Drins

ANALISIS DE DECISIONES: RIESGO - INCERTIDUMBRE 1
ANALISIS DE DECISIONES: RIESGO - INCERTIDUMBRE
A. Decisiones en condiciones de Riesgo e Incertidumbre

B. Proceso formal de un problema de decisiones.
C. Decisión sin experimentación.
C.1. Criterios para situaciones de riesgo.
C.1.1. Criterio Del valor monetario esperado.
C.1.2. Preferencias con el valor esperado
C.1.3. Criterio de la utilidad.
C.1.4. Criterio del valor esperado.
C.2. Criterios para situaciones de incertidumbre.
C.2.1. Criterio de maximin.
C.2.2. Criterio del coeficiente de optimismo.
C.2.3. Criterio de Laplace.
C.2.4. Criterio de perdida de oportunidad.
C.2.5. Valor esperado de la información perfecta.
D. Análisis de sensibilidad.
E. Situaciones de decisiones de muchas etapas.
F. Decisiones con experimentación.
F.1. Criterio de Bayes.
F.2. Distribución preposteriori/posteriori.
F.3. Análisis preposteriori.
F.3.1. Tabla o matriz de pagos.
F.3.2. Criterio del árbol.
F.4. Análisis a posteriori
F.4.1. Tabla o matriz de pagos.
F.4.2. Criterio del árbol.
G. Costo de la Información perfecta.
A. DECISIONES EN CONDICIONES DE RIESGO E INCERTIDUMBRE
A.1. INTRODUCCION.
La disponibilidad de información parcial o imperfecta sobre un
problema, lleva a dos nuevas categorías de casos de toma de decisiones:
1. Decisiones con riesgo
2. Decisiones con incertidumbre
En el primer caso el grado de ignorancia se expresa con una función de

probabilidad a priori a los distintos estados de la naturaleza usando:
 Datos pasados
 Otra información disponible
 Juicio subjetivo
Mientras en el caso dos, no se dispone de una función de probabilidad,

porque no existe información registrada(Histórica), pero podemos asignar
probabilidad subjetiva. En ambos casos no se conoce perfectamente el
estado que adoptara la naturaleza, pero se asocia a éste una distribución
de probabilidad.
Los criterios de decisión que se emplean cuando predominan estas
condiciones de riesgo-incertidumbre, reflejan los valores personales y
las actitudes hacia el riesgo que tienen los responsables de tomar
decisiones. El decisor se enfrenta a situaciones que pocas veces
sucedieron y en su afán de cuantificar esta incertidumbre, adopta una
actitud intermedia entre el pesimismo y el optimismo o algún otro
criterio más conveniente, de acuerdo al nivel de aspiración del decisor.
La estadística clásica, resuelve problemas(P) de decisión en casos
de riesgo R e incertidumbre I, sólo si es posible experimentar E:

E
R
E
P 
E
I
E
En algunas ocasiones, podemos agregar información pasada o de situaciones

similares a nuestro caso, con ello podemos ajustar las probabilidades a
priori, este ajuste se denomina probabilidades a preposteriori. Y si no
podemos contar con información histórica, debemos hacer un estudio de
campo que nos permita ajustar las probabilidades a priori, para este caso
llamaremos probabilidades a posteriori.
Si la experimentación no es factible  , el análisis estadístico
E
(enfoque objetivo) no es útil para resolver los problemas de decisión.
En estos casos se requiere otras técnicas y enfoques conocidos. El
criterio de optimalidad que se usa para seleccionar entre varias
alternativas, será la minimización del costo esperado. Entre los
problemas que se consideran están los siguientes:
1. Siendo la política optima, Cuál es el costo esperado?
2. Cuál es la decisión que minimice el costo esperado, dado el
resultado de un experimento?
3. Si se lleva a cabo un experimento, valdrá la pena?. Es decir, la
disminución en el costo esperado será mayor que el costo del
experimento.
4. Cuál es la cantidad máxima de dinero que podría gastarse con el fin de
eliminar toda la incertidumbre
B. PROCESO FORMAL DE UN PROBLEMA DE DECISION

1. El decisor establece la existencia de un conjunto de posibles
alternativas: A   A1 , A2 ,...., Am 
2. El conjunto de los estados de la naturaleza:  =   1 , 2 ,.... n 
no se ejerce control sobre la ocurrencia de estos eventos.
3. Pero la ocurrencia de los estados de la naturaleza el decisor
cuantifica en términos probabilísticos objetivos o subjetivos.
4. Al elegir el decisor una alternativa cualquiera, se conocen o estiman
las posibles consecuencias rij que son a su vez función de los estados
de la naturaleza.
5. Siendo el objetivo del decisor, el de minimizar los costos o maximizar
las ganancias, escoge entre los promedios la mejor alternativa, éste
lo expresa con la función: E  r (A i , j ) 

que es la que caracteriza a los diferentes métodos y que se
dimensionan en términos monetarios o de utilidad
C. DECISION SIN EXPERIMENTACION
C.1. CRITERIOS PARA SITUACIONES DE RIESGO
Si debemos decidir frente a un conjunto de alternativas, y teniendo
factores ambientales, que de alguna manera imposibilitan el logro de los
objetivos. Tendremos que recurrir a información histórica de los factores
exógenos (Estados de la naturaleza) y expresarlos en términos
probabilisticos, para luego aplicarlo a un determinado criterio el cual
señalará la alternativa a elegir.
C.1.1 CRITERIO DEL VALOR MONETARIO ESPERADO
Supone que los estados que presenta la naturaleza son variables
aleatorias, en muchas situaciones de decisiones bajo riesgo no se dispone
de distribuciones de probabilidad en cuanto a la ocurrencia de los
estados de la naturaleza. El Criterio de valor monetario esperado
estipula, que el decisor haciendo uso de la distribución a priori, debe
seleccionar aquella estrategia que minimice(maximice) su
perdida(ganancia) esperada:
Opt E{f(Ai, j)}
Donde:
Opt : - Maximizar beneficios esperado matriz de pagos expresado
en ganancias
- Minimizar Costo esperado matriz de pagos expresado en
pérdidas(costos)
 r ( A i ,  j ) P ( j )  : Discreto

Opt E{f(Ai, j)} = 
 f ( A i , y ) P ( y )dy  : Continuo

El decisor asigna probabilidades de ocurrencia de cada estado natural,
basándose en datos disponibles sobre la frecuencia relativa con que cada
estado se presento en el pasado. Axiomas básicos de las probabilidades,
para asignar probabilidades a los estados de la naturaleza:
a. 0  P(j)  1
b. P(1 2) = P(1) + P( 2)
c. P( 1 2......n) = 1 , j : Excluyentes
Se debe tener cuidado al usar el VME como criterio de decisión cuando
las cantidades de dinero involucrados son relativamente grandes, ya que
las curvas de utilidad de las personas y de las organizaciones no son
lineales. La advertencia sobre el uso del VME es que los resultados (los
favorables y desfavorables) con frecuencia tienen consecuencias
indeseadas
EJEMPLO: ELABORACION DE PAN

La Panadería LEONARD prepara todos los días su famoso pan, éste se vende
a $1.0 la unidad cuando está recién hecho y cuesta $0.50 prepararlo. El
pan que no se vende es ofertado a $0.5 la unidad. Aun a ese precio la
mitad del pan rematado no se llega a vender y se pierde.
La panadería acostumbra vender de 3 a 6 docenas de pan por día,
tiene información en cuanto a estas demandas, cuantificados en términos
probabilísticos. El problema de la panadería es decidir cuantos panes
preparar en un día típico.
Demanda / doc 3 4 5 6
Probabilidad 0.1 0.4 0.4 0.1
SOLUCION
Estados de la naturaleza ; Demanda del pan de 3 a 6 docenas
Alternativas; La panadería acostumbra preparar de 3 a 6 docenas
Matriz de decisión: Utilidades.
r(A1, 1): Ing = 1(3)(12) = 36 Cos= 0.5(3)(12)= 18 Uti= 36- 18 =
18
r(A2, 1): Ing = 1(3)(12)+0.5(0.5)(12) =36+3= 39 Cos =0.5(4)(12) =
24
Uti = 39 - 24 = 15
r(A3, 1): Ing = 1(3)(12)+0.5(1)(12) = 36 + 6 = 42 Cos=0.5(5)(12)=
30
Uti = 42 - 30 = 12
r(A4, 1):Ing = 1(3)(12)+0.5(1.5)(12) = 36+9 = 45 Cos = 0.5(6)(12) =
36
Uti = 45 - 36 = 9
Ai \ j 1=3 2=4 3=5 4=6
A1 = 3 18 18 18 18
A2 = 4 15 24 24 24
A3 = 5 12 21 30 30
A4 = 6 9 18 27 36
Teniendo además información probabilística, se utiliza el criterio del
VME para hallar la mejor alternativa. La tabla esta en función de
utilidades:
E{f(A1, j)} = 18(0.1) + 18(0.4)+18(0.4)+18(0.1) = 18.0
E{f(A2, j)} = 15(0.1) + 24(0.4) + 24(0.4) + 24(0.1) = 23.1
E{f(A3, j)} = 12(0.1)+21(0.4) + 30(0.4) + 30(0.1) = 24.6
E{f(A4, j)} = 9(0.1) + 18(0.4) + 27(0.4) + 36(0.1) = 22.5
Luego:
Max E{f(Ai, j)} = Max {18, 23.1, 24.6, 22.5} = 24.6
Se debe elegir la tercera alterativa, preparar 5 docenas de pan , con una
utilidad esperada de $24.6
C.1.1.1. PREFERENCIAS CON EL VALOR ESPERADO.

Se intenta completar el análisis de las decisiones, incorporando los
elementos teóricos necesarios para dar validez al criterio del valor
esperado. Considerando la tipología de aversión al riesgo, esto conduce
a una curva de utilidad:
U(K)
Y
donde:
k : Capital disponible
U(k) : Utilidad del capital k
ésta curva se ajusta a la expresión:
Y = a + b X + c X2
curva acotada y para c < 0.
Realizando los siguientes cambios de variable.

U(k) = Y
k = X
entonces U(k) = a + b k + c k 2 1
Conveniencias para alcanzar los objetivos:

1. En 1 a representa la distancia al origen en ambas fórmulas.
U ( k ) = 0 para k = 0
2. En 1 b determina la pendiente de la curva
3. En 1 es necesario que c = -1
entonces U (k) = k - k 2 2
Expresión para un decisor que posee aversión al riesgo. Debemos
determinar el valor esperado de 2;
2
E{ U(k) } = E (k) - E (k ) 3
Así el decisor ordenará sus preferencias conforme al valor esperado de

sus utilidades. Es decir siendo k cada uno de los posibles capitales
debemos ahora aplicar a cada curso de acción de la matriz de pagos;la
expresión 3.
EJEMPLO : ELABORACION DEL PAN

Matriz de pagos : utilidades
Ai \ J 1=3 2=4 3=5 4=6
A1 = 3 18 18 18 18
A2 = 4 15 24 24 24
A3 = 5 12 21 30 30
A4 = 6 9 18 27 36
Aplicando a cada alternativa la expresión:
E{ U(k) } = E (k) - E (k 2 )
Ilustrando para la alternativa: A2

k p(k) k p(k) k2 k2 p(k)
15 0.1 1.5 225.0 22.5
24 0.4 9.6 576.0 230.4
24 0.4 9.6 576.0 230.4
24 0.1 2.4 576.0 57.6
Los valores obtenidos se ordenarán conforme el decisor prefiere el mayor
valor esperado siendo:
- 306.0 > - 517.8 > - 536.4 > - 616.2
A1 > A2 > A4 > A3
EJEMPLO: PERFORACION DE POZOS DE PETROLEO
Una Cia. Petrolera posee tierras que supone que el subsuelo contiene
petróleo, la Cia. clasifica estas tierras en cuatro categorías según el
número total de barriles que espera obtener:
a. Un pozo de 500,000 barriles
b. Uno de 200,000 barriles
c. Uno de 50,000 barriles
d. Pozo seco
La Cia se enfrenta al dilema de:
i. Invertir en la perforación
ii. Alquilar incondicionalmente el terreno
iii Rentarlo a condición de la cantidad de petróleo
El costo de perforación de un pozo productivo es de $100,000 y el costo
de la perforación de un pozo seco es de 75,000. Si el pozo es
productivo, la ganancia por barril de petróleo es de $1.5, si el contrato
es incondicional la Cia recibe $45,000 por la venta de la tierra.
Mientras con el contrato condicional recibe $0.5/barril, siempre que el
pozo de al menos 200,000 barriles. De otra manera no recibe nada.
La Cia ha tenido experiencias en áreas geográficas similares, asignando las probabilidades siguientes:
Pozo 500,000 b 200,000 b 50,000 b Seco
Prob. 0.10 0.15 0.25 0.50
La Cia desea conocer cuál es la alternativa adecuada y cuál es la
ganancia esperada.
SOLUCION
Estados de la Naturaleza:
1: 500,000 barriles 2: 200,000 barriles
3: 50,000 barriles 4: Pozo seco
Alternativas:
A1: Perforación:
Costo pozo productivo $ 100,000
Costo pozo seco $ 75,000
Ganancia $ 1.50/barril
A2: Contrato incondicional:
Ganancia $ 45,000
A3: Contrato condicional:
Pozo  200,000 ganancia $ 0.50/barril
pozo < 200,000 ganancia $ 0.0
Matriz de pagos : expresados en ganancias:
r(1,1)=500,000(1.5)-100,000 = 650,000
r(1,2)=200,000(1.5)-100,000 = 200,000
r(1,3)=50,000(1.5)-100,000 = -25,000
r(1,4)=-75,000
Ai \ j 1 2 3 4
500,000 200,000 50,000 P. SECO
Perforar 650 200 -25 -75
Ren. Incond. 45 45 45 45
Ren. Cond. 250 100 0 0
Expresado en miles
Distribución probabilística: A Priori

j 1 2 3 4
P(j) 0.10 0.15 0.25 0.50
Beneficio esperado para cada alternativa

4
E  f ( A i ,  j )    r ( A i ,  j ) P ( j ) i= 1,2,3
j
E{f(A1,j)}= 650(0.1)+200(0.15)-25(0.25)-75(0.5) =65+30-6.25-37.5 = 51.25

E(f(A2,j)}=45((0.1)+45(0.15)+45(0.25)+45(0.5) =4.5+6.75 +11.25+22.5=45
E{f(A3,j)}=250(0.1)+100(0.15)= 40
El máximo beneficio esperado:

Max E{f(Ai, j)}
VME = Max {51.25 ,45 ,40} = 51.25
Elegir alternativa A1, da el mayor beneficio esperado: 51.25
C.1.2. CRITERIO DE LA UTILIDAD ESPERADA

Utilidad.- Es la transformación de los valores monetarios a una escala
que refleja las preferencias del tomador de decisiones. La utilidad puede
ser usada para racionalizar la inconsistencia que puede resultar al
utilizar el valor monetario esperado.
Si el decisor actúa con el propósito de satisfacer una serie de
supuestos razonables que son los axiomas del comportamiento racional ,
existe una función de utilidad del decisor que elige como alternativa más
apropiada a la que maximice la utilidad esperada.
C.1.2.1. FUNCION DE UTILIDAD

Función numérica definida sobre los eventos donde el decisor elegirá y
asignara una probabilidad a cada evento de acuerdo a su preferencia.
Por tanto la función de utilidad tiene que ser algo muy subjetivo y
suficiente flexible para adecuarse a las características personales del
decisor:
 : E -----> (E)
Donde E= {e1,e2,...en}, 0  (E)  1
C.1.2.2. UTILIDAD ESPERADA:

Es el promedio de las preferencias del decisor:
 L    P    (e ) P(e )
j j j j
donde:
0  P(ej)  1 y 0  u(ej)  1
El perfil de la curva de utilidad guarda una relación con la aversión,

indiferencia o propensión al riesgo de un decisor:
U
Indiferencia al riesgo
Aversión al
riesgo
Propensión al
riesgo
eventos
C.1.2.3. EVALUACIÓN SUBJETIVA DE LAS CONSECUENCIAS MONETARIAS

Las consecuencias monetarias pueden tener una utilidad diferente según el
decisor y la situación concreta de la que se trate. Los resultados
monetarios obtenidos al escoger una alternativa tal vez dependan:
 Del prestigio personal del decisor
 Del patrimonio financiero del decisor
 De la posibilidad de una bancarrota
 De la preferencia o aversión hacia el riesgo,etc.
C.1.2.4. LOTERIAS Y COMPORTAMIENTO RACIONAL

Podemos representar a la lotería como un experimento aleatorio cuyos
resultados se indican con el conjunto de eventos:
E= {e1,e2,.....en}
Donde la probabilidad subjetiva del decisor en cuanto a la ocurrencia del
evento ej esta dado por :
Pj = P(ej) Donde  Pj = 1
Supuestos:
1. No hay dos premios exactamente iguales
2. Los premios reflejan cierta preferencia del decisor
Una lotería se considera como un problema de decisiones donde la
naturaleza es la que toma la decisión. Denotamos una lotería de una sola
etapa:
L = { (P1,e1),(P2,e2),......(Pn,en)}
Donde Pj = P(ej)
Representación gráfica:
e1
p1
p2 e2
pj ej
L
pn
en
EJEMPLO
Representación gráfica de la lotería L1:
0.30 e1
0.40 e2
L1 0.30
e3
En términos de conjuntos
L1 = { (0.30,e1), (0.40,e2), (0.30,e3)}
C.1.2.5. LOTERIA DE DOS ETAPAS

Interpretamos esta lotería de dos etapas, como un problema de decisiones
de dos etapas, en el que la naturaleza primero decide a que lotería Li
de una sola etapa va a parar el jugador y después el premio que obtiene.
Proceso:
A. Dado el conjunto de eventos:
E = { e1,e2,....en }
de la lotería:
Lk = {(P1,e1),(P2,e2),.....(Pj,ej) .....(Pn,en)}
B. Suponiendo el resultado (Pj,ej) de la lotería Lk, si el decisor

decide apostar por segunda vez por un premio del conjunto E anterior:
E = { e1,e2,....en }
Donde la lotería de segunda etapa es :
£ = {(q1,L1)(q2,L2)...... (qi,Li) ....(q,m)}
C. Representación gráfica:
e1
P1
L1 P2
e2
Pn
en
q1
P1 e1
q2 P2
£ L2 e2
Pn
en
qn
e1
P1
Lm P2
e2
Pn
en
C.1.2.6 AXIOMAS DEL COMPORTAMIENTO RACIONAL

Una persona que toma decisiones racionales será aquella cuyo proceso
lógico, para la toma de decisiones satisfaga los axiomas:
1. Sean los eventos e1, e2. Se dan las siguientes posibilidades:
a. ei > ej ei es preferible a ej
b. ej > ei ej es preferible a ei
c. ei  ej es indiferentes al decisor
d. Si ei > ej y ej > ek  ei > ek
2. A un decisor racional le es indiferente una lotería £ de dos etapas y
una lotería L de una sola etapa
3. Para cada evento ej  E diferente de e1 y en le es indiferente a un
decisor racional tener ej con certeza y jugar en una lotería que tiene
solo dos premios: el premio más favorable (e1) y menos favorable (en)
es decir:
L(ej) = {(j,e1),(1-j,en)}
4. A un decisor le es indiferente una lotería de una sola etapa L que una
lotería del tipo £, donde:
£ = {(p1,L1),(p2,L2),...(pn,Lm)}
5. Sean dos loterías elementales, de una sola etapa, L1 y L2. Un decisor
puede considerar las posibilidades del axioma 1, para loterías.
C.1.2.7. MODELO DEL COMPORTAMIENTO RACIONAL; Utilidad

Relacionando los axiomas del comportamiento racional, con el problema de
determinar la función de utilidad del decisor:
1. Sea un conjunto de eventos Ej /.
Ej = {e1,e2,...en}
2. Si Ej es representativo de cualquier lotería, de modo que el premio
que se obtenga, será uno y solamente uno.
3. Los eventos de Ej son enumerados en orden de preferencia por el
decisor racional talque.
e1: Evento de mayor preferencia
en: Evento de menor preferencia
4. Para cada evento ej, j = 2,3,4,..k,..,n-1 el decisor considera lo
siguiente::
L(ej) = {(j,e1),(1-j,en)}
donde: e1: Premio más favorable
en: Premio menos favorable
Probabilidad  dado por el decisor para ganar el premio e1, en la
lotería L(ej) para que considere con indiferencia las ofertas de jugar
a esa lotería y la de recibir con certeza el premio ej
5. Sea j =  para cada premio ej del conjunto Ej.Donde J = 2,3,....,
n-1
6. Valor de j /. 0  j  1
7. Asociemos el número 1 = 1 con el premio e1 de mayor
preferencia, y el número n = 0 con el premio en de menor preferencia.
EJEMPLO: DECISION DE CONTRATOS

El dueño de un pequeño negocio trata de decidir cual de los dos
contratos, que le han ofrecido debe aceptar ya que sus recursos le
impiden considerar los dos, o ninguno de los dos. Existe cierto grado de
incertidumbre acerca de los resultados finales, el negociante da las
posibles consecuencias de cada contrato, asociando a cada evento una
probabilidad subjetiva. Las consecuencias dados en ganancias o pérdidas y
sus probabilidades de ocurrencia son:
CONTRATO A CONTRATO B
Resultados Probabilidad Resultados Probabilidad
50,000 0.6 40,000 0.5
20,000 0.1 30,000 0.35
-20,000 0.3 -10,000 0.15
SOLUCION
Expresando estos eventos en términos de lotería
Para A: La = {(0.6, 50,000),(0.1, 20,000)(0.3, -20,000)}
Para B: Lb = {(0.5, 40,000), (0.35, 30,000), (0.15, -10.000)}
Ningún contrato: Lc = {(1,0)}
Las tres loterías lo expresamos en una sola lotería donde el conjunto E
se ordenan en una secuencia de preferencias:
E = {50,000; 40,000; 30,000; 20,000; 0; -10,000; -20,000}
Identificando los eventos:
e1: 50,000 el más favorable
e7: -20,000 el menos favorable
Asociando los índices de utilidad a los siguientes premios
(e1) = 1 de mayor preferencia
(e7) = 0 de menor preferencia
Formulando la lotería de preferencia:
L = {( (e1), e1),(1-(e1), e7)} donde 1 = (e1) = 1
Ahora, el conjunto de premios se reduce
E1 = { 40,000, 30,000, 20,000, 0, -10,000 }
El negociante que valor le da a  tal que lo haga indiferente entre
recibir con certeza el premio de 40,000 de E1 o elegir la lotería de
referencia?. Es decir
40,000
1.0

50,000
1-
-20,000
El índice de utilidad para e = 40,000 es : (40,000) = 0.98

Siendo el conjunto de premios:
E2 = { 30,000, 20,000, 0, -10,000}
30,000
La misma pregunta anterior para 30,000
1.0

50,000
1-
-20,000
Indice de utilidad:
(30,000) = 0.95
Realizando el mismo procedimiento para los demás

(20,000) = 0.85 ( 0.0 ) = 0.65 (-10,000) = 0.40
Siendo la función de utilidad:

ej 50,000 40,000 30,000 20,000 0, -10,000,
-20,000
(ej) 1.0 0.98 0.95 0.85 0.60 0.40 0.0
Graficando el comportamiento del negociante:
(ej)
1.0
ej
-20 -10 0 10 20 30 40 50
Calculando la utilidad esperada, asociado a cada alternativa:

a = 1(0.6) + 0.85(0.1) + 0.0(0.3) = 0.685
b = 0.98(0.5) + 0.95(0.35)+ 0.4(0.15) = 0.883
c = 0.6(1) = 0.6
Donde la máxima utilidad es :

Max{ 0.685, 0.883, 0.6} = 0.883
Se debe elegir la alternativa B.

C.1.3. ARBOL DE DECISION

Técnica que gráfica el grado del riesgo involucrado en una decisión y
expresa el orden cronológico de las acciones alternas de que dispone
quien toma decisiones. Cualquier situación decisiva se puede describir
mediante el árbol de decisión, inclusive de múltiples etapas, siendo
restringido el uso de la matriz de pagos a situaciones de decisión de una
sola etapa.
Un árbol de decisión se compone de:
1. Alternativa de decisión; en cada punto de decisión
2. Eventos; Ocurren como resultado de cada alternativa de decisión
3. Probabilidades; De que ocurran los eventos (estados de la naturaleza)
posibles como resultado de las decisiones.
4. Resultados, (Expresados en términos económicos) de las posibles
interacciones entre las alternativas de decisión y los eventos.
Un árbol de decisiones se estructura enlazando nodos y ramas:
 En el árbol todos los eventos y alternativas están representados por
líneas o ramas que emanan de una intersección llamado nodo
 Un nodo de decisión representa el punto donde debe decidirse en
elegir una alternativa. se representa por un cuadrado 
 Un nodo probabilístico representa situaciones donde se da la
incertidumbre en cuanto a la realización de los estados de la
naturaleza. Se representa por un circulo 
La solución de situaciones de decisiones, utilizando el árbol de decisión
contempla dos etapas: Diseño, Análisis. El Diseño se hace
cronológicamente de izquierda a derecha y el Análisis en sentido
contrario.
C.1.3.1. EVALUACION DEL ARBOL DE DECISION
A este procedimiento se denomina, podar del árbol. Una vez simplificado
el árbol, debe calificarse las probabilidades de los estados y evaluarse
el árbol de la siguiente manera:
1. Anotar la probabilidad de cada evento en la rama del árbol
2. Avanzando de derecha a izquierda asignar un resultado o resultado
esperado a cada nodo. Cuando una sola rama sale de un nodo, el
resultado se coloca en el nodo.
3. Al evaluar un nodo de probabilidad con dos o más ramas se calcula el
valor esperado y se escribe en el nodo
4. Al evaluar un nodo de decisión con dos o más ramas se asigna el mayor
o menor de los resultados esperados en el nodo.
5. Continuar el procedimiento hasta obtener resultado para el nodo
inicial.
EJEMPLO: CASO PROTRAC

Se acaba de completar la fase de diseño y prueba del producto para la
línea de tractores de casa y de jardín de la PROTRAC. La administración
desea elegir la alternativa adecuada que se usara en la comercialización
y producción de estos artículos. Se tiene tres alternativas:
1. AGRESIVA(A)
Gran inversión para un producto eficiente, se tendrá grandes
inventarios, gran campaña de publicidad a nivel nacional
2. BASICA(B)
La producción del tractor E-4 se mudara a otra localidad, este
producto sufrirá cambios, se tendrá inventario de los items más
populares. Las oficinas principales apoyaran la publicidad local
3. CAUTELOSA(C)
La capacidad excedente de varias líneas de E-4, se usara para producir
los nuevos implementos. La producción se equipara para satisfacer la
demanda y la publicidad quedara a discreción del distribuidor
La administración decide clasificar la condición del mercado en fuerte

(F) y débil (D), las consecuencias en la matriz de pagos representan
ganancias expresados en millones de dólares. Se obtuvieron mediante un
estudio de ventas asociados con cada combinación de alternativa y estado
de la naturaleza
Ai \ j F D
A: Agresivo 30 -8
B: Básico 20 7
C: Cauteloso 5 15
Probabilidad 0.45 0.55
SOLUCION
Utilizando el criterio del VME. Los pagos están expresados en
ganancias
Max E { f(Ai, j)}
Calculando:
E { f(Ai, j)} = 30(0.45) - 8(0.55) = 9.10
E { f(Ai, j)} = 20(0.45) + 7(0.55) = 12.85
E { f(Ai, j)} = 5(0.45) + 15(0.55)= 10.50
La alternativa a elegir es la básica con $ 12.85 de ganancia
ARBOL DE DECISONES
1. DISEÑO:
El nodo inicial 1 es un evento en el que debemos elegir, por las
alternativas, A, B,C
Cada rama A,B, y C terminan en los eventos probabilísticos, 2,3 y 4
respectivamente
En cada nodo 2,3, y 4 puede ocurrir un estado de la naturaleza F o D
5 30.0
.45
F
.55
2 6 -8.0
D
A
7 20.0
F
B
1 3
8 7.0
C D
F 9 5.0
4
D
10 15.0
2. ANALISIS:
Es elegir la mejor alternativa
E(A)= 30(0.45) - 8(0.55) = 9.10
E(B)= 20(0.45) + 7(0.55) = 12.85
E(C)= 5(0.45) + 15(0.55)= 10.50
Arbol podado:
2 9.10
A
B
1 3 12.85
C
4 10.50
Evaluando los resultados:

La matriz de pagos esta expresado en utilidades
Max{ E(Ai) } = Max { 9.10, 12.85, 10.50 } = 12.85
La mejor alternativa es la B con $12.85 millones de ganancia
C.2. CRITERIOS PARA SITUACIONES DE INCERTIDUMBRE

La toma de decisiones en condiciones de incertidumbre completa significa
que se desconocen las probabilidades de ocurrencia de los diversos
estados de la naturaleza. El carácter de incertidumbre se asocia con el
hecho de que se es incapaz de estimar o calcular las probabilidad que se
produzcan cada uno de los estados de la naturaleza.
Los criterios de decisión que se emplean cuando predominan estas
condiciones de incertidumbre, reflejan los valores personales El decisor
se enfrenta a situaciones que pocas veces sucedieron y en su afán de
cuantificar esta incertidumbre, adopta una actitud intermedia entre el
pesimismo y el optimismo o algún otro criterio más conveniente, de
acuerdo al nivel de aspiración del decisor.
C.2.1. CRITERIO DE MAXIMIN ( WALD)

El decisor determina el peor resultado posible de cada alternativa y
luego escoge la alternativa cuya contingencia más desagradable sea la
menos desastrosa. Es decir elegir lo mejor de lo peor:
Maxmin{r(A i,j)}
ij
Este criterio supone que la naturaleza es malévola y trata de hacer el
mayor daño posible al oponente(decisor), no siendo la naturaleza por lo
general así. Un inconveniente de este procedimiento es que no toma en
cuenta la mayor parte de la información de la matriz de pagos, porque
considera los peores resultados de cada alternativa
EJEMPLO: DECISION DE ADQUIRIR UNA MAQUINA

El gerente de una empresa esta considerando en expandir o no la
capacidad de la fábrica, comprando una de dos máquinas. Una de las cuales
tiene el doble de capacidad y de precio. La capacidad existente de la
fábrica no es suficiente para satisfacer la demanda actual. Las ventas
por experiencia tienen una alta correlación con las condiciones
económicas del país
A: Si las condiciones económicas mejoran en el futuro, la máquina de alta
capacidad se requerirá.
B. Si las condiciones permanecen estables, la maquina de baja capacidad
será la adecuada
C. Si está a la vista una recesión, la capacidad actual bastará
Se tiene la matriz de pagos, que considera el gerente en términos de

ganancias(Millones de soles):
Ai \  1 2 3
A1 2.5 1.5 -1.0
A2 1.6 2.0 0.0
A3 1.2 1.2 0.8
SOLUCION
Alternativas:
A1 : Comprar máquina de alta Estados de la naturaleza
capacidad 1: Prosperidad
A2 : Comprar máquina de baja 2: Estabilidad
capacidad
3: Recesión
A3 : No comprar ninguna máquina
Del ejemplo, calculando:
j

Min r(A i,j)  para i= 1,2,3
r(A1, j) = -1, r(A2, j) = 0.0, r(A3, j) = 0.8
Luego; Maxmin { -1.0, 0.0, 0.8} = 0.8

Elegir la alternativa A3.
C.2.2. CRITERIO DEL COEFICIENTE DE OPTIMISMO (HURWITZ)

En lugar de ser completamente pesimista o completamente optimista, el
decisor puede tener una actitud intermedia. Para acomodar esta
posibilidad Hurwitz propone una medida llamada COEFICIENTE DE OPTIMISMO
C que varia en valor 0 para un pesimismo completo y 1 para un optimismo
completo
Si C = 0 la regla coincide con el maximin
Si C = 1 la regla coincide con el maximax
Si una persona es parcialmente optimista debe asignar pesos apropiados

a los resultados máximo y mínimo de cada acto. Este criterio es un
promedio ponderado de las reglas maximin y minimax. El valor de Hurwitz
se define:
Max rij C Min rij(1C)
H(A i)
Para nuestro ejemplo;

Calculando Max rij y Min rij para i=1,2,3
Max rij 2.5 2.0 1.2
Min rij -1.0 0.0 0.8
Si el decisor es cauteloso y pesimista asigna C = 0.25

H(A1) = 2.5(0.25) - 1.0 (0.75) = - 0.125
H(A2) = 2.0(0.25) + 0.0(0.75) = 0.500
H(A3) = 1.2 (0.25) + 0.8(0.75) = 0.900
Luego: Max { - 0.125, 0.500, 0.900 } = 0.9,
Elegir alternativa A3.
C.2.3. CRITERIO DE LAPLACE

Puesto que no se conoce las probabilidades de ocurrencia de los estados
de la naturaleza, se supone que las probabilidades de su realización son
las mismas para cada estado. Calculando luego el valor monetario esperado
a cada alternativa y se escoge la que tenga el valor monetario más
elevado
E(A i)  rijPj i= 1, 2, 3,...,m
Donde: Pj= 1 y Pj equiprobables
Para nuestro ejemplo, calculando:

E(A1) = 2.5(0.333) + 1.5(0.333) + (-1.0)(0.333) = 0.999
E(A2) = 1.6(0.333) + 2.0(0.333) + 0.0 (0.333) = 1.198
E(A3) = 1.2(0.333) + 1.2(0.333) + 0.8 (0.333) = 1.065
entonces Max { 0.999, 1.198, 1.065 } = 1.198

C.2.4. CRITERIO DE PERDIDA DE OPORTUNIDAD (SAVAGE)

La pérdida de oportunidad para cualquier resultado es la diferencia entre
el pago real y el que se habría obtenido, si el acto optimo hubiera
escogido para el estado de la naturaleza que fue obtenido. La pérdida de
oportunidad para una alternativa Ai y un estado particular j esta
representado por;
l(A i,j)r(A *, j) r(A i, j) i=1,2...,m j=1,2....n
Donde: A*; Alternativa optima para el estado j

A la nueva matriz de consecuencias, aplicar el criterio de:
Minimax l(A i,j)
ij
 
Así este criterio (De la lamentación) es la diferencia entre el pago
realmente recibido y el pago que podría haber recibido el decisor, si
hubiera conocido por anticipado que estado de la naturaleza prevalece.
De nuestro ejemplo: La matriz de pérdidas(lamentaciones).
Ai \ j 1 2 3 Max r(Ai,j)
A1 0.0 0.5 1.8 1.8
A2 0.9 0.0 0.8 0.9
A3 1.3 0.8 0.0 1.3
Luego; Minimax { 1.8, 0.9, 1.3} = 0.9
C.2.5. VALOR ESPERADO DE LA INFORMACION PERFECTA

Habiendo estudiado situaciones donde el decisor escoge alternativas en
base a la información a priori y sin contar con información adicional
antes de tomar la decisión. Podemos superar estas deficiencias haciendo
uso del concepto del valor esperado de la información perfecta; VEIP =
BEIP - VME
BENEFICIOESPERADO  BENEFICIOESPERADO 
  
VEIP CON    EN 
INFORMACIONPERFECTA CONDIC..DEINCERTID.
El cálculo del beneficio con ayuda de la información perfecta, se
basa en la ganancia esperada, si el decisor tiene acceso a un
pronosticador perfecto A* se supone que predice con exactitud que estado
de la naturaleza ocurrirá.. El beneficio esperado en base a la
información perfecta se calcula ponderando estas ganancias optimas con
las respectivas probabilidades de obtenerlas y totalizando estos
productos
BEIP =  r(A*,j) P(j)
Beneficio esperado en condiciones de incertidumbre:

BE(Ai) =  r(A,j) P(j) i=1,2,....n
Donde:
VME = Max { BE(Ai) }
Valor esperado con información perfecta: VEIP
Para maximización; VEIP = BEIP – VME
Para minimización; V
EIP = VME - BEIP
Continuando con el ejemplo:

El gerente investiga en base a experiencias pasadas y en base a opiniones
de expertos en el tema, asigna probabilidades subjetivas a los eventos
futuros:
P(1 : Prosperidad) = 0.20
P(2 : Estabilidad) = 0.50
P(3 : Recesión) = 0.30
Si el pronosticador predice con exactitud el estado natural que ocurrirá:

Si 1 : El decisor seleccionara r(A1*, 1) = 2.5
EVENTO GANACIAS PROBABILIDAD GANANCIAS

PRONOSTICADO CONDICIONALES ESPERADAS
r(A*, j) P(j) r(A*,j)P(j)
Prosperidad 2.5 0.20 0.5
Estabilidad 2.0 0.50 1.0
Recesión 0.8 0.30 0.24
TOTALES 1.0 1.74
Luego: BEIP = 1.74.

Calculando:
BE(A1) = 2.5(0.20) + 1.5(0.50) - 1.0(0.30) = 0.95
BE(A2) = 1.6(0.20) + 2.0(0.50) + 0.0(0.30) = 1.32
BE(A3) = 1.2(0.20) + 1.2(0.50) + 0.80(0.30) = 1.08
Entonces:
VME = Max { 0.95, 1.32, 1.08} = 1.32
Elegir la alternativa A2
Donde: VEIP = 1.74 - 1.32 = 0.42

Representa el aumento en el beneficio esperado por haber utilizado un
pronosticador perfecto
D. ANALISIS DE SENSIBILIDAD
Tomando como referencia el caso PROTRAC. Considerando las ganancias
esperadas para cada alternativa en función a P(F). El valor monetario
esperado para A:
E(A) = 30P(F) - 8P(D)
Donde: P(F) + P(D) = 1
P(D) = 1 - P(F)
Luego E(A) = 30P(F) - 8(1 - P(F))
= 30P(F) - 8 + 8P(F)
= 38P(F) - 8
El valor monetario esperado para B, C esta en función lineal de P(F)
E(B) = 13P(F) + 7
E(C) = -10P(F) + 15
Graficando el valor monetario esperado para cada alternativa
rendimiento
esperado
30
0.48
20
10
0 0.35 0.60
-10
C B A
P(F)=0 P(F)=1
Si P(F) = 0.30  E(C) > E(B) > E(A)

El punto donde se cortan A y B: E(A) = E(B)
- 8 + 38P(F) = 7 + 13P(F)
 P(F) = 0.6
E. SITUACIONES DECISIVAS DE MUCHAS ETAPAS
Mientras que una situación decisiva de una sola etapa requiere una
decisión en un solo punto del tiempo. Una situación decisiva de muchas
etapas requiere que se tomen más de una decisión en diferentes puntos
del tiempo.
La mejor manera de describir una situación de decisión de múltiples
etapas es el árbol de decisión. En su acercamiento a cualquier situación
decisiva quien toma decisiones puede eliminar muchas complejidades
describiendo exactamente la situación( en orden cronológico) y eliminando
actos inferiores y estados inconsecuentes.
Arbol de decisiones de una sola etapa:
r11
1
A1 2 r12
2
1 r21
A2 3 r22
EJEMPLO: ESTUDIO DE MERCADO.

Colaco tiene activos de $150,000 y desea decidir si vende o no un refresco con
sabor a chocolate; La chocola, Colaco tiene tres opciones:
OPCION 1: Probar en forma local el mercado de chocola y a continuación, usar los

resultados del estudio de mercado para determinar si vende la Chocola a
nivel nacional o no.
OPCION 2: Vender sin prueba del mercado, La chocola a nivel nacional.
OPCION 3: Decidir sin prueba de mercado, no vender a nivel nacional.
A falta de estudio de mercado. Colocao cree que chocola tiene 55% de

probabilidades de ser éxito nacional, y 45% de probabilidades de ser
fracaso nacional. Si la chocola es éxito nacional, el estado de
inversiones de Colaco aumentará en 300 000 dólares y si es fracaso
nacional los activos actuales disminuirán en $ 100 000.
Si Colaco, lleva un estudio de mercado a un costo de $30 000
hay 60% de probabilidad que el estudio dé resultado favorable, es decir
éxito local. y 40% de probabilidades que el estudio arroje resultados
desfavorables, lo que se llama fracaso local.
Si hay éxito local, hay 85% de probabilidades que la chocola
sea éxito nacional. Si se obtiene fracaso local, hay sólo 10% de
probabilidades que la chocola sea éxito nacional. Colaco desea máximizar
sus bienes.
SOLUCIÓN:
Situaciones controlables
A1: Hacer la prueba. B1: Vender a nivel nacional
A2: No hacer la prueba. B2: No vender a nivel nacional
Situaciones no controlables.
1: Éxito local 1: Éxito nacional
2: Fracaso local 2: Fracaso nacional
DISEÑO:
Los nodos terminales son opcionales; graficar así, si lo resuelve con un
software computacional. De usar el DECIDOR, se deberá registrar los nodos
en esa secuencia, puesto que el programa lo hace así:
150-30=120
B2 6
0.85 8 150-30+300=420
4 7 1
B1 2
1 0.15 9 150-30-100=20
0.60
2
0.40 120
B2 10
2 0.10 12
A1 420
5 11 1
B1 2
0.90 13 20
1
0.55 16
1 450
A2 B1 14 2
0.45 17 50
3
15
150
B2
360
1
ANALISIS:
0.60
Evaluando el árbol, 2
0.40
E(7) = 420(0.85)+20(0.15)= 360 E(11) = 420(0.1)+20(0.90)= 60
A1
E(4)= Max {120, 360}=360 2 120E(5) = Max { 120, 60} = 120
E(14)
1 = 450(0.55)
B1 + 50(0.45) = 270
270
A2 3 150
B2
E(2) = 360(0.60)+120(0.40) = 264

E(3) = Max {270, 150] = 270
VME = E(1) = Max{ 264, 270} = 270
F. DECISIONES CON EXPERIMENTACION

Podemos tomar decisiones con información registrada que hayan tenido
las mismas condiciones ambientales con respecto al problema a tratar;
Análisis preposteriori. También se puede tomar decisiones con
información fresca, es decir levantando información de campo actual;
Análisis a posteriori.
F.1. CRITERIO DE BAYES

Sea X variable aleatoria que expresa la información obtenida de una
muestra aleatoria del experimento, donde X se puede expresar como:
 La media muestral
 El máximo de la muestra
 Tercera observación de la muestra,etc
El decisor debe seleccionar una estrategia en el proceso de decisión en
cuanto a la muestra:
 Forma
 Cantidad de experimentación
 Alternativa para cada valor de X
Denotando esta función que debe elegir por d(X) cuando:
X = x entonces A = d(X)
alternativa a tomar. Una medida apropiada de las consecuencias de tomar
la alternativa A = d(X) cuando el estado verdadero de la naturaleza es
 estará dado por el valor esperado de la pedida/ganancia denominándose
función de riesgo R(d, ):
R(d, ) = E {f(d(X), )}
El valor esperado se toma con respecto a la distribución de probabilidad
de la V.A. X y la función de perdida /ganancia incluye el costo de
experimentación
La función de riesgo de bayes correspondiente a una función de decisión
d y una distribución de probabilidad a priori de  , P() esta dado:
  R(d, j)P(j)
j

(d)= 
  R(d, y)P(y)dy
 
El principio de Bayes indica que se debe elegir la función d que minimice
/ maximice su pérdida / ganancia esperada.
Al observar los datos experimentales, se debe actualizar la distribución

a priori, utilizando la información experimental / campo respecto a la
distribución de probabilidad de los estados de la naturaleza, esta
información actualizada es la distribución a preposteriori /
posteriori de . La distribución condicional de  dado X = x:
H /xi (j) Discreto
H /x (y) Continuo
Elegir la alternativa que minimice / maximice la pérdida / ganancia
esperada

 r (A i , j )H ( j / X i )  C
j

l (A )  E f (A , )  

 f (A , y )H ( y / x )dy  C

 
F.2. DISTRIBUCIONES PREPOSTERIORI/POSTERIORI.

Dado la variable aleatoria bivariada (X,) discreta.
Con distribución de probabilidad P(X, ).
Donde cada variable aleatoria tiene su distribución marginal
n
P(Xi)   P(Xi, j)   P(j)Q(Xi / j)
j
m
P(j)   P(Xi, j)   P(Xi)Q(j / Xi)
i
Sean las distribuciones condicionales
Q(Xi / j)  P(Xi / j)
H(j / Xi)  P(j / Xi)
La distribución conjunta de la v. a. (X, )
P(Xi, j)  P(j)Q(Xi/ )

j
También
P(Xi, j)  P(Xi)H(j/ Xi)
Igualando estas dos últimas expresiones, calculamos la distribución a

posteriori
P(j)Q(Xi / j)  P(Xi)H(j / Xi)
P(j)Q(Xi / j)
Luego H(j / Xi) 
P(Xi)
F.3. ANALISIS PREPOSTERIORI

La metodología de este criterio, considera los siguientes pasos:
1. Determinar las probabilidades preposteriori y marginales:
P(j)Q(Xi / j)
H(j / Xi) 
P(Xi)
n
P ( X i )   P ( X i ,  j )   P ( j )Q ( X i /  j )
j
2. La evaluación de las alternativas Ai con:
 
E f ( A i , j )   r ( A i , j ) H ( j / x i )  C
3. Para cada resultado(clase) Xi de la prueba, se tiene la mejor

alternativa R(A,j):
 
R (d ( x ),  j ) opt E f ( A i ,  j ) 
4. Beneficio esperado con información muestral: BEIM
BEIM =  R(d, j) * P( Xi)
5. Valor esperado con información muestral: VEIM
Para maximización; VEIM = BEIM – VME
Para minimización; VEIM = VME - BEIM
Ben fico esprado Ben fico esp rado 

VEIM   
c oni f.de muestra sinI for.de muestra
6. Beneficio esperado con información perfecta: BEIP
BEIM =  r(A,j) * P(j)
7. Valor esperado con información perfecta: VEIP
Para minimización; VEIP = VME - BEIP
Ben fico esp rado  Ben ficradoesp rado 

VEIP  
c onpron sticoesp rado sin formacióndemuestra
F.3.1. TABLA O MATRIZ DE PAGOS.
EJEMPLO: PERFORACION DE POZOS
Continuación; Existe un costo asociado por la adquisición de la
información mediante un muestreo estadístico. Podemos simular los
posibles resultados del muestreo:
Suponiendo que se realizan 100 sondeos sísmicos a un costo de
$12,000, siendo la regla de decisión:
A x 1
 1
d ( X )  A 2 si x 4
A x 2, 3
 3
Donde :
X1 : Condición muy favorable para encontrar petróleo
X2 : Condición favorable para encontrar petróleo
X3 : Condición más o menos favorable para encontrar petróleo
X4 : Condición desfavorable para encontrar petróleo
Resultados que dan las probabilidades condicionales; Q ( Xi, / j)
CLASIFICACION j 1 2 3 4
SISMICA Xi 500,000 b 200,000 b 50,000 b P. SECO
1 7 / 12 9 / 16 11 / 24 9 / 48
2 4 / 12 3 / 16 6 / 24 13 / 48
3 1 / 12 2 / 16 3 / 24 15 / 48
4 0 2 / 16 4 / 24 11 / 48
SOLUCION
Calculando la probabilidad marginal para:
P(x1)P(1)Q(x1/ 1) P(2)Q(x1/ 2)P(3)Q(x1/ 3)P(4)Q(

= 0.10 (0.583) + 0.15 (0.562) + 0.25 (0.458) + 0.50 (0.187)
= 0.0583 + 0.1170 + 0.1145 + 0.0935 = 0.3833
Calculo de las probabilidades a posteriori:
H(1/x1)P(1)Q(x1 /1)/P(x1) = 0.0583 / 0.3511 =
0.166
H(2/x1) P(2)Q(x1 / 2)/P(x1) = 0.0844 / 0.3511 =
0.240
H(1/x2)P(1)Q(x2, /1)/P(x2) = 0.0333 / 0.2588 =
0.129
PROBABILIDAD A POSTERIORI DE LAS CUATRO CLASIFICACIONES SISMICAS:
Xi \ j 1 2 3 4
Prob. prior. 0.10 0.15 0.25 0.50
Prob. cond. Q ( Xi/j)
X1. 0.583 0.562 0.458 0.187
X2 0.333 0.187 0.250 0.270
X3 0.083 0.125 0.125 0.312
X4 0.00 0.125 0.166 0.229
Prob. Conj. Prob. Marg. Prob. Posteriori

P(j) Q(Xi / j) P(Xi) H(j/Xi)
Xi\j 1 2 3 4 1 2 3 4
X1 0.0583 0.0843 0.1145 0.0935 0.3506 0.166 0.240 0.326 0.266
X2 0.0333 0.0280 0.0625 0.1350 0.2588 0.128 0.108 0.241 0.521
X3 0.0083 0.0187 0.0312 0.1560 0.2142 0.038 0.087 0.145 0.728
X4 0.0000 0.0187 0.0415 0.1145 0.1747 0.000 0.107 0.237 0.655
Siendo los resultados del experimento:

CLASE 1
Máximo beneficio:
E{f(A1, j)} = 650(.166) + 200(.240) - 25(.326) - 75(.266) -12 = 115.7
E{f(A2, j)} = 45(.166) + 45(.240) + 45(.326) + 45(.266) -12 = 33.0
E{f(A3, j)} = 250(.166) + 100(.240) -12 = 53.5
Max{115.7, 33, 53.5} = 115.7 Elegir alternativa A1
CLASE 2
Máximo beneficio:
E{f(A1, j)} = 650(.128) + 200(.108) - 25(.241) - 75(.521) -12 = 47.7
E{f(A2, j)} = 45(.128) + 45(.108) + 45(.241) + 45(.521) -12 = 33.0
E{f(A3, j)} = 250(.129) + 100(.108) -12 = 31.05
Max{47.7, 33, 31.05} = 47.7 Elegir alternativa A1
CLASE 3
Máximo beneficio
E{f(A1, j)} = -27.5
E{f(A2, j)} = 33.0
E{f(A3, j)} = 6.45
Máx{-27.5, 33, 6.45 } = 33 Elegir alternativa A2
CLASE 4
Máximo beneficio
E{f(A1, j)} = -45.675
E{f(A2, j)} = 33.0
E{f(A3, j)} = - 1.3
Máximo { -45.675, 33, -1.3 } = 33 Elegir alternativa A2
Beneficio esperado con información de la prueba. BEIM

EXPERIMENTO BENF.ESPERADO PROB. MARGINAL
Xi R(d ,j) P(Xi) R(d ,j)*P(Xi)
X1 115.7 0.3506 40.5644
X2 47.7 0.2588 12.3447
X3 33.0 0.2142 7.0686
X4 33.0 0.1747 5.7651
BEIM = 65.7428
El valor esperado de la información de la muestra: VEIM
VEIM = 65.7428 - 51.25 = 14.4928
Realizar la prueba de mercado incrementa el rendimiento esperado en
$ 14.4928, cantidad adicional al costo $12 de la prueba
El valor esperado de la información perfecta: VEIP
 = j r(A,j) Ai P(j) P(j)r(A,j)
1 650 A1 0.1 65
2 200 A1 0.15 30
3 45 A2 0.25 11.25
4 45 A2 0.5 22.50
BEIP = 128.7
VEIP = 128.75 - 51.25 = 77.5
beneficio esperado adicional, por encima del VME sin experimentación que
se puede obtener con información perfecta.
F.3.2. CRITERIO DEL ARBOL

EJEMPLO : PREDICCION DE LA TEMPORADA
Durante el verano, el nadador olímpico Adam Johnson práctica diario. En
los días soleados va a una piscina al aire libre, donde puede nadar
gratis. En los días lluviosos debe ir a una piscina bajo techo. Al
principio del verano tiene la opción de comprar un pase por $15.0 para la
piscina techada, lo que le permite entrar allí durante todo el verano.
Si no compra éste pase, debe pagar un $1.0 cada vez que entra a
la piscina techada. Los registros meteorológicos anteriores indican que
hay 60% de probabilidad que el día sea soleado, en cuyo caso hay un
promedio de 6 días lluviosos en total, y 40% de probabilidades que el día
sea lluvioso, en cuyo caso el promedio es de 30 días lluviosos en total.
Johnson compra una revista a $1.0 que tiene información
meteorológica de las ciudades del país. Si el pronóstico anuncia verano
soleado, hay 93% de probabilidad que el día sea realmente soleado. Si
anuncia verano lluvioso hay 40% de probabilidad que en realidad el día
sea lluvioso. La meta de Johnson es el de reducir sus costos durante la
época de verano.
SOLUCION
DATOS:
 Costo del uso de la piscina al aire libre: gratis.
 Costo piscina techada; pase de $15.0 por toda la temporada 0
$1.0/ingreso.
 Para día soleado: En promedio 6 días lluviosos en la temporada..
 Para día lluvioso: En promedio 30 días lluviosos en la temporada
Alternativas: Estados de la naturaleza.

A1: Comprar pase. 1: Día soleado.
A2: No comprar pase. 2: Día lluvioso.
Matriz de pagos: Costos
Ai \j 1 2
A1: 15 15
A2: 6 30
P(j) 0.60 0.40
Decisión sin experimentación:

Diseño
4 15.0
0
)=0.6
P(
A1 5 15.0
2 P()=0.40
1
A2 3 6 6.0
7 30.0
Análisis
E(2)=E(A1) = 15(0.60) + 15(0.40) = 15.0
E(3)=E(A2) = 6(0.60) + 30(0.40) = 15.60
Elegir alternativa A1: Comprar pase.
Decisión con experimentación

 Costo del pronóstico: $1.0
 Resultados del pronóstico
X1: Verano soleado X2: Verano lluvioso
Probabilidades condicionales: Q(Xi/j):
Xi \ j 1 2
X1 0.93 0.60
X2 0.07 0.40
Probabilidades preposteriori
1 2
P(j) 0.60 0.40
Q(Xi/j)
X1 0.93 0.60
X2 0.07 0.40
P(j)Q(Xi/j) P(Xi) H(j/Xi)
X1 0.56 0.24 0.80 0.70 0.30
X2 0.04 0.16 0.20 0.21 0.79
Arbol: 6 16=15+1
H(1/X1)=0.70
4 7
H(2/X1)=0.30 16=15+1
A1
8 7=6+1
2
A2
P(X1)=0.80 5
9 31=30+1
1
12
P(X2)=0.20 H(1/X2)=0.21
A1 10
H(2/X2)=0.79 13
3
14
A2
11
15
Podando el árbol
Verano soleado:
E(4) = 16(0.70) + 16(0.30) = 16.0
E(5) = 7(0.70) + 31(0.30) = 14.22
E(2) = Min{ ] = 14.22  VMEx1 = 14.22 elegir A2
Verano lluvioso:
E(10) = 16(0.21) + 16(0.79) = 16.0
E(11) = 7(0.21) + 31(0.79) = 26.01
E(3) = Min{ } = 16.0  VMEx2 = 16.0 elegir A1
VEIM:
Xi R(A, j) P(Xi) P(Xi)* R(A, j)
X1 14.22 0.80 11.35
X2 16.00 0.20 3.23
VMEexp = E(1) = BEIM = 14.578
VEIM = 15 – 14.58 = 0.42 costo del pronóstico $1.0
Entonces VEIM = 15 – (14.58 – 1) = 1.42
Por más información no se debe pagar más de : $1.42.
VEIP:
j r(A, j) P(j) P(j)* r(A, j)
1 6.0 0.60 3.60
2 15.0 0.40 6.00
BEIP = $9.60
VEIP = 15.0 – 9.60 = .40
los costos se reducen en $5.40 por tener un pronosticador perfecto.
F.4. ANALISIS POSTERIORI.

La metodología de este criterio, considera los siguientes pasos:
1. Determinar las probabilidades preposteriori y marginales: Para Xi
P(j)Q(Xi / j)
H(j / Xi) 
P(Xi)
n
P ( X i )   P ( X i ,  j )   P ( j )Q ( X i /  j )
j
 
2. La evaluación de las alternativas Ai con:
E f ( A i , j )   r ( A i , j ) H ( j / x i )
3. Para el resultado(clase) Xi de interés, calcular: VME  E {A i ,  j }
4. Beneficio esperado con información perfecta: BEIP

BEIM =  r(A,j) * P(j)
5. Valor esperado con información perfecta: VEIP
Para minimización; VEIP = VME - BEIP
Ben fico esp rado  Ben ficradoesp rado 

VEIP  
c onpron sticoesp rado sin formacióndemuestra
F.4.1. TABLA O MATRIZ DE PAGOS.
EJEMPLO: PERFORACION DE POZOS (Continuación)
La Cia Petrolera obtiene información del año de una revista de geología
que ha estudiado las características del subsuelo de la región en donde
se desea invertir. Se desea decidir con la opción; X2 (Condición
favorable para encontrar petróleo):
Q(X2/1) = 0.65 Q(X2/2) = 0.70 Q(X2/3) = 0.80
Q(X2/4) = 0.60
SOLUCION
Calculando las probabilidades a posteriori. H(j/X2):
j P(j) Q(X2/j) P(j)Q(X2/j) H(j/X2)

1 0.10 0.65 0.065 0.097
2 0.15 0.70 0.105 0.1567
3 0.25 0.80 0.200 0.2987
4 0.50 0.60 0.300 0.4478
P(X2) = 0.670
Beneficio esperado a posteriori:
E(Ai) =  r(Ai,j) H(j/X2), i = 1,2,3,4
Calculando:
E(A1) = 650(0.097) + 200(0.1567)-25(0.2987-75(0.4478) = 53.36
E(A2) = 45(0.097) + 45(0.1567) + 45(0.2987) +45(0.4478) = 45.0
E(A3) = 250(0.097) + 100(0.1567)+ 0.0(0.2987)+0.0(0.4478) = 39.93
Donde :
VME = Max { E(Ai)}
= Max { 53.36, 45.0, 39.93} = 53.36 elegir alternativa A1
Benificio esperado con información perfecta:

 = j r(A,j) H(j/X2) r(A,j) H(j/X2)
1 650 0.1 63.06
2 200 0.15 31.34
3 45 0.25 13.43
4 45 0.5 20.15
BEIP = 127.985
Donde:
BEIP = 650(0.097)+200(0.1567)+45(0.2985)+45(0.4478) = 127.985
VEIP = BEIP – VME = 74.627
F.4.2. CRITERIO DEL ARBOL

EJEMPLO : PREDICCION DE LA TEMPORADA (continuación)
Adan Johnson, prende el radio y escucha el pronóstico para el día de hoy,
el cual dice:
Q(Verano soleado/día soleado) = 0.70
Q(Verano soleado/día lluvioso) = 0.50
Que debe hacer Johnson, para reducir sus costos de preparación en la
competencia.
Datos:
Condiciones ambientales de la temporada, teniendo información del día de
hoy: Q(X1/1)= 0.70
Q(X1/1)= 0.50
Probabilidades posteriori: H(j/Xi)
j p(j) Q(Xi/1) P(Xi,j) H(i/Xi) P(Xi)

1 0.60 0.70 0.42 0.68 0.62
2 0.40 0.50 0.20 0.32
4 15
Arbol de decisiones. H(1/X1)=0.68
2
5 15
A1 H(2/X1)=0.32
1
6 6
A2 3
7 30
E(A1) = 15(0.68) + 15(0.32) = 15.0

E(A2) = 6(0.68) + 30(0.32) = 13.74
Donde VME = Min { } = 13.74 debemos de elegir A2
VEIP:
j r(A,j) Ai H(j/Xi) r(Ai,j)*H(i/Xi)
1 6.0 2 0.68 4.06
2 15.0 1 0.32 4.84
BEIP = 8.90
VEIP = 13.74 – 8.90 = 4.84
Se tiene un ahorro de 4.84 por tener un pronosticador perfecto
G. COSTO DE LA INFORMACION PERFECTA

Función de riesgo
B(d(Xi)) E{f(d(Xi), j)}C
 R(d(Xi),j)Q(Xi/j) C

 R(d(X), Y)Q(Y/j)dY  C
EJEMPLO : PERFORACION DE POZOS
Costo del muestreo : 12,000
Valor esperado de la información muestral
VEIM = 14.4928 (cantidad adicional al costo )
No se debe pagar más de 26.753 por la información adicional(muestreo )

Como 12 < 14.4928 + 12 = 26.4928
decidir con información adicional
Función de riesgo ponderado
B( d ) =  R( d , j ) P( j ) - C
R(d, 1) = 650(7/12) + 250(4/12 + 1/12) + 45( 0 ) - 12 = 471.333

R(d, 2) = 200(9/16) + 100(3/16 + 2/16) + 45 (2/16) - 12 = 137.375
R(d, 3) = -25(11/24) + 0 (6/24 + 3/24) + 45(4/24) - 12 = -15.958
R(d, 4) = -75(9/48) + 0(13/48 + 15/48) + 45(11/48) - 12 = -15.750
Luego:
B(d) = 471.33(0.10)+137.375(0.15)-15.958(0.25)-15.75 (0.50) = 55.869
La política arbitraría d genera una función de riesgo ponderado:

B(d) = 55.869
Por tanto usar Bayes sin experimentación en relación a la política

arbitraría genera una pérdida de
51.25 - 55.869 = -4.619

Drins

Cargado por

Información del documento

Descripción original:

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

Drins

Cargado por

Copyright:

Formatos disponibles

ANALISIS DE DECISIONES: RIESGO - INCERTIDUMBRE 1

ANALISIS DE DECISIONES: RIESGO - INCERTIDUMBRE

A. Decisiones en condiciones de Riesgo e Incertidumbre

En el primer caso el grado de ignorancia se expresa con una función de

Mientras en el caso dos, no se dispone de una función de probabilidad,

En algunas ocasiones, podemos agregar información pasada o de situaciones

B. PROCESO FORMAL DE UN PROBLEMA DE DECISION

lo expresa con la función: E  r (A i , j ) 

EJEMPLO: ELABORACION DE PAN

C.1.1.1. PREFERENCIAS CON EL VALOR ESPERADO.

Realizando los siguientes cambios de variable.

Conveniencias para alcanzar los objetivos:

Así el decisor ordenará sus preferencias conforme al valor esperado de

EJEMPLO : ELABORACION DEL PAN

Ilustrando para la alternativa: A2

Distribución probabilística: A Priori

Beneficio esperado para cada alternativa

E{f(A1,j)}= 650(0.1)+200(0.15)-25(0.25)-75(0.5) =65+30-6.25-37.5 = 51.25

El máximo beneficio esperado:

C.1.2. CRITERIO DE LA UTILIDAD ESPERADA

C.1.2.1. FUNCION DE UTILIDAD

C.1.2.2. UTILIDAD ESPERADA:

El perfil de la curva de utilidad guarda una relación con la aversión,

C.1.2.3. EVALUACIÓN SUBJETIVA DE LAS CONSECUENCIAS MONETARIAS

C.1.2.4. LOTERIAS Y COMPORTAMIENTO RACIONAL

C.1.2.5. LOTERIA DE DOS ETAPAS

B. Suponiendo el resultado (Pj,ej) de la lotería Lk, si el decisor

C.1.2.6 AXIOMAS DEL COMPORTAMIENTO RACIONAL

C.1.2.7. MODELO DEL COMPORTAMIENTO RACIONAL; Utilidad

EJEMPLO: DECISION DE CONTRATOS

El índice de utilidad para e = 40,000 es : (40,000) = 0.98

Realizando el mismo procedimiento para los demás

Siendo la función de utilidad:

Graficando el comportamiento del negociante:

Calculando la utilidad esperada, asociado a cada alternativa:

Donde la máxima utilidad es :

Se debe elegir la alternativa B.

C.1.3. ARBOL DE DECISION

EJEMPLO: CASO PROTRAC

La administración decide clasificar la condición del mercado en fuerte

Evaluando los resultados:

C.2. CRITERIOS PARA SITUACIONES DE INCERTIDUMBRE

C.2.1. CRITERIO DE MAXIMIN ( WALD)

EJEMPLO: DECISION DE ADQUIRIR UNA MAQUINA

Se tiene la matriz de pagos, que considera el gerente en términos de

r(A1, j) = -1, r(A2, j) = 0.0, r(A3, j) = 0.8

Luego; Maxmin { -1.0, 0.0, 0.8} = 0.8

C.2.2. CRITERIO DEL COEFICIENTE DE OPTIMISMO (HURWITZ)

Si una persona es parcialmente optimista debe asignar pesos apropiados

Para nuestro ejemplo;

Si el decisor es cauteloso y pesimista asigna C = 0.25

C.2.3. CRITERIO DE LAPLACE

E(A i)  rijPj i= 1, 2, 3,...,m

Donde: Pj= 1 y Pj equiprobables

Para nuestro ejemplo, calculando:

entonces Max { 0.999, 1.198, 1.065 } = 1.198

C.2.4. CRITERIO DE PERDIDA DE OPORTUNIDAD (SAVAGE)

l(A i,j)r(A *, j) r(A i, j) i=1,2...,m j=1,2....n

Donde: A*; Alternativa optima para el estado j

C.2.5. VALOR ESPERADO DE LA INFORMACION PERFECTA

Beneficio esperado en condiciones de incertidumbre:

Continuando con el ejemplo: