Está en la página 1de 20
INCAE. 24250 TOMA DE DECISIONES BAJO INCERTIDUMBRE La nota titulada “TOMA DE DECISIONES BAJO INCERTIDUMBRE”, por John E. Hanke y Arthur G. Reitsch, fue tomada de Estadistica para Negocios, segunda edicién, copyright © 1995, Mosby-Doyma Libros, S. A., pp. 811-828. Reproducida en el INCAE para servir como base de discusién en clase, mas que como ilustracién del manejo eficaz.o ineficaz de una situacion administrativa, Alajuela, Costa Rica. DISTRIBUCION RESTRINGIDA Capitulo 18 El joven Chu, Horando ante un eruce de caminos, dijo: “4No es aqti en donde das medio paso equivocadi y despiertas a mil millas de ‘ionde debieras?” El Hsun-tzu de Confucio TOMA DE DECISIONES BAJO INCERTIDUMBRE Objetivos Al téemino de este capitulo podrd usted: Usar diferentes crterios para tomar una decisign mediante una mattiz de pagos. Determinar el valor de la informacién perfecta para una decisién compleja, Desatrotlar un diagrama de érbol. ‘Tomar una decisi6n al revisar fas probabildades a priori basadas, en informacién adicional, ya sea experimental o muestra. Explicar el concepto de teorfa de utilidad. 812 Capitulo 18 121 de septiembre de 1989, The Wall Street Journal informs sobre las actividades de Procter & Gamble Co. El articulo indicaba que cl proceso de toma de decisiones de esta gran compatfa es complejo y exige una ‘gran cantidad de tiempo, ya que cada conjunto de decisiones sobre nuevos disemios pasa por media docena de niveles administrativos, El titulo de este capitulo es una buena definicién del trabajo realizado en cl proceso administrativo. Los conceptos de este texto estén todos disefiados para preparar al administrador para la toma de decisiones efectiva yen el momento oportuno. A lo largo del capitulo se examina la incertidumbre inherente a todas las decisiones fen los negocios. POR QUE LOS ADMINISTRADORES DEBEN TENER CONOCIMIENTOS SOBRE LA TOMA DE DECISIONES ‘Se paga a los administradores para que tomen decisiones en nombre de sus organizaciones sin disponer de toda la informacién que quisieran. Aquellos que desarrollan habilidades en el proceso de toma de decisiones se ‘mueven a niveles més altos en Ia organizacién y se les Hama para tomar decisiones cada vez més importantes. ‘Como la toma de decisiones bajo incertidumbre forma parte del trabajo diario para el administrador, ¢s na- tural que una rama del estudio de los negocios se concentre exclusivamente en este aspecto. El presente capitulo analiza las técnicas y enfoques desarrollados para ayudar ala toma de decisiones. Muchas de estas técnicas son de uso comin en el proceso del pensamiento automatico de todo administrador. Otras no son tan obvias, y su co- nocimiento puede ayudar a tomar mejores decisiones. Procter & Gamble, segiin inform6 The Wall Sireet Journal, vio cOmo se elevaban sus ganancias un 18% en 1989. Este logro sugiere un aparato efectivo para la toma de decisiones a pesar de su complejidad. Quizé esta ‘compaiiia de 6xito usa algunas de las (éenicas formales de toma de decisiones que se estudian en este capitulo, CRITERIOS DE DECISION Y LA MATRIZ DE PAGOS Quienes toman decisiones sé enfrentan con alternativas y estados de la naturaleza, Una alternativa es un ‘curso de acci6n o estrategia que un tomador de decisiones puede elegir (por ejemplo, no usar abrigo mafiana), Un estado de la naturaleza (o del mundo) es una situacién sobre 1a que el tomador de decisiones tiene muy poco 0 ningdin control (por ejemplo, el clima de mafiana). Para presentar las alternativas de decisién el analista puede desarrollar ya sea una matriz de pagos 0 un drbol de decisién. Matriz de pagos En esta seccién, los diferentes criterios de decisién se representan usando la matriz de pagos. Este método para estructurar una decisién compleja presenta las consecuencias financieras de toda decisién posible contra todo estado de la naturaleza que pueda ocurrir en adelante, En esta matriz, las acciones posibles que pueden to- ‘arse se colocan en las columnas, y los distintos estados de la naturaleza se muestran en las filas. Al estudiar la ratriz de pagos, el tomador de decisiones puede evaluar las consecuencias financieras de las distintas de segtin se relacionan con el estado de la naturaleza, Lamatriz de pagos presenta el pago para toda combinacién de decisiones y estados del mundo real. TOMA DE DECISIONES BAJO INCERTIDUMBRE 813 EJEMPLO 18.1 Jenny Hebert, la administradora de los grandes almacenes Ward, debe determinar el ni- ‘mero de unidades de un producto especifico que debe tener en inventario cada dfa, Por experiencia sabe que el niimero de unidades de demanda en un dia dado esté entre uno y seis, asf que consideraré estas unidades en in- ventario, Segiin el niimero de unidades que se tengan y el niimero que se demande, se obtendré una ganancia di ferente. Estas ganancias se resumen en la matriz. de pagos de la tabla 18.1. ‘Como muestra la matriz de pagos, se tienen 36 ganancias posibles para cada dfa. Jenny debe decidir cudntas unidades almacenar, o qué columna de la matriz escoger. La fila que representa el estado verdadero del mundo para ese dfa no se conoce en el momento en que se toma la decisién y quedard determinado por e! mercado. Como se indica, las ganancias pueden ir de $25 a $150 al dia. La tabla 18.1 implica que cada unidad vendida produce una ganancia de $25. Si se almacena una unidad y Ja demanda es de uno, el pago, segtin el valor en !a esquina superior izquierda de la matriz.es $25; esto repre senta la ganancia generada al vender esa unidad. Debajo de este valor se encuentran otras ganancias diarias de $25, lo que sugiere que la Gnica ganancia posible para el dfa son los $25 procedentes de la venta de una unidad almacenada, sin importar de cusintas unidades adicionales es la demanda. Los valores abajo de la diagonal indi can, de manera parecida, que las ganancias no aumentardn después de vender el niimero total de unidades alma- cenadas. ‘Ala derecha de los valores de la diagonal se indica una reduccién de $10 en la ganancia diaria por cada uni- dad adicional no vendida, Por ejemplo, la ganancia $15 en la primera fila y segunda columna indica que si se al- ‘macenan dos unidades y s6lo una se vende, la ganancia neta es $25 por la unidad vendida menos $10 que se pier- den por la que no se vende. Asf, la tabla 18.1 indica una reduccién de $10 en la ganancia para cada unidad adicional no vendida. TABLA 18.1 Matriz de pagos para el ejemplo 18.1 (ganancias en délares) Decision: nimero de unidades que se almacenan Numero ee eee eee eee demandado 1 2 3 4 5 6 1 OS 5 5s 5 2 a) » » wo 3 B 9 6 5 4 4 5 a 5 5 © 8 iy is) | 6 3 wo 25150 La matriz de pagos permite al tomagor de decisiones ver cada combinacién posible entre las decisiones y Jos estados que ocurran, En las situaciones reales, la matriz de pagos puede ser bastante grande por incorporar muchas decisiones posibles y muchos estados del mundo real. Para completar la evaluaciGn de una situacién compleja, deben estimarse las probabilidades de los distintos sucesos o estados del mundo identificados en la matriz de pagos. El panorama queda entonces completo: se han identificado las decisiones posibles, se han especificado los estados del mundo que puedan ocurtir y se ha eva- Iuado Ia probabilidad de cada uno de ellos. Se puede tomar una decisién racional que cumpla con los criterios del tomador de decisiones. : Una vez estimadas las probabilidades de los distintos sucesos, se puede calcular el valor monetario espera- do (VME) de cada accién 0 decisién. Recuerde el concepto de valor esperado que se vio en el capitulo 5, Se esti- ‘man los valores de una variable aleatoria discreta junto con sus probabilidades de ocurrencia y después se puede calcular el valor promedio que tomarfa esta variable a través de muchas repeticiones; esto se conoce como el va- lor esperado de la variable. La ecuacién 5.1 resume este célculo, 814 Capitulo 18 Valor monetario esperado El valor monetario esperado es la ganancia promedio que resultaria si se repitiera una decisign muchas ‘veces y el tomador de decisiones eligiera la misma alternativa cada vez. Es la ganancia esperada de una decisién, aun cuando la decisin se tome una sola vez. El VME de cada decisién se obtiene multiplicando el pago de cada suceso por su probabilidad de ocurrencia y sumando estos productos. Este cilculo se ilustra en el ejemplo 18.2. El valor monetario esperado es la ganancia promedio que resultaria si se repitiera una decision ‘muchas veces y cada vet el tomador de decisiones eligiera la misma alternativa. EJEMPLO 18.2 Enel ejemplo 18.1, Jenny Hebert tenia que decidir el ndmero de unidades que debia al- macenar cada dfa. Por experiencia conoce las probabi is distintas cantidades de unidades que se de~ ‘mandan cada dfa. (Véase la tabla 18.2, que indica que la probabilidad de una demanda de tres unidades es .40, por ejemplo.) El VME se calcula multiplicando el pago de cada suceso por su probabilidad de ocurrencia, Asi, el valor monetario esperado si se toma la decisién de almacenar cuatro unidades es: VME = ~5(.05) + 30(.15) + 65(.40) + 100(.25) + 100(.10) + 100(.05) = 70.25 TABLA 18.2 Matriz. de pagos para el ejemplo 18.2: valor monetario esperado mero de unidades que se almacenan Probabilidad Demanda fl 2 3 4 5 6 08 1 5 15 3 ots 5 15 2 Po 50 40 30 2 10 40 3 2 50 B 6 55 6 2B 4 25 50 B 100 90 80 0 5 B 50 B 1015 n5 6 6 2% 50 B 100135 150 ‘VME: 2B 825 662570256550 57.25 El VME para cada decisién se encuentra en la Gltima fila de la tabla 18,2. Jenny puede ver al examinar esta fila que la decisién de almacenar cuatro unidades proporcionars la ganancia esperada més alta (mayor VME). Observe que la matriz de pagos en este capitulo utiliza niveles discretos de decisién y de demanda. Por ejemplo, s6lo se consideran ciertas demandas como 1, 2, 3, 4, 5 0.6. Un tratamiento mas general en este sentido permitirfa cualquier valor para la demanda dentro de un intervalo especifico. Las distribuciones continuas para la demanda son una extensi6n de las ideas basicas presentadas en este capitulo y se cubren en textos que estudian ms a fondo la toma de decisiones bajo incertidumbre. EJEMPLO 18.3 La gerente de la tienda King Hardware, Joyce Cary, debe decidir cudntas podadoras or- denar para el verano. Es diffe ordenar unidades adicionales cuando se inicia la temporada y, por otto lado, se tiene un costo correspondiente por tener mas unidades de las que se pueden vender. Una podadora cuesta un pro- ‘TOMA DE DECISIONES BAJO INCERTIDUMBRE 815 medio de $150 y se vende por $200, lo que da una ganancia de $50. Las unidades que no se vendieron para el fi- nal de la temporada se venden a una casa de venta por catélogo en $25, lo que significa una pérdida de $125 por uunidad, Joyce necesita una distribucién de probabilidad para la demanda de la temporada para poder decidir cudntas unidades ordenar. La situacién se simplifica porque Joyce puede ordenar s6lo miiltiplos de 100 podado- ras, es decir, ella sabe que tiene que ordenar 300, 400, 500, 600 0 700 unidades. ‘Después de revisar los registros de otros afios y proyectar la demanda para la pr6xima temporada, formula las probabilidades de demanda para cada nivel de inventario. A continuacién calcula las ganancias para cada combinacién posible de niveles de inventario y demanda, El resultado es una matriz de pagos (tabla 18.3). TABLA 18,3 Matriz de pagos para el ejemplo 18.3 (ganancias en miles de délares) Nivel de inventario: nimero de podadoras Probatilidad Demanda 300 400 500 600 70 300 15 25 =10 “225 5 400 15 20 75 5 75 500 15 20 2 125 0 600 8 20 Py 30 75 700 8 2» 8 20 6 La tabla indica una ganancia de $15,000 por almacenar y vender 300 podadoras, sin importar de cudntas es Ja demanda. Porcada 100 unidades adicionales almacenadas y vendidas existe una ganancia adicional de $5,000. Estos valores aparecen en la diagonal principal de la matriz de pagos y representan ganancias cuando el nimero de unidades almacenadas es justo igual al que se demanda. Debajo de cada ganancia en la diagonal principal se tiene la misma ganancia, ya que las unidades que se de- manden en exceso de las almacenadas no generan ganancias adicionales. A la derecha de cada ganancia en la diagonal se tiene una reduccidn de $12,500, que representa la pérdida por las unidades no vendidas Joyce puede ahora estudiar su decisiGn al examinar los pagos de la tabla 18.3. Ella debe decidir cuéntas uni dades almacenar para la pr6xima temporada,es decir, qué columna de la tabla usar. Para tomar esta decisi6n, pri- mero debe decidir sus objetivos financieros. Un objetivo es el logro de la ganancia més alta posible. Esta estrategia tan agresiva serfa la de almacenar 700 unidades, ya que la columna de 700 contiene la mayor ganancia en la tabla: $35,000. Este nivel de inventario también se elegiria si el objetivo de Joyce fuera satisfacer todas las demandas de los clientes, sin importar las ga- nanci Otro objetivo puede ser el hecho de suponer que pasaré lo peor y almacenar segiin este hecho. Si se identifi- ca la ganancia menor en cada columna, el maximo de estos valores es $15,000, que se encuentra en la primera columna. Por tanto, un tomador de decisiones muy conservador puede elegit comprar 300 unidades: atin en las peores condiciones (una demanda de s6lo 300 unidades), est garantizada una ganancia de $15,000. Otro objet ‘vo que se cumplirfa al almacenar 300 unidades es asegurar que no queda nada en inventario al final de la tempo- ada “También se puede pensar en almacenar el ntimero de unidades que generaria la mayor ganancia, al mismo tiempo que se intenta evitar una pérdida posible. Esta es una filosoffa aceptada en los negocios, algunas veces co- nocida como el criterio de decisin “cubre tu pérdida”. La mejor eleccién para este objetivo es almacenar 400 unidades ya que la ganancia probable (90% de oportunidad) es $20,000, sin pérdida. Otro objetivo posible es elegir el curso de accién que maximiza la ganancia esperada para la temporada. Para determinarel nivel de inventario para este objetivo, se calcula el valor monetario esperado (VME) para cada nivel y se elige el nivel de inventario con el mayor VME. 816 Capitulo 18 ‘A continuacién se presentan los valores esperados para cada columna de la tabla, Para cada nivel de inven- tario, el pago se multiplica por la probabilidad de ese renglén y se Suman los productos: 1,00)(15) = 15 10)(2.5) + (.90)(20) = 18.25 40\(-10) + (.20)(7.5) + (.70)(25) = 18.00 10)(-22.5) + (.20)(~5) + (.30)(12.5) + (.40)(30) = 12.50 10)(-35) + (.20)(-17.5) + (,30)(0) + (.25)(17.5) + (.15)(35) = 2.63 Inventario de Inventario de 400: Inventario de 500: Inventario de 600: Inventario de 700: El mayor pago esperado posible se obtiene con 400 unidades. El pago de $18,250 resulta de una combina- ci6n de las probabilidades de varios niveles de demanda, de la ganancia por unidad vendidu y de las pérdidas su- fridas por cada unidad que no se vende. Joyce resume la situacién como sigue: Decision Razonamiento Inventario de 300 Encontrar la ganancia mas alta si ocure la peor situacin. ‘No tener inventario almacenado al final dela temporada. Inventario de 400 Maximizar las ganancias pero evitr la posibilidad de pérdidas. Maximizar las ganancias esperadas. Inventario de 700 Intentar la maxima ganancia posible. Satisfacer toda la demanda posible. ‘Segtin este resumen, Joyce opta por almacenar 400 unidades. VALOR ESPERADO DE LA INFORMACION PERFECTA Con frecuencia vale la pena considerar cudnto vale la “informacién perfecta” en una situacién compleja de decisiones. Aunque el tomador de decisiones casi nunca dispone de informacién perfecta, su valor se puede usar como punto de referencia para evaluar el beneficio de adquirir informacién adicional. Si la informacién confia- ble cuesta $1,000, pero el valor de la informacién perfecta en esa situacidn es s6lo de $500, es obvio que no vale Ja pena pagar la informacién adicional. Por otro lado, si el valor de la informacién perfecta es $10,000 para la misma situaci6n, el tomador de decisiones puede querer pagar $1,000 para obtener informacién adicional que lo Hevea una mejor decisién. Valor esperado de la informacién perfecta El valor esperado de la informacién perfecta (VEIP) es la diferencia entre el pago esperado con informa- i6n perfecta y el pago esperado bajo incertidumbre. Si la informacién perfecta produce una ganancia de $50,000, por ejemplo, y lo mas que el tomador de decisiones puede obtener bajo incertidumbre es $35, 000, entonces el valor de la informacién perfecta -si existiera— es la diferencia, $15,000, Elvalor esperado de la informacién perfecta es la diferencia entre el pago que resultaria con 1a informacién perfecta y el pago que resultaria bajo incertidumbre. ‘TOMA DE DECISIONES BAJO INCERTIDUMBRE 817 EJEMPLO 18.4 Joyce Cary ha decidido almacenar 400 podadoras para la temporada, pensando en que esie nivel de inventario maximizara el pago esperado de $18,250. Después piensa sobre la oferta que recibié de tuna agencia de pronésticos respecto a proporcionarle un pronéstico de la demanda de la temporada de podadoras: ensu rea, Ella puede usar este prondstico para predecir sus propias ventas. El costo de este prondstico es $9,000 y Joyce se pregunta si se justifica tal gasto, Joyce decide calcular el valor (para ella) de la informacién perfecta independiente de las ventas de la proxi- ma temporada, Después podra comparar este valor con el costo de la informacién buena, pero imperfecta, que le oftecen. ‘Si Joyce pudiera predecir la demanda de la temporada con completa exactitud pondrfa en préctica una de las ganancias sobre la diagonal principal en la tabla {8.3. Existe una probabilidad de 10% de que prevea correcta mente Ia demanda de 300 unidades, almacene ese ntimero de podadoras y gane $15,000. Asimismo, existe una probabilidad del 20% de que prediga con exactitud la venta de 400 unidades y gane $20,000, y asf sucesivamen- te, Bajo estas condiciones, experimentaria las siguientes ganancias esperadas para la temporada. Este valor se llama ganancia esperada bajo certidumbre: (.1O)(15) + (2020) + (.30)(25) + (.25)(30) + (1535) = 25.75, Joyce puede ahora calcular el valor esperado de la informacién perfecta, Si dispusiera de la informacién perfecta, su ganancia esperada en la temporada serfa $25,750. Como estiin las cosas, sin conocimiento de la de- ‘manda, ella ha calculado una ganancia esperada de $18,250. Este es el valor mas grande que puede elegir y es el resultado de almacenar 400 unidades. La diferencia entre estos dos valores es el valor esperado de la informacién perfecta. ‘Valor esperado de la informacién perfecta = pago esperado con informacién perfecta — pago que resulta bajo incertidumbre VEIP = $25,750 — $18,250 = $7,500 ‘Como la informacién perfecta sobre la demanda de la temporada vale s6lo $7,500, Joyce no esté dispuesta a pagar $9,000 por el pronéstico de la demanda, aun cuando sea muy exacto. Joyce no acepta la oferta, EJERCICIOS 1. Por qué construye un analista una matriz de pagos? 2, {Por qué es deseable elegir la accign en una matriz.de pagos que dé como resultado el valor monetario espe- Fado (VME) mas alto? 3. Explique el concepto de ganancia esperuda bajo certidumbre, 4. ,Qué quiere decir el término valor esperado de (a informacidn perfecta? ,Porqué es importante conocer el VEIP? 5, Unos grandes almacenes deben ordenar de antemano ta cantidad anual de cierto tipo de zapatos muy acepta- ddo, Cada par cuesta $30, se vende en $60 y se puede vender a una tienda de descuento pot $15 si no se ven- de al final del afo. Los niveles de inventario considerados son 20, 30, 40 y 50 pares. Construya una matriz, de pagos para los siguientes niveles de demanda: 20, 25, 30, 35, 40, 45, 50. 6. (Esta pregunta se refiere al ejercicio 5.) ;Cudntos pares de zapatos deben ordenarse si se quieren maximizar las ganancias esperadas? Los niveles de demanda, junto con sus probabilidades asociadas son: Docena Probabilidad » 2 25 ro 0 20 5 aS 818 Capitulo 18 Docena Probabilidad 40 0 6 rc 50 05 7. Considere la siguiente matriz.de pagos (donde los pagos estan en miles de délares): Nivel de inventario Probabilidad Ventas, oo 2000 B 100 5 3 1 4 3 35 200 5 10 8 6 4 B 300 5 10 6 OB n Jo 400 5 10 i 8 05 500 5 10 6 0 2% 4a, {Cua es fa ganancia por una unidad no vendida? , {Cuil es la pérdida por una unidad no vendi ‘c. {Cudl es el valor monetario esperado si se almacenan 300 unidades? dd. {Cuil es el nivel de inventario dptimo si se quiere maximizar la ganancia esperada? €e. {Cull es el valor esperado de la informacién perfecta? 8, Tractores © implementos Barnes, un distribuidor de implementos para e! campo. necesita decidir cudntas segadoras trituradoras debe ordenar para el préximo afio. El asunto se complica con la nueva segadora tritu- radora de John Deere, una maquina analizada en Successful Farming (febrero de 1989. p. 26), Se trata de la primera segadora trituradora disefiada por Deere en 20 afios,y Barnes no sabe c6mo afectaré alas ventas de Jas unidades convencionales su aparicién en el mercado. Laccleccién de cudntas debe ordenar se ha limitado a 10, 20, 30, 40.0 50. La babilidades asociadas con las ventas de estos miimeros de tractores son .15,.15 y .25, respectiva- ‘mente. La ganancia para el distribuidor por la venta de una unidad es $5,000; la pérdida en et caso de no vender una unidad almacenada es $1,000, 4, Desarrolle una matriz de pagos. '. {Cul es el valor monetario esperado si se ordenan 50 unidades? ¢. {Cudl es el nivel de inventario 6ptimo si se usa el criterio de maximizar a ganancia esperada? d. {Cul es el valor esperado de la informacién perfecta en esta situacién? €. {Qué criterio conducirfa a decisiones de almacenamiento diferentes de la identificada en el punto b? 9, La corporacién Evergreen estd intentando decidir qué tamafio de planta para producir abrelatas debe cons- truir en el drea de Cleveland. Las tres alternativas consideradas son: plantas con capacidades de 25,000, 40,000 y 55,000 abrelatas anuales. La demanda de los abrelatas de Evergreen es incierta, pero la gerencia ha asignado las siguientes probabilidades a cinco niveles de demanda. La matriz de pagos muestra también la ‘ganancia, en millones de d6lares, para cada alternativa y cada nivel de demanda posible. ;Qué tamatio de planta debe construir Evergreen? Probabilidad Demanda 25,000 40,000 20 20,000 3 6 35 30,000 0 2 B 40,000 1 _ 30 50,000 2 5 0 60,000 2 6 ‘TOMA DE DECISIONES BAJO INCERTIDUMBRE 819 ANALISIS DE DIAGRAMAS DE ARBOL Diagramas de drbol Quienes toman decisiones con frecuencia usan diagramas de &rbol para resumir las situaciones complejas, dde manera que se puedan identificar sus elementos esenciales y utilizarlos para tomar decisiones racionales. Una ayuda visual valiosa, el diagrama de drbol, permite a cualquier administrador entender con facilidad una situa- cién compleja. Por lo general, se usan dos simbolos al construir un diagrama de drbol: 1. Uncuadro se usa para representar un nodo de decisién a partir del cual se puedan seleccionar una o va- rias alternativas. 2. Uncireulo se usa para representar un nodo de estado de la naturaleza del que se desarrollaré un estado de la naturaleza en particular. El ejemplo 18.5 y la figura 18.1 ilustran el uso de estos simbolos. Ficura 18.1 Diagrama de arbol de decisién para el ejemplo 18.5 Los diagramas de arbol son grdficas que usan quienes toman decisiones para resumir situacio- nes complejas, de manera que se puedan identificar sus elementos esenciales. EJEMPLO 18.5 La compafi‘a manufacturera King debe decidir entre construir una planta pequefia o una grande para producir los tableros para un nuevo producto que se introducird el préximo afio, Después de cons~ 820 Capitulo 18 truir la planta y fabricar el producto, la demanda de! mercado empezard a ser conocida (la demanda serd muy alta ‘o muy baja). Si se construye una planta pequefia, puede ampliarse una vez. que haya ocurrido una demanda alta. ‘Gwynn Luvello, vicepresidenta de planeacién, construye el diagrama de drbol de la figura 18.1 como ayuda para tomar su decisién, El cuadro etiquetado con A a la izquierda es un nodo de decisi6n. King debe decidir si construir una planta pequefia o grande, Como se tienen dos altemativas, el diagrama de drbol tiene dos ramas eti- ‘quetadas planta pequefa y planta grande, Cada rama llega a un circulo, Los circulos son los nodos de estados de Ja naturaleza, a partir de los cuales ocurre uno de dos estados de la naturaleza: la demanda ser alta o baja. Una vez. determinada la demanda del mercado, la planta pequeita puede ampliarse o no. Los cuadros B y C representan nodos de decisién, La decisién es la de ampliar o no la planta pequefia. La figura 18.1 resume la si- tuacién de toma de decisiones de la compaitia King, El diagrama de drbol es ctl para visualizar el problema de la compaifa King, pero por sramienta completa para la toma de decisiones. El siguiente paso es asignar flujos de caja a cada segmento del 4 bol para llegar a un valor monetario para cada rama, Estos valores monetarios finales representan los pagos. Las decisiones organizacionales como las de estos ejemplos son significativas porque incluyen la posi dad de mayores o menores ganancias para la compafia, En la conclusién de cada conjunto posible de resultados, o ramas en un diagrama de drbol, existe algiin pago. También se tienen costos que deben identificarse para cier- tas ramas. La identificacién de los costos y pagos para las distntas posibilidades, junto con la probabilidad y las ramas de decisin en el diagrama de drbol, permiten al tomador de decisiones evaluar la situacién El siguiente paso en el proceso es asignar probabilidades a los estados de la naturaleza. Esto se hace casi siempre de manera subjetiva. (Las probabilidades subjetivas sc analizaron en el capitulo 5.) El ejemplo 18.6 y la figura 18.2 ilustran la idea de asignar pagos y probabilidades subjetivas a un diagrama de drbol. FiGURA 18.2. Diagrama de arbol de decision para el ejemplo 18.6 $20 $10 10 $10 EJEMPLO 18.6 Gwynn Luvello decide determinar el flujo de caja para el dit 18.1. Su analista le proporciona las siguientes estimaciones de costos y pagos: yrama de drbol de la figura TOMA DE DECISIONES BAJO INCERTIDUMBRE 821 Costos ‘Costo por construir una planta grande: $8 millones Costo por construir una planta pequefia: $4 millones Costo por a ampliacién: $5 millones Pagos Rendimiento con demanda ata para una planta grande o la ampliacién: $20 millones Rendimiento con demanda alta para una planta pequeita: $10 millones Rendimiento con demanda baja: $10 millones Después, Gwynn pide al departamento de comercializacién que le proporcione estimaciones para las de- mandas alta y baja para el nuevo producto. El departamento de comercializacién cree que existe una probabili- dad de .7 de una demanda alta para e! nuevo producto y una probabilidad de .3 de una demanda baja. Armada con esta informacién sobre los pagos y las probabilidades, Gwynn desarrolla la figura 18.2. Con los pagos y las probabilidades indicadas en el diagrama de érbol, el paso final es encontrar la mejor rama de decisién. La mejor decisin por lo general se refiere a la alternativa que tiene el mayor valor monetario esperado (VME). Identificar esta alternativa requiere que el analista trabaje hacia atrds en el diagrama de érbol, comenzando con el lado derecho de! érbol y moviéndose hacia la izquierda hasta llegar al primer nodo de deci- sién, Existen dos reglas para trabajar hacia atrds en un diagrama de érbol: 1. Para cada nodo de estado de !a naturaleza, se encuentra el VME. 2. Para cada nodo de decisién, se elige la alternativa con el mayor VME. El ejemplo 18.7 ilustra cémo poner en préctica estas reglas. EJEMPLO 18.7 Gwynn esta ahora lista para tomar una decisién. Comienza por calcular el VME para la rama de decisi6n de la planta grande. El andlisis se hace de derecha a izquierda. El pago para una demanda alta es $20 millones y la probabitidad de que ocurra es .7. El pago para la demanda baja es de $10 millones y la pro- babilidad de que ocurra ex .3. Por lo tanto, el VME es $17 millones, como se puede ver: VME = .7 (20) + .3(10) = 17.0 Puesto que el costo por construir la planta grande es $8 millones, como lo indica -8 en el cfrculo etiquetado (2) en la figura 18.2, el valor monetario esperado para esta rama de hecho es $9 millones ($17 ~ $8), como se in- dica en el punto de la figura etiquetado con (3). Después Gwynn analiza la rama de decisién de la planta pequeita. De nuevo, el andlisis se hace de derecha aizquierda. El pago para la rama demanda alta-anpliar es $20 millofes. Sin embargo, el costo de la ampliacién ¢ $5 millones, como lo indica -5 en el circulo, asf que el VME es $15 millones, el valor etiquetado con (4), para esta rama, Este valor es mayor que el VME para la rama dlemanda alta-no ampliar ($10 millones), asf que ella climina la rama de no ampliar poniendo dos marcas que cruzan la rama, con etiqueta (5). El pago para la rama demanda baja-ampliar es $10 millones. Como el costo de expansién es $5 millones, el ‘VME para esta rama con la etiqueta (6) es $5 millones, Este valor es menor que el de la rama de demanda baj no ampliar ($10 millones), asf que Gywnn elimina la rama demanda haja-ampliar poniendo dos marcas que la ccruzan. ‘Ahora Gwynn sabe que si se construye una pequefia planta y la demanda es alta, debe hacer la ampliaci6n, para obtener un VME de $15 millones. También sabe que si,se construye una planta pequefia y la demanda es baja, no la debe ampliar, en cuyo caso el VME se estima en $10 millones. Luego, Gwynn calcula un VME de $13.5 millones, etiquetados con (7), para ef nodo de estado de fa natura leza demanda alta/baja: VME = .7(15) + 3(10) = 13.5 822 Capitulo 18 Como el costo por construir una planta pequetia es $4 millones, indicado por 4 en el cf (8), el valor monetario esperado para esta rama ex en realidad $9.5 millones ($13.5 - $4). Baséndose en el criterio del VME, Gwynn recomienda que se construya una planta pequetiay si la demands de mercado es alta, Ja planta deberé ampliarse. culo con laetiqueta TEOREMA DE BAYES Teorema de Bayes El teorema de Bayes se desarroll6 para modificar la evaluaci6n de las probabilidades dependiendo de la in- formacién adicional, Tal modificacidn es un proceso que se lleva a cabo todos los das en la toma de decisiones, |, El teorema de Bayes incluye el proceso de revisar las probabilidades previas basdndose en la in- « formacién adicional, ya sea experimental o muestral. Alrededor del afio 1700, el Reverendo Thomas Bayes, un ministro presbiteriano y matematico inglés, desa- rroll6 un procedimiento formal con el fin de usar ta informacién adicional para revisar probabilidades. Este teo- ema es bastante itil en el proceso de toma de decisiones ya que con frecuencia la informacién adicional se obtie~ ne antes de una decisi6n importante, Recuerde el andlisis que se hizo en este capitulo sobre el valor de Ia informacién perfecta. Aunque la informaci6n reunida a partir de una muestra o una prueba no es perfecta, el eo- rema de Bayes proporciona una forma para modificar el punto de vista del tomador de decisiones sobre un mun- do incierto. A utilizar el teorema de Bayes se usar el método del diagrama de drbol. Ademés, ser necesario revisar las os reglas basica de probabilidad presentadas en el capitulo 5. Los ejemplos 18.8 y 18.9 presentan estas reglas, EJEMPLO 18.8 La ley de multiplicacién de probabilidades establece que para determinar la probabil dad de una secuencia de sucesos independientes que ocurren, se multiplican todas las probabilidades individua- les de los sucesos. También puede usars¢ la ley de la multiplicacién para sucesos dependientes siempre y cuando se conozca la secuencia. El concepto importante es que si se especifica una Secuencia de sucesos junto con sus probabilidades individuales, se puede usar la regla de la multiplicacién para encontrar las probabilidades de esa secuencia. ‘Suponga que se tiene una probabilidad del 45% de que nuestro competidor reduzca el precio de un producto clave, Si eso ocurre, habré una probabilidad del 80% de que nuestras propias ventas sufran un efecto negativo. La probabilidad de que nuestras ventas bajen se puede encontrar mediante la regla de la multiplicacién, aun cuan- do los dos sucesos no sean independientes: P(bajan las ventas) = (.45).80) = .36 Se tiene un 36% de probabilidad de que nuestras ventas bajen. EJEMPLO 18.9 La regia de la adicién establece que para encontrar la probabilidad de un suceso que tie ne mas de una forma de ocurrir, debe calcularse la probabilidad de cada forma posible y luego sumarse todas es- tas probabilidades. Suponga que una linea de produccién de aparatos de televisiGn produce un aparato perfecto s6lo el 50% del tiempo, y que esto ocurre en forma aleatoria. ;Cual es la probabilidad de obtener exactamente dos aparatos perfectos en una prueba aleatoria de cuatro aparatos? Existen varias maneras en las que esto puede ‘TOMA DE DECISIONES BAJO INCERTIDUMBRE 823 ocurrir; entonces, se debe identificar cada una, calcular su probabilidad y sumar las probabilidades que resultan. Se presentan las distintas formas para obtener dos aparatos perfectos en una prueba de cuatro, en donde B repre- senta bueno y M malo. Se calcula la probabilidad de cada manera mediante la regla de la multiplicacién, y la tes- puesta correcta es la suma de estas probabilidades. P(BBMM) = 5x55 .5 P(BMMB) = 5 x.5%.5x.5 P(MMBB) = 5x .5x.5x.5 P(BMBM) = 5 x 5 x5 x P(MBMB) = .5 x .5 x5 x P(MBBM) = .5 x 5 x.5 x Existe una probabilidad del 37.5% de que al seleccionar cuatro aparatos de televisi6n al azar se obtengan exactamente dos de ellos buenos. El teorema de Bayes aparece en {a ecuacién 18.1, Esta ecuacién en realidad es una versién corta de la ex- presién matemética completa del teorema dle Bayes", pero aqui se usaré el teorema en esta forma: =MAy8) (AIB) PA Ob) ag. donde P(AIB) wrobabilidad de que ocurra el suceso A dado que ocurrié el suceso B P(Ay B) = probabilidad conjunta de que ocurran los sucesos A y B en sucesiGn, bajo condi- ciones de independencia estadistica P(B) = probabilidad de que haya ocurrido el suceso B EJEMPLO 18.10 Don Karger, el gerente de produccién de la corporacién manufacturera MacDonald, esté tratando de mejorur la eficiencia de una de sus lineas de montaje. Cada lunes por la mafiana se prepara una méquina que produce una parte clave, La preparacién de esta maquina es dificil y eva mucho tiempo. Don estu- dia los registros y descubre que la miquina se prepara en forma correcta sélo el 70% del tiempo. También deter- ‘mina que si ka maquina se prepara bien, produce partes buenas el 95% del tiempo, pero si se prepara mal produci- 14 partes buenas s6lo el 40% del tiempo. ‘Don decide arrancar la maquina y producir una parte antes de que comience la produccién, Prueba la prime- ra parte producida y encuentra que es buena, ,Cudl es la probabilidad revisada de una preparaci6n apropiada dada esta evidencia muestral? La aplicacién del teorema de Bayes se ilustra usando el diagrama de drbol de la figura 18.3, La primera rama da las dos posibilidades mutuamente excluyentes para el estado de la maquina una vez.que se prepara el lu- nes en la mafiana: la preparacién de la maquina se hace en forma correcta o incorrecta. La experiencia indica que la maquina se prepara bien el 70% del tiempo [P(C) = .7]. Como las probabilidades de eventos mutuamente ex- cluyentes deben suma: 1.0, la probabitidad de que la maquina se prepare mal es .30 (1.0 - .7 = .3). Las ramas secundarias se basan en la forma en que se preparé la maquina, La experiencia indica que sila méquina se prepara bien la probabilidad de que produzca una parte buena es .95; la mala preparaci6n reduce esta probabilidad a 40. La forma general del torena de Bayes para sucesos Ay. Aas PAPUA) FADIA SRA DIBIA +e PA QPRIA PAY) = 824 Capftulo 18 El numerador de la ecuacién del teorema de Bayes para este ejemplo se encuentra usando la regla de la mul- Upticacién junto con la figura 18.3. La probabilidad de una buena preparacién seguida de la produecin de una parte buena, el numerador es: (.70)(.95) = 665 Ficura 18.3. Diagrama de Arbol para el teorema de Bayes para el ejemplo 18.10 El denominador para el teorema de Bayes representa la probabilidad de que ocurra el suceso dado; en este aso la obtencién de una parte buena. Una forma de obtener una parte buena es cuando antes hubo una prepara in correcta, como se puede ver. La otra manera es producir una parte buena después de una preparacién inco- recta, El denominador del teorema de Bayes es la suma de estas dos probabilidades: (.70)(.95) + (.30)(40) = .665 + .12 = .785 Ahora se calcula la probabilidad revisada de que la maquina haya t produce una parte buena, mediante la ecuaci6n 18.1, ‘una preparacién correcta, dado que PUA y B) PIB) = P(B) PIC y GP) _.665 _ P(GP) P(CIGP) ‘TOMA DE DECISIONES BAJO INCERTIDUMBRE 825 Cuando se prepar6 la méquina e! lunes por la matiana, la probabilidad de que haya quedado bien preparada 8 .70. Ahora que la maquina ha producido una parte buena, Don sabe que la probabilidad revisada de una prepa- racién correcta ex .85, Si quiere una mayor seguridad, Don puede probar més partes. EJEMPLO 18,11 Loretta Lister, una investigadora de mercado para la corporacién St. Ives, utiliza un mercado de prueba para estimar e! mercado nacional para un nuevo producto de software de su empresa. Un ar- ticulo en The Futurist (julio-agosto de 1992, p. 10) asegura que los avances en la tecnologia de computadoras y servicios de informacién pueden llevar muy pronto a una telaraiia de redes capaz. de manejar problemas interna- cionales. Estima que la demanda de su nuevo producto de software es alto (con probabilidad del 40%), mediano (con prababilidad det 30%) 0 bajo (con probabilidad det 30%). St. Ives decide probar el producto en el mercado de tuna Giudad del medio oeste que ha usado antes para estimar el éxito nacional. Sin embargo, Loretta sabe que el mercado de prueba no es infalible y que puede hacer que la compaiiia se equivoque en cuanto a la aceptacién del lar, calcula las siguientes probabilidades basadas en la experiencia con este mercado 1, Para un producto que més adelante experimenta ventas nacionales altas, existe una probabilidad del 90% de que el mercado de prueba indique un producto de éxito, 2. Para un producto que mds adelante experimenta ventas nacionales medianas, existe una probabilidad del 50% de que el mercado de prueba indique un producto de éxito. Para un producto que més adelante experimenta ventas nacionales bajas, existe una probabilidad del 20% de que el mercado de prueba indique un producto de éxito. St. Ives introduce el producto de software en el mercado de prueba durante un periodo de tres meses. Pasa- do-este tiempo, el producto tiene éxito en este mercado. Loretta ahora se pregunta qué probabilidad de éxito na- cional tiene este producto. Las probabilidades iniciales del éxito del producto se dan en la figura 18.4, junto con las probabilidades ba- sadas en la reaccién del mercado de prueba. La conclusién del mercado de prueba es que se ha desarrollado un buen producto. Dado este resultado, geudl es la probabilidad de que el producto tenga ventas nacionales altas? Se usa el teorema de Bayes para calcu- lar esta probabilidad revisada: P(alto y bueno) P(bueno) Paaltolbueno) = (.40X.90) (.40)(.90) + (.30)(.50) + (.30)(.20) 36+ .15 +06 826 Capftulo 18 FiGuRA 18.4 Diagrama de érbol para el mercado de prueba, ejemplo 18.11 6 Exito nacional Mercado de prueba Existe una probabilidad del 63% de que el nuevo producto tenga éxito nacional, dado que ha demostrado ‘una respuesta alta en el mercado de prueba. Esta es una probabilidad més alta que la original para el éxito nacio- nal (40%) y permite a la compafifa tomar una decisi6n més racional sobre la inversi6n de millones de délares ne- ‘cesaria para introducir el producto en todo el pats. CONSIDERACIONES DE UTILIDAD Teorta de utilidad E1 uso del criterio de decisién del VME esté muy simplificado en el sentido de que supone indiferencia por parte del tomador de decisiones entre las distintas cantidades de délares. De hecho, debido a que la base de acti- ‘vos varia, cada compaifa tiene diferentes funciones de utilidad. Mas ain, cada gerente puede tener un punto de vista diferente sobre el impacto de distintas sumas de dinero en su organizaci6n. Con frecuencia se hace referen- cia al reconocimiento formal de este aspecto como teoria de utilidad, ya que refleja la utilidad de los distintos rendimientos para la empresa. La teorfa de utilidad refleja la wtilidad de los distintos rendimientos para la empresa. ‘TOMA DE DECISIONES BAJO INCERTIDUMBRE 827 ‘Suponga que se le da a elegir entre tomar $500 0 arriesgar el dinero en una inversién de doble o nada (con probabilidad de .5 de obtener $1,000 y .5 de no obtener nada). El valor esperado de! juego también es $500 (.50 X $1,000 + .50 x 0). Como el valor esperado del juego es justo igual al valor esperado de cierto pago, el resul- tado del criterio de VME seria la indiferencia entre ias dos alternativas. ae ‘Ahora suponga que se le garantizan $5 millones después de impuestos y también puede elegir arriesgar el dinero en una inversi6n de doble o nada (con probabilidad de .5 para un pago de $10 millones y .5 para ningdn ago). El enfoque del valor monetario esperado de nuevo Ileva a la indiferencia entre estas dos alternativas ya que el pago esperado es $5 millones. Una corporacién muy grande de hecho puede ser indiferente ante valores esperados idénticos, Sin embargo, como individuos, todos elegirfamos $5 millones en lugar de correr el riesgo de no obtener nada, La raz6n, segtin la teorfa de utilidad, es que los primeros $5 millones tienen una utilidad (son iitiles) considerable en nuestras vidas, pero la adicién de $5 millones més, no la tiene, Esto es, los $5 millones adicionales no alterarfan nuestras vidas de manera apreciable. EJEMPLO 18.12 Una compafifa se enfrenta a la eleccién entre dos proposiciones, o proyectos. Para cada una, el futuro es incierto; sin embargo, se pueden estimar las probabilidades de los resultados posibles, y se conocen los pagos para varias alternativas. Estos dos proyectos se resumen en la figura 18.5. FicuRA 18.5. Diagramas de arbol para el ejemplo 18.12 (millones de délares) Pago Proyecto ; esperado s100 \ ® S64 *. 0 2 a Proyecto : 235 » a Mag 2 : 150 Para cada proyecto el pago esperado es de $64 millones. Estos valores se calcularon multiplicando cada pago por su probabilidad de ocurrencia y sumando estos productos. Si se usa el razonamiento del VME, los dos proyectos son iguales y la eleccién entre ellos darfa como resultado Ia indiferencia, No obstante, cuando se examinan los pagos més de cerca, parece haber una gran diferencia entre los dos proyectos. El proyecto | Ilamaré més la atenci6n de un tomador de decisiones conservador ya que no hay proba- bilidad de pérdida, la ganancia esté garantizada y el pago més grande ($100 millones) se puede considerar sufi- cientemente grande. Un tomador de decisiones més audaz 0 agresivo puede preferir el proyecto 2, La posibilidad de un pago de $235 millones puede ser muy atractiva para él, y puede no considerar la posibilidad de no obtener ganancias 0 de una pérdida de $150 millones como un factor negativo fuerte. 828 Capitulo 18 El punto clave en todo esto es que las distintas cantidades de dinero se ven de manera diferente de una em- presa a otra y de un tomador de decisiones a otro, La tworia de utilidad reconoce de forma explicita estos puntos de vista y los incorpora al proceso de decisiGn. Los textos mis avanzados sobre la toma de decisiones contienen andlisis de cémo incorporar de ménera formal la teoria de utitidad en las situaciones complejas de la toma de de- cisiones.