A DT UCM

TEORÍA DE LA DECISIÓN:
Decisión con Incertidumbre, Decisión Multicriterio y

Teoría de Juegos
Begoña Vitoriano
[email protected]
Julio 2007
MÉTODOS DE DECISIÓN
ÍNDICE
I.1 INTRODUCCIÓN A LA TEORÍA DE LA DECISIÓN ..............................................3

I.2 TEORÍA DE LA DECISIÓN CON INCERTIDUMBRE O RIESGO..............................5
I.2.1 Criterios para valorar las posibles decisiones .................................. 6
I.2.2 Valor esperado de la información perfecta (VEIP).......................... 9
I.2.3 Procesos decisión polietápicos: Árboles de decisión ....................... 10
I.2.4 Utilidad: concepto y funciones de utilidad..................................... 14
I.3 DECISIÓN MULTICRITERIO ......................................................................... 19
I.3.1 Introducción: conceptos básicos................................................... 19
I.3.2 Métodos de optimización multiobjetivo ......................................... 21
I.3.2.1 Técnicas generadoras del conjunto eficiente .....................................................................23
I.3.2.2 Programación compromiso ...............................................................................................24
I.3.3 Métodos satisfacientes: programación por metas ........................... 25
I.3.3.1 Variantes de la programación por metas..........................................................................26
I.3.3.2 Temas críticos en programación por metas ......................................................................27
I.3.4 Métodos de decisión multicriterio discretos .................................. 32
I.3.4.1 Procesos analíticos jerarquizados (método AHP) .............................................................32
I.3.4.2 Método Electre.................................................................................................................34
I.4 TEORÍA DE JUEGOS O JUEGOS DE ESTRATEGIA ........................................... 41
I.4.1 Clasificación de los juegos .......................................................... 42
I.4.2 Juegos no cooperativos, con información completa y estáticos........ 44
I.4.2.1 Concepto de solución........................................................................................................44
I.4.2.2 Un caso particular: Juegos de suma constante o juegos matriciales .................................49
I.4.2.2.1 Las estrategias mixtas en un juego de suma nula................................................................... 51
I.4.2.3 Aplicaciones de juegos no cooperativos, con información completa y estáticos ................54
I.4.2.3.1 Modelo de duopolio de Cournot (1838) .................................................................................. 54
I.4.2.3.2 Modelo de duopolio de Bertrand (1883) ................................................................................. 55
I.4.2.3.3 Arbitraje de oferta final. Modelo de Farber (1980) ................................................................ 56
I.4.2.3.4 Los ejidos................................................................................................................................ 57
I.4.3 Juegos no cooperativos, con información completa y dinámicos...... 58
I.4.3.1 Concepto de solución: equilibrio de Nash perfecto en subjuegos ......................................61
I.4.3.2 Cálculo de la solución con información perfecta y finitas etapas: inducción hacia atrás. .62
I.4.3.3 Aplicaciones con información perfecta..............................................................................63
I.4.3.3.1 Modelo de duopolio de Stackelberg (1934) ............................................................................. 63
I.4.3.3.2 Negociación secuencial en 2 periodos ...................................................................................... 65
I.4.3.3.3 Negociación secuencial en infinitos periodos ........................................................................... 65
I.4.3.4 Juegos con información imperfecta: decisiones simultáneas en una etapa ........................66
I.4.3.5 Aplicaciones con información imperfecta..........................................................................66
I.4.3.5.1 Pánico bancario ...................................................................................................................... 66
I.4.3.5.2 Aranceles y competencia internacional imperfecta ................................................................. 67
I.4.3.5.3 Juegos repetidos en T etapas.................................................................................................. 69
I.4.3.5.4 Juegos repetidos en infinitas etapas: colusión entre duopolistas de Cournot.......................... 71
I.4.4 Juegos no cooperativos con información incompleta o juegos
bayesianos ........................................................................................ 73
I.4.5 Juegos cooperativos: las coaliciones ............................................. 77
I.4.5.1 Caracterización de un juego n-personal: la función característica. ...................................78
15/02/2008 i
I.4.5.2 Una caracterización de las soluciones: las imputaciones ...................................................79
I.4.5.3 Un concepto de solución de un juego: El núcleo...............................................................80
I.4.5.4 Un concepto de solución de un juego: El valor Shapley....................................................81
I.5 REFERENCIAS ............................................................................................85
I.6 BIBLIOTECA DE PROBLEMAS ......................................................................87
I.7 RESULTADOS DE LA BIBLIOTECA DE PROBLEMAS ......................................101
ii 15/02/2008
I.1 Introducción a la teoría de la decisión

En la vida real, y tanto en el ámbito profesional como el personal, nos vemos
enfrentados a multitud de situaciones en las que tenemos que decidir entre
varias alternativas. La propia optimización no es más que una forma de tomar
una decisión entre unas alternativas factibles.
Así, en su dimensión más básica, un proceso de toma de decisión puede
entenderse como la elección de lo “mejor” entre lo “posible”. Ahora bien, según
se defina qué es lo mejor y qué es lo posible nos enfrentaremos a distintas
situaciones de decisión.
La optimización clásica tiene como característica general que lo mejor, el
objetivo, es único y está claramente determinado (excepto en optimización
multiobjetivo) y que lo posible, las soluciones factibles, no vienen expresadas
explícitamente sino en forma de restricciones y sin incertidumbre (excepto en
optimización estocástica, que no es precisamente clásica)
Pero además de estos contextos de decisión de optimización clásica, existen
otros que configuran lo que se suele denominar en términos amplios la teoría de
la decisión. Tres grandes bloques son los que se suelen abordar en este análisis:
a) La teoría de la decisión con incertidumbre o riesgo, en la que se analiza
la toma de decisiones con aleatoriedad o incertidumbre en los resultados,
de modo que las consecuencias de una decisión no están determinadas de
antemano, sino que están sujetas al azar.
b) La decisión multicriterio, en la que si bien dada una decisión sus
consecuencias están perfectamente determinadas, lo que no está definido
tan claramente es qué es lo mejor, existiendo varios objetivos en conflicto.
c) La teoría de juegos, en la que las consecuencias de una decisión no
dependen únicamente de la decisión adoptada, sino, también de la que
elijan otros jugadores. En este contexto, los problemas de decisión con
aleatoriedad del bloque anterior suelen ser denominados juegos frente a la
naturaleza.
A continuación, se presenta una introducción a estos tres enfoques de
decisión.
15/02/2008 3
I.2 Teoría de la decisión con incertidumbre o riesgo

Una de las situaciones que más dificultad lleva a la hora de tomar una
decisión es aquella en la que las consecuencias de las decisiones no pueden ser
controladas, sino que están sujetas a la aleatoriedad; esta aleatoriedad puede
provenir, tanto porque el proceso pueda estar gobernado por el azar, como por
una falta de información que nos impida determinar con exactitud cuáles son
esas consecuencias.
El contexto en que nos encontramos por lo tanto, es aquél en que el decisor
ha de tomar una decisión ante una situación con diversos estados gobernados
por el azar.
Los elementos que intervienen en un proceso de decisión de estas
características son
• E = {E1,..., Em } : conjunto de estados de la naturaleza o posibles
escenarios.
• A = {A1,..., An } : conjunto de posibles alternativas o decisiones
• X ij : consecuencia de tomar la decisión Ai y se dé el estado E j
En ocasiones también intervienen las probabilidades a la hora de tomar una
decisión:
• p j : probabilidad de que se dé el estado E j ; este valor en muchas
ocasiones no es conocido.
Si estas probabilidades son conocidas (o han sido estimadas) antes de tomar
la decisión, se dice que es un proceso de decisión bajo riesgo, mientras que si son
desconocidas se habla de decisión bajo incertidumbre.
Con estos elementos, cuando el proceso se define en una sola etapa, es decir,
hay una única decisión que tomar en un momento dado, y los conjuntos de
estados y alternativas son finitos, para facilitar la comprensión de la situación,
se representa el problema mediante una tabla de decisión:
E1 E 2 Em
p1 p2 pm
A1 X11 X12 X1m
A2 X 21 X 22 X 2m
An Xn1 Xn 2 X nm
A la matriz central formada por las consecuencias, se le suele denominar
matriz de pagos o consecuencias, tomada esta denominación más del contexto
de la teoría de juegos que de la decisión clásica.
15/02/2008 5
I.2 TEORÍA DE LA DECISIÓN CON INCERTIDUMBRE O RIESGO
I.2.1 Criterios para valorar las posibles decisiones

La mayor dificultad en este contexto es cómo valorar una decisión o
alternativa para poder compararla con otras. Así se presentan distintos criterios
para valorar las alternativas y, según sea el criterio adoptado, decidir cuál es la
decisión óptima.
Los criterios se clasifican según utilicen las probabilidades de los distintos
estados o no. Los primeros está claro que sólo pueden ser utilizados cuando estas
probabilidades son conocidas, mientras que los segundos pueden ser aplicados en
cualquier caso.
Criterios utilizando las probabilidades de los estados de la naturaleza.
• Criterio del valor esperado:
Este criterio supone seleccionar aquella alternativa cuyo pago esperado o
medio sea mejor (si los pagos son beneficios la de mayor beneficio
esperado y si son costes la de menor coste esperado).
Este criterio es el más común cuando las probabilidades son conocidas,
pero no tiene por qué ser el más apropiado. Obsérvese que si el proceso de
decisión se repite muchas veces en idénticas condiciones las leyes de los
grandes números aseguran que en el límite el pago medio es la esperanza.
Así pues este criterio es apropiado cuando el proceso se va a repetir
muchas veces, pero puede no serlo cuando se presenta una situación
única, en la que el proceso no va a ser repetido.
• Criterio de lo más probable
Este criterio supone elegir la alternativa con mejor valor para el estado
más probable, es decir, visto cuál es el estado más probable elegir la
alternativa con mejor valor en ese estado.
Este criterio se suele utilizar más cuando el proceso de decisión no es
iterativo, es decir, se lleva a cabo una única vez.
• Criterio del escenario medio
En ocasiones, cuando el espacio de estados es numérico, también es
posible establecer un escenario medio y buscar aquella alternativa óptima
para este escenario. Tiene sentido hacerlo sobre todo con distribuciones
continuas (espacio de estados infinito). Si las consecuencias son
proporcionales al estado, este criterio es equivalente al del valor esperado.
No es un criterio muy aconsejable, pues, el escenario medio puede distar
mucho de los escenarios reales, aunque en ocasiones se utilice para
simplificar el procedimiento.
• Criterio del valor en riesgo VaR (value at risk)
Este criterio es especialmente útil cuando el conjunto de estados de la
naturaleza es continuo o al menos tiene un número de posibles escenarios
6 15/02/2008
muy elevado. Se basa en que normalmente el decidor siente aversión por

el riesgo, mientras que para cantidades que superan un umbral las
diferencias no le importan tanto. El VaR es un percentil de la
distribución de la función de utilidad. Así si se trata del rendimiento de
una inversión el VaR sería el percentil α , de modo que el (100 − α ) % de
las veces se espera superar ese valor, con lo que se elegirá la opción que
tenga un VaR mayor (al revés si fueran costes). Habitualmente en
finanzas se maneja el VaR como del 5%, y en ocasiones del 10%. Este
criterio no suele usarse solo sino en compañía del criterio del valor
esperado, entrando entonces en el mundo de la decisión multicriterio.
Criterios sin utilizar las probabilidades de los estados de la naturaleza

Estos criterios se utilizan cuando las probabilidades son desconocidas o
ignoradas:
• Criterio de Wald o minimax-maximin o pesimista
Para cada alternativa se supone que va a pasar lo peor, y elige aquella
alternativa que dé mejor valor. De esta forma se asegura que en el peor
de los casos se obtenga lo mejor posible, que corresponde a una visión
pesimista de lo que puede ocurrir. En el caso de que los pagos sean costes
esta filosofía supone elegir el mínimo de los máximos denominándose
minimax, mientras que si son ganancias será el máximo de los mínimos,
denominándose maximin.
• Criterio optimista
Es el criterio justamente opuesto al anterior, para cada alternativa se
supone que pasará lo mejor, y se elige la que dé mejor valor. Este criterio
apenas es utilizado ya que no tiene en cuenta en ningún momento los
riesgos que se corren al tomar una decisión.
• Criterio de Hurwicz
Este criterio combina las actitudes pesimista y optimista, valorando cada
alternativa con una ponderación entre lo mejor y lo peor posible. Esta
ponderación se hace multiplicando lo mejor por un factor α entre 0 y 1,
denominado índice de optimismo, y lo peor por 1 − α , sumando ambas
cantidades. Se elegirá la alternativa que mejor valor dé. Este criterio
presenta la dificultad de estimar el valor del índice de optimismo del
decisor, de modo que habitualmente se obtiene la solución para todos los
posibles valores de este índice y se intenta situar al decisor en alguno de
los intervalos resultantes del índice de optimismo.
• Criterio de Savage o costes de oportunidad
Este criterio toma en consideración el coste de oportunidad o penalización
o arrepentimiento por no prever correctamente el estado de la naturaleza.
15/02/2008 7
Estos costes de oportunidad se evalúan para cada alternativa y cada

estado, haciendo la diferencia entre lo mejor de ese estado y lo que
proporciona esa alternativa para ese estado, construyendo la llamada
matriz de penalizaciones o costes de oportunidad. Sobre esta matriz se
aplican los criterios anteriores, pudiendo aplicarse el del coste esperado, o,
lo que es más habitual, el criterio minimax conociéndose entonces
también como criterio de minimizar el máximo arrepentimiento.
Vamos a ver un ejemplo para clarificar todos estos conceptos. Supóngase que
en la demanda prevista para el mes siguiente de un determinado producto es 1,
2, 3 o 4, con probabilidades 0.1, 0.3, 0.4, y 0.2, respectivamente. Si un producto
que es fabricado un mes se vende ese mismo mes el precio de venta será de 6500
euros, mientras que si ha de venderse el mes siguiente será de 4000. Los costes
unitarios de producción son de 5000 euros.
Con estos datos se forma la matriz de decisión:
E1 = 1 E2 = 2 E3 = 3 E4 = 4
p1 = 0.1 p2 = 0.3 p3 = 0.4 p4 = 0.2
A1 = 1 1500 1500 1500 1500
A2 = 2 500 3000 3000 3000
A3 = 3 -500 2000 4500 4500
A4 = 4 -1500 1000 3500 6000
Las distintas alternativas seleccionadas para los distintos criterios serán:
• Criterio de la ganancia esperada.
Las esperanzas de ganancia son las siguientes: para A1 1500, para A2 2750,
para A3 3250 y para A4 2750. Con lo que la decisión óptima es producir 3
artículos.
• Criterio de lo más probable
El estado más probable es E 3 , y para este estado la mejor alternativa es
pedir 3 artículos.
• Criterio del escenario medio
El escenario medio resulta ser : 1x0.1+ 2x0.3 + 3x0.4 + 4x0.2 = 2.7, cómo se
ve no corresponde a ninguno de los estados ya que no es entero. Los
beneficios serían para A1 1500, para A2 3000, para A3 3750 y para A4 2750,
que como se ve no coinciden con los valores de la ganancia esperada. La
alternativa elegida sería A3 .
• Criterio de Wald.
Los mínimos para cada decisión son 1500, 500, -500 y –1500,
respectivamente, luego, la alternativa preferida sería producir 1 artículo.
• Criterio optimista.
En este caso los máximos son 1500, 3000, 4500, -1500, y por lo tanto, se
elegiría producir 4 artículos.
8 15/02/2008
• Criterio de Hurwicz
En este caso, para cada alternativa tenemos: A1 1500, A2 3000 α +500(1- α ),
A3 4500 α -500(1- α ) y A4 6000 α -1500(1- α ). Si α <0.4, la alternativa sería
producir 1 artículo, mientras que si es superior sería producir 4 artículos.
• Criterio de Savage
El primer paso es construir la matriz de penalizaciones o costes de
oportunidad. La matriz la formamos por columnas, obteniendo el máximo de
la columna y restándole a este valor el pago de cada alternativa. Así la
matriz obtenida es:
0 1500 3000 4500
1000 0 1500 3000
2000 1000 0 1500
3000 2000 1000 0
Ahora aplicamos el criterio minimax, para minimizar la máxima
penalización, obteniendo que los máximos son 4500, 3000, 2000 y 3000, por lo
que la alternativa sería producir 3 artículos.
I.2.2 Valor esperado de la información perfecta (VEIP)

La idea en esta sección es que podría modificarse el conocimiento que se
tiene acerca de los estados de la naturaleza. Esa modificación puede conllevar un
coste y la pregunta es, ¿qué valor tiene disponer de esa información? ¿cuánto
estamos dispuestos a pagar por ella? Hay que tener en cuenta que con mayor
información la ganancia esperada será mayor.
Así, se define la ganancia esperada con información perfecta a la esperanza
de la ganancia tomando para cada estado la mejor opción. Para el ejemplo de la
sección anterior sería 0.1 ⋅ 1500 + 0.3 ⋅ 3000 + 0.4 ⋅ 4500 + 0.2 ⋅ 6000 = 4050 .
Por otro lado, se estima la ganancia esperada con incertidumbre, es decir, la
ganancia esperada con la decisión que se haya tomado con alguno de los
criterios anteriores. Así, si la decisión seleccionada es la A3 , la ganancia
esperada es 3250.
Por último se define el valor esperado de la información perfecta, denotado
por VEIP, a la diferencia entre ambas ganancias, es decir, la diferencia entre la
ganancia esperada con información perfecta y la esperada con incertidumbre.
Para el ejemplo sería VEIP= 4050 – 3250 = 800.
Obsérvese que es equivalente a utilizar el criterio de Savage con la mínima
penalización esperada.
15/02/2008 9
I.2.3 Procesos decisión polietápicos: Árboles de decisión

Otra situación muy habitual en un proceso de decisión es que no sea un
proceso estático, sino dinámico, es decir, que sea un proceso secuencial de
decisión-azar, donde secuencialmente se van tomando decisiones y va actuando
el azar condicionando las decisiones posteriores. Esta situación es absolutamente
análoga a la de la programación estocástica, y en particular, a la de la
programación dinámica estocástica.
Para representan la aleatoriedad por etapas se suele utilizar los denominados
árboles de escenarios. Sin embargo, para nuestro contexto no es suficiente
representar la aleatoriedad, ya que las decisiones tomadas en el proceso
condicionan lo que puede o no darse posteriormente, representándose en un
árbol de decisión la secuencia de aleatoriedad y decisiones que conforman el
proceso. Esta representación es apropiada cuando tanto el espacio de estados
como el de las decisiones es discreto.
Para representar gráficamente en un árbol de decisión el proceso se utilizan
los siguientes elementos y notación:
• Vértice de azar: son vértices que representan puntos en los que la
naturaleza elige un estado. De estos vértices salen tantos arcos como
estados de la naturaleza posibles hay en ese punto, y se representan
mediante un círculo.
• Vértice de decisión: son vértices que representan puntos en los que hay
que tomar una decisión. De ellos salen tantos arcos como alternativas
posibles hay en ese punto, y se representan mediante un cuadrado.
• Vértice inicial o raiz: es la raíz del árbol, de donde salen tantos arcos
como decisiones iniciales hay, ya que en un proceso de estas
características lo primero es tomar una decisión.
• Vértice terminal u hoja: son los vértices finales de una rama que es
sucesión de estados y decisiones. Se les asigna el coste o beneficio (según
sea la función objetivo a evaluar) del camino seguido para llegar a él, y se
representan por un triángulo.
El árbol se construye de la raíz a las hojas, mostrando el proceso secuencial
que es seguido. Una vez acabado se valora de las hojas a la raíz de la siguiente
forma:
• Nodos de azar: se valoran con alguno de los criterios mostrados para
valorar decisiones, en general, suele ser el del valor medio, pero, no tiene
por qué ser así.
• Nodos de decisión: se valoran eligiendo la mejor decisión según el criterio
considerado. Las decisiones no seleccionadas se consideran rechazadas y
con ello todos los caminos que salgan de ese arco.
10 15/02/2008
Veamos el siguiente ejemplo. Un vendedor ambulante ha de decidir en el mes

de Enero si va a acudir a una feria que se celebra en el mes de septiembre,
porque en el caso en que sea que sí tendrá que pagar 40.000 euros de licencia
para poder montar su puesto en la feria. Un mes antes de la feria se conocen las
previsiones meteorológicas para el mes de septiembre, de modo que si estas son
de mal tiempo el vendedor sabe que lo más rentable es no ir a la feria. Por
experiencias de años anteriores sabe que el 30% de las veces estas previsiones
son de mal tiempo. En el caso de que sean buenas las previsiones, el vendedor
decidirá ir a la feria y hacer el pedido de productos a vender. Puede hacer dos
tipos de pedido: un pedido grande de 900 unidades, con un precio unitario de
compra de 100 euros y un precio de venta de 300 euros, o un pedido pequeño de
600 unidades que comprará a 125 euros y venderá a 350. Una vez en la feria,
este vendedor estima que la demanda puede ser de tres tipos: demanda alta de
900 unidades, media de 600 unidades, y baja de 300 unidades, con
probabilidades 0.3, 0.5 y 0.2, respectivamente. Sin embargo, se da la
circunstancia de que si la demanda es mayor que la cantidad de productos que
ha llevado el precio de venta se verá reducido en 50, en concepto de
penalización.
Este problema es claramente un proceso secuencial de decisiones y
aleatoriedad que puede ser representado gráficamente mediante el siguiente
árbol de decisión:
D.Alta 0'3 140.000
A2 D.Media 0'5 50.000

P. Grande
D.Baja 0'2
-40.000
D2
Buen tiempo
0'7 D.Alta 0'3 65.000
A'2 95.000
A1 P. Pequeño D.Media 0'5
permiso
D.Baja 0'2 -10.000
D1 Mal tiempo
0'3 -40.000
No permiso 0
La valoración de los nodos se hace como sigue:

• Nodo A2: habrá que valorarlo según alguno de los criterios vistos, por
ejemplo si utilizamos el del valor medio se valorará con 59.000, si fuera el
de Wald con –40.000. En cualquier caso hay que definir uno de ellos para
15/02/2008 11
todos los nodos, así que lo desarrollaremos según el criterio del valor
medio.
• Nodo A’2: puesto que se ha decidido hacerlo según el criterio del valor
medio, será 65.000.
• Nodo D2: al ser un nodo de decisión se valora con el mejor valor de los
nodos conectados a él, es decir, el mejor de A2 y A’2, con 65.000
• Nodo A1: es un nodo de azar, luego se valora por el criterio adoptado con
la media del nodo 45.500.
• El otro nodo es un nodo terminal valorado con 0.
• Nodo D1: es un nodo de decisión en el que se elige entre 45.500 y 0, con
lo que resulta valorado 3n 45.500. Además es el nodo inicial, con lo que
ya se ha valorado todo el árbol.
Así la política óptima resulta ser pedir el permiso en Enero, y si hace buen
tiempo ir con pedido pequeño. Esta política óptima nos da una ganancia
esperada de 45.500 euros.
En bastantes situaciones es posible incorporar información al árbol de
decisión de manera parcial. Para llevar a cabo esta incorporación ha de
utilizarse el análisis bayesiano. Este análisis modifica las probabilidades de los
escenarios en función de la nueva información de que se dispone.
El análisis bayesiano se fundamenta en los dos resultados de probabilidad
más utilizados en el cálculo de probabilidades condicionadas: el teorema de
Bayes y el teorema de la probabilidad total.
El teorema de la probabilidad total permite calcular la probabilidad de un
suceso a partir de las probabilidades de este suceso condicionadas a otros
sucesos que formen un sistema completo, es decir, cuya unión sea todo el espacio
muestral y sean disjuntos. Así si {B1,..., Bn } son tales que ∪Bi = Ω y
Bi ∩ B j = ∅ ∀i ≠ j , para cualquier suceso (no necesariamente sobre el mismo
espacio) se tiene
P (A) = ∑ P (A / Bi ) ⋅ P (Bi )
i
Por otra parte el teorema de Bayes establece la probabilidad de un suceso A
condicionada a la ocurrencia de otro suceso, cuando la información de la que se
dispone es del condicionado inverso:
P (A / B ) ⋅ P (B )
P (B / A) =
P (A)
Supóngase que en el ejemplo anterior, el vendedor dado la suma tan alta que
está en juego busca desesperadamente alguien que pueda darle información
adicional en Enero acerca de lo que va a ocurrir con el clima en septiembre. Al
fin encuentra a un experto meteorólogo que le dice que él puede hacer una
12 15/02/2008
predicción por 10.000 euros de nada, y que ya lo ha hecho más veces con los
siguientes resultados:
- cuando hizo bueno acertó 3 de cada 5 veces
- cuando hizo malo acertó 2 de cada 5 veces.
Al vendedor entonces se le presenta una decisión previa a decidir si va a
pedir el permiso que es si consultar al experto. Así ahora el nodo inicial es otro
del que salen dos arcos, uno que es consultar al experto y otro que es no hacerlo.
En el caso de que no le consulte todo se mantiene igual exactamente que antes,
con lo que el nodo que sale de ahí ya estaría valorado: 45.500. Quedaría por
valorar el otro nodo, pero hay que tener en cuenta que tras la consulta viene un
nodo de azar acerca del resultado de la consulta, y que además según sea este
resultado modifica las posteriores probabilidades de ocurrencia de buen tiempo y
mal tiempo (todo ello fiándonos de lo que dice el experto, claro está).
Así, primero necesitamos obtener las probabilidades de lo que dirá el
experto.
Empecemos por recopilar y denotar la información disponible. Llamaremos B al
suceso hace buen tiempo en septiembre y M al suceso hace mal tiempo.
Llamaremos DB al suceso el experto dice que va a hacer buen tiempo, y DM
al suceso el experto dice que va a hacer mal tiempo.
La información de la que disponíamos ya es P (B ) = 0.7 y P (M ) = 0.3 . Por
otra parte, ahora nos dicen P (DB / B ) = 3 / 5 = 0.6 y P (DM / M ) = 2 / 5 = 0.4 ,
de los que se deducen por complementariedad, P (DM / B ) = 1 − 3 / 5 = 0.4 y
P (DB / M ) = 1 − 2 / 5 = 0.6 . De estos datos, aplicando el teorema de la
probabilidad total podemos obtener directamente la probabilidad de que el
experto diga que hará bueno o que diga que hará malo:
P (DB ) = P (DB / B )P (B ) + P (DB / M )P (M ) = 0.6 × 0.7 + 0.6 × 0.3 = 0.6
P (DM ) = P (DM / B )P (B ) + P (DM / M )P (M ) = 0.4 × 0.7 + 0.4 × 0.3 = 0.4
Este último valor podía haberse obtenido directamente por complementariedad.
Estas serán las probabilidades de los arcos que salen del nodo del experto,
pero según sea una u otra afectará a las probabilidades que habrá que poner en
los arcos posteriores cuando se llegue al nodo de la previsión meteorológica de
septiembre, ya que las probabilidades han de ser probabilidades condicionadas a
los valores que la aleatoriedad haya tomado previamente. Así en los arcos
posteriores al que dice que el experto dice que hará bueno, las probabilidades
que hay que situar son P (B / DB ) y P (M / DB ) , mientras que en las que
derivan del estado dice el experto que hará malo serán condicionadas al suceso
DM . Por lo tanto, hay que calcular estas probabilidades condicionadas ya que
no las tenemos y para ello se utiliza el teorema de Bayes:
P (DB / B )P (B ) 0.6 × 0.7
P (B / DB ) = = = 0.7
P (DB ) 0.6
15/02/2008 13
P (DB / M )P (M ) 0.6 × 0.3

P (M / DB ) = = = 0.3
P (DB ) 0.6
P (DM / B )P (B ) 0.4 × 0.7
P (B / DM ) = = = 0.7
P (DM ) 0.4
P (DM / M )P (M ) 0.4 × 0.3
P (M / DM ) = = = 0.3
P (DM ) 0.4
Estas probabilidades son las que habría que poner entonces en las ramas
correspondientes y valorar de nuevo toda esta parte del árbol. Sin embargo, en
este caso no es necesario, ya que resulta evidente que las probabilidades de que
haga buen o mal tiempo no se ven afectadas por lo que diga el experto, de modo
que éste no es más que un embaucador que pretende engañar al vendedor y
aprovecharse de su buena fe. Suerte que nuestro vendedor sabe de cálculo de
probabilidades y de teoría de la decisión.
I.2.4 Utilidad: concepto y funciones de utilidad

Por último, dentro de esta introducción a la teoría de la decisión vamos a
hablar de un concepto muy utilizado en este contexto, la utilidad.
En lo que hemos visto siempre hemos supuesto que las alternativas tienen
pagos cuantificables, sin embargo, no siempre es cierto. Valoraciones de tipo
calidad, prestigio, etc. no son valores numéricos. Por otra parte, aunque los
pagos sean numéricos el valor que nosotros damos a una cantidad, que es
personal, no siempre es proporcional a ella. Obsérvese que para una persona
determinada y en un contexto determinado, no es lo mismo ganar de repente un
millón de euros teniendo un capital de 10 euros, que disponiendo ya de 100
millones de euros ganar ese millón. O visto de forma negativa, no es lo mismo
perder un millón cuando no tienes nada, que perderlo cuando tienes 100
millones.
Para reflejar esta valoración de los pagos, no por el pago en sí, sino por el
valor que tiene éste para el decisor, se utiliza la utilidad, que es una valoración
personal de una cantidad que no varía proporcional al importe de esa cantidad.
La utilidad se plasma en la función de utilidad que es una función que
resume la importancia que esa persona asocia a diferentes cantidades. Se trata
de un índice o escala personal del decisor, y por lo tanto, diferente para cada
persona que lo plantee, que ha de ser no decreciente (a mayor importe, mayor
utilidad).
La formalización de lo que ha de cumplir una función para poder ser una
función de utilidad, se hace axiomáticamente. No hay una única forma de
establecer los axiomas que ha de cumplir una función de utilidad. A
continuación, se presenta la axiomática planteada por Von Neumann y
Morgenstern cuando introdujeron este concepto. Para ello definiremos lo que son
14 15/02/2008
las loterías y la relación de equivalencia entre ellas, para poder definir la

relación de preferencia que ha de reflejar una función de utilidad.
Una lotería viene dada por un conjunto de valores posibles de ganancia y
unas probabilidades. Formalmente se describe como (p1, r1;...; pn , rn ) , donde pi
denota la probabilidad de obtener una ganancia ri . Por ejemplo, dada una
lotería que gráficamente sería
1/4 500
3/4 0
se denotaría por (1/4, 500; 3/4, 0).
Se define la relación L1pL2 si la lotería L1 es preferida a la lotería L2 , y la
relación de equivalencia L1iL2 si la lotería L1 es indiferente a la lotería L2 , es
decir, son equivalentes.
Dadas estas definiciones, podemos definir formalmente la utilidad de una
cantidad ri en función de una lotería y que denotaremos por u(ri ) como el valor
qi tal que es equivalente recibir con seguridad la cantidad ri , que sería la lotería
(1, ri ) a la lotería en que se recibe con probabilidad qi el valor más favorable de
la lotería de referencia y con probabilidad 1 − qi el resultado menos favorable.
La función de utilidad sería la función que especifica todos los pagos de la
lotería, y la utilidad esperada de una lotería sería ∑ piu(ri ) . Así pues, las
i
alternativas de un problema de decisión se pueden ver como loterías, ya que se
tienen unos pagos con ciertas probabilidades cuando es decisión bajo riesgo.
Dadas estas definiciones, se pueden mostrar los axiomas que Von Neumann y
Morgestern establecieron para que una relación de preferencia/indiferencia
pueda definir una función de utilidad.
Axiomas de Von Neumann y Morgestern

Ax ioma 1: De ordenación completa
Dados r1 y r2 r2 se cumple: r1pr2 o r2 pr1 o r1ir2 . Además esta ordenación ha
de cumplir la propiedad de transitividad ( r1pr2 y r2 pr3 implica que r1pr3 ).
Ax ioma 2: De continuidad
Si r1pr2 y r2 pr3 entonces existe c tal que (1, r2 )i(c, r1;1 − c, r3 )
Ax ioma 3: De independencia
Si r1ir2 entonces ∀c ∈ (0,1) son indiferentes (c, r1;1 − c, r3 ) y (c, r2 ;1 − c, r3 )
Ax ioma 4: De probabilidad desigual
Si r1pr2 entonces (c, r1;1 − c, r2 )p(c ', r1;1 − c ', r2 ) si c > c’
Ax ioma 5: De probabilidad desigual
Dada una lotería compuesta existe una equivalente simple. Por ejemplo, son
equivalentes las siguientes dos loterías:
15/02/2008 15
0.3 10 0.15 10
0.5
0.7 -5
0.5 -5 0.85 -5
La función de utilidad aunque no vaya entre 0 y 1 puede ser transformada a

este rango. Sea u(x ) una función de utilidad, y sea v(x ) = a u(x ) + b ( a > 0 ).
Entonces:
• L1pL2 usando u(x ) si y sólo si L1pL2 usando v(x )
• L1iL2 usando u(x ) si y sólo si L1iL2 usando v(x )
De modo que si la función de utilidad de un individuo no va entre 0 y 1, se
puede transformar a este rango utilizando la función de utilidad
x − min(u(x ))
v(x ) = .
max(u(x )) − min(u(x ))
Por último, restaría saber como estimar la función de utilidad de un
individuo. Para ello, se propone ir comparando loterías, de modo que en unas se
obtenga un valor seguro y en otras ciertos valores con determinadas
probabilidades, o viceversa. Por ejemplo, se parte de u(min(x )) = 0 y
u(max(x )) = 1 . A continuación, para saber qué valor tendrá utilidad ½, se pide
que el individuo diga cuál es la cantidad en que para él es indiferente recibir esa
cantidad con seguridad frente a jugar una lotería en que puede obtener el
máximo con probabilidad ½ y el mínimo con probabilidad también ½ (es decir,
sería la lotería (1/ 2, max(x );1/ 2, min(x )) ). A continuación, hacer lo mismo con
el de ¼ (pero utilizando en la lotería de comparación en lugar de el máximo el
valor obtenido antes de utilidad ½), con el de ¾,... y así sucesivamente, hasta
describir la función de utilidad.
Una función de utilidad de un individuo ha de representar la conducta ante
el riesgo de este individuo. Para ello, se define el equivalente de certeza de una
lotería (CE(L)) como el valor en que es indiferente ese valor seguro a la lotería
L, y ventaja de riesgo (RP(L)) a la diferencia entre el valor esperado de la
lotería y su equivalente de certeza, es decir, E[L] – CE(L). Según sea el signo de
este valor supondrá que hay preferencia por el riesgo o por el contrario aversión
al riesgo. Más concretamente, se puede resumir en los siguientes tres tipos de
actitud ante el riesgo:
• Contrario a los riesgos o aversión al riesgo: RP(L) > 0 (la función de
utilidad sería cóncava)
• Neutral frente a riesgos: RP(L) = 0 (la función de utilidad sería una línea
recta)
• Preferencia por el riesgo: RP(L) < 0 (la función de utilidad sería convexa)
16 15/02/2008
Una gráfica de una posible función de utilidad es la que se tiene a

continuación. Las zonas cóncavas (en la gráfica las extremas) suponen zonas de
aversión al riesgo ya que dados dos puntos la cuerda que los une, que
representaría la neutralidad queda por debajo, lo que supone valorar más la
cantidad que su propio valor. Sin embargo las zonas convexas representan
preferencia por el riesgo ya que valoran por debajo las cantidades.
U tilid a d
V a lo r re a l
Es muy habitual aplicar todos los conceptos de decisión vistos previamente

con utilidades más que con las cantidades reales para reflejar claramente el
carácter del decisor.
15/02/2008 17
I.3 Decisión multicriterio
I.3.1 Introducción: conceptos básicos

Se puede decir que un problema general de decisión consiste en elegir lo
mejor entre lo posible. Esta definición, como ya se ha visto, implica definir qué
es lo mejor y qué es lo posible.
Respecto a lo posible, se trata de establecer las alternativas o puntos
factibles existentes. El conjunto puede ser discreto o continuo. En general, se
considera discreto y se aplica la metodología apropiada cuando es factible
enumerar y tratar explícitamente cada uno de las alternativas posibles. En el
caso continuo o caso discreto donde no viene explícitamente definido el conjunto
de alternativas es cuando se habla de conjunto o región factible. Este conjunto o
región factible, a su vez, puede venir definido de forma rígida mediante
restricciones o de forma más flexible mediante lo que se conoce como niveles de
aspiración.
Respecto a lo mejor, se puede definir según un único criterio o según varios
criterios. Los problemas de decisión con un único criterio y conjunto factible
continuo (entendiendo por éste la extensión a conjuntos discretos no definidos
explícitamente) son básicamente problemas de optimización “clásica”: lineal,
entera o no lineal. Si además incluyen aleatoriedad, estaríamos ante un
problema de optimización estocástica. Si el conjunto factible es discreto, sólo
tiene sentido plantearse el problema en el caso de que haya aleatoriedad, siendo
entonces un problema de los conocidos como problemas clásicos de decisión 1 y
visto en la sección anterior.
En el caso en que haya varios criterios, si la región factible es continua, se
puede resolver el problema mediante métodos denominados de optimización
multiobjetivo o mediante métodos satisfacientes (programación por metas). Si lo
posible viene definido por un conjunto discreto de alternativas (pudiendo incluso
no ser numérico el valor de los criterios), existen métodos multicriterio discretos
para resolver el problema.
De forma general un problema de decisión multicriterio vendría formulado de
la siguiente forma:
1
No tiene sentido sin aleatoriedad, ya que si el conjunto está definido
explícitamente y no hay aleatoriedad, basta una exploración de las alternativas
para ver cuál es la mejor.
15/02/2008 19
I.3 DECISIÓN MULTICRITERIO
opt z (x ) = (z 1(x ),...., z p (x ))

x ∈F
donde F es el espacio de decisiones o soluciones (si es continuo, se denomina
región factible, F ⊆ n ).
Al conjunto z (F ) se le denomina espacio de objetivos o resultados (en el caso
de que sean criterios numéricos z (F ) ⊆ p ).
A continuación se exponen algunos conceptos básicos de la decisión
multicriterio:
Atributo: “valor” observado (medido) de una decisión independientemente

del decisor. Los atributos suelen ser competetidores o contradictorios entre sí.
Objetivo: dirección de mejora de un atributo. Esta dirección será de
maximización o minimización en el caso de atributos numéricos y en el caso
de atributos no numéricos vendrá dado por un sistema de preferencias (por
ejemplo, si el problema fuera la selección de un automóvil, el color sería un
atributo no numérico y se establecería un sistema de preferencias sobre este
atributo).
Nivel de aspiración: es un nivel aceptable de logro para un atributo.
Meta: es la combinación de un atributo con su nivel de aspiración.
Criterio: son los atributos, objetivos o metas relevantes en un problema de
decisión.
Dadas estas definiciones previas, lo primero que se necesita en un problema

de decisión multicriterio es dar un concepto de solución. El concepto de solución
utilizado habitualmente es el concepto de óptimo de Pareto. Este concepto está
basado en el criterio de optimalidad paretiana, enunciado por Pareto en 1896:
“Una alternativa es eficiente (o Pareto óptima) si toda alternativa que
proporcione una mejora en un atributo produce un empeoramiento en al menos
otro de los atributos.”
De esta definición, se deriva la de alternativa dominada o no eficiente, como
una alternativa para la que existe otra alternativa con todos los atributos
mejores.
Así se define el conjunto eficiente o de Pareto o también llamada frontera de
Pareto (por su representación en el caso continuo como parte de la frontera del
espacio de objetivos o resultados) para atributos numéricos con objetivos de
maximización como
{ }
/ x ′ ∈ F/z k (x ′) ≥ z k (x ) ∀k y z t (x ′) > z t (x ) para al menos un t ∈ {1,..., p }
ε= x ∈F :∃
Un ejemplo gráfico para dos atributos podría ser el siguiente:
20 15/02/2008
z2
Espacio de objetivos
Conjunto eficiente o de Pareto

max(z 1, z 2 )
Alternativas dominadas
z1
Sin embargo, en la mayoría de las situaciones, el fin último es dar una única
solución, no un conjunto de posibles soluciones. Se denomina solución de mejor
compromiso a la solución del conjunto eficiente que es seleccionada por el
decisor.
A continuación, vamos a ver diferentes métodos usados en decisión
multicriterio continua. Básicamente hay dos enfoques dentro de estos métodos:
los métodos de optimización multiobjetivo y los métodos satisfacientes o
programación por metas.
I.3.2 Métodos de optimización multiobjetivo

Estos métodos buscan optimizar los objetivos satisfaciendo unas restricciones
rígidas que determinan la región factible. El planteamiento del problema sería
max z = (z 1(x ),...., z p (x ))
x ∈F
donde z i (x ) es la función matemática que describe el atributo i-ésimo, x ⊆ n
es el vector de variables de decisión y F es el conjunto de restricciones que
definen las posibles soluciones.
Dentro de los métodos de optimización multiobjetivo existen métodos para
generar el conjunto eficiente en su totalidad y métodos para dar una solución
compromiso.
Antes de ver estas técnicas se van a presentar dos conceptos que serán de
gran utilidad para comprender e interpretar el problema planteado: la matriz de
pagos y las tasas de intercambio.
La matriz de pagos (pay-off matrix ) es una matriz donde se representan por
filas el valor óptimo de un objetivo sin considerar el resto de objetivos
(resolviendo el problema independientemente), y los valores que resultarían para
los demás objetivos con esa solución. Esta matriz representa el grado de
conflicto que hay entre los objetivos propuestos.
15/02/2008 21
Por ejemplo, supóngase un problema en que hay que determinar la

composición de una mezcla a partir de unas ciertas componentes básicas.
Supóngase que se desea que el coste unitario de la mezcla sea mínimo pero que
la calidad sea máxima, medida ésta como una función de las componentes. Se
tendrían entonces dos objetivos contrapuestos: minimizar el coste y maximizar
la calidad. La matriz de pagos sería de la forma
Coste Calidad
Coste m11 m12
Calidad m21 m22
donde m11 es el mínimo coste que se puede lograr con las restricciones
impuestas en el problema y m12 es la calidad para la composición que da el
mínimo coste; en la siguiente fila sería al revés, es decir, m22 sería la máxima
calidad que se puede lograr de la mezcla, y m21 sería el coste de esa mezcla. Así,
si el espacio de objetivos fuera el siguiente, donde el conjunto eficiente está
marcado en negrita,
3500 C’
D’
Coste
2000
E’ B’
1000
A’
2 C alid a d 9 11
la matriz de pagos sería

Coste Calidad
Coste 1000 2
Calidad 3500 11
Por otra parte, las tasas de intercambio (trade-offs o costes de oportunidad)

entre los atributos representan lo que se está dispuesto a empeorar de un
objetivo por mejorar en una unidad otro objetivo. Serían las pendientes de los
segmentos que forman el conjunto eficiente. Así, en el segmento A’B’ la tasa de
2000 − 1000
intercambio entre el coste y la calidad será TA ' B ' = = 142.86 , es
9−2
decir, en ese segmento cada unidad más de calidad “cuesta” 142.86 unidades.
3500 − 2000
Análogamente, para el segmento B’C’ la tasa será TB 'C ' = = 750 .
11 − 9
Es decir, cada unidad más de calidad “cuesta” 750 unidades monetarias.
22 15/02/2008
I.3.2.1 Técnicas generadoras del conjunto eficiente

Son técnicas de carácter mecánico, en las que no se incluyen las preferencias
del decisor. El fin para el que están diseñadas es la obtención de todo el
conjunto eficiente, en general, tras aplicar métodos de programación
paramétrica.
Método de las ponderaciones [Zadeh, 1963]

Este método consiste en multiplicar cada objetivo por un peso o factor no
negativo y agregarlos en una única función. Variando los pesos se puede obtener
todo el conjunto eficiente, resolviendo los distintos problemas planteados
mediante programación paramétrica.
p
⎫
max ∑ λi z i (x )⎪⎪⎪
i =1 ⎪⎪
⎪
x ∈F ⎬ P (λ)
⎪⎪
λ≥0 ⎪⎪
⎪⎪
⎪⎭
Uno de los resultados en que se fundamenta este método dice que si λi > 0
∀i , entonces cualquier solución óptima del problema P (λ) es eficiente. El
recíproco es cierto sólo bajo ciertas condiciones (por ejemplo, si todas las
funciones objetivo y las restricciones son lineales).
En cualquier caso, hay que tener en cuenta que para aplicar este método (y
no sólo éste) es conveniente haber normalizado previamente los criterios (para
que no influya la diferencia de unidades de los criterios).
Método de las ε-restricciones [Marglin, 1967]

Consiste en optimizar uno de los objetivos e incorporar el resto como
restricciones paramétricas, resolviendo el problema resultante mediante
programación paramétrica (variando los términos de la derecha se obtiene todo
el conjunto eficiente).
max zl (x ) ⎫⎪
⎪⎪
⎪⎪
x ∈F ⎬ Pl (ε)
⎪⎪
z k (x ) ≥ εk k = 1,..., l − 1, l + 1,..., p⎪⎪
⎪⎭
El fundamento de este procedimiento se recoge en los dos resultados
siguientes:
Teorema: Si la solución del problema Pl (ε) es única, entonces es una solución
eficiente.
15/02/2008 23
Teorema: Si x * es eficiente, ∀l ∃εk tales que x * es solución óptima de Pl (ε) .
Método simplex multiobjetivo [Zeleny, 1973]

Este método sólo es aplicable para objetivos y restricciones lineales. Se trata
de una extensión del método simplex que evalúa en cada iteración la eficiencia
de las soluciones básicas obtenidas (puntos extremos), obteniendo así todos los
puntos extremos eficientes. El conjunto eficiente serán todas las combinaciones
lineales convexas de puntos extremos eficientes que sean adyacentes.
I.3.2.2 Programación compromiso
En la programación compromiso el fin último es seleccionar un punto del
conjunto eficiente y, para ello, naturalmente, ha de incluir las preferencias del
decisor. Las técnicas que se presentan fueron desarrolladas inicialmente en los
trabajos de Yu(1973) y Zeleny (1973, 1974).
Se define el punto o alternativa ideal, como un punto del espacio de objetivos
que recoge los valores óptimos de los objetivos individualmente tratados y se
denota por z * = (z 1*,..., z i*,..., z p* ) , siendo z i* = max z i (x ) , denominándose este
x ∈F
valor individual punto ancla.
Se define la solución óptima o mejor solución compromiso, como la solución
eficiente más próxima al punto ideal (axioma de [Zeleny, 1973]).
La cuestión ahora es definir una distancia que ha de ser minimizada sobre el
conjunto eficiente. Para ello se define el grado de proximidad del objetivo i-
z * − z (x )
ésimo normalizado como di (x ) = i * i , siendo z *i el antiideal del objetivo,
z i − z *i
es decir, el peor valor posible para el objetivo sobre el conjunto eficiente.
Estos grados de proximidad son agregados para definir una métrica:
1/ π
⎡ p ⎛ * ⎞ ⎤
π
⎢ π ⎜ z i − z i (x ) ⎟ ⎥
min Lπ = ⎢ ∑ wi ⎜ * ⎟
x ∈F ⎜⎝ z − z ⎠⎟⎟ ⎥
⎣⎢ i =1 i *i ⎦⎥
donde el conjunto de los pesos wi suponen una ponderación preferencial de los
criterios (ponderación subjetiva dada por el decisor, este sistema de ponderación
se puede intentar obtener del decisor por varios métodos descritos en la
literatura, como son el método de ordenación, el método de Saaty, ...).
Para los distintos valores de π se obtienen diferentes métricas. Así π = ∞ ,
denota la distancia de Tchebychev o lo que es lo mismo minimizar la máxima
distancia (así se obtiene una solución equilibrada, en que todos los grados de
proximidad individuales están acotados, siendo a su vez un problema lineal).
Para el caso π = 1 , se trata de una agregación lineal de distancias
ponderadas, que también mantiene el carácter lineal del problema.
24 15/02/2008
En general, para diferentes valores de π se obtiene diferente solución, de ahí

que se haya definido el conjunto compromiso, como el conjunto de soluciones
que se obtienen al variar π . Para el caso de dos objetivos, es usual dar el
conjunto definido por el segmento [L1, L∞ ] (es decir, el segmento que une las
soluciones obtenidas con las dos métricas comentadas anteriormente), ya que
bajo ciertas condiciones es cierto que el conjunto compromiso coincide con este
segmento.
I.3.3 Métodos satisfacientes: programación por metas

Los métodos satisfacientes se basan en la denominada lógica satisfaciente
enunciada por Simon en 1955:
“en los contextos actuales de decisión (información incompleta, recursos
limitados, conflictos de intereses, ...) el decisor más que optimizar unas
funciones objetivo intenta que una serie de metas se aproximen lo más posible a
unos niveles de aspiración prefijados.”
De ahí que se desarrollara, basándose en esta filosofía, la denominada
programación por metas ([Charnes y Cooper, 1961], [Lee, 1972] e [Ignizio,
1976]).
La idea de este método es que si un atributo tiene por expresión matemática
z i (x ) y para este atributo se tiene un nivel de aspiración, es decir, un nivel
aceptable de logro para un atributo, zî , entonces una restricción meta sería una
restricción de la forma z i (x ) ≥ zî .
Sin embargo, dado que son niveles de aspiración, una restricción meta, en
general, no puede ser incluida como una restricción rígida en el problema, ya
que soluciones que no logren ese nivel de aspiración también son soluciones
admisibles. Así, una restricción meta se formula utilizando variables de
desviación: z i (x ) + ni − pi = zî . De estas variables, una de ellas es una variable
no deseada: si la meta es “al menos” un valor, la variable no deseada será ni , y
si es del tipo “a lo sumo”, la variable de desviación no deseada será pi .
Así el problema a resolver, suponiendo que todos los objetivos fueran de tipo
maximizar sería:
p
min
x ∈F ∩restricciones meta
∑n
i =1
i
Este procedimiento se puede aplicar también a las restricciones del problema

para relajarlas, admitiendo soluciones “cercanas” a la región factible (el mismo
concepto se ha aplicado en lógica difusa para resolver problemas de
programación lineal).
La programación por metas aplicada en la realidad muestra que se están
obteniendo valiosos resultados, siendo una de las técnicas de decisión
15/02/2008 25
multicriterio que está proporcionando mejores resultados. Sin embargo, no está

exenta de detractores que critican aparentes debilidades del modelo que se
presentarán más adelante.
Algunas variantes de este método se han desarrollado con gran éxito y se
exponen a continuación.
I.3.3.1 Variantes de la programación por metas
Programación por metas ponderadas
p
min ∑ (αini + βi pi )
i =1
z i (x ) + ni − pi = zˆí i = 1,..., p
x ∈F
ni ≥ 0, pi ≥ 0 i = 1,..., p
La idea básica es ponderar las variables de desviación, ya que pueden tener

diferente relevancia las metas o diferentes unidades si no han sido previamente
normalizados los criterios.
Los distintos criterios, en general, vendrán dados en distintas unidades, así
que la función objetivo estaría agregando valores de distintas unidades. Una
primera medida, muy deseable, es ponderar las desviaciones dividiendo por el
nivel de aspiración, con lo que serían desviaciones porcentuales que no tienen
unidades y que corrigen el efecto de las distintas magnitudes de éstas.
Por otra parte, si sólo se ponderan dividiendo por el nivel de aspiración,
implícitamente lo que se está haciendo es dar una misma importancia a todos
los criterios. Si no es ése el caso, se deben multiplicar por pesos que muestren la
relevancia dada por el decisor a cada meta.
Programación por metas MINIMAX o Tchebychev

En este caso se busca una solución “equilibrada”, de modo que ninguna de
las metas se desvíe en exceso de su nivel de aspiración. Para ello se minimiza la
máxima distancia a este nivel, es decir, el problema se plantearía en estos
términos
min d
αini + βi pi ≤ d i = 1,..., p
z i (x ) + ni − pi = zˆí i = 1,..., p
x ∈F
ni ≥ 0, pi ≥ 0 i = 1,..., p
26 15/02/2008
Programación por metas lexicográficas

Este procedimiento establece niveles de prioridad en las metas y resuelve
secuencialmente el problema para cada nivel de prioridad, manteniendo los
valores previamente obtenidos para metas con mayor nivel de prioridad. Así, si
en un problema se formulan k metas es posible que se consideren agrupadas en
h (≤ k ) niveles de prioridad. Por ejemplo, si el problema incluye 6 metas, que
denominaremos gi (n, p), i = 1,..., 6 , agrupadas en 3 niveles de prioridad de la
forma las más importantes las dos primeras, después la tercera, y por último las
3 últimas, el problema se representa como
Lex min a = [g1(n, p) + g2 (n, p), g 3 (n, p), g 4 (n, p) + g 5 (n, p) + g6 (n, p)]
Para resolver el problema, se resolvería primero con las dos primeras metas.
Obtenidos los valores de las variables de desviación no deseadas para éstas, se
fijan y se resuelve el problema para la tercera meta (segundo nivel de
prioridad). Una vez resuelto, se fija el valor de la variable no deseada también
para esta meta, y se resuelve el tercer nivel incluyendo las tres últimas metas.
I.3.3.2 Temas críticos en programación por metas

A pesar de que la programación por metas resulta un potente instrumento de
gran aplicabilidad e indudable éxito en la realidad, diferentes autores han
apuntado algunas aparentes debilidades de los modelos de metas. Estas
consideraciones han llevado a denominar temas críticos en programación por
metas a anomalías aparentemente causadas por debilidades lógicas de la
programación por metas, aunque en realidad se deben al uso insatisfactorio del
enfoque. La mayoría se presentan en las metas lexicográficas. Algunas de ellas se
exponen a continuación.
1. Posible equivalencia de soluciones entre modelos de programación por

metas y modelos de optimización de un solo criterio.
Es cierto, que, por ejemplo, en las metas lexicográficas si se fijan unos
niveles muy pesimistas en los primeros niveles (fáciles de alcanzar) y muy
optimistas en los últimos (difíciles de alcanzar), al resolverlo para los
primeros niveles se obtendrá un valor 0 de las desviaciones, y puede llegar
un momento en que para una meta no haya óptimos alternativos y, por
lo tanto, fijar el valor de su desviación es ya dar una solución haciendo
redundantes las metas de prioridades más bajas; de este modo, sería
equivalente a fijar las metas de los niveles anteriores en su nivel de
aspiración y optimizar la meta para la que no hay óptimos alternativos.
Sin embargo, esta equivalencia se da por un mal planteamiento de los
15/02/2008 27
niveles de aspiración. La equivalencia puede darse también en metas

ponderadas, por ejemplo, si se plantean unos niveles de aspiración muy
pesimistas para las metas, excepto para una en que resulte muy
optimista, prácticamente inalcanzable. En tal caso, es cierto que el
problema puede ser equivalente a optimizar ese atributo incluyendo las
demás metas como restricciones. En cualquier caso, estos problemas se
derivan de la formulación del modelo y no a debilidades lógicas de la
metodología.
2. Conclusiones equivocadas por agregar metas lexicográficas en una función

objetivo
Cuando se plantea un modelo de programación por metas lexicográficas,
suele haber una tendencia (casi natural) a intentar plantear un modelo
equivalente que se resuelva en una sola iteración, sin tener que resolver
un problema para cada nivel de prioridad. Así es común ver que se
plantea una función objetivo como en el procedimiento de metas
ponderadas donde se multiplica cada variable de desviación por un peso
asignado a su nivel de prioridad (así para el primer nivel el peso es
mucho mayor que para el segundo, etc.). En general, este planteamiento,
además de ser lógicamente incorrecto, puede llevar a obtener soluciones
que difieran mucho de las que se obtendrían con el modelo lexicográfico,
y por lo tanto, si se intenta razonar sobre ellas como si fueran soluciones
del modelo lexicográfico, a conclusiones claramente incorrectas.
3. Problemas derivados de la omisión de una variable de desviación

Otros de los problemas que han surgido en la aplicación, o mejor dicho,
en la incorrecta aplicación de la programación por metas, han sido los
derivados por no incluir una variable de desviación. En ocasiones, se ha
prescindido de la variable de desviación que no es considerada, por
ejemplo, si se desea que un atributo sea superior a un nivel de aspiración,
la variable no deseada es la de holgura al nivel de aspiración, n , sin
embargo de la otra variable, la de exceso p , no se considera en el
objetivo. Obsérvese que prescindir de ella implica que el atributo no
pueda tomar valores superiores al nivel de aspiración, sólo inferiores (no
deseados) o igual, lo que restringe el espacio de soluciones, eliminando del
espacio de objetivos toda la región en que el atributo sea superior. Por lo
tanto, la variable de desviación que no es la no deseada, también debe
aparecer en el modelo o formular la meta como una desigualdad y no una
igualdad. Ante el riesgo que puede presentar esta última formulación, se
aconseja mantener ambas variables con la formulación lógica clásica de
28 15/02/2008
las metas, además de que, en general, no incluirlas no conlleva una

mejora computacional (los métodos de resolución suelen añadir una
variable en las desigualdades como primera medida).
4. Problemas derivados de la inclusión de metas con dos lados
innecesariamente
Las metas con dos lados no deseados son menos habituales que las de un
solo lado, ya que es raro que un decisor desee el logro exacto de una meta
más que superar, o no hacerlo, un determinado nivel. Incluir entre las no
deseadas una desviación que no lo es, puede llevar a obtener soluciones
subóptimas. Es claro, que hay que tener un especial cuidado en identificar
cuáles son las variables de desviación no deseadas.
5. Incompatibilidad entre ordenaciones lexicográficas y la existencia de una

función de utilidad
Una de las críticas más fuertes al modelo lexicográfico ha sido su
incompatibilidad con una función de utilidad del decisor. Esta
incompatibilidad demostrada, que aquí no se niega, se deriva de la
incompatibilidad con uno de los axiomas que se atribuye a una función de
utilidad. Los axiomas que se supone que deben ser cumplidos por una
función de utilidad son comparabilidad, reflexividad, transitividad y
continuidad. De ellos, el que resulta incompatible con las ordenaciones
lexicográficas es el de la continuidad. Según este axioma, los conjuntos de
nivel de la función de utilidad son superficies continuas, es decir, dada
una combinación de dos elecciones posibles de un decisor, siempre se
podrá reducir la cantidad de una elección encontrando un incremento de
la otra elección que compense exactamente la reducción. Es fácil
comprobar que en las metas lexicográficas los conjuntos de nivel o
superficies de indiferencia están formadas por un único punto (ver estos
conjuntos como intersección del conjunto mejor y el peor respecto a un
punto), por lo tanto, no es posible obtener el mismo valor con dos puntos
distintos, lo que supone que no se cumple el axioma. Sin embargo, la
continuidad de las preferencias dista mucho de ser un hecho, ni tan
siquiera una hipótesis corroborada de forma empírica. Es tan sólo una
hipótesis necesaria para axiomatizar la teoría neoclásica del consumo y
asegurar la existencia de un equilibrio competitivo. Es más, hay
situaciones en las que suponer válido este axioma puede ser un disparate;
por ejemplo, supóngase un problema de planificación forestal donde se
tienen en cuenta varios criterios, por ejemplo, uno económico que fuera la
producción de madera y otro que fuera un índice que mida el riesgo de
colapso ecológico del bosque. En este caso el supuesto de continuidad
15/02/2008 29
diría que siempre existe un incremento en el volumen de madera

producida que compense un incremento del riesgo de colapso del bosque,
por alto que éste sea, lo que puede ser un auténtico disparate. Es obvio,
que en este caso y en otros muchos, las preferencias no son continuas y
por lo tanto no existe una función de utilidad para representarlas. Es
decir, no es absolutamente necesario aceptar la continuidad de las
preferencias para poder representar el problema de decisión.
6. Posible ineficiencia paretiana de la solución obtenida por metas, y forma

de resolverlo
La programación por metas no está pensada para obtener soluciones
eficientes sino para obtener soluciones satisfacientes. En este sentido, es
posible que la solución de un modelo de programación por metas no sea
eficiente. Para ello, lo que tiene que pasar es que haya óptimos
alternativos del problema de metas ponderadas o del último nivel de
metas lexicográficos (esta condición es necesaria aunque no es suficiente).
Para algunos autores es un gran inconveniente, pero no ha de olvidarse
que el objetivo de la programación por metas, como ya se ha dicho, no es
obtener soluciones eficientes sino satisfacientes. Para comprobar si una
solución obtenida mediante programación por metas es eficiente, se fijan
los valores de las variables de desviación no deseadas obtenidos, y se
maximizan las variables opuestas; si la solución no cambia, es que la
solución es eficiente, mientras que si varía, la nueva solución será una
solución eficiente con los mismos valores de las variables no deseadas.
Existe un test propuesto por Hannan (1980) que permite a partir de una
solución obtenida por metas, obtener todas las soluciones eficientes que
tienen el mismo valor de las variables de desviación no deseadas. Este
test consiste en aplicar la técnicas multiobjetivo a un problema que sea el
original pero incluyendo los valores de las variables de desviación (tanto
las deseadas como las no deseadas) obtenidas previamente mediante
programación por metas. Así si una meta es que x 1 sea al menos 5, y al
resolverlo por metas se ha obtenido n1 = 0, p1 = 1 , se formularía una
restricción para el test de Hannan que fuera:
x 1 ≥ 5 − n1* + p1* = 5 − 0 + 1 = 6 . Gráficamente, si Z es el punto obtenido
por programación por metas, toda la zona rayada son puntos mejores, y
Z1 y Z2 serían puntos eficientes mejores que Z y todas las combinaciones
lineales convexas de ellos también:
30 15/02/2008
Z1
f2
Z2
Z
f1
De aquí se deriva un procedimiento para resolver modelos de

programación por metas si se desea que además la solución sea eficiente:
1. Resolver el modelo de metas inicial. Si no hay óptimos alternativos la
solución es eficiente, en otro caso ir al paso 2.
2. Si se desea una única solución eficiente ir a 3, si se desea explorar un
conjunto de soluciones eficientes ir a 4.
3. Maximizar la suma de las variables desviacionales opuestas sin
empeorar los valores alcanzados. La solución será eficiente
4. Transformar el modelo de metas en uno multiobjetivo con el
procedimiento de Hannan para obtener todos los puntos eficientes del
correspondiente modelo de metas.
7. El concepto de meta redundante y repercusión en las metas lexicográficas

El concepto de metas redundante puede surgir tanto en metas ponderadas
como en lexicográficas, aunque con distinto sentido. Así en metas
ponderadas puede surgir porque se plantee una meta inalcanzable y las
demás de modo pesimista, con lo que el problema puede desviarse hacia la
meta inalcanzable olvidando las demás. Sin embargo, donde es más
relevante y claro este concepto es en las metas lexicográficas, ya que si en
un determinado nivel de prioridad se llega a un único óptimo, todas las
metas incluidas en niveles inferiores son un mero ornamento, ya que no
pueden variar la solución. Se define como meta redundante aquella cuya
omisión no influye en el resultado. La existencia de metas redundantes
puede darse principalmente por tres causas:
1. Una excesiva priorización de las metas, es decir, una agrupación en un
número excesivamente elevado de niveles de prioridad
2. Ser excesivamente optimista, fijando los niveles de aspiración muy
próximos al ideal del atributo.
3. Incluir muchas metas con dos lados, obligando a la minimización de
ambas variables de desviación.
Cuando se da la redundancia es interesante saber en qué nivel de
prioridad se ha dado, y si parece oportuno, replantear el problema. El
15/02/2008 31
replanteamiento puede hacerse redefiniendo los niveles de aspiración de

las metas anteriores o viendo si se han incluido metas de dos lados
innecesariamente, o agrupando en distintos niveles (por ejemplo, se puede
plantear un último nivel con la última meta no redundante ponderada
para darle más importancia y las restantes metas, las que resultaron
redundantes, con ponderación menor).
I.3.4 Métodos de decisión multicriterio discretos
Estos métodos se aplican cuando el conjunto de alternativas que se considera

es discreto y es factible enumerar y tratar explícitamente cada uno de las
alternativas posibles.
Existen distintos métodos para abordar estos problemas. En esta
introducción se van a mostrar dos de ellos, aunque no son los únicos: el método
ELECTRE y los procesos analíticos jerarquizados (AHP).
I.3.4.1 Procesos analíticos jerarquizados (método AHP)

Este método fue introducido por Saaty en 1977, y tuvo un gran impacto
teórico y aplicado. Este método considera el problema dividido en 3 niveles o
jerarquías:
Nivel 1: Propósito del problema
Nivel 2: Criterios
Nivel 3: Alternativas
Por ejemplo, si el problema es elegir el trazado de una carretera con tres
posibles alternativas A, B, C, evaluadas por su coste, impacto medioambiental y
tiempo de ejecución, los tres niveles serían:
Nivel 1: trazado de una carretera
Nivel 2: Coste, Impacto medioambiental, tiempo ejecución
Nivel 3: A, B, C
Una vez conceptualizada la estructura jerárquica del problema, se establece
una fuerte interacción con el decisor en cada uno de los niveles para que emita
su juicio de valor o preferencias. Esto supone hacer comparaciones por parejas
de criterios y alternativas:
• Nivel 2:
La interacción con el decisor consiste en comparar por parejas los criterios.
El procedimiento es el que se describió de Saaty en el punto 1 del método
Electre: construye una matriz de comparación de criterios asignando un 1 si
ambos son de la misma importancia, un 3 si hay una moderada importancia
32 15/02/2008
de un criterio respecto a otro, un 7 si hay una demostrada importancia y un

9 si hay extrema importancia. Con ello se forma una matriz cuadrada aij que
valora la importancia del criterio i respecto al j. Si la importancia de un
criterio respecto a otro es aij , a la inversa será 1/ aij . Obtenida esta matriz,
se busca un vector de pesos para los criterios que sea solución del sistema
Wi
= aij , o lo que es lo mismo, Wi − aijWj = 0 con la condición añadida de
Wj
que sumen 1 para evitar la solución trivial de todos los pesos iguales a 0.
Lamentablemente, ese sistema no suele tener solución dadas las normales
inconsistencias del decisor y hay que buscar los que más se aproximen, por
ejemplo mediante la programación por metas.
En el ejemplo del trazado de la autopista, supóngase que el centro decisor ha
emitido sus juicios de valor obteniendo la siguiente matriz de comparaciones
Coste Impacto Medioambiental Tiempo ejecución

Coste 1 2 5
Impacto Medioambiental 1/2 1 3
Tiempo ejecución 1/5 1/3 1
A partir de esta matriz se buscan los pesos preferenciales de los criterios

resolviendo el siguiente problema donde se han introducido las variables de
desviación para resolverlo:
3
min ∑ (n
i =1
i + pi )
w1 − 2w2 + n1 − p1 = 0
w1 − 5w 3 + n2 − p2 = 0
w2 − 3w 3 + n 3 − p3 = 0
w1 + w 2 + w 3 = 1
La solución obtenida es (w1, w2, w 3 ) = (.588,.294,.118) , siendo las variables de
desviaciones n1 = p1 = p2 = n2 = p3 = 0, n 3 = 0.06 .
• Nivel 3:
La interacción con el decisor en este nivel supone que el decisor emita sus
juicios de valor cuando se comparan las alternativas por parejas para un
determinado criterio. De esta forma se obtiene una tabla de
comparaciones de alternativas para cada criterio. Estas comparaciones se
valoran igual que en el caso anterior. Supongamos que para el ejemplo, se
han obtenido las siguientes tres tablas:
A B C A B C A B C
15/02/2008 33
A 1 6 3 . A 1 1/9 1/5 . A 1 ½ ¼
B 1/6 1 ½ B 9 1 2 B 2 1 ½
C 1/3 2 1 C 5 ½ 1 C 4 2 1
Coste Imp. Medioamb. Tiempo ejecuc.
De nuevo se plantean sendos problemas de programación por metas para

obtener unos pesos consistentes con las preferencias del decisor. En la
tabla siguiente, se recogen estos pesos de las alternativas con cada
criterio, donde se han puesto también en los criterios los pesos obtenidos
en el nivel anterior:
Criterios Coste Impacto Tiempo
medioambiental ejecución
Alternativas 0.588 0.294 0.118
A 0.667 0.069 0.143
B 0.111 0.621 0.286
C 0.222 0.310 0.571
Por último, se obtienen los pesos globales de las alternativas para ambos
niveles jerárquicos mediante una agregación multiplicativa, es decir, para cada
alternativa se suman los productos de los pesos de ésta por el peso del criterio
correspondiente. Así, para la alternativa A se obtendría
0.667x0.588+0.069x0.294+0.143x0.118=0.429. De esta forma se obtienen los
pesos globales 0.429 para A, 0.282 para B y 0.289 para C. De este modo se
obtiene una ordenación de las alternativas, resultando la A la preferida.
I.3.4.2 Método Electre

El Método Electre fue desarrollado por Benayoun, Roy y Sussman, en 1966.
El método, básicamente, pretende reducir el tamaño del conjunto de soluciones
eficientes, realizando una partición del conjunto eficiente en alternativas más
favorables (núcleo) y menos favorables. Esta partición se lleva a cabo mediante
una relación de sobreclasificación entre las alternativas. Una relación de
sobreclasificación se basa en la siguiente relación entre alternativas:
Una alternativa Ei sobreclasifica (outranks) a otra Ek si para los atributos
considerados el enunciado "la alternativa Ei es al menos tan buena como la
alternativa Ek" es válido.
Esa definición de “al menos tan buena” en el método Electre se define a
partir de la concordancia y discordancia entre alternativas:
34 15/02/2008
• La concordancia de una alternativa Ei y otra Ek cuantifica hasta qué punto

en un número alto de atributos Ei es preferida a Ek.
• La discordancia cuantifica hasta qué punto no hay atributo en que Ek es
mucho mejor que Ei
Para que una alternativa sobreclasifique a otra y forme parte del núcleo, ha
de superar un umbral mínimo de concordancia (c )y no superar otro umbral de
discordancia (d ).
Obsérvese que la sobreclasificación es distinta de la dominancia, en el sentido
paretiano. Por otra parte, se trata de una relación que no tiene la propiedad de
la transitividad, es decir, una alternativa puede sobreclasificar a otra y ésta a
una tercera, y sin embargo, la primera no sobreclasificar a la tercera. Esta falta
de transitividad se presenta como una ventaja ya que las razones por las que un
centro decisor puede preferir la primera alternativa a la segunda y las que llevan
a preferir la segunda a la tercera pueden ser muy diferentes y no llevar a que la
primera sea preferida a la tercera.
El método Electre puede recogerse en el siguiente algoritmo.
Algoritmo Electre
1.- Formar la matriz decisional (Ei,Aj), es decir, una matriz donde las filas son
las posibles elecciones y las columnas los atributos, siendo el “valor” de un
elemento de la matriz el valor de ese atributo para esa elección.
Dar un vector de pesos preferencial de los atributos W, es decir, dar un
vector que ordene la importancia de los criterios. La forma más sencilla de
obtenerlo es pedirle al decisor que clasifique los criterios por orden de
importancia, de modo que si hay n criterios, al más importante le asigne el
valor 1 y al menos importante el valor n ; a continuación, con el fin de que
la suma de los pesos sea 1 se le asigna al criterio en posición j-ésima el peso
1/ r n − rj + 1
Wj = n j o el peso Wj = n . El problema de este método es
∑ ri
i =1
∑ (n − ri + 1)
i =1
que no tiene en cuenta la diferencia de importancia entre criterios, es decir,
cuánto más importante es uno que el siguientes. Para evitarlo Saaty propone
otro método que consiste en comparar los criterios por parejas, de modo que
se asigne un 1 si ambos son de la misma importancia, un 3 si hay una
moderada importancia de un criterio respecto a otro, un 7 si hay una
demostrada importancia y un 9 si hay extrema importancia. Con ello se
forma una matriz cuadrada aij que valora la importancia del criterio i
respecto al j. Si la importancia de un criterio respecto a otro es aij , a la
inversa será 1/ aij . Obtenida esta matriz, se busca un vector de pesos para
15/02/2008 35
Wi
los criterios que sea solución del sistema = aij . Lamentablemente, ese
Wj
sistema no suele tener solución dadas las normales inconsistencias del decisor
y hay que buscar los que más se aproximen.
Aunque no puede hablarse de cuál es el mejor método para estimar pesos
preferenciales, siempre que la situación lo permita parecen tener más solidez
los métodos propuestos por Saaty que los anteriores.
2.- Cálculo de la matriz de índices de concordancia, c(i,k):
c(i,k) = suma de los pesos de los atributos en que Ei es mejor que Ek
(en caso de empate en un atributo se suma la mitad del peso)
3.- Normalización de la matriz decisional: consiste en normalizar los criterios
para evitar el posible efecto de trabajar con distintas unidades. Hay varios
métodos para la normalización: dividir los valores por el mejor que haya en
ese criterio, o dividir por el rango o recorrido del criterio, o restar al mejor
valor del criterio el de esa alternativa y dividir después por el rango (con
este procedimiento los valores quedan entre 0 y 1, siendo 0 el mejor y 1 el
peor).
4.- Cálculo de la matriz de decisión normalizada y ponderada: Multiplicar cada
columna (atributo) de la matriz de decisión por el peso preferencial
correspondiente a ese atributo.
5.- Cálculo de la matriz de índices de discordancia, d(i,k):
d(i,k) = diferencia mayor entre los criterios en que Ei es dominada por Ek
dividida entre la diferencia mayor en valor absoluto entre los valores de un
criterio cualquiera.
6.- Fijar un umbral mínimo de concordancia, c , y un umbral máximo de
discordancia, d .
7.- Calcular la matriz de dominancia concordante: poner un 1 si el índice de
concordancia es mayor que el umbral, un 0 si no.
8.- Calcular la matriz de dominancia discordante: poner un 1 si el índice de
discordancia es menor que el umbral, un 0 si no.
9.- Calcular la matriz de dominancia agregada: multiplicar términos homólogos
de las matrices de dominancia concordante y discordante. Así si un elemento
de esa matriz es 1 es porque la alternativa de esa fila es mejor que la de la
columna en un número de importante de criterios y no es claramente peor en
ningún criterio. Si hay un 0 es que o bien no es mejor en un número
importante de criterios o es claramente peor en algún criterio o ambas.
10.- Obtener el núcleo: se eliminan las alternativas que están sobreclasificadas
por alguna otra, es decir, las que tienen al menos un 1 en su columna en la
matriz de dominancia agregada. Si se representa en un grafo en los nodos las
alternativas y en los arcos las sobreclasificaciones (el origen es la alternativa
36 15/02/2008
que sobreclasifica a otra que es el destino), el núcleo será único si este grafo
no tiene circuitos.
Obsérvese que según se fijen los umbrales de concordancia y discordancia el

resultado será distinto.
Por ejemplo, sea el problema es elegir el trazado de una carretera con cinco
posibles alternativas A, B, C, D y E, evaluadas por su coste, impacto
medioambiental y tiempo de ejecución, arrojando los siguientes valores:
⎡ Coste(cien millones€) Medioambiental (u. más alto peor) Tiempo ejec(a.)⎤
⎢ ⎥
⎢A 1 8 1 ⎥
⎢ ⎥
⎢ ⎥
⎢B 2 6 2 ⎥
⎢ ⎥
⎢C 2.5 7 1.5 ⎥
⎢ ⎥
⎢ ⎥
⎢ D 3 4 2 ⎥
⎢ ⎥
⎢E 4 2 2.5 ⎥
⎣⎢ ⎦⎥
El proceso sería el siguiente:

1.- Formar la matriz decisional (matriz anterior), y dar un vector de pesos
preferencial de los atributos W: mediante el método descrito por Saaty y
utilizando programación por metas, una posible tabla de comparaciones sería
Coste Impacto Medioambiental Tiempo ejecución
Coste 1 2 5
Impacto Medioambiental 1/2 1 3
Tiempo ejecución 1/5 1/3 1
A partir de esta matriz se buscan los pesos preferenciales de los criterios

resolviendo el siguiente problema donde se han introducido las variables de
desviación para resolverlo:
3
min ∑ (n
i =1
i + pi )
w1 − 2w2 + n1 − p1 = 0
w1 − 5w 3 + n2 − p2 = 0
w2 − 3w 3 + n 3 − p3 = 0
w1 + w 2 + w 3 = 1
La solución obtenida es (w1, w2, w 3 ) = (.588,.294,.118) , siendo las variables de
desviaciones n1 = p1 = p2 = n2 = p3 = 0, n 3 = 0.06 .
15/02/2008 37
2.- Cálculo de la matriz de índices de concordancia, c(i,k):

c(i,k) = suma de los pesos de los atributos en que Ei es mejor que Ek
(en caso de empate en un atributo se suma la mitad del peso)
⎡ A B C D E⎤
⎢ ⎥
⎢ A − .71 .71 .71 .71⎥
⎢ ⎥
⎢ ⎥
⎢B .29 − .88 .65 .71⎥
⎢ ⎥
⎢C .29 .12 − .71 .71⎥
⎢ ⎥
⎢ ⎥
⎢ D .29 .35 .29 − .71⎥
⎢ ⎥
⎢E .29 .29 .29 .29 − ⎥
⎣ ⎦
3.- Normalización de la matriz decisional: se selecciona que el rango sea 0 a 1, y
que 0 sea siempre el peor valor.
4.- Cálculo de la matriz de decisión normalizada y ponderada: Multiplicar cada
columna (atributo) de la matriz de decisión por el peso preferencial
correspondiente a ese atributo.
⎡ C. E. I. ⎤
⎢ ⎥
⎢ A 0 .29 0 ⎥
⎢ ⎥
⎢ ⎥
⎢B .19 .19 .08⎥
⎢ ⎥
⎢C .29 .24 .04⎥
⎢ ⎥
⎢D .39 .10 .08⎥
⎢ ⎥
⎢ ⎥
⎢E .59 0 .12⎥
⎣ ⎦
5.- Cálculo de la matriz de índices de discordancia, d(i,k):
d(i,k) = diferencia mayor entre los criterios en que Ei es dominada por Ek
dividida entre la diferencia mayor en valor absoluto entre los valores de un
criterio.
⎡ A B C D E⎤
⎢ ⎥
⎢ A − 0.16 .08 .33 .5 ⎥
⎢ ⎥
⎢ ⎥
⎢B .33 − .07 .16 .33⎥
⎢ ⎥
⎢C .5 .16 − .25 .42⎥
⎢ ⎥
⎢ ⎥
⎢ D .66 .33 .16 − .16 ⎥
⎢ ⎥
⎢E 1 .66 .5 .33 − ⎥
⎣ ⎦
6.- Fijar un umbral mínimo de concordancia, c =0.7, y un umbral máximo de

discordancia, d = 0.2.
7.- Calcular la matriz de dominancia concordante: poner un 1 si el índice de
concordancia es mayor que el umbral, un 0 si no.
38 15/02/2008
⎡ A B C D E⎤
⎢ ⎥
⎢A − 1 1 1 1 ⎥
⎢ ⎥
⎢ ⎥
⎢B 0 − 1 0 1 ⎥
⎢ ⎥
⎢C 0 0 − 1 1 ⎥
⎢ ⎥
⎢ ⎥
⎢ D 0 0 0 − 1 ⎥
⎢ ⎥
⎢ E 0 0 0 0 −⎥
⎣ ⎦
8.- Calcular la matriz de dominancia discordante: poner un 1 si el índice de
discordancia es menor que el umbral, un 0 si no.
⎡ A B C D E⎤
⎢ ⎥
⎢A − 1 1 0 0 ⎥
⎢ ⎥
⎢ ⎥
⎢B 0 − 1 1 0 ⎥
⎢ ⎥
⎢C 0 1 − 0 0 ⎥
⎢ ⎥
⎢ ⎥
⎢ D 0 0 1 − 1 ⎥
⎢ ⎥
⎢ E 0 0 0 0 −⎥
⎣ ⎦
9.- Calcular la matriz de dominancia agregada: multiplicar términos homólogos
de las matrices de dominancia concordante y discordante.
⎡ A B C D E⎤
⎢ ⎥
⎢A − 1 1 0 0 ⎥
⎢ ⎥
⎢ ⎥
⎢B 0 − 1 0 0 ⎥
⎢ ⎥
⎢C 0 0 − 0 0 ⎥
⎢ ⎥
⎢ ⎥
⎢ D 0 0 0 − 1 ⎥
⎢ ⎥
⎢ E 0 0 0 0 −⎥
⎣ ⎦
10.- Obtener el núcleo: es único y está formado por las alternativas A y D.
Según el grafo:
B
C
A
E D
15/02/2008 39
I.4 Teoría de juegos o juegos de estrategia

La primera publicación que ha habido acerca de teoría de juegos es la
publicación Von Neumann, Morgenstenn (1944) “Theory of games and economic
behaviour”. No es casualidad ni la fecha ni el título ya que las dos situaciones
de conflicto más claras que puede haber cuando varios decisores han de tomar
sus respectivas decisiones, son las guerras y la economía.
Esto es así porque una situación en la que el proceso de decisión se plantea
como una situación de teoría de juegos, es una situación de conflicto en la que
existe una mayor o menor oposición en los intereses de los decisores (jugadores)
y la consecución de los mismos no depende en exclusiva de las decisiones propias
y si acaso del azar, sino que al mismo tiempo dependen de las decisiones que los
demás tomen en la búsqueda de sus propios intereses.
Los elementos que intervienen en un juego son, además de los jugadores, los
siguientes:
• Las estrategias de los jugadores: para cada jugador se tiene el conjunto de
estrategias
• Los pagos de los jugadores: cada jugador tiene una función que determina el
pago que recibe el jugador cuando cada uno de ellos adopta una de sus
posibles estrategias. A diferencia de lo que ocurre en la teoría de la decisión,
aquí siempre se presupone y se habla suponiendo que los pagos son
ganancias.
Vamos a ver la formulación de un juego con dos jugadores con estos
elementos, conocida como forma normal de un juego:
• X : conjunto de estrategias de J 1
Y : conjunto de estrategias de J 2
• Pagos o utilidades de los pares de estrategias para los jugadores:
M 1 : X ×Y →
función de pagos (pagos que recibe) del jugador J 1
(x , y ) → M 1(x , y )
M 2 : X ×Y →
función de pagos (pagos que recibe) del jugador J 2
(x , y ) → M 2 (x , y )
Cuando el juego es de dos jugadores y los conjuntos de estrategias son finitos
es posible representar ambas funciones mediante una bimatriz denominada
bimatriz de pagos, de modo que las filas representan las estrategias del primer
jugador y las columnas las del segundo:
15/02/2008 41
I.4 TEORÍA DE JUEGOS O JUEGOS DE ESTRATEGIA
⎛ (a b ) (a1n,b1n ) ⎞⎟⎟
⎜⎜ 11, 11
⎜⎜ ⎟⎟
⎜⎜ ( ij , ij )
a b ⎟⎟
⎜⎜ ⎟⎟
⎟
⎜⎜(a b )
⎝ m 1, m 1 (amn,bmn )⎠⎟⎟⎟
siendo aij el pago que recibe el primer jugador si él opta por su estrategia i-
ésima y el segundo jugador por la j-ésima, y bij el pago que recibe el segundo
jugador si eligen ambos esas mismas estrategias.
I.4.1 Clasificación de los juegos

Los juegos pueden clasificarse atendiendo a distintos criterios:
• Por el número de jugadores: Los juegos pueden ser bipersonales o N-
personales. No es trivial la diferencia, ya que hay determinadas opciones
que pueden darse en los juegos con más de dos jugadores que no pueden
darse sólo con dos, como las coaliciones.
• Por el número de estrategias de los jugadores: pueden ser juegos finitos si
los conjuntos de estrategias son finitos o infinitos.
• Por su evolución en el tiempo: pueden ser juegos estáticos o dinámicos,
entendiéndose por juego dinámico aquél en el que en el transcurso del
juego existe una ganancia de información por parte de algún jugador.
• Por la relación de intercambio información entre jugadores: los juegos
pueden ser cooperativos, que quiere decir que los jugadores intercambian
información y pueden colaborar, no que tengan intereses comunes, o
juegos no cooperativos.
• Por la variación de “riqueza” del conjunto de jugadores: pueden ser
juegos de suma no constante, que quiere decir que en el propio juego se
genera o pierde riqueza del conjunto, o de suma constante, que supone
que hay una cantidad que repartir y el problema es cómo se hará ese
reparto. Un caso particular de este último tipo de juegos son los juegos de
suma nula, en los que la riqueza del conjunto es cero, y por tanto toda la
ganancia de un jugador es pérdida del otro.
• Por la cantidad de información de que disponen los jugadores: pueden ser
juegos con información completa, es decir, la función de ganancias de
cada jugador es conocida por todos los jugadores, o juegos con
información incompleta, en cuyo caso un jugador al menos no conoce las
ganancias de otro jugador. Por ejemplo, en una subasta cuando un
jugador no sabe lo que el otro está dispuesto a pagar por el bien
subastado
• Por la cantidad de información que adquieren durante el juego: en juegos
dinámicos o repetidos, se dice que el juego es de información perfecta si
42 15/02/2008
en cada momento el jugador que tiene que decidir conoce la historia

completa de todas las decisiones tomadas hasta ese momento. En otro
caso, se dice que es un juego con información imperfecta.
A continuación, vamos a ver algunos ejemplos para ilustrar estos conceptos:
Ejemplo 1: Un juego dinámico, bipersonal, finito, no cooperativo, con

información completa pero imperfecta.
Este juego se plantea por pasos:
1) J 1 escribe un número x ∈ {1,2} en un papel sin que nadie lo vea
2) El azar elige (mediante un procedimiento que se asegura que es aleatorio
y con tal distribución) un número y ∈ {1,2} con probabilidades ¾ y ¼,
respectivamente.
3) J 2 elige un número z ∈ {1,2, 3} conociendo y pero no x
4) Se tienen los pagos h1(x , y, z ) y h2 (x , y, z )
Este tipo de juegos por etapas se suele representar mediante un árbol o lo
que se llama forma extensiva de un juego, que es la forma más habitual
de representar un juego dinámico.
1
2
x
y y
1 2 1 2
z z z
z
1 3 1 3 1 3 1 3
2 2 2 2
Este juego es dinámico porque hay una ganancia de información, si el

segundo jugador no conociera el resultado del azar, seguiría siendo estático
aunque pueda parecer lo contrario. En este juego obsérvese que dada la
información que tiene el segundo jugador, por ejemplo y=1 y z=1, él no puede
saber si se encuentra en el primer nodo de la izquierda o en el séptimo. A estos
conjuntos que son indistinguibles para un jugador se les denomina conjuntos de
información.
Ejemplo 2: Juego finito, estático, bipersonal, no cooperat., suma constante y

con información completa
Supóngase una batalla en la que existen dos posiciones en juego, la A y la B.
El jugador 1 defiende ambas posiciones con 3 divisiones, mientras que el jugador
15/02/2008 43
2 ataca con 5 divisiones. En caso de igualdad de divisiones en alguna de las

posiciones, gana la posición el jugador que defiende. Las estrategias de los
jugadores es el número de divisiones que envía cada uno a cada posición, y los
pagos serán el número de posiciones ganadas. Así la bimatriz de pagos puede
plantearse como sigue:
(0, 5) (1, 4) (2, 3) (3,2) (4,1) (5, 0)
(0, 3) ⎛⎜(1,1) (0,2) (1,1) (1,1) (1,1)⎞⎟
(1,1)
⎜ ⎟⎟
(1,2) ⎜⎜⎜(1,1) (1,1) (0,2) (1,1) (1,1) (1,1)⎟⎟⎟
⎜⎜ ⎟⎟
(2,1) ⎜⎜(1,1) (1,1) (1,1) (0,2) (1,1) (1,1)⎟⎟
⎜⎜ ⎟⎟
⎟
(3, 0) ⎜⎜⎝(1,1) (1,1) (1,1) (1,1) (0,2) (1,1)⎠⎟⎟
Ejemplo 3: Dilema del prisionero. Juego bipersonal, no cooperativo, estático

y con información completa.
Dos delincuentes que han cometido un delito conjuntamente son detenidos e
incomunicados. Si ambos se delatan cumplirán los dos una condena de 5 años; si
uno delata al otro, pero el compañero no lo hace, el delatado cumplirá 20 años y
el delator nada; si ninguno se delata, cumplirán 1 año cada uno.
La bimatriz de pagos en este caso, y cambiando el signo para que se desee
maximizar estos pagos sería la siguiente:
J2
D ND
J1 D ⎛(−5, −5) (0, −20)⎞⎟
⎜⎜ ⎟⎟
ND ⎜⎜⎜⎝ (−20, 0) (−1, −1)⎠⎟⎟
Este problema es uno de los más relevantes de la teoría de juegos, ya que la
situación puede aplicarse en muy diversos contextos, en particular es
especialmente aplicable en economía y empresa, y ha dado lugar a una gran
cantidad de estudios que además permiten ver claramente la diferencia entre
juegos cooperativos y no cooperativos, como se verá a continuación.
I.4.2 Juegos no cooperativos, con información completa y estáticos.
I.4.2.1 Concepto de solución

Una vez planteado un problema de teoría de juegos, lo primero que hay que
hacer es definir el concepto de solución. Está claro que se entenderá por solución
un par de estrategias que optimicen los pagos de cada jugador. Si existiera un
par cuyos pagos fueran los mejores posibles tanto para un jugador como para
44 15/02/2008
otro evidentemente esta sería la solución, pero, es que en tal caso no habría
conflicto.
El concepto de solución dependerá del tipo de juego con el que se trabaje, y
más concretamente, de si hay cooperación o no. En cualquier caso, habrá de ser
un concepto que represente el comportamiento racional de los jugadores.
Para el caso no cooperativo, este concepto es el de estrategias en equilibrio o
punto de equilibrio o punto de silla debido a Nash. Para el caso de dos jugadores
(es inmediato extrapolarlo al caso N-personal) (x *, y * ) es un par de estrategias
⎧M 1(x *, y * ) ≥ M 1(x , y * ) ∀x ∈ X
⎪
⎪
en equilibrio si y sólo si ⎪
⎨ ; es decir, es un par de
⎪
⎪M (x *
, y *
) ≥ M (x *
, y ) ∀ y ∈ Y
⎪
⎩ 2 1
estrategias para el cuál ningún jugador está interesado en cambiar de estrategia
unilateralmente.
Por ejemplo, en el caso del dilema del prisionero, el único par de estrategias
que hay en equilibrio es el par (D, D ) , es decir, que ambos se delatan. Es la
solución no sólo porque matemáticamente sea el único par que cumple las
condiciones, sino que por el propio razonamiento es la solución a la que llegarían
movidos únicamente por su propio interés. Veamos este razonamiento
analizando por parte de los jugadores las posibilidades que tienen. El jugador 1
observa que puede no delatar a su compañero, y si hace eso el jugador 2
buscando su propio interés lo que le conviene es delatar al jugador 1. Entonces
el jugador 1 observa que si el otro le va a delatar, a él le conviene delatar al
jugador 2. Este mismo razonamiento es válido para el jugador 2 ya que es un
juego cuyos pagos son simétricos.
Sin embargo, es evidente que este problema tiene una solución que
proporciona mejores pagos para ambos jugadores, que es la solución (ND, ND ) ,
es decir, que no se delatan, pero es una solución que no está en equilibrio porque
cualquiera de ellos observa que si el otro mantiene esa estrategia a él le va mejor
cambiar. Para poder optar al par de estrategias de no delatarse tendrían que
llegar a algún acuerdo, es decir, intercambiar información, lo que haría del juego
un juego cooperativo. En estos juegos, los cooperativos, el concepto de solución
pasa por las coaliciones, de modo que una coalición se reparte el beneficio
conjunto obtenido, pudiendo incluso llegar a alguna solución del tipo (ND, D ) o
viceversa, si ello favorece a ambos (obviamente para el dilema del prisionero en
el contexto planteado no sería una alternativa, pero sí si son consecuencias de
tipo económico) 2. La cooperación permite llegar a una solución que sea eficiente
2
La gran diferencia de la cooperación es que permite que la solución sea una
solución óptima en el sentido de Pareto.
15/02/2008 45
en el sentido de Pareto, es decir, no dominada, lo cuál no puede ser asegurado

en el caso en que no haya cooperación.
El concepto de solución de las estrategias en equilibrio no siempre da
solución a un juego no cooperativo. Fundamentalmente, la dificultad viene de
que pueden existir más de un par de estrategias en equilibrio. Así si sólo existe
un par de estrategias en equilibrio o existen más de uno pero con los mismos
pagos, la solución existe (esa única o cualquiera de las que tengan esos mismos
pagos). Sin embargo, si existe más de un par en equilibrio y los pagos son
diferentes, no existe solución del juego en esas condiciones. Veamos un ejemplo
sin solución que también se considera un clásico dentro de la teoría de juegos, y
planteado con las mismas estrategias con las que surgió (hoy en día
probablemente son otras las más comunes). El juego es denominado la batalla
de los sexos: un matrimonio desea salir una noche juntos; él quiere ir al boxeo y
ella al ballet; hay un conflicto pues sobre todo desean ir juntos, así que plantean
las utilidades para ellos de las posibles combinaciones formando la siguiente
matriz de pagos
Mujer
Boxeo Ballet
Hombre Boxeo ⎛(2,1) (0, 0)⎞⎟

⎜⎜ ⎟⎟
Ballet ⎜⎜⎜⎝(0, 0) (1,2)⎠⎟⎟
Es claro que en este planteamiento hay dos pares de estrategias en equilibrio
que son (Boxeo, Boxeo) y (Ballet, Ballet), pero cuyos pagos (2,1) y (1,2) son
diferentes, luego el problema matemáticamente no tiene solución. En esa
situación para resolver el juego, se puede llegar a un acuerdo si el juego se repite
varias veces, lo cuál exige la cooperación, o puede tener solución si aparece un
líder, con lo que la solución sería aquel par de estrategias en equilibrio que
proporcione mejor pago al líder.
Otro juego para el que no existe solución en este sentido es, por ejemplo, el
juego de pares y nones. Para este juego la bimatriz de pagos sería:
P N
P ⎛(1, −1) (−1,1)⎞⎟
⎜⎜ ⎟⎟
N ⎜⎜⎜⎝(−1,1) (1, −1)⎠⎟⎟
para el que resulta inmediato comprobar que no existe ningún par de estrategias
en equilibrio.
Una posibilidad ante juegos de este tipo es ampliar el concepto de solución,
definiendo lo que se denominan estrategias mixtas en un juego.
Una estrategia mixta x para J 1 es una distribución de probabilidad sobre
sus estrategias originales, denominadas puras, es decir, es x = (x 1,.., x m ) tal que
46 15/02/2008
m
0 ≤ xi y ∑x
i =1
i = 1 . Así el elemento x i se interpreta como la probabilidad de
que J 1 elija su i-ésima estrategia.
Análogamente, una estrategia mixta y para J 2 es una distribución de
probabilidad sobre sus estrategias puras, es decir, es y = (y1,.., yn ) tal que
n
0 ≤ yj y ∑y
j =1
j = 1 . Así el elemento y j se interpreta como la probabilidad de
que J 2 elija su j-ésima estrategia.
Obsérvese que las estrategias puras no son más que un caso particular de las
estrategias mixtas, el caso degenerado (probabilidad 1 para una de las
estrategias y 0 para el resto).
En cualquier juego en el que a cada jugador le convenga adivinar la jugada
del otro y que el otro no adivine la suya, no existe ningún equilibrio de Nash
como el considerado anteriormente, porque el juego incluye necesariamente un
elemento de incertidumbre sobre lo que harán los jugadores (por ejemplo, el
juego de pares y nones, el póker, etc).
Dado este nuevo concepto de estrategia hay que establecer el pago asociado
a un par de estrategias de estas características, siendo éste el pago esperado.
Dado un par de estrategias mixtas (x , y ) , el pago esperado por J 1 para este par
m n m n
de estrategias es EJ 1 [x , y ] = ∑ ∑ aij x iy j y para J 2 sería EJ 2 [x , y ] = ∑ ∑ bij x iy j .
i =1 j =1 i =1 j =1
Para el siguiente ejemplo es inmediato ver que no existe un par de
estrategias puras en equilibrio,
⎛(2, −2) (4, −4) (3, −3)⎞⎟
⎜⎜ ⎟⎟
⎜
⎜⎝⎜(7, −7) (2, −2) (5, −5)⎠⎟⎟
y sean el par de estrategias mixtas x = (1/ 4, 3 / 4) e y = (1/ 5,2 / 5,2 / 5) . El
pago esperado del primer jugador para este par de estrategias será
11 12 12 31 32 32
EJ 1 [x , y ] = 2 +4 +3 +7 +2 +5 = 3 ' 95 ,
45 45 45 45 45 45
y para el segundo jugador será su opuesto

Con este nuevo concepto de estrategias y de pago esperado, se redefine el
concepto de solución, de modo que x * e y * son estrategias en equilibrio de Nash
u óptimas para J 1 y J 2 , si
⎧⎪v (x *, y * ) = E ⎡x *, y * ⎤ ≥ E ⎡x , y * ⎤ = v (x , y * ) ∀x ∈ X
⎪⎪ 1 J1 ⎣ ⎦ J1 ⎣ ⎦ 1
⎨ ,
⎪⎪v (x *, y * ) = E ⎡x *, y * ⎤ ≥ E ⎡x *, y ⎤ = v (x *, y ) ∀y ∈ Y
J2 ⎣ ⎦ J2 ⎣ ⎦
⎪⎩ 2 2
es decir, ningún jugador está interesado en cambiar unilateralmente de
estrategia.
15/02/2008 47
Obsérvese que se le ha dado el nombre de estrategias óptimas además del de

estrategias en equilibrio; esto se debe al siguiente resultado enunciado por Nash
en 1950:
Teorema (Nash, 1950): En todo juego con un número finito de jugadores y cada
uno con un número finito de estrategias, existe al menos un equilibrio de Nash,
que posiblemente incluye estrategias mixtas.
El equilibrio de Nash en estrategias mixtas se interpreta más que en

términos de elegir aleatoriamente una estrategia siguiendo estas probabilidades,
como una representación de la incertidumbre del jugador i respecto a la decisión
del jugador j sobre la estrategia (pura) que va a seguir. Es una conjetura sobre
lo que hará el otro jugador con la información de que se dispone (es posible que
el otro jugador actúe luego basándose en algún criterio no conocido).
Por último, en esta sección vamos a hablar de un tipo de estrategias que por
su naturaleza nunca formarán parte de un equilibrio de Nash: las estrategias
dominadas.
Se dice que una estrategia pura es una estrategia dominada si existe una
combinación lineal convexa de las otras estrategias (una estrategia mixta) que
proporciona mejores pagos. Así a efectos de búsqueda de la solución las
estrategias dominadas pueden eliminarse.
Veamos en el ejemplo una secuencia de eliminación de estrategias
dominadas:
⎛ ⎞
⎜⎜(2, −2) (−1,1) (0, 0) ⎟⎟
⎜⎜ ⎟⎟
⎜⎜(3, −3) (4, −4) (5, −5)⎟⎟⎟ en esta matriz la primera estrategia de J 1 está
⎜⎜ ⎟⎟
⎜⎝(2, −2) (5, −5) (2, −2)⎠⎟⎟
dominada pues la segunda fila (o la tercera) proporciona mejores pagos al
jugador, luego a efectos de solución podemos eliminarla siendo la matriz de
⎛ ⎞
⎜(3, −3) (4, −4) (5, −5)⎟⎟
pagos resultante la siguiente ⎜⎜ ⎟ . En esta matriz las
⎜⎜⎝(2, −2) (5, −5) (2, −2)⎠⎟⎟
estrategias segunda y tercera del jugador 2 están dominadas por la primera
⎛(3, −3)⎞⎟
⎜ ⎟⎟ , y aquí la
luego también pueden descartarse resultando la matriz ⎜⎜
⎜⎜⎝(2, −2)⎠⎟⎟
última estrategia del jugador 1 está dominada por la anterior, con lo que
después de haber eliminado las estrategias dominadas nos quedamos sólo con la
matriz ((3, −3)) correspondiente a la segunda estrategia de J 1 y a la primera de
J 2 , que es la solución del juego. De forma esquemática el proceso ha sido el
siguiente
48 15/02/2008
⎛(2, −2) (−1,1) (0, 0) ⎞⎟ ↓ ↓

⎜⎜ ⎟⎟ → D.
⎜⎜ ⎟
⎜⎜(3, −3) (4, −4) (5, −5)⎟⎟⎟ → ⎛⎜(3, −3) (4, −4) (5, −5)⎞⎟ → ⎛⎜(3, −3)
⎜⎜ ⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
(
⎞⎟ (3, −3)
)
⎟→
⎜⎝(2, −2) (5, −5) (2, −2)⎠⎟⎟⎟ ⎜⎝⎜(2, −2) (5, −5) (2, −2)⎠⎟⎟ ⎜⎜⎝(2, −2) ⎠⎟
A modo de observación, comentar que no siempre es posible obtener la

solución mediante la eliminación de estrategias dominadas, es un procedimiento
para reducir las dimensiones del problema más que para resolver el problema.
Por otra parte, como se ha comentado, el procedimiento de resolución que se
ha visto tampoco asegura que pueda encontrar siempre solución, pues ésta
puede no existir, como en el juego de pares y nones. Sin embargo, se puede
asegurar que si la eliminación iterativa de estrategias dominadas elimina todas
las estrategias excepto un par, este para constituye el único equilibrio de Nash
en el juego. Alternativamente, también se puede asegurar que si un par de
estrategias forman un equilibrio de Nash sobreviven a la eliminación iterativa de
estrategias dominadas.
I.4.2.2 Un caso particular: Juegos de suma constante o juegos matriciales
Los juegos de suma constante son juegos en los que intervienen dos
jugadores y no existe ganancia de riqueza en el proceso, es decir, existe una
cantidad que ha de ser repartida entre ambos jugadores. Si el juego es de suma
nula quiere decir, además, que la cantidad a repartir es cero, esto es, que lo que
gane un jugador lo paga directamente el otro jugador.
Es evidente que en este tipo de juegos todo lo que gane un jugador es
pérdida del otro, por lo que por su propia naturaleza son juegos no cooperativos.
De este tipo es el segundo ejemplo visto, el ejemplo acerca de una batalla.
En lo que sigue se hablará fundamentalmente de juegos de suma nula a no
ser que se especifique lo contrario, pero todo lo que se presenta es aplicable para
cualquier caso de suma constante.
En un juego de suma nula hay que tener en cuenta que la matriz de los
pagos de un jugador es la opuesta a la del otro jugador. Así si la matriz de
pagos del jugador 1 es M 1 = M , entonces la matriz de pagos del jugador 2 será
M 2 = −M (si la suma no es nula sino que es c , la matriz del segundo jugador
será C − M , donde C es una matriz con todos los elementos iguales a c). Por lo
tanto, para describir un juego de suma nula basta con dar una de las matrices,
de ahí que también reciban el nombre de juegos matriciales. Por convenio,
siempre se considerará que se da la matriz del primer jugador, ya que los
papeles de los jugadores son absolutamente intercambiables.
La formulación general de un juego de suma nula G será G = (X ,Y , M ) ,
donde X es el conjunto de estrategias del jugador 1, Y es el conjunto de
15/02/2008 49
M : X ×Y →
estrategias del jugador 2, y es la matriz de pagos del
(x , y ) → M (x , y )
jugador 1.
En los juegos de suma nula cada jugador debe esperar lo peor del otro (lo
mejor para el otro jugador), con lo que la forma de buscar estrategias en
equilibrio para este problema es mediante el criterio pesimista, que será un
criterio maxi-min para el jugador 1 (para cada estrategia propia, fila de la
matriz, busca el mínimo y selecciona la que dé mayor valor mínimo) y un
criterio mini-max para el jugador 2 (para cada estrategia propia, columna de la
matriz, busca el máximo ya que es lo peor para él, y selecciona la que dé el
mínimo de esos valores). Si los valores obtenidos por la estrategia maximin del
primer jugador y la minimax del segundo coinciden, el par de estrategias está en
equilibrio, y a ese valor coincidente se le llama valor del juego, que es el pago
que recibirá el primer jugador con ese par de estrategias.
Como ejemplo sea la siguiente matriz de pagos de un juego de suma nula,
donde al final de cada fila se ha escrito el mínimo de ella, y al final de cada
columna el máximo. Es decir, si el jugador J 1 elige su primera estrategia, debe
esperar lo peor del jugador J 2 , es decir, J 2 elegirá su segunda estrategia
proporcionando al primer jugador un pago de –1. Y así sucesivamente.
J2
⎛2 −1 0⎞⎟ −1
⎜⎜ ⎟⎟
⎜⎜ ⎟⎟ 3
⎜⎜ 3 4 5 ⎟⎟
J1 ⎜
⎜⎜2 5 2⎟⎟⎟ 2
⎝ ⎠
3 5 5
Obtenidos los mínimos de la filas, evidentemente J 1 elige su segunda
estrategia que es la que le da mayor pago (3), y análogamente, J 2 elige su
primera estrategia que es la que da menor pago a J 1 y por lo tanto mayor para
sí mismo. Como ambos valores coinciden existe solución que es el par de
estrategias (2,1) y el valor del juego es v = 3 , es decir, el primer jugador recibe
3 unidades y el segundo –3.
Un análisis previo de las estrategias de los jugadores puede reducir las
posibles estrategias en equilibrio, mediante la eliminación iterativa de estrategias
dominadas, tal y como se vio en la sección anterior. Se dice que una estrategia
es una estrategia dominada si existe una combinación lineal convexa de las otras
estrategias que proporciona mejores pagos. Así a efectos de búsqueda de la
solución las estrategias dominadas pueden eliminarse. De forma esquemática, se
podría haber llegado a la solución siguiendo el siguiente proceso:
50 15/02/2008
⎛2 −1 0⎞⎟ ↓ ↓
⎜⎜ ⎟⎟ → Domi.
⎜⎜
⎜⎜⎜
3 4 5⎟⎟⎟
⎟⎟
→ ⎛3 4 5⎞⎟ → ⎛⎜3
⎜⎜ ⎟ ⎜
⎞⎟
⎟⎟ (
→ 3 )
⎜⎜2 5 2⎟⎟⎟ ⎜⎜2
⎜⎜2 5 2⎟⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎟⎟ → D.
En general, si existe un par de estrategias puras en equilibrio con este

procedimiento se puede llegar a la solución, pero no siempre existe ese par. Así
pues, se suele utilizar fundamentalmente para reducir dimensiones antes de
buscar estrategias mixtas, una vez que se ha visto que no hay estrategias puras
en equilibrio.
I.4.2.2.1 Las estrategias mixtas en un juego de suma nula

Como ya se comentó en el caso general, una estrategia mixta x para J 1 es
una distribución de probabilidad sobre sus estrategias originales, denominadas
m
puras, es decir, es x = (x 1,.., x m ) tal que 0 ≤ x i y ∑x
i =1
i = 1 . Así el elemento
x i se interpreta como la probabilidad de que J 1 elija su i-ésima estrategia.
Análogamente, una estrategia mixta y para J 2 es una distribución de
probabilidad sobre sus estrategias puras, es decir, es y = (y1,.., yn ) tal que
n
0 ≤ yj y ∑y
j =1
j = 1 . Así el elemento y j se interpreta como la probabilidad de
que J 2 elija su j-ésima estrategia.
Dado un par de estrategias mixtas (x , y ) , el pago esperado por J 1 para este
m n
par de estrategias es E [x , y ] = ∑ ∑ mij x iy j .
i =1 j =1
Con este nuevo concepto de estrategias y de pago esperado, en el caso de
juegos de suman nula, se dice que x * e y * son estrategias óptimas para J 1 y J 2 ,
si E ⎡⎣x , y * ⎤⎦ ≤ E ⎡⎣x *, y * ⎤⎦ ≤ E ⎡⎣x *, y ⎤⎦ ∀x ∈ X , ∀y ∈ Y , siendo v = E ⎡⎣x *, y * ⎤⎦ el valor
del juego.
Para poder resolver un juego de suma nula, queda únicamente dar un
procedimiento para poder obtener esas estrategias óptimas. Ese procedimiento
no es más que la programación lineal, es decir, formular el problema mediante
programación lineal.
Vamos a deducir cuál sería el problema de programación lineal que
plantearía el primer jugador.
Suponga que J 1 elige una estrategia mixta x = (x 1,..., x m )t , y denotemos a las
columnas de la matriz M por (m1,..., mn ) .
Si J 2 elige su estrategia j-ésima, el pago esperado del jugador J 1 sería
m
m tj x = ∑m x
i =1
ij i .
15/02/2008 51
Como J 1 debe esperar lo peor de su contrario, debe esperar que J 2 elija

aquella estrategia que minimice ese valor esperado y con ello el valor del juego,
es decir, se tendrá que v = min {m tj x } .
j =1,...n
Por otra parte, para J 1 el problema que se le plantea es como maximizar ese
valor, o sea, su problema es max v / v = min {m tj x } .
j =1,...n
Sin embargo, este problema así planteado no es un problema de
programación lineal, pero puede plantearse de forma equivalente mediante la
formulación siguiente que ya sí es de programación lineal:
max v ⎫⎪
⎪⎪
s.a. v ≤ m x j = 1,..., n ⎪⎪
t
j
⎪⎪
m
⎬
∑
i =1
xi = 1 ⎪⎪
⎪⎪
⎪⎪
x 1,..., x m ≥ 0 ⎪⎪⎭
Análogamente, planteamos el problema para el jugador J 2 , de modo que si

⎛ m ' ⎞⎟
⎜⎜ 1 ⎟
⎜ ⎟⎟
y = (y1,..., yn ) , y ⎜⎜
t
⎟⎟ representan las filas de la matriz M , el problema de
⎜⎜ ⎟
⎜⎜m '⎟⎟⎟
⎝ m ⎠
programación lineal del jugador J 2 es el siguiente
min w ⎫⎪
⎪⎪
s.a. w ≥ mi ' y i = 1,..., m ⎪⎪
⎪⎪
n
⎬
∑
j =1
yj = 1 ⎪⎪
⎪⎪
⎪⎪
y1,..., yn ≥ 0 ⎪⎪⎭
Matricialmente, estos dos problemas se plantean como:
max v ⎫
⎪ min w ⎫⎪
⎪
⎪ ⎪⎪
s.a. M x ≥ v⎪
t
⎪ s.a. My ≤ w ⎪⎪
⎪ J1 y ⎪ J2
⎬ ⎬
1x = 1 ⎪⎪ 1y = 1 ⎪⎪
⎪ ⎪
x ≥0 ⎪ ⎪
⎪ y ≥ 0 ⎪⎪⎪
⎭ ⎭
Es inmediato comprobar que ambos problemas son problemas duales (a
excepción de un cambio de signo en las variables), y por las propiedades de la
52 15/02/2008
dualidad, se tiene que v = w 3. Al ser problemas duales, basta con resolver uno
de ellos y obtener la solución del otro a partir de las variables duales.
Así pues, el procedimiento a seguir para resolver un juego de suma nula debe
ser el siguiente:
1. Buscar estrategias puras en equilibrio con las estrategias minimax y
maximin. Si existe solución, terminar.
2. Buscar estrategias mixtas óptimas planteando el problema de
programación lineal de uno de los jugadores, y dar como solución la
solución de este problema para ese jugador y la solución del dual para el
otro.
Obsérvese que en cualquier momento del proceso se puede reducir las
dimensiones del problema eliminando estrategias dominadas. Por su sencillez, no
se suele hacer antes del primer paso, pero si es necesario plantear el problema de
programación lineal en un paso previo se suelen eliminar para que el problema
sea de dimensiones menores.
Para ilustrar el procedimiento resolvamos el siguiente problema:
⎛2 4 3⎞⎟
⎜⎜ ⎟
⎜⎜7 2 5⎟⎟⎟
⎝ ⎠
1) Es claro que no hay estrategias puras en equilibrio, ya que para el jugador 1
los mínimos son 2 y 2, y para el jugador 2 los máximos son 7, 4, y 5. Como
no coinciden máximo de (2,2) y mínimo de (7,4,5), no hay estrategias puras
en equilibrio.
2) Formulamos uno de los problemas de programación lineal, o el del jugador 1
max v ⎫⎪
⎪
s.a. 2x 1 + 7x 2 ≥ v ⎪⎪⎪
⎪
4x 1 + 2x 2 ≥ v ⎪⎪⎪
⎪
3x 1 + 5x 2 ≥ v ⎬⎪
⎪⎪
x 1 + x 2 = 1 ⎪⎪
⎪⎪
x 1, x 2 ≥ 0 ⎪⎪
⎪⎭
o bien, el del jugador 2
3
La primera vez en la historia que se planteó el problema dual en
programación lineal fue en el contexto de la teoría de juegos, como el problema
del otro jugador. Posteriormente, se derivó de la programación no lineal,
obteniendo las propiedades que tiene el problema dual.
15/02/2008 53
min w ⎫⎪
⎪⎪
s.a. 2y1 + 4y2 + 3y 3 ≤ w ⎪⎪
⎪⎪
7y1 + 2y2 + 5y 3 ≤ w ⎪⎬
⎪
y1 + y2 + y 3 = 1 ⎪⎪⎪
⎪⎪
y1, y2 , y 3 ≥ 0 ⎪⎪
⎭
Si por ejemplo resolvemos este último problema, la solución óptima obtenida
es y1 = 2 / 7, y2 = 5 / 7, y 3 = 0 , siendo w = v = 24 / 7 , y las variables duales son
(−5 / 7, −2 / 7) , de donde se deduce que la estrategia óptima del primer jugador
es x 1 = 5 / 7 x 2 = 2 / 7 .
I.4.2.3 Aplicaciones de juegos no cooperativos, con información completa y

estáticos
I.4.2.3.1 Modelo de duopolio de Cournot (1838)

El planteamiento de este juego es el de dos empresas que compiten en un
mercado por un cierto producto homogéneo, es decir, el producto final no se
diferencia por cuál de las dos empresas sea la productora. El precio del producto
es elástico, de modo que cambia con la oferta total del artículo (a mayor oferta,
menor precio). Cada empresa tiene a su vez un coste de producción del artículo.
Por último, las empresas no pueden cooperar, es decir, no se puede considerar
que puedan pactar la cantidad a producir cada una de ellas, y el proceso se
realiza sólo una vez.
En esta situación es claro que la estrategia de cada una de las empresas es la
cantidad a producir. Para ver un ejemplo concreto, supóngase que qi es la
cantidad que produce la empresa i , Q = q1 + q2 es la oferta total del artículo,
⎧⎪a − Q Q < a
que la elasticidad del precio se formula como P (Q ) = ⎪⎨ , y que el
⎪⎪ 0 Q >a
⎩
coste de producción es el mismo para ambas empresas y es proporcional a la
cantidad producida (no hay costes fijos) siendo constante el marginal, es decir,
C (qi ) = cqi , con c < a .
Para este planteamiento, el espacio de estrategias de cada empresa es
X i = [0, ∞) ya que qi ≥ 0. Por otra parte, las funciones de pagos son de la
forma πi (qi , q j ) = qi [P (qi + q j ) − c ] = qi [a − (qi + q j ) − c ] , donde i denota a la
propia empresa de la que expresamos su margen de contribución, y j a la otra
empresa.
Para encontrar el punto de equilibrio, se han de resolver los dos problemas
max πi (qi , q j* ) = max qi [a − (qi + q j* ) − c ] , donde la estrategia del otro jugador ha
qi ≥0 qi ≥0
54 15/02/2008
de ser considerada como un parámetro. Derivando e igualando a 0 para obtener

∂πi (qi , q j* ) 1
el máximo, se obtiene = a − 2qi − q j* − c = 0 ⇒ qi* = (a − q j* − c) , que
∂q i 2
resolviendo el sistema de ecuaciones con las dos ecuaciones obtenidas (una para
a −c
cada empresa) da como punto de equilibrio q1* = q2* = . La cantidad total
3
2 2 a + 2c
producida sería Q = (a − c) y el precio P (Q ) = a − (a − c) = .
3 3 3
Obsérvese que si las empresas pudieran cooperar y actuar como un
monopolio, la cantidad de monopolio se obtiene de
a −c
max π(Q ) = max Q[a − Q − c ] , cuya solución óptima es Q * = , que es una
Q ≥0 Q ≥0 2
cantidad menor que la obtenida en el duopolio, y por lo tanto, resulta en un
a −c a + c
precio mayor, que sería P (Q ) = a − = . ¿Por qué las empresas no
2 2
a −c
optan por producir ? Porque este valor no está en equilibrio, es decir,
4
cualquiera de ellas prefiere moverse de ese valor y obtener un poco más de
beneficio. Es decir, para que las empresas siguiesen esta política tiene que existir
un pacto explícito entre ellas de cooperar para no desviarse, sin embargo, la
solución de equilibrio obtenida antes, es el punto en el que a ninguna empresa le
interesa aumentar su producción dada la bajada de precio que supondría.
Es importante apreciar el sentido de esta comparación, ya que existen leyes
antimonopolio, y en gran parte de los mercados existen tribunales de la
competencia que vigilan que las estrategias seleccionadas por los jugadores
apunten a la solución del duopolio (u oligopolios cuando son más de dos pero no
demasiadas) y no a la del monopolio, que supondrían pactos ilegales entre
empresas.
I.4.2.3.2 Modelo de duopolio de Bertrand (1883)
En este caso el planteamiento es muy similar al anterior, pero se supone que
las empresas producen artículos diferenciados, y pueden elegir el precio al que
los venden. Lo que es elástico en este planteamiento es la demanda, de modo
que la demanda de un producto sea menor cuánto mayor sea el precio de éste y
menor sea el del otro producto, es decir, pueda haber una sustitución en algún
sentido de un producto por otro.
Para ilustrar lo que ocurre en este caso, sea la demanda del producto i de la
forma qi (pi , p j ) = a − pi + bp j , donde b denota hasta qué punto una empresa es
sustituta de la otra. Supóngase que el coste de producción es proporcional a la
cantidad producida (no costes fijos), constante y el mismo para ambas
empresas, c . El espacio de estrategias en este caso es de nuevo Xi = [0, ∞) , ya
que los precios han de ser mayores o iguales que 0. En este caso, si consideramos
15/02/2008 55
como funciones de pagos los márgenes de contribución, tenemos

πi (pi , p j ) = qi (pi , p j )[ pi − c ] = (a − pi + bp j )(pi − c) , y por lo tanto, para
encontrar el punto de equilibrio habrá que resolver los problemas
max πi (pi , p j* ) = max (a − pi + bp j* )(pi − c) . Derivando en cada uno de ellos
pi ≥0 pi ≥0
respecto a la variable que puede controlar, e igualando a 0, se tiene
∂πi (pi , p j* ) 1
= −pi + c + a − pi + bp j* = 0 ⇒ pi* = (a + bp j* + c) ; y resolviendo el
∂pi 2
sistema formado por estas dos ecuaciones, el resultado final para el punto de
a +c
equilibrio resulta ser p1* = p2* = (b < 2) .
2 −b
I.4.2.3.3 Arbitraje de oferta final. Modelo de Farber (1980)
Este modelo fue desarrollado para una situación de negociación salarial. Esta
situación se plantea como que existe una oferta de salario por parte de la
empresa y otra por parte del sindicato. Para llegar a una solución, resulta
habitual nombrar a un árbitro, aunque las reglas del arbitraje pueden variar, de
modo que en el sistema convencional el árbitro elige cualquier valor, mientras
que en un arbitraje de oferta final como el que aquí se plantea el árbitro ha de
elegir una de las dos ofertas.
Se puede suponer que el árbitro, si está bien elegido, tendrá un valor que
sería el deseado por él, pero que es desconocido tanto por la empresa como por
el sindicato, y que de las dos ofertas elegirá aquella que sea más cercana a ese
valor. Por otra parte, aunque el valor deseado por el árbitro sea desconocido,
supondremos que es conocida para ambas partes la distribución de probabilidad
de ese valor.
Para concretar, sea we la oferta de la empresa, ws la oferta del sindicato
(obviamente, será we < ws ), y x el valor deseado por el árbitro, que tiene
función de densidad f (x ) y de distribución F (x ) .
En estas condiciones, la probabilidad de que la oferta de la empresa sea
w + ws w + ws
elegida es P (we sea elegida) = P (x < e ) = F( e ) , y la de que lo sea
2 2
w + ws
la oferta del sindicato P (ws sea elegida)=1-F ( e ).
2
Así pues, el problema que se plantea la empresa es determinar su oferta para
w + ws* ⎛ w + ws* ⎞⎟
minimizar el salario esperado, es decir, min we F ( e ) + ws* ⎜⎜1 − F ( e )⎟⎟ ,
we 2 ⎜⎝ 2 ⎠⎟
mientras que el sindicato quiere maximizarlo, es decir, su objetivo es
w * + ws ⎛ w * + ws ⎞⎟
max we*F ( e ) + ws ⎜⎜1 − F ( e )⎟⎟ . Derivando e igualando a 0 en ambos
we 2 ⎝⎜ 2 ⎠⎟
1 w * + ws* w * + ws*
problemas, se obtienen las ecuaciones (ws* − we* ) f ( e ) = F( e ) y
2 2 2
56 15/02/2008
* 1 we* + ws*
* we* + ws*
(w − w ) f (
s e ) = 1 − F( ) . Resolviendo este sistema, se llega a
2 2 2
que el punto medio entre ambas ofertas ha de ser la mediana de la distribución,
* *
es decir, F ( we +2 ws ) = 1/ 2 , y la distancia entre las dos ofertas
we* +ws*
ws* − we* = 1/ f ( ) . Por ejemplo, si la distribución del valor deseado por el
2
árbitro fuera una normal de media μ y desviación típica σ , dado que la media
we + ws
y mediana coinciden por ser simétrica, se tiene =μ y
2
ws − we
= 2πσ 2 , de donde se obtendría we* = μ − 2πσ 2 y ws* = μ + 2πσ 2 .
2
I.4.2.3.4 Los ejidos
Al menos desde Hume (1739) filósofos políticos y economistas han observado
que si los ciudadanos responden exclusivamente a incentivos privados, habrá un
déficit en la provisión de bienes públicos y los recursos comunes estarán
sobreutilizados. Veamos un ejemplo teórico pero que viene a ilustrar esta idea.
Sea una aldea de N habitantes, que se dedican al cuidado de cabras y
comparten un ejido en el que pastan sus cabras. Sea gi el número de cabras que
posee el i -ésimo habitante, siendo el total de cabras G = ∑ gi . Sea c el coste
i
de comprar y cuidar una cabra, independiente del número de cabras que se
posean, y sea v(G ) el valor unitario de una cabra cuando hay G cabras en el
ejido. Esta función de valor ha de cumplir ciertas condiciones; una es que hay
un número máximo de cabras que pueden pastar en el ejido, Gmax , de modo que
a partir de él la función de valor será 0; otra condición es que cuántas más
cabras haya, menor será el valor unitario de éstas pues las condiciones
empeoran, de modo que para G < Gmax será v '(G ) < 0 ; y, por último, el
decrecimiento del valor será más acentuado cuanto mayor sea el número de
cabras, es decir, si hay pocas cabras añadir una no hace que disminuya mucho el
valor, pero cuando ya hay muchas y está a punto de saturarse ese efecto será
más fuerte; para expresar este comportamiento se pedirá v ''(G ) < 0.
Supóngase que los habitantes deciden simultáneamente cuántas cabras tener.
El espacio de estrategias de cada habitante será Xi = [0, ∞) , o también valdría,
Xi = [0,Gmax ) . La ganancia de cada habitante por tener gi cabras cuando las
que tienen los demás suman g−i = g1 + ... + gi−1 + gi +1 + ... + gn , será
giv(gi + g−i ) − cgi , de modo que el problema que se plantea cada habitante si
responde a incentivos personales exclusivamente, será max giv(gi + g−* i ) − cgi .
gi ≥0
Derivando e igualando a cero para obtener las condiciones de primer orden, se
tiene v(gi + g−* i ) + giv '(gi + g−* i ) − c = 0 . Si se suman todas estas condiciones
15/02/2008 57
sustituyendo previamente gi por gi* , y se divide por N , se obtiene la expresión

1
v(G * ) + G *v '(G * ) − c = 0 , donde G * = ∑ gi* .
N i
Ahora calcúlese cuál sería el óptimo social, es decir, el número óptimo de
cabras total que maximiza el beneficio global. El problema que habría que
resolver es max Gv(G ) − cG . La condición de primer orden que ha de cumplir el
G ≥0
óptimo G * se obtiene derivando e igualando a cero, v(G ** ) + G **v '(G ** ) − c = 0 .
Comparando con la condición anterior, se tiene que G * > G ** , y por lo tanto,
que actuando en común el número de cabras sería menor, con mayor valor de
cada una de ellas y un uso más racional del bien público, que no cree déficit y
que lo aproveche mejor.
La demostración de que G * > G ** , se puede hacer por reducción al absurdo.
Supóngase que G * ≤ G ** . Entonces v(G * ) ≥ v(G ** ) por ser decreciente, y
0 > v '(G * ) ≥ v '(G ** ) por tener segunda derivada negativa. Además se tendría
G*
que < G ** . Tomando el término de la izquierda de la primera expresión y
N
sustituyendo se tiene la cadena de desigualdades
1 1 1
0 = v(G * ) + G *v '(G * ) − c ≥ v(G ** ) + G *v '(G * ) − c > v(G ** ) + G **v '(G ** ) − c = 0
N N N
con lo que queda demostrado el absurdo de la hipótesis inicial.
I.4.3 Juegos no cooperativos, con información completa y dinámicos

Este tipo de juegos responde al planteamiento de un juego en el que no se
considera cooperación entre los jugadores (no hay posibilidad de acuerdos entre
los jugadores, bien porque no sea posible obtener mediante acuerdos nada mejor
que actuando individualmente o bien porque esté prohibido hacerlo), la
información es completa, es decir, las funciones de pagos de los jugadores son
conocidas por todos, y es dinámico, es decir, hay ganancia de información, o lo
que es lo mismo, existe al menos un jugador que al decidir tiene más
información que si tuviera que decidir al principio del juego, y por lo tanto, su
decisión vendrá condicionada por el resultado de esa información previa. El
concepto de racionalidad de los jugadores resulta tan importante o más que en
juego estático en este tipo de juegos, ya que, como veremos, el concepto de
solución difiere en cierto sentido del concepto en juegos estáticos, pasando por
considerar o no las amenazas no creíbles.
Antes de ver cuál es el concepto de solución en este tipo de juegos, vamos a
ver una representación de los juegos alternativa a la forma normal: la forma
extensiva. Lo primero que hay que tener en cuenta es que cualquier juego se
puede expresar en forma normal o en forma extensiva.
Al representar la forma normal de un juego, hay que precisar:
58 15/02/2008
1) Los jugadores
2) Las estrategias posibles de cada jugador, donde se entiende por estrategia
un plan de acción completo
3) La ganancia recibida por cada jugador para cualquier combinación
posible de jugadas
Sin embargo, los elementos que se han de precisar cuando se describe un
juego en forma extensiva siguen otra secuencia:
1) Los jugadores
2) A) Cuándo tiene que jugar cada jugador
B) Lo que cada jugador puede hacer cuando tiene oportunidad de jugar
C) Lo que el jugador sabe cuando tiene oportunidad de jugar
3) La ganancia recibida por cada jugador para cualquier combinación posible
de jugadas
Esta forma extensiva, se puede representar en forma de árbol, si bien, la
representación de lo que sabe cada jugador para verlo en forma de árbol
requiere de un concepto más, que veremos con posterioridad. En general, para
juegos dinámicos, resulta mucho más apropiada la representación en forma
extensiva que la representación en forma normal. Veamos un ejemplo. Sea un
juego en que el jugador 1 elige una de las acciones del conjunto {I,D}. A
continuación, el jugador 2 una vez que ha observado lo que ha elegido el jugador
1, elige entre una de 3 acciones {1,2,3}. Los pagos que se tienen se reflejan en la
siguiente tabla, donde las filas representan las estrategias del jugador 1 y las
columnas las del jugador 2, y los pagos, primero del jugador 1 y luego del
jugador 2:
1 2 3
I (3,1) (1,2) (0,0)
D (2,1) (0,0) (1,0)
La representación en forma de árbol (forma extensiva de este juego) sería:

J1
I D
J2 J2
1 3 1 3
2 2
3 1 0 2 0 1
1 2 0 1 0 0
Si este mismo juego se quiere representar en forma normal, hay que tener en
cuenta que una estrategia del jugador 2 ha de ser un plan de acción completo, es
15/02/2008 59
decir, ha de incluir la respuesta a las dos opciones del jugador 1. De esta forma
la bimatriz sería:
(1,1) (1,2) (1,3) (2,1) (2,2) (2,3) (3,1) (3,2) (3,3)

I (3,1) (3,1) (3,1) (1,2) (1,2) (1,2) (0,0) (0,0) (0,0)
D (2,1) (0,0) (1,0) (2,1) (0,0) (1,0) (2,1) (0,0) (1,0)
El concepto que falta para que el árbol represente el juego es la

representación de la información disponible cuando a un jugador le toca jugar.
Se define como conjunto de información a un conjunto de nodos de decisión de
un jugador que satisface las siguientes condiciones:
• Al jugador le corresponde jugar en cada nodo del conjunto
• Cuando en el transcurso del juego el jugador llega a un nodo del
conjunto, el jugador al que le toca no sabe a qué nodo del conjunto ha
llegado.
Generalmente, los conjuntos de información se representan uniendo mediante
líneas discontinuas los nodos de un mismo conjunto. En el ejemplo anterior,
dado que cuando juega el jugador 1 sólo hay un nodo, ése es su único conjunto
de información. Para el jugador 2, dado que conoce la elección del jugador 1 hay
dos conjuntos de información diferenciados que son sus dos nodos de juego. Si el
juego no fuera dinámico, y por tanto no hubiera ganancia de información, la
representación extensiva sería la misma, pero el jugador 2 no sabría en qué nodo
está, de modo que el árbol sería:
J1
I D
J2
1 3 1 3
2 2
U1(X,Y), U2(X,Y)
Para el ejemplo 1 de la sección I.4.1, ene l que un jugador escribe en un
papel I o D, a continuación actúa el azar con dos posibles opciones, A o B, y
después juega el jugador 2 eligiendo un elemento del conjunto {1,2,3},
conociendo el resultado del azar pero no la estrategia del jugador 1, la forma
extensiva o árbol sería:
60 15/02/2008
J1
I
D
Azar Azar
A B A B
J2 J2 J2
J2
1 2 3 1 2 3 1 2 3 1 2 3
U1(X,Y,Z), U2(X,Y,Z)
A partir de estas definiciones, se define el concepto de información perfecta.
Un juego es de información perfecta si en cada jugada el jugador conoce toda la
historia del juego hasta ese momento. En términos de conjuntos de información,
y suponiendo información completa, un juego es de información perfecta si cada
conjunto de información tiene un único elemento. Así, el ejemplo con que ha
empezado esta sección es un ejemplo de información perfecta, mientras que si
suponemos que el jugador 2 no conoce la estrategia del jugador 1, sería de
información imperfecta. También el juego que acabamos de ver sería de
información imperfecta, pues aunque conoce el resultado del azar no conoce la
estrategia del primer jugador.
I.4.3.1 Concepto de solución: equilibrio de Nash perfecto en subjuegos
La idea de concepto de solución en los juegos dinámicos difiere en cierto
modo de la idea vista en el caso estático. El concepto de solución es el de
equilibrio de Nash perfecto en subjuegos, pero para ver su definición, primero
hemos de entender qué es un subjuego.
Un subjuego en un juego representado en forma extensiva es un subconjunto
de nodos con las siguientes propiedades:
a) Empieza en un nodo n que sea un conjunto de información con un único
elemento, y que no sea el primero del árbol.
b) Incluye a todos los nodos de decisión que siguen a n en el árbol
c) No interseca a ningún conjunto de información, es decir, si un nodo está
en el subjuego lo están todos los de su conjunto de información.
Un subjuego se puede analizar por sí mismo y obtener resultados relevantes
para el juego completo. En el primer ejemplo de esta sección, existen dos
subjuegos, el que empieza en un nodo de decisión del jugador 2 y el que empieza
en el otro nodo del jugador 2, ya que son de conjuntos de información distinta.
Sin embargo, si el jugador 2 no conociera la estrategia elegida por el jugador 1,
no existirían subjuegos, ya que ambos nodos serían del mismo conjunto de
información y deberían estar en el mismo subjuego, pero el único nodo por el
que podría empezar el subjuego sería el primero, que no es posible por
definición.
15/02/2008 61
La siguiente definición es debida a Selten (1965). Un equilibrio de Nash es

perfecto en subjuegos si las estrategias de los jugadores constituyen un equilibrio
de Nash en cada subjuego. Éste será el concepto de equilibrio manejado para
este tipo de juegos. Además se puede asegurar, que si el juego es finito y con
información completa, existe al menos un equilibrio de Nash perfecto en
subjuegos, aunque pueda ser con estrategias mixtas.
La pregunta que surge de forma inmediata es por qué hay que manejar este
concepto de solución y no el que se vio para juegos estáticos. La respuesta es
que el concepto de equilibrio de Nash nos daría las estrategias en equilibrio, pero
incluyendo también amenazas no creíbles y respuestas a amenazas no creíbles.
Veamos el primer ejemplo que se ha considerado. La bimatriz de pagos ya se ha
mostrado, pero se muestra ahora marcando en negrita las estrategias en
equilibrio:
(1,1) (1,2) (1,3) (2,1) (2,2) (2,3) (3,1) (3,2) (3,3)
I (3,1) (3,1) (3,1) (1,2) (1,2) (1,2) (0,0) (0,0) (0,0)
D (2,1) (0,0) (1,0) (2,1) (0,0) (1,0) (2,1) (0,0) (1,0)
Cómo puede observarse, entre estas soluciones hay amenazas no creíbles. Los
pares de estrategias {I,(2,2)}, {I,(2,3)} y {D,(3,1)} no son soluciones reales para
jugadores racionales. Por ejemplo, la estrategia {D,(3,1)} incluye una amenaza
no creíble, ya que viene a decir que si el jugador 1 juega D (que es su estrategia)
le responderá con 1 que es lo lógico, pero si juega I le responderá con 3, que
sería un comportamiento no racional o amenaza no creíble (sería ganar 0
pudiendo ganar 2). Ese par de estrategias no son solución del subjuego que
comienza en el nodo del jugador 2 una vez que el jugador 1 ha elegido D, es
decir, no forman un equilibrio de Nash perfecto en subjuegos.
I.4.3.2 Cálculo de la solución con información perfecta y finitas etapas:
inducción hacia atrás.
El siguiente paso es, una vez que sabemos qué queremos obtener como
solución, tener un procedimiento para encontrarla. Un método relativamente
sencillo es el método de inducción hacia atrás. Sea un juego dinámico no
cooperativo con información completa. Además para poder aplicar la
metodología que se va a ver, ha de suponerse que el juego es de información
perfecta y con finitas etapas. La metodología sería:
1) Calcular para el último jugador la función de mejor respuesta en cada
nodo de decisión previo, es decir, en cada nodo dar cuál sería la mejor
respuesta del jugador al que le toca jugar. Si suponemos dos jugadores y
a1 la estrategia del jugador 1, y a2 la estrategia del jugador 2, definimos
62 15/02/2008
como función de mejor respuesta del jugador 2 a R2 (a1 ) = a2* , tal que
u2 (a1, a2* ) = max u2 (a1, a2 ) .
a2
2) Repetir este proceso para los sucesivos nodos hasta el primero, sabiendo la
respuesta en los posteriores, es decir, hasta resolver en el primer nodo
max u1(a1, R2 (a1 )) = u1(a1*, R2 (a1* )) .
a1
Si en el ejemplo anterior aplicamos el procedimiento, se tendría:
J1
I D
J2 J2
1 3 1 3
2 2
3 1 0 2 0 1
1 2 0 1 0 0
1) R2 (I ) = 2 R2 (D ) = 1
2) max {u(I , R2 (I )), u(D, R2 (D )} = {1,2} = 2 que se alcanza eligiendo D, y la
mejor respuesta del jugador 2 a D es 1.
Hay que observar que el equilibrio perfecto en subjuegos no es lo mismo que

la solución obtenida mediante inducción hacia atrás. La inducción hacia atrás
proporciona un resultado, no una estrategia en sí misma para el segundo
jugador, ya que no es un plan de acción completo. Es decir, el resultado
(a1*, R2 (a1* )) = (D,1) es el resultado de la inducción hacia atrás, mientras que el
equilibrio perfecto en subjuegos ha de incluir la mejor respuesta del jugador 2 a
cualquier estrategia del jugador 1, es decir, sería (a1*, R2 (a1 )) = (D,(2,1)) , o lo que
es lo mismo, en la posición de la estrategia del segundo jugador ha de ir toda la
función de mejor respuesta obtenida en el primer paso de la inducción hacia
atrás, de modo que aunque el jugador 1 no actuara racionalmente se tendría la
mejor respuesta a cualquiera de sus estrategias.
I.4.3.3 Aplicaciones con información perfecta
I.4.3.3.1 Modelo de duopolio de Stackelberg (1934)

Considérese el mismo planteamiento del modelo de duopolio de Cournot,
pero, de modo que las dos empresas no eligen a la vez sus estrategias, sino una
después de la otra y conociendo la estrategia elegida por la primera. Esta
situación es muy habitual cuando no son ofertas simultáneas, sino que una
empresa toma de cisiones de expansión, o de inversión, o de desarrollo, de modo
que la segunda empresa actúa en respuesta a la decisión de la primera. En
15/02/2008 63
muchos casos, la primera es una empresa líder, y la segunda una empresa con
menos poder de mercado.
Pueden ser más empresas, pero para concretar el ejemplo, supongamos que
son dos y que sus estrategias son la elección de la cantidad de producción. El
precio unitario de venta, al igual que en el duopolio de Cournot, se considera
⎧a − Q Q < a
⎪
que varía con las cantidades producidas según P (Q ) = ⎪ ⎨ , y el coste
⎪ 0
⎪ Q >a
⎩
unitario de producción se considera constante, c . El planteamiento en forma
extensiva sería:
1. La empresa 1 elige q1 ≥ 0
2. La empresa 2 observa q1 y elige q2 ≥ 0
3. Cada empresa recibe πi (qi , q j ) = qi [P (qi + q j ) − c ] = qi [a − (qi + q j ) − c ]
Resolvamos mediante inducción hacia atrás cuál sería la solución de este
juego.
Empresa 2: para una estrategia de la empresa 1 se plantea
max π2 (q1, q2 ) = max q2 [a − q1 − q2 − c ] . Que derivando e igualando a 0,
q2 ≥0 q2 ≥0
a − q1 − c
resulta la función de mejor respuesta R2 (q1 ) = (si q1 < a − c) .
2
Empresa 1: sabiendo la mejor respuesta de la empresa 2 (la sabe puesto que
la información es completa, es decir, conoce los costes y beneficios de la otra
empresa y puede razonar igual que ella), el problema que se plantea es
a − q1 − c
max π1(q1, R2 (q1 )) = max q1[a − q1 − R2 (q1 ) − c ] = max q1 , cuya
q1 ≥0 q1 ≥0 q1 ≥0 2
a −c a −c
solución (derivando e igualando a cero), es q1* = ⇒ q2* = .
2 4
3
Como puede observarse, la cantidad total producida es (a − c) , que es
4
2
mayor que la cantidad en equilibrio de Cournot ( (a − c) , con lo que el
3
precio del producto será menor. Por otra parte, obsérvese que la cantidad
que ha de producir la primera empresa es la de monopolio, mientras que la
segunda es la mitad; es decir, sale mejor parada la empresa que actúa
primero. Es curioso observar cómo disponer de más información a la hora de
actuar no implica obtener una solución mejor, ya que la primera empresa
sabe que cuando actúe la segunda tendrá esa información. Esta
particularidad hace que sea muy distinto el enfoque desde la teoría de juegos
que desde la teoría de la decisión clásica, en la que disponer de más
información siempre lleva a mejorar la posible solución, mientras que aquí
disponer de más información a la hora de actuar lleva a una peor solución si
la primera empresa sabe que vas a disponer de ella. La conclusión es que la
empresa que toma la iniciativa, es la que obtiene mayores beneficios.
64 15/02/2008
I.4.3.3.2 Negociación secuencial en 2 periodos

Supóngase que dos jugadores, J 1 y J 2 , se han de repartir un euro,
negociando secuencialmente durante a lo sumo 3 periodos. Sea r la tasa de
1
interés por periodo, y por tanto, sea δ = la tasa de descuento por periodo,
1+r
es decir, δs es el valor futuro que tendrá una cantidad s , o sea, el valor en el
próximo periodo de esa cantidad actual.
La negociación se plantea en los siguientes términos:
1. Primer periodo: J 1 ofrece quedarse una fracción s1 de euro; J 2 puede
aceptar la oferta o rechazarla.
2. Segundo periodo: J 2 ofrece que J 1 se quede una fracción s2 de euro;
J 1 puede aceptar la oferta o rechazarla.
3. Tercer periodo: J 1 recibe una fracción s de euro, y J 2 recibe 1 − s .
Resolvamos este juego mediante inducción hacia atrás:
Periodo 2º: J 1 aceptará la oferta del otro jugador, s2 , siempre que se
cumpla que s2 ≥ δs (valor futuro de la ganancia asegurada en el tercer
periodo). J 2 gana 1 − s2 si J 1 acepta, o δ(1 − s ) si no acepta, de modo que si
le ofrece s2 = δs ganará 1 − δs , mientras que si le ofrece menos ganará
δ(1 − s ) , que es peor. Luego la respuesta óptima si se llega a esa etapa será
que J 2 ofrezca s2* = δs y que J 1 acepte.
Periodo 1º: J 2 aceptará la oferta de J 1 de llevarse 1 − s1 si 1 − s1 ≥ δ(1 − s2* ) ,
es decir, si s1 ≤ 1 − δ(1 − s2* ) . Si J 1 ofrece s1 = 1 − δ(1 − s2* ) = 1 − δ(1 − δs )
ganará esa cantidad, mientras que si hace una oferta mayor ganará
δs2* = δδs . Como 1 − δ(1 − δs ) = 1 − δ + δδs > δδs , J1 ofrecerá
*
s1 = 1 − δ(1 − δs ) en el primer periodo, y J 2 aceptará.
I.4.3.3.3 Negociación secuencial en infinitos periodos
Supóngase el mismo planteamiento que el anterior, pero, sin un periodo final,
de modo que no existe una cantidad final s , sino que el juego se repite
indefinidamente hasta que un jugador acepta una oferta del otro jugador.
Supóngase que el jugador J 1 juega en las etapas impares, y el jugador J 2 juega
en las pares.
En este caso no es posible aplicar la inducción hacia atrás ya que no hay una
etapa final. Sin embargo, obsérvese que el juego que comienza en la etapa 3 es el
mismo juego que el que empieza en la etapa 1. Sea s la cantidad, a determinar,
que será solución del juego que empieza en la etapa 3. A partir de la resolución
del juego del ejemplo anterior, se sabe que la solución es que J 1 ofrezca
s1* = 1 − δ(1 − δs ) . Sin embargo, como el juego que empieza en la etapa 3 es el
mismo que el que empieza en la etapa 1, ambas soluciones han de ser iguales, es
decir, s = 1 − δ(1 − δs ) = 1 − δ + δ 2s ; agrupando términos se tiene
15/02/2008 65
1−δ 1 1
s= 2
= . Es decir, en la etapa primera, J 1 ofrecerá s * = , y J2
1−δ 1+δ 1+δ
δ
aceptará, recibiendo 1 − s * = .
1+δ
I.4.3.4 Juegos con información imperfecta: decisiones simultáneas en una etapa
La información imperfecta supone que al menos un jugador cuando tiene que
jugar no conoce todo el desarrollo previo del juego. Un caso claro es cuando un
jugador elige una estrategia, y a continuación, lo hace el segundo jugador, pero
sin conocer la decisión del primero. Esta situación se puede modelar de la misma
forma que si los jugadores deciden de forma simultánea, de modo que la
selección de estrategias por parte de los jugadores en esa etapa es como resolver
un juego estático. De hecho la forma de resolver este juego es mediante
inducción hacia atrás, pero en las etapas con decisión simultánea (o asimilables
a tales) resolviendo el juego estático asociado.
Por ejemplo, sea el siguiente juego en forma extensiva:
1. J 1 y J 2 escogen simultáneamente sus acciones (a1, a2 )
2. J 3 y J 4 observan (a1, a2 ) y eligen simultáneamente sus acciones
(a 3 , a 4 ) .
3. Los jugadores reciben las ganancias ui (a1, a2, a 3 , a 4 ), i = 1,2, 3, 4
Para resolver el juego en cada etapa se ha de resolver el juego estático
planteado. Así se tiene en la inducción hacia atrás la secuencia:
Etapa 2: Encontrar el equilibrio de Nash que da mejor respuesta para los
posibles valores de (a1, a2 ) , que denotaremos por (a 3* (a1, a2 ), a 4* (a1, a2 )) .
Supongamos que es único para cada valor de (a1, a2 )
Etapa 1: Encontrar el equilibrio de Nash con las funciones de pagos
u1(a1, a2 , a 3* (a1, a2 ), a 4* (a1, a2 )) y u2 (a1, a2 , a 3* (a1, a2 ), a 4* (a1, a2 )) , obteniendo el
resultado (a1*, a2*, a 3* (a1*, a2* ), a 4* (a1*, a2* )) .
I.4.3.5 Aplicaciones con información imperfecta
I.4.3.5.1 Pánico bancario

Dos inversores invierten cada uno una cantidad D en un banco a largo
plazo. Se plantean dos posibles fechas para sacar el dinero: una antes del
vencimiento y otra al vencimiento. Según lo que hagan ambos se encuentran con
los siguientes pagos:
• Si ambos sacan el dinero en la fecha 1 (antes del vencimiento)
recibirán ambos una cantidad r predeterminada (tal que
D /2 < r < D )
• Si uno saca en la fecha 1 y el otro no, el que saca recibe D y el que
no, recibe 2r − D .
66 15/02/2008
• Si no sacan en la fecha 1, hay a su vez varias opciones:

o Si sacan ambos en la fecha 2 (vencimiento), ambos reciben R ,
una cantidad predeterminada, verificando R > D
o Si uno saca y el otro no, el que saca recibe 2R − D y el que no
lo saca recibe D
o Si ninguno lo saca, reciben ambos R
Veamos cuál es la solución de este juego mediante inducción hacia atrás.
Fecha 2: Si se llega a esta etapa, los jugadores juegan un juego estático
cuya forma normal sería
Sacar No
Sacar ⎛ R,R 2R - D,D ⎞⎟
⎜⎜ ⎟⎟
No ⎜⎜D, 2R - D R,R ⎠⎟⎟
⎝
y como puede apreciarse la solución es que ambos saquen el dinero.
Fecha 1: En la fecha 1 también juegan un juego estático cuya forma
normal es
Sacar No
Sacar ⎛⎜ r,r D,2r - D ⎞⎟
⎜⎜ ⎟⎟
No ⎜⎜⎝2r - D,D R,R ⎠⎟⎟
Este juego tiene dos puntos de equilibrio, pero con distintos pagos y uno
mejor para ambos, de modo que el equilibrio sería que ninguno saque en
la primera fecha y ambos lo hagan en la segunda. Sin embargo, también
está en equilibrio que ambos saquen el dinero en la primera fecha, es
decir, el pánico bancario, de modo que si se dan situaciones de entorno un
poco adverso, éste equilibrio será también solución del juego. Es lo que
ocurre en muchas situaciones reales, que aún habiendo un equilibrio mejor
para ambos, supone una espera, mientras que también queda en equilibrio
un par de estrategias cuya recompensa es inmediata.
I.4.3.5.2 Aranceles y competencia internacional imperfecta
Supóngase que se analiza el comercio de un producto entre dos países, y que
el gobierno de cada uno de ellos establece un arancel, ti a las importaciones del
producto desde el otro país.
Supóngase que en cada país i hay una empresa que ha de decidir la
producción para consumo nacional, hi , y para exportación, ei . Supóngase que el
precio de venta de un producto en un país es función de la cantidad ofertada
agregada, es decir, supóngase que es de la forma Pi (Qi ) = a − Qi = a − hi − e j .
Supóngase que el coste marginal o unitario de producción de ambas empresas es
el mismo, c , y que el arancel actúa de forma lineal, es decir, tie j .
Las ganancias de las empresas se pueden expresar como
15/02/2008 67
πi (ti , t j , hi , ei , h j , e j ) = [a - (hi + e j )]hi + [a - (ei + h j )]ei - c(hi + ei ) - t jei

y la de los gobiernos, donde se incluye un término de utilidad de los
consumidores por el hecho de disponer de una mayor cantidad del artículo, y se
incluye el pago que recibe la empresa nacional como pago que recibe el gobierno,
sería
1
Wi (ti , t j , hi , ei , h j ,e j ) = Qi2 + πi (ti , t j , hi , ei , h j ,e j ) + tie j
2
(El término cuadrático expresa la utilidad de los consumidores).
Al resolver el juego, se resuelve primero el juego de las empresas, ya que
ellas deciden después de conocer el arancel impuesto por los respectivos
gobiernos. Así pues, la empresa del país i ha de maximizar su función de pagos,
que se puede separar sin problemas en dos funciones, cada una de ellas de una
de las variables de decisión de la empresa, es decir, se plantea los problemas
max hi (a − (hi + e j* ) − c)
hi ≥0
max ei (a − (ei + h j* ) − c − t j )
ei ≥0
Al derivar e igualar a cero, se obtienen las ecuaciones de primer orden de
ambas empresas, y resolviendo el sistema de ecuaciones resultante se tienen las
siguientes funciones de mejor respuesta, que son función de los aranceles:
a - c + ti a - c - 2t j
hi* = ei* =
3 3
Conocida esta función de mejor respuesta, los gobiernos pueden plantear su
juego estático, consistente en maximizar la función de pagos:
2
(a - c + ti ) (a - c - 2t j )
2 2 *
1 ⎛⎜ 2(a - c) - ti ⎞⎟ a - c - 2ti
max ⎜⎜
ti ≥0 2 ⎝
⎟⎟ + + + ti
3 ⎠ 9 3 3
Al establecer las condiciones de primer orden derivando e igualando a cero,
la solución que se obtiene final para aranceles, producciones nacionales y
exportaciones es:
a -c 4(a - c) a -c
ti* = hi* = ei* =
3 9 9
Obsérvese que con esta solución, la cantidad agregada en cada país es
5(a − c)/ 9 , que es inferior a 2(a − c)/ 3 que sería la cantidad de un modelo de
Cournot. Precisamente, esta última cantidad, la del equilibrio de Cournot, sería
la solución si las tasas arancelarias fueran cero, que a se vez sería la solución si
los gobiernos resolvieran el problema conjuntamente, cooperando
( maxW1(t1, t2 ) + W2 (t2 , t1 ) ). Por otra parte, esta segunda solución implica que hay
t1 ,t2 ≥0
más artículos en el mercado, lo que socialmente es mejor (término cuadrático de
utilidad de los consumidores). De modo que con este ejemplo se puede observar
que los gobiernos tenderán a establecer acuerdos, de modo que se eliminen los
aranceles, una tendencia que se puede constatar en la realidad. Sin embargo,
68 15/02/2008
hay que ser cautos al analizar este resultado, ya que se ha supuesto que la
capacidad de producción de las empresas de ambos países así como sus costes
marginales son iguales, lo cuál es razonable para países con una situación
económica semejante pero no cuando hay grandes desequilibrios. El problema 20
se centra en pedir establecer la política de aranceles cuando hay distintos costes
de producción.
I.4.3.5.3 Juegos repetidos en T etapas
Sea G un juego de una etapa, y sea G (T ) el juego consistente en repetir el
juego G durante T etapas, de modo que en cada etapa los jugadores conocen
los resultados de las etapas anteriores. Considérese una función de pagos
aditiva, de modo que el pago al final de las T etapas es la suma de los pagos de
cada etapa. Se pueden demostrar los dos resultados siguientes:
• Si G tiene un único equilibrio de Nash, entonces G (T ) tiene un único
resultado perfecto en subjuegos, consistente en jugar en todas las
etapas el equilibrio de Nash.
• Si G tiene más de un equilibrio de Nash, entonces pueden existir
resultados perfectos en subjuegos de G (T ) tales que para t < T el
resultado no sea jugar un equilibrio de Nash.
A continuación, se ilustran estos resultados con sendos ejemplos.
El primer ejemplo es un juego de dos jugadores y dos etapas, en el que en
cada etapa ambos jugadores tienen 3 estrategias (A, B, C) y la matriz de pagos
⎛1,1 * 5, 0 0, 0⎞⎟
⎜⎜ ⎟⎟
⎜
del juego de una etapa es ⎜⎜ 0, 5 4, 4 4, 0⎟⎟⎟ . El juego de una etapa sólo tiene un
⎜⎜ ⎟
⎜⎜ 0, 0 0, 0 3, 3⎟⎟⎟
⎝ ⎠
equilibrio de Nash, (A,A), marcado con un asterisco. Analicemos el juego de 2
etapas.
En la segunda etapa, la estrategia de los jugadores será esa. En la primera,
sabiendo lo que harán en la segunda, la matriz de pagos acumulados será
⎛2,2 * 6,1 1,1 ⎞⎟
⎜⎜ ⎟⎟
⎜⎜ ⎟
⎜⎜ 1, 6 5, 5 5,1⎟⎟⎟ , cuyo único punto en equilibrio es (A,A). Así pues, el único
⎜⎜ ⎟
⎜⎝ 1,1 1,1 4, 4⎠⎟⎟
resultado perfecto en subjuegos es jugar el equilibrio de Nash en ambas etapas.
⎛1,1 * 5, 0 0, 0 ⎞⎟
⎜⎜ ⎟⎟
⎜⎜ ⎟
Sea ahora el mismo juego, pero con la matriz de pagos ⎜⎜ 0, 5 4, 4 0, 0 ⎟⎟ .
⎜⎜ ⎟⎟
⎟
⎜⎝ 0, 0 0, 0 3, 3 *⎠⎟⎟
Este juego tiene dos pares de estrategias en equilibrio, (A,A) y (C,C), aunque el
15/02/2008 69
primer par está dominado ya que el segundo ofrece mejores pagos. En esta
ocasión, los jugadores pueden plantear otro tipo de estrategia, que incluya
penalizaciones o amenazas. Así, lsi los jugadores prevén na estrategia que
pueden valorar es que si en la primera etapa las estrategias elegidas por los
jugadores son (B,B), la respuesta en la segunda etapa sea el equilibrio que más
les favorece, mientras que si es cualquier otra opción, en la segunda etapa se
llegue al equilibrio que menos les favorece. Con este comportamiento, la matriz
de pagos de la primera etapa, donde se ha incluido la respuesta de la segunda,
⎛2,2 * 6,1 1,1 ⎞⎟⎟
⎜⎜
⎜ ⎟⎟
sería ⎜⎜⎜ 1, 6 7, 7 * 1,1 ⎟⎟ , que tiene tres pares de estrategias en equilibrio, pero,
⎜⎜ ⎟⎟
⎜⎝ 1,1 1,1 4, 4 *⎠⎟⎟⎟
hay un par que claramente domina a los otros dos, jugar en la primera etapa
(B,B), y en la segunda (C,C). Esto demuestra que amenazas o promesas creíbles
sobre el futuro pueden modificar el comportamiento presente, incluso haciendo
que la solución del presente no sea un equilibrio de Nash. A pesar de todo, en
este planteamiento hay una amenaza poco creíble que es la correspondiente a
llegar en la primera etapa a la solución (A,A) y volver a hacerlo en la segunda.
Si fuera así, se podría renegociar para ver la segunda etapa, pudiendo llegar a la
solución (C,C) en la segunda, aunque en ningún caso se obtiene mejor resultado
que el dado por (B,B) en la primera y (C,C) en la segunda.
Veamos otro ejemplo de 2 jugadores, en 2 etapas, 5 estrategias (A,B,C,D,E)
para cada uno delos jugadores y función de pagos de cada etapa
⎛1,1 * 5, 0 0, 0 0, 0 0, 0 ⎞⎟
⎜⎜ ⎟⎟
⎜⎜ 0, 5 4, 4 0, 0 0, 0 0, 0 ⎟⎟
⎜⎜ ⎟⎟
⎜⎜ ⎟
⎜⎜ 0, 0 0, 0 3, 3 * 0, 0 0, 0 ⎟⎟
⎟⎟
⎜⎜
⎜⎜ 0, 0 0, 0 0, 0 4,1/ 2 * 0, 0 ⎟⎟⎟
⎜⎜ ⎟⎟
⎜⎝ 0, 0 0, 0 0, 0 0, 0 1/ 2, 4 *⎠⎟⎟
Como puede observarse, hay 3 pares de estrategias en equilibrio, pero el par
(C,C) domina estrictamente en el sentido de Pareto al par (A,A). Los otros dos
pares son incomparables (estarían en la frontera de Pareto).
Los jugadores, previendo el castigo o penalización, prevén que el resultado de
la segunda etapa será:
• Si en la etapa 1 juegan (B,B), en la etapa 2 jugar (C,C)
• Si en la etapa 1 juegan (B, no B), en la segunda el jugador 1 castiga a
2 eligiendo D, con lo que 1 también ha de elegir D para maximizar su
beneficio, luego la solución será (D,D)
70 15/02/2008
• Si en la etapa 1 juegan (no B, B), en la segunda el jugador 2 castiga a

1 eligiendo E, con lo que 1 también ha de elegir E para maximizar su
beneficio, luego la solución será (E,E)
• Si en la etapa 1 juegan (no B, no B), en la segunda juegan (C,C) (no
hay castigo).
Con esta función de respuesta de la segunda etapa, la matriz de pagos
acumulados de la primera queda:
⎛ 4, 4 * 11/ 2, 4 3, 3 3, 3 3, 3 ⎞⎟
⎜⎜ ⎟
⎜⎜4,11/ 2 7, 7 * 4,1/ 2 4,1/ 2 4,1/ 2 ⎟⎟
⎜⎜ ⎟⎟
⎜⎜ ⎟⎟
⎜⎜ 3, 3 1/ 2, 4 6, 6 * 3, 3 3, 3 ⎟⎟
⎟⎟
⎜⎜ ⎟
⎜⎜ 3, 3 1/ 2, 4 3, 3 7, 7 / 2 3, 3 ⎟⎟
⎜⎜ ⎟⎟
⎜⎝ 3, 3 1/ 2, 4 3, 3 3, 3 7 / 2, 7⎠⎟⎟⎟
Como puede observarse hay 3 puntos de equilibrio, pero uno que domina
estrictamente a los otros dos, de modo que ésa debería ser la solución: jugar
(B,B) en la primera (que no es un equilibrio de Nash para una etapa), y jugar
después (C,C).
I.4.3.5.4 Juegos repetidos en infinitas etapas: colusión entre duopolistas de
Cournot
Sea G un juego de una etapa, y sea G (∞, δ) el juego consistente en repetir
el juego G indefinidamente en el tiempo con una tasa de descuento por etapa
de δ , de modo que en cada etapa los jugadores conocen los resultados de las
etapas anteriores. Considérese una función de pagos aditiva, de modo que el
pago al final de n etapas es la suma de los pagos de cada etapa. Se puede
demostrar que, incluso si G tiene un único punto de equilibrio de Nash, existen
resultados perfectos en subjuegos que no son jugar ese equilibrio. Obsérvese que
en este planteamiento es necesaria una tasa o factor de descuento, pues si no, la
suma de pagos sería infinito. El valor presente de una sucesión de pagos {πt }t ≥1 ,
∞
aplicando el factor de descuento, será ∑π δ
t =1
t
t −1
.
Supongamos que el juego de una etapa es del tipo del dilema del prisionero,
⎛ 1,1 5, 0⎞⎟
y sea la matriz de pagos ⎜⎜⎜ ⎟⎟ . En este tipo de juegos, se considera la
⎜⎝0, 5 4, 4⎠⎟⎟
llamada estrategia disparador, que consiste en cooperar durante las etapas hasta
que un jugador deje de cooperar, en que se cambia a jugar el equilibrio de Nash.
Obsérvese que si el jugador 1 juegas esta estrategia, también para el jugador
2 ésta es la mejor estrategia, ya que si J2 cambia en la primera etapa, la
δ
ganancia de J2 será 5 + ∑ δ t −1 = 5 + . Ahora, si decide no cambiar la
t ≥2 1−δ
15/02/2008 71
4
ganancia será ∑ 4δ
t ≥1
t −1
=
1−δ
. Comparando ambos términos,
δ 4
5+ > ⇒ 5 − 4δ > 4 ⇒ δ < 1/ 4 , es decir, el factor de descuento
1−δ 1−δ
tendría que ser menor que ¼ para que fuera preferible no cooperar (es decir, el
valor hoy de un dinero ganado en la siguiente etapa tendría que ser menor que
la cuarta parte, lo que no parece admisible ni una hipótesis razonable para los
tipos de interés, etc. que se manejan habitualmente, aunque en casos de mucha
inflación se hayan dado circunstancias semejantes).
El ejemplo anterior, sirve para introducir los resultados siguientes. En un
juego repetido infinitamente del tipo G (∞, δ) , cada subjuego que se inicia en la
etapa t + 1 es idéntico al original. Por otra parte, se definen ganancias factibles
(x 1,..., x n ) como las combinaciones lineales convexas de las ganancias obtenidas
mediante las estrategias puras de una etapa. Se define ganancia media como la
ganancia constante (igual en todas las etapas, salvo el factor de descuento) que
debería tenerse en cada etapa para que tuviera el mismo valor presente que una
ganancia dada por una sucesión de estrategias. Es decir, dada la sucesión de
pagos {πt }t ≥1 , la ganancia media ha de ser tal que ∑V δ t −1 = ∑ πt δ t −1 . Dado
t ≥1 t ≥1
V
que el primer término es , la ganancia media será V = (1 − δ)∑ πt δ t −1 .
1−δ t ≥1
Teorema (de Friedman o de tradición oral o folk)
Sea (e1,..., en ) las ganancias en el equilibrio de Nash para el juego G , y sea
(x 1,..., x n ) una ganancia factible tal que x i > ei , ∀i . Entonces, existe un
equilibrio de Nash perfecto en subjuegos de G (∞, δ) con (x 1,..., x n ) de ganancia
media.
Este resultado implica que hay una solución que no es jugar el equilibrio de
Nash, sino otras estrategias. Esto es lo que se llama colusión.
Veamos el planteamiento si en cada etapa se juega un juego como el del
modelo de Cournot. Recuérdese que planteábamos dos empresas que han de
decidir su nivel de producción, siendo su coste marginal c constante e igual
para ambas, y el precio de la forma P (Q ) = a − Q = a − q1 − q 2 . En este caso, el
a −c
punto de equilibrio en una etapa es q1 = q2 = , con lo que la cantidad
3
2(a − c)
agregada es Q = , y el beneficio de cada empresa es (a − c)2 / 9 . Sin
3
embargo, la cantidad de monopolio, que sería la que obtendrían si cooperaran ya
a −c
que produce mejores beneficios, era q1 = q2 = , dado que la cantidad
4
a −c
agregada debería ser Q = , con un beneficio por empresa de (a − c)2 / 8 .
2
72 15/02/2008
Si este juego se repitiera infinitas veces, la estrategia disparador sería jugar

la cantidad de monopolio hasta que una de las empresas incumpla esto, en cuyo
caso cambiar a jugar la cantidad en equilibrio de Cournot.
Si ambas empresas juegan la cantidad de monopolio, el beneficio ya se ha
comentado es (a − c)2 / 8 ; si ambas juegan la cantidad de equilibrio de Cournot,
el beneficio por empresa es (a − c)2 / 9 ; por último, si una juega el de monopolio
y otra el de Cournot, la empresa que no lo juega maximiza sus beneficios
jugando 3(a − c)/ 8 (ya que resolvería el problema de maximización
max(a − q j − (a − c)/ 4 − c)q j ), de modo que obtendría 9(a − c)2 / 64 y la que
q j ≥0
juega la cantidad de monopolio recibiría 3(a − c)2 / 32 (que es peor).
Así pues, ambas empresas jugarán la estrategia disparador si se cumple que
la ganancia con la cantidad de monopolio es mayor que cambiando en la
primera etapa y continuando con el equilibrio de Cournot, es decir, si
1 δ
(a - c)2 / 8 ≥ 9(a - c)2 / 64 + (a - c)2 / 9 , lo que es cierto si δ ≥ 9 /17 , es
1−δ 1-δ
decir, en la mayoría de las situaciones entrarán en colusión, lo que quiere decir
que cooperarán y que el precio del artículo será el del monopolio y no el del
equilibrio de Cournot.
I.4.4 Juegos no cooperativos con información incompleta o juegos

bayesianos
Estos modelos responden a situaciones en las que la información es
incompleta, es decir, en las que al menos un jugador no está seguro de la
función de ganancias del otro jugador. Un ejemplo típico de aplicación de estos
modelos es las subastas de sobre cerrado, donde los jugadores introducen su
oferta en un sobre cerrado y al fin se abren y se selecciona una de las ofertas. La
peculiaridad es que al menos alguno de los jugadores no sabe con certeza como
otro de los jugadores valora ganar la subasta.
Este tipo de juegos en los que hay información privada, suelen ser dinámicos
por naturaleza, ya que las partes informadas tienden a comunicar (informar o
confundir) mientras que las no informadas tienden a buscar información. Sin
embargo, en esta sección sólo se verá una introducción a este tipo de juegos,
enfocando los conceptos al caso estático, aunque sean de validez en el dinámico.
Para ver una situación clásica de juegos bayesianos, veamos el modelo de
duopolio de Cournot con información asimétrica. El planteamiento es el mismo
que el de Cournot, es decir, dos empresas que han de decidir a la vez su nivel de
producción de un producto homogéneo, cuyo precio de venta es elástico con la
demanda, P (Q ) = a − Q = a − q1 − q2 . Los costes unitarios de producción se
consideran constantes, pero, en esta ocasión, consideremos que el coste de la
15/02/2008 73
empresa 1 es c y conocido por ambas, pero el de la empresa 2 no es conocido

con certeza por la empresa 1, sino que ésta estima que el coste es cA con
probabilidad θ , y cB con probabilidad 1 − θ , siendo cA > cB .
Con este planteamiento, es por ambas conocido que el coste de producción
de la empresa 1 es cq1 , mientras que de la empresa 2 lo que la otra empresa
conoce es que el coste es cAq2 con probabilidad θ , y cBq2 con probabilidad
1 − θ . Así la empresa 1, debe esperar que la empresa 2 resuelva el problema
q 2 * (cA ) = max [(a − q1 * −q 2 ) − cA ]q 2 o bien q 2 * (cB ) = max [(a − q1 * −q 2 ) − cB ]q 2 .
q2 q2
La empresa 1, por tanto, para maximizar su beneficio esperado, se planteará el
problema max θ ⎡⎣(a − q1 − q2* (cA ) − c ⎤⎦ q1 + (1 − θ) ⎡⎣(a − q1 − q2* (cB ) − c ⎤⎦ q1 .
q1
Si planteamos las condiciones de primer orden de estos problemas derivando
e igualando a cero, se tienen las ecuaciones
a − q1* − cA a − q1* − cB
q2* (cA ) = q2* (cB ) =
2 2
θ ⎡⎣a − q 2 (cA ) − c ⎤⎦ + (1 − θ) ⎡⎣a − q 2 (cB ) − c ⎤⎦
* *
q1* =
2
Al resolver este sistema de ecuaciones la solución obtenida es
a − 2cA + c 1 − θ a − 2cB + c θ
q 2* (cA ) = + (cA − cB ) q 2* (cB ) = − (cA − cB )
3 6 3 6
a − 2c + θ c + (1 − θ )c
q1* = A B
3
Obsérvese que la solución con costes distintos del equilibrio de Cournot, sería
a − 2ci + c j
qi* = . Comparando lo que la empresa 2 obtiene por mantener su
3
a − 2cA + c
información privada, se tiene que q2* (cA ) > mientras que
3
a − 2cB + c
q2* (cB ) < , es decir, si el coste es el más alto, produce más que lo que
3
haría si la información fuera pública, mientras que si el precio es el más bajo,
acaba produciendo menos que si lo hace público. Para la empresa 1 la respuesta
es equivalente a considerar que la información es pública pero con coste de la
otra empresa el coste medio o esperado.
Consideremos ahora como se puede representar en forma normal un juego
bayesiano estático. Considérese que la función de pagos del jugador i es en
realidad una colección de funciones, ui (a1,..., an ; ti ) , que dependen de ti que es el
tipo del jugador i , donde ti ∈ Ti que es el espacio de tipos del jugador i .
El jugador i conoce sus ganancias, es decir, su tipo, pero no está seguro del
tipo de los demás jugadores, que denotaremos por t−i = (t1,..., ti −1, ti +1,..., tn ) .
Denotemos también por T−i al conjunto de posibles valores de t−i , y por
74 15/02/2008
p(t−i / ti ) a la conjetura (probabilidad) sobre el tipo de los otros jugadores

conocido el propio.
La forma normal del juego quedaría descrita por los siguientes elementos:
• Espacios de acciones, decisiones o estrategias: A1,..., An
• Espacios de tipos: T1,...,Tn
• Distribuciones de los tipos: p1,..., pn
• Funciones de ganancias: u1,..., un definidas para cada tipo, es decir,
son de la forma ui (a1,..., an ; ti ) . El tipo del jugador i ( ti ∈ Ti ) sólo es
conocido por él y determina su función de ganancias; las conjeturas
representan la incertidumbre sobre los tipos de los demás jugadores,
conocido el tipo propio. Las ganancias también pueden ser de la forma
ui (a1,..., an ; t1,..., tn ) si dependen de los tipos de los demás jugadores.
Así el juego queda representado como
G = {A1,..., An ;T1,...,Tn ; p1,..., pn ; u1,..., un }
Un juego bayesianto estático también puede ser representado en forma
extensiva como si fuera un juego dinámico con información imperfecta:
1. El azar determina un vector de tipos t = (t1,..., tn ) según las
distribuciones p1,..., pn
2. El azar revela ti al jugador i , pero a ningún otro
3. Los jugadores toman decisiones ai simultáneamente
4. Se reciben las ganancias ui (a1,..., an ; ti ) (que también pueden ser de la
forma ui (a1,..., an ; t1,..., tn ) si dependen de los tipos de los demás
jugadores).
En ambos casos, las conjeturas p1,..., pn son las distribuciones a priori que el
azar sigue para determinar los tipos. Las conjeturas son las distribuciones a
posteriori, que se determinan a partir de las distribuciones a priori mediante el
teorema de Bayes:
p(t−i , ti ) p(t−i , ti )
pi (t−i / ti ) = =
p(ti ) ∑ p(t−i , ti )
t−i ∈T−i
En este contexto, una estrategia para el jugador i , si (ti ) ha de definir la

acción ai que elegiría el jugador i para cada tipo ti ∈ Ti si el azar determinara
que ése es su tipo.
El concepto de solución en este tipo de juegos es el de equilibrio bayesiano de
Nash: la estrategia de cada jugador ha de ser una mejor respuesta a las del
resto, es decir, dado el juego G = {A1,..., An ;T1,...,Tn ; p1,..., pn ; u1,..., un } ,
s * = (s1*,..., sn* ) es un equilibrio bayesiano de Nash (en estrategias puras) si para
cada i y para cada uno de sus tipos ti ∈ Ti , si* (ti ) es solución de
max
ai ∈Ai
∑ u (s (t ),..., s
t−i ∈T−i
i
*
1 1
*
i −1 (ti−1 ), ai , si*+1(ti +1 ),..., sn* (tn ); ti ) pi (t−i / ti )
15/02/2008 75
Se puede demostrar que en todo juego bayesiano estático finito este

equilibrio existe, aunque tal vez con estrategias mixtas.
Veamos una aplicación clásica: subastas de sobre cerrado al primer precio.
Por simplificar, supongamos que hay dos jugadores que van a pujar por un bien
introduciendo en un sobre cerrado sus respectivas pujas. Se llevará el bien el que
presente una puja más alta, pero, tendrá que pagarla. En caso de empate, se tira
una moneda y el que gane se lleva el bien y paga la puja. Se considera que
ambos jugadores son neutrales al riesgo y que todo se hace de forma pública.
Además cada jugador tiene una valoración personal, vi , del bien, conocida por sí
mismo pero desconocida por el otro participante, si bien ambos prevén que la
valoración del bien por el otro participante sigue una distribución uniforme en
[0,1] (obsérvese que se pone la distribución uniforme también llamada no
informativa, ya que no da más probabilidad a ninguna zona del intervalo; si
hubiera alguna información acerca de la valoración del bien por el otro jugador
se debería poner otra distribución que represente mejor la incertidumbre con esa
información). Además cada uno valora con independencia del valor que haya
dado el otro jugador (a un jugador no le informa saber su valoración para
conocer algo de la valoración del otro jugador).
Así pues, el juego se plantea con los siguientes elementos:
• Acciones: pujas de los jugadores, bi ≥ 0 . Así pues los espacios de
acciones son [0, ∞) .
• Tipos: las valoraciones de cada jugador del bien 0 ≤ vi ≤ 1
• Conjeturas: distribuciones uniformes en [0,1]
• Ganancias: dadas las condiciones del juego serían las siguientes, donde
el caso de empate se representa por la ganancia esperada:
⎧
⎪ vi − bi bi > bj
⎪
⎪
⎪v − b
ui (b1, b2 ; vi ) = ⎪
⎨ i i
bi = bj
⎪
⎪ 2
⎪
⎪ 0 bi < bj
⎪
⎩
• Estrategias: dar la acción para cada tipo propio, es decir, serán de la
forma bi (vi ) .
El concepto de solución de equilibrio bayesiano de Nash, hace que las
estrategias en equilibrio bi (vi ) , hayan de ser solución del problema de cada
1
jugador max(vi − bi )Pr {bi > bj (v j )} + (vi − bi )Pr {bi = bj (v j )} .
bi ≥0 2
Vamos a simplificar la búsqueda suponiendo que las pujas sean de tipo
lineal, es decir, de la forma bi (vi ) = ai + civi (esta simplificación no es tal, ya que
se puede demostrar que es la mejor solución). Dado que ambas distribuciones
son independientes y uniformes en [0,1], se tiene que Pr {vi = v j } = 0 , y por lo
tanto, de considerar las pujas funciones lineales de la valoración, se deduce de
76 15/02/2008
forma inmediata que Pr {bi = bj (v j )} = 0 . De modo que el problema a resolver

queda reducido a max(vi − bi )Pr {bi > a j + c j v j } .
bi ≥0
Por otra parte, la probabilidad que aparece se puede obtener como
⎧⎪ b − a j ⎫⎪⎪ bi − a j
Pr {bi > a j + c j v j } = Pr ⎪⎨v j < i ⎬= si bi ≥ a j , ó cero en otro caso.
⎪⎪ c ⎪⎪ c
⎩ j ⎭ j
b − aj
Por lo tanto el problema resulta max(vi − bi ) i .
bi ≥0 cj
Derivando e igualando a cero para obtener las condiciones de primer orden,
b − a j vi − bi −2bi + a j + vi
se tiene − i + = = 0 , de donde se deduce que la
cj cj cj
⎧⎪(vi + a j )/ 2 si vi ≥ a j
solución es bi (vi ) = ⎪⎨ . Analicemos el resultado:
⎪⎪ aj si vi < a j
⎩
• Si 0 < a j < 1 : entonces la puja no sería lineal, lo que va en contra de
la hipótesis de partida
• Si a j ≥ 1 : entonces la puja sería mayor que la valoración, lo que sería
absurdo (pagar por algo más de lo que se valora)
• Si a j ≤ 0 : entonces siempre se tiene el primer caso, con lo que la puja
v + aj
sería de la forma bi (vi ) = i , es decir, los valores serían ci = 1/ 2
2
y ai = a j / 2 .
Como también se tiene el mismo razonamiento para el otro jugador, se tiene
c j = 1/ 2 y a j = ai / 2 , de modo que, para que haya solución, necesariamente ha
de darse ai = a j = 0 , con lo que la estrategia óptima para cada jugador es dar
bi (vi ) = vi / 2 . Es decir, cada uno debería pujar por la mitad de la valoración
personal, de modo que se llevará el bien quien más lo valore, pagando por él la
mitad del valor que le da.
El campo de aplicación de estos juegos es amplio, y los desarrollos asociados
a la búsqueda de equilibrios bayesianos en juegos estáticos y dinámicos también
(especialmente relevante es el principio de revelación). En particular, las
subastas en que se desconoce al menos en parte la función de utilidad de los
demás participantes, son unas de las aplicaciones más importantes de este tipo
de juegos. Sin embargo, dado el carácter introductorio de este curso no se van a
presentar estos desarrollos.
I.4.5 Juegos cooperativos: las coaliciones

En muchos casos de competencia hay más de dos competidores, y además la
posibilidad de cooperar entre ellos. En estos juegos la solución pasa por analizar
15/02/2008 77
las posibles coaliciones que pueden plantearse. Sin embargo, lo que se

considerará solución del juego no es fundamentalmente la coalición que se
planteará, sino el pago que recibirá cada uno de los jugadores. Una coalición es
un subconjunto de jugadores.
I.4.5.1 Caracterización de un juego n-personal: la función característica.
Sea N = {1,2,..., n } el conjunto de jugadores. Un juego de n personas se
especifica con la función característica de ese juego:
La función característica v de un juego indica para cada subconjunto
S ⊆ N la cantidad v(S ) que los miembros de S pueden estar seguros de recibir
si actúan unidos formando una coalición, es decir, sin ayuda de ninguno de los
jugadores de fuera de la coalición.
Para que una función sea función característica de un juego ha de cumplir la
propiedad de la superaditividad: para todo par de conjuntos A y B tales que
A ∩ B = ∅ , es decir, que no tengan jugadores en común, ha de cumplirse que
v(A ∪ B ) ≥ v(A) + v(B ) . Básicamente, quiere decir que si los jugadores se
agrupan pueden conseguir al menos lo mismo que sin agrupar, ya que en el peor
de los casos, la coalición siempre tiene la opción de actuar por separado,
recibiendo la cantidad v(A) + v(B ) , luego al menos puede alcanzar ese valor.
Ejemplo 1. Supóngase que un farmacéutico inventa un fármaco nuevo pero
no puede fabricarlo él solo. Puede vender su fórmula a la empresa 2 o a la 3. La
empresa afortunada compartirá 1 millón de euros con el inventor.
Si el jugador 1 es el inventor, el 2 la empresa 2 y el 3 la empresa 3, la
función característica del juego es:
v({ }) = v({1}) = v({2}) = v({3}) = v({2, 3}) = 0
v({1,2}) = v({1, 3}) = v({1,2, 3}) = 1000000
Ejemplo 2. Supóngase que el jugador 1 es el propietario de un terreno que

valora en 100000€. El jugador 2 es una promotora que puede urbanizar el
terreno dándole un valor de 200000€ y el jugador 3 otra promotora que puede
urbanizar dando un valor de 300000€. La función característica del juego sería
v ({ }) = v ({2}) = v ({3}) = v ({2, 3}) = 0 v ({1}) = 100000
v ({1,2}) = 200000 v ({1, 3}) = 300000 v ({1,2, 3}) = 300000
Ejemplo 3. Supongamos que tres tipos de aviones usan un aeropuerto. El

avión de tipo 1 necesita 100 metros de pista, el tipo 2 150 y el tipo 3 400
metros. Supongamos que el coste de mantenimiento de la pista es proporcional a
la longitud de ésta. Como a ese aeropuerto llegan aviones de tipo 3 la longitud
de la pista ha de ser de 400 metros. Supongamos por simplificar que al
78 15/02/2008
aeropuerto llegan por día uno de cada uno de esos aviones. El objetivo es decidir
qué parte del coste de mantenimiento corresponde a cada avión. Esta situación
puede representarse como un juego con la siguiente función característica, donde
se anota como ganancia negativa el coste para que se cumpla la propiedad de la
superaditividad,
v ({ }) = 0 v ({1}) = −100 v ({2}) = −150 v ({3}) = −400 v ({1,2}) = −150
v ({1, 3}) = −400 v ({2, 3}) = −400 v ({1,2, 3}) = −400
I.4.5.2 Una caracterización de las soluciones: las imputaciones

Hay muchos criterios acerca de cómo caracterizar la solución para juegos con
n personas, es decir, de cómo expresar las soluciones. Una forma de hacerlo, que
será la que vamos a manejar en esta introducción, es indicar el pago que recibirá
cada jugador con esa solución. Sin embargo, no cualquier vector de pagos se
considera que puede ser una solución razonable de un juego. Así las posibles
soluciones de un juego reciben el nombre de imputaciones y han de cumplir
determinadas condiciones:
Un vector de pagos x = (x 1,..., x n ) es una imputación si verifica
n
v(N ) = ∑ x i (Racionalidad del grupo)
i =1
x i ≥ v ({i }) ∀i ∈ N (Racionalidad individual)

La primera ecuación dice que cualquier vector razonable de pagos ha de dar
a todos los jugadores una cantidad que sea igual a la lograda por la
supercoalición de todos los jugadores juntos. El segundo bloque dice que ha de
dar a cada uno al menos lo que lograría él solo.
Así para el ejemplo 1 de la sección anterior, el del inventor, una imputación
ha de cumplir
x 1 + x 2 + x 3 = 1000000
x1 ≥ 0 x 2 ≥ 0 x 3 ≥ 0
Para el ejemplo 2, el del terreno, sería
x 1 + x 2 + x 3 = 300000
x 1 ≥ 100000 x 2 ≥ 0 x3 ≥ 0
y para el ejemplo 3, el del aeropuerto, sería
x 1 + x 2 + x 3 = −400
x 1 ≥ −100 x 2 ≥ −150 x 3 ≥ −400
Cualquier concepto de solución para juegos de n personas consiste en escoger
un subconjunto del conjunto de imputaciones. Sin embargo, no existe un único
criterio acerca de cómo ha de seleccionarse ese subconjunto. A continuación, se
15/02/2008 79
muestran dos conceptos de solución, es decir, dos criterios diferentes con

diferentes condiciones que han de cumplir las imputaciones para ser una
solución.
I.4.5.3 Un concepto de solución de un juego: El núcleo
Para saber lo que es el núcleo de un juego n-personal antes hay que entender
el concepto de dominación entre imputaciones. Dadas dos imputaciones
x = (x 1,..., x n ) e y = (y1,..., yn ) , se dice que y domina a x a través de una
coalición S , y se denota por y >S x , si
∑y
i ∈S
i ≤ v(S )
yi > x i ∀i ∈ S
Básicamente, se está diciendo con la primera desigualdad que los valores de

la imputación que domina a la otra sean alcanzables por los miembros de la
coalición, y con la segunda que los jugadores de la coalición siempre preferirán
la imputación y a la x .
Con esta última consideración, las imputaciones dominadas no deberían ser
consideradas como solución posible al juego, ya que los jugadores de la coalición
pueden rechazar los pagos ofrecidos por tales imputaciones y reforzar su rechazo
aliándose entre sí, ya que con seguridad juntos pueden lograr la cantidad v(S ) .
Los creadores de la teoría de juegos, Von Neumann y Morgenstern, decían que
un concepto razonable de solución de un juego es el conjunto de todas las
imputaciones no dominadas.
El núcleo de un juego n-personal se define como el conjunto de todas las
imputaciones no dominadas.
Otra cuestión es cómo obtener el núcleo. El siguiente teorema resuelve este
problema.
Teorema: Una imputación x = (x 1,..., x n ) pertenece al núcleo de un juego de n-
personas si y sólo si para todo subconjunto S ⊆ N , se verifica
∑ x i ≥ v(S )
i ∈S
El teorema viene a decir que una imputación es del núcleo si y sólo si para
todas las coaliciones los pagos recibidos por los miembros de la coalición son al
menos tan grandes como los que pueden recibir si se unen.
Veamos cuál es el núcleo en los tres ejemplos que estamos manejando:
1. En el juego del inventor las imputaciones tenían que cumplir unas
condiciones, si le añadimos las condiciones del teorema, las imputaciones
del núcleo han de cumplir el sistema de desigualdades siguiente:
80 15/02/2008
x 1 + x 2 + x 3 = 1000000 x 1 + x 2 ≥ 1000000
x1 ≥ 0 x2 ≥ 0 x 3 ≥ 0 x 1 + x 3 ≥ 1000000
x2 + x 3 ≥ 0
Este sistema sólo tiene una solución que será el núcleo del juego que es
x = (1000000, 0, 0) , es decir, el inventor debe recibir el millón de euros.
Así el núcleo subraya la importancia del jugador 1, es decir, del inventor.
2. En el juego del propietario del terreno, las condiciones de imputación
junto con las del núcleo dan el siguiente sistema
x 1 + x 2 + x 3 = 300000 x 1 + x 2 ≥ 200000
x 1 ≥ 100000 x2 ≥ 0 x 3 ≥ 0 x 1 + x 3 ≥ 300000
x2 + x 3 ≥ 0
Las soluciones de este sistema han de cumplir x 2 = 0 , x 1 + x 3 = 300000 y
x 1 ≥ 200000 , es decir, la solución es que el jugador 3, pague al jugador 1,
el propietario, una cantidad x 1 entre 200000 y 300000 euros por su
terreno, siendo su pago 300000 − x 1 . La promotora 2 se queda fuera.
3. En el juego del aeropuerto, las condiciones de imputación junto con las
del núcleo plantean el siguiente sistema
x 1 + x 2 + x 3 = −400 x 1 + x 2 ≥ −150
x 1 ≥ −100 x 2 ≥ −150 x 3 ≥ −400 x 1 + x 3 ≥ −400
x 2 + x 3 ≥ −400
Las soluciones de este sistema, o mejor en términos del juego original, las
soluciones del juego son múltiples, pero han de cumplir, que el avión tipo
1 pague entre 0 y 100, el de tipo 2 entre 0 y 150 pero entre ambos no
pagan más de 150, y el de tipo 3 pagará el resto, que puede ir entre 250 y
los 400 totales, dependiendo de los valores anteriores. Así pues, para este
juego el núcleo es bastante amplio, aunque queda claro en qué márgenes
de pago se mueve cada uno.
I.4.5.4 Un concepto de solución de un juego: El valor Shapley
El concepto de núcleo como solución de un juego, ya se ha visto que en

algunas ocasiones como en el ejemplo 1 le da todo el beneficio al jugador 1, al
inventor, y en otras, como el ejemplo 3, da una solución demasiado amplia. El
valor Shapley que se presenta en esta sección, pretende dar soluciones más
equitativas que las del núcleo, y más concretas.
Para cualquier función característica, Shapley demostró que existe un único

vector de pagos que satisface los siguientes axiomas:
15/02/2008 81
Axioma 1: Si los jugadores recibieran otros nombres se intercambiarían los

pagos. Por ejemplo, si es un juego de 3 personas y el valor de Shapley fuera
el vector de pagos (1,2,3), si intercambiamos el orden de los jugadores y el
primero pasa a ser el tercero y viceversa, entonces el valor de Shapley sería
(3,2,1).
n
Axioma 2: ∑x
i =1
i = v(N ) . Es la racionalidad de grupo.
Axioma 3: Si existe un jugador i tal que v(S ∪ {i }) = v(S ) ∀S ⊆ N , entonces
el valor de Shapley asigna x i = 0 . Es decir, si el jugador no agrega valor a
coalición alguna, entonces recibe un pago de cero en el valor de Shapley.
Axioma 4: Sean v y v las funciones características de dos juegos diferentes pero

con jugadores idénticos. Se define el juego suma (v + v ) como el juego cuya
función característica es la suma de ambas, es decir, (v + v )(S ) = v(S ) + v(S ) .
El axioma dice que si x es el valor Shapley para el juego v , e y es el valor
Shapley para el juego v , entonces el valor Shapley para el juego (v + v ) es el
vector x + y .
El siguiente resultado enunciado por Shapley asegura la existencia de un

único vector con estas características, y permite hallarlo.
Teorema: Dado cualquier juego n-personal con función característica v , existe

un único vector de pagos x = (x 1,..., x n ) que satisface los axiomas 1 a 4. El pago
del i-ésimo jugador viene dado por la expresión
card (S )!(n − card (S ) − 1)!

xi = ∑
S tal que i ∉S
pn (S ) {v(S ∪ {i }) − v(S )} siendo pn (S ) =
n!
La interpretación de esta ecuación es la siguiente: supongamos que los

jugadores llegan en un orden aleatorio, entonces cualquiera de las permutaciones
1
tiene una probabilidad de ocurrir; supongamos que cuando llega el jugador i
n!
forma una coalición con los jugadores presentes, entonces aportaría una
cantidad v(S ∪ {i }) − v(S ) a la coalición; la probabilidad de que cuando llegue
ya estén presentes los jugadores de la coalición es pn (S ) ; así el pago del jugador
i debe ser la cantidad esperada con la que contribuye el jugador cuando llega.
El valor Shapley se puede utilizar como una medida del poder de cada
jugador. Por ejemplo, el Consejo de Seguridad de las Naciones Unidas consta de
5 miembros permanentes con derecho a veto, y 10 miembros no permanentes.
Para que una resolución sea aprobada ha de recibir al menos 9 votos
82 15/02/2008
(incluyendo a todos los permanentes por el derecho a veto). La función

característica del juego puede definirse asignando valor 1 a cada coalición que
pueda aprobar una resolución y 0 a las demás. Es fácil demostrar que el valor de
Shapley para este juego es 0.1963 para cada jugador permanente y 0.001865
para cada jugador no permanente, con lo que 5x0.1963=0.9815, es decir, el
98.15% del poder reside en los miembros permanentes.
En los ejemplos, el valor de Shapley sería el siguiente:
1. En el juego del inventor sería:
2 1 1 2 2000000
x 1 = (0 − 0) + (1000000 − 0) + (1000000 − 0) + (1000000 − 0) =
6 6 6 6 3
2 1 1 2 1000000
x 2 = (0 − 0) + (1000000 − 0) + (0 − 0) + (1000000 − 1000000) =
6 6 6 6 6
2 1 1 2 1000000
x 3 = (0 − 0) + (1000000 − 0) + (0 − 0) + (1000000 − 1000000) =
6 6 6 6 6
Esta solución presupone que las dos empresas llegan a un acuerdo, es decir,
que ninguna se queda fuera en la solución, compartiendo la fabricación del
invento, y repartiendo por lo tanto los beneficios.
Esta solución es más interesante para las empresas aunque menos para el
inventor que la del núcleo, aunque si las empresas pueden colaborar es más
equitativa, de modo que el beneficio no es sólo para el inventor. Así mismo
puede ser interpretado como que el 66.66% del poder del juego lo tiene el
inventor y un 16.66% cada una de las empresas.
2. En el juego del propietario del terreno el valor Shapley es el siguiente:
2 1 1 2 1300000
x 1 = (100000 − 0) + (200000 − 0) + (300000 − 0) + (300000 − 0) =
6 6 6 6 6
2 1 1 2 100000
x 2 = (0 − 0) + (200000 − 100000) + (0 − 0) + (300000 − 300000) =
6 6 6 6 6
2 1 1 2 400000
x 3 = (0 − 0) + (300000 − 100000) + (0 − 0) + (300000 − 200000) =
6 6 6 6 6
Esta solución también resulta más equitativa, presuponiendo que ambas

empresas pueden colaborar en la urbanización del terreno, compartiendo
parte de los beneficios junto con el propietario. El poder o participación en el
valor final del propietario es del 72.22%, de la primera empresa 5.55% y de la
segunda empresa 22.22%.
3. Para el tercer ejemplo, el de decidir la participación en los costes de cada
tipo de avión, el valor Shapley sería
15/02/2008 83
2 1 1 2 −200
x1 = (−100 − 0) + (−150 − (−150)) + (−400 − (−400)) + (−400 − (−400)) =
6 6 6 6 6
2 1 1 2 −350
x 2 = (−150 − 0) + (−150 − (−100)) + (−400 − (−400)) + (−400 − (−400)) =
6 6 6 6 6
2 1 1 2 −1850
x 3 = (−400 − 0) + (−400 − (−100)) + (−400 − (−150)) + (−400 − (−150)) =
6 6 6 6 6
Así, la participación en el coste de mantenimiento de la pista debería ser que
el avión tipo 1 pague 33.33, el avión tipo 2 58.33 y el avión tipo 3 308.33.
Básicamente, este reparto lo que dice es que los primeros 100 metros los
pagan entre todos los usuarios, es decir, un tercio cada uno (33.33); los
siguientes 50 metros son pagados por los usuarios, es decir, por los aviones
tipo 2 y tipo 3, de modo que cada uno para 25; y los siguientes 250 se pagan
por el único usuario que es el avión tipo 3. Así, es fácil extrapolar y se puede
comprobar que este criterio de reparto de costes es el que debería aplicarse
incluso aunque no fuera un avión de cada tipo.
84 15/02/2008
I.5 Referencias
Benayoun, R., Roy, B., Sussman, B. Electre: Une Méthode pour Guider le
Choix en Présence de Vue Multiples. Sema (Metra International), Direction
Scientifique. Note de travail, 49.
Bertrand, J. (1883) Théorie Mathématique de la Richesse Sociale. Journal des
Savants 499-508.
Charnes, A., Cooper, W.W (1961) Management Models and Industrial
Applications of Linear Programming. John Wiley and Sons.
Cournot, A. (1838) Recherches su le Principes Mathématiques de la Théorie des
Richesses.
DeGroot, M.H. (1970) Optimal Statistical Decisions, McGraw Hill, New York
Farber, H. (1980) An Analysis of Final-Offer Arbitration. Journal of Conflit
Resolution, 35.
French, S. (1986) Decision Theory: An introduction to the mathematics of
rationality, Ellis Horwood, Chichester.
Gibbons, R. (1993) Un Primer Curso de Teoría de Juegos. Antoni Bosch, ed.
Hannan, E.L. (1980) Nondominance in Goal Programming. INFOR, Canadian
Journal of Operational Research and Information Processing 18
Hume, D. (1739) A Treatise of Human Nature.
Ignizio, J. P. (1976) Goal Programming and Extensions. Lexington Books.
Klemperer, P. D. (2000) Economic Theory of Auctions, Edward Elgard,
Massachusetts.
Klemperer, P. D. (2002) What Really Matters in Auction Design, Journal of
Economic Perspectives
Klemperer, P. D. (2002) Why Every Economist Should Learn Some Auction
Theory, in Dewatripont, M., Hansen, L, and Turnovsky, S. (eds.) Advances
in Economics and Econometrics: Theory and Applications, Eight world
congress of the econometric society.
Lee, S. M. (1972) Goal Programming for Decision Analysis. Auerbach
Publishers.
Keeney, R.L. and Raiffa, H. (1976) Decisions with Multiple Objectives:
Preferences and Value Trade-Offs. John Wiley and Sons.
Marglin, J.A. (1967) Public Investment Criteria. MIT Press, Cambridge,
Massachusetts.
Myerson, Roger B. (2001) Game Theory. Analysis of conflict. Harvard
University Press.
15/02/2008 85
I.5 REFERENCIAS
Nash, J (1950) Equilibrium Points in n-Person Games. Proceedings of the

National Academy of Sciences, 36.
Neumann, J. von, and Morgenstern, O. (1944) Theory of Games and Economic
Behavior. Princeton University Press.
Owen, G. (1995) Game Theory. 3rd. Ed. Academic Press.
Rasmusen, E. (1996) Games and information. An introduction to game theory.
Blackwell. 2ª ed.
Ríos, S., M.J. Ríos-Insúa, S. Ríos-Insúa. (1989) Procesos de Decisión
Multicriterio. Eudema.
Romero, C. (1991) Handbook of Critical Issues in Goal Programming. Pergamon
Press.
Romero, C. (1993) Teoría de la Decisión Multicriterio: Conceptos, Técnicas y
Aplicaciones. Alianza Universidad.
Saaty, T. L. (1977) A Scaling Method for Priorities in Hierarchical Structures.
Journal of Mathematical Psychology, 15, 234-281.
Saaty, T.L. (1980) The Analytic Hierarchy Process. McGraw Hill
Selten, R. (1965) Spieltheoretische Behandlung eines Oligopolmodells mit
Nachfragetragheit. Zeitshcrift für Gesamte Staatswissenschaft, 121.
Simon, H. A. (1955) A Behavioral Model of Rational Choice. Quarterly Journal
of Economics, 69, 99-118.
Stackelberg, H. von (1934) Marktform und Gleichgewicht. Springer.
Thomas, L.C. (1986) Games, theory and applications. Ellis Horwood,
Chichester.
Yu, P.L. (1973) A Class of Solutions for Group Decision Problems. Management
Science, 19, 936-946.
Yu, P.L. (1985) Multiple criteria decision making: Concepts, techniques and
extensions. Plenum, New York.
Zadeh, L.A. (1963) Optimality and Non-Scalar-Valued Performance Criteria.
IEEE Transactions on Automatic Control, 8, 59-60.
Zeleny, M. (1973) Compromise Programming, in Multiple Criteria Decision
Making (Cochrane, J.L. and Zeleny, M. ed.). University of South Carolina
Press, 262-301
Zeleny, M. (1974) A Concept of Compromise Solutions and the Method of the
Displaced Ideal. Computers and Operations Research, 1, 479-496.
Zeleny, M. (1982) Multiple criteria decision making. McGraw-Hill, New York.
86 15/02/2008
I.6 Biblioteca de problemas

PROBLEMA 1
El vendedor de periódicos Chema Pamundi vende en la esquina de la
Avenida de Roquetas y la Avenida de Aletas de la Frontera, y cada día debe
determinar cuántos periódicos pedir. Chema compra a 100 céntimos de euro
cada periódico y lo vende a 125. Los periódicos que no vende al final del día no
tienen valor. Chema sabe que cada día puede vender entre 6 y 10 periódicos,
siendo igual cada probabilidad. Dar la decisión óptima según cada uno de los
criterios.
PROBLEMA 2
Una compañía ha diseñado un nuevo circuito integrado que le permitirá
entrar en el mercado de los microordenadores si así lo desea. En otro caso,
puede vender sus derechos por 80 millones. Si elige construir ordenadores, la
rentabilidad de este proyecto depende de la habilidad de la compañía para
comercializarlas durante el primer año. Tiene suficiente acceso a los
distribuidores para asegurar la venta de 1000 ordenadores. Por otro lado, si
tiene éxito puede llegar a vender hasta 10000 máquinas. La compañía piensa que
ambas alternativas de venta son igualmente probables y que cualquier otra
puede ignorarse. El coste de instalar la línea de producción es de 60 millones. La
diferencia entre el precio de venta y el coste de cada ordenador es de 60000
euros. Determinar según los diferentes criterios cuál es la decisión óptima.
Supóngase ahora que se puede realizar un estudio de mercado a un coste de
40 millones para predecir cuál de los dos niveles de demanda es más probable
que se dé. La experiencia indica que esta investigación de mercado es correcta
dos tercios de las veces. Determinar la política óptima a seguir, según el criterio
del valor medio.
PROBLEMA 3
Colaco tiene en la actualidad activos de 15 millones de euros y desea decidir
si vende o no un refresco con sabor a chocolate, la Chocola. Colaco tiene tres
opciones: 1) Probar en forma local el mercado de Chocola y, a continuación,
usar los resultados del estudio de mercado para decidir si vende la Chocola a
nivel nacional o no. 2) Directamente vender la Chocola a nivel nacional. 3)
Decidir directamente no vender la Chocola.
A falta de un estudio de mercado, Colaco cree que Chocola tiene un 55% de
posibilidades de éxito nacional, y 45% de fracaso absoluto. Si es un éxito
nacional, el beneficio será de 30 millones y si es un fracaso, se perderán 10.
15/02/2008 87
I.6 BIBLIOTECA DE PROBLEMAS
Si Colaco decide hacer el estudio previo a un coste de 3 millones, hay un

60% de posibilidades de que sea un éxito local y un 40% de fracaso local. Si
obtiene éxito local hay un 85% de posibilidades de que Chocola sea éxito
nacional. Si se obtiene un fracaso local hay sólo un 10% de que Chocola sea
éxito nacional. Si Chocola es neutral respecto a riesgos, ¿qué estrategia debe
seguir? ¿Y si Colaco valora sus ganancias de forma no lineal asignando las
siguientes utilidades: u(45 millones)=1, u(42 millones)=.99, u(22.6
millones)=.6649, u(15 millones)=.48, u(12 millones)=.40, u(5 millones)=.19 y
u(2 millones)=0?
PROBLEMA 4
Una compañía es dueña de unos terrenos en los que puede haber petróleo.
Un geólogo consultor ha informado a la gerencia que piensa que existe una
posibilidad de 1 entre 4 de encontrar petróleo. Debido a esta posibilidad, otra
compañía petrolera ha ofrecido comprar las tierras por 9 millones de euros. Sin
embargo, la compañía está considerando conservarla para perforar ella misma.
Si encuentra petróleo, espera ganar aproximadamente 70 millones, pero perderá
10 si el pozo está seco.
1. Dar la decisión óptima según los distintos criterios de decisión. Para el
criterio de Hurwicz determinar el grado de optimismo que separa cada una
de las decisiones. ¿Cuál darías como solución si sabes que la empresa está
operando con poco capital y la pérdida de 10 millones resulta importante?
2. A la empresa, se le ofrece una opción anterior a tomar una decisión que
consiste en llevar a cabo una exploración sísmica detallada en el área para
obtener una mejor estimación de la probabilidad de encontrar petróleo, y
cuyo coste es de 3 millones. Se sabe que éste sondeo cuando hay petróleo lo
predice correctamente seis de cada 10 veces, mientras que si no lo hay,
acierta 8 de cada 10.
Dar la política óptima de estas decisiones, y dar el beneficio esperado de esa
política.
3. Dado que hay problemas de capital, se observa que la pérdida de 10
millones, y otros 3 si se encargó el sondeo previo, puede resultar muy grave
para la empresa. Por ello se plantea la posibilidad de sustituir los
beneficios/costes reales por utilidades de éstos. El dueño de la compañía da
la siguiente tabla de utilidades:
Beneficio -13 -10 6 9 67 70

Utilidad -15 -10.5 6 9 58 60
Replantear el problema con estas decisiones.
88 15/02/2008
4. Antes de llevar a cabo la política de decisiones, la empresa es vendida a un

empresario con mayor aversión al riesgo que plantea una nueva tabla de
utilidades:
Beneficio -13 -10 6 9 67 70

Utilidad -20 -13 6 9 44 45
¿Cuál será la decisión del nuevo dueño?
PROBLEMA 5
Hay dos restaurantes en competencia que tratan de determinar sus
presupuestos de propaganda para el próximo año. Las ventas combinadas de los
dos son de 240 millones de euros y pueden gastar 6 o 10 millones de euros en
propaganda. Si uno de ellos gasta más que el otro, tendrá ventas de 190 millones
de euros. Sin ambas empresas gastan lo mismo en propaganda, tendrán las
mismas ventas. Cada 10 euros de venta les produce 1 de ganancia. Si cada
restaurante busca maximizar la ganancia menos el gasto en propaganda, dar un
punto de equilibrio para este juego y comentar la solución.
PROBLEMA 6
Estados Unidos y la Ex-Unión Soviética “estaban” enzarzados en la carrera
armamentística. Supóngase que en un determinado momento cada nación tenía
dos estrategias posibles: construir un nuevo misil o no hacerlo. El coste de
construcción es de 10 unidades, y si una nación lo crea y la otra no, la que lo
crea “recibe 20 unidades” y la que no lo crea “paga 100 unidades”. Identificar
un punto de equilibrio para este juego.
PROBLEMA 7
Una empresa electrónica japonesa y una americana del mismo ramo están
pensando diseñar un superconductor. Si ambas compañías trabajan en el
superconductor tendrán que compartir el mercado y cada compañía
perder 10.000 millones de euros. Si sólo una trabaja en el superconductor, dicha
empresa ganará 100.000 millones de euros. Desde luego, si ninguna trabaja en
ello las ganancias de cada una serán de 0 euros. ¿Tiene algún punto de
equilibrio este juego?
Supóngase ahora que el gobierno japonés ofrece a la empresa japonesa una
subvención de 15.000 millones para crear el superconductor. ¿Tiene algún punto
de equilibrio el juego?
PROBLEMA 8
15/02/2008 89
En el horario de 8 a 9 p.m., dos cadenas televisivas compiten por la

audiencia de 10 millones de espectadores. Las cadenas deben anunciar de forma
simultánea el espectáculo que se emitirá en ese horario. Las elecciones posibles
de cada cadena y el número de televidentes de la cadena 1, en cientos de miles,
aparece en la siguiente tabla. Dar el valor del juego y las estrategias óptimas.
Cadena 2
Cadena 1 Película del Oeste Telenovela Comedia
Película del Oeste 35 15 60
Telenovela 45 58 50
Comedia 38 14 70
PROBLEMA 9
Mad Max desea viajar de Nueva York a Dallas por la ruta más corta posible.
Puede viajar por las rutas que aparecen en la siguiente tabla.
Desafortunadamente, la Bruja Maldita puede bloquear una carretera que salga
de Atlanta y una que salga de Nashville. Mad Max no sabrá qué carreteras han
sido bloqueadas hasta que llegue a Atlanta o a Nashville. ¿Debe ir Mad Max a
Atlanta o a Nashville? ¿Qué rutas debe bloquear la Bruja Maldita?
Ruta Longitud (km)

Nueva York -- Atlanta 800
Nueva York -- Nashville 900
Nashville -- St. Louis 400
Nashville -- Nueva Orleans 200
Atlanta -- St. Louis 300
Atlanta -- Nueva Orleans 600
St. Louis -- Dallas 500
Nueva Orleans -- Dallas 300
PROBLEMA 10
Dos empresas competidoras deben determinar de forma simultánea cuánto
fabricar de un producto. La ganancia total de las dos empresas es siempre 1
millón de euros. Si la capacidad de producción de la empresa 1 es baja y la de la
empresa 2 también, la utilidad de la empresa 1 será de 500 mil euros. Si la
producción de la empresa 1 es baja y la de 2 es alta, las ganancias de la empresa
1 serán 400 mil euros. Si el nivel de producción de ambas empresas es alto la
utilidad de la empresa 1 es de 600 mil euros, pero si la de 1 es alta y la de 2 es
baja, la utilidad para la empresa 1 es de 300 mil euros. Determinar el valor y las
estrategias óptimas para ese juego.
90 15/02/2008
PROBLEMA 11
El sindicato y la gerencia de una compañía negocian el nuevo contrato
colectivo. Por ahora las negociaciones están congeladas, pues la gerencia hace
una oferta “final” de un aumento salarial de 110 centieuros por hora y el
sindicato hace una demanda “final” de 160 centieuros por hora. Ambas partes
han acordado que un árbitro imparcial establezca el aumento en alguna
cantidad entre 110 y 160 centieuros por hora (inclusive).
El arbitraje ha pedido a cada lado que le presente una propuesta confidencial
de un aumento salarial económicamente razonable y justo (redondeando de 10
en 10 centieuros). Por experiencias anteriores, ambas partes saben que el
arbitraje casi siempre acepta la propuesta del lado que más cede respecto a su
cantidad “final”. Si ningún lado cambia su cantidad final o si ambos ceden en la
misma cantidad, el arbitraje suele establecer una cifra a la mitad (135 en este
caso).
Ahora cada parte necesita determinar qué aumento proponer para obtener
un beneficio máximo. Formular este problema como un juego de suma nula y
resolverlo.
PROBLEMA 12
Un total de 90.000 clientes acuden a los supermercados Superbarato y El
Chollo. Para animar a los clientes a entrar, cada almacén regala un artículo.
Cada semana, el artículo de regalo se anuncia en el periódico del lunes.
Naturalmente, ninguno de los almacenes conoce qué artículo va a regalar el otro
esa semana. Superbarato está pensando dar una caja de bebidas o 2 litros de
leche. El Chollo está pensando regalar un paquete de mantequilla o 2 litros de
zumo de naranja. Para cada elección de artículos, el número de clientes que
entrarán al almacén Superbarato durante esa semana aparece en la siguiente
tabla. Cada almacén desea elevar al máximo su número esperado de clientes
durante esa semana. Determinar una estrategia óptima para cada supermercado
y el valor del juego.
El Chollo
Mantequilla Zumo de naranja
Superbarato Bebidas 40000 50000
Leche 60000 30000
PROBLEMA 13
La dulce, frágil y rubia Caperucita lleva diariamente a su abuelita una bolsa
de 50 pastelillos, ya que la pobre está enferma, es de suponer que de diabetes, de
15/02/2008 91
tanto pastelito. Pero en el camino puede encontrarse con “El Lobo”, apodo con
que es conocido cierto individuo, feroz devorador de pastelitos y tortilla de
patatas, que se dedica a quitar pastelitos a las mocosas de 10 a 30 años que se
adentran en el bosque.
Para evitar tan indeseado encuentro Caperucita puede ir por un sendero
llano o cruzando montes, y si así lo desea, puede hacerse acompañar por su
novio, por una u otra ruta.
“El Lobo” puede hacer lo mismo (lo del sendero o el monte, no lo del novio)
y puede ir a pie o en bicicleta (arriesgando los dientes si va por el monte). La
cantidad de pastelillos que “El Lobo” puede llegar a capturar en las diversas
situaciones posibles, se refleja en la tabla siguiente. La cantidad negativa que
aparece se debe a que el novio de Caperucita, si bien un poco distraidillo, es una
mala bestia de 120 kilos que parte piñones con los bíceps y que en esas
circunstancias logra agarrar a “El Lobo” para después de convertirlo en “La
Oveja” mediante una soberana paliza, aligerarle de lo que lleva en la mochila.
Caperucita
“El Lobo” Sola por Sola por monte Con novio por Con novio por
sendero sendero monte
En bici por 10 0 5 0
sendero
En bici por 0 5 0 40
monte
A pie por 30 0 -20 0
sendero
A pie por 0 15 0 50
monte
¿Cómo tienen que elegir sus rutas Caperucita y “El Lobo” para sacar el
mayor partido de sus encuentros desde el punto de vista de tener la mayor
cantidad de pastelitos? ¿Cuántos dulces por encuentro espera conseguir “El
Lobo”?
PROBLEMA 14
Dos compañías comparten el grueso del mercado para cierto tipo de
producto. Cada una está haciendo nuevos planes de comercialización para el
próximo año con la intención de arrebatar parte de las ventas a la otra
compañía (las ventas son más o menos fijas, así que se puede suponer que sólo
se incrementan para una si disminuyen las de la otra). Cada una considera tres
opciones: 1) un mejor empaquetado del producto, 2) un aumento en publicidad,
92 15/02/2008
3) una pequeña reducción en el precio. Los costes de las tres opciones son
comparables y lo suficientemente grandes como para que cada compañía elija
sólo una. El efecto estimado de cada combinación de alternativas sobre el
aumento en el porcentaje de las ventas para la compañía 1 sería del 4% si
ambas compañías eligen la primera opción; del 3% si la compañía 2 elige la
primera opción y la compañía 1 la tercera, o la compañía 2 elige la tercera y la
compañía 1 la segunda opción; del 2% si la compañía 2 elige la segunda opción y
la compañía 1 la primera o tercera opción; perdería un 2% si ambas eligen la
tercera opción, y perdería un 3% si la compañía 2 elige su tercera opción y la
compañía 1 su primera opción. En el resto de posibilidades los porcentajes del
mercado no varían respecto a los actuales.
1. Plantear y resolver el juego matricial que se plantea para obtener las

estrategias que deben seguir ambas compañías y la variación del porcentaje
en las ventas que esperará cada compañía en caso de seguir esas estrategias.
2. Demostrar que el planteamiento de obtención de la estrategia óptima de la
compañía l y el de la compañía 2 son problemas duales.
PROBLEMA 15
Dos jugadores deciden jugar al siguiente juego: el jugador 1 escribe un
número entero entre 1 y 20 en una hoja de papel. Sin mostrar el papel al
jugador 2, le dice lo que ha escrito. El jugador 1 puede mentir o decir la verdad.
Entonces el jugador 2 debe adivinar si el jugador 1 ha dicho la verdad o no. Si
descubre que es mentira el jugador 1 paga al jugador 2 mil euros. Si la
acusación de mentir es falsa, el jugador 2 paga al 1 quinientas. Si el jugador 1
dice la verdad y el jugador 2 lo acierta, entonces el jugador 1 paga cien al
jugador 2. Si el jugador 1 miente y el jugador 2 no lo adivina, entonces el
jugador 2 paga quinientas al jugador 1.
1. Definir cuál es la estrategia de solución de un problema de este tipo

2. Determinar las estrategias de cada jugador, la matriz de pagos, el punto o
puntos de equilibrio (si existen), el valor del juego (si existe), la estrategia
óptima de cada jugador.
PROBLEMA 16
La empresa HeladoSA desea lanzar un nuevo producto al que permita
introducirle en nuevos mercados. En la siguiente tabla se muestra los beneficios
(o pérdidas en su caso) esperados de los tres productos candidatos dependiendo
del impacto de la campaña publicitaria.
15/02/2008 93
Alto Impacto Impacto Medio Bajo Impacto

Chocolight 25 10 15
Chocochufa 15 15 15
Chocodisco 20 10 -10
Determine qué producto sacaría al mercado si aplica el criterio de Savage, el

de Wald y el de Hurwicz (para los distintos valores de α ).
PROBLEMA 17
Dos aerolíneas, AC y AP, se disputan el transporte aéreo de pasajeros,
siendo un total de 40.000 pasajeros diarios. Las dos aerolíneas tienen varias
opciones; la aerolínea AC puede poner vuelos en todo el territorio, en el centro y
norte, o sólo en el norte. La aerolínea AP puede poner vuelos en todo el
territorio o sólo en centro y sur. Los pasajeros que captaría la aerolínea AC
según las estrategias a seguir se estiman así:
Aerolínea AP
Todo territ. Centro y Sur
Todo territ. 15000 25000
Aerolínea AC Norte 15000 20000
Centro y Norte 20000 25000
1. Dar las estrategias óptimas y el valor del juego, e interpretarlos.

2. Ahora se le ofrece una nueva opción a la aerolínea AP, de modo que si ella
implanta esta nueva opción y la aerolínea AC pone vuelos en todo el
territorio, AC tendría 20.000 pasajeros; si AC pone vuelos sólo en el Norte,
lograría 25.000 pasajeros, y si pone vuelos en Centro y Norte, lograría 18.000
pasajeros. ¿Cuál sería la nueva solución incluyendo ahora esta nueva
estrategia de AP?
PROBLEMA 18
Hay un concurso de televisión que funciona como sigue: primero se me
pregunta algo acerca de Stupid Videos. Si contesto bien gano 10000 euros. Creo
tener una probabilidad de 0.8 de contestar bien esa pregunta. Si la contesto mal,
se acabó y no gano nada. Si contesto bien me puedo quedar las 10000 euros o
proseguir el juego y contestar alguna pregunta de Stupid TV Shows. Si contesto
bien gano otras 30000 euros, pero si contesto mal pierdo lo anterior. Creo poder
responder bien con una probabilidad de 0.6. Si la contesto bien, puedo irme con
mi ganancia o proseguir y responder a una pregunta de Estadística. Si la
contesto bien gano otras 50000 euros, pero si contesto mal pierdo todo lo
94 15/02/2008
anterior. La probabilidad de acertar esta pregunta es de 0.4. ¿Cómo puedo

maximizar mi ganancia esperada y cuál es esta ganancia? Usar resultados de
decisión.
PROBLEMA 19
Una empresa de suministros, “Sumis, S.A.” desea analizar varias opciones de
expansión de la empresa, fundamentalmente asociadas a su proceso productivo.
Por una parte, tiene la opción de mejorar el material que está utilizando
haciendo una fuerte inversión en investigación sobre materiales, logrando un
mayor beneficio unitario posterior de los productos. Por otra parte, tiene la
opción de ampliar la capacidad de producción haciendo una ampliación de la
planta de producción ya existente. Además tiene otra posibilidad para ampliar
la capacidad que consiste en abrir una nueva planta de producción. El
presupuesto disponible no le permite abordar varias estrategias de expansión a
la vez, de modo que ha de elegir una de las alternativas.
Por otra parte, las consecuencias derivadas de cada una de las decisiones son
distintas según sea la coyuntura que rodee al momento de la expansión. Así,
pueden darse distintos escenarios de demanda de los suministros en función
fundamentalmente de lo que una empresa competidora, “Multi” pueda hacer. La
otra empresa puede construir una nueva fábrica en el país, construir una nueva
fábrica fuera del país, o no aumentar su producción.
Los beneficios que considera la empresa para cada una de sus opciones según
se den las opciones de la otra empresa se recogen en la siguiente tabla, donde las
filas representan las opciones de la empresa “Sumis, S.A.” y los números su
beneficio.
Nueva fábrica en Nueva fábrica fuera de No hace
país país nada
Nuevo 10 -1 10
material
Amplía planta 0 3 10
Nueva planta 5 -2 6
No hace nada -15 2 5
a) ¿Qué aconsejarías a la empresa “Sumis, S.A.” hacer si las estrategias de la

otra empresa son conocidas pero se desconoce absolutamente la valoración
que esta empresa puede hacer de ellas, ya que además opera en otros
mercados? ¿Cambiarías la opinión si supieras que las probabilidades de que
la otra empresa lleve a cabo cada una de sus estrategias son de 0.1, 0.8 y 0.1,
respectivamente? Justificar.
15/02/2008 95
b) ¿Cuál sería la decisión si la tabla refleja las valoraciones de ambas empresas

y no sólo la que hace “Sumis, S.A.”? Justificar.
c) Supóngase que siendo la tabla las valoraciones que hacen ambas empresas,
en realidad están en juego una serie de contratos futuros cuya cantidad
asciende a 10 millones de euros, y que los valores reflejados en la tabla son
los que recibiría la empresa “Sumis, S.A.” en millones de euros, y el resto
sería para la empresa “Multi”. Por otra parte, la administración considera
que las nueva inversiones en el país las va a subvencionar con 6 millones por
la apertura de una nueva fábrica, y con 2 millones la inversión en nuevas
tecnologías. ¿Cuál sería la solución? ¿Y si las subvenciones son de 2 millones
por la apertura de una nueva fábrica y de 6 millones por la investigación en
nuevas tecnologías?
PROBLEMA 20
Dado el planteamiento del ejemplo de Aranceles y Competencia Internacional
Imperfecta, resolver si el coste de producción de una empresa es doble que el de
la otra. Hacerlo si además el precio de venta es el doble en el país de producción
más caro.
PROBLEMA 21
Obtener las estrategias en equilibrio para el planteamiento del duopolio de
Cournot, pero con costes desiguales.
PROBLEMA 22
En un sistema de mercado, se dice que hay competencia perfecta si los jugadores
disponen de información completa, y además ningún agente puede modificar los
precios por sí mismo. Obviamente, el caso del duopolio de Cournot es un caso
de competencia no perfecta o imperfecta. Analizar las estrategias en equilibrio
en un planteamiento como el de Cournot, pero con n jugadores, y analizar cuál
sería el precio resultante si el valor de n tiende a infinito, que sería el caso de
competencia perfecta (que haya infinitos jugadores o que se pueda aproximar la
situación a ésta).
PROBLEMA 23
Considérese un mercado en el que intervienen tres compañías. La demanda
solicitada a cada una de las compañías resultará una función que depende de los
precios que determinen todas ellas. La relación demanda-precio de cada
producto es:
96 15/02/2008
q1 = max {0,10 + p3 − p1}

q2 = max {0,10 + p3 − p2 }
q3 = max {0, 20 + p1 + p2 − 3 p3 }
Los costes de producción vamos a considerar que son todos iguales a cero.
a) Si los precios se determinan a la vez mediante subasta, ¿qué cantidad
deberá producir cada una? ¿qué precio pondrá cada una al producto?
¿qué beneficio obtendrá cada una? ¿Cómo se modificaría la solución si
fuera una única empresa que controla las tres unidades de oferta y pueden
actuar conjuntamente?
b) Si los precios se determinan por las empresas haciendo público el nuevo
precio, siendo la empresa 1 la primera que anuncia, luego la 2, y por
último la 3, ¿qué cantidad deberá producir cada una? ¿qué precio pondrá
cada una al producto?
c) ¿Cuál sería una estrategia disparador si se repitiera el proceso
semanalmente?
d) Supóngase que pueden adoptar acuerdos entre ellas y repartir
posteriormente la cantidad ganada, ¿qué cantidad debería llevarse cada
una? ¿qué poder tienen en el mercado cada una de las empresas?
PROBLEMA 24
Dos empresas comparten el mercado de un cierto producto. Cada empresa tiene
que decidir qué cantidad va a producir de ese producto, teniendo en cuenta que
ambas tienen un coste de producción de 10€ por unidad. El precio de venta
unitario del producto cambia según sea la oferta, siendo de 100€ menos la mitad
del total producido. Responder:
a) Si la empresa 1 sólo se plantea producir 50 unidades o producir 80
unidades, y la empresa 2 sólo se plantea producir 60 unidades o producir
80 unidades, ¿cuál será la cantidad que debería producir cada una para
maximizar sus beneficios?
b) Si pueden elegir cualquier cantidad de producción ¿cuál será la cantidad
óptima que debe producir cada una de ellas?
PROBLEMA 25
El gestor de las líneas de ferrocarril de un país desea instalar un sistema de
seguridad en una nueva línea férrea en construcción. Para ello ha recibido la
oferta de 5 empresas. Cada una de las ofertas está compuesta por tres partes: la
oferta técnica, la oferta económica y el plan de desarrollo. Cada oferta es
evaluada por expertos, y tras un análisis en que se considera que la oferta de la
15/02/2008 97
Empresa 5 no es viable, y sí las del resto, conceden una “puntuación” en cada

una de las tres partes.
Se asigna una puntuación a cada parte y empresa, desestimando la mejor y
la peor de las puntuaciones obtenidas, y haciendo la media de las otras. A
continuación se muestra la tabla de puntuaciones asignadas:
Oferta técnica Oferta económica Plan de desarrollo

Empresa 1 10 4 8
Empresa 2 6 9 5
Empresa 3 8 6 7
Empresa 4 7 7 9
El gestor ha de decidir a la vista de las puntuaciones obtenidas, qué empresa

desarrollará el sistema. Suponiendo que las preferencias del gestor mantienen la
relación lineal (es decir, una diferencia en un criterio de 10 a 8, es igual que de 8
a 6, por ejemplo), dar la opción en tres supuestos:
a) Los pesos asignados a los tres criterios son 0.4, 0.35 y 0.25,
respectivamente
b) La matriz de comparación entre criterios es:
O. Técnica O. Económica P. Desarrollo

O. Técnica 1 3 5
O. Económica 1/3 1 3
P. Desarrollo 1/5 1/3 1
c) Plantearlo con valoraciones propias de los criterios
PROBLEMA 26
La planificación energética se ha venido realizando tradicionalmente, en función
de los costes del productor. Sin embargo, la asignación de recursos en base a
este criterio no siempre es eficiente, ya que existen otros costes asociados a las
distintas opciones, que no aparecen reflejados en el coste de generación.
Este es el caso de los costes medioambientales. La generación eléctrica
conlleva unos impactos sobre el medio ambiente que, sin embargo, no son
tenidos en cuenta a la hora de asignar eficientemente los recursos, desde un
punto de vista social. Esta ineficiencia hace que la alteración del medio se siga
produciendo, a pesar de la cada vez mayor sensibilización por parte de la
opinión pública, sin que las fuerzas del mercado sean capaces de impedirlo.
98 15/02/2008
Para evitar estas debilidades del mercado, es necesario introducir otros

criterios para la toma de decisiones económicas. Una de las formas de hacerlo es
la aplicación de la decisión multicriterio. Esta metodología presenta la ventaja
de que no es necesario determinar un valor monetario para los impactos
medioambientales. Su desventaja, sin embargo, radica en que esta
heterogeneidad hace necesario analizar cada caso por separado, con la
complejidad analítica que ello supone, lo que sería innecesario si todos los costes
estuvieran medidos en las mismas unidades.
En este caso se presenta una planificación eléctrica muy simplificada, ya que
ha sido necesario hacer supuestos, no siempre evidentes, para reducir la
complejidad operativa. Esta simplificación se debe a que el objetivo buscado es
simplemente mostrar cómo los resultados de una planificación eléctrica
tradicional pueden verse alterados si se introducen otros criterios. La
introducción de los costes medioambientales se ha hecho a través de una
variable asociada, como las emisiones de CO2, ya que estas emisiones son un
aspecto medioambiental de gran relevancia en la actualidad.
Se supone una demanda eléctrica anual de 150000 GWh, que puede ser
satisfecha mediante el empleo de las siguientes fuentes de energía: carbón,
energía nuclear, gas natural, energía eólica, biomasa procedente de cultivos
energéticos, y energía hidráulica. El coste de generación, así como los costes
medioambientales producidos deben ser mínimos.
Las posibilidades de utilización de cada una de las opciones están
determinadas por el potencial existente, o por condicionantes de otro tipo, que
se detallan a continuación:
- la energía nuclear está sujeta a una moratoria que impide la expansión de la
potencia instalada, con una producción anual de 53000 GWh.
- respecto al gas natural, se supone una potencia máxima instalada de 1.835
MW, establecida por el Plan Energético Nacional. Suponiendo una
utilización de 7.000 h al año, la producción potencial sería de 12.845 GWh.
- el potencial de la energía eólica en nuestro país ha sido evaluado en unos
2.000 MW, que, para una utilización media de 2.500 h, produciría un
máximo de 5.000 GWh.
- los recursos de biomasa para producción energética han sido estimados en 22
Mtep, que equivaldrían a unos 40000 GWh de producción eléctrica.
- por último, se supone un potencial hidráulico de 31.755 GWh.
Estos supuestos simplifican bastante la operación del problema, aunque se
ajustan bastante a la realidad. En primer lugar, se considera que toda la
demanda debe ser satisfecha con estas opciones, sin tener en cuenta otras como
el fuel-oil, la energía solar, la cogeneración, etc. En segundo lugar, la
planificación se va a realizar en base a la producción, no a la potencia instalada.
15/02/2008 99
Para ello se consideran unas horas de utilización determinadas, lo que en lógica,

debería venir definido por la posterior optimización de los costes de generación,
ya que es a partir de ésta cuando debe calcularse el tiempo de funcionamiento, y
no antes. En cualquier caso, es de esperar que los supuestos no alteren
demasiado el carácter ilustrativo de este ejercicio
Los costes de generación que se van a utilizar son costes medios aproximados
de la generación eléctrica en España, para una utilización normal durante el
año, según la planificación tradicional. En la tabla 1, aparecen los costes de
generación, y emisiones de CO2 para las opciones consideradas. Para poder
referirlas a la producción de electricidad, ambos vienen establecidos con relación
al kWh generado. Hay que recordar que algunos costes son simplemente
estimaciones. El coste del carbón corresponde al carbón importado.
Tabla 1. Costes y emisiones de CO2 de la generación eléctrica

Fuentes de energía Coste (c€/kWh) Emisiones de CO2 (g/kWh)
Carbón 5,85 1015
Nuclear 8,24 -
Gas natural 5,00 401
Eólica 9,00 -
Biomasa 12,00 -
Hidráulica 6,00 -
Las tecnologías consideradas para estimar las emisiones son, para el carbón,
combustión con combustible pulverizado, para el gas natural, un ciclo
combinado, y para la biomasa, combustión en lecho fluidizado. En este último
caso, aunque hay emisiones de CO2 en la combustión, las emisiones netas se
consideran nulas debido a la fijación previa del CO2 por los cultivos energéticos
empleados para la producción de electricidad.
100 15/02/2008
I.7 Resultados de la biblioteca de problemas

RESULTADO DEL PROBLEMA 1
Por el criterio del valor esperado, son indiferentes 6 y 7 periódicos, siendo el
beneficio esperado de 150 centieuros.
Por el criterio de Wald, se piden 6 periódicos.
Por el criterio de Savage, son indiferentes 6 y 7 periódicos siendo 100 la
pérdida.
Por el criterio de Hurwicz, para α < 0.8 se piden 6 periódicos y para
α > 0.8 se piden 10 periódicos.

Por el criterio del valor esperado, se elige construir con un beneficio esperado
de 270 millones de euros.
Por el criterio de Wald, se venden los derechos.
Por el criterio de Savage, elige construir con una posible pérdida de 80
millones.
Por el criterio de Hurwicz, para α < 0.148 se venden los derechos y para
α > 0.148 se construyen ordenadores.
Si tiene la posibilidad de encargar el estudio, al fin decide no encargarlo e
invertir directamente, con el beneficio esperado de 270 millones.

Colaco debe lanzar la nueva bebida a nivel nacional sin estudio local, siendo
la cantidad esperada al final de sus activos de 27 millones de euros.
Sin embargo, si emplea las utilidades, debe encargar el estudio local, y si
resulta un éxito local lanzarlo a nivel nacional, y si no, no lanzarlo. La utilidad
esperada en este caso es .6649.

1. Por el criterio del valor esperado, debe perforar esperando ganar 10 millones.
Por el criterio de Wald, decide vender los terrenos.
Por el criterio de Savage, decide perforar siendo el coste de oportunidad de
19 millones.
Por el criterio de Hurwicz, para α < 0.2375 vende los terrenos y para
α > 0.2375 decide perforar.
2. Decide hacer el sondeo previo y si resulta favorable perforar, y si no, vender,
esperando ganar 12.3 millones.
15/02/2008 101
I.7 RESULTADOS DE LA BIBLIOTECA DE PROBLEMAS
3. Decide seguir la misma estrategia, aunque ahora su utilidad es de 10.65.

El nuevo dueño, decide vender recibiendo los 9 millones.

Los dos restaurantes gastan el máximo en propaganda para defender su
cuota en las ventas (obviamente, si llegaran a un acuerdo les sería más rentable
a ambos, es la diferencia entre cooperar haciendo coaliciones y no intercambiar
información).

Ambos deciden construir el misil, lo que provoca la escalada en la carrera de
armamento.

No hay solución, hay dos estrategias en equilibrio pero con diferentes pagos,
lo que hace que no sean solución (las dos son que uno construya y otro no, con
pagos (0,100) o (100,0)). Sin embargo, si el gobierno japonés subvenciona a la
empresa de su país, sí hay solución, Japón construye (lo que aumenta sus
exportaciones) y EEUU no.

Hay un par de estrategias puras en equilibrio: la cadena 1 pone una
telenovela, y la 2 una película del oeste. La primera cadena tendrá 4.5 millones
de espectadores, y la 2 tendrá 5.5 millones.

Hay un par de estrategias puras en equilibrio: Mad Max va a Atlanta, y la
Bruja Maldita debe cortar de Atlanta a St. Louis y de Nashville a Nueva
Orleans. El valor del juego (distancia a recorrer por Mad Max) es 1700
kilómetros.

La empresa 1 tiene como estrategia óptima (0.25,0.75) siendo la primera
opción una producción alta y la segunda baja. La segunda empresa, sin
embargo, tiene como estrategia (0.5,0.5). El valor del juego es, si fuera de suma
nula, 450, es decir, para la primera empresa de 450 mil euros y para la segunda
de 550 mil.
102 15/02/2008
Como juego de suma nula considerar 135 (el punto medio) y para cada
cantidad que se fijaría restarle 135, siendo éste el pago para el sindicato. El
resultado de la negociación es que el sindicato debe proponer 140 centieuros y la
gerencia 130, siendo el valor del juego 0, es decir, se fija en 135.

El supermercado Superbarato debe regalar las bebidas un 75% de las
semanas, y la leche un 25%. El Chollo debe regalar la mitad de las semanas
mantequilla y la otra mitad zumo. Cada uno espera lograr 45.000 clientes.

Caperucita debe ir sola por el monte un 25% de las veces y con su novio por
el sendero un 75%. “El Lobo” por su parte, debe ir un 75% de las veces por el
sendero en bicicleta, y un 25% por el monte a pie. De esta forma el lobo espera
conseguir 3.75 pastelillos diarios.

La compañía 1 ha de elegir su segunda estrategia 4 de cada 7 veces y la
tercera 3 de cada 7 veces. La compañía 2 ha de elegir 5 de cada 7 su segunda
opción y 2 de cada 7 la tercera. El valor esperado es de 0.857 para la primera
compañía.

1.
2. La estrategia óptima del primer jugador es (Mentir, Decir Verdad)=(6/31,
25/31), y la del segundo jugador es (Decir que es mentira, Decir que es
verdad)=(6/31,25/31). El valor del juego es 500/31.

Según el criterio de Wald, sacará Chocochufa; según el de Savage, sacará
Chocolight; y según el criterio de Hurwicz, para α < 1/ 3 será Chocochufa, y
para α > 1/ 3 será Chocolight.

1. La aerolínea AC debe poner vuelos en Centro y Norte, y la aerolínea AP en
Todo el Territorio.
2. La solución para AP es poner vuelos en Todo el Territorio con probabilidad
7/12, y en la nueva opción con probabilidad 5/12. Para AC la solución es
Norte con probabilidad 2/12, y Centro y Norte con probabilidad 10/12. El
valor esperado es de 19166.6666 pasajeros para AC y el resto para AP.
15/02/2008 103
I.7 RESULTADOS DE LA BIBLIOTECA DE PROBLEMAS

La ganancia esperada máxima es 19200 euros, decidiendo responder la
primera pregunta, si la acierto responder la segunda, y después de ésta, en
ningún caso continuar.

a) Puntuaciones de las ofertas de las empresas: 7.4, 6.8, 7.05 y 7.5. Se
elegiría la oferta de la Empresa 4
b) Pesos obtenidos mediante metas para los criterios: 0.65, 0.22 y 0.13, con
una desviación del segundo criterio respecto al tercero de 0.174. Con
estos pesos las puntuaciones de las ofertas de las empresas son: 8.42, 6.53,
7.43 y 7.26. Se elegiría la oferta de la Empresa 1.
104 15/02/2008

A DT UCM

Cargado por

Copyright:

Formatos disponibles

A DT UCM

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

A DT UCM

Cargado por

Copyright:

Formatos disponibles

TEORÍA DE LA DECISIÓN:

Decisión con Incertidumbre, Decisión Multicriterio y

I.1 INTRODUCCIÓN A LA TEORÍA DE LA DECISIÓN ..............................................3

I.1 Introducción a la teoría de la decisión

I.2 Teoría de la decisión con incertidumbre o riesgo

I.2.1 Criterios para valorar las posibles decisiones

muy elevado. Se basa en que normalmente el decidor siente aversión por

Criterios sin utilizar las probabilidades de los estados de la naturaleza

Estos costes de oportunidad se evalúan para cada alternativa y cada

I.2.2 Valor esperado de la información perfecta (VEIP)

I.2.3 Procesos decisión polietápicos: Árboles de decisión

Veamos el siguiente ejemplo. Un vendedor ambulante ha de decidir en el mes

D.Alta 0'3 140.000

A2 D.Media 0'5 50.000

La valoración de los nodos se hace como sigue:

P (DB / M )P (M ) 0.6 × 0.3

I.2.4 Utilidad: concepto y funciones de utilidad

las loterías y la relación de equivalencia entre ellas, para poder definir la

Axiomas de Von Neumann y Morgestern

La función de utilidad aunque no vaya entre 0 y 1 puede ser transformada a

Una gráfica de una posible función de utilidad es la que se tiene a

Es muy habitual aplicar todos los conceptos de decisión vistos previamente

I.3 Decisión multicriterio

I.3.1 Introducción: conceptos básicos

opt z (x ) = (z 1(x ),...., z p (x ))

Atributo: “valor” observado (medido) de una decisión independientemente

Dadas estas definiciones previas, lo primero que se necesita en un problema

Un ejemplo gráfico para dos atributos podría ser el siguiente:

Conjunto eficiente o de Pareto

I.3.2 Métodos de optimización multiobjetivo

Por ejemplo, supóngase un problema en que hay que determinar la

la matriz de pagos sería

Por otra parte, las tasas de intercambio (trade-offs o costes de oportunidad)

I.3.2.1 Técnicas generadoras del conjunto eficiente

Método de las ponderaciones [Zadeh, 1963]

Método de las ε-restricciones [Marglin, 1967]

Teorema: Si x * es eficiente, ∀l ∃εk tales que x * es solución óptima de Pl (ε) .

Método simplex multiobjetivo [Zeleny, 1973]

En general, para diferentes valores de π se obtiene diferente solución, de ahí

I.3.3 Métodos satisfacientes: programación por metas

Este procedimiento se puede aplicar también a las restricciones del problema

multicriterio que está proporcionando mejores resultados. Sin embargo, no está

La idea básica es ponderar las variables de desviación, ya que pueden tener

Programación por metas MINIMAX o Tchebychev

Programación por metas lexicográficas

I.3.3.2 Temas críticos en programación por metas

1. Posible equivalencia de soluciones entre modelos de programación por

niveles de aspiración. La equivalencia puede darse también en metas

2. Conclusiones equivocadas por agregar metas lexicográficas en una función

3. Problemas derivados de la omisión de una variable de desviación

las metas, además de que, en general, no incluirlas no conlleva una

5. Incompatibilidad entre ordenaciones lexicográficas y la existencia de una

diría que siempre existe un incremento en el volumen de madera

6. Posible ineficiencia paretiana de la solución obtenida por metas, y forma

De aquí se deriva un procedimiento para resolver modelos de

7. El concepto de meta redundante y repercusión en las metas lexicográficas

replanteamiento puede hacerse redefiniendo los niveles de aspiración de

I.3.4 Métodos de decisión multicriterio discretos

Estos métodos se aplican cuando el conjunto de alternativas que se considera