TEORIA DE DECISIONES

TEORIA DE DECISIONES
Consiste en analizar los diferentes mtodos que se aplican en situaciones de riesgo, incertidumbre, conflicto o certeza.

TOMA DE DECISIONES BAJO CERTEZA

Si tenemos toda la informacin para tomar una decisin, tenemos una situacin de toma de decisiones bajo certeza. En otras palabras, bajo certeza podemos predecir exactamente los resultados de cada curso alterno de solucin. Ejemplo: Que alternativa escogera de localizacin, s tiene la confianza en los siguientes resultados? UTILIDAD ACTUAL EN DIEZ AOS 0.70 0.95 0.60 0.84

LOCALIZACIN 1 2 3 4

Solucin: Aquella que tenga el mejor valor de localizacin: N 2.

TOMA DE DECISIONES BAJO RIESGO

La condicin de riesgo se refiere a la situacin en la cual la probabilidad de ocurrencia del resultado de una accin (alternativa) es conocida. Esta alternativa puede tener ms de un resultado. En cualquier situacin de toma de decisiones bajo riesgo deben completarse los siguientes elementos: a) Cursos alternativos de accin. b) Eventos y sus probabilidades de ocurrencia.
1

c) Consecuencias.

a) Cursos alternativos de accin

Tambin conocido como alternativas de decisin. stas se dan para que la decisin comprenda la eleccin entre cursos de accin alternos. Las alternativas de accin deben estar bajo el control del decisor.

b) Eventos y sus probabilidades de ocurrencia

Son situaciones o estados del ambiente que pueden ocurrir y que no estn bajo el control del tomador de decisiones, por lo tanto, el tomador de decisiones no conoce con certeza qu evento ocurrir cuando decide. Como el nmero de eventos que se representan en situaciones de riesgo es finito, se tiene que cumplir P1=1 Los eventos se definen como mutuamente excluyentes y colectivamente exhaustivos, esto implica que ocurrir uno y solamente uno de todos los eventos posibles especificados. Las probabilidades de ocurrencia normalmente son subjetivas, es decir reflejan el estado de conocimiento o las creencias del tomador de decisiones.

c) Consecuencias
Son los resultados o beneficios adicionales, lo cual es producto de la interaccin de un curso alterno (curso de accin) con un evento. Estos tres elementos conjugados, permiten generar una matriz de decisiones.

MATRIZ DE DECISIONES
Es el conjunto de resultados que permiten determinar el curso de accin ms apropiado (de mayor beneficio).

Estructura de la matriz de decisiones

E1 ALTERNATIVAS A1 A2 . An P1 C11 C21 . Cn1 E2. P2... C12.. C22.. . Cn2... EM PM C1m C2m . Cnm VALOR ESPERADO (VEi) VE1 VE2 . VEn

En donde: Ai= Cursos alternos de accin o alternativas. Pi= Probabilidad de ocurrencia. Ei= Eventos. Cnm= Consecuencias. VEi= Valor esperado. De tal forma que para tomar una decisin de riesgo, debe considerarse el valor esperado, el cual puede llamarse: beneficio esperado, y prdida de oportunidad. Beneficio esperado: Cuando el valor esperado es obtenido a partir del beneficio. Prdida de oportunidad: Cuando el valor esperado es obtenido a partir de las prdidas.

TOMA DE DECISIONES BAJO INCERTIDUMBRE

El estado de incertidumbre se refiere a la situacin en la cual la probabilidad de que ocurra(n) cierto(s) resultado(s) no es conocida del todo. Bajo incertidumbre es imposible estimar las probabilidades de las diferentes consecuencias (resultados) de las decisiones.

La toma de decisiones bajo incertidumbre es la situacin que ms prevalece en la realidad. Obviamente no se debe renunciar a la toma de decisiones debido a la incertidumbre, sino que debe encontrarse la forma de reducirla y/ minimizarla. A este respecto se recomienda obtener informacin adicional (complementaria) respecto al problema; esta aproximacin al menos puede permitir asignar probabilidades parciales a los resultados. Aunque esta informacin adicional puede ayudar a solucionar el problema, debe considerarse el costo de obtener dicha informacin adicional, ya que el beneficio derivado de la informacin adicional debe exceder el costo por obtener dicha informacin.

TOMA DE DECISIONES BAJO CONFLICTO

Una decisin bajo conflicto existe cuando los intereses de dos o ms tomadores de decisin estn en una situacin competencia. Por ejemplo, los beneficios que el tomador de decisiones A obtiene de un curso de accin, es posible slo y s el tomador de decisiones de B tambin toma un cierto curso de accin. De aqu que, en el anlisis de decisin los tomadores de decisin no slo estn interesados en lo que ellos puedan hacer individualmente sino, tambin en lo que ambos pueden hacer. Existen diversas situaciones en las que puede observarse esta situacin de decisin, por ejemplo: estrategias de mercado, desarrollo de un nuevo producto, reclutamiento de ejecutivos experimentados, campaas de publicidad, entre otras.

PROBLEMAS DE APLICACIN TOMA DE DECISIONES CON INCERTIDUMBRE

CRITERIOS DE ELECCIN NO PROBABILISTICOS
Se le llama as porque la situacin de toma de decisiones no existe una distribucin de probabilidad. Los criterios son:

1.- MAXIMIN (WALD)

Este es un enfoque pesimista. Con este enfoque el analista slo considera el peor resultado posible para cada una de las alternativas y selecciona el mejor de los peores (mximo entre los mnimos): Mejor entre los peores.
4

Este criterio fue sugerido por Abraham Wald; bajo este principio el tomador de decisiones supone, que una vez que el ha elegido un curso de accin, si la naturaleza es malevolente (mala), el decisor puede escoger un evento que minimic el pago. Este criterio es ultraconservador. Ejemplo: Suponga los siguientes datos: Tasa de crecimiento de poblacin Baja Media 0.3 0.8 0.2 0.6 0.4 0.5 0.6 0.7

Ai 1 2 3 4 Proceso de solucin:

Alta 0.9 1.1 0.6 0.8

a. De cada alternativa escoger lo peor (subrayado) b. De lo peor escoger lo mejor Solucin: ESCOGER LA ATERNATIVA 4.

2.- METODO MAXIMAX

Si el mtodo MAXIMIN es extremadamente pesimista el MAXIMAX sper optimista. Este criterio es para personas aventureras. es

El mtodo MXIMAX escoge la alternativa con el resultado que es el mejor de lo mejor, sin embargo ignora las prdidas y no considera las oportunidades de ocurrencia de los diferentes eventos posibles, por lo que no se recomienda el MAXIMAX como un buen criterio de decisin. Ejemplo: Suponga los siguientes datos: Tasa de Crecimiento de la poblacin Ai Baja Media Alta 1 0.3 0.8 0.9 2 0.2 0.6 1.1 3 0.4 0.5 0.6 4 0.6 0.7 0.8

Proceso de solucin: a. De cada alternativa escoger la mejor (subrayado) b. De lo mejor escoger lo mejor Solucin: ESCOGER LA ALTERNATIVA 2.

3.- METODO HURWICZ INDICE

Fue sugerido por Leonid Hurwicz. Este econometrista contemporneo se preguntaba porqu siempre debemos suponer que la naturaleza sea malevolente, as, suponiendo que la naturaleza es benvola sugiere que si el tomador de decisiones se siente optimista, entonces debera expresar su grado de optimismo, por lo que se introdujo a la nocin del coeficiente de optimismo Alfa (). El coeficiente de optimismo alfa es un medio por el cual el tomador de decisiones considera los pagos ms grandes (Cmax) y pequeos (Cmin), y los pondera de acuerdo con sus percepciones de optimismo y pesimismo. Para determinar el valor esperado de cada accin (Hi), usar: Hi = () Cmax + (1-) Cmin , y seleccionar el mayor valor de Hi. Cuando Alfa= 1 refleja un tomador de decisiones optimista. Alfa= refleja un tomador neutral. Las dificultades obvias de este criterio comprenden: 1. La dificultad para asignar un valor especifico de alfa. 2. Ignorar los valores de las consecuencias intermedias para cada accin cuando existen ms de dos eventos. 3. La complejidad para elegir una accin particular cuando todas las consecuencias tienen las mismas consecuencias peores y mejores. Ejemplo: Suponga los siguientes datos, y aplique el criterio de Hurwicz- Indice , con un coeficiente de optimismo de 1/3.

Tasa de Crecimiento de poblacin Ai 1 2 3 4 Baja 0.3 0.2 0.4 0.6 Media 0.8 0.6 0.5 0.7 Alta 0.9 1.1 0.6 0.8

Proceso de solucin: : a. De cada alternativa escoger lo mejor y lo peor b. Encontrar los valores de Hi. Solucin: Seleccionar el mayor valor de Hi. Desarrollo: Ai 1 2 3 4 Cmin 0.3 0.2 0.4 0.6 Cmax 0.9 1.1 0.6 0.8 Hi = () Cmax + (1-) Cmin H1= 1/3(0.9) + 2/3 (0.3) = 0.5 H2= 1/3(1.1) + 2/3 (0.2) = 0.5 H3= 1/3(0.6) + 2/3 (0.4) = 0.46 H4= 1/3(0.8) + 2/3 (0.6) = 0.66

Solucin: ESCOGER LA ALTERNATIVA 4.

4.- PESAR MINIMAX: SAVAGE (CRITERIO PESIMISTA)

Cuando se ha tomado una decisin y ha ocurrido un evento, el tomador de decisiones puede experimentar pesar debido a que conoce qu evento ha ocurrido y desea quizs haber seleccionado una accin diferente. Savage propone que el tomador de decisiones debera minimizar su pesar mximo. El criterio de Savage requiere el desarrollo de una matriz de pesar o de prdida de oportunidad y del uso del MINIMAX para seleccionar una accin. El pesar se define como la diferencia entre el pago actual y el pago que uno habra recibido si uno supiera el evento que iba a ocurrir.

Para utilizar el criterio de pesar MINIMAX, primero debe convertirse la matriz de pago en una matriz correspondiente de pesar, esto se hace: Restar el valor en cada entrada de la matriz el pago la entrada ms grande en su columna La entrada ms grande tendr pesar de cero (0). La matriz resultante se denomina matriz de pesar o matriz de prdida de oportunidad.

En el caso de que la tabla original estuviera en el caso de prdidas (COSTOS), uno escogera la menor prdida para cada evento y la restara de cada entrada. Las celdas donde aparece la menor prdida deben mostrar ceros. Posteriormente debe aplicarse el criterio MINIMAX, que es: Escoger el mximo valor de cada rengln, y Seleccionar la alternativa que tenga el mnimo valor.

Ejemplo: Suponga los siguientes datos. Tasa de Crecimiento de la poblacin Ai Baja Media Alta 1 0.3 0.8 0.9 2 0.2 0.6 1.1 3 0.4 0.5 0.6 4 0.6 0.7 0.8

Proceso de solucin: De cada columna escoger lo mejor (subrayado) Restar del valor cada valor de la columna. De la matriz resultante (de pesar), seleccionar el mayor valor de cada alternativa. Matriz de pesar 0.3 0.0 0.4 0.2 0.2 0.3 0.0 0.1 Mayor valor 0.3 0.4 0.5 0.3

1 2 3 4

0.2 0.0 0.5 0.3

De estos valores escoger el menor valor (remarcado) ESCOGER LA ALTERNATIVA 1 Y 4.

CRITERIOS DE DECISION o DECICIN PROBABILISTICA

Se les llama as porque tienen una distribucin de probabilidad asociada con el evento.

1.- MAXIMIZACIN DEL VALOR ESPERADO

Para aplicar este mtodo, el tomador de decisiones debe: 1. Asignar una probabilidad a cada evento de tal manera que las probabilidades sumen 1. 2. Calcular el valor esperado a cada accin multiplicndolo cada valor por su probabilidad correspondiente y sumando estos productos. 3. Elegir una accin cuyo valor esperado sea el mayor (menor).

Ejemplo: Tasa de Crecimiento de la poblacin Localidad 1 2 3 4 Probabilidad Baja 0.3 0.2 0.4 0.6 0.2 Media 0.8 0.6 0.5 0.7 0.3 Alta 0.9 1.1 0.6 0.8 0.5 Valor esperado 0.75 0.77 0.53 0.73 1 Se escoge

Solucin: Encontrar el valor esperado VE1 = 0.3 (0.2) + 0.8 (0.3) + 0.9 (0.5) = 0.75 VE2 = 0.2 (0.2) + 0.6 (0.3) + 1.1 (0.5) = 0.77 VE3 = 0.4 (0.2) + 0.5 (0.3) + 0.6 (0.5) = 0.53 VE4 = 0.6 (0.2) + 0.7 (0.3) + 0.8 (0.5) = 0.73 Solucin: ESCOGER LA ALTERNATIVA 2.

2.- LAPLACE, PRINCIPIO DE LA RAZN SUFICIENTE.

El nombre viene del autor Pierre-Simn Mrquez de Laplace, bajo el punto de vista: Cuando uno se enfrenta a varios eventos y tiene suficiente razn para suponer que uno ocurrira en lugar de otro, los eventos deben considerarse igualmente posibles. Pasos para la solucin: Asignar a cada evento la misma probabilidad. Calcular el pago (prdida/beneficio) esperado para cada acto. Elegir el acto con el mayor (menor) pago beneficio (prdida)

10

Ejemplo: Tasa de Crecimiento de la poblacin Localidad 1 2 3 4 Probabilidad Baja 0.3 0.2 0.4 0.6 0.333333 Media 0.8 0.6 0.5 0.7 0.333333 Alta 0.9 1.1 0.6 0.8 0.333333 Valor esperado 0.67 0.63 0.50 0.70 1 Se escoge

Solucin: Se escoge la alternativa No. 4.

3.- MINIMIZACIN DE LA PRDIDA ESPERADA DE OPORTUNIDAD (PEO).

El clculo de la prdida esperada de oportunidad se hace de manera similar al clculo de Valor Esperado. Esto es, se utilizan las probabilidades de los eventos como ponderadores, y se determina la prdida de oportunidad promedio para cada alternativa. El objetivo es seleccionar la alternativa que tenga la mnima prdida. Debe entenderse que las prdidas de oportunidad no son prdidas contables sino que representan oportunidades que se han escapado. La mejor alternativa de acuerdo a la maximizacin del valor esperado la es tambin utilizando la minimizacin de la prdida esperada de oportunidad. Ejemplo: Suponga la siguiente matriz de pesar. Matriz de pesar 0.3 0.0 0.4 0.2 0.2 0.3 0.0 0.1 0.2 0.3

1 2 3 4 Probabilidad

0.2 0.0 0.5 0.3 0.5

11

Solucin: Escoger el valor con la menor prdida. PE1 = 0.3 (0.2) + 0.0 (0.3) + 0.2 (0.5) = 0.16 PE2 = 0.4 (0.2) + 0.2 (0.3) + 0.0 (0.5) = 0.14 PE3 = 0.2 (0.2) + 0.3 (0.3) + 0.5 (0.5) = 0.38 PE4 = 0.0 (0.2) + 0.1 (0.3) + 0.3 (0.5) = 0.18 Solucin: ESCOGER LA ALTERNATIVA 2.

4.- VALOR ESPERADO DE LA INFORMACIN PERFECTA.

Hasta este punto, se han considerado situaciones en las cuales el decisor elige diversos cursos de accin con base a la informacin que posee, esto es, se decide sobre la alternativa con su informacin previa, sin intentar adquirir informacin posterior antes de que tome su decisin. La eleccin de una alternativa ptima basada en el MVE (mximo valore esperado) se le denomina a menudo anlisis previo, porque las probabilidades se establecen antes de obtener informacin adicional confiable. Esta informacin puede obtenerse por medio de ensayos, encuestas, muestreo, entre otras estrategias, entre otros medios. Si se decide obtener informacin adicional, se debe: Conocer cual es valor de la informacin perfecta. Decidir si vale la pena o no reunir informacin adicional, y Si se decide que s, hay que ver que informacin recoger y qu alternativas tomar basados en la informacin recibida (adquirida).

Ejemplo: Si el valor de la informacin perfecta representa $100 (beneficio adicional) y la encuesta para obtener esta informacin cuesta $ 200 qu decisin debe tomarse?:

12

Solucin: No realizar la encuesta, pues es irracional pagar $ 200 por una informacin perfecta que representa $ 100. RESUMEN: El VEIP (Valor Esperado de la Informacin Perfecta) sirve como una medida burda para determinar si vale la pena o no, comprar informacin adicional. Para determinar si la ganancia es mayor, se utiliza el MVE (Mayor Valor Esperado). Los pasos para calcular el valor esperado de la informacin perfecta: 1. Calcular el valor esperado bajo certeza. (VEBC) 2. Encontrar el valor esperado bajo riesgo (VEBR) 3. Encontrar el valor esperado de la informacin perfecta (VEIP) VEIP= VEBC VEBR Ejemplo: Suponga los siguientes datos. Matriz de pago 0.3 0.8 0.2 0.6 0.4 0.5 0.6 0.7 0.2 0.3 MVEBR 0.75 0.77 0.53 0.73

1 2 3 4 Prob.

0.9 1.1 0.6 0.8 0.5

a. Encontrar de cada columna el mayor (menor) beneficio (prdida) (subrayado). VEBC = 0.6 (0.2) + 0.8 (0.3) + 1.1 (0.5) = 0.91 VEBR = 0.2 (0.2) + 0.5 (0.3) + 0.6 (0.5) = 0.19 VEIP= 0.72

13