo de razn insuficiente o de Laplace: Laplace plantea la utilizacin
de todos los valores que se han obtenido anteriormente, no despreciamos
nada por lo que trabajamos con todos los campos. La lgica que aplica es

asignar a cada valor la misma probabilidad (1/n) de tal modo que todos estn
en igualdad de condiciones. N muestra los posibles estados de la naturaleza,
es decir, un ejemplo para nuestra organizacin: aumento de ganancias,
prdidas o estancamiento. En nuestro ejemplo trabajamos con estos 3
campos. Con estos criterios nuestra opcin seguira siendo la C pues a priori
parece la ms completa y equilibrada, este mtodo no arriesga en la toma de
decisiones.
A: 7*1/3 + 8*1/3 + 1*1/3= 5.3
B: 10*1/3 + 2*1/3 + 5*1/3= 5.6
C: 5*1/3 + 4*1/3+ 9*1/3= 6
Modelo

de

Savage:

Para

el

razonamiento

que

aplica Savage nos

encontramos ante una dualidad, es decir, se busca la mxima ganancia a

travs de la prdida mnima. Entonces para cada una de las soluciones
tenemos diferentes resultados, lo que hacemos es tomar los escenarios
(columnas) como referente y dentro de estas tomamos el mayor valor para
restarlo por cada valor dentro de esa misma columna para cada solucin.
Para nuestro ejemplo el valor mximo de la primera columna es 10,
por lo que le restamos 7,10 y 5 respectivamente, as hacemos en las
siguientes columnas. Por lo que la solucin C se presenta como la mejor de
todas.

A
B
SolucionesC

Escenarios
1
2
3
0
0
6
5
4

3
8
4
0

Suma

11
10
9

No se ha profundizado ms en cada una de ellas porque tratamos de

simplificar cada uno de los modelos para facilitar su compresin y darle una
aplicacin sencilla a la prctica. Existen mltiples criterios para la toma de
decisiones, en este artculo hemos rescatado algunas de ellas que
esperemos sean de utilidad.
4. Decisiones con informacin dada
Modelos conceptuales en toma de decisiones . Se han elaborado desde dos
perspectivas diferentes:

Modelos normativos, como deben tomarse decisiones y qu condiciones se

han de cumplir en ellas. Han sido desarrollados por economistas, analistas,
matemticos. Han partido de un hombre completamente racional que
coincide con la descripcin de l "hombre econmico" de la teora clsica.

Modelos descriptivos, pretenden simular la conducta de los decisores en los

tipos de problemas a los que se aplica el modelo. Desarrollados por
psiclogos. Parten de "el hombre administrativo" que tiene ms en cuenta los
fenmenos empricos en la toma decisiones.

5. Anlisis pre- posterior BAYESIANO:

Valor de informacin perfecta: Esto trata de que la informacin proviene de
algn procedimiento de prueba, por lo que esta no siempre pronostica en
forma correcta el Estado de la Naturaleza que ocurra.
Por Ejemplo: Un meteorlogo podra, con base en alguna prueba, pronosticar
lluvia, y aun as, este estado de la Naturaleza podra ocurrir solo en 70% de
las veces que se hace esta prediccio.

Valor der la informacin perfecta: La estadsticas BAYESINA Constituye un

modelo a partir de informacin adicional obtenida de diversas fuentes. Esta
informacin adicional mejora la probabilidad obtenida de la ocurrencia de un
determinado estado de la naturaleza y ayuda al tomador de decisiones a
escoger la mejor opcin.
6. Distribuciones bayesianas.
La Estadstica bayesiana es un subconjunto del campo de la
estadstica en la que la evidencia sobre el verdadero estado del mundo se
expresa en trminos de grados de creencia o, ms especficamente, las
probabilidades bayesianas. Tal interpretacin es slo una de una serie de
interpretaciones de la probabilidad y hay otras tcnicas estadsticas que no
se basan en "grados de creencia".

El inters por el teorema de Bayes trasciende la aplicacin clsica,

especialmente cuando se ampla a otro contexto en el que la probabilidad no
se entiende exclusivamente como la frecuencia relativa de un suceso a largo
plazo, sino como el grado de conviccin personal acerca de que el suceso
ocurra o pueda ocurrir (definicin subjetiva de la probabilidad). Afirmaciones
del tipo "es muy probable que el partido X gane las prximas elecciones", "es
improbable que Juan haya sido quien llam por telfono" o "es probable que
se encuentre un tratamiento eficaz para el sida en los prximos cinco aos",
normales en el lenguaje comn, no pueden cuantificarse formalmente;
resultan ajenas, por tanto, a una metodologa que se desenvuelva en un
marco frecuentista. Una cuantificacin sobre base subjetiva resulta, sin
embargo, familiar y fecunda para el enfoque bayesiano. Al admitir un manejo

subjetivo de la probabilidad, el analista bayesiano podr emitir juicios de

probabilidad sobre una hiptesis H y expresar por esa va su grado de
conviccin al respecto, tanto antes como despus de haber observado los
datos. En su versin ms elemental y en este contexto, el teorema de Bayes
asume la forma siguiente