L LA A D DE EC CI IS SI I N N C CO ON N A AP PO OY YO O C CU UA AN NT TI IT TA AT TI IV VO O

Decisin Frente a un Universo Aleatorio Segunda Parte

1- Anlisis de Decisiones: El teorema de Bayes y Arboles de Decisin.

Hasta aqu se ha considerado que el criterio de la esperanza matemtica calculada
utilizando las probabilidades "a priori" o probabilidades "subjetivas" es el mejor
criterio de decisin. Sin embargo, ante decisiones importantes el tomador de
decisiones no puede conformarse slo con su opinin "a priori", la realidad es muy
compleja y en la mayora de los casos aqulla resulta insuficiente. El sujeto decisor
debe complementar su informacin "a priori" con la informacin "objetiva" obtenida
experimentalmente, ello con la finalidad de eliminar incertidumbre y decidir con
mayor garanta de xito.

Que el criterio de la esperanza matemtica calculada con la ayuda de las
probabilidades basadas nicamente en una informacin "a priori" es un medio vlido
en el plano de la lgica y de la coherencia, no tiene por consecuencia el abandono
por el centro de decisin de la dificultad que puede encerrar la bsqueda de una
informacin objetiva.

Ms an, generalmente las decisiones no se adoptan aisladamente, sino en cadena;
por ello, en el transcurso del proceso de decisin puede surgir nueva informacin
que aconseje rectificar la poltica inicialmente adoptada.

Todo esto lleva a preguntarse: Cmo fundir las dos fuentes de informacin, es
decir, la informacin "a priori" o "subjetiva" y la informacin experimental u
"objetiva"?

El Teorema de Bayes permite resolver tan importante cuestin. Haciendo uso de las
probabilidades "a priori" y de los resultados de la muestra obtenida
experimentalmente, dicho teorema permitir obtener las probabilidades "revisadas" o
"a posteriori".
Para comprender mejor la problemtica del anlisis de decisiones con
experimentacin se utilizar el siguiente ejemplo.

La compaa farmacutica XYW ha patentado una nueva frmula para
ayudar a pacientes con hipertensin arterial, lo cual le permitir ingresar a
un mercado competitivo pero promisorio. La empresa, a raz de su
descubrimiento, tiene en realidad dos opciones: una de ellas es vender los
derechos de explotacin de la patente a empresas farmacuticas de
prestigio por un valor de US$ 2 millones y la otra alternativa es fabricar el
medicamento, pero la rentabilidad de este proyecto depender de la
habilidad y de los recursos que la compaa disponga en el proceso de
comercializacin durante el primer ao. Construir la planta de produccin le
cuesta US$ 1 milln y el margen de contribucin del producto est calculado
en US$ 9. La demanda del producto es realmente incierta, pero suavizando
el efecto de la incertidumbre se han estimado dos escenarios posibles: el
primero, de baja demanda, representado en 100.000 unidades anuales con
probabilidad de 0,40 y otro, de alta demanda, asociado a 600.000 unidades
anuales con probabilidad de 0,60. Determine la mejor accin a tomar
considerando el riesgo.

Dada la informacin disponible, la matriz de compensaciones resulta:

Tabla 1
Estados de la Naturaleza y
1
: Demanda Baja y
2
: Demanda Alta
x
1
: Vender patente 2.000.000 2.000.000
Alternativas
x
2
: Fabricar medicamento - 100.000 4.400.000
Probabilidad a priori 0,4 0,6

En la Tabla 1 se puede observar la representacin del problema a travs de la ya
conocida Matriz de Compensaciones. Esta matriz tiene un componente adicional que
corresponde a las probabilidades a priori asignadas a la ocurrencia de los
escenarios futuros o estados de la naturaleza.
2
En el ejemplo de la empresa XYW, la alternativa de Vender la Patente le
proporciona a la empresa unos ingresos fijos en el primer ao independientemente
del comportamiento de la demanda en el futuro. Pero si por el contrario se decide
fabricar el producto, se obtendran con una probabilidad de 0,40 una prdida de US$
100.000 (100.000 unidades x US$ 9 - US$ 1.000.000 = - 100.000) o una ganancia
de US$ 4.400.000 (600.000 unidades x US$ 9 - US$1.000.000 =4.400.000) con
probabilidad de 0,60. Qu alternativa, entonces, debe seleccionarse?, es la
pregunta que se intentar responder seguidamente bajo distintos criterios de
decisin.

1.1 Criterio del Valor Esperado.

Con las probabilidades a priori de los estados de la naturaleza es factible calcular el
valor esperado del beneficio para cada alternativa, eligindose, posteriormente,
aquella que tenga el mximo beneficio esperado. Con base en la Tabla 1 se
obtienen los siguientes resultados:

x
1
(Vender Patente): Beneficio Esperado=0.4 (2.000.000) +0.6 (2.000.000) =2.000.000
x
2
(Fabricar medicamento): Beneficio Esperado= 0.4 (-100.000) + 0.6 (4.400.000) =
2.600.000

Mximo Beneficio Esperado = 2.600.000
Se elige ejecutar la accin x
2

En este caso se elige Fabricar el medicamento como la mejor alternativa. Observe
que ste criterio parte de probabilidades a priori subjetivas y, por tanto, su validez
depender de qu tan acertadas hayan sido las estimaciones. Fjese adems, que
aqu no se consideran las restricciones de aversin al riesgo, ya que podra ser
razonable optar por vender la patente con lo cual se asegura un buen ingreso y se
evita incurrir en una posible prdida para algunos inaceptable. Estos conceptos de
aversin al riesgo bsqueda de riesgos que son caractersticos del Tomador de
Decisiones, se ha considerado dentro de lo que se conoce como Teora de la
Utilidad. Esta teora dice con gran firmeza que cada decisor tiene su propia
percepcin acerca de la utilidad del dinero, sugiriendo que nunca es bueno guiarse
3
nicamente por el mximo beneficio esperado como lo acabamos de hacer. El
mximo beneficio esperado debe ir entonces siempre acompaado de una gama de
restricciones que son caractersticas del que toma la decisin, restricciones que
pueden ser:

Mxima cantidad de dinero dispuesto a perder: un decisor que afirme que su
mximo nivel esperado de prdidas es cero (no ganar ni perder)
indiscutiblemente escogera Vender la Patente.

Mnima cantidad de dinero dispuesto a ganar: en el caso que se afirme que el
mnimo nivel de ingresos esperados es de 2,5 millones de dlares, escogera, por
tanto, la opcin de Fabricar el medicamento.

Lo ideal en el criterio de valor esperado sera hallar el Valor Esperado de la Utilidad
que estara asociado a las actitudes del decisor hacia la utilidad del dinero, pero esto
en la prctica no es nada sencillo. No obstante, este criterio del Valor Esperado es el
ms utilizado en la prctica.

1.2 El Teorema de Bayes y las decisiones con experimentacin.

Retmese el caso de la empresa XYW. Suponga ahora que se puede realizar un
estudio de mercado a un costo de US$ 50.000 con el nimo de predecir cul de los
dos escenarios de demanda es ms probable que ocurra. Recurdese que hasta el
momento se ha trabajado con probabilidades a priori subjetivas sin experimentacin,
y la idea es hallar por experimentacin unas probabilidades a posteriori que
afiancen o modifiquen las anteriores.

Simbolizando con R el resultado que arroje el estudio de mercado para el primer
ao, estos pueden ser de dos tipos:
r
1
=resultado no tan promisorio indicando perspectivas de baja demanda.
r
2
=resultado positivo indicando perspectivas de alta demanda.

En base a la experiencia es posible definir que el nivel de confiabilidad del resultado
del estudio de mercado es del 0,85 cuando el resultado es r
1
, y del 0,70 cuando es
4
r
2
, se pide hallar el mejor curso de accin para XYW.

Con los datos anteriores, es posible establecer las probabilidades condicionales:

1 Si el estado de la naturaleza que se presenta es el de alta demanda (y
2
)
entonces la probabilidad de que R=r
2
es: P(R=r
2
/ Y=y
2
) =0,7 tenindose, por
tanto, que P(R=r
1
/ Y =y
2
) =0,3

2 En caso que el estado de la naturaleza sea el de baja demanda (y
1
) entonces la
probabilidad de que R=r
1
es: P(R=r
1
/ Y=y
1
) =0,85 siendo, por tanto, que P(R=
r
2
/ Y=y
1
) =0,15

Por otra parte, se conocen las probabilidades a priori: P(Y=y
1
)=0,4 y P(Y=y
2
) =0,6.

La meta es, entonces, encontrar las siguientes probabilidades a posteriori:

P(Y=y
1
/R=r
1
) y P(Y=y
2
/R=r
1
), que representan las probabilidades asociadas a los
estados de baja o alta demanda, dado el resultado r
1
en el estudio de mercado.
P(Y=y
1
/R=r
2
) y P(Y=y
2
/R=r
2
), que representan las probabilidades asociadas a los
estados de baja o alta demanda, dado el resultado r
2
en el estudio de mercado.

Para resolver el problema se recuerda aqu el Teorema de Bayes:

( )
( )
( )
( ) ( )
( ) ( )

=
=

=
K
i
i i
i i i
i
B P B A P
B P B A P
A P
B A P
A B P
1


Obsrvese ahora con detenimiento la correspondencia entre la siguiente expresin
para las probabilidades a posteriori y el Teorema de Bayes:

( )
( ) ( )
( ) ( ) ( ) ( )
2 2 1 1 1 1
1 1 1
1 1
y Y P y Y r R P y Y P y Y r R P
y Y P y Y r R P
r R y Y P
= = = + = = =
= = =
= = =


Se tienen entonces los siguientes resultados, para el caso en que el estudio de
mercado indica un escenario de demanda baja:
5

( ) 6538 0
52 0
34 0
60 0 30 0 40 0 85 0
40 0 85 0
1 1
,
,
,
, , , ,
, ,
r R y Y P = =
+

= = =

( ) 3462 0 6538 0 1
52 0
18 0
60 0 30 0 40 0 85 0
60 0 30 0
1 2
, ,
,
,
, , , ,
, ,
r R y Y P = = =
+

= = =

Del mismo modo se aplica el Teorema de Bayes al caso en que el estudio de
mercado resulte positivo:

( ) 125 0
48 0
06 0
60 0 70 0 40 0 15 0
40 0 15 0
2 1
,
,
,
, , , ,
, ,
r R y Y P = =
+

= = =

( ) 875 0 125 0 1
48 0
42 0
60 0 70 0 40 0 15 0
60 0 70 0
2 2
, ,
,
,
, , , ,
, ,
r R y Y P = = =
+

= = =

Determinadas las probabilidades a posteriori de los estados de la naturaleza y
1
y y
2
,
es factible aplicar el criterio del valor esperado, salvo que en este caso se emplearn
las probabilidades a posteriori de la siguiente manera:

Valor Esperado de los Beneficios en caso de que el informe de mercado indique un
escenario no tan promisorio, es decir R = r
1
:

Para la alternativa x
1
(Vender la Patente)
Beneficio Esperado=0,6538 (2.000.000) +0,3462 (2.000.000) - 50.000 =1.950.000

Para la alternativa x
2
(Fabricar medicamento)
Beneficio Esperado=0,6538 (-100.000) +0,3462 (4.400.000) -50.000 =1.407.900

Valor Esperado de los Beneficios en caso de que el informe de mercado indique un
escenario positivo, es decir R = r
2
:

Para la alternativa x
1
(Vender la Patente)
Beneficio Esperado =0,125 (2.000.000) +0,875 (2.000.000) - 50.000 =1.950.000
6
Para la alternativa x
2
(Fabricar medicamento)
Beneficio Esperado =0,125 (-100.000) +0,875 (4.400.000) -50.000 =3.787.500

En la Tabla 2 se muestran las alternativas a seleccionar segn sea el resultado del
estudio de mercado:

Tabla 2
Resultado del
estudio de mercado
Alternativa Seleccionada
Beneficio Esperado
sin el costo de la
investigacin
Beneficio Esperado
incluyendo el costo
de la investigacin
R =r
1
(demanda baja) x
1
: Vender la Patente US$ 2.000.000 US$ 1.950.000
R =r
2
(demanda alta) x
2
: Fabricar el medicamento US$ 3.837.500 US$ 3.787.500

Ahora, cabe preguntarse: es conveniente realizar un estudio de mercado dado el
costo de US$50.000?, Es posible que ese gasto, realmente, no sea necesario?, Si
se hace un estudio de mercado cul debera ser su costo aproximado para decidir
realizarlo?.

Se intentar responder a estos interrogantes:

Para ello se halla un indicador denominado Valor Esperado del Experimento
(VEE), tambin conocido como Valor Esperado de la Informacin Muestral (que en
este caso es el Valor Esperado del Estudio de Mercado), el que tendr la siguiente
estructura:

VEE =Beneficio esperado con experimentacin - Beneficio esperado sin experimentacin

Si VEE >valor real del experimento (costo del estudio de mercado), entonces puede
realizarse dicho experimento.

Si VEE <valor real del experimento (costo del estudio de mercado), entonces es
mejor decidir sin experimentacin.

Para estimar el Beneficio esperado con experimentacin, se vinculan los valores
7
obtenidos en la Tabla 2, sin considerar el costo del estudio de mercado, con la
Probabilidad Total (denominador de las probabilidades a posteriori: 0,52 y 0,48).

Beneficio esperado con experimentacin (es decir, con el estudio de mercado):

=(Beneficio mximo si R =r
1
) x P(R=r
1
) +(Beneficio mximo si R=r
2
) x P(R=r
2
) =
=2.000.000 [P(R=r
1
/Y=y
1
) P(Y=y
1
) +P(R=r
1
/Y=y
2
) P(Y=y
2
)] +
+3.837.500 [P(R=r
2
/Y=y
1
) P(Y =y
1
) +P(R=r
2
/Y =y
2
) P(Y =y
2
)] =
=2.000.000 x [0,52] +3.837.500 x [0,48] =1.040.000 +1.842.000 =2.882.000

Beneficio esperado sin experimentacin (es decir, sin estudio de mercado):

Este beneficio es el estimado considerando las probabilidades a priori, es decir el
calculado en el punto 1.1. en dicho caso el beneficio esperado resulto =2.600.000.

Calculados ambos beneficios el VEE =2.882.000 - 2.600.000 =282.000

Dado que VEE >50.000, entonces se concluye que debera hacerse la investigacin
de mercado y que como mximo el costo de la misma debera ser inferior a US$
282.000.

Un modo alternativo para responder a los interrogantes anteriormente planteados es
utilizar el indicador denominado Valor Esperado con Informacin Perfecta (VEIP),
que representa la cantidad mxima que se estara dispuesto a pagar para obtener
informacin perfecta.

Este indicador representa la mnima Perdida de Oportunidad Esperada (POE), la
que puede determinarse por la diferencia entre el beneficio esperado con
certidumbre y el beneficio esperado sin experimentacin o simplemente valor
esperado.

Matriz de Prdidas de Oportunidad: Max C(x
i
, y
j
) C(x
i
, y
j
) (Tabla 3)


8
Tabla 3
y
1
: Demanda Baja y
2
: Demanda Alta
Perdida de
Oportunidad
Esperada
x
1
: Vender patente
2.000.000 - 2.000.000 =
0
4.400.000 -2.000.000 =
2.400.000
1.440.000
x
2
: Fabricar medicamento
2000000 - (- 100.000) =
2.100.000
4.400.000 4.400.000 =
0
840.000
Probabilidad a priori 0,4 0,6


VEIP = Min (POE) =840.000

Beneficio Esperado con Certidumbre - (Valor esperado de los mximos
beneficios para cada estado de la naturaleza): 2.000.000 x 0,40 +4.400.000 x
0,60 =3.440.000

Beneficio Esperado sin Experimentacin: 2.600.000

VEIP = 3.440.000 2.600.000 =840.000

Este parmetro, por un parte, es un indicador de lo que se pierde de ganar si no se
complementa la informacin y por otra, constituye un lmite superior del coste a
incurrir para obtener ms informacin.

1.3 Arboles de Decisin.

Los Arboles de Decisin son una herramienta de representacin de decisiones
secuenciales con riesgo, cuyo fin es ayudar a la visualizacin y solucin de un
problema de decisin multi-etapas.

A efectos de construir un rbol de decisin, se definen los siguientes elementos:

Nodo de decisin (nodo decisional)
Indica que una decisin debe tomarse en ese punto del proceso. Est representado
por un cuadrado.
9
Nodo de probabilidad (nodo aleatorio)
Indica que en ese punto del proceso ocurre un evento aleatorio (estado de la
naturaleza). Est representado por un crculo.

Rama decisional (Lnea continua)
Constituye la representacin de una determinada estrategia. Sus puntos de partida
son los nodos decisionales (cuadrados).

Rama aleatoria (Lnea punteada)
Constituye la representacin grfica de cierto estado de la naturaleza o
acontecimiento aleatorio. Los puntos de partida son los nodos aleatorios (crculos).

Vase un ejemplo simple. Usted tiene que tomar la decisin de llevar paraguas o no,
el estado del tiempo (estado de la naturaleza) indica que puede o no llover. Puede
construirse para este caso el siguiente rbol de Decisin:



A continuacin de este sencillo ejemplo, se vera como incorporar la informacin
referida a la probabilidad de los estados de la naturaleza y como emplear un rbol
como herramienta de ayuda a la decisin.

El proceso a seguir con las decisiones secuenciales es el siguiente:

a) Construccin del rbol
Para la construccin del rbol debe determinarse primero el horizonte de tiempo
que se va a analizar y realizarse una exposicin clara y detallada del problema a
10
resolver. Luego deben determinarse las estrategias primarias o ramas decisionales,
sobre las que deber recaer la decisin inicial. Una vez definidas las ramas
decisionales, deben definirse los diferentes acontecimientos aleatorios, que se
producirn a raz de las diversas estrategias primarias. Posteriormente, se
continuar con la seleccin de las alternativas decisionales y aleatorias ms
relevantes hasta agotar el horizonte temporal. Se tendr, as, representado en el
rbol las posibles secuencias de acontecimientos derivadas de todas las estrategias
primarias.

b) Valoracin de las diferentes ramas
A cada rama del rbol anterior debe realizrsele una estimacin monetaria de las
consecuencias de las distintas lneas de accin (valores c(x, y) de la Matriz de
Compensaciones). Es decir, para cada alternativa decisional o aleatoria deben
estimarse las compensaciones a que dan lugar.

c) Estimacin de las probabilidades de ocurrencia de los eventos aleatorios
Esta es una de las fases ms dificultosas en la prctica. En este caso hay que tener
presente que cualquier evento es de tres clases: cierto (bajo certeza), aleatorio
(bajo riesgo) o incierto (bajo incertidumbre). En los rboles de decisin a los
acontecimientos inciertos se les suele asignar una probabilidad subjetiva de
ocurrencia. Aqu debe considerarse que la sumatoria de las probabilidades que han
sido asignadas a las ramas aleatorias que parten de un mismo nodo es igual a la
unidad.

d) Eleccin del criterio para determinar la estrategia ptima de decisin
Se suelen usar dos criterios, aunque el primero de ellos es el ms utilizado en la
prctica:
La maximizacin del valor esperado de los resultados monetarios
La maximizacin del valor esperado de la utilidad de los resultados monetarios,
considerndose aqu la antes mencionada Teora de la Utilidad.

e) Clculo de la estrategia ptima
Se valoran las diferentes alternativas en sentido inverso, de atrs hacia delante,
determinando los valores de posicin de cada uno de los nodos, hasta concluir con
11
la valoracin del nodo inicial.

Retmese el ejemplo analizado en los puntos 1.1 y 1.2, caso de la empresa XYW. El
problema de decisin de esta empresa puede representarse con un Arbol de
Decisin. De acuerdo a la informacin disponible la matriz de compensaciones es la
siguiente:


Estados de la Naturaleza y
1
: Demanda Baja y
2
: Demanda Alta
x
1
: Vender patente 2.000.000 2.000.000
Alternativas
x
2
: Fabricar medicamento - 100.000 4.400.000

Probabilidad a priori 0,4 0,6

Existe la opcin de hacer un Estudio de Mercado por valor de US$ 50.000

El rbol que representa el problema y muestra las compensaciones que se esperan
con y sin la realizacin del estudio de mercado, se expone en la Figura 1:
12

Ahora, para completar el rbol se deben incorporar las probabilidades y calcular el
beneficio en cada nodo. Para ello se utilizan las probabilidades a priori y a posteriori
calculadas en la seccin 1.1 y 1.2:

( ) 6538 0
1 1
, r R y Y P = = = , ( ) 3462 0 6538 0 1
1 2
, , r R y Y P = = = = ,

( ) 125 0
2 1
, r R y Y P = = = , ( ) 875 0 125 0 1
2 2
, , r R y Y P = = = = ,

( ) 52 0
1
, r R P = = y ( ) 48 0
2
, r R P = =

El valor en cada nodo se calcula de la siguiente manera:

Nodos Aleatorios F, G y H

Nodo F =4.350.000 (0,3462) +(-150.000) (0,6538) =1.407.900
Nodo G =4.350.000 (0,875) +(-150.000) (0,125) =3.787.500
Nodo H =4.400.000 (0,6) +(-100.000) (0,4) =2.600.000

Nodos Decisionales C, D y E

Nodo C: Mx {1.950.000; 1.407.900}=1.950.000
Nodo D: Mx {1.950.000; 3.787.500}=3.787.500
Nodo E: Mx {2.000.000; 2.600.000}=2.600.000

Nodos Aleatorios B

Nodo B =1.950.000 (0,52) +3.787.500 (0,48) =2.832.000

Nodos Decisional A

Nodo A: Mx {2.832.000; 2.600.000}=2.832.000

El rbol de decisin completo se presenta en la Figura 2.
13
A
R
e
a
l
i
z
a
r

e
l

E
s
t
u
d
i
o
No Realizar el Estudio
B
R
=
r1
:

R
e
s
u
l
t
a
d
o

D
e
s
f
a
v
o
r
a
b
l
e
(
0
,
5
2
)
R
=
r
2:

R
e
s
u
l
t
a
d
o

F
a
v
o
r
a
b
le
(
0
,
4
8
)
C
D
Vender Patente
Fabricar Medicamento
F
Baja Demanda
(0,6538)
Alta Demanda
(0,3462)
E
Vender Patente
Fabricar Medicamento
G
Baja Demanda
(0,125)
Alta Demanda
(0,875)
Vender Patente
Fabricar Medicamento
H
Baja Demanda
(0,40)
Alta Demanda
(0,60)
1.950.000
-150.000
4.350.000
1.950.000
-150.000
4.350.000
2.000.000
-100.000
4.400.000
Figura 2
1.950.000
1.407.900
3.787.500
3.787.500
2.600.000
2.600.000
2.832.000
2.832.000


Lo anterior implica que la mejor poltica de decisin es:
Hacer el estudio de mercado.
Si el estudio resulta desfavorable respecto a las perspectivas de demanda,
entonces, Vender la Patente.
Si el estudio es favorable respecto a la demanda futura, entonces, fabricar el
medicamento.

Ante problemas de decisin como los estudiados en esta seccin, se evita en lo
posible aplicar los criterios de decisin clsicos con incertidumbre. El problema se
centra en determinar las probabilidades subjetivas a priori. Esto se puede obtener
por medio de consulta a expertos o con ciertas tcnicas de anlisis estadsticos.

Bibliografa:

Berenson M. L. y Levine D. M. (1982): Estadstica para Administracin y
Economa. Conceptos y Aplicaciones Nueva Editorial Iberoamericana. Mxico.
14
Bravo B. J . J . (2004): Introduccin a los Modelos de Decisin bajo Riesgo e
Incertidumbre Captulos 1 y 2 - Notas de clase - Escuela de Ingeniera Industrial
y Estadstica Universidad del Valle Cali. Colombia.
Surez Surez A. S. (1971): Reflexiones sobre la Teora de la Decisin. Especial
Consideracin del Anlisis Bayesiano - Revista de Economa Poltica (57) -
Centro de Estudios Polticos y Constitucionales. Espaa.
Unidad Profesional Interdisciplinaria de Ingeniera y Ciencias Sociales y
Administrativas (2004): Fundamentos de Investigacin de Operaciones. Teora de
Decisin Instituto Politcnico Nacional. Mxico.
15