Analisis de Decisiones Estrategicas

ANÁLISIS DE
DECISIONES
ESTRATÉGICAS
en entornos inciertos,
cambiantes y complejos
José A. Salinas Ortiz, Ph. D.

ANÁLISIS DE DECISIONES
ESTRATÉGICAS
en entornos inciertos,
cambiantes y complejos

ANÁLISIS DE DECISIONES ESTRATÉGICAS
en entornos inciertos, cambiantes y complejos
Primera Edición

Análisis de Decisiones Estratégicas
en entornos inciertos, cambiantes Salinas Ortiz, José A., Ph. D.
y complejos.
José A. Salinas Ortiz, Ph. D. Análisis de Decisiones Estratégicas
en entornos inciertos, cambiantes y complejos.
1a ed., 1a reimp - Buenos Aires,

Directora General Cengage Learning Argentina, 2011.
Susana de Luque 416 p.; 17x24 cm.
Coordinadora de Marketing y Producción ISBN ELECTRÓNICO 978-987-1486-53-3

Luciana Rabuffetti
1. Administración de Empresas. 2. Toma de Decisiones.
Coordinación Editorial 3. Enseñanza superior. I. Título.
Andrea Sverdlick
CDD 658.407 11
Edición y Corrección
Sandra Pien Fecha de catalogación: 14/03/2011
Diseño
Sebastián Escandell
Verónica De Luca
División Iberoamérica
Cono Sur
Rojas 2128
(C1416CPX) Ciudad Autónoma de Buenos Aires, Argentina
www.cengage.com.ar
México
Corporativo Santa Fe 505, piso 12
Col. Cruz Manca, Santa Fe
05349, Cuajimalpa, México DF
www.cengage.com.mx
Copyright D.R. 2009 Cengage Learning Argentina, Pacto Andino
una división de Cengage Learning Inc. Carrera 90 #17b-39, Bodega 27
Cengage Learning™ es una marca registrada usada
bajo permiso. Todos los derechos reservados.
Bogotá, Colombia
www.cengage.com.co
Rojas 2128.
(C1416CPX) Ciudad Autónoma El Caribe
de Buenos Aires, Argentina. Metro Office Park 3 - Barrio Capellania
Tel: 54 (11) 4582-0601 Suite 201, St. 1, Lot. 3 - Code 00968-1705
Guaynabo, Puerto Rico
Para mayor información, contáctenos en www.cengage.com
www.cengage.com
o vía e-mail a: Queda prohibida la reproducción o transmisión total o parcial del texto de la
clientes.conosur@cengage.com presente obra bajo cualesquiera de las formas, electrónica o mecánica, incluyendo
fotocopiado, almacenamiento en algún sistema de recuperación, digitalización,
Impreso en Artes Gráficas Buschi S.A. sin el permiso previo y escrito del editor. Su infracción está penada por las leyes
Tirada de 1.000 ejemplares 11.723 y 25.446
Impreso en Argentina.
1 2 3 4 5 - 11 10 09 08 07
• Índice •
ÍNDICE
Prólogo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Sobre el autor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
PARTE 1
DIsTINCIoNEs BásICAs y METoDologÍA
DEl ANálIsIs DE DECIsIoNEs
CAPÍTUlo 1
Introducción a los Métodos Cuantitativos
para la Toma de Decisiones
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
HISTORIA DE LA TOMA DE DECISIONES CUANTITATIVAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
PREDECESORES DEL ANÁLISIS DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
LA ESCUELA DE STANFORD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
CALIDAD DECISIONAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
I. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
CAPÍTUlo 2
El proceso de toma de decisiones
y el Análisis de Decisiones
EL PROCESO DE TOMA DE DECISIONES DESDE EL PUNTO DE VISTA DESCRIPTIVO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
CALIDAD DE LA DECISIÓN VERSUS CALIDAD DEL RESULTADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
EL PROCESO DE TOMA DE DECISIONES NORMATIVO - ANÁLISIS DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
NIVELES DEL ANÁLISIS DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Filosofía y lenguaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Procedimiento lógico y cuantitativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
CARACTERÍSTICAS DEL ANÁLISIS DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
CALIDAD DECISIONAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Calidad decisional y calidad total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
¿Qué es calidad decisional y cómo medirla? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Requerimientos de Calidad Decisional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Reingeniería del Proceso de Toma de Decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
II. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
• Índice •
CAPÍTUlo 3
Metodología del Análisis de Decisiones
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
EL CICLO DEL ANÁLISIS DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
ESTRUCTURACIÓN DEL PROBLEMA DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Definir y delimitar el problema de decisión: Lograr el marco apropiado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Generar estrategias alternativas creativas y viables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Determinar los resultados y la medida de valor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Construir un diagrama de influencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
ANÁLISIS DETERMINÍSTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Modelaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Análisis de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
ANÁLISIS PROBABILÍSTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Modelaje en la fase probabilística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Análisis de sensibilidad probabilístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
INTERPRETACIÓN DE RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Análisis de sensibilidad económica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Modelaje en la fase de interpretación de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
III. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
CAPÍTUlo 4
La incertidumbre del entorno
y las probabilidades
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
PROBABILIDADES: EL LENGUAJE DE LA INCERTIDUMBRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
DESCRIPCIÓN DE INCERTIDUMBRES USANDO PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
TIPOS DE INCERTIDUMBRES Y SUS MEDIDAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Representación de las variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Representación de las incertidumbres continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Medidas de tendencia central o promedios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Medidas de dispersión o variabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
INCERTIDUMBRES MÚLTIPLES, CONDICIONALIDAD Y REVISIÓN DE PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Distribución de Probabilidades Acumuladas de incertidumbres compuestas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Árboles de asignación de probabilidades y cronológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
APÉNDICE: TEORÍA DE PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Eventos y el álgebra de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Fundamentos de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Axiomas de la Teoría de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
Probabilidad condicional e independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Expansión en cadena e identidades de expansión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
CASOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
IV. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
CAPÍTUlo 5
Toma de Decisiones bajo incertidumbre
en entornos simples
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
LAS BASES FUNDAMENTALES DE TODA DECISIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
ÁRBOLES DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
ELECCIÓN DE LA ALTERNATIVA ÓPTIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
LOTERÍAS DE RENTABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
ANÁLISIS DE SENSIBILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
• Índice •
VALOR ESPERADO DE LA INFORMACIÓN PERFECTA (VEIP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

VALOR ESPERADO DEL CONTROL PERFECTO (VECP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
TOMA DE DECISIONES USANDO INFORMACIÓN MUESTRAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
ESTRATEGIA ÓPTIMA DE DECISIÓN CON INFORMACIÓN MUESTRAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
VALOR ESPERADO DE LA INFORMACIÓN MUESTRAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
CASOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
V. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
PARTE 2
HERRAMIENTAs DEl ANálIsIs
DE DECIsIoNEs
CAPÍTUlo 6
Flujos de resultados y preferencias
con respecto al tiempo
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
FLUJOS DE RESULTADOS Y SU EQUIVALENCIA PRESENTE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
EL PROCEDIMIENTO PARA CALCULAR LA EQUIVALENCIA PRESENTE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
VALOR PRESENTE NETO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
Valor terminal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
LA TASA INTERNA DE RETORNO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
PERÍODO DE PAGO O RECUPERACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
CONCLUSIONES Y RECOMENDACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
VI. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
CAPÍTUlo 7
Diagramas de Influencias
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
DIAGRAMAS DE INFLUENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Tipos de variables y sus influencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Diagramas de relevancia – Mapas de riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
Manipulaciones gráficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
Diagramas de decisión – Mapas de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
Tipos de nodos y las influencias faltantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
USO DE LOS DIAGRAMAS DE INFLUENCIAS PARA UN MODELAJE PARTICIPATIVO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
Procedimientos para la construcción de los diagramas de influencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
LA RELACIÓN ENTRE LOS DIAGRAMAS DE INFLUENCIAS Y LOS ÁRBOLES DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
CONCLUSIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
APÉNDICE: CONCEPTOS FUNDAMENTALES DE PROBABILIDADES
Y ÁRBOLES UTILIZADOS EN LOS DIAGRAMAS DE INFLUENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
VII. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
CAPÍTUlo 8
Evaluación
de incertidumbres
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
MODELAJE Y EVALUACIÓN DE PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
PROBLEMAS EN LA EVALUACIÓN DE INCERTIDUMBRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
SESGOS EN LA EVALUACIÓN DE PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
Sesgos motivacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
Sesgos cognitivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
• Índice •
EL PROCESO DE EVALUAR PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238

Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
Estructuración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
Condicionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
Evaluación o asignación de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
Ejemplo de un diálogo de asignación de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Verificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
APROXIMACIÓN DISCRETA A LA DISTRIBUCIÓN DE PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
RESUMEN Y CONCLUSIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
VIII. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
CAPÍTUlo 9
Evaluación de las preferencias
con respecto al riesgo
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
UN LENGUAJE PARA EVALUAR LA ACTITUD FRENTE AL RIESGO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
LA BASE TEÓRICA PARA EVALUAR LA ACTITUD FRENTE AL RIESGO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
Axioma 1: Ordenamiento y transitividad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
Axioma 2: Continuidad o Equivalencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
Axioma 3: Sustituibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
Axioma 4: Monotonía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
Axioma 5: Descomposición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
LA FUNCIÓN DE UTILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
USO DE LA FUNCIÓN DE UTILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
ESTIMACIÓN DE LAS FUNCIONES DE UTILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
El proceso de evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
PRUEBA DE LA EXISTENCIA DE UNA FUNCIÓN DE UTILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
UNA FUNCIÓN DE UTILIDAD EXPONENCIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
La función de utilidad exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
FORMAS DE LA CURVA DE UTILIDAD REQUERIDA POR LA PROPIEDAD DELTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
RESUMEN Y CONCLUSIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
IX. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
PARTE 3
APlICACIóN DEl ANálIsIs
DE DECIsIoNEs
CAPÍTUlo 10
Estructuración de los problemas
de decisiones complejos
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286
UNA APLICACIÓN DEL ANÁLISIS DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
El caso de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
MARCO APROPIADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Definición del marco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Aspectos del marco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
Herramientas para lograr un marco apropiado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292
ALTERNATIVAS CREATIVAS Y VIABLES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
Tabla de Generación de Estrategias Alternativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
INFORMACIÓN RELEVANTE Y CONFIABLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
DIAGRAMAS DE INFLUENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
CRITERIOS DE DECISIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
CASOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
X. PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
• Índice •
CAPÍTUlo 11
Análisis
Determinístico
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
EL MODELAJE EN LA FASE DETERMINÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
Creación del modelo estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
EL ANÁLISIS DE SENSIBILIDAD EN LA FASE DETERMINÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
APÉNDICE: MODELO MATEMÁTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
APÉNDICE: ANÁLISIS DE SENSIBILIDAD DETERMINÍSTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
CASOS: GULP (CONTINUACIÓN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
CAPÍTUlo 12
Análisis
Probabilístico
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346
ÁRBOL DE DECISIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
ASIGNACIÓN DE PROBABILIDADES EN LA FASE PROBABILÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
EL MODELO PROBABILÍSTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
DETERMINACIÓN DE LA MEJOR ALTERNATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
ANÁLISIS DE SENSIBILIDAD PROBABILÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
Análisis de sensibilidad estocástico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
Análisis de sensibilidad con respecto a las probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358
Análisis de sensibilidad con respecto a la tolerancia al riesgo y preferencias con respecto al tiempo . . . . . . . . 363
APÉNDICE: RIESGO Y RENTABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
Cómo cuantificar e interpretar los perfiles de rentabilidad/riesgo de los negocios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
Desarrollo de los perfiles de rentabilidad/riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
CASOS: GULP (CONTINUACIÓN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
CAPÍTUlo 13
Interpretación
de Resultados
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 376
EL VALOR DE LA INFORMACIÓN PERFECTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 376
EL VALOR DE LA INFORMACIÓN IMPERFECTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
EL VALOR DEL CONTROL PERFECTO E IMPERFECTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 392
RESUMEN Y CONCLUSIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395
CASOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
APÉNDICE: GULP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 399
Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 403
• Prólogo •
PRólogo
Este libro es el resultado de las investigaciones teóricas y de la práctica del autor en esta
nueva disciplina que denominamos Análisis de Decisiones. Los entendimientos logrados en los
muchos años de práctica me han permitido entender que, usualmente, el uso de la disciplina del
Análisis de Decisiones requiere cambiar nuestra forma de pensar el mundo. No sólo debemos
usar nueva información, sino que también debemos cambiar el contexto en el cual procesamos
dicha información. Esto significa que debemos crear nuevas distinciones que aparentemente no
son naturales, dado los sesgos hacia el logro de resultados, pero que pueden aprenderse.
La distinción más importante requerida en el Análisis de Decisiones estratégicas es aquélla
entre decisiones y resultados. Un buen resultado es un estado futuro del mundo al que valoramos
favorablemente respecto de otras posibilidades. Una buena decisión es una acción que tomamos
y que es lógicamente consistente con el marco apropiado, las alternativas que generamos, la
información que tenemos y las preferencias que sentimos. En un mundo incierto, buenas deci-
siones pueden conducir a malos resultados y viceversa. Al hacer está distinción podemos separar
la acción de las consecuencias y, por tanto, mejorar la calidad de la acción (decisión).
El objetivo principal de este texto es brindar a los estudiantes de Administración, Economía y,
en general, a los responsables de tomar decisiones estratégicas, un lenguaje y una metodología
que les permitan analizar situaciones complejas, dinámicas e inciertas.
El Análisis de Decisiones ha emergido de la teoría a la práctica para formar una disciplina que
permite equilibrar los diferentes factores que existen en una decisión. Se busca formular lo que
ésta es en términos cuantitativos, para que pueda ser comunicada entre diferentes personas y
comparada en situaciones diversas. Se podrá evaluar la calidad de la decisión antes de conocer
los resultados a través de una valoración de su consistencia con las alternativas, la información
disponible y las preferencias del que denominaremos decisor; esto es, de la persona responsable
de tomar las decisiones. Ello le permitirá demostrar por qué tomó una decisión en particular,
lo cual es importante en la sociedad moderna, caracterizada por una mayor interdependencia
entre las empresas y el sector público.
•1•
Como objetivos específicos, se busca que los lectores sean capaces de identificar con claridad
las bases fundamentales de toda decisión; organizar la información disponible y analizar sus
alternativas de tal forma que ilumine el mejor curso de acción; analizar la estructura del pro-
blema y las múltiples etapas de un proceso de decisión con sus correspondientes interacciones;
incorporar las preferencias de quien toma decisiones en cuanto al riesgo, tiempo y resultados
diferentes de la decisión; aplicar métodos para decidir si actuar o retardar la decisión mientras
se recopila mayor información.
El libro comienza presentando una historia sucinta de los métodos cuantitativos para la toma
de decisiones. Se verá que el Análisis de Decisiones es el último eslabón en la extensa cadena de
métodos cuantitativos desarrollados para ayudar al decisor en el proceso de toma de decisiones.
También se verá que esta nueva disciplina es el resultado de combinar aspectos del Análisis de
Sistemas y la Teoría de Decisiones. Finalmente, se presenta el enfoque de Calidad Decisional
–desarrollado en la consultora internacional Strategic Decision Group (SDG)– que permite re-
estructurar radicalmente el proceso de toma de decisiones en el contexto organizacional.
En el segundo capítulo se explica el proceso de toma de decisiones, primero desde un punto de
vista descriptivo y luego desde uno normativo, y se identifican las maneras como la disciplina del
Análisis de Decisiones ayuda a identificar las bases fundamentales de todo proceso de este tipo. Con
esta identificación se podrá diferenciar entre la calidad de la decisión y la calidad del resultado. Esta
distinción es el punto de partida para estudiar la toma de decisiones, para lo cual se deja de lado la
tendencia humana de igualar la calidad de la decisión con la calidad del resultado que produce.
Se presentan las características extraordinarias del Análisis de Decisiones, que se diferencian
de los otros métodos cuantitativos existentes y que ofrecen enfrentar de manera más eficaz
problemas complejos, dinámicos e inciertos. Además se demuestra cómo el enfoque de Calidad
Decisional permite rediseñar el proceso de toma de decisiones estratégicas en un contexto
organizacional, lo que no sólo incluye lograr la respuesta correcta al problema de decisiones,
sino también el compromiso para la acción.
En el capítulo 3 se despliega la metodología del Análisis de Decisiones. Las características de
esta disciplina se combinan para producir un modelo conceptual útil: el ciclo del Análisis de Deci-
siones. Éste se compone de cuatro fases y soporta el proceso de toma de decisiones estratégicas.
La fase de estructuración se ocupa del enmarcamiento del problema de decisión y del desarrollo
de las bases de la decisión: alternativas, información (diagrama de influencias) y valores. La fase
del análisis determinístico busca construir un modelo determinístico del problema y luego medir la
sensibilidad de cada una de sus variables e identificar las incertidumbres importantes. En la fase
del análisis probabilístico se asignan probabilidades a las incertidumbres críticas identificadas y
se establecen las preferencias del decisor con respecto al riesgo, para determinar cuál es la mejor
decisión. Finalmente, en la fase de interpretación de resultados se revisan los resultados de las
fases anteriores y se realiza un análisis del valor de la información, el cual permite evaluar si es
necesario obtener información adicional en cada una de las incertidumbres del problema. A través
de todo el ciclo, el análisis se enfoca en la decisión y el decisor. Por lo tanto, expandir el análisis se
considera de valor sólo si ayuda al decisor a escoger entre las alternativas disponibles.
En el capítulo 4 se revisan los conceptos más importantes de la teoría de probabilidades
subjetiva o bayesiana. Esta teoría permite incorporar los factores inciertos en el Análisis de
Decisiones y brinda el lenguaje para describir y tratar estas incertidumbres.
En el capítulo 5 se presentan los principios básicos de la disciplina del Análisis de Decisiones
en un contexto simple para facilitar su comprensión. A través de un ejemplo sencillo se presen-
•2•
• Prólogo •
tan las distinciones fundamentales de la disciplina. Se mostrará cómo estructurar un problema

usando los árboles de decisiones, cómo determinar la opción óptima usando el criterio del valor
esperado, cómo establecer las distribuciones de probabilidades acumuladas (loterías de renta-
bilidad) de las alternativas; cómo hacer un análisis de sensibilidad; cómo determinar el valor de
la información y control perfecto; y cómo usar información muestral (imperfecta) para decidir
si postergar la decisión o no y determinar su valor.
En la segunda parte del libro se exhiben en detalle las técnicas del Análisis de Decisiones para
estructurar adecuadamente el problema, asignar probabilidades a las variables inciertas y evaluar
las preferencias del decisor con respecto al tiempo y al riesgo. En la tercera parte se proporciona
un caso complejo para ilustrar la aplicación del Análisis de Decisiones a problemas de decisiones
reales, con lo cual se ofrece la oportunidad de integrar lo expuesto en los capítulos precedentes.
El capítulo 6 trata acerca de la técnica que permite incorporar las preferencias del decisor
con respecto al tiempo. Dado que en muchos casos los resultados de una decisión se extienden
sobre un período largo, será necesario encontrar un solo valor para cada patrón en el tiempo.
La equivalencia presente es una medida por la cual el decisor es indiferente a recibir este valor
inmediatamente o esperar por el flujo de efectivo a ser realizado en un período futuro.
En el capítulo 7 se desarrolla uno de los conceptos más útiles del Análisis de Decisiones:
el diagrama de influencias, una herramienta conceptual que sirve como ayuda efectiva de
comunicación para obtener y evaluar la experiencia de los ejecutivos y expertos del área del
problema, así como una base rigurosa para crear el modelo estructural y evaluar, posteriormente,
las probabilidades que hay detrás del análisis de la decisión.
La evaluación de incertidumbres juega un papel muy importante en el Análisis de Decisio-
nes, dado que es el proceso por el cual se extrae y cuantifica el juicio personal acerca de las
cantidades inciertas.
En el capítulo 8 se presentan técnicas de evaluación de incertidumbres que usan conceptos
muy simples, pues la experiencia muestra que muchas personas tienen problemas en pensar con
respecto a incertidumbres; es decir, no pueden expresar directamente su conocimiento acerca de
una variable en términos de una distribución de probabilidades. Se utilizan procesos referenciales
que se han comprobado útiles en este procedimiento de evaluación.
Otra cuestión fundamental en el proceso de decisiones es la actitud frente al riesgo. La tí-
pica actitud es que el decisor acepta un valor cierto menor que el valor esperado de una lotería
(proposición incierta), llamado equivalencia cierta. Este valor tiene la propiedad de demostrar
que el decisor será indiferente a elegir entre tener la equivalencia cierta por segura o tener la
lotería. Este es el tópico del capítulo 9.
Como se mencionó en la tercera parte, se presenta un caso real para ilustrar cómo la meto-
dología del Análisis de Decisiones permite estructurar, modelar, analizar problemas de decisiones
complejas en los cuales la pericia y conocimiento de muchas personas y grupos deben incorporarse
en forma efectiva. En cada uno de estos capítulos se relaciona cada una de las cuatro fases del
ciclo del análisis de decisiones, a la luz del caso ilustrativo.
El capítulo 10 presenta un caso “real”, para luego presentar las herramientas claves para
enmarcar el problema, generar estrategias alternativas, recaudar información relevante y clari-
ficar los valores a usarse en el proceso de toma de decisiones. El objetivo de este capítulo –que
se centra en la primera fase del ciclo del Análisis de Decisiones– es transformar una situación
confusa en un problema bien definido y transparente.
•3•
En el capítulo 11 se expone la segunda fase del ciclo del Análisis de Decisiones: análisis
determínistico. Usando el caso presentado en el capítulo anterior, se ilustra cómo construir el
modelo estructural (cuantitativo), que expresa formalmente las relaciones entre las decisiones,
las incertidumbres y la medida de valor, identificadas en el diagrama de influencias. Este modelo
permite evaluar las estrategias alternativas bajo diferentes escenarios y realizar el análisis de
sensibilidad determinístico para identificar las incertidumbres críticas en el problema.
En el capítulo 12 se realiza el análisis probabilístico. Se presenta el modelo probabilístico,
el cual expande el modelo determinístico para incluir la asignación de probabilidades en las
variables aleatorias críticas. El propósito de este modelo probabilístico es desarrollar loterías
de rentabilidad/riesgo para cada alternativa. Usualmente este modelo comprende un árbol de
decisiones y un modelo financiero añadido a los nodos finales del árbol de decisiones.
La estructura del árbol de decisiones representa la relación entre las diferentes variables,
mientras que el modelo financiero incluye los modelos estructurales y de preferencias con respecto
al tiempo de la fase determinística. Este capítulo finaliza exponiendo el análisis de sensibilidad
probabilístico para estudiar el efecto en la decisión de las diferentes variables, lo cual también
brinda una medida de la firmeza del modelo establecido y de la decisión.
Finalmente, en el capítulo 13 se presenta la fase de interpretación de resultados del ciclo del
Análisis de Decisiones. El propósito de esta fase es evaluar los diferentes esquemas de recolección
de información y luego comparar dicho valor con el costo de usarlos. Por lo tanto, esta fase tiene
como misión guiar al decisor en su búsqueda de mayor información para ayudarle a mejorar su
decisión básica. Primero se establece la manera de calcular el valor de la información perfecta
y se discuten las razones para su cálculo; luego se introduce el esquema de la información
imperfecta en la estructura del árbol de decisiones para calcular el valor de dicha información.
Los cálculos respectivos se ilustran usando el caso que se presentó en el capítulo 10.
•4•
SOBRE EL AUTOR
El Dr. José Salinas es director del Centro de Gestión de Riesgo y Decisiones Estratégicas, y
profesor en Universidad ESAN. Además es director de Decisions & Risk Consulting Group (DCG).
Ha trabajado con Strategic Decisions Group (USA), compañía líder en consultoría estratégica a
nivel mundial lo que le permitió especializarse en desarrollo estratégico y análisis de decisiones
y riesgo. Ha trabajado como consultor en estas áreas para clientes en USA, España y otros
países en Latinoamérica, y ha ayudado a muchos de ellos a desarrollar capacidades para mejo-
rar sus procesos de toma de decisiones e implementar una gestión del riesgo con un enfoque
prospectivo.
También ha realizado investigaciones en la teoría del análisis de decisiones y sus aplicacio-
nes. Es autor de los libros Análisis de Decisiones en Entornos Inciertos, Cambiantes y Complejos
y Análisis Estadístico para la Toma de Decisiones en Administración y Economía y ha publicado
artículos en calidad decisional y análisis de riesgo. Conduce seminarios en Latinoamérica en
análisis de decisiones, calidad decisional y excelencia en la administración estratégica.
El Dr. Salinas ha sido discípulo universitario del profesor Ronald Howard, fundador de la
disciplina del análisis de decisiones, y obtuvo el grado de Ph.D. en Engineering-economic Sys-
tems de Stanford University. Obtuvo los grados académicos de M.S. en System Science and
Mathematics de Washington University, M.Sc. en Econometrics and Mathematical Economics
del London School of Economics y el título de Ingeniería Económica y Bachiller de la Universidad
Nacional de Ingeniería, Lima-Perú.
•5•
PARTE 1
Distinciones Básicas
y Metodología
del Análisis de Decisiones
CAPÍTULO 1
INTRODUCCIÓN A LOS MÉTODOS CUANTITATIVOS

PARA LA TOMA DE DECISIONES
• Introducción
• Historia de la toma de decisiones cuantitativas
• Predecesores del análisis de decisiones
• La Escuela de Stanford
• Calidad Decisional
• Problemas
•9•
1.1 INTRODUCCIÓN
El proceso de toma de toma de decisiones es la piedra angular de la mayoría de los problemas

técnicos, de negocios y gubernamentales. Los ingenieros deben tomar decisiones cuando con-
sideran un cambio en el diseño de un producto. Los ejecutivos de mercadotecnia deben decidir
sobre los territorios e intensidad de las campañas de ventas. Los funcionarios del gobierno deben
hacerlo sobre los fondos a dedicar para el desarrollo de una región específica del país. Pueden
mencionarse muchos más ejemplos de los cuales podemos afirmar que todos los problemas en
el mundo real son problemas de decisión. Incluso en las vidas personales se afronta el tomar
decisiones sobre qué estudiar, dónde ir de vacaciones o con quién casarse. A pesar de que es-
tos ejemplos son susceptibles de ser analizados cuantitativamente en distinto grado, todos los
problemas mencionados pueden ser tratados con los fundamentos, técnicas y estructura de la
disciplina del Análisis de Decisiones.
Éste es un término utilizado para describir el conjunto de conocimientos y la práctica
profesional que ayudan al decisor a elegir inteligentemente en un entorno de incertidumbre,
complejidad y dinamismo. Es el último eslabón en la extensa cadena de métodos cuantitativos
desarrollados para ayudar al decisor en el proceso de toma de decisiones, los cuales han surgido
en las áreas de investigación de operaciones y las ciencias administrativas, como se verá en el
siguiente acápite.
El Análisis de Decisiones es el resultado de combinar aspectos del Análisis de Sistemas y
la Teoría de Decisiones. El Análisis de Sistemas o, en general, la metodología del modelaje de
sistemas, brinda los medios para tratar las interacciones y el comportamiento dinámico de
situaciones complejas. Por otro lado, la Teoría de Decisiones trata situaciones inciertas simples
de una manera lógica. Cuando ambos conceptos metodológicos se combinan, pueden revelar
cómo ser lógico en situaciones complejas, dinámicas e inciertas: éste es el campo del Análisis
de Decisiones.
1.2 HISTORIA DE LA TOMA DE DECISIONES CUANTITATIVAS
El análisis científico del proceso de toma de decisiones tiene su origen en el desarrollo de la

investigación de operaciones militares durante la Segunda Guerra Mundial, por equipos multi-
disciplinarios, para la defensa de Gran Bretaña.
La disciplina de la investigación de operaciones fue desarrollada para analizar los aspectos
cuantitativos de situaciones operacionales repetitivas, buscando identificar los aspectos más
importantes; aquellos que tuvieran los mayores efectos en las situaciones bajo análisis. Sobre
la base de este estudio, se planteaban soluciones posibles, las cuales se sometían a prueba, se
evaluaban, se ponían en práctica y se modificaban cuando era necesario. Las técnicas desarro-
lladas fueron diseñadas específicamente para problemas concretos, como la protección de flotas
mercantes y la eficacia de los anti-submarinos.
Terminada la Segunda Guerra Mundial, se hizo un gran esfuerzo por aplicar las nuevas técnicas
de la investigación de operaciones, que tuvieron mucho éxito en el contexto militar, a problemas
en los negocios e industria. En 1947, George Dantzig desarrolló el algoritmo Simplex para resolver
problemas de programación lineal. Desde entonces, esta técnica ha sido ampliamente usada
• 10 •
• Capítulo 1 • Introducción a los Métodos Cuantitativos
gracias al advenimiento de las computadoras; extensiones sofisticadas de la técnica original

facilitaron la solución eficiente de los problemas con muchas variables de decisión.
Durante la década de los ‘50, hubo un crecimiento sostenido en las aplicaciones no militares
de la investigación de operaciones, junto con un interés vigoroso en el desarrollo profesional y la
educación en este nuevo campo. Gran parte del trabajo en esos años estuvo orientado a desarrollar
nuevas técnicas cuantitativas para solucionar problemas de administración e industria. Por ejemplo,
en 1954 Leslie Edie utilizó la teoría de colas para determinar la relación del volumen del tráfico
vehicular en una autopista y el tiempo promedio de espera de los motoristas, como una función
del número y tipo de cabina de peaje. En 1958 se desarrollaron las técnicas de programación de
proyectos PERT (Project Evaluation and Review Technique) y CPM (Critical Path Method).
La aplicación de las técnicas de investigación de operaciones a problemas civiles ocasionó
que las limitaciones inherentes a las aplicaciones militares fueran llevadas a los usos civiles.
Muchos investigadores de operaciones entrenados en ambientes militares estaban acostumbra-
dos a trabajar sólo con problemas operacionales repetitivos, en los cuales las ventajas de usar
el análisis formal son muy evidentes. Algunos investigadores concluyeron que sólo este tipo de
problemas era susceptible de análisis científico y limitaron la aplicación de la investigación de
operaciones al estudio de procesos repetitivos.
Dado que las decisiones repetitivas son también importantes en el mundo civil, la investiga-
ción de operaciones logró un gran progreso en este nuevo ámbito. Con todo, la insistencia en lo
repetitivo confinó los esfuerzos de la investigación de operaciones al tratamiento de problemas
de decisión de nivel medio y bajo en las organizaciones, como son el control de inventarios,
programación de producción, líneas de espera y tácticas de mercadeo. Rara vez el investigador
de operaciones estudió los problemas estratégicos, relevantes para la alta gerencia.
A mediados de los ‘50, surgió la disciplina del Management Sciences como una rama en-
gendrada por la investigación de operaciones. En 1954 se fundó The Institute of Management
Sciences (TIMS), que editó la revista Management Sciences.
Esta disciplina se forjó debido a que los problemas especiales de la alta gerencia no estaban
recibiendo la atención necesaria de parte del área de investigación de operaciones. Lamentable-
mente, el nuevo campo se desarrolló enfatizando más la ciencia pura que los aspectos prácticos
de la administración; se le acusa de tener más interés en problemas que pueden ser tratados
con elegancia matemática, que en los de interés para los altos ejecutivos, los cuales son, en
general, más difíciles de formalizar.
A pesar de que en el transcurso de los años se han realizado muchos estudios con aplicación
de la técnica de investigación operativa, hay una fuerte sensación tanto en los profesionales de
investigación de operaciones como en los ejecutivos de negocios que las técnicas desarrolladas
no han contribuido al proceso de toma de decisiones estratégicas de una forma adecuada. Una
de las razones fundamentales que explican esta discrepancia es la brecha de comunicación
entre técnicos y administradores. A menudo los investigadores de operaciones han abusado de
la jerga técnica tanto en la comunicación oral como escrita, al usar supuestos injustificados
porque no comprendían realmente el problema y al no entender y no preocuparse por la etapa
de su puesta en práctica. Otras veces, los técnicos que cuentan con una pericia especial –por
ejemplo, en programación lineal–, tienden a hacer grandes esfuerzos para que el problema de
decisión se ajuste al modelo, en lugar de hacer lo contrario. Asimismo, se dan casos en los cuales
los técnicos desarrollan modelos tan sofisticados que los decisores no los comprenden y, por lo
tanto, no aplican las recomendaciones que se derivan de ellos.
• 11 •
En resumen, puede decirse que cuando los altos ejecutivos buscaban ayuda para resolver
un problema de decisión, a menudo tenían que escoger entre un analista matemático, intere-
sado en la idiosincrasia del problema más que en su esencia, o un “experto” dotado de recetas
preestablecidas, quien podía estar tentado a dar una vieja solución a un problema radicalmente
nuevo. Por tanto, la promesa de ayuda científica para los niveles de alta gerencia no se mate-
rializó cabalmente.
En la década de los ‘60 se desarrolló una nueva disciplina llamada Análisis de Decisiones. En
1964 el Dr. Ronald Howard definió la disciplina y, desde entonces, ha contribuido fuertemente a
desarrollarla en dos frentes complementarios. Primero, en la docencia universitaria y la supervi-
sión de numerosas tesis de doctorado en el Departamento de Ingeniería de Sistemas Económicos
(Engineering-Economic Systems) de la Universidad de Stanford. Segundo, en la utilización del
análisis de decisiones en todos los campos posibles de aplicación, desde la planificación de
inversiones a la investigación y desarrollo estratégico.
A lo largo de los años, el Dr. Howard juntamente con el Dr. James Matheson han sido respon-
sables de innovar la metodología que ha convertido el análisis de decisiones en una herramienta
muy poderosa para ayudar al alto nivel jerárquico tanto en empresas como en el gobierno. La
combinación de amplia experiencia en el mundo de los negocios, el conocimiento de los diferentes
sectores industriales y la pericia técnica en el análisis de decisiones han resultado altamente
efectivos para los decisores en el desarrollo de estrategias, creación de innovaciones tecnoló-
gicas, asignación de recursos, administración del riesgo y selección de portafolios de negocios.
Los consultores de decisiones trabajan en equipos conjuntos con los clientes para transferir
conocimientos. Este estilo participativo de consultoría enriquece las capacidades corporativas
de los clientes. Además, se permite lograr un compromiso sólido del cliente, necesario para
garantizar una aplicación exitosa. Como se verá en el acápite 5, el compromiso para la acción
es uno de los seis requerimientos de calidad decisional.
En resumen, la disciplina del Análisis de Decisiones, desarrollada en el Departamento de
Engineering-Economic Systems (E-ES) de la Universidad de Stanford, tiene como objetivo aplicar
procedimientos lógicos, matemáticos y científicos a problemas de decisiones estratégicas, que
se caracterizan por ser:
Únicos: cada problema es único en su clase, quizás similar a situaciones previas, pero nunca
idéntico a otros.
Importantes: una parte significativa de los recursos de la organización está en juego.
Inciertos: muchos de los factores importantes que influyen en los resultados de la decisión
son conocidos imperfectamente.
Implicaciones de largo plazo: la institución se verá forzada a vivir con los resultados de la
decisión por muchos años, quizás más allá de las vidas de los involucrados.
Preferencias complejas: incorporar las preferencias del decisor acerca del tiempo, el riesgo
y resultados conflictivos es un factor que adquiere gran importancia.
El análisis de decisiones, tema de este libro, ofrece un marco lógico para balancear todas
estas consideraciones a través de su filosofía y metodología.
• 12 •
1.3 PREDECESORES DEL ANÁLISIS DE DECISIONES
La mayoría de los textos sobre Métodos Cuantitativos para estudiantes de Administración

incluyen un capítulo sobre Teoría de Decisiones. Su desarrollo generalmente presenta conceptos
básicos que se refieren a problemas de decisión simples y bien estructurados. Esta teoría ofrece
un marco lógico para escoger entre cursos alternativos de acción cuando las consecuencias
resultantes de esta elección no son perfectamente conocidas. La incertidumbre aparece como
su consideración dominante.
La Teoría de Decisiones ha existido desde los años ‘50, pero ha estado recluida en el mundo
académico; se le presenta simplemente como una e interesante teoría para estimular las capa-
cidades analíticas de los estudiantes. Sin embargo, no se espera que la apliquen en la toma de
decisiones del mundo real, dado que podrían verse desanimados cuando tuvieran que enfrentar
las complejidades de los problemas prácticos. Muy a menudo, ni los profesores tienen expe-
riencia en aplicarla prácticamente. Además, existe un vacío en la presentación de metodologías
de modelaje que permitan analizar problemas complejos. A pesar de todas estas limitaciones,
debe mencionarse que la Teoría de Decisiones desarrolló conceptos suficientes para definir lo
que significa una buena decisión en casos simples. Esta inquietud ha preocupado a los teóricos
desde los tiempos de Bernoulli, a comienzos del siglo XVIII.
Enfrentarse al aspecto de incertidumbre en una situación real de decisión no es fácil. Muchas
veces se trata de evitar y otras se pretende que no existe. Muchos de los enfoques científicos
predicen factores que están fuera del control del decisor, como el futuro económico y el desarrollo
tecnológico. Asumen luego que las predicciones son exactas y así eliminan la incertidumbre de
muchos sistemas de decisión, suponiendo que los resultados de la decisión son conocidos. La
toma de decisiones se convierte en un problema de optimización y se utilizan técnicas como las
de programación matemática para obtener una solución “óptima”. Estos problemas pueden ser
muy difíciles de resolver debido a su complejidad por la presencia de muchas variables, pero esta
dificultad no debe ocultar el hecho de que, expresados en forma determinística, representan un
caso límite de predicción exacta. A menudo es tentador asumir predicciones perfectas, pero eso
puede implicar que se esté eliminando la característica más importante del problema: la incerti-
dumbre. En el análisis deben incluirse no sólo las predicciones, sino una medida de la confianza
que se tiene en ellas. El Análisis de Decisiones considera explícitamente la incertidumbre como
su punto de partida, tal como lo hace la Teoría de Decisiones, y el conocimiento determinístico
de los resultados como un caso límite especial.
Después de la Segunda Guerra Mundial, no sólo las técnicas de investigación de operaciones
se desarrollaron rápidamente; también lo hicieron otras metodologías. Dentro de las últimas se
encuentra el Análisis de Sistemas, que creció como la rama de la Ingeniería que trata los aspectos
complejos y dinámicos del medio ambiente en una forma no contemplada con anterioridad. Con
la ayuda de las computadoras fue posible analizar problemas de gran complejidad.
El Análisis de Decisiones surge, pues, de estas dos disciplinas; de aplicar la Teoría de Deci-
siones a problemas del mundo real a través del Análisis de Sistemas. Es una forma de combinar
la habilidad de tomar decisiones en situaciones de incertidumbre con la de manejar caracte-
rísticas de complejidad y dinamismo en una sola disciplina que pueda tratar simultáneamente
estas tres dimensiones de los problemas reales de toma de decisiones. La figura 1.1 muestra
esquemáticamente esta relación.
• 13 •
Figura 1.1: Predecesores del Análisis de Decisiones
Teoría de Análisis de
Decisiones Sistemas
Compleijidad
Incertidumbre
Dinamismo
Análisis de
Decisiones
1.4 LA ESCUELA DE STANFORD
Desde su nacimiento a mediados de la década de los ‘60 el Análisis de Decisiones ha evo-

lucionado en diversas direcciones o “escuelas”, cuyas diferencias básicas se encuentran en el
énfasis que asignan a sus distintos aspectos y en las técnicas utilizadas.
Hay muchas escuelas que se concentran directamente en evaluar probabilidades y las di-
ferentes dimensiones del valor, y dedican mucho esfuerzo a valorar y examinar los resultados
conflictivos e inciertos. Otras, se concentran en el arte de reunir a un grupo de personas para
que, en conjunto, escojan un curso de acción.
Este texto presenta un enfoque alternativo que se desarrolló en el Departamento de E-ES de
la Universidad de Stanford y que fue pionero, como metodología práctica, en el Stanford Research
Institute (SRI) desde 1965. A este enfoque llamaremos la Escuela de Stanford.
En esta escuela el Análisis de Decisiones es la práctica de tomar decisiones racionales. Su
enfoque se caracteriza por permitir modelar matemáticamente la decisión bajo análisis, reduciendo
problemas complejos en componentes manejables. La posibilidad de computarizar el modelo
alivia el trabajo de estimar valores y resultados en situaciones complejas y permite evaluar
cuantitativamente los diferentes cursos de acción. Este enfoque es especialmente apropiado en
las decisiones estratégicas de alta gerencia, en las cuales la pericia de muchas personas y grupos
debe combinarse para evaluar un problema de decisión.
La Escuela de Stanford considera que el Análisis de Decisiones es aplicable a cualquier problema
de asignación de recursos, de la misma manera que la Medicina es aplicable a cualquier problema
de salud. Toda decisión –simple o compleja, corporativa o personal– puede enfocarse desde la
perspectiva del Análisis de Decisiones, y la mayoría puede clarificarse a través de ella.
• 14 •
El Análisis de Decisiones es una disciplina normativa; es decir, describe la manera como las
personas deben tomar decisiones de una manera lógica, a través de especificar sus alternativas,
la información relevante y sus preferencias.
Para describir en qué consiste, el primer paso es definir lo que se entiende por decisión: se
trata de una asignación irreversible de recursos, en el sentido de que para cambiar una decisión
será necesario invertir recursos adicionales que podrían resultar prohibitivos. Hay decisiones
inherentemente irreversibles, como amputar la pierna de un paciente, dado que es imposible
restablecerla una vez realizada la operación. Otras son esencialmente irreversibles, como la de
lanzar un nuevo producto al mercado. En este caso, se podrán revertir muchos de los recursos
asignados, pero uno que de ninguna manera se podrá recuperar es el tiempo empleado en poner
en efecto tal decisión. En resumen, para tomar una decisión es imprescindible contar con los
recursos necesarios. Tener interés en un problema sin disponer de los recursos y, por ende, sin
la capacidad de tomar decisiones, es simplemente una “preocupación” y nada más. Por ejem-
plo, un productor podrá estar interesado en saber si su competidor reducirá precios o no, pero
mientras no cambie en algo su manera de actuar, no tendrá ninguna decisión que tomar con el
fin de hacer algo al respecto.
Luego de aclarar lo que se entiende por una decisión, el siguiente paso es definir al decisor.
Éste es quien tiene el poder para asignar los recursos y es responsable por ello. En algunos casos
el decisor puede ser un ente de la organización, como el directorio o un comité ejecutivo. Es
importante distinguir a los grupos consultivos de aquellos que tienen el poder para asignar los
recursos de la organización. Se pueden realizar muchos estudios para defender o desacreditar
un curso de acción, pero mientras no se asignen recursos, ninguna decisión se habrá tomado.
1.5 CALIDAD DECISIONAL
El enfoque de Calidad Decisional se basa en una amplia experiencia y entendimiento en el

análisis de decisiones, en las ciencias del comportamiento, y en la administración de calidad
total. La integración de estas tres corrientes de desarrollo se produjo en las décadas de los ‘80
y ‘90. Este enfoque fue desarrollado en la compañía de consultoría internacional en gestión
estratégica: Strategic Decisions Group (SDG), la cual fue fundada por el profesor R. Howard y
otros colegas en 1981.
Como se señaló, el desarrollo del Análisis Decisional (AD) a mediados de los años ‘60 implicó
la integración del enfoque científico de la Teoría de Decisiones con el enfoque ingenieril del
Análisis de Sistemas. Este nuevo enfoque ha permitido resolver problemas difíciles de decisión
en el mundo real.
A comienzos de los años ‘70, el AD comenzó a integrar los entendimientos de la psicología
cognitiva, cuyo aporte es la identificación de sesgos comunes que existen al emitir juicios/
opiniones sobre eventos futuros y en la toma de decisiones1. Al final de los ‘70 y comienzos
de los ‘80 fue el período cuando se integraron los entendimientos de las investigaciones en el
comportamiento organizacional para evitar los modos de fracaso del “pensamientogrupo”2 y
aumentar la aceptación organizacional e implementación exitosa de la decisión.
1
Para una exposición detallada sobre estos sesgos ver Kahneman y Tversky (1974).
2
Pensamientogrupo es una traducción de groupthink, término inventado por Janis (1972, 1989) y utilizado por León
(2001).
• 15 •
A mediados de los años ‘80, el movimiento llamado de calidad total brindó un marco para
desarrollar Calidad Decisional en una organización y para mejorar la calidad de la toma de de-
cisiones en forma continua. Aún más, los primeros fanáticos del movimiento de calidad, con sus
fuertes sesgos hacia la acción y el incrementalismo continuo, plantearon el desafío que ayudó
a SDG a desarrollar la visión de Calidad Decisional como una parte integral de la Calidad Total
Verdadera.
Es importante reconocer que la perspectiva de Calidad Decisional de SDG es una perspectiva
normativa. El énfasis no radica en cómo las organizaciones toman sus decisiones hoy, sino en
cómo deben tomar las decisiones para maximizar su éxito. La brecha entre lo actual y lo ideal
es tremenda. Si consideramos las funciones de la alta gerencia como un proceso que “produce”
decisiones y evaluáramos la frecuencia del fracaso en las decisiones, midiéramos el desperdicio y
el costo de hacer las cosas de nuevo, rápidamente llegaríamos a la conclusión de que muy pocos
procesos de toma de decisiones organizacionales cumplen con algunos de los estándares de
Calidad Decisional. De hecho, los altos ejecutivos a menudo lideran el esfuerzo para lograr calidad
operacional, pero todavía no saben cómo aplicar los principios de calidad a sus propias funciones
principales: la toma de decisiones estratégicas que definen el futuro de la organización.
En el próximo capítulo se presenta este enfoque de Calidad Decisional en detalle y cómo ha
permitido rediseñar el proceso de toma de decisiones estratégicas para lograr cumplir con los
seis requerimientos que conformen la calidad de decisiones:
Marco apropiado: encontrar el marco apropiado significa en primer lugar que estamos
seguros de estar trabajando en el problema correcto.
Alternativas creativas y viables: definir alternativas es esencial porque sin ellas no hay
decisión que tomar, una decisión es fundamentalmente escoger entre alternativas.
Información relevante y confiable: obtener información relevante es obviamente crucial,
pero frecuentemente conseguimos la información que sabemos cómo obtener y no la información
realmente necesaria para tomar una decisión de calidad.
Valores y preferencias claras: lograr ser claros acerca de nuestros objetivos (qué queremos
realmente) es necesario, o nos encontraremos tomando una decisión para alcanzar lo que pen-
sábamos que queríamos, en vez de lo que nos hubiera gustado si hubiéramos sido más claros
acerca de nuestros valores.
Razonamiento lógicamente correcto: el razonamiento correcto es requerido para no caer
en el peligro de combinar alternativas, información y valores de calidad de forma tal que los
cálculos se realicen incorrectamente y se presente una respuesta incorrecta.
Compromiso para la acción: y finalmente, sin un compromiso sincero para la acción, que se
base en la decisión, el proceso para alcanzar dicha decisión habrá sido una pérdida de tiempo
y recursos.
Como se mencionó, cuando definimos la calidad de una decisión, no la definimos solamente
en términos de su lógica. Para tener calidad, tiene que tomarse una decisión con un compromiso
total para la acción. El compromiso para la acción debe generarse durante el proceso de toma
de decisiones; es más difícil, aunque a veces posible, forzar el compromiso después de que una
decisión ha sido tomada.
• 16 •
I. PROBLEMAS
1. Describa los predecesores de la disciplina del Análisis de Decisiones y sus aportes para tratar
los problemas de toma de decisiones del mundo real.
2. Detalle las características de los problemas de toma de decisiones operativos versus los de
toma de decisiones estratégicos.
3. ¿En qué disciplinas se basa el enfoque de Calidad Decisional y cuáles son los aportes de estas
disciplinas a dicho enfoque?
4. ¿Por qué se dice que el enfoque de Calidad Decisional tiene una perspectiva normativa?
Explique.
5. ¿Son todas las decisiones inherentemente irreversibles? Explique.
• 17 •
CAPÍTULO 2
EL PrOCEsO dE TOmA dE dECisiOnEs

y EL AnáLisis dE dECisiOnEs
• El proceso de toma de decisiones desde el punto de vista

descriptivo
• Calidad de la decisión versus calidad del resultado
• El proceso de toma de decisiones normativo

Análisis de Decisiones
• Niveles del Análisis de Decisiones
• Características del Análisis de Decisiones
• Calidad Decisional
• Reingeniería del proceso

de toma de decisiones
• Problemas
• 19 •
2.1 EL PROCESO DE TOMA DE DECISIONES

DESDE EL PUNTO DE VISTA DESCRIPTIVO
Para describir el proceso de toma de decisiones que se lleva a cabo todos los días, se comienza
por examinar el entorno en el cual se adoptan estas decisiones (ver figura 2.1). Este entorno
en el cual se toman decisiones tanto individuales como organizacionales se caracteriza por ser
incierto, complejo, dinámico, competitivo y finito. Es un entorno incierto, porque el decisor no
puede estar seguro del comportamiento futuro de algunos factores que influyen en el resultado
de la decisión. Está obligado a enfrentar un mundo complejo y dinámico, donde existen muchos
aspectos interactuando en formas no siempre comprensibles y que evolucionan continuamente
en el tiempo. Finalmente, debido a que la disponibilidad de recursos es limitada, el entorno es
finito, lo cual trae como consecuencia un alto grado de competitividad entre los agentes econó-
micos, pues cada quien trata de obtener el mayor beneficio para sí. Todas estas características
producen, con frecuencia, un sentimiento de confusión y preocupación en el decisor.
Figura 2.1: El proceso de toma de decisiones usando la intuición
entorno
ingenio
incierto
selección
dinámico
percepción intuición
complejo información lógica decisión resultados
incomprobable
competitivo
preferencias
finito filosofía
alabanza
tristeza
alegría
culpa
confusión pensar inseguridad acción

preocupación
reacción del decisor
Para hacer frente a las características de su entorno, el hombre dispone de ciertos recursos
que pueden facilitarle tomar decisiones y producir el bienestar deseado.
En primer lugar, puede utilizar su ingenio para concebir y formular diferentes cursos de
acción y definir sus opciones potenciales. Además, por medio de su percepción, puede aprender
de lo que experimenta y almacenar información del medio ambiente que lo rodea. Por último,
dispone de una filosofía, un cúmulo de principios que guían su vida y le permiten establecer sus
preferencias con respecto a los varios resultados posibles.
• 20 •
• Capítulo 2 • El proceso de toma de decisiones
El aplicar estas ideas no se circunscribe únicamente al individuo, sino también a corporaciones,

instituciones sin fines de lucro y gobiernos. Los atributos del proceso, descritos en el párrafo
anterior, pueden fusionarse en el acto de pensar, que el hombre trae consigo al considerar el
problema de tomar decisiones.
En muchos casos, tanto para tomar las decisiones que son triviales como las que tienen
implicancias para una corporación o, aún, para toda la nación, el decisor se vale de un proceso
intuitivo a la luz de la información acumulada y en base a sus preferencias. La lógica de las
decisiones tomadas intuitivamente no puede ser comprobada; en algunos casos el decisor no
será capaz de explicar las razones por las cuales escogió un curso de acción en particular.
Es común tomar decisiones intuitivas cada día. ¿Cuál ruta seguir para ir al trabajo?, ¿qué co-
mer?, ¿cómo vestirse?, etcétera. En la mayoría de las decisiones que se toman, sería tonto tratar
de sustituir la intuición por cualquier otro principio. Pero individuos u organizaciones afrontan
ciertas decisiones que son tan importantes –estratégicas– para su existencia, que se hace necesario
buscar una manera más eficaz de hacer una elección. Cuando se usa la intuición, no hay modo
de comprobar si la decisión adoptada es consecuencia lógica de seleccionar entre opciones, de la
información disponible y de las preferencias en un momento dado.
En la sociedad moderna, en la cual se verifica una mayor interdependencia entre los dife-
rentes actores económicos –familia, empresas y gobierno– las decisiones importantes pueden y
deben tomarse utilizando herramientas que vayan más allá de la intuición y permitan al decisor
sustentar ante los demás por qué escogió una opción en particular. También es importante
demostrar que si ocurrieran cambios en los factores determinantes de una decisión, ello podría
llevar a optar por una alternativa diferente.
A menudo se descubre que tomar decisiones intuitivas produce en el individuo u organiza-
ción un sentimiento de inseguridad. No debe sorprender el número de veces que ejecutivos de
corporaciones, quienes llegaron a una decisión en base a su intuición, no se sientan seguros de
haberla tomado de manera consistente con sus opciones, información y preferencias, y busquen
métodos más certeros para afrontar el problema antes de autorizar su implementación.
En el proceso intuitivo de tomar decisiones existe la tendencia a identificar la calidad de la
opción adoptada por el resultado producido; es decir, se tiende a distinguir las decisiones buenas
de las malas como consecuencia de observar sus resultados.
Toda decisión ocasiona un efecto –resultado– que puede generar una reacción de alegría o
tristeza en el decisor. Por ejemplo, si se decide comprar un billete de lotería, los resultados posi-
bles serán ganar un premio o perder el valor del billete. Se tiende a decir que se tomó una buena
decisión si se obtuvo algún premio. Se elogiará o culpará al decisor en base al resultado, en vez de
hacerlo por la calidad de la decisión.
2.2 CALIDAD DE LA DECISIÓN VERSUS CALIDAD DEL RESULTADO
Distinguir las decisiones buenas de las malas como consecuencia de observar los resultados
producidos es un criterio insostenible desde el punto de vista lógico. La única manera de eva-
luar la calidad de una decisión es comprobar si es consistente con las opciones, la información
disponible y las preferencias del decisor. Si bien todos preferimos resultados positivos a los
• 21 •
negativos, sólo el tomar la decisión está bajo nuestro control. Además, los efectos podrían no
ser evidentes en el futuro inmediato, y lo deseable es poder caracterizar la calidad de la decisión
antes de tomarla.
Por otro lado, normalmente todo lo que puede observarse son los resultados de la alternativa
escogida, pues no hay manera de conocer lo que hubiera ocurrido si una opción rechazada hubiera
sido aplicada. Luego, no será posible determinar si se escogió la mejor, pues no se pueden conocer
todos los efectos asociados con las diferentes opciones. En conclusión, si sólo es posible controlar
la toma de una decisión, debe buscarse ayuda para explotar al máximo este control y distinguir la
calidad de la decisión de aquélla de su resultado.
En un ambiente de incertidumbre, tomar buenas decisiones no garantiza obtener los efectos po-
sitivos deseados, sobre todo en las decisiones estratégicas que tienen repercusiones a largo plazo.
Por ejemplo, alguien ofrece adivinar el resultado de lanzar una moneda no cargada. Para
poder participar en este juego deben previamente pagarse $20; si se acierta, se ganan $20, pero
si la elección es equivocada, no se gana nada. Con toda seguridad, nadie estará interesado en
participar en este tipo de juego.
Ahora, supóngase que el derecho de participar es reducido a un dólar. En este caso, puede
afirmarse que existirá mucha gente deseosa de jugar, pues existe 50% de probabilidad de ganar
$19 y 50% de perder un dólar. Si decido jugar, pago un dólar, lanzo la moneda, no adivino y
pierdo mi dólar. Diré que tuve un mal resultado. Después, usted decide jugar, paga su dólar y
gana. Usted sí tuvo un buen resultado. Ambos tomamos la misma decisión, pero el haberlo hecho
no fue una garantía para lograr el efecto deseado.
Uno de los beneficios fundamentales del Análisis de Decisiones es que permite establecer
el criterio para determinar si una decisión es buena o mala. Define en qué consiste una buena
decisión y la formula en términos cuantitativos, de modo que pueda ser comunicada a diferentes
personas y comparada en situaciones diversas. Mediante una serie de técnicas, permite evaluar
la calidad de una decisión al momento de tomarla y hace que no sea necesario esperar sus
consecuencias y efectos para saber si fue correcta.
La diferencia entre la calidad de la decisión y la del resultado se puede apreciar claramente
en el contexto del Análisis de Decisiones.
Un buen resultado es aquél apreciado favorablemente por el decisor; es decir, el que le gustaría
que ocurriera. Una buena decisión es a la que se llega tras considerar en forma integral, lógica
y explícita, la información, opciones y preferencias del decisor.
Cómo se verá en el siguiente acápite, el Análisis de Decisiones establece claramente los
cuatro elementos de un proceso racional de toma de decisiones: las opciones, la información,
las preferencias y la lógica que las interrelaciona.
2.3 EL PROCESO DE TOMA DE DECISIONES NORMATIVO

ANÁLISIS DE DECISIONES
El Análisis de Decisiones es la alternativa al proceso de tomar decisiones utilizando la intui-

ción como fundamento. Aplicarlo lleva a lograr el equilibrio lógico de los factores que afectan la
calidad de una decisión. Éstos pueden ser técnicos, económicos, ambientales, médicos, legales,
• 22 •
etcétera. El proceso lógico del Análisis de Decisiones es soportado por su metodología y sus
herramientas que permiten integrar en forma sistémica las bases de toda decisión: alternativas,
información y preferencias.
La pregunta, entonces, es ¿en qué se diferencia de la toma de las decisiones intuitivas? Aunque
tienen algunos puntos en común, existen aspectos en los que se diferencian significativamente.
A ello se refiere la figura 2.2. Si se comienza por considerar el medio ambiente o entorno en el
cual se toman las decisiones, se aprecia que sigue siendo el mismo: incierto, dinámico, complejo,
competitivo y finito.
Figura 2.2: El proceso de toma de decisiones normativo del análisis de decisiones
entorno análisis de decisiones

(normativo)
ingenio
selección alternativas
incierto
asignación de
dinámico probabilidades
lógica
percepción
complejo información estructura decisión resultados
competitivo asignación de
valores
finito filosofía preferencia al tiempo
preferencias
preferencia al riesgo
sensibilidad
valor de la información
confusión alabanza alegría

pensar penetración acción
preocupación culpa tristeza
reacción del decisor
El Análisis de Decisiones no es un procedimiento que cuente con una varita mágica con
la cual se pueda cambiar alguna de las características del entorno. Por esta razón, cuando
comience a analizar el problema, el decisor todavía se sentirá confundido y preocupado. De la
misma manera, habrá poca esperanza para las personas que no quieran pensar creativamente,
porque para aplicar el Análisis de Decisiones se requiere de ingenio, ser perceptivo y capaz de
explicitar sus preferencias.
La idea de selección se traduce en enumerar opciones o alternativas específicas que se encuentran
disponibles para la solución de un problema de decisión. Estas opciones pueden ser finitas, como
perforar o no un pozo de petróleo, o pueden ser descritas por variables continuas, como asignar el
precio a un nuevo producto. El hecho es que las opciones deberán describirse cuantitativamente. Ge-
nerar un rango de opciones creativas y viables es un elemento vital en la calidad de la decisión.
• 23 •
Con respecto a la información, el Análisis de Decisiones permite caracterizar la incertidum-

bre del entorno mediante la asignación de probabilidades. Asimismo, permite estructurar las
relaciones entre los diferentes factores del problema por medio de los diagramas de influencia
y luego, los modelos cuantitativos.
Tratar la incertidumbre por medio de la asignación de probabilidades es un procedimiento
que se desarrolló en los años ‘701, en respuesta a los entendimientos de la psicología cognitiva
respecto de los sesgos comunes que existen en las opiniones sobre eventos futuros2.
El analista de decisiones parte del principio de que las probabilidades son números que se
usan para describir el grado de incertidumbre sobre la ocurrencia de un evento. Este grado de
incertidumbre depende del nivel de información o conocimiento que se tiene con respecto a
dicho evento. Por tanto, las medidas pueden cambiar al disponerse de nueva información y variar
entre diferentes individuos. En resumen, el Análisis de Decisiones afirma que la probabilidad es
el resultado de “un estado de información”.
Esto se discute en mayor detalle en el capítulo 4. En el capítulo 8 se verá cómo el analista de
decisiones es capaz de tratar efectivamente la asignación de probabilidades y sus consecuen-
cias. Para evitar sesgos en la evaluación de probabilidades se usan procesos de referencia –por
ejemplo, la “rueda de probabilidades“– que permite expresar las ideas de los “expertos” como
elecciones entre eventos simples.
La estructuración de un problema de decisión consiste en desarrollar un diagrama de influencias
(modelo cualitativo) y luego, construir un modelo que represente fielmente las interdependencias
esenciales entre los factores que afectan el resultado de la decisión. Este modelo se expresa en el
lenguaje lógico-matemático mediante un conjunto de ecuaciones que relacionen las variables del
sistema. En la mayoría de las decisiones de interés profesional, estas ecuaciones forman la base de
un programa de computación para representar el modelo. Este programa brinda una evaluación
de las características del modelo en un tiempo corto y a un costo mínimo. El problema es que los
modelos matemáticos –o descripciones formales en general– no siempre sirven como un medio
eficaz de comunicación entre el decisor, sus expertos y el analista de decisiones. Con frecuencia los
primeros no están entrenados o no usan las matemáticas como medio de expresión. Sin embargo,
todos tienen información útil para solucionar sus problemas. El asunto es saber explicarla.
Mediante los diagramas de influencias, el Análisis de Decisiones ha desarrollado una forma
para describir los problemas de decisión que consiste en una descripción formal del problema, la
cual puede ser procesada por computadoras. Además, es una representación de fácil comprensión
por personas sin ningún entrenamiento matemático.
Los diagramas de influencia constituyen el puente entre la descripción cualitativa y la es-
pecificación cuantitativa o matemática. Permiten explicitar la estructura que el decisor y sus
expertos tienen sobre el problema. En el capítulo 7 se explica cómo elaborar y usar los diagramas
de influencias para estructurar problemas de decisión.
Hasta este punto se ha visto cómo el Análisis de Decisiones ayuda a explicar dos de las bases
fundamentales de toda decisión: las opciones describen lo que se puede hacer y la información
representa lo que se conoce con respecto al problema. Toca ahora describir las preferencias,
que representan lo realmente deseado.
1
Este procedimiento fue desarrollado por Spetzler y Von Holstein, en el SRI (Stanford Research Institute) y se presenta
en el capítulo 8. Ver Spetzler, C.S. y Von Holstein, C.A. (1975).
2
Para una presentación detallada sobre estos sesgos ver Kahneman y Tversky (1974).
• 24 •
En el Análisis de Decisiones, éstas se clasifican en tres categorías: la primera es conocida como

la asignación de valores; la segunda, la referida al tiempo; y la tercera, la relativa al riesgo.
La asignación de valores toma importancia en situaciones en las cuales se pueden obtener
diferentes resultados, muchas veces conflictivos. Es decir, consiste en establecer las preferen-
cias con respecto a resultados conflictivos. Se tiene que responder a preguntas como ¿cuánto
más vale este resultado con respecto a aquél?, ¿cuál es el valor relativo de ambos? Para poder
hacer comparaciones deben asignarse valores a los resultados. En muchos problemas de tipo
económico-financiero se podrán expresar estos resultados en términos monetarios, simplifi-
cando las comparaciones relativas. Sin embargo, esto no siempre será posible.
Las preferencias con respecto al tiempo se refieren al valor asignado a los resultados que
están distribuidos en el tiempo. ¿Estamos dispuestos a aceptar un menor beneficio si podemos
obtenerlo más rápidamente? Establecer las preferencias con respecto al tiempo de un indivi-
duo, una corporación, o incluso una nación, no es tan simple, y juega un rol muy importante
en el proceso de toma de decisiones normativo. El capítulo 6 presenta la evaluación de estas
preferencias.
Finalmente, las preferencias con respecto al riesgo son probablemente las que más se des-
tacan debido a lo incierto del entorno. Es un término que se usa para describir el hecho de que
la mayoría de las personas son adversas al riesgo y, por tanto, no usan el valor esperado de los
resultados para escoger entre diferentes opciones.
Por ejemplo, ¿cuántos de nosotros estaríamos dispuestos a apostar, en el lanzamiento de una
moneda, a duplicar nuestros ingresos del próximo mes o no recibir nada? La actitud frente al riesgo,
al igual que las otras preferencias, es específica para cada persona, su medio ambiente y sus gustos.
En el capítulo 9 se presenta el método para evaluar la actitud del decisor frente al riesgo.
En resumen, el Análisis de Decisiones ayuda a considerar en forma lógica, explícita y consistente
los tres elementos básicos de toda decisión: las opciones disponibles (¿qué podemos hacer?),
la información relevante (¿qué sabemos?) y las preferencias del decisor (¿qué se quiere?).
Cuando se han definido las preferencias –los valores asignados a los resultados y la actitud
con respecto al tiempo y al riesgo– se han establecido los modelos necesarios para evaluar la
decisión; y se han asignado probabilidades a las variables inciertas, entonces la elección de la
mejor alternativa seguirá de una manera lógica y directa. El Análisis de Decisiones ha desarrollado
metodologías pertinentes para evaluar los diferentes tipos de preferencias, así como asignar
probabilidades y estructurar o modelar el problema convenientemente.
Una buena decisión es consecuencia lógica de analizar las opciones disponibles, sistematizar
la información relevante y de las preferencias explícitas del decisor. Por lo tanto, en este punto
ya es posible calificar el proceso de toma de decisiones –elogiándolo o reprobándolo– sin co-
nocer todavía el resultado final. Puede efectuarse una evaluación de la decisión y determinar
con seguridad si es de alta calidad –consistente con las bases establecidas– antes de ponerla en
práctica y saber si produce o no buenos resultados. Esto se logra luego de revisar todo el análisis,
detectar los puntos débiles para superarlos y alcanzar una decisión de calidad.
Una vez que se han establecido claramente las bases de la decisión, el Análisis de Decisiones
brinda otros beneficios. Permite realizar diferentes análisis de sensibilidad con respecto a las
características del problema, como se explica en el capítulo 3. Asimismo, se logrará establecer
y calcular el valor de la información, el cual indica cuánto se estaría dispuesto a pagar por des-
hacerse de la incertidumbre inherente a una o más variables de problema.
• 25 •
2.4 NIVELES DEL ANÁLISIS DE DECISIONES
La disciplina del Análisis de Decisiones actúa en dos niveles: como una filosofía y lenguaje;
y como un procedimiento lógico y cuantitativo. En cada nivel se enfocan diferentes aspectos
del problema de toma decisiones.
FiLoSoFíA y LENGUAjE
Como filosofía, describe una manera racional y consistente de tomar decisiones y proporciona
al decisor dos entendimientos básicos invalorables.
En primer lugar, permite entender que el riesgo (posibilidad de destrozar valor) es producto
de la incertidumbre del entorno en que se toman las decisiones, y que la incertidumbre es una
consecuencia del conocimiento incompleto del entorno en que se toman decisiones: el futuro.
Si bien en algunos casos la incertidumbre puede ser eliminada parcial o totalmente antes de
tomar la decisión, en la mayoría de casos la información completa simplemente no existe o es
muy costosa en términos de tiempo y dinero.
Si bien este entendimiento parece obvio, con frecuencia se encuentra que las personas tien-
den a negar la existencia de la incertidumbre. Por ejemplo, los decisores en las corporaciones
demandan certidumbre en las propuestas que se les presentan; para justificar una inversión de
largo plazo –por ejemplo, hidroeléctrica– se demandan proyecciones de ingresos y costos para
períodos de 40 a 50 años, sin guardar ninguna consideración para la posibilidad de lo incierto.
En segundo lugar, esta disciplina ofrece una clara distinción entre buenas decisiones y
buenos resultados. Como se vio anteriormente, lo único que se puede controlar es la decisión
y la manera como ésta se toma para maximizar la probabilidad de obtener un buen resultado.
Dada la incertidumbre inevitable en el entorno, una decisión correcta producirá algunas veces
malos resultados. Castigar a quien toma una buena decisión por un resultado deficiente no es
más lógico que premiar a quien tomó una mala decisión que al final produjo un buen resul-
tado. Este concepto también parece obvio, pero con frecuencia se observa en corporaciones
en las cuales se evalúa constantemente el rendimiento del personal en base a los resultados,
mientras que se presta muy poca atención a elevar la calidad de las decisiones.
El Análisis de Decisiones como lenguaje ofrece una manera sui generis de expresar los conceptos
del proceso de tomar decisiones, aun sin disponer de lápiz y papel o de la computadora para hacer
cálculos. Por medio de su lenguaje, el decisor toma conciencia de la importancia de los elemen-
tos básicos de la decisión: la manera de incluir la incertidumbre en la información disponible, la
explicitación de las opciones relevantes, y las preferencias del decisor. También se establece una
distinción clara entre los factores de decisión que están bajo el control del decisor y los del azar,
que por ser inciertos están fuera de su control.
Desde el momento en que las organizaciones hacen suya la filosofía y el lenguaje del Análisis
de Decisiones, no querrán volver a pensar y comunicarse como lo hacían previamente. El lenguaje
específico y los conceptos claros del Análisis de Decisiones permiten una mejor comunicación
y una mayor eficacia en la delegación de responsabilidades. Si se quiere que un individuo tome
una buena decisión, se le debe suministrar no sólo la información relevante sino nuestros valores
y preferencias.
• 26 •
ProCEDiMiENTo LóGiCo y CUANTiTATivo

El Análisis de Decisiones no es simplemente una manera de hablar sobre la toma de decisio-
nes, sino que además tiene un procedimiento lógico para hacerlo de un modo profesional. Este
procedimiento consiste en una serie de pasos sucesivos para tratar diferentes problemas, aun
los más complejos, de una manera práctica, eficiente y ordenada. Conocido como el ciclo del
análisis de decisiones, este procedimiento provee un enfoque iterativo que se concentra en la
decisión y el decisor, y permite al analista comparar eficientemente las alternativas.
El ciclo del análisis de decisiones distingue cuatro fases3. La estructuración se ocupa del
enmarcamiento del problema y desarrollo de las bases de la decisión. La fase de análisis de-
terminístico permite modelar el problema e identificar las variables importantes. La de análisis
probabilístico determina la mejor decisión, de acuerdo con la información relevante, las opciones
disponibles y las preferencias del decisor. Finalmente, la fase de interpretación de resultados
establece el valor económico de eliminar la incertidumbre en cada una de las variables impor-
tantes del problema.
Para lograr un análisis integral del problema, existe una serie de herramientas específicas
que incluyen procedimientos para estructurarlo, como son los diagramas de influencias, para
construir árboles de probabilidades y de decisiones, y para evaluar las distribuciones de proba-
bilidades y curvas de utilidad.
Asimismo, propone una metodología para evaluar los árboles de decisión y determinar si la
información adicional para refinar el análisis es económicamente rentable.
2.5 CARACTERÍSTICAS DEL ANÁLISIS DE DECISIONES
En esta exposición se han mencionado algunas características únicas del Análisis de Deci-
siones, las cuales se detallan a continuación.
El Análisis de Decisiones especifica las alternativas, información y preferencias del decisor,
para luego encontrar la decisión implicada lógicamente. En este proceso sistemático, pone en
evidencia cuatro características extraordinarias: 1. trata la incertidumbre en forma explícita a
través de la probabilidad subjetiva; 2. maneja la actitud con respecto al riesgo a través de la
teoría de utilidad; 3. estructura el problema en una forma heurística usando los diagramas de
influencias; y 4. la habilidad para asignar un valor económico a la eliminación total o parcial de
la incertidumbre en las variables del problema, mediante los árboles de decisiones. La figura 2.3
muestra estas características en forma esquemática.
3
Ver la sección 3.2 para una discusión más detallada del ciclo del Análisis de Decisiones.
• 27 •
Figura 2.3: Características del Análisis de Decisiones
Actitud con
Incertidumbre
respecto al riesgo
Probabilidad Tolerancia al riesgo
Análisis de
Decisiones
Diagramas de Árboles de
influencias decisiones
Estructura del Valor económico

problema de la información
Puesto que la incertidumbre es una parte importante de los problemas de decisión estraté-
gica, el análisis requiere que el decisor especifique la cantidad de incertidumbre que existe dada
la información disponible. El Análisis de Decisiones trata la incertidumbre de manera efectiva
al evaluar y codificar las opiniones de los expertos que proporcionan la información relevante;
lo hace asignando probabilidades a eventos y variables que están fuera del control del decisor.
Éste es el tópico del capítulo 8.
La toma de decisiones también requiere asignar valores a los resultados esperados y que no
se conocerán con certeza, pues son afectados por factores inciertos. El análisis determina la
actitud del decisor con respecto al riesgo usando las funciones de utilidad, tema que se explica
en el capítulo 9.
Los problemas de decisión de alta gerencia no sólo son inciertos, sino dinámicos y com-
plejos: tienen muchas variables. Los modelos matemáticos y las descripciones formales de las
interdependencias de las variables son poco útiles como un medio de comunicación, dado que
muchos decisores y sus expertos no están capacitados o acostumbrados a usar las matemá-
ticas como medio de expresión. Sin embargo, virtualmente todos tienen información útil para
• 28 •
solucionar su problema o los de otros, siempre y cuando esta información pueda ser expresada
adecuadamente.
El Análisis de Decisiones cuenta con los diagramas de influencias para representar un problema
de una manera sencilla y de fácil comprensión por personas con diferentes niveles de preparación
matemática. Como se mencionó, estos diagramas constituyen el puente entre la descripción
cualitativa y la especificación cuantitativa, como se explica en el capítulo 7.
Por último, una característica única del Análisis de Decisiones es la habilidad para determinar
el valor económico de eliminar la incertidumbre en las variables aleatorias, antes de tomar la
decisión. Para esto se crea un personaje hipotético, que será infalible: el clarividente. Él puede
predecir el futuro con toda certeza a cambio de una remuneración, pero no posee ninguna pe-
ricia o capacidad analítica. La incógnita es, entonces, determinar ¿cuánto se le debe pagar para
obtener sus servicios y así eliminar la incertidumbre antes de tomar la decisión?
Lamentablemente, no se cuenta con un clarividente real en el mundo que permita deshacerse
por completo de la incertidumbre. Sin embargo, se le puede considerar como un caso especial
de todo esquema de recolección de información.
Existen dos razones para determinar el precio que se estaría dispuesto a pagar al clarividente
antes de calcular el valor de cualquier información adicional que se sabe será imperfecta. Primero,
el valor del clarividente representará el límite superior del valor de cualquier proceso adicional
de recolección de información. Segundo, el valor del clarividente sugiere en qué instancias
sería conveniente planificar la recolección de información cuando existen diversas variables de
incertidumbre. Pudiera ser que los costos de obtener información adicional superaran el valor
límite establecido por el valor de la clarividencia; entonces, no será rentable invertir recursos
adicionales en conseguir mayor información. Por el contrario, cuando el valor de la clarividencia
es significativamente alto, podría ser útil dedicar algún esfuerzo a desarrollar programas para
mejorar la información.
Una vez que la estructuración del problema ha sido plasmada en un árbol de decisiones, será
fácil calcular el valor de la clarividencia, como se verá en los capítulos 5 y 13.
A continuación, se presenta el enfoque de calidad decisional desarrollado por Strategic Decisions
Group (SDG)4, una firma pionera en la utilización de la disciplina del Análisis de Decisiones para
garantizar un adecuado proceso de toma de decisiones estratégicas en las organizaciones.
4
SDG es una firma de consultoría internacional en gestión estratégica con sus oficinas principales en MenloPark, Cali-
fornia. El autor trabajó en SDG en los años ‘90. Los fundadores de SDG han sido los pioneros en la disciplina del Análisis
de Decisiones en Stanford Univesity.
• 29 •
2.6 CALIDAD DECISIONAL
“Calidad Decisional” es el enfoque que utiliza la disciplina del Análisis de Decisiones para
reestructurar radicalmente el proceso de toma de decisiones en el contexto organizacional; es
decir, la reingeniería del proceso de toma de decisiones estratégicas. Este enfoque se concentra
en la toma de decisiones estratégicas, pues considera que es fundamental para cualquier orga-
nización decidir correctamente el camino que seguirá. Este enfoque presenta una perspectiva
normativa. El énfasis no radica en cómo las organizaciones toman sus decisiones hoy, sino en
cómo deben tomar las decisiones para maximizar la generación de valor a largo plazo.
El enfoque de calidad decisional enriquece la disciplina del Análisis de Decisiones, a través de
incorporar los entendimientos de la psicología cognitiva, del comportamiento organizacional y
del movimiento de calidad total, como se mencionó en el primer capítulo. Estos entendimientos
han permitido asignar probabilidades a las incertidumbres en forma insesgada, evitar el proble-
ma de pensamientogrupo5 en los procesos de toma de decisiones en las organizaciones y lograr
mejorar el proceso continuamente.
Con este fin, primero se discutirá la relación entre calidad decisional y “calidad total”; lue-
go, contestaremos las preguntas ¿qué es calidad decisional? y ¿cómo podemos medirla? y se
presentarán los requerimientos de calidad decisional.
CALiDAD DECiSioNAL y CALiDAD ToTAL

La Calidad Total verdadera requiere de calidad en el liderazgo, calidad en la administración
estratégica y en la administración del cambio, así como calidad en las operaciones. La caracte-
rística más importante es el liderazgo.
La administración estratégica trata en realidad de todo lo relacionado con el tema de
escoger la dirección de una organización. Por lo tanto, el enfoque central para calidad en la
administración estratégica está en la eficacia de las decisiones que determinan esta dirección
estratégica. Estas decisiones se caracterizan por ser únicas, importantes y poco frecuentes y
tener resultados en el futuro lejano.
En la administración del cambio, asumimos que conocemos la dirección a la cual queremos
ir, pero todavía no es el camino en el cual nos encontramos. Por lo tanto, el esfuerzo se dirige a
lograr el cambio de dirección en forma efectiva. El esfuerzo está dirigido al proceso de cambio
y no al proceso de determinar la dirección misma.
En la administración operativa, se asume que la dirección ha sido decidida y que se está
aproximadamente en ella. El propósito es el mejoramiento continuo para servir mejor al cliente
superando la competencia.
Medir la calidad de las decisiones operativas es relativamente fácil porque los resultados son
observados poco después de que se toman las decisiones. Este tipo de decisiones a menudo permite
numerosas oportunidades para ajustar la decisión inmediatamente después de recibir la retroalimen-
tación de sus resultados. En contraste, las decisiones estratégicas tienen consecuencias en el largo
plazo, los resultados no son observados inmediatamente y, por lo tanto, la calidad de estas decisiones
es más difícil de valorar. Lograr calidad en las operaciones no es suficiente para asegurar el éxito
global del negocio. Se requiere avanzar bien (operativo) pero en el camino correcto (estratégico).
5
Pensamientogrupo es una traducción de groupthink, término inventado por Janis (1972,1989) y utilizado por León (2001).
• 30 •
Como se mencionó anteriormente, la característica más importante para alcanzar calidad

total verdadera es el liderazgo. El líder debe asegurar que la organización comparta una visión
clara. El liderazgo también implica una función de equilibrio: el líder tiene que reconocer las
necesidades del negocio y definir dicha agenda del negocio en términos estratégicos, de cambio
y operativos. El líder establece el balance adecuado en todo momento. Aún más, el líder debe
motivar y brindar márgenes de poder a las partes involucradas para producir calidad en la manera
más apropiada a cada función administrativa. De esta manera, un buen líder puede evitar fracasos
que surjan de alcanzar calidad en una función a costa de la calidad en otra. Si una organización
se esfuerza por lograr calidad operativa sin reconocer la necesidad de un estándar diferente
de calidad –calidad decisional– en el área estratégica, corre el riesgo de aplicar los principios
poderosos y valiosos de la calidad operativa en una manera contraproducente.
Los fracasos potenciales se producen principalmente de dos modos: por la aplicación de los
principios de calidad operacional a las decisiones estratégicas, y la pretensión de que la calidad
operacional es la estrategia única y total.
¿QUÉ ES CALiDAD DECiSioNAL y CóMo MEDirLA?

Utilizo el término decisional, que no existe en el diccionario, para enfatizar que Calidad
Decisional va más allá de calidad en las decisiones, y que se necesita entender dos distinciones
claves: la primera es entre el “qué” y el “cómo” de calidad decisional.
El “qué” de calidad decisional tiene que ver con el producto final del proceso de toma de
decisiones, la calidad de la decisión misma. Si tenemos una situación repetitiva con resultados
observables, podemos medir la calidad de las decisiones por sus resultados (tomando en cuenta
en forma adecuada las variaciones estadísticas). En la situación de una decisión única donde los
resultados son inciertos y probablemente observados en el futuro lejano, debemos encontrar un
sustituto para la medida de los resultados para aplicar el paradigma de Administración de Calidad
Total. Los requerimientos de calidad decisional juegan este rol. El “cómo” de calidad decisional
tiene que ver con el proceso y las herramientas para alcanzar calidad decisional.
La segunda distinción es entre el contenido y el personal. En el contexto organizacional, la
calidad decisional requiere tanto de calidad en el contenido como de calidad de las personas.
Alcanzamos calidad en el contenido cuando la decisión es lógicamente correcta y defendible
(una decisión sólida). Pero tener la respuesta correcta no es suficiente en el contexto organi-
zacional. También debemos alcanzar credibilidad y lograr el compromiso de las personas claves
en la organización. Alcanzar calidad en el contenido sin calidad de personas implica encontrar
la respuesta correcta, pero sin que a nadie le interese. Calidad de las personas sin calidad de
contenido significa que alcanzamos acuerdo y tenemos el compromiso para actuar. Sin embargo,
posiblemente lamentaremos nuestra decisión porque no fue sólida. La calidad del contenido no
existió y la facilitación efectiva resultó en un proceso de pensamientogrupo que condujo a un
compromiso tremendo en la dirección equivocada.
En la práctica observamos que la mayoría de la gente tiende a desarrollar una preferencia clara
y un conjunto de creencias sobre cuál aspecto de una decisión es el más importante. Si no logramos
calidad en ambos, la decisión resultará un fracaso. Para alcanzar calidad en el contenido, debemos usar
las mejores fuentes y los métodos y herramientas apropiadas para producir la decisión lógicamente
correcta y defendible. y para alcanzar credibilidad y compromiso de las personas claves, debemos
lograr la participación correcta de esas personas en el proceso decisional desde el inicio.
• 31 •
Calidad decisional sólo puede asegurarse con un liderazgo efectivo y bien informado, cons-
tituyéndose en el rol central para mantener todo esto en forma integrada y coherentemente. Al
liderar un esfuerzo de decisión, el líder debe balancear estas funciones diferentes a través de
ofrecer la visión para calidad decisional así como el entendimiento del problema de decisión a
enfrentar desde una perspectiva integral/global, y no simplemente de una perspectiva limitada,
funcional o divisional. El acto más importante de liderazgo es escoger la participación correcta
de las personas claves. El líder también fija los estándares correctos y las expectativas de calidad,
y motiva a todos los participantes a trabajar hacia un concepto balanceado de calidad a través
de aplicar un proceso apropiado.
rEQUEriMiENToS DE CALiDAD DECiSioNAL

El enfoque de Calidad Decisional presenta seis requerimientos que conforman la calidad de
una decisión. Estos son el marco apropiado, alternativas creativas y viables, información relevante
y confiable, valores y preferencias claras, razonamiento lógicamente correcto y compromiso
para la acción:
Marco apropiado
Encontrar el marco apropiado significa en primer lugar que estamos seguros de estar tra-
bajando en el problema correcto. El marco para el desarrollo de estrategias es una delimitación
clara de las decisiones a considerar. El marco adecuado garantiza que la organización resolverá
el problema correcto, en la manera correcta, con las personas correctas. Cuando un esfuerzo de
desarrollo de estrategias está bien enmarcado (tiene calidad en esta dimensión), tiene un alcance
bien definido, un propósito claro y una perspectiva consciente. Las herramientas usualmente
utilizadas para la definición del marco incluyen la declaración de la visión del esfuerzo decisional,
el establecimiento de la jerarquía decisional, la explicitación de supuestos y otros. El fracaso
de no alcanzar un marco apropiado surge de muchas fuentes. Por ejemplo, el alcance puede ser
muy estrecho o la perspectiva estar sesgada porque estamos sumergidos en una organización
funcional y los limites a nuestras decisiones se determinan sobre la base de la estructura y políticas
organizacionales y no sobre la base de los requerimientos de las decisiones que conforman las
estrategias. Los errores en la definición del marco son los más comunes y tienden a ser los más
grandes. Cuando tenemos el marco incorrecto, pretendemos resolver el problema equivocado.
Una solución correcta al problema equivocado no nos sirve de nada. Una discusión amplia sobre
el marco y su aplicación se presenta en el capítulo 10.
Los siguientes tres requerimientos de calidad decisional conforman la base de la decisión:
alternativas, información y valores.
Alternativas creativas y viables

Definir alternativas es esencial porque sin alternativas no hay decisión que tomar; es funda-
mentalmente escoger una decisión entre alternativas. Para que una estrategia sea de calidad,
tenemos que estar seguros de que las estrategias alternativas, de donde fue escogida, son signi-
ficativamente diferentes, integrales y realistas. Desarrollar alternativas que vayan más allá de lo
obvio y tengan potencial real para realizarse es cuestión de inspiración, creatividad, realismo y
trabajo intenso. Una vez identificados correctamente los desafíos y en un ambiente organizacional
• 32 •
adecuado, cualquier grupo puede resultar impresionantemente creativo. Este punto de vista sobre
calidad en las estrategias alternativas supera el enfoque restringido donde sólo se considera
una o unas pocas alternativas. Las alternativas bien especificadas y prometedoras tienden a
ser multidimensionales; por esta razón se utiliza como herramienta fundamental una tabla de
generación de estrategias alternativas. El capítulo 10 ilustra el uso de esta herramienta.
Información relevante y confiable

obtener información relevante es obviamente crucial, pero frecuentemente conseguimos la
información que sabemos obtener y no la información realmente necesaria para tomar una decisión
de calidad. Dado el horizonte de largo plazo en el desarrollo de estrategias, las organizaciones
deben distinguir cuidadosamente entre lo que se sabe y lo que todavía es incierto. Deben ir más
allá de los datos disponibles, que son registros del pasado, para especificar escenarios futuros y
cuantificar las incertidumbres y su impacto potencial en la creación de valor empresarial. Una y
otra vez, los ejecutivos que buscan una base más sólida para sus decisiones caen en la trampa
de tener un fuerte sesgo hacia los “hechos”. Este sesgo es doblemente peligroso –conduce a una
sensación de seguridad basada en lo que se piensa que es más objetivo (o incluso más científico),
mientras que se descuida la recaudación de la información relevante. Además de la necesidad
de aprender a enfocarse en la información adecuada e importante, se debe estar seguro de que
la información es correcta y explícita, que se basa en hechos relevantes, y que se ha incluido el
entendimiento de la incer tidumbre. Las herramientas fundamentales para lograr la información
relevante y confiable son los diagramas de influencias (mapas de conocimientos) y la asignación
de probabilidades a las variables aleatorias.
Valores y preferencias claras

Para lograr calidad en este elemento, una organización debe tener sus objetivos claramente
establecidos para escoger entre las estrategias alternativas, y de esa manera evitar ambigüedades.
Debe ser capaz de establecer lo que desea alcanzar en términos de los criterios de decisión. Si se
tienen varios criterios de decisión, lo cual sucede con frecuencia, también deben considerarse las
preferencias entre dichos criterios de decisión. No tener claridad acerca de sus valores y preferencias
puede derivar en un fracaso. En organizaciones que necesitan lograr consenso entre un número
de individuos con diferentes valores y perspectivas, los esfuerzos en la clarificación de valores son
especialmente importantes y frecuentemente complejos. Debe existir una valoración completa de
las preferencias con respecto a: resultados conflictivos (e.g., empleo versus rentabilidad, costos
versus contaminación), rentabilidad versus riesgo, corto versus largo plazo. Una vez más tenemos
una serie de herramientas para desarrollar el diálogo y la clarificación necesaria de los valores y
preferencias, para tratar los problemas de desarrollo de estrategias alternativas y su evaluación.
Razonamiento lógicamente correcto

El razonamiento correcto es requerido para no caer en el peligro de combinar alternativas,
información y valores de calidad de forma tal que los cálculos se realicen incorrectamente y se
llegue a una respuesta incorrecta. El desafío es utilizar un razonamiento efectivo que combine
apropiadamente los inputs de las decisiones estratégicas (alternativas, información y valores), de tal
manera de lograr un entendimiento que permita ver claramente la mejor estrategia alternativa. Dicho
proceso de razonamiento requiere desarrollar un entendimiento de las consecuencias potenciales
asociadas con cada alternativa, y luego aplicar los valores y preferencias corporativas. Las técnicas
• 33 •
del análisis de decisiones forman la base de este proceso de razonamiento, brindando claridad a las
situaciones de decisiones complejas, inciertas y dinámicas. Frecuentemente, encontramos que las
mejores opciones basadas en la lógica por un lado y en la intuición por otro, son diferentes, y que
es necesario un aprendizaje iterativo de ambos lados hasta que la lógica y la intuición coincidan.
Compromiso para la acción

Es el vínculo entre la decisión y la ejecución de la estrategia escogida. obviamente, sin un
compromiso sincero para la acción, el proceso para alcanzar la decisión habrá sido una pérdida
de tiempo. Es mucho más fácil construir el compromiso durante el proceso de desarrollo de las
estrategias, en vez de hacerlo después de que se ha alcanzado la conclusión/recomendación. Por
lo tanto, la herramienta más poderosa es simplemente insistir en involucrar a la “gente correc-
ta” desde el comienzo –aquella cuyo compromiso es requerido para la implementación exitosa
de la decisión. Aún más, un compromiso estratégico para la acción resulta de la confianza de
los participantes en la calidad de la decisión –es decir, la calidad alcanzada en los otros cinco
elementos. Esto implica que durante el proceso de decisión tenemos que ganar la motivación y
compromiso de las personas claves.
Para representar estos seis requerimientos y medir la calidad de cada uno se utilizan dos
metáforas, la de la Cadena de calidad decisional y el diagrama de la Telaraña.
La Cadena (figura 2.4) enfatiza que ningún eslabón (requerimiento) es más importante que
los otros en términos del producto final: la decisión. Si algún eslabón falla, no existirá cadena, ni
calidad decisional. En el proceso decisional, el eslabón más débil define la calidad de la decisión,
haciendo que éste sea el más importante para una mayor ventaja. También sugiere que debemos
desarrollar procesos decisionales que sean iterativos. La primera iteración será para valorar y
desarrollar un nivel inicial de calidad para cada uno de los seis requerimientos. Las iteraciones
posteriores deben concentrar los esfuerzos en mejorar el eslabón más débil.
Figura 2.4: Cadena de Calidad Decisional
Información
Relevante y
Confiable
Alternativas Valores y
Creativas Preferencias
y Viables Claras
CD
Razonamiento
Marco
Lógicamente
Apropiado
Correcto
Compromiso
para la Acción
• 34 •
El diagrama de la Telaraña (figura 2.5) es utilizado para representar el nivel de calidad

alcanzado en cada uno de los seis requerimientos. Cada uno de los rayos representa uno de los
requerimientos. La circunferencia del diagrama de telaraña representa el 100% de la calidad en
todos los requerimientos de calidad decisional. Nos gustaría tener 100% de calidad en cada uno de
estos requerimientos. Cien por cien es definido como el punto en el cual los esfuerzos adicionales
para mejorar no justifican el costo. Más preciso, usando algunas frases de ron Howard:
“Si permanecemos en la posición cero (la parte central de la rueda) en cualquiera de los
aspectos de calidad, corremos el riesgo de morir por instinto”.
“Si nos movemos más allá del 100% en cualquier aspecto, corremos el riesgo de parálisis
por exceso de análisis”.
En algún lugar intermedio, alcanzamos el equilibrio. Por tanto, calidad decisional es funda-
mentalmente un concepto económico. Se alcanza cuando el costo de mejorar supera el beneficio
marginal de dicha mejora.
El diagrama de telaraña puede usarse como herramienta de valoración para el estado de
calidad decisional en cualquier etapa de un proceso decisional. En el caso particular descrito en
la figura 2.5, veamos lo que podemos reconocer. Este diagrama muestra que somos muy ricos en
términos de alternativas creativas (rayo 2) –podemos hacer muchas cosas diferentes– y que son
significativamente diferentes y viables. Pero la baja calificación en el marco (rayo 1) significa que
no estamos seguros acerca del marco de la decisión. Podríamos tener desacuerdos significativos
en relación a nuestros objetivos (de qué trata la decisión sobre todo); podríamos tener conflictos
que surgen de las perspectivas funcionales. Si no se mejora esto, podemos drenar el pantano
equivocado. Aún más, la alta calificación para el compromiso para la acción (rayo 6) significa
que estamos listos para comenzar la acción a pesar de que el marco es débil.
Figura 2.5: Diagrama de Telaraña
3. Información
Relevante y 4. Valores y
Confiable preferencias
claras
5. Razonamiento
2. Alternativas Calidad
creativas y lógicamente
Decisional 0% 100% correcto
viables
1. Marco 6. Compromiso
Apropiado para la Acción
• 35 •
rEiNGENiEríA DEL ProCESo DE ToMA DE DECiSioNES

La toma de decisiones en muchas organizaciones resulta ser un proceso de propuesta/defensa
y/o de oposición, donde alguien propone y algún otro tiene el rol de ser crítico de dicha propuesta.
Esto usualmente conduce a que los equipos de trabajo responsables de presentar la propuesta
concentren su esfuerzo en producir mucha información para sustentar su recomendación, re-
sultando un esfuerzo desbalanceado por restar la debida atención a los otros requerimientos
para lograr calidad decisionai.
Más aún muchas empresas preparan planes separados para cada una de sus actividades y
sólo las relacionan de manera secuencial: “cuando hayamos conseguido triunfar en las investi-
gaciones nos preocuparemos del desarrollo”. “Sólo cuando salgamos adelante con el desarrollo,
nos plantearemos abordar el diseño”, y así sucesivamente. Es decir, que usan procesos de apro-
bación basados en su estructura jerárquica. Estas empresas están propensas a caer en una gran
trampa estratégica que tiene consecuencias operativas, que resulta de emprender un proyecto sin
evaluar primero todas las secuencias de sus éxitos parciales. Están sumidas en una organización
funcional (departamentalizadas), donde los límites de las decisiones son establecidos en base a
la estructura y política organizacional y no en base a los requerimientos decisionales.
Luego, el desafío más grande al proceso está en incorporar la calidad decisional desde el
principio en vez de basarse en la cadena de aprobación jerárquica para inspecciones a posteriori.
Para alcanzar calidad decisional, una persona (o grupo) tiene que ser claramente responsable
por la calidad de cada decisión; tiene que existir un enfoque en calidad decisional. y también
debe estar dispuesta a certificar que la decisión satisface los estándares de calidad decisional.
Para que la certificación sea posible, esa persona debe haber sido entrenada suficientemente
para entender y valorar calidad decisional, es decir, debe ser capaz de brindar el rol de liderazgo
en calidad decisional, o sea, de llevar a cabo esta responsabilidad y estar dispuesta a dedicar el
tiempo necesario para ejecutarla.
Encontramos muy a menudo que a medida que la alta administración de una organización
comienza a entender este concepto de calidad decisional, alguien lo objeta diciendo: “No podemos
tratar todas las decisiones que se nos presentan de esta manera”. y cuando preguntamos por
qué no, contestan diciendo: “Son muchas. No podemos darles el tiempo para asegurar calidad
decisional”. Nuestra respuesta es que usualmente esto significa que los ejecutivos están tomando
las decisiones equivocadas. Porque si insisten en tomar decisiones, pero no pueden disponer
del tiempo para asegurarse de que la decisión tiene calidad, entonces se genera una fuente de
problemas decisionales. Por lo tanto, un gran principio para la delegación de decisiones es: “Si
un ejecutivo tiene la responsabilidad oficial pero no en el tiempo necesario para llevar a cabo
esta función, es usualmente mejor delegar que opinar improvisadamente”. Esto es cierto aun si
el decisor le gusta la gran sensación del poder, o se ha convencido de sus habilidades intuitivas
superiores, para opinar improvisadamente.
El proceso de toma de decisiones que se propone es eficiente y bien balanceado, no desperdicia
tiempo ni recursos en cuestiones que no son cruciales a la decisión, concluye de manera oportuna
y tiende sistemáticamente hacia el 100% de calidad en el contenido de la decisión. Este proceso
requiere de los siguientes roles: el rol de los decisores –los cuales certifican la calidad– y el rol
del equipo de decisión, los que hacen la mayor parte del análisis que sustenta la decisión.
El rol de los decisores es supervisar el proceso, brindar guía y dirección, revisar los resulta-
dos de los equipos de trabajo en cada paso y tomar las decisiones finales que conforman las
estrategias de portafolio, asegurando los estándares de calidad decisional, facilitar el consenso y
• 36 •
brindar el soporte necesario para la implementación, aprobar las grandes inversiones de capital,
tener una visión clara y poder hacer que la decisión se ejecute.
Por otro lado, el equipo de decisión incluye a los individuos que tienen un entendimiento amplio
del problema y saben dónde conseguir la información necesaria. Además tienen un buen criterio y
credibilidad en la organización, y representan al conjunto completo de negocios y funciones relevan-
tes. Sus criterios, experiencias y creatividad influirán fuertemente en la calidad de la decisión.
Este proceso facilita un diálogo de arriba hacia abajo y de abajo hacia arriba, esta comunica-
ción iterativa entre los equipos se ve representada mediante el diagrama “culebra”, representado
en la figura 2.6. Se garantiza suficiente diálogo en cada paso, asegurando que ambos equipos
se sientan dueños de los resultados del esfuerzo decisional y comprometidos con su implemen-
tación. La interacción entre los dos equipos ayuda a alinear la organización paso a paso hacia
una solución del problema, y evita los modos de fracaso del pensamientogrupo.
Es importante resaltar la relevancia de conformar los equipos con las personas claves de
la organización, que conozcan el problema, lo que garantizará la generación de las estrategias
alternativas creativas necesarias para llegar a la estrategia más adecuada. Asimismo, seleccionar
las personas apropiadas facilitará el acceso a la información relevante y confiable para evaluar
las alternativas a la luz de los valores y preferencias de los decisores, usando un razonamiento
lógicamente correcto.
Figura 2.6: Proceso culebra para la toma de decisiones estratégicas
AProBACióN rEFiNAr EL ACorDAr LAS 4. DECiDir AProBAr

DE LA MiSióN ENFoQUE ALTErNATivAS entre las PLAN y
DECiSorES(ES) Alternativas
A CoNSiDErAr PrESUPUESTo
Resultados a • Alternativas
Entregar en • Marco • Información Alternativas
Revisiones • Desafíos Decisión Plan
• Entendimiento
Mejorada Evaluadas
Mayores • Valores
1. vALorAr 2. DESArroLLAr 3. EvALUAr 5. PLANiFiCAr 6. iMPLEMENTAr

EQUiPo DE la Situación Alternativas, riesgo y para la Acción
DECiSióN de la información rendimiento de
Empresa y valores las Estrategias
El proceso está descompuesto en seis grandes pasos. Para asegurar la calidad en cada paso
del proceso y el compromiso continuo del grupo, el comité decisor y los equipos de decisión
deben lograr un acuerdo sobre los resultados al final de cada paso. Mientras no se consiga dichos
resultados, el paso debe volver a realizarse. El comité decisor usa el diagrama de la telaraña
para evaluar el estado de la calidad decisional al final de cada paso. Con cada paso del proceso,
el Diagrama de Telaraña debe mejorar continuamente, fortaleciendo al eslabón más débil hasta
lograr el l00% de calidad en cada componente. Los seis pasos se detallan a continuación:
• 37 •
Valorar la situación del negocio

Los equipos de decisión inician el diálogo decisional con la valoración/diagnóstico del negocio,
un análisis amplio y rápido para lograr un entendimiento estratégico real e integral de la situación
–que es lo que ya sabemos, y lo que todavía necesitamos (las brechas de conocimiento)– para
clarificar el marco para la estrategia en cuestión.
Para conducir una valoración amplia de la situación actual y escenarios futuros posibles, el
equipo de trabajo examina la información disponible. Por ejemplo, para desarrollar una estra-
tegia de portafolio, el equipo realiza una revisión de las tendencias de la industria y un análisis
del mercado y competencia, así como una descripción y valoración del conjunto actual de los
proyectos existentes. La investigación relevante se logra a través de las bases de datos internas
y externas, y los expertos. Se podrán realizar encuestas y entrevistas a clientes, distribuidores,
comerciantes y expertos industriales.
El equipo de decisión desarrolla una perspectiva bien concebida acerca de cómo se compor-
tará la industria en el futuro, incluyendo los cambios en las regulaciones y tecnología. También
desarrolla un resumen claro de lo que se conoce y no se conoce acerca del portafolio actual,
del negocio y del entorno.
Los resultados principales que deben producirse en este paso son: entendimiento de la situación
del negocio, de las cuestiones y desafíos estratégicos, y un plan claro para llenar los vacíos en la
base decisional (información, alternativas y valores) para desarrollar una buena estrategia.
La clave para completar esta fase es asegurarnos de que estamos cerca del marco apropiado.
Así, la organización estaría enfocando su energía en resolver el problema específico. Una vez que
el equipo de decisión termina el paso de la valoración, el marco es presentado al comité decisor
para su revisión y discusión. En esta reunión, los dos equipos logran ponerse de acuerdo con res-
pecto al marco. Además, el estado inicial de la calidad de la decisión es valorada juzgando el nivel
de calidad de cada uno de los seis elementos en el Diagrama de Telaraña. Los siguientes pasos del
proceso están enfocados en fortalecer los eslabones más débiles en el Diagrama. De esta manera,
el equipo puede superar la tendencia humana natural a hacer lo que uno ya sabe cómo hacer, y
más bien enfocarse en hacer lo que es importante para mejorar la calidad de la decisión.
Desarrollar alternativas, información y valores

Este paso se enfoca en la creación de estrategias alternativas que respondan a los desafíos
identificados en la fase de valoración. Además, el equipo de decisión debe llenar las brechas de
conocimiento identificadas en la fase anterior y clarificar los criterios de decisión, y así lograr
una base balanceada para la decisión.
Las alternativas deben estar definidas en términos de las decisiones clave y acciones necesa-
rias para implementarlas. ¿Qué proyectos serán financiados y cuáles serán eliminados en cada
estrategia? ¿Cuáles recibirán incrementos adicionales o reducciones en sus financiamientos?
¿Qué programas de contratación o capacitación serán requeridos para crear competencias, en
qué período?
Cada estrategia debe ser verosímil y factible de implementar, para lo cual se utiliza como
herramienta la Tabla de generación de estrategias, la cual es un mapa del área decisional. Su
función es asegurar que las decisiones y el equipo de trabajo estén de acuerdo con este mapa:
¿se están considerando las decisiones correctas? ¿Se están considerando muchas o pocas de-
cisiones estratégicas? ¿Se está dejando de considerar alguna área de decisión importante? Esta
herramienta se incluirá en el capítulo 10.
• 38 •
De manera paralela al desarrollo de estrategias alternativas, el equipo de decisión se con-

centra en obtener la información relevante que todavía se necesita para ser capaces de tomar la
decisión. Mientras que en el paso 1 la recaudación de información fue un primer esfuerzo global,
ahora está claramente enfocada en llenar las brechas específicas importantes de información.
Una herramienta poderosa que ayuda a centramos en los factores cruciales que influyen en el
resultado de las decisiones es el Diagrama de influencias, como se verá en el capítulo 7.
El proceso de diálogo continúa cuando el comité decisor aprueba el conjunto de alternativas con
las respectivas adiciones o modificaciones planteadas por ellos. Se realiza una nueva valoración de
calidad decisional usando el Diagrama de Telaraña, y si el valor asignado al elemento de alternativas
es suficientemente alto, el equipo de decisión continúa con el paso tres del proceso.
Existe una serie de dificultades, tal como el enfoque de defensa en la toma de decisiones,
que se caracteriza por “vender” la solución “recomendada” y definir las otras alternativas como
“perdedoras” obvias. Este enfoque resulta una propuesta del tipo ganar/perder, defendida por
la persona cuya unidad es la que ganaría más con su implementación.
En muchas organizaciones, los decisores frecuentemente expresan que la escasez de alter-
nativas bien consideradas y significativamente diferentes es una de sus grandes frustraciones.
Ellos pueden expresar sus reveses a través de ataques agresivos a la estrategia defendida por
el equipo que la propone, originando que la defiendan aún más, conduciendo a situaciones de
ganar/perder, que en el mejor de los casos requerirá rehacer el esfuerzo y en el peor de los casos
creará una permanente animosidad.
otro modo común de fracaso en esta área es que el equipo considere una alternativa que
no es factible. El proceso de crear alternativas razonables y de alta calidad es una tarea difícil.
Debe trabajarse en un entorno que fomente la creatividad y la plasme en cosas reales.
Al final del diálogo, todas las partes deben estar de acuerdo en que se cuenta con un conjunto
de alternativas viables de las cuales estamos dispuestos a escoger. Quizás desechemos algunas,
quizás añadamos otras más durante el diálogo.
Evaluar el riesgo y rentabilidad de las estrategias alternativas

Durante este paso, el equipo de decisión evalúa las alternativas para identificar la que ofrece
el valor empresarial más alto. Este paso usualmente ayuda a mejorar las alternativas iniciales
que fueron especificadas en el paso anterior. Como consecuencia de que cada alternativa es
cuantificada, nuevos entendimientos emergen, lo cual frecuentemente permite diseñar una
alternativa que es la “mejor de todas” (una alternativa híbrida).
Para evaluar el riesgo potencial de cada alternativa, el equipo de trabajo debe analizar las
incertidumbres críticas en ellas. Después de identificar las incertidumbres criticas usando un
análisis de sensibilidad, recolectan los criterios de los expertos que tengan el mayor conocimiento
con respecto a los posibles resultados de estas incertidumbres. Estos inputs son combinados,
usando los modelos respectivos, para entender las consecuencias globales de cada alternativa.
En un caso típico de desarrollo de estrategias alternativas de portafolio, cada una de ellas tendrá
sus consecuencias cuantificadas como contribuciones al valor empresarial. El resultado de este
paso es una afirmación clara del valor esperado y el nivel de riesgo para cada alternativa.
Las modalidades de fracaso más comunes en este paso son ignorar la incertidumbre o subesti-
marla dejando de considerar las interdependencias entre los factores clave. Por ejemplo, un proyecto
considerado de bajo valor podría brindar la tecnología requerida para otro proyecto muy bien valo-
• 39 •
rado. otros fracasos surgen de forzar el tratamiento de problemas a ajustarse a las herramientas
inapropiadas, porque el equipo no posee la formación o las habilidades para resolver el verdadero
problema. Por ejemplo, muchos equipos fuerzan a que sus alternativas se ajusten a los inputs reque-
ridos por el modelo de planeamiento estratégico para alcanzar “consistencia” en la evaluación entre
el statu quo y las nuevas alternativas. otros realizan la evaluación usando la última técnica analítica
en administración, la cual pudo haber sido diseñada para un uso completamente diferente.
Los errores de evaluación típicamente ocurren en situaciones de negocios complejas, en
las cuales la dinámica de la industria está cambiando y el análisis de las decisiones involucra
varios factores interrelacionados. Estas decisiones complejas son mejor tratadas por un equipo
experimentado y analíticamente bien entrenado, que tenga acceso a los métodos apropiados
para la formulación y solución del problema.
El resultado aquí son las alternativas claramente evaluadas y definidas en términos de sus
futuras implicancias, estableciendo el balance entre los diferentes criterios. En este momento,
los decisores estarán en posición de tomar una buena decisión.
Decidir entre las estrategias

El comité decisor es el responsable de tomar la decisión final. El objetivo de este paso es
brindar la claridad necesaria que permita al comité decisor hacer su elección y resolver todos
los conflictos restantes. El equipo de decisión presenta el conjunto completo de las estrategias
alternativas analizadas, identificando las preferencias explicitas que cada alternativa requiere y,
algunas veces, su opción preferida. El producto de este paso es la selección de parte del comité
decisor de la dirección estratégica.
Los fracasos en este paso pueden surgir de la incapacidad de resolver los conflictos funda-
mentales en cada uno de los seis requerimientos de calidad decisional. Tratar de implementar
una decisión sin haber resuelto verdaderamente los conflictos es una pérdida de tiempo. La baja
calidad en el compromiso se convierte en una fuente de fracaso decisional. Frecuentemente,
la incapacidad de un equipo para resolver conflictos es el resultado de no considerar a una de
las partes interesadas clave o no alcanzar claridad suficiente en las preferencias con respecto
a los resultados conflictivos.
Un buen ejemplo fue una organización de cuidado de la salud que estuvo parada por casi
cinco años con respecto a la localización de su nuevo hospital. Las ubicaciones alternativas eran
las comunidades A y B, las cuales estaban distantes a 45 kilómetros una de la otra. La decisión
había sido estudiada exhaustivamente con proyecciones financieras y análisis detallado, y una
y otra vez el equipo administrativo se encontraba incapacitado para llegar a una decisión, pi-
diendo que se rehaga el análisis financiero con supuestos diferentes. Después de la aplicación
de los principios de calidad decisional, se hizo evidente que lo esencial de esa decisión no estaba
en absoluto en las proyecciones financieras, sino que se hallaba en la falta de claridad en los
valores. Sin comunicación clara acerca de las preferencias de las diferentes partes interesadas,
la decisión estuvo estancada. La mayoría de los doctores vivía en la comunidad A y la mayoría
de los pacientes vivía en la comunidad B. Después de hacer las preguntas correctas, de manera
especifica acerca de los valores y preferencias (¿para conveniencia de quién estaba orientado
el nuevo hospital?), el proceso comenzó a avanzar y se destrabó la decisión.
Para lograr el éxito en esta fase se requiere de una combinación de buen razonamiento,
claridad en los valores corporativos y compromiso fuerte con la misión original que el equipo
• 40 •
establece al comienzo del proceso. Los resultados que deben obtenerse son: una elección clara
de la dirección, compromiso de recursos y asignación de responsabilidades.
Planificar para la acción

El compromiso para la acción es el eslabón entre la decisión y su ejecución. Cuando existe
este compromiso, los recursos necesarios −financieros, personal, facilidades, atención de la
administración, etc.− están comprometidos. Durante esta fase, el equipo de decisión cambia
su enfoque de uno fundamentalmente "estratégico" hacia uno que incluya más características
del "operacional".
En este paso se requiere de una alineación de la estrategia escogida con la organización
operativa. resulta entonces un perfil de tareas, responsabilidades y programas detallados re-
queridos para la implementación de la estrategia. ¿Quién iniciará la contratación o programas
educativos? ¿Quién pondrá la propuesta para las nuevas facilidades y sistemas computariza-
dos, que son una parte clave en el desarrollo de capacidades en el área recién establecida en
la estrategia escogida? ¿Quién comunicará la nueva estrategia a los trabajadores y cómo? Sin
embargo, el desafío que enfrenta el equipo de decisión es convertir una decisión en un plan de
acción que va más allá de la complejidad operativa. El equipo de trabajo debe enfrentar otro
obstáculo poderoso, la resistencia humana al cambio. Su resistencia se deriva de las amenazas
de competencias existentes, cambios en los prospectos profesionales, alteraciones de sistemas
existentes, y cambios en las relaciones y en el poder. Planes de cambio exitosos deben anticipar
los asuntos humanos, que resultan de cualquier cambio significativo en la estrategia. A través
de haber logrado el acuerdo y compromiso con el camino escogido, estamos bien posicionados
para un cambio exitoso y así lograr la transformación organizacional si fuera necesaria.
El resultado de este paso es un plan integral que incluya los planes de acción necesarios
para cada unidad de la organización afectada, hitos medibles con los planes para 'monitorear'
el desempeño, métodos de capacitación, proyectos de recursos humanos y presupuestos.
La modalidad de fracaso más común en esta etapa es la separación de la decisión de la
asignación de recursos. Si es en el proceso de aprobación del presupuesto de la compañía donde
usualmente "se toman las decisiones estratégicas reales", la administración financiera debe ser
miembro clave de ambos equipos desde el inicio del proceso. Para asegurar que la decisión tiene
adecuados recursos comprometidos, el plan y presupuestos son presentados al equipo decisor
para su aprobación.
Implementar la estrategia escogida

El esfuerzo cambia hacia las cuestiones relacionadas con la implementación y aspectos
operativos. A través de brindar una dirección clara, el proceso de diálogo decisional libera y
canaliza las energías para la implementación. Esto es un empoderamiento, mientras se preserva
la alineación organizacional.
vemos la administración del cambio como una extensión necesaria de la administración
estratégica, para estar seguros de que la organización logre el valor completo de su proceso de
toma de decisiones. Una vez que la estrategia es escogida, si la organización solicita asistencia
en el esfuerzo de implementación, los consultores decisionales participarán en el proceso de
cambio tanto como sea necesario para realizar el valor potencial de la decisión.
• 41 •
ii. PrOBLEmAs
1. ¿Cuáles son las características del entorno de la toma de decisiones?
2. ¿Con qué recursos cuenta el hombre para tomar decisiones?
3. Determine cuáles de las siguientes afirmaciones son verdaderas o falsas:
• Una buena decisión es aquélla que tiene un buen resultado.

• Al usar el Análisis de Decisiones, el entorno en que se toman las decisiones sigue siendo
el mismo: incierto, dinámico, complejo, competitivo y finito.
• El Análisis de Decisiones se enfoca en la administración operativa, pues ésta tiene como
propósito el mejoramiento continuo de los procesos.
• Lograr calidad en las operaciones es suficiente para asegurar el éxito global del negocio.
• obtener la información relevante acerca de cada estrategia, es obviamente crucial, pero
frecuentemente conseguimos la información que sabemos cómo obtener y no la infor-
mación realmente necesaria para tomar una decisión de calidad.
• El 100% de calidad en cada uno de los requerimientos de calidad decisional es definido
como el punto en el cual los esfuerzos adicionales no justifican el costo.
• Las preferencias con respecto al riesgo se refieren al valor que se asigna a los resultados
que están distribuidos a través del tiempo.
4. ¿En qué se diferencia el proceso de toma de decisiones intuitivas del que ofrece el análisis
de decisiones?
5. Describa un problema de decisión en el cual tomó una buena decisión en presencia de in-
certidumbre. ¿Tuvo un resultado bueno o malo? ¿Puede dar un ejemplo de una mala decisión
cuyo resultado fue bueno?
6. ¿Cuáles son las bases fundamentales de toda decisión?
7. ¿Cómo se clasifican las preferencias? Comente brevemente cada una.
8. ¿Cuáles son los niveles del Análisis de Decisiones? ¿En qué consisten?
9. ¿Qué se requiere para alcanzar la Calidad Total verdadera?
10. ¿Por qué es importante alcanzar calidad en el contenido y en el personal para alcanzar Calidad
Decisional?
11. ¿Cuáles son los requerimientos de Calidad Decisional? ¿Cuál de éstos es el más importante?
• 42 •
12. ¿Qué roles son requeridos para que el proceso de toma de decisiones sea eficiente y bien
balanceado? ¿Cuáles son las funciones de cada uno de los equipos? ¿Qué características
deben tener los integrantes de los equipos?
13. ¿Cuáles son los pasos que describen el proceso denominado Culebra? Explicar brevemente
cada uno.
• 43 •
CAPÍTULO 3
METODOLOGÍA DEL ANÁLISIS

DE DECISIONES
• Introducción
• El ciclo del Análisis de Decisiones
• Estructuración del Problema de Decisiones
• Análisis determinístico
• Análisis probabilístico
• Interpretación de resultados
• Problemas
• 45 •
3.1 INTRODUCCIÓN
Tomar decisiones estratégicas a menudo requiere considerar grandes incertidumbres, períodos

largos y preferencias complejas. Como se vio, la disciplina del Análisis de Decisiones comprende
la filosofía, teoría, metodología y práctica profesional necesarias para formalizar el análisis de
las decisiones estratégicas.
En este capítulo se presenta la metodología del Análisis de Decisiones de la Escuela de
Stanford, la cual fue presentada por Ronald Howard por primera vez en 1966. Se recordará que
el Análisis de Decisiones -el último eslabón en las metodologías cuantitativas para la toma de
decisiones- puede ser brevemente descrito como la fusión de la Teoría de Decisiones y el Análisis
de Sistemas. El resultado es una metodología que permite analizar problemas que se caracterizan
por ser inciertos, dinámicos y complejos.
La Teoría de Decisiones presenta conceptos básicos que incorporan la incertidumbre en el
análisis, pero están limitados a tratar situaciones simples y bien estructuradas. Cuando los estu-
diantes de esa disciplina pretenden aplicar lo aprendido a problemas de decisión del mundo real,
lo más probable es que se vean desalentados al enfrentar las complejidades que existen aún en
los problemas prácticos “más simples”. Lo que hace falta es una metodología para estructurar
y modelar los problemas de decisión, lo cual rara vez se enseña en los cursos de Teoría de De-
cisiones. Esta necesidad es mucho mayor cuando se trata de decisiones complejas en las cuales
la pericia y el conocimiento de muchas personas y grupos deben ser combinados.
Para tratar con los problemas complejos del mundo real, el Análisis de Decisiones usa un
enfoque cíclico: el ciclo del Análisis de Decisiones, un procedimiento que puede servir como
marco de referencia para tratar diferentes problemas de decisión.
En el siguiente punto se explica este ciclo en términos generales, para luego describir en
detalle cada una de las fases que lo conforman.
3.2 EL CICLO DEL ANÁLISIS DE DECISIONES
La aplicación del Análisis de Decisiones a menudo toma la forma de un procedimiento iterativo.

El ciclo del Análisis de Decisiones no es un método que deba seguirse de una manera rígida e
inflexible para tratar todos los problemas de decisión, sino que es un medio para asegurar que
todos los pasos esenciales sean considerados.
Como ilustra la figura 3.1, el procedimiento consta de cuatro fases: estructuración, análisis
determinístico, análisis probabilístico e interpretación de resultados. La fase de estructuración se
ocupa del enmarcamiento del problema de decisión y del desarrollo de las bases de la decisión:
alternativas, información y valores. El análisis determinístico caracteriza las relaciones entre las
variables en modelos formales y asigna valores a los posibles resultados. La importancia de las
diferentes variables del problema es medida usando el análisis de sensibilidad, sin considerar la
incertidumbre en forma explicita y consistente.
• 46 •
• Capítulo 3 • Metodología del Análisis de Decisiones
Figura 3.1: El ciclo del Análisis de Decisiones
Conocimiento Análisis Análisis Interpretación de

Inicial
Estructuración
Determinístico Probabilístico Resultados
Decisión
Iteración
El análisis probabilístico comienza por incorporar la incertidumbre en forma explícita, al

asignar probabilidades a la ocurrencia de los diferentes valores que pueden tomar las variables
importantes, identificadas en el análisis determinístico. Estas distribuciones de probabilidades
son incorporadas al modelo. Como consecuencia, el resultado final también se representa por
una distribución de probabilidades. Después de evaluar y tomar en cuenta la actitud del decisor
con respecto al riesgo, se establece la mejor alternativa. Es decir, el objetivo de esta tercera
fase es determinar la mejor decisión de acuerdo con la información relevante, las alternativas
disponibles y las preferencias explícitas del decisor.
En la fase de interpretación de resultados, se revisan los resultados de las fases anteriores
para establecer el valor económico atribuible a la posibilidad de eliminar la incertidumbre en
cada una de las variables importantes del problema. Este valor se convierte en un marco de
referencia para comparar los costos de obtener información adicional y determinar si hacerlo
es rentable. Si existen fuentes de información rentables, entonces se optará por recolectar
información adicional antes de tomar la decisión.
Diseñar y ejecutar un programa de recolección de información es el siguiente paso. Dado que
usualmente la nueva información implica revisar el análisis original, las cuatro fases del ciclo
deben repetirse. Por lo general, el trabajo adicional para incorporar las modificaciones es poco
y la evaluación puede ser ejecutada rápidamente. Una vez más, antes de tomar la decisión, se
evalúa la rentabilidad de recolectar nueva información. De manera eventual, el valor de recolectar
información adicional será menor que su costo; en este punto se tomará la decisión.
A lo largo de todo este procedimiento, el análisis se centra en la decisión y el decisor. Es
decir, se considera valioso ampliar el análisis siempre y cuando este esfuerzo ayude al decisor
a tener mejores elementos de juicio para escoger entre las alternativas disponibles. En general,
el procedimiento iterativo del ciclo del Análisis de Decisiones debe repetirse por lo menos dos o
tres veces. En cada iteración, el análisis debe desarrollarse sucesivamente y refinarse hasta que
refleje el mejor criterio y pericia del analista y el personal involucrado, teniendo en cuenta que
el nivel de esfuerzo debe ser conmensurable con el tamaño e importancia del problema.
En un análisis que tome varios meses, la iteración preliminar debe llevarse a cabo en las
primeras semanas, para tener una idea global del alcance y estructura del problema. Depen-
diendo de la situación, y en cierta medida del analista, puede realizarse una segunda iteración
preliminar antes de llevar a cabo el análisis definitivo, el cual demandará la mayor parte del
trabajo. Es necesario programar tiempo para una iteración final que dará la oportunidad para
volver a revisar la formulación del problema y los resultados del análisis, y para efectuar cual-
quier modificación.
• 47 •
Este procedimiento posibilita minimizar el tiempo y esfuerzo requeridos. Por ejemplo, si bien la
primera iteración no produce resultados definitivos, da una idea de cuánta información adicional
será requerida y cómo lograr una mayor estructuración del modelo. Además, realizar iteraciones
múltiples minimiza los errores prácticos que a menudo surgen de un análisis de decisiones, como
son considerar el problema equivocado, concentrarse en los factores incorrectos, construir un
modelo no adecuado, recolectar información no relevante y tratar con la gente no apropiada.
La mayor parte del trabajo analítico y la recolección de información se realizan durante la
iteración principal. El tiempo invertido en esta iteración varía tremendamente, dependiendo del
problema. Sin embargo, puede afirmarse que en un análisis típico, la iteración principal tomará el
50 por ciento del tiempo total; la inicial, un 25 por ciento; y la iteración final y la preparación de
las presentaciones al cliente, el otro 25 por ciento. Normalmente, debe haber una presentación
después del análisis determinístico de la iteración principal y otra al final del análisis. Durante
la iteración principal, el esfuerzo suele ser dividido equitativamente entre construir el modelo y
recolectar la información requerida por dicho modelo.
3.3 ESTRUCTURACIÓN DEL PROBLEMA DE DECISIONES
El objetivo principal de esta fase, como su nombre lo indica, es estructurar el problema de

decisión e identificar las variables cruciales utilizando dicha estructura. Estructurar el problema de
decisiones consiste en transformar una situación nebulosa y opaca en una transparente y clara al
decisor y sus expertos. Los errores más comunes al hacerlo son: analizar el problema equivocado
(error de tipo III1), o analizar el problema correcto pero de una manera muy complicada.
Para evitar estos errores, en esta fase se busca enmarcar el problema adecuadamente,
para luego generar alternativas creativas, identificar las variables de resultado y finalmente ver
cómo interactúan estas variables para lograr los resultados deseados, usando los diagramas de
influencia (o mapas de conocimiento).
DEfINIR y DELImITAR EL PRobLEmA DE DECISIóN:

LogRAR EL mARCo APRoPIADo
Este primer paso implica determinar los recursos que podrán asignarse, lo cual, a su vez, está
relacionado con el nivel organizacional que tomará la decisión. Por medio de entrevistas y reunio-
nes con el personal clave –el decisor y sus expertos– el analista puede identificar la decisión o
decisiones principales. Con frecuencia, inicialmente los decisores se concentran en las decisiones
operacionales o tácticas. El analista debe lograr que el enfoque cambie hacia las decisiones estra-
tégicas fundamentales. En lugar de centrarse en “cómo hacer mejor lo que se está haciendo”, el
interés de los decisores debería estar en “lo que sería necesario estar haciendo”. Una manera de
identificar las decisiones claves es pedir al decisor describir muy sucintamente el problema, de tal
manera que pueda ser comprendido por cualquier persona ajena a dicho problema.
1
En la estadística inferencial se habla de error de tipo I al rechazar una hipótesis verdadera y error de tipo II, al aceptar
una hipótesis falsa. En el análisis de decisiones se habla del error de tipo III: resolver el problema equivocado. La historia
está llena de errores de tipo III.
• 48 •
Por eso, es necesario contar con un marco apropiado que garantice la resolución del problema
correcto, de la manera correcta y con los recursos correctos. Para lo cual es preciso tener en
cuenta tres aspectos: el propósito, que define lo que se espera alcanzar; la perspectiva con que
se atacará el problema, es decir, los supuestos y el contexto aceptado como dado; y el alcance,
que determinará los límites del esfuerzo.
Para cada uno de estos aspectos existen herramientas, tales como la visión del esfuerzo,
el listado de cuestiones y la jerarquía decisional2, respectivamente. Una vez que se tenga claro
cuál es el propósito con la visión del esfuerzo, se podrán identificar los factores relacionados
al problema de decisión con el listado de cuestiones, y finalmente, definir el alcance usando la
jerarquía decisional, categorizando las decisiones identificadas en el listado de cuestiones.
Cuando las decisiones estratégicas principales hayan sido identificadas usando la jerarquía
decisional, será posible retirar del análisis un buen número de las decisiones operacionales o
tácticas. Se asumirá que se tomarán las decisiones operacionales usando la pericia habitual del
decisor y sus colaboradores.
gENERAR ESTRATEgIAS ALTERNATIvAS CREATIvAS y vIAbLES

Una vez identificadas las decisiones estratégicas, también será necesario generar un rango
de alternativas significativamente diferentes para cada una de las decisiones. El listado de las
alternativas percibidas por el personal clave permitirá establecer si se enfrenta un problema real
de decisión o si se trata de una simple preocupación.
Luego, se debe hacer un esfuerzo por generar estrategias alternativas creativas, lo cual
puede ser una tarea muy difícil y desafiante, pero es también la parte más creativa del Análisis
de Decisiones.
Un problema común en el desarrollo de alternativas creativas es la tendencia a evaluar
solamente algunas alternativas fundamentalmente similares. Usando métodos heurísticos y
talleres participativos con la asistencia del personal clave, las corporaciones pueden estimular
la creatividad requerida para generar alternativas nuevas. Un ejercicio simple que a menudo
produce respuestas creativas es imaginar que uno se encuentra en un punto en el futuro, se
mira hacia atrás y examina críticamente la situación actual. Es decir, considerar el problema
retrospectivamente, desde el futuro.
Si bien nuevas alternativas pueden surgir de conceptos nuevos, con frecuencia serán el
resultado de combinar algunas de las opciones ya existentes. Introducir una nueva alternativa
nunca hará que el problema sea menos atractivo para el decisor. Puede ser, incluso, que esta
nueva alternativa sea claramente la preferida por él y que, como consecuencia, descarte la
necesidad de hacer un mayor análisis.
Para facilitar la generación del mayor número de alternativas posibles, se utiliza la tabla de
generación de estrategias, pues permite una buena organización del problema. Con esta herramienta
se generan diversas opciones para cada una de las decisiones estratégicas identificadas con la
jerarquía decisional. A partir de las diferentes opciones para cada una de las áreas de decisión,
se podrá crear las estrategias alternativas al escoger una opción de cada área de decisión. Una
descripción y uso de estas herramientas se presenta en el capítulo 10.
2
Estas herramientas son desarrolladas con mayor detalle en el capítulo 10.
• 49 •
DETERmINAR LoS RESULTADoS y LA mEDIDA DE vALoR

El tercer paso de la fase de estructuración es identificar las variables de salida suficientes
para describir los resultados de las diferentes alternativas; es decir, de los eventos subsecuentes
que determinarán lo deseable de las consecuencias finales de la decisión. Estas variables pueden
incluir: volúmenes de producción, acción del gobierno, etcétera. Existe cierta arbitrariedad para
designar cuáles serían las variables de salida. Sin embargo, en el contexto del análisis de una
decisión, un resultado es algo que al decisor le gustaría saber en retrospectiva, para conocer lo
que pasó con el problema. Por ejemplo, si se trata de introducir un nuevo producto en el mer-
cado, el resultado puede ser expresado como los niveles de venta y los costos de producción, o
el valor presente neto del flujo de ingresos netos en la vida del producto; si fuese un problema
médico, el resultado podría ser tan simple como si el paciente murió o no.
En general, se toma una decisión para lograr algo que valoramos. El desafío es clarificar qué
significa valor en un contexto dado y cómo lo medimos. Por ejemplo, al desarrollar estrategias
alternativas para prever y controlar la fiebre amarilla, las medidas de valor serán el número de
enfermos y muertos por un lado, y los costos totales de las estrategias por el otro. Estos valores/
resultados son conflictivos3, por lo que es necesario ayudar al decisor a establecer el balance
entre ambos, que exprese sus preferencias con respecto a estos resultados conflictivos (se
puede disminuir el número de muertos con una vacunación universal, pero los costos subirán
fuertemente). En la fase de análisis determinístico se profundiza este aspecto de clarificar la
medida de valor.
CoNSTRUIR UN DIAgRAmA DE INfLUENCIAS

El cuarto paso es construir un diagrama de influencias que relacione las alternativas posibles
con las incertidumbres (factores fuera del control del decisor) y los resultados definidos en los
pasos anteriores. Los diagramas de influencias pueden ser usados para analizar problemas de
decisión de la misma manera que los árboles de decisiones. Este texto se centra en la capaci-
dad de los diagramas de influencias para convertir una situación confusa en un problema bien
estructurado.
El diagrama de influencias es una herramienta conceptual que puede servir como ayuda
efectiva de comunicación para captar y evaluar la experiencia de los decisores y sus expertos,
y también como una base rigurosa para crear el modelo estructural y evaluar las probabilidades
de ocurrencia de los diferentes factores fuera del control del decisor involucrados en el análisis.
El diagrama de influencias muestra todas las variables relevantes del problema y las flechas
que van de una a otra indican la dirección de la influencia. En el capítulo 7 se presenta esta
herramienta en forma detallada.
3
Resultan conflictivos porque si quisiéramos reducir el número de muertes/enfermos, incurriremos en mayores costos.
Así, por ejemplo, puede realizarse lo que denominé en el trabajo citado ut infra una vacunación universal, es decir,
masiva. Y efectivamente lograríamos eliminar la fiebre amarilla, pero los costos se incrementarían enormemente. En
Diseño y Evaluación de Estrategias Alternativas para la Prevención y Control de la fiebre Amarilla en el Perú para el
período 2001-2010, MINSA-USAID, 2000, Lima.
• 50 •
3.4 ANÁLISIS DETERMINÍSTICO
En esta fase se construye un modelo financiero en hojas de cálculo, para identificar con
mayor rapidez las variables cruciales. Si bien no existe un procedimiento que garantice el éxito,
la mayoría de los análisis exitosos tienen una serie de elementos comunes. Estos pueden ser
clasificados en dos grandes grupos: los esfuerzos orientados al modelaje y los destinados al
análisis. ver la figura 3.2.
Figura 3.2: Los elementos del análisis determinístico
MODELAJE
• Seleccionar las variables del sistema
• Crear el modelo estructural
• Crear el modelo de valores
• Crear el modelo de preferencias con respecto al tiempo
ANÁLISIS
• Medir la sensibilidad de las variables del sistema
moDELAjE
Es el proceso por el cual se representan las diferentes relaciones del problema de decisión
en términos formales, por ejemplo, matemáticos. Se pueden considerar hasta cuatro elementos
o pasos en este proceso, dependiendo del tipo de problema en análisis.
Seleccionar las variables del sistema

Al relacionar los resultados del problema con las alternativas -usando el diagrama de in-
fluencias- se trata de definir los factores que son relevantes para la decisión; es decir, se entra
en el proceso de seleccionar entre las variables del sistema, aquéllas de las cuales dependen los
resultados. Se pueden clasificar en variables de decisión y variables aleatorias o incertidumbres.
Las variables de decisión son las que están bajo el control del decisor. Seleccionar una alternativa
es, en realidad, especificar el valor que toma la variable de decisión. Por ejemplo, en un proyecto
de exploración y explotación de un lote petrolero, realizar una prueba sísmica y el número de
pozos a perforar son ambas variables de decisión.
Las incertidumbres están determinadas por el entorno o medio ambiente del problema en
cuestión. A pesar de que pueden tener un gran efecto en los resultados, son autónomas y están
fuera del control del decisor. En el caso del proyecto de exploración petrolera, las reservas del
• 51 •
lote, los costos de perforación y el precio del petróleo cuando el pozo entre en producción, son
algunas variables de incertidumbre.
Al construir el diagrama de influencias, las variables de incertidumbre se presentan con un
círculo que contiene su nombre. Una flecha apuntando al círculo significa que las probabilidades
de esta variable dependen de la cantidad consignada al otro extremo de la flecha.
Por otro lado, las variables de decisión se representan con un rectángulo, y una flecha apun-
tándole muestra la información disponible en el momento que se toma la decisión. En ambos
casos, la variable en la base de la flecha “influye” sobre aquélla a la cual apunta.
Definir las variables de incertidumbre es un proceso de refinamiento sucesivo, en el cual
identificar e introducir una nueva variable al sistema está restringido por consideraciones re-
lacionadas a la importancia del problema y la contribución que pueda tener esta variable en el
análisis. Por ejemplo, es obvio que el problema de decisión relacionado con explorar y explotar
petróleo puede justificar económicamente el uso de muchas más variables que el problema de
abrir una nueva sucursal de la compañía. ¿Cuándo se dejan de añadir nuevas variables al diagrama
de influencias? Cuando se alcance un nivel de detalle que permita usar la intuición y el criterio
para hacer valoraciones significativas. Normalmente, un problema de decisión importante puede,
en principio, contener hasta 50 ó 60 variables que serán reducidas a 10 ó 20 debido a conside-
raciones técnicas, económicas, lógicas y de viabilidad. finalmente, podrían ser disminuidas a 5
ó 10 después de realizar el análisis de sensibilidad que se describe más adelante.
Los diagramas de influencias ayudan a identificar las variables cruciales del sistema. Pueden
ser usados durante sesiones individuales o en talleres con la participación del personal clave. Es
importante recalcar que, gracias a su uso, las personas que no tienen entrenamiento cuantitativo
a menudo contribuyen entusiasta y productivamente en esta etapa del análisis.
Crear el modelo estructural

El segundo paso en la fase de análisis determinístico es crear el modelo estructural que
especifica las relaciones entre los resultados y las variables de decisión e incertidumbre. En
general, es el paso más importante en esta fase y usualmente consume la mayor proporción
de tiempo en todo el análisis. Este modelo debe expresarse en un lenguaje lógico-matemático,
por lo general, en un conjunto de ecuaciones que relacionen las variables del sistema. Para
lograrlo se parte del diagrama de influencias, el cual permite al analista enterarse rápidamente
de cuáles son las relaciones importantes y lograr la recolección sistemática de información de
las diferentes divisiones de la organización.
Después de identificar las relaciones entre las variables, la tarea es representarlas en
ecuaciones. En la mayoría de los problemas de decisión, estas ecuaciones formarán la base
para un programa computarizado que represente el modelo. Este programa permitirá evaluar
rápidamente y a bajos costos sus características.
El criterio principal para construir el modelo es que sea lo suficientemente preciso para
distinguir entre las diferentes alternativas. No es necesario que represente el mundo real con
absoluta precisión. muchas veces los modelos preexistentes en las corporaciones son tan com-
plejos y detallados que su manejo toma mucho tiempo y esfuerzo. Usualmente se concentran en
cantidades importantes para la operación cotidiana de la empresa, pero no son relevantes para
tomar decisiones estratégicas. Por ello, el Análisis de Decisiones casi siempre crea un nuevo modelo
que describe el problema de una manera clara, simple y directa. Una vez que se toma la decisión,
• 52 •
la mayor parte del modelo se torna irrelevante para el análisis de futuros problemas. Se puede
afirmar que es necesario construir un modelo específico para cada problema de decisión.
El enfoque del Análisis de Decisiones aquí descrito permite refinar sucesivamente el modelo
a medida que se realizan las iteraciones del ciclo. Por lo tanto, debe tenerse en cuenta que el
modelo no tiene por qué ser perfecto en su versión original. La presencia de incertidumbres
ocasionará que sus resultados tengan diferencias potencialmente importantes y que su precisión
sea poco importante. Entonces, como se ha señalado, la función principal del modelo es distinguir
sistemáticamente entre las alternativas.
muchas veces se dice que el modelo debe ser completo hasta el punto de convencer al decisor
y sus expertos sobre su precisión. Este argumento es una mala justificación para construir uno
muy complejo. Al contrario, a menudo los decisores sospechan que los modelos muy complejos
son “cajas negras” en las cuales se esconden toda clase de errores o supuestos incorrectos. Un
modelo bien desarrollado rara vez es rechazado por ser muy simple, ya que los simples, al ser
fáciles de entender, tienen la ventaja de brindar una mayor comprensión del problema. Esto
ayuda a generar nuevas alternativas.
Clarificar valores
El tercer paso en el análisis determinístico es asignar valores a los resultados de la decisión.
Como se dijo, generalmente estos resultados pueden ser descritos por un conjunto de variables;
por ejemplo, el nivel de ventas y los costos de producción. Entonces, se debe establecer una sola
medida de valor para este conjunto de resultados.
En los problemas de negocios, la medida básica será alguna de rentabilidad. Determinar
este valor implica considerar el balance entre los diferentes resultados. En general, para
mantener consistente la formulación se debe establecer la diferencia entre un resultado y su
valor. Por ejemplo, en un problema médico que involucre la necesidad de amputar un brazo,
las consecuencias posibles pueden ser la recuperación completa, parcial o la muerte. Estos
resultados pueden hacer que se realice o no la operación. Hasta este punto, se han descrito
los resultados pero no se han determinado sus valores. Por ejemplo, si el paciente es un
economista, puede considerar la muerte como la consecuencia más seria y estar dispuesto a
someterse a la amputación de su brazo si la operación redujera suficientemente la probabili-
dad de morir. Estas apreciaciones podrían basarse en que el brazo no le es indispensable para
ejercer su profesión. Pero si el paciente es un pianista, la amputación podría ser peor que la
misma muerte, dado que una vida sin la posibilidad de tocar el piano le sería insoportable.
Consecuentemente, el pianista será racional al rechazar la amputación, a pesar de que esta
elección hará que su muerte sea más probable. Aunque el ejemplo puede parecer exagerado,
ilustra el hecho de que la asignación de valores a los resultados de la decisión es específica
de cada decisor.
En algunos casos la decisión puede tomarse sobre la base de ordenar los resultados en tér-
minos de su atractivo; sin embargo, la mayoría de los problemas de interés práctico requieren
de un sistema que permita asignar valores numéricos a cada uno de los resultados. Puede haber
muchos elementos de valor que definan un resultado, pero todos deben ser resumidos de manera
que la asignación final de valor sea un solo número asociado con ese resultado.
Como se explicó, en situaciones económico-financieras o comerciales los resultados pueden
expresarse en términos monetarios para simplificar las comparaciones relativas, y obtener así
• 53 •
un único valor, que usualmente indica una medida de rentabilidad4. En otras situaciones, como
al analizar problemas personales, salud, sociales o militares, la asignación de valores es más
difícil, pues muchas veces requerirá medir en términos monetarios el valor de una vida humana
o de una vida saludable. A pesar de que evaluar los resultados puede ser muy difícil, la lógica
demanda que sean enfocados directamente en términos monetarios.
Establecer las preferencias con respecto al tiempo

El último paso en la creación del modelo determinístico consiste en especificar las preferencias
del decisor con respecto al tiempo. Estas preferencias se refieren al valor que se asigna a cada
uno de los resultados cuando están distribuidos en el tiempo y describen el fenómeno humano de
la impaciencia. Todos desean que las cosas buenas sucedan lo antes posible. ¿Se está dispuesto
a aceptar un menor beneficio si puede obtenerse más pronto? El pago de interés en las cuentas
de ahorro y el cobro de interés en los préstamos son simples reflejos de este fenómeno.
En las decisiones estratégicas, muy a menudo los resultados se producen en un período
largo. Entonces, para representar los deseos de un decisor se requiere de un mecanismo
factible y eficiente que describa sus preferencias con respecto al tiempo; un mecanismo que
reduzca cualquier flujo de valores en el tiempo a un solo número llamado la equivalencia
presente. Este valor es tal que el decisor estará indiferente entre recibirlo inmediatamente o
esperar por el flujo de valores que se realice en períodos futuros. En muchos casos, el valor
presente del flujo de efectivo descontado a una adecuada tasa de interés puede usarse como
la equivalencia presente. La tasa de descuento depende de la relación que tenga la corpora-
ción con su entorno financiero. En otros casos, el flujo de efectivo resultante de un proyecto
puede tener un efecto mayor en la estructura financiera de la organización, y por tanto, será
necesario un análisis más detallado. Las preferencias del decisor con respecto al tiempo se
discuten en detalle en el capítulo 6.
Se ha visto cómo el modelaje en esta fase progresa de una exposición original del problema
de decisión hasta una descripción formal adecuada que pueda ser examinada en detalle usando
un análisis lógico y computacional. La asignación de valores y las preferencias del decisor con
respecto al tiempo permiten evaluar cualquier resultado que aparezca como un flujo de valores
en el tiempo.
ANáLISIS DE SENSIbILIDAD
El análisis en esta fase consiste en medir la sensibilidad de los resultados con respecto a los
cambios de valores en las variables del problema. Es decir, se centra en observar cómo estos
cambios afectan la equivalencia presente. Este análisis es muy efectivo para refinar la formu-
lación del problema.
Una de las tareas centrales al analizar la iteración principal es desarrollar suficientemente el
modelo de manera que genere resultados razonables para un caso base, el cual está definido por
los valores centrales de las variables de incertidumbre. Si las alternativas de decisión son muy
diferentes, podría ser necesario establecer un caso base para cada una. Si hay una incertidumbre
esencial del tipo éxito/fracaso, como en la introducción de un nuevo producto, el caso base
debe definirse asumiendo que se logrará el éxito. No es conveniente dedicar mucho esfuerzo
4
La medida adecuada de creación de valor es el VPN del flujo de caja neto. Ver Salinas (2008)
• 54 •
a establecer los valores del caso base, pues sólo son un punto de partida, un escenario entre
muchos. Por otro lado, es necesario que los valores sean lo suficientemente razonables para
evitar controversias innecesarias.
Los valores del caso base deberían idealmente representar el valor de la media de las variables
del problema. Es decir, que a criterio de la mayoría de las personas involucradas en el análisis, exista
una probabilidad de 0.5 de que el valor de la variable esté por encima de la media, y también una
probabilidad de 0.5 de que esté debajo de ella. En la práctica, sin embargo, los valores del caso base
son estimados utilizando los planes de la corporación, usualmente sesgados e injustificadamente
pesimistas u optimistas. A medida que el análisis avance, algún esfuerzo debe hacerse para lograr
fijar los valores del caso base a la media.
Además de calcular ésta para todas las variables importantes, se requiere establecer un rango
de valores por medio de entrevistas con el decisor y/o sus expertos: un valor bajo, próximo al primer
decil; es decir, que para el experto existe un 10% de probabilidad de que la variable sea menor;
y uno alto, el noveno decil, de modo que exista un 10% de probabilidad de que sea mayor. Estos
valores permitirán identificar las incertidumbres cruciales al utilizar el análisis de sensibilidad de-
terminístico, lo cual frecuentemente muestra que algunas incertidumbres consideradas importantes
al comienzo resultan ser relativamente insignificantes.
El análisis de sensibilidad determinístico comienza por evaluar el modelo con todos los
valores del caso base; el resultado será el caso base del modelo. Luego, se realiza un primer
análisis de sensibilidad con respecto a las variables de decisión; al permitir que una de ellas
recorra su rango asignado de valores mientras las otras permanecen fijas y se observa cómo la
equivalencia presente (EP), cambia. Si se encuentra que una variable de decisión en particular
tiene un efecto significativo en la EP, entonces se comprueba que fue correcto incluirla en la
formulación original. Pero si tiene poco o ningún efecto sobre la EP, se justifica removerla y se
dirá que se elimina una variable de decisión impotente.
El segundo análisis de sensibilidad se efectúa con respecto a las incertidumbres, las cuales
son aleatorias y están fuera del control del decisor.
Partiendo una vez más del caso base –es decir, con todas las variables fijadas en su valor
base– el modelo es evaluado al hacer cambiar uno por uno los valores bajos y altos de cada
variable, para generar las equivalencias presentes respectivas. La diferencia entre los valores de
EP generados es una medida de cuán sensible es el problema a la incertidumbre en la variable
bajo análisis. Si los cambios de una variable aleatoria tienen un gran efecto sobre la EP, entonces
su grado de incertidumbre merece una atención especial. Para enfatizar su carácter incierto,
se denotan como variables aleatorias. Por otro lado, si el efecto no es significativo; entonces
debe ser fijada en su valor base. En este caso, se dice que se convirtió en una variable fijada o
parametrizada.
Las variables de incertidumbre con el mayor efecto en la EP son las incertidumbres cruciales
que dominan el problema. Como tales, en la fase probabilística serán tratadas como incertidum-
bres explícitas, mientras que las otras serán fijadas en sus valores del caso base, aunque pueden
cambiar con las diferentes alternativas de una decisión.
A pesar de que el análisis de sensibilidad ha sido descrito como si sólo se preocupara de los
cambios de una variable a la vez, muchas podrían estar interrelacionadas y aún si individual-
mente aparecen poco importantes en el análisis de sensibilidad, su efecto conjunto podría ser
lo suficientemente grande para ser incluidas como variables aleatorias en la fase probabilística.
• 55 •
Dado que las posibilidades de combinar variables de incertidumbre que se pueden cambiar
conjuntamente crece de manera rápida con el número de variables originalmente consideradas,
el analista debe optar por hacer un análisis de sensibilidad conjunta de las variables altamente
correlacionadas entre sí. Las variables que resulten conjuntamente importantes serán incorpo-
radas en el árbol de decisiones –de la fase del análisis probabilístico– como nodos separados
y con probabilidades dependientes, o como un solo nodo conjunto que fije los valores de dos o
más variables en una rama.
A menudo las incertidumbres más significativas afectan de la misma manera a todas las
alternativas, lo cual origina que el resultado del modelo para cada alternativa varíe hacia arriba
y hacia abajo en la misma cantidad. Usualmente, las incertidumbres que afectan así a todas las
alternativas son variables macroeconómicas fundamentales. Para mantener el tamaño del árbol
de decisiones y dejar espacio para las incertidumbres que distinguen entre las alternativas, las
variables macroeconómicas pueden ser combinadas en uno o dos nodos. Cada rama del nodo
combinado representará un escenario en el cual las respectivas variables macroeconómicas han
sido determinadas.
Es necesario decir que para realizar el análisis de sensibilidad se debe contar con un pro-
grama de computación, ya que el modelo y los valores del caso base serán revisados después
de cada cambio. Los lenguajes y paquetes computarizados –como Lotus, multiplan, Excel, IfPS,
etcétera– brindan la capacidad necesaria para formular el modelo y el programa especializado
de Sensitivity® (es el acompañante de Supertree®)5 permite realizar el análisis en una forma
casi automática.
Como conclusión, es usual que sólo unas cuantas de las muchas variables de incertidumbre
originalmente consideradas sean identificadas como variables aleatorias cruciales. Esto es im-
portante para el proceso de modelaje en la fase probabilística, pues los modelos probabilísticos
con muchas variables son difíciles de manipular y su estimación resulta muy costosa debido a
la gran cantidad de información requerida. Por lo tanto, una tarea importante del análisis de
sensibilidad determinístico es eliminar las alternativas innecesarias y limitar el número de va-
riables de incertidumbre que son cruciales para la decisión. El análisis de sensibilidad también
puede dar un mejor entendimiento del problema, lo cual es valioso para refinar el modelo. Si es
altamente sensible a ciertas variables, éstas podrían ser desagregadas para mejorarlo.
3.5 ANÁLISIS PROBABILÍSTICO
Su objetivo principal es considerar explícitamente la incertidumbre en el análisis del problema

de decisión. Se usa el mismo modelo de la fase anterior, pero en lugar de considerar un solo
estimado determinístico para cada una de las variables de incertidumbre cruciales, se incorporan
distribuciones de probabilidades para estas variables. Ello permite establecer una distribución
de probabilidades para la equivalencia presente de los flujos de resultado de cada conjunto de
alternativas. Es decir, la fase probabilística explicita la incertidumbre que caracteriza tanto los
resultados como la equivalencia presente, debido a las variables aleatorias.
5
Supertree® y Sensitivity® son programas especializados que facilitan el análisis de decisiones, y fueron desarrollados
por Peter McNamee y John Celona cuando trabajaban en SDG en los 80’s. Estos programas están disponibles en la web:
www.supertree.net
• 56 •
La fase está dividida en una serie de pasos de modelaje y análisis, como muestra la figura 3.3.
El primero es asignar probabilidades a las variables aleatorias. Seguidamente, se construye un
modelo probabilístico que relaciona, para cada alternativa, la incertidumbre en la equivalencia
presente (EP) con las de las variables aleatorias. La distribución de probabilidades resultante
para la EP se llama lotería de rentabilidad.
Figura 3.3: Los elementos de la fase probabilística
MODELAJE
• Asignar probabilidades a las variables aleatorias
• El modelo probabilístico
• Desarrollar la lotería de rentabilidad para cada alternativa
• Evaluar la actitud frente al riesgo
• Determinar la mejor alternativa
ANÁLISIS
• Medir la sensibilidad estocástica
• Medir la sensibilidad al riesgo
Elegir entre un número de alternativas se reduce a escoger entre las loterías de rentabilidad.
En algunos casos la elección es clara porque una alternativa domina estocásticamente a las
otras. Es decir, existe una alternativa que para todos y cada uno de los niveles de rentabilidad
tiene una mayor probabilidad que las otras de exceder ese nivel. En otros casos será necesario
evaluar la actitud del decisor frente al riesgo. El resultado de ese procedimiento es que se sus-
tituye cada lotería por un solo número llamado la equivalencia cierta (EC), lo cual es un valor
tal que al decisor le es indiferente tenerlo por seguro o tener la lotería, que es una proposición
incierta. Luego, las diferentes alternativas pueden ser ordenadas de acuerdo a su EC e indicar
las preferencias del decisor. Este ordenamiento permitirá determinar la mejor alternativa.
La fase de análisis probabilístico, igual que la determinística, concluye con la realización de
un análisis de sensibilidad. En éste, el efecto que una variable tiene sobre el resultado es medido
considerando todas las otras variables como inciertas en lugar de fijarlas en sus valores base,
y permite medir la sensibilidad estocástica del resultado final, EC, con respecto a cada variable
aleatoria. Hay otra forma de realizar el análisis en esta fase: la sensibilidad al riesgo. Calcularla
determina en qué medida la equivalencia cierta de las alternativas más favorables depende de
la tolerancia al riesgo.
Como se ve, en esta fase se introducen una serie de conceptos que no deben ser familiares
para muchos lectores. Sus diferentes pasos serán tratados con mayor detalle más adelante.
• 57 •
moDELAjE EN LA fASE PRobAbILíSTICA

Asignación de probabilidades a las variables aleatorias
Ante la presencia de incertidumbres, en el análisis de una decisión se recurre al lenguaje
especial de probabilidades para lograr una adecuada comunicación. La interpretación subjetiva
y personal de las probabilidades es la piedra angular de la filosofía del Análisis de Decisiones. La
probabilidad es la valoración subjetiva hecha por un individuo sobre la ocurrencia de un evento.
Se basa en el estado de información del que dispone una persona en un momento dado, por lo
cual es común que dos personas asignen probabilidades diferentes al mismo evento y que esta
asignación pueda cambiar al disponerse de nueva información. Esto se explicitará en el acápite
sobre el valor de la información.
Evaluar las incertidumbres juega un papel muy importante en el Análisis de Decisiones,
puesto que es el proceso por el cual se extrae y cuantifica el juicio personal acerca de cantidades
inciertas. Además, brinda un medio claro de comunicación con respecto a la incertidumbre.
ya que el decisor es la persona responsable por el destino del problema bajo consideración,
el Análisis de Decisiones debe basarse en sus creencias y preferencias. También puede ser que
él designe a algunas personas como sus expertos para evaluar la incertidumbre en una variable
en particular cuando considere que ellos tienen una base de información más relevante. El de-
cisor puede aceptar la información del experto como válida para su análisis o bien modificarla,
incorporando su propio juicio.
En la práctica, los expertos son especialistas en diferentes áreas de la organización. Por
ejemplo, el decisor designará al jefe del Departamento de mercadotecnia para evaluar las incer-
tidumbres en los niveles de ventas, mientras que el personal del Departamento de Producción se
encargará de hacerlo con los costos de producción. Es posible que algunas variables requieran
de la opinión de especialistas externos a la organización. Sin embargo, es importante decir que
si bien una persona puede ser experta en un área particular del problema, no necesariamente le
será fácil expresar su conocimiento en términos de probabilidades. El analista debe usar técnicas
de evaluación que empleen conceptos simples para facilitar esta tarea.
En el capítulo 8 se presentan algunos problemas que surgen al asignar probabilidades y tam-
bién se describe el proceso de evaluar las opiniones de los expertos, en el contexto del Análisis
de Decisiones. Aquí se expone un resumen de las técnicas de evaluación más usadas. La práctica
muestra que la mayoría de personas tiene dificultad en expresar sus criterios con respecto a las
incertidumbres. Este problema desaparece cuando se les ofrece elegir entre eventos simples. Por
ello se han diseñado un proceso de referencia que ha probado ser útil en estas evaluaciones.
La rueda de probabilidades (figura 3.4) es un instrumento cuyo uso está muy difundido entre
los analistas de decisiones. Consiste en un disco con un puntero y dos sectores, uno azul y el otro
naranja, cuyos tamaños relativos pueden ajustarse. Para usarla, el analista selecciona un valor
de la variable en consideración y le pregunta al experto: ¿prefiere apostar a que el valor de la
variable será menor que el seleccionado o a que, cuando gire esta rueda, el puntero terminará
en la región naranja? Los tamaños relativos de las regiones azul y naranja son ajustados y la
pregunta se vuelve a repetir, hasta que una composición de los sectores es establecida y la opi-
nión del experto es ya indiferente. Es decir, que el analista encuentra el punto donde el experto
piensa que es idéntica la probabilidad de los dos eventos –que el valor de la variable sea menor
al del seleccionado y que el puntero termine en el sector naranja–. Una escala en la espalda de
la rueda muestra la probabilidad de estos eventos. Este valor es graficado como un punto en
• 58 •
un diagrama de dispersión. Repitiendo este proceso de evaluación para diferentes valores se

obtiene un conjunto de puntos al que pueda ajustarse una curva continua que representará una
distribución de probabilidades acumulada. ver el capítulo 8.
Figura 3.4: Rueda de probabilidades
Azul
Naranja
El modelo probabilístico desarrollado en esta fase consta de un árbol de decisiones y

utiliza el modelo determinístico para evaluar sus resultados finales. Para efectuar el análisis
del árbol de decisiones, se hace una aproximación discreta de las variables evaluadas a través
de fijar rangos que no se sobrepongan y cubran todos los posibles valores; es decir, rangos
mutuamente excluyentes y colectivamente exhaustivos. Entonces, se calculan las probabili-
dades de que un valor específico de la variable se encuentre en estos rangos y se escoge un
valor representativo para cada uno (media o valor esperado). Este procedimiento, que permite
transformar una variable continua en una discreta, se ilustra en la figura 3.5.
• 59 •
Figura 3.5: Evaluación y aproximación de la distribución de probabilidades de una variable

aleatoria
Probabilidad
Acumulada 1.0 c
0.9
Evaluación de incertidumbre
0.8 c
0.7
b
0.6
0.5
0.4 Aproximación discreta

b
0.3
0.2 a
0.1
a
0.0
V1 V2 V3
En consecuencia, se ha aproximado la distribución de probabilidades continua a la distribución

de probabilidades discreta, como se muestra en la forma de árbol en la figura 3.6.
Figura 3.6: Probabilidad discreta de una variable aleatoria
V1
0.25
V2
0.50
V3
0.25
Si dos variables aleatorias son dependientes en el sentido de que el conocimiento de los

valores que toma una de ellas brinda información relevante acerca de la distribución de pro-
babilidades de la otra, entonces evaluar las probabilidades de esta última estará condicionado
por los valores de la primera.
• 60 •
El modelo probabilístico
Este modelo expande el determinístico para incluir la asignación de probabilidades en las
variables aleatorias. Su propósito es desarrollar loterías de rentabilidad para cada alternativa.
Usualmente está compuesto por un árbol de decisiones y un “modelo financiero” (determinístico)
añadido a sus nodos finales.
El árbol de decisiones es una herramienta que representa gráficamente el proceso de la
decisión; está compuesto por nodos de decisión -representados por cuadrados pequeños- y
nodos de azar o aleatorios –representados por círculos pequeños–.
En cada nodo de decisión, el decisor debe elegir una alternativa, representada por una de sus
ramas. Seleccionar la mejor es equivalente a tomar la mejor decisión. En cambio, en los nodos
de azar, el decisor no puede elegir entre sus ramas, pues son “controladas por el azar”.
La estructura del árbol de decisiones representa la relación entre las diferentes variables del
problema y es fácil de construir cuando se tiene el diagrama de influencias bien especificado. Por
otro lado, el modelo financiero incluye el estructural, el de valores y las preferencias respecto
del tiempo de la fase de análisis determinístico.
generalmente el orden de las variables en el árbol de decisiones se basa en la conveniencia
de contemplar la información que se quiere analizar. La secuencia no tiene por qué seguir un
orden cronológico; sin embargo, si un conjunto de variables fuera dependiente en el tiempo,
entonces se debe seguir una secuencia. Cada nodo terminal en el árbol de decisiones representa
una secuencia de valores de las variables incluidas en su estructura. El modelo financiero deter-
minístico es desarrollado para calcular el efecto de cada secuencia -desde el nodo inicial hasta
el final- sobre la rentabilidad neta (medida de valor) o equivalencia presente. Tanto la estructura
lógica del árbol como el modelo financiero deben ser programados en una computadora, lo cual
permitirá analizarlo más rápido y facilitará revisarlo, lo mismo que al modelo financiero.
Supertree® es uno de estos programas especializados que facilitan el desarrollo de la lotería
de rentabilidad (o perfil de rentabilidad-riesgo), facilitando la elección de la mejor alternativa,
y luego permite el análisis de sensibilidad probabilístico. Existen otros programas, tales como
RiskDetective, DPL (Decision Programming Language), etc.
Desarrollo de la lotería de rentabilidad

Con el modelo probabilístico, que muestra cómo la EP, o resultado final, depende de las varia-
bles aleatorias, y habiendo caracterizado dichas variables con distribuciones de probabilidades,
se está en condiciones de calcular la distribución de probabilidades de la EP para cualquiera de
las alternativas disponibles, usando un programa especializado, como Supertree®. A esto se le
conoce como la lotería de rentabilidad, pues describe la incertidumbre en la EP como producto
de asignar probabilidades a las variables aleatorias para cualquier alternativa dada.
Como se vio, cada distribución de probabilidades evaluada se aproxima a una distribución
discreta. La aproximación es menos precisa cuando se utiliza un menor número de rangos. Sin
embargo, cuando se usa uno mayor, el tamaño del árbol de decisiones crece rápidamente, lo
cual hace más costoso el tiempo de computación. El análisis de sensibilidad debe encontrar el
balance adecuado al momento de determinar el nivel de aproximación. La práctica sugiere que
con dos a cuatro ramas para cada distribución se logra una buena aproximación. Cuando la
distribución de probabilidades sea bimodal, conviene usar dos ramas.
• 61 •
Cada nodo final del árbol representa un resultado que puede ser descrito por el valor de
las variables en el recorrido que comienza en el nodo inicial. Cada resultado se expresa en
una EP que ha sido calculada usando el modelo financiero determinístico. La probabilidad de
obtener esta EP está dada por el producto de las probabilidades en todo el recorrido, en base al
concepto de expansión en cadena, ver el apéndice del capítulo 4. Las equivalencias presentes
de los resultados, para cada alternativa, son ordenadas en forma creciente y la distribución de
probabilidades acumulada que representa la lotería para cada alternativa puede ser graficada.
Esta tarea la facilitan softwares especializados como Supertree®.
La lotería de rentabilidad es usada para comparar diferentes alternativas y seleccionar la
más deseable. Pero el problema es determinar cuál es la más conveniente para el decisor. Un
concepto importante para juzgar si una lotería de rentabilidad es mejor que las otras es el de
dominación estocástica, el cual se ilustra en la figura 3.7, que muestra las loterías de rentabilidad
para dos alternativas, tanto en la función de densidad de probabilidades como en la distribución
de probabilidades acumulada. Esta última muestra la probabilidad de que el valor de la variable
sea menor o igual que el graficado en el eje de las abscisas (P(X ≤ X0/e)).
Al comparar las distribuciones acumuladas de las alternativas A y b se aprecia que, para cualquier
valor de X, la probabilidad que b produzca una EP en exceso de X, es mayor que en la alternativa
A. En consecuencia, un decisor que prefiera más rentabilidad elegirá la alternativa b.
En resumen, si b tiene una probabilidad acumulada al menos igual que la alternativa A en
cualquier punto, y menor al menos en un punto, se dirá que la alternativa b domina estocástica-
mente a la de A. Si existe esta clase de dominación entre dos alternativas competitivas, no hay
necesidad de investigar las preferencias del decisor con respecto al riesgo, pues él racionalmente
eliminará las alternativas dominadas.
Sin embargo, si no existe dominación estocástica, las distribuciones de probabilidades
acumuladas de las dos alternativas se cruzarán, como muestra la figura 3.8. Si el decisor desea
maximizar su posibilidad de obtener al menos una suma pequeña de EP, preferirá la alternativa
A; si quiere hacerlo con la posibilidad de recibir al menos una suma grande de EP, elegirá la b.
En situaciones como ésta, cuando la dominación estocástica no existe, la preferencia del decisor
con respecto al riesgo debe ser evaluada formalmente, como se explica más adelante y en el
capítulo 9.
• 62 •
Figura 3.7: Dominación estocástica
Lotería de
rentabilidad Alternativa A Alternativa B
(función de
densidad )
EP
Lotería de
rentabilidad
(probabilidad
EP ≤ x)
A B
Figura 3.8: No existencia de dominación estocástica
Lotería de
rentabilidad
(probabilidad
A
EP ≤ x)
B
Evaluación de la actitud frente al riesgo

Si no existe dominación estocástica, el analista debe evaluar la actitud del decisor con res-
pecto al riesgo para poder determinar la mejor alternativa. La mayoría de personas es adversa
al riesgo; la actitud común es aceptar un valor por seguro, menor que el valor esperado de una
lotería. Por ejemplo, usualmente un individuo estará dispuesto a recibir $20,000 a lo seguro, en
lugar de aceptar participar en una lotería con igual probabilidad de ganar $60,000 o nada. Una
decisión racional basada en el valor esperado debería ser participar en la lotería, ya que su valor
esperado es de $30,000 (60,000*0.5 + 0*0.5). Pero la mayoría de las personas tomará los $20,000
• 63 •
porque es algo seguro. La naturaleza humana hace que la valoración subjetiva de recibir $60,000
no sea estrictamente proporcional a recibir los $20,000 cuando existe incertidumbre.
La actitud del decisor frente al riesgo debe ser medida independientemente del problema
de decisión bajo examen y sólo entonces ser incorporada en el modelo formal del análisis de
decisiones. Si el decisor está dispuesto a acatar un conjunto de axiomas con respecto a su
aceptación del riesgo, sus preferencias frente a éste podrán ser representadas por una curva
de utilidad, como se muestra en la figura 3.9. La curva asigna una utilidad a cada valor de la
EP y representa un termómetro de preferencias. Como consecuencia de los axiomas relativos
al riesgo, la valuación que haga el decisor de cualquier lotería de rentabilidad puede calcularse
multiplicando la utilidad de cada posible EP por su probabilidad, y luego sumar estos términos
para todas las posibles EP.
Figura 3.9: Una curva de utilidad típica
Utilidad
EP
Esta valoración se conoce como la utilidad esperada de la lotería de rentabilidad. En otras

palabras, la utilidad de una lotería es la utilidad esperada de sus EP. Si una lotería tiene una
utilidad esperada mayor que otra, entonces debe ser preferida por el decisor, si ha de ser consis-
tente con los axiomas por tanto, la curva de utilidad ofrece el método práctico para incorporar
la actitud frente al riesgo en el modelo formal. Así, cuando el analista de decisiones se enfrente
a dos alternativas cuyas loterías de rentabilidad no muestren dominación estocástica, calculará
la utilidad esperada de cada una y escogerá la que tenga una mayor.
Si bien la utilidad esperada sirve para escoger entre alternativas, su valor no tiene un sig-
nificado intuitivo en particular. Consecuentemente, después de calcular la utilidad esperada de
una lotería de rentabilidad, el analista se ve precisado a regresar a la curva de utilidad para
determinar el valor de la EP que le corresponde a esta utilidad esperada. A ese valor de la EP
se le conoce como equivalencia cierta o equivalente cierto (EC) de la lotería de rentabilidad.
El nombre surge de considerar la siguiente afirmación: si otra lotería produce una EC con una
probabilidad de uno, entonces ésta y la lotería original tendrán la misma utilidad esperada y, por
lo tanto, serán igualmente preferidas por el decisor. Ello se muestra en la figura 3.10.
• 64 •
Figura 3.10: El concepto de equivalencia cierta
EP Utilidad
A U(A)
p
Lotería
B U(B)
1-p
Indiferencia
C = EC de la lotería
U(c) = pU(A) + (1 – p)U(B) = U(EC)
En consecuencia, la equivalencia cierta de cualquier lotería de este tipo es la cantidad de

EP que se recibe por seguro, lo cual llevará al decisor a estar indiferente entre recibir esta EP y
participar en la lotería. Dado que casi todas las curvas de utilidad son funciones monotónica-
mente crecientes, el nivel de utilidad crece a medida que la EP aumenta. Por tanto, las loterías
de rentabilidad pueden ordenarse en términos de sus equivalencias ciertas y la mejor alternativa
es la que tiene la EC más alta.
Determinación de la mejor alternativa

El asunto básico en la fase probabilística es definir cuál es la mejor alternativa dada la
información disponible y las preferencias del decisor. La respuesta es muy simple: es aquélla
con la equivalencia cierta más alta. En este punto, el problema de decisión puede considerarse
resuelto. Sin embargo, un analista cuidadoso debe examinar las propiedades del modelo para
determinar su validez, y por tanto, no dará por concluido su trabajo. Por medio del análisis de
sensibilidad podrá establecer cuan dependiente es la EC de las variables aleatorias y del riesgo
en el contexto del modelo probabilístico, lo cual se verá en el siguiente acápite.
Si se asume que el decisor es neutral al riesgo, entonces la EC es igual al valor esperado,
con lo cual se simplifican los cálculos. Si no se puede asumir que el decisor es neutral al riesgo,
entonces su actitud con respecto al riesgo debe ser evaluada en la forma de una función de
utilidad y la mejor alternativa será la que tenga la utilidad esperada más alta.
Determinar las utilidades esperadas de las diferentes alternativas puede hacerse fácilmente
usando el árbol de decisiones. Se calculan resolviendo el árbol mediante el análisis de repliegue,
el cual se efectúa desde los nodos finales hacia el inicial, de derecha a izquierda del árbol. Se
estiman las equivalencias ciertas en los nodos probabilísticos y se elige la mejor alternativa en
cada nodo de decisión. La alternativa con la mejor EC será la elegida. Esta tarea, también, es
facilitada por Supertree®, como se verá en los capítulos 11 y 12.
• 65 •
ANÁLISIS DE SENSIBILIDAD PROBABILÍSTICO

El modelo de decisión se refina sucesivamente mediante el análisis de sensibilidad. En la fase
determinística, este análisis permitió identificar las variables de incertidumbre cruciales, a las
cuales se considera variables aleatorias; y en la fase probabilística, el modelo fue mejorado al
incorporar el aspecto de incertidumbre en forma explícita. Un mayor análisis de sensibilidad, esta
vez en el contexto del modelo probabilístico, ayuda a evaluar la incertidumbre y la actitud del
decisor frente al riesgo. También es factible hacer un análisis de las preferencias con respecto
al tiempo.
Análisis de sensibilidad estocástica

En esta fase se estudia el efecto que tienen en la decisión las diferentes variables del modelo
probabilístico. El procedimiento para medir la sensibilidad estocástica de las variables aleatorias
consiste en fijar una de ellas en un valor dentro de su rango y permitir que las otras cambien de
acuerdo con sus distribuciones de probabilidad condicional. El programa computarizado (e.g.,
Supertree®) producirá una lotería de rentabilidad y por tanto una EC para el valor especificado
de la variable bajo análisis. Al mover su valor de un extremo de su rango al otro, mostrará cómo
cambia el de la equivalencia cierta. Si la modificación en la EC es pequeña, habrá evidencia
suficiente para decir que la variable aleatoria bajo análisis no es estocásticamente importante y
bien podría convertirse en una variable fijada. En conclusión, la sensibilidad probabilística indica
en qué medida la EC depende de una variable aleatoria particular cuando las otras variables de
incertidumbre son consideradas con sus respectivas distribuciones de probabilidad.
Es posible que una variable aleatoria con alta sensibilidad determinística pueda tener una
pequeña sensibilidad probabilística. También puede darse que variables con poca sensibilidad en
la fase de análisis determinístico presenten una gran sensibilidad en la fase de análisis probabi-
lístico. Esto puede deberse a que las variaciones conjuntas de las incertidumbres y los cambios
en las distribuciones de probabilidades producen modificaciones potenciales mucho mayores
que las mostradas en la sensibilidad determinística, en la cual todas las otras variables fueron
fijadas en sus valores base.
El análisis de sensibilidad estocástica también ofrece una medida de la robustez del modelo,
en el sentido que presenta como varían los resultados finales –EC– de la decisión frente a los
cambios de las variables en un contexto probabilístico. Igual que en la sensibilidad determi-
nística, se puede medir la sensibilidad estocástica de varias variables simultáneamente cuando
son dependientes.
Análisis de sensibilidad al riesgo

En algunos casos es posible caracterizar la curva de utilidad por un solo valor, como es el
coeficiente de tolerancia al riesgo. En el capítulo 9 se discuten las circunstancias para que ello
sea posible. Cuando se da el caso, el coeficiente de tolerancia al riesgo, puede interpretarse como
una medida directa de la resistencia del decisor a aceptar el riesgo. Si dos personas comparten
la responsabilidad de un problema de decisión, aquélla con mayor coeficiente de tolerancia al
riesgo asignará una mayor equivalencia cierta a cualquier lotería de rentabilidad. Sin embargo,
cuando se calculen las equivalencias ciertas para todas las alternativas, puede suceder que ambas
coincidan en una que tenga para ellas la mayor equivalencia cierta. Entonces no habrá discusión
en cuanto al nivel de tolerancia al riesgo y toda posible fuente de controversia desaparecerá.
• 66 •
medir la sensibilidad frente al riesgo permite determinar cómo las EC de las alternativas más
favorables dependen del coeficiente de tolerancia al riesgo. El procedimiento es muy simple, pues
sólo se necesita recalcular la EC asociada a cada utilidad esperada, con diferentes constantes de to-
lerancia al riesgo. Supertree® tiene un comando que facilita este análisis de sensibilidad al riesgo.
El producto final de la fase probabilística es escoger la mejor alternativa como resultado de
estructurar el problema; del conjunto de alternativas generadas; de asignar probabilidades a
las variables aleatorias y valores a los resultados de la decisión; y de especificar las preferencias
con respecto al tiempo y al riesgo. Este procedimiento se ilustra con la pirámide de la jerarquía
del Análisis de Decisiones, en la figura 3.11.
Figura 3.11: La jerarquía del análisis de decisiones
valor
equivalencia
cierta
Modelo de
preferencia
frente al riesgo
valor EP
Modelo de preferencia
respecto al tiempo
variables de valor
Modelo de Valoración
variables de resultado
Modelo
estructural
fijadas Aleatorias Potentes Impotentes
variables de incertidumbre variables de decisión
variables del sistema
• 67 •
Sin embargo, puede ser necesario obtener información adicional antes de tomar la decisión.
Determinarlo es objetivo de la cuarta fase de la metodología del Análisis de Decisiones, llamada
fase de interpretación de resultados.
3.6 INTERPRETACIÓN DE RESULTADOS
El análisis de sensibilidad probabilístico brinda algún indicio de la información adicional que

será más valiosa obtener al identificar las variables más sensibles. La fase de interpretación de
resultados determina si vale la pena recolectar nueva información –lo cual obviamente tendrá
un costo– antes de tomar la decisión. Consiste en hacer un diseño experimental del cual muy
posiblemente pueda derivarse la elección de no recolectar información adicional. Sus elementos
se muestran en la figura 3.12.
Figura 3.12: Los elementos de la fase de interpretación de resultados
ANÁLISIS
• Medir la sensibilidad económica
Valor de la clarividencia
Valor de la información experimental
Valor del genio
MODELAJE
• Explotar la factibilidad de recolectar información adicional
ANáLISIS DE SENSIbILIDAD ECoNómICA

El propósito fundamental de la fase de interpretación de resultados es asignar un valor
monetario a la recolección de información adicional, que puede buscarse de muchas maneras:
en discusiones con expertos, estudios de mercado, plantas piloto, pruebas y otros, dependiendo
del contexto del problema. La información tiene dos características: un costo asociado con
ella y el no ser perfecta. Luego, el objetivo de esta fase es evaluar los diferentes esquemas de
recolección y comparar su valor con el costo de obtenerla.
Esta fase tiene, por tanto, la misión de guiar al decisor en la búsqueda de información que
mejore la calidad de su decisión básica. Ésta es una de las características extraordinarias del
Análisis de Decisiones, ya que el valor de la información no puede ser calculado sin un modelo
probabilístico bien fundamentado, que se base en el criterio y preferencias del decisor. Al mismo
tiempo, esa evaluación será fácilmente realizada usando la estructura del árbol de decisiones.
• 68 •
Valor de la Información Perfecta o Clarividencia

El primer paso en esta fase de información es calcular el valor de la información perfecta
cuyo concepto básico es la clarividencia. Asumiendo que existe una persona infalible capaz de
anticipar con toda certeza el valor que tomará una variable aleatoria, ¿cuánto estaría dispuesto
a pagar el decisor por sus servicios? Como la información del clarividente es libre de toda incer-
tidumbre, se le llama perfecta. Lamentablemente, al no existir clarividentes en el mundo real (al
menos no 100% exitosos), es virtualmente imposible obtener información perfecta.
Sin embargo, la información perfecta se puede considerar como un caso muy especial en
cualquier esquema para recolectar información adicional y existen dos razones para determinar
su valor antes de calcular el de cualquier información complementaria, que se sabe será im-
perfecta. Primero, representa el límite superior del valor de cualquier esquema de información
experimental, pues ésta necesariamente será menos valiosa que la clarividencia. Por ejemplo, si
se encuentra que el costo de un programa para recolectar información adicional, como puede
ser un estudio de mercado, es mayor que el valor de la información perfecta, no sería razonable
hacer ese esfuerzo. Segundo, si se tiene una serie de variables aleatorias, el valor de la informa-
ción perfecta de cada una sugerirá en qué instancia será conveniente planificar la recolección
de información. Si el valor de la información perfecta es bajo, no será rentable invertir recursos
adicionales en conseguir más información, puesto que los costos de obtenerla podrían superar
fácilmente el límite establecido por el valor de la información perfecta. En cambio, si el de ésta
es alto, podría ser útil dedicar algún esfuerzo a programas para mejorar la que se tiene.
El valor de la información perfecta es fácil de calcular una vez que la estructura del árbol
de decisiones ha sido establecida. Simplemente se cambia el orden de los nodos en el árbol,
colocando el nodo probabilístico que representa la resolución de la incertidumbre antes de
cualquier nodo de decisión. El resto del árbol permanece igual. Este procedimiento se detalla en
el capítulo 13, y se verá cómo Supertree® facilita la tarea.
Valor de la Información Imperfecta

En el segundo paso de la fase de interpretación de resultados se calcula el valor de la informa-
ción imperfecta o experimental. Se ha visto que, una vez determinado el valor de la información
perfecta para las diferentes variables aleatorias, se tendrá una guía para establecer en cuál de
ellas sería conveniente obtener mayor información imperfecta. Usualmente ésta se busca por
medio de “experimentos” que proporcionen información más actualizada acerca de los valores
que tomarán las variables aleatorias. Algunos ejemplos son la investigación de mercados, pruebas
médicas y plantas piloto. Estos experimentos permiten revisar o actualizar las probabilidades de
ocurrencia de los valores de las variables aleatorias. Por lo tanto, será muy fácil incorporar el
esquema de la información imperfecta en la estructura del árbol de decisiones como un nuevo
nodo probabilístico, que represente el resultado de recolectar la información y que estará ubicado
antes del primer nodo de decisión.
El nodo que representa la variable aleatoria permanece en su antiguo lugar en el árbol, pero
las probabilidades asignadas a las ramas que salen de él son las posteriores o revisadas, calcu-
ladas sobre la base de la información recibida del experimento y a partir de las probabilidades
que se tenían a priori, mediante el Teorema de bayes.
Si el decisor es neutral al riesgo calcular el valor de la información –perfecta e imperfec-
ta– es igual a la diferencia entre los valores esperados de las mejores alternativas, con y sin
• 69 •
información. En cambio, cuando tiene que considerarse la actitud del decisor frente al riesgo,
el cálculo es más complicado.
Si el valor de la información experimental es positivo, entonces representa lo máximo que
se debe pagar por ella. Si es negativo, significa que el programa de recolección de información
no es económicamente rentable.
Valor del Control Perfecto o del Genio

El tercer paso es calcular el valor del control, también llamado valor del genio. Este concepto
es valioso pues implica poder cambiar el futuro, asumiendo que existe un personaje (un genio)
capaz de cumplir los deseos, es decir, determinar el valor que tomen las incertidumbres. El cál-
culo de este valor tiene gran utilidad, ya que representa el límite de lo que se debería gastar en
controlar los procesos que tengan influencia en las incertidumbres. Es decir, ayuda a entender
la importancia relativa de las incertidumbres.
moDELAjE EN LA fASE DE INTERPRETACIóN DE RESULTADoS

La tarea de modelaje en esta fase consiste en identificar las alternativas relevantes para
recolectar información adicional y determinar si alguna de ellas tendrá una contribución rentable
para el problema de decisión. Al establecer el valor de la información no se consideró, en absoluto,
el costo de obtener la información adicional. Sin embargo, la necesidad de evaluar este costo para
todas las variables no es muy significativa, dado que el valor de la información perfecta identifica
las áreas o variables de mayor importancia. Un costo que sí debe considerarse es el de posponer
la decisión principal, debido a que el proceso de recolectar información toma tiempo.
Una vez que se ha recolectado información adicional, se realiza una nueva iteración del ciclo
del Análisis de Decisiones. Con ayuda de modelos computarizados, esta revisión puede realizarse
en un tiempo breve. Incorporar la información adicional puede llevar, por lo menos, a una nueva
asignación de probabilidades en las variables aleatorias. También podría resultar en un cambio
de la estructura básica del modelo. Cuando todas las modificaciones hayan sido incorporadas,
se repiten las fases determinística y probabilística para revisar las sensibilidades.
finalmente, repetir la fase de interpretación de resultados permite determinar si recolectar
la información adicional es rentable. En algún momento costará más de lo que vale; entonces,
la alternativa con la equivalencia cierta más alta será la elegida.
El proceso iterativo del ciclo del Análisis de Decisiones aquí descrito no se ajusta a un pro-
blema en particular sino a todos, de una manera conceptual. Por tanto, puede servir como un
marco de referencia (check list) cuando se trabaje en cualquier problema de decisión.
• 70 •
III. PROBLEMAS
1. ¿Cuáles son las fases del ciclo del Análisis de Decisiones? ¿Cuál es el propósito de cada una
de éstas?
2. ¿Cuáles son los errores más comunes al estructurar un problema de decisión?
3. ¿En qué se diferencian las variables de decisión de las variables aleatorias?
4. ¿Cuáles son los pasos para alcanzar una correcta estructuración de un problema de decisión?
5. Determine cuáles de las siguientes aseveraciones son ciertas y cuáles son falsas.
• El que un esfuerzo de desarrollo de estrategias esté bien enmarcado significa que se han
identificado las estrategias alternativas relevantes.
• La herramienta fundamental para la definición del marco es la tabla de generación de
estrategias.
• Es necesario plantear un modelo que tenga en cuenta todas las variables en cuestión y
que exprese cada una de las relaciones entre éstas. mientras más grande y complejo el
modelo, mejor.
• Si existe dominación estocástica entre las diferentes loterías de rentabilidad, es necesario
tener en cuenta las preferencias con respecto al riesgo del decisor para determinar la
mejor alternativa.
• La curva de utilidad es un método utilizado para incorporar las preferencias con respecto
al tiempo.
• No tiene sentido calcular el valor de la información perfecta, ya que ésta no existe.
6. ¿Cuál es la finalidad de cada uno de los elementos de la fase del análisis determinístico?
7. ¿En qué consiste el análisis de sensibilidad determinístico? ¿Por qué se plantea desarrollar
un caso base?
8. ¿En qué se diferencian el modelo determinístico del modelo probabilístico?
9. ¿Qué es la lotería de rentabilidad? ¿Cómo se determina si una es mejor que otra?
10. ¿En qué se diferencian los personajes ficticios: el clarividente y el genio? ¿A qué se refiere
cada uno de éstos? ¿y cómo se relacionan con el análisis de decisiones?
• 71 •
CAPÍTULO 4
LA inCerTidUmbre deL enTOrnO

y LAs PrObAbiLidAdes
• Introducción
• Probabilidades: el lenguaje de la incertidumbre
• Descripción de incertidumbres usando probabilidades
• Tipos de incertidumbres y sus medidas
• Incertidumbres múltiples, condicionalidad y revisión de

probabilidades
• Apéndice: Teoría de Probabilidades
• Casos: Haga negocio con Kiko
• Problemas
• 73 •
4.1 INTRODUCCIÓN
Se ha visto que una característica importante del entorno en el cual se toman decisiones
estratégicas es la incertidumbre que rodea a los factores que influyen en su resultado. Incorporar
los factores inciertos en el análisis es posible gracias a la Teoría de Probabilidades, que es el
lenguaje para describirlos y tratarlos.
La importancia de la incertidumbre se aprecia al enfrentar situaciones que no están influen-
ciadas por elementos aleatorios y constatar que tomar decisiones en tales circunstancias, ofrece
muy poca dificultad. Pero cuando se está inseguro sobre cuál de una serie de posibles resultados
será el que ocurra, se estará ante un verdadero problema de toma de decisiones.
Por ejemplo, hay la necesidad de asistir a una reunión muy importante en la ciudad de
Arequipa, al día siguiente a las 3:00pm. Todo está listo para embarcarse en el vuelo de las
7:00am y llegar con suficiente tiempo para descansar y preparar la ponencia. Sin embargo, la
aerolínea avisa que debido a las malas condiciones climáticas, el avión no ha podido aterrizar
hoy en Arequipa y es posible que mañana ocurra lo mismo. ¿Qué hacer? Se tiene el tiempo justo
para tomar el ómnibus que llegará a la ciudad el día siguiente a la 10:00am, siempre y cuando
salga a tiempo de Lima y no sufra ningún desperfecto en la carretera. Asimismo, los factores de
conveniencia y confort personal que ofrecen ambos medios de transporte serán más o menos
importantes según la urgencia del viaje; consecuentemente, también lo será la incertidumbre
asociada con estos factores.
El ejemplo muestra la importancia de considerar explícitamente la incertidumbre para lograr
tomar mejores decisiones y poder comunicarlas mejor.
Supóngase que se quiere crear una teoría de la incertidumbre con las siguientes propiedades:
1. La teoría tratará únicamente con eventos precisos, de manera que se entienda exac-
tamente cualquier afirmación dentro de dicha teoría.
2. Las incertidumbres serán calculadas por números, de modo que puedan ser medidas,
comunicadas y comparadas.
3. La teoría nunca introducirá declaraciones en el argumento, a menos que hayan sido
explicitadas por el decisor y/o sus expertos.
Es posible demostrar que la única teoría consistente con estos requerimientos es la de proba-
bilidades, iniciada por Pascal, Fermat y Bernoulli hace más de tres siglos, y luego desarrollada por
Bayes y Laplace. Esta teoría es esencial para analizar la toma de decisiones debido a la característica
de incertidumbre del entorno. Lamentablemente, no se ha dado a este enfoque la importancia que
merece, ya que muchos usuarios consideran las probabilidades como parámetros físicos de los
objetos, al igual que su peso o volumen.
Por ejemplo, es muy común distinguir las monedas “justas” de las “cargadas” a partir de pensar
que las probabilidades de eventos asociados con ellas pueden ser medidos empíricamente. Sin
embargo, en las últimas décadas, una minoría importante de expertos ha establecido el punto
de vista acerca de que las probabilidades miden nuestro estado del conocimiento con respecto
al fenómeno y no el fenómeno mismo. Ellos dirían, por ejemplo, que cuando describimos una
moneda como “justa”, realmente pretendemos decir que en base a todas las evidencias, no existe
razón alguna para afirmar que al lanzar la moneda sea más probable que caiga con la cara para
• 74 •
• Capítulo 4 • La incertidumbre del entorno y las probabilidades
arriba. Este punto de vista es moderno, pero no es un producto de los tiempos modernos. Fue
establecido de manera clara y concluyente por Bayes y Laplace hace más de dos siglos.
El propósito de este capítulo es mostrar que la Teoría de Probabilidades es la teoría de la incer-
tidumbre, con las características antes señaladas. Las probabilidades describen las incertidumbres,
y permiten pensar y comunicarse claramente acerca de la incertidumbre. Afortunadamente, el
lenguaje de probabilidades representa conceptos intuitivos de incertidumbre. Una revisión de
los aspectos de la teoría de probabilidades que se usará puede encontrarse en el apéndice de
este capítulo. Sin embargo, no es requisito leer este apéndice para entender el desarrollo de los
conceptos claves de este capítulo y los siguientes.
En el apéndice se verá que en primer lugar, para tratar con eventos precisos, la Teoría de
Probabilidades utiliza el lenguaje llamado álgebra de eventos. En segundo lugar, la función de
probabilidades -definida por tres axiomas básicos- permite asignar números reales entre 0 y 1
que miden el grado de incertidumbre sobre la ocurrencia de los diferentes eventos. Finalmente,
mediante el concepto fundamental de probabilidad condicional se podrá definir si los eventos bajo
consideración son independientes probabilísticamente y derivar el resultado más importante de la
Teoría de Probabilidades: el Teorema de Bayes. Aplicar este teorema permitirá revisar la asignación
de probabilidades a la luz de la disponibilidad de nueva información.
En las secciones de este capítulo se usará un enfoque más intuitivo para lograr describir y
comunicar la incertidumbre del entorno en que se toman las decisiones estratégicas.
4.2 PROBABILIDADES: EL LENGUAJE DE LA INCERTIDUMBRE
La incertidumbre es una consecuencia del conocimiento incompleto del mundo que nos rodea.
Si bien en algunos casos la incertidumbre puede ser eliminada parcial o totalmente antes de
tomar la decisión, en la mayoría de los casos importantes la información completa simplemente
no existe o es muy costosa en términos de tiempo y dinero.
A menudo la gente considera que trata adecuadamente la incertidumbre usando el lenguaje
común y que los métodos propuestos por el análisis de decisiones son muy elaborados e inne-
cesarios para tratar cualquier problema excepto los muy técnicos y complicados.
Para describir las incertidumbres usan frases como “es muy probable que ocurra”, “hay una
buena posibilidad”, “ocurrirá casi con seguridad”, “es posible que ocurra”. Pero cuando se les pre-
gunta que definan qué quieren decir con esas expresiones comunes que describen la incertidumbre,
se encuentra mucha ambigüedad. Esta ambigüedad se ha demostrado en seminarios ofrecidos a
altos ejecutivos, donde se les pide que definan estas afirmaciones a través de asignar un rango
de probabilidades a cada una de esas frases, por ejemplo que “es posible” significa 60 a 80 por
ciento de probabilidad. Si bien este ejercicio no es riguroso ni científico, se observan dos resultados
consistentes que deben preocuparnos. En primer lugar, sí comparamos los rangos de probabilidades
asignados a una de estas frases, estos varían grandemente; y en segundo lugar, se encuentra que
muchas veces los rangos asignados no se sobreponen. Por ejemplo, una persona puede asignar un
rango de 40 a 60 por ciento para la frase “es posible”, mientras que otra puede asignarle entre
70 y 80 por ciento. Estas personas piensan que se están comunicando efectivamente acerca de la
probabilidad de que suceda un evento incierto; sin embargo, tienen opiniones diferentes acerca de
la probabilidad de que suceda el evento y no están conscientes de sus diferencias.
• 75 •
En realidad, la descripción verbal de la incertidumbre tiende a ser ambigua o mal definida, por
lo que es necesario tener afirmaciones probabilísticas numéricas para describir la incertidumbre
en forma clara y sin ambigüedades. Si bien la teoría de probabilidades es muy rica y complicada
de estudiarse, para realizar un análisis de decisiones sólo se requiere saber algunas propiedades
simples que pueden facilitarse usando la intuición. Es cierto que tratar algunos aspectos de las
incertidumbres, usando las probabilidades en el análisis de decisiones puede ser misterioso; sin
embargo, usar el sentido común y el razonamiento cuidadoso pueden ser más útiles que las
sofisticaciones técnicas.
Una pregunta que deben hacerse es: ¿qué es una probabilidad, qué representa y de dónde
se obtiene? Como se verá en el apéndice, conceptualmente existen tres maneras de determinar
la probabilidad de una ocurrencia. En primer lugar, se tiene la probabilidad objetiva que depen-
de de las características físicas del objeto de estudio. Esta manera de asignar probabilidades
puede ser conveniente para resolver problemas que involucran el uso de objetos físicos. Así,
por ejemplo, la probabilidad de obtener “cara” al lanzar una moneda es un medio, o 0.50. Esta
respuesta se basa en la experiencia común con el lanzamiento de monedas y en suponer que la
moneda está bien balanceada (no está cargada) y que se le lanzó “sin trucos”. Como se puede
deducir, esta manera de asignar probabilidad no será apropiada para tratar problemas de toma
de decisiones estratégicas.
Una segunda manera de asignar probabilidad es usando la frecuencia relativa de una ocu-
rrencia, la cual es conocida como la probabilidad experimental. Ésta es una interpretación de
la probabilidad objetiva que se basa en la experiencia histórica en situaciones idénticas. Si se
desea usar este tipo de probabilidades para tomar decisiones, se tendrá que suponer que la
situación no cambiará en el futuro. Circunstancias de este tipo no son frecuentes en la toma
de decisiones estratégicas.
La tercera manera de asignar probabilidades es la valoración subjetiva hecha por una persona
(usualmente un experto) acerca de la probable ocurrencia de un evento. Es decir, que las pro-
babilidades representan el estado de información. La información que dispone una persona en
un momento dado. Son afirmaciones de cuán probablemente una persona piensa que un evento
ocurrirá. El siguiente ejemplo ilustra este concepto simple pero profundo de probabilidades: dos
personas están tratando de decidir si lanzar un nuevo producto en un nuevo mercado. Uno es
el gerente general de la compañía, el cual ha trabajado toda su vida en el área de marketing,
y su experiencia le dice que hay un 30 por ciento de probabilidad de que el producto tendrá
éxito en el nuevo mercado. La segunda persona es el actual gerente de marketing y en base
a los resultados de los estudios de mercado prospectivos, piensa que hay un 60 por ciento de
probabilidad de que el producto será un éxito.
¿Quién está en lo correcto? Los dos están en lo correcto asumiendo que ambos son capaces
de procesar la información que tienen. La experiencia y entendimientos del gerente general y el
estudio de mercado del gerente de marketing son diferentes estados de información. La idea es
que la probabilidad es un número que se usa para describir la incertidumbre existente sobre la
ocurrencia de un evento. El grado de incertidumbre depende de la información disponible con
respecto al evento, por lo que, la probabilidad puede cambiar con el acceso a nueva información
y puede variar entre individuos. Esta perspectiva sobre probabilidades se la conoce como el punto
de vista bayesiano, y es esencial en la práctica del Análisis de Decisiones.
Algunas veces, cuando se comienza a utilizar la disciplina del análisis de decisiones en una
compañía, el decisor (responsable de asignar recursos) preguntará: “¿Cuáles son las probabilidades
• 76 •
correctas?”. Desgraciadamente, no hay probabilidades correctas. Recordemos que las proba-

bilidades representan el estado de conocimiento del decisor o sus expertos sobre un evento en
especial; es decir, que las probabilidades representan el criterio y experiencia de una persona y
no son una propiedad del evento bajo consideración. Como veremos en el capítulo 8 (Evaluación
de Incertidumbres), podemos preocuparnos por identificar al experto que tenga buena infor-
mación (conozca el evento), si las probabilidades representan su información adecuadamente
(proceso adecuado para evitar sesgos motivacionales y cognitivos), si el estado de información
debe mejorarse (recaudar mayor información) o hacer esfuerzos para mejorar la asignación de
probabilidades. Estos aspectos consideran la calidad de la información probabilística, pero no
son esfuerzos para lograr las probabilidades “correctas”.
Debemos entender que estas afirmaciones no implican que los datos sean irrelevantes. Lo
que se afirma es que se requiere de los mejores datos y estadísticas disponibles (registros del
pasado) y la opinión de los especialistas más experimentados y capaces disponibles. Pero, debemos
recordar que las decisiones estratégicas, con repercusiones en el largo plazo, implican considerar
las incertidumbres para las cuales no existen datos o no son completamente relevantes. Cuando
los decisores necesitan tomar decisiones estratégicas deben considerar cuán relevantes son los
mejores datos para predecir el futuro.
Una metáfora que puede ayudar a entender que la información relevante para tomar deci-
siones estratégicas está en el futuro y no en el pasado es pensar en alguien que está manejando
un carro. Si esta persona sabe que está en un desierto donde la carretera es recta, se puede dar
el lujo de manejar despacio y viendo el retrovisor. Pero si la carretera luego es sinuosa y sigue
manejando viendo el retrovisor, de seguro va a salirse de la carretera. Es decir, que en un entorno
relativamente estable el decisor puede basarse en la información del pasado para predecir el
futuro; pero cuando el entorno es cambiante la información relevante está en el futuro, el cual
es incierto (cambiante/sinuoso) y el lenguaje para tratar éste es el de las probabilidades.
4.3 DESCRIPCIÓN DE INCERTIDUMBRES USANDO PROBABILIDADES
Para ayudar a pensar a los expertos y decisores en un problema de decisiones acerca de la

incertidumbre, el análisis de decisiones usa el enfoque de “dividir para conquistar”. Este enfoque
implica desagregar la incertidumbre total del problema en un conjunto razonable de incertidumbres
que contribuyen en la generación de esa incertidumbre; la herramienta adecuada para lograr esto
son los diagramas de influencias (ver capítulo 7). Este enfoque reduce la complejidad y alcance
del problema para describir la incertidumbre total a un nivel donde la intuición puede funcionar
efectivamente, dado que las probabilidades son afirmaciones derivadas de la información dispo-
nible de una persona, como se señaló en el acápite anterior. A una persona le será muy difícil, sino
imposible, asignar probabilidades relevantes para describir una incertidumbre que es muy compleja
o que incluye factores que están fuera de su conocimiento y experiencia inmediata.
Lograr desvincular la incertidumbre también es útil para ayudar a personas con diferentes
formaciones (sesgos profesionales) en una compañía, a comunicarse con respecto a la incerti-
dumbre y contribuir efectivamente al análisis. Dado que las diferentes personas tienen diferentes
competencias y experiencias, las cuales traen consigo al proceso de toma de decisiones, dividir
la incertidumbre en sus componentes permite que cada individuo contribuya efectivamente
dentro de su área de competencia.
• 77 •
Luego de lograr identificar los componentes individuales que influyen en el resultado de la

decisión, el siguiente paso es contar con un proceso para describir las incertidumbres “margi-
nales” (los componentes) en una forma efectiva, utilizando una distribución de probabilidades.
Este proceso consta de tres pasos: definir claramente la incertidumbre individual de tal manera
que pase la “prueba del clarividente”; especificar los posibles valores de la incertidumbre de
tal manera que sean “mutuamente excluyentes” y “colectivamente exhaustivos”; y finalmente,
asignar a cada posibilidad una probabilidad entre 0 y 1, de tal manera que sumen uno. En seguida,
se describe en qué consiste cada uno de estos pasos.
Definir la incertidumbre claramente de tal manera que pase la “prueba del clarividente”.
La dificultad más común para usar la intuición y lograr una comunicación efectiva es la falta
de claridad en definir la incertidumbre a la cual se quiere asignar probabilidades. Es importante
definir claramente la incertidumbre para estar seguros de que cuando usamos las mismas pala-
bras, entendemos la misma cosa. Muchas veces las diferencias de opinión entre expertos pueden
deberse a que tienen diferentes definiciones de la incertidumbre bajo análisis.
Para probar la precisión de la definición, se usa la “prueba del clarividente”. El clarividente es
un personaje de ficción que puede contestar cualquier pregunta con exactitud, incluso las refe-
rentes al futuro, pero no posee ninguna capacidad analítica o habilidad. Así, por ejemplo, cuando
se le pregunta acerca de las ventas del próximo año, el clarividente podría “ver” el reporte anual
(expost, en enero del subsiguiente año) y contestar de acuerdo a lo que ve en ese reporte.
La “prueba del clarividente” es un ejercicio mental para determinar si el clarividente puede
contestar inmediatamente el valor que tomará la incertidumbre sin pedir aclaraciones adicio-
nales. Una respuesta inmediata significa que la incertidumbre esta claramente definida. Si el
clarividente pidiera aclaraciones haciendo algunas preguntas antes de responder, significa que
no se ha definido con exactitud la incertidumbre de interés.
Por ejemplo, imagínese que se le pregunta al clarividente cuál será el tipo de cambio, dólar/
sol, el próximo año. El clarividente no podrá contestar directamente, posiblemente preguntará
si se refiere al tipo de cambio promedio del año, o a una fecha en especial, si es el del día o al
cierre; y si se refiere al de compra o venta, etc. La reacción a estas preguntas será definir mejor
lo que se quiere decir por tipo de cambio, para poder pasar la prueba del clarividente.
Es decir, que la prueba del clarividente ayuda a clarificar la definición de la incertidumbre
bajo análisis. Así, una definición del tipo de cambio que pase la prueba del clarividente será:
“¿Cuál será el tipo de cambio dólar/sol al cierre del mercado el día 30 de noviembre del próximo
año, tal como se reportará por la Superintendencia de Banca y Seguros el 01 de diciembre de
dicho año?”.
Especificar los posibles estados de la incertidumbre (posibilidades) de tal manera que
sean “colectivamente exhaustivos” y “mutuamente excluyentes” 1.
En este paso se busca dividir los posibles valores (posibilidades) que tomará la incertidumbre
en un conjunto de resultados que sean mutuamente excluyentes y colectivamente exhaustivos.
Por mutuamente excluyentes se entiende que no más de una posibilidad ocurrirá; es decir, que
el valor que tome la incertidumbre solo corresponderá a una de las posibilidades especificadas.
Mientras que colectivamente exhaustivos se entiende que al menos una de las posibilidades
debe ocurrir; es decir, que el valor que tome la incertidumbre debe corresponder al menos a una
de las posibilidades listadas.
1
Estos conceptos se derivan del álgebra de eventos, ver el apéndice.
• 78 •
Luego al requerir que las posibilidades sean mutuamente excluyentes y colectivamente ex-
haustivas implica que la lista de los posibles valores que tome la incertidumbre no se sobreponen
y que todos los posibles valores están incluidos en la lista.
Para ilustrar estos conceptos considere los siguientes ejemplos y conteste las siguientes
preguntas: ¿Cuáles de los siguientes conjuntos de posibilidades son colectivamente exhaustivos?
¿Cuáles son mutuamente excluyentes?
a. Duración de la batería de un carro:
Poco, más de un año, pero menos de tres años.
Mucho, más de dos años.
b. Costo de construcción (C) del túnel de trasvase del Mantaro hacia el Rímac:
Costo bajo (C < $10 millones)
Costo medio ($10 millones ≤ C < $12 millones)
Costo alto (C ≥ $12 millones)
Asignar a cada posibilidad una probabilidad entre 0 y 1, de tal manera que la suma de
las probabilidades sea igual a 1.
Una vez que se han especificado las posibilidades, el paso final es asignarles una probabilidad
entre 0 y 1, la suma de éstas debe ser 1. Las probabilidades son números entre cero y uno; cero
es la probabilidad del evento nulo o vacío (el evento que no puede ocurrir dada la información
disponible); uno es la probabilidad del evento universal o cierto, el cual representa el conjunto
de todos los eventos que pueden ocurrir. Este rango de valores fue establecido por los padres
de la teoría de probabilidades. Normalizaron las probabilidades al requerir que la probabilidad
del evento cierto sea 1.
Una incertidumbre que satisfaga estas tres condiciones se dice que tiene una distribución
de probabilidades válida. Para enfatizar el hecho de que las probabilidades varían con el estado
de información, se usa la notación inferencial:
p(A/e) = probabilidad asignada a la posibilidad A, dado el estado actual de información, e.
Considere los siguientes ejemplos de asignación de probabilidades y determine cuál de ellas

son válidas:
• En el caso de la construcción del túnel, definido anteriormente, se asignarán las siguientes
probabilidades:
p(“costo bajo”/e) = 0.30
p(“costo medio”/e) = 0.52
p(“costo alto”/e) = 0.18
• En el caso de desarrollo de un nuevo producto (se tendrá “éxito” o será un “fracaso”) se
asignaron las siguientes probabilidades:
p(“éxito”/e) = 0.45
p(“fracaso”/e) = 0.55
• 79 •
4.4 TIPOS DE INCERTIDUMBRES Y SUS MEDIDAS
Los posibles valores que puede tomar una incertidumbre (posibilidades) alcanzan un número
finito o infinito. Si el número de posibilidades de la incertidumbre es finito, en un intervalo dado
se dice que es una incertidumbre (variable aleatoria) discreta. Pero sí el número de valores que
puede tomar la incertidumbre es infinito en un rango dado, se dice que es una incertidumbre
continua. Ejemplos de incertidumbres discretas son: el tamaño de la población de Perú el próximo
año; las ventas de refrigeradoras el próximo mes en Hiraoka, etc. La mayoría de incertidumbres
son continuas como el costo de construcción del túnel de trasvase del río Mantaro al Rímac, el
tipo de cambio dólar/sol al cierre del día, etc.
Dado que es difícil trabajar con valores continuos en el Análisis de decisiones, se aproximan
estos valores continuos a unos cuantos valores discretos. El proceso para hacer esta aproxima-
ción se presenta en el capítulo 8.
REPRESENTACIóN DE LAS vARIABLES ALEAToRIAS2 DISCRETAS

Las probabilidades y los valores asociados con la incertidumbre usualmente se denotan como
una distribución de probabilidades para la incertidumbre en cuestión. Hay varias maneras de
representar las probabilidades, con valores explícitos, para un conjunto de posibilidades discretas;
la preferida en este texto es la de “árbol”. Un “árbol de probabilidades” muestra la información
sobre qué valor tomará la incertidumbre y su probabilidad de ocurrencia.
También se le puede denotar como el “árbol de distribución de probabilidades” para enfatizar
cómo se distribuye la probabilidad total (del evento cierto) entre las diferentes posibilidades. El
árbol comienza con un nodo redondo del cual salen tantas ramas (líneas) como posibles estados/
valores puede tomar la incertidumbre: distribución de los posibles estados (posibilidades). Estos
valores se consignan encima de la rama respectiva, y su probabilidad de ocurrencia debajo de la
misma. La figura 4.1 muestra el árbol de probabilidades de tres ramas asociado a la incertidumbre
del costo del túnel, antes mencionado. Asociado con cada rama está un valor de la incertidumbre
(costo bajo, medio y alto) y su probabilidad de ocurrencia.
Figura 4.1: Árbol de Probabilidad del costo del túnel
Costo Bajo (C1)

0.30
Costo Medio (C 2)
0.52
Costo Alto (C 3)
0.18
2
Debe notar que se usa “variable aleatoria” como sinónimo de “incertidumbre”.
• 80 •
Como se señaló, estos posibles valores son mutuamente excluyentes y colectivamente ex-
haustivos, dada la siguiente definición:
C1: Costo de construcción ≤ $10 millones

C2: $10 millones < costo de construcción ≤ $12 millones
C3: Costo de construcción > $12 millones
Además, las probabilidades asignadas a cada posibilidad suman uno, con lo que se concluye
que la incertidumbre del costo del túnel tiene una distribución de probabilidades válida.
Hay otras maneras de representar las probabilidades para un conjunto de valores discretos.
Aquí se ilustran algunas de ellas usando el ejemplo de los costos de construcción del túnel. Para
esto se requiere definir un valor que represente a cada rango; su promedio. Usando la técnica
descrita en la sección 8.5, se calcularon estos promedios: el valor que representa al rango de
costo bajo es $8 millones, al costo medio es de $11 millones, y $14 millones es el promedio del
rango del costo alto.
La Forma Tabular representa los valores y las probabilidades de la incertidumbre en una tabla
simple donde se explicitan las posibilidades en una columna, y sus probabilidades respectivas
en otra.
Tabla 4.1: Forma Tabular
i Ci P(Ci /e)
1 8 0.30
2 11 0.52
3 14 0.18
otra manera de representar la incertidumbre es usar gráficos de la distribución de probabi-

lidades. Si se representan los valores de la incertidumbre en el eje de las abscisas, y sus respec-
tivas probabilidades en el eje de las coordenadas, se obtiene un diagrama como el mostrado en
la figura 4.2, para el caso de los costos de construcción del túnel. Este diagrama es conocido
como la función o distribución de probabilidades de la variable aleatoria porque muestra cómo
se distribuye la probabilidad total entre los diferentes posibles valores de la variable aleatoria.
• 81 •
Figura 4.2: Distribución de probabilidades del costo del túnel
p(Ci/e)
Costo del túnel

(en millones)
También puede representarse mediante un gráfico de probabilidades acumuladas, lo cual

representa la probabilidad de que el valor de la incertidumbre sea menor o igual al valor en el
eje de las abscisas. Formalmente, la probabilidad acumulada se define como:
P ( x ≤ x 0 / e) = ∑ p( x
xi ≤ x0
i / e)
Donde la sumatoria abarca todos los valores de xi menores e iguales a x0. Es decir, que
P( x ≤ x0 / e) denota la probabilidad de que la incertidumbre x tome valores menores o iguales
a x0. En la práctica, los valores de la variable son ordenados de menor a mayor en una tabla,
entonces la probabilidad acumulada para cada valor es calculada como la suma acumulada en
sus filas. Para el ejemplo de los costos de construcción del túnel, la tabla de probabilidades
acumuladas se presenta en la tabla 4.2.
Tabla 4.2: Probabilidades Acumuladas
Ci P(Ci /e) P(C≤Ci /e)

8 0.30 0.30
11 0.52 0.82
14 0.18 1.00
Como se observa, p(C ≤ Ci /e) es simplemente la suma de las alturas de los segmentos de
la función de distribución de probabilidades desde el comienzo del diagrama (figura 4.2) hasta
el valor Ci .
• 82 •
Esta distribución acumulada de probabilidades se ilustra en la figura 4.3. Debe notarse que
esta curva es horizontal en todos los puntos, excepto en aquellos valores del eje de las abscisas
que son iguales a los de la tabla. Es decir, que la altura de cada peldaño en la distribución de
probabilidades acumulada es igual a la altura del segmento en los puntos correspondientes de
la función de distribución de probabilidades p(C = Ci /e).
Figura 4.3: Distribución de probabilidades acumuladas del costo del túnel
p(C ≤ Ci/e)
Costo del túnel

(en millones)
otra representación efectiva de una incertidumbre es la distribución de probabilidad acumulada

complementaria, y la denotamos como p(x > x0 /e), que expresa la probabilidad de que la incerti-
dumbre x sea estrictamente mayor que el valor x0. El valor de esta función, p(x > x0 /e), en cualquier
punto es igual a 1 menos el valor de la distribución de probabilidad acumulada en ese punto:
p(x > x0 /e) = 1 - p(x ≤ x0 /e)
La distribución de probabilidades acumulada complementaria de los costos de construcción

del túnel calculado usando esta ecuación es mostrada en la figura 4.4.
Figura 4.4: Distribución de probabilidad acumulada complementaria del costo del túnel
p(C>C i/e)
p(C>Ci/e)
Costodel
Costo deltúnel
Túnel
(en millones)
(en millones)
• 83 •
REPRESENTACIóN DE LAS INCERTIDUMBRES CoNTINUAS

Considere las siguientes incertidumbres: la temperatura en Lima mañana a las 10 am, el
tiempo de vuelo de un avión entre Lima y Arequipa, el costo unitario del nuevo producto. Los
valores que pueden tomar estas incertidumbres no están circunscritos a un número finito de
posibilidades; varían en forma continua en un intervalo dado. Es imposible listar cada uno de
los valores posibles de estas incertidumbres e identificar la probabilidad asociada con ellos. De
hecho es necesario introducir un nuevo método para calcular las probabilidades asociadas con
los posibles valores de la incertidumbre.
La función que describe una distribución de probabilidades continuas se conoce como función
de densidad. La representación gráfica de la función de densidad, f(x), muestra la altura o valor
de la función para cada valor de la variable continua (pero no es la probabilidad de ocurrencia
de ese valor).
Recordemos que para cada valor de una incertidumbre discreta, la distribución de proba-
bilidades señala la probabilidad de que X (la incertidumbre) tenga exactamente ese valor. Sin
embargo, dado que la incertidumbre continua tiene un número infinito de posibles valores,
ya no se puede tratar de identificar la probabilidad para cada valor específico de X. Más bien,
se debe considerar la probabilidad sólo en términos de la posibilidad de que la incertidumbre
continua tome un valor en un intervalo específico. Esto está dado por el área bajo la curva f(x)
en el intervalo especificado.
Si considerara el nivel de reservas en el pozo A720 en la selva peruana, y se logra identificar
la función de densidad, f(x), como la mostrada en la figura 4.5, entonces la probabilidad de que
las reservas estén entre 200 y 400 trillones de barriles puede ser determinada calculando el área
bajo la curva de f(x) en el intervalo entre 200 y 400.
Figura 4.5: Función de Densidad del Nivel de Reservas en el Pozo A720
Figura 4.5: Función de Densidad del Nivel de Reservas en el Pozo A720
0.005
0.005
0.004
0.004
0.003
0.003
0.002
0.002
0.001
0.001
0.0
0.0 200 400 600 800 1000
200 400 600 800 1000
Al igual que en una incertidumbre discreta, en una continua se puede calcular
su distribución de probabilidad acumulada, relacionándola a la función de
densidad, pero
Al igual que enen vez de usar
una incertidumbre suma
discreta, discreta
en una continua se calcular
se puede usarásu distribución
la sumatoria
infinitesimal (cálculo
de probabilidad integral).
acumulada, Así la distribución
relacionándola acumulada
a la función de densidad, pero endevezlas reservas
de usar suma del
pozo A720 está representada en la figura 4.6, y se obtuvo:
discreta se usará la sumatoria infinitesimal (cálculo integral). Así la distribución acumulada de
las reservas del pozo A720 está representada en la figura 4.6, y se obtuvo:
x0
p( x x 0 / e) f ( x)dx
o
• 84 •
Figura 4.6: Probabilidad Acumulada del Nivel de Reserva en el Pozo A720
1.0
Figura 4.6: Probabilidad Acumulada del Nivel de Reserva en el Pozo A720
1.0
0.8
0.6
La probabilidad de
0.4 que las reservas sean
≤ 180 es 60%
0.2
0.0
200 400 600 800 1000
Reservas
MEDIDAS DE TENDENCIA CENTRAL o PRoMEDIoS

Aparte de las representaciones gráficas, es posible establecer unos cuantos valores para carac-
terizar a todo el conjunto de probabilidades. Aquí se presentan las medidas de tendencia central
o promedios que permiten identificar el valor típico o central de la distribución de la variable
aleatoria. En el siguiente acápite se presentan las medidas de dispersión que complementan la
caracterización que ofrecen los promedios.
Hay diferentes medidas de tendencia central, y su selección dependerá de la naturaleza
de la distribución de probabilidades y de las necesidades de análisis del usuario. Las medidas
principales son: la moda, la mediana y la media.
La media de la distribución de probabilidades es la medida de tendencia central más usada.
En el Análisis de Decisiones, para indicar la media se utiliza el término valor esperado. Si xi, i=
1,2,..., N, es un conjunto de valores discretos que son mutuamente excluyentes y colectivamente
exhaustivos, la media se define como la suma de los productos de la probabilidad por el valor
de la variable aleatoria, xi. Es decir, que la media es el promedio ponderado de las posibilidades
por sus probabilidades de ocurrencia. Formalmente:
media = E ( x) = x = ∑ x i p ( xi / e)
donde: E(x) denota el valor esperado de x

La mediana es aquel valor de la incertidumbre en el cual existe la misma probabilidad de que
el valor que efectivamente tome la variable esté por encima o por debajo de ella. La mediana
es, a menudo, la medida de tendencia central más fácil de entender, ya que es el punto de la
distribución que divide a todos los posibles valores ordenados de mayor a menor, en exacta-
mente la mitad.
Finalmente, la moda es el valor más probable del conjunto de valores de la variable aleatoria
discreta. Sin embargo, existen variables aleatorias discretas en las cuales este promedio no es
único, pues la mayor probabilidad es compartida por dos o más valores. La moda es una buena
medida de tendencia central cuando las distribuciones de probabilidades son muy asimétricas.
• 85 •
Debe decirse que ni la mediana ni la moda son muy importantes en las aplicaciones de la
Teoría de Probabilidades en el Análisis de Decisiones; sin embargo, pueden ser importantes para
ayudar al decisor y sus expertos a entender lo que es una distribución de probabilidades. La
medida de promedio más usada en el Análisis de Decisiones es la media o valor esperado.
En el caso de G&M, la media de la distribución de probabilidades del costo del túnel será:
Media = E(C) = (8 * 0.30) + (11 * 0.52) + (14 * 0.18)
= c 10.64 millones de dólares
En el caso de una incertidumbre continua, la media tiene la propiedad de que el área bajo la
distribución acumulada a la izquierda de la media es igual al área por encima de la distribución
acumulada a la derecha de la media. La figura 4.7 muestra gráficamente esta propiedad.
Figura 4.7: Propiedad de la media o valor esperado
1.0
0.8
0.6
0.4 Media = 204
0.2
0.0
200 400 600 800 1000
Reservas
La moda de la distribución es $11 millones, dado que este valor tiene la más alta probabi-
lidad (52 por ciento). En un conjunto de valores tan pequeños como el de los costos del túnel
es difícil establecer la mediana.
MEDIDAS DE DISPERSIóN o vARIABILIDAD

Las medidas de dispersión tratan de describir cuán agrupados o alejados están los valores
de la incertidumbre de su promedio. Cuantos más dispersos estén los valores individuales,
mayor será la medida de dispersión y menos adecuado será cualquier promedio como medida
descriptiva del valor central o típico de la incertidumbre en cuestión. Existen varias medidas
de dispersión, como el recorrido o rango de los valores, la desviación promedio, la varianza y la
desviación estándar. Estas últimas son las medidas de dispersión más utilizadas en el análisis
de probabilidades.
• 86 •
la desviación estándar. Estas últimas son las medidas de dis
utilizadas en el análisis de probabilidades.
El cálculo de la varianza se realiza en base a las desviaciones
valores posibles de la variable con respecto a la media. Estas de
elevan al cuadrado antes de ponderarse por sus probabilidades d
Entonces, la varianza se define como:
El cálculo de la varianza se realiza en base a las desviaciones de todos los valores posibles de
Varcon
la variable ( x)respecto
2 Var
( xi( x)Estas
a la media.
2
( xi / e)( xi se xelevan
x) 2 pdesviaciones ) 2 p(alxicuadrado
/ e) antes de ponderarse
Var( xpor 2
( xi xde) ocurrencia.
) sus probabilidades 2
p( xi / e) Entonces, la varianza se define como:
Esta ecuación muestra que la varianza es un promedio pond
cuadrados
Var( x) 2
de las( xi desviaciones
x) 2 p( xi / e) de cada valor de la incertidumbre
a la media. Dado que es una expresión que involucra valores al cu
Esta ecuación muestrareducir esta esmedida
que la varianza a las
un promedio unidades
ponderado de losoriginales
cuadrados de de las la variable alea
desviaciones de cada valor se
de latoma la raízcon
incertidumbre cuadrada
respecto a y
la se obtiene
media. Dado que laesdesviación
una expre- estándar, que
más
sión que involucra valores al usada
cuadrado, para esta
para reducir determinar
medida a lasel grado
unidades de dispersión
originales de la de la di
variable aleatoria discreta probabilidades de una variable aleatoria. Así:
se toma la raíz cuadrada y se obtiene la desviación estándar, que es
la medida más usada para determinar el grado de dispersión de la distribución de probabilidades
de una variable aleatoria. Así: 2
2
2
En el caso de G & M se pueden calcular la varianza y desviac

En el caso de G&M pueden la
de distribución dey laprobabilidades
desviación estándardel
de lacosto de la construcción d
2
calcularse la varianza distribución
de probabilidades del costosiguiente manera:
de la construcción del túnel de la siguiente manera:
2
2 (8 (10
(8 10.64) 2 * 0.30 11.6410) 2.64
* 0).230* 0.52
(11 (10 ) 2.*
14.6410 640).52
2 14 10.64) 2 * 0.18
* 0.(18
2 2 2
(8 10.264) 4 2 ) 2 * 0.52 (14 10.64) 2 * 0.18
.*20.30 (11 104..64
2
4.2 2
Debe notarse
(8 10 .64) 2 * 0que
.30 las
(11unidades
10.64) 2 *de esta(14
0.52 varianza
10.64) 2son millones
* 0.18
Debe notarse que las unidades de esta varianza son millones de dólares al cuadrado. La
cuadrado.
2
desviación estándar es la raíz cuadrada
4.2 de Lala desviación estándar
varianza, cuya unidad es la
de medida sí esraíz cuadrada
millones de la va
de dólares: unidad de medida sí es millones de dólares:
4.2 2.05 millones

millones dede dólares
dólares
Percentiles
Percentiles Los percentiles son valores de la incertidumbre que dividen la d

quedehay
Los percentiles son valores un porcentaje
la incertidumbre (percentil)
que dividen de tal
la distribución probabilidad
que hay un que la incert
menor oque
porcentaje (percentil) de probabilidad igual que este será
la incertidumbre valor.
menorLos percentiles
o igual que
que este valor. Los se usarán más a
análisis
percentiles que se usarán más adelanteson
en elelanálisis
décimo son elpercentil (o primer
décimo percentil (o primerdecil),
decil), elel 50avo y el 90
50avo y el 90avo percentil. El
El 50avo
50avopercentil es la mediana,
percentil es lahay un 50 por ciento
mediana, hay de unprobabilidad
50 por ciento de proba
de que la variable sea menor o igual a este valor. El 90avo percentil es el valor tal que sólo hay
un 10 por ciento de probabilidad que la incertidumbre sea mayor que este valor.
Es muy conveniente y fácil identificar los percentiles en una distribución acumulada. Si
tuviéramos la distribución de probabilidad acumulada en una gráfica, como la de la figura 4.6,
que representa las reservas del pozo, será muy fácil identificar los percentiles. Por ejemplo, para
identificar el 80avo percentil (octavo decil), primero se identifica la probabilidad acumulada 0.80,
en el eje de las ordenadas, luego se traza una línea horizontal hasta la distribución acumulada, y
finalmente, una línea vertical del punto identificado en la distribución acumulada para encontrar
el 80avo percentil en el eje de las abcisas. Gráficamente, se ve este proceso en la figura 4.8.
• 87 •
Figura 4.8: Identificación del 80avo percentil en una distribución
1.0
0.8
0.6
0.4 80avo percentil
0.2
0.0
200 400 600 800 1000
Reservas
A manera de ejercicio, identificar el 20avo, 50avo, 90avo, percentil de esta distribución.

En los siguientes capítulos utilizaremos la media, la desviación estándar y algunos percentiles
para describir las distribuciones de probabilidades de las incertidumbres bajo análisis.
4.5 INCERTIDUMBRES MÚLTIPLES, CONDICIONALIDAD

Y REVISIÓN DE PROBABILIDADES
En las secciones anteriores se vio como caracterizar una sola incertidumbre usando pro-
babilidades, pero en la mayoría de problemas de decisión de la vida real se tiene más de una
incertidumbre que influye en el resultado de la decisión. Además, estas incertidumbres usual-
mente tienen probabilidades que son interdependientes; es decir, que el experto que brinda las
probabilidades para una variable aleatoria (incertidumbre) requerirá saber qué valor tomó otra
variable para poder asignar probabilidades. La asignación de probabilidades está “condicionada”
al valor que tome otra variable.
El analista de decisiones usualmente se enfrentará a situaciones descritas por variables
aleatorias que no son “independientes”. ¿Cómo están las incertidumbres relacionadas? ¿Cómo la
resolución de una incertidumbre en una variable afecta la incertidumbre en otra variable? Éstas
son el tipo de preguntas que con frecuencia se tendrá en el análisis de riesgo y decisiones, pero
que pueden ser muy difíciles de formularse. Una de las ventajas de los árboles de probabilidades
(y de los diagramas de influencias, ver el capítulo 7) es que brindan un medio que facilita la
comunicación y discusión, en esta área de interdependencias.
En esta sección se verá cómo las probabilidades dependientes son usadas en los problemas
de la vida real, y cómo estas probabilidades son usadas para combinar información nueva con
información previa (Teorema de Bayes). En el siguiente capítulo se verá cómo usar el teorema
de Bayes para calcular el valor de la información adicional.
Lograr claridad cuando se trabaja con probabilidades dependientes es a menudo difícil pero
también importante, especialmente cuando la información que poseen diferentes personas debe
combinarse para valorar una decisión.
• 88 •
Cuando un analista pregunta a un experto de marketing sobre los niveles de ventas para el
próximo año y éste le contesta: “depende”. Y al preguntarle ¿de qué depende?, contesta “depende
de si existe una baja o alta competencia”. Este diálogo revela que las probabilidades del nivel
de ventas son “condicionadas” al nivel de competencia.
Se puede usar un árbol de probabilidades para ayudar a asignar las probabilidades condicio-
nales. Estos árboles son una herramienta muy útil para comunicar la información relacionada
a la incertidumbre y la interdependencia entre las variables inciertas. La estructura gráfica de
los árboles (y los diagramas de influencias) ofrecen una manera visual, simple y sistemática de
discutir y estructurar la información disponible. La figura 4.9 muestra el árbol (de posibilidades)
que estructura la relación entre el nivel de competencia y el de ventas.
Figura 4.9: Árbol de posibilidades
Competencia Nivel de Ventas

Bajas
Baja Medias
Altas
Bajas
Alta Medias
Altas
Con este árbol de posibilidades será más fácil valorar las probabilidades condicionales, se
tendrá un conjunto de probabilidades que caracterizan la incertidumbre de las ventas, que
dependen de la rama o valor que tome la competencia.
volviendo al diálogo del analista con el experto, el analista dirá: “si la competencia es baja,
¿cuáles son sus probabilidades de enfrentar ventas bajas, medias o altas?” 3. El experto asigna
las probabilidades en 10%, 60% y 30%. Luego el analista pregunta: “si la competencia es alta,
¿cuáles son sus probabilidades? El experto responde: “40%, 50%, 10%”. Luego, le preguntará
“¿y cuál es su probabilidad de que la competencia sea baja?”. El experto le asigna 40%. Con
esta información podemos transformar el árbol de posibilidades en uno de probabilidades, como
lo muestra la figura 4.10.
3
Se debe recordar que los valores que toman estas variables son mutuamente excluyentes y colectivamente exhaus-
tivos.
• 89 •
Figura 4.10: Árbol de probabilidades
Competencia Nivel de Ventas

Bajas
.10
Baja Medias
.40 .60
Altas
.30
Bajas
.40
Alta Medias
.60 .50
Altas
.10
Las distribuciones de probabilidades condicionales son necesarias cuando hay dependencia/

relevancia entre incertidumbres o cuando una incertidumbre es influenciada por una decisión.
Relevancia significa que el experto cambiará su distribución de probabilidades en una incerti-
dumbre si supiera el resultado de otra incertidumbre. En el ejemplo anterior, la competencia es
relevante para el nivel de ventas, o también se dirá que es “condicionante”. Y el nivel de ventas
está condicionado por la competencia.
Influencia significa que el experto asignará una distribución de probabilidades diferente a
una incertidumbre bajo diferentes alternativas de una decisión. Por ejemplo, la distribución de
probabilidades que se asigne al tamaño de mercado de un nuevo producto está influenciada por
la alternativa que se escoja en la decisión de qué mercado atacar. otro ejemplo, la figura 4.11
muestra la distribución de probabilidades que las ventas excedan las metas establecidas está
influenciada por los gastos en propaganda que se hagan.
Figura 4.11: Árbol de decisiones
Gastos Propaganda ¿Ventas> Metas?

Sí
Alto .75
.25 No
Sí
Bajo .50
.50 No
Los árboles de probabilidades no sólo representan incertidumbres que sean relevantes, también
pueden representar las que no son relevantes o independientes. Por ejemplo, las incertidumbres
del nivel de reservas de un prospecto A, en la selva peruana, y el de un prospecto B, en la costa
• 90 •
norte del Perú. Estas incertidumbres son independientes o irrelevantes: el saber el nivel de re-
servas del prospecto A no cambia la asignación de probabilidades del prospecto B. Suponga que
se entrevistó a los expertos, y se obtuvo su asignación de probabilidades para cada prospecto, y
luego se discretizaron estas distribuciones continuas en tres rangos, mutuamente excluyentes
y colectivamente exhaustivos, con probabilidades de 25%, 50% y 25% como muestra el árbol
de probabilidades de la figura 4.124.
Figura 4.12: Árbol de probabilidades de dos incertidumbres no relevantes o independientes
Prospecto A Prospecto B
500
.25
300 200
.25 .50
100
.25
500
.25
100 200
.50 .50
100
.25
500
.25
50 200
.25 .50
100
.25
Usando el árbol de probabilidades de la figura 4.12 se puede calcular el nivel total de reservas
en ambos prospectos, así como su probabilidad conjunta. En general, cuando dos incertidumbres
no son relevantes/independientes, la probabilidad que una tome un valor (A), y la otra un valor
(B), simultáneamente (A, B) está dado por:
p(A,B/e) = p(A/e)p(B/e)
Luego, se dice que A y B son independientes si la probabilidad conjunta de que ambos ocurran
simultáneamente es igual al producto de sus probabilidades.
La figura 4.13 muestra el nivel de reservas totales (RT) en ambos prospectos y su proba-
bilidad conjunta. Así la probabilidades de tener 300 billones de barriles en el prospecto A es
0.25, y la probabilidad de tener 200 en B es 0.50, entonces la probabilidad de tener 500 en
ambos es 0.25*0.50=0.125. En general, las probabilidades conjuntas se calculan multiplicado
las probabilidades desde el nodo inicial del árbol hasta el nodo final que define el resultado
final (reservas totales).
4
El proceso de discretización se presenta en la sección 6 del capítulo 8.
• 91 •
Figura 4.13: Cálculo de probabilidades conjuntas cuando las incertidumbres son

independientes
Reservas
Prospecto A Prospecto B p(RT/e)
Totales
500
800 .0625
.25
300 200
.50
500 .125
.25
100 400 .0625
.25
500 600 .125
.25
100 200 300 .25
.50 .50
100 200 .125
.25
500 550 .0625
50 .25 200
250 .125
.25 .50
100 150 .0625
.25
A partir de estas probabilidades conjuntas de las reservas totales se puede calcular las re-
servas esperadas (o media ponderada por las probabilidades).
vE(RT) = ∑RTi*p(RTi/e) = 800*.0625 + 500*.125 +…+ 150*.0625
= 387.5
Donde: vE(RT) es el valor esperado de las reservas totales.
RTi es el nivel de reservas asociado a cada posible escenario (9 escenarios)
p(RTi/e): probabilidad de obtener RTi reservas dado el estado de información, e.
Si las incertidumbres son relevantes, la probabilidad conjunta está dada por el producto de la
probabilidad de que la variable relevante tome un valor (probabilidad marginal) por la probabilidad
condicional de que la segunda tome un valor, dada que la primera tomó el valor definido. Por
ejemplo, la probabilidad de que las ventas del próximo año excedan las metas propuestas para
un nuevo producto (v), no sólo dependen de los gastos de propaganda, sino también del tamaño
de mercado (M). La figura 4.14 muestra el árbol de probabilidades asociado a estas variables, y
exhibe que la probabilidad de que el mercado sea grande (Mg) es de 0.7, la probabilidad de que
las ventas excedan las metas establecidas (ve) dado que el mercado es grande (p(ve/Mg.e))
es de 0.75, y por tanto la probabilidad conjunta de que el mercado sea grande y que las ventas
excedan las metas está dado por:
p(Mgve/e) = p(Mg/e)*p(ve/Mg,e) (4.1)
= 0.70*0.75 = 0.525
De igual manera se calcularon las otras probabilidades conjuntas.
• 92 •
Figura 4.14: Cálculo de las probabilidades conjuntas cuando las incertidumbres son
relevantes
Probabilidad
Tamaño de Mcdo ¿Ventas> Metas? Conjunta
Si 0.525
Grande .75
Figura 4.14: Calculo de las probabilidades conjuntas cuando las incertidumbres
son relevantes .70 .25 No 0.175
Probabilidad
Tamaño de Mcdo Si Metas? Conjunta
¿Ventas> 0.15
Pequeño .50
Si 0.525
.30 .50 No
Grande .75
0.15
.70 .25 No 0.175
Si
0.15
Pequeño .50
.30 .50 No
0.15
DISTRIBUCIóN DE PRoBABILIDADES ACUMULADAS
DISTRIBUCIÓN
DE INCERTIDUMBRES DE PROBABILIDADES
CoMPUESTAS ACUMULADAS DE
INCERTIDUMBRES COMPUESTAS
Los árboles de probabilidades también facilitan la creación de la distribución de probabilidades
acumuladas. Los árboles de probabilidades
Recordemos tambiénrepresenta
que esta distribución facilitan la creación de la distribución
la probabilidad de que el valor de la
de probabilidades acumuladas. Recordemos que esta distribución representa la
incertidumbre sea menor o igual a un valor en el eje de abscisas. Para
probabilidad que el valor de la incertidumbre sea menor o igual a un valorilustrar la construcción
en el de
la distribución
eje dedeabscisas.
probabilidades
Para acumuladas,
ilustrar la volvamos
construcciónal caso
dedelalasdistribución
reservas de ladefigura 4.13.
El resultado final (o incertidumbre
probabilidades compuesta)
acumuladas, volvamos son las
al caso de reservas
las reservastotales
de laen los dos
figura 4.13.prospectos,
El resultado
las cuales final (o incertidumbre
varían dependiendo del escenariocompuesta)
que suceda son(los
las valores
reservasquetotales
tomen enlos
losprospectos
dos prospectos, las cuales varían dependiendo del escenario que suceda (los
A y B). Para poder construir la distribución de probabilidades acumuladas se debe ordenar los
valores que tomen los prospectos A y B). Para poder construir la distribución de
valores de la reserva total
probabilidades de menor se
acumuladas a mayor, manteniendo
debe ordenar sus probabilidades
los valores de la reservarespectivas
total de y luego
acumulando
menordichas probabilidades.
a mayor, Estos cálculos
manteniendo se muestran respectivas
sus probabilidades en la figura 4.15.
y luego
acumulando dichas probabilidades. Estos cálculos se muestran en la figura
4.15.
Figura 4.15: Cálculo de la probabilidad acumulada, usando el árbol de probabilidades

Figura 4.15: Cálculo de la probabilidad acumulada, usando el árbol de
probabilidades
Reservas Reservas Totales Ordenadas

Prospecto A Prospecto B Totales p(RT/e) RT p(RT/e) Acumul.
500
800 .0625 150 .0625 .0625
.25
300 200
500 .125 200 .125 .1875
.25 .50
100 400 .0625 250 .125 .3125
.25
500 600 .125 300 .25 .5625
.25
100 200 300 .25 400 .0625 .625
.50 .50
100 200 .125 500 .125 .75
.25
500 550 .0625 550 .0625 .8125
.25
50 200 250 .125 600 .125 .9375
.25 .50
100 150 .0625 800 .0625 1.00
.25
• 93 •
La gráfica de la distribución de probabilidades acumulada de las reservas totales se muestra

en la figura 4.16. Esta gráfica exhibe el rango de variación de las reservas.
Una vez graficada la distribución de probabilidades acumulada será muy fácil calcular dife-
rentes percentiles de las reservas totales: ¿cuáles son los 10, 50 y 90 percentiles de las reservas
totales?
Figura 4.16: Distribución de probabilidades acumuladas del nivel de reservas totales
1
0.9
0.8
Probabilidad Acumulada
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 200 400 600 800 1000
Reservas Totales
En general, el resultado final descrito por un árbol de probabilidades, puede estar determinado
por incertidumbres dependientes. Por ejemplo, se puede crear un modelo determinístico para
calcular las ganancias asociadas con cada nivel de competencia y nivel de ventas de la figura
4.9. Al volver a conversar con el experto, éste se sentía incómodo con las probabilidades con-
dicionales asignadas previamente (las probabilidades dependientes de las ventas mostradas en
la figura 4.10). Después de pensar un poco, manifestó que le gustaría cambiar los valores de las
ventas en vez de las probabilidades. Tener resultados dependientes es otra manera de representar
la dependencia probabilística entre variables, como es el caso de las ventas. En la aproxima-
ción discreta del nivel de ventas, se escoge rangos (mutuamente excluyentes y colectivamente
exhaustivos) y luego se asignan probabilidades a esos rangos, como se explicó en la sección 3.
El experto reajustó los rangos de las ventas, dependiendo del valor o rama de la incertidumbre
condicionante (nivel de competencia) y mantuvo las mismas probabilidades. ver figura 4.17.
Luego de definidos los valores de las ventas condicionadas, las ganancias asociadas con
cada uno de los 6 escenarios posibles (nodos terminales) pueden estimarse usando un modelo
determinístico que relaciona el nivel de competencia con el de ventas (suponiendo que éstas
son las variables de incertidumbre críticas en la determinación de las ganancias5). Suponiendo
que se tiene el modelo, y se pudo calcular las ganancias asociadas a cada nodo final, como se
muestra en la figura 4.17; así como la probabilidad para cada uno de los 6 nodos terminales,
multiplicando las probabilidades del recorrido que va desde el nodo inicial y llega a dicho nodo
final usando la ecuación (4.1), se podrá calcular la distribución de probabilidades acumuladas
de las ganancias, como se hizo en el caso de las reservas totales de la figura 4.13. Calcule y
grafique esta distribución.
5
Ver el capítulo 11 para una mejor ilustración de estos conceptos.
• 94 •
Figura 4.17: Cálculo de utilidades y sus probabilidades

Figura 4.17: Calculo de utilidades y sus probabilidades
Competencia Nivel de Ventas Ganancias P(Ganancias /e)

12000
400 .10
.25
Baja 15000
500 .20
.40 .50
19000
.25 650 .10
8000 300 .15

.25
Alta 11000 370 .30
.60 .50
13000 .15
420
.25 1.00
Se debe notar que hay tres maneras de representar la dependencia entre

incertidumbres: cambiando los resultados de la incertidumbre dependiente, las
probabilidades o ambos. En el caso de resultados dependientes, como el
Se debe notar
ejemplo de laque hay tres
figura maneras
4.17, de representar
los valores de lalavariable
dependencia entre incertidumbres:
dependiente (nivel de cam-
biando los resultados de la incertidumbre dependiente, las probabilidades
ventas) son los que cambian dependiendo del valor que tome la incertidumbre o ambos. En el caso de
resultados dependientes, como el ejemplo de la figura 4.17, los
condicionante (nivel de competencia). En otros casos, figura 4.14, valores de la variable dependiente
la
(nivel de ventas) son
dependencia los que
entre lascambian dependiendo
incertidumbres del valormercado
(tamaño que tome yla ventas
incertidumbre
excedencondicio-
metas)
nante secompetencia).
(nivel de representaEn cambiando las 4.14,
otros casos, figura probabilidades
la dependencia deentrelalas incertidumbres
variable
condicionada,
(tamaño mercado ydependiendo
ventas excedendel valor
metas) se que tome la
representa incertidumbre
cambiando condicionante.
las probabilidades de la variable
condicionada, dependiendo del valor que tome la incertidumbre condicionante.
ÁRBOLES DE ASIGNACIÓN DE PROBABILIDADES Y CRONOLÓGICOS
Como se ha visto, usar los árboles de probabilidades ayuda a lograr claridad

ÁRBoLES
cuando se DE ASIGNACIóN
habla DE PRoBABILIDADES
de probabilidades dependientes, Y CRoNoLóGICoS
por que dan una manera
visual, simple y sistemática para comunicarse y recolectar
Como se ha visto, usar los árboles de probabilidades ayuda a lograr información
claridadde la
cuando se
dependencia entre incertidumbres. Captar las probabilidades
habla de probabilidades dependientes, porque dan una manera visual, simple y sistemáticadependientes es
muy
para importantey recolectar
comunicarse al tratar elinformación
problema de cómo
de la incorporar
dependencia la incertidumbres.
entre nueva información Captar las
en la base de información disponible/actual. Es importante graficar el árbol
probabilidades dependientes es muy importante al tratar el problema de cómo incorporar la
correctamente cuando se trata de asignar probabilidades dependientes. Existe
nueva
unainformación en la base donde
situación particular de información
el ordendisponible/actual.
correcto de lasEsincertidumbres
importante graficaren el el árbol
correctamente cuando se para
árbol es fundamental trataevitar
de asignar
cometerprobabilidades
errores: esdependientes.
el caso cuando Existe una situación
se trata de
particular
describir donde
la elrelación
orden correcto
entre deunlas “indicador”
incertidumbres en el árbol yes fundamental
imperfecto el valor depara la evitar
cometer errores: esbajo
incertidumbre el caso cuandoPor
análisis. se trata de describir
ejemplo, la relación
la relación entreentre un “indicador”
los resultados deimperfecto
una
y elprueba
valor demédica y el estado
la incertidumbre bajodeanálisis.
salud Porrealejemplo,
de un paciente;
la relación el resultado
entre de unade una
los resultados
prueba
prueba sísmica
médica y el nivel
y el estado de reservas
de salud real de undepaciente;
un pozoelpetrolero
resultado; deel una
resultado
pruebade un y el
sísmica
estudio de mercado y el tamaño actual del mercado; costos de una planta
nivel de reservas de un pozo petrolero; el resultado de un estudio de mercado y el tamaño actual piloto
delymercado;
los costos
costos de deunaproducción;
planta piloto yetc. Para deestablecer
los costos producción; etc.estasPararelaciones
establecer estas
relaciones correctamente, se debe seguir un proceso de dos pasos. Primero, sesedebe
correctamente, se debe seguir un proceso de dos pasos. Primero, debeestudiar
estudiar el indicador para establecer cuan precisas son sus predicciones; y
el indicador para establecer cuan precisas son sus predicciones; y segundo, los resultados del
segundo, los resultados del primer paso son incorporados en el árbol de
primer paso son incorporados
probabilidades, en el árbol
el cual es usado paradepredecir
probabilidades,
el valor el
decual es usado para dado
la incertidumbre predecir el
valor de la del
el valor incertidumbre
indicador. dado el valor del indicador.
Tomemos uno de los ejemplos antes señalados, el de pruebas médicas. Un médico en base
a sus conocimientos y experiencias (información previa o a priori), al oscultar a un paciente y
• 95 •
observar sus síntomas le asigna una probabilidad de 0.70 de que tenga Sida. Con esa probabi-
lidad el doctor no se siente cómodo de darle tratamiento y la mala noticia a su paciente. Tiene
la posibilidad de pedir que el paciente se tome la prueba Elisa, es decir, recaudar información
Tomemos uno de los ejemplos antes señalados, el de pruebas médicas. Un
adicional para reducir
médico en incertidumbre
su sobre si el ypaciente
base a sus conocimientos tiene(información
experiencias o no Sida. previa
Para que
o a esta in-
formación adicional,
priori), resultado de un
al oscultar la prueba,
paciente sea útil, éstasus
y observar debesíntomas
dependerle probabilísticamente
asigna una
probabilidad de 0.70 que tenga Sida. Con esa probabilidad el doctor no se
de la variable aleatoria bajo estudio: tener o no Sida.
siente cómodo de darle tratamiento y la mala noticia a su paciente. Tiene la
La preguntaposibilidad
es: ¿cómode pedir que el paciente se tome la prueba Elisa; es decir, recaudar
mezclar la información previa con los datos o información adicional
información adicional para reducir su incertidumbre sobre si el paciente tiene o
(resultados del no
“indicador”/prueba
Sida. Para que estay su historial adicional,
información sobre su resultado
precisióndedela predicción)? Para hacer
prueba, sea útil,
este proceso correctamente primero
ésta debe depender se debe construir
probabilísticamente de ella árbol llamado
variable de bajo
aleatoria “asignación
estudio: de pro-
babilidades”. Entener
este o no sida.
árbol se reconoce que el valor de la variable de incertidumbre es relevante
La preguntas es ¿cómo mezclar la información previa con los datos o
a los resultadosinformación
de la prueba. Los datos
adicional o información
(resultados adicional ofrecen
del “indicador”/prueba las probabilidades
y su historial sobre su de
los resultados de la prueba,
precisión dado el valor
de predicción)?. de hacer
Para la variable bajo análisis.
este proceso El médico
correctamente brinda
primero se las pro-
debe construir el árbol llamado de “asignación de probabilidades”. En este árbol
babilidades subjetivas (previas) para el estado de salud del paciente (que tenga Sida o no).
se reconoce que el valor de la variable de incertidumbre es relevante a los
resultados de
El árbol de asignación la prueba. Los para
de probabilidades datos
esteo caso
información adicional
se muestra en laofrecen las El pri-
figura 4.18.
probabilidades de los resultados de la prueba, dado el valor de la variable bajo
mer nodo representa
análisis.elElestado
médicode saludlasdel
brinda paciente y sus
probabilidades probabilidades
subjetivas previas.
(previas) para El siguiente
el estado
nodo, el resultado de la del
de salud prueba (indicador)
paciente (que tengael sida
cualoesno).
descrito como “positivo” o “negativo” (dos
El árbol de asignación de probabilidades para este caso se muestra en la
posibilidades mutuamente excluyentes y colectivamente exhaustivas). Los estudios sobre la
figura 4.18. El primer nodo representa el estado de salud del paciente y sus
prueba Elisa hanprobabilidades
estimado lasprevias.
probabilidades condicionales
El siguiente de losderesultados
nodo, el resultado la prueba de la prueba dado
(indicador)
el estado de salud del es
el cual paciente,
descritolos cuales
como se muestran
“positivo” en la(dos
o “negativo” figura 4.186. Así,mutuamente
posibilidades la probabilidad de
que la prueba déexcluyentes
un resultado y colectivamente exhaustivas). Los estudios sobre la prueba Elisa
positivo dado que tiene Sida, es 0.98; mientras que la probabilidad
han estimado las probabilidades condicionales de los resultados de la prueba
de que sea positiva, dado que
dado el estado de el salud
paciente no tienelos
del paciente Sida, es sólo
cuales 0.05. Dado
se muestran en laque el doctor
figura 4.186. asignó
0.70 de probabilidad
Así, lade que el paciente
probabilidad que la tenga
pruebaSida,
de unlas probabilidades
resultado conjuntas
positivo dado que tiene(la sida,
probabilidad
es 0.98; mientras que la probabilidad que sea positiva, dado que el paciente no
de que ambos eventos ocurran) se calculará multiplicando las probabilidades
tiene sida, es sólo 0.05. Dado que el doctor asignó 0.70 de probabilidad que el
en cada rama del
camino recorridopaciente tenga sida, las probabilidades conjuntas (la probabilidad de que prueba
desde el nodo inicial al nodo final. Así, el último recorrido (no-Sida (S’),
negativa) tiene ambos
una probabilidad
eventos ocurran)conjunta de .285multiplicando
se calculará (.30*.95). las probabilidades en cada
rama del camino recorrido desde el nodo inicial al nodo final. Así, el último
recorrido (no - sida (S’), prueba negativa) tiene una probabilidad conjunta de
.285 (.30*.95).
Figura 4.18: Árbol de asignación de probabilidades
Estado Resultado Probabilidad

de Salud de prueba Conjunta
Positivo 0.686
Sida .98
.70 .02 Negativo 0.014
Positivo
0.015
No- Sida .05
.30 .95 Negativo 0.285
1.00
6
Las probabilidades asignadas son aproximadas y tienen, solamente, fines didácticos.
El orden del árbol en la figura 4.18, usualmente no es el requerido para la toma de decisiones,
pero se debe enfatizar que la asignación de probabilidades debe hacerse en el orden estable-
cido en el árbol de asignación de probabilidades, aunque exista la tentación de hacerlo en el
orden contrario. La razón para usar aquél es que separa claramente las expectativas (criterio
del experto) acerca de lo que pasará en el futuro (las probabilidades en el primer nodo), de la
6
Las probabilidades asignadas son aproximadas y únicamente tienen fines didácticos.
• 96 •
razón para usar aquel es que separa claramente las expectativas (criterio del
experto) acerca de lo que pasara en el futuro (las probabilidades en el primer
nodo), de la confiabilidad en los resultados de la prueba (probabilidades en el
segundo nodo, probabilidades condicionales). Evaluar las probabilidades con
los nodos en el orden opuesto mezcla
• Capítulo 4 • completamente
La incertidumbre del estos
entorno dosy lasconjuntos de
probabilidades
ideas.
Para encontrar las probabilidades en el orden requerido para la mayoría de
confiabilidad en los resultados de la prueba (probabilidades en el segundo nodo, condicionales).
problemas de toma de decisiones, se usa el teorema de Bayes para invertir el
Evaluar las probabilidades con los nodos en el orden opuesto mezcla completamente estos dos
orden deconjuntos
los nodos,
de ideas.
poniendo primero el nodo del indicador (resultado de la
prueba) y luego el nodo de la variable (estado de salud). Entonces, podremos
Para encontrar
tener la probabilidad lasestado
del probabilidades
de saluden el orden
dadorequerido para la mayoría
un resultado de la de problemas de toma
prueba.
de decisiones, se usa el teorema de Bayes para invertir
Para aplicar el teorema de Bayes usando los árboles, primero se el orden de los nodos, poniendo primero
calcula la
el nodo del indicador (resultado de la prueba) y luego el nodo de la variable (estado de salud).
probabilidad conjunta en el árbol de asignación de probabilidades. Segundo,
Entonces, podremos tener la probabilidad del estado de salud dado un resultado de la prueba.
se grafica el árbol con los nodos invertidos y se trasladan las probabilidades
conjuntas aPara los aplicar
nodoselfinales
teoremarespectivos
de Bayes usando dellos
árbol invertido.
árboles, primero Luego,
se calculasela calculan
probabilidad
las probabilidades del primer nodo (en la izquierda) sumandolos las
conjunta en el árbol de asignación de probabilidades. Segundo, se grafica el árbol con nodos
invertidos y se trasladan las probabilidades conjuntas
probabilidades conjuntas respectivas. Finalmente, se estiman las a los nodos finales respectivos del árbol
probabilidades de las ramas del segundo nodo (a la derecha) dividiendo lalas
invertido. Luego, se calculan las probabilidades del primer nodo (en la izquierda) sumando
probabilidades conjuntas respectivas. Finalmente, se estiman las probabilidades de las ramas
probabilidad conjunta al final de la rama entre la probabilidad de la rama del
del segundo nodo (a la derecha) dividiendo la probabilidad conjunta al final de la rama entre la
primer nodo. El proceso es simple pero laborioso.
probabilidad de la rama del primer nodo. El proceso es simple pero laborioso.
Se puede usar este proceso para invertir el árbol de asignación de
Se puede
probabilidades, delusar este sida
caso proceso(figura
para invertir
4.18)el árbol de asignación
y obtener el árbolde probabilidades,
invertido en del la
caso
Sida (figura 4.18) y obtener el árbol invertido en la figura 4.19,
figura 4.19, al cual se le conoce como el árbol cronológico dado que representa al cual se le conoce como el árbol
los nodoscronológico dado que
(variables representa los
aleatorias) ennodos (variablescronológico
el orden aleatorias) en elen orden cronológico
que suceden;en que
suceden; primero se conoce el resultado de la prueba y luego el estado de salud que realmente
primero se conoce el resultado de la prueba y luego el estado de salud que
tendrá el paciente. Así, vemos que si la prueba Elisa dio positivo, la probabilidad de que tenga
realmente tendrá el paciente. Así, vemos que si la prueba Elisa dio positivo, la
Sida es 686/701 = .979, y hay un 70.1 por ciento que el resultado de la prueba sea positivo.
probabilidad que tenga sida es 686/701 = .979, y hay un 70.1 por ciento que el
resultado de la prueba sea positivo.
Figura 4.19: Árbol cronológico
Figura 4.19: Árbol cronológico
Resultado Estado Probabilidad
de prueba de Salud Conjunta
Sida 0.686
686/701
Positivo
.701
No-Sida
0.015
15/701
Sida 0.014
14/299
Negativo
.299
No-Sida 0.285
285/299
1.00
Las probabilidades en estos árboles tienen nombres tradicionales. Como se

mencionó antes, las probabilidades de la variable en análisis (estado de salud)
Las probabilidades en estos árboles tienen nombres tradicionales. Como se mencionó antes,
en el árbol de asignación de probabilidades se llaman las probabilidades
las probabilidades de la variable en análisis (estado de salud) en el árbol de asignación de proba-
bilidades se llaman probabilidades previas o a priori; las probabilidades del indicador (resultados
de prueba) son conocidas como la función de verosimilitud. El proceso de invertir el orden de
los nodos es la aplicación del teorema de Bayes7.
7
Ver Apéndice para una expresión matemática de este teorema.
• 97 •
Las probabilidades en el segundo nodo del árbol invertido (el estado de salud) se llaman las
probabilidades posteriores o revisadas de la variable de incertidumbre bajo análisis; las probabili-
dades del primer nodo en el árbol cronológico son las probabilidades pre-posteriores (relacionan
las probabilidades previas con las posteriores). Esta notación está explícita en la figura 4.20.
Figura 4.20: Cálculo de probabilidades revisadas o posteriores, usando el teorema de Bayes
Árbol de Asignación de Árbol Cronológico

Probabilidades
Positivo 0.686 S
0.686
0.98 0.979
S Positivo
0.7 0.701
Negativo S’
0.014 0.015
0.02 0.021
Bayes
Positivo S
0.015 0.014
0.05 0.047
S’ Negativo
0.3 0.299
Negativo S’
0.285 0.285
0.95 0.953
p(p b/e) * p(b/p b,e) = p(pb,b/e) = p(b/e) * p(pb /b,e)
Probabilidad * Función de Pre-posterior * Probabilidad
= Probabilidad conjunta =
Previa Verosimilitud Posterior
Orden de Asignación de
Orden Cronológico
Probabilidades
La importancia del teorema de Bayes es bastante clara: brinda la base teórica por la cual
los datos y nueva información son añadidos al estado de información subjetiva existente; ésta
última constituye la información previa que se utiliza para determinar la distribución de proba-
bilidades posteriores, las cuales representan el estado de información actualizado. Mucha gente
comete errores al disponer de nueva información, al no considerar la información previa (vea
el caso “Haga negocio con Kiko” al final de este capítulo). Si bien el teorema de Bayes parece
muy formal, es el mejor método para evitar errores.
En resumen, cuando se trabaja con un indicador en general (resultados de pruebas médicas,
estudios de mercado, pruebas sísmicas, etc.), primero se debe trazar el árbol de asignación de
probabilidades: el primer nodo representa la variable y el segundo, el indicador. Luego, introducir
la información en este árbol, y sólo así se logra separar claramente las expectativas acerca de
lo que pasará en el futuro (primer nodo), del grado de precisión del indicador (segundo nodo).
El proceso de invertir el árbol (teorema de Bayes) es importante cuando se quiere saber como
el conocer un resultado del indicador cambia las expectativas acerca de lo que pasará en el
futuro. Este proceso se verá más claro en la sección sobre el valor de la información imperfecta
en el capítulo siguiente.
• 98 •
APÉndiCe
TEORÍA DE PROBABILIDADES
El propósito de este apéndice es presentar las definiciones, la notación y las relaciones fun-
damentales de la teoría de probabilidades de una manera más formal. Resultará de interés para
quienes deseen tener un sustento teórico del lenguaje de probabilidades.
EvENToS Y EL ÁLGEBRA DE EvENToS

Cuando se utiliza el lenguaje común para describir acontecimientos o eventos complicados,
se corre el riesgo de hacerlo con cierta ambigüedad. Para evitar este problema, la Teoría de Pro-
babilidades recurre a un lenguaje preciso llamado Álgebra de Eventos o Álgebra de Conjuntos.
Intuitivamente, se puede definir un evento como “una situación” acerca de la cual es posible
afirmar que “sucedió” o “no sucedió”, a partir de la información que se disponga.
Esta definición vincula el “mundo real” con la formulación de la Teoría de Probabilidades. El
siguiente ejemplo puede ayudar a clarificar la definición: “El precio del dólar fue mayor a 3.20
soles durante algunos días, en setiembre del 2006”. Se trata de una afirmación con respecto a
un evento del cual se puede decir que “ocurrió”.
otro ejemplo: “El próximo gobierno del Perú será liberal”, Esta afirmación describe un even-
to futuro del cual podrá afirmarse si ocurrió o no únicamente en un momento posterior, a las
próximas elecciones presidenciales. Sin embargo, en el momento presente sólo puede decirse
que es posible que dicho evento suceda.
Un ejemplo más: se ha sabido que “la compañía Z ha desarrollado un nuevo producto que
competirá directamente con el nuestro”. Quizás esta afirmación sea solamente un rumor. La
información es insuficiente para afirmar si este evento ocurrió o no. Sin embargo, el gerente de
la compañía Z sabe, con toda certeza, si fue así o no.
El Álgebra de Eventos es la herramienta formal desarrollada para tratar sobre la ocurrencia
de eventos. Aquí se presenta un resumen de sus características fundamentales, requeridas por
la Teoría de Probabilidades.
La ocurrencia de un evento se representa con una letra mayúscula A, B, C, etcétera. La no
ocurrencia se representa añadiendo un apostrofe al evento correspondiente. Así, A’ implica la
no ocurrencia del evento A y se define como el complemento del evento A.
Aparte de la operación del complemento, hay otras dos importantes que se usan para com-
binar o modificar eventos.
La expresión A + B representa la suma lógica de los eventos A y B, y se define como la
ocurrencia del evento A o del evento B, o de ambos. Se le conoce también como la operación
de la o inclusiva, y también como la unión de eventos, que se representa, algunas veces, con los
símbolos A U B, que se lee “A unión B”. En este texto se usará el signo más (+) para indicar esta
operación. Pero debe recordarse que ésta tiene propiedades diferentes a la adición aritmética.
• 99 •
La expresión AB representa el producto lógico de los eventos A y B, y se define como la

ocurrencia de A y B simultáneamente. Esta expresión también puede representarse como A ∩
B, “A intersección B”. El producto AB es a menudo conocido como la operación “y”.
El evento universal es el conjunto de todos los eventos que pueden ocurrir; es decir, el evento
cierto, denotado por U. Lo opuesto es el evento nulo o vacío; es decir, el que no puede ocurrir y
se denota por el símbolo Ø.
La definición de eventos y las operaciones explicadas aparecen en una serie de otras disci-
plinas. Tres de ellas son el Álgebra Booleana, la Lógica Formal y la Teoría de Conjuntos.
Diagramas de Venn
Las relaciones entre eventos pueden representarse gráficamente en los llamados diagramas
de venn, como se muestra en la figura 4.21. El evento universal está definido por el área total del
rectángulo, mientras que los otros eventos están representados por regiones dentro de éste.
Figura 4.21: Diagramas de Venn
A B
Conjunto A Conjunto B
Intersección A ∩ B Unión A U B
o o
Producto AB Suma A + B
U Ø
Universo U Nulo Ø
A’
Complemento de A
La suma o unión de dos eventos es el área contenida en uno de ellos o en ambos mientras que
el producto o intersección de dos eventos es el área común a ambos. El complemento del evento
A, A’, es el área dentro de U pero fuera de A. El evento nulo, Ø, es el área de dimensión cero.
• 100 •
construir un túnel en la sierra peruana, con el objeto de lograr el trasvase del

Los diagramas de venn, que son construcciones abstractas, son útiles para representar un
río Mantaro hacia la cuenca del río Rímac y poder ofrecer suficiente agua a la
problema real. En ellos se definen áreas que indican la ocurrencia o no de eventos específicos.
ciudad de Lima en el futuro mediato. Como no se conoce la estructura
El siguiente
geológica deejemplo ilustra este punto.
las diferentes La Compañíaelde costo
montañas, Ingenieros
deConstructores
construir Granda y
el túnel no es
Mercado (G&M) está preparando una propuesta para construir un túnel en la sierra peruana,
sabido con certeza, a pesar de la experiencia de G & M en este tipo de
con el objeto de lograr el trasvase del río Mantaro hacia la cuenca del río Rímac y poder ofrecer
trabajos. La preocupación
suficiente agua a la ciudad de Limapor estimar
en el el costo
futuro mediato. Comodenoconstruir
se conoce el túnel es grande,
la estructura
ya que afectará el monto total de la propuesta y, por lo tanto,
geológica de las diferentes montañas, el costo de construir el túnel no se sabe con certeza, las utilidades
a a
generar. Si el monto total propuesto fuera muy bajo, se correría
pesar de la experiencia de G&M en este tipo de trabajos. La preocupación por estimar el costo el riesgo de
incurrir enel túnel
de construir pérdidas;
es grande, pero
ya quesiafectará
se presentara
el monto totaluno muy alto,
de la propuesta y, pordisminuirían
lo tanto, las
probabilidades de ganar
las utilidades a generar. la buena
Si el monto pro. Elfuera
total propuesto Departamento de Planificación
muy bajo, se correría el riesgo de de G
&incurrir
M ha en pérdidas;
definido perolossi se siguientes
presentara uno tres
muy alto, disminuirían
eventos en lastérminos
probabilidades
dedelosganarcostos de
la buena pro. El Departamento de Planificación de G&M ha definido los siguientes tres eventos
construir el túnel:
en términos de los costos de construir el túnel:
C1: El costo de construcción será menor de $10 millones.

2: El
CC1: Elcosto
costo de construcción
de construcción estará
será menor entre $10-12 millones.
a $10 millones.
3: El
CC2: Elcosto
costo de construcción será mayor de $12 millones.
de construcción estará entre $10-12 millones.
LosC3:eventos seconstrucción
El costo de representan en ela diagrama
será mayor $12 millones. de Venn de la figura 4.22. El área
denotada como C3 incluye todos los puntos en los cuales el evento C3 ocurre;
Los eventos se representan en el diagrama de venn de la figura 4.22. El área denotada como
es decir, todos los valores del costo de construcción del túnel que excedan los
C3 incluye todos los puntos en los cuales el evento C 3 ocurre; es decir, todos los valores del costo
$de12 millones.del túnel que excedan los $ 12 millones.
construcción
Figura 4.22: Representación de los eventos de los diferentes costos de

producción
Figura 4.22:del túnel
Representación de los eventos de los diferentes costos de producción del túnel
C1 C2 C3
Tanto en el análisis de probabilidades como en el de decisiones, se busca

dividir
Tantotodos los posibles
en el análisis resultados
de probabilidades enelsubconjuntos
como en cadadividir
de decisiones se busca vez todos
máslos pequeños.
Este
posibles resultados en subconjuntos cada vez más pequeños. Este proceso permite discriminarusar más
proceso permite discriminar mejor las cantidades de interés y
eficazmente la de
mejor las cantidades información disponible.
interés y usar más eficazmente laLos conjuntos
información que
disponible. Los se utilicen para
conjuntos
que se utilicen para
caracterizar la caracterizar
descomposiciónla descomposición o subdivisión
o subdivisión dede los
los posibles
posiblesresultados deben
resultados deben
ser mutuamente excluyentes y colectivamente exhaustivos.
ser mutuamente excluyentes y colectivamente exhaustivos.
Eventos mutuamente excluyentes

• 101 •
El concepto clave en el Álgebra de Eventos es el de los eventos mutuamente
excluyentes, que surge cuando la ocurrencia de un evento excluye la de otro u
otros. Dos eventos, A y B, son mutuamente excluyentes si ambos no pueden
ocurrir simultáneamente; es decir,
Eventos mutuamente excluyentes

El concepto clave en el Álgebra de Eventos es el de los eventos mutuamente excluyentes,
que surge cuando la ocurrencia de un evento excluye la de otro u otros. Dos eventos, A y B, son
mutuamente excluyentes si ambos no pueden ocurrir simultáneamente; es decir,
AB = Ø
Si estos eventos son representados en un diagrama de venn, sus áreas no se sobreponen.
ver la figura 4.23.
Figura 4.23: Eventos mutuamente excluyentes
A B
AB = ø
Eventos colectivamente exhaustivos

otro concepto muy útil es el de eventos colectivamente exhaustivos, definido como el conjunto
de los eventos que poseen la propiedad de que al menos uno debe ocurrir. Así, un conjunto de
eventos A1, A2,… An son colectivamente exhaustivos si:
A1 + A2 +. . . . + An = U
La figura 4.24 ilustra este concepto.

Figura 4.24: Eventos colectivamente exhaustivos
A1 A4
A2 A3
A1 + A2 + .... + An = U
• 102 •
Finalmente, se pueden combinar los conceptos antes mencionados y definir eventos mu-
tuamente excluyentes y colectivamente exhaustivos. Los eventos A1, A2,… An son mutuamente
excluyentes y colectivamente exhaustivos si cumplen las dos condiciones siguientes:
Ai Aj = Ø, Para i ≠ j
A1 + A2 +. . . . + An = U
Es decir, que cualquier punto del diagrama estará en una y sólo una de las regiones Ai. Por
el valor i (i = se1,define
ejemplo, 2, 3, 4, 5, A6)
el evento i
comoal lanzar undedado.
el resultado obtenerLos eventos
el valor i (i = 1, 2, A , 5,
3,14, A26), alAlanzar
3,..., A6
un dado. Los eventos
forman un conjunto de1 eventos A , A 2
, A 3
,…, A forman un conjunto de eventos mutuamente
6 mutuamente excluyentes y colectivamente
excluyentes
y colectivamente
exhaustivos. La figura exhaustivos.
4.25 ilustra La figurael4.25 ilustra
caso enelque
caso enlosque los eventos
eventos A,A,B,B, yy CCsonson
mutuamente excluyentes y colectivamente exhaustivos.
mutuamente excluyentes y colectivamente exhaustivos.
Figura 4.25: Eventos

Figura mutuamente excluyentes y colectivamente exhaustivos
4.25: Eventos mutuamente excluyentes y colectivamente exhaustivos
ABAB
= =AC AC==BC
BC == Ø
Ø
A A+ +BB++CC== UU
Un ejemplo de eventos que no son ni mutuamente excluyentes ni

colectivamente exhaustivos es el conjunto de los definidos por B1 y B2:
Un ejemplo de eventos que no son ni mutuamente excluyentes ni colectivamente exhaustivos
B1: La nueva batería de mi carro dura poco; más de un año, pero menos de
es el conjunto de los definidos por B1 y B2:
tres años.
1
: La nueva
B2: La Bnueva batería de
batería de mi
micarro duradura
carro poco;mucho;
más de unmás
año, pero menosaños.
de dos de tres años.
B2: La nueva batería de mi carro dura mucho; más de dos años.
Este conjunto de eventos se muestra en la figura 4.26. No son mutuamente
excluyentes porque sus áreas se sobreponen. Por ejemplo, una duración de
2.5 años Este conjunto de eventos se muestra en la figura 4.26. No son mutuamente excluyentes
estará en ambos eventos B1 y B2. Aún más, no son colectivamente
porque sus áreas se sobreponen. Por ejemplo, una duración de 2.5 años estará en ambos eventos
exhaustivos
B1 y B2. Aún más,que
dado hay
no son un área fuera
colectivamente de las
exhaustivos áreas
dado que
que hay representan
un área a B1 y
fuera de las áreas
B2. Porque
ejemplo, la posibilidad de que la batería sólo dure ocho meses estará
representan a B1 y B2. Por ejemplo, la posibilidad de que la batería sólo dure ocho meses
fuera de lasfuera
estará áreas deáreas
de las B1 ydeBB21.y B2.
Figura 4.26: Eventos que no son mutuamente excluyentes ni colectivamente

• 103 •
exhaustivos
Figura 4.26: Eventos que no son mutuamente excluyentes ni colectivamente exhaustivos
B1 B2
En el caso de G&M, el conjunto donde están los eventos C1, C 2 y C 3 que pretenden ser
mutuamente excluyentes pero no están claramente definidos como tales. El Departamento de
Planificación encontró dificultades para determinar si los eventos en la lista eran mutuamente
excluyentes. Por ejemplo, ¿dónde debería incluirse el valor del costo de construcción de exac-
tamente 10 y 12 millones de dólares? ¿En el evento C2? Por lo tanto, la definición de los eventos
fue refinada de la siguiente manera:
C1: Costo de construcción ≤ $10 millones.

C2: $10 millones < costo de construcción ≤ $12 millones.
C3: Costo de construcción > $12 millones.
En el proceso de dividir todos los posibles resultados en subgrupos cada vez más pequeños,
frecuentemente se recurre a combinar dos diferentes grupos de eventos para obtener uno de
eventos conjuntos. Si A y B son dos eventos cualesquiera, un evento conjunto es definido como
AB; es decir, el producto lógico de los eventos simples A y B.
En el caso de G&M, esta compañía, además de estar preocupada por determinar adecua-
damente los costos de construir el túnel, tiene interés en conocer si la agencia gubernamental
a la cual presenta la propuesta solicitará información adicional una vez que la haya estudiado.
Para la fase inicial del análisis, el Departamento de Planificación estuvo satisfecho con definir
el siguiente conjunto de eventos mutuamente excluyentes y colectivamente exhaustivos, con
respecto a la solicitud de información adicional:
I1: La agencia gubernamental solicitará información adicional.

I2: La agencia gubernamental no solicitará información adicional.
• 104 •
análisis, el Departamento de Planificación estuvo satisfecho con definir el
siguiente conjunto de eventos mutuamente excluyentes y colectivamente
exhaustivos, con respecto a la solicitud de información adicional:
I1: La agencia gubernamental

• Capítulo 4 • Lasolicitará información
incertidumbre del entorno adicional
y las probabilidades
I2: La agencia gubernamental no solicitará información adicional.
EsteEstesegundo
segundo grupo de eventos se representa en la figura 4.27:
grupo de eventos puede ser representado de la siguiente
manera:
Figura 4.27: Eventos que describen la solicitud o no de información adicional
Figura 4.27: Eventos que describen la solicitud o no de información adicional
I1
I2
Entonces, los dos grupos de eventos pueden combinarse, para obtener

seisEntonces,
eventos losconjuntos, como pueden
dos grupos de eventos lo muestra la figura
combinarse 4.28.
para obtener seis eventos conjuntos,
como lo muestra la figura 4.28.
Estos
Estosseis eventos
seis eventos conjuntos
conjuntos son tambiénson también
mutuamente mutuamente
excluyentes excluyentes
y colectivamente ex- y
colectivamente exhaustivos,
haustivos, y son definidos por: y son definidos por:
Ci I1: Propuesta con costo “i” para la cual la agencia pide información
Ci I1: Propuesta con costo “i” para la cual la agencia pide información adicional, i = 1, 2, 3.
adicional, i = 1, 2, 3.
CCi i II22: :Propuesta
Propuestacon costo
con“i” costo
para la cual
“i” la agencia
para la no pide la
cual información
agencia adicional,
no pide i = 1,información
2, 3.
adicional, i = 1, 2, 3.
Figura 4.28: Eventos conjuntos

Eventos
Figura 4.28: conjuntos
C1I1
C2I1 C3I1
C1 I2
C2I2 C3I2
El Álgebra de Eventos es de mucho interés porque facilita solucionar

problemas que de
El Álgebra deEventos
otra manera sería
es de mucho difícil
interés tratar;
porque permite
facilita evitar
solucionar ambigüedades
problemas que de
inherentes a lasería
otra manera comunicación de acontecimientos
difícil tratar; permite complicados.
evitar ambigüedades inherentes a la comunicación de
acontecimientos complicados.
• 105 •
Árbol de eventos
Muchas veces es conveniente graficar la relación entre eventos en la forma de

un árbol de eventos. Este árbol es más útil cuando los eventos suceden en
Árbol de eventos
Muchas veces es conveniente graficar la relación entre eventos en la forma de un árbol de
eventos. Este árbol es más útil cuando los eventos suceden en forma secuencial y no simultánea-
mente, pero puede ser usado para cualquier tipo de éstos. Además, es una herramienta apropiada
cuando el número de eventos simples es mayor que tres y ya no se puede usar el diagrama de
venn para representar todas sus posibles relaciones.
Para construir un árbol de eventos se parte de un punto llamado nodo o nudo, desde el cual
se dibuja una línea recta o rama por cada posible resultado de la primera parte del experimen-
to. Usando la terminología de probabilidades, se define un experimento como un proceso que
genera resultados definibles de antemano. Cada una de las ramas se denota con el resultado
respectivo y estos resultados constituyen eventos mutuamente excluyentes y colectivamente
exhaustivos. Luego, se usan los terminales de estas primeras ramas como nodos de comienzo de
otras correspondientes a cada posible resultado de la segunda parte del experimento. El proceso
continúa hasta que todas las posibles secuencias de resultados han sido representadas. Los
nodos finales del árbol representan eventos conjuntos que son definidos por cada trayectoria del
árbol que va desde el nodo inicial a ese nodo final. Estos eventos son mutuamente excluyentes
y colectivamente exhaustivos. Si se considera el caso de G&M, el árbol de eventos está dado
en la figura 4.29.
Figura 4.29: Árbol de eventos en el caso de G&M
Solicitud de Resultados
Costos de Información Adicional eventos
Construcción
conjuntos
I1
C1I1
C1
I2
C1I2
I1
C2I1
C2
I2 C2I2
I1
C3I1
C3
I2
C3I2
• 106 •
Los seis nodos finales representan todos los resultados posibles de nuestro experimento,
que son eventos mutuamente excluyentes y colectivamente exhaustivos, como se aprecia en el
diagrama de venn de la figura 4.28.
El árbol de eventos es una herramienta muy útil, tanto para solucionar problemas teóricos
como prácticos. Sin embargo, en lo que interesa a la teoría de probabilidades, el Álgebra de
Eventos no es un fin en sí misma, sino un paso hacia el estudio de probabilidades.
FUNDAMENToS DE PRoBABILIDADES
En el Álgebra de Eventos se trabajó con la ocurrencia o no de un hecho. Sin embargo, en la
vida real la posibilidad de que un evento suceda puede estar entre lo virtualmente cierto y lo
virtualmente imposible.
Hay algunos eventos sobre los cuales se tiene suficiente información para afirmar que
“ocurrieron” o “no ocurrieron”. Por ejemplo, la mayoría de personas estará de acuerdo con que
el evento “El equipo de fútbol del Perú jugó en el campeonato mundial del 2006” no ocurrió.
Sin embargo, hay otros eventos sobre los cuales no se tiene suficiente información para decir si
sucedieron o no. Simplemente no se sabe lo que ocurrió en el pasado. Por ejemplo, no se tiene
certeza de si una empresa que compite con la nuestra ha desarrollado un nuevo producto en
el último año. Esto es aún más cierto cuando el evento bajo análisis es uno futuro posible. No
se sabe si la agencia gubernamental solicitará información adicional. Si bien no se tienen los
suficientes datos para dar una respuesta definitiva a la pregunta, se puede recurrir a la Teoría de
Probabilidades, que ofrece un marco para asignar números reales a la posibilidad de que ocurran
diferentes eventos y que las alternativas puedan ser comparadas y evaluadas.
Conceptualmente, existen tres maneras de determinar la probabilidad de una ocurrencia:
Probabilidad objetiva
Depende de las características físicas del objeto de estudio. Esta manera de asignar proba-
bilidad es conveniente para resolver problemas que involucran el uso de objetos físicos. Así, por
ejemplo, la probabilidad de obtener un 4 al lanzar un dado no cargado es 1/6. Como se puede
deducir, esta metodología no será apropiada para tratar problemas de decisiones estratégicas.
Probabilidad experimental
Es llamada también frecuencia relativa de una ocurrencia. En algunos casos se puede estimar
la probabilidad de que suceda un evento como resultado de observar el número de veces que
tuvo lugar en un período largo de tiempo. Si, por ejemplo, se observa que en dos de los últimos
50 años ha llovido el día 15 de enero en la ciudad de Lima, esta frecuencia relativa, 2/50, podrá
ser utilizada para calcular la probabilidad de que llueva el próximo 15 de enero en Lima.
La probabilidad experimental supone que una misma situación pueda repetirse varias veces,
y sobre todo, se asume que tal situación no cambiará en el futuro. Circunstancias de este tipo
no son muy frecuentes en la toma de decisiones estratégicas, y por tanto, no se pueden calcular
probabilidades mediante una serie de repeticiones de un experimento.
• 107 •
Probabilidad subjetiva
Es la medida asignada a la valoración subjetiva hecha por un individuo, acerca la probable
ocurrencia de un evento. Se basa en la información de la que dispone esta persona en un mo-
mento dado; es decir, en su estado de información. Así, por ejemplo, si se desea determinar la
probabilidad de que el próximo gobierno del Perú será liberal, no se puede calcular la probabilidad
objetiva de ello ni idear un experimento que proporcione una frecuencia relativa. En casos como
éste, la probabilidad subjetiva es la manera relevante –y en muchas situaciones la única- de
asignar probabilidades a una ocurrencia.
La idea fundamental en este tipo de asignación es que la probabilidad es un número que
se usa para describir la incertidumbre existente sobre la ocurrencia de un evento. El grado de
incertidumbre depende de la información disponible con respecto al evento. Al depender la
probabilidad del estado de información, ésta puede cambiar con el acceso a nueva información
y puede variar entre diferentes individuos. A esta manera de asignar probabilidades se la conoce
como el punto de vista bayesiano y es esencial en la práctica del Análisis de Decisiones.
Para enfatizar el hecho de que la medida de probabilidad varía con el estado de información,
se usa la siguiente notación inferencial:
p(A/e) = Probabilidad asignada a que el evento A haya ocurrido u ocurra, dado el estado
actual de información, e.
La notación equivalente es:

p(A/e) = p (A)
El estado de información, e, es comúnmente omitido en la notación estándar de probabi-

lidades. Sin embargo, al omitirlo se crea confusión acerca de cuál es el estado de información
que permitió determinar esa probabilidad.
Por ejemplo, en el caso de G&M, uno de los ingenieros del equipo juzgó la probabilidad de
que el evento C1 –costo de construcción del túnel menor a $10 millones– ocurriera, como 1 en
20; es decir, p(C1/e) = 0.05. Sin embargo, algunos días más tarde, después de haber recibido un
informe sobre las características geológicas de la montaña donde se hará el túnel, el ingeniero
decidió revisar su asignación de probabilidades en vista del nuevo estado de información, ê. Él
considera ahora la probabilidad de que el evento C1 ocurra, como de 1 en 10.
p(C1/ê) = 0.10
Si se define el evento G como: “se conocen mejor las características geológicas de la mon-
taña”; entonces,
ê=eG
o de otra manera,
ê=e,G
• 108 •
Frecuentemente, para mayor claridad en la notación de probabilidades, se denota con una

coma la operación de multiplicación lógica. Entonces se puede escribir:
p(C1/ê) = p(C1/e,G)
En la práctica del Análisis de Decisiones, a menudo es necesario combinar o comparar las

probabilidades asignadas por diferentes personas o por la misma en diferentes momentos, sobre
la ocurrencia de un evento. Luego, la referencia explícita al estado de información usada en
el momento de evaluar las probabilidades es esencial para mantener cálculos consistentes y
significativos.
Con frecuencia el decisor preguntará ¿cuáles son las probabilidades correctas? Desgracia-
damente, en el mundo real no existen probabilidades “correctas”. Se ha dicho que las proba-
bilidades representan el estado de información del decisor o el de sus expertos, en el cual se
basó la asignación de probabilidades. Es decir, que éstas representan el juicio y experiencia de
las personas y no son una propiedad intrínseca del evento en consideración. Entonces, como no
es posible determinar si las probabilidades son correctas, lo que debe hacerse es verificar si el
experto tiene un buen estado de información; si debe mejorarse; si las probabilidades representan
adecuadamente la información; o si deben hacerse esfuerzos para obtener las probabilidades
de una mejor manera. Todo ello examina la calidad de la información probabilística, pero no
constituye un esfuerzo para conseguir las probabilidades “correctas”. Como se verá en el capítulo
8, existe un proceso para asegurarnos de obtener las probabilidades adecuadamente.
AXIoMAS DE LA TEoRíA DE PRoBABILIDADES

La Teoría de Probabilidades se basa en el Álgebra de Eventos y en sólo tres axiomas adi-
cionales. La medida de probabilidad es definida como una función real para todos los eventos
que pueden ser construidos usando el Álgebra de Eventos. Los tres axiomas que la función de
probabilidades debe satisfacer son8:
(P.1) p(A/e) ≥ 0
(P.2) p(U/e) = 1
(P.3) Si A y B son mutuamente excluyentes, entonces,
p((A+B)/e) = p(A/e) + p(B/e)
El primer axioma, (P.1), requiere que la medida de probabilidad de cualquier evento sea un
número real no-negativo. El segundo normaliza las probabilidades a través de requerir que la
probabilidad del evento cierto sea 1. El tercero exige que la probabilidad de eventos mutuamente
excluyentes sea aditiva.
8
Estos tres axiomas son conocidos como las leyes de Kolmogorov. Ver Simon French (1988).
• 109 •
p((A+B)/e) = p(A/e) + p(B/e)
El primer axioma, (P.1), requiere que la medida de probabilidad de cualquier

evento sea un número real no-negativo. El segundo, normaliza las
probabilidades a través de requerir que la probabilidad del evento cierto sea 1.
El tercero, exige que la probabilidad de eventos mutuamente excluyentes sea
aditiva.
Esto seEsto
ilustra de ladesiguiente
se ilustra la siguientemanera:
manera:
Figura 4.30: Función de probabilidades
Figura 4.30: Función de probabilidades
Función
Función dede
probabilidades
probabilidades
[0,1]
A B C
La función de probabilidades definida por estos tres axiomas establece que

las probabilidades son números entre cero y uno, y es la función necesaria
La función de probabilidades definida por estos tres axiomas establece que las probabilidades
para medir las áreas de cada región en el diagrama de Venn. El axioma (P.1)
son números entre 0 y 1, y es la función necesaria para medir las áreas de cada región en el
establece que el área de cualquier región no puede ser negativa; (P.2) expresa
diagrama de venn. El axioma (P.1) establece que el área de cualquier región no puede ser negativa;
que el área total del diagrama debe considerarse igual a 1; (P.3) establece que
(P.2) expresa que el área total del diagrama debe considerarse igual a 1; (P.3) establece que el
el área contenida en dos regiones no sobrepuestas debe ser la suma de sus
área contenida en dos regiones no sobrepuestas debe ser la suma de sus áreas.
áreas.
Sobre Sobre la base de
la base de los
lostres axiomas,
tres se pueden
axiomas, se derivar
pueden fácilmente
derivaralgunas propiedades
fácilmente impor-
algunas
tantes asociadas
propiedades con probabilidades.
importantes asociadas con probabilidades.
(P.1') (P.1’)
p(A’/e) =p(A’/e) = 1 - p(A/e)
1 - p(A/e)
(P.2') p(Ø/e) =p(Ø/e)
(P.2’) 0 =0
(P.3’) p((A+B)/e) = p(A/e) + p(B/e) – p(AB/e)
8
Estos tres axiomas son conocidos como las leyes de Kolmogorov. Ver Simon French (1988)
La relación (P.1’) establece que la probabilidad de ocurrencia del complemento de un evento
es igual a 1 menos la probabilidad de ese evento. Se puede demostrar esta relación usando los
axiomas (P.2) y (P.3), dado que A y A’ son mutuamente excluyentes, A A’ = Ø; y colectivamente
exhaustivas, A + A’= U:
p((A+A’)/e) = p(A/e) + p(A’/e) = 1
Y luego:
p(A’/e) = 1 - p(A/e)
La probabilidad del evento nulo, la relación (P.2’), se prueba de la siguiente manera: dado que
U’ = Ø, entonces:
p(Ø/e) = 1 - p(U/e) de la relación (P.1’)
y usando el axioma (P.2),
p(Ø/e) = 0
• 110 •
p(Ø/e) = 1 - p(U/e) de la relación (P.1’)
y usando el axioma (P.2),
• Capítulo 4 • p(Ø/e) =0
La incertidumbre del entorno y las probabilidades
Finalmente, en la relación (P.3') -la probabilidad de la suma de dos eventos
que no sonenmutuamente
Finalmente, excluyentes-
la relación (P.3’) el último
-la probabilidad de la sumatérmino
de dosdel lado que
eventos derecho
no son mu-
compensa
tuamente por el conteo
excluyentes- el últimodoble
términodeldel
área
ladocompartida entre A
derecho compensa pory elB.conteo
Es decir,
dobleladel área
probabilidad
compartida entrede
A ylaB.suma de lados
Es decir, eventos de
probabilidad es lalasuma
sumadede dossus probabilidades
eventos es la suma de sus
menos la probabilidad de su producto. Si los eventos son mutuamente
probabilidades menos la probabilidad de su producto. Si los eventos son mutuamente excluyentes,
excluyentes, la probabilidad de su producto es cero y la ecuación (P.3') se
la probabilidad de su producto es cero y la ecuación (P.3’) se convierte en el axioma (P.3).
convierte en el axioma (P.3).
Extensiones
Extensiones de estos
de estos argumentos
argumentos producen producen otras relaciones
otras relaciones importantes.importantes.
Por ejemplo, supo-
niendo que se quiere calcular la probabilidad de la suma de tres eventos,de
Por ejemplo, suponiendo que se quiere calcular la probabilidad la ysuma
A, B, C: de
tres eventos, A, B, y C:
p(( A B C) / e) p([ A ( B C)] / e p( A / e) p((B C) / e) p( A( B C) / e)

p( A / e) p( B / e) p(C / e) p( BC / ee)) p(( AB AC) / e)
p( A / e) p( B / e) p(C / e) p( BC / e) p( AB / e) p( AC / e)
p( ABC / e)
Esta ecuación puede ser representada directamente en el diagrama de
Venn, como sepuede
Esta ecuación ve enser
la representada
figura 4.31. directamente en el diagrama de venn, como se ve en
la figura 4.31.
Figura 4.31: Diagrama de Venn de tres eventos


A B
A B
C
C
PROBABILIDAD CONDICIONAL E INDEPENDENCIA

PROBABILIDAD CONDICIONAL E INDEPENDENCIA
PRoBABILIDAD CoNDICIoNAL E INDEPENDENCIA
Una de las definiciones más importantes en la Teoría de Probabilidades es
Una
Una de lasdefiniciones
de las definiciones más
más importantes
importantes laenTeoría
la Teoría de Probabilidades es
la de probabilidad
la de condicional.
probabilidad condicional.SiSiAA yen
y B
B sondos
son
de
dosProbabilidades
eventos,
eventos, y
esyla p(A/e)
p(A/e)
de probabilidad
≠ Ø, ≠deØ,
condicional. Si A y B son dos eventos, y p(A/e) ≠ Ø, entonces “la probabilidad condicional B
entonces
dado
“la
entonces probabilidad
“la probabilidad
A”, p(B/A,e),
condicional
se define como condicional de
el cociente de
B dado A”,
B probabilidad
de la
p(B/A,e),
dado A”, p(B/A,e),
que ambos
se
se ocurran define
define simultá-
como el cociente
como
neamente entre de
el cociente ladeprobabilidad
la probabilidad que
la probabilidad ambosocurran
que ambos
que el evento condicionador ocurran simultáneamente
simultáneamente
ocurra:
entre la probabilidad
entre la probabilidad que que el eventocondicionador
el evento condicionador ocurra:
ocurra:
p( AB / e)
p( B / A, e) p(pAB
( A / /e)e)
(4.1)
p( B / A, e) (4.1)
p ( A / e)
donde la probabilidad
donde la probabilidadde de
queque ocurra
ocurra el evento
el evento conjunto,
conjunto, AB, escomo
AB, es conocida conocida
la probabilidad
como la probabilidad conjunta, p(AB/e). Como se aprecia en el diagrama de
conjunta,
donde laVenn p(AB/e).
probabilidad Como se aprecia
de que en el
ocurra diagrama de venn de la figura 4.32, p(B/A,e) es el ratio
de la figura 4.34, p(B/A,e) es elel evento
ratio del áreaconjunto,
compartidaAB, esdos
por los conocida
del área
como la eventoscompartida
probabilidad por los dos eventos
al áreap(AB/e).
conjunta,
con respecto con respecto
del evento Como al área del evento condicionador.
se aprecia en el diagrama de
condicionador.
Venn de la figura 4.34, p(B/A,e) es el ratio del área compartida por los• 111
dos•
Figura 4.32: Probabilidad condicional
eventos con respecto al área del evento condicionador.
Figura 4.32: Probabilidad condicional

A B
entonces “la probabilidad condicional de B dado A”, p(B/A,e), se define
como el cociente de la probabilidad que ambos ocurran simultáneamente
entre la probabilidad que el evento condicionador ocurra:
p( AB / e)
p( B / A, e)
Análisis de Decisiones Estratégicas (4.1)
p ( A / e)
donde la probabilidad
Figura 4.32: de que ocurra el evento conjunto, AB, es conocida
Probabilidad condicional
como la probabilidad conjunta, p(AB/e). Como se aprecia en el diagrama de
Venn de la figura 4.34, p(B/A,e) es el ratio del área compartida por los dos
eventos con respecto al área del evento condicionador.
A condicional
Figura 4.32: Probabilidad B
A B
EnEn
cierto sentido,
cierto todas
sentido, las probabilidades
todas son condicionales.
las probabilidades Lo son Lo
son condicionales. porson
el hecho
por de que
se el
ha hecho
definidoque
un se
conjunto de eventos
ha definido U (conjunto
un conjunto de universal)
eventos Udel(conjunto
cual al menos uno ocurre. La
universal)
probabilidad
del cual alde menos
cualquiera
unode ocurre.
estos eventos depende de haber
La probabilidad definido elde
de cualquiera área del conjunto
estos
eventos
universal 1. depende
Así: de haber definido el área del conjunto universal 1. Así:
p( AU / e) p( A / e)
p( A / U , e) p ( A / e) (4.2)
p(U / e) 1
Si Si
se se sabe
sabe queque el evento
el evento A haAocurrido,
ha ocurrido,A se A se convierte
convierte en el evento
en el evento cierto, cierto, y re-
y se podrá
se podrá re-normalizar la probabilidad de cada uno de los otros eventos, de tal
normalizar la probabilidad de cada uno de los otros eventos, de tal manera que sumen 1 sobre
manera que sumen 1 sobre el área de A. Entonces, el conjunto de eventos que
el área de A. Entonces,
se considera forman el conjunto
el evento de eventos
universal,queUse es
considera forman
arbitrario. La eldefinición
evento universal
de U
probabilidad
es arbitrario. condicional
La definición permite cambiar
de probabilidad la basepermite
condicional para asignar
cambiarprobabilidades
la base para asignar
en cualquier
probabilidades momento.momento.
en cualquier
Algunas veces las probabilidades condicionales resultan ser las mismas,
Algunas veces las probabilidades
independientemente del evento condicionales
condicionadorresultan
queser las mismas,
ocurra. independientemente
Por ejemplo, en el
caso condicionador
del evento de G & M, la que necesidad de solicitar
ocurra. Por ejemplo, información
en el caso de adicional (Ii) puededeser
G&M, la necesidad solicitar
fijada por
información la agencia
adicional (Ii) puedegubernamental,
ser fijada por la independientemente
agencia gubernamental,deindependientemente
los costos
de losestablecidos (Ci). En(Ceste
costos establecidos ). Encaso, las probabilidades
este caso, establecidas
las probabilidades establecidaspara loslos
para costos
costos y la
y la información adicional i
podrían ser independientes entre sí. Si no hay
información adicional podrían ser independientes entre sí. Si no hay correlación entre las proba-
correlación entre las probabilidades se dice que son independientes
bilidades, se dice que son independientes
probabilísticamente. En general, siprobabilísticamente.
dos eventos, A y B,Enson general, si dos eventos,
independientes en A y B,
son independientes en el sentido intuitivo, la ocurrencia de A no debería
el sentido intuitivo, la ocurrencia de A no debería afectar la probabilidad de afectar la probabilidad
de ocurrencia
ocurrencia de de
B. Es
B. decir:
Es decir:
p( AB / e)
p( B / A, e) p( B / e) ó p( B / e)
p ( A / e)
Despejando:
Despejando:
p( AB / e) p( A / e) p( B / e) (4.3)
Luego, se define que dos eventos son independientes si la probabilidad

Luego, se define que dos eventos son independientes si la probabilidad conjunta de que ambos
conjunta de que ambos ocurran simultáneamente es igual al producto de las
ocurran simultáneamente
probabilidades de que es igual al producto
ocurran de las probabilidades
separadamente; de que dos
en otras palabras, ocurran separada-
eventos
mente; en otras palabras, dos eventos son independientes si la probabilidad
son independientes si la probabilidad de su producto es igual al producto de de su producto es
igual sus
al producto de sus probabilidades.
probabilidades. Entonces, seEntonces, se usa la ecuación
usa la ecuación (4.3)lacomo
(4.3) como la definición
definición
formalformal de independencia.
de independencia. NóteseNótese
que estaque esta definición
definición se basa enselabasa en de
función la función de y no
probabilidad
probabilidad
sólo en y no
el Álgebra de sólo en el Álgebra de Eventos.
Eventos.
Los conceptos de eventos mutuamente excluyentes e independientes
tienden a confundir a los estudiantes, por lo que se justifica establecer la
• 112 •
diferencia entre ellos. En primer lugar, el concepto de eventos mutuamente
excluyentes sólo depende de la definición de eventos (AB = 0), mientras que el
concepto de independencia depende de la medida de probabilidades
(p(AB/e) = p(A/e) p(B/e)). En segundo lugar, si se tienen eventos mutuamente
excluyentes, éstos son fuertemente dependientes. De ese modo, si A y B son
Luego, se define que dos eventos son independientes si la probabilidad
conjunta de que ambos ocurran simultáneamente es igual al producto de las
probabilidades de que ocurran separadamente; en otras palabras, dos eventos
son independientes si la probabilidad de su producto es igual al producto de
sus probabilidades. Entonces, se usa la ecuación (4.3) como la definición
formal de independencia. • Capítulo
Nótese 4 que
• Laesta
incertidumbre
definición se delbasa
entorno
en lay función
las probabilidades
de
probabilidad y no sólo en el Álgebra de Eventos.
Los conceptos de eventos mutuamente excluyentes e independientes
Los conceptos de eventos mutuamente excluyentes e independientes tienden a confundir
tienden a confundir a los estudiantes, por lo que se justifica establecer la
a los estudiantes,
diferencia entreporellos.
lo que
Enseprimer
justificalugar,
establecer la diferencia
el concepto entre ellos.
de eventos En primer lugar, el
mutuamente
concepto
excluyentes sólo depende de la definición de eventos (AB = 0), mientrasdeque
de eventos mutuamente excluyentes sólo depende de la definición eventos
el (AB =
0),concepto
mientras quede independencia depende de la medida de probabilidades (p(AB/e)
el concepto de independencia depende de la medida de probabilidades
(p(AB/e)
= p(A/e) = p(A/e)
p(B/e)). p(B/e)). lugar,
En segundo En segundo lugar,eventos
si se tienen si se tienen eventosexcluyentes,
mutuamente mutuamenteéstos son
excluyentes,
fuertemente éstos son fuertemente
dependientes. De ese modo,dependientes. De ese modo,
si A y B son mutuamente si A y B y no
excluyentes son son ni el
mutuamente
evento nulo ni elexcluyentes y no(o son
evento universal ni elp(B/e)
< p(A/e), evento nulo
< 1), ni el evento universal
entonces:
(O < p(A/e), p(B/e) < 1), entonces:
AB Ø
(4.4)
p( AB / e) p ( Ø / e) 0
mientrasque:
mientras que:
p( A / e) p( B / e) 0 (4.5)
luego
luegode
de(4.4)
(4.4) yy (4.5)
(4.5)
p( AB / e) p( A / e) p( B / e)
Por tanto, los eventos A y B son fuertemente dependientes. Si sucede uno,

la probabilidad de que suceda el otro es cero.
Por tanto, los eventos A y B son fuertemente dependientes. Si sucede uno, la probabilidad
de que suceda el otro es cero.
Para manipular probabilidades es importante recordar que si se tienen eventos mutuamente
Para manipular
excluyentes, probabilidades
se pueden sumar es importante
sus probabilidades recordar
(axioma P.3); que
mientras quesisi se
setienen
tienen
eventos
eventos mutuamente excluyentes, se pueden sumar sus probabilidades
independientes, se pueden multiplicar sus probabilidades por la definición de independencia,
Para manipular
(axioma probabilidades
P.3); mientras es importante
que si se tienen recordar que si se
eventos independientes, sepueden
tienen
(ecuación 4.3).
eventos
multiplicarmutuamente excluyentes,
sus probabilidades por la se puedendesumar
definición sus probabilidades
independencia, (ecuación
(axioma
4.3). P.3); mientras que si se tienen eventos independientes, se pueden
multiplicar sus probabilidades por la definición de independencia, (ecuación
4.3).
EXPANSIóN EN
EXPANSIÓN EN CADENA
CADENAEEIDENTIDADES
IDENTIDADES DEDEEXPANSIóN
EXPANSIÓN
De lala definición
EXPANSIÓN
De ENde
definición probabilidad
CADENA
de condicional,
E IDENTIDADES
probabilidad ecuación (4.1), se(4.1),
DE ecuación
condicional, EXPANSIÓN derivaseel deriva
conceptoel de ex-
pansión en cadena, por medio de expresar el numerador como el producto
concepto de expansión en cadena, por medio de expresar el numerador como del denominador
porDe
elelproducto
cociente:
la definición de probabilidad
del denominador condicional, ecuación (4.1), se deriva el
por el cociente:
concepto de expansión en cadena, por medio de expresar el numerador como
el producto del denominador
p(por
AB /el
e) cociente:
p( A / e) p( B / A, e) (4.6)
Es decir que la probabilidad p( ABconjunta

/ e) p( Ade/ e)Ap(yBB/ Aes
, e)igual a la probabilidad(4.6)
de
Es decir que la probabilidad conjunta de A y B es igual a la probabilidad
A por la probabilidad condicional de B, dado A. Extensiones de esta relación de A por la probabi-
lidad condicional
Es decirlaque
producen delaB, probabilidad
expansióndadoen
A. cadena
Extensiones
parade
conjunta esta
de
más derelación
A ydos producen
B eseventos.
igual a la la expansión en
probabilidad decadena
A por
para Por la
más de probabilidad
dos eventos.
ejemplo, condicional
suponiendo que se dequiere
B, dado A. Extensiones
calcular de esta
la probabilidad relación
conjunta de
producen
tres la expansión
eventos, A, B y C: en cadena para más de dos eventos.
Por ejemplo,
Por suponiendo
ejemplo, suponiendoque se quequiere calcularcalcular
se quiere la probabilidad conjunta conjunta
la probabilidad de tres eventos,
de A,
B ytres
C: eventos, A, B yp(C: ABC / e) p( A( BC ) / e) p( A / e) p((BC ) / A, e)
= p( A / e) p( B / A, e) p(C / B, A, e) (4.7)
p( ABC / e) p( A( BC ) / e) p( A / e) p((BC ) / A, e)
Esta ecuación será utilizada más adelante = p( Apara/ e) p(calcular
B / A, e) pprobabilidades
(C / B, A, e) (4.7) de
los resultados de un experimento usando árboles de probabilidades.
Esta
Otro
Esta ecuación
ecuación seráserá
concepto utilizada
importante
utilizada esmásel adelante
más adelante de para calcular
expansión.
para calcular Puede: probabilidades
probabilidades reescribirse de
la
de los resultados de
los resultadosusando
unprobabilidad
experimento dedeocurrencia
unárboles
experimento
de usandoen
un evento
de probabilidades. árboles
términos de probabilidades.
de la ocurrencia de otro:
Otro concepto importante es el de expansión. Puede: reescribirse la
probabilidad depocurrencia
( B / e) p( BU de /une) evento
p( B( Aen Atérminos
' ) / e) pde ((BA la ocurrencia
BA' ) / e) de otro: • 113 •
= p( BA / e) p( BA' / e)
p( B / e)= pp((B
BU/ A/,ee)) p( p
A(/Be()A p(ABA
' ) /' e/ )e) p(pA((' BA
/ e) BA' ) / e) (4.8)
= p( BA / e) p( BA' / e)
En general, si se considera= p( B / A,un e) pconjunto
( A / e) p(de BA' eventos
/ e) p( A' / eA ) 1, A2,…An que (4.8) sean
Por ejemplo,
producen suponiendo
la expansión que se
en cadena paraquieremáscalcular la probabilidad conjunta de
de dos eventos.
tresPor
eventos,
ejemplo,A, B y C:
suponiendo que se quiere calcular la probabilidad conjunta de
tres eventos, A, B y C:
p( ABC / e) p( A( BC ) / e) p( A / e) p((BC ) / A, e)
p( ABC / e) p( A( BC ) / e)= pp( (AA/ /ee) )pp( B ((BC
/ A,)e/) Ap,(Ce) / B, A, e) (4.7)
Análisis de Decisiones Estratégicas = p ( A / e ) p( B / A , e ) p (C / B, A, e) (4.7)
Esta ecuación será utilizada más adelante para calcular probabilidades de
losEsta
resultados
ecuaciónde unseráexperimento
utilizada más usando adelanteárboles para de calcular
probabilidades.probabilidades de
los Otro
otro concepto
concepto
resultados de unimportante
importante es el de es
experimento el de árboles
expansión.
usando expansión.
Puede reescribirse Puede: reescribirse
la probabilidad
de probabilidades. la
de ocurrencia
de probabilidad
unOtro en de
eventoconcepto ocurrencia
términos importante de unesevento
de la ocurrencia eldede enexpansión.
otro: términos dePuede: la ocurrencia de otro: la
reescribirse
probabilidad de ocurrencia de un evento en términos de la ocurrencia de otro:
p( B / e) p( BU / e) p( B( A A' ) / e) p((BA BA' ) / e)
p( B / e)= pp((BABU/ /ee)) pp( BA ( B(' /Ae) A' ) / e) p((BA BA' ) / e)
= p( B BA/ A
/ e, e) ) pp( A
( BA
/ e)' / e)p( BA' / e) p( A' / e) (4.8)
= p( B / A, e) p( A / e) p( BA' / e) p( A' / e) (4.8)
En general, si se considera un conjunto de eventos A1, A2,…An que sean
En general, si se considera un conjunto de eventos A1, A2,… An que sean mutuamente exclu-
mutuamente
En general, excluyentes
si se considera y colectivamente
un conjunto exhaustivos, de eventos entonces: A1, A2,…An que sean
yentes y colectivamente
mutuamente excluyentesexhaustivos, entonces: exhaustivos, entonces:
y colectivamente
p( B / e) p( BU / e) p( B( A1 A2 ... An ) / e)
p ( B / e) = pp(( BA
BU // ee)) pp((BA B( A1/ e) A2... ...p( BA An ) // ee))
1 2 n
=
= p ( BA / e ) p ( BA
p(1B / A , e) p( A2 / e) / e) ... p ( BA n / e) (4.9)
i i
p( B / Ai , e) p( Ai / e)
= (4.9)
Esta ecuación tiene una interpretación directa usando el diagrama de Venn,
en Esta
la figura 4.33. tiene una interpretación directa usando el diagrama de Venn,
ecuación
Esta
en ecuación
la figura tiene una interpretación directa usando el diagrama de venn, en la figura
4.33.
4.33.
Figura 4.33: Expansión del evento B
A4 A5
A1
B
A6
A2
A3
El área de la región B es igual a la suma de las áreas de las regiones que B comparte con
cada una de las regiones Ai, p(BAi/ e), las cuales pueden ser rescritas usando el concepto de
expansión en cadena.
Para ilustrar la aplicación de todos estos conceptos, considérese una vez más el caso de G&M.
El Departamento de Planificación usó toda la información disponible para estimar las probabili-
dades conjuntas de costos y la solicitud de información adicional por la agencia gubernamental
(CiIj). Se estudiaron los costos en obras similares y se usó el criterio del ingeniero experto en
túneles para estimar los costos de este proyecto. También se recopiló toda la información posible
sobre las políticas de la agencia gubernamental para solicitar información adicional, todo ello
fue útil para estimar las siguientes probabilidades conjuntas:
• 114 •
Tabla 4.3: Probabilidades conjuntas
p(Ci,Ij /e)
I1 I2
C1 0.06 0.24
C2 0.36 0.16
C3 0.11 0.07
Sobre la base de estas probabilidades conjuntas, y usando el concepto de expansión, se

pueden calcular las probabilidades p(Ci/e) y p(Ij/e) que son conocidas como probabilidades
marginales, por ubicarse en los márgenes derecho e inferior de Ia tabla de probabilidades con-
juntas. Por ejemplo:
p(C1,e) = p(C1I1/e) + p(C1I2 /e) = 0.06 + 0.24 = 0.30
El conjunto total de probabilidades marginales se presenta en la siguiente tabla:
Tabla 4.4: Probabilidades conjuntas y marginales
p(Ci,Ij /e) p(Ci /e)
I1 I2
C1 0.06 0.24 0.30
C2 0.36 0.16 0.52
C3 0.11 0.07 0.18
p(Ij /e) 0.53 0.47
Las probabilidades condicionales se calculan fácilmente a partir de esta tabla, al dividir

las probabilidades conjuntas por la probabilidad marginal correspondiente. Así por ejemplo, la
probabilidad de que I1 ocurra, dado que ha ocurrido C1, será:
p(I1/C1,e) = p(C1I1/e)/p(C1/e) = 0.06/0.30
• 115 •
Las siguientes tablas muestran todas las probabilidades condicionales:

Tabla 4.5: Probabilidades Condicionales
p(Ij,Ci,e) p(Ci,Ij,e)
I1 I2 I1 I2
C1 6/30 24/30 C1 6/53 24/47
C2 36/52 16/52 C2 36/53 16/47
C3 11/18 7/18 C3 11/53 7/47
Estas probabilidades muestran, por ejemplo, que es más probable que se pida información
adicional cuando los costos están entre 10 y 12 millones de dólares, que cuando son menores
a 10 millones.
Se puede usar el árbol de probabilidades, el cual es un árbol de eventos cuyas ramas no sólo
denotan los posibles resultados sino que presentan información con respecto a la probabilidad
de su ocurrencia. Las probabilidades escritas después de un nodo son condicionales en todos
los nodos a la derecha del nodo en cuestión. En las ramas que parten del primer nodo –el de la
izquierda– se anotan las probabilidades marginales. La figura 4.34 muestra el árbol de probabi-
lidades para el caso de G&M que corresponde al árbol de eventos de la figura 4.29. Además de
asignar probabilidades a cada rama, al final se han registrado las probabilidades conjuntas.
Figura 4.34: Árbol de Probabilidades
Costos de Solicitud de Información Probabilidades

Construcción Adicional Conjuntas
I1
C1I1 0.06
6/30
C1
0.30 I2 C1I2 0.24

24/30
I1
C2I1 0.36
36/52
C2
0.52 I2
C2I2 0.16
16/52
I1
C3I1 0.11
11/18
C3
0.18 I2
C3I2 0.07
7/18
• 116 •
TEoREMA DE BAYES
El teorema de Bayes establece la relación más importante en la Teoría de Probabilidades y es
de relevancia central en el Análisis de Decisiones, ya que es la base para revisar la asignación de
probabilidades a la luz de información adicional. Se deriva fácilmente de las relaciones básicas
expuestas anteriormente.
Este teorema resuelve el siguiente problema: considerando dos conjuntos de eventos mutua-
mente excluyentes y colectivamente exhaustivos, Ai (i=1,2,…m) y Bj (j=1,2,…n), se asume que
se conocen las probabilidades marginales de los eventos Ai, y las probabilidades condicionales
p(Bj/Ai,e), para j = 1, 2, …n. ¿Cuál es la probabilidad de que Ai ocurra, si se sabe que Bj ha tenido
lugar, p(Ai/Bj,e)? Se usan estos cálculos cuando se invierte el orden de los nodos en un árbol.
Por definición:
p ( Ai B j / e)
p ( Ai / B j , e) =
p ( B j / e)
(4.10)
Usando el concepto de expansión en cadena para escribir la probabilidad conjunta del nu-
merador en términos de probabilidades conocidas, se tiene:
p ( Ai / e) p ( B j / Ai , e)
p ( Ai / B j , e) =
p ( B j / e)
(4.11)
Esta ecuación expresa la respuesta en términos de las probabilidades conocidas p(Ai/e)

y p(Bi/Ai,e), y el valor de p(Bi/e) puede ser calculado a partir de ellas, usando el concepto de
expansión en cadena (ecuación 4.9).
p ( B j / e) = ∑ p ( B j / Ak , e) p ( Ak / e)
k
Cuando se sustituye este resultado en (4.11), se obtiene la forma más común del Teorema
de Bayes:
p ( Ai / e) p ( B j / Ai , e)
p ( Ai / B j , e) =
∑ p( A
k
k / e) p ( B j / Ak , e)
(4.12)
La probabilidad condicional de Ai, dado Bj ha sido expresada en términos de las probabilidades

conocidas de los eventos Ai, y de las probabilidades condicionales de Bj, dado Ai. Puesto que
p(Ai/e) p(Bj/Ai,e) = p(AiBj/e), se puede escribir la ecuación (4.12) en una forma más simple:
p ( Ai B j / e)
p ( Ai / B j , e) =
∑ p( A B
k
k j / e)
• 117 •
Esta probabilidad condicional está representada en el diagrama de venn por el área que Ai
comparte con Bj, entre el área total de Bj, como se aprecia en la figura 4.33.
En el caso de G&M, suponiendo que se conocen las probabilidades marginales p(Ci/e) y las
condicionales p(Ij/Ci,e), esta información está contenida en el árbol de probabilidades de la figura
4.34. Además, se tienen las probabilidades conjuntas respectivas en cada nodo final, las cuales
se calcularon sobre la base de las probabilidades conocidas, usando el concepto de expansión en
cadena. El valor de las probabilidades marginales p(Ij/e) se obtiene sumando las probabilidades
conjuntas respectivas. Así, por ejemplo:
p(I1/e) = p(C1I1/e) + p(C2I1/e) + p(C3I1/e)
= 0.06 + 0.36 + 0.11 = 0.53
y ya se podrán calcular las probabilidades condicionales p(Ci/Ij,e), usando las probabilidades
conjuntas y las probabilidades marginales p(Ij/e). Por ejemplo:
p(C1/I1,e) = p(C1I1/e)/ p(I1/e)
= 0.06/0.53 = 6/53
El árbol invertido del caso de G&M está en la figura 4.35, y ofrece una manera fácil y visual
de realizar los cálculos para invertir el orden de los nodos. Primero, se calculan las probabilidades
conjuntas en el árbol original (figura 4.34) y se trasladan a los nodos finales apropiados del árbol
invertido de la figura 4.35. Segundo, se calculan las probabilidades marginales para cada rama
del ahora primer nodo, p(Ij/e),sumando las probabilidades conjuntas respectivas. Finalmente, se
calculan las probabilidades condicionales, p(Ci/Ij,e), dividiendo la probabilidad conjunta p(CiIj/e),
entre la probabilidad marginal p(Ij/e).
Figura 4.35: Árbol invertido de probabilidades
Solicitud de Información Costos de Probabilidades

Adicional Construcción Conjuntas
C1 C1I1 0.06
6/53
I1 C2 C2I1 0.36
0.53 36/53
C3
C3I1 0.11
11/53
C1
C 1I1 0.24
24/47
I2 C2 C2I1 0.16
0.47 16/47
C3
C3I1 0.07
7/47
• 118 •
Debe notarse que en el árbol invertido también se cumple la relación de expansión en cadena,
lo cual indica que las probabilidades en cada uno de los nodos finales son iguales al producto de
las probabilidades de las ramas que van desde el nodo inicial hasta dicho nodo final. Así:
p(C1I1/e) = p(I1/e) p(C1/I1,e)

= (0.53) (6/53) = 0.06
• 119 •
CAsOs
I. Haga Negocio con KIKO

En el programa de Kiko Edwards, “Haga Negocio con KIKo”, se invita a un participante a que
elija una de tres puertas: A, B ó C. El gran premio, un automóvil último modelo, se encuentra
detrás de una de estas puertas, y en las otras dos, se encuentra una yuca. La invitada de hoy,
verónica Castro, acaba de seleccionar la puerta B.
Kiko, que sabe dónde se encuentra el automóvil, abre la puerta A y muestra la yuca que se
encuentra en dicha puerta. Esto significa que el automóvil se encuentra en la puerta B ó C.
verónica está saltando de emoción y nerviosismo, pues todavía tiene la posibilidad de llevarse
el automóvil. Kiko complica las cosas: “Ahora te voy a dar una opción”, le ofrece a verónica con
una sonrisa. “Te puedes quedar con la puerta B, o te permitiré cambiar tu elección a la puerta
C. Así que, ¿cuál es tu elección?”.
verónica sabe que el automóvil fue colocado en una de las tres puertas aleatoriamente.
Además, sabe que cuando Kiko abre la puerta A, existen ciertas reglas implícitas en el proceso.
Él sabe la ubicación del automóvil, pero nunca la muestra, si no hasta el final del juego. En
este caso, hay dos posibilidades para la puerta que abrirá Kiko antes de darle la oportunidad a
verónica de que cambie de puerta:
• Si el automóvil está detrás de una puerta no escogida por el participante, Kiko abrirá
la puerta que contiene la otra yuca. En este caso, verónica escogió la puerta B. Por lo
tanto, si el automóvil esta detrás de la puerta A, Kiko abrirá la puerta C. Si esta detrás
de la puerta C, él abrirá la A.
• Si el automóvil está detrás de la puerta del participante (en este caso la B), Kiko abrirá
la puerta A ó C aleatoriamente (es decir, hay un 50% de probabilidad de que abra cual-
quiera de las dos puertas).
verónica quiere maximizar la probabilidad de escoger la puerta que tiene el automóvil. ¿Qué
debe hacer: quedarse con la puerta B o cambiarse a la puerta C? o ¿debería ser indiferente ante
las dos puertas?9
9
Marilyn Vos Savant, considerada como la mujer con más alto coeficiente intelectual, dio una respuesta a un proble-
ma similar en su columna del Sunday Parade en Setiembre de 1991, su respuesta generó polémica entre los expertos.
• 120 •
iV. PrObLemAs
1. ¿Cuál es la diferencia entre posibilidades mutuamente excluyentes e independientes?
2. ¿Cuándo se dice que una incertidumbre es discreta? ¿Y cuándo se dice que es continua?
3. ¿Qué condiciones deben cumplirse para poder describir una incertidumbre con probabili-
dades?
4. ¿De qué formas pueden presentarse las probabilidades?
5. ¿Puede usted encontrar un ejemplo no trivial (es decir, 0 < p(A/e), p(B/e) < 1) donde tanto
A como B sean mutuamente excluyentes e independientes? Dé un ejemplo o de lo contrario
muestre por qué no es posible (pág. 47).
6. ¿Pueden dos eventos no triviales ser colectivamente exhaustivos e independientes?
7. Definiendo el Evento Universal U como el conjunto de todos los números enteros positivos,
y considerando los siguientes eventos:
A = {X : X ≤ 12}
B = {X : X < 8}
C = {X : X es par}
D = {X : X es múltiplo de 4}
E = {X : X es múltiplo de 4} (pág. 47)
Exprese en términos de A, B, C, D y E (y posiblemente sus complementos) los siguientes

eventos:
a. {1, 3, 5, 7}
b. {3, 6, 9}
c. {8, 10}
d. Los números enteros positivos mayores que 12.
e. Los números enteros positivos múltiplos de 6.
f. Los números enteros que son pares y menores o iguales a 6 o que son impares y
mayores que 12.
8. El crecimiento de los distritos del norte de Lima origina problemas de tráfico y velocidad.
Debido a accidentes, el alcalde podría proponer cinco posibilidades para reducir la velocidad
en una calle muy transitada por peatones.
• 121 •
a. Una señal de PARE en la esquina A.

b. Una señal de PARE en la esquina B.
c. Un aviso de reducción de velocidad en el punto C.
d. Un aviso de reducción de velocidad en el punto D.
e. Un rompe muelle para reducir la velocidad en el punto E.
En las posibilidades finales no puede figurar alguna de las siguientes combinaciones:

- Ninguna combinación que incluya un rompe muelle y uno o dos avisos.
- Ninguna combinación de dos avisos.
- Ninguna combinación de dos señales de PARE.
Utilice las cinco propuestas independientes y las restricciones para determinar el número total de
posibilidades mutuamente excluyentes, y las posibilidades mutuamente excluyentes aceptables.
9. La cadena “Mercados Lima” está considerando incluir tres nuevos productos en su stock.
Basándose en los resultados de un estudio de mercado que mide la aceptación de estos
productos entre los clientes de “Mercados Lima”, cada producto será clasificado como
“exitoso” o “fracaso”.
a. Liste todos los posibles resultados del estudio.

b. Suponiendo que se permite una tercera clasificación para los resultados del estudio
para el segundo producto (por ejemplo, “muy exitoso”), dibuje el árbol de eventos para
este nuevo experimento. ¿Cuántos nodos finales tendrá el árbol?
10. Los socios del club “Los Cóndores” de Chaclacayo tienen una probabilidad de 0.80 de gozar
de un día de sol, mientras que la probabilidad de lluvia es de 0.10. Además, la probabilidad de
tener sol y lluvia en el mismo día es 0.05. Suponga que el experimento a analizar se refiere
a las probabilidades climatológicas de un día determinado.
a. ¿Son los eventos sol y lluvia mutuamente excluyentes?

b. Sabemos que llovió un día determinado. ¿Cuál es la probabilidad de que también haya
brillado el sol?
c. ¿Son los eventos sol y lluvia independientes?
11. ¿Cuáles de las siguientes distribuciones de frecuencia serían objetivas y cuáles subjetivas?
a. Número de caras en 100,000 lanzamientos de una moneda perfectamente diseñada.

b. Número de caras en los siguientes 100,000 lanzamientos de una moneda no probada.
• 122 •
c. Número de años prósperos en los siguientes 10 años.

d. Las ganancias de Ford Motor Company en los siguientes cinco años (número de años
rentables y números de años de pérdidas).
e. La probabilidad de sacar el nombre de un hombre, de manera aleatoria, del directorio
de estudiantes de la Universidad Católica del Perú.
12. Analizar si los siguientes eventos son dependientes o independientes:
a. Cienciano ganará la copa Libertadores.

Cienciano ganará la liga nacional.
b. El ahorro de utilizar una máquina en el año 2.
El ahorro de utilizar la misma máquina en el año 1.
c. El marketing exitoso de un auto de alto valor.
El marketing exitoso de una línea de ropa de bajo valor.
13. Una caja contiene seis bolas azules y cuatro bolas rojas. Se sacan dos bolas, una por una, sin
reemplazar la primera bola. Dibujar un árbol de eventos o posibilidades:
a. ¿Cuántos resultados posibles existen?

b. ¿Cuál es la probabilidad de obtener 2 bolas azules?
c. ¿Cuál es la probabilidad de obtener 2 bolas rojas?
d. ¿Cuál es la probabilidad de obtener 1 bola azul y 1 bola roja?
14. Un gerente de ventas numera las siguientes probabilidades para varios niveles de ventas de
un nuevo producto:
Ventas (en unidades) Probabilidad

50 0.10
100 0.30
150 0.30
200 0.15
250 0.10
300 0.05
Calcular la media, la varianza y la desviación estándar para la variable aleatoria de ventas.
15. El mercado de un cierto producto consiste en dos segmentos, uno en el cual la probabilidad
de hacer una venta es de 20% y el otro en el que es de 50%. Un vendedor que está a punto
de visitar un posible cliente, valora la probabilidad de que pertenezca al segmento malo en
un 60%.
• 123 •
Él se propone probar este punto tratando al posible cliente y revisando después su juicio previo
a la luz de los resultados de su visita.
a. ¿Cuáles son las probabilidades revisadas si él hace la venta?
b. ¿Cuáles son las probabilidades revisadas si él no hace la venta?
16. Cien personas compraron boletos de una lotería. Cuarenta son mujeres y diez tienen el grado
de bachiller. Suponiendo que cualquiera de las cien personas tiene la misma probabilidad de
ganar la lotería, y que el sexo y la educación universitaria son independientes, encuentre la
probabilidad de que el ganador sea:
a. Un hombre.
b. Un hombre sin grado de bachiller.
c. Una mujer con grado de bachiller.
17. Los directores de la compañía “Los Gatos Listos” han calculado los siguientes estimados de
las probabilidades con respecto a las utilidades anuales del próximo año.
p(Utilidades menores a las de este año/e) = 0.30

p(Utilidades iguales a las de este año/e) = 0.50
p(Utilidades mayores a las de este año/e) = 0.20
Después de mantener conversaciones con los dirigentes sindicales, el gerente de personal llegó
a las siguientes conclusiones:
p(Sindicato pedirá aumento de salarios/Utilidades menores el próximo año,e) = 0.25
p(Sindicato pedirá aumento de salarios/Utilidades iguales el próximo año,e) = 0.40
p(Sindicato pedirá aumento de salarios/Utilidades mayores el próximo año,e) = 0.90
a. Las probabilidades establecidas por los Directores y el Gerente de personal, ¿se basan
en métodos objetivos o subjetivos? Explique.
b. Determine las probabilidades de los siguientes eventos:
- La compañía logra utilidades iguales a las de este año y el sindicato pide aumento
de sueldos.
- La compañía logrará mayores utilidades el próximo año y el sindicato no demandará
aumento de salarios.
- El sindicato pide aumento de salarios.
• 124 •
18. Un estudio de mercado llevado a cabo por una empresa comercializadora de aparatos elec-
trodomésticos demostró que de las cuarenta personas entrevistadas, doce tienen secadora
de ropa, veinte tienen lavadora de ropa, dieciséis tienen horno microondas, ocho tienen tanto
secadora como horno microondas y ocho poseen lavadora y microondas. Así, se define:
S = Tener secadora
L = Tener lavadora
M = Tener horno de microondas
Basándose en la información presentada por el estudio de mercado:

a. Encontrar p(S/e), p(L/e), p(M/e), p(SM/e), p(LM/e).
b. ¿Son S y M eventos mutuamente excluyentes?
c. ¿Son L y M eventos independientes?
d. Si una persona tiene una secadora de pelo, ¿cuál es la probabilidad de que tenga
también un horno microondas?
19. Suponga que el 80% de los clientes de “Saga” son dignos de crédito. Suponga además que
la probabilidad de que un comprador digno de crédito tenga cuenta bancaria es de 75%,
mientras que esta probabilidad es de 35% para los clientes no dignos de crédito.
a. Construya un árbol de probabilidades para esta situación.

b. ¿Cuál es la probabilidad de que un cliente elegido al azar tenga cuenta bancaria?
c. Calcule la probabilidad de que un cliente con cuenta bancaria no sea digno de crédito.
d. Calcule la probabilidad de que un solicitante de crédito que no tiene cuenta bancaria
sea digno de crédito.
20. Una compañía petrolera ha comprado el derecho de explotación en el lote XY de la selva

peruana. Los estudios geológicos preliminares han permitido asignar las siguientes proba-
bilidades a priori:
p(petróleo de alta calidad/e) = 0.50

p(petróleo de mediana calidad/e) = 0.20
p(nada de petróleo/e) = 0.30
a. ¿Cuál es la probabilidad de encontrar petróleo?

b. Después de perforar 200 pies en el primer pozo, se realiza una prueba de estructuras.
• 125 •
Las probabilidades de encontrar una subestructura petrolera son las siguientes:

p(Subestr./petróleo de alta calidad,e) = 0.20
p(Subestr./petróleo de mediana calidad,e) = 0.80
p(Subestr./nada de petróleo,e) = 0.20
¿Cómo debe interpretar la compañía la prueba de estructuras?

c. ¿Cuáles son las probabilidades revisadas y cuál es la nueva probabilidad de encontrar
petróleo dado que existe subestructura?
21. Un asesor de inversiones reputado por su vasto conocimiento sobre el comportamiento de

las acciones de las minas “Macato y Cía.” nos da la siguiente información:
p(Las acciones suben 20%/PNB sube,e) = 0.60

p(Las acciones suben 20%/PNB estable,e) = 0.50
p(Las acciones suben 20%/PNB baja,e) = 0.40
Un distinguido economista que estudia las variables macroeconómicas establece que la

probabilidad de un aumento en el PNB es del 30%, mientras que la probabilidad de que baje
es de 40%.
a. ¿Cuál es la probabilidad de que la cotización de las acciones de las minas suba 20%?
b. Si nos dijeran que las cotizaciones subieron el 20%, ¿cuál es la probabilidad de un
aumento o disminución del PNB?
22. Una estación de televisión quería medir la habilidad de su meteorólogo. La información

recopilada señala lo siguiente:
• La probabilidad de que predijera día de sol en días soleados es 0.80.

• La probabilidad de que predijera día de sol en días lluviosos es 0.40.
• La probabilidad de un día de sol es 0.60.
Encuéntrese la probabilidad de que:

a. Sea un día soleado, sabiendo que ha pronosticado un día de sol.
b. Predecirá un día soleado.
• 126 •
23. A es culpable de un crimen con una probabilidad a priori de 0.4. B y C, quienes saben si A
es culpable han sido llamados a testificar. B es amigo de A y dirá la verdad si A es inocente,
pero mentirá con una probabilidad de 0.3 si A es culpable.
C odia a todos menos al Juez y dirá la verdad si A es culpable, pero mentirá con una proba-
bilidad del 0.5 si A es inocente.
B y C testifican independientemente.
a. ¿Cuál es la probabilidad de que ambos testigos mientan?

b. Dado el hecho de que B y C han presentado testimonios contradictorios:
i. ¿Cuál es la probabilidad de que B está diciendo la verdad?
ii. ¿Cuál es la probabilidad de que A sea inocente?
24. La compañía “Los Negros” vende carbón en remesas de 0.5, 1 y 2 toneladas. La probabili-
dad de que llegue un pedido de la población A es de 0.20, de la población B es 0.30 y de la
población C de 0.5. La frecuencia relativa de los pedidos de cada población y cada tamaño
aparecen en la siguiente tabla:
Tamaño de Carga (Toneladas)

Población 0.5 1 2
A 0.5 0 0.5
B 0 0.5 0.5
C 0.25 0.75 0
a. ¿Cuál es la probabilidad de que:

i. el próximo pedido sea de 0.5 toneladas?
ii. sea de 1 tonelada y provenga de C?
iii. sea de 2 toneladas o provenga de la población B?
b. Si hay un pedido por 0.5 toneladas, ¿cuál es la probabilidad de que provenga de la
población A?
c. Determine si el que haya un pedido de 1 tonelada y que provenga de la población B
son independientes.
“Los Negros” obtienen diferentes ganancias de cada tipo de remesas de carbón en cada ciudad.
Las ganancias en dólares son:
Tamaño de Carga (Toneladas)
Población 0.5 1 2
A 100 190 370
B 90 200 360
C 70 130 270
d. Encuentre la ganancia esperada de “Los Negros” por tamaño de carga.
• 127 •
25. Una mujer de 23 años concurre a la consulta aquejada de ardor al orinar. La probabilidad que
le asigna el Dr. Cárdenas de presentar infección urinaria (IU) dada su situación clínica es del
60%. El médico realiza una prueba con el objetivo de identificar la presencia de estearasa
leucocitaria en la orina, estudio que presenta una sensibilidad (probabilidad de que el resul-
tado de la prueba sea positivo, dado que la paciente tiene IU) de 99% y una especificidad
(probabilidad de que el resultado de la prueba sea negativo, dado que la paciente no tiene
IU) del 92%.
a. ¿Cuál es la probabilidad de que la paciente tenga efectivamente una infección urinaria,

dado que la prueba salió positiva?
b. ¿Cuál es la probabilidad de que la paciente tenga efectivamente una infección urinaria,
dado que la prueba salió negativa?
c. ¿Cuál es la probabilidad de que la paciente tenga efectivamente una infección urinaria?
• 128 •
CAPÍTULO 5
TOmA de deCisiOnes bAjO inCerTidUmbre

en enTOrnOs simPLes
• Introducción
• Las bases fundamentales de toda decisión
• Árboles de decisiones
• Elección de la alternativa óptima
• Loterías de rentabilidad
• Análisis de sensibilidad
• Valor esperado de la información perfecta
• Valor esperado del control perfecto
• Toma de decisiones usando información muestral
• Estrategia óptima de decisión con información muestral
• Valor esperado de la información muestral
• Casos: Exploración Petrolera y Taller Mazda Cárdenas
• Problemas
• 129 •
5.1 INTRODUCCIÓN
Como se mencionó en el capítulo 1, en la década de los ‘50 surge un enfoque que permitió
utilizar toda la información relevante, la objetiva y la subjetiva. Este enfoque se conoce como la
teoría de decisiones, y se ha incluido como un capítulo en los textos de métodos cuantitativos
para estudiantes de Administración y Economía. Su contenido generalmente presenta concep-
tos básicos que se refieren a problemas de decisión simples y bien estructurados. Esta teoría
ofrece un marco lógico y cuantitativo para escoger entre cursos alternativos de acción cuando
los resultados de esta elección no son perfectamente conocidos. La incertidumbre aparece
como una consideración relevante. Pero este enfoque estuvo recluido en el mundo académico,
para analizar problemas simples pero inciertos. Se la presentó simplemente como una nueva
e interesante teoría para estimular las capacidades analíticas de los estudiantes. Sin embargo,
no se esperaba que la aplicasen en la toma de decisiones del mundo real, dado que se verían
desanimados al enfrentarse a las complejidades de los problemas prácticos. Además, existe un
vacío en la presentación de metodologías de modelaje que permita analizar problemas complejos.
A pesar de estas limitaciones, hubo un desarrollo teórico suficiente como para responder a la
pregunta: ¿qué es una buena decisión en casos simples?
Como se menciona anteriormente, a mediados de los años ‘60 el Dr. Ronald Howard define
la disciplina del Análisis de Decisiones, al combinar las disciplinas de la Teoría de Decisiones
con la del Análisis de Sistemas. Esta combinación permite tratar los problemas de la vida real
que se caracterizan por ser inciertos, complejos y dinámicos, a través de aplicar los conceptos
de la Teoría de Decisiones a estos problemas a través del Análisis de Sistemas. Es una forma de
combinar la habilidad de tomar decisiones en situaciones de incertidumbre (Teoría de Decisio-
nes) con la de manejar características de complejidad y dinamismos (Análisis de Sistemas) en
una sola disciplina que pueda tratar simultáneamente estas tres dimensiones de los problemas
reales de toma de decisiones.
A pesar de que el Análisis de Decisiones se ha desarrollado significativamente en las últimas
décadas, los principios básicos, desarrollados por el Prof. Howard, en los años ‘60 y ‘70, han
permanecido vigentes dado que se basan en una lógica simple, y por tanto es poco probable que
cambien. El objetivo de este capítulo es presentar estos principios de la disciplina del análisis de
decisiones. En los siguientes, se desplegará cómo la disciplina se ha desarrollado.
Uno de los factores más significativos que han influenciado la práctica del análisis de deci-
siones ha sido el conocimiento acerca de los procesos cognitivos del campo de la Psicología. A
mediados de los años ‘70, el análisis de decisiones comenzó a integrar los procedimientos de las
investigaciones de Kahneman y Tversky1, con respecto a la identificación de los sesgos comunes
–motivacionales y cognitivos– que existen al emitir juicios (opiniones) sobre eventos futuros y
la toma de decisiones. Estos procedimientos muestran la necesidad de tener un desarrollo sutil
y cuidadoso al asignar probabilidades para caracterizar las variables aleatorias que influyen
en los resultados de la decisión. En el capítulo 8 se presentará el proceso de evaluación para
extraer y cuantificar las opiniones y juicios de los expertos acerca de incertidumbres relevantes,
usando probabilidades.
Otro avance en el análisis de decisiones es el uso de los diagramas de influencia, un con-
cepto muy útil y fundamental en el tratamiento de problemas complejos. Ayuda al analista de
decisiones a lograr una comunicación efectiva para evaluar la experiencia de los decisores y
1
Ver Kahneman y Tversky (1974)
• 130 •
• Capítulo 5 • Toma de decisiones bajo incertidumbre en entornos simples
expertos involucrados en el problema de decisión. En el capítulo 7 se ofrecerá esta herramienta

poderosa. En la parte 3 del libro se exhibirá un caso complejo para ilustrar la aplicación de la
metodología del análisis de decisiones a problemas de decisiones reales, con lo cual se ofrece
la oportunidad de integrar lo expuesto en los capítulos previos.
En la siguiente sección se revisará la distinción clave en el análisis de decisiones entre la calidad
de una decisión y de su resultado, para luego señalar las bases fundamentales de toda decisión.
En la sección 3 se mostrará cómo el proceso de toma de decisiones permite ser estructurado a
través de “árboles de decisiones”. La solución del árbol de decisiones, usando el valor esperado
como criterio de decisión, se presentará en la sección 4.
El cálculo del valor esperado de las diferentes alternativas depende de las probabilidades
que se usan. Estas probabilidades son evaluadas sobre la base de experiencias previas y criterios
del decisor o sus expertos. En la sección 6, análisis de sensibilidad, buscaremos responder a la
siguiente pregunta: ¿entre qué límites pueden variar las probabilidades evaluadas sin alterar la
decisión óptima? En la sección 7 se introducirá el concepto del valor esperado de la información
perfecta, y se discutirá la manera de calcularlo. El valor del control perfecto se presentará en
la sección 8. Finalmente, en las últimas secciones veremos cómo utilizar información adicional,
que no es perfecta, en el proceso de toma de decisiones, y cómo determinar su valor para el
decisor.
5.2 LAS BASES FUNDAMENTALES DE TODA DECISIÓN
El propósito del análisis de decisiones es incrementar la probabilidad de obtener buenos re-

sultados en un mundo de incertidumbres. Como se estableció en el capítulo 2, un buen resultado
es aquel que es apreciado favorablemente por el decisor; es decir, aquél que le gustaría que
ocurriera. Por otro lado, una buena decisión es aquélla a la que se llega considerando en forma
integral, lógica y explícitamente la información, alternativas y preferencias del decisor.
También se debe recordar que una decisión es una asignación irreversible de recursos, en el
sentido de que para cambiar la decisión será necesario invertir recursos adicionales que pudieran
resultar prohibitivos.
El “decisor” es el individuo, o conjunto de individuos, que tiene la responsabilidad de com-
prometer o asignar recursos de una organización. El decisor puede ser el Jefe de Almacén, el
Gerente de Producción, el Gerente General o el Directorio de una empresa, dependiendo del nivel
de la decisión. En un problema de decisiones es crucial identificar claramente al decisor, pues la
calidad de la decisión dependerá de si ésta es o no consistente con las alternativas, información
y preferencias de quien en última instancia es responsable por la decisión.
En el proceso de toma de decisiones nos enfrentamos a un entorno incierto, complejo, diná-
mico, competitivo y finito, lo que produce una reacción humana de confusión y preocupación.
Pero el hombre tiene “armas” disponibles para enfrentarse a este medio ambiente. Éstas pueden
clasificarse en tres tipos: ingenio, percepción y filosofía.
En resumen, los tres elementos básicos que interactúan en todo proceso de toma de de-
cisiones son: las alternativas, la información y las preferencias. Cuando hayamos definido las
preferencias, cuando hayamos establecido los modelos necesarios para evaluar la decisión que
• 131 •
estamos considerando y cuando hayamos asignado probabilidades a las variables inciertas,

entonces la elección de la mejor alternativa seguirá de una manera lógica y directa. Por tanto,
es fácil definir una buena decisión como aquélla que resulta como una consecuencia lógica del
análisis de las alternativas, de la sistematización de la información relevante y de las preferen-
cias explícitas del decisor. La disciplina del análisis de decisiones ha desarrollado metodologías
adecuadas para evaluar preferencias2 (al riesgo, tiempo y resultados diferentes), así como para
asignar probabilidades y estructurar o modelar el problema convenientemente.
El presente capítulo, como se mencionó anteriormente, tiene como objetivo hacer una
exposición básica de la disciplina del análisis de decisiones, para facilitar su compresión. Con
ese fin, es necesario establecer algunos supuestos para simplificar el análisis. En primer lugar,
supondremos que todos los resultados serán obtenidos de inmediato y por lo tanto no será ne-
cesario evaluar las preferencias con respecto al tiempo3. En segundo lugar, todos los resultados
posibles se expresan en unidades monetarias, lo que hará más fácil la comparación de posibles
resultados conflictivos. Finalmente, respecto de las preferencias al riesgo, supondremos que
el decisor es neutral al riesgo; es decir, que está dispuesto a aceptar el valor esperado como
criterio de decisión4.
5.3 ÁRBOLES DE DECISIONES
El árbol de decisiones es una técnica que se utiliza para estructurar el proceso de toma de
decisiones bajo incertidumbre, y su análisis se basa en la teoría de probabilidades. Para ilustrar
el uso del árbol de decisiones, consideremos el caso de la Compañía de Manufacturas Eléctricas
(CME), que produce aparatos de aire acondicionado. CME debe decidir si comprar un componente
importante para su producto final de un abastecedor, o fabricarlo en su propia planta.
En el análisis de toda decisión, una vez bien definido el problema, el siguiente paso es res-
ponder a la pregunta ¿qué podemos hacer?, para identificar las alternativas disponibles que
puede considerar el decisor. En el caso sencillo de CME, las alternativas son obvias: compra el
componente (C) y fabrica el componente (F)5.
La determinación de la mejor decisión dependerá de la aceptación de su producto final en
el mercado y, consecuentemente, de la demanda derivada del componente en cuestión. Dado
que la demanda que CME enfrenta por su producto final está fuera del control del decisor, ésta
constituye una variable aleatoria o incertidumbre. De acuerdo con la administración de CME, los
posibles valores de la demanda por su producto final pueden ser altos, medios o bajos. Luego,
las posibilidades de la demanda que CME podría enfrentar son:
DA = Demanda alta del producto final de CME

DM = Demanda media del producto final de CME
DB = Demanda baja del producto final de CME
2
Ver los capítulos 6 y 9.
3
El procedimiento de la evaluación de las preferencias con respecto al tiempo se presentan en el capítulo 6.
4
En el capítulo 9 se discute la evaluación de las preferencias con respecto al riesgo.
5
En un problema real existirán varias áreas de decisión (e.g., tecnología a utilizar, mercado a atacar, etc.) en las cuales
hay que generar opciones.
• 132 •
Estas posibilidades están claramente definidas por CME, y son mutuamente excluyentes y
colectivamente exhaustivas.
Dadas las alternativas de decisión y las tres posibilidades de la variable aleatoria, ¿cuál es
la decisión óptima para CME? Para responder esta pregunta necesitamos mayor información
respecto a las probabilidades de ocurrencia de cada posibilidad, y respecto a la relación que
existe entre las variables de decisión y aleatoria que influyen en los resultados de la decisión.
En el caso de CME la estructuración del problema es muy simple, dado que sólo tenemos una
variable de decisión (compra/fabricación del componente) y una variable aleatoria (nivel de
demanda). Debemos buscar información respecto a las ganancias netas asociadas con cada
combinación de una alternativa de decisión y una posibilidad de la demanda. Por ejemplo, ¿cuál
es la ganancia que CME obtendrá si decide comprar el componente y la demanda fuera alta?;
¿cuál es la ganancia si la empresa decide producir el componente y la demanda es media?; y
así sucesivamente.
El resultado final de la decisión se expresa en términos de ganancias netas; es decir, en una
medida de rentabilidad (valor). Utilizando la mejor información disponible, la administración de
CME ha estimado las ganancias netas para este problema, las cuales se muestran en la tabla 5.1.
Este cuadro, que se conoce como una tabla de resultados, muestra las ganancias netas para cada
combinación posible de las variables de decisión y aleatoria. En general, los contenidos de una
tabla de resultados pueden expresarse en términos de ganancias netas, costos o cualquier otra
medida adecuada de valor que represente el resultado de la decisión en la situación particular
que se está analizando.
Si la demanda por el producto final es alta, será ventajoso para CME fabricar el componente,
obteniendo una ganancia neta de $130,000. En cambio, si CME decide fabricar el componente
y la demanda es baja, los costos unitarios de producción serán altos debido a la subutilización
del equipo de producción; en este caso los ingresos no compensarán los costos, generando una
pérdida neta de $20,000. Por otro lado, si CME decide comprar el componente y la demanda
es alta, sus ganancias serán únicamente $70,000, y si la demanda es baja las ganancias serán
positivas e iguales a $10,000.
Tabla 5.1: Resultados Del Problema de CME Ganancias Netas Condicionales

(Miles de dólares)
Posibilidades de la variable aleatoria

(niveles de demanda)
Demanda Demanda Demanda
Alternativas de decisión
alta (DA) media (DM) baja (DB)
Fabricación del componente (F) 130 40 -20
Compra del componente (C) 70 45 10
Tal como se indica en el encabezamiento de la tabla 5.1, estas ganancias se denominan

ganancias condicionales, ya que cada una depende de –o está condicionada por- la decisión de
fabricar / producir el componente y del nivel de demanda que enfrente CME, por su producto
final. Puesto que el nivel de demanda es una variable aleatoria, está fuera del control del decisor.
• 133 •
Los problemas de decisión, en general, se caracterizan por la presencia de incertidumbre en re-

lación a la ocurrencia de los diversos factores que están fuera de control del decisor: variables
aleatorias. Si bien estos factores están fuera del control del decisor, éste puede caracterizarlos
a través de asignar probabilidades subjetivas a cada uno de los posibles valores de las variables
aleatorias basándose en la información disponible. Esta información es producto de la experiencia,
juicio y expectativas del decisor y/o sus expertos. Estas probabilidades subjetivas se denominan
probabilidades a priori y están sujetas a revisión a la luz de cualquier información adicional, como
se mencionó en el capítulo anterior. En el caso de CME, el decisor debe asignar probabilidades
a priori a los diversos niveles de demanda de su producto final.
De acuerdo con la experiencia de la administración de CME, se asignó una probabilidad de
ocurrencia de 0.30 al nivel alto de demanda, 0.30 a la demanda media y 0.40 a la probabilidad
de una demanda baja por el producto final. Como se vio en la sección 3 del capítulo 4, se puede
decir que la demanda tiene una distribución de probabilidades válida dado que está claramente
definida, sus posibilidades son mutuamente excluyentes y colectivamente exhaustivas, y sus
probabilidades suman uno.
Una vez que los elementos básicos del problema de decisión han quedado establecidos, el
decisor está en condiciones de elegir la mejor alternativa. Puesto que suponemos que nuestro
decisor es neutral al riesgo, éste evaluará y comparará el valor esperado de cada acción al-
ternativa expresada en ganancias netas, y elegirá aquélla que le represente el mayor beneficio
(ganancia neta esperada).
Los problemas de decisión que involucran una sola variable más otra aleatoria pueden ser
analizados utilizando las tablas de resultados. Pero cuando los problemas son más complejos
y el número de estas variables aumenta, la construcción de tales tablas se torna imposible.
Para estos casos, así como para los casos más simples, podemos usar el diagrama del árbol
de decisiones.
En general, un árbol de decisiones se construye horizontalmente comenzando del extremo
izquierdo, como se hizo con los árboles de probabilidades. El árbol de decisiones muestra la
progresión natural o lógica que ocurre en el proceso de toma de decisiones. En primer lugar,
para cada variable de decisión colocamos un nodo cuadrado, del cual saldrán tantas líneas o
ramas como alternativas u opciones disponibles existan en dicha decisión. Segundo, cada rama
es denotada por la alternativa disponible respectiva. Tercero, los terminales de las ramas de
decisión son usados como nodos de comienzo de variables aleatorias. Se usan nodos redondos
para definir las diferentes variables aleatorias del problema bajo análisis y se los nomina nodos
de azar. De cada uno de estos nodos salen tantas ramas como posibles valores pueda tomar la
primera variable aleatoria en el problema. Cuarto, los valores de la variable aleatoria se consignan
encima de la rama respectiva y su probabilidad de ocurrencia debajo de la misma. El proceso
de construcción continúa hasta que todas las posibles secuencias de variables de decisión y
variables aleatorias han sido representadas.
Las probabilidades que se registran en las ramas de las incertidumbres son probabilidades
condicionales que dependen de los valores de las variables aleatorias y de las decisiones que las
preceden. Los nodos finales del árbol representan el conjunto de todos los posibles resultados
asociados con cada una de las alternativas de decisión. La probabilidad de ocurrencia de cada
nodo final es calculada multiplicando todas las probabilidades en la secuencia de ramas que
llevan del nodo inicial del árbol al nodo final; esto es una aplicación del concepto de expansión
en cadena (ver el apéndice del capítulo 4).
• 134 •
Una vez construido el árbol de decisiones, se debe evaluar cada resultado final asociado con
la secuencia respectiva de valores de las variables aleatoria y las variables de decisiones, para
determinar las ganancias netas. En nuestro ejemplo de la CME hemos presentado una variable de
decisión y una aleatoria. La figura 5.1 muestra el árbol de este problema con la lógica progresiva
que ocurre en el proceso de toma de decisiones: primero, CME debe tomar una decisión (F o C).
Luego de que la decisión sea ejecutada, se verificará un valor de la incertidumbre expresado por
el nivel de demanda. El valor en cada nodo final del árbol representa la ganancia neta asociada
con cada secuencia particular de decisiones y variables aleatorias. Así, por ejemplo, el primer
resultado de $130,000 resultará cuando CME decida fabricar el componente (F) y el tamaño
de mercado resulte alto (DA). El segundo resultado muestra una ganancia neta de $40,000,
que se logra cuando CME toma la decisión de fabricar el componente (F) y el nivel de demanda
enfrentado sea medio (DM); y así sucesivamente.
En resumen, un árbol de decisiones está compuesto por nodos de decisión, representados
por cuadrados pequeños y nodos de azar, representados por círculos pequeños. En cada nodo de
decisión el decisor debe elegir una alternativa, representada por una rama de decisión. Selec-
cionar la mejor rama es equivalente a tomar la mejor decisión. En cambio, en los nodos de azar
círculos pequeños.
el decisor En
no puede elegir cada
entre una u nodo depues
otra rama, decisión elaleatorias
estas ramas decisor sondebe elegir una
“controladas
alternativa,
por el azar”.representada por una rama de decisión. Seleccionar la mejor rama
es equivalente a tomar la mejor decisión. En cambio, en los nodos de azar el
decisor no puede elegir entre una u otra rama, pues estas ramas aleatorias son
“controladas
Figura 5.1:por el azar”.
Árbol de decisiones del problema de CME
Figura 5.1: Árbol de decisiones del problema de CME
Nodo de Alternativas Nodos Resultados

Posibilidades
decisión de decisión de azar (ganancias netas)
DA 130
0.30
F DM 40
0.30
DB
-20
0.40
DA
70
0.30
C DM 45
0.30
DB
10
0.40
5.4. ELECCIÓN DE LA ALTERNATIVA ÓPTIMA

• 135 •
En la sección anterior hemos representado el problema de decisión en forma

de un diagrama de flujo de decisiones e incertidumbres, llamado árbol de
decisiones. Este diagrama también puede ser interpretado como un mapa
5.4 ELECCIÓN DE LA ALTERNATIVA ÓPTIMA
En la sección anterior hemos representado el problema de decisión en forma de un diagrama

de flujo de decisiones e incertidumbres, llamado árbol de decisiones. Este diagrama también
puede ser interpretado como un mapa esquemático de carreteras que describe en orden cro-
nológico los movimientos que puede elegir un decisor y los movimientos gobernados por la
naturaleza o el azar. Hay muchas rutas que llevan desde el nodo inicial hasta los nodos finales
que representan el final de cada carretera y donde se recibirán determinados premios. El mapa,
aparte de indicarnos el nombre de cada ruta, señala también las probabilidades calculadas para
las posibles rutas que salen de cada nodo de azar. Dichas probabilidades son condicionales, pues
dependen de la información de que se dispone en el nodo en cuestión. El problema de decisión
de CME puede expresarse de la siguiente manera:
Dado el árbol de decisiones o mapa de carreteras de la figura 5.1, ¿cómo puede el decisor ejercer
su control parcial para elegir la ruta óptima? En principio, el decisor debe elegir si quiere ir por
la ruta F, lo que implica fabricar el componente; o por C, que significa comprarlo. Esta elección
la hará usando el criterio del valor esperado (VE), dado que es un decisor neutral al riesgo.
Si el decisor elige la ruta F, el azar puede conducirlo por la ruta DA, DM o DB. ¿Cuánto vale
esta opción incierta de la ruta F? Si es lo suficientemente afortunado como para ser conducido
por la ruta DA y la demanda por su producto final es alta, puede recibir $130,000; pero quizá el
azar no es tan condescendiente y le conduzca por la ruta DB, sufriendo una pérdida de $20,000.
De acuerdo con el criterio del VE, si el decisor elige F, sus ganancias esperadas serán:
VE (F) = 0.30 (130) + 0.30 (40) + 0.40 (-20)

= $43 mil
Escribimos este valor esperado de F encima del nodo de azar al final de la rama F
(ver figura 5.2).
De igual manera se puede calcular el VE de C.
VE (C) = 0.30 (70) + 0.30 (45) + 0.40 (10).

= $38.5 mil
Una vez calculados los valores esperados en los nodos de azar, el decisor debe elegir qué
ruta tomar en el nodo de decisión. ¿Qué es lo que ve en la ruta F? Una alternativa con riesgo
con un valor esperado de ganancias de $43,000. ¿Qué es lo que ve en la ruta C? Una alternativa
de incertidumbre con ganancias esperadas de $38,500. Dado que el decisor desea maximizar
las ganancias netas esperadas, su elección es clara: tomará la ruta F. Esta elección se indica
en la figura 5.2 con la flecha que sale del nodo de decisión. Luego, el análisis y solución del
árbol de decisiones nos conduce a recomendar que CME fabrique el componente (F), pues le
brindará las mayores ganancias netas esperadas: $43,000. Este valor se anota encima del nodo
de decisión inicial.
• 136 •
Hemos visto cómo los árboles de decisiones pueden usarse para analizar un problema de
decisión en un mundo simplificado pero incierto. En problemas reales de decisión, sustancialmente
más complejos que el problema de CME, con muchas variables de decisión y aleatorias, el enfoque
del árbol de decisión es aún de mayor utilidad para lograr decisiones lógicas y consistentes con
la información disponible y las preferencias establecidas. Los softwares especializados como
Supertree® facilitan los cálculos.
En resumen, para analizar un problema de decisiones y establecer la alternativa óptima, el
analista debe, en primer lugar, trazar el árbol de decisiones que permita estructurar cualitati-
vamente el problema como una secuencia cronológica de elecciones que son controladas por
el decisor (variables de decisión, representadas por nodos cuadrados), y de posibilidades gober-
nadas por el azar o la naturaleza (variables aleatorias, representadas por nodos circulares). En
segundo lugar, nos trasladamos conceptualmente a los extremos o nodos finales del árbol donde
los resultados finales (premios, castigos, ganancias, costos u otras medidas de resultado/valor)
han sido calculados directamente de los datos del problema usando un modelo determinístico
que relaciona las diferentes variables6. Para resolver el árbol trabajamos hacia atrás, de derecha
a izquierda, utilizando dos mecanismos: calculamos el valor esperado en cada nodo de azar y
elegimos la mejor alternativa en cada nodo de decisión (la de máximo valor futuro si buscamos
maximizar ganancias, o la de menor valor si deseamos minimizar costos).
Figura 5.2: Solución del árbol de decisiones
Nodo de Alternativas Nodos

Posibilidades Resultados
decisión de decisión de azar
DA
130
0.30
43
43
F DM 40
0.30
43
43 DB
-20
0.40
DA 70
0.30
38.5
C DM 45
0.30
DB
10
VE(F) = .30(130)+.30(40)+.40(-20) = 43 0.40
VE(C) = .30(70)+.30(45)+.40(10) = 38.5
6
Cuando el problema es complejo, con muchas variables de decisión y aleatorias, será necesario recurrir a programas,
como Excel, para calcular el resultado asociado a cada ruta que va desde el nodo inicial hasta el nodo final en conside-
ración. Ver capítulo 11.
• 137 •
5.5 LOTERÍAS DE RENTABILIDAD
Si bien la alternativa de fabricar el componente (F) es la preferida, usando el criterio del

valor esperado, también es la que tiene la mayor incertidumbre y la probabilidad de obtener una
ganancia negativa. Por lo que es útil establecer la distribución de probabilidades de las ganancias
para las alternativas disponibles que representan las loterías de rentabilidad. En el caso simple
de CME, se pueden ordenar las ganancias netas en forma creciente, calcular las probabilidades
acumuladas (ver tabla 5.2) y luego graficarlas, las cuales se muestran en la figura 5.3.
Tabla 5.2: Cálculo de las distribuciones de probabilidades acumuladas
Alternativa F Alternativa C
Ganancias Ganancias
Probabilidad Probabilidad Probabilidad Probabilidad
Ordenadas Ordenadas
p(Gi/e) p(G ≤ Gi/e) p(Gi/e) p(G ≤ Gi/e)
(Gi) (Gi)
-20 0.40 0.40 10 0.40 0.40
40 0.30 0.70 45 0.30 0.70
130 0.30 1.00 70 0.30 1.00
Las distribuciones de probabilidades acumuladas, para ambas alternativas están dadas por
unas funciones discontinuas. La figura 5.3 permite observar que no existe dominación estocástica
de ninguna de las estrategias, pues para ganancias negativas (perdidas), la alternativa C tiene
una mayor probabilidad de producir una ganancia mayor que la de la alternativa F7.
Figura 5.3: Distribuciones de Probabilidades Acumuladas de las Ganancias
p (G ≤ Gi/e)
1.00
F
0.70
-20 0 40 100 130 Ganancias
7
Para una discusión de la dominancia estocástica de alternativas véase la sección 5 del capítulo 3, y el Apéndice del
capítulo 12.
• 138 •
En resumen, si bien la alternativa F tiene el mayor valor esperado, también tiene la mayor
incertidumbre (las ganancias varían entre -20 y 130) y tiene riesgo (una probabilidad del 40% de
terminar con una perdida de -20). Mientras que la alternativa C tiene un menor valor esperado,
menor incertidumbre y ningún riesgo.
Aparte de obtener los valores esperados y las loterías de rentabilidad de las alternativas, se
puede hacer un análisis para lograr mayores entendimientos en la toma de decisiones.
5.6 ANÁLISIS DE SENSIBILIDAD
En el proceso de toma de decisiones bajo incertidumbre, las probabilidades de ocurrencia

de los diferentes valores de las variables aleatorias afectan el cálculo del valor esperado y, por
tanto, la elección de la alternativa óptima. Los decisores o sus expertos evalúan estas probabi-
lidades sobre la base de la información acumulada en experiencias previas y usando su criterio.
Y hemos dicho que no hay tal cosa como una probabilidad correcta. La única preocupación es
si las probabilidades asignadas reflejan adecuadamente el conocimiento limitado del decisor y/o
sus expertos. Sobre todo en un problema de decisión donde se enfrenten situaciones nuevas y
no se tengan experiencias previas para lograr “buenos” estimados de las probabilidades relacio-
nadas con tales circunstancias. Esta situación es típica cuando se lanza un nuevo producto al
mercado y los estimados de las probabilidades correspondientes podrían ser menos confiables.
En estos casos el análisis de sensibilidad respecto de las probabilidades ofrece al decisor una
herramienta para determinar cuán dependiente es la decisión de los valores de las probabilidades
utilizadas en el modelo.
Para el caso de CME, en el análisis de sensibilidad nos preguntamos: ¿entre qué límites
puede variar la probabilidad de que la demanda sea alta (DA) sin que la decisión óptima de
fabricar el componente (F) cambie? Así, si la probabilidad de enfrentar una DA fuera 0.25 en
lugar de 0.30, ¿resultará todavía conveniente fabricar el componente? Al hacer este análisis de
cuán sensible es la decisión de fabricar / comprar a las variaciones de la probabilidad de DA,
podremos establecer cuán importante es obtener un estimado confiable de esta probabilidad.
Usaremos el análisis de sensibilidad para establecer el rango de la probabilidad de DA en el cual
la alternativa de fabricar sigue siendo la más rentable. Para determinar este rango supondremos
arbitrariamente que la probabilidad de DM será cero y por tanto la variación en la probabili-
dad de DA se verá compensada por variaciones en la probabilidad de DB. Con este supuesto
podemos establecer el punto donde el valor esperado de fabricar es igual al valor esperado de
comprar [VE(F) = VE(C)], es decir, aquel punto donde resulta indiferente fabricar o comprar el
componente. Dado que p(DB/e) + p(DA/e) + p(DM/e) = 1.0 y que p(DM/e) = 0, y definiendo
p(DA/e) = X y p(DB/e) = 1.0 - X, tendremos:
VE(F) = 130(X) + 40(0) - 20(1.0-X) = 150X - 20 (5.1)

VE(C) = 70(X) + 45(0) + 10(1.0-X) = 60X + 10 (5.2)
• 139 •
En la figura 5.4 se han ilustrado las ecuaciones (5.1) y (5.2), que representan los valores
esperados de las dos alternativas para diferentes valores de X o p(DA/e) cuando p(DM/e) se
hace cero. Vemos que cuando VE(F) = VE(C), X es igual a 0.33; entonces, para p(DA/e) = 0.33,
p(DM/e) = 0 y p(DB/e) = 0.67, nos resultará indiferente fabricar o comprar el componente.
Además, la figura 5.4 nos muestra que cuando la probabilidad de DA toma valores mayores
que 0.33, VE(F) > VE(C); es decir, que es más conveniente fabricar que comprar el componente. En
cambio, cuando la probabilidad de enfrentar una demanda alta es menor que 0.33, las ganancias
netas esperadas al fabricar el componente son menores que las ganancias que se obtendrían si
se compra, y, por tanto, la decisión óptima variará.
Figura 5.4: Análisis de Sensibilidad
140 VE(F) = 150X - 20
120
VE(C) = 60X + 10
100
80
60
40
20
X = p(DA)/p(DM) = 0
.1 .2 .3 .4 .5 .6 .7 .8 .9 1.0
.33
Hemos realizado el análisis de sensibilidad respecto de la probabilidad de enfrentar una de-

manda alta, suponiendo que la probabilidad del nivel medio de demanda será cero; podríamos
efectuar el mismo análisis para cualquiera de las otras dos probabilidades y generar un gráfico
similar al anterior. Esta aproximación del análisis de sensibilidad de dos ramas es usada para
facilitar la interpretación. Hay otras aproximaciones, que algunas veces podrían ser apropiadas. Por
ejemplo, el mantener la probabilidad de la rama intermedia constante y entonces la variación en
la probabilidad de la primera rama se verá compensada en la probabilidad de la última rama.
5.7 VALOR ESPERADO DE LA INFORMACIÓN PERFECTA (VEIP)
Los expertos de CME afirman que la probabilidad de enfrentar una demanda alta para el equipo
de aire acondicionado que fabrica esta compañía es de 0.30, mientras que la probabilidad de una
demanda media y baja es de 0.30 y 0.40, respectivamente. Tomando como base esta información,
se estableció que la alternativa óptima es fabricar el componente requerido. Por otro lado, el análisis
de sensibilidad realizado en la sección anterior nos indica que la decisión de fabricar el componente
no será la óptima si la probabilidad de enfrentar una demanda alta es menor a 0.33. Es lógico que
la Gerencia de CME quiera mejorar la confiabilidad de sus estimaciones de las probabilidades de
• 140 •
la variable aleatoria mediante la recopilación de información adicional. Esta información puede

recogerse, por ejemplo, a través de entrevistas y discusiones con expertos externos, o contratación
de un estudio de mercado, y tendrá necesariamente un costo asociado a ella.
Antes de determinar si merece o no la pena recoger esta información adicional, es deseable
preguntarse cuál es el valor de la información perfecta o del clarividente, como se explicó en la
sección 6 del capítulo 3. Es decir, cuánto estaríamos dispuestos a pagar por deshacernos de la
incertidumbre inherente a la variable aleatoria. Como se señaló antes, una de las características
poderosas del análisis de decisiones es la habilidad para asignar un valor a la eliminación de la
incertidumbre antes de tomar la decisión.
La información perfecta es un caso especial de cualquier esquema de recolección de in-
formación, y es muy difícil alcanzar en la práctica. Pero hay dos razones para determinar su
importancia antes de calcular el valor de cualquier información adicional que sabemos será
imperfecta. Primero, la jerarquía de la información perfecta representará el límite superior del
valor de cualquier información imperfecta. Segundo, su valor sugiere en qué instancia sería
conveniente planificar acciones de recolección de información, en el caso de que tengamos
varias incertidumbres en nuestro problema de decisión. Si la calidad de la información perfecta
es baja, no será rentable invertir recursos adicionales en conseguir mayor información dado que
los costos de obtener esta información podrían superar fácilmente el valor límite establecido por
el costo de la información perfecta. En cambio, si el VEIP es alto, podría ser útil dedicar algún
esfuerzo a ejecutar programas para mejorar la información.
El valor de la información perfecta es fácil de calcular una vez que la estructura del árbol
de decisiones ha sido establecida. El procedimiento es simple; se debe cambiar el orden de los
nodos en el árbol, colocando el nodo de azar que representa la resolución de la incertidumbre
antes de cualquier nodo de decisión. El resto del árbol permanece igual. Ilustraremos este pro-
cedimiento usando el caso de CME8.
Poner el nodo de azar al comienzo del árbol de decisiones significa preguntarnos cuál es el
valor esperado de la decisión si podemos elegir el curso de acción después de enterarnos del
verdadero valor que tomará la variable aleatoria; esto es, después de obtener la información
perfecta que nos brindará el clarividente. Así, la figura 5.5 nos muestra el árbol para calcular el
valor esperado con información perfecta (VECIP) en el problema de CME.
De la figura 5.1 vemos que si CME enfrenta, en efecto, una demanda alta (DA), la mejor
alternativa es fabricar el componente, obteniendo una ganancia neta de $130,000, que es mayor
que la ganancia de $70,000 que obtendría si decide comprar. De igual manera, si la demanda es
media (DM), la mejor alternativa es comprar obteniendo una ganancia neta de $45,000; final-
mente, si la demanda es baja (DB), la mejor alternativa es comprar obteniendo una ganancia neta
de $10,000, que es mejor que perder $20,000 si se decide fabricar. Todo esto está representado
en la figura 5.5. La información perfecta le permite a CME, por sí misma, dado su estado de
información (probabilidades), esperar una ganancia neta de $130,000 con una probabilidad de
0.30, una ganancia de $45,000 con una probabilidad de 0.30, y una ganancia de $10,000 con
una probabilidad de 0.40. Luego, el VECIP es de:
VECIP = 130 (.30) + 45 (.30) + 10 (0.40)

= $ 56.5 mil
8
Un mayor detalle de este procedimiento se verá en el capítulo 12, y se usará Supertree® para facilitar los cálculos y
análisis.
• 141 •
El incremento en el valor esperado debido a la disponibilidad de información perfecta estará

dado por:
VEIP = VECIP - VESIP
Donde: VEIP: Valor esperado de la información perfecta.

VESIP: Valor esperado sin información perfecta.
De la figura 5.2 tenemos que el VESIP es de $43,000; luego, el VEIP será:
VEIP = 56.5 - 43
= $13.5 mil
Este valor representa el máximo valor posible en el que CME podría ver incrementada su
ganancia esperada si cuenta con información cierta con respecto al nivel de demanda de su
producto final. Pero sabemos que cualquiera sea el experimento muestral o estudio de mercado
a realizarse, éste no brindará información “perfecta”. En cualquier caso, CME sabe que nunca
debe pagar más de $13,500 por cualquier información adicional, no importa cuán buena sea ésta.
Por ejemplo, si la mejor compañía consultora propone a CME hacer un estudio de mercado para
mejorar la evaluación de probabilidades de los diferentes niveles de demanda y solicita $16,000
por realizar dicho estudio, sería absurdo pagar dicha suma por una información imperfecta
sabiendo que la información perfecta vale solamente $13,500.
Figura 5.5: Cálculo del valor esperado de la información perfecta
130
DA F
130
0.30
56.5
45
DM C
45
0.30
10
DB C
10
0.40
VECIP = .30(130) + .30(45) + .40(10) = 56.5
VEIP = VECIP – VESIP
= 56.5 – 43 = 13.5
• 142 •
5.8 VALOR ESPERADO DEL CONTROL PERFECTO (VECP)
Otro concepto útil en el análisis de decisiones es el del valor del control perfecto, también
conocido como el valor del “genio”. Este concepto permite lograr entendimiento sobre el valor
relativo de las incertidumbres críticas en un problema de decisiones. Este valor se puede calcular
usando los árboles de decisiones, el procedimiento es similar al usado en el cálculo del valor de
la información perfecta o del clarividente.
En la sección anterior se vio que el clarividente –quien puede ver el futuro pero no puede
cambiarlo– es muy valioso para el decisor, pues le ayuda a determinar el valor de la información
perfecta; pero el genio –quien puede conceder deseos y, por lo tanto, cambiar el futuro- es
más valioso aún. El efecto del control perfecto es que el decisor puede solicitar al genio hacer
que uno de los posibles valores de una variable aleatoria realmente ocurra. Es decir, el valor del
control perfecto significa cuánto mejor estaría el decisor si se lograra controlar el resultado de
una incertidumbre clave que genera riesgo; o en otras palabras, cuánto de valor se añadiría si
se logra el control perfecto sobre el valor de la incertidumbre bajo análisis.
El efecto del control perfecto es que el decisor puede elegir una de las posibilidades futuras
(rama) de la variable aleatoria que desee que suceda. Luego, el procedimiento para calcular el
valor del control perfecto, igual que en el caso de VEIP, consiste en cambiar el orden de los nodos
en el árbol, colocando el nodo de azar que representa la variable de interés antes de cualquier
nodo de decisión. Después escogerá la rama (valor de la variable) con el mejor valor esperado
para ese nodo y establecerá la diferencia entre este valor y el valor original (sin control). Así, en
el caso de CME, el valor perfecto para el nivel de demanda (D) se puede obtener de examinar el
árbol de la figura 5.5 donde el nodo del nivel de demanda está al inicio del árbol de decisión.
La rama superior del nodo de demanda, DA, muestra que si hubiera alguna manera de lograr
que la demanda fuese alta, daría un valor esperado (VE) de 130,000 dólares (que es el mayor VE
de las tres ramas). Luego, el valor esperado del control perfecto se calcula por sustracción:
VECP(D) = VECCP(D) – VESCP(D)

= 130 – 43 = $87 mil
donde: VECP (D) es el valor esperado del control perfecto en D (demanda)

VECCP(D) es el valor esperado con control perfecto en D
VESCP(D) es el valor esperado sin control perfecto en D
Es decir, si se pudiera lograr que la demanda fuese alta (DA) el VE se incrementaría de $43
a $130 mil. Luego, el desafío es preguntar al decisor y a sus expertos qué pueden hacer para
asegurar que el nivel de demanda sea alto (DA). Por lo tanto, el VECP brinda un límite superior
para la cantidad que CME debería estar dispuesta a gastar en un procedimiento de control sobre
el nivel de demanda.
• 143 •
5.9 TOMA DE DECISIONES USANDO INFORMACIÓN MUESTRAL
En la sección 5 se estableció la manera de calcular el valor de la información perfecta, pero

también se mencionó que es muy difícil, sino imposible, comprar información perfecta. Aún
cuando compremos resultados de investigación de mercado de la mejor compañía de mercado-
tecnia, esta información adicional no será perfecta; es decir, la compañía de mercadotecnia no
podrá predecir la demanda de CME con una exactitud absoluta. Si tenemos un historial sobre
sus predicciones anteriores, podremos establecer las probabilidades sobre la precisión de sus
estudios. Estas probabilidades se conocen como la función de verosimilitud, en la terminología
del teorema de Bayes9. Usaremos este teorema para revisar las probabilidades a priori o preli-
minares sobre la base de la información adicional, bajo el entendimiento de que no lograremos
una certidumbre completa.
La búsqueda de información adicional es usualmente lograda a través del diseño de “experi-
mentos” para brindar la información más actualizada acerca de los valores de la incertidumbre
bajo análisis. Ejemplos de experimentos son la toma de muestras de un embarque para ver la
calidad del producto recibido, pruebas médicas e investigación de mercados. Estos experimentos
permiten una revisión o actualización de las probabilidades de los valores de la incertidumbre.
Ilustraremos este proceso usando el problema de CME.
La Compañía de Manufacturas Eléctricas asignó la probabilidad de 0.30 a DA, 0.30 a DM
y 0.40 a DB. Usando estas probabilidades a priori encontramos que la decisión de fabricar (F)
el componente es la óptima, resultando una ganancia esperada de $43,000. Además, calcu-
lamos que el VEIP es de $13,500, lo que nos indica que la nueva información acerca del nivel
de demanda puede potencialmente valer hasta $13,500. Ahora supongamos que CME está
considerando contratar los servicios de una firma de mercadotecnia para estudiar el tamaño de
mercado de su producto. El estudio de investigación de mercado brindará nueva información,
la cual puede combinarse con las probabilidades a priori a través del teorema de Bayes para
obtener probabilidades revisadas o actualizadas de los niveles de demanda, conocidas como
probabilidades posteriores.
A la información adicional obtenida a través de la “experimentación” se la denota como un
indicador o información muestral, dado que en muchos casos el experimento consiste en tomar
una muestra estadística. Usando la terminología de indicador (I) señalaremos el resultado del
estudio de mercadotecnia de la siguiente manera:
I: Reporte favorable del estudio de mercado; la muestra tomada expresa un interés con-
siderable en el producto de CME.
I’: Reporte no favorable; la muestra expresa poco interés por el producto de CME.
Dada la derivación del reporte, nuestro objetivo es mejorar los estimados de las probabi-
lidades de los diferentes niveles de demanda tomando como base los resultados del estudio
de mercado. Es decir, buscamos encontrar las probabilidades revisadas de la forma p(DA/I,e),
p(DA/l’,e), p(DM/I,e), etcétera, donde p(DA/I,e) representa la probabilidad condicional de que
DA ocurra dado que el resultado del estudio de mercado fue favorable (I).
9
Ver la sección 5, del capítulo 4.
• 144 •
Para usar el teorema de Bayes y poder revisar las probabilidades originales, necesitamos contar
con estimados de las probabilidades condicionales de cada uno de los indicadores con respecto
a los diferentes niveles de demanda; es decir, necesitamos las funciones de verosimilitud: p(I/
DA,e), p(I’/DA,e), p(l/DM,e), etcétera. Las fuentes principales para estimar estas funciones de
verosimilitud son los datos históricos o estimados subjetivos basados en la experiencia y criterio
de los expertos, que sirven para evaluar la calidad de la predicción de la compañía de merca-
dotecnia. Así, un estimado de p(I/DA,e) nos indica con qué frecuencia un estudio de mercado
resultó favorable cuando el nivel de demanda fue efectivamente alto.
El registro histórico de la compañía de mercadotecnia en estudios similares ha permitido a
la administración de CME estimar las siguientes probabilidades condicionales relevantes:
p(I/DA,e) = 0.65
p(I/DM,e) = 0.45
p(I/DB,e) = 0.15
Estos estimados indican que cuando el verdadero nivel de demanda es alto, el estudio de
mercado será favorable el 65% de las veces y desfavorable el 35% [p(I’/DA,e) = 0.35]. Cuando
el nivel de demanda es medio, el reporte del estudio de mercado será favorable el 45% de las
veces, mientras que si el nivel de demanda es bajo, el reporte sólo será favorable el 15% de las
veces. Ahora veamos cómo podemos utilizar esta información adicional en el proceso de toma
de decisiones.
La figura 5.6 muestra el árbol de decisiones relevante si se decide encargar el estudio de
mercado. A medida que nos trasladamos de izquierda a derecha, el árbol nos muestra el orden
cronológico del proceso de toma de decisiones. En primer lugar, CME obtendrá el reporte del
estudio de mercado (I o I’); luego, sobre la base de este reporte, CME tomará una decisión (F o
C); y finalmente, se verificará el tamaño de mercado específico que en efecto se enfrentará (DA,
DM o DB). La combinación de la decisión y el nivel de demanda definirán el nivel de ganancias
netas, las cuales se muestran al final del árbol de decisiones.
Note que en la figura 5.6 hemos usado un nodo de azar con dos ramas, I e I’, para evaluar los
resultados del estudio de mercado, porque estos resultados no están bajo el control del decisor
sino determinados por el azar. Al final de estas ramas tenemos un nodo de decisión en el que
el decisor debe elegir entre fabricar o comprar el componente. Seleccionar la mejor rama de
decisión es equivalente a tomar la mejor decisión. Sin embargo, para seleccionar la mejor rama
se necesita conocer el valor esperado en cada una de estas ramas. Para calcular estos valores
es necesario averiguar las probabilidades asociadas con cada una de las ramas DA, DM y DB
que están al final de cada rama de decisión. Recordemos que las ramas de azar están fuera del
control del decisor, y que dependen de la probabilidad asociada con cada una. Entonces, antes de
continuar con el análisis del árbol de decisiones y establecer una estrategia de decisión, debemos
completar la información en el árbol de decisiones de la figura 5.6 calculando las probabilidades
asociadas con cada rama de azar tanto para el resultado del estudio de mercado como para el
nivel de demanda. Dado que los niveles de demanda se verifican después de que los resultados
del estudio de mercado han sido revelados, necesitamos calcular las probabilidades condicionales
o probabilidades posteriores: p(DA/I,e), p(DA/I’,e), p(DM/I,e), etcétera.
• 145 •
Figura 5.6: Compañía de Manufacturas Eléctricas: árbol de decisiones con estudio del
mercado
Resultados Alternativas Niveles

Estudios Resultados
de Decisión de demanda
de Mercado
DA 130
F DM 40
I DB -20
DA 70
C DM 45
DB 10
DA 130
F DM 40
DB -20
I’
DA 70
C DM 45
DB 10
Utilizando el concepto de expansión en cadena explicado en el capítulo 4, estamos en con-

diciones de escribir las probabilidades conjuntas de la siguiente manera:
p(DA,I/e) = p(DA/e) * p(I/DA,e)

p(DA,I’/e) = p(DA/e) * p(I’/DA,e)
p(DB,I’/e) = p(DB/e) * p(I’/DB,e)
Prob. Previas * Función de Verosimilitud
Estas probabilidades conjuntas pueden calcularse, dado que conocemos tanto las probabili-
dades previas (figura 5.1) como las funciones de verosimilitud. Así, por ejemplo, la probabilidad
conjunta de obtener un nivel de demanda alto y de que el informe sea favorable es:
p(DA,I/e) = p(DA/e) * p(I/DA,e)

= (0.30) (0.65) = 0.195
Recurriendo una vez más al concepto de expansión en cadena, esta probabilidad conjunta
también puede escribirse de la siguiente manera:
p(DA,I/e) = p(I/e) p(DA/I,e)
• 146 •
De donde puede despejarse la probabilidad posterior, p(DA/I,e), obteniendo:
p(DA/I,e) = p(DA,I/e) (5.3)

p(I/e)
El valor de p(I/e), la probabilidad de obtener un reporte favorable del estudio de mercado, co-
nocida como la probabilidad pre-posterior, se obtiene sumando las probabilidades conjuntas:
p(I/e) = p(DA,I/e) + p(DM,I/e) + p(DB,I/e) (5.4)
Estas probabilidades conjuntas se calcularon multiplicando las probabilidades previas por

la función de verosimilitud, como se muestra en el árbol de asignación de probabilidades de la
figura 5.7. Reemplazando estos valores en la ecuación (5.4), obtenemos:
p(I/e) = 0.195 + 0.135 + 0.060 = 0.39
Luego, la probabilidad posterior, expresada en la ecuación (5.3), será:
p(DA/I,e) = 0.195 = 0.50

0.390
Este es el procedimiento bayesiano para calcular las probabilidades revisadas, las cuales se
presentan en el árbol cronológico de la figura 5.7. Como su nombre lo indica, este árbol representa
las incertidumbres en el orden cronológico en que suceden. Primero se conoce el resultado del
estudio de mercado, luego el nivel de demanda que enfrentará CME por su producto.
• 147 •
Este es el procedimiento bayesiano para calcular las probabilidades
revisadas, las cuales se presentan en el árbol cronológico de la figura 5.7.
Como su nombre lo indica, este árbol representa las incertidumbres en el orden
cronológico en que Estratégicas
Análisis de Decisiones suceden, primero se conoce el resultado del estudio de
mercado, luego el nivel de demanda que enfrentará CME por su producto.
Figura 5.7: Cálculo de probabilidades posteriores o revisadas
Árbol de asignación
Árbol cronológico
de probabilidades
II
.65 .195 = p(DA,I)
.65
C
DA1 DA
.195
0.30 .50
0.30
I’
I’ .105 II DM
.35
.35 .39 .135
.39 .35
II
.135 BAYES DB
.45
.45 .06
C2
DM .15
0.30
0.52 DA
.105
I’
I’
.165 .17
.55
.55
I’
I’ DM
II .165
.15
.06 .61
.61 .27
.15
C3
DB DB
0.40 .340
.56
0.18 I’
I’ .340
.85
.85
p(DA) * p(I/DA) = p(DA,I) = p(I) * p(DA/I)

Probabilidad * Función de Pre-posterior * Probabilidad
Previa Verosimilitud Posterior
Orden de Asignación de
Orden Cronológico
Probabilidades
BAYES: p(DA/I) = p(DA) * p(I/DA)

p(I)
Resumiendo, podemos decir que hay tres pasos para calcular las
probabilidades posteriores
Resumiendo, podemos o revisadas.
decir que Primero
hay tres pasos para calcularcalculamos lasposteriores
las probabilidades probabilidades
o
conjuntas
revisadas. Primero calculamos las probabilidades conjuntas en el árbol de asignación de probabi- a los
en el árbol de asignación de probabilidades y las trasladamos
nodos
lidadesfinales del árbol
y las trasladamos cronológico.
a los Segundo,
nodos finales del calculamos
árbol cronoló gico. Segundo,las probabilidades
calculamos las
probabilidades pre-posteriores, sumando las probabilidades conjuntas respectivas. Finalmente,
calculamos las probabilidades revisadas usando la relación de probabilidad condicional (ecuación
5.3). Debemos señalar que en el árbol cronológico también se cumple la relación de expansión
en cadena, lo que implica que las probabilidades en los nodos finales son iguales al producto de 18
las probabilidades de las ramas que van desde el nodo inicial hasta dicho nodo final. Así:
p (I’, DB/e) = p (I’/e) p(DB /I’,e)

= (0.61) (0.56) = 0.34
Las probabilidades posteriores representan las probabilidades estimadas de cada nivel de

demanda dado el resultado del estudio de mercado; p(DA/I,e) = 0.50, por ejemplo, indica que
hay una probabilidad de 0.50 de que el nivel de demanda sea alto cuando se obtiene un reporte
favorable en el estudio de mercado. Sin embargo, vemos que el nivel de demanda del producto
de CME puede ser medio o bajo, a pesar de que el reporte sea favorable. Así, p(DM/l,e) = 0.35
y p(DB/l,e) = 0.15. Pero debemos apreciar que las probabilidades originales (previas) han sido
revisadas dado el reporte favorable; así, la probabilidad de DA pasó de 0.30 a 0.50 [(p(DA/e) =
0.30; ahora, p(DA/I,e) = 0.50)]. De igual manera, las probabilidades revisadas dado un reporte
• 148 •
desfavorable han variado con respecto a las probabilidades previas (e.g., p(DA/e) = 0.30; ahora,
p(DA/I’,e) = 0.17). Ver el árbol cronológico de la figura 5.7.
Con las probabilidades de los resultados del estudio de mercado, p(I/e) y p(I’/e) y las proba-
bilidades posteriores, podremos completar nuestro árbol de decisiones con toda la información
requerida para su solución, como se muestra en la figura 5.8. Estaremos listos para desarrollar
una estrategia óptima de decisión para CME si es que el estudio de mercado se lleva a cabo.
5.10 ESTRATEGIA ÓPTIMA DE DECISIÓN CON INFORMACIÓN MUESTRAL
Con el árbol de decisiones completo, ahora podemos resolver nuestro problema para en-
contrar la decisión óptima para CME. Como se señaló en la sección 3, para resolver el árbol de
decisiones nos trasladamos conceptualmente a los nodos finales del árbol y trabajamos hacia
atrás utilizando dos mecanismos: calculamos el valor esperado en cada nodo de azar, y elegi-
mos la mejor alternativa en cada nodo de decisión. Así, en la figura 5.8 primero calculamos los
valores esperados para los nodos de azar que representan el nivel de demanda. Para el nodo de
azar que está después de las ramas I y F, por ejemplo, tenemos:
VE(I,F) = 0.50(130) + 0.35(40) + 0.15(-20) = 76
Figura 5.8: Solución del árbol de decisiones del problema de CME, con la realización de
estudios de mercados
DA
.50
130
76
F DM
.35 40
76 DB
-20
I .15
.39 DA
70
52.25 .50
C DM
.35
45
DB
10
.15
47.73
DA
130
21.7 .17
F DM
.27 40
29.65 DB
-20
I’ .56
.61 DA
70
29.65 .17
C DM
.27 45
DB
10
.56
• 149 •
Y diremos que el VE, de tener un informe favorable (I) y de fabricar el componente (F), es
de $76,000. Este valor está escrito encima del nodo de azar respectivo. De igual manera se
calcularon los valores esperados para los otros nodos de azar:
VE(I,C) = 0.50(70) + 0.35(45) + 0.15(10) = 52.25

VE(I’,F) = 0.17(130) + 0.27(40) + 0.56(-20) = 21.70
VE(I’,C) = 0.17(70) + 0.27(45) + 0.56(10) = 29.65
Continuamos trabajando hacia atrás en el árbol de decisiones y nos encontramos en los

nodos de decisión. Aquí el decisor debe elegir F ó C, dado el resultado del reporte del estudio
de mercado. Como el decisor está tratando de maximizar las ganancias netas esperadas, su
elección es clara: si el reporte es favorable (I), la decisión óptima es fabricar el componente (F);
si el reporte no es favorable (I’), la decisión óptima es comprar el componente (C). Es decir, si
el reporte es favorable y dado que la decisión óptima de fabricar el componente resulta en un
valor esperado de $76,000, diremos que el VE en el nodo de decisión es de $76,000, y anotamos
este valor encima de dicho nodo. De manera similar, si el reporte no es favorable y dado que
la decisión óptima de comprar (C) ofrece un valor esperado de $29,650, anotamos este valor
encima del nodo de decisión. Resumiendo, para los nodos de decisión que están después de las
ramas del resultado del estudio de mercado, tenemos:
VE(I) = $76,000
VE(I’) = $29,650
Como último paso, continuaremos trabajando hacia atrás al nodo de azar que representa al
indicador de mercado y calcularemos su valor esperado:
VE (con estudio de mercado) = 0.39 (76,000) + 0.61 (29,650) = $47,727
Los $47,727 representan el valor esperado de la estrategia óptima de decisión cuando se

encarga realizar el estudio de mercado. También se lo conoce como el VE de usar información
muestral.
Debemos señalar que la decisión final todavía no se ha determinado. Necesitamos conocer
el resultado del estudio de mercado antes de decidir si fabricar (F) o comprar (C) el componente
para la fabricación de los aparatos de aire acondicionado. Sin embargo, los resultados del análisis
de la teoría de decisiones nos definen la siguiente estrategia de decisión óptima, si el estudio
de mercado se lleva a cabo:
• Si el reporte es favorable (I), entonces se debe fabricar el componente, para maximizar

las ganancias esperadas.
• Si el reporte no es favorable (I’), entonces se debe comprar el componente.
• 150 •
Hemos visto cómo los árboles de decisiones pueden usarse para desarrollar estrategias óp-
timas en problemas de decisión en un mundo incierto cuando es posible realizar “experimentos”
para conseguir información adicional. Si bien otros problemas reales de decisión pueden ser más
complejos que el problema de CME, el enfoque que hemos presentado es igualmente aplicable.
En primer lugar, el analista debe trazar el árbol de decisiones consistente de nodos y ramas que
representan el resultado del experimento; luego se grafican las decisiones alternativas y las va-
riables de azar de tal manera que el árbol describa el proceso de toma de decisiones específicas.
Debemos señalar que la diferencia entre un árbol de decisión sin información adicional y uno
con información experimental, es que este último tiene un nodo de azar adicional al comienzo
del árbol, que representa el resultado de la recolección de información (indicador). El nodo de
azar que representa la variable aleatoria en cuestión (e.g., nivel de demanda) permanece en
su lugar original, pero las ramas que salen de este nodo tienen nuevas probabilidades que se
asignan sobre la base de la información adicional recibida. En el árbol original se utilizaron las
probabilidades previas, pero en el árbol con información adicional se usan las probabilidades
revisadas o posteriores. Es decir que será necesario aplicar el teorema de Bayes para determinar
las probabilidades del resultado de la información adicional y las probabilidades revisadas de la
variable aleatoria. Luego, trabajando hacia atrás en el árbol, calculando valores esperados en los
nodos de azar y eligiendo la mejor rama de decisión en los nodos de decisión, el analista puede
determinar la estrategia óptima de decisión y el valor esperado asociado al problema.
5.11 VALOR ESPERADO DE LA INFORMACIÓN MUESTRAL
Al igual que calculamos el valor esperado de la información perfecta (VEIP) en la sección 7,

aquí podremos calcular el valor esperado de la información muestral (VEIM). En el problema de
CME establecimos una estrategia óptima de decisión de fabricar el componente si el reporte del
estudio de mercado es favorable y de comprar el componente si el reporte no es favorable. Pero
dado que la información adicional suministrada por la compañía de mercadotecnia resultará en
un costo adicional para CME, será importante determinar el valor de esta nueva información.
Este valor esperado incremental de la información muestral estará dado por:
VEIM = VECIM - VESIM
donde VECIM: Valor esperado con información muestraI

VESIM: Valor esperado sin información muestraI
De la figura 5.8 tenemos que el VECIM, en el problema de CME, es de $47,727; y de la figura

5.2 el VESIM es de $43,000. Entonces el VEIM será:
VEIM = 47,727 - 43,000 = $4,727
• 151 •
Luego, CME debería estar dispuesta a pagar hasta $4,727 por la información del estudio
de mercado.
En la sección 4 vimos que el VEIP para el problema de CME fue de $13,500. Si bien no podemos
esperar que el estudio de mercado nos dé información perfecta, podemos utilizar una medida de
eficiencia para expresar el valor relativo del reporte. Considerando que la información perfecta
tiene una eficiencia del 100%, la eficiencia (E) de la información muestral estará dada por:
E = VEIM * 100
VEIP
En el problema de CME, tenemos:
E = 4,727 * 100 = 35%

13,500
Esto quiere decir que la información del estudio de mercado es sólo el 35% de eficiente en
relación a la información perfecta. Una eficiencia baja nos hará buscar otros tipos de información
muestral, como por ejemplo otra compañía de mercadotecnia. En cambio, una alta eficiencia (E)
nos indicará que no será necesario buscar fuentes de información adicional.
• 152 •
CAsOs
I. Exploración Petrolera
El Sr. Castro es presidente de Exploradores de Petroleros Inc. (EPI), una compañía que se
dedica a la explotación de petróleo. EPI perfora pozos exploratorios y si descubre petróleo en
un lote específico, lo vende a otra compañía petrolera más grande.
El Sr. Castro está tratando de evaluar el potencial de un lote en la selva peruana. Si el Sr.
Castro decide perforar, el resultado es incierto. Basándose en su experiencia en perforaciones
en lotes similares, y habiendo consultado con su equipo de análisis económico, el Sr. Castro
considera que hay tres posibles resultados: que el pozo esté seco ($0), que sea pequeño ($450
millones), o grande ($850 millones). Las cifras entre paréntesis son los precios que se pueden
obtener por la venta de los pozos en cada caso. Perforar un pozo cuesta $150 millones.
El Sr. Castro le ha pedido al geólogo de la compañía, el Sr. Salas, que evalúe la probabilidad
de cada resultado. Salas le presentó las siguientes evaluaciones que dependen de si existe o no
cierta estructura geológica llamada caverna.
p(seco/caverna, e) = 0.6 p(seco/no caverna, e) = 0.8

p(pequeño/caverna, e) = 0.3 p(pequeño/no caverna, e) = 0.1
El Sr. Salas considera que existe una probabilidad de 0.6 de que el lote bajo estudio tenga
una caverna.
a. Estructure el problema de decisión del presidente de EPI como un árbol de decisiones.

Asigne probabilidades a cada posible resultado en las variables de estado, y valores
a cada trayectoria en el árbol.
b. Evalúe las alternativas de EPI, suponiendo que el presidente es un decisor neutral al
riesgo; es decir, que usa el valor esperado como criterio de decisión. ¿Qué recomendaría
usted basándose en este análisis?
c. Dibuje las “loterías de rentabilidad” para las alternativas de EPI. ¿Cuál es el nivel de riesgo
asociado con cada alternativa? ¿Hay alguna alternativa que domine a las otras?
d. ¿Es la decisión de perforar sensible a las probabilidades asignadas a la existencia de
caverna?
e. ¿Es la decisión de perforar sensible a las probabilidades asignadas a los diferentes
tamaños de pozo?
El Sr. Castro puede pedir que se haga una prueba sísmica en lote. Esta prueba le dará al Sr.
Salas mayor información con respecto a la existencia de una caverna.
• 153 •
f. Si la prueba sísmica ofreciera información perfecta con respecto a la existencia de

una caverna, ¿cuál sería el valor de esta prueba para el Sr. Castro?
g. ¿Cuál sería el valor del control perfecto con respecto a la existencia de una caverna
para el Sr. Castro?
Lamentablemente esta prueba no ofrece información perfecta, pero el Sr. Salas ha esta-
blecido que:
p(Prueba dice que existe caverna/caverna, e) = 0.9

p(Prueba dice que existe caverna/no caverna, e) = 0.2
La prueba sísmica cuesta $5 millones,
h. ¿Debería el Sr. Castro ordenar que se realice la prueba sísmica?

i. Use el árbol de decisiones para determinar la estrategia óptima para EPI.
j. ¿Cuál es la ganancia esperada asociada con la estrategia óptima?
k. ¿Cuál es la máxima suma adicional que EPI estaría dispuesta a pagar por la prueba
sísmica?
• 154 •
II. Taller Mazda Cárdenas

La señora Flores, una joven ama de casa de 22 años, recogió su automóvil del taller de
reparaciones de Cárdenas, especializado en Mazda, sin darse cuenta de que su faro delantero
izquierdo no estaba funcionando, tal vez por negligencia de Cárdenas. Una tarde brumosa y
lluviosa con mala visibilidad, manejando en una zona de no rebasar, yendo detrás de un camión,
sacó la cabeza por la ventana del automóvil para poder ver lo que había adelante y fue golpeada
por un carro que venía en el otro sentido. Quedó permanentemente desfigurada, inválida y ciega.
Según afirmaciones pertinentes, había estado manejando a más de 100 kilómetros por hora en
una zona de 80 kilómetros por hora.
El accidente ocurrió en octubre de 1990, y dos años después (un lapso razonable) su abogado,
el señor Málaga, entabló una demanda contra el Taller Mazda Cárdenas (TMC) por $1,663,000.
TMC estaba asegurado con la compañía de Seguros Generales Universales (SGU), bajo una pó-
liza que incluía protección de hasta por $500,000 por persona, en caso de heridas en el cuerpo
causadas por reparaciones defectuosas.
El caso se prolongó por más de cuatro años. El 12 de marzo de 1994, Málaga, el abogado de
la demandante, escribió a Álvarez, el abogado de SGU, diciéndole:
Estoy al tanto de que TMC Inc. tiene una cobertura de responsabilidades con la Compañía de
Seguros que asciende únicamente a $500,000. Si bien considero que el valor de ajuste de este caso
está por encima de esa cifra, en este momento ofrezco resolver este caso por los límites disponibles
del seguro, reservándome el derecho de retirar esta oferta en cualquier momento.
En efecto, Málaga argumentaba en la misma carta que era “muy probable que el juez emitiera
un veredicto por un monto aproximado de $1,000,000 a $1,200,000”.
Como podría esperarse, TMC tenía temor de que el caso fuera a los tribunales y de que el
juez le otorgara al demandante un monto superior al de la cobertura del seguro. TMC pidió a
SGU que transigiera en $500,000. Además, contrató a otro asesor a fin de que presionara a SGU
para llegar a un arreglo fuera de los tribunales, amenazando con demandar a SGU por negociar
de mala fe si el juez otorgaba un monto superior al de la cobertura de su seguro.
Imaginemos que hoy es la víspera del juicio y que aún queda la posibilidad de una ronda de
negociaciones. Antes que nada, tal parece que TMC no puede hacer mucho, excepto reiterar la
posición de que SGU debe lograr un arreglo fuera de los tribunales por un monto no mayor a los
$500,000 o, de lo contrario, ser demandado por obrar de mala fe. Sorpresivamente, en el último
momento antes del juicio programado, TMC en efecto ofreció contribuir con una cierta cantidad
($25,000) de la cifra de avenencia fuera del tribunal. De esta suerte, si SGU convenía con el
demandante en arreglarse en $350,000, el costo efectivo de SGU sería de $350,000 menos x,
en donde x sería la contribución de TMC. Desde la perspectiva de TMC, mientras más alto fuera
el valor de x, más alta sería la probabilidad de que SGU estuviera de acuerdo en llegar a algún
arreglo fuera de los tribunales.
En el pasado, el gerente de SGU había evitado problemas con sus clientes, por lo que rechazó
de primera mano cualquier contribución de TMC en virtud de que afectaría adversamente la
imagen de negocios de SGU; y de hecho se comprometió a ser responsable pleno de este caso,
dado que desde su punto de vista había una vinculación entre este problema y otros asuntos de
negocios. Como resultado, el gerente consultó con sus asesores legales para ver si el demandante
pudiera ganar el caso en el tribunal. Los abogados estimaban que SGU probablemente perdería
el juicio y tendría que pagar grandes daños y perjuicios.
• 155 •
Dado que el gerente podría enfrentar una pérdida de $500,000 si acepta la solicitud de
TMC de transigir, él quería analizar el problema un poco más antes de tomar la decisión final
de ir a juicio o no. Por lo tanto, consultó con sus asesores legales, quienes le informaron que
podría hacer una contraoferta de $200,000, reduciendo la perdida en $300,000. Por otro lado,
los abogados no estaban seguros que el abogado de la Sra. Flores estaría de acuerdo con esta
contraoferta, y pensaban que litigaría contra TMC.
Intrigado por esta posibilidad, el gerente reunió a su personal para una discusión del tema
con mayor profundidad, pidiéndoles que describieran los eventos que podrían ocurrir si no acepta
la solicitud de TMC de transigir por $500,000. Ellos dijeron que había una posibilidad de que el
abogado de la Sra. Flores rechace la contraoferta de parte de SGU y lo enjuicien. Dicho juicio
podría ganarse o perderse; si se pierde hay tres resultados posibles: perder con daños pequeños
($400 mil), daños normales ($800 mil), o con daños mayores ($1 millón 200 mil).
Además, los abogados consideraron que es muy probable que SGU pierda, teniendo entonces
que pagar los costos judiciales de $50,000.
a. Estructure el problema de decisión del gerente como un árbol de decisiones. Asigne

valores a cada trayectoria en el árbol, recordando que el de $200,000 es la contra-
oferta de SGU.
Al darse cuenta de que si se arregla o no fuera de los tribunales puede producir un número
de resultados, el gerente pidió a los asesores legales que determinaran cuán probables serían los
diferentes resultados. A pesar de que estaban muy incómodos a comprometerse, los abogados
finalmente llegaron a la conclusión de que había un 40% de probabilidad de que la Sra. Flores
no acepte la contraoferta y demande a SGU. Aún más basándose en experiencias pasadas con
casos de este tipo, los abogados pensaron que habría un 20% de probabilidad de que SGU gane
el juicio; un 20% de perderlo con daños pequeños, 40% de perderlo con daños normales y 20%
de perderlo con daños mayores.
b. Evalúe las alternativas de SGU, suponiendo que el gerente es un decisor neutral al

riesgo; es decir, que usa el valor esperado como criterio de decisión. ¿Qué recomendaría
basándose en este análisis?
c. Dibuje las “loterías de rentabilidad” (la distribución de probabilidades acumuladas)
para las alternativas SGU. ¿Cuál es el nivel de riesgo asociado con cada alternativa?
¿Hay alguna alternativa que domina a las otras alternativas?
Al darse cuenta de que existe un número de resultados potencialmente costosos en el árbol

de decisiones del gerente, el personal de SGU desarrolló dos propuestas para reducir el riesgo.
Primero, para ayudar a determinar cómo reaccionaría la señora Flores si el gerente decide hacer
la contraoferta, el personal propuso gastar $3,000 para investigar acciones pasadas, situación
actual y actitudes presentes de la señora Flores. Segundo, los abogados propusieron gastar
$12,000 en una investigación externa legal para determinar los resultados pasados en juicios
similares con compañías de seguros.
• 156 •
d. Calcule el valor de la información perfecta acerca de:

Si la señora Flores demandaría o no, si el gerente decide hacer la contraoferta.
• Cuál sería el resultado del juicio si SGU es demandado. Recuerde que la información en
este caso no establece si la señora Flores demandará o no; sólo cuáles serían los resul-
tados del posible juicio.
• No incluya los costos de $3,000 y $12,000 (estos son información imperfecta)
e. Calcule el valor de la información perfecta sobre todas las variables inciertas del
problema. ¿Es este valor igual a la suma de los valores de información perfecta en las
incertidumbres individuales? ¿Por qué?
• 157 •
V. PrObLemAs
1. Una empresa electrónica está tratando de decidir si debe producir o no un nuevo sistema
de beepers. La decisión de producirlo significa una inversión de $5 millones y no se conoce
la demanda de este instrumento. Si la demanda es alta, la empresa espera un rendimiento
de $11 millones. Si la demanda es moderada, el rendimiento será de $7.4 millones; y si la
demanda es baja significaría un rendimiento de sólo $4.2 millones, que no alcanzaría a cubrir
los gastos de inversión. Se estima que la probabilidad de obtener una demanda baja es de
0.1, mientras que la probabilidad de una demanda alta es de 0.6.
a. Representa el problema de la empresa electrónica como un árbol de decisiones.

b. Si la compañía se basa en el criterio del valor esperado, ¿debería efectuarse la in-
versión?
c. Graficar los perfiles de riesgo de las alternativas disponibles. ¿Existe algún tipo de
dominación? Explique.
d. Un miembro del directorio propuso que se tome una muestra para estimar la demanda
real. ¿Cuál es el monto máximo que se debe pagar por este estudio?
e. ¿Entre qué límites puede variar la probabilidad de que la demanda sea alta sin cambiar
la decisión elegida en a.?
2. El Gerente de una planta manufacturera que produce un artículo para el cual la demanda es
muy variada, debe decidir entre comprar una nueva máquina para cierta línea de montaje o
reparar la máquina que actualmente presta servicio en esa línea. El costo de la compostura
es de $500, mientras que el costo de la nueva máquina es de $7,000. Con la máquina nueva,
el costo variable de producción por artículo es $0.60; con la máquina reparada el costo
variable unitario es $1.10. El artículo se produce a medida que es demandado para no quedar
con excedentes. El precio de venta de cada unidad del artículo es de $2 y el Gerente estima
que la demanda ocurrirá de acuerdo con la siguiente distribución:
Demanda 5,000 10,000 25,000 50,000

Probabilidad 0.2 0.4 0.3 0.1
a. Si el objetivo del Gerente es maximizar las ganancias esperadas de la planta, ¿cuál

es la decisión óptima?
b. ¿Cuál es el valor esperado de la información perfecta respecto al nivel de demanda?
c. Suponga que el Gerente tiene además la alternativa de comprar otra máquina, que
cuesta $2,000 y tiene un costo de operación por unidad de $1. ¿Cuál es ahora la
decisión óptima?
• 158 •
3. Una agencia de publicidad ha diseñado tres campañas alternativas para uno de sus clientes. El
cliente estudió las propuestas y construyó una distribución de probabilidades que describe el valor
presente de las ganancias netas esperadas si invierte en una campaña de publicidad específica.
Las distribuciones de probabilidades de los tres programas propuestos son las siguientes:
Campaña de Valor presente neto de las ganancias

publicidad -30,000 -10,000 50,000 100,000
A 0.10 0.30 0.40 0.20
B 0.15 0.25 0.50 0.10
C 0.00 0.30 0.65 0.05
a. Grafique el árbol de decisiones que describe las opciones de decisión.

b. Usando el criterio del valor esperado, ¿cuál es la decisión óptima?
c. ¿Cuál es la probabilidad de que el valor presente neto de las ganancias sea menor que
cero en cada una de las campañas de publicidad? ¿Cuál de los programas propuestos
aceptaría usted?
4. Un inversionista ganará $12,000 en intereses si deja sus fondos en una caja de ahorro, pero
está considerando retirarlos para invertirlos en acciones de la compañía “Vida Feliz”, que
tiene una probabilidad de 70% de rendir utilidades de $20,000 y una probabilidad de 30% de
rendir utilidades de $5,000, si las acciones son compradas hoy. Si el inversionista espera, hay
una probabilidad del 70% de que las acciones empiecen a subir. Si esto pasa, el inversionista
comprará acciones y las probabilidades de rendimiento serán de 99 a 1 de rendir $18,000 ó
$3,000. Si el precio de las acciones no sube, el inversionista dejará sus fondos en el banco.
a. ¿Cuál es la mejor alternativa, usando el criterio del valor esperado?

b. ¿Cuál es el valor esperado de la información perfecta con respecto a si las acciones
subirán, en el caso de que el inversionista decida esperar?
5. Un inventor ha desarrollado un instrumento electrónico para controlar las impurezas en el

metal producido en un proceso de fundición. Una compañía que vende este tipo de equipo
está considerando la compra de los derechos de patente de este instrumento por $400,000.
La compañía cree que hay una posibilidad entre cinco de que el instrumento sea un éxito
de ventas. Se estima que si el instrumento tiene éxito producirá ingresos netos por $4.5
millones. Si el producto no tiene éxito, no se recibirán ingresos.
a. Dibujar un árbol de decisión que describa las opciones de decisión. ¿Debería la com-
pañía comprar los derechos de patente de este instrumento, usando el criterio del
valor esperado (VE)? ¿Cuál es su VE?
b. Dibuje las “loterías de rentabilidad” para las opciones de la compañía. ¿Cuál es el nivel de
riesgo asociado con cada alternativa? ¿Hay alguna alternativa que domine las otras?
• 159 •
c. ¿Es la decisión sensible a las probabilidades asignadas que el instrumento sea un

éxito de ventas?
d. Si hay un grupo de investigación de mercados que puede ofrecer información perfecta
respecto al éxito de este producto, ¿cuál será la cantidad máxima que la compañía
estará dispuesta a pagar por este servicio?
Suponga que el grupo de investigación de mercados puede hacer un sondeo del mercado
que con probabilidad de 0.70 dará un resultado favorable si el instrumento es un éxito, y con
probabilidad de 0.9 dará un resultado desfavorable si el instrumento no se vende.
e. Use el árbol de decisiones para determinar la estrategia óptima para la compañía.
f. ¿Cuánto valdrá para la compañía este estudio?
6. El gerente de investigación de “Petroéxito” está tratando de decidir si debe asignar fondos

a un proyecto para producir un nuevo lubricante. Se piensa que el proyecto puede ser un
gran éxito técnico, uno menor o un fracaso completo. La compañía ha estimado que el valor
de un gran éxito técnico es de $150,000, dado que el lubricante podrá ser utilizado en un
gran número de los productos que elabora. Si el proyecto es un éxito menor, su valor es de
$10,000, dado que “Petroéxito” piensa que el conocimiento ganado será útil para futuros
proyectos. Si el proyecto es un fracaso, le costará $100,000 a la compañía. Basándose en
la opinión de los científicos involucrados y en la propia apreciación del Gerente, las proba-
bilidades a priori son:
p(gran éxito/e) = 0.15

p(fracaso/e) = 0.40
a. Usando el criterio de valor esperado, ¿debería llevarse a cabo el proyecto?

b. ¿Cuál es el valor esperado de la información perfecta sobre el éxito técnico que se
logrará con el nuevo lubricante?
Existe un experimento que puede llevarse a cabo para saber más sobre la factibilidad técnica
del proyecto. Este experimento tiene tres posibles resultados:
I1: El lubricante trabaja bien a cualquier temperatura.

I2: El lubricante prototipo sólo trabaja bien a temperaturas mayores a 10°C.
I3: El lubricante prototipo no trabaja bien a cualquier temperatura.
• 160 •
Suponga que podemos determinar las siguientes probabilidades condicionales:
p(I1/gran éxito,e) = 0.70 p(I2/gran éxito,e) = 0.25

p(I1/menor éxito,e) = 0.10 p(I2/menor éxito,e) = 0.70
p(I1/fracaso,e) = 0.10 p(I2/fracaso,e) = 0.30
c. Suponga que el experimento se lleva a cabo, y se encuentra que el lubricante prototipo
trabaja bien a cualquier temperatura. ¿Debería llevarse a cabo el proyecto?
d. Suponga que el experimento se lleva a cabo y se encuentra que el prototipo sólo
funciona bien a temperaturas mayores a 10°C. ¿Debería llevarse a cabo el proyecto?
e. ¿Cuál es el valor esperado del experimento?
7. Un consultor está considerando presentar propuestas detalladas para dos posibles contra-
tos. La preparación de la propuesta para el primer contrato cuesta $1,000, mientras que la
preparación de la propuesta para el segundo cuesta $1,500. Si la propuesta para el primero
es aceptada y se realiza el trabajo, se obtendría una ganancia de $8,000. Si la propuesta
para el segundo es aceptada y se realiza el trabajo, se logrará una ganancia de $12,000. Los
costos de preparación de las propuestas deben ser deducidos de estas ganancias. El consultor
puede presentar propuestas para ambos contratos, si lo desea. Pero no tiene los recursos
para realizar ambos trabajos simultáneamente. Si una propuesta se presenta y es aceptada,
y el consultor no puede realizar el trabajo, él considera esto como un costo por pérdida de
prestigio y lo evalúa como un costo de $2,000.
a. El consultor tiene cuatro alternativas de decisión. ¿Cuáles son?

b. El consultor cree que existe una probabilidad de 0.80 de que la propuesta para el pri-
mer contrato sea aceptada, y una probabilidad de 0.50 de que la segunda propuesta
sea aceptada. Además, piensa que la aceptación de una propuesta es independiente
de la aceptación de la otra. ¿Cuál es el árbol de decisiones para el problema del
consultor?
c. Tomando como base el criterio del valor esperado, ¿cuál es la alternativa que debe
escoger el consultor, y cuál es el valor esperado de sus ganancias?
d. ¿Cuánto estará dispuesto a pagar el consultor por conocer de antemano si ganará o
no el primer contrato?
e. ¿Cuánto estará dispuesto a pagar el consultor por conocer de antemano si ganará o
no el segundo contrato?
8. Una compañía produce un alimento perecedero a un costo de $10 por caja, siendo su precio de
venta de $15 por caja. Con el objeto de planificar la producción, la compañía considera tres niveles
de demanda diaria: 100, 200 ó 300 cajas. Si la demanda es menor que lo producido, el exceso
de producción se pierde. Si la demanda es mayor que la producción, la compañía, en un intento
de conservar la buena imagen de servicio, satisface el exceso de demanda con una producción
especial a un costo de $18 por caja. Sin embargo, el producto siempre se vende a $15.
• 161 •
a. Si p(100/e) = 0.2, p(200/e) = 0.2 y p(300/e) = 0.6, use el criterio del valor esperado
para determinar el nivel de producción diaria.
b. ¿Cuál es el valor esperado de la información perfecta?
c. Una consultora de mercadotecnia ofrece hacer un estudio de mercado para predecir
la demanda, por el cual cobra $650. ¿Deberían contratarse sus servicios?
9. La tienda por departamentos “Diamante” acaba de adquirir la cadena de tiendas “Chicho e

Hijos”. “Diamante” ha recibido una oferta de “Oshborn” para comprar la tienda “Chicho” en la
avenida Primavera por $120,000. “Diamante” ha determinado que la utilidad neta potencial
para esta tienda dependerá del estado de la economía nacional. Los estimados de las utilidades
netas de la tienda son $80, $100, $120 ó $140 miles con las siguientes probabilidades:
p(80/e) = 0.20 p(120/e) = 0.10

p(100/e) = 0.30 p(140/e) = 0.40
a. Sobre la base de esta información, ¿debería “Diamante” vender la tienda?

b. ¿Cuál es el monto máximo que “Diamante” estará dispuesto a pagar por conocer de
antemano el estado de la economía nacional?
c. “Diamante” podría tener una proyección del comportamiento de la economía a un costo
de $10 mil. La proyección económica produce un indicador, I, para el cual se tiene:
p(I/80,e) = 0.10 p(I/120,e) = 0.20

p(I/100,e) = 0.60 p(I/140,e) = 0.80
¿Debe la compañía hacer la proyección económica?
10. La siguiente tabla de resultados muestra las ganancias para un problema de análisis de
decisiones con dos alternativas y tres posibilidades.
Posibilidades
Alternativa de decisión s1 s2 s3
d1 250 100 25
d2 100 100 75
• 162 •
a. Construya un árbol de decisión para este problema.

b. Si el tomador de decisiones no sabe nada sobre las probabilidades de los tres estados
de la naturaleza, ¿cuál es la decisión recomendada? Suponga que el decisor ha ob-
tenido las evaluaciones de probabilidad P(s1/e) = 0.65, P(s2/e) = 0.15 y P(s3/e) = 0.20.
¿Qué decisión tomaría?
11. Un inversionista dispone de cierta cantidad de dinero para invertirla de inmediato. Tiene
tres alternativas de cartera. En la siguiente tabla de rendimientos se presentan las utilidades
estimadas de cada alternativa de acuerdo a cada condición económica.
Alternativas
Condición Económica A B C
La economía declina $500 -$2,000 -$7,000
No hay cambios $1,000 $2,000 -$1,000
La economía se expande $2,000 $6,000 $20,000
En base a su experiencia, el inversionista asigna las siguientes probabilidades a la condición

económica:
p(la economía declina/e) = 0.30
p(no hay cambios/e) = 0.50
a. Usando el criterio del valor esperado, determine: ¿cuál es la mejor alternativa para
el inversionista?
b. ¿Cuál es el monto máximo que el inversionista estará dispuesto a pagar por conocer
de antemano el estado de la economía?
c. Si el inversionista se siente confidente acerca de: p(no hay cambios/e) = 0.50, ¿en
cuánto tendría que aumentar la probabilidad de “la economía declina” para que el
inversionista cambie su decisión?
d. ¿Cuál es el riesgo (probabilidad de perder) en cada alternativa?
12. Una compañía manufacturera debe decidir si emprender una campaña de publicidad para un
producto suyo cuyas ventas han estado estancadas. El costo de la campaña es $100,000;
se estima que una campaña muy exitosa incrementará las utilidades en $400,000 (de los
cuales deberán sustraerse los costos de la campaña); una campaña moderadamente exitosa
incrementará las utilidades en $100,000; mientras que una campaña desfavorable no incre-
mentará en nada las utilidades. De acuerdo al criterio de los expertos de la compañía existe
un 50% de probabilidad de que la campaña sea muy exitosa, el 30% moderadamente exitosa
y el resto no muy exitosa. La compañía manufacturera tiene la oportunidad de contratar
los servicios de una compañía de mercadotecnia para evaluar la efectividad potencial de la
campaña publicitaria. El historial de esta compañía de mercadotecnia es tal que ha reportado
positivamente en el 80% de las campañas resultados muy favorables, el 40% de aquéllas
fueron moderadamente favorables y el 10% de las campañas, desfavorables.
• 163 •
a. Sin contratar los servicios de la compañía de mercadotecnia, ¿debería emprenderse

la campaña publicitaria usando el criterio de valor esperado?
b. ¿Cuál es el valor esperado de la información perfecta?
c. Encuentre las probabilidades posteriores o revisadas para los tres tipos de campañas,
dado el reporte de la compañía de mercadotecnia.
d. Establezca una estrategia de decisión, dado el reporte de la compañía de mercado-
tecnia.
e. ¿Cuál es el valor esperado del estudio de la compañía de mercadotecnia?
13. Olivia Bueno es una escritora de novelas románticas. Una compañía de películas y una red
de TV quieren los derechos exclusivos de uno de sus trabajos. Si firma con la compañía de
películas, el importe que recibirá depende de la respuesta del mercado a las películas, y si
firma con la red de TV recibirá una sola suma global.
Respuesta del Mercado

Taquilla Taquilla Taquilla
Decisión
Pequeña Mediana Grande
Firmar con la Compañía
$200,000 $1,000,000 $3,000,000
de películas
Firmar con la Red de TV $900,000 $900,000 $900,000
a. Represente el problema de Olivia mediante un árbol de decisión.

b. Si los estimados de probabilidad para las posibles respuestas del mercado son:
P(pequeña/e) = 0.3, P(mediana/e) = 0.6, P(grande/e) = 0.1
¿A quién debe vender los derechos Olivia?
c. ¿Cuánto es lo más que Olivia debe estar dispuesta a pagar para conocer a cuánto
ascenderán las recaudaciones en las taquillas antes de que decida con quién firmar?
d. Si Olivia se siente confidente con respecto a: P(mediana/e) = 0.6, ¿en cuánto tendría
que cambiar la probabilidad de la taquilla pequeña para que Olivia esté dispuesta a
cambiar su decisión?
• 164 •
14. Oxenol Company utiliza gas natural en sus operaciones de producción-procesamiento. Las
empresas cercanas en su área rural de la parte norte del estado de New York han tenido éxito
en la explotación de gas de acuerdo con sus parámetros y Oxenol está considerando emprender
trabajos de esta clase. Sus gastos iniciales serían por perforación y llegarían a $40,000. Si hallan
gas, tendrían un gasto adicional de $30,000 para coronar el pozo y suministrar el hardware
y el equipo de control necesarios. Al precio actual del gas natural, si el pozo tiene éxito, su
valor será de $150,000. Sin embargo, si el precio del gas duplica su valor actual, un buen pozo
bien podría valer $300,000. La compañía piensa que su oportunidad de hallar gas es de 30%;
además, cree que hay una probabilidad de 50% de que el precio del gas se duplique.
a. Trazar un árbol de decisión para este problema, asignando probabilidades y valores.

b. Completar el árbol y usando el criterio del valor esperado, ¿qué debe hacer la empresa?
c. ¿Cuál es el valor máximo que Oxenol Company estará dispuesta a pagar por conocer
de antemano si el pozo será exitoso?
d. ¿Cuál es el valor máximo que Oxenol Company estará dispuesta a pagar por conocer
de antemano si el precio del gas se duplicará?
15. El propietario de una librería puede comprar 20,000 libros sobrantes a un editor a $2.50
cada ejemplar. Al hacer uso de la publicidad en un periódico de distribución nacional, espera
vender los libros a $10 cada uno. Los libros sobrantes pueden venderse a $1 a los demás
minoristas. El estimado que tiene de la demanda es:
Demanda Probabilidad de la demanda

5,000 0.10
10,000 0.50
20,000 0.40
1.00
El costo de la publicidad es de $46,000 y los costos incrementales de embarque de los libros

que se vendan son de $1.25 por ejemplar.
a. Represente el problema del librero mediante un árbol de decisión.

b. ¿Qué decisión debe tomar el librero, usando el criterio del valor esperado?
c. ¿Entre qué límites puede variar la probabilidad de que la demanda sea de 5,000 sin
que cambie la respuesta de la parte b. (asuma que la probabilidad de la demanda de
10,000 no varía)?
d. ¿Cuál es el valor esperado de la información perfecta?
• 165 •
El propietario de la librería tiene la posibilidad de contratar los servicios de una compañía

de marketing para evaluar la demanda por $3,000. Los resultados del estudio de Marketing son
“favorables (F)” o “desfavorables (F’)”. En base al historial de esta compañía de marketing, en
situaciones similares, se han estimado las probabilidades condicionales:
P(F/demanda = 5000/e) = 0.2

P(F/demanda = 10000/e) = 0.5
P(F/demanda = 20000/e) = 0.9
e. Encuentre las probabilidades posteriores o revisadas para los posibles niveles de de-
manda, dado el reporte de la compañía de marketing.
f. Establezca una estrategia de decisión, dado el reporte de la compañía de marketing,
para maximizar sus utilidades netas esperadas.
g. ¿Cuál es el valor esperado del estudio de la compañía de marketing?
• 166 •
PARTE 2
Herramientas
del Análisis
de Decisiones
• Capítulo 6 • Flujos de resultados y preferencias con respecto al tiempo
CAPÍTULO 6
FLUjOs DE REsULTADOs y PREFEREnCiAs

COn REsPECTO AL TiEmPO
• Introducción
• Flujos de resultados y su equivalencia presente
• El procedimiento para calcular la equivalencia presente
• Valor presente neto
• La tasa interna de retorno
• Período de pago o recuperación
• Conclusiones y recomendaciones
• Problemas
• 169 •
6.1 INTRODUCCIÓN
Las decisiones estratégicas de una organización que comprometen una parte significativa
de sus recursos necesariamente repercutirán de manera importante en su futuro. La institución
se verá forzada a vivir con los resultados de esas decisiones por muchos años, quizás después
de que hayan desaparecido los responsables de tomarlas. Por eso es necesario encontrar un
método para comparar alternativas de decisión cuyas consecuencias ocurrirán en diferentes
momentos del futuro.
Por ejemplo, ¿cómo evaluar propuestas de investigación y desarrollo de nuevos productos
que sólo estarán disponibles comercialmente dentro de 10 ó 20 años? ¿Cómo evaluar las alter-
nativas para explotar grandes proyectos petroleros en la selva peruana, que requerirán de una
gran inversión al inicio del proyecto, pero después producirán petróleo por décadas?
Si se va a elegir entre opciones que generarán un flujo de beneficios y costos que se extienden
en el futuro, debe extenderse también el modelo estructural y de valores, de modo que permita
hacer comparaciones sistemáticas de los resultados que se materializarán en diferentes puntos
del tiempo. En el Análisis de Decisiones esto se conoce como las preferencias del decisor con
respecto al tiempo.
6.2 FLUJOS DE RESULTADOS Y SU EQUIVALENCIA PRESENTE
Para representar los deseos del decisor se requiere de un mecanismo que reduzca cualquier
flujo de valores futuros en el tiempo a un solo número llamado la equivalencia presente (EP).
Este número es tal que el decisor estará indiferente entre recibirlo inmediatamente o esperar el
flujo de valores utilizado para calcularlo.
Los flujos de valores o resultados pueden representar cantidades de recursos que se recibirán
o desembolsarán a lo largo del tiempo. Se puede considerar cualquier tipo de recurso, pero aquí
se supone que todos ellos han sido convertidos o expresados en términos monetarios. Así, los
flujos de los resultados representarán un conjunto de flujos de caja.
En el presente capítulo se asume que éstos representan los resultados de un proyecto de
inversión. Entonces, las preguntas necesarias serán: ¿cómo valorar un patrón de flujos de caja?
¿Cómo determinar la equivalencia presente de estos flujos?
Los resultados pueden clasificarse en beneficios o costos. Los beneficios son los pagos que
se reciben, mientras los costos son los que se abonan. Se realizarán estos pagos en momentos
específicos de tiempo, los cuales se numeran: 0, 1, 2,…, T. El período que transcurre entre los mo-
mentos de pago es constante y usualmente se asume igual a un año, pero puede ser diferente.
Se considera que los pagos son positivos cuando se reciben y negativos cuando se abonan.
Suponiendo una elección entre dos proyectos de inversión, A y B, el proyecto A puede ser cons-
truido en un año a un costo inicial de $50,000 y luego producir un flujo decreciente de beneficios
en un período de cinco años. Construir el proyecto B toma dos años; los costos iniciales son de
$50,000 en la primera etapa y $25,000 en la segunda, y luego producirá un flujo constante de
beneficios durante los cuatro años restantes de vida del proyecto. Estos flujos se muestran en
la tabla 6.1.
• 170 •
Tabla 6.1: Flujos de resultados de dos proyectos con vida útil de cinco años (en miles
de dólares)
Año
Proyecto 0 1 2 3 4 5
A -50 25 20 15 10 5
B -50 -25 30 30 30 30
¿Cuál de estos proyectos será preferido por el decisor? La mayoría encontrará difícil com-
pararlos intuitivamente, por simple observación de los flujos anuales. Aun cuando se establezca
una preferencia ad hoc para esta situación, no se podrá asegurar con certeza que en situaciones
similares se estará en condiciones de hacer elecciones consistentes. Las organizaciones privadas,
las agencias de gobierno y los individuos que toman decisiones cuyos efectos se materializan
en el futuro enfrentan, con mucha frecuencia, problemas de elección como éste. El objetivo es
encontrar un solo pago que se reciba hoy, llamado equivalencia presente (EP), de manera que
torne indiferente conocer el flujo de caja en el futuro. El procedimiento estándar para encontrar
esta equivalencia presente se conoce como descuento.
Su esencia es reducir un flujo de costos y/o beneficios a un solo valor, EP, por medio del
método de interés compuesto. Estimar la EP es, entonces, calcular el beneficio neto que toma
en cuenta, explícitamente, el tiempo durante el cual se incurre en los costos y se reciben los
beneficios.
La base lógica del procedimiento es que -bajo casi cualquier circunstancia-se prefiere recibir
un dólar ahora que dentro de un año. En otras palabras, usualmente se está dispuesto a aceptar
menos si se puede conseguir antes, y esto es lo que define la preferencia con respecto al tiempo.
En general, disponer de una suma de dinero ahora vale más que una promesa de tenerla en un
tiempo específico del futuro debido a que, en el tiempo intermedio, el dinero podría invertirse
y producir ganancias. Esto es cierto tanto si el inversionista es un individuo, una empresa o el
gobierno.
Tómese el caso más simple, cuando el decisor es un individuo. Asumiendo que al Sr. Pérez se
le debe pagar $500 dentro de un año. Existe una suma de dinero menor que él podría invertir
hoy, por ejemplo, depositándola en el banco, que le producirá los $500 cuando haya pasado el
año. Esta suma menor es el valor presente del pago de $500 dentro de un año. Así, la equiva-
lencia presente es calculada como el valor presente del flujo futuro ($500), con un factor de
descuento que usa la tasa de interés del banco.
Debe notarse cuidadosamente que no se hace afirmación alguna con respecto al riesgo. Se
asume que no existe ninguno y que el Sr. Pérez recibirá con toda seguridad sus $500. Más bien
se está afirmando que esperar por un pago significa dejar de ganar el ingreso que podría gene-
rar el dinero en el intervalo de espera. En otras palabras, esperar significa incurrir en un costo
implícito debido a la oportunidad perdida, llamado costo de oportunidad. Esto no sugiere que el
riesgo debe ignorarse al analizar una inversión, pero no es en esta parte del análisis cuando se lo
incorpora. Como se vio en el capítulo 3, mientras la preferencia respecto del tiempo es modelada
• 171 •
pago significa
respecto pago al dejar
significa
riesgo. deSeganar
dejar
asume el que
de ingreso
ganar elque
no existe podría
ingreso
ninguno quegenerar
que elelSr.
y podría dinero
Pérezen
generar el
elrecibirá
dinero en el
intervalo
con toda de espera.
intervalo
seguridad deEnespera.
susotras$500. palabras,
EnMás otras bien,esperar
palabras,
se está significa
esperar
afirmando incurrir
queen
significa un costo
incurrir
esperar en un
por un costo
implícito
pago debido
implícito
significa a ladejaroportunidad
debido dea ganarla oportunidadperdida,
el ingreso llamado
perdida,
que podría llamado
costo de oportunidad.
costoeldedinero
generar Estoen el Esto
oportunidad.
no sugiere
intervalo no que el
sugiere
de riesgo
espera. queEn debe
el otras
riesgoignorarse debe al
palabras, analizar
esperaraluna
ignorarse inversión,
analizar
significa peroen no
una inversión,
incurrir un es pero no es
costo
en esta parte
implícito del análisis
endebido
esta parte
a ladel cuando
análisis
oportunidad secuando loperdida,
incorpora.se llamadoComocosto
lo incorpora. se vioComo enoportunidad.
de elsecapítulo
vio en elIII,Esto
capítulo III,
mientras
Análisis de la preferencia
mientras
no Decisiones
sugiere ellariesgo
Estratégicas
que respecto
preferencia
debe ignorarse al tiempo
respecto al estiempo
al analizar modelada
una es en la
modelada
inversión, pero fase
en es
no la fase
determinística, la del
en estadeterminística,
parte referida
análisislaal referida
riesgo se
cuando sehace
al riesgo enselahace
lo incorpora. probabilística.
Como vio En
en laseprobabilística.
en el el capítulo
mundo En elIII,mundo
real,mientras
a menudo
real,laalamenudoincertidumbre
preferencia la incertidumbrey la espera
respecto se
al y tiempo presentan
la espera entrelazadas
esse modelada
presentan en enla unfase en un
entrelazadas
en laproblema
fase determinística,
de la referida
decisión, pero al riesgo
el se haceelen
desafío es laentender
probabilística. que Enson
el mundo real, a fenómenos
fenómenos
determinística, la referida al riesgo se hace en la probabilística. En son
problema de decisión, pero desafío es entender que el mundo
menudo la incertidumbre
separados. y la
La incertidumbre espera se presentan
es lay lacausante entrelazadas en un
delpresentan problema de
riesgo,delentrelazadas
y riesgo, decisión,
la espera e espera
real, a separados.
menudo La incertidumbre
la incertidumbre es la se
espera causante y laen un e
peroimpaciencia
el desafío esimpaciencia
entender
del valor quedelson
del fenómenos
dinero
valor en
del el
dineroseparados.
tiempo. en el Latiempo.
incertidumbre es la causante del
problema de decisión, pero el desafío es entender que son fenómenos
riesgo, laseparados.
espera y la impaciencia
La incertidumbredel valor del es dinero la encausante
el tiempo. del riesgo, y la espera e
6.3.impaciencia
EL PROCEDIMIENTO
6.3. EL valor delPARA
delPROCEDIMIENTO dineroCALCULAR enPARA el tiempo. LA EQUIVALENCIA
CALCULAR LA EQUIVALENCIA
PRESENTE PRESENTE
6.3. EL PROCEDIMIENTO PARA CALCULAR LA EQUIVALENCIA
A pesar que
A pesar
PRESENTE
6.3 EL PROCEDIMIENTO los cálculos
quePARA losde la equivalencia
cálculos
CALCULAR de LA presente comúnmente
la EQUIVALENCIA
equivalencia presente
PRESENTE implican implican
comúnmente
flujos de dinero,
flujos de el dinero,
método elesmétodo aplicable es aaplicable
cualquiera flujo cuyosflujo
cualquier componentes
cuyos componentes
AesténA de
pesar medidos
pesar
queesténque
los en loslascálculos
medidos
cálculos mismas
de laen las unidades.
de
equivalencia mismas
la equivalencia
presenteAsí,comúnmente
por ejemplo,
unidades. Así, por
presente se podría
ejemplo,
comúnmente
implican flujos de encontrar
se podría
implican
dinero, encontrar
la EP de
flujos metros
la
de EP
dinero,cúbicos
de metros
el de
método agua,
cúbicos es toneladas
de
aplicable agua,
el método es aplicable a cualquier flujo cuyos componentes estén medidos en las mismas unida- a de trigo,
toneladas
cualquier etcétera.
de trigo,
flujo En este
etcétera.
cuyos punto
En
componentes este punto
se establece
estén se
medidosel procedimiento
establece en el
las mismas para
procedimiento determinar
unidades. para
des. Así, por ejemplo, se podría encontrar la EP de metros cúbicos de agua, toneladas de trigo,Así, la equivalencia
determinar
por ejemplo,la presente
equivalencia
se podría de un
presente
encontrar de un
flujola de
EP dinero
flujo
de y
de
metros luego
dinero estudiar
cúbicos y luego
de el
agua, caso
estudiar especial
el
toneladas
etcétera. En este punto se establece el procedimiento para determinar la equivalencia presente caso del
de valor
especial
trigo, presente
del
etcétera.valor En de dicho
presente
este puntode dicho
flujo.
de un flujosede flujo.y luego
establece
dinero el procedimiento
estudiar el casopara especial determinar la equivalencia
del valor presente presente de un
de dicho flujo.
Con
flujo eldefindinero
de simplificar
Con ely fin
luego dicho procedimiento
de estudiar
simplificar el dicho
caso procedimiento
especial es necesario
del valor definir algunas
es necesario
presente definir
de dichoalgunas
reglas
Con el precisas.
fin
flujo. de reglas
simplificar precisas.
dicho procedimiento es necesario definir algunas reglas precisas.
La
La primera
primera
Con elLa
afirma
afirma
fin primera
quedesi se que si se multiplica
afirma
simplificar
multiplica que
dicho
el flujo si se el flujo de el
de multiplica
procedimiento
dinero por una
dinero
flujo
es por
necesario
constante
una
de dinero constante
k, debe por
definir una k,
constante
algunas
hacerse k,
debe hacerse
debe lo mismo
hacerse con
lo su
mismo equivalencia
con su presente.
equivalencia Si se
presente.describe
Si se el flujo
describe de el flujo de
lo mismoreglas
con su precisas.
equivalencia presente. Si se describe el flujo de dinero por la secuencia [x0, x1,
dinero La por dinero
la secuencia
por 0, x1si
[xque
la secuencia , xse 2,...,[x ,x x]1,donde xNt ]indica
x ,..., flujo donde elxpago
t indica en elelpago
tiempo en t,el tiempo t,
x2,..., xN] donde primera
xt indica el afirma
pago en el tiempo multiplica
t,0 yNN es2elelmomento dedeldinero
último por una
pago, esconstante
posible k,
y Ndebees elhacerse
ymomento
N es lo del
el mismo último
momento con pago,
delsu último es posible
equivalencia pago, es reducir
posible
presente. laSireducir
descripción
se deeleste
la descripción
describe flujo de de este
reducir la descripción de este flujo al vector x = [x0, x1, x2,..., xN], y definir matemáticamente
flujodinero
al vector [x , x , xx2,..., x1N,1],,xx2y,...,
definir
la equivalencia
flujo
por la
presente
xalsecuencia
vector
de 0este1 vector [x[x00o,, xflujo 2,...,
como N
xmatemáticamente
x]N],
xEP( y definir
donde
). Luego:xt indica la equivalencia
matemáticamente
el pago la equivalencia
en el tiempo t,
y N esde
presente eleste
momento
presente vector
de estedel
o último
flujo
vector como opago, EP( como
flujo xes posible
EP( x reducir
). Luego: ). Luego: la descripción de este
flujo al vector x [x0, x1, x2,..., xN], y definir matemáticamente la equivalencia
presente de este vector oEP (k x)como
flujo EPEP(
kEP ( xk)x)x ). kEP
Luego:( x) (6.1) (6.1) (6.1)
Esta reglaEsta de escala

regla de dice que si
escala (k xque
se
dice
EP ) kEP
duplican si se( xtodos
) duplicanlos elementos del flujo de
todos los elementos (6.1)
del flujo de
dinero,
Esta la equivalencia
dinero,dice
regla de escala quepresente
la equivalencia se
si se duplican verá
presente
todos igualmente
seelementos
los duplicada.
verá igualmente duplicada.
del flujo de dinero, la equi-
valenciaLa segunda
presente
Esta reglaseLa regla
segunda
verá
de afirma
igualmente
escala regla
dice que si siesseque
afirma
duplicada.
que posible si es
duplican dividir
posible
todos el los
flujo de eldinero
dividir
elementos en dinero
flujo del
de dos deen dos
flujo
partes y ypartes
dinero, laz ,equivalencia
entonces
y y z ,la suma delalas
entonces
presente suma
se equivalencias
verá de presentes
las equivalencias
igualmente duplicada. de y y z , de
presentes seráy y z , será
La segunda regla afirma que si es posible dividir el flujo de dinero en dos partes y y z ,
igual aLa segunda
la EP
igual la regla
delaflujo EP dedelafirma
dinero quedinero
flujo original.
de si es Estaposible dividir el flujo
puedede dinero
precisarse en dos
entoncespartes
la sumaydeylasz ,equivalencias
entonces lapresentes
suma de delas yoriginal.
regla Esta de adición
regla
y z será igual a presentes
equivalencias
de adición
la EP del flujo
puede
dedeydinero
precisarse
y z , será
de la siguiente
de lamanera:
siguiente manera:
original. Esta regla de adición puede precisarse de la siguiente manera:
Si: igual aSi: la EP del flujo de dinerox original. y z Esta x yregla z de adición puede precisarse (6.2) (6.2)
Si: de la siguiente manera: x = y + z (6.2)
Si:
entonces: entonces: x y z (6.2)
EP( x) EPEP ( y )( x)EPEP ( z )( y ) EP( z ) (6.3) (6.3)
entonces:
entonces:
La ecuación La(6.2) establece
ecuación (6.2) que, para cada
establece que, parapagocada del flujo
pagodedelcaja:
flujoxt de
=.ycaja:
t + zt. xt =.yt + zt.
Como un caso Comoespecial
un casode EP( xregla
esta
especial ) deEPesta ( y )puede
se EP( zoptar
regla ) puede
se por descomponer
optar por (6.3) el flujo
descomponer (6.3) el flujo
de dinero x en
de
La ecuación el tiempo.
dinero Portiempo.
x enestablece
(6.2) el ejemplo: Porpara
que, ejemplo:cada pago del flujo de caja: xt =.yt + zt.
La ecuación
Como un (6.2)caso
establece que, de
especial paraesta
cadareglapagose delpuede
flujo deoptarcaja: por
xt = descomponer
y t + zt . Como un el flujo
caso especial de esta regla se puede optar
de dinero x en el tiempo. Por ejemplo: por descomponer el flujo de dinero x en el tiempo.
Por ejemplo: 3 3
3
y = [ x0 ,0,0,...,0]
z = [0, x1 , x 2 ,..., x N ]
• 172 •
y [ x0 ,0,0,...,0]
z [0, x1 , x 2 ,..., x N ]
y [ x0 ,0,0,...,0]
donde e y está compuesto solamente por el primer pago del flujo de dinero original y z
pordonde
el resto de los elementos del flujo. z Luego, [0, x1 , usando x 2 ,..., x Nla] regla de adición se tiene que:
está compuesto solamente por el primer pago del flujo de dinero
original y por el resto de los elementos y [ x0 ,0del ,0,..., 0] Luego, usando la regla de
flujo.
donde
adición se tiene está compuesto
que: solamente z [0, x1por , x 2 ,..., el primer x N ] pago del flujo de dinero
original y por el resto de los elementos
EP( x) EP[ x0 y,0,0[,..., del flujo.
EP0[]0,Luego, x1 , x 2 ,...,usando la regla de
adición se tiene que: x0 ,00],0,..., xN ]
donde está compuesto solamente y por [ x ,0,primer 0,...,0] pago del flujo de dinero
EP( x) EP[ xz0 ,0[,0,,..., x1 ,0x]0el 2 ,..., EPx[N0], x1 , x 2 ,..., x N ]
original
Se puede y porrepetir el restoelde los elementos
procedimiento z [0y,del xdividir
1 , flujo.
x 2 ,..., x N ]
elLuego, flujo zusando en x1, lay regla el resto de de
Se puede
adición
componentes; se tiene repetir
y que: el procedimiento
aplicando la reglayde dividir y el[ xflujo
adición 0 ,se0,0obtiene:
z,...,en 0] x1, y el resto de componentes; y
Se dondepuede está decompuesto
repetir el (procedimientosolamente ypor el primer pago del xflujo de dinero
aplicando
donde
la regla
está
adición
EP
compuesto xse
) obtiene: [ x0 ,0,0z,...,y0[dividir
EPsolamente 0]del ,[xx1EP
por ,,el
el, x flujo
x0[2,00,...,,...,
primer 1x ,0Nx]2],..., z xen
pago
1, y el resto de
N ]del flujo de dinero
original
componentes; EP y por el resto
y aplicando de los
la,0regla elementos 0flujo. Luego, usando la regla de
original por(que:
xel) restoEP[ xde 0 ,...,los0elementos] deEP adición
[0, x ,0,..., se 0obtiene: ] EP [0,0, x 2usando ,..., x N ] la regla de
adición se ytiene z [01, del x1 , xflujo. 2 ,..., x Luego,
N ]
Se puede
adición donde serepetir
tiene que: elEPprocedimiento 0,0[y dividir EP0el flujo en ]x1del , y flujoel resto de
EP(está x) compuesto EP0[]solamente 0, x01],0por el
[]0,primer z pago de dinero
EP[( xx0) ,0,..., x0 ,EP ,..., ,..., xEP1 , x[20,..., ,0, xx2N,..., xN ]
Continuando
componentes;original yy la por descomposición
aplicando el resto
EP la( xregla
de
) los
EP de [ del
x adición
elementos,0 ,flujo
0 ,..., 0 original,
se
] del obtiene:
EP flujo.
[ 0 , x se Luego,
, x puede
,..., x usando
] escribir la la
regla EPde
donde está compuesto solamente por el primer pago del flujo de dinero 0 1 2 N
como la suma se
adición en tiene
un solo componente, de las equivalencias ciertas de los flujos
Se original
puede yrepetir
por elque:
elresto de los elementos
procedimiento y dividir delelflujo. flujo Luego,
z en xusando 1, y el la laregla
resto EPdede
de Continuando
dinero Se que
puede son
EP la descomposición
diferentes
(repetir
x) EP [elx0EP,0de,..., x)cero:
(regla
procedimiento 0] EP del
EP 00flujo
[ x[adición,0x,10 y,,..., original,
0dividir
,..., 0 ]0]obtiene:EP EP
el [0se ,0x,01puede
[flujo , x 2z,..., en xescribir
Nx]1, y el resto de
como adición
componentes;
la suma en
Continuando se y tiene
aplicando que:
un solo componente,
la descomposición la de
del flujo original, de las equivalencias se
se puede escribir ciertas
la EP como de losla flujos suma en
de componentes;
dinero y aplicando la )regla
( xcero: de
[ x0 ,adición 0,de 0,..., seEP
0]flujos obtiene:
[de
0, dinero
x1 , x 2 ,..., ] diferentes de
)quepuede son x0 diferentes de
un Continuando
solo EP EP x Nson
EPcomponente,
( xSe EP [la ,de
0 las
,..., 0 ]equivalencias
EP [ 0 , x , 0 ciertas
,..., 0 ] EP los
[ 0 , 0 , x ,..., 0 ] ... que
EP [ 0 ,0 ,0 ,..., x N ]EP
cero: EP(descomposición
xrepetir
) EP[ xel0 ,0procedimiento ,...,10] del EPflujo [0, x1 ,original, y0,...,dividir0]2 EP se
el[0flujo puede
,0, x 2 ,...,z en escribir
x N ]x1, y lael resto de
como la suma en un
componentes; EP solo
(yx componente,
aplicando
) EP [ x ,0 la
,..., regla
0 ] de EPde las
[ 0 , equivalencias
adición
x ,0 ,..., se
0 ] obtiene:
EP [ 0 ciertas
, 0 , x ,...,dex los
] flujos
EP( xSe ) EP puede[ x ,0,..., 0] EP
repetir el [0procedimiento
0 , x1 ,0,...,0] EP[y0,0dividir 1 , x 2 ,...,0el] flujo ... EP z [en
2 0,0,x01,...,
N , yx Nel] resto de
Si
de se define
dinero que son0diferentes de cero:
componentes;
Continuando y aplicando la regla
la descomposición del de flujo adición original, se obtiene: se puede escribir la EP
Continuando la
EP EP
descomposición
EP t ([xx
( x) componente, t 0) ,0,..., EP0[]0del ,0, xflujo t [,00,..., 0
,0],...,0] se
, x1original, EP[ciertas
0,0, x 2 ,...,
puede N ] flujos
escribir la EP
Sicomo
se EP la suma en un
define solo deEP las equivalencias de xlos
( x ) EP [ x , 0 ,..., 0 ] EP [ 0 , x , 0 ,..., 0 ] EP [ 0 , 0 , x 2 ,...,0] ... EP [0,0,0,..., N ] flujos
xlos
decomodinerolaque suma son 0en un solo componente,
diferentes
EP( x) EPEP de cero:
( x[ x)0 ,0,...,
1
EP0[0],0,EP de las
xt ,[00,..., equivalencias
, x10,0] ,...,0] EP[0,0, x 2 ,..., x N ] ciertas de
entonces
de dinero es posible
Continuandoque son escribir
diferentes lat EPtde
la descomposición del cero: flujo de deldinero flujo original, x como:se puede escribir la EP
Si se definecomo la
(Continuandosuma
x) EP[ x0 ,0,..., en un solo componente, de las equivalencias ciertas de x Nlos
] flujos
Si seEP
entonces define
es( posible la0]descomposición
escribir
EP[0, x1 ,0,...,0] del
la EP del flujo de
EP[flujo
dinero
0,0, xoriginal, 2 ,...,0] ...se EP
xx( xcomo:
[0,0,0,...,
puede escribir la EP
de dinero
EP x ) que
EP [ son
EP
x , (
0 x )
diferentes
,..., 0EP]EP ( EPx( x )[ )
0 de
, EP
x EP , [
cero:
0 0 (,
,..., 0x ,
0 )
]
x , 0 EP,...,
... [ 00 ]
EP, 0 , ,...,) 0 ] ... EP [ 0 , 0 ,0 ,..., x N ] flujos
como la suma en 0 un solo componente,
t 1 t 1 1 2 2 t
de las equivalencias N 2 N ciertas de los
Si se de define dinero queEP
( x) EP
son diferentes
EPEP
[ x(0x,)0,...,
( x)( x ) deEP
0EP ]1 ( xEP 1 [0EP
t ( xt ))
cero:
, x12[,(00x,..., 2 0]... EP EP x, xN ),...,0] ... EP[0,0(6.4)
[]0xN,0(como: ,0,..., x N ]
entonces
Si se define esEP posible escribir la
EP del
) flujo
EP de
, 0 , x dinero
, 0 ,..., 0 2
( t
) t
( xecuación ( ) t
(6.4)
t [)0, xtEP t[0,0 0,]xt ,0 ,..., [00,tiene
]0, x 2 ,...,
EP( x)la regla EP[ x0de EP
,0,..., x
0EP ] t EP EP x
Además, usando escala, 1 ,0,...,(6.1), EP se que:0] ... EP[0,0,0,..., x N ]
Si se define EP( x) EP1 ( x1 ) EP2 ( x2 ) ... EPN ( x N )
entonces
entonceses posibleescribir
es posible escribir la la EP EP del flujo del flujo de dinero de dinero x como: x como:
Además, Si usando
entonces la reglaescribir
es posible de escala, laEP EP (EP
xttecuación t )(1
xdel EP[(6.1),
xflujo 0de ,0,dinero xt ,se 0,..., tiene0x] como: que: (6.4)
se define EP EP t ((xxt )) EP t t () t) (6.5)
EP( x) EP1 ( xEP 1 ) ( xEP ) 2 ( EP
x 2 ) [ 0 , 0
... , x EP, 0 ,..., ( x0 ] )
)( xt )EPla ) t (del 1EP ) flujo (6.5)
t t t N N
es decir,entonces la EPeslade posibleunEP escribir
EP( xtescala,
patrón EP
1 (tecuación
x xEP ( x 2dinero) de...se dinero N (x como:
)
EP( x)de 1flujo
EPt ( de que
Además, usando regla de EP xtiene ceros, como
x2t ) (6.1), tiene que:
N
(6.4)
elementos, entonces excepto en el punto
es posible escribir EP del ( xla )tiempo,EP del EPt,t (flujo es
xt ) igual de dinero a xt porx la como:EP de un pago(6.4)
es decir,
unitario en la EP detiempo,
el mismo un EP patrón x)) de
EPt.((xLuego, EP flujo
( x1(1)) de
1 sustituyendo EP2 dinero ( x 2 ) (6.5) ...que en tiene
EPN(6.4), ( x N ) se ceros,obtiene:(6.4)
como
xt EP (6.5)
Además, usando
elementos, exceptolaen reglael puntodet escala, t
del tiempo,ecuación
t
t, es (6.1),
igual sea xtiene
t por que:
la EP de un pago
Además, ( x)escala, ( x1)( xecuación 1 ) EP EPt 2((xxt (6.1), )2 ) ... seEP N ( x Nque: ) (6.4)
en el usando la regla EPde
(6.5) entiene
EPEP
unitario mismo tiempo, (t.x)Luego, sustituyendo
(1)de dinero (6.4), se obtiene: (6.6)
es Además,
decir, la EP de un patrón
EP de xtflujo
EPx( xt EP
EP
) t (1(6.1), que tiene ceros, como(6.5) (6.4)
usando la regla de EP escala,t ( xt )ecuación ) EPse t ( xtienet) que:
t
elementos, Además, excepto usando en el laEPpunto
regla del tiempo, t, es igual(6.1), a xt por la EPque: de un pago(6.5)
( xEP ) de t ( xescala,
t )x EP xt EP ( 1 ecuación
)t (1) se tiene (6.6)
unitario
Esta en ecuaciónel mismo tiempo,que
expresa t. Luego, para tevaluar sustituyendo
t
un flujo (6.5) deendinero (6.4), se en obtiene:
el tiempo,
es decir, Además, la EP usando de un patrón
la regla de de escala, flujo ecuación de dinero (6.1), quese tiene tiene que: ceros, como
todoes lo requerido es multiplicar la magnitud
( ) del (1flujo
) en cada punto del tiempo,como t,
elementos, decir,excepto la EP en de elun punto patrón EP del x
t tiempo,tde flujo x EP t,t un de igual
es dinero a xtdineroque
por la tiene EP ceros,
de un pago (6.5)
el (6.5)
porEsta ecuación expresa que para evaluar flujo de en tiempo,
t
la EP
elementos, de un pago
excepto unitario (
en el punto ) en ese
del punto
t tiempo, ( 1
t x EP (t,) del tiempo; y luego sumar estos
(6.6)
1)es en igual por lase
aenxt(6.4), EPobtiene:
de un pago
unitario en el mismo tiempo,EP x t.la Luego, x EP sustituyendo (6.5)
todo lo requerido es multiplicar t ( xt )
magnitud t delt flujo cada punto del tiempo, (6.5)
ent,como
EP
productos
unitario
es para
en eltodos
decir, mismo
la EP losde valores
tiempo, un t. de
patrón Luego, t. La de ecuación
sustituyendo
flujo de (6.6)
dinero(6.5) seen puede
que (6.4),tiene escribir
se obtiene:
ceros,
por la
una formaEP de aúnunmás pago unitario
simple, definiendo en ese punto EPtiempo, t(1) un
del
= ftflujo tiempo;
. es Es igual decir, y luego que sumar
la cantidad estosft
Esta
es decir,
productos esecuación
elementos, la EP de
decir,
para la
todosexpresa
excepto
un EP patrón
los deen que
deun
valores
EP el
( flujo
x ) para
punto
patrónde dinero
de evaluar
t.
x del EP Lade ( 1
que)flujo
ecuación tiene t,de ceros de
dinero
(6.6) comodinero
se a que
puedet por en
xelementos, la
tiene elEP
escribirtiempo,
de(6.6)
excepto
ceros, unen
en pago
como
es
todo la loEP de unenpago
unitario
requerido el
es unitario
mismo
multiplicar tiempo,hecho la t.
magnitud enLuego,
t el punto t
sustituyendo
del flujodel en tiempo, cada (6.5) t.punto
Esta
en cantidad
(6.4),
del se
tiempo, se
obtiene:
t,
el punto del
elementos,tiempo, t, es
excepto igual a
en x EP por
el ( x
punto)
la EP de
del x un EP
t tiempo, (
pago 1 ) unitario
t, es en
igual el amismox por tiempo,
la EP t.
de (6.6)
Luego,
una
define
por
forma
laEP como
EP
aún
de
más
elunfactor simple,
de definiendo
descuento t delpunto EP
punto del t(1)t = f
de tiempo; t . Es
tiempo t.y Entoncesdecir, que t la cantidad
la EP del pago
un
f t
sustituyendo
es laEsta unitario
de (6.5)
un
ecuación en enpago
pago el (6.4),
mismo unitario
se obtiene:
unitario
expresa tiempo,
quehecho en ese
para t.en Luego, el
evaluar punto sustituyendo
un del flujotiempo, de (6.5)luego
t.
dinero en
Esta sumar
(6.4),
cantidad
en el se estos
obtiene:
tiempo, se
flujo de caja
productos para x estátodos dado por:
los descuento
valores de t. La
define
todo lo Esta
comorequeridoecuación
el factor expresa
de
es multiplicar que
EPla (magnitud )del
xpara punto xecuación
evaluar t EP del tde(1flujo
) un tiempo (6.6)
flujocada
en t.se
de puede
dinerodel
Entonces
punto
escribir
en EP en (6.6)
el tiempo,
la tiempo, del t,
una todoforma lo aún más simple, definiendo EPt(1) =del f . Es decir, quepunto la cantidad ft t,
flujo
por de la caja
EP requerido
dex está
un pago es multiplicar
dado por: EP
unitario enla ( xese)magnitud punto xt EPt (1t) flujo tiempo; en cada y luego sumar del tiempo,
estos (6.6)
es lapor EPlade EP unde pago un pago unitario hechoen
unitario enese el punto del deltiempo, t. yEsta cantidad (6.6) se
productos Esta para ecuación
todos expresa
los valoresque de para t. Lapunto evaluar
ecuación un tiempo;
(6.6)flujosede luego
puededineroescribirsumar
en el estos tiempo,
en
define como elpara
productos factor todosde descuento
los valores del de punto
t. La de
ecuación tiempo(6.6) t. Entonces se puede la EP escribirdel en
una todoEsta
forma loaúnrequerido
más
ecuación esexpresa
simple, multiplicar
definiendo quela paramagnitud
EP t(1)
evaluar = del ft . un flujoflujo
Es en cada
decir, de que punto
la cantidad
dinero endeleltiempo, ft • t,
tiempo,
flujounadepor caja
forma x está
aún dado
más por:
simple, definiendo EP
• 173
es la todo EP la
de EPun de
pago un pago
unitario unitario
hecho en ese
el punto t(1) del
punto = del . Es
fttiempo, tiempo; decir,t. y
Esta que
luego la cantidad
cantidad sumar 4
se ft
estos
lo requerido es multiplicar la magnitud del flujo en cada punto del tiempo, t,
es
definepor lacomoEP
productos de
la EP unpara
el factor pago
de un de todos unitario
pago los
descuento hecho
valores
unitario del en
en puntode elt.
ese punto punto
La ecuación
de tiempo del tiempo,
del tiempo; (6.6)
t. Entonces t.se Esta
puede
y luego cantidad
la sumarescribir
EP delestos se en
defineuna como
forma el
aún factormás de descuento
simple, definiendo del punto de=tiempo t.decir,
Entonces EP4 del ft
lalacantidad
flujo de caja
productos x está paradado todos por: los valores de t. EP Lat(1) ecuación ft . Es (6.6) se que puede escribir en
flujo es de la EP
caja de x un
está pagodado unitario
por: hecho
una forma aún más simple, definiendo EPt(1) = ft . Es decir, que la cantidad en el punto del tiempo, t. Esta cantidad sef
t
define como el factor de descuento
es la EP de un pago unitario hecho en el punto del tiempo, t. Esta cantidad del punto de tiempo t. Entonces la 4EP delse
Esta ecuación expresa que para evaluar un flujo de dinero en el tiempo, todo lo requerido es
multiplicar la magnitud del flujo en cada punto del tiempo, t, por la EP de un pago unitario en ese
punto del tiempo; y luego sumar estos productos para todos los valores de t. La ecuación (6.6)
se puede escribir en una forma aún más simple, definiendo EP t(1) = ft . Es decir, que la cantidad
ft es la EP de un pago unitario hecho en el punto del tiempo, t. Esta cantidad se define como el
factor de descuento del punto de tiempo t. Entonces la EP del flujo de caja x está dado por:
EP( x) xt f t (6.7)
(6.7)
EP( x) xt f t (6.7)
Esta expresión resulta EP( xde ) aplicar xt f t las dos primeras reglas de cálculo (6.7)de la
equivalencia
Esta expresión
Esta expresión presente
resulta de aplicar
resulta (ecuaciones
delasaplicar 6.1
dos primeras lasydos 6.3).
reglas De dehecho,
primeras cálculo la ecuación
de
reglas la deequivalencia
cálculo (6.7)de eslala
pre-
sente forma
equivalencia adecuada presente de calcularhecho,
(ecuaciones la la EP
Esta expresión resulta de aplicar las dos primeras reglas de cálculo de la lala
(ecuaciones 6.1 y 6.3). De cuando
ecuación
6.1 y (6.7)
6.3). es es
De necesario
la forma
hecho, asociar
adecuada
la ecuación el
de valor
calcular
(6.7) de
es los
EP pagos
cuando es
forma adecuada
equivalencia con
necesario
presentelos tiempos
asociar
de(ecuaciones el
calcular la EP cronológicos
valor de los
6.1cuando pagos
y 6.3). De específicos
con los
es hecho, tiempos
necesario cuando se
cronológicos
asociar el(6.7)
la ecuación realizaron.
específicos
valoresde la losSin
cuando
forma embargo,
pagos adecuadacon silos
se realizaron. noSin
de esembargo,
tiempos
calcular necesario si noexplicitar
cronológicos
la EP es necesario
cuando esto,
específicos
es se puede
explicitar
necesario esto,
cuando recurrir
asociarse puede
se arecurrir
una
realizaron.
el valor detercera
a una
los Sin y
tercera
pagos última
y
embargo, regla.
última
con los regla.
si no es necesario
tiempos cronológicos explicitar esto, se puede
específicos cuandorecurrir a una tercera
se realizaron. Sin y
última
embargo, Ésta si afirma
regla.
no es que las preferencias
necesario explicitar con respecto
esto, se puede alrecurrir
tiempoasólo una tienen
tercera que y ver
Ésta afirma que las preferencias con respecto al tiempo sólo tienen que ver con los atrasos
conÉstalos atrasos
afirmalos que en recibir
lasypreferencias o abonar los pagos
con respecto y no con los tiempos calendarios
última
en recibir regla.
o abonar
específicos cuando pagos estos no con los tiempos
pagos son calendariosalespecíficos
efectuados.
tiempo sólo
Porlos ejemplo, cuando tienen
una estos que
unidadpagos ver
de
con
Ésta los
son efectuados. atrasos
afirma que en
las
Por ejemplo,dentrorecibir
preferencias o
una unidad abonar con
de pagolos pagos
respecto
a tendrá yal no con
tiempo
realizarseeldentro sólo
dede tiempos
tienen
un fañoen calendarios
tendráque ver
el valor
pago a realizarse de un año valor el momento
de fespecíficos
con los atrasos cuando
en presente,
recibir estos pagosque
o mientras
abonar losson efectuados.
pagos y nodecon Porlos ejemplo,
tiempos una de
calendariosunidad de
1
en el momento
1 presente, mientras que una dentro de dos años tendrá valor de f2. Si se
una dentro dos años tendrá valor f2. Si se
afirma
pago
específicos
afirma a
que son realizarse
cuando
importantes estos dentro pagos
sólo las de un
son
diferencias año
efectuados.tendrá
de tiempo y de el
Por valor
ejemplo,
no lostiempo de funa
1 en
tiempos ycalendarios el
unidad momento de
que
presente, sonmientrasimportantes que una sólo dentrolas diferencias
de dos años tendrá devalor deel no lossecuando
f2.momento
Si tiempos
pago
se realizana realizarse
los
calendarios pagos, dentro
entonces
cuando se
de
una un
realizan
año de
unidad los
tendrá
pago
pagos,
el valor
dentro
entonces de dosuna
f1 en
años tendrá
unidad deel valorafirma
pago de f1
dentro
quede son
presente,
dentro mientras
un año, importantes
y que unasólo
consecuentemente, dentro lasf de*f diferencias
dos
en el años
momento depresente.
tendrá tiempo
valor dey f2.no Si se losafirma tiempos
de
sondosimportantes
quecalendarios años tendráse
cuando elrealizan
sólo valorlas de 1 f1
los 1 dentro de un año, y consecuentemente, f1*f1
pagos, entonces
diferencias de tiempo una yunidad no los de pago tiempos dentro
Poren
calendarios el momento
tanto:
de dos años cuando tendrá presente.el valor los
se realizan f1 dentro
de pagos, de un año,
entonces una yunidad consecuentemente,
de pago dentrof1*f1
de dosen Por tanto:
elaños
momento tendrápresente.el valor de f1 dentro f2=fde 2 un año, y consecuentemente, f1*f1
f12=f12
Por tanto:
en el momento presente.
Por tanto: t f2=f12
En general, f = f . Es decir, esta tercera
2 regla, la invariabilidad con respecto
En general, ft = f1t. Est decir, 1
esta tercera fregla, 2=f1 la invariabilidad con respecto al tiempo calen-
alEntiempo
general, calendario,
ft =def1un t
. Es implica
decir, que la
estaentercera EP de un
regla, pago unitario en el con
la futuro,
invariabilidad tiempo respectot en el
dario, implica que la EP pago unitario el tiempo t en el es simplemente igual a
futuro, es simplementet
implica igual a la
quetercera equivalencia
la unEPaño, de un pago presente unitario del pago unitario deelun
al tiempo
En general,
la equivalencia calendario,
ft = f1 . del
presente Es pago decir, esta
unitario de regla,
elevado potenciaen“t”.
la invariabilidad
a la elPara
con tiempo
respecto t en
simplificar
año,
futuro, elevado
esescribir a
simplemente la potencia "t”. Para simplificar más se puede escribir f como
el un f
figual ala laEP equivalencia presente
unitarioladel EP pago unitario
implica que de un pago en el tiempo 1 de
al
mástiempo
se
(sinpuedecalendario,
ningún f1 como
sub-índice) (sin
y, ningún
entonces, subíndice)
la EP y, entonces,
dada por la ecuacióndada por
(6.7), lat ecuación
en
será:
año,
futuro,
(6.7), eselevado
será: simplemente a la potencia igual a "t”. Para simplificar
la equivalencia presente más se delpuede escribir de
pago unitario f1 como un f
año,(sin ningúnasub-índice)
elevado la potencia y, entonces,
"t”. Para simplificar la EP dada más por
se la
puedeecuaciónescribir (6.7), f 1 será:
como f
(sin ningún sub-índice) y, entonces, EPla ( x)EP dada t
xt f por la ecuación (6.7), será: (6.8)
EP( x) xt f t
(6.8)
(6.8)
En esta forma final, EP la (EP x) se calcula
xt f t
como el valor presente del(6.8)flujo de
dinero, con un factor de descuento igual
En esta forma final, la EP se calcula como el valor presente del flujo de a f.
dinero,
En esta
En Como
esta con
forma
forma se
un mencionó,
factor
final, la EPde
final, lase EP esperar
descuento
calcula se como a igual
calcula recibir a f.un el
el valor presente del
como pago valor enflujo
el de
futuro
presente dinero, implica
delcon unun
flujo decosto
factor
dinero, de oportunidad.
Como
de descuento con un sefactor
igual mencionó, Es
a f. de descuento necesario
esperar igual calcular,
a recibir por lo tanto ¿cuál
a f. un pago en el futuro implica un costo es el valor presente
de
Comodeoportunidad.
unsepago mencionó,queEssenecesario recibiráaocalcular,
esperar abonará
recibir dentro
por lo tantodeelun año?es
¿cuál Este
el valorvalor presente
presente
Como
está se mencionó,
medido por esperar
el factor a recibir
de un pagoun
descuento. en pago
el futuro
Si la
en
tasa implica
de
futuro
interés
implica
un costo un costo
de oportunidad.
apropiada para un
de de un pago que
oportunidad. se recibirácalcular,
Es necesario o abonará pordentrolo tanto de¿cuálun año? es el Este valor valor presente
presente
Es necesario
período calcular,
es "i", por
el lo tanto,
factor de ¿cuál
descuentoes el valor será:presente de un pago que se recibirá o abo-
de está
un pago medido quepor se el factor odeabonará
recibirá descuento. dentro Si la detasa un año? de interésEste apropiada
valor presente para un
nará dentro de un año? Este valor presente está medido por el factor de descuento. Si la tasa
estáperíodo
medidoespor "i",elelfactor
factorde dedescuento.
descuento Si será: la tasa de interés apropiada para un
de interés apropiada para un período es “i”, el factor f 1 /(de 1 descuento
i) será:
período es "i", el factor de descuento será:
f 1 /(1 i)
Claramente, este factor depende f 1 /(de 1 la i) tasa de interés que un pago unitario
invertido hoy gane durante
Claramente, este factor depende de la tasa de interés el período siguiente. Supóngase que un que pago seráunitario
10 por
ciento
invertido
Claramente, en el
hoyeste próximo
gane factor período
durante depende de
el período un año;
de la tasa si
siguiente.se invierte
de interés Supóngase $1.00
que un que hoy,
pagoserá se acumulará
unitario10 por
• 174 •
$1.10 al el final del próximo período. Se si dirá
ciento
invertido en
hoy ganepróximo durante período de un año;
el período siguiente. seque invierte $1.00
Supóngase esque
$1.00 elhoy,valor
será 10 por de
se presente
acumulará
ciento $1.10,
$1.10 en alel pagable
final del período
próximo dentro
próximode un
un período,
período.
de año;Se seainvierte
si dirá una
que $1.00 tasa$1.00 de descuento
eshoy,
el valor del 10 de
presente
se acumulará por
$1.10 ciento.
$1.10,al final Entonces,
pagabledel próximo el factor
dentro período. de
de un período,descuento
Se dirá aque en este
una$1.00 caso
tasaes será:
deeldescuento
valor presente del 10 depor
$1.10,ciento. Entonces,
pagable dentro el factor
de unde descuento
período, a una en estetasacaso será:
de descuento del 10 por
ciento. Entonces, el factor de descuento f (10%) en 1 /(1este 0.10caso) 0será: .909
Como se mencionó, esperar a recibir un pago en el futuro implica un costo
de oportunidad. Es necesario calcular, por lo tanto ¿cuál es el valor presente
de un pago que se recibirá o abonará dentro de un año? Este valor presente
está medido por el factor de descuento. Si la tasa de interés apropiada para un
período es "i", el factor de descuento será:
f 1 /(1 i)
Claramente, este factor depende de la tasa de interés que un pago unitario invertido hoy
Claramente, este factor depende de la tasa de interés que un pago unitario
gane durante
invertido el período
hoy siguiente.elSupóngase
gane durante período que será del orden
siguiente. del 10 porque
Supóngase ciento en el
será 10próximo
por
período de un año; si se invierte $1.00 hoy, se acumulará $1.10 al final
ciento en el próximo período de un año; si se invierte $1.00 hoy, se acumulará del próximo período.
Se dirá al
$1.10 quefinal
$1.00
delespróximo
el valor presente de
período. Se $1.10, pagable
dirá dentro es
que $1.00 de el
un valor
período, a una tasa de
presente de
descuento del 10 por ciento. Entonces, el factor de descuento en
$1.10, pagable dentro de un período, a una tasa de descuento del 10 poreste caso será:
ciento. Entonces, el factor de descuento en este caso será:
f (10%) 1 /(1 0.10) 0.909
Si la tasa a ganar fuera del 20 por ciento, el factor de descuento estaría

Si la
dado tasa a ganar fuera del 20 por ciento, el factor de descuento estaría dado por:
por:
f (20%) 1/(1 0.20) 0.833 5

Tasa de interés versus tasa de descuento
Tasa de interés versus tasa de descuento
Se ha dicho que el valor presente de $1.10, pagable dentro de un período, a
Se ha dicho que el valor presente de $1.10, pagable dentro de un período, a una tasa de
una tasa de descuento del 10 por ciento, es $1.00. ¿Cuál es, entonces, la
descuento del 10 por ciento, es $1.00. ¿Cuál es, entonces, la diferencia de la tasa de descuento
diferencia de la tasa de descuento con la tasa de interés? En realidad no existe
con la tasa de interés? En realidad no existe diferencia alguna; la tasa de interés y la de des-
diferencia alguna; la tasa de interés y la de descuento son nombres diferentes
cuento son nombres diferentes que se dan a lo que aritméticamente es lo mismo. Sin embargo,
que se dan a lo que aritméticamente es lo mismo. Sin embargo, es costumbre
es costumbre usar los dos términos en diferentes contextos.
usar los dos términos en diferentes contextos.
Cuando
Cuando se se tiene
tiene una una
sumasuma de dinero
de dinero y se las
y se estiman estiman las aganancias
ganancias obtener en ael obtener
futuro, se
en eldefuturo,
habla la tasasedehabla deCuando
interés. la tasalade interés.
suma Cuando
está dada la suma
en algún puntoestá dada yen
del futuro se algún
calcula
punto del futuropara
retrospectivamente y determinar
se calcula retrospectivamente
el valor presente, se habla depara determinar
la tasa de descuento.el Elvalor
factor
presente,
de descuentose habla
es una de la
función de tasa
la tasadededescuento.
descuento. PorElejemplo,
factor si desedescuento
desea estimaresel una
valor
funcióndede
presente unalasuma
tasadede descuento.
dinero Por ejemplo,
a recibir dentro de un año,siS1,se desea estimar el valor
se tendrá:
presente de una suma de dinero a recibir dentro de un año, S1, se tendrá:
SS0 =
= SS1f(r)
f(r)==S S 1/(1+r)
/(1+r)
0 1 1
donde S0 es el valor presente de S1 y r es la tasa de descuento.

Cuando
donde S0 esseelquiera saber el
valor presente de valor futuro
S1 y r es la tasa 0 dentro de un año, simplemente
dedeSdescuento.
se invierte el factor de descuento, f(r), y se obtiene:
Cuando se quiera saber el valor futuro de S0 dentro de un año, simplemente se invierte
el factor de descuento, f(r), y se obtiene:
S1 = S0/ f(i) = S1(1+i)
donde i es todavía la tasa de descuento, pero ahora es llamada la tasa de

interés. S1 = S0/ f(i) = S0(1+i)
Hay una buena razón para usar los dos términos. La tasa de interés, o para
ser más exactos, el conjunto total de tasas de interés, que incluye las pagadas
pordonde
los ibancos
es todavía
a lalos
tasaahorros,
de descuento, perogobierno
las del ahora es llamada
por sustasadeudas,
de interés.
las de los
propietarios por sus hipotecas y otras, son determinadas en el mercado
Hay una buena razón para usar los dos términos. La tasa de interés, o para ser más exactos, de
capitales, es decir, son establecidas exógenamente y el decisor las considerará
el conjunto total de tasas de interés, que incluye las pagadas por los bancos a los ahorros, las
como
del parámetros.
gobierno por sus deudas, las de los propietarios por sus hipotecas y otras, son determinadas
Por otrodelado,
en el mercado la es
capitales, tasa
decir,de
sondescuento es escogida y el
establecidas exógenamente deliberada pero no
decisor las considerará
arbitrariamente
como parámetros. por el decisor. Esta selección determina el factor de descuento,
el cual representa la preferencia del decisor con respecto al tiempo. Es
indudable que las diferentes tasas de interés existentes en el mercado influyen • 175 •
fuertemente en esta elección. No obstante, ésta es una elección que
representa la preferencia del decisor, siendo el valor presente muy sensible a
esta elección. Por ello, es útil preservar la terminología paralela de tasas de
descuento e interés.
Un caso muy especial es cuando el decisor proyecta manejar sus flujos de
Por otro lado, la tasa de descuento es escogida deliberada pero no arbitrariamente por el
decisor. Esta selección determina el factor de descuento, el cual representa la preferencia del
decisor con respecto al tiempo. Es indudable que las diferentes tasas de interés existentes en el
mercado influyen fuertemente en esta elección. No obstante, ésta es una elección que representa
la preferencia del decisor, siendo el valor presente muy sensible a esta elección. Por ello, es útil
preservar la terminología paralela de tasas de descuento e interés.
Un caso muy especial es cuando el decisor proyecta manejar sus flujos de caja a través de un
banco, al depositar su liquidez o tomar prestado a la misma tasa de interés, ib, y definiendo un
factor de descuento fb. Si el decisor está planeando tratar exclusivamente con dicho banco para
financiar su inversión y reinvertirla, entonces la EP para cualquier patrón de flujo de dinero será
el valor presente de dichos flujos, usando el factor de descuento f b en vez de aquél del decisor,
f. Es decir, el decisor no tiene elección; la decisión de usar el banco exclusivamente para finan-
ciar los flujos de dinero, implica que el factor de descuento f del decisor, el cual representa su
preferencia con respecto al tiempo, se ha convertido en el factor de descuento del banco f b .
6.4 VALOR PRESENTE NETO
Volviendo al tema central, debe quedar claro que la equivalencia presente de una suma de
dinero S1 a ser pagada dentro de un año -suponiendo que se cumple con las tres reglas estable-
cidas, con una tasa de descuento i- coincide con el valor presente (VP).
EP = VP = S1/(1+i) = S1 f (i) (6.9)
Y aplicando la regla número tres, el valor presente de una suma de dinero pagable dentro
de N años, SN, será:
EP = VP = SN/(1+i)N (6.10)
Esta tercera regla implica que si VP0 indica el valor presente de un pago en el futuro y VP1
es el valor de ese pago calculado para dentro de un año, entonces:
VP0 = VP1/(1+i) = VP1*f (i)
Es decir, se puede tratar un valor presente calculado para un tiempo en el futuro exacta-
mente como si fuera un pago que ocurriera en ese tiempo. Aún más, en las ecuaciones (6.9) y
(6.10) no interesa si las sumas, S1 o SN, son positivas o negativas; es decir, si son pagos que el
decisor recibe o que debe hacer. Estas fórmulas son aplicables en cualquier caso, y es interesante
analizar sus consecuencias.
• 176 •
Dado que “i” suele ser positiva, f (i) es usualmente menor que uno, por lo que f (i)k será menor
a medida que k aumenta. Por lo tanto, si se debe dinero, se prefiere pagar lo más tarde posible
porque cuanto más tarde se haga, menor será el valor presente de la cantidad pagada. Si se
nos debe dinero, regirá lo opuesto. Si se aplica esta idea a proyectos de inversión en general, el
decisor preferirá aquellos con beneficios tempranos y costos diferidos.
Normalmente, los beneficios de los proyectos de inversión no se materializan en un solo punto
en el tiempo, sino consisten en un flujo de costos y beneficios generados a lo largo del tiempo.
El valor presente de ese flujo es simplemente la suma de los valores presentes de cada uno de
sus componentes, como lo expresa la ecuación (6.8). A manera de ilustración, considérense
nuevamente los proyectos A y B descritos en la tabla 6.1.
Para compararlos, se requieren dos datos que permitan calcular sus valores presentes.
Primero, ¿en qué momento del año ocurrirán los pagos? Es obvio que existirá una diferencia si
tienen lugar al comienzo o al término de cada año. Se supondrá que ocurrirán al final de cada
año. Segundo, ¿cuál es la tasa de descuento apropiada para calcular el valor presente? Como
se trata de una elección que representa la preferencia del decisor con respecto al tiempo, se
pueden especificar arbitrariamente varias tasas de descuento y analizar la sensibilidad de los
valores presentes calculados con estas diferentes tasas. En este ejemplo se supondrá una tasa
de descuento del 5 por ciento anual.
El proyecto A demanda inicialmente un desembolso de 50 –nótese que las unidades están
expresadas en miles de dólares-
unidades están lo cual implica unen
expresadas beneficio
miles neto negativo, lo
de dólares- y por
cuallo tanto,
implica su un beneficio
valor presente enneto
el añonegativo,
0 será -50.y Al porfinal del primer
lo tanto, año hay
su valor un rendimiento
presente en el año de +25, con un
0 será -50. Al final del
valor presente deprimer
25/(1.05) año
unidades
unidades =están
23.81.
hayestán unEl rendimiento
valor
expresadas presente
expresadas ende del
en flujo
+25,
miles milesdel dólares-
con
de segundo
de valoraño
un dólares- de
lo+20
lopresente
cual cual es 20/
deimplica
implica 25/(1.05) =
un beneficio
un beneficio
(1.05)2 =18.14, y así sucesivamente.
23.81.
neto neto El negativo,
negativo, Entonces,
valor ypresente
pory lo portanto,el valor
del
lo tanto,supresente
flujo del
su valor
valor total
segundo delaño
presente
presente proyecto
en de elA,año
+20
elenaño 0VP
es ,0es:será
A 20/(1.05)
será Al2 final
-50.-50. =18.14,
Al final
del del
unidades están expresadas en miles de dólares- lo cual implica un beneficio
unidades
Y así
primerprimerañoestán
sucesivamente.
año
hay hay unexpresadas
unEntonces,
rendimiento
rendimiento ende miles
el+25,
valor
de +25, de
con dólares-
presente
con
un valor lopresente
untotal
valorcual
del implica
proyecto
presente deun
A, beneficio
VPA= , es:=
25/(1.05)
de 25/(1.05)
neto negativo, y por lo tanto, su valor presente en el año 0 será -50. Al final del
2
neto
23.81. negativo,
23.81.
El valor ypresente
El valor porpresente
lo tanto, del
del flujo su flujo
valor presente
del
del segundo segundo en año
año el
deaño de 0+20
+20 esseráes-50. Al2 final
20/(1.05)
20/(1.05) del
=18.14,
=18.14,
primer año hay un rendimiento de +25, con un valor presente de 25/(1.05) =
primer
Y así añosucesivamente.
Y sucesivamente.
así hay
25 un rendimiento20Entonces, 15deel+25,
Entonces, valor con
el10valor un valor
presente
presente 5 total presente
total delde
del proyecto 25/(1.05)
proyecto2A, VPA,A=VP A, es:
, es:
23.81.
VPA El valor50valor presente del2 flujo del3 segundo4 año de 5+20 es 20/(1.05) =18.14, 2
23.81. El presente
1.05 (1Entonces, .05) del flujo
(1.05 del segundo año de +20 es 20/(1.05) =18.14,
Y así sucesivamente. el )valor(1presente
.05) (1.total
05) del proyecto A, VPA, es:
Y así sucesivamente. 25 25 20Entonces, 20 15 el 15valor 10 presente
10 5 total
5 del proyecto A, VPA, es:
VPA VP17 . 05
A50 50
$ 17 ,050 2
251.051.20 05 2
(1.05()1.0515 3
)(1.05()1.0510 )(1.05()1.055)(1.05()1.05) 5
3 4 4 5
VPA 50 25 20 15 10 5
VPADe VP17 A50.105
igual .17 .05
$17
05manera,(1,.$ 17) 2el
050 ,050 valor
2(1.05)presente 3(1.05) neto 4(1.del
05) 5proyecto B, VPB, es:
3 4
05
1 . 05 (1 . 05 )
De igual manera, el valor presente neto del proyecto B, VPB, es: (1 . 05 ) (1 . 05 ) (1 . 05 )5
VPA 17.05 $17,050
VPADe 17 De .05igual
igual $17manera,
manera,
25 ,05030 el valorel valor presente
30 presente 30netonetodel 30 del proyecto
proyecto B, VP B,BVP, es:B, es:
VPB 50 2 3 4 5
1 .05 (1 .05 ) (1 . 05
De igual manera, el valor presente neto del proyecto B, VPB, es: ) (1 .05 ) (1 . 05 )
De igual manera, 25 25 30 el valor
30 30 presente30 30 neto30del 30 proyecto
30 B, VPB, es:
VPBA VP27 .5 $27,500
B 50 50 2 2 3 3 4 4 5 5
251.051.30 05(1.05()1.0530 )(1.05()1.0530 )(1.05()1.0530 )(1.05()1.05)
VPB 50 25 30 30 30 30
VPBAEnVP27 A50 .15.27
general, 05.$527(la1,$
50027 ),5002(1.05)algebraica
expresión 3(1.05) para calcular
) 5 5 el valor presente neto de
2 3 4
.05 4(1.05
1.05 (1.05) (1.05) (1.05) (1.05)
VPAun proyecto
27.5 $27está ,500 dada por:
VPAEn 27 En.5 general,
general, $27la ,500 la expresión
expresión algebraica
algebraica parapara calcular
calcular el valor
el valor presente
presente netoneto
de de
En general, la un
expresión
un proyecto
proyecto algebraica
estáestá dadapara calcular
dada
por: por:
x el valor presente neto de un proyecto está
dada por: En general, la expresión VP algebraica t para calcular el valor presente neto (6.11) de
En general, la expresión algebraica (1 i ) t para calcular el valor presente neto de
un proyecto está dada por:
un proyecto está dada por: xt xt
VP VP (6.11)
(6.11)
Si la tasa de descuento (1 i()1t i ) t
xt relevante es verdaderamente el 5 por ciento, el
proyecto B es mejor VP que el A, (6.11)
(1 t por
x t tanto, el decisor debe elegir el B.
VP i) t (6.11) (6.11)
¿Cómo
Si laSitasa lavarían
tasa los valores relevante
de descuento
de descuento (1
presentes)
relevante
i de verdaderamente
es estos
es proyectos si
verdaderamente el se5elopta porciento,
5 por
por ciento,otras
el el
tasas
proyecto de B
proyecto descuento?
esBmejor
es mejor que Una el vez
que A,elpor realizados
A, por tanto,
tanto, el los el cálculos,
decisor decisordebedebese encontrarán
elegir el B.el B. valores
elegir
Si la tasa de descuento relevante es verdaderamente el 5 por ciento, el
Si
presentes
¿Cómola¿Cómotasa como
varíande
varían descuento
los
los mostrados
los valores
valores relevante
en
presentes
presentes es
la tablade verdaderamente
de6.2.
estos Y seproyectos
estos
proyectos pueden el se
si 5si por
entender
opta ciento,
pormejor
se opta por elotras
otras
proyecto B es mejor que el A, por tanto, el decisor debe elegir el• B. •
proyecto
estos
tasas tasas
de B
resultados
de esdescuento?
mejor
descuento? si se que Una elUna
muestranA, por
vez vez tanto,
como el
realizados
realizados unadecisor
los función debe
cálculos, de se
los cálculos, elegir elencontrarán
B.
la encontrarán
tasa
se177 de descuento, valores
valores
¿Cómo varían los valores presentes de estos proyectos si se opta por otras
como¿Cómose hace
presentes
presentes varían
como en
como losfigura
la
los valores
los 6.1.presentes
mostrados
mostrados en la de tabla
entabla
la estos proyectos
6.2. 6.2.
Y seY pueden si seentender
se pueden opta pormejor
entender otras
mejor
tasas de descuento? Una vez realizados los cálculos, se encontrarán valores
tasas
estos de
estos descuento?
resultadosresultados Una
si sesi muestran vez
se muestran realizados
como como los
una una cálculos,
función
función se
de la encontrarán
detasa
la tasa valores
de descuento,
de descuento,
presentes como los mostrados en la tabla 6.2. Y se pueden entender mejor
presentes
Tabla
como como6.2:hace
se secomo
Valoresen los
hace mostrados
presentes
laen 6.1.de
la figura
figura en proyectos
los
6.1. la tabla 6.2. A yYB,se pueden entender
a diferentes tasas demejor
estos resultados si se muestran como una función de la tasa de descuento,
estos resultados
descuento (en miles si se de muestran
dólares) como una función de la tasa de descuento,
como se hace en la figura 6.1.
Si la tasa de descuento relevante es verdaderamente del orden del 5 por ciento, el proyecto
B es mejor que el A; por tanto, el decisor debe elegir el B.
¿Cómo varían los valores presentes de estos proyectos si se opta por otras tasas de des-
cuento? Una vez realizados los cálculos, se encontrarán valores presentes como los mostrados
en la tabla 6.2. Y se pueden entender mejor estos resultados si se muestran como una función
de la tasa de descuento, como se hace en la figura 6.1.
Tabla 6.2: Valores presentes de los proyectos A y B, a diferentes tasas de descuento (en
miles de dólares)
Tasa de Valor Presente Valor Presente

descuento A B
0.00% 25.000 45.000

2.00% 21.635 37.482
4.00% 18.522 30.670
6.00% 15.636 24.484
8.00% 12.956 18.855
10.00% 10.461 13.724
12.00% 8.134 9.036
14.00% 5.961 4.747
16.00% 3.928 0.815
18.00% 2.023 -2.795
20.00% 0.235 -6.115
Supóngase que los proyectos A y B son propuestas competitivas o mutuamente excluyen-

tes. De acuerdo a los cálculos anteriores, el B tiene el valor presente más alto, con una tasa de
descuento del 5 por ciento. Pero en la tabla 6.2 se ve que el A tiene un mayor valor presente
cuando la tasa de descuento relevante es del 14 por ciento o más. La figura 6.1 muestra que en
general, si la tasa de descuento está entre cero y cerca del 13%, el proyecto B será preferido
porque tiene un mayor valor presente. Pero si la tasa efectiva está entre 13 y 20%, el proyecto
A debe ser elegido. Si esta tasa es mayor que 20%, ambos proyectos tienen valores presentes
negativos y por tanto, ninguno debería realizarse.
Una característica interesante de la figura 6.1 es el intercepto de la curvas del valor presente
de los proyectos en el eje de las ordenadas. Este intercepto es simplemente la suma de los flujos
netos sin descontar a lo largo de la vida del proyecto. Ello es así porque cuando la tasa de des-
cuento es igual a cero, la fórmula del VP se convierte en una simple suma de los elementos del
flujo del proyecto. Para el A, esta suma es de $25,000, mientras que para el B es de $45,000.
Ambas cifras representan el valor presente de cada proyecto para un decisor indiferente al tiempo,
que no descuenta los flujos de los costos y beneficios de su inversión. Las líneas muestran que
a medida que aumenta la tasa de descuento, disminuyen las curvas del valor presente.
• 178 •
Figura 6.1: Los valores presentes de los proyectos A y B, en función de la tasa de descuento
VALOR TERMINAL
Al calcular el VPN de un proyecto en un horizonte de análisis, debe tenerse en cuenta además
de los flujos de beneficios y costos dentro del período en análisis, el valor terminal o de salvamento
del proyecto, es decir, cuánto valdría el proyecto al final del horizonte de evaluación.
Si bien este valor terminal no constituye un ingreso, debe estar incluido en el flujo de cualquier
proyecto al final del período de evaluación. Aún cuando el análisis considere explícitamente 10
a 15 años, un buen porcentaje del valor presente del proyecto puede deberse al período más
allá del horizonte de evaluación. Esto es especialmente cierto en el caso de la introducción de
nuevos productos y en proyectos de investigación y desarrollo. Por lo tanto, es importante incluir
explícitamente un valor del negocio o del proyecto para el período más allá del horizonte de
evaluación. Este valor puede estimarse como:
Valor comercial: corresponde al valor de mercado que podría tener el activo, al final del período
de evaluación. La dificultad de este método consiste en la limitada capacidad de predicción del
precio de mercado de un negocio en el futuro.
Valor económico: considera que el valor del proyecto corresponderá a lo que es capaz de
generar en el futuro. Este método exige que el horizonte de evaluación sea lo suficientemente
largo para que se considere que ese último año es representativo de una perpetuidad, es decir,
que se haya alcanzado la estabilidad en la operación. Dado un flujo de caja promedio (FC) y una
tasa de descuento, r, el valor de salvamento es:
VS = FC / r
• 179 •
6.5 LA TASA INTERNA DE RETORNO
Para comparar proyectos de inversión, algunas personas usan otra medida llamada Tasa Interna
de Retorno (TIR). Sin embargo, la TIR no satisface las tres reglas establecidas para especificar la
preferencia del decisor con respecto al tiempo. La Tasa Interna de Retorno está definida por la
tasa de descuento a la cual el valor presente de un proyecto de inversión se hace cero.
En la figura 6.1, la TIR está determinada por el intercepto de la curva del valor presente con
el eje de las abscisas. Se observa que la TIR para el proyecto A está alrededor del 20% mientras
que la del B está cerca del 16.5%.
El criterio asociado con este concepto para decidir si llevar o no a cabo un proyecto de
inversión es: “El proyecto será rentable si su TIR es mayor que la tasa de descuento apropiada”.
Por lo tanto, si la elección es entre realizar o no el proyecto A, la decisión será hacerlo si la
tasa de descuento apropiada es menor al 20%. El criterio se basa en el supuesto intuitivamente
atrayente de que un proyecto debe llevarse a cabo si ofrece una TIR superior a la tasa a la cual
puede tomarse prestado dinero, lo cual representará el costo de oportunidad. Sin embargo, esta
tasa de interés puede ser cualquiera que el decisor considere apropiada como expresión de su
preferencia con respecto al tiempo.
El criterio para escoger entre proyectos competitivos utilizando el concepto de la TIR es
“decidirse por aquél con la TIR más alta”. Aunque ésta es una regla de decisión válida, no siem-
pre se puede depender de ella para hacer la elección correcta. Por ejemplo, si se comparan dos
proyectos competitivos como son A y B, resulta que el A tiene una TIR mayor, y de acuerdo con
esa regla debería ser el elegido. Sin embargo, como muestra la figura 6.1, si la tasa de descuento
apropiada está en el rango entre 0 y 13%, el proyecto B debe ser el preferido.
Tabla 6.3: Flujo de resultados de un proyecto con vida útil de cinco años (en miles de dólares)
Año
C -50 20 40 50 100 -165
Algunas veces, al evaluar un solo proyecto se propone el siguiente criterio de decisión: “Rea-
lizarlo si la TIR es mayor que un valor preestablecido, por ejemplo del orden del 12%”. Esta regla
también puede causar problemas de darse un proyecto con un flujo de caja como el mostrado
en la tabla 6.3, el que produce valores presentes que cambian de signo dependiendo del valor
que tome la tasa de descuento, como se muestra en la tabla 6.4.
• 180 •
Tabla 6.4: Valores presentes del proyecto C, a diferentes tasas de descuento (en miles
de dólares)
Tasa de descuento Valor Presente C

0.00% -5.000
2.00% -1.890
4.00% -0.525
6.00% 2.361
8.00% 3.710
10.00% 4.655
12.00% 5.260
14.00% 5.583
16.00% 5.671
18.00% 5.564
20.00% 5.295
22.00% 4.893
24.00% 4.383
26.00% 3.783
28.00% 3.113
30.00% 2.385
32.00% 1.613
34.00% 0.807
36.00% -0.024
38.00% -0.873
40.00% -1.733
La curva respectiva está ilustrada en la figura 6.2, donde se aprecia que la pendiente cambia
de positiva a negativa a medida que la tasa de descuento se incrementa. Esta curva muestra
también que el proyecto tiene más de una TIR (intercepto en el eje de abscisas) y la regla de
decisión propuesta no lleva a una elección definitiva.
Figura 6.2: Los valores presentes de los proyectos C, en función de la tasa de descuento
• 181 •
Si la Tasa Interna de Retorno no es un criterio óptimo, ¿por qué es usada todavía? ¿Podría ser
porque es más fácil de calcular? La respuesta es no. Calcular el valor presente de cualquier flujo de
resultados es muy simple, mientras que hacerlo con la TIR requiere resolver una ecuación algebraica
que puede tener muchas soluciones. Si hay N períodos en el flujo de una inversión, será necesario
resolver una ecuación polinómica de orden N para encontrar la tasa de descuento implícita que
representará la TIR (ver ecuación 6.11). Esta observación no sólo muestra la dificultad en los cálculos
numéricos, sino otro problema que puede ser de mucha importancia en ciertas situaciones. Una
ecuación de orden N tendrá N raíces, de acuerdo al teorema fundamental del álgebra. Si hay más
de una raíz real, lo cual puede suceder cuando los elementos del flujo cambian de signo durante el
período de vida del proyecto, entonces ¿en cuál de estas raíces debe ser considerada la TIR?
Aunque el método de calcular la Tasa Interna de Retorno está muy difundido y tiene un
atractivo natural para los ejecutivos como indicador para decidir la ejecución o no de proyectos
de inversión, como se ve tiene limitaciones.
Actualmente, es bastante reconocido –pero no lo suficiente– el hecho de que el criterio del valor
presente y de la TIR llevan a aceptar y rechazar los mismos proyectos sólo si no hay limitaciones
presupuestarias, si no se excluyen unos a otros y si el flujo de beneficios netos cuenta inicialmente
con valores negativos y luego positivos. La contrariedad que se presenta es que la mayoría de de-
cisiones de inversión deben tomarse en presencia de restricciones financieras, ya que los recursos
siempre son limitados. Además, con frecuencia los proyectos son mutuamente excluyentes porque
están dirigidos a satisfacer las mismas necesidades y tienen los mismos objetivos.
Para levantar las posibles contradicciones entre el VPN y la TIR de proyectos que no cumplen
con las condiciones antes mencionadas, se utiliza el criterio de la TIR Marginal o también llamada
TIR Incremental. El uso de este criterio genera las mismas conclusiones que el VPN.
Por ejemplo, si se comparan los proyectos X e Y, cuyos flujos se muestran en la tabla 6.5,
resulta que el proyecto X tiene una TIR mayor, mientras que el Y tiene un VPN mayor a una tasa
de descuento del 15%. Para evitar esta contradicción se deberá calcular la inversión adicional
necesaria que tendría que hacerse para realizar Y tomando como base X, el proyecto de menor
inversión. Es decir, el proyecto hipotético incremental (Y-X), que se obtiene restando todos los
flujos de Y menos los de X, como se muestra en la tabla 6.5. A continuación se calcula la TIR de
este nuevo flujo, obteniendo de esta manera la TIR marginal. Si la TIR marginal obtenida es mayor
a la tasa de descuento (15%), deberá elegirse el proyecto Y, obteniendo el mismo resultado que
con el VPN1. Este procedimiento se puede generalizar para elegir entre proyectos múltiples (ver
el problema 6.13 al final de este capítulo).
Tabla 6.5: Ejemplo TIR marginal
Años
Proyecto VPN (15%) TIR
0 1 2 3 4
X -1000 110 500 650 500 163 22%
Y -1500 488 645 690 600 182 21%
Y-X -500 378 145 40 100 19 18%
1
Una manera de explicar este resultado es que según la TIR se elige el proyecto X, y dado que la TIR del proyecto hipo-
tético incremental (Y-X) es mayor a 15%, conviene aceptarlo, ya que daría ganancias. Es decir, que llevaría a aceptar
los proyectos X e (Y-X), que es igual a aceptar el proyecto Y.
• 182 •
En resumen, debido a que el concepto del valor presente neto es aplicable en todas las
situaciones en las cuales la tasa de descuento apropiada puede determinarse, aun cuando los
proyectos compitan entre sí o los presupuestos sean limitados, el criterio correcto es: “Escoger
la combinación de proyectos que da el más alto valor presente”.
6.6 PERÍODO DE PAGO O RECUPERACIÓN
Existe otro método para escoger entre proyectos de inversión, el cual es empleado especial-
mente por organismos financieros multinacionales: el período de pago.
En aquellos proyectos que comienzan con flujos negativos para después rendir beneficios netos
positivos, puede darse un período en el que la suma acumulada de todos los flujos pasados se
haga positiva por primera vez. En otras palabras, se calcula cuánto tiempo transcurrirá antes de
que el proyecto se pague, considerando una tasa de interés de cero. Este lapso es comúnmente
conocido como período de pago.
El criterio para usar este método es: “El proyecto con el período de pago más corto es el
preferido”. Si se va escoger entre varios proyectos, el criterio será: “Elegir todos los que tengan
un período de pago no mayor de k años”. Por ejemplo, si se analizan los flujos de resultados
de los proyectos A y B en la tabla 6.1, se observa que el proyecto A cancelará el pago original
de $50,000 en el tercer año; es decir, que su período de pago es de tres años. El proyecto B
cancelará la inversión original de $75,000 al final del cuarto año; su período de pago es, por lo
tanto, de cuatro años.
Algunos decisores prefieren los proyectos en los cuales “la inversión se paga lo más pronto
posible”. En este caso, el proyecto A será elegido, como sucedió cuando se usó el criterio de la
TIR que, como se dijo, es ciertamente razonable pero no necesariamente correcto.
El criterio del período de pago es adecuado siempre y cuando todos los otros factores sean
iguales para los diferentes proyectos; por ejemplo, si todos los que se comparan tienen la misma
vida útil. Sin embargo, considérense los mostrados en la tabla 6.6. Los tres proyectos tienen
una misma vida útil e igual período de pago; pero ningún decisor, bajo condiciones normales,
pensará que estos tres proyectos son igualmente preferidos.
Tabla 6.6: Tres proyectos de inversión con períodos de pago de tres años (en miles de dólares)
Año
D -100 50 30 20 20 20
E -100 20 30 50 100 200
F -70 -30 50 50 0 0
En general, las deficiencias más serias en el método del período de pago son que no se con-
sidera el valor del dinero en el tiempo, pues se usa una tasa de interés de cero y se ignoran las
consecuencias de la inversión después del período de pago.
• 183 •
Sin embargo, existe un método similar, el del período de pago descontado que, a diferencia
del anterior, sí considera el valor del dinero en el tiempo, descontando cada uno de los flujos
del período de análisis para determinar qué tiempo es necesario para recuperar la inversión. Es
decir, consiste en sumar los flujos de caja netos descontados del proyecto hasta recuperar la
inversión. Mediante este método, generalmente, se tiene un período de recuperación mayor;
sin embargo la diferencia no es mucha, y aún posee deficiencias, ya que no tiene en cuenta los
flujos resultados de la inversión después del período de pago.
6.7 CONCLUSIONES Y RECOMENDACIONES
De lo expuesto sobre la Tasa Interna de Retorno y el período de pago, se puede concluir que
existen muchos criterios para elegir entre proyectos de inversión cuyos resultados se obtienen
en el tiempo. Estos criterios son pertinentes de acuerdo a las circunstancias en las cuales se
opera. Sin embargo, el único criterio que funciona realmente todo el tiempo –siempre que pue-
da identificarse una tasa de descuento apropiada– es el valor presente. Según este criterio, se
selecciona aquel proyecto que tenga el valor presente más alto.
También se ha visto que el valor presente de un flujo de resultados es significativamente sen-
sible a la tasa de descuento escogida, como muestran las figuras 6.1 y 6.2. En la fase del análisis
determinístico del ciclo del Análisis de Decisiones, se establece la tasa de descuento que represente
la preferencia del decisor respecto del tiempo. En esta fase, el análisis de sensibilidad determina
cuánto afecta a la decisión la tasa escogida. En general, considerar menores tasas de descuento
hace que los proyectos con costos al comienzo y beneficios después sean más favorables. A medida
que la tasa aumenta, se hace más importante retrasar pagos y lograr un repago rápido.
Con frecuencia los resultados de proyectos de inversión son altamente inciertos, en especial
aquellos relacionados con el desarrollo de nuevos productos, uso de nuevas tecnologías o ataque
de nuevos mercados. Algunos analistas proponen que la tasa de descuento sea incrementada para
compensar este elemento de riesgo, pero este enfoque no es conceptualmente correcto, ya que
el riesgo es producto de la incertidumbre y la tasa de descuento mide el costo de espera (opor-
tunidad), que si bien ambos se dan de manera conjunta no dejan de ser fenómenos separados.
Consecuentemente, al usar tasas de descuento altas (penalizadas por el riesgo) los ejecutivos
y sus expertos pueden perder la oportunidad de identificar los factores generadores de valor
y riesgo del proyecto o negocio; es decir que, en un entorno incierto, el riesgo debe hacerse
explícito (ser cuantificado) y no esconderse detrás de una tasa de descuento alta.
Aún más, la práctica de usar el costo de capital ajustado por riesgo para “reflejar” el riesgo
del proyecto/negocio puede distorsionar grandemente el valor del proyecto. Este “ajuste” de la
tasa de descuento, incrementándola para “descontar” por riesgo, supone que la incertidumbre
del negocio crece exponencialmente a través del tiempo (ver ecuación 6.10), penaliza el valor a
largo plazo y brinda poco entendimiento con respecto de la naturaleza del riesgo.
En proyectos como los mencionados antes, usualmente la incertidumbre tiende a disminuir en el
tiempo y no a incrementarse. Al usar una alta tasa de descuento se penalizan los resultados a largo
plazo y las empresas sólo trabajan a corto plazo, dejando mucho en la mesa para la competencia.
Finalmente, al “incorporar” el riesgo en la tasa de descuento, no se logrará entendimiento con res-
pecto a ese riesgo, porque son los factores/incertidumbres críticas en la generación del riesgo.
• 184 •
Al incrementar la tasa de descuento varía el valor del dinero en el tiempo, lo que modifica la
tasa de intercambio de pago en diferentes períodos. Sin embargo, no hay una razón inherente
por la cual la incertidumbre acerca de las cantidades de futuros pagos deba afectar la manera
como el decisor está dispuesto a intercambiar el pago de un año con el del siguiente.
El enfoque analítico correcto es separar por un lado la tasa de descuento libre de incertidum-
bre, y por otro, la valoración de la incertidumbre en los resultados con riesgo. Éste es el enfoque
de la disciplina del Análisis de Decisiones. Mientras que en la fase del análisis determinístico se
establece la tasa de descuento adecuada para representar la preferencia del decisor con respecto
al tiempo, en la probabilística se cuantifican las incertidumbres, usando probabilidades, que son
las generadoras de riesgo y se evalúa su preferencia con respecto al riesgo. Es decir, que para los
grandes proyectos de inversión, y en general para evaluar las decisiones estratégicas, se deben
separar los factores de tiempo (tasa de descuento), las incertidumbres (usando probabilidades),
y la tolerancia al riesgo de la empresa en forma consistente.
Otro tema difícil de tratar en el proceso de determinar el valor presente de un flujo de re-
sultados, es cómo considerar la inflación. Mientras ésta permanezca en niveles bajos, no será
un problema serio. Pero cuando se experimentan tasas de inflación suficientemente altas como
para poner en entredicho el procedimiento de descuento apropiado, algunos analistas arguyen
que las expectativas de la gente sobre la inflación ya han sido incorporadas en la tasa de in-
terés. En la medida que esto sea cierto, la inflación no será un problema para elegir la tasa de
descuento. Además, en principio no hay una razón para usar la misma tasa de descuento para
todos los períodos futuros. Esto lo expresa la ecuación (6.7), que es el resultado de aplicar sólo
las dos primeras reglas para establecer la equivalencia presente. Es decir, que si la inflación ha
de variar en diferentes períodos del flujo del proyecto, se pueden usar diferentes tasas, y por
lo tanto, tener diferentes factores de descuento, f i. No obstante, es más aconsejable medir los
flujos de caja en términos constantes, sin incorporar la inflación; o alternativamente considerar
la inflación explícitamente como una incertidumbre que puede afectar de maneras diferentes a
los flujos de ingresos y egresos futuros del proyecto.
• 185 •
Vi. PROBLEmAs
1. Explique las diferencias entre la tasa de interés y la tasa de descuento, si es que existe.
2. Con respecto a la tasa de descuento, diga si las siguientes afirmaciones son verdaderas o
falsas, y por qué.
a. En el contexto del Análisis de Decisiones, es establecida exógenamente al decisor.

b. Dado que ésta es usualmente positiva, el factor de descuento es usualmente menor
que uno.
3. Determine el valor presente del siguiente flujo a una tasa del 15%, y la tasa interna de
retorno.
Año 0 1 2 3 4
Flujo Neto -10,000 1,500 3,750 5,000 5,000
4. ¿Cuáles son las deficiencias de la tasa de interna de retorno como criterio de decisión para
escoger entre alternativas?
5. Calcule el valor presente con una tasa de descuento del 7%, la tasa interna de retorno y el
período de pago del siguiente flujo de caja.
Año 0 1 2 3 4 5 6
Flujo -8,000 900 1,200 1,500 3,000 3,500 3,500
6. Una empresa de chips electrónicos proyecta los siguientes costos para sus nuevos productos:
inversión inicial de $24,000 y costos anuales de $18,000 durante 6 años. El ingreso anual
será de $27,000. Calcular el VPN, la TIR y el período de recupero descontado. Use una tasa
de descuento del 8%.
7. Una empresa enfrentará los siguientes flujos de efectivo (en $ millones) de aceptar un nuevo
proyecto de internet. ¿Qué tasa de rendimiento anual se obtendrá si los flujos de efectivo
ocurren como se tiene proyectado? ¿Cuál es el VPN a una tasa de descuento del 10%?
Año 0 1 2 3 4 5 6-10
Gastos 50 40 40 43 48 45 50
Ingresos 15 18 20 50 49 60 82
• 186 •
8. Una inversión inicial de $50,000 produjo ingresos anuales de $10,000 durante 10 años y
$5,000 adicionales en el año 5. ¿Cuál fue la TIR de la inversión? ¿Cuál es el VPN dada una
tasa de descuento del 6%?
9. Una empresa evalúa la compra de autos para los nuevos directores. Después de evaluar
varios modelos, consideran solamente dos, uno europeo y el otro japonés. El europeo cues-
ta $23,500, tiene un costo de operación de $2,000 y un valor de salvamento de $12,000
después de 3 años. El modelo japonés cuesta $26,000, un costo de operación de $1,200 y
un valor de reventa de $15,000 después de 3 años, ¿qué modelo debería comprarse, a una
tasa de interés del 15% anual?
10. Una empresa ubicada en la sierra peruana puede abastecerse de energía con celdas solares,
o tendiendo una línea eléctrica hasta su ubicación para utilizar la energía convencional. La
instalación de celdas solares tendrá un costo inicial de $13,000, costos anuales de manteni-
miento de $1,500 y una vida útil de 4 años. Mientras que la instalación de una nueva línea
eléctrica costará $11,000, y generará costos por $950 anuales. En ambos casos, el valor de
salvamento es cero, y el horizonte de evaluación es de 4 años. ¿Cuál es la mejor alternativa
si la tasa de descuento es del 14%? ¿En qué caso elegiría la otra alternativa?
11. Una empresa de electricidad debe enfrentar una nueva legislación sobre la protección del
medio ambiente peruana, por lo que considera dos nuevas alternativas para reducir el nivel
de contaminación de su área de influencia (ya que produce exceso de contaminantes). La
planta se localiza en los alrededores de una ciudad principal y a poca distancia de una ciu-
dad de un país vecino. La alternativa A consiste en reemplazar los quemadores y sustituir
el combustible por gas natural. La inversión inicial será de $300,000 y los costos anuales
serán de $900. La alternativa B consiste en construir ductos de gas desde el país vecino
a varias plantas nacionales que ahora emplean materiales combustibles de desecho para
abastecerse de energía. Con la alternativa B se reduciría la contaminación responsable del
smog de la ciudad vecina, y tendría mayor beneficio para los ciudadanos peruanos que lo
que se conseguiría mediante el plan A. La inversión inicial requerida es de $1.2 millones,
se tendrían costos anuales de $350,000 anuales. El horizonte de evaluación es de 10 años
¿Cuál debería elegirse sobre la base de un análisis de valor presente, a una tasa de interés
del 12% anual?
12. En los últimos años, usted ha ahorrado $30,000; su asesor le recomienda invertir sus ahorros
y le ofrece dos planes de inversión con un año de duración. El plan A requiere una inversión
inicial de $25,000 e inversiones adicionales de $5,000 al final del tercer mes y de $8,000 al
final del séptimo mes; además produce $10,000 mensuales de beneficios a partir del primer
mes. Mientras que el plan B requiere de una inversión inicial de $20,000 y solamente una
inversión adicional de $10,000 al final del octavo mes, produciendo $8,000 mensuales de
ingresos, $12,000 al término del proyecto. Si su tasa de descuento es del 3% mensual, ¿cual
de los dos planes es más conveniente usando los criterios del VPN y la TIR? Compare las
recomendaciones obtenidas con estos criterios.
13. Una empresa encargada de la recolección de basura en la zona norte de Lima debe renovar
su flota de camiones para poder cumplir con ciertas normas técnicas. El gerente debe de-
terminar el tamaño del camión que debe comprar, sabe que mientras mayor sea el tamaño
del contenedor la ganancia neta aumentará, pero no está seguro de si se justifica el gasto
• 187 •
incremental requerido para los camiones más grandes. Los flujos de caja para cada tamaño
de camión se muestran a continuación. La tasa de descuento del contratista es del 18%
anual y se espera que todos los camiones tengan una vida útil de ocho años.
a. Determine qué tamaño de camión debe comprar.

b. Si va a comprar dos camiones, ¿de qué tamaños deberán ser éstos?
Tamaño del Costo anual Valor de

Inversión Ingreso
contenedor de operación salvamento
inicial ($) anual ($)
(m3) ($) ($)
8 -10000 -4000 2000 6500

10 -14000 -5500 2500 10000
12 -15500 -7000 3000 14000
15 -22000 -9000 3500 19000
20 -30000 -10000 6600 22500
14. Una empresa textil necesita incrementar su nivel de producción para enfrentar el incremento
de la demanda. Se le presentan dos alternativas, la de ampliar y modernizar su planta actual,
y la de construir una planta nueva. Los flujos proyectados se presentan a continuación, dada
la tasa de descuento del 8% anual, calcule el VPN y la TIR, ¿qué opción elegiría? ¿Por qué?
Año 0 1 2 3 4 5 6 7 8 9 10
Ampliar Planta
Inversión -4
Ventas 5 5 5 5 5 5 5 5 5 5
Costo de Ventas -3.5 -3.5 -3.5 -3.5 -3.5 -3.5 -3.5 -3.5 -3.5 -3.5
Valor terminal 0.6
Construir Planta
Inversión -7
Ventas 5 5 5 5 5 5 5 5 5 5
Costo de Ventas -3 -3 -3 -3 -3 -3 -3 -3 -3 -3
Valor terminal 0.8
• 188 •
CAPÍTULO 7
DiAgrAmAs
De infLUenCiAs
• Introducción
• Diagramas de influencias
• Uso de los diagramas de influencias para un modelaje

participativo
• La relación entre los diagramas de influencias y los

árboles de decisiones
• Conclusiones
• Apéndice: Conceptos fundamentales de probabilidades y

árboles utilizados en los diagramas de influencias
• Problemas
• 189 •
7.1 INTRODUCCIÓN
El diagrama de influencias es uno de los conceptos más útiles desarrollados en la disciplina

del Análisis de Decisiones, pues sirve como ayuda efectiva de comunicación para evaluar la ex-
periencia de los ejecutivos y expertos involucrados en problemas de decisión. Asimismo, brinda
una base rigurosa para crear los modelos estructurales y evaluar las probabilidades subyacentes
en el análisis.
Si bien la idea de un diagrama de influencias originalmente resultó de la necesidad de proce-
sar en el lenguaje de la computación la estructura de un problema de decisión, actualmente se
usa más bien para la comunicación entre las personas. Es por eso que se lo describe como una
herramienta para lograr el modelaje participativo, en lugar del interactivo con la computadora.
Además, puede ser utilizado por el analista para conceptualizar la relación entre las distribuciones
de probabilidades de las diferentes variables en un modelo de decisión.
Los problemas de decisiones estratégicas son tan complejos que es necesario levantar un
“mapa de conocimientos” que recoja los aspectos más resaltantes del problema. Como todo
“mapa” será una simplificación de la realidad; el desafío estará en encontrar a los expertos
que tengan el conocimiento relevante del problema para obtener un mapa representativo de la
realidad concreta que se analiza.
No se puede pretender usar un mapa previo, o de una realidad diferente a la que enfrenta-
mos. Así como no podemos usar el mapa de New York para encontrar una calle en la ciudad de
Chicago, tampoco podemos usar un mapa de conocimientos, diagrama de influencia, elaborado
por los expertos de una corporación en el análisis del problema de lanzar un producto nuevo
en el mercado de Bogotá, para lanzar dicho producto en el mercado de Lima. Los mapas de
conocimiento deben ser específicos y representan una realidad concreta; por eso en el análisis
de decisiones partimos de “cero”, identificamos a los expertos de la realidad bajo análisis y
comenzamos a estructurar dicha realidad con la herramienta de los diagramas de influencias, y
así obtener un “mapa” que refleje dicha realidad de la mejor manera posible.
El analista se enfrenta al problema de cómo traducir el conocimiento multifacético en la
mente del decisor y sus expertos, a una forma que pueda cumplir con las pruebas rígidas de
consistencia y claridad requeridas por la computadora. El diagrama de influencias es una gran
ayuda en esta transformación, porque permite cruzar la frontera entre la representación gráfica
de las relaciones, lo que resulta muy conveniente para el ser humano, y las ecuaciones explícitas
y cantidades numéricas que son jurisdicción de las computadoras. En otras palabras, el diagrama
de influencias es un puente entre la descripción cualitativa y la especificación cuantitativa. El
objetivo de este capítulo es desarrollar el concepto del diagrama de influencias, examinar sus
propiedades e ilustrar su uso.
Debido a sus múltiples aplicaciones, los diagramas de influencias son una herramienta muy
importante no sólo para el análisis de decisiones sino para cualquier descripción formal de
relaciones y, por tanto, para todo trabajo de modelaje.
Para lograr que este capítulo resulte tan autónomo como sea posible, se ha incluido en el
apéndice una revisión de los conceptos fundamentales de probabilidades, expuestos en el capítulo
4, y de árboles, tratados en el capítulo 5.
• 190 •
• Capítulo 7 • Diagramas de Influencias
7.2 DIAGRAMAS DE INFLUENCIAS
El diagrama de influencias es una representación gráfica de la dependencia probabilística

entre las incertidumbres y las decisiones. Se puede usar de la misma manera que los árboles de
decisiones para analizar problemas de decisión; puede ser manipulado bajo ciertas reglas espe-
cíficas para formar representaciones alternas de los problemas de decisión. Estas manipulaciones
son cruciales, pues permiten convertir un problema de decisión que se encuentra expresado
en la forma más conveniente para el decisor, a otra que pueda ser utilizada en el análisis. Se
establecerán las condiciones para determinar si un diagrama de influencias es transformable
en un árbol de decisiones.
Un diagrama de influencias permite visualizar rápidamente las dependencias probabilísticas en
algunas variables del problema de decisión, así como la independencia entre otras, especificando
el estado de información. Aún más, es una poderosa herramienta para comunicar situaciones
de incertidumbre en general y particularmente entre las personas que están involucradas en el
proceso de tomar decisiones.
El decisor y sus expertos pueden entender los diagramas porque son simples y representan las
relaciones entre las incertidumbres claves y las decisiones principales. El decisor puede usar los
diagramas para dirigir el análisis a través de asignar expertos para describir las incertidumbres
y las relaciones entre ellas. Además, le permiten identificar y resolver claramente las diferencias
de opinión entre los expertos.
Los diagramas de influencia son útiles tanto para estructurar problemas de decisión –hacen
posible convertir una situación confusa en un problema bien estructurado– como para evaluar
incertidumbres. En primer lugar, ayudan a identificar rápidamente las decisiones principales y
las incertidumbres claves, haciendo que el análisis se centre en los factores más importantes
y no necesariamente los más fáciles de analizar. Segundo, facilitan establecer las influencias
entre las diferentes variables, con lo que se logra que todas las relaciones sean identificadas.
Finalmente, en ellos se representan diferentes alternativas de decisión y valores con cada una de
las variables, lo que permite graficar un rango amplio de escenarios por medio de una estructura
general, sin que se pierdan los detalles.
TiPoS DE vAriABLES Y SUS iNFLUENCiAS

Formalmente, un diagrama de influencias es un gráfico dirigido que no tiene circuitos cerrados.
igual que en los árboles de decisiones, existen dos tipos de nodos para representar las variables
del problema: nodos de decisión y nodos de azar o probabilísticos.
Los nodos de decisión indican variables de decisión, es decir, los factores controlables. Detrás
de cada nodo de decisión se especifica las diferentes alternativas. Se grafican como un rectángulo
o cuadrado. La figura 7.1 ilustra un nodo de decisión, estrategias de expansión de producción,
y muestra la idea de que detrás de este nodo están definidas las estrategias alternativas gene-
radas pero no se presentan en el diagrama de influencias. Pueden tener flechas apuntándoles
que denotan la información disponible al tomarse la decisión.
• 191 •
Figura 7.1: Ejemplo de nodos de decisión
CONSERVADORA
Estrategia
MODERADA
Expansión
de Producción
AGRESIVA
Los nodos de azar o probabilísticos representan variables aleatorias o incertidumbres, es

decir, los factores incontrolables. Detrás de cada nodo de azar se especifican las diferentes
distribuciones de probabilidades. Se grafican como óvalos o círculos. Así la figura 7.2 muestra
el nodo de azar que representa la participación de mercado y la idea de que detrás de este nodo
se especifican las posibilidades y probabilidades.
Figura 7.2: Ejemplo de nodos de azar o probabilísticos
> 45%
0.1
Participación
Participación Entre 20% y 45%
deDe
Mercado
Mcdo
0.6
< 20%
0.3
Existen dos tipos especiales de nodos de azar: nodos determinados y nodos de valor. Los nodos
determinados representan variables aleatorias que son determinadas completamente, dadas sus
variables condicionantes (predecesores). Se representan como óvalos o círculos dobles. Así por
ejemplo la incertidumbre ventas en un año específico quedará determinada cuando se conozca
el tamaño de mercado y la participación en dicho mercado. ver figura 7.3.
• 192 •
Ventas
Figura 7.3: Ejemplo de Nodo determinado

Tamaño Participación
Mercado de Mercado
Ventas
Los nodos de valor indican cual(es) es el nodo(s) de azar de mayor interés.

Típicamente aparecen una Tamaño
vez en un diagrama de influencias y no tiene
Participación
sucesores. Se representan como octógonos. En
del Mercado un problema de decisiones
de Mercado
empresariales, una medida de valor es el valor presente neto (VPN) de los

flujos de caja futuros, él cual se representa como un octágono, como lo
muestra la figura 7.4. Enindican
Los nodos de valor algunoscuál(es)problemas de dedecisiones
es el nodo(s) de azar puede haber más
mayor interés. Típicamente
aparecen una vez en un diagrama de influencias y no tienen sucesores. Se representan como
de un nodooctógonos.
de valor. Por ejemplo
En un problema de decisionesen un esfuerzo
empresariales, una medidapor establecer
de valor es el valor pre-estrategias
alternativassente
para netopreveer
(vPN) de los yflujos
controlar la fiebre
de caja futuros, amarilla
que se representa comose pueden
un octágono, identificar
como lo dos
medidas de valor: número de muertos y costos totales de implementar las
muestra la figura 7.4. En algunos problemas de decisiones puede haber más de un nodo de valor.
Por ejemplo, en un esfuerzo por establecer estrategias alternativas para preveer y controlar la
estrategias.fiebre amarilla se pueden identificar dos medidas de valor: número de muertos y costos totales
de implementar las estrategias.
Figura 7.4: Ejemplo de nodo de valor
Figura 7.4: Ejemplo de nodo de valor
VPN
Las flechas entre dos nodos en un diagrama de influencias muestran

influencias,sery de
pueden
Las serdosde
flechas entre dos
nodos tipos:
en un Influencias
diagrama informativas
de influencias muestran
dos tipos: influencias informativas e influencias condicionales.
influencias, y condicionales.
y pueden
Las Influencias informativas, expresadas por las flechas que apuntan a un

Las Influencias informativas, expresadas por las flechas que apuntan a un nodo de decisión,
nodo de decisión. Indicanque
indican la información laestará
información quese estará
disponible cuando disponible
toma la decisión representadacuando
por el se toma
la decisión nodo;
representada
en otras palabras,por el nodo;
las variables enconocidas
que serán otras por palabras, las variables
el decisor al momento de decidir. que serán
La figura 7.5 ilustra este tipo de influencia. El primer gráfico indica que los resultados del estudio
conocidas por el decisor al momento de decidir. La figura 7.5 ilustra este tipo de
de mercado serán conocidos cuando se toma la decisión de qué precio cobrar; el segundo indica
influencia. El
que laprimer gráfico
decisión sobre indica
la capacidad que los
de producción resultados
se tomará delunitario
antes del precio estudio de mercado
a cobrar.
serán conocidos cuando se toma la decisión de que precio a cobrar; el segundo
indica que la Figura
decisión sobre la capacidad de producción se tomara antes del
7.5: Influencias informativas
precio unitario a cobrar.

Resultados Estudio Qué precio
Figura 7.5: Influencias informativas
de Mercado cobrar
Capacidad de Precio
Producción
Resultados Unitario
Qué Precio
Estudio
Cobrar
Mercado
• 193 •
Capacidad de Precio
Producción Unitario
Las influencias condicionales, señaladas por las flechas que apuntan a un nodo de azar, de-
notan que las probabilidades de la variable aleatoria dependen de los valores de las variables al
otro extremo de las flechas. El primer diagrama de la figura 7.6 muestra que las probabilidades
asignadas a la variable unidades vendidas dependen (están influenciadas) por el valor que tome
el resultado de la encuesta de mercado; en el segundo diagrama, la asignación de probabilidades
a los valores de los costos de producción se somete a la decisión del tamaño de planta.
Figura 7.6: Influencias condicionales
Resultados Estudio Unidades

de Mercado vendidas
Tamaño Costos de
de Planta Producción
En ambos tipos de influencias, el valor en la base de la flecha influye sobre el de la variable

hacia la que apunta. Mientras las influencias informativas en un nodo de decisión representan
un ordenamiento básico de causa/efecto, las influencias condicionales en un nodo de azar in-
dican un orden arbitrario de condicionalidad, que puede corresponder o no a cualquier noción
de causa/efecto y que puede ser cambiado al aplicar las leyes de probabilidades (Teorema de
Bayes), como se mostró en el capítulo 4.
Los diagramas de influencias pueden representar cualquier afirmación acerca de situaciones
de decisión e inferencia. Estas relaciones pueden ser a diferentes niveles: al nivel más alto/
abstracto, los diagramas sólo representan las relaciones esenciales y agregadas; y a niveles más
bajos, significan todos los detalles necesarios. En ambos casos son concisos y crecen linealmente
con el número de variables a ser representadas, a diferencia de los árboles de decisión que crecen
exponencialmente. Esta representación clara y concisa facilita desarrollar el modelo cuantitativo
en forma eficiente y directa.
DiAgrAMAS DE rELEvANCiA – MAPAS DE riESgo

Dado que hemos definido los diagramas de influencias como un lenguaje, podemos utilizarlos
para representar situaciones de decisión e inferencia a través de distinguir dos tipos especiales
de diagramas de influencias. Los diagramas de relevancia, que son empleados para representar
situaciones de inferencia, y por tanto contienen sólo nodos de azar. Y diagramas de decisión,
que son destinados a representar situaciones de decisión, y contienen por lo menos un nodo de
decisión que influye directa o indirectamente en un nodo de valor.
Los diagramas de relevancia –también expresados como mapas de riesgo, dado que permiten hacer
análisis de riesgo– facilitan aplicar la teoría de probabilidades, ya que pueden representar relaciones
probabilísticas arbitrarias, y representan gráficamente las leyes de probabilidades importantes.
• 194 •
Una variable, x, es relevante a otra variable, y, dado un estado de información, e, si el conoci-

miento de la resolución de x puede cambiar la valoración de las posibilidades y/o la distribución
de probabilidades de y. Es decir, que las variables x e y no son independientes, y esta relevancia
es representada por una influencia condicional entre las dos variables aleatorias x e y; es decir,
si y sólo si:
p ( y / x, e) ≠ p ( y / e) (7.1)
La existencia de esta influencia se muestra al poner los nombres de las variables dentro de
los nodos de azar y conectarlos con una flecha, como se hace en la figura 7.7.
Figura 7.7: La probabilidad asociada con la variable aleatoria y depende del resultado de la
variable aleatoria x.
x y
Esta definición técnica de influencia (relevancia) es consistente con el uso común del vocablo.
Si cuando se conoce el valor de x la asignación de probabilidades de y cambia, se dirá que x
influye sobre y. Por ejemplo, mediante el diagrama de influencias de la figura 7.8 se indica que
cuando se conoce el volumen de reservas de un lote petrolero, varían las probabilidades de los
costos de desarrollarlo.
Figura 7.8: Las probabilidades asociadas con los costos de desarrollo dependen de las
reservas existentes
Reservas
Reservas Costo de
Costo de
Petroleras
Petroleras Desarrollo
Desarrollo
• 195 •
El diagrama de influencias de la figura 7.7 establece que la distribución de probabilidades

asignadas a y puede depender del valor de x, pero, en realidad, no hace afirmación alguna acer-
ca de la relación probabilística de x e y, ya que cualquier probabilidad conjunta p(x,y/e) puede
representarse de las dos formas siguientes:
p ( x, y / e) = p ( x / e ) p ( y / x , e ) (7.2)
p ( x, y / e) = p ( y / e ) p ( x / y , e ) (7.3)
Por tanto, el diagrama de influencias de la figura 7.7 también puede ser dibujado como la figura
7.9. Ambos son representaciones completamente generales que no requieren de afirmaciones de
independencia. Es decir, cada diagrama de influencias muestra una expansión específica de la
distribución de probabilidades conjunta. La figura 7.10 lo ilustra con un ejemplo simple.
Figura 7.9: Una representación alternativa de la probabilidad conjunta de x e y
x y
Figura 7.10: Diagramas de influencias de una misma distribución de probabilidades conjunta
Peso
Peso Estatura
Estatura
(a)(a) p(peso,estatura/e)==p(peso/e)
p(peso,estatura/e) p(peso/e) p(estatura,/peso,e)
p(estatura/peso,e)
Peso
Peso Estatura
Estatura
(b)(b) p(peso,estatura/e)==p(estatura/e)
p(peso,estatura/e) p(estatura/e) p(peso,/estatura,e)
p(peso/estatura,e)
• 196 •
Si bien la dirección de la flecha es irrelevante para este problema simple, especificarla es

necesario en otros más complicados para particularizar el estado de información en el que se
basan las afirmaciones de dependencia. La ausencia de una flecha en un diagrama de influencias
es una afirmación de independencia probabilística (no relevancia), dado el estado de información
con el que se dibujó este diagrama.
Debe enfatizarse que los diagramas de influencias describen tanto las relaciones causales
como las no causales. La figura 7.11 muestra ejemplos de ambas. El primer diagrama (a) reco-
noce que la distribución de probabilidades del costo unitario de la nueva planta, que un decisor
piensa instalar, depende (está influenciada) por el costo unitario de la planta de diseño similar
que tiene un competidor. Es decir, que conocer el costo unitario del competidor puede reducir
la incertidumbre del decisor con respecto al costo unitario para su nueva planta.
Figura 7.11: Los diagramas de influencias describen relaciones tanto causales como no
causales
Costo
Costo
Costo
Costo Unitario
Unitario para
Unitario del
Unitario del para la
Competidor laNueva
Nueva
Competidor
Planta
Planta
(a) Influencia
(a) Influencia que
querepresenta
representauna
unarelación
relaciónnono causal
causal
Encuesta
Encuesta Ventas
Ventas
de
de Mercado
Mercado
(b)Influencia
(b) Influenciaque
querepresenta
representa una relación
relación causal
causal
Si se tienen tres variables aleatorias x, y, y z, existen seis posibles diagramas de influencias de

generalidad completa, uno por cada posible expansión de la probabilidad conjunta, p(x, y, z/e):
p ( x, y , z / e) = p ( x / y , z , e) p ( y / z , e) p ( z / e )
= p ( x / y , z , e) p ( z / y , e) p ( y / e)
= p ( y / x, z , e) p ( x / z , e) p ( z / e )
= p ( y / x, z , e) p ( z / x, e) p ( x / e )
= p ( z / x, y , e) p ( x / y , e ) p ( y / e )
= p ( z / x, y , e) p ( y / x, e) p ( x / e ) (7.4)
• 197 •
Si bien todas las representaciones son lógicamente equivalentes, difieren en cuanto a su

conveniencia para valorar las distribuciones de probabilidades. Como se dijo, una de estas formas
será más fácil de evaluar por el decisor y sus expertos, mientras que otra puede ser de mayor
utilidad para el análisis.
MANiPULACioNES grÁFiCAS
Empleando la definición de influencia y dado que existen muchas representaciones alter-
nativas de un diagrama de influencias, se quiere saber cuáles manipulaciones se deben realizar
para transformar un diagrama en otra versión que sea lógicamente equivalente. Antes de es-
tablecer estas reglas de manipulación debe enfatizarse que es necesario definir con precisión y
sin ambigüedades las variables del diagrama, ya que implican una distribución de probabilidades
conjunta. Algunas variables, como “las condiciones de mercado” o “la calidad”, toman valores
que no son eventos identificables, lo que impide distribuir las probabilidades y, por tanto, no se
incluirán en un diagrama de influencias.
La primera regla de manipulación es que siempre se puede añadir una flecha entre dos nodos
sin hacer afirmación adicional alguna acerca de la independencia entre las dos variables corres-
pondientes. Esto es posible mientras no se forme un circuito cerrado de influencias. En otras
palabras, decir que y podría depender de x no es equivalente a afirmar que y debe depender de
x. Sin embargo, el procesamiento inverso podría generar conclusiones equivocadas. Crear una
flecha de influencia adicional no cambiará la valoración probabilística, pero podría acabar con
el reconocimiento explícito de independencia en el diagrama de influencias.
Así, el diagrama (a) de la figura 7.12 puede transformarse en cualquiera de los diagramas mostrados
(b) o (c), sin que ello lleve a hacer una afirmación errónea. Pero se puede estar perdiendo la información
en cuanto a la independencia entre x e y. Las figuras (b) y (c) son dos diagramas equivalentes, ya que
implican la misma posibilidad de dependencia entre x e y, dado el estado de información.
• 198 •
Figura 7.12: Primera regla de manipulación gráfica de diagramas de influencias
x y
(a) Ausencia de la flecha de influencia
x y
(b) Incorporación de una flecha de influencia de x a y
x y
(c) Incorporación de una flecha de influencia de y a x
La segunda regla de manipulación es que la flecha entre dos nodos de azar en un diagrama
de influencias puede ser invertida siempre que todas las asignaciones de probabilidades se basen
en el mismo conjunto de información. Por ejemplo, en el diagrama (a) de la figura 7.13, puesto
que la asignación de probabilidades tanto para los valores de y como para los de z se hace una
vez conocido el valor que toma x, la flecha entre las variables y y z puede ser invertida como se
muestra en el diagrama (b) de la misma figura, sin hacer por ello ninguna afirmación incorrecta
o adicional acerca de la independencia posible entre estas variables.
Se pueden utilizar las dos reglas de manipulación en forma combinada para transformar un
diagrama de influencias en un diseño equivalente. En el diagrama (c) de la figura 7.13 se muestra
que la asignación de probabilidades de z no depende de los valores de x, pero y sí depende de
x, y por tanto, parecería que la inversión de la flecha entre y y z no es posible. Sin embargo,
si se aplica la primera regla, se puede transformar el diagrama (c) en el (a) de la figura 7.13 al
añadir una flecha entre x y z, sin que ello implique hacer ninguna afirmación incorrecta. Luego,
aplicando la segunda regla, se transforma el diagrama (a) en el (b); es decir, que se puede invertir
la flecha entre y y z después de añadir una flecha de influencia entre x y z.
Es necesario notar que con el procesamiento de manipulaciones gráficas puede llegarse a
resultados diferentes.
• 199 •
Figura 7.13: Manipulación gráfica de los diagramas de influencias
x y z
(a) Un diagrama de influencias
x y z
(b) La flecha entre y y z invertida
x y z
(c) Otro diagrama de influencias
Para ilustrar estas manipulaciones gráficas considérese el ejemplo presentado en la figura 7.14.
Figura 7.14: Ejemplo de manipulaciones gráficas
Costo
Costo
Unitario Costos
Unitario
Planta Totales
Competidor
Nueva
Si se quiere invertir la flecha de influencia entre el costo unitario de la planta nueva y

los costos totales, pareciera que esto no es posible, dado que la asignación de probabilidades
de “costos totales” no depende del costo unitario del competidor. Pero el costo unitario de la
planta nueva sí depende del costo unitario del competidor. Si se aplica la primera regla se podrá
añadir una flecha entre el costo total y el costo unitario del competidor, y luego aplicando la
regla dos, se puede invertir la flecha entre el costo unitario de la planta nueva y el costo total,
dado que ahora ambos están influenciados por el costo unitario del competidor. gráficamente,
se tiene los dos pasos: primero en la figura 7.15 se añadió la flecha entre el costo unitario del
competidor y el costo total:
• 200 •
Figura 7.15: Aplicación de la primera regla de manipulación gráfica
Costo
Costo
Unitario Costos
Unitario
Planta Totales
Competidor
Nueva
Luego, en este nuevo diagrama ya se puede invertir la flecha entre el costo unitario de la
nueva planta y los costos totales, dado que ambos están influenciados por el costo unitario del
competidor, como lo muestra la figura 7.16.
Figura 7.16: Aplicación de la segunda regla de manipulación gráfica
Costo
Costo
Unitario Costos
Unitario
Planta Totales
Competidor
Nueva
DiAgrAMAS DE DECiSióN – MAPAS DE DECiSióN

Los diagramas de decisión representan problemas de elección bajo incertidumbre. recor-
demos que una decisión es una asignación irreversible de recursos e implica una elección entre
alternativas.
Un diagrama de decisión es un diagrama de influencias que contiene un solo nodo de valor y
por lo menos un nodo de decisión y en el que todas las decisiones influyen directa o indirectamente
al nodo de valor. Los diagramas de decisión describen claramente el rol del decisor, incorporan
el concepto del libre albedrío, e implican influencias y cronología (dependencia del tiempo).
Es decir, que cuando se incluyen las variables de decisión en el diagrama de influencias, se
tendrán tanto las influencias informativas como las condicionales y el diagrama se convierte en
un diagrama de decisión o mapa de decisión. Esta combinación podría implicar una secuencia
de decisiones y un conjunto de posibles resultados de las diferentes variables aleatorias. Así
se obtendrían tres influencias adicionales, como expone la figura 7.17. Sus diagramas (a) y (b)
muestran influencias informativas mientras que el (c) presenta una influencia condicional, pues
indica que la asignación de probabilidades a la variable x estará condicionada por el valor que
tome la variable de decisión D.
• 201 •
El diagrama (a) indica que el valor de x es conocido cuando se toma la decisión D, el

diagrama (b) establece el orden en que se toman las decisiones: se toma la decisión D1 antes
de tomarse la decisión D2. Y el diagrama (c) señala que la decisión D cambia las probabilidades
asignadas a los valores de x; es decir, que las probabilidades asignadas dependen de la elección
que se haga en la decisión D.
Figura 7.17: Diagramas de influencias con variables de decisión
x D
(a) El valor de x es conocido cuando se toma la decisión D
D1 D2
(b) Se toma la decisión D1 antes de tomarse la decisión D2
D x
(c) La decisión D cambia las probabilidades asignadas a los valores de x
Consideremos algunas situaciones de decisión para ilustrar cada una de las influencias
informativas y condicionales. El diagrama (a) de la figura 7.17 puede representar el caso de un
problema de investigación y desarrollo, donde la decisión de lanzar el nuevo producto se tomará
después de saber el costo unitario del producto desarrollado, como lo ilustra la figura 7.18.
Figura 7.18: Ejemplo de un problema de investigación y desarrollo
Costo
Lanzar
Unitario
Nuevo
Nuevo
Producto
Producto
• 202 •
El diagrama (b) de la figura 7.17 podría representar la secuencia de decisiones asociadas a

un problema de inversión en una nueva planta de producción. La decisión del precio a cobrar
por el producto se tomará después de la decisión de la capacidad de la planta; la idea es que el
precio deberá optimizarse con respecto a cada alternativa de la capacidad de producción. ver
la figura 7.19.
Figura 7.19: Decisiones cronológicas
Capacidad
Precio
de
Unitario
Producción
Finalmente, el diagrama (c) de la figura 7.17 podría representar la influencia condicional

del precio a la participación de mercado. Cobrar un precio mayor disminuirá la probabilidad de
lograr una alta participación de mercado, es decir que la distribución de probabilidades de la
participación de mercado depende del precio a cobrar, como muestra la figura 7.20.
Figura 7.20: Influencia condicional del precio unitario sobre la participación de mercado
Precio Precio Participación

Participación
Unitario Unitario De MercadoDe Mercado
Para ilustrar algunos conceptos adicionales sobre los diagramas de influencias, considérese
un ejemplo más complejo, que contenga una variable de decisión y nueve aleatorias; el cual se
expone en la figura 7.21. Los nodos de azar x1, x2,…, x9 representan las variables aleatorias cuyas
probabilidades deben ser asignadas teniendo en cuenta sus respectivas influencias condicionales.
El nodo de decisión d1 indica la variable de decisión que debe ser determinada en función de
sus respectivas influencias informativas. Así, la decisión d1 es tomada por el decisor conociendo
solamente los valores de x1 y x2. Esto equivale a decir que d1 es una función de x1 y x2. De igual
manera, se puede observar que asignar probabilidades a la variable x6 está condicionado úni-
camente por las variables x3 y x4 . En términos de notación probabilística esta asignación está
definida por:
p ( x 6 / x3, x 4, e' )
donde e’ representa el estado inicial de información en el que se basa la construcción del

diagrama de influencias.
• 203 •
Figura 7.21: Un diagrama de influencias con una variable de decisión
X3 X5 X7
x1 X9
d1 X4 X6 X8
X2
TiPoS DE NoDoS Y LAS iNFLUENCiAS FALTANTES

Se ha dicho que la ausencia de una flecha en un diagrama de influencias es una afirmación
de independencia probabilística entre las variables; es decir, afirma que las influencias faltantes
no existen. Pero también se ha visto que es posible añadir una flecha entre dos nodos sin cambiar
valoración probabilística alguna.
Con el propósito de ilustrar más claramente el conjunto de posibles influencias adicionales
que no aparecen en el diagrama, a continuación se establecen algunas otras definiciones.
La ruta entre dos nodos es la secuencia conectada de flechas de influencias que forman una
línea de uno a otro. Así, en la figura 7.21, la ruta entre el nodo x3 y el nodo x8 está dada por las
flechas de influencias de x3 a x6 y de x6 a x8 .
Además, con respecto a cada nodo se pueden definir los siguientes conjuntos:
• El conjunto de predecesores es el de todos los nodos desde los cuales existe una ruta que
conduce al nodo en cuestión.
• El conjunto de predecesores directos es el de los nodos que tienen una flecha de influencia
conectada directamente con ese nodo.
• El conjunto de predecesores indirectos es el formado por los predecesores, excluyendo
todos los elementos que forman el conjunto de predecesores directos.
• El conjunto de sucesores es el de todos los nodos que tienen una ruta desde el nodo en
cuestión.
• El conjunto de sucesores directos es el de los nodos que tienen una flecha de influencia
conectada directamente desde ese nodo.
• El conjunto de sucesores indirectos es el formado por todos los elementos del conjunto
de sucesores, excluyendo los sucesores directos.
• 204 •
Usando el diagrama de la figura 7.21 puede definirse cada uno de estos conjuntos en
relación al nodo x6; se hace referencia a los miembros de estos conjuntos simplemente como
predecesores, predecesores directos, predecesores indirectos, sucesores, sucesores directos y
sucesores indirectos.
Predecesores del nodo x6 (Pr) : x3, x4, d1, x2, x1

Predecesores directos (PD) : x3, x4
Predecesores indirectos (Pi) : d1, x2, x1
Sucesores (SU) : x7, x8, x9
Sucesores directos (SD) : x7, x8
Sucesores indirectos (Si) : x9
Con estas definiciones se está en capacidad de investigar de una forma más clara las impli-
cancias de las influencias que no se muestran en el diagrama.
En primer lugar, debe decirse que un nodo específico no puede tener flecha de influencia
alguna desde los nodos sucesores porque esta adición crearía un circuito en el diagrama de
influencias. Se sabe que formar un circuito de este tipo está prohibido, puesto que no puede
representar ningún orden de expansión posible. En segundo lugar, sí puede darse que un nodo
específico tenga una flecha de influencia adicional originada en cualquier nodo predecesor. A
continuación, se analiza esta segunda observación tanto para el caso de un nodo de decisión
como para uno de azar.
Cuando se trata de nodos de decisión, la situación es relativamente simple. El diagrama
de influencias atestigua que la única información disponible cuando se toma una decisión es
aquélla representada por sus predecesores directos. La adición de una nueva flecha que exprese
una influencia informativa, usualmente incrementará la información disponible para tomar la
decisión, con lo que se destruirá la lógica usada en primera instancia para construir el diagrama
de influencias. Sin embargo, toda o parte de dicha información adicional podría ser inferida
indirectamente del conjunto de predecesores directos.
Considérese el caso de lanzar un nuevo producto al mercado; esta decisión se tomaría después
de conocer el resultado del estudio de mercado, el que a su vez está influenciado por el tamaño
de mercado; como lo ilustra la figura 7.22.
Figura 7.22: Caso lanzamiento de un nuevo producto al mercado
Resultado Lanzar
Tamaño Resultado Lanzar
ResultadoTamaño
Estudio de Lanzar Nuevo
Tamaño De Mercado Estudio de Nuevo
Estudio De Mercado
de
Resultado
Mercado Nuevo
LanzarProducto
e Mercado
Tamaño Mercado Producto
Mercado
Estudio de Producto
Nuevo
De Mercado
Mercado Producto
• 205 •
Resultado Lanzar
Tamaño
Estudio de Nuevo
De Mercado
Mercado Producto

Es decir, que al tomarse la decisión de lanzar o no el producto solo se
resolvería la incertidumbre asociada al resultado del estudio de mercado, pero
Es decir, que
no la relacionada al altamaño
tomarse lade
decisión de lanzar
mercado. o no el
Esta producto
última sesólo se resolvería
resolverá la incer- de
después
tidumbre asociada al resultado del estudio de mercado, pero no la relacionada al tamaño del
lanzarse el producto.
mercado. Ésta última se resolverá después de lanzar el producto.
La situación es más compleja en el caso de los nodos de azar. El diagrama
La situación
de influencias es más compleja
restringe en el caso deel
parcialmente los nodos
orden de azar.
de Elsudiagrama de influencias
condicionamiento
restringe parcialmente el orden de su condicionamiento probabilístico. En general, asignar pro-
probabilístico. En general, asignar probabilidades para un nodo de azar, x,
babilidades para un nodo de azar, x, podría estar condicionado por todos los no-sucesores, SU’,
podría que
estar condicionado por todos los no-sucesores, SU’, que son
son complemento del conjunto de sucesores, excepto por x mismo. El diagrama afirma que
complemento del conjuntodede
asignar las probabilidades sucesores,
x dado excepto
SU’ es igual que por xdemismo.
la probabilidad x dado PD,El diagrama
el conjunto
afirma deque asignar las probabilidades
los predecesores directos. Es decir: de x dado SU’ es igual que la
probabilidad de x dado PD, el conjunto de los predecesores directos. Es decir:
p( x / SU ' , e) p( x / PD, e)
Añadir Añadir
nuevas flechas
nuevas flechas de deunun elemento
elemento desde SU’desde
al nodoSU’ al nodoel conjunto
x aumentará x aumentará
de pre- el
conjunto de predecesores
decesores directos,
directos, y por tanto, y por tanto,
la dimensionalidad la dimensionalidad
de asignar de asignar
las probabilidades condicionales.
las probabilidades condicionales.
Si bien esta adición no transgrede la lógica Si bien esta de
del diagrama adición no producirá
influencias, viola launalógica
pérdida del
diagrama de influencias, producirá una pérdida de información con respecto
de información con respecto a la independencia de la influencia condicional añadida, pues el a
diagrama afirma que toda la información en el conjunto SU’
la independencia de la influencia condicional añadida, pues el diagrama afirma que es relevante para asignar las
probabilidades de x, está resumida en el conjunto de PD.
que toda la información en el conjunto SU’ que es relevante para asignar las Así, en el ejemplo de la figura 7.21
asignar probabilidades para la variable x6 está en principio condicionado por todas las variables
probabilidades de x, está resumida en el conjunto de PD. Así, en el ejemplo de
excepto x6, x7, x8 y x9. Pero el diagrama de influencias afirma que las variables de las cuales x6
la figura 7.21
depende, estánasignar
resumidas probabilidades
por x3 y x4, que son para la variable
sus predecesores directos.x6 está en principio
condicionado por todas las variables excepto x6, x7, x8 y x9. Pero el diagrama
Es decir:
de influencias afirma que las variables de las cuales x6 depende están
resumidas por x3 y x4, que son sus predecesores directos.
Es decir:
p ( x 6 / x1, x 2, d 1, x3, x 4, x5, e) = p ( x 6 / x 3, x 4, e)
p( x6 / x1, x2, d 1, x3, x4, x5, e) p( x6 / x3, x4, e)
Esta afirmación útil se basa tanto en la ausencia de flechas de influencias como en las
Esta afirmación
existentes útil se
en la figura 7.21.basa tanto en la ausencia de flechas de influencias
como en las existentes
En resumen, en la figura
un diagrama 7.21.indica un orden específico, pero posiblemente no
de influencias
En único,
resumen, un diagrama
para asignar de condicionales.
las probabilidades influenciasAdemás,
indicamuestra
un orden específico,
la información disponiblepero
posiblemente no único, para asignar las probabilidades condicionales. Además,
que sirve de base para cada decisión. Cuando se han especificado las reglas de decisión para cada
muestranodoladeinformación
decisión y se handisponible
asignado probabilidades
que sirve para de
cada base
nodo depara
azar, secada
pueden decisión.
utilizar
las relaciones del diagrama de influencias para desarrollar la distribución de probabilidades
Cuando se han especificado las reglas de decisión para cada nodo de decisión
conjunta de las variables.
y se han asignado probabilidades para cada nodo de azar, se puede usar las
relacionesHastadel este punto se hade
diagrama desarrollado el concepto
influencias parade diagramas
desarrollar de influencias, examinado de
la distribución
sus propiedades y establecido las posibles manipulaciones gráficas para formar representaciones
probabilidades conjunta de las variables.
alternas de problemas de decisión. La pregunta es, entonces ¿cómo construir, en primer lugar, un
diagrama de influencias que represente la experiencia del decisor y de los expertos involucrados
en el análisis de decisión? Éste es el tema que sigue.
15
• 206 •
7.3 USO DE LOS DIAGRAMAS DE INFLUENCIAS PARA UN MODELAJE PARTICIPATIVO
En este proceso de estructurar el problema de decisión surgen tres dificultades importantes:

desconocimiento, complejidad y numerosos participantes.
En primer lugar, se enfrenta el desconocimiento inicial, del analista de decisiones, y de los
factores técnicos, económicos y políticos en un problema específico de decisión. El carácter
general de la metodología del Análisis de Decisiones permite aplicarla independientemente de la
disciplina particular –Administración, Medicina, ingeniería, Economía, etcétera– o del contexto
en el cual el problema ocurre. Por tanto, el analista puede desconocer inicialmente las relaciones
entre las variables del problema1.
En segundo lugar, la complejidad se refiere al hecho de que los problemas de decisión es-
tratégica a menudo implican modelos con un número muy grande de variables aleatorias.
Y finalmente, si el problema es complejo, es probable que haya muchos participantes en
su estructuración, y aún si hubiera un solo decisor, muchos expertos serían consultados sobre
las relaciones entre las variables del problema. incluso, más de un analista de decisiones puede
trabajar en resolverlo.
Los diagramas de influencias facilitan la comunicación entre todas las personas involu-
cradas en la estructuración del problema, ya que la definición técnica de influencia coincide
con el uso intuitivo y común de ese vocablo. Si conocer el valor de x cambia la asignación de
probabilidades de y, se dice que x influye sobre y. Es así que el diagrama de influencias brinda
un lenguaje con el que las personas no entrenadas en modelar sistemas probabilísticos com-
plejos pueden describir su percepción del problema. Es gratificante comprobar cómo quienes
carecen de formación académica cuantitativa contribuyen activa y creativamente a estructurar
el problema en esta etapa.
El valor principal de construir un diagrama de influencias es que obliga a las personas
involucradas a pensar conscientemente en las decisiones, incertidumbres y relaciones que se
presentan entre ellas para crear valor. Específicamente, pueden explicar con claridad sus ideas
y discutir con otros sobre sus diferentes concepciones. Asimismo, permite identificar áreas de
investigación y delegar responsabilidades; las dependencias probabilísticas pueden ser reconocidas
y examinadas; aún más, el decisor puede usar el diagrama para orientar el análisis por medio
de designar expertos que logren la mejor descripción de ciertas incertidumbres y la relación
entre ellas. Por último, le facilitará identificar claramente las diferencias de opinión entre los
expertos y resolverlas.
ProCEDiMiENToS PArA LA CoNSTrUCCióN DE LoS DiAgrAMAS DE iNFLUENCiAS

Existe un procedimiento lógico y sistemático para construir los diagramas de influencias
con la participación del decisor y sus expertos. Se comienza con el resultado final que interesa
obtener (medida de valor) y se trabaja hacia atrás. Por ejemplo, si un cliente debe decidir en
cuánto expandir sus instalaciones de producción y, por tanto, se busca determinar la capacidad
adicional requerida para maximizar el valor presente de su empresa, entonces los resultados
finales serán los flujos netos de caja de cada año futuro j.
1
Hemos tenido la oportunidad de ayudar a estructurar problemas financieros, energéticos, de salud, agroindustriales, etc.
• 207 •
Dado que los flujos futuros son inciertos, el flujo de caja para cada año j es dibujado como
un nodo de azar en un diagrama de influencias, ver figura 7.23 (a). Luego se plantea al decisor
y sus expertos: “¿si tuvieran acceso a información proporcionada por un clarividente2 infalible,
qué le preguntarían para reducir su incertidumbre con respecto al flujo neto de caja del año j?”.
Suponiendo que su respuesta fuese “los ingresos del año j”, el decisor estaría afirmando que:
p(FCNj / Ij , e) ≠ p(FCNj / e)
donde: ij: ingresos del año j.

FCNj: flujo de caja neto del año j.
La respuesta a la primera pregunta es añadida al diagrama, como se muestra en el diagrama

(b) de la figura 7.23, y se continúa preguntando acerca del FCN hasta identificar las variables
directamente influyentes. Así, la segunda pregunta será: “si conociera los ingresos del año j ¿qué
información adicional le gustaría tener para disminuir aún más su incertidumbre con respecto
al FCN del año j?”. Si el decisor respondió que desearía conocer sus costos totales en el año j
(Cj), está afirmando que:
p(FCNj / Ij , Cj , e) ≠ p(FCNj / Ij , e)
Esta nueva influencia también se añade al diagrama. Si no existen otras variables que in-
fluyen directamente sobre el FCNj, entonces se repite el proceso para cada una de las variables
que intervienen en el FCN. Suponiendo que se toma primero la variable ingresos y se pregunta
al decisor: “¿qué información le gustaría tener acerca de los ingresos en el año j para reducir
su incertidumbre respecto a ellos?”. La respuesta podría ser que le gustaría saber el número de
unidades vendidas en el año j, dato que está definido por la demanda de su producto en ese año
y, por lo tanto, es una variable aleatoria. El precio de venta de esas mercancías es una variable
de decisión y, en consecuencia, se representa con un nodo rectangular. El diagrama respectivo
se muestra en el diagrama (c) de la figura 7.23.
2
Recordemos que el clarividente es el omnisciente, el que puede ver el futuro.
• 208 •
Figura 7.23: Procedimiento para construir el diagrama de influencias
FCN
FCN
J
?
(a) Resultado final y primera pregunta
FCN
FCN
J
Ingresos
Ingresos
J
J
(b) La primera pregunta al clarividente es añadida al diagrama,

y se hace una segunda pregunta
FCN
FCN
J
Ingresos
Ingresos ? Costos
Costos
J J
J
Unidades
Unidades
vendidas
Vendidas
Precio
Precio
Unitario
Unitario
(c) Se repite el proceso para cada una de las variables que influyen en el FCN
Se deben examinar muy cuidadosamente las influencias potenciales entre todas las variables
identificadas por el decisor. Así, en esa misma figura se aprecia que los ingresos en el año j están
indudablemente influenciados por los costos de ese año. Si fueran bajos, sugeriría que los ingresos
también lo serán. Para indicar esto se debería haber trazado una flecha desde el nodo de costos
hasta el de ingresos. Sin embargo, en esa figura no es necesario trazar una flecha de costos a
ingresos porque, una vez conocidas las unidades vendidas (UVj) y fijado el precio unitario (Pj),
los ingresos quedan “determinados” y son independientes de los costos; es decir:
p(Ij / Cj , UVj , Pj , e) = p(Ij / UVj , Pj , e)

• 209 •
El procedimiento puede repetirse hasta alcanzar el nivel de detalle deseado (donde ya se

pueda usar la intuición y el criterio de los expertos para hacer valoraciones significativas de las
incertidumbres marginales), como muestra el diagrama de la figura 7.24 para el ejemplo que
se está considerando. En este diagrama se han usado las distinciones de nodos determinados
(círculos dobles) y de valor (octógonos), para darle mayor claridad.
Hay varias características dignas de remarcar en este diagrama. En primer lugar, se nota la
ausencia de un nodo que represente el tamaño del mercado en el año j, dato que podría influir en
las unidades vendidas. Pero, si el decisor está seguro acerca del tamaño que tendrá el mercado
en ese año debido a su gran habilidad para predecir y la poca incertidumbre en dicha variable,
entonces revelar su valor no tendrá ningún efecto en reducir la incertidumbre sobre la variable
“unidades vendidas”. Es decir, que no es necesario incluir las “constantes” en un diagrama de
influencias. Así, en la figura 7.24 no existe un nodo para el tamaño del mercado. Esta propiedad
diferencia los diagramas de influencias de los de flujos o bloques.
Figura 7.24: El procedimiento puede repetirse hasta alcanzar el nivel de detalle deseado
Flujo de Caja
año j
Costos
año j
Costo
unit. para
la nueva
Costo
Ingresos planta
unit. del
año j
compe-
tidor
Unidades
vendidas
Precio
unitario
Participa-
ción de
Mercado
Capacidad
adicional de
producción
Una segunda característica del diagrama bajo análisis es la influencia no causal del costo
unitario del competidor sobre el de los productos que serán fabricados en la nueva planta. Como
se dijo, las influencias describen tanto relaciones causales como no causales. En este caso, el
decisor podría estar inseguro acerca del desempeño de las nuevas instalaciones de producción
y, por tanto, sobre el costo unitario del producto. Si un competidor tiene una planta de diseño
similar a la nueva planta del decisor, entonces conocer el costo unitario del competidor podría
reducir considerablemente la incertidumbre del decisor con respecto a su propio costo unitario.
Además, debe notarse que esta relación es estocástica y no determinística; las relaciones no
causales y estocásticas de este tipo son difíciles de representar en los diagramas de flujos o
bloques.
• 210 •
Una característica final del diagrama de la figura 7.24 es la evidente relación entre las deci-
siones sobre la capacidad de producción de las nuevas instalaciones y el precio del producto, el
que deberá optimizarse con respecto a cada valor que tome la variable de capacidad adicional.
Es por esto que la decisión sobre la capacidad de producción preceda a la del precio unitario.
En resumen, si bien el proceso para construir un diagrama de influencias parece muy simple,
se deben seguir algunas pautas al graficarlo. En primer lugar, las variables y eventos deben pasar
la prueba del clarividente; es decir, deben estar clara y precisamente definidas. En segundo lugar,
el diagrama de influencias sólo debe incluir las decisiones y las incertidumbres, no las constan-
tes. En tercero, no deben formarse círculos cerrados de influencias (dado que no representaría
ninguna expansión en cadena). En cuarto, las influencias representan tanto relaciones causales
como no causales. En quinto, es necesario identificar sólo las influencias críticas. Finalmente,
una incertidumbre debe preceder a una decisión en el diagrama de influencias sólo si la incerti-
dumbre será resuelta antes de tomarse la decisión, es decir, se deben trazar flechas a los nodos
de decisión de todas las incertidumbres, que serán resueltas antes de tomarse la decisión.
7.4 LA RELACIÓN ENTRE LOS DIAGRAMAS DE INFLUENCIAS

Y LOS ÁRBOLES DE DECISIONES
Dado que los diagramas de influencias reflejan las relaciones probabilísticas importantes y
las decisiones relevantes como son percibidas por el decisor, un árbol de decisiones consistente
puede construirse directamente a partir de este diagrama y las distribuciones de probabilidades
condicionales necesarias pueden ser evaluadas. Además, puesto que el diagrama es generado
desde el resultado final hacia atrás, las variables identificadas tienden a desparramarse en forma
de abanico uniformemente desde el resultado final, lo cual produce un modelo más balancea-
do. Así se evita el modelaje excesivo de detalles en cualquier área del problema a expensas de
otras. Aún más, el procedimiento de trabajar hacia atrás ayuda al decisor a identificar tanto las
relaciones estocásticas y no causales como las determinísticas y causales.
El árbol consistente con el diagrama de la figura 7.24 se presenta en forma genérica en
la figura 7.25. Fue posible construir este árbol porque se cumplieron dos condiciones básicas;
primero, preservar el orden del diagrama de influencias; y segundo, no permitir que un nodo de
azar fuera predecesor de un nodo de decisión a menos que se tratara de un predecesor directo.
En la figura 7.25 los nodos de decisión no tienen predecesor alguno.
Figura 7.25: Árbol de decisiones correspondiente al diagrama de influencias de la figura 7.24
Capacidad
Capacidad Precio
Precio Participación
Participación Costo
Costo Costo
Costo Resultados
Resultados
adicional
Adicional de
de unitario (Pj)
Unitario (P ) dedemercado
Mercado unitario del
Unitario del Unitario
unitario (CUj) (Cálculos)
j (Cálculos)
producción
Producción (PMj)
(PMj) Competidor
competidor (CUj)
UV
UVjj ==PM
PMj j
x xTamaño
TamañoMercado
Mcdo
Cj = UVCjj
x=CU UVj
j x Cuj
Ij = UVj xIjP=j UVj x Pj
FCNj = IFCNj
j
- Cj = Ij - Cj
• 211 •
Ciertos diagramas de influencias no pueden ser transformados en árboles de decisiones

convencionales porque no cumplen con las condiciones fijadas.
En el problema de decisión inferencial estándar representado por el diagrama (a) de la figura
7.26, el diagrama de influencias no puede ser empleado para generar directamente un árbol de
decisiones porque el nodo de decisión d tiene un predecesor no directo que representa a una
variable aleatoria, x1. Sin embargo, este diagrama puede convertirse a una forma adecuada para
obtener un árbol de decisiones. Lo único que se requiere es invertir la flecha de influencia de x1
a x2, lo cual es permitido porque ambos tienen predecesores comunes; en realidad, no tienen
predecesor alguno. Así se obtiene el diagrama (b) de la figura 7.26.
Figura 7.26: El proceso de convertir el diagrama de decisiones en un árbol de decisiones
X1 X2 d X3
(a) Diagrama de decisión
X1
X2 d X3
(b) Diagrama de árbol de decisiones
X2 d X1 X3
(c) Árbol de decisión
• 212 •
Esta discusión lleva a establecer dos nuevas definiciones:
Una red de decisión es un diagrama de influencias:

(1) que implica un ordenamiento total entre los nodos de decisión; y
(2) en el cual cada nodo de decisión y sus predecesores directos influyen
directamente sobre todos los nodos de decisión sucesores.
Una red de árbol de decisión es una red de decisión:

(3) en la cual todos los predecesores de cada nodo de decisión son directos.
El requerimiento (1) es la condición de “un solo decisor” y el (2) la de “no olvidarse”. Am-
bas garantizan que un árbol de decisión posiblemente pueda ser construido después de algún
procesamiento probabilístico.
El requerimiento (3) garantiza que un árbol de decisión pueda ser elaborado en correspon-
dencia directa con el diagrama de influencias. En la figura 7.26, el diagrama (a) es una red de
decisión y el (b) una red de árbol de decisión. Finalmente, el (c) muestra el árbol de decisiones
correspondiente a estos diagramas.
Para ilustrar el problema de decisión inferencial, considérese la decisión de lanzar o no un
nuevo producto, luego de obtener los resultados de un estudio de mercado. Esta decisión y el
tamaño de mercado influyen en los niveles de ventas del producto, pero además el tamaño de
mercado también influye en el resultado del estudio de mercado, pero no en la decisión. Estas
relaciones se representan en el diagrama (a) de la figura 7.27, que es una red de decisión. Este
diagrama puede convertirse en una red de árbol de decisión aplicando el teorema de Bayes,
para invertir la fecha de influencias de “tamaño de mercado” a “estudio de mercado”. Esto es
posible dado que ambos nodos de incertidumbres no tienen predecesores, y así se obtiene el
diagrama (b) de la figura 7.27. Ahora sí se puede generar el árbol de decisiones directamente,
diagrama (c) de la figura 7.27.
• 213 •
Figura 7.27: Ejemplo del proceso de convertir el diagrama de decisiones en un árbol de

decisiones
Lanzamie
Lanza-
Tamaño Estudio
nto
miento
de de Ventas
nuevo
Mercado Mercado
producto
(a) Diagrama de decisión
Tamaño
de
Mercado
Lanzamie
Lanza-
Estudio nto
miento
de Ventas
nuevo
Mercado
producto
(b) Diagrama de árbol de decisiones
Lanzamiento Nuevo
Estudiode
Estudio deMercado
Mcdo. Tamañode
Tamaño deMercado
Mcdo. Ventas
Producto
(c) Árbol de decisión
Especificar las limitaciones en el condicionamiento probabilístico posible mediante el diagrama

de influencias es, quizás, el paso más significativo para asignar probabilidades. La tarea restante
es la especificación de las probabilidades numéricas de cada nodo de azar condicionadas por sus
predecesores directos a través de un procedimiento de evaluación de probabilidades. El capítulo
8 expone el procedimiento usado en el análisis de decisiones.
• 214 •
7.5 CONCLUSIONES
Los diagramas de influencias contribuyen al análisis de decisiones de muchas maneras. En

particular, se puede decir que los diagramas de influencias:
• Son una herramienta efectiva de comunicación cuando
existe incertidumbre.
• Forman una base rigurosa para definir y estructurar

adecuadamente los problemas de decisión.
• Tienen una base teórica, la teoría de probabilidades.
• Pueden ser construidos mediante un proceso lógico y

sistemático.
• Proporcionan un esquema sobre el cual se construye el

árbol de decisiones.
• Proporcionan un mecanismo para identificar diferencias

de opinión y poder resolverlas.
Además, los diagramas de influencias pueden ser utilizados para determinar el valor de la
información perfecta en las variables aleatorias y también para determinar el valor real de la
información adicional pero imperfecta, tópicos que se tratarán en el capítulo 13.
APÉnDiCe
CONCEPTOS FUNDAMENTALES DE PROBABILIDADES

Y ÁRBOLES UTILIZADOS EN LOS DIAGRAMAS DE INFLUENCIAS
La exposición que sigue es aplicable tanto a eventos como a variables. Como se vio en el
capítulo 4, los conceptos de independencia y de expansión en cadena se derivan de la definición
de la probabilidad condicional, que es el concepto fundamental en probabilidades. Si se define
a x, y y z como variables aleatorias, las que pueden ser continuas o discretas, p(x/e) es la dis-
tribución de probabilidades asignada a x dado el estado de información e. Entonces, se define
la probabilidad condicional de x dado y como:
p ( x, y / e)
p ( x / y , e) = (7.5)
p ( y / e)
• 215 •
En general, si dos variables aleatorias x e y son independientes, la distribución de probabi-

lidades de x no debe ser afectada si se conoce el valor específico de la variable y; es decir:
p ( x / y , e) = p ( x / e) (7.6)
o equivalentemente, usando el concepto de probabilidad condicional:
p ( x, y / e) = p ( x / e ) p ( y / e ) (7.7)
Luego, se define que dos variables son independientes si la distribución de probabilidades

conjunta es igual al producto de las distribuciones de probabilidades marginales.
El otro concepto muy útil en el análisis de probabilidades es el de expansión en cadena.
indiferentemente a que x e y sean o no probabilísticamente independientes, se puede escribir
(7.5) como:
p ( x, y / e) = p ( y / e ) p ( x / y , e ) (7.8)
Esta expansión en cadena implica el árbol de probabilidades de la figura 7.28.
Figura 7.28: Árbol de probabilidades correspondiente a la expansión (7.8)
p(x,y/e)
p(x/y,e)
p(y/e)
Pero, también es posible despejar de la definición de p (y/x, e), y escribir la probabilidad

conjunta p(x, y/e) como:
p ( x, y / e) = p ( x / e ) p ( y / x , e ) (7.9)
• 216 •
Y el árbol de probabilidades asociado a esta expansión es el de la figura 7.29.
Figura 7.29: Árbol de probabilidades correspondiente a la expansión (7.9)
p(x,y/e)
p(y/x,e)
p(x/e)
Las ecuaciones (7.8) y (7.9) representan lo que se llama la expansión en cadena de proba-
bilidades. generalizar esta relación produce la expansión en cadena para más de dos variables
aleatorias. Así, para tres, existen seis posibles representaciones:
p ( x, y , z / e) = p ( x / y , z , e ) p ( y / z , e ) p ( z / e )
= p ( x / y , z , e) p ( z / y , e) p ( y / e )
= p ( y / x, z , e) p ( x / z , e) p ( z / e )
= p ( y / x, z , e) p ( z / x, e) p ( x / e )
= p ( z / x, y , e) p ( x / y , e ) p ( y / e )
= p ( z / x, y , e) p ( y / x, e) p ( x / e ) (7.10)
En general, para n variables existirá n! (n factorial) posibles expansiones, cada una requiriendo
asignar un conjunto diferente de probabilidades y cada una lógicamente equivalente al resto.
Aunque las valoraciones son lógicamente equivalentes, podría haber diferencias considerables
en la facilidad del decisor y sus expertos para establecerlas. Elegir la expansión que debe usarse
en un problema específico no es nada simple.
Cada expansión lleva asociado un árbol de probabilidades. Así, la figura 7.30 representa la
siguiente expansión:
p ( x, y , z / e) = p ( z / x, y , e) p ( y / x, e) p ( x / e ) (7.11)
• 217 •
Figura 7.30: Un árbol de probabilidades
p(x,y,z/e)
p(z/x,y,e)
p(y/x,e)
p(x/e)
El árbol de probabilidades es una sucesión de nodos, cada uno de los cuales representa una
variable y tiene tantas ramas como sus posibles valores. Los nodos finales del árbol equivalen a
todos los resultados posibles. En la figura 7.30, la primera asignación de probabilidades hecha, es
a las posibilidades de x, p(x/e). La probabilidad de cada valor de y está condicionada por el valor
particular de x, lo cual se consigna en la rama indicada por ese valor específico de y, p (y/x, e).
Finalmente, se evalúa la probabilidad de ocurrencia de los diferentes valores de z dados los valores
particulares de x e y y se consignan en la rama respectiva. Cuando se ha efectuado la asignación
de probabilidades para todos los posibles valores de x, y y z, el árbol está completo.
La probabilidad de cualquier nodo final está dada por el producto de las probabilidades de
las ramas del camino que va desde el nodo inicial hasta dicho nodo final, usando la ecuación
(7.11). Si se deseara prestar atención sólo a la sucesión de variables en el árbol y no a todas las
conexiones, se podría dibujar el árbol de una forma simplificada o genérica, como se muestra
en la figura 7.31.
Figura 7.31: Un árbol de probabilidades genérico o simplificado
p(x/e) p(y/x,e) p(z/x,y,e) p(x,y,z/e)

p(x,y,z/e)
p(x, y, z/e)
• 218 •
Debe observarse que la notación convencional de los árboles usa pequeños círculos para
indicar nodos de azar o probabilísticos. Si se trata de una variable controlada por el decisor, se
representa con un nodo de decisión, mediante un pequeño cuadrado. De esta manera, si y fuera
una variable de decisión, la figura 7.31 se podría volver a dibujar como la figura 7.32. En este
último árbol se expresa que el decisor no está seguro acerca de los valores x y, por lo tanto, ha
asignado una distribución de probabilidades a esta variable dado un estado inicial de información,
p(x/e). Sin embargo, también expresa que el decisor conocerá el valor de x al momento de tomar
la decisión; es decir, cuando deba fijar el valor de y. Una vez que los valores x e y son conocidos,
el decisor todavía estará inseguro sobre el valor de z, ya que es una variable aleatoria. El decisor
representa esta incertidumbre con la distribución de probabilidad condicional, p (z/x, y, e).
Figura 7.32: Un árbol de decisiones genérico
y
p(x/e) p(z/x,y,e)
En general, un árbol de decisiones representa tanto una expansión particular de la eva-

luación de probabilidades como una afirmación de la información disponible cuando se toma
una decisión.
El mayor problema con los árboles de decisiones está en determinar cuál es la expansión es-
pecífica de probabilidades más conveniente para evaluar dichas probabilidades y la adecuada para
el análisis. El orden de expansión requerido por el árbol para el análisis raramente coincide con el
orden natural en el que se evalúa la información del decisor y sus expertos. El orden del árbol de
decisiones resulta ser la forma más simple para evaluar sólo cuando cada variable es probabilísti-
camente dependiente de todas las variables aleatorias y de decisión precedentes. Pero, si es posible
establecer muchas afirmaciones de independencia, como sucede comúnmente en los problemas de
decisión, las evaluaciones de las probabilidades se establecen mejor en un orden diferente al usado
en el árbol. Esto significa que, primero, se debe dibujar un árbol de probabilidades en una forma
de expansión conveniente para el decisor o sus expertos, y utilizarlo para asignar probabilidades;
por eso se lo conoce como el árbol de asignación de probabilidades. Después la información será
procesada para obtener la forma requerida por el árbol de decisiones; esto es, para representar
en uno de los órdenes de expansión alternativos, lo que se conoce como el árbol cronológico. Este
árbol se obtiene aplicando el Teorema de Bayes al árbol de asignación.
Para ilustrar estos conceptos considérese el árbol de decisiones de la figura 7.33, cuya estructura
es muy común. Por ejemplo, en un proyecto de inversión, las variables podrían representar:
x: resultado del estudio de mercado.
y: producir / no producir un nuevo producto.
z: nivel de demanda para el nuevo producto.
v: ganancias netas.
• 219 •
Figura 7.33: Un árbol de decisiones con cuatro nodos
p(x/e) p(z/x,y,e) p(v/x,y,z,e)
Este árbol genérico puede ser interpretado de la siguiente manera: la variable x representa
el resultado de una prueba (estudio de mercado) que será conocido antes de tomar la decisión
y (producir/no producir); z representa la variable de estado para la que la prueba es relevante
(nivel de demanda); y v el valor que se recibirá siempre y cuando la prueba indique x, se decida y,
y el valor de la variable aleatoria sea z. Usualmente y no afectará a z, a pesar de que y sí afecta
a v; esta afirmación de independencia se expresa de la siguiente manera:
p ( z / x, y , e) = p ( z / x, e)
Dada esta afirmación de independencia, el árbol de decisiones relevante está dado en la
figura 7.34.
Figura 7.34: Un árbol de decisiones con cuatro nodos dada la afirmación que y no afecta a z
p(x/e) p(z/x,e) p(v/x,y,z,e)
Este árbol requiere especificar la probabilidad de los varios resultados de la prueba, p(x/e), y
de los valores de la variable de estado dados los resultados de la prueba, p (z/x, e). Pero, común-
mente, en situaciones de este tipo el decisor y sus expertos preferirán asignar directamente las
probabilidades de los diferentes valores de la variable aleatoria, p (z/e), y luego las de los varios
resultados de la prueba dado el valor de la variable aleatoria, p(x/z, e). Es decir, que el decisor
establecerá las probabilidades previas de la variable de estado y las funciones de verosimilitud,
para luego establecer las probabilidades revisadas o posteriores de la variable de estado, p (z/x, e),
usando el Teorema de Bayes. El decisor escogerá hacer sus asignaciones de probabilidades en
el árbol de la figura 7.35 y procesarlas después, para cumplir con el árbol de decisiones de la
figura 7.34. Este proceso se puede explicitar algebraicamente. Dado que:
p ( x, z / e) = p ( z / e) * p ( x / z , e) = p ( x / e) * p ( z / x, e) (7.12)
Prob. Función de Prob. Prob.

previa verosimilitud Pre-posterior posterior
• 220 •
p( x, z / e) p( z / e) * p( x / z, e) = p( x / e) * p( z / x, e)
Prob.• Capítulo
Función de
7 • Diagramas Prob.
de Influencias Prob.
previa Verosimilitud Pre-posterior posterior
previa
La asignación
La asignación se hace escogiendo se hacey elescogiendo
la primera expansión, proceso consistela primera
en aplicar el expansión, y
Teorema de Bayes: consiste en aplicar el Teorema de Bayes:
p( z / e) p( x / z, e)
p( z / x, e)
p( x / e)
donde: p( x /pe()x=/ e∑
donde: ) p( z /pe()zp/(ex)/pz(, xe)/ z, e)
Este proceso es graficado en la figura 7.35. El árbol de as

Este proceso es graficado en la figura 7.35. El árbol de asignación de probabilidades repre-
probabilidades representa la primera expansión y el árbol cro
senta la primera expansión y el árbol cronológico, la segunda expansión de la ecuación (7.12).
Este proceso solamente segunda expansión
es posible porque dealeatoria
la variable la ecuación (7.12).
no depende Este proceso
de la variable de solamente
decisión. porque la variable aleatoria no depende de la variable de decisión.
Figura 7.35: Árbol de asignación de probabilidades y árbol cronológ

Figura 7.35: Árbol de asignación de probabilidades y árbol cronológico
p(z/e) p(x/z,e) p(x/e)
p(z/e) p(x/z,e) p(x/e) BAYES
p(z/x,e)
BAYES
(a)
(a) Árbol
Árbol de
de Asignación
asignación de (a) Árbol(b)de Asignación
Árbol cronológicode
Cronológico
de Probabilidades
probabilidades (b) Árbol Cron
Probabilidades
• 221 •
Vii. PrOBLemAs
1. ¿En qué radica la importancia y la utilidad de los diagramas de influencias?
2. Explique la diferencia entre el propósito de un diagrama de influencias y un árbol de deci-

siones; si existe alguna, ¿tiene sentido alguna vez primero dibujar un árbol de decisiones y
luego el diagrama de influencias de un problema?
3. ¿Cómo contribuye un diagrama de influencias a tomar buenas decisiones? (refiérase a los

elementos de calidad decisional) ¿Con qué elementos de calidad decisional no nos ayuda un
diagrama de influencias?
4. ¿Cuáles son los diferentes tipos de nodos? ¿Y qué representa cada uno de éstos?
5. ¿Cuántos tipos de diagramas de influencias existen? ¿Cuáles son y qué representan?
6. ¿Cuál es la relación entre cada componente de un diagrama de influencia (flechas, óvalos,

y óvalos dobles) y el árbol de probabilidades?
7. ¿Se puede dibujar un árbol de probabilidades sin antes haber dibujado un diagrama de in-
fluencias? ¿Sería ésta una buena o una mala idea? ¿Depende su respuesta de la experiencia
de la persona que hace el análisis?
8. ¿Cuáles son las reglas de manipulación gráfica de los diagramas de influencias?
9. ¿Qué dificultades se enfrenta al estructurar un problema de decisión?
10. Convierta el siguiente árbol de decisiones en un diagrama de influencias (al nivel de rela-
ciones).
• 222 •
Costo Alto
-15
Continuar .2
Altos Costo Bajo
Resultados 80
.8
Salir
Construir -2
Planta
Grande
Costo Alto -12
Continuar .1
Bajos Costo Bajo
Resultados 30
.9
Salir
-2
Capital
150% de lo Prod. en 3 años
-100
Proyectado .3
Prod. en 2 años -20

Capital .7
JV con el como lo Prod. en 3 años
20
Proveedor Proyectado .4
Prod. en 2 años 40
Capital .6
90% de lo Prod. en 3 años 55
Proyectado .6
Prod. en 2 años 70
.4
• 223 •
11. Convierta los siguientes diagramas de influencias en árboles de decisiones genéricos.
a.
Ingresos
Utilidades
Costos
b.
Financiar
I&D
Valor de
mercado
Lanzar
Producto
Éxito en Éxito de
I&D mercado
12. Elabore un diagrama de influencias para un proyecto que tenga como finalidad prevenir y
controlar la proliferación de una enfermedad contagiosa.
13. Usted es dueño de una empresa que produce cemento, se le ha ofrecido financiamiento para
una nueva planta a un bajo costo. Usted quiere obtener la mayor rentabilidad posible, ¿qué
factores tendría en cuenta? Elabore un diagrama de influencias.
14. Una empresa exportadora de alcachofas tiene la opción de firmar un contrato con una empresa
importadora de alimentos de Europa. Este contrato le exige un gran nivel de inversión (será
necesario elevar el nivel de endeudamiento de la empresa a cerca del 50%), si el primer año
se cumple con las expectativas de la importadora, la empresa de alcachofas se aseguraría
una relación de 3 años más con la empresa europea. ¿Qué riesgos identifica?
• 224 •
contrato con una empresa importadora de alimentos de Europa, este
contrato le exige un gran nivel de inversión (será necesario elevar el nivel
de endeudamiento de la empresa en cerca del 50%), si el primer año se
cumple con las expectativas de la importadora, la empresa de alcachofas se
aseguraría una relación de 3 años más con 7la• empresa
• Capítulo Diagramas de europea.
Influencias¿Qué
riesgos identifica?
15. En el siguiente diagrama defina los diferentes conjuntos de nodos en
15. En el siguiente diagrama defina los diferentes conjuntos de nodos en relación al nodo X.
relación al nodo X.
A E
B X
G
D
F H
• Nodos Predecesores Directos: . . .

• Nodos Predecesores Directos: ..............................................
• Nodos Predecesores Indirectos: .........................................

31
• Nodos Sucesores Directos: ........................................................
• Nodos Sucesores Indirectos: ...................................................
16. ¿Qué distribución de probabilidades conjunta y qué expansión representa el siguiente

diagrama de relevancias?
A C
• 225 •
17. Haga explícitas las siguientes condiciones en el diagrama de relevancias que se muestra a
continuación. Condiciones:
• C es determinado dado A.
• Dado D, F es irrelevante para la valoración de E.
• G es determinado, dados D y E.
• Sólo estamos preocupados por la distribución de probabilidades de G.
A D
E G
C
B F
18. Un grupo de inversionistas peruanos y extranjeros ha recibido en concesión 30 hectáreas del

terreno de la Universidad Agraria de La Molina para desarrollar un proyecto de inversión. Sus
opciones son construir un centro empresarial o un condominio de lujo. Éste es un proyecto
de gran envergadura por lo que necesariamente tienen que financiarse con colocación de
deuda (bonos corporativos). Para poder colocar la deuda, es necesario que una clasificadora
de riesgo evalúe la emisión. Esta evaluación puede ser con bonos del Tipo A, Tipo B o Tipo C.
La clasificación que se le asigne depende del tipo de uso que se le dé al terreno. De proyectos
de inversiones parecidos, si se decide construir el centro empresarial, la probabilidad de que
la clasificadora de riesgo le dé Tipo A a los bonos es 0.36, Tipo B es 0.31 y Tipo C es 0.33. Si
la decisión es el condominio de lujo, la probabilidad de que los bonos obtengan una clasifi-
cación del Tipo A es 0.32 y Tipo C es 0.28. Los inversionistas consideran que la demanda del
centro empresarial, así como la del condominio de lujo, está condicionada a la clasificación
de riesgo que se le haga a cada proyecto. Por ejemplo, si el terreno va ser utilizado para
construir un centro empresarial y la clasificadora de riesgo le da una evaluación como Bono
del Tipo A, existe un 0.43 de probabilidad de que la demanda sea alta, 0.3 de probabilidad
de que la demanda sea media, y un 0.27 de probabilidad de que la demanda sea baja. Estas
probabilidades se presentan en las siguientes tablas, tanto para la construcción de un centro
empresarial como para la construcción de un condominio de lujo.
• 226 •
Probabilidad de la Demanda dado que se construye un centro empresarial y dada una

clasificación:
Clasificación/ Demanda Alta Media Baja
A 0.43 0.30 0.27
B 0.18 0.52 0.30
C 0.10 0.40 0.50
Probabilidad de la Demanda dado que se construye un condominio de lujo y dada una

clasificación:
Clasificación/ Demanda Alta Media Baja
A 0.54 0.36 0.10
B 0.28 0.42 0.30
C 0.12 0.23 0.65
El grupo inversor puede decidir no intervenir en el proyecto luego de que la clasificación

de riesgo se haya hecho pública, lo que implicaría un gasto de $2.8 millones por concepto
de participación en la licitación, evaluación del proyecto, presentación de los papeles de
deuda, etc. Si decide ejecutar el proyecto del centro empresarial y la demanda es alta, la
ganancia neta sería $150 millones; si la demanda es media, la ganancia neta sería de $52
millones y si la demanda es baja, habría una pérdida es de $120 millones. Y si deciden
ejecutar el proyecto del condominio de lujo y la demanda es alta, la ganancia neta sería de
$80 millones; si la demanda es media, la ganancia es de $30 millones y si la demanda es
baja, la pérdida es de $5 millones.
Estructure este problema de decisión como un diagrama de influencias.
19. Estructure el problema de decisión del caso “Exploración Petrolera”, del capítulo 5, como
un diagrama de influencias.
20. En el caso del taller Mazda Cardenas, del capítulo 5, estructure este problema de decisiones
utilizando un diagrama de influencias.
• 227 •
CAPÍTULO 8
EvALUACión
dE inCErTidUmbrEs
• Introducción
• Modelaje y evaluación de probabilidades
• Problemas en la evaluación de incertidumbres
• Sesgos en la evaluación de probabilidades
• El proceso de evaluar probabilidades
• Aproximación discreta a la distribución de probabilidades
• Resumen y conclusiones
• Problemas
• 229 •
8.1 INTRODUCCIÓN
Una de las características extraordinarias del Análisis de Decisiones es que trata en forma
explícita, por medio de las probabilidades subjetivas, la incertidumbre que existe en el entorno
en el cual se toman las decisiones. Se requiere que el decisor y sus expertos especifiquen el grado
de incertidumbre que existe en las variables aleatorias relevantes, dado su estado de informa-
ción. El Análisis de Decisiones efectivamente trata la incertidumbre, al evaluar las opiniones
bien informadas en la forma de asignación de probabilidades a eventos y variables. Es decir, que
evaluar las probabilidades juega un rol muy importante en el Análisis de Decisiones, dado que
es el proceso de extraer y cuantificar las opiniones y juicios individuales acerca de cantidades
inciertas relevantes identificadas en el análisis de sensibilidad determinístico.
Especificar las distribuciones de probabilidades que se usan en el análisis de decisiones es una
tarea nada fácil, ya que la mayoría de la personas no está entrenada para pensar en términos de
incertidumbres. Esto hace que la labor de asignar valoraciones de probabilidades pueda ser difícil
e incómoda. En este capítulo se describen los problemas que surgen al evaluar probabilidades, el
proceso mismo de evaluación y cómo discretizar las distribuciones continuas resultantes.
Entre los problemas que ocurren al evaluar probabilidades, se discutirán los sesgos que
con frecuencia encontrará el analista y que deben ser neutralizados al máximo para obtener
información de calidad.
Existe una vasta literatura con respecto a la asignación de probabilidades. En la psicología
cognitiva se han llevado a cabo gran cantidad de experimentos psicológicos sobre los diferentes
aspectos del ser humano que lo hacen un “estadístico intuitivo” o un “procesador de información
probabilística”. Muchos de estos experimentos han proporcionado un entendimiento más claro
del problema de evaluar probabilidades. Ver, por ejemplo, Scholz (1983) y Humphreys (1983).
Sin embargo, los estudios psicológicos han restringido la utilidad de la evaluación de proba-
bilidades a situaciones prácticas, por tres razones. Primero, la mayoría de esos estudios trata con
distribuciones de probabilidades binarias –la ocurrencia o no de un evento– en lugar de considerar
las continuas. Segundo, se basan en experimentos de laboratorio y no en situaciones de decisión
reales. Finalmente, si bien los estudios muestran cuán bien o mal los sujetos se desempeñan en
diversas áreas, no desarrollan procedimientos para mejorar este desempeño.
En este texto, la evaluación de probabilidades es principalmente realizada en el contexto de
un problema de decisión. Una segunda razón –pero no menos importante– para evaluar proba-
bilidades es que brinda un medio claro de comunicación con respecto a la incertidumbre.
8.2 MODELAJE Y EVALUACIÓN DE PROBABILIDADES
Al iniciar la fase del análisis probabilístico del ciclo del Análisis de Decisiones surge el pro-
blema de evaluar la incertidumbre en cada una de las variables aleatorias cruciales que fueron
identificadas mediante el análisis de sensibilidad de la fase del análisis determinístico y que con-
formaran el árbol de decisiones. El objetivo de la fase probabilística es obtener distribuciones de
probabilidades a priori, que sean asignadas por las personas con el mejor conocimiento de cada
variable aleatoria. Por lo tanto, el decisor recurrirá a expertos para realizar estas asignaciones.
Estas distribuciones son incorporadas en el modelo desarrollado en la fase determinística con
• 230 •
• Capítulo 8 • Evaluación de incertidumbres
el fin de mostrar la incertidumbre en el resultado final, el que también será representado por
una distribución de probabilidades.
Como se vio en el capitulo 3, la fase del análisis probabilístico consta de una serie de pasos
de modelaje y análisis, como se exhibe en la figura 8.1. El primero es dibujar el árbol de decisiones
esquemático con las variables aleatorias críticas, luego asignar probabilidades a estas variables
aleatorias. Seguidamente, se construye un modelo probabilístico (que consta del modelo deter-
minístico y el árbol de decisiones) que relaciona, para cada alternativa, la incertidumbre en la
equivalencia presente (EP) con las de las variables aleatorias. Este modelo permite calcular los
valores esperados y la distribución de probabilidades resultante para la EP de cada alternativa.
Esta distribución se llama lotería de rentabilidad. Finalmente, se realizará un análisis de sensibilidad
a las probabilidades asignadas para determinar si es necesario hacer algunos refinamientos.
Figura 8.1: El ciclo del Análisis de Decisiones, la Fase Probabilística
Iteración
Situación Análisis Análisis Iteración Decisión

Estructuración Análisis Apreciación
inicial Determinístico Probabilístico
Probabilístico
Situación Análisis Análisis Decisión
Estructuración Análisis Apreciación
Probabilístico
1.Dibujar Árbol de Decisiones 3. Evaluar Árbol de Decisiones
100
50 .5
1.Dibujar Árbol de Decisiones 3. Evaluar Árbol de Decisiones
• Valores Esperados
.5 100
0
50
• Distribuciones de
.5 25
• Probabilidades
Valores Esperados
.5 0
• Distribuciones de
2. Asignar Probabilidades 4. Analizar Sensibilidad a las Probabilidades
25 Probabilidades
2. Asignar Probabilidades 4. Analizar Sensibilidad a las Probabilidades

Valor • Necesidades de
.25
.50 Refinamiento
p
.25 Valor • Necesidades de
.25
.50 Refinamiento
p
.25
Dado que en cada caso se trata de establecer una distribución de probabilidades que refleje
el estado de información de la persona entrevistada, y no todos tendrán la misma información,
dos personas podrían asignar diferentes probabilidades a la misma variable aleatoria. Siendo el
decisor la persona responsable por la decisión, el análisis debe basarse en sus creencias, criterios
y preferencias. Como se ha dicho, él puede designar a otros como sus expertos para evaluar
la incertidumbre de una variable en particular si cree que tendrán información más relevante.
Pero, en cualquier caso, el decisor puede aceptar la información del experto como su input para
el análisis o modificarla para incorporar su propio juicio.
• 231 •
Puesto que se busca evaluar una distribución de probabilidades que refleje el estado de in-
formación y la mayoría de personas tiene dificultades para pensar en términos de incertidumbre,
el método para extraer las distribuciones a priori es extremadamente importante.
El método que se describe en el acápite 5 es muy efectivo. En la entrevista para la evalua-
ción debe tenerse cuidado de superar los mecanismos de defensa que el individuo desarrolla
cuando ha de establecer estimados que a menudo son una combinación de objetivos, ilusiones
y expectativas. La mayor dificultad consiste en trasmitir al individuo entrevistado que existe
interés en saber su grado de conocimiento sobre la variable bajo consideración y no en evaluar
su desempeño o en establecer metas que él deba cumplir. A medida que se avanza en el proceso
de evaluar probabilidades, las actitudes del entrevistado van cambiando desde un escepticismo
total sobre la utilidad del método hasta una aceptación entusiasta. Sus comentarios iniciales de
“Esto es ridículo”, “No se puede hacer”, muy probablemente cambiarán a “Sí, parece que refleja
la manera como pienso” o “¿Por qué no todo el mundo hace esto?”.
Para lograr que el entrevistado se sienta cómodo en el proceso de asignar probabilidades, el
problema de decisión debe estar estructurado cuidadosamente; se habrá definido con claridad
cuáles son variables de decisión y cuáles, aleatorias. A menudo es más fácil lograr esta clasificación
redefiniendo las variables. Alguna –por ejemplo, el precio– inicialmente podría parecer difícil de
clasificar como variable aleatoria o de decisión. Esta dificultad puede superarse mejorando la
estructura del problema. Por ejemplo, definir el precio como una variable de decisión y dejar la
reacción del mercado como una incertidumbre o variable aleatoria.
Aparte de configurar bien las variables debe establecerse el nivel de desagregación adecuado
para el análisis. Siempre existe la posibilidad de evaluar la incertidumbre en una variable im-
portante o desagregarla y modelar el problema un poco más. En un extremo, se puede concebir
que el resultado final o valor presente neto de un proyecto sea evaluado directamente como una
variable aleatoria y evitar así la necesidad de examinar las variables subyacentes. Sin embargo,
generalmente esta tarea será muy difícil de realizar. Es más fácil lograr una distribución de
probabilidades para el resultado final si se construye un modelo que lo relacione con otras varia-
bles, lo que dará una mayor confianza sobre su validez. Como se vio en el capítulo 4, el proceso
de modelar un problema de decisión tiende a ser más efectivo y económico si se inicia con un
modelo simple, de pocas variables, que se irá refinando sucesivamente sólo si el costo de añadir
una nueva variable produce, por lo menos, un mejoramiento comparable con el entendimiento
del problema, y por lo tanto, en la calidad de la evaluación de las probabilidades.
En el proceso siempre será posible elegir entre desagregar una variable o evaluarla direc-
tamente. El entrevistado puede mostrar sesgos –discrepancias entre sus respuestas y su real
conocimiento- durante la entrevista; para evitar esto, puede modelarse el problema un poco
más. Como se verá, en la evaluación pueden presentarse sesgos debido a que la variable no ha
sido bien definida o porque depende de otras. Es posible establecer una lista de pautas a usar
para definir y estructurar cualquier variable cuya incertidumbre se desee evaluar. Estas pautas
servirán como una guía para evitar problemas en el proceso de evaluación.
• Es mejor llevar a cabo en privado el proceso de asignar probabilidades, para eliminar
las presiones de grupo y asegurar que las evaluaciones del experto reflejen realmente
su criterio.
• La variable aleatoria a evaluar debe ser verdaderamente importante para la decisión, lo
cual debió quedar establecido en el análisis de sensibilidad de la fase determinística. Si la
variable no es crucial, se perderá credibilidad tanto ante el decisor como frente al experto
• 232 •
entrevistado. El incentivo para dedicar tiempo y esfuerzo al proceso de evaluación debe

estar dado por la relevancia de la variable.
• El nivel de detalle requerido en el proceso de evaluación depende de la importancia
relativa de la variable, que también fue determinada en el análisis de sensibilidad antes
de la entrevista.
• El problema debe estar claramente estructurado. Si el experto entrevistado considera
que los valores de la variable en cuestión dependen de los valores de otras variables,
entonces estas dependencias deben ser consideradas explícitamente en el diagrama de
influencias y, por lo tanto, en la estructura del modelo. De lo contrario, será práctica-
mente imposible que el entrevistado combine efectivamente las incertidumbres de varias
variables a la vez.
• La variable en evaluación debe ser definida claramente. Una manera de asegurar que ello
se cumpla es preguntar si un clarividente podría revelar un valor de la variable especi-
ficando un solo número, sin requerir aclaración adicional alguna. Como se mencionó en
la sección 3 del capítulo 4.
• La variable debe ser descrita en una escala que sea significativa para el entrevistado. Si
no existiera una escala obvia, se le permitirá escoger una con la cual se sienta cómodo.
Por ejemplo, en un problema de decisión en el sector petrolero, el experto podría pensar
en términos de barriles, galones o litros, dependiendo de la función que desempeña en
el proceso de explotación, refinación o comercialización. Después de la evaluación si es
necesario, el analista puede cambiar la escala de la variable para incorporarla en una
forma adecuada al modelo de decisión.
• Finalmente, el analista debe asegurarse de que el entrevistado no se preocupe de ser o
no coherente. Las inconsistencias serán usadas por el analista como retroalimentación en
el proceso de evaluación para verificar que la distribución de probabilidades final refleje
adecuadamente el conocimiento del entrevistado.
8.3 PROBLEMAS EN LA EVALUACIÓN DE INCERTIDUMBRES
Para obtener las probabilidades que representan las incertidumbres en un problema de

decisión, se puede graficar un árbol y pedir al entrevistado que escriba las probabilidades direc-
tamente en él. Otra manera rápida de evaluarlas es usar tablas con rangos de valores definidos
y pedir que se les asignen probabilidades. Si bien estos procedimientos son fáciles y toman
relativamente poco tiempo, tienden a producir probabilidades “malas”, porque no permiten que
el analista contrarreste los sesgos que normalmente ocurren en esta clase de tareas. Cuando
se dice “malas” probabilidades, se refiere a aquéllas que no representan de manera adecuada el
conocimiento real del entrevistado porque existen los sesgos que no le permiten usar o expresar
este conocimiento correctamente. Un número sorprendente de sesgos pueden ser incorporados
al proceso de evaluación por el entrevistado, a menudo de una manera inconsciente. El Análisis
de Decisiones ha desarrollado métodos para tratar los sesgos que inevitablemente han de surgir
en un proceso de este tipo.
Aún antes de preocuparse porque la distribución de probabilidades en evaluación realmente
represente el estado de conocimiento de la persona entrevistada, hay otro asunto importante a
• 233 •
considerar; esto es, escoger a la persona que participará en la evaluación. ¿Tiene el conocimiento
relevante? ¿La inteligencia, capacitación y experiencia para asimilar de manera correcta la información
disponible? ¿Es digna de confianza? El Análisis de Decisiones no pretende ofrecer una solución a este
problema, salvo asegurar que el decisor considere a la persona escogida como experto o erudito en
el área de interés. Con frecuencia, el decisor y el analista se pondrán de acuerdo muy fácilmente
en cuanto a quiénes son los expertos apropiados. Sin embargo, si hubiera varios posibles expertos
para un área específica, el analista podría entrevistar a cada uno para lograr las distribuciones de
probabilidades respectivas y comparar el efecto que tienen en el problema.
Puede ser que a pesar de utilizar diferentes distribuciones de probabilidades para una misma
variable, la alternativa preferida no cambia. Si es así las discrepancias no tienen importancia.
Otra posibilidad para lograr consenso en caso de discrepancias es que al final de las entrevistas
personales se reúna a los expertos y se les muestren las asignaciones individuales. Se promoverá
una discusión para intercambiar información y cada experto defenderá su punto de vista. Como
resultado, es muy probable que se llegue a una distribución de probabilidades por consenso. El
tener distribuciones de probabilidades diferentes es un indicador de que existen diversos estados
de información. Por esto, se debe alentar el intercambio de ésta entre el grupo de expertos, lo que
redundará en obtener la más relevante y, por tanto, una “mejor” distribución de probabilidades.
8.4 SESGOS EN LA EVALUACIÓN DE PROBABILIDADES
De los dos problemas señalados en la sección anterior, nos concentraremos en el problema

de los sesgos que comúnmente se introducen en la sesión de evaluación de probabilidades.
Supongamos que el individuo entrevistado tiene un conocimiento estable subyacente, adquirido
como producto de la experiencia, con respecto a la variable bajo análisis. Este conocimiento
evoluciona al disponerse de nueva información. La tarea del analista es obtener del individuo
la distribución de probabilidades de las variables aleatorias sobre la base del conocimiento que
el individuo posee.
En el proceso de evaluar o asignar probabilidades el analista podrá darse cuenta de si hay
discrepancias entre las respuestas del entrevistado y la descripción exacta de su conocimiento.
Estas discrepancias –llamadas sesgos– pueden ser introducidas por el entrevistado consciente
o inconscientemente, y tomar muchas formas. Estos sesgos ocurren tanto en las valoraciones
cualitativas como en las cuantitativas. La más común es que tienda a creer que sabe más de lo
que realmente conoce. Su seguridad de saber el valor que tomará la variable aleatoria ocasionará
que la distribución de probabilidades de su ocurrencia tenga muy poca dispersión y se centre
alrededor del valor considerado como el más probable; se subestimará así la incertidumbre que
esta variable trae consigo.
Otro tipo de sesgo en la entrevista ocurre porque la mayoría de personas no está familiarizada
con la teoría de probabilidades y hace analogías falsas o establece conclusiones erróneas.
El analista de decisiones debe ser capaz de reconocer los problemas causados por los sesgos
del entrevistado y neutralizarlos durante el proceso de evaluación.
Los diferentes tipos de sesgos se pueden agrupar en dos grandes categorías: motivacionales
y cognitivos.
• 234 •
SESgOS MOTiVACiONALES
Son ajustes conscientes o inconscientes que el entrevistado introduce en sus respuestas,
motivado por su percepción de un sistema de recompensas y/o castigos para sus diferentes res-
puestas. Asimismo, puede acomodarlas por su deseo de influenciar la decisión o porque percibe
que su desempeño personal será evaluado según el valor final de la variable, en comparación
con sus predicciones.
Un ejemplo de lo último se da cuando se pide al Jefe de Ventas estimar el volumen que
alcanzarán las ventas de la empresa en el próximo año. El personal de ventas a menudo está
condicionado para responder con cifras artificialmente altas –posiblemente para obtener el
derecho a vender el producto– o bajas –quizás porque piensa quedar mejor si las ventas reali-
zadas exceden sus predicciones. Este tipo de sesgo también se da porque, siendo un experto,
piensa que el entrevistador espera de él que sepa con toda seguridad lo que pasará en su área
de especialidad. Esto lo motivará a suprimir parte del rango de variación de los valores de la
variable y, por lo tanto, a subestimar la incertidumbre.
Para compensar los sesgos motivacionales en el largo plazo es necesario explicitar y/o
cambiar la estructura de recompensas y castigos con el fin de alentar respuestas verdaderas.
En el corto plazo, sin embargo, el analista puede mostrar al experto la importancia de sus
respuestas para la compañía y enfatizar que está registrando un estado de conocimiento, y no
solicitando una predicción puntual ni un compromiso. Es decir, que el analista debe enfatizar
la “comunicación”, en lugar de “predicciones” o “metas”. Si el experto tiene interés particular
en que una de las alternativas sea escogida, el analista puede desvincular la variable en varios
subfactores, lo que originará un nivel de detalle que dificultará al experto condicionar sus res-
puestas en función de su interés particular. Si estas medidas no funcionan, el analista tiene un
último recurso: descalificar al experto como sujeto adecuado para asignar probabilidades a las
variables aleatorias bajo evaluación.
SESgOS COgNiTiVOS
Aún cuando el experto entrevistado sea honesto –en el sentido de no tener sesgos motiva-
cionales– aún podría tener sesgos cognitivos. Éstos son ajustes conscientes o inconscientes que
el entrevistado produce sistemáticamente en sus respuestas, debido a la manera como procesa
intelectualmente sus percepciones. Se puede decir que la valoración subjetiva de probabilidades
se parece a la valoración subjetiva de cantidades físicas como la distancia y el tamaño. Todas son
opiniones basadas en datos de validez limitada, los que son procesados de acuerdo con una serie
de métodos no rigurosos llamados heurísticos. En general, estos métodos son bastante útiles,
pero algunas veces conducen a errores sistemáticos y graves. Su uso impropio causa sesgos y
conduce a conclusiones incorrectas.
Por ejemplo, la distancia aparente de un objeto se determina en parte por su claridad. Entre
más claro se vea, más cercano parece. Esta regla heurística tiene alguna validez porque en una
escena dada los objetos más distantes parecen menos claros. Sin embargo, la confianza ciega en
esta regla puede producir sesgos frecuentes y conducir a errores sistemáticos en la estimación
de distancias. Un ejemplo sucede cuando en un desierto los objetos distantes parecen estar muy
cerca debido a la claridad del aire; o al contrario, en un día nublado se tiende a sobreestimar
la distancia.
• 235 •
A pesar de que los sesgos tienden a ocurrir a nivel inconsciente, es muy posible corregirlos.
Así, por ejemplo, en el desierto se llega a comprender que los objetos están realmente más lejos
de lo que parece.
Los sesgos en la apreciación de distancias son similares a los que ocurren en la apreciación
intuitiva de probabilidades. A continuación, se describen cuatro métodos o reglas heurísticas
usados en el proceso de asignar probabilidades a las variables aleatorias, y que pueden ocasionar
sesgos cognitivos1.
Disponibilidad
La regla heurística en este caso consiste en recordar las ocurrencias de eventos similares.
Un evento se juzgará más probable cuanto más fácil sea pensar en él. En otras palabras, la
asignación de probabilidades se basará en la información relevante que el sujeto entrevistado
recuerda o visualiza con facilidad; es decir, la probabilidad de un evento aumenta en proporción
a la información “disponible”.
Por ejemplo, si el analista solicita al entrevistado que establezca la probabilidad de que
ocurra una huelga en la empresa en el próximo mes, la asignación de probabilidades se hará
recordando las huelgas pasadas.
Esta regla es muy útil y funciona bien en la mayoría de procesos para evaluar probabilidades.
Sin embargo, el problema surge debido a las peculiaridades en la manera como se almacena y
recupera información en la mente.
Algunas de las características que hacen que la información éste disponible son: la infor-
mación ordenada, redundante, dramática, reciente, imaginable, constatable o consistente con
nuestro punto de vista tiene una mayor probabilidad de ser almacenada y recordada que otra
sin estas cualidades. Así, es fácil recordar lo que causó una gran impresión en el sujeto cuando
ocurrió por primera vez. La información reciente está más disponible y, por lo general, se le da
una mayor ponderación. igualmente, los planes de la empresa se encuentran en los archivos, y
por tanto, se puede disponer de ellos fácilmente. Los eventos con consecuencias potencialmente
desastrosas pueden recordarse muy bien y así asignarles probabilidades muy altas. Es decir, se
tiende a ponderar excesivamente las probabilidades asignadas a las variables aleatorias cuando
se enfatiza demasiado la información que es más accesible.
La disponibilidad es una regla heurística utilizada en las sesiones de evaluación de probabi-
lidades. El analista puede introducirla deliberadamente para contrarrestar sesgos centrales por
medio de postular resultados extremos y pedir al experto establecer escenarios que los expliquen.
Esto hará que el experto busque en su mente información poco usada y la haga disponible.
Otra técnica para contrarrestar sesgos ocasionados por la disponibilidad es verificar si existen
razones para que sea más fácil disponer de una información que de otra; si tales razones existen,
se puede discutir e investigar la información menos disponible.
Una tercera técnica consiste en pedir al experto considerar la situación retrospectivamente
desde el futuro. Un cambio en la perspectiva a menudo abre la mente a nuevas posibilidades. Debe
decirse que tanto la técnica de postular resultados extremos como la de cambiar de perspectiva
son valiosas también para contrarrestar otros tipos de sesgos, como se verá más adelante.
1
Ver Kahneman y Tversky (1974).
• 236 •
Representatividad
La regla heurística, en este caso, es observar algo evidente y luego asignar una alta proba-
bilidad al evento que lo haga más verosímil. Entonces, la asignación de probabilidades se verá
reducida a criterios de similitud. El problema con ello es que se corre el riesgo de descuidar o
subvaluar la experiencia previa y la información general, y basar la asignación de probabilidades
únicamente en lo que parece más obvio.
Por ejemplo, al observar una fuerte caída en las ventas de una compañía, podría existir la
tendencia a dar una probabilidad relativamente alta al evento de que la compañía está perdiendo
su participación en el mercado. Sin embargo, una reflexión cuidadosa podría revelar que el tipo
de demanda enfrentado por la empresa presenta variaciones drásticas de un año al otro y que
el último cambio tiene poca significación.
Muchos sesgos pueden ser explicados por el uso de diferentes reglas heurísticas. Por ejemplo,
el hecho de que la gente asigne poco peso a las experiencias previas también puede ser explicado
por la disponibilidad de la información sobre las ventas del último período.
Los sesgos que resultan de asignar probabilidades a eventos basados en su representativi-
dad, a menudo pueden ser reducidos o eliminados al separar la información general u original
de la nueva evidencia y actualizar la previa usando el Teorema de Bayes, para obtener así las
probabilidades revisadas. Por ejemplo, en el caso de tratar de determinar si una persona tiene
varicela, su médico sabe que “cada caso de varicela tiene manchas”. Luego puede hacer la
siguiente inferencia: “cada caso de varicela tiene manchas. Esta persona tiene manchas. Debe
tener varicela”. Este sesgo de representatividad surge pues cuando la información general no
es considerada cuidadosamente. En este caso de varicela, se debe recordar que la probabilidad
condicional de que una tenga manchas dado que tiene varicela no es igual a la probabilidad de
que tenga varicela dado que tiene manchas:
p(manchas/varicela, e) ≠ p(varicela/manchas, e)
Fijaciones y ajuste
Otra regla heurística utilizada con frecuencia por los individuos para asignar probabilidades
es comenzar con algún estimado inicial y ajustarlo hasta lograr un valor que parezca razonable.
Usualmente, el estimado inicial es la información más accesible, y las respuestas a las preguntas
del analista representan ajustes de ese estimado. Por ejemplo, el plan anual de la empresa es
empleado, con frecuencia, como el punto de partida disponible.
El problema con aplicar esta regla para asignar probabilidades es que, desgraciadamente,
se hace muy difícil realizar los ajustes de manera apropiada y el estimado final tiende a quedar
fijado cerca del estimado inicial, independientemente de lo arbitrario que haya sido.
Si se dispuso el plan de la empresa como punto de partida, tal vez el experto considere muy
descabellado alejarse significativamente de él, aunque hacerlo fuese necesario. Entonces, el
resultado será un sesgo central con una distribución de probabilidades muy concentrada (con
poca dispersión) y subestimación de la incertidumbre. La manera de contrarrestar este sesgo es
que el analista presente resultados extremos y solicite al experto brindar escenarios que pueda
explicarlos.
• 237 •
Dependencias implícitas
En este caso, la regla heurística consiste en asignar probabilidades a un evento sobre la base
de la facilidad para crearle un escenario verosímil. El evento se considera poco probable si no
se puede encontrar un escenario razonable; y probable si se pueden formular muchos o si un
escenario es especialmente coherente.
Utilizar este método puede generar un sesgo porque podría olvidarse de examinar las proba-
bilidades de los eventos que ocasionan el escenario. Es decir, para el experto, la credibilidad de
un escenario parece depender más de la coherencia con la que el autor lo ha creado y no tanto
de la probabilidad lógica e intrínseca de ocurrencia.
En este caso, el método heurístico consiste en hacer ciertos supuestos para facilitar el proceso
de asignación de probabilidades. El sesgo surge cuando se olvida de que se han hecho estos su-
puestos, y por tanto, la distribución de probabilidades no representará la incertidumbre total. Es
decir, que el condicionamiento implícito ocurre cuando el experto hace supuestos implícitos.
Hay dos maneras de contrarrestar este tipo de sesgo: primero, postular resultados extremos
y solicitar al experto describir los escenarios que los explican; y, segundo, examinar las proba-
bilidades de los eventos causantes de que estos escenarios en efecto ocurran.
También ayuda tener a mano una lista de los supuestos más comunes –libre fijación de pre-
cios en el futuro, posibilidad de huelgas, devaluación de la moneda, guerra, desastres naturales,
fuego, gran proceso de la competencia, etcétera– que el experto puede usar cuando exprese
sus opiniones o juicios.
También se pueden identificar los supuestos implícitos al pedir al experto que indique contra
qué le gustaría comprar un seguro y si él estaría dispuesto a invertir sus propios recursos usando
la distribución de probabilidades asignada.
8.5 EL PROCESO DE EVALUAR PROBABILIDADES
El hecho de que una persona sea experta en un área del problema en particular no significa
que será fácil obtener sus opiniones y juicios en términos de probabilidades. Ya se dijo que la
mayoría tiene dificultades para pensar en términos de incertidumbres, es decir, que no pueden
expresar sus conocimientos acerca de una variable en términos de una distribución de proba-
bilidades. Además, el problema de los sesgos hace que parezca virtualmente imposible obtener
una distribución de probabilidades confiable. Sin embargo, hay técnicas de evaluación que usan
conceptos simples, comprensibles por cualquier persona, los cuales han probado ser muy útiles.
Estas técnicas, combinadas con el proceso que se presenta a continuación, permiten neutralizar
los sesgos más comunes en la asignación de probabilidades a la ocurrencia de los diferentes
valores de las variables aleatorias.
El proceso es muy efectivo, pues los expertos usualmente ajustan sus respuestas significativas
en la dirección correcta, con lo que se logran distribuciones de probabilidades más dispersas.
Además, se puede obtener un alto grado de consistencia: los puntos que representan las res-
puestas del experto tienden a ubicarse en una curva suave y el grado de replicabilidad de las
respuestas es alto. Por último, los expertos logran tener confianza en los resultados generados
y se convierten en fervientes y entusiastas defensores del análisis.
• 238 •
El proceso de entrevista que se describe a continuación fue presentado por primera vez por
Spetzler y Staël von Holstein (1972), y consta de cinco fases bien demarcadas para minimizar
los sesgos. Ver figura 8.2.
En la primera, motivación, se establece la relación del analista con el experto y se explora la
posibilidad de que éste tenga sesgos motivacionales. En la segunda, estructuración, se establece
la estructura de la variable incierta que se quiere evaluar. En la tercera, condicionamiento, el
objetivo es lograr que el experto piense fundamentalmente en sus criterios y evite los sesgos
cognitivos. En la cuarta, evaluación, se cuantifica el criterio del experto en términos de probabi-
lidades. Finalmente, en la verificación, las respuestas obtenidas en la evaluación son examinadas
para lograr consistencia.
Figura 8.2: El proceso de valoración de cinco fases para minimizar sesgos
5.
5.
Verificación
Verificación
4.
4.
Asignación
Asignación
3. Condiciona-
3.
miento
Condicionamiento
2.2.
Estructuración
Estructuración
1.
1.
Motivación
Motivación
Cada fase consta de una serie de pasos que incorporan remedios para los sesgos más comu-
nes. El proceso podría parecer largo y detallado, pero muchos pasos sólo toman unos minutos
y su ejecución es tan natural que los detalles no son tan evidentes.
• 239 •
MOTiVACióN
En esta fase se establece la relación necesaria con el experto y se examina si existe una
posibilidad seria de sesgos motivacionales. Se explica al experto en qué consiste la tarea de
evaluación de incertidumbres, su importancia y el propósito de asignar probabilidades en el
análisis de decisiones. El analista debe explicarle el problema de decisión, describir el diagrama
de influencias y el modelo construido en la fase de análisis determinístico y mostrarle cómo
todos los factores inciertos serán considerados en el análisis. También se discute la diferencia
entre la predicción determinística mediante un solo valor y la probabilística, que se expresa
en una distribución de probabilidades. Todo ello garantiza que el experto pueda concentrarse
claramente en la tarea de evaluación.
El analista también debe explicar la importancia de valorar correctamente la incertidumbre
en la variable y enfatizar que la evaluación intenta medir el conocimiento del experto y su mejor
opinión o criterio, y no se trata de hacer una predicción o promesa. Esta distinción es clave sobre
todo cuando el analista detecta la posibilidad de que el experto tenga algún sesgo motivacional.
Además, ambos deben discutir abiertamente sobre la participación personal del experto en la
decisión y su relación con la variable a ser evaluada, para identificar cualquier asimetría en la
estructura de recompensas que pudiera incentivarlo a sesgar sus estimados hacia arriba o abajo.
Si mostrara una tendencia a ser motivacionalmente sesgado, debe ser descalificado.
ESTrUCTUrACióN
Los propósitos de esta fase son definir y estructurar claramente la variable e investigar lo
que el experto piensa de ella. Dado que esta variable es importante para la decisión, se debe
definir con precisión usando, por ejemplo, la prueba del clarividente; esto es, que pueda predecir
el valor que tomará, sin pedir aclaraciones adicionales. Como se mencionó anteriormente, un
clarividente (personaje ficticio) puede responder cualquier pregunta no ambigua acerca de lo
que ocurrirá en el futuro. Si se le pregunta ¿podría el clarividente responder a la pregunta? Por
ejemplo si se le pregunta ¿cuál será el precio del petróleo el próximo año?”. Probablemente
su respuesta será: “Yo no le puedo contestar. ¿Qué tipo de petróleo? ¿Dónde? ¿Exactamente
cuando en el año? ¿El precio de quién?…”. Es decir que “el precio del petróleo del próximo año”
no pasa la prueba del clarividente.
Luego, se explorará la posibilidad de desagregarla en sus componentes elementales; si esto
fuera necesario, se evaluará cada componente de manera individual. Así, el experto podrá res-
ponder de una manera directa las preguntas del analista. Si no se hiciera esta desagregación,
el experto tendría que considerar el comportamiento y las interacciones de sus componentes
antes de contestar a cada una de las preguntas.
El evaluador debe escoger la escala de medida apropiada; aquélla que es familiar para el
experto. Finalmente, se debe explicitar y hacer una lista de los supuestos que el experto está
empleando al considerar la variable. Se le debe solicitar pensar cuidadosamente en el problema
antes de comenzar la sesión de evaluación, para que discrimine la información relevante y evite
usar sólo la disponible al comienzo, pues luego puede surgir información que invalide todas las
respuestas iniciales; asimismo, debe evitar sesgos por asignar probabilidades sobre la base de
la información más disponible.
• 240 •
CONDiCiONAMiENTO
Su objetivo es averiguar el conocimiento relevante del experto con respecto a la variable
aleatoria de interés, lo cual permitirá evitar sesgos durante la evaluación.
Esta fase debe dirigirse a encontrar cómo es que el experto asignará las probabilidades,
revelar cuál información parece ser la más disponible, las fijaciones o estimaciones iniciales, los
supuestos implícitos, etcétera.
A menudo, en la conversación inicial con el experto se podrá verificar que sus opiniones y
criterios se basan tanto en información específica como general. Sin embargo, dado el proble-
ma de los sesgos resultantes de la regla de representatividad, puede ser apropiado evaluar las
probabilidades sobre la base de la información previa y luego actualizarla con la específica. En
cualquier caso, es útil que el experto tome conciencia de los sesgos que se producen al asignar
probabilidades con el método heurístico de la representatividad.
En esta fase también se deben contrarrestar los sesgos de fijación y disponibilidad, al lograr
que el experto especifique valores extremos de la variable y describa escenarios que los expliquen.
Esto también hará que los supuestos implícitos sean descubiertos. El analista debe pedir al experto
especificar las bases de información más importantes que está empleando, ya que tales valores
podrían actuar como fijaciones y producir sesgos centrales. Por ejemplo, los valores establecidos
en el plan actual de la empresa o los resultados de períodos anteriores tienden a actuar como
fijadores y hacer que la distribución de probabilidades esté muy centrada en ellos.
Finalmente, es importante pedir al experto especificar todos los supuestos condicionantes
que le servirán de base para evaluar la distribución de probabilidades, así como los factores que
esté considerando implícitamente en sus opiniones y juicios.
La estructura del problema podría cambiarse si se han logrado explicar algunos supuestos
condicionantes. Entonces la evaluación deberá hacerse condicionada al conjunto de supuestos
y probabilidades de que éstos se cumplan, deberían evaluarse separadamente, trabajando con
el mismo experto u otro.
EVALUACióN O ASigNACióN DE PrOBABiLiDADES

Su objetivo es cuantificar la incertidumbre luego de haber definido la variable con la mayor
precisión posible; haberla estructurado y establecido claramente la información útil. Cuantificar
las incertidumbres es posible utilizando “procesos de referencia” que facilitan la tarea. El más
efectivo es “la rueda de probabilidades”, que muestra la figura 8.3.
Figura 8.3: Rueda de probabilidades
Azul
Naranja
• 241 •
Como se explicó, la rueda de probabilidades es un disco con dos sectores, uno naranja y otro
azul, cuyas áreas relativas pueden ser variadas, y tienen un puntero fijo en el centro. Tras girar
la rueda, finalmente parará con el puntero en el sector naranja o azul. Por medio de un simple
ajuste se pueden cambiar los tamaños relativos de ambos sectores y, con ello, la probabilidad
de que el puntero termine en uno de los sectores cuando la rueda deje de girar.
El primer paso es pedir al experto que defina los valores extremos que pueda tomar la va-
riable aleatoria. Luego, el analista especificará valores más allá de los definidos por el experto
y le pedirá describir los escenarios que justificarían tales valores. También le solicitará asignar
probabilidades a los resultados que se encuentran mas allá de los valores extremos definidos por
él. Esto permitirá contrarrestar los sesgos centrales, pues al obtener escenarios que justifiquen
resultados extremos, el experto pensará necesariamente en información que no consideró an-
tes. Es posible que el experto asigne una mayor probabilidad a los resultados extremos, lo que
incrementará la variabilidad en la distribución asignada.
El siguiente paso es emplear la rueda de probabilidades. El analista elige un valor arbitrario
para la variable, el que no se encuentre muy al extremo del rango definido en el paso anterior,
pero tampoco sea el más probable ni el central. Este primer valor no debe ser muy significativo
para el experto con el fin de evitar que se produzca un sesgo central, concentrando en él la
distribución de probabilidades. Las primeras elecciones deben ser fáciles para el experto, para
que se sienta cómodo con la tarea de evaluación.
Una vez fijado un valor para la variable, se le preguntará: “¿Apostaría usted a que la variable
tomará un valor menor o que, tras girar la rueda, el puntero terminará en la región naranja?”. Si
el experto prefiere apostar a que la variable tomará un valor menor al establecido por el analista,
éste ampliará el área del sector naranja y repetirá la pregunta y el procedimiento hasta que el
experto sea indiferente a ambas propuestas. Otra manera de utilizar la rueda de probabilidades
es mantener fija el área naranja y cambiar el nivel de la variable hasta alcanzar el punto de
indiferencia para el experto, es decir, el analista ubica el punto en el cual el experto cree que
la probabilidad de los eventos –un valor menor que el establecido o que el puntero quede en
el sector naranja– es idéntica. Una manera rápida de controlar la exactitud de la respuesta es
formular la pregunta al revés. “¿Apostaría a que el valor de la variable será mayor que el esta-
blecido o el puntero terminará en azul?”. Esta reformulación llevará al experto a recapacitar
sobre la pregunta y a ajustar su respuesta si fuera necesario.
Detrás de la rueda existe una escala para medir la probabilidad de que el puntero termine en
la región naranja, la que será idéntica a la probabilidad de que el valor de la variable sea menor
que el establecido por el analista. Éste graficará entonces el valor de la variable y su probabilidad
como un punto en un diagrama de dispersión. El analista escoge otro valor para la variable bajo
estudio y vuelve a utilizar la rueda de probabilidades para identificar la probabilidad de que el
valor sea menor o igual a este segundo valor. El proceso, repetido para diferentes valores, se
graficará por medio de puntos en un diagrama de dispersión al cual se puede ajustar “a ojo” una
curva que representará la distribución de probabilidades acumulada. Cada iteración del proceso
dará origen a un punto que será graficado y numerado, para después buscar inconsistencias y
discontinuidades. Mediante este proceso, el analista podrá notar los cambios en la forma de
pensar del experto, pues verá desplazarse la curva a un lado u otro cuando el experto repenti-
namente considere una nueva información o cambie su manera de concebir la situación. Cuando
esto sucede, debe discutir los cambios en la manera de pensar del experto. Y estar dispuesto a
descartar todos los puntos anteriores si la perspectiva ha mejorado.
• 242 •
La duración de la sesión depende de la capacidad del experto para contestar las preguntas
y la facilidad de converger en respuestas coherentes. De igual forma, la importancia relativa de
la variable influirá sobre el tiempo necesario para evaluarla, y su significado para el problema
de decisión determinará el número de valores a evaluar y plasmar en el diagrama de dispersión.
En cualquier caso, el analista debe tratar de evitar los posibles intentos del experto de llegar a
conclusiones erróneas o de imponer una consistencia falsa en sus respuestas. Esto puede lograrse
al variar la forma de las preguntas y saltar de valores bajos a altos y viceversa, de manera que el
experto debe hacer un verdadero esfuerzo para contestar adecuadamente cada pregunta.
EJEMPLO DE UN DiáLOgO DE ASigNACióN DE PrOBABiLiDADES

El siguiente diálogo ilustra la forma de usar la rueda específica para obtener una distribución
de probabilidades que describa el nivel de incertidumbre en la participación de mercado al final
del primer año de lanzamiento del nuevo detergente, que piensa lanzar la compañía Proteger.
Se supone que ya se logró la motivación del entrevistado/experto, la definición y estructu-
ración de la variable en forma clara, y se ha establecido la información útil. Los interlocutores
son el analista de decisiones (A) y el decisor o el experto delegado del decisor (E).
El analista y el experto, con ayuda de la rueda de probabilidades descrita anteriormente,
inician el proceso de asignación de probabilidades al evento señalado.
A: ¿Cuál cree usted que será la mayor participación de mercado que se pueda alcanzar al
finalizar el primer año de lanzamiento del detergente?
E: En mi opinión, a lo mucho podrá alcanzarse un 35% de participación de mercado para
el nuevo detergente.
A: ¿Y cuál considera que sería la menor participación posible?
E: La menor sería del 12%.
A: Supongamos que la participación de mercado del detergente fuese del orden del 40%
a finales del primer año, ¿en que situación considera usted que se podría alcanzar ese
nivel?
E: Para alcanzar esa participación, sería necesario efectuar grandes inversiones en publicidad,
promociones y en los canales de distribución. Además, la competencia habría demorado
en reaccionar ante la inserción de nuestro nuevo producto.
A: Entonces, ¿cuál considera que sería la probabilidad de que se alcance una participación
de mercado mayor al 35%?
E: ¿Mayor al 35%?, a lo mucho un 5%, no más.
Entonces el analista establecerá un punto en el diagrama de dispersión de la distribución

de probabilidades acumulada con estos valores: participación de mercado en el orden de un
35% y probabilidad de este valor o menos del 95%. En la figura 8.5, este punto está denotado
como (1).
• 243 •
A: Y, si la participación alcanzada fuese del 7%, ¿qué debería haber ocurrido?

E: Bueno, definitivamente las campañas de publicidad no habrían dado el resultado espera-
do. Y la competencia debería ofrecer promociones mucho más baratas que la del nuevo
detergente.
A: Entonces, ¿qué probabilidad asignaría a una participación de mercado menor al 12%?
E: (Después de pensar un rato.) Yo diría que del 8%.
Ahora el analista establece otro punto en el diagrama de dispersión para representar esta
afirmación, punto (2).
Luego, el analista usa la rueda de probabilidades y selecciona un valor que no sea extremo
para el experto.
A: ¿Apostaría usted a que la participación de mercado tomará un valor menor o igual al 15%
o que, tras girar la rueda, el puntero terminará en la región naranja? (Ver figura 8.4(A))
Figura 8.4: Uso de la rueda de probabilidades
(A) (B) (C)
Naranja
Naranja
Azul Naranja Azul Azul
E: A que el puntero terminará en la región naranja.

(El analista achica el área naranja, ver figura 8.4 (B))
A: Y ¿ahora?
E: En realidad, todavía prefiero apostar a que el puntero termine en la región naranja.
(El analista achica más el área naranja, ver figura 8.4(C))
A: Está bien, y ¿qué le parece ahí?
E: Ahí… me daría lo mismo.
A: Entonces, ¿estaría indiferente a apostar a que el valor de la variable será menor que el
15% o el puntero terminará en naranja?
E: Mmm, en realidad sí.
En ese momento, el analista revisará la parte de atrás de la rueda que, como se mencionó
anteriormente, contiene una escala de probabilidades. Dibujará el valor de la variable, con su
respectiva probabilidad (12%) en el diagrama de dispersión, punto 3 en la figura 8.5.
Continuará con el mismo procedimiento para diferentes valores, como se explicó anteriormente.
Producto de este proceso se tendrá los diferentes puntos representados en la figura 8.5.
• 244 •
Figura 8.5: Diagrama de Dispersión
1.0
(1)
X
.9
X
X
.8
.7 X
X
.6
X
.5
X
.4
.3 X
X
.2 (3)
X
(2)
.1 X
X
X
0
0 5% 10% 15% 20% 25% 30% 35% 40%
Participación de Mercado
VEriFiCACióN
En la última fase del proceso de evaluación, las opiniones y criterios del experto, obtenidos
durante la asignación de probabilidades, son sometidos a prueba para constatar si él realmente
cree en ellas. Se le presentan sus respuestas graficadas como puntos en una distribución de
probabilidades acumulada y se explica su significado con el fin de escuchar sus comentarios
y sugerencias, los que se utilizarán como retroalimentación. Si es necesario, se hacen nuevas
iteraciones de las fases previas.
La distribución de probabilidades acumulada estimada corresponde a una variable continua.
A su vez, esta distribución se discretiza en una distribución de escalera para facilitar la inter-
pretación de las probabilidades asignadas, visualizar el significado de las respuestas del experto
y motivar comentarios adicionales.
Por ejemplo, la distribución graficada puede haber resultado bimodal, mientras que el experto
afirma que debería ser unimodal; o puede darse que tenga extremos exagerados y el experto
considere que no refleja su conocimiento. Si algunas respuestas no son consistentes con el
criterio final del experto, la distribución debe ser modificada.
Para verificar si el experto considera que la distribución de probabilidades refleja adecuada-
mente su conocimiento, el analista puede preguntarle si estaría dispuesto a apostar su dinero
según estos valores y establecer intervalos con iguales probabilidades de ocurrencia, basándose
en la distribución acumulada, para observar si el experto tiene dificultad en escoger a cuál
intervalo apostar.
• 245 •
Antes de terminar con la entrevista, el analista debe haber planteado entre tres y cinco preguntas
para verificar las respuestas de indiferencia del experto, lo cual ofrecerá la seguridad necesaria
de que la distribución realmente representa su conocimiento respecto de la variable.
8.6 APROXIMACIÓN DISCRETA A LA DISTRIBUCIÓN DE PROBABILIDADES
El resultado del proceso de evaluar o asignar probabilidades se representa en un conjunto

de puntos y una curva ajustada a ellos, como se muestra en la figura 8.6. Para el modelo pro-
babilístico –que consta del árbol de decisiones y modelo financiero– es necesario hacer una
aproximación discreta a esta distribución acumulada, para lo cual se establece un número de
rangos mutuamente excluyentes y colectivamente exhaustivos; es decir, que no se sobrepongan
y cubran todos los posibles valores de la variable. Una vez establecido el número de rangos, se
determinan las probabilidades que el valor de la variable esté en cada uno de ellos y luego se
escoge un valor que represente cada rango establecido. Por este procedimiento se convierte
una variable continua en una discreta.
Ésta es la técnica más usada y consiste en escoger el número de resultados a considerar en
la aproximación discreta y los valores de las probabilidades asociados a cada uno de ellos.
Figura 8.6: Distribución de probabilidades acumuladas resultantes del proceso de

evaluación.
1.0
(1)
X
.9
X
X
.8
.7 X
X
.6
X
.5
X
.4
.3 X
X
.2 (3)
X
(2)
.1 X
X
X
0
0 5% 10% 15% 20% 25% 30% 35% 40%
Participación de Mercado
• 246 •
Entonces, se traza una línea horizontal a través de las probabilidades escogidas. Para la de
la figura 8.6 se ha escogido el número de resultados igual a tres. También se han seleccionado
las probabilidades asociadas con estos resultados: 0.25 para el rango menor, trazando una línea
horizontal en 0.25; 0.50 para el rango medio, trazando una línea horizontal en 0.25 + 0.50 =
0.75; y 0.25 para el rango mayor, trazando una línea horizontal en 0.25 + 0.50 + 0.25 = 1.00,
como muestra la figura 8.7.
Luego de haber escogido las probabilidades asociadas a cada rango, se requiere definir el
valor que represente a cada uno o su promedio. Esto se hace trazando una línea vertical en un
punto del primer rango; por ejemplo A, de tal manera que el área sombreada a la izquierda de
la línea vertical sea igual al área sombrada a la derecha, en busca de la mejor aproximación. Las
dos áreas sombreadas están marcadas con las letras “a”. De igual manera, se escoge un punto
B en el segundo rango, donde se traza la línea vertical que iguala el área de la izquierda con la
de la derecha, ambas marcadas con “b”. Finalmente, se hace lo mismo con el tercer rango y se
obtiene el punto C, como muestra la figura 8.7.
Figura 8.7: Aproximación de una aproximación discreta a una distribución continua
Probabilidad 1.0
Acumulada (1)
1.0
1.0 X c
.9
0.9
0.9
X
X
.8
0.8
0.8 c
.7 X
0.7
0.7 X
.6 b
0.6
0.6 X
.5
0.5
.40.5
X
.30.4
0.4
X
bX
0.3
.20.3 (3)
X
(2)
0.2
.10.2 X a X
X
00.1
0.1
0 5% a10% 15% 20% 25% 30% 35% 40%
0.0
0.0
B
A Participación
x B de Mercado
y C
El resultado es que se ha aproximado la distribución de probabilidades continua a una dis-

creta, la cual se presenta en la figura 8.8 en forma de árbol.
Los valores de A, B y C serán utilizados en el árbol de probabilidades para representar los
posibles valores de la variable aleatoria evaluada. Este mismo procedimiento se repetirá con las
otras variables aleatorias críticas cuyas probabilidades se asignan en el proceso de evaluación.
• 247 •
El procedimiento es efectivo porque se divide la distribución de probabilidades continua en

rangos con probabilidades definidas mediante las líneas horizontales. En la figura 8.7 se aprecia
que el primer rango va desde menos infinito hasta x con probabilidad de 0.25. El segundo, de x a
y con probabilidad de 0.50. El tercero, de y a infinito y tiene una probabilidad de 0.25. Escoger el
punto A de tal manera que las áreas sombreadas fueran iguales fue una manera visual de encon-
trar el valor esperado del rango menor; esta afirmación se puede probar empleando el cálculo.
Seleccionar el valor esperado de todos los valores inciertos en el rango, para representarlo, es
una aproximación lógica muy utilizada.
Figura 8.8: Distribuciones de probabilidades discreta
A
0.25
B
0.50
C
0.25
Determinar el número de rangos y sus probabilidades depende del tipo de distribución identi-
ficada en la asignación de probabilidades. Si bien es cierto que la aproximación a la distribución
evaluada mejora a medida que se establecen más rangos, el tamaño del árbol de decisiones
crecerá rápidamente y, por tanto, el tiempo y costo de computación será también mayor. Dos a
cuatro ramas para cada distribución evaluada producen una buena aproximación. Se emplearán
dos ramas cuando la distribución de probabilidades evaluadas sea bimodal.
8.7 RESUMEN Y CONCLUSIONES
En el Análisis de Decisiones es de vital importancia la alta calidad en las distribuciones de

probabilidades para las variables aleatorias cruciales identificadas en el análisis de sensibilidad. A
pesar de que los sesgos motivacionales y cognitivos tienden a reducir esta calidad, atender cui-
dadosamente los cinco pasos del proceso de evaluación puede mejorarla significativamente.
El tiempo que toma el proceso depende de la importancia de la variable, de la disposición y
el deseo de colaborar del experto entrevistado y de la experiencia del analista. Normalmente,
debe tomar de una a tres horas. Si los recursos permiten tener un segundo analista para que
registre los datos y observe las reacciones del experto, se reducirá el tiempo de la entrevista y
mejorará la revisión de los resultados.
El usar la rueda de probabilidades como mecanismo de evaluación es muy efectivo, y los
expertos tienden a aceptarla y adaptarse a ella con rapidez, pues produce resultados que expertos
y analista valoran favorablemente. Como en todo análisis cuantitativo, el verdadero valor de la
evaluación de probabilidades está dado no tanto por si produce o no el resultado esperado sino
porque brinda al decisor mayor comprensión, entendimiento y transparencia del problema. inde-
pendientemente de si estos métodos cuantitativos son exactos o no, los decisores deben seguir
tomando decisiones a partir de un conocimiento incompleto de su entorno (incertidumbre).
• 248 •
viii. PrObLEmAs
1. Diga si las siguientes afirmaciones son verdaderas o falsas:
a. El decisor, al designar a una persona como su experto para evaluar la incertidumbre

de una variable en particular, debe aceptar ciegamente la información del experto
como su input para el análisis.
b. Es mejor llevar a cabo el proceso de asignación de probabilidades en público para
asegurarnos de que las evaluaciones del experto reflejan su criterio.
c. Los sesgos motivacionales del entrevistado son ajustes conscientes o inconscientes que
éste produce sistemáticamente en sus respuestas debido a la manera en que procesa
intelectualmente sus percepciones.
2. ¿Pueden diferir las probabilidades asignadas por dos expertos a una misma variable alea-
toria?
3. ¿Qué características debe cumplir la persona que participará en la evaluación (el experto)?
4. ¿Qué tipos de sesgos se dan en la evaluación de probabilidades? Explique brevemente cada

uno.
5. ¿Cuáles son las reglas heurísticas que generalmente ocasionan sesgos cognitivos?
6. ¿Cuáles son las cinco fases del proceso de entrevista presentado por Spetzler y Staël Von
Holstein por primera vez en 1972?
7. En relación a la fase de Motivación, los objetivos son (diga si es verdadero o falso):
a. Explicar la importancia de la valoración de la incertidumbre bajo análisis.

b. Descalificar al experto, si éste muestra sesgos cognitivos.
c. Definir la variable con claridad para el experto para evitar evaluar la incertidumbre
equivocada.
8. Diga a qué fase corresponde cada una de las siguientes proposiciones:
a. Evaluar los casos extremos, para evitar los sesgos centrales.

b. Explicitar todos los supuestos que el experto utiliza para realizar la evaluación.
c. Enfatizar que lo importante es el conocimiento del experto y no su capacidad de
predecir el valor que tomará la variable en cuestión.
• 249 •
CAPÍTULO 9
EvALUACión dE LAs PrEfErEnCiAs

COn rEsPECTO AL riEsgO
• Introducción
• Un lenguaje para evaluar la actitud frente al riesgo
• La base teórica para evaluar la actitud frente al riesgo
• La función de utilidad
• Uso de la función de utilidad
• Estimación de las funciones de utilidad
• Prueba de la existencia de una función de utilidad
• Una función de utilidad exponencial
• Formas de la curva de utilidad requerida por la

propiedad delta
• Resumen y Conclusiones
• Problemas
• 251 •
9.1 INTRODUCCIÓN
Las preferencias del decisor son una de las bases fundamentales de toda decisión. Éstas
pueden referirse a su valoración de los resultados de la decisión, a su deseo de obtener los
resultados lo antes posible y a su actitud frente al riesgo.
Si bien valorar los resultados y las preferencias con respecto al tiempo es muy importante,
probablemente el aspecto más extraordinario del Análisis de Decisiones es su habilidad para
considerar de manera explícita las preferencias con respecto al riesgo. Se utiliza este concepto
para describir el hecho de que la mayoría de las personas no está dispuesta a escoger entre al-
ternativas simplemente por medio de comparar sus valores esperados o esperanzas matemáticas.
La mayoría de las personas es adversa al riesgo; la actitud típica es preferir obtener un menor
valor, pero seguro, en lugar de un mayor valor esperado de una proposición incierta.
El objetivo de este capítulo es exponer las preferencias con respecto al riesgo y mostrar
cómo puede aplicarse para escoger de una manera lógica y consistente entre proposiciones
cuyos resultados son inciertos. La base del estudio de las preferencias es la Teoría de Utilidad,
desarrollada por John von Neumann y Oskar Morgenstern (1944).
Para lograr el objetivo de establecer una actitud consistente frente al riesgo, se utiliza un
lenguaje simple, que se explicará en la sección 2. Si el decisor está dispuesto a aceptar un conjunto
de axiomas (reglas de comportamiento) con respecto al riesgo, que se presentan en la sección
3, sus preferencias pueden ser representadas por una curva de utilidad. También se ilustra cómo
usar la curva de utilidad para comparar diferentes proposiciones inciertas, llamadas loterías. La
función de utilidad sería de poco valor para el decisor si no existiera un procedimiento simple
para evaluarla, el cual se expondrá en la sección 6.
Sobre la base de los cinco axiomas de comportamiento frente al riesgo, se prueba que existe
una función de utilidad cuya propiedad es permitir escoger la alternativa con la mayor utilidad
esperada y lograr consistencia en elegir la mejor alternativa en diferentes situaciones de de-
cisión. Igualmente, se prueba que si se acepta un sexto axioma llamado la propiedad delta, se
logra una curva de utilidad lineal o exponencial, la que simplifica los cálculos para elegir entre
alternativas disponibles.
En términos analíticos, en este capítulo existen algunas secciones difíciles, pero lo son de
alguna manera tangenciales al desarrollo principal del tema. Éstas están señaladas con un
asterisco (*).
9.2 UN LENGUAJE PARA EVALUAR LA ACTITUD FRENTE AL RIESGO
El valor esperado frecuentemente no es un criterio satisfactorio para elegir en situaciones

de riesgo que involucran grandes incertidumbres y son verdaderamente importantes para las
personas o empresas. Por ejemplo, ¿cuántas personas estarían dispuestas a jugar una lotería
con igual probabilidad de ganar $1,000 o perder $800? Una decisión racional basada en el
valor esperado sería jugar (J) a la lotería, ya que su valor esperado es de $100, pero la mayoría
preferiría no jugar (J’). La figura 9.1 muestra, de manera esquemática, esta elección, indicada
por la flecha en la rama (alternativa) preferida.
• 252 •
• Capítulo 9 • Evaluación de las preferencias con respecto al riesgo
Se dirá que una persona es adversa al riesgo si al tener que elegir entre las alternativas J y
J’, escoge aquélla con menos riesgo (J’). Si se tuviera que analizar la razón implícita para esta
elección podría argüirse que perder $800 perjudicaría mucho más de lo que beneficiaría ganar
$1,000, lo que es un ejemplo de lo que los economistas llaman la “utilidad marginal decreciente
del dinero”.
Para tratar con situaciones de este tipo –elegir entre proposiciones inciertas– se requiere de
un lenguaje adecuado. En este texto se usa el término técnico lotería para describir cualquier
proposición incierta. Cuando se participa en una, se recibirá uno y sólo uno de los premios o
castigos especificados. Por convención, un castigo equivale a un premio negativo. Cada premio,
positivo o negativo, tiene asociada una probabilidad de ser obtenido. Así, la proposición descrita
como J en la figura 9.1 es una lotería con dos premios, $1,000 y -$800, y las probabilidades aso-
ciadas son de 0.50 (es una lotería equiprobable). La lotería será más favorable si la probabilidad
de ganar $1,000 se incrementa; o menos favorable, si la de perder $800 crece.
Figura 9.1: Jugar o no jugar una lotería
$ 1000
0.5
J
- $ 800
0.5
J' $0
Los premios de una lotería podrían ser tan extraños como “obtener una suscripción por
cinco años al periódico más vendido en Lima”, “contraer el cólera”, etcétera. Se trata de loterías
insólitas, y si bien sería interesante especular acerca de ellas, las de mayor interés práctico son
las que tienen premios mensurables en una sola unidad, como el tiempo o, más usualmente, el
dinero. En este caso, la lotería esComo se explicó
una variable en elainteresa
aleatoria sección 5 del de
al Análisis capítulo 3, la elección entre las
Decisiones.
alternativas en un problema de decisión, consiste en comparar “loterías de
Como se explicó en la sección 5 del capítulo
rentabilidad”, las3,cuales
la elección entre laslaalternativas
describen incertidumbreen unen
problema
la equivalencia presente
que “loterías de rentabilidad”,
de decisión consiste en comparar resulta de asignar probabilidades a lasla variables
las cuales describen incertidumbre aleatorias para cada
en la equivalencia presente quealternativa
resulta dedada.
asignarTambién se dijoa las
probabilidades quevariables
si no existe “dominación
aleatorias para estocástica”,
cada alternativa dada. También debe evaluarse
se dijo que si nolaexiste
actitud del decisor frente al debe
“dominación estocástica”, riesgo para determinar la mejor
evaluarse
la actitud del decisor frente alternativa.
al riesgo para determinar la mejor alternativa.
Si el decisor está dispuesto a aceptar el criterio del valor esperado (VE),
Si el decisor está dispuesto a aceptaren
entonces el criterio del valor
la situación que esperado
expone (VE),
la entonces
figura 9.1en la situa- la alternativa de
preferirá
ción que expone la figura 9.1jugar
preferirá
(J), la
puesalternativa
le asigna de jugar (J), pues le asigna
un equivalente un equivalente
monetario cierto de $100, el cual es
monetario cierto de $100, que mayor al resultado
es mayor $0 de
al resultado $0ladealternativa de de
la alternativa no no
jugar (J’).
jugar (J’).
VE ( J ) 0.5(1,000 ) 0.5( 800 ) $100

VE ( J ' ) 0
Pero, si el decisor no está dispuesto

Pero, sia seguir el criterio
el decisor no VE y prefiere
está la alternativa
dispuesto a seguirdeelnocriterio
jugar VE y prefiere la
(J’), significa que está evaluando la lotería
alternativa de con un valor
no jugar (J’),menor que que
significa su VE. De evaluando
está hecho, desdelaellotería con un valor
punto de vista práctico mucha menor
gente que su VE.
preferirá De hecho,
no jugar; desde elnopunto
el valor esperado de vista
representa práctico mucha gente
fielmente
preferirá
la manera de pensar de la mayoría de no jugar;con
personas el respecto
valor esperado no representa
a proposiciones fielmente
inciertas. Si bien la manera de
pensar de la mayoría de personas con respecto a proposiciones inciertas. Si
bien están dispuestas a aceptar el valor esperado como • 253 criterio
• de decisión
para inversiones pequeñas, para inversiones cuantiosas están dispuestas a
ceder parte del valor esperado con el fin de evitar la incertidumbre y el riesgo.
La tarea es incorporar esa actitud en el criterio de decisión.
Los efectos de la actitud frente al riesgo pueden ser incorporados al Análisis
de Decisiones usando la idea de la equivalencia cierta (EC) para poder
están dispuestas a aceptar el valor esperado como criterio de decisión para inversiones pequeñas,
para inversiones cuantiosas están dispuestas a ceder parte del valor esperado con el fin de evitar
la incertidumbre y el riesgo. La tarea es incorporar esa actitud en el criterio de decisión.
Los efectos de la actitud frente al riesgo pueden ser incorporados al Análisis de Decisiones
usando la idea de la equivalencia cierta (EC) para poder comparar diferentes loterías. La EC de
una lotería es la cantidad por la cual un individuo vendería una que fuera suya; es decir, la EC
es el precio mínimo de venta de la lotería. Si alguien ofrece un poco más que la EC, el dueño lo
aceptará; pero si se ofrece un poco menos, rechazará la propuesta y no la venderá. Esta idea se
utilizará en adelante para valorar diferentes loterías.
Suponga el lector que ganó un billete que lo hace dueño de la lotería en la figura 9.2. Ni
siquiera está seguro de si le gustaría participar. Incluso, se siente inclinado a decir “gracias” y
no jugar. Pero ésta no es una opción; la lotería es suya y simplemente tiene el derecho a lanzar
una moneda y ganar $1,000 si cae cara, o perder $500 si cae sello o ceca. Sin embargo, tiene
el derecho a ceder la lotería a otra persona, vendiéndola o no, en caso extremo, pagarle para
deshacerse de ella. ¿Cuánto vale para usted la propiedad de esta lotería?
Figura 9.2: Lotería
cara
$1000
0.5
sello
-$500
0.5
Tal vez pensará que si ganaba los $1,000, logrará hacer muchas cosas que le gustaría. Pero,
si cayera sello o ceca, perderá $500 y tendrá que hacer algunos sacrificios para compensar ese
egreso.
Por otro lado, puede considerar que perder $500 no lo hará muy desgraciado, por tanto, la
lotería no es una proposición tan mala.
¿Y si tuviera que venderla? ¿Por cuánto lo haría? ¿Trescientos o $200 le vendrían mal? ¿Qué
tal $150? Podría no querer venderla por tan poco. Usted llega a la conclusión de que si pudiera
obtener $200, tomaría esta cantidad por segura, pero ni un centavo menos. Entonces, la equi-
valencia cierta o equivalencia monetaria cierta de esta lotería es $200.
Debe notarse que la EC de una lotería específica es la evaluación subjetiva de un individuo
en particular. Es decir, que las evaluaciones personales serán diferentes debido a las distintas
actitudes y circunstancias financieras que rodean a cada individuo. El punto clave es que la
equivalencia cierta es el concepto básico para elegir entre diferentes loterías.
Si un decisor tiene la posibilidad de elegir entre dos loterías, L1 y L 2, y establece sus equiva-
lencias ciertas, preferirá la lotería que tenga la mayor de ellas. Esto implica que el decisor debe
ser consistente de su evaluación de las diferentes loterías. El objetivo de la teoría de preferencia
frente al riesgo es establecer esta consistencia.
• 254 •
diferentes debido a las distintas actitudes y circunstancias fina
de un individuo
Debe notarse
rodean en a particular.
cadaque la Es
ECdecir,
individuo. deElunaque las
lotería
punto evaluaciones
clave específica
es que es lapersonales
la evaluación
equivalencia se
diferentes undebido
de concepto individuo a las
en distintas
particular. actitudes
Es decir, y
básico para elegir entre diferentes loterías. quecircunstancias
las evaluaciones financieras
persona
rodeandiferentes
a cada Si un individuo.
debido
decisor a Eltiene
laspunto claveactitudes
distintas
la posibilidad es que de la y equivalencia
entre doscierta
circunstancias
elegir financ
loteríae
concepto básico
rodean a para
cada elegir entre
individuo. diferentes
El punto loterías.
clave
establece sus equivalencias ciertas, preferirá la lotería que tenga es que la equivalencia ci
Si concepto
un ellas.
decisor tienepara
básico
Esto la posibilidad
elegir el entre de elegir
diferentes entre dos loterías,
loterías. y L
L 1evalu
• Capítulo 9 • Evaluación
establece sus deimplica
equivalencias
que
las preferencias
ciertas,
decisor
con debe ser
respecto
preferirá la al consistente
riesgo
lotería que tenga
en su
la mayor
diferentes loterías. El objetivo de la teoría de preferencia frenteL
Si un decisor tiene la posibilidad de elegir entre dos loterías,
ellas. Esto implica
establece
establecer sus que el consistencia.
decisor debe
equivalencias
esta ser consistente
ciertas, preferirá la lotería en su evaluación
que tenga de la
Una manera de apreciar el diferentes
efectoellas. loterías.
de una Estoactitud El
implica objetivo
adversaque alel de la
decisor
riesgo es teoría
debe
mediante de
Una manera de apreciar el efecto de una actitud adversa serelpreferencia
consistente
concepto frente
en su al riesgo
evaluac
establecer
de premio al riesgo (PR), el que se define esta
comoconsistencia.
diferentes
mediante loterías.
la diferencia
el conceptoElentre
objetivo deesperado
el valor
de premio la teoría y lade
al riesgo preferencia
equi-
(PR), el cual frente
se de al
Una manera
establecer
valencia cierta de una lotería específica. de
esta apreciar
consistencia. el efecto de
diferencia entre el valor esperado y la equivalencia cierta deuna actitud adversa al riesgo
mediante específica.
el concepto
Una manera de de premio
apreciaralelriesgo efecto(PR), de una el cual se define
actitud adversacomo al
diferencia
mediante el concepto de premio al riesgo (PR), el cualdeseuna
entre el valor esperado y la equivalencia cierta lot
define
específica.
diferencia
PR VE EC entre el valor esperado y la equivalencia cierta de u
específica.
PR VE EC
Así, el premio al riesgo es la cantidad del valor esperado qu
PRestá VEdispuesto
EC a sacrificar para evitar el riesgo.
Así, el premio al riesgo es la cantidad del valor esperado que un decisor está dispuesto a En el ejemplo de
Así, elsepremio
tiene: al riesgo es la cantidad del valor esperado que un dec
sacrificar para evitar el riesgo. En el ejemplo de la figura 9.2, se tiene:
está dispuestoAsí, ela premiosacrificar al para
riesgo evitar
es lael cantidad
riesgo. En delel valor
ejemploesperadode la figura
que u
se tiene:estáVEdispuesto a sacrificar
0.5(1,000) 0.5( 500) $250 para evitar el riesgo. En el ejemplo de la
se tiene:
VE 0.5(1,000) 0.5( 500) $250
Por lo tanto:
VE 0.5(1,000) 0.5( 500) $250
Por lo tanto: PR 250 200 $50
Por lo tanto: Por lo tanto:
PR 250 200 $50
El premio al riesgo tiende a aumentar a medida que el monto de
PRde 250 200 aumentan,
la lotería $50 y la equivalencia cierta se convierte en
El premio al riesgo
cada vez menor del tiende a aumentar a medidaAdemás,
valor esperado. que el montocuando de losla prem
ince
de la lotería El aumentan,
premio al y
riesgo la equivalencia
tiende a aumentar cierta
máxima, el valor asignado con el criterio de la equivalencia ciertaa se
medidaconvierte
que elen una
monto fracc
de los
El premio al riesgo tiendecada vez
a aumentar lamenor
de mínimo alotería
medida del que valor
aumentan,
el esperado.
monto y la
de los Además,
equivalencia
premios de cuando
cierta
la
en relación con el asignado bajo el criterio del valor esploteríase la incertidumbre
convierte en un
aumentan, y la equivalenciamáxima, seel
ciertacada valor
vez asignado
convierte
relaciones menor
ensonunadel con
fracción
ilustradas el criterio
valor cada
en lavezde
esperado. la equivalencia
menor
lotería Además,
del la
de valor cierta
cuando
figura 9.3, lase
que reducir
incertid
consi
esperado. Además, cuando lamínimo en
una cierta cantidad denotada en forma genérica $XXX, con unaseEs
máxima,
incertidumbre relación
eselmáxima,con
valor el
el asignado
asignado
valor con
asignado bajo
el el
criterio
con el criterio
de
criteriola del valor
equivalencia
de la esperado.
cierta prr
equivalencia cierta se reducirárelaciones
mínimo
al mínimo son
en enilustradas
relación
relación con en
elcon la lotería
el
asignado
y ganar nada, con una probabilidad de 1-p. asignado
bajo de
el la figura
bajo
criterio el
del 9.3, que
criterio
valor del consiste
valor en
espera ga
esperado. Estas relaciones son unailustradas
cierta cantidad
relaciones son
en la lotería denotada
ilustradas en en
de la figura formalaque
9.3, genérica
lotería
consiste de $XXX,
la ganarcon
en figura unaque
9.3, probabilida
consiste
y ganar
una cierta cantidad denotada en forma nada,
una genérica con
cierta cantidaduna
$XXX, conprobabilidad
denotada de 1-p.
en forma
una probabilidad p, ygenérica
ganar nada, $XXX, con una proba
con una probabilidad de 1-p. y ganar nada, con una probabilidad de 1-p.
Figura 9.3: Lotería binaria con probabilidades no definidas
$ XXX
p
$0
1-p
Si p = 0.5, entonces el valor esperado de la lotería será (XXX/2). La figura 9.4 muestra cómo
a medida que aumenta el premio XXX de la lotería, el cual es la cantidad en riesgo, también lo
hace el PR, y la EC se convierte en una fracción cada vez menor del VE.
• 255 •
Figura 9.4: Dependencia del PR de la cantidad en riesgo
Valor asignado
500 VE
PR
VE
EC
EC
Premio
1000
Por otro lado, la figura 9.5 expone que si se fija el premio en una cantidad dada, por ejemplo
$1.000, pero se varía la probabilidad (p) de ganar este premio, el PR será mayor en la región
donde la incertidumbre es mayor (i.e., cuando p está alrededor de 0.5).
Figura 9.5: Dependencia del PR del nivel de incertidumbre
Valor asignado
VE
PR
EC
p
0.5 1
En general, si el premio al riesgo es igual a cero, entonces el valor esperado es igual a la

equivalencia cierta y se dirá que el decisor es neutral al riesgo; pero si PR ≠ 0, se afirmará que
es sensible al riesgo. Si el PR es positivo, el decisor es adverso al riesgo; si el PR es negativo,
• 256 •
será favorable al riesgo. Dado que en el Análisis de Decisiones la aversión al riesgo es el caso de
mayor relevancia, se lo considera en el resto del capítulo.
En conclusión: el decisor podría, en principio, elegir entre proposiciones inciertas a partir de
calcular la equivalencia cierta de cada una y escoger aquélla con la EC más alta. De hecho, esto
es lo que toda persona hace intuitiva e inconscientemente cuando enfrenta una decisión con
incertidumbre. Sin embargo, este método tiene tres problemas básicos: es virtualmente imposible
ser consistente en diferentes problemas de decisión; no es posible delegar a otras personas la
propia posición con respecto al riesgo; y consume mucho tiempo y esfuerzo cuando se deben
tomar varias decisiones.
Si la equivalencia cierta es la evaluación subjetiva que hace un individuo del precio de venta
de una lotería, entonces el asunto es cómo lograr consistencia en la asignación de equivalencias
ciertas. ¿Sería posible asignar diferentes EC a la misma lotería en días sucesivos, aún cuando
no hubiera sido nuestra intención? De hecho, ojalá existiera una manera sólida de hacer estas
evaluaciones.
El segundo y el tercer problema son aún más serios. Evaluar directamente la EC implica que
cada lotería debe ser presentada al decisor para que le asigne su equivalencia cierta antes de
tomar cualquier decisión. No se conoce una manera efectiva de delegar la política de la institu-
ción con respecto al riesgo, de modo que los colaboradores del decisor pudieran escoger entre
proposiciones inciertas con la seguridad de estar haciendo lo que haría el decisor.
Por estas razones, se debe establecer un criterio de decisión que permita al decisor explicitar
sus preferencias con respecto al riesgo. Este criterio de decisión debe ser consistente y brindar
un procedimiento para delegar las actitudes frente al riesgo. Debe ser aplicable a todas las
decisiones, fácil de comunicar y estar basado en principios sólidos.
9.3 LA BASE TEÓRICA PARA EVALUAR LA ACTITUD FRENTE AL RIESGO
El criterio para tomar decisiones en forma consistente se basa en cinco axiomas que no
describen el comportamiento de la mayoría de las personas en la toma de decisiones, pero en
la práctica, la mayoría tampoco se comporta como debería. De hecho, la razón fundamental
para adoptar una teoría normativa del comportamiento de decidir entre alternativas (i.e. una
teoría de lo que debe hacerse), reside en comprobar que cuando la toma de decisiones depende
únicamente del criterio personal y de la evaluación subjetiva, los resultados suelen ser interna-
mente inconsistentes1. Esto indica que, probablemente, los individuos podrían tomar mejores
decisiones.
Los cinco axiomas, base de la teoría normativa del comportamiento electivo, establecen un
conjunto de creencias para la toma de decisiones que la mayoría de personas podría aceptar con
agrado. Si se decide actuar de acuerdo con ellos, será posible establecer una función de utilidad
que describa la actitud con respecto al riesgo. Esta función de utilidad puede ser utilizada de
una manera muy simple para calcular la EC de cualquier lotería, y se obtiene fácilmente, averi-
guando cuál es la EC de unas cuantas loterías simples. Para la mayoría de personas y empresas
las funciones de utilidad pueden ajustarse para un rango razonable de resultados mediante una
1
Ver: Kahneman & Tversky (1974).
• 257 •
función exponencial con un solo parámetro, llamado la tolerancia al riesgo. Esto hará que la
tarea de expresar y comparar las actitudes frente al riesgo sea muy simple.
A continuación se describen los cinco axiomas de comportamiento normativo de elección.
AXIOMA 1: ORDENAMIENTO Y TRANSITIVIDAD

Establece que el decisor siempre debe ser capaz de determinar sus preferencias entre los
diferentes resultados de una lotería. Si se le ofrecen un par de resultados A y B, será capaz de
establecer si prefiere A, (A  B), si B, (B  A), o que simplemente, le son indiferentes, (A~B). Nunca
se recibirá del decisor una respuesta como: “No puedo decir si prefiero uno más que otro” o “No
puedo comparar estos resultados”.
Además se requiere que sus preferencias sean transitivas:
Si A  B y B  C , entonces A  C
Es decir, si A es preferida a B, y B a C, entonces A es preferida a C. Por ejemplo, si se tiene

predilección por un auto BMW a un Honda, y un Honda a un VW, entonces debe preferirse un
BMW a un VW.
Supóngase que se está dispuesto a pagar una cierta cantidad de dinero por cambiar un re-
sultado por otro que se prefiera más. Si se posee un VW, se estaría dispuesto a cambiarlo por un
Honda, pagando una cantidad adicional y luego el Honda por el BMW, por otra cantidad. Si no
se cumpliera con el axioma de transitividad, se estaría dispuesto a cambiar el BMW por el VW
por una tercera cantidad de dinero. Es decir, se hubieran hecho tres pagos y todavía se tendría
el mismo VW. Es por eso que violar el axioma de transitividad hará que el decisor se convierta
en una mina de oro de la cual se pueden extraer recursos ilimitadamente.
Las personas tienden a violar este axioma cuando sólo consideran un atributo del resultado
en lugar de su totalidad. Así, en el ejemplo, el BMW podría ser preferido al Honda por su dura-
bilidad y comodidad, el Honda al VW por su economía, y el VW al BMW por su conveniencia en
cuanto a mantenimiento. Sin embargo, si sólo se puede tener un automóvil, ¿cuál escoger? Y si
no es posible tener el elegido, ¿cuál sería la segunda opción?
AXIOMA 2: CONTINUIDAD O EQUIVALENCIA

Si el decisor ha expresado sus preferencias A  B  C, entonces debe ser posible construir
una lotería binaria con los resultados A y C, y determinar una probabilidad p de ganar A en esta
lotería, para la que sería indiferente recibir B con certeza o recibir la lotería. La probabilidad p
es conocida como probabilidad de preferencia porque no corresponde a la probabilidad de algún
evento en el entorno que podría ser revelado por el clarividente. Este axioma se expresa en la
figura 9.6. La doble flecha indica la indiferencia entre las dos alternativas.
• 258 •
Figura 9.6: Axioma de continuidad en forma de árbol
Si A  B  C, entonces, para algún valor de p:

A
p
C
1-p
Se observa que para una probabilidad apropiada p, B es la equivalencia cierta de la lotería. En el

ejemplo, existe un valor de p para el que será indiferente obtener un Honda por seguro (B) o escoger
la alternativa de participar en una lotería en la que poder ganar un BMW (A) o un VW (C).
AXIOMA 3: SUSTITUIBILIDAD
Si un decisor ha establecido la EC de una lotería, entonces debe serle verdaderamente indi-
ferente poseer la lotería o su equivalencia cierta. Gráficamente:
Si:
A
p
C
1-p
Entonces B puede ser sustituida por:
A
p
C
1-p
Sin cambiar ninguna preferencia.
En términos de comportamiento, este axioma significa preguntar al decisor: “¿Estás seguro

de ser realmente indiferente a estas alternativas?”
• 259 •
AXIOMA 4: MONOTONíA
Si se ofrece al decisor escoger entre dos loterías con dos posibles resultados idénticos pero
con diferentes probabilidades, elegirá la que le ofrezca la mayor probabilidad de recibir el re-
sultado preferido. La figura 9.7 muestra este axioma. En términos del ejemplo, se preferirá la
lotería con la mayor probabilidad de ganar el BMW.
Figura 9.7: Axioma de monotonía en forma de árbol
Si A  B y p>q, entonces:
p A
B
1-p
q A
B
1-q
AXIOMA 5: DESCOMPOSICIóN
Muchas veces el decisor enfrenta una lotería compuesta, que es la que puede tener otra
lotería como premio. La lotería compuesta puede ser reducida a una lotería simple al considerar
los premios finales que podría ganar y luego calcular las probabilidades de que ello suceda2. El
decisor es indiferente a escoger entre la lotería compuesta original y la simple a que fue reducida,
como ilustra la figura 9.8.
Este axioma es conocido como el de “no disfrutar los juegos de azar”, porque las emociones
extra brindadas por las resoluciones sucesivas de la lotería compuesta no son consideradas de valor
para el decisor. Por supuesto, este axioma falla cuando una persona juega por el entretenimiento
que brinda; pero, si el jugador está dispuesto a asignar un valor a las emociones asociadas con
el proceso de jugar, se puede incluir este valor en los premios finales de cada lotería y el axioma
será aplicable, lo que hará que el jugador sea muy eficiente en sus juegos.
2
A este axioma también se lo conoce como el axioma de probabilidad en el sentido de que indica que el decisor actúa
racional y consistentemente, al menos al nivel de desear utilizar probabilidades en su toma de decisiones.
• 260 •
Figura 9.8: Axioma de descomposición en forma de árbol
q A
1-q B
B
1-p
pq A
B
1 - pq
Se puede probar que si el decisor acepta estos cinco axiomas existe una función de utilidad
que puede ser empleada para encontrar el EC de cualquier lotería y, por lo tanto, es un medio
consistente para escoger entre proposiciones inciertas. La forma de probar la existencia de la
función de utilidad se explicará más adelante, en la sección 7.
9.4 LA FUNCIÓN DE UTILIDAD
Dado que se está considerando que el decisor no sigue el criterio del valor esperado, no
asigna a cada lotería un valor esperado monetario ni elige la lotería que maximiza este valor,
una función de utilidad es un medio para describir el valor que un resultado o premio en parti-
cular tiene para el decisor. Es decir, que la función de utilidad permite transformar los valores
monetarios de cada resultado en otros expresados en unidades diferentes, que permiten asignar
a cada lotería uno esperado, el que se mide, ya no en unidades monetarias sino en estas nuevas
unidades, y el decisor escogerá aquella cuyo valor esperado sea mayor. Se llamará “útiles” a las
nuevas unidades, apropiándose de la terminología de la Teoría de Utilidad. Entonces, la función
mide el valor de un resultado al transformar el valor monetario en una medida llamada útiles
o valor de utilidad.
Las funciones de utilidad tienen dos propiedades importantes que las hacen muy provechosas
para establecer un criterio de decisión:
1. La utilidad de una lotería está dada por la utilidad esperada de sus resultados. Por tanto,
el decisor preferirá la lotería –alternativa- con la mayor utilidad.
2. Dado que los valores de utilidad o útiles no tienen un significado intrínseco o propio, se
pueden fijar arbitrariamente dos valores de utilidad a dos valores monetarios cualesquiera.
Esto permite establecer la escala para medir cualquier otro valor monetario en términos
útiles. Se puede pensar que la función de utilidad es como un “termómetro de preferencias”,
los útiles no tienen significado propio, sólo sirven para comparar cuánto más deseable es una
lotería frente a otra. Al fijar dos valores de utilidad cualesquiera para establecer los útiles
• 261 •
de otros valores monetarios, se hace una analogía con un termómetro de temperatura: 0°

C para el nivel de congelamiento de agua y 100° C para el punto de ebullición, y así se fija
la escala de los grados centígrados.
Las dos propiedades sirven para probar que los axiomas implican la existencia de una curva
de utilidad y demostrar cómo se utiliza. Primero debe construirse una función de utilidad; por
ejemplo, un decisor posee una lotería que tienen premios de $1,000 y $0, con igual probabilidad.
Él está dispuesto a aceptar la oferta de recibir $300 por esta lotería, lo que se expresa en la
figura 9.9, en la que se observa que el decisor es indiferente a recibir $300 por seguro o jugar
la lotería. Es decir, que $300 dólares es la equivalencia cierta de la lotería equiprobable con
premios de entre $1,000 y $0. Las dos propiedades sirven para probar que los axiomas implican
existencia de una curva de utilidad y demostrar cómo se utiliza. Primero de
construirse una función de utilidad; por ejemplo, un decisor posee una lote
Figura 9.9: Indiferencia entre una lotería y una cantidad cierta (EC)
que tienen premios de $1,000 y $0, con igual probabilidad. Él está dispuesto
aceptar la oferta de recibir $300 por esta lotería, lo que se expresa en la fig
9.9, en el cual se observa Resultadosque el decisor
Útiles es indiferente a recibir $300 p
seguros o jugar
Gana
la lotería. Es decir, que $300 dólares es la equivalencia cie
. .
de la lotería equiprobable con premiosUde
$ 1,000 $1,000 y $0.
(1,000)
Jugar 0.5
Figura 9.9: Indiferencia entre una lotería y una cantidad cierta (EC)
Pierde 0 U (0)
0.5 Resultados Útiles
Gana
$ 1,000 U (1,000)
Jugar 0.5
No jugar Pierde 0 U (0)

$ 300 U (300)
0.5
No jugar
$ 300 U (300)
Se observará que la equivalencia cierta de $300 es el 60% del valor esperado monetario
de $500. Además, se han escrito los útiles de los diferentes resultados. En general, la utilidad
Se observará
de un resultado X se puede escribir como U(X). Así,quela la equivalencia
utilidad cierta
de la segunda de $300
alternativa está es el 60% del va
dada por U(300) y la utilidadesperado
esperada demonetario de se$500.
jugar la lotería calculaAdemás,
de la mismasemanera
han que
escrito
el los útiles de
valor esperado monetario; es diferentes resultados.
decir, se multiplican En general, por
las probabilidades la los
utilidad
útiles yde un resultado X se pue
se suman
escribirdecomo
los resultados. La utilidad esperada U(X).alternativa
la primera Así, la utilidad
es igual a:de la segunda alternativa está dada p
U(300) y la utilidad esperada de jugar la lotería se calcula de la misma mane
que el valor esperado monetario; es decir, se multiplican las probabilidades p
los útiles y se suman los resultados. La utilidad esperada de la prime
(0.5 * Ues
alternativa (1000
igual 0.5 * U (0)
) + a:
(0.5 *U (1000 ) 0.5 *U (0))

Empleando la primera propiedad de la función de utilidad, la que establece que el decisor
preferirá la lotería con la mayor utilidad esperada, y dado que en este caso al decisor le resulta
Usando la primera propiedad de la función de utilidad, la cual establece q
indiferente jugar la lotería oel
recibir la cantidad
decisor cierta
preferirá la de $300,con
lotería entonces, en términos
la mayor utilidaddeesperada,
utilidad y dado que en e
esto significa que: caso al decisor le resulta indiferente jugar la lotería o recibir la cantidad cie
de $300, entonces, en términos de utilidad esto significa que:
U ($300) 0.5 *U ($1000 ) 0.5 *U ($0) (9.1) (9.1
• 262 • La indiferencia del decisor con respecto a dos alternativas implica q

ambas tienen la misma utilidad esperada.
Aplicando la segunda propiedad de la función de utilidad, se pueden asign
arbitrariamente dos valores de utilidad a dos valores monetarios. Por ejemp
si:
Usando la primera propiedad de la función de utilidad, la cual
el decisor preferirá la lotería con la mayor utilidad esperada, y da
caso al decisor le resulta indiferente jugar la lotería o recibir la
de $300, entonces, en términos de utilidad esto significa que:
U ($300) 0.5 *U ($1000 ) 0.5 *U ($0)
La indiferencia del decisor con respectoLaa dos alternativasdel

indiferencia implica que ambas
decisor tienen la a dos alternativa
con respecto
misma utilidad esperada. ambas tienen la misma utilidad esperada.
Aplicando
Aplicando la segunda propiedad de la función la segunda
de utilidad, se puedenpropiedad de la función de utilidad, se p
asignar arbitrariamente
arbitrariamente dos
dos valores de utilidad a dos valores monetarios. Por ejemplo, si: valores de utilidad a dos valores monetarios
si:
U ($0) 0
U ($1000 ) 1
Entonces es posible calcular U($300) usando la ecuación (9.1):

Entonces es posible calcular U($300) usando la ecuación (9.1):
U ($300) 0.5 *1 0.5 * 0 0.5
En la figura 9.10 se ilustran estos tres puntos, a los cuales se ha aju

En la figura 9.10 se ilustran
unaestos tres puntos,
curva a los que
de utilidad. Enselalessección
ha ajustado unapresenta
6, se curva de un procedimiento
utilidad. En la sección 6 se presentará
estructurado para estimar la curva de utilidad. la curva
un procedimiento más estructurado para estimar
de utilidad.
Figura 9.10: Una curva de utilidad
Figura 9.10: Una curva de utilidad Útiles
1.0
Útiles
1.0 0.7
0.5
0.35
0.7
0.5
175 300 500 1000

0.35 Valor
Monetario ($)
De observar esta curva se aprecia que a medida que los valores mone
aumentan, la pendiente de la curva disminuye. Por ejemplo, elevar el
monetario
175 300
de 500
$1,000 a $1,100 produce 1000
un incremento menor en útile
hacerlo de $0 a $100. Es decir, que elValor aumento de $1,000 a $1,100 sig
menos para el decisor que el de $0 a $100; esto ilustra el concepto
Monetario ($)
“utilidad marginal decreciente del dinero”. En la dirección negativa, la pen

de la curva aumenta e indica qué disminuciones adicionales en el
monetario se hacen aún más significativas en términos de útiles.
Es posible
De observar esta curva se aprecia establecer
que a medida algunas
que los valores propiedades
monetarios generales
aumentan, la para las curv
utilidad.
pendiente de la curva disminuye. En primer
Por ejemplo, lugar,
elevar el deben ser
valor monetario monotónicamente
de $1,000 a $1,100 crecientes, lo
produce un incremento menorimplica
en útiles que recibirdemás
que hacerlo $0 a siempre es que
$100. Es decir, mejor que recibir
el aumento de menos. Segun
curvatura
$1,000 a $1,100 significa menos de la que
para el decisor función
el de de
$0 autilidad es ilustra
$100; esto lo importante para determinar la a
el concepto
del decisor frente al riesgo. Así la forma de la curva de la figura 9.10, có
hacia abajo, indica que la equivalencia cierta es• 263 menor
• al valor espera
cual refleja la característica de una actitud adversa al riesgo. Entre
adversa al riesgo es el decisor, mayor es la curvatura de su función de util
Se puede verificar fácilmente que una actitud neutral frente al r
cuando la equivalencia cierta es igual al valor esperado, implica que la fu
de la “utilidad marginal decreciente del dinero”. En la dirección negativa, la pendiente de la

curva aumenta e indica qué disminuciones adicionales en el valor monetario se hacen aún más
significativas en términos de útiles.
Es posible establecer algunas propiedades generales para las curvas de utilidad. En primer
lugar, deben ser monotónicamente crecientes, lo que significa que recibir más siempre es mejor
que recibir menos. Segundo, la curvatura de la función de utilidad es lo importante para deter-
minar la actitud del decisor frente al riesgo. Así la forma de la curva de la figura 9.10, cóncava
hacia abajo, indica que la equivalencia cierta es menor al valor esperado, lo cual refleja la ca-
racterística de una actitud adversa al riesgo. Entre más adversa al riesgo es el decisor, mayor
es la curvatura de su función de utilidad.
Se puede verificar fácilmente que una actitud neutral frente al riesgo, cuando la equivalencia
cierta es igual al valor esperado, implica que la función de utilidad sea descrita por una línea
recta. Por otro lado, las curvas de utilidad de los decisores favorables al riesgo serán cóncavas
hacia arriba, implicando que la EC es mayor que el VE de una lotería. Este tipo de actitud es muy
especial, y como se dijo, no será examinada en este libro.
9.5 USO DE LA FUNCIÓN DE UTILIDAD
Una vez determinada la curva de utilidad para un decisor en particular, el siguiente paso
es establecer cómo utilizarla paraDE 9.5. USO
escoger DE LA FUNCIÓN
consistentemente DE UTILIDAD
entre alternativas inciertas o
9.5. USO LA FUNCIÓN DE UTILIDAD
loterías.
Una vez determinada la curva de utilidad para un decisor en p
Una cuya
Asumiendo que el decisor vezcurvadeterminada
de utilidad
siguiente la curva
refleja
paso de 9.10
eslaestablecer
figura utilidad
secómopara
enfrenta aun
usarla decisor
unapara
lotería en particular,
escoger consistente el
siguiente paso es
con premios de $500 y $0 con igual probabilidad, establecer
alternativasseinciertas cómo usarla
puede establecer para escoger consistentemente
la EC de esta lotería para
o loterías. entre
dicho decisor, empleandoalternativas
su curva deinciertas o loterías.
Asumiendo
utilidad. Se quela el
sabe que decisor
utilidad de lacuya curva cierta
equivalencia de utilidad refleja la fig
Asumiendo
es igual a la utilidad esperada queEntonces,
de la enfrenta
lotería. ela decisor
una se cuya con
lotería
requiere curva un de
de premios utilidad
de $500
procedimiento refleja
para la con
y $0 figuraigual
9.10prob
se
enfrenta
calcular la EC, el que consiste en: a una lotería con premios de $500 y $0 con
puede establecer la EC de esta lotería para dicho decisor, usandoigual probabilidad, se
puede establecer utilidad.la EC
Se de sabeestaquelotería para dicho
la utilidad de la decisor, usando
equivalencia su curva
cierta de
es igual
utilidad. Se sabe
a. Emplear la curva de utilidadesperada que
para calcularla utilidad
de los
la valores de la equivalencia
lotería.deEntonces,
utilidad (útiles) cierta es
de los resul-
se requiere igual a la utilidad
un procedimiento par
esperada deEC,
tados de la lotería. la lotería.
el cualEntonces,
consiste en: se requiere un procedimiento para calcular la
EC, el cual consiste
a. Usaren: la curva de utilidad para calcular los valores de utilidad (ú
b. Calcular la utilidad
a. Usar esperada.
la curva de utilidad
resultados depara calcular los valores de utilidad (útiles) de los
la lotería.
resultados de
c. Aplicar otra vez la curva deb.utilidad la lotería.
para la
Calcular determinar la EC correspondiente a la uti-
utilidad esperada.
b. Calcular la
lidad esperada. c. utilidad
Usar otra esperada.
vez la curva de utilidad para determinar la EC corres
c. Usar otra vez la la curvaesperada.
utilidad de utilidad para determinar la EC correspondiente a
la utilidad esperada.
Así, de la curva de utilidad de la figura
Así, de9.10lasecurva
tiene que:
de utilidad de la figura 9.10 se tiene que:
Así, de la curva de utilidad de la figura 9.10 se tiene que:
U (50 ) 0.7
U (50 ) 0.7
U ( 0) 0
U ( 0) 0
Entonces,
Entonces, la utilidad esperada de la lotería es: la utilidad esperada de la lotería es:
Entonces, la utilidad esperada de la lotería es:
0.5 *U (500) 0.5 *U (0) 0.5 * 0.7 0 0.35
0.5 *U (500) 0.5 *U (0) 0.5 * 0.7 0 0.35
Y usando una vez más la curva de utilidad:
• 264 •
0.35 U ( EC ) → EC 175
0.35 U ( EC ) → EC 175
La figura 9.10 muestra estos valores con líneas punteadas. L
La figura 9.10 muestra
realizados se estos
ilustranvalores con 9.11.
en la figura líneas punteadas. Los cálculos
realizados se ilustran en la figura 9.11.
U (50 ) 0.7
U ( 0) 0
Entonces, la utilidad esperada de la lotería es:

0.5 *U (500) 0.5 *U (0) 0.5 * 0.7 0 0.35
Y empleando una vez más la curva de utilidad:
0.35 U ( EC ) → EC 175
La figura 9.10 muestra estos valores con líneas punteadas. Los c

La figura 9.10 muestra estos realizados
valores con líneas punteadas.
se ilustran Losfigura
en la cálculos realizados se ilustran
9.11.
en la figura 9.11.
Figura 9.11: Cálculo de la EC de una lotería
Figura 9.11: Cálculo de la EC de una lotería Resultado a. Útiles

Gana
$ 500 0.7
0.5
Resultado a. Útiles
Gana
$ 500 0.7
b. Utilidad esperada = 0.35
0.5
Pierde
b. Utilidad esperada = 0.35 c. EC = 175 $0 0.0
0.5
Hasta aquí,Pierde
se ha logrado un procedimiento que permite determ
c. EC = 175 equivalencia cierta de cualquier
$0 lotería. 0.0
Luego, si el decisor se enfrenta
0.5
serie de alternativas inciertas, se podrá calcular la equivalencia cierta d
una de ellas y escoger la alternativa con la mayor equivalencia cierta.
Hasta aquí se ha logrado un procedimiento que permite determinar la equivalencia cierta

de cualquier lotería. Luego, si el decisor se enfrenta a una serie de alternativas inciertas, se
podrá calcular la equivalencia cierta de cada una de ellas y escoger la alternativa con la mayor
equivalencia cierta.
La lotería de la figura 9.11 tiene un valor esperado de $250 y una equivalencia cierta de $175;
es decir, que la EC es un 70% del VE. Por otro lado, en la lotería de la figura 9.9, la equivalencia
cierta de $300 era sólo 60% del valor esperado de $500. Con estos ejemplos se ilustra que el
valor de la EC como un porcentaje del VE disminuye cuando la cantidad incierta aumenta, como
se había mostrado en la figura 9.4.
Se ha aplicado la función de utilidad para evaluar propuestas inciertas en una situación
simple. Sin embargo, el procedimiento descrito puede servir para loterías que tengan más de dos
resultados posibles, y la utilidad esperada se calculará en base a todos estos resultados.
En resumen, luego de haber establecido la función de utilidad para un decisor en particular,
el procedimiento permite ser consistente al elegir entre alternativas inciertas. Aún más, dado
que las curvas de utilidad son monotónicamente crecientes es indiferente emplear las utilidades
esperadas expresadas en útiles o las equivalencias ciertas para comparar diferentes loterías. Sin
embargo, la ventaja de utilizar las equivalencias ciertas es que indican, en términos monetarios,
el grado aproximado de las preferencias.
• 265 •
calculará en base a todos estos Enresultados.
resumen, luego de haber establecido la función de utilidad p
En resumen, luego de haber en
decisor particular,laelfunción
establecido procedimiento permite
de utilidad paraser unconsistente al eleg
decisor en particular, el procedimiento permite ser consistente al elegir entre curvas de utilid
alternativas inciertas. Aún más, dado que las
alternativas inciertas. Aún monotónicamente
más, dado que crecientes es indiferente
las curvas de utilidadutilizar
son las utilidades esp
monotónicamente crecientes es indiferente utilizar las utilidades esperadas para comparar dif
expresadas en útiles o las equivalencias ciertas
expresadas
Análisis en útiles
de Decisiones loterías.
o las
Estratégicas Sin embargo,
equivalencias ciertasla para
ventaja de usardiferentes
comparar las equivalencias ciertas
loterías. Sin embargo, la ventaja de usar las equivalencias ciertas es que de las preferencia
indican, en términos monetarios, el grado aproximado
indican, en términos monetarios, el grado aproximado de las preferencias.
9.6 ESTIMACIÓN DE LAS 9.6. ESTIMACIÓN
FUNCIONES DE LAS FUNCIONES DE UTILIDAD
DE UTILIDAD
9.6. ESTIMACIÓN DE LAS FUNCIONES DE UTILIDAD
Si los resultados
Si los resultados de las proposiciones de expresados
inciertas están las proposiciones
en dinero, inciertas están
la estimación de expresados en di
una función de utilidad no es estimación
complicada. Comode una
se ha función
visto, es de
muy
Si los resultados de las proposiciones inciertas están expresados en dinero, la utilidad
fácil tratarnocones complicada.
loterías que Como se ha v
sólo tienen dos resultados, como muy
la fácil
mostrada tratar
en la con
figura loterías
9.12, que
estimación de una función de utilidad no es complicada. Como se ha visto, es que sólo
paga x con tienen
una dos resultados,
probabilidad como la m
de p e y con una probabilidad (1en– p)la
y figura
su 9.12,
equivalencia la cual
cierta es paga
z.
muy fácil tratar con loterías que sólo tienen dos resultados, como la mostrada Las x con
cuatro una probabilidad
cantidades, p, x, de p e y c
yen
y z expresan una preferencia probabilidad
y, (1
consecuentemente, – p)
una y su equivalencia
utilidad
la figura 9.12, la cual paga x con una probabilidad de p e y con una equivalente cierta
que es
puede z. Las
servir cuatro cantidades
para evaluar la curva
probabilidad de yutilidad.
(1 – p) y z expresancierta
su equivalencia una preferencia
es z. Las cuatro y consecuentemente,
cantidades, p, x, una y utilidad equivale
puede servir para evaluar la
y z expresan una preferencia y consecuentemente, una utilidad equivalente quecurva de utilidad.
puede servir para evaluar la curva de utilidad.
U ( z) pU ( x) (1 p)U ( y)
U ( z) pU ( x) (1 p)U ( y)
Figura 9.12: Una lotería simple y su equivalencia cierta
U ( z) pU ( x) (1 p)U ( y)
x
U ( z) pU
p ( x) (1 p)U ( y) p
x
p x
p y
1-p
y
1-p
y z
1-p
Al fijar inicialmente ztres de las cantidades y quedar la cuarta p
especificada
Al fijar inicialmente tres de las cantidades por el decisor,
y quedarse definen
la cuarta dos para
métodos
ser alternativos para
z
su función de utilidad.
especificada por el decisor, se definen dos métodos alternativos para estimar
su función de utilidad. El primero consiste en usar loterías equiprobables (p = 0.5) y fijar do
tres
El primero consiste en usar loterías valores,equiprobables
x, y o z. El(p segundo,
= 0.5) y fijar endos solicitar
de los al decisor espec
tresAl fijar inicialmente
valores, x, y tres
o z.de Elprobabilidad
las cantidades que
segundo, y en lo
quedar hará indiferente
la cuarta
solicitar al para entre la
ser especificada
decisor equivalencia
especificar por la
el cierta (z) y la
decisor, se definen
probabilidad doslométodos
que con resultados
alternativos entre
hará indiferente x e
para estimar y. Se pueden
su función de
la equivalencia usar
utilidad.
cierta ambos
(z) y la lotería métodos en el proc
con resultados e emplear estimación,
y. Se loterías como
puedenequiprobables se
usar ambos muestra en el siguiente ejemplo.
El primero x en
consiste (p =métodos en de
0.5) y fijar dos ellosproceso de
tres valores,
estimación, como se muestra en el siguiente ejemplo.
x, y o z. El segundo, en solicitar al decisor especificar la probabilidad que lo hará indiferente entre
la equivalencia cierta (z) y la lotería con resultados x e y. Se pueden utilizar ambos métodos en
el proceso de estimación, como se muestra en el siguiente ejemplo.
EL PROCESO DE EVALUACIóN 14
Lo primero que se hace es fijar arbitrariamente dos puntos de la curva de utilidad. Lo común
es definir la utilidad de $0 igual a 0 útiles. Luego, se escoge otro punto en la escala de valores
que sea relevante para el decisor y se le asigna un valor en útiles igual a 1. Suponiendo que se
desea evaluar la curva de utilidad personal de un individuo para cantidades en miles de dólares,
se escogerá el valor de $1,000 y se le asignará la utilidad de 1: U($1,000) = 1. Por supuesto
que sería posible hacer otras elecciones para estos dos puntos iniciales, pero los resultados se
mantendrían prácticamente iguales.
El segundo paso consiste en construir una lotería que tenga aquellos valores como resultados.
Se utiliza el método de las loterías equiprobables y se comienza por investigar la forma de la
curva en esa región. ¿Cuál es la equivalencia cierta que asigna a una lotería equiprobable con
• 266 •
de utilidad personal de un individuo para cantidades en miles de dólares,
otro punto
utilidad. Lo común en la es escala
definir delavalores
utilidadque de $0 seaigual
relevante
a 0 útiles. paraLuego,
el decisor y se
se escog
escogerá el valor de $1,000 y se le asignará la utilidad de 1: U($1,000) = 1. P
asigna
otro punto unen valor en útiles
la escala deigual
valoresa 1.que Suponiendo
sea relevante que se desea
para evaluarylasecu
el decisor
supuesto que sería posible hacer otras elecciones para estos dos punt
de utilidad
asigna un valor personalen útiles de igual
un individuo
a 1. Suponiendopara cantidades que se desea en miles de dólares,
evaluar la curv
iniciales, pero los resultados se mantendrían prácticamente iguales.
deescogerá el valor dede$1,000
utilidad personal y se le asignará
un individuo para cantidadesla utilidadendemiles 1: U($1,000)
de dólares,= 1. s
El segundo paso consiste en construir una lotería que tenga aquell
supuestoel que
escogerá valor sería de $1,000 posible y sehacer otras la
le asignará elecciones
utilidad depara estos dos
1: U($1,000) = 1.pun
Po
valores
• Capítulo 9 como
• Evaluación resultados. Se usa el método
de las preferencias de lasalloterías
con respecto riesgo equiprobables y
iniciales, que
supuesto perosería los resultados
posible hacer se mantendrían
otras eleccionesprácticamente iguales.
para estos dos punto
comienza por investigar la forma de la curva en esa región. ¿Cuál es
El segundo
iniciales, pero los resultadospaso consiste en construir
se mantendrían una lotería iguales.
prácticamente que tenga aque
equivalencia cierta que asigna a una lotería equiprobable con premios de $0
valores
premios de $0 y $1,000? Supóngase El segundo como
que el resultados.
paso responde
decisor consisteSe“$300”.
usa
en el método
construir
Con esta de ylas
una
cifra loterías
lotería
aplicando queequiprobables
tenga aquello y
$1,000? Supóngase que el decisor responde “$300”. Con esta cifra y aplican
una de las propiedades básicas comienza
valores de como
la teoría por de investigar
resultados.
la utilidad, Se lausa
será forma
posible de la curva
el método
identificar de un las en esa equiprobables
loterías
tercer punto región. ¿Cuál yess
una de las propiedades básicas de la teoría de la utilidad, será posib
equivalencia
en la curva de utilidad. Lacomienza
indiferencia por
entre cierta
investigar que asigna
la alternativa la forma a una de lotería
la lacurva equiprobable
ensignifica con premios
esa región. ¿Cuál de es $
identificar un tercer puntodeen $300 la seguro
curvay de incierta
utilidad. La indiferencia entre
que las utilidades esperadas $1,000?
equivalencia
de ambas Supóngase
soncierta queque
iguales. el decisor
asigna a una responde “$300”. Concon
lotería equiprobable estapremios
cifra y aplican
de $0
alternativa de $300 seguros y la incierta significa que las utilidades esperad
una deSupóngase
$1,000? las propiedades básicasresponde
que el decisor de la teoría “$300”.de Con la esta
utilidad,
cifra yserá pos
aplicand
de ambas son iguales.
unaidentificar
de las un tercer punto
propiedades en la de
básicas curva de utilidad.
la teoría de la La indiferencia
utilidad, entre
será posib
alternativa
identificar undetercer $300 puntoseguros eny lala incierta
curva de significa
utilidad. queLalasindiferencia
utilidades esperad
entre
Ude($300 ) 0son
ambasde
.5 *Uiguales.
($1,000) 0.5 *U ($0)
alternativa $300 seguros y la incierta significa que las utilidades esperada
de ambas son 0.5 *iguales.
1 0.5 * 0
0 . 5
U ($300) 0.5 *U ($1,000) 0.5 *U ($0)
U ($300) 0.05.*5U .5 *)0 0.5 *U ($0)
* 1($10,000
Luego se pide al decisor estimar la equivalencia cierta de una lote
0.50.*51 0.5 * 0
Luego se pide al decisorequiprobable
estimar la equivalenciacon resultadoscierta de unade lotería
$0 y $300. Su respuesta,
equiprobable con resul- que en este caso
0 .5
tados de entre $0 y $300.$100, permiteque
Su respuesta, graficar
en esteun cuarto
caso punto
es $100, en lagraficar
permite curva un decuarto
utilidad, dado por:
Luego se pide al decisor estimar la equivalencia cierta de una lote
punto en la curva de utilidad, dado
equiprobable por: con resultados
Luego se pide al decisor de $0 y $300.
estimar Su respuesta,
la equivalencia que de
cierta en una
este loter
caso
U ($100) 0.5 *U ($300) 0.5 *U ($0)
$100, permite
equiprobable con graficar
resultadosun cuarto
de $0punto y $300. en laSucurva de utilidad,
respuesta, que en dadoestepor:
caso e
$100, permite 0.5 *graficar
0.5 un cuarto punto en la curva de utilidad, dado por:
0 . 25
U ($100) 0.5 *U ($300) 0.5 *U ($0)
U ($100) 0.05.*5U * 0($.5300) 0.5 *U ($0)
Finalmente, en este proceso de interpolación entre $0 y $1,000 se solicita
0.50
0..*25 0.5
decisor especificar la equivalencia cierta de una lotería equiprobable c
0.25
resultados de $1,000 y $300. Su respuesta, $550, permite trazar un quin
Finalmente, en este proceso de interpolación entre $0 y $1,000 se solicita
punto en la curva de utilidad, dado por:
Finalmente, en este procesodecisor
Finalmente, especificar
de interpolación en esteentrelaproceso
equivalencia
$0 y $1,000
de se ciertaal decisor
solicita
interpolación deentreuna lotería
especi-
$0 y $1,000equiprobable
se solicita
ficar la equivalencia cierta resultados
de una lotería
decisor de
especificar $1,000
equiprobable ycon$300. Su respuesta,
resultados
la equivalencia de entrede
cierta $1,000$550,
una permite
y lotería
$300. trazar un qui
equiprobable co
Upunto
($550en ) 0.5curva *U ($1de ,000) 0.5 *dado U ($300 )
Su respuesta, $550, permite trazar unla
resultados quinto
de puntoutilidad,
$1,000 yen$300.
la curvaSu por: dado $550,
de utilidad,
respuesta, por: permite trazar un quin
punto en la0curva .5 *1 de 0.5utilidad,
* 0.5 dado por:
0 . 75
U ($550) 0.5 *U ($1,000) 0.5 *U ($300)
U ($550) 0.05.*5U *1($10,000.5 *)0.50.5 *U ($300)
El proceso 0 . 75 completo de estimación por medio de preguntas y respuestas
0.5 *1 0.5 * 0.5
ilustra en la figura 9.13. Con los cinco puntos ya establecidos se ajusta u
0
0..75
curva de utilidad para el rango comprendido entre $0 y $1,000, como
El proceso completo de estimación por medio de preguntas y respuestas
muestra en la figura 9.14.
ilustra en la completo
El proceso figura 9.13. de Con los cinco
estimación por puntos
medio de ya preguntas
establecidos se ajusta su
y respuestas
Para determinar la forma de la curva fuera de esa región, se formul
El proceso completo ilustra
decurva de
en la por
estimación utilidad
figura medio para
9.13. el rango
Con los ycinco
de preguntas comprendido
puntos
respuestas entre $0
ya establecidos
se ilustra en la y $1,000,
se ajustacomo un
preguntas de extrapolación; por ejemplo, para extrapolar por debajo de
figura 9.13. Con los cincocurvamuestra
puntos de
ya en la
establecidos,figura
utilidad para 9.14.
se el rango
ajusta una comprendido
curva de utilidad entre
para el $0 y $1,000, como s
rango
región ($0, $1,000) se interroga al decisor: ¿Cuál sería la pérdida que esta
muestra
comprendido entre $0 y $1,000, Para endeterminar
como la figura
muestra9.14. la forma de la curva fuera de esa región, se formu
dispuesto ase aceptar en
enla una
figuralotería
9.14. equiprobable con un premio de $1,00
preguntas
Para determinar la forma de laejemplo,
de extrapolación; por curva fuera parade extrapolar
esa región, por sedebajo
formulade
Para determinar la forma antes de decurva
la estar fueraindiferente
de esa con se
región, respecto
formulan apreguntas
jugar? La figura 9.13 también ilus
desería
extra-
región ($0, $1,000) se interroga al decisor:
preguntas de extrapolación; por ejemplo, para extrapolar por debajo de ¿Cuál la pérdida que esta
polación; por ejemplo, paradispuesto
ir todavía más a allá,
aceptarpor debajo
en una de la lotería
región ($0, $1,000) se interroga
equiprobable conlaun premioque de estarí
$1,0
región ($0, $1,000) se interroga al decisor: ¿Cuál sería pérdida
al decisor: ¿cuál sería la pérdida
dispuesto que estaría
antes de aestar dispuesto
aceptar indiferente a aceptar
en unacon en una
respecto
lotería lotería equiprobable
a jugar?
equiprobable La con
configura 9.13 también
un premio de $1,000ilus
un premio de $1,000, antes antes de estar indiferente
de estar con respecto
indiferente a jugar? Laa figura
con respecto jugar?9.13 Latambién
figura 9.13 también ilust
ilustra esta pregunta. Su respuesta, -$300, permite encontrar un punto por debajo de la región
(0, 1,000).
Los cálculos son los siguientes: 1
U (0) = 0.5 * U (1,000) + 0.5 * U (−$300)

= 0.5(1) + 0.5U (−$300)
• 267 •
la región (0,esta pregunta. Su respuesta, -$300, permite encontrar un punto
1000).
la región (0, 1000).
Los cálculos son los siguientes:
Los cálculos son los siguientes:
U (0) 0.5 *U (1,000) 0.5 *U ( $300)
0.5(1) U
Análisis de Decisiones Estratégicas 0.5(U .5 *)U (1,000) 0.5 *U ( $300)
0)( $0300
0.5(1) 0.5U ( $300)
Entonces:
Entonces: Entonces:
U ( $300) 1
U((−$$300
U 300))= −11
Finalmente, para extrapolar por encima de la región ($0, $$1,000)
Finalmente, para avanzar por encima
plantea laFinalmente,
unadequinta regiónpregunta. para
($0, $1,000) seextrapolar
plantea
“¿Cuál porserencima
una quinta
debería pregunta. de la en
la ganancia región ($0,
una loter
“¿Cuál debería ser la ganancia plantea
en una lotería
equiprobable una
conequiprobablequinta
un resultado pregunta.
con un “¿Cuál
de resultado de $0,
$0, antes debería
de antes esté indiferente ene
que de ser la ganancia
que esté indiferente entrejugarla equiprobable
jugarla yy recibir
recibirporporseguro con
$1,000?”
seguro un resultado
Su respuesta,
$1,000?” de $0, $4,000, de
antes
$4,000, permite
Su respuesta, que esté
permite ind
graficar
graficar un punto más de punto
la curvamás jugarla
de la curva
de utilidad, y recibir
el cualde
está por
utilidad,seguro
dado por: $1,000?” Su
el cual está dado por:respuesta, $4,000, perm
punto más de la curva de utilidad, el cual está dado por:
U ($1,000) 0.5 *U ($4,000) 0.5 *U (0)
1 0.5U *U($($1,000
4,000) ) 0.05.*5U
* 0($4,000) 0.5 *U (0)
1 0.5 *U ($4,000) 0.5 * 0
Entonces:
Entonces: Entonces:
U ($4,000) 2
U ($4,000) 2
Figura 9.13: Preguntas y respuestas para evaluar la función de utilidad
Figura 9.13: Preguntas y respuestas para evaluar la función de uti
Figura 9.13: Preguntas y respuestas para evaluar la función de utilidad
Pregunta 1 Pregunta 2 Pregunta 3
Pregunta 1 Pregunta 2 Pregunta 3
1000 300 1000
0.50 0.50 0.50
Pregunta 1 Pregunta 2 1000 Pregunta 3 300
0.50 0.50 0.50
0 0 300
0.50 0.50 0.50
0 0
1000 300 0.50 1000
0.50 0.50
0.50 0.50 0.50
? 300 ? 100 ? 550

0 0 300
0.50 0.50 ? 300 0.50 ? 100
Pregunta 4 Pregunta 5
Pregunta 4 Pregunta 5
1000
? 300 ? 100 0.50 ? 550? 4000
0.50
1000 ? 4000
0.50 0.50
? - 300 0
0.50 0.50
? - 300 0
Pregunta 4 Pregunta 5 0.50 0.50
0 1000
1000 ? 4000 0
0.50 0.50 1000
Estos dos puntos ? - 300fuera de la región (0, 1,000),0 también son mostrados en
figura 9.140.50Estos dos puntos
para obtener unafuera
curvadeaproximada
la región (0,
0.50 1,000),
que también
describe son mo
la función
figura
utilidad del decisor. 9.14 para obtener una curva aproximada que describe
Como seutilidad
ha visto, del el
decisor.
proceso de estimar los puntos de la curva de utilid
Como
0
es muy sencillo. Si se se ha visto, el proceso
continuara de estimar
por1000
medio los puntos
de preguntas de la cur
similares,
es muy sencillo. Si se continuara por medio
podría determinar la curva de utilidad tan exactamente como se desea de preguntas
Sin embargo, podría determinar
el proceso la curva
de asignar de utilidad ciertas
equivalencias tan exactamente como
es poco familia
Sin embargo, el proceso de asignar equivalencias ciertas es p
Estos dos puntos fuera de la región (0, 1,000), también son mostrados en la figura 9.14 para
obtener una curva aproximada que describe la función de utilidad del decisor.
Como se ha visto, el proceso de estimar los puntos de la curva de utilidad es muy sencillo.
Si se continuara por medio de preguntas similares, se podría determinar la curva de utilidad tan
exactamente como se deseara. Sin embargo, el proceso de asignar equivalencias ciertas es poco
• 268 •
familiar y difícil para la mayoría de personas y la primera vez podría resultar en un conjunto de
puntos que no se ajustan a una curva suave.
Figura 9.14: La curva de utilidad evaluada
Útiles
0.5
300
- 300 100 500 1000 $

4000
-1
El analista debe estar alerta a las inconsistencias que surgen en las respuestas del decisor,
las cuales se producirán con frecuencia, sobre todo cuando se mezclan los dos métodos, el de
usar loterías equiprobables y el de asignar probabilidades.
Las inconsistencias en las respuestas del decisor implican diferentes valores de utilidad para la
misma cantidad de dinero. De hecho, será un milagro si una persona puede contestar a una serie de
estas preguntas sin caer en inconsistencias. Si las diferencias no son muy significativas, se puede
obviar la inconsistencia; pero en caso contrario, el analista debe buscar resolverlas. Desde el punto
de vista teórico, la inconsistencia implícita en las respuestas del decisor es importante, pues, como se
explica más adelante, toda persona que satisface los axiomas de utilidad tiene una curva de utilidad
única. De no ser así, implica que el decisor ha violado uno de los axiomas de comportamiento.
Cuando se trata de problemas de decisión estratégicos de las grandes corporaciones, la
función de utilidad debe reflejar las actitudes frente al riesgo del más alto nivel de la compañía
–usualmente del directorio y la alta gerencia–. Sin embargo, como suele ser difícil disponer del
tiempo de estas personas, a menudo es mejor estimar un coeficiente apropiado de la “tolerancia
al riesgo” para la compañía y usar una función de utilidad exponencial. En muchos problemas de
decisiones corporativas, el criterio del valor esperado resulta ser adecuado. Sólo los problemas
más importantes, que comprometen una gran cantidad de recursos y presentan mucha incer-
tidumbre, requerirán del uso cuidadoso de la función de utilidad.
• 269 •
9.7 PRUEBA DE LA EXISTENCIA DE UNA FUNCIÓN DE UTILIDAD
Aquí se aplicarán los axiomas planteados para probar que existe una función de utilidad que
tiene la propiedad de permitir tomar decisiones a partir de escoger la alternativa con la mayor
utilidad esperada.
Esta propiedad se deriva de los cinco axiomas de comportamiento, mediante una prueba
que consiste en siete pasos. Para mantener la prueba en nivel simple, se considerará una lotería
con un número finito de resultados discretos (n), lo cual no es una limitación importante, pues
dichos resultados pueden representar cualquier cantidad concebible de dinero.
1. En el primer paso, se usa el axioma de ordenabilidad para establecer:
R1 
R2 
R3  Rn
... 
Donde Ri representa el resultado i de la lotería, R1 es el resultado más preferido y Rn es el

menos preferido.
2. En el segundo paso, se aplica el axioma de continuidad, con el fin de encontrar para cada
resultado Ri, una probabilidad ui, de tal manera que Ri sea la equivalencia cierta de la lotería,
con premios R1 y Rn . Esto se muestra en la figura 9.15.
Figura 9.15: Uso del axioma de continuidad
ui
R1
Rn
1-ui
Ri
3. Cualquier lotería P (simple o compuesta) se puede representar como muestra la figura 9.16,
utilizando el axioma de descomposición. Es decir, que la lotería P se puede reducir a una
lotería simple, con resultados Ri (i=1,…,n), con probabilidades pi de ganar el resultado Ri,
algunas de las cuales pueden ser igual a cero.
• 270 •
Figura 9.16: Aplicación del axioma de descomposición
p1
R1
p2
R2
Rn
pn
4. Después se emplea el axioma de sustituibilidad para reemplazar los resultados del paso 2 en
el árbol del paso 3; es decir, que se reemplaza cada resultado de la lotería P por la lotería
equivalente, dada en la figura 9.15. Mediante este cuarto paso se obtiene el árbol que se
presenta en la figura 9.17. Se observa que sólo existen dos resultados finales diferentes en
esta lotería compuesta: el mejor y el peor de todos los resultados, R1 y Rn .
Figura 9.17: Aplicación del axioma de sustituibilidad
u1 R1
1 - u1 Rn
p1
u2 R1
p2
1 - u2 Rn
P:
pn
un R1
1 - un Rn
• 271 •
5. Nuevamente se utiliza el axioma de descomposición para simplificar el árbol de la figura 9.17

y producir una lotería simple que se muestra en la figura 9.18. La probabilidad de ganar el
mejor premio R1, será Σ piui; y la de ganar el peor, Rn, será Σ pi(1-ui).
Figura 9.18: Aplicación del axioma de descomposición
R1
∑p u i i
P:
Rn
∑ pi (1 − ui )
6. Otra lotería Q puede ser representada –de manera similar a la lotería P del paso 3– como
una lotería simple con resultados Ri, como muestra la figura de la figura 9.19. Siguiendo el
mismo procedimiento destinado para la lotería P, la lotería Q puede ser representada también
en la forma como muestra la figura (b) de la figura 9.19.
Figura 9.19: Representaciones de la lotería Q
R1
q1
R2
q2
R1
∑q u i i
Q:
Rn
∑ q (1 − u )
i i
Rn
qn
(a) (b)
7. Finalmente, adoptando el axioma de monotonía dado que R1 > Rn, la lotería P debe ser preferida
a la lotería Q si y sólo si tiene una mayor probabilidad de obtener el resultado R1.
P  Q ⇔ ∑ pi u i > ∑ q i u i (9.2)
• 272 •
Si se define ui como la utilidad de Ri, entonces se preferirá la alternativa con la mayor utili-
dad esperada, tal como establece la relación (9.2). Se ha construido la función de utilidad con
la propiedad deseada.
También se observa que cuando los valores de utilidad (ui) son transformados linealmente:
ûi = a + bui ; con b > 0
El criterio para preferir P a Q si Σpiûi > Σqiûi, todavía se mantiene. Se determinan los pará-
metros a y b escogiendo arbitrariamente dos valores cualesquiera, siempre que la utilidad del
valor preferido sea mayor que la del otro.
9.8 UNA FUNCIÓN DE UTILIDAD EXPONENCIAL
Se ha probado que si un decisor acepta comportarse de acuerdo con los cinco axiomas esta-
blecidos, entonces tendrá una función de utilidad única. Sin embargo, si está dispuesto a aceptar
un axioma adicional, la forma de la curva se verá restringida pero tendrá ventajas adicionales
para comparar alternativas inciertas. Este sexto axioma se conoce como la propiedad delta,
y establece que un aumento en todos los resultados de una lotería, en una cantidad Δ (delta),
aumenta la equivalencia cierta en Δ. Esta propiedad se muestra en la figura 9.20.
Figura 9.20: La propiedad delta
Si: R1 R1 +
p1 Entonces: p1
R2 R2 +
p2 p2
Rn Rn +
pn pn
EC EC +
La razón para aceptar la propiedad delta puede ser muy conveniente. Supóngase que el decisor
ha establecido en $300 la equivalencia cierta para una lotería equiprobable con premios de $0
y $1,000. Y que se le ofrece pagarle $500 adicionales independientemente del resultado de la
lotería, de modo que las retribuciones finales serán $500 y $1,500, con igual probabilidad. Si
el decisor piensa que su equivalencia cierta sería ahora de $800 y razona consistentemente en
todas las situaciones de este tipo, entonces se dirá que satisface la propiedad delta.
• 273 •
La razón para aceptar la propiedad delta puede ser muy
La razón que
Supóngase paraelaceptar
decisor la ha propiedad
establecidodelta puede
en $300 ser muy
la equivalenc
Supóngase que el decisor ha establecido en
una lotería equiprobable con premios de $0 y $1,000. Y que $300 la equivalencia
una lotería
pagarle $500equiprobable
adicionalescon premios de $0 y del
independientemente $1,000. Y que
resultado de
pagarle
modo $500
que las adicionales
retribuciones independientemente
finales serán $500 del
y resultado
$1,500, con de l
igua
Análisis de Decisiones Estratégicas modo que las retribuciones finales serán $500 y $1,500, con igual
Si el decisor piensa que su equivalencia cierta sería ahora de $
Siconsistentemente
el decisor piensaen que su equivalencia
todas las situaciones cierta
de sería ahora
este tipo, de $8
entonce
Aceptar la propiedad delta acarreaconsistentemente
satisface muyen
la propiedad
consecuencias todas las En
delta.
importantes. situaciones deseeste tipo, entonces
primer lugar,
satisface
puede demostrar que si el decisor la satisface, sula
Aceptar propiedad
la propiedad
función delta.
de utilidad delta
es muytrae consecuencias
especial o bien es muy importan
lineal, como: Aceptar la propiedad
lugar, se puede demostrar deltaquetraesi consecuencias muy importante
el decisor la satisface, su func
lugar,
es muyse especial
puede demostrar
o bien es que
lineal,si como:
el decisor la satisface, su funció
es muy especial o bien es lineal, como:
U ( x) a bx
U ( x) a bx
O bien exponencial, como: O bien exponencial, como:
O bien exponencial, como:
U ( x) a be x / R
U ( x) a be x / R
Donde a, b, y R son constantes. R mide la tolerancia al rie
Donde a, b, y R son constantes. R mide
Donde la tolerancia al
R riesgo.
a, b,eny una son El lector interesado
constantes. en una
mide la tolerancia
interesado prueba rígida deResta propiedad puedealver
riesg
la
prueba rígida de esta propiedad podráinteresado
ver la sección
en 9una
de este capítulo.
prueba En segundo
rígida de esta lugar, el
propiedad puede ver la
este capítulo. En segundo lugar, el precio de venta de la loter
precio de venta de la lotería es igual aleste
precio que pagaría
capítulo. En elsegundo
decisor porlugar,
adquirirla.
el precio de venta de la lotería
precio que pagaría el decisor por adquirirla.
precio que pagaría el decisor por adquirirla.
Equivalencia
Equivalencia de los precios de compra y venta de de
unalos precios de compra y venta de una lotería
lotería
Equivalencia de los precios de compra y venta de una lotería
Considérese la lotería L con premios $0 y $1,000 con igual probabilidad de ocurrencia, la
que se muestra en la figura 9.21. Considérese la lotería L con premios $0 y $1,000 con igual pr
Considérese
ocurrencia, lala cual
lotería L con premios
se muestra $0 y9.21.
en la figura $1,000 con igual pro
ocurrencia, la cual se muestra en la figura 9.21.
Figura 9.21: Lotería equiprobable L con resultados $0 y $1,000
$ 1000
$ 1000
$1,000 0.5 $ 1000
0.5 0.5
L:
L:
L:
$0
0.5 $0
$0$ 0 0.5
0.5
Si eldedecisor
Si el decisor posee los derechos posee
esta lotería los derechos
L, entonces su preciode
de esta
venta lotería L, entonces su precio
V es la equi-
valencia cierta de la lotería,venta
dado queV es la equivalencia
el decisor cierta
estaría dispuesto de la lotería,
a cambiarla dado que el decisor esta
por una cantidad
igual o superior, pero nunca dispuesto
inferior a aV. cambiarla por una
En otras palabras, dadocantidad igual indiferente
que le resulta o superior, la pero nunca inferio
V. En
lotería L y la cantidad cierta otras palabras,
V, también dado que
le son indiferentes le resulta
las dos ramas delindiferente la lotería L y la cantid
árbol superior
derecho de la figura 9.22. Encierta V, también
términos le esto
de utilidad sonsignifica:
indiferentes las dos ramas del árbol superior derec
de la figura 9.22. En términos de utilidad esto significa:
U (V ) 0.5 *U ($1,000) 0.5 *U ($0) (9.3) (9
Si el decisor no poseyera los

Si derechos
el decisor de la
nolotería L, ¿estaría
poseyera dispuesto ade
los derechos comprarlos
la loteríaporL ¿estaría dispuest
$V? ¿Sería inconsistente sicomprarlos
no lo estuviera?
por $V? ¿Sería inconsistente si decisor
De ninguna manera. Puede ser que el no lo sóloestuviera? De ningu
cuente con $500 y no estémanera.
dispuesto Puede
a gastarser
$100que
en adquirir los derechos de
el decisor sólo cuente conesta lotería.
$500 En y no esté dispuest
general, el precio de venta gastar
V de una$100
loteríaen
noadquirir
es necesariamente
los derechosel mismo
de para
estaellotería.
decisor que
En general, el precio
el precio de compra C, de la mismaVlotería.
venta de una lotería no es necesariamente el mismo para el decisor que
precio de compra C, de la misma lotería.
• 274 • Si el decisor paga C por la lotería, su nueva lotería tendrá premios de ($
C) y ($1,000 – C) con igual probabilidad de ocurrencia. Su precio de compra
el valor de C, tal que el decisor es indiferente comprar y no comprar. Es de
puesto que al decisor le es indiferente comprar la rifa L, por la cantidad C o
comprarla, le resultan indiferentes las dos ramas del árbol superior izquierdo
Si el no
Si el decisor decisor
poseyerano poseyera
los derechoslos derechos
de la loteríade laLlotería
¿estaríaL ¿estaría
dispuestodisa
comprarlos comprarlos
por $V?por $V? ¿Sería
¿Sería inconsistente
inconsistente si no losi estuviera?
no lo estuviera?
De ningun De
manera.manera.
Puede ser Puede
que ser que el sólo
el decisor decisor sólo con
cuente cuente$500 cony no$500estéy no esté disa
dispuesto
gastar $100 gastar en$100 en adquirir
adquirir los derechos los derechos
de esta de esta En
lotería. lotería. En general,
general, el precioeldp
venta V9venta
• Capítulo de una de una
V lotería
• Evaluación deno lotería
las es no es necesariamente
necesariamente
preferencias con respectoel mismo el para
al riesgomismo para el que
el decisor decise
precio de compra C,
precio de compra C, de la misma lotería. de la misma lotería.
Si el paga
Si el decisor decisor C paga por la su
por laClotería, lotería,
nueva sulotería
nuevatendrá loteríapremios
tendrá premios
de ($0
Si el decisor paga C por la C)
lotería, y
su ($1,000
nueva –
loteríaC) con
tendrá igual probabilidad
premios de ($0 - C)
C) y ($1,000 – C) con igual probabilidad de ocurrencia. Su precio de y de ocurrencia.
($1.000 – C) Su precio de co
compra e
con igual probabilidad deelocurrencia. el valor
Su de
precio C,
de tal
compraque el
es eldecisor
valor es
de C, indiferente
tal que el comprar
decisor
valor de C, tal que el decisor es indiferente comprar y no comprar. Es decir es y no comprar.
indiferente en cuanto a puesto
comprar queypuesto que Es
al decisor
no comprar. al le
decisor le es
es puesto
decir, queindiferente
indiferente decisor lecomprar
alcomprar la
es rifa L,lapor
indiferente rifalaL,cantidad
por la cantida
Con
comprarla, le resultan indiferentes las dos ramas del árbol superiorsuperior
comprar la rifa L, por la cantidad C comprarla,
o no le
comprarla, resultan
le resultan indiferentes
indiferentes laslas
dos dos
ramasramas
del del
árbol árbol izquierdoizqd
la figura
superior izquierdo de la figura la
9.22. figura
9.22.
En En9.22. deEn
términos
términos términosesto de
de utilidad,
utilidad, utilidad,
esto que
significa esto
significa
C significa
es tal que:C esque
que tal C es tal que:
que:
U (0) 0.U
5*(0U) ($1 5 *U ($
0,.000 0.5 *CU) ( 0C.5) *U ( C)
C1),000 (9.4) (9.4
En particular, si U(0) En En particular,

= 0,particular,
entonces, si U(0) =silas
empleando 0,U(0) = 0, entonces,
ecuaciones
entonces, (9.3) usando
y (9.4),las
usando las ecuaciones
V yecuaciones
C satisfacen (9.3) V
(9.3) y (9.4), y (9.
yC
las ecuaciones: satisfacen
satisfacen las ecuaciones:
las ecuaciones:
U (V ) 0U
.5(*VU) ($1 5 *U
0,.000 ) ($1,000)
U ( C) UU ( ($C1) ,000U ($C1),000 C)
no serán,Evidentemente,
Evidentemente, V y CEvidentemente, por lo general, y C nopor
noVserán,
V y C iguales. serán, por lo general,
lo general, iguales. iguales.
Ahora, si se supone que el decisor satisface la propiedad delta, ent
Ahora, si se supone que elAhora,
decisor si se supone
satisface que eldelta,
la propiedad decisor satisface
entonces la propiedad
es posible mantener delta, entonces e
posible posible mantener su indiferencia entre la lotería y su equivalencia
cierta poc
su indiferencia entre la lotería y sumantener
equivalencia sucierta
indiferencia
por medioentre
se sumar la la
lotería
mismayconstante
su equivalencia
medio se sumar la misma constante a todos los resultados de la loter
a todos los resultados demedio sey sumar
la lotería a su EC.laDemisma constante
esta manera, a todos
si se suma los resultados
la constante C a todos de la lotería y a s
EC. De esta manera, si se suma la constante C a todos los premios y
los premios y a la EC delEC.árbolDe esta manera,
superior izquierdo de si lasefigura
suma9.22,la constante
se obtiene elCárbol a todos los premios y a la EC
inferior
delEsto
árbol del árbol
superior superior
izquierdo izquierdo
de la de
figura la figura 9.22, se obtiene el árbo
izquierdo de dicha figura. demuestra que la EC del decisor de la lotería9.22,
L es else obtiene
precio de el árbol inferio
izquierdo izquierdo
de dicha de dichaEsto
figura. figura. Esto demuestra
demuestra que la quedel
EC la decisor
EC del de decisor de la
la lotería
compra C.
es el precioes eldeprecio
compra de compra
C. C.
Por otro lado, la parte superior
Por otro Por
derecha
lado,otro
de la lado,
la figura la
parte 9.22 parte superior
demuestra
superior derechaque laderecha
EC de
de la esta demisma
figura la9.22
figura 9.22 demuest
demuestra que l
lotería L es el precio deECventa EC
deV.estaDadodeque
mismaesta mismalotería
cualquier
lotería Lloteríadebe
es el L es
tener
precio eldeprecio
una solade
venta V.venta
EC, se tiene
Dado V.queDado que cualqui
cualquier loterí
que C = V; el precio de compra y eldebe
debe tener precio
unatener
de venta
sola una
EC,desola EC,
unatiene
se se
lotería tiene
serán
que =queV; elC
C iguales para= V; elde
quien
precio precio
esté
compra de compra
y el precioy eld
venta de
dispuesto a aceptar la propiedad venta
una de
delta. una serán
lotería loteríaiguales
serán iguales
para quien paraesté quien esté dispuesto
dispuesto a aceptar a ala
propiedad propiedad
delta. delta.
Figura 9.22: La probabilidad delta implica la equivalencia entre los precios de compra y
venta
$ 1000 - C $ 1000
L 0.50 L 0.50
$ 0-C $0
0.50 0.50
$0 V
2
Propiedad
Delta
$ 1000
L 0.50
$0 Entonces :
0.50 C=V
• 275 •
C
LA FUNCIÓN DE UTILIDAD EXPONENCIAL

LA FUNCIÓN DE UTILIDAD EXPONENCIAL
Análisis de Decisiones Estratégicas Como se dijo, si un decisor satisface la propiedad delta, s
será
Comolineal o exponencial.
se dijo, si un decisor Además,
satisface satisfacer la propiedad
la propiedad delta,
LA FUNCIóN DE UTILIDAD EXPONENCIAL EC
seráde cualquier
lineal o exponencial. lotería es independiente
Además, satisfacerde la la riquez
propiedad
decisor.
EC lade
Como se dijo, si un decisor satisface Esta
cualquier
propiedad riqueza
delta, sulotería estaría
función de representada
esutilidad
independiente
será lineal por la Δ,
de la riquez
o exponencial. Además, satisfacer la preferencias.
decisor.
propiedad deltaEsta Por
implica esta
que la razón,
riqueza ECestaría muchas veces
representada
de cualquier lotería es se por
conoce
la Δ,a
independiente de la riqueza acumulada lineales
por el y exponenciales
decisor. Esta riqueza como
estaría funciones
representada
preferencias. Por esta razón, muchas veces se conoce a por la de
Δ, utilidad indepe
la
que no afecta las preferencias. Por esta riqueza.
razón,
lineales muchas veces se conoce a las curvas de utilidad
y exponenciales como funciones de utilidad indepe
lineales y exponenciales como funciones de utilidad independientes del nivel de la riqueza.
la riqueza.decirse que en un rango razonable de valores mo
Debe
utilidad
Debe decirse que en un rango razonable Debe devalores
de muchas
decirse que personas
monetarios,
en launcurva y de
rangocorporaciones
utilidad
razonable de depuede
valoresajust
mo
muchas personas y corporaciones puede una función
ajustarse exponencial
bastante bien a como
una la
función
utilidad de muchas personas y corporaciones puede ajus siguiente:
exponencial
como la siguiente:
una función exponencial como la siguiente:
U ( x) a be x / R
U ( x) a be x / R (9.5)
Donde x es el valor monetario, R es la tolerancia a
parámetros determinados al escogerR dos puntos en laa
Donde x es el valor monetario, R es la Donde es ely avalor
tolerancia xal riesgo y b sonmonetario,
parámetros determi- es la tolerancia
nados al escoger dos puntos en la curva
parámetro
parámetros b debe
de utilidad. Eldeterminados
ser positivo.
parámetro b debe ser
El valor
al positivo.
escoger de describe
dosR puntos
El valor enla la
cu
utilidad
de R describe la curvatura de funciónparámetro y
de utilidad y bes
es debe expresado
expresado en
serenpositivo. las mismas
las mismasElunidades
valor de unidades que
que R describe la cu
los monetarios. Por ejemplo, si los dosejemplo,
utilidad ysies
puntos arbitrarioslosescogidos
dos puntos
expresado enarbitrarios
las de
en la estimación mismas escogidos
la curva unidades en laquees
fueran
fueran U($0) = 0 y U($1,000) = 1, entonces
ejemplo, U($0)
la función de=utilidad
si los 0dos
y U($1,000)
que pasa por
puntos = 1, dos
estos entonces
arbitrarios puntos la función
escogidos en lade es
estará dada por: estos dos puntos está dada por:
fueran U($0) = 0 y U($1,000) = 1, entonces la función de
estos dos puntos está dada por:
1 e x/R
U ( x) x / R/ R
(9.6)
11 e e1,000
Se debe U ( xnotar
) que enR esta ecuación x y R están expresados en
estuvieran expresados 1 e 1,000/en miles de dólares, la constante del ex
Se debe observar que en esta ecuación x y R están expresados 3 en dólares. Si estuvieran
transformaría
expresados en miles de dólares, la constantede del1,000
exponente a 1se. transformaría de 1,000 a 13.
Debe notarse que a medida R tiende a infinito, la función U
Debe señalarse que a medida R tiende a infinito, la función U(x) se hace lineal:
lineal:
1 e x/R
lim U ( x) lim x / 1,000
R 1 e 1,000/ R
Es decir, que la función de utilidad lineal es un caso especia

Es decir, que la función de utilidad lineal es un caso especial de función exponencial, cuando
R = ∞; o cuando 1/R = 0. exponencial, cuando
Muchas veces la gente R a=1/R como
se refiere ∞; o elcuando
coeficiente1/R = 0. Muchas veces
de aversión
al riesgo. Entonces, se dirá que el decisor es indiferente al riesgo cuando 1/R = 0. Cuando riesgo.
refiere a 1/R como el coeficiente de aversión al este Entonces, se
decisor
ratio es positivo, el decisor es adversoesal indiferente
riesgo, y cuandoalesriesgo
negativo,cuando
es favorable1/R = 0. Por
al riesgo. Cuando este ratio
tanto, mediante la función el de
decisor es adverso
utilidad exponencial al riesgo,
pueden y cuando
caracterizarse es negativo,
las preferencias del es favorab
decisor frente al riesgo con un solo parámetro: el coeficiente de tolerancia al riesgo.
Por tanto, mediante la función de utilidad exponencial se pueden Es posible
hacer una analogía y afirmar que este coeficiente juega el mismo rol en las preferencias del
las preferencias del decisor frente al riesgo con un solo pa
decisor frente al riesgo que el factor de descuento con respecto al tiempo.
coeficiente de tolerancia al riesgo. Se puede hacer una analogía y
este coeficiente juega el mismo rol en las preferencias del decis
3
riesgo que el factor de descuento con respecto al tiempo.
El software Supertree tiene incorporada la función de utilidad exponencial. Al usar la opción Attitude-to-Risk del
Menú Analyze, se debe fijar la tolerancia al riesgo (R). Es necesario recordar que las unidades de R y de x (valores de los
resultados) deben ser las mismas. Una forma más conveniente para parametrizar la función
exponencial de la ecuación (9.5), es:
• 276 •
x/R
1 e
U ( x) 1/ R
1 e
el decisor es adverso al riesgo, y cuando es negativo, e
Por tanto, mediante la función de utilidad exponencial se
las preferencias del decisor frente al riesgo con un
coeficiente de tolerancia al riesgo. Se puede hacer una a
• Capítulo 9 • este coeficiente
Evaluación juega elconmismo
de las preferencias respectorol en las preferencias
al riesgo
riesgo que el factor de descuento con respecto al tiempo.
Una forma
Una forma más conveniente para parametrizar másde conveniente
la función para
utilidad exponencial de la parametrizar la
ecuación (9.5), es: exponencial de la ecuación (9.5), es:
x/R
1 e
U ( x) 1/ R (9.7)
1 e
Para la
Para la cual U(0) = 0, U(1) = 1. A medida quecual U(0)U(x)→x.
(1/R)→0, = 0, U(1) = 1. A medida que (1/R)→0, U(
Existen varias maneras de estimar fácilmente el parámetro de tolerancia alde
Existen varias maneras estimar
riesgo. fácilmente el parám
La primera
será considerar la lotería descrita por riesgo.
el nodo deLaazarprimera
en la figuraes9.23.considerar lamáximo
¿Cuál es el valor lotería descrita por e
de ρ (rho) que haría aceptar el riesgofigura 9.23.
de terminar ¿Cuál
(ρ/2) es elcon
más pobres, valor
una máximo
probabilidaddedelρ (rho) que haría
50%, o terminar ρ más ricos, con una terminar
probabilidad(ρ/2)
del 50%? más pobres,
El valor con una probabilidad del 50
de ρ es, aproximadamente,
la tolerancia al riesgo (R). ricos, con una probabilidad del 50%? El valor de ρ es,
tolerancia
Otra manera de estimar R es, considerando al riesgo
la lotería (R).9.24, y preguntar: “¿cuál es
de la figura
el máximo valor de ρ que haría aceptar el Otra manera de estimar
riesgo de terminar ρ más unaes,
ricos, con R considerando la loter
probabilidad
del 75%, o terminar ρ más pobres, con una probabilidad del 25%? Otra vez, ρ es,
preguntar: “¿Cuál es el máximo valor de ρ que haría aproximada-
mente, la tolerancia al riesgo.
terminar ρ más ricos, con una probabilidad del 75%, o ter
con una probabilidad del 25%? Otra vez, ρ es, aproximad
al riesgo.
Figura 9.23: Estimación de la tolerancia al riesgo
Figura 9.23: Estimación

0.5 de la tolerancia
ρ
al riesgo
Tomar el riesgo 0.5
Tomar el riesgo
-ρ / 2 -ρ
0.5 0.5
No tomarlo
No tomarlo
0
3
El software Supertree tiene incorporada la función de utilidad exponencial
to-Risk del Menú Analyze, se debe fijar la tolerancia al riesgo (R). Se debe re
y de x (valores de los resultados) deben ser las mismas.
Figura 9.24: Otra manera de estimar la tolerancia al riesgo
ρ
0.75
Tomar el riesgo
-ρ
0.25
No tomarlo
0
• 277 •

0.75
ρ
Tomar el riesgo
ρ
0.75 -ρ
Tomar el riesgo 0.25
-ρ
0.25
Las pruebas de estas técnicas de estimación son directas a partir de los conceptos de indi- 0
No tomarlo
ferencia y la ecuación (9.7).

No tomarlo
Las pruebas de estas técnicas de estimación 0 son directas a partir d
Así, la figura 9.23 establece que:
conceptos de indiferencia y la ecuación (9.7).
Las pruebas
Así, la de estas
figura 9.23técnicas
establece de que:
estimación son directas a partir de los
conceptos de indiferencia y la ecuación (9.7).
Así, Ula(0figura
) 0.59.23
*U ( establece
) 0.5 *Uque: ( / 2)
U (0) 0.5 *ParaU ( )estimar

0.5 *Uestas
( / 2utilidades
) se usa la ecuación (9.7) y se obtiene que
Para estimar estas utilidades se aplica la ecuación (9.7) y se obtiene que R,igual
tolerancia al riesgo, es aproximadamente la tolerancia
al valoralde ρ (R=1.04ρ).
riesgo, es aproximadamenteParaigual
estimar
al estas
valor de ρ utilidades
(R=1.04ρ). se usa la
Después de estimar el parámetro de tolerancia ecuación (9.7) y se obtiene queserá
al riesgo R, lapo
tolerancia al riesgo, es
estimardelatolerancia aproximadamente
equivalencia cierta igual al valor de ρ (R=1.04ρ).
Después de estimar el parámetro al riesgo será de cualquier
posible evaluarlotería de una manera rápida us
la equivalencia
Después
la de estimar
expansión de laselseries
parámetro
de de tolerancia
Taylor, de la al riesgo
función será yposible
de utilidad, distribuy
cierta de cualquier lotería de una manera rápida empleando la expansión de las series de Taylor,
estimarlasla equivalencia
probabilidades ciertadede cualquier
ocurrencia lotería
de de
los una manera
resultados rápida
de la usando
lotería.
de la función de utilidad, y distribuyendo las probabilidades de ocurrencia de los resultados de
la expansión de las series
aproximación está de Taylor,
dada por: de la función de utilidad, y distribuyendo
la lotería. Esta aproximación está dada por:
las probabilidades de ocurrencia de los resultados de la lotería. Esta
aproximación
EC VE está1 /dada por:
2 * (Varianza / tolerancia al riesgo) (9.8
EC VE 1La * (Varianza
/ 2varianza / tolerancialaaldispersión
caracteriza riesgo) de la(9.8)distribución de probabilidade(9.8)
los resultados; es decir, el grado de incertidumbre; y la tolerancia al ri
La varianza
caracteriza caracteriza
la actitudladel dispersión
decisor frentede la al distribución
riesgo quedeestá probabilidades
implícita en la defun
La varianza caracteriza ladedispersión
los resultados; utilidad. esde la distribución
decir, el grado de probabilidades
de incertidumbre;de los resultados;
y la tolerancia al riesgo
es decir, el grado decaracteriza
incertidumbre; yactitud
Alapartir la tolerancia
dedel al
losdecisorriesgofrente
conceptos caracteriza la actitud
al riesgo
expuestos, que del decisor
se está
puede implícita
observar en laquefunción
el seg
frente al riesgo que está implícita
de utilidad. en la función de utilidad.
término de la derecha de la ecuación (9.8) es el premio al riesgo. Para es
A partir
A partir de los conceptos de los
la varianza
expuestos, seconceptos
se puede toma expuestos,
el rango
observar que elcomprendido
segundo setérmino
puede deobservar
entre lalos puntos
derecha quedelel10%segundo
y 90%
término
de la ecuación (9.8) es el premio de
curva la derecha de
de probabilidades
al riesgo. la ecuación
Para estimar la varianza (9.8)
acumuladas, es
se toma else el
rangopremio
eleva al riesgo. Para
al cuadrado y luego
comprendido estimarse d
la varianza
entre los puntos del 10% y 90% dese
entre toma
la6.6.
curvaEsteel probabilidades
de rango
valor es comprendidobuena entre
unaacumuladas, los puntos
aproximación
se eleva del 10%
porque
al cuadrado y 90%compren
el rango de la
curva
y luego se divide entre de
6.6. Este probabilidades
entre
valor elesprimer
una buena acumuladas,
y noveno decil de
aproximación seuna
porque eleva al cuadrado
eldistribución
rango normal
comprendido y luego
es igualse divide
a 2.56 v
entre
entre el primer y noveno decil6.6. Este
la dedesviaciónvalor
una distribuciónes una
estándar buena
normalde aproximación
dicha
es igual porque
distribución.
a 2.56 el rango comprendido
Dado que la varianza e
veces la desviación
entre elcuadrado
estándar de dicha distribución. primer
Dado que y noveno
de decil
la desviación
la varianza decuadrado
es el una distribución
estándar, de lase normal
obtiene
desviación es igual
(2.56)
estándar,
2
=6.6a veces
2.56 veces
la varia
la desviación
se obtiene (2.56) =6.6 veces Para
2 estándar
distribuciones
la varianza. de dicha distribución.
de probabilidades
Para distribuciones de probabilidades que queDado
no sean que
no2 seanlas la varianza
lasnormales esto es será
el
cuadrado
normales, esto será sólo una una de la desviación
aproximación.
aproximación. estándar, se obtiene (2.56) =6.6 veces la varianza.
Para distribuciones
¿Cuál es de un probabilidades
rango razonable que deno sean las
valores paranormales
el cual laesto seráexpone
función sólo
¿Cuál es un rango unarazonable de valores para
aproximación.
es adecuada? Es el cual la
aquél enfunción
el cualexponencial
ninguno de eslos
adecuada?
valores monetarios, nega
Es aquél en el que ninguno ¿Cuálde los
esvalores
un rango
o positivos, monetarios,
son razonable
mayores negativos laotolerancia
de valores
que positivos,
parason mayores
el riesgo.
al que
cual la función exponencial
la tolerancia al riesgo.
es adecuada? Hay Es aquél
otras en el cual
funciones queninguno
pueden deajustarse
los valores monetarios,
a las de utilidad negativos
con un r
o positivos,
mayor son de mayores
valores, que
pero lanotolerancia
son tan al riesgo.
convenientes
Hay otras funciones que pueden ajustarse a las de utilidad con un rango mayor de valores, para trabajar en la evalua
Hay deotras funciones
alternativas que
inciertas, pueden
pues ajustarse
no cumplen
pero no son tan convenientes para trabajar en la evaluación de alternativas inciertas, pues no a las
con de
la utilidad
propiedad con un
delta. rango
Además,
mayor de valores,
distribución pero
de no son
probabilidadestan convenientes
muestra
cumplen con la propiedad delta. Además, si la distribución de probabilidades muestra un rango un pararangotrabajar
muy en la
amplio evaluación
de valores
de alternativas
función inciertas,
de utilidad pues no cumplen
exponencial no con
muy amplio de valores y la función de utilidad exponencial no puede ser aplicada, el analistapuede la propiedad
ser usada, delta.
el Además,
analista si la re
debe
distribución de
explícitamente probabilidades
esta
debe revisar explícitamente esta distribución con el decisor. muestra
distribución conun elrango
decisor. muy amplio de valores y la
función de utilidad exponencial no puede ser usada, el analista debe revisar
explícitamente esta distribución con el decisor.
25
• 278 •
9.9. FORMAS DE LA CURVA DE UTILIDAD REQUERIDA POR LA

9.9 FORMAS DE LA CURVA DE UTILIDAD REQUERIDA POR LA PROPIEDAD DELTA
PROPIEDAD
9.9.FORMAS
FORMAS DELTADELA LA* CURVA DE UTILIDAD REQUERIDA POR L
9.9.
9.9. FORMAS DE DE LA CURVA
CURVA DEDEUTILIDAD
UTILIDAD REQUERIDA
REQUERIDA PORPOR LA
Aquí se demuestra que la 9.9. FORMAS
propiedad PROPIEDAD
DE LA CURVA
PROPIEDAD
delta establece DELTA
DELTA
requerimientos * **severos en
DE UTILIDAD REQUERIDA
la forma de POR LA
AquíPROPIEDAD
se demuestraPROPIEDADque la
DELTA
DELTA
* propiedad delta establece requerimientos seve
la curva de utilidad. Si un decisor satisface la propiedad delta, entonces, para cualquier lotería
la forma Aquí de la curva de utilidad. Si un decisor satisface requerimiento
la propiedad
con resultados Ri (i=1,…,n) y cualquier
9.9. Aquí
Δ,
Aquí
FORMAS sese
se
demuestraque
demuestra
demuestra
DE LA CURVA
quelalapropiedad
que DE
propiedad
lacon
propiedad
UTILIDAD
deltaestablece
delta
delta
REQUERIDA
establece
establece PORrequerimientos
requerimiento
LA
entonces,
Aquí se para
demuestra cualquier
que la lotería
propiedad resultados
delta establece R (i=1,…,n)
requerimientos y cualquier
severos Δ
en
lala formade
forma
lade
PROPIEDADforma
delalacurva
de
curvade
la curva
DELTA *
deutilidad.
utilidad.SiSiun
deSiutilidad.
undecisor
Si un
decisorsatisface
i satisface
decisorla satisface lala prop
lapropi
pro
la forma la curva
entonces,para de utilidad.
paracualquier
cualquierlotería un decisor
loteríacon satisface
conresultados
resultadosRR propiedad delta
i (i=1,…,n)y ycualqu
cualq
entonces, i (i=1,…,n)
U ( EC entonces,
entonces, para p para
) cualquier cualquier
U ( R lotería) conlotería con R
resultados resultados
i (i=1,…,n)R
(9.9) (i=1,…,n)ǻ,y cual
yi cualquier (9
Aquí se demuestrai que ila propiedad delta establece requerimientos severos e
U( EC
( ECla )curva
) pU U( R( Ri ) Si
) un decisor satisface la propiedad delt
Ula( EC U'U
forma ) de ¦
( EC pi U)( Ri pde
i'pi)i utilidad.
U (i Ri ) (9.9)
Esta
entonces,
Esta relación está expresada relación
para
en la figura está expresada en
cualquier lotería con resultados
9.20. la figura R9.20.
i (i=1,…,n) y cualquier ǻ,
Ahora,Esta suponiendo relación que
está para
expresada un cierto en9.20.valor
lafigura monetario
figura 9.20. x la curva de u
Ahora, suponiendo que paratenga unEsta cierto Esta
relación valor
Esta relación
está
monetario
relación está
expresada xestála expresada
curva en de
expresada la utilidad
figura en en la
tenga
la 9.20.
la forma
figura 9.20.
de una línea recta:
U ( EC 'Ahora,la
Ahora, suponiendo
forma
) Ahora, ¦ pi Usuponiendo
de
Ahora,suponiendo
una
suponiendo
línea
( Ri ' ) que
que para que
recta:
unque
paraun
para
cierto
paravalor
uncierto
cierto
un ciertomonetario valormonetario
valor monetario
la curva x
valorxmonetario dexla(9.9)
lacurva
curv
x utilidad
la cur
tenga la tenga
tengaformalade la formaforma
una línea de
dede una una
recta: línea
línea recta:
recta:
x) tenga
U ( Esta arelaciónbx la forma una
está expresada en la figura 9.20.
línea recta: (9.
U ( x)Ahora, UaU ( x(bx
U xsuponiendo
) a bxbx que para un cierto valor (9.10)
()xa) ayde ab son bx constantes.
monetario x la curva (9.10) de utilida
tenga Donde la forma una línea recta: El parámetro b debe ser positivo para c
con la propiedad aDonde dey que son la curva
constantes. de utilidad blasea monotónicamente crecie
Donde a y b son constantes.UEl (
Donde
x parámetro
) a Donde
bx
y bb debe
Donde
son aaayconstantes.
ser bpositivo
yb b son sonconstantes.
paraEl parámetro
constantes. cumplir ElElcon parámetro
Elparámetro
debe
propiedad
parámetro b
debeser
serbbpositivo
debe
debe ser
ser
para positivo
cumpli
positivo
positivo
(9.10) p
cual establece
conlalapropiedad que
propiedad un incremento
de quela lacurva en
curva x produce
de utilidad un incremento
sea en
monotónicamente el valoe
de que la curva de utilidad seacon la propiedad
con
monotónicamente con laque
de que la
creciente,
propiedad de curva
que
parámetro
de queen
de
la
utilidad
que de sea
establece
curva de utilidad
monotónicamente
utilidadque sea
un in- creciente,
monotónicamente
sea monotónicamente c
utilidad.
cual establece cual Entoncesestablece un deincremento
la
que relación
unincremento (9.9):
incremento x produce en un incremento
produce
xproduce en el valor en
unincremento
incremento de
enela
cremento en x produce un incremento cual en
cual establece
el valor de la que
utilidad. un Entonces de laen x
relación (9.9): un
utilidad.Donde Entonces
utilidad. a yestablece son
b Entonces
de la que un(9.9):
constantes.
relación incremento
delalarelación El parámetro
relación
en x produce un incremento en
(9.9):b debe ser positivo para cump
con la utilidad.
utilidad.
propiedad Entonces
Entonces
de que de
la de
curva la relación
de utilidad (9.9):
(9.9):sea monotónicamente creciente,
a b( EC ) pi a b( Ri )
cual establece que un incremento en x produce un incremento en el valor de
a b( ECa 'b) ( EC ¦pipRde i >a b( Rp ' )@ b( R
a apaiEntonces
utilidad. b(bbEC )i ))lab relación pii pp iaia b(9.9):
(bR(i Ri ) ))
( EC a
a ¦ pi ba¦ ppi Ri bb' ¦ pi i i
a a pi pi b b pipR p i Ri b b
iR b pippi
Ya dado
b( ECque ' ) Σp¦ i
i=1: pi >a bi ( R i ' )@
i
i
Y dado que Ȉpi=1:

Y dado que Σpi=1: a ¦YpY i dado b¦ que
dado pquei Ri Σp Σp bi' i¦
=1:=1:pi
EC Y pdado que
VE Σpi=1:
i Ri
EC ¦ pi Ri VE
Y dadoEC EC
que Ȉpi=1: pipR R VE
EC pi i Ri VEVE
Por lo tanto, i lai curva de utilidad en forma de línea recta satisfa
Por lo tanto, la curva de utilidad en forma de línea recta satisface la
EC ¦ pi R
propiedad delta
Por VE y tanto,
produce una ECde igual al VE de dicha lotería.
Por lo tanto, la curva depropiedad
utilidad enPor delta i
forma
Porotras loylo de
lo tanto,
produce
línea
tanto, recta
lacurva
launa curva
EC igual
ladesatisface
curva dedela alutilidad
utilidad
VE de en
propiedad
utilidad
enforma
dicha forma
delta
en lotería. dedelínea
y satisfagan
forma
línea rectas
de línearecta
¿Existen
¿Existen propiedad otras delta
formas formas y de produce
la la
curva curva
una de ECde
utilidad utilidad
igual al
que VEque de dicha
satisfagan lotería.
la larecta
prop
propiedad
dicha propiedad
produce una EC igual al VE de delta? propiedad
lotería.
Sí, por
delta
métodos delta y yproduce
que produce
están
una una
fuera
EC EC igual
de igual
los
al al
VEVE
objetivos
dede dicha
dicha
de
lotería.
este lotería.
texto se
Por
delta? Sí, por lo tanto,
¿Existen
¿Existen métodos la otrascurva
otrasqueformas de
formas
están utilidad
fuera
de delade en
lacurva
curvaforma
los objetivosde de
deutilidadlínea
utilidad
de este recta
que
que texto satisface
satisfagan
se puede
satisfagan la
probar
propiedad la ¿Existen
existencia
delta y produce otras
de otra formas
una única
EC de
forma
igual laal curva
de
VE la
de de
curva
dicha utilidad
de que
utilidad
lotería. satisfagan
que satisf
¿Existen otras formas de laprobar
curva de ladelta?
utilidad
delta? existencia Sí, Sí,
quepor por
satisfagan métodos
demétodosotra única que que
la propiedad forma están
están delta? lafuera
defuera Sí, por
curva de de los
métodos
de
los objetivos
utilidad
objetivos quede de estetext
satisface
este tela
propiedad
de¿Existen delta? delta,
otras Sí, por
comoformas métodos
es lala funciónque están fuera
exponencial: de los objetivos de este te
propiedad
que están fuera de los objetivos este probar
probar delta,
texto selacomo
la existencia
puede
existencia es
probar la de dela
función
de
curva
otra
existencia
otra única de
exponencial:
única
utilidad
deformaforma
otra únicade
que
de forma
la
satisfagan
lacurva
curvade la propieda
deutilidad
utilidad que
que
delta? Sí,probar
lapropiedad por la
métodos existencia que de
están otrafuera únicade forma
los objetivosde la curva
de este de utilidad
texto se pued qu
de la curva de utilidad que satisfaga propiedad propiedaddelta, delta,como
delta, comocomo eseses
lala lafunción
función función exponencial:
exponencial:
exponencial:
propiedad delta, como es la función exponencial:
Uprobar
U( y()y ) alaa bC existencia de otra única forma de la curva de utilidad que satisface
y
bC y
(9.11)
propiedad delta, como y es la función exponencial:
U ( y )
U ( y()y ) a a bCbC a bC y
y
Dondea,U
(9.11) que un incremento en y
Donde a,b b yC yy C son son constantes
constantes definidasdefinidas de tal demanera
tal manera que un increment
U (
produzcay ) a
ununbC incremento en U(.); elloello implica, entreentre otras cosas que que noun
Cque (9.11
puede
produzca Donde incremento
a, b y C son en U(.);
constantes implica,
definidas de otras
tal cosas
manera no
C inc
Donde Donde a, b y C
b y C son son constantes
constantes definidas
definidas de tal
de tal manera que un incre
ser
Donde a, b y C son constantesser1.definidas
1. produzca de tal a, manera
un incremento que un incremento
en U(.); en y implica,
ello produzca un manera
entre otras
que un
cosas
inc
que
Donde produzca
Sustituyendoa, b y C son
produzca unun
U( )incremento
constantes
de incremento
la ecuación enen
definidas U(.);
(9.9)U(.); ello
deello
por implica,
tal
la manera
implica,
forma entre
que
entre
exponencialotras
unotras cosas
incremento
cosas
determinadaqueen
qu
incremento en U(.); ello implica, entre Sustituyendo
otras
ser1. 1.cosas U( )Cde
que no la puede ecuaciónser 1. (9.9) por la forma exponencial determ
produzca
por ser un incremento en U(.); ello implica, entre otras cosas que C no pued
por(9.11),
(9.11), serse1. se tiene:
Sustituyendo tiene:
ser 1. (9.9)Sustituyendo
Sustituyendo U( ) de la ecuación por la forma exponencial
Sustituyendo U(U( U( ) )de delalaecuación
) de
ecuación(9.9)
ladeterminada
ecuación por
(9.9)(9.11),
(9.9) porporlala
por se la
formaexponencial
forma exponencial
forma exponenciad
tiene: a bC
por
(por
bC ( EC
a (9.11),
por
Sustituyendo (9.11),
EC ' )(9.11), U(
por )(9.11), ¦ pi se
se tiene: paise>
se
abC
tiene:
)tiene:
de (la
tiene: ')
bC ( Ri ) @
Ri ecuación (9.9) por la forma exponencial determinad
( EC ) (R )
a bC bC ( EC )
pipque ai aa)Ȉp bC ( Ri i )
Y, otra a bC
> @
( Ri )
vez, bC ( EC )
( ECa ' )considerando (p bC=1:
a otra
Y, bC vez, considerando ¦ pi a bC que i Σpi=1: Rii '
' ) Y, otra (vez, Ri ' ) considerando que Σp =1:

C ( EC( EC
C otra )vez,
Y,
Y,Y, ¦otra piCvez,
otra piC vez,
considerando ( Riconsiderando
considerando
) que Σpi=1:
que Ȉpi=1:que Σpi=1:
i
( EC ) ( Ri ) • 279 •
CC(CEC( EC) ) ( Ri 'piC
piC( Ri )
) piC ( Ri )
C ( EC ' )
¦ piC
26
2
Y, otra vez, considerando que Σpi=1:
C ( EC   )   piC ( Ri   )
CCEC   piC
EC Ri
piC
Ri
Entonces, si la curva de utilidad tieneEntonces, si la curva

la forma exponencial, la EC dede
unautilidad
lotería notiene
depen- la forma expone
derá de delta. Además, la curva de lotería
utilidad exponencial
no dependerá de delta. Además,C,la curva de utili
es descrita por un solo parámetro,
el que puede ser escogido por conveniencia. La curva de utilidad que se aplica en este texto es
descrita por un solo parámetro, C, el cual puede ser escogi
la forma exponencial:
La curva de utilidad que se usa en este texto es la forma ex
y/R
U (Y ) a be
Donde C=-e-1/R , R es la tolerancia al riesgo y se ha probado que esta función satisface la
Donde C=-e-1/R, R es la tolerancia al riesgo y se
ha proba
propiedad delta. Esto también es cierto con las otras formas parametrizadas de la función de
utilidad exponencial (ver ecuacionessatisface
9.6 y 9.7). la propiedad delta. Esto también es
cierto co
parametrizadas de la función de utilidad exponencial (ver ec
9.10.RESUMEN Y CONCLUSIONES
El valor esperado frecuentemente no es un criterio satisfa
Frecuentemente el valor esperado situaciones
no es un criterioque involucren
satisfactorio grandes
para elegir incertidumbres y
en situaciones
que involucren grandes incertidumbres y comprometan gran cantidad de
cantidad de recursos. Si bien las personas recursos. Si bien las o empresas
personas o empresas están dispuestas a aceptar el VE como criterio de decisión para inversiones
aceptar el VE como criterio de decisión para inversione
“pequeñas”, para inversiones importantes (cuantiosas) están dispuestas a ceder parte del VE con
inversiones
el fin de evitar la incertidumbre y riesgo. importantes
Esta aversión al riesgo les (cuantiosas) están dispuestas a ce
lleva a elegir alternativas
diferentes de las indicadas por el VE.el fincomportamiento
Este de evitar la incertidumbre
puede ser incorporado eny elriesgo.
Análisis Esta aversión a
elegir alternativas diferentes de
de Decisiones usando el valor de la equivalencia cierta (EC) en vez del valor esperado. las indicadas por el VE E
puede ser incorporado
La equivalencia cierta puede valorarse/calcularse directamente para encadael lotería,
Análisis de decisiones usa
pero este
equivalencia cierta (EC) en vez del valor
procedimiento es engorroso y difícil de hacerlo consistentemente. Si el decisor está dispuesto esperado.
La equivalencia
a aceptar un conjunto de reglas de comportamiento (axiomas),cierta
se puedepuede valorarse/calcularse dire
mostrar/establecer
una función de utilidad que describelotería, pero
su actitud con este
respecto procedimiento
al riesgo. Empleando esta funciónes engorroso y
consistentemente. Si el decisor está dispuesto a aceptar u
de utilidad se puede calcular fácil y consistentemente la EC. Es decir, que la función de utilidad
puede aplicarse para transformar lade distribución de probabilidades
comportamiento de valores (resultados
(axiomas), se puede de la mostrar/estable
lotería) en la EC.
utilidad que describe su actitud con respecto al riesgo. Usa
Existe un proceso para estimar utilidad selapuede
directamente función decalcular fácil
utilidad. Sin y consistentemente
embargo, para la la E
mayoría de personas y empresas, lasfunción
funciones de
de utilidad puede usarse rango
utilidad pueden aproximarse para un para transformar
razonable de valores mediante una función exponencial con un solo parámetro, llamado la to-
probabilidades de valores (resultados de la lotería) en la EC
lerancia al riesgo. Esto hará que la tarea de expresar y comparar las actitudes frente al riesgo
sea muy simple, así como su implementaciónExisteparaun proceso
calcular la EC depara estimarinciertas
las alternativas la función de utilida
que enfrenta el decisor. embargo, para la mayoría de personas y empresas, las f
pueden aproximarse para un rango razonable de valores m
exponencial con un sólo parámetro, llamado la tolerancia
que la tarea de expresar y comparar las actitudes frente
• 280 • simple, así como su implementación para calcular la EC
inciertas que enfrenta el decisor.
iX. PrOBLEMAs
1. Defina los siguientes términos:
a. Lotería
b. Equivalencia cierta
c. Premio al riesgo
d. Útiles
e. Tolerancia al riesgo
2. ¿Cuáles son los problemas que se presentan al elegir entre proposiciones inciertas a partir
de calcular la equivalencia cierta para cada una y escoger la de mayor EC?
3. En relación al premio al riesgo, ¿cuándo se dirá que el decisor es adverso al riesgo, favorable
al riesgo y neutral al riesgo?
4. ¿Cuáles son los cinco axiomas base de la teoría normativa del comportamiento electivo?
¿Cuál es el propósito de estos?
5. Con respecto a la función de utilidad, ¿cuáles son sus bondades? ¿cuáles son sus propiedades?
Y, ¿en qué ocasiones es recomendable su uso?
6. ¿Qué implica la indiferencia del decisor en relación a dos o más alternativas?
7. En sus propias palabras, explique el concepto de “utilidad marginal decreciente del dinero”.
8. ¿Cuáles son las propiedades de la curva de utilidad?
9. Si ya cuenta con una curva de utilidad, ¿cuál es el procedimiento para calcular la equiva-
lencia cierta?
10. Defina la propiedad delta. ¿Qué ventaja ofrece?
• 281 •
PARTE 3
APlicAción dEl Análisis

dE dEcisionEs
cAPÍTUlo 10
EsTRUcTURAción dE los PRoblEmAs

dE dEcisionEs comPlEjos
• Introducción
• Una Aplicación del Análisis de Decisiones
• Marco Apropiado
• Alternativas Creativas y Viables
• Información Relevante y Confiable
• Diagramas de influencias
• Criterios de Decisión
• Casos: GULP y Distribuidora de Agua de Mesa
• Problemas
• 285 •
10.1 INTRODUCCIÓN
La toma de decisiones estratégicas requiere considerar un gran número de incertidumbres,

períodos largos y preferencias complejas. En capítulos previos, se vio cómo tratar el tema del
tiempo y los diferentes tipos de preferencias en situaciones simples y bien estructuradas, ade-
más de las herramientas principales utilizadas en el análisis de decisiones. Al tratar de aplicar lo
aprendido a problemas de decisión del mundo real, con gran cantidad de variables de decisión e
incertidumbres, nos sentiremos desalentados al tratar de considerar las complejidades de dichos
problemas. Como se vio en el capítulo 3, la metodología de Análisis de Decisiones permite estruc-
turar y modelar los problemas de decisiones complejos en los cuales la pericia y el conocimiento
de muchas personas y grupos deben incorporarse en una forma efectiva.
Los problemas de decisión reales son usualmente complicados y presentan muchas dificultades.
A menudo están descritos de una manera poco clara y ni siquiera se han definido cuáles son las
decisiones a tomar. Además, el desconocimiento inicial del analista sobre los factores técnicos,
económicos y políticos que son específicos a un problema de decisión, hace que su tarea no sea
nada simple. El carácter general de la metodología del Análisis de Decisiones permite aplicarla a
cualquier problema de decisión independientemente de su complejidad y de la disciplina o marco
particular en el que el problema ocurre. La regla más importante para tratar con cualquier tipo
de problema de decisión es “mantenerlo simple”. Introducir complejidades innecesarias hace
que el análisis sea más difícil y se impida un mejor entendimiento y transparencia del problema
para el decisor y sus expertos.
La metodología del Análisis de Decisiones aplica un enfoque cíclico: el ciclo del Análisis de
Decisiones, un procedimiento iterativo que permite tratar diferentes problemas de decisión.
Desde definir el portafolio de negocios de una corporación –en qué negocio(s) invertir– hasta
decisiones de proyectos específicos. Como ilustra la figura 10.1, la metodología del Análisis de
Decisiones consta de cuatro fases: Estructuración, Análisis Determinístico, Análisis Probabilístico
e Interpretación de Resultados.
Al comenzar a tratar un problema de decisiones, el decisor y sus expertos tienen consigo
un conocimiento inicial sobre el problema. Luego, en la fase de estructuración se enmarca el
problema, se generan estrategias alternativas, se recauda alguna información y clarifica los
valores a usarse en la decisión. En la fase del análisis determinístico, se construye el modelo de
decisión, se desarrolla el caso base del modelo y se realiza el análisis de sensibilidad determi-
nístico para identificar las incertidumbres críticas en el problema. Luego, en la fase del análisis
probabilístico, se asigna probabilidades a las incertidumbres críticas, se construye el árbol de
decisiones, se evalúa las estrategias alternativas en términos de rentabilidad y riesgo, y se hace
el análisis de sensibilidad probabilístico. Finalmente, en la fase de interpretación de resultados,
se examinan los resultados obtenidos del árbol de decisiones, y se hace el análisis del valor de
la información para determinar si vale la pena recaudar información adicional para refinar el
análisis. Para una mayor comprensión de la metodología, en este capítulo y en los siguientes
utilizaremos el caso de la empresa ABC a manera de ejemplo de aplicación de la metodología.
Este ejemplo se expondrá en la siguiente sección, y servirá como base para explicar los conceptos
de las siguientes secciones y capítulos.
• 286 •
en la fase del análisis probabilístico, se asigna probabilidades a las
incertidumbres críticas, se construye el árbol de decisiones, se evalúa las
estrategias alternativas en términos de rentabilidad y riesgo, y se hace el
análisis de sensibilidad probabilístico. Finalmente, en la fase de interpretación
de resultados,
• Capítulose10examina los resultados
• Estructuración obtenidos
de los del de
problemas árbol de decisiones,
decisiones se
complejos
hace el análisis del valor de la información para determinar si vale la pena
recaudar información adicional para refinar el análisis. Para una mayor
comprensión
Figura de la metodología, en este capítulo y en los siguientes
10.1: Ciclo del Análisis de Decisiones
utilizaremos el caso de la empresa ABC a manera de ejemplo de aplicación de
la metodología. Este ejemplo se expondrá en la siguiente sección, y servirá
Conocimiento
como base para explicar los conceptos deAnálisis
Análisis las siguientes secciones
Interpretación de y capítulos.
Estructuración Decisión
Inicial Determinístico Probabilístico Resultados
Figura 10.1: Ciclo del Análisis de Decisiones Iteración
Conocimiento Análisis Análisis Interpretación de

Estructuración Decisión
Inicial Determinístico Probabilístico Resultados
Este capítulo se centra en la primera fase, cuyo objetivo es transformar una situación
Iteración
confusa/nebulosa en un problema bien definido y transparente. Las tareas clave de la fase de
estructuración soncapítulo
Este el enmarcamiento del la
se centra en problema,
primera lafase,
generación de alternativas
cuyo objetivo u opciones,
es transformar unala
situación
elaboración confusa/nebulosa
del diagrama de influenciasen un problema
(o mapa bien definido
de conocimiento) y transparente.
y la valoración Las
de los rangos
tareas clave de
de las incertidumbres, la fase
como de la
muestra estructuración
figura 10.2. son el enmarcamiento del problema,
la generación de alternativas u opciones, la elaboración del diagrama de
Está influencias
probado que(otener
mapa éxito
de en el enmarcamiento
conocimiento) del problema
y la valoración de esloscrítico
rangosparadelograr
las
decisiones de calidad. En cambio, el fracaso de los
incertidumbres, como muestra la figura 10.2. estudios y análisis en lograr la aceptación
Está probado
o implementación que tener
conveniente, éxitoseendebe
a menudo el enmarcamiento
a que se extraviódelelproblema
camino enesenmarcar
crítico
para lograr
adecuadamente decisiones de calidad. Los estudios y análisis que han fracasado en
el problema.
lograr la aceptación o implementación a menudo se debe a que se fracasó en
enmarcar el problema adecuadamente.
Figura 10.2: Fase de Estructuración
Figura 10.2: Fase de Estructuración
ESTRUCTURACIÓN
Marco Apropiado
Propósito
Perspectiva
Alcance
Tabla de Diagrama de
Estrategias Influencias
E A B C D
S1
T
.
2
2
El marco apropiado ayuda a responder a la pregunta ¿estamos resolviendo el problema
correctamente? En la sección 3 se presentarán las dimensiones del marco y las herramientas
que ayudan a encuadrar adecuadamente cualquier problema. Al generar alternativas creativas
y viables, nos aseguramos responder a la pregunta ¿se han buscado las mejores maneras de
resolver el problema? Éste es el tema de la sección 4.
• 287 •
Los diagramas de influencias muestran cómo están interrelacionadas las decisiones e incerti-
dumbres para generar valor. Los conceptos básicos y el proceso de elaboración de los diagramas
de influencias se desarrollaron en el capítulo 7, en base a éstos, en la sección 6, se presentará
una aplicación de esta herramienta al caso en desarrollo, y se resaltarán sus características
principales.
10.2 UNA APLICACIÓN DEL ANÁLISIS DE DECISIONES
Debido a que el Análisis de Decisiones suele tratar con decisiones estratégicamente impor-
tantes para una organización, sus aplicaciones específicas muy pocas veces son publicadas en
su forma original. Si bien el caso que se presenta a continuación mostrará el análisis de una
decisión de una forma simplificada, tiene el propósito de ilustrar la aplicación del ciclo del
Análisis de Decisiones a problemas del mundo real. Se recomienda al lector revisar el capítulo
3 (Metodología del Análisis de Decisiones) para que le sea posible seguir más fácilmente la
exposición de este caso.
A pesar de que su susceptibilidad al análisis cuantitativo varía, todos los problemas pueden
ser tratados con la metodología del Análisis de Decisiones, dado su carácter general. Sin embargo,
las inmensas diferencias entre los diversos problemas, aún entre aplicaciones parecidas –como
la introducción de nuevos productos, problemas de investigación y desarrollo– los modelos a
diseñar son específicos para cada problema de decisión. Los modelos que se desarrollan para
un problema son rara vez aplicables a otros problemas que no sean los particulares para los
cuales fueron desarrollados.
Una de las áreas en la que, obviamente, se puede aplicar el Análisis de Decisiones es la di-
versificación de la cartera de negocios de una empresa y su introducción en un nuevo mercado.
Las decisiones a tomar en este campo tienen incertidumbres significativas e inevitables, ya que
implican inversiones de largo plazo y que podrían consumir los beneficios de los demás negocios
de la empresa. Decisiones de inversión en un negocio totalmente diferente al de la empresa
son difíciles de evaluar, porque no se conocen las características del mercado, no importa cuál
metodología se utilice. Es así que se destaca la importancia del Análisis de Decisiones para
considerar e investigar cualquier problema de decisión, siempre que éste pueda ser claramente
identificado. El ejemplo que se presenta a continuación tiene una aplicación específica1.
1
Este es un caso que combina elementos de varios casos de las experiencias de consultoría del autor. El nivel de detalle
se ha mantenido a un grado muy simple. Se debe recordar que el ejemplo busca ilustrar la metodología y no el caso
real.
• 288 •
• Capítulo 10 • Estructuración de los problemas de decisiones complejos
EL CASo DE EStUDIo
El Sr. Pérez es el Presidente de la Corporación ABC, una compañía que ofrece diversos servicios
de auditoria y asesoría para empresas agrícolas e industriales. En esta oportunidad, se tratará
la decisión estratégica que ABC debe tomar para su división, que ofrece servicios agrícolas.
Entre los servicios que siempre ha ofrecido ABC en esta división, se encuentra la supervisión y
certificación de calidad de las materias primas que se comercian (importan y exportan) de tal
manera que garantiza las condiciones contractuales entre quienes comercian.
A inicios de 2007 se presentó una nueva oportunidad de inversión, que representaría una
integración hacia atrás de la compañía. Exporagro, una empresa exportadora de diversos pro-
ductos agrícolas frescos, tocó sus puertas con una propuesta: generar una alianza entre estas
dos empresas e invertir en la construcción de una moderna planta de empaque de productos
frescos, para así mejorar la calidad de la envoltura e incrementar el nivel de exportaciones de
los espárragos y uvas, principales productos de exportación de Exporagro. El nivel de expor-
taciones de esta compañía ha venido creciendo en los últimos años y en esta ocasión recurría
a ABC debido a que afrontaba limitaciones de capital para ampliar su capacidad para enfriar y
empacar sus productos, frente a nuevas oportunidades, como la próxima firma de tratados de
libre comercio entre el Perú y países con gran poder adquisitivo.
La propuesta de Exporagro consistía en realizar una inversión que se daría en dos etapas
e incrementaría la capacidad de empaque de productos frescos de Exporagro. En una primera
etapa, daría una capacidad máxima de proceso de frío de 20 toneladas diarias de uva (182 mil
cajas anuales) y 40 toneladas diarias de espárragos (1,200 mil cajas anuales). En la segunda
etapa de la inversión, se elevaría la capacidad de procesamiento a 60 toneladas diarias de uva
(546 mil cajas al año) y 80 toneladas diarias de espárragos (2’400,000 cajas al año). La inver-
sión requerida, aproximadamente, sería de $1’600,000 en la primera etapa, y de $600,000 en
la segunda etapa.
Para animar al presidente de la compañía a invertir en este nuevo proyecto, el Ing. Chávez,
gerente de Exporagro, ha presentado una propuesta con estimados puntuales de los costos de
producción y predice que generará muy buenas utilidades para ABC.
Sin embargo, el Sr. Pérez no está tan seguro acerca de las estimaciones realizadas por el
Ing. Chávez como resultado del estudio de factibilidad para el nuevo proyecto de inversión.
Además, las utilidades no sólo dependen de los montos de inversión, los costos de producción y
las características técnicas sino también de las condiciones de mercado: tanto de la demanda
como de la competencia, si es que se decidiera invertir en la construcción de la planta.
Finalmente, para el Sr. Pérez tanto las variables de producción como de mercado son in-
ciertas, lo que complica aún más el análisis para poder llegar a conclusiones claras que ayuden
a tomar decisiones.
Para analizar este problema se usará el enfoque del ciclo del Análisis de Decisiones presentado
en la figura 10.1. Para comenzar, se reúne todo el conocimiento disponible acerca del problema.
En la fase de estructuración se enmarca el problema, se generan alternativas y se estructura la
incógnita usando un diagrama de influencias que identifica las variables relevantes para la decisión.
En la fase de Análisis Determinístico se establecen las relaciones entre las variables identificadas
en modelos formales y se asignan valores a los posibles resultados de la decisión. Para identificar
las variables cruciales del problema, se realiza un análisis de sensibilidad determinística.
• 289 •
Luego, en la fase de análisis probabilístico se evalúan las distribuciones de probabilidades

de las variables cruciales, se construye el árbol de decisiones y se valoran las alternativas de
decisión. Esta fase termina con un nuevo análisis de sensibilidad estocástico.
Finalmente, en la fase de interpretación de resultados se determina el valor económico de
eliminar la incertidumbre en cada una de las variables cruciales del problema. Sobre la base de
este análisis se decide si ya se está en capacidad de tomar la decisión o si es necesario reco-
lectar nueva información. Si se opta por buscar información adicional, esto llevará a una nueva
iteración a través del ciclo del Análisis de Decisiones.
En el caso de ABC, este ciclo debió hacerse en un período de siete días desde la presentación
de la propuesta por Exporagro, hasta antes de efectuar la siguiente reunión de socios. Cualquier
recomendación producto del análisis debía presentarse en dicha reunión para su aprobación o
rechazo. Por esto, el Sr. Pérez llamó a un analista de decisiones cuyos servicios había utilizado en el
pasado. Le explicó las restricciones de tiempo y de inmediato empezaron a tratar el problema.
10.3 MARCO APROPIADO
Cuando una situación –problema u oportunidad– se presenta, impera la tendencia a aceptar

inconscientemente un “marco”; es decir, una imagen personal que la gente se forma de la si-
tuación, que consciente o inconscientemente guía su decisión. Como resultado, con frecuencia
la gente comienza su proceso de toma de decisiones con un fundamento mal concebido. Por
ejemplo, en el caso de ABC, podríamos pensar en atender o no el pedido de Exporagro, sin darse
oportunidad de pensar en estrategias alternativas para desarrollar este negocio para ABC, sin
depender exclusivamente de Exporagro. Este marco inicial, representa una limitación para la
toma de una decisión adecuada.
Aún más, cuando un grupo comienza a trabajar en un problema de decisión, sus miembros
rara vez están de acuerdo en lo que tienen que hacer. El encuadre en la toma de decisiones es
similar al encuadre que hace un artista de una escena a ser pintada. Un encuadre adecuado
enfoca la atención del artista en ciertos detalles que considera convenientes para su cuadro.
En el enmarcamiento decisional, también debe crearse un enfoque, definiendo el propósito del
esfuerzo, la perspectiva con que se atacara el problema y el alcance del esfuerzo –que se incluye
y excluye del esfuerzo–.
Dicho marco es fundamental para una buena toma de decisiones. Si el marco es erróneo,
podríamos ir en la dirección equivocada desde el comienzo, recolectar la información incorrecta,
modelar el problema equivocado y finalmente tomar una decisión acerca del problema equivo-
cado: Error de tipo III (resolver en forma óptima el problema equivocado).
DEFInICIón DEL MARCo

Enmarcar bien un problema de decisión es tanto un arte como una ciencia, pero es un arte
que se puede aprender. El primer paso será entender claramente qué es un marco en la toma de
decisiones. Russo y Schoemaker (1989) definen el marco como “las estructuras mentales que la
gente crea para simplificar y organizar el mundo”.
• 290 •
Los marcos tienen un poder enorme. La manera como la gente enmarca un problema influye
en la solución a la que finalmente arriban. Y los marcos que la gente y organizaciones usan
rutinariamente para resolver sus problemas, determinan su reacción a estos y a las oportuni-
dades que se les presentan. Muchas compañías dejan de generar valor porque se encajan en
marcos sensiblemente firmes, pero fundamentalmente inapropiados para situaciones nuevas y
cambiantes.
ASPECtoS DEL MARCo

Un segundo paso al enmarcar un problema es preguntarse ¿en qué consiste un marco de
decisión? Enmarcar un problema de decisiones es asegurarse de que la gente correcta está tra-
tando el problema correcto desde la perspectiva correcta. Hay tres aspectos importantes para
enmarcar adecuadamente un problema de decisiones: propósito claro, perspectiva consciente y
alcance definido. Estos aspectos dan una idea general de las tareas a ser realizadas al enmarcar
una decisión y ayudan a estimar la calidad global alcanzada en este requerimiento de Calidad
Decisional.
El alcance bien definido del marco establece los límites que aplicamos para distinguir lo que
se incluye –y lo que se excluye– en el esfuerzo decisional. Por ejemplo, podemos decidir limitar
el alcance de nuestro esfuerzo decisional a una unidad de negocios de la corporación y no incluir
al resto de negocios del portafolio corporativo.
El propósito define lo que se espera alcanzar con este esfuerzo decisional, dentro del alcance
establecido. ¿Por qué lo hacemos? Hay muchas motivaciones, como por ejemplo evitar el fracaso,
no perder oportunidades y, sobre todo, maximizar la creación de valor empresarial.
Cuando un grupo comienza a trabajar en un problema de decisiones, sus miembros rara vez
están de acuerdo en lo que tienen que hacer. Un propósito claro debe establecerse, y lograr un
acuerdo antes de que el grupo comience a trabajar en él. Usualmente este propósito es expresado
en la forma de una declaración de misión: Visión del Esfuerzo.
Finalmente, la perspectiva es el conjunto de supuestos y el contexto, que son aceptados
como dados. Estos supuestos, que a menudo son tácitos, deben establecerse conscientemente
y analizarse con cuidado ya que son de gran importancia para establecer el marco adecuado.
Por ejemplo, antes de los cambios en la regulación del mercado energético, en países como Perú
y Colombia, muchos jefes de proyecto trabajaban bajo el supuesto de que el propósito de sus
proyectos era reducir los costos de producción. Aquellos que redefinieron el marco lo cambiaron
al de crear valor para su organización, evitando así errores costosos al invertir en proyectos que
fracasarían en recuperar su inversión.
todos aplican algunas reglas de encuadre –usualmente inconscientes– para atacar los pro-
blemas de decisión, y para tratar la información que reciben. Así, en la decisión de lanzar un
nuevo producto, los ingenieros se enfocan en las características técnicas del producto, ignorando
los beneficios que el especialista en marketing puede ver para los clientes. Y puede que ni los
ingenieros ni el especialista en marketing sean sensibles a las interacciones entre la inversión,
precio, costo variable y volumen de ventas que son importantes para el analista financiero.
Para alcanzar un marco de calidad, el grupo debe ampliar su perspectiva para ver el conjunto
de información relevante y apreciar las cuestiones e intereses de cada uno de los involucrados
en el esfuerzo decisional.
• 291 •
HERRAMIEntAS PARA LogRAR Un MARCo APRoPIADo

Existen muchas herramientas que se pueden utilizar para la determinación del marco apropiado;
algunas de ellas son: la declaración de la visión del esfuerzo decisional, el listado de cuestiones,
el establecimiento de la jerarquía decisional, y otros, como lo muestra la figura 10.3.
Figura 10.3: Herramientas para lograr el marco apropiado
Visión del esfuerzo Listado de cuestiones
• ¿Qué vamos a hacer? •
• ¿Por qué vamos •

a hacerlo?
•
• ¿Cómo sabremos si
•
lograremos éxito al
final del esfuerzo? •
Jerarquía Decisional
Políticas
Decisiones
Estratégicas
Decisiones
Operativas
El fracaso en no alcanzar un marco apropiado surge de muchas fuentes. Por ejemplo, el al-
cance puede ser muy estrecho o la perspectiva sesgada por estar sumergidos en una organización
funcional en la que los límites a las decisiones se determinan sobre la base de la estructura y
políticas organizacionales y no sobre la base de los requerimientos de las decisiones estratégicas
que definen el futuro de la organización.
La experiencia muestra que los errores en la definición del marco son lo más comunes y tienden
a ser los más grandes. Cuando tenemos el marco incorrecto, pretendemos resolver el problema
equivocado. Una solución correcta al problema equivocado no sirve de nada (Error de tipo III).
• 292 •
Visión del Esfuerzo

Para lograr un propósito claro en el esfuerzo decisional se usa la Visión del Esfuerzo. Una
herramienta simple pero poderosa para lograr que el grupo de trabajo concuerde en lo que se
pretende alcanzar en el esfuerzo decisional. La visión consiste en responder a tres preguntas:
- ¿Qué vamos a hacer?
- ¿Por qué vamos a hacerlo?
- ¿Cómo sabremos si lograremos éxito al final del esfuerzo?
Las respuestas a estas preguntas ayudan a comenzar bien enfocado el proyecto, lo mantiene
en la línea correcta, y asegura que se logre una conclusión exitosa.
Para lograr una visión del esfuerzo compartida por todos los miembros del equipo es acon-
sejable seguir algunas recomendaciones. En primer lugar, se debe explicar la importancia de
la visión. Por ejemplo, en el esfuerzo decisional para establecer una planta de enfriamiento y
empaque, como en el caso de ABC, se podría argüir: “De acuerdo al gerente general, la visión
del esfuerzo es una herramienta simple que puede prevenir cerca del 80% de probabilidad de
que el proyecto fracase”. En segundo lugar, solicitar a los miembros del equipo que respondan
individualmente a las tres preguntas que conforman la visión, en relación al proyecto. En tercer
lugar, registrar las respuestas de cada persona, clarificando y discutiendo las respuestas obtenidas.
Recordar que estamos hablando de la visión del proyecto, y no la de la compañía; además, tener
en cuenta que es un esfuerzo decisional cuya esfera de influencia es la calidad de la decisión
y no del resultado. Luego de agradecer por las respuestas, se las debe combinar en una visión
del esfuerzo sucinta, clara e inspiradora. Finalmente, en una siguiente reunión se debe revisar
la visión sucinta con el grupo, y editarla hasta que se sientan dueños de ésta.
Para el caso de ABC, cuando el Sr. Pérez presentó el problema de decisión a los analistas,
estos sugirieron que ABC no debería considerar el proyecto propuesto por Exporagro como
única alternativa, y que de lo contrario debería considerarlo como una nueva oportunidad para
desarrollar nuevas alternativas y ver si el negocio de empaque de productos frescos podría ser
rentable para la compañía, no tendría porqué ser un proyecto de exclusividad con Exporagro.
En base a esta sugerencia, se comenzó a trabajar en la visión del esfuerzo.
El equipo de trabajo con los analistas desarrolló una visión del esfuerzo. La figura 10.4
muestra esta visión para el caso de ABC que, como se mencionó, es una empresa que evalúa su
ingreso al sector agroindustrial.
• 293 •
Figura 10.4: Ejemplo de Visión del Esfuerzo para ABC
Visión del Esfuerzo del Proyecto
¿Qué vamos a hacer?

Definir y evaluar estrategias alternativas para la instalación de una planta em-
pacadora de productos frescos (uva de mesa y/o espárragos) en la región de Ica,
e identificar la óptima en la generación de valor para ABC.
¿Por qué vamos a hacerlo?

ABC desea determinar la factibilidad económica de la planta empacadora de pro-
ductos frescos, no sólo en función de su rentabilidad, sino también en términos
de su nivel de riesgo.
¿Qué significa lograr éxito al final del esfuerzo?

Haber considerado satisfactoriamente todas las cuestiones importantes que
permitan evaluar las estrategias alternativas, e identificar la óptima en términos
de rentabilidad y riesgo.
En la figura 10.5 se presenta la visión del Esfuerzo de un proyecto que desarrollamos para
el Ministerio de Salud del Perú2: “Diseño y Evaluación de Estrategias Alternativas para la Pre-
vención y Control de la Fiebre Amarilla en el Perú para el período 2001-2010”. Este proyecto
ilustra cómo la metodología del AD puede aplicarse a cualquier problema de decisión, en este
caso en el área de salud.
2
Este estudio fue desarrollado con el financiamiento de USAID y aplicando la metodología del Análisis de Decisiones.
Ver Ministerio de Salud (2000).
• 294 •
Figura 10.5: Visión del Esfuerzo del Proyecto de Estrategias Alternativas para la Prevención
y Control de Fiebre Amarilla
Visión del Esfuerzo del Proyecto
¿Qué vamos a hacer?

Vamos a revisar las cuatro estrategias de vacunación propuestas y generar es-
trategias alternativas para el control y prevención de la fiebre amarilla –tanto la
selvática como la urbana– en el Perú; a fin de evaluarlas e identificar la óptima en
términos de costos de implementación, casos evitados e impacto en el desarrollo
económico (agricultura y turismo).
¿Por qué vamos a hacerlo?

Para lograr entendimientos adecuados que nos permitan sustentar técnicamente
la obtención de recursos necesarios para implementar la estrategia óptima de
vacunación que brinde seguridad a la población en riesgo.
¿Qué significa lograr éxito al final del esfuerzo?

Haber sido capaces de evaluar las estrategias de vacunación contra la fiebre
amarilla identificadas; elegir la óptima a la luz de los criterios planteados, a fin
de que el sector pueda incorporarla dentro de sus planes estratégicos.
Listado de Cuestiones
Para lograr una perspectiva consciente, explícita y no sesgada se usa un “listado de cuestio-
nes”, que tiene tres propósitos básicos: identificar la mayoría de los factores con los cuales se
trabaja en el problema de decisiones; exponer a los miembros del grupo los marcos de los otros
participantes (los ingenieros escucharán las preocupaciones de los de marketing, los financis-
tas los asuntos de producción, etc.) y desarrollar un sentimiento de propiedad del problema a
tratarse en el grupo.
En el desarrollo del listado de cuestiones hay que asegurarse de que participen los funciona-
rios de nivel alto, así como los nuevos en la organización, y de todas las áreas funcionales para
asegurarse de lograr una perspectiva global, y no sesgada a un solo aspecto. Algunas veces es
bueno incluir en las reuniones a personas que no participan directamente en el proyecto para
lograr una perspectiva externa y más amplia.
El proceso para identificar las cuestiones puede ser rápido, divertido y directo al punto.
Por lo que es bueno seguir algunas pautas. Comenzar explicando la idea detrás del listado
de cuestiones es una manera buena de iniciar un proyecto de toma de decisiones. Ayuda a
identificar los factores principales que hacen que la toma de decisiones estratégicas sea
• 295 •
difícil. Permite abrir el marco de los participantes. Por esto es importante formar grupos de
trabajo heterogéneos: hombres y mujeres, con diferentes personalidades, y profesionales de
las diferentes áreas funcionales.
Se debe recordar que una cuestión es una afirmación de las preocupaciones de la adminis-
tración, que determina que el problema de decisiones sea complejo, tanto de abarcar como de
resolver. Un buen comienzo para pensar en cuestiones es considerar el análisis FoDA –fortalezas,
oportunidades, debilidades y amenazas–.
Luego de explicar la idea del listado de cuestiones, el siguiente paso es pedir a los partici-
pantes que escriban sus cuestiones en forma clara. Una cuestión imprecisa será “clientes ma-
yoristas”; en cambio, una cuestión clara será “el incremento en la competencia en generación
de energía y el acceso abierto a la transmisión se está convirtiendo en una gran amenaza para
la retención de nuestros clientes mayoristas”. Se pedirá a los participantes que lean la cuestión
que consideran más importante. Luego de que todos hayan leído su cuestión más importante y
se haya registrado, se continuará pidiendo su siguiente cuestión. Se continúa hasta que todas
las cuestiones sean compartidas y registradas.
En el proceso de recolectar las cuestiones, el grupo debe estar dispuesto a escuchar y no a
criticar. Las preguntas sólo deberán ser de aclaración, así se evita que el proceso se alargue más
de lo esperado. Si el tiempo lo permite, pueden priorizarse las cuestiones para tener una idea de
cuáles son las más y las menos importantes; ninguna cuestión debe ser desechada.
El listado de cuestiones puede ser usado para chequear que el análisis atienda todo lo que
se consideró importante por parte del equipo.
Jerarquía Decisional
El siguiente paso es categorizar las cuestiones en decisiones (las que están bajo control del
decisor), incertidumbres (las que están fuera del control del decisor), valores y otros. La tarea
más importante es identificar las decisiones. Se debe examinar cada cuestión cuidadosamente
para determinar si contiene una decisión, o una incertidumbre o una medida de valor.
En seguida, para establecer el alcance del marco se empleará la jerarquía decisional (J.D.), que
ilustra qué decisiones deben ser consideradas como políticas (decisiones que serán consideradas
como ya tomadas en el proyecto), decisiones estratégicas (las decisiones en las que se enfocará/
centrará el proyecto) y tácticas u operativas (decisiones que se tomarán posteriormente).
La jerarquía decisional ayuda a lograr claridad en las decisiones en las cuales debe centrarse
el esfuerzo y evitar dificultades al enmarcar el problema. Así, por ejemplo, el equipo podría no
darse cuenta de que una decisión ya fue tomada en un nivel superior de la organización, y podría
ser que esta decisión esté en conflicto con algunas de las alternativas bajo consideración. Esto
producirá un desperdicio de tiempo y esfuerzo antes que la situación se aclare y se eliminen las
alternativas en conflicto. o caso contrario, que el equipo asuma que ya se tomó una decisión en
el nivel superior, y que se desechen alternativas atractivas porque han entrado en conflicto con
las decisiones asumidas. Además, el análisis puede fracasar si el alcance del problema es muy
grande (muchas decisiones bajo consideración) o muy estrecho. Si todas las decisiones posibles
fueran incluidas, el problema sería tan abrumador que causaría una parálisis en el equipo; o
de lo contrario, si se excluyeran decisiones y el alcance fuese muy reducido podrían perderse
alternativas que consideren sinergias.
• 296 •
Los problemas señalados y otros más pueden evitarse a través de un diálogo abierto y franco
entre el equipo de trabajo y el decisor acerca de las decisiones a considerar. Éste es el rol de la
jerarquía decisional: ayudar a que se inicie y documente este diálogo.
En la parte superior de la jerarquía decisional están aquellas decisiones que se toman como
dadas y se las designa como “políticas” (decisiones ya tomadas). En la parte inferior están las
decisiones tácticas u operativas, las que se tomarán después de que se escoja la estrategia.
En el centro se encuentran las decisiones en las que se centrará el proyecto: las decisiones
estratégicas, que son las que definen la dirección del proyecto a largo plazo. Es decir, que la
jerarquía decisional señala claramente el alcance del esfuerzo, que tomamos por dado y que
dejamos para después y en que nos centramos (decisiones estratégicas). La figura 10.6 muestra
estas distinciones.
Figura 10.6: Jerarquía decisional
Políticas Decisiones ya tomadas
Decisiones Decisiones en las que se

Estratégicas centra el esfuerzo decisional
Decisiones Decisiones que se

Operativas tomarán después
Una vez que la jerarquía decisional ha sido desarrollada por el equipo de trabajo, se presen-
tará al equipo decisor (el responsable de la(s) decisión(es)), y los dos equipos deberán lograr
un entendimiento explícito del problema y sus límites. La jerarquía decisional también es útil
en las otras fases del análisis de decisiones, por ejemplo, en la evaluación de las alternativas
se puede encontrar que una alternativa quebranta, en algún aspecto, una “política”. Sí esto
sucediera, se tendrá que preguntar al equipo decisor si está dispuesto a cambiar la política en
esta área de decisión.
Con el equipo de ABC, los analistas de decisiones identificaron cuatro decisiones de política
que eran relevantes para ese proyecto:
• no se trabajaría en Joint Ventures.
• El proyecto se ubicará en la región de Ica.
• La planta es para empaque de productos frescos (uvas y/o espárragos).
• Sólo está orientado a brindar el servicio de empaque.
Las decisiones estratégicas fueron cinco: la capacidad de la planta, el mercado objetivo, la
ubicación de la planta, modalidad de operación y margen de utilidad. Y, finalmente, se identifi-
caron tres decisiones operativas.
• 297 •
La figura 10.7 muestra la jerarquía decisional desarrollada para el caso de ABC. Ésta se aplicó
para resumir decisiones que se incluyeron y excluyeron del proyecto. Cada decisión estratégica
en la jerarquía decisional se constituye en el encabezamiento de cada una de las columnas de
la tabla de generación de estrategias, como se verá en la próxima sección.
Se debe recordar que esta jerarquía decisional, como todos los resultados del análisis de de-
cisiones, representa la definición y entendimiento en un punto en el tiempo. también constituye
una etapa en el proceso de aprendizaje de la organización.
Figura 10.7: Ejemplo de la jerarquía decisional para ABC
• no Joint Ventures
• Proyecto en Ica
• Empaquetadora de productos frescos
(uva y/o espárragos)
Políticas • Servicios de empaque
• Capacidad de planta
• Mercado objetivo
Decisiones • Ubicación de planta
Estratégicas • Modalidad de operación
• Margen de utilidad
Decisiones • Proveedores
Operativas • Mano de obra
• Insumos
En el caso del proyecto de Fiebre Amarilla, con los médicos epidemiólogos se identificó un
listado de cuestiones relevantes al problema de la fiebre amarilla en el Perú, seleccionando las
que están bajo control del Ministerio de Salud, las cuales se constituyen en decisiones. Éstas se
clasificaron en las tres categorías que definen la jerarquía decisional, definiendo claramente el
alcance del esfuerzo. Ver figura 10.8.
• 298 •
Figura 10.8: Jerarquía decisional para la determinación de las estrategias de prevención y

control de la fiebre amarilla en el Perú
• Incorporación de la vacuna de fiebre amarilla

en el Programa Ampliado de Inmunizaciones
(PAI).
• Compra de vacunas al fondo rotatorio para
la población, objetivo del PAI.
• Incorporación de la vacuna en el calendario
del PAI para el niño menor de un año.
tomar como dado Políticas
• Capacidad diagnóstica y Manejo de Casos.
• Coordinaciones multisectoriales.
• Adquisición de vacuna.
• Cobertura de vacunación.
• Control vectorial (FAU).
Enfocar el análisis Decisiones • Vigilancia.
en estas decisiones Estratégicas • Información, Educación y Comunicación (IEC).
• Fortalecimiento de comunicaciones locales.

• Distribución y redistribución de vacunas.
• Asignación de recursos económicos,
optimizar detalles Decisiones tecnológicos y humanos.
posteriormente Operativas • Compra de vacunas adicionales de emergencias.
• Acciones de coordinación multisectoriales
• Intervención en brotes.
10.4 ALTERNATIVAS CREATIVAS Y VIABLES
Para desarrollar estrategias alternativas se requiere de creatividad y un pensamiento diver-

gente. La creatividad individual y de grupo es esencial. La creatividad implica ver un problema
con una mirada diferente, negándose a aceptar la solución obvia. Por lo tanto, son necesarias
la persistencia y la no exclusividad. La persistencia consiste en permanecer con el problema
hasta que todas las posibilidades razonables sean exploradas y aumentar así la oportunidad
para la creatividad. La no exclusividad implica que al identificar una unidad con un grupo, no
necesariamente impide que esa unidad sea parte de un grupo más grande.
Definir estrategias alternativas es esencial, porque sin alternativas no hay decisión que tomar,
y una decisión es fundamentalmente la elección entre alternativas. Para que una estrategia sea
de calidad, tenemos que estar seguros que el conjunto de estrategias alternativas de donde fue
escogida, incluye alternativas significativamente diferentes, integrales y realistas.
Desarrollar alternativas que vayan más allá de lo obvio y que tengan potencial real para rea-
lizarse es cuestión de inspiración, creatividad, realismo y trabajo intenso. Una vez identificados
correctamente los desafíos y en un ambiente organizacional adecuado, cualquier grupo puede
resultar impresionantemente creativo. Este punto de vista sobre calidad en las estrategias al-
ternativas supera el enfoque restringido donde sólo se considera una o unas pocas alternativas.
Las alternativas bien especificadas y prometedoras tienden a ser multidimensionales; por esta
razón, se utiliza como herramienta la tabla de generación de estrategias o tablero de control.
• 299 •
tABLA DE gEnERACIón DE EStRAtEgIAS ALtERnAtIVAS

Luego de identificar las áreas de decisiones estratégicas a considerar en el esfuerzo decisio-
nal, usando la jerarquía decisional el desafío consiste en ser capaces de tener una manera de
visualizar y considerar la totalidad de estas decisiones en forma integral y consistente. Existen
problemas al considerar un número grande de áreas de decisión, dado que la gente no puede
mantener en su conciencia simultáneamente más de siete factores (Miller, 1956).
Cuando hay más de tres o cuatro áreas de decisiones estratégicas, los decisores y sus expertos
podrían comenzar a sentirse frustrados al tratar de considerar las alternativas, sus pro y contras,
y podrían terminar escogiendo la alternativa no óptima. Aunque este problema puede mitigarse
dividiendo el problema en subproblemas más manejables, las decisiones de un subproblema a
menudo son tomadas más o menos independientemente de las decisiones en los otros subpro-
blemas. Esto puede llevar a escoger una alternativa estratégica subóptima.
La tabla de generación de estrategias es la mejor herramienta disponible para organizar problemas
de decisiones complejas y evitar los problemas mencionados. La figura 10.9 muestra cómo está
conformada la tabla de generación de estrategias. Las áreas de decisiones estratégicas identificadas
en la jerarquía decisional son listadas en el encabezamiento de cada columna de la tabla. Debajo de
cada área de decisión se listan todas las posibles opciones que se pueden escoger en esa área de
decisión. Luego, con esta herramienta, los decisores y sus expertos pueden visualizar el problema
como un todo, aún para problemas con muchas áreas de decisión estratégicas (columnas).
Figura 10.9: Tabla de Generación de Estrategias
Decisiones Estratégicas
Estrategias Área de Área de Área de Área de Área de

Alternativas Decisión 1 Decisión 2 Decisión 3 Decisión 4 Decisión 5
Opción A Opción A Opción A Opción A

Opción A
Opción B Opción B
Opción B Opción B Opción B
Opción C
Opción C Opción C
Opción D
Opción E
Opción D
Luego de haber identificado las decisiones estratégicas en la jerarquía decisional, el desarrollo

de la tabla de generación de estrategias es simple. Algunas recomendaciones ayudan a tener
una tabla adecuada y fácil de comunicar: limitar el nombre del área de decisión a tres o cuatro
palabras; crear dos columnas en vez de combinar dos ideas en una columna; ordenar las áreas
de decisión en grupos lógicos, por ejemplo, en decisiones asociadas a marketing/ventas, diseño/
ingeniería, manufactura y finanzas.
Una vez que se han definido las áreas de decisión, se deben comenzar a generar las opciones
en cada columna. Muchas veces la generación de opciones es la mejor manera de definir el área
• 300 •
de decisión (columna). Éste es un esfuerzo creativo y divergente. Las opciones deben ser signi-
ficativamente diferentes y cubrir un espacio amplio y razonable de opciones; además, deben ser
claras y factibles, colectivamente exhaustivas dentro de los límites del problema, y mutuamente
excluyentes (no más de una puede ser escogida de cada columna).
La tabla de generación de estrategias alternativas es un mapa del área decisional. Su función
es asegurar que los decisores y el equipo de trabajo estén de acuerdo con este mapa: ¿se están
considerando las decisiones correctas? ¿Se están considerando muchas o muy pocas decisiones
estratégicas? ¿Se está dejando de considerar algún área de decisión importante?
El equipo de ABC, con ayuda de los analistas, desarrolló una tabla de generación de estrategias
alternativas (figura 10.10) para describir los posibles cursos de acción disponibles en cada área
de decisión para ABC. Así, luego del esfuerzo de creatividad, el equipo generó tres modalidades
de operación del proyecto: construir una planta, comprarla, o administrar una planta de uvas
existente en Chincha y ampliarla para procesar espárragos. De igual manera se identificaron tres
posibles ubicaciones de la planta; seis mercados objetivos; cuatro opciones para la capacidad
inicial de la planta, y tres opciones con respecto al margen de utilidad.
Figura 10.10: Tabla de Generación de Estrategias
Estrategias Modalidad Ubicación Mercado Capacidad Margen de

Alternativas de operación de planta Objetivo Inicial Utilidad
Exporagro
(esp+50% uvas) Grande Uva
Construir
+3eros Ica Grande esp Exporagro Pref.
planta Valle de Ica
Exporagro
(esp y uva) Chica Uva
Grande esp
Comprar Pisco 3eros Ica (esp) Exporagro Pref.
planta y Competitivo
3eros Ica 3ros
Chica esp
Chincha
Administrar 3eros Ica y Competitivo
planta de uvas Chincha 3ros
y ampliar para (esp y uva) Chica esp
procesar
espárragos 3eros Chincha
(esp y uva)
La tabla de generación de estrategias se usa para definir las estrategias alternativas a evaluar.
En este punto debemos definir lo que es una estrategia:
“Una estrategia es un conjunto de decisiones y políticas específicas que definen acciones admi-
nistrativas que, al implementarse adecuadamente, crean el máximo valor en el largo plazo”3.
3
Ver Salinas (1999, IV).
• 301 •
Las políticas están definidas en la jerarquía decisional, y las decisiones que generan valor en
el largo plazo son las estratégicas, dejando de lado las operativas.
En la tabla de generación de estrategias tenemos opciones en cada área de decisión, ahora
debemos desarrollar estrategias alternativas a través de escoger una opción en cada área de
decisión. Se debe buscar generar entre tres y siete estrategias alternativas significativamente
diferentes. Si son menos de tres, es que el equipo no ha sido suficientemente creativo. Si son más
de siete, es que no son significativamente diferentes unas de otras. Este esfuerzo de desarrollo
tiene tres elementos que aseguran tener una definición clara de cada estrategia.
En primer lugar, se debe identificar el tema de la estrategia, usando un nombre de una a
cuatro palabras que caractericen la alternativa. Este nombre debe ser pegajoso y descriptivo
–será utilizado repetidamente en el proceso y debe representar la estrategia en la cabeza de
cada miembro del equipo de trabajo. El uso fundamental del nombre es distinguir claramente
las alternativas bajo consideración en el proyecto.
En segundo lugar, definir las estrategias alternativas asociadas a cada tema estableciendo un
camino a través de la tabla de generación de alternativas. Esta definición (camino a través de la
tabla) hace que las alternativas sean realizables: escoger una opción en cada área de decisión es
lo que se requiere para instruir a la gente que implementará la estrategia. Es cierto que la imple-
mentación requerirá de muchas decisiones operativas, pero la dirección debe fijarse en la tabla
de estrategias.
En tercer lugar, luego de establecer los caminos a través de la tabla, se debe escribir la
razón fundamental. El fundamento de cada alternativa es una afirmación breve de por qué la
alternativa es coherente, atractiva y completa. El fundamento puede ser tan corto como un
párrafo, o tan largo como una o dos páginas de texto. La razón del fundamento es enriquecer
la calidad del pensamiento crítico y de la comunicación. Una alternativa es coherente cuando
las opciones escogidas en cada área de decisión son consistentes entre sí y con el tema de la
estrategia. La alternativa es atractiva cuando el tema y las opciones escogidas en cada área de
decisión encajan de una manera que motivan a la gente, y generan un deseo de implementarla
exitosamente. Y finalmente, una alternativa es completa cuando incluye todos los elementos
necesarios para comenzar una implementación exitosa.
Para definir las estrategias aplicando la tabla (caminos a través de la tabla), una opción es
utilizar diferentes figuras geométricas para cada una de las estrategias, es decir, usar círculos para
identificar las opciones escogidas en cada área para una estrategia, cuadrados para otra estrate-
gia, triángulos para una tercera y otras figuras para las demás estrategias. De la misma manera,
también pueden utilizarse diferentes colores para identificar cada una de las estrategias.
Muchas veces, la gente tiene problemas para comenzar a definir las estrategias. Una manera
de romper este problema es preguntarle a los miembros del equipo si tienen una visión hacia
dónde la organización (o proyecto) podría ir, y cómo podría llegar allí. La respuesta a la primera
pregunta es el tema de la estrategia, y la segunda pregunta asistirá al equipo a identificar los
caminos a través de la tabla. Puede ayudar si se comienza definiendo la estrategia del momento,
o actual (implícita) que debe representar un enfoque de ”business as usual” inteligente. Esta
estrategia debe representar una alternativa realizable y razonable; debe evitarse considerar una
alternativa base que no sea razonable ni realizable.
Los analistas con el equipo de ABC trabajaron con la tabla de generación de estrategias
alternativas (figura 10.10), y a través de una lluvia de ideas se identificaron varios temas de
• 302 •
estrategias. Luego, se dividió el equipo en subgrupos, cada uno definió el tema asignado en tér-
minos de un camino a través de la tabla y dio un fundamento para el camino establecido (figura
10.11), Una estrategia alternativa se expresó “Agresiva Exporagro”, la que busca construir una
planta para servir a Exporagro. Esta estrategia es en respuesta a la idea original de Exporagro,
y es agresiva en términos de inversión en construir una planta, pero con un solo cliente. otra
alternativa más agresiva consiste en servir no sólo a Exporagro, sino también a otros potenciales
clientes en el valle de Ica, y se denominó “Agresiva diversificada”.
Figura 10.11: Definición de Estrategias Alternativas para ABC

Exporagro
Agresiva (esp+50% uvas) Grande Uva
Construir Exporagro Pref.
Exporagro +3eros Ica Grande esp
planta Valle de Ica
Exporagro
Agresiva Grande esp
Diversificada Comprar Exporagro Pref.
Pisco 3eros Ica (esp)
planta y Competitivo
3ros
3eros Ica
Moderada Chica esp
Chincha
Administrar 3eros Ica y Competitivo
planta de uvas Chincha 3ros
y ampliar para (esp y uva) Chica esp
procesar
Conservadora espárragos 3eros Chincha
(esp y uva)
En este esfuerzo creativo se identificaron otras dos estrategias alternativas. La “Moderada”, en

la que se compraría una planta en el valle de Ica para servir a terceros en dicho valle. En la última
estrategia, la “Conservadora”, se plantea administrar una planta existente en Chincha que empaca
uvas y se le ampliaría para empacar espárragos de los productores del valle de Chincha.
Se generaron otras dos alternativas que finalmente no fueron consideradas (no se muestran
en la figura 10.11) porque el equipo decisor consideró que iban en contra de las políticas de la
compañía, dado que implicaban establecer Joint Venture con empresas existentes.
Como se observa, se han usado rectángulos para definir la estrategia Agresiva Exporagro,
círculos para la estrategia Agresiva Diversificada, hexágonos para la Moderada, y triángulos
para la estrategia Conservadora.
Una manera alternativa de presentar las estrategias definidas es mostrar los elementos de la
estrategia en filas de la tabla (figura 10.12). Ésta es una buena manera de presentar las estra-
tegias definidas a gente no familiarizada con el enfoque de la tabla de estrategias. A pesar de
que este enfoque evita una comparación confusa de las alternativas, no muestra las opciones
que no se escogieron en la definición de las estrategias.
• 303 •
Figura 10.12: Estrategias Alternativas

Agresiva Exporagro
Construir Valle de Ica Grande Uva Exporagro Pref.
Exporagro (esp y uva)
planta Grande esp
Exporagro
Agresiva Construir (esp+50% uvas) Grande Uva Exporagro Pref.
planta Valle de Ica
Diversificada +3eros Ica Grande esp y Competitivo
3ros
Moderada Comprar 3eros Ica (esp)

planta Valle de Ica Chica esp Competitivo
3ros
Administrar
planta de uvas 3eros Ica y
Conservadora Chincha Chincha Chica Uva Competitivo
y ampliar para
(esp y uva) Chica esp 3ros
procesar
espárragos
En el proyecto de estrategias alternativas para prever y controlar la fiebre amarilla en Perú,

una vez identificadas las decisiones estratégicas en la jerarquía decisional (figura 10.8), se gene-
raron diferentes opciones en cada una de estas áreas de decisión. Éstas se muestran en la figura
10.13. Luego, con el apoyo del equipo de decisión, se identificaron siete estrategias alternativas
escogiendo una opción específica en cada área de decisión. Ver figura 10.14.
• 304 •
Capacidad de
Coordinaciones Cobertura de Adquisición de
Vigilancia I.E.C. Diagnóstica y Control Vectorial
Multisectoriales Vacunación la vacuna
Manejo de Casos
Epidemiológica
nacional 2002 Recojo de inservibles
+ Entomológica Sin actividades Atención orientada
Sin coordinación (Universal) + Fondo Rotatorio (FR) + Abatización AE
+ Demográfica de I.E.C. a la demanda
Cohortes < 1 año Urbanas
+ Ambiental
Recojo de inservibles
+ Abatización
Compra directa
nacional 2006 nacional Fortalecer capacidad + Fumigación en
a Laboratorio
Con coordinación (Universal) + diferenciada por en AE, Expulsoras en AE Urbanas + Áreas
Productor + FR
Cohortes < 1 año áreas geográficas Infestadas con AA infestadas AA
(Cohortes < 1)
+ Áreas de riesgo
de infestación
Producción Joint Fortalecer los

Venture InS sistemas de Recojo de inservibles
y Control de la Fiebre Amarilla
Áreas Endémicas (AE) Focalizadas en áreas

Laboratorio externo referencia y contra + Abatización en Áreas
+ Migrantes de riesgo de brote
+ FR hasta 2005 referencia según de riesgo de brote
(Cohortes < 5) nivel de complejidad
Focalizadas en
AE + Migrantes
áreas endémicas Fortalecer capacidad
+ Áreas con Aedes
+ Expulsadoras en áreas de riesgo
Aegypti
+ Áreas infestadas de brote
+ Cohortes < 1 año
con AA
Áreas en riesgo de
brote + Cohortes
< 1 año
Áreas en riesgo de
brote + Cohortes
Figura 10.13: Tabla de Generación de Estrategias Alternativas para la Prevención
< 5 años
Áreas en riesgo de
brote + Cohortes
< 12 años
• 305 •
Capacidad de
Coordinaciones Cobertura de Adquisición de la
• 306 •
Estrategia Vigilancia I.E.C. Diagnóstica y Control Vectorial
Multisectoriales Vacunación vacuna
Manejo de Casos
Atención Recojo de inservibles
Sin AE + Expulsoras Fondo Rotatorio Epidemiológica Sin actividades
1. Actual orientada + Abatización AE
coordinación + Migrantes (FR) + Entomológica de I.E.C.
a la demanda Urbanas
Recojo de inservibles
Fortalecer sistema + Abatización
Compra directa Epidemiológica
nacional 2002 nacional de referencia y + Fumigación en
2. Universal de Con a Laboratorio + Entomológica
(Universal) + diferenciada por contra referencia AE Urbanas + Áreas
Corto Plazo coordinación Productor + FR + Demográfica
Cohortes < 1 año áreas geográficas según nivel de infestadas AA
(Cohortes < 1) + Ambiental
complejidad + Áreas de riesgo
de infestación
Producción
Joint Venture
nacional 2008
3. Universal de Con InS Laboratorio
(Universal) + Ídem Ídem Ídem Ídem
Largo Plazo coordinación externo + FR
y Control de la Fiebre Amarilla
Cohortes < 1 año

hasta 2005
(Cohortes < 1)
AE + Migrantes Focalizadas en
4. Centrada en Compra directa
+ Áreas con áreas endémicas Focalizadas en AE,
Áreas Endémicas y Con a Laboratorio
Aedes Aegypti Ídem + Expulsadoras expulsadoras e Ídem
expulsoras y áreas coordinación Productor + FR
+ Cohortes + Áreas infestadas infestadas con AA
de riesgo (Cohortes < 1)
< 1 año con AA
Compra directa Fortalecer Recojo de inservibles
Figura 10.14: Tabla de Estrategias Alternativas para la Prevención
Áreas en riesgo
5. Centrada en área Con a Laboratorio capacidad en + Abatización en
de brote + Ídem Ídem
de riesgo de brote coordinación Productor + FR áreas de riesgo áreas de riesgo
Cohortes < 1 año
(Cohortes < 1) de brote de brote
6. Centrada en área Áreas en riesgo
Con
de riesgo de brote de brote + Ídem Ídem Ídem Ídem Ídem
coordinación
+ Cohortes < 5 Cohortes < 5 años
7. Centrada en área Áreas en riesgo
Con
de riesgo de brote de brote + Ídem Ídem Ídem Ídem Ídem
coordinación
+ Cohortes < 12 Cohortes < 12 años
En resumen, la tabla de estrategias se utiliza para identificar las posibles estrategias alter-
nativas. Así, fija las áreas de decisión (palancas) en el encabezamiento de cada columna, y las
opciones respectivas dentro de cada una de ellas. Cualquier combinación de opciones de la tabla
se convierte en una estrategia alternativa, a la que se asigna una denominación específica (tema
o nombre) que determine la dirección definida por los factores controlables (decisiones).
10.5 INFORMACIÓN RELEVANTE Y CONFIABLE
obtener información relevante acerca de cada una de las estrategias alternativas es obvia-
mente crucial, pero frecuentemente conseguimos la información que sabemos cómo obtener y
no la información realmente necesaria para tomar una decisión de calidad. El objetivo es lograr
un entendimiento integral e insesgado de las decisiones a tomarse. El desafío más importante
es determinar cuál es la información que afecta más las decisiones.
Dado el horizonte a largo plazo en el desarrollo de estrategias, las organizaciones deben dis-
tinguir cuidadosamente entre lo que se sabe y lo que todavía es incierto. Deben ir más allá de los
datos disponibles, que son registros del pasado, para especificar escenarios futuros y cuantificar
las incertidumbres y su impacto potencial en la creación de valor empresarial.
La información relevante para tomar buenas decisiones estratégicas se encuentra en el futuro
y no en el pasado, por lo que es necesario romper paradigmas. Una y otra vez, los ejecutivos que
buscan una base más sólida para sus decisiones caen en la trampa de tener un fuerte sesgo hacia
los “hechos”. Este sesgo es doblemente peligroso: conduce a una sensación de seguridad basada
en lo que se piensa que es más objetivo (o incluso más científico), mientras que se descuida la
recaudación de la información relevante.
Además, de la necesidad de aprender a enfocarnos en la información relevante e importante,
debemos estar seguros de que nuestra información es correcta y explícita, que se basa en hechos
relevantes, y que incluimos nuestro entendimiento de la incertidumbre. El análisis de decisiones
ha desarrollado procesos y herramientas específicas para lograr calidad de información. nos
ayudan a recolectar la información relevante y a valorar directamente las opiniones/criterios
importantes, minimizando los sesgos individuales (Kahneman y tversky, 1974) y los problemas
asociados a los procesos de pensamientogrupo (groupthink, Janis, 1972).
Las herramientas críticas del análisis de decisiones son: los diagramas de influencias, que
ayudan a estructurar los problemas de decisión en forma transparente, y la asignación de pro-
babilidades a las incertidumbres claves del problema de decisiones. Los diagramas de influencia
se presentaron en el capítulo 7 y la asignación de probabilidades fue el tema del capítulo 8.
10.6 DIAGRAMAS DE INFLUENCIAS
Como se mencionó en el capítulo 7, los diagramas de influencias son herramientas de gran

importancia para el análisis de decisiones pues contribuyen a la correcta estructuración y cla-
rificación del problema de decisión, y son una herramienta efectiva para la comunicación entre
• 307 •
los decisores, analistas y expertos. Asimismo, brindan una base rigurosa para crear el modelo
estructural y evaluar las probabilidades asociadas a los nodos de azar.
Como se mencionó anteriormente, la toma de decisiones es difícil por la existencia de la
incertidumbre, y en la mayoría de casos, no se puede garantizar un buen resultado. La calidad
de la toma de decisiones depende en parte del tratamiento adecuado de la incertidumbre. El
diagrama de influencias es una herramienta para identificar las decisiones, las incertidumbres
y sus relaciones. Además, son muy importantes para lograr un entendimiento del problema de
parte de los equipos de decisión, de expertos y sobre todo de los analistas que no están muy
familiarizados con dicho problema de decisiones.
En un diagrama de influencias existen dos tipos de nodos. Los nodos de decisión (cuadrados
o rectángulos) y los nodos de azar que representan las incertidumbres (óvalos o círculos). Den-
tro de los nodos de azar debe distinguirse dos clases especiales de nodos: nodos determinados,
es decir que su valor es determinado dados los valores que tomen sus predecesores (óvalos o
círculos dobles) y nodos de valor, que corresponden a los nodos de mayor interés, típicamente
aparecen una vez en el diagrama de influencias y no tienen sucesores (octógonos). Además, una
flecha que apunta a un círculo denota que las probabilidades asignadas a dicha incertidumbre
dependen de la variable al otro lado de la flecha; mientras, que una flecha que apunta a un nodo
de decisión indica la información disponible al tomar dicha decisión. En ambos casos, se dice
que la variable en la base de la flecha “influye sobre” aquélla a la cual apunta.
El equipo de ABC con los decisores aplicó un diagrama de influencias para estructurar su
problema. Usando el procedimiento del capítulo 7 para graficar el diagrama que representa las
incertidumbres, las decisiones y sus relaciones. Dibujaron en primer lugar el nodo de valor: VPn
(el valor presente neto del flujo de caja), que es el resultado final de las diferentes estrategias a
evaluar. Este nodo representa la incertidumbre fundamental, dado que si se conociera la distri-
bución de probabilidades del VPn de cada alternativa sería muy fácil escoger la óptima. Dado que
ésta es la medida de valor, se la representó como un octógono. Como no es posible determinar
esta distribución directamente, el analista interrogó al equipo de ABC: ¿Qué le preguntarían al
clarividente para reducir la incertidumbre en el VPn, dado que no pueden determinar directa-
mente la distribución de probabilidades del VPn para cada alternativa? El equipo responde que
le gustará preguntar sobre los flujos de caja netos (FCn). El analista representa esta respuesta
como un círculo, pues es incertidumbre, y dibuja una flecha de este círculo al octógono que
representa el VPn. Luego, el analista les preguntó ¿qué más les gustaría saber para reducir aún
más la incertidumbre con respecto al VPn? El equipo responde que sabiendo los flujos de caja
netos y la tasa de descuento adecuada, el VPn quedaría determinado, por lo que el analista
representa el nodo de VPn con doble octágono.
Luego, el analista pasó a preguntar sobre el FCn: ¿qué les gustaría saber para reducir su
incertidumbre en el FCn? El equipo respondió los ingresos. El analista representó está respuesta
como un círculo, y dibujó una flecha de este círculo, que representa el FCn. A continuación les
preguntó: ¿qué más les gustaría saber para reducir aún más la incertidumbre en el FCn? El equipo
respondió que le gustaría saber los egresos y el monto de inversión. El analista representa ambas
variables en el diagrama de influencias como dos nodos de azar y traza flechas de influencia de
cada uno de ellos al nodo del FCn. Con estas respuestas se identificó las variables que influyen
en el FCn. Ver figura 10.15.
• 308 •
Figura 10.15: Diagrama de Influencias simplificado para el problema de ABC
VPN
FCN
Ingresos Inversiones
Egresos
Después, el analista indagó ¿qué información les gustaría tener acerca de los ingresos para
reducir su incertidumbre respecto a ellos? El equipo respondió inmediatamente “el nivel de pro-
ducción”, y “el precio o tarifa a cobrar”. El analista representó esta respuesta como dos nodos de
azar, dado que están fuera de su control. Continuando con el lado de los factores influyentes en
los ingresos, el analista les preguntó ¿qué es lo que más les gustaría saber para reducir la incer-
tidumbre en el nivel de producción? El equipo respondió “la demanda del servicio de empaque y
la capacidad de producción”. El analista interpretó esta respuesta en el diagrama de influencias
como un nodo de azar (demanda) y uno de decisión (capacidad de producción), y trazó flechas
de influencia de cada uno de ellos al nodo de nivel de producción. El analista explicó al equipo
de ABC que el nodo de demanda representaba tres incertidumbres, la demanda de Exporagro,
Ica y Chincha. Esto, con el fin de simplificar el diagrama de influencias.
Posteriormente, el analista los interrogó acerca de ¿qué les gustaría saber para reducir su in-
certidumbre en la demanda de servicios de ABC? Recibió tres respuestas inmediatas: la demanda
total en el mercado, su participación en ese mercado y el mercado objetivo que ABC decida atacar/
atender. Estas respuestas fueron representadas en el diagrama de influencias como dos nodos de
azar y uno de decisión, y se trazó flechas de ellos al nodo de la demanda de servicio de ABC.
De la discusión sobre la demanda total de los mercados, y unas preguntas adicionales se
pudo determinar que los fenómenos climáticos (presencia del fenómeno del niño) influyen sobre
la demanda total del servicio de empaque.
En este punto el analista consideró que los factores influyentes en el nivel de producción
están bien identificados, así que pasó a considerar los factores que influyen en el precio o tarifa
a cobrar por sus servicios. Una vez más preguntó: ¿qué les gustaría saber para reducir su incer-
tidumbre en el precio? La respuesta fue los costos unitarios de producción, el mercado objetivo
y el margen de utilidad, que fueron representadas como un nodo de azar (costo unitario) y dos
nodos de decisión.
• 309 •
En este punto se logra estructurar adecuadamente la parte de ingresos del flujo de caja neto.
Enseguida el analista comenzó a preguntar por los otros dos factores influyentes del FCn: los
egresos y la inversión. Continuando con las preguntas, pudo identificar las incertidumbres impor-
tantes y las decisiones que influyen en los egresos e inversión y los representó en el diagrama de
influencias de la figura 10.16. Por medio de este diagrama, la medida de valor (VPn) y las variables
importantes del problema de decisión quedaron perfectamente definidas para el análisis.
Figura 10.16: Diagrama de Influencias para ABC
Energía
Agua y
Mano de
Costos Fijos
Obra
Mantenim.
Grales. y
Gastos
de
Campo a planta
Transp. De
Insumos
transporte
Costos de
Planta a puerto
de
Transp. De
Egresos
Variables
Unitarios
Costos
Modalidad
Operacion
Inversión
Operación
de
FCN
Variables
Totales
Costos
Producción
Capacidad
de
Ingresos
Fenómenos
Demanda
Climáticos
Producción
Total
Nivel de
de Mcdo.
Particip.
Dem Servicio
Tarifas
Precio/
ABC
Ubicación
planta
de la
Margen de
ganancia
Mercado
Objetivo
Unitarios
Costos
• 310 •
Una pregunta en este diagrama es si está bien que un nodo de demanda represente tres
mercados. Un enfoque alternativo hubiera sido triplicar los nodos de mercado y sus predecesores,
y preguntarse qué flechas de influencia deberían dibujarse entre estos mercados. Dado que la
discusión del equipo de ABC llegó a indicar que la interacción entre ellos es muy leve, el diagrama
de influencias de la figura 10.12 es una buena herramienta de comunicación. Pero el analista
debe recordar que cuando llegue el momento de construir el modelo cuantitativo, de recaudar
información (rangos de incertidumbres) y asignar probabilidades a las variables críticas, se deben
explicitar estos tres mercados y preguntar por las posibles interacciones entre ellos.
En la figura 10.17 se presenta el diagrama de influencias simplificado realizado para el caso
de ABC. Como se observa, en este caso se incluyeron dos variables de salida adicionales a pedido
de los ejecutivos de ABC: la tasa interna de retorno (tIR) y el período de pago (PP). Es decir que
se tienen tres nodos de valor, estos son los indicadores que se utilizarán para poder identificar
si el proyecto será rentable o no. El indicador principal es el VPn, mientras que los indicadores
secundarios a utilizar son el período de pago (PP) y la tIR.
Figura 10.17: Diagrama de Influencias simplificado para el problema de ABC
TIR VPN PP
FCN
Ingresos Inversiones
Egresos
Como se indicó en el capítulo 6, el indicador preferido para evaluar un proyecto o una de-
cisión es el VPn, éste se calcula en base al flujo de caja neto, que dependerá de los ingresos y
egresos anuales y de las inversiones que se realicen. Estas tres variables se consideran inciertas,
pues los valores que tomen dependen de muchas variables fuera del control de ABC. tales como
la participación de mercado, los factores climáticos, los costos y gastos que se generen con la
implementación del proyecto y la compra de insumos, etc. En este diagrama se identificaron las
cinco variables de decisión que definen la estrategia, es decir que la definición de la estrategia
determinará en parte importante el nivel de inversión, ingresos y costos que se generen en el
futuro.
• 311 •
En resumen, la figura 10.16 presenta en detalle el diagrama de influencias realizado para

ABC, que tiene en cuenta las incertidumbres ya mencionadas, y muestra que para la toma de
una decisión hay muchas variables en juego, que son potenciales fuentes de riesgo y que por lo
tanto deben ser tomadas en cuenta para un adecuado análisis.
En el caso del proyecto de estrategias alternativas para la preservación y control de fiebre
amarilla en Perú, se desarrollaron varios diagramas de influencias dada la complejidad del pro-
blema. Se identificaron dos medidas de valor: los costos por un lado, y el número de muertos
por el otro. Para luego establecer una medida de costo-efectividad como el ratio de costos por
muerte evitada. Para esto fue necesario establecer mapas de conocimiento (diagramas de in-
fluencias) para diferentes tipos de costos (los asociados a IEC, vacunación, vigilancia y atención)
y por fiebre amarilla selvática (FAS) y fiebre amarilla urbana (FAU).
De igual manera, se elaboraron mapas de conocimiento para identificar los factores de
incertidumbre en la determinación del número de muertos por FAS y FAU. todos estos mapas
ayudaron a estructurar adecuadamente el problema de fiebre amarilla, e identificar las incerti-
dumbres relevantes y su relación con las decisiones estratégicas4.
10.7 CRITERIOS DE DECISIÓN
Como se trató en el capítulo 3, una de las bases de toda decisión, aparte de las alternativas
e información, es la de los valores y las preferencias. Para lograr calidad en este requerimiento
es necesario poder contestar a la pregunta ¿qué queremos? La respuesta ayuda a establecer
la medida de valor adecuada al problema de decisión que se enfrenta. Es decir, que antes de
tomar una decisión, la gente involucrada debe establecer y estar de acuerdo con el criterio con
el que se tomará una decisión.
Si bien el criterio de decisión depende del tipo de problema (e.g., en un problema de es-
trategias alternativas para preveer y controlar fiebre amarilla serán los costos y el número de
enfermos y/o muertos), en los problemas de negocios el criterio principal –como se estableció en
el capítulo 6– para la mayoría de las decisiones debe ser el valor presente neto del flujo de caja
futuro del proyecto (o negocio). Parte del esfuerzo en la fase de estructuración de un problema
de decisión es argumentar sobre lo inadecuado de usar como criterio de decisión otros objetivos
de la gerencia, como “participación de mercado”, “crecimiento de ventas” o “producción total”.
Como se indicó anteriormente, el equipo de ABC decidió usar el VPn de los flujos del proyecto.
Algunos del equipo habían pensado que su tarea era ver si el negocio de empaque crea sinergias
para los negocios actuales de ABC, o sí se podría usar toda la capacidad a instalarse. Pero, luego
de discutir estas metas y otras medidas como la tIR y el período de pago, el equipo llegó a la
conclusión de que el VPn es el mejor criterio de decisión para asegurarse de tener un negocio
rentable, que genere valor para los accionistas.
4
Ver Ministerio de Salud (2000).
• 312 •
cAsos
I. GULP
Una de las áreas en la que se puede aplicar el Análisis de Decisiones es la investigación y
desarrollo de nuevos productos en el sector industrial. Las decisiones a tomar en este campo
tienen incertidumbres significativas e inevitables, ya que implican inversiones con resultados en
el largo plazo. Las investigaciones que no están dirigidas a una aplicación específica son difíciles
de evaluar, no importa cuál metodología se utilice. Es mejor restringir el análisis de decisiones
a problemas de investigación cuyas aplicaciones estén claramente identificadas. El problema
de gULP que se presenta a continuación tiene una aplicación específica. Es un caso sencillo,
pero interesante, en el que se han captado varios de los puntos de la metodología del Análisis
de Decisiones. Ayudará a distinguir entre los factores que están bajo control (decisiones) y los
que no (incertidumbres).
El Sr. Castro es el Presidente de la Corporación gULP, dedicada a producir aditivos para aceite
de motor. Desde su fundación gULP ha asignado una importancia clave a su Departamento de
Investigación y Desarrollo, y a lo largo de los años ha llevado a cabo estudios para producir
aditivos con diferentes características. En ocasiones, gULP ha optado por vender algunas pro-
puestas de su Departamento en lugar de llevarlas a cabo ellos mismos.
El gerente de Investigación y Desarrollo, Ingeniero Rodríguez, ha presentado una propuesta
para investigar la posibilidad de desarrollar un nuevo aditivo para aceite de motor. El propósito
de este nuevo aditivo es tratar el aceite para que fluya mejor en climas con temperaturas va-
riables y altitudes diferentes. El Ing. Rodríguez piensa que si se logra producir este aditivo con
las óptimas condiciones técnicas y a un costo bajo, es posible que gULP elimine gran parte de
la competencia de aditivos para el tratamiento de aceites para motor. Para gULP, este proyecto
significará una inversión de siete millones de dólares, los que serán financiados con recursos
externos a pagar en su totalidad al final del período de investigación, que durará cinco años.
Luego de este período de investigación, gULP sabrá los costos de producción y las condiciones
del nuevo aditivo. Según el Sr. Rodríguez, estas condiciones pueden expresarse con un solo
parámetro: el índice de potencia del nuevo aditivo.
Para convencer al Presidente de la compañía a realizar el proyecto, el Ing. Rodríguez ha
presentado una propuesta con estimados puntuales del costo unitario de producción por galón
del nuevo aditivo (c) y del índice de potencia (p), y predice que generará muy buenas utilidades
para gULP.
Sin embargo, el Sr. Castro no está tan seguro sobre las estimaciones realizadas como resul-
tado de la investigación del nuevo aditivo. Además, las utilidades no sólo dependen del costo del
producto y sus características técnicas, sino también de las condiciones de mercado: tanto de su
demanda como de la vida del nuevo producto, si es que se decidiera introducirlo en el mercado.
Más aún, gULP tiene la posibilidad de vender este proyecto a otra compañía, más pequeña, que
se dedica a investigar en el área de aditivos para aceites.
Finalmente, para el Sr. Castro tanto las variables de investigación como las de mercado son
inciertas, lo que complica aún más el análisis para poder llegar a conclusiones claras que ayuden
a tomar decisiones.
• 313 •
Para analizar este problema aplique el enfoque del ciclo del Análisis de Decisiones. Para
comenzar, reúna todo el conocimiento disponible acerca del problema. La tarea en este capítulo
es la estructuración del problema utilizando las herramientas presentadas. Se volverá a emplear
este caso en los siguientes capítulos, para ilustrar las otras fases de la metodología del Análisis
de Decisiones. Como se mencionó, en la fase de estructuración se busca establecer el marco
apropiado, generar alternativas y estructurar el problema usando un diagrama de influencias
que identifica las variables relevantes para la decisión.
En el caso de gULP, este ciclo debió hacerse en un período de siete días desde la presen-
tación de la propuesta por el Ing. Rodríguez, hasta antes de efectuar la siguiente reunión de
socios. Cualquier recomendación producto del análisis debía presentarse en dicha reunión para
su aprobación o rechazo. Por esto, el Sr. Castro llamó a un analista de decisiones cuyos servicios
había utilizado en el pasado. Le explicó las restricciones de tiempo y de inmediato comenzaron
a tratar el problema.
El Sr. Castro procedió a describir la situación al analista, quien anotó todas las cuestiones
que le preocupaban. obviamente, al Sr. Castro se le presentan una serie de decisiones que tendrá
que tomar e incertidumbres a las que se enfrentará. En base a la descripción de éstas, hecha
por el Sr. Castro:
a. Plantee el propósito del esfuerzo aplicando la “Visión del esfuerzo”.

b. Establezca el listado de cuestiones.
c. Establezca el alcance del problema utilizando la jerarquía decisional.
d. genere estrategias alternativas recurriendo a una tabla de estrategias.
Después, el analista organizó las opiniones en una tabla de estrategias simples y se la presentó
al Sr. Castro, preguntándole si representaba adecuadamente todas las alternativas disponibles.
Esta tabla se presenta en la tabla gULP. A, al final de este caso en el capítulo 13.
El Sr. Castro estuvo de acuerdo en que la tabla incluía las dos decisiones básicas que enfren-
taba gULP en este problema. Luego, el analista continuó preguntándole por cuáles otras acciones
podría hacer la empresa. Por ejemplo, sobre la base de las experiencias previas, ¿estaría gULP
dispuesta a vender el proyecto a la compañía de Investigaciones Químicas S.A. (lQSA)? o ¿hacer
la investigación y luego vender el producto desarrollado a otra empresa para que lo produzca y
comercialice? Castro aceptó que la firma podría vender el proyecto a IQSA, pero para lograrlo
sería necesario hacer un reporte más documentado con el objeto de convencer a IQSA de las
bondades técnicas y económicas del nuevo producto.
Con respecto a la posibilidad de vender el producto desarrollado a otra empresa, Castro con-
sideró que ello no era una alternativa real, pues la política estricta de gULP es siempre producir
y comercializar los nuevos productos que desarrolla.
e. En respuesta a estos comentarios, revise su jerarquía decisional y la tabla de generación

de estrategias alternativas.
• 314 •
El analista modificó la tabla de estrategias para incluir la nueva variable de decisión, como
se muestra en la tabla gULP. B al final de este caso.
A partir de la nueva tabla, Castro y el analista argumentaron las diferentes estrategias po-
sibles. Castro consideró que si la investigación para desarrollar el nuevo producto no comienza
de inmediato, no deberá realizarse, pues tomará cinco años y la vida del producto es finita, ya
que la competencia podría desarrollar uno mejor, que desplazaría al nuevo aditivo de gULP.
Debido a estos argumentos, el analista redefinió las alternativas en la variable de investigación
como realizar/no realizarla. Por otro lado, Castro consideró que gULP sólo vendería el proyecto
si pudiera obtener un millón de dólares por él.
Además, Castro consideró el hecho de que, de realizarse la investigación recién después de
cinco años gULP conocería los costos de producción y el índice de potencia del nuevo producto.
Sólo en ese momento se decidirá si gULP lo producirá y comercializará, y la decisión dependerá
del valor presente de las ganancias futuras a lo largo de la vida del producto, valor que será
calculado al final del período de investigación. Entonces, sobre la base de toda esta discusión,
Castro y el analista establecieron tres estrategias consistentes con los valores y objetivos de
la compañía.
f. A la luz de esta discusión, defina las estrategias alternativas posibles para gULP5.
g. ¿Cuál es la medida de valor adecuada para este problema? Indique sus razones.
Como se sabe, en un diagrama de influencias un nodo de azar representado por un círculo

significa una incertidumbre, y una flecha que apunta a un círculo indica que las probabilidades
asignadas a la incertidumbre dependen de la variable al otro lado de la flecha. Un rectángulo
o nodo de decisión representa una variable de decisión, y una flecha que apunta a este nodo
señala la información disponible al tomar la decisión. En ambos casos, se dice que la variable
en la base de la flecha “influye sobre” aquélla a la cual apunta.
Usando el procedimiento del capítulo 7 para graficar un diagrama de influencias, el analista
y el Sr. Castro dibujaron en primer lugar un nodo de azar para representar el valor presente neto
(VPn) de las utilidades totales que son el resultado final de las diferentes alternativas. Este nodo
representa la incertidumbre fundamental dado que si se conociera la distribución de probabili-
dades del VPn de cada alternativa, sería muy fácil escoger la decisión óptima.
Como no es posible determinar esto directamente aplicando el proceso del capítulo 7, el ana-
lista pudo identificar todas las variables importantes de incertidumbre y decisión y las representó
en un diagrama de influencias. Por medio de este diagrama, las variables de salida (VPn) y las
variables importantes del sistema quedaron perfectamente definidas para el análisis.
h. Construya un diagrama de influencias que relacione la variable de valor con las in-
certidumbres y las decisiones.
i. Defina claramente las variables de decisión e incertidumbre en el diagrama de in-
fluencias.
j. ¿Qué otros factores se han tomado como parámetros o constantes?
5
En la tabla GULP. C al final del caso (capítulo 13), se presentan tres estrategias alternativas.
• 315 •
II. Distribuidora de Agua de Mesa

A usted como analista de decisiones se le ha encargado realizar una evaluación de la fac-
tibilidad para establecer una distribuidora de aguas de mesa en botellón a domicilio (tiene que
elegir entre las marcas San Antonio o San Luis). Su cliente le dice que para él es importante
saber cuáles serán los ingresos del negocio.
a. ¿Son los ingresos una variable de resultado (valor) apropiada? Explique.
El cliente tiene dos alternativas de operación. El distrito de la Molina o el distrito de San
Isidro. En el primero las distancias son mucho mayores y la densidad de población es menor que
en San Isidro. En este último distrito, debido a que existe una mayor cantidad de oficinas, la
demanda podría ser mucho mayor.
Su cliente piensa que tiene dos opciones de capacidad: grande y pequeña.
En San Isidro puede elegir entre dos opciones, mientras que en la Molina se piensa que el
mercado requeriría solo optar por una capacidad pequeña. Es necesario considerar que una
capacidad “grande” requiere de una inversión mucho mayor por necesitar un local más grande,
mayor stock y mayores facilidades de transporte (tal vez se requiere de una camioneta en lugar
de motocars que podrían ser utilizadas en la Molina)
El precio está dado por el mercado y es sugerido por la embotelladora y depende obviamente
del producto que se elija para comercializar.
Los costos se pueden clasificar en fijos y variables. Los variables son básicamente el cos-
to del botellón y los de transporte (que a su vez depende del medio elegido de acuerdo a la
localización). Los costos fijos pueden ser los de mercadeo y los administrativos, que también
dependerán de la localización.
Las incertidumbres a las que enfrentan podrían ser:
• La demanda del producto.
• Los costos de transporte.
• Los costos administrativos y de mercado,
• Etc.
Los puntos mencionados anteriormente son sólo una ayuda por si Ud. no tiene la menor idea
de cómo organizar el negocio. Utilice su ingenio y experiencia para estructurar el problema y
desarrollar los puntos requeridos. Puede establecer los supuestos que crea convenientes siempre
y cuando sean coherentes con el planteamiento del problema expuesto.
b. Defina el propósito del esfuerzo decisional.
c. Establezca el listado de cuestiones relacionadas al problema y clasifíquelas en deci-
siones e incertidumbres.
d. Establezca la jerarquía decisional.
e. Elabore una tabla de estrategias y enumere las que considere necesarias evaluar.
f. Defina claramente la variable de resultado (valor) escogida e indique claramente sus
razones.
g. Construya un diagrama de influencias, definiendo claramente las variables de decisión
y estado.
• 316 •
X. PRoblEmAs
1. Describa un problema de decisión que enfrentó recientemente o con el cual se encuentra

lidiando actualmente. Identifique los elementos básicos de la decisión.
2. ¿Cuál es el objetivo que persigue la fase de estructuración en el análisis de decisiones?
3. ¿Cuáles son las principales herramientas utilizadas en la fase de estructuración?
4. ¿Cuáles son los aspectos a tener en cuenta para el encuadre adecuado del problema de
decisión? Explíquelos.
5. La decisión de producir una línea nueva de productos recreativos ha dado como resultado
enfrentar una nueva decisión sobre el tamaño de la planta. La mejor selección del tamaño
de planta depende de cómo reaccione el mercado a la nueva línea de producción. Para
realizar un análisis, la gerencia de mercadotecnia ha decidido calificar la posible demanda
a largo plazo como baja, media o alta. La siguiente tabla de resultados muestra la ganancia
proyectada en millones de dólares.
Posibilidades
Tamaño de planta Baja Media Alta
Pequeña 150 200 200
Grande 50 200 500
a. ¿Cuál es la decisión que se va a tomar y cuál es el evento aleatorio para el problema

de decisión?
b. Construya un diagrama de influencia.
c. Construya un árbol de decisión.
• 317 •
CAPÍTULO 11
AnáLisis
DeTerminÍsTiCO
• Introducción
• El modelaje en la fase determinística
• El análisis de sensibilidad en la fase determinística
• Apéndices: Modelo Matemático y Análisis de Sensibilidad

Determínistico
• Casos: GULP (continuación)
• 319 •
11.1 INTRODUCCIÓN
En el capítulo anterior se presentó la fase de estructuración donde se enmarca el problema

de decisiones, se generan estrategias alternativas, se recauda cierta información (utilizando los
diagramas de influencia) y clarifica los criterios de decisión. En este capítulo se presenta la se
gunda fase del ciclo del análisis de decisiones: análisis determinístico. En esta fase se construye
el modelo estructural/cuantitativo, que consiste en expresar formalmente las relaciones entre
las variables de decisión, las incertidumbres y la medida de valor, identificadas en el diagrama
de influencias, y plasmarlas en una hoja de cálculo que permita realizar la evaluación de las
estrategias alternativas bajo diferentes escenarios en una forma eficiente. Este modelo calcula
los flujos de ingresos, egresos y de caja netos, y el VPN para los diferentes escenarios. Además,
facilita el análisis de sensibilidad utilizando los rangos de los valores de la incertidumbre y el
software apropiado (en este texto usaremos Supertree®).
Se empleará el caso de ABC, presentado en el capítulo anterior, para ilustrar cómo debemos
modelar correctamente el problema de decisión para facilitar el análisis de las variables involucra
das, e identificar las incertidumbres relevantes en base al análisis de sensibilidad. El modelo que
se presentará es un modelo financiero, que incluye un modelo estructural desarrollado a partir
del diagrama de influencias, y un modelo de valores y de preferencias con respecto al tiempo.
11.2 EL MODELAJE EN LA FASE DETERMINÍSTICA
Cuando el Sr. Pérez presentó el problema de decisión a los analistas, ellos junto a un grupo
de expertos sugirieron que ABC no debería considerar el proyecto propuesto por Exporagro como
única alternativa, y que de lo contrario debería considerarlo como una nueva oportunidad para
desarrollar nuevas alternativas y ver si el negocio de empaque de productos frescos podría ser
rentable para la compañía, y no tendría porqué ser un proyecto de exclusividad con Exporagro.
La estructuración de este problema de decisión se realizó en el capítulo anterior.
Para continuar con la resolución del problema y la aplicación de la metodología del Análisis
de Decisiones, es necesario realizar un modelo matemático que permita darle valores a los
posibles resultados.
CrEACióN DEL moDELo EStruCturAL

Para ejecutar el análisis cuantitativo de las alternativas disponibles, el analista necesita
construir un modelo formal, que normalmente se desarrolla en la computadora debido a la com
plejidad de la mayoría de los problemas de decisión que enfrentan las corporaciones.
Como se vio, la regla principal es mantener este modelo lo más simple posible, basándonos
en el diagrama de influencias. un criterio que ayuda a lograrlo es construir un modelo que per
mita distinguir entre las alternativas disponibles y que incluya explícitamente las variables que
permitan este objetivo minimizando el número de variables que no contribuyen a discriminar
entre las alternativas.
Los modelos existentes en las empresas usualmente no son útiles para el análisis de decisiones
estratégicas. tienden a ser muy complejos (con muchas variables), toman mucho tiempo o son
• 320 •
• Capítulo 11 • Análisis Determinístico
muy complicados para emplearlos, y constantemente se enfocan en cantidades importantes

para que la compañía opere, pero no son relevantes para tomar las decisiones estratégicas.
Por esta razón, el analista de decisiones debe desarrollar un modelo específico que describa en
forma simple y clara el problema bajo análisis. Esto se logra aplicando el diagrama de influencias
como el “mapa de conocimiento” que refleja la pericia y la experiencia de los decisores y sus
expertos. una vez que se toma la decisión, la mayor parte del modelo se vuelve irrelevante para
decisiones futuras.
un comentario frecuente para justificar la construcción de modelos muy complejos es que
“el modelo debe ser completo y suficientemente detallado para convencer al decisor acerca de
su precisión”. La práctica demuestra, por el contrario, que los decisores suelen considerar los
modelos muy complejos como “cajas negras”, las cuales ocultan toda clase de errores o supuestos
incorrectos. un modelo bien trabajado, que haya sido diseñado con la participación activa del
decisor y sus expertos, raramente es cuestionado o rechazado por ser muy simple. Al ser fácil
de comprender, tiene la ventaja de ofrecer una mayor transparencia y, por lo tanto, un mejor
entendimiento del problema, lo que ayuda a generar nuevas alternativas.
Los paquetes de computación existentes, hojas de cálculo (e.g., microsoft Excel) brindan
la capacidad suficiente para tratar modelos relativamente complejos con una lógica simple. De
este modo se obtienen fácilmente los resultados del análisis, la interpretación y validación del
modelo se hace más accesible para el decisor.
El programa de computación debe ser familiar para los involucrados en el análisis y compatible
con el software desarrollado especialmente para las aplicaciones del Análisis de Decisiones. Por
ejemplo, como se mencionó anteriormente, la consultora Strategic Decisions Group (SDG), de
California, ha elaborado un paquete llamado SuPErtrEE®, que es compatible con la mayoría de
hojas de cálculo electrónicas1. Existen otros programas computarizados especializados, como
el riskCalc®, Decision Adviser®, o riskDetective®, que también facilitan considerablemente el
análisis de problemas realmente complejos.
Volviendo al caso de ABC, el analista tuvo que desarrollar un modelo matemático en hoja
de cálculo para el análisis cuantitativo, el que relacionará todas las variables indicadas en el
diagrama de influencias (como datos de entrada o resultados calculados), y fue capaz de evaluar
todas las alternativas indicadas en la tabla de estrategias. La mayoría de estas relaciones se
pudo expresar como simples cálculos financieros. Las expresiones matemáticas del modelo del
proyecto ABC se presentan en el Apéndice de este capítulo.
Algunos de los nodos en el diagrama de influencias (figura 10.16) implican más de una variable
en el modelo en hoja de cálculo. Así, por ejemplo, el nodo de azar “fenómenos climatológicos”,
que representa la presencia del fenómeno del Niño en los próximos años, se modela usando dos
variables: el año en que aparece el “Niño” y su “intensidad” (impacto en la demanda de servicio
de parking). La figura 11.1 muestra este modelaje, el que facilita la discusión. En general, modelar
un nodo aplicando varias variables no sólo facilita la discusión, sino que también resulta ser muy
eficiente en modelar muchas situaciones diferentes. otros nodos no son modelados explícitamente,
pero alientan a pensar sistemáticamente acerca de las incertidumbres existentes. Por ejemplo,
la “competencia” es una incertidumbre crítica que se puede modelar indirectamente en la tasa
de crecimiento de la participación de mercado.
1
Los autores de Supertree® ahora trabajan con la compañía de consultoría Smart Org, que es un socio estratégico de
SDG.
• 321 •
Figura 11.1: Modelo del fenómeno climatológico
Impacto en la
Demanda
Alto
0.20
Intensidad ?
¿Intensidad? 0.15
Medio
Bajo
0.10
Año
1 2 3 4 5 Aparición Niño
Cuando ?
¿Cuándo?
El modelo en hoja de cálculo juega un rol muy importante en las fases del análisis determi
nístico y probabilístico, así como en la interpretación de resultados. En el análisis determinístico
permite calcular los flujos de ingresos, egresos y caja netos, y facilitan el análisis de sensibi
lidad para identificar las incertidumbres críticas. En la fase probabilística permite evaluar las
estrategias alternativas, sus perfiles de rentabilidadriesgo, y hacer mayor análisis para ver
cuan sensible es la decisión a las probabilidades asignadas y a la aversión al riesgo. En la fase
de interpretación de resultados facilita el cálculo del valor de la información adicional y la de
control. Ver figura 11.2.
Figura 11.2: El modelo de hoja de cálculo juega un rol importante en tres fases
Figura 11.2: El modelo de hoja de cálculo juega un rol importante en tres fases del ciclo de
del ciclo de análisis de decisiones
análisis de decisiones
Sensibilidad
Sensibilidad Arbol
Á de
Hoja de Cálculo Determinística
Determnística Decisiones Hoja de Cálculo
A B C A B C
1 1
2 2
3 3
4 4
5 5
Situación Análisis Análisis Fase de Decisión

Estructuración
Inicial Determinístico Probabilístico Interpretación
Iteración
La creación del modelo en hoja de cálculo para evaluar las decisiones es un

• 322 •
arte.Cada artista tiene su propio estilo, hay cientos de formas para modelar
“correctamente” un problema de decisión; pero también, hay miles de formas
de construir un modelo pobre. Los modelos en hoja de cálculo deben estar bien
organizados. La figura 11.3 muestra una estructura que funciona, tiene una
sección de estrategia, otra de inputs, un área de cálculos, la del flujo de caja y
La creación del modelo en hoja de cálculo para evaluar las decisiones es un arte. Cada artista
tiene su propio estilo, hay cientos de formas para modelar “correctamente” un problema de
decisión; pero también, hay miles de formas de construir un modelo pobre. Los modelos en hoja
de cálculo deben estar bien organizados. La figura 11.3 muestra una estructura que funciona,
tiene una sección de estrategia, otra de inputs, un área de cálculos, la del flujo de caja y una de
resumen y detección de errores.
Figura 11.3: Estructuración del modelo en hoja de cálculo
Estrategia
Inputs
Cálculos
Estado de Ingresos/Flujo de Caja/Medidas de Valor
Resumen/Detección de Errores
La sección de estrategia contiene la tabla de estrategias, pero volteada; en vez de tener en

el encabezamiento de cada columna el área de decisión, lo tiene en el encabezamiento de cada
fila. La sección de estrategia permite que una sola hoja de cálculo evalúe múltiples alternativas.
En el caso de ABC, la sección de estrategia contiene una tabla que define los nombres de las
estrategias y otra que define las alternativas en base a las decisiones estratégicas (tabla 11.1).
La primera fija un número para cada estrategia, especificando que inputs emplear. todas las
variables dependientes de la estrategia, tanto las decisiones como las incertidumbres, están
controladas por este número correspondiente a la estrategia. Este número permite seleccionar
la opción de cada área de decisión asociada a la estrategia elegida, así como el rango correcto
para los inputs inciertos que dependen de la estrategia.
• 323 •
• 324 •
DEFINICION DE ESTRATEGIAS
ESTRATEGIAS
DESCRIPCION VALOR EN USO NOMBRE
1 2 3 4
Num.Estrategia 1 Estr
Nombre de la
Nom.Estrategia Agresiva Exporagro Agresiva Exporagro Agresiva Diversificada Moderada Conservadora
estrategia
DECISIONES ESTRATEGICAS
VALOR EN USO ESTRATEGIAS
DESCRIPCION NOMBRE
1 1 2 3 4
Alquiler planta de
Modalidad Const.planta Modalidad Const.planta Const.planta comprar planta uvas y ampliación
para espárragos
Ubicación de planta Valle de Ica Ubicación Valle de Ica Valle de Ica Valle de Ica Chincha
Exporagro (esp.y
Exporagro (100% Mercado Exporagro (100% Ica (espárragos y Chincha e Ica
Mercado Objetivo 50%uvas) + Ica
Tabla 11.1: Definición de estrategias del Proyecto de ABC
esp. y 50%uvas) Objetivo esp. y 50%uvas) uvas) (espárragos y uvas)

(esp y uvas)
Grande
Grande esparragos, Grande esparragos, Chica esparragos,
Capacidad Inicial esparragos, grande Capacidad Chica esparragos
grande uva grande uva chica uvas
uva
preferencial +
Margen de Utilidad preferencial Margen preferencial competitivo bajo competitivo bajo
competitivo alto
la tabla de constantes, que presenta su valor –en la columna de “valor en uso”– y un nombre
azar del diagrama de influencias, y caracterizan a todos con el mismo nivel de incertidumbre:
las constantes como las incertidumbres. Se ubica después de la estrategia y tiene dos tablas:
bajo análisis. La tabla de “incertidumbres”, contiene las variables que representan los nodos de
La sección de inputs contiene todos los números de entrada para la hoja de cálculo, tanto
asignado –en la columna de “NomBrE”– que se usará en el área de cálculos (y no referencias a la

celda). Se debe recordar que estos valores son “constantes”, es decir, no inciertos para la decisión
CONSTANTES O PARAMETROS
VALOR
DESCRIPCION NOMBRE UNIDAD
EN USO
Tasa de descuento 8.0% Tdcto %
Año de inicio(base) 2007 añobase año
Impuesto a la renta 30% crisispolitica %
Caja de 8.2Kg 1 caja8,2Kg caja
Caja de 5Kg 1 caja de 5 kg caja
INCERTIDUMBRES
VALOR 1 4
DESCRIPCION NOMBRE
EN USO Bajo Medio Alto Bajo Medio Alto
AÑO
Año Ocurrencia del fenómeno del Niño 2.00 Anino 0 2 2 0 2 2
Efecto Niño sobre la demanda 0.40 ENiño 30% 40% 50% 30% 40% 50%
CONDICIONES DE MERCADO
Tabla 11.2: Inputs del Proyecto ABC
Dem. Inicial Empaque Uva Exporagro 300,000 deminiuvasexpor 280,000 300,000 330,000 - - -
Dem. Inicial Empaque Uva Ica 0 deminiuvas - - - … 600,000 650,000 800,000
Dem. Inicial Empaque Uva Chincha 0 deminiuvaschi - - - 140,000 158,000 180,000
Dem. Inicial Empaque Esparrago Exporagro 840,000 deminiespaexpor 800,000 840,000 860,000 - - -
Dem. InicialEmpaque Esparrago Ica 0 deminiespa - - - 2,500,000 2,700,000 2,900,000
Dem. Inicial Empaque Esparrago Chincha 0 deminiespachi - - - 750,000 850,000 920,000
Crec. Dem. Empaque Uva Exporagro 40% crecdemuvasexpor 20% 40% 42% - - -
Crec. Dem.Empaque Uva Ica 0% crecdemuvas - - - 8% 10% 15%
Crec. Dem. Empaque Uva Chincha 0% crecdemuvaschi - - - 6% 10% 12%
Crec. Dem. Empaque Esparrago Exporagro 30% crecdemesparraexpor 26% 30% 35% - - -
Crec. Dem.Empaque Esparrago Ica 0% crecdemesparra - - - 12% 15% 20%
Crec. Dem.Empaque Esparrago Chincha 0% crecdemesparrachi - - - -1% 2% 5%
…
Dem. Max.Empaque Uva Exporagro 650,000 demmaxuvasexpor 600,000 650,000 850,000 - - -
Dem. Max.Empaque Uva Ica 0 demmaxuvas - - - 1,100,000 1,250,000 1,400,000
Dem. Max.Empaque Uva -Chincha 0 demmaxuvasChi - - - 690,000 724,000 920,000
Dem. Max. Empaque Esparrago Exporagro 1,600,000 demmaxesparraexpor 1,500,000 1,600,000 1,750,000 - - -
Dem. Max. Empaque Esparrago Ica 0 demmaxesparra - - - 3,000,000 3,500,000 4,000,000
Dem. Max. Empaque Esparrago Chincha 0 demmaxesparraChi - - - 900,000 1,000,000 1,200,000
rangos de incertidumbre en cada una de las variables y para cada estrategia.
. . . . . . . . .
. . . . . . . . .
Equipo de procesamiento Uva 29,330 equiprouvas 28,280 29,330 30,520 - - -
Obras civiles Uva 100,000 obrasuvas 90,000 100,000 105,000 - - -
Inversión construir planta 1,600,330 inverconstruir 1,529,280 1,600,330 1,683,020 - - -
Inversión administrar planta en Chincha 0 inveradmin - - - 35,000 40,000 43,000
…
Inversion adicional Empaque Uva 100,000 inveradic 90,000 100,000 110,000 90,000 100,000 110,000
Inversion adicional Empaque Esparrago 300,000 inveradicespa 280,000 300,000 340,000 130,000 150,000 180,000
caso de ABC. Los analistas entrevistaron a los expertos del equipo de ABC y se valoraron los
los rangos de incertidumbre. Los valores que se utilizan en los cálculos están en la columna de
80% de la incertidumbre total. Ver la discusión en la siguiente sección y en el apéndice, sobre
• 325 •
“valor en uso”. En la tabla 11.2 se presentan las tablas de constantes e incertidumbres para el
La sección de cálculos realiza todas las operaciones necesarias para proyectar los ingresos,
los egresos, flujos de caja netos y otros valores. Para hacer estas operaciones, esta sección sólo
contiene ecuaciones (fórmulas) que relacionan los diferentes inputs (decisiones, incertidumbres
y constantes) para calcular los flujos. Los resultados de estos cálculos aparecen como números,
y son los que se ven en la hoja de cálculo.
Algunas sugerencias ayudan a ser más eficientes y minimizar los errores al formular las ecua
ciones. En primer lugar, las fórmulas para calcular una variable de salida (e.g., ventas del proyecto)
deben ser las mismas para toda la fila que contiene el flujo de dicha variable. Para lograr esto
se debe crear la fórmula una sola vez y luego copiarla al resto de la fila; si es necesario cambiar
la fórmula se debe usar alguna marca (e.g., cursivas); para mejorar la lecturas de las fórmulas,
asignar “nombres de series” a las filas de cálculos (e.g., Ventas = mcdototal*mcdoParti, donde
ventas es la variable de la fila actual, y es igual al producto de los valores contenidos en las filas
que representan al mercado total (mcdototal) y la participación de mercado (mcdoParti); las
fórmulas deben referirse a “nombres” (no emplear números en esta sección). En segundo lugar,
se debe desarrollar iterativamente el modelo en hoja de cálculo: comenzar simple y agregar
complejidad solamente cuando sea justificado.
Algunos programadores, especialmente los que usan hojas de cálculo, están acostumbrados a
introducir un conjunto de números para representar series de tiempo, como estimados de demanda,
participación de mercados y otros para el período de análisis. Para modelar las incertidumbres
y ayudar a entender los resultados del análisis, este conjunto de números debe ser remplazado
por “variables”. Por ejemplo, para calcular el nivel de demanda, se puede ingresar como inputs
la demanda inicial y una tasa de crecimiento y calcular el flujo de demanda para el período de
análisis (e.g., Demandat = Demanda inicial * (1+Crec. Dem)t). Es decir, que el análisis de decisiones
requerirá que los programadores cambien su forma de programar en hoja de cálculo.
Los analistas con el equipo de ABC desarrollarán la sección de cálculos (tabla 11.3); las
fórmulas implícitas en cada fila se muestran en el apéndice (modelo matemático).
• 326 •
DEFINICIÓN Unidad 1 2 9 10
Costo unitario de empaque uva $ 3.39 3.36 3.13 3.10
Costo unitario de empaque esparrago $ 2.08 2.06 1.92 1.90
…
Margen Preferencial Uva $ 0.11 0.11 0.16 0.16
Margen Preferencial Esparrago 0.14 0.14 0.14 0.14
…
Precio empaque preferencial uvas $ 3.75 3.73 3.62 3.61
Precio empaque 3ros uvas $ 4.07 4.03 3.76 3.72
precio empaque preferencial para esparragos $ 2.37 2.34 2.19 2.16
precio empaque 3ros esparragos $ 2.56 2.53 2.36 2.33
…
demanda serv. empaque uvas Exporagro cajas 420,000.00 252,000.00 650,000.00 650,000.00
demanda serv. empaque uvas 3rosValle de Ica cajas 0.00 0.00 0.00 0.00
Tabla 11.3: Área de Cálculos del Proyecto ABC
demanda serv. empaque uvas Chincha cajas 0.00 0.00 0.00 0.00
DEMANDA TOTAL SER. EMPAQUE UVAS cajas 420,000.00 252,000.00 650,000.00 650,000.00
…
demanda serv. empaque esparragos Exporagro cajas 1,092,000.00 655,200.00 1,600,000.00 1,600,000.00
demanda serv. empaque esparragos 3ros Valle de Ica cajas 0.00 0.00 0.00 0.00
demanda serv. empaque esparragos Chincha cajas 0.00 0.00 0.00 0.00
DEMANDA TOTAL SER. EMPAQUE ESPARRAGOS cajas 1,092,000.00 655,200.00 1,600,000.00 1,600,000.00
. . . . . .
. . . . . .
Cantidad de Serv. packing espárrago /Exporagro cajas 1,092,000.00 655,200.00 1,600,000.00 1,600,000.00
Cantidad de Serv. packing espárrago/ 3ros Valle de Ica cajas - - - -
Cantidad de Serv. Packing espárrago/Chincha cajas - - … - -
Cantidad de Serv. Packing espárrago TOTAL cajas 1,092,000.00 655,200.00 1,600,000.00 1,600,000.00
período de pago). En otros problemas de decisión se debe identificar las medidas de valor claves;
entendimientos o satisfacer la curiosidad de los decidores (como en el caso de ABC: la tir y el
• 327 •
penden del problema de decisión bajo análisis. En un problema típico de negocios, se debe usar el
La siguiente sección presenta el flujo de caja y las medidas de valor. Las medidas de valor de
VPN del FCN como medida de valor clave; pero se puede usar otras medidas para lograr mayores
por ejemplo, en un esfuerzo por desarrollar estrategias alternativas para prever y controlar la fiebre
amarilla en el Perú, con los médicos epidemiólogos se estableció como medidas de valor críticas el
número de muertos y enfermos (tasas de mortandad y morbilidad), y los costos. Si se estructura
bien esta sección, ahorrará tiempo en la preparación de la presentación del proyecto.
La sección de resumen/detección de errores muestra la información necesaria para juzgar lo
razonable de los resultados de cada estrategia alternativa. Se debe incluir todas las variables y
ratios de interés, por ejemplo, los flujos de producción, ingresos, costos totales, gasto de capital
e ingresos/empleado. Estas variables y ratios permitirán detectar errores. ¿Parecen razonables
los valores de las variables y ratios cuando los comparamos con experiencias pasadas, o con la
competencia?
Como se dijo anteriormente, el modelo es crítico tanto para el análisis determinístico como
probabilístico, por lo que debemos asegurarnos que trabaje correctamente para que sea útil.
Se deben detectar los errores cuando se ingresa cada fila (fórmula) en el área de cálculos, y no
esperar hasta que todas hayan sido ingresadas. una manera efectiva es variar los inputs asocia
dos a cada fila para que su efecto sea ejercido y ver si es consistente (e.g., si se sube el precio,
los ingresos deben subir). Continuar con la siguiente fila solamente si se siente con confianza
de que la actual fila está trabajando correctamente. Además, se debe tener cuidado de que las
unidades sean consistentes.
Aún cuando un modelo esté trabajando “bien”, se requiere de una “detección de errores
conceptuales”. ¿tiene sentido la magnitud de los resultados para este proyecto? ¿Están los
ingresos, producción y gastos de capital creciendo/disminuyendo a una tasa razonable para el
negocio? Aún si no es requerido, deben calcularse los ratios financieros apropiados, y preguntarse:
¿tienen sentido? ¿Cómo se comparan con aquellos de otras compañías en el mismo sector? una
recomendación final para asegurarse de que el modelo trabaja bien es revisar los resultados del
proyecto con alguien más del equipo que tenga entendimiento financiero pero que no participó
en el desarrollo del modelo.
En resumen, recordar que el modelo es crucial para el análisis de todo problema de decisión
ayuda a los analistas y equipo de trabajo a crear un marco laboral para pensar acerca del pro
blema de decisión y ofrece un trampolín para generar y evaluar nuevas alternativas, a dar un
mejor entendimiento de las relaciones complejas e incertidumbres del que uno puede hacer “en
su cabeza”; promueve la confianza en la evaluación de las estrategias alternativas más allá de la
que brinda el “olfato”, provee a los altos ejecutivos de proyecciones financieras y entendimientos
claves para aprobar la acción.
Para lograr todo esto, se debe emplear un diseño modular, bien organizado; constituir las
secciones en una forma tal que digan lógicamente la historia detrás del modelo; mantener los
inputs y los cálculos separados; usar nombre para todas las variables; usar ecuaciones (relacio
nes paramétricas) en lugar de “series de tiempo” en los cálculos; mantener las mismas fórmulas
dentro de cada fila del área de cálculo.
Finalmente, se debe recordar cuál es el propósito del modelo: ayudar a tomar decisiones
estratégicas. Se debe comenzar con un modelo pequeño y simple, y adicionar detalles en los
factores que son importantes y excluir aquellos que no lo son. Se debe recordar que el conven
cimiento (“propiedad”) de los decisores proviene del entendimiento, y no de los detalles; por lo
que se debe utilizar el modelo para brindar entendimientos a los decidores, no “respuestas”.
La figura 11.4 muestra esquemáticamente el modelo determinístico.
• 328 •
Figura 11.4: Modelo Esquemático de decisiones del problema de ABC
Incertidumbres Resultados
Ocurrencia
del Niño
Demanda
Flujos de
Máxima de
Ingresos
Espárragos en Ica
MODELO DEL
Participación de
Mercado SISTEMA DE Flujos de
Egresos
Variación de DECISIÓN
costos por
eficiencia
.. FCN VPN
. Preferencias
con respecto
al tiempo
Mercado
Objetivo
.…… Margen
de
Utilidad
Variables de decisión
11.3 EL ANÁLISIS DE SENSIBILIDAD EN LA FASE DETERMINÍSTICA
una vez formulado el modelo estructural, se puede hacer el análisis de sensibilidad deter
minístico para identificar las variables cruciales en la creación de valor y generación de riesgo
en un problema de decisiones. Este análisis consiste en medir la sensibilidad de los resultados
(valor) con respecto a los cambios en las variables del problema. Es decir, se centra en observar
cómo estos cambios afectan el resultado final deseado: crear valor. Además, este análisis es muy
efectivo para refinar la formulación del modelo del problema de decisiones.
Si los cambios en una variable tienen un gran efecto en la creación de valor, su incertidumbre
merece una atención especial y deberá ser modelada como una variable aleatoria en el análisis
probabilístico del problema. Por otro lado, si el efecto no es significativo debe ser fijada en su
valor base, convirtiéndose en una variable fija o parametrizada.
Para ello, es necesario establecer valores de entrada que definan el caso base, con resultados
creíbles, así como el rango de variación de las variables de incertidumbre. El caso o escenario
base está definido por un conjunto de valores centrales para las incertidumbres que se usan
como el punto de inicio del análisis. Cuando se tiene estrategias alternativas (como es el caso de
ABC) será necesario establecer un caso base para cada una de ellas. Si hay incertidumbres que
representan el éxito o fracaso (como en el caso de desarrollar un nuevo producto), o que suceda
o no un evento (como la ocurrencia del fenómeno del Niño), el escenario base debe estimarse
dado el éxito o que suceda el evento. No se le debe dedicar mucho esfuerzo a desarrollar los
valores del escenario base, dado que sólo son el punto de partida del análisis, pero deben ser
suficientemente razonables para evitar discusiones y desacuerdos.
• 329 •
Los valores de las incertidumbres que definen el escenario base deben representar a la
mediana, es decir, que los expertos consideran que hay un 50% de probabilidad de que el valor
que tome la incertidumbre esté por debajo o sobre dicho valor.
Aparte de los valores base (media) para las variables de incertidumbre, también deben esta
blecerse otros dos valores que representen el grado de incertidumbre en estas variables. Es decir,
que en entrevistas a los expertos se establecen tres valores para cada variable de incertidumbre:
uno para el caso base (media); otro, bajo (que represente aproximadamente el primer decil) y uno
alto (el noveno decil). De esta manera se captura el mismo nivel de incertidumbre para todas
las variables. Deben establecerse estos valores de manera clara, porque de lo contrario podrían
sesgarse los resultados. Si se establece un rango suficientemente amplio, cualquier variable
puede resultar la más sensible; es decir, la que genere el cambio más amplio en la creación de
valor. utilizando estos tres valores se identificarán las incertidumbres cruciales, a través del
análisis de sensibilidad determinístico.
Figura 11.5: El Análisis de Sensibilidad Determinístico ayuda a identificar las

incertidumbres más importantes
Supertree®
Sensibilidad
Determinística
Muchas Incertidumbres
incertidumbres claves
El análisis de sensibilidad determinístico comienza evaluando el modelo con los valores

del caso base, que brinda el caso base del modelo. Luego, para cada una de las variables de
incertidumbre, el modelo es evaluado con el valor bajo de la variable y luego con el valor alto
(manteniendo las otras variables en su valor base), lo que da los valores bajo y alto de la medida
de valor del modelo. La diferencia entre estos valores calculados es la medida de cuan sensible
es la medida de valor a la incertidumbre en la variable bajo análisis.
Los miembros del equipo de ABC y el analista establecieron los datos de entrada para el
análisis de sensibilidad de la fase determinística, que se muestran en la tabla 11.2, en las co
lumnas denotadas como: Bajo, medio y Alto. El caso base para cada estrategia alternativa fue
evaluado a partir de fijar las variables de incertidumbre en sus valores medios o base. La figura
11.6 muestra los flujos de caja asociados al caso (escenario) base de cada una de las cuatro
estrategias. también se calcularon los VPN asociados a estos flujos, los que se presentan en
dicha figura. Se observa que a la luz de los valores del escenario base, la estrategia preferida
sería la Estrategia Agresiva Diversificada, con un VPN de $593 mil.
• 330 •
Figura 11.6: Flujos de Caja y VPN de las estrategias alternativas del problema de ABC,
asociados al Caso Base
Miles de Dólares ($)

Estrategia 2 Estrategia 1
400 VPN = $ 593 VPN = $ 283
250
100
(50) 2 4 6 8 10 Años
Estrategia 3 Estrategia 4
(200) VPN = $ 220 VPN = $ 262
(350)
(500)
(650)
(800)
Luego, para realizar el análisis de sensibilidad utilizando el modelo, se consideró una variable
a la vez. Consideramos la estrategia “Agresiva Exporagro”. La variable que está siendo analizada
se establece primero en su valor alto y se utiliza el modelo determinístico para calcular el VPN
asociado a dicha estrategia. Después, se hace que la variable tome su valor bajo mientras que
las otras permanecen en sus valores base y se vuelve a calcular el VPN utilizando el modelo
determinístico. Este procedimiento se repite para cada una de las variables de estado, obteniendo
así el diagrama de “tornado” que se muestra en la figura 11.7. Las variables son ordenadas de tal
manera que las que tienen la mayor variación están arriba. La línea vertical muestra la posición
del caso base. Las barras horizontales muestran el tamaño de la variación del VPN asociado a
la variación de cada variable; la variación del VPN se calcula como la diferencia entre el VPN
estimado utilizando los valores bajo y alto de la variable bajo análisis.
• 331 •
Figura 11.7: Resultados del Análisis de Sensibilidad de la Estrategia “Agresiva Exporagro”
VPN (Miles de US $)
Valor % Variación
75 138 203 267 331 396 460 525 Base Explicada
Margen Preferencial Espárrago 0.12 0.16 0.14 49.3

Variación de costos por eficiencia –0.02 0 -0.01 59.6
Año Ocurrencia Fenómeno del Niño SI NO SI 69.5
Dem. Max. Empaque Espárrago Exporagro 1500000 1750000 1600000 75.9
Dem. Max. Empaque Uva Exporagro 600000 850000 650000 81.5
Inversión Construir Planta 1683020 1529280 1600330 86.4
Part. Mcdo. LP Empaque Uvas Exporagro 0.5 0.65 0.6 89.7
% de Gastos Generales sobre Ventas 0.017 0.012 0.015 92.4
Part. Mcdo. LP Empaque Espárrago Exporagro 0.94 1 1 94.0
Mano de Obra Embalaje Espárrago 0.3 0.42 0.4 95.5
Efecto Niño sobre la demanda 0.5 0.3 0.4 96.8
Flete de planta a puerto Espárrago 0.4 0.5 0.45 97.8
Variación Margen Preferencial 0.04 0.06 0.05 98.8
Montacarga Espárrago 0.24 0.3 0.26 99.1
Crec. Dem. Empaque Uva Exporagro 0.2 0.42 0.4 99.3
Dem. Inicial Empaque Espárrago Exporagro 800000 860000 840000 99.4
Crec. Dem. Empaque Espárrago Exporagro 0.26 0.35 0.3 99.5
Mat. Empaque Espárrago 0.9 0.93 0.91 99.6
Dem. Inicial Empaque Uva Exporagro 280000 330000 300000 99.7
Part. Mcdo Empaque Espárrago Exporagro 0.75 1 1 99.7
Caso Base: $ 283
Las variables que ocasionan las mayores variaciones en el VPN (es decir, las primeras en el diagrama
de tornado) son las incertidumbres críticas que dominan la estrategia bajo análisis; y serán tratadas
como variables aleatorias en la fase probabilística, mientras que las otras variables serán fijadas en su
valor base (o medio), pero podrían cambiar de valor en las otras estrategias cuando sean dependientes
(están influenciadas) de la estrategia (e.g., nivel de demanda depende del mercado objetivo).
Este procedimiento se repitió para cada una de las estrategias alternativas generadas. La
figura 11.8 muestra los resultados del análisis de sensibilidad determinístico para las otras tres
estrategias alternativas.
Figura 11.8: Resultados del análisis de sensibilidad determinístico de las estrategias

“Agresiva Diversificada”, “Moderada” y “Conservadora”
Estrategia Agresiva Diversificada

VPN (Miles de US$)
508 554 600 646 693 739 Valor % Variación
462
Base Explicada
Margen Preferencial Espárrago 0.12 0.16 0.14 31.0
Part. Mcdo. Empaque Espárrago Ica 0.07 0.13 0.1 64.3
Part. Mcdo. LP Empaque Espárrago Ica 0.08 0.16 0.12 69.0
Dem. Max. Empaque Espárrago Exporagro 1500000 1750000 1600000 73.1
Part. Mcdo. Empaque Uvas Ica 0.05 0.12 0.08 77.1
Dem. Max. Empaque Uva Exporagro 600000 850000 650000 80.5
Inversión Construir Planta 1683020 1529280 1600330 83.6
Dem. Max. Empaque Espárragos Ica 3000000 4000000 3500000 86.5
Part. Mcdo. LP Uvas Exporagro 0.5 0.65 0.6 91.3
Part. Mcdo LP Empaque Espárrago Exporagro 0.94 1 1 97.4
Variación Margen Preferencial 0.04 0.06 0.05 98.0
Crec. Part. Mcdo. Empaque Uvas Ica 0.01 0.04 0.02 98.7
Dem. Max. Empaque Uvas Ica 1100000 1400000 1250000 98.9
Caso Base: $ 593
• 332 •
Estrategia moderada
VPN (Miles de US$)
84 148 211 275 338 Valor % Variación
Base Explicada
Part. Mcdo. LP Empaque Espárrago Ica 0.09 0.16 0.13 55.4
Dem. Max. Empaque Espárragos Ica 3000000 4000000 3500000 70.0
Inversión Compra Planta 360000 290000 323600 81.7
Dem. Max. Empaque Uvas Ica 1100000 1400000 1250000 98.2
Dem. Inicial Empaque Espárrago Ica 2500000 2900000 2700000 99.0
Dem Inicial Empaque Uva Ica 600000 880000 650000 99.2
Part. Mcdo. Empaque Uva Ica 0.08 0.2 0.12 99.5
Crec. Dem. Empaque Uva Ica 0.15 0.3 0.18 99.8
Crec. Dem. Empaque Espárrago Ica 0.12 0.2 0.15 99.9
Caso Base: $ 220
Estrategia Conservadora
VPN (Miles de US$)

92 138 184 230 276 322 369 415 461 Valor % Variación
Base Explicada
Dem. Max. Empaque Espárrago Ica 3000000 4000000 3500000 81.2
Crec. Part. Mcdo. Empaque Espárrago Ica 0.035 0.06 0.045 92.6
Part. Mcdo. Empaque Espárrago Chincha 0.1 0.13 0.11 93.7
Inversión administrar Planta Chincha 43000 35000 40000 94.6
Crec. Part. Mcdo. Empaque Espárrago Chincha –0.01 0.04 0.02 95.4
Crec. Dem. Empaque Espárrago Chincha –0.01 0.05 0.02 97.6
Dem. Inicial Empaque Espárrago Chincha 750000 920000 850000 98.0
Part. Mcdo. Empaque Uvas Chincha 0.05 0.15 0.1 98.4
Dem. Inicial Empaque Uva Ica 600000 800000 650000 98.9
Caso Base: $ 262
Algunas veces es adecuado hacer un análisis de sensibilidad “conjunto”, cuando dos o más
variables no son independientes (están altamente correlacionadas): cuando una toma un valor
alto, la otra(s) también toma un valor alto (o bajo, cuando están negativamente correlaciona
das). Las variables en la sensibilidad conjunta son variadas “conjuntamente” (es decir, al mismo
tiempo). Podría ser que estas variables individualmente aparezcan abajo en el tornado, pero, su
efecto conjunto podría ser tan grande que deberían ser incluidas en el árbol de decisiones del
análisis probabilístico. Estas variables podrían incluirse en el árbol como nodos separados (con
probabilidades dependientes) o como un solo nodo conjunto que establece en cada rama los
valores para las dos o más variables.
• 333 •
En el análisis de sensibilidad se puede incluir algunas decisiones o constantes (como la

tasa impositiva o la tasa de descuento), para contestar a inquietudes del decisor o los mismos
expertos (cuan sensible es el VPN a variaciones en estas tasas), pero no se las debe confundir
con las incertidumbres críticas que serán nodos de azar en el árbol de decisiones. Así en el caso
de la tasa de descuento, podría considerarse necesario medir el efecto que tiene sobre el VPN
variaciones en dicha tasa. Pero, dado que la tasa de descuento es una cuestión de preferencia
del decisor con respecto al tiempo, no debe ser tratada como una incertidumbre.
A menudo, algunas de las incertidumbres críticas afectan la medida de valor, en todas las
estrategias alternativas y de la misma manera, originando que esta medida varíe hacia arriba o
abajo en la misma proporción. Estas incertidumbres, que afectan a todas las alternativas de esta
manera son variables “macroeconómicas”. Para evitar que el tamaño del árbol crezca y dejar es
pacio para las incertidumbres que distinguen a las alternativas, estas variables macroeconómicas
pueden cambiarse en uno o dos nodos. Entonces, cada rama del nodo combinado representará
un escenario en el que se fijan los valores de las variables macroeconómicas.
usualmente, en todo problema de decisiones unas cuantas incertidumbres son las que real
mente dominan el problema, por lo que podemos limitar el número de incertidumbres en el árbol
a las que generan la variación más grande en el análisis de sensibilidad. La pregunta es cómo
reconocer esa dominación, o importancia de las variables en la generación de incertidumbre en
el VPN (medida de valor). una manera sencilla de comparar la importancia de la incertidumbre
en las variables es elevar al cuadrado la variación en el VPN y expresar este valor como un por
centaje de la suma total de los cuadrados de todas las variaciones del VPN. La columna final de
las figuras 11.7 y 11.8 muestra los resultados acumulados de estos cálculos para el proyecto de
ABC. Estos cálculos se basan en una aproximación al teorema del límite central que establece
que la varianza de la suma de variables independientes es igual a la suma de las varianzas de
cada variable.
Así, en la estrategia 1 (figura 11.7) las cinco primeras variables explican el 81.5% de la varia
ción total del VPN. En muchos problemas, del 80 al 90% de la incertidumbre total usualmente
está explicado por 57 variables de incertidumbre.
Lo que debe recordarse es que esta aproximación es válida cuando las variables son pro
babilísticamente independientes. Cuando existan variables dependientes, se debe usar sensi
bilidad conjunta; y esta sensibilidad conjunta debe ser independiente de las otras variables en
el modelo.
A partir de los resultados del análisis de sensibilidad, se determina las variables cruciales. Al
revisar los resultados del análisis, en las figuras 11.7 y 11.8, el equipo de ABC y el analista esco
gieron las primeras cinco variables con la mayor influencia sobre el VPN, las cuales serán incluidas
como variables aleatorias en el árbol de decisiones en la fase de análisis probabilístico.
Además, al observar los resultados de los tornados se puede afirmar que no existe alternativa
disponible que sea dominada determinísticamente por las otras. Es decir, no hay una alternativa
para la que exista otra mejor para todos los valores posibles de las variables de incertidumbre.
• 334 •
En resumen, el análisis de sensibilidad determinística indica que existen cinco variables cru
ciales en cada una de las estrategias alternativas, de las cuales dos son comunes a las cuatro
estrategias (Variación de Costos por Eficiencia y ocurrencia del Niño), el margen Preferencial
para espárragos es crucial para las dos primeras estrategias, mientras que la Demanda máxima
de Espárragos en ica es crucial para las dos últimas. Las otras variables son diferentes para
cada estrategia, lo que hace que se tenga un árbol asimétrico (ver la figura 12.2 en el próximo
capitulo). El total de incertidumbres críticas son diez, las que serán tratadas como variables
aleatorias en la fase probabilística.
En conclusión, el análisis de sensibilidad es importante porque nos permite identificar las va
riables aleatorias cruciales en la creación de valor, en las que debe centrarse la atención. tal como
se indicó anteriormente, la regla adecuada para escoger los rangos consiste en capturar el mismo
nivel de incertidumbre para todas las variables del modelo (ver discusión en el apéndice).
APÉnDiCe
MODELO MATEMÁTICO
Comenzando de atrás hacia adelante en el diagrama de influencias, el analista definió las

siguientes expresiones matemáticas:
n n
FCOTt FCOTt
¦ (1=+ d¦
VPN = VPN t + ¦ I nv
) (1 + d )
t t+ ¦ I nvt
(11.1)
t =1 t =1
donde:
VPN: Valor Presente Neto.

FCOTt: Flujo de Caja de operaciones total, en el período t.
d: tasa de descuento.
Invt: inversiones, éstas pueden ser en la construcción de la planta, la compra de la
planta y la inversión en administrar la planta.
El Flujo de Caja de operaciones total se calcula en base a la siguiente expresión:
FCOTt =FCOT FCOtt − INCT

FCOt −= INCT + VSN , VSN=0(11.2)
IACA,t VSN=0
IACAt −+ VSN
• 335 •
FCOTt = FCOt − INCTt − IACAt + VSN , VSN=0
donde:
FCOt: Flujo de Caja de operaciones.
INCTt: inversión en nuevo capital de trabajo, se planea que la inversión adicional sea
el 7% del incremento de los ingresos de período a período.
IACAt: inversión en activos para capacidad adicional para uvas y espárragos, esta
inversión sólo se realizará en los períodos en que la demanda potencial de empaque
de uvas o espárragos supere la capacidad de empaque de la planta.
VSN: Valor de Salvataje Neto, los analistas consideraron que después de 10 años este
valor sería nulo.
El flujo de caja de operaciones se calculará, de la siguiente manera:
FCOt = IOPNt + Dept (11.3)
donde:
IOPNt: ingreso operativo Proyectado Neto
Dept: Es la depreciación total de todos los activos, maquinarias y equipos; la depre
ciación de obras y edificios será de 3% anual; la de maquinarias y equipos de 10%
anual tanto para el caso de equipos de refrigeración y suministros de uvas como de
espárragos.
El ingreso operativo proyectado neto (ecuación 11.4) se obtiene al restar los impuestos
(t=30%) a las utilidades antes de impuestos (uAi). A su vez, éstas se obtienen de restar el gasto
total (Gt) al ingreso total (it) (ecuación 11.5).
IOPNt = UAIt − Tt (11.4)

IOPNtt = UAItt − Ttt UAIt = ITt + GTt (11.5)
UAItt = ITtt + GTtt
El ingreso total se obtiene de la suma de los ingresos por los servicios de empaque (iSE)
ofrecidos tanto para uvas como para espárragos según sea el caso. El ingreso de cada uno de
estos servicios se calculará multiplicando la cantidad de cajas empaquetadas por el precio que
corresponda en cada caso (ecuación 11.6).
ISEt = CantEt * P
ISEtt = CantEtt * P (11.6)
Si : DemEt * PM > CapEP → CantEt = CapEP
Si : DemEtt * PM > CapEP → CantEtt = CapEP
Si : DemEt * PM < CapEP → CantEt = DemEt * PMt
Si : DemEtt * PM < CapEP → CantEtt = DemEtt * PMtt (11.7)
• 336 •
ISEt = CantEt * P
SiISE
: DemE t * PM > CapEP → CantEt = CapEP
t = CantEt * P
SiSi: DemE
: DemE t* PM
t *t PM
<>CapEP
CapEP → CantEt = DemEt * PMt
ISE = CantE t * P → CantEt = CapEP
Si : DemE Sit :*DemE * PM > →
PM <t CapEP CapEP →t =CantE
CantE DemE t = CapEP
t * PMt
Si : DemEt * PM < CapEP → CantEt = DemEt * PMt
Como se muestra en las ecuación 11.7, la cantidad de cajas empaquetadas se calcula teniendo
en cuenta la demanda total por el servicio de empaque (DemE), la participación de mercado
(PM) y la capacidad de producción de la planta (CapEP).
La demanda de empaque no será la misma en todos los años debido a diferentes motivos, si
ocurre el fenómeno del Niño, se podrá tener una reducción de hasta el 50% de la demanda de
empaque debido a la pérdida de cultivos (EfectNiño). Además, se espera un crecimiento de la
demanda de empaque, ya que se espera un incremento de cultivos por el auge de las exporta
ciones (CrecDemE). Sin embargo, existe una demanda máxima debido a la limitación de tierras
(MaxDemE). La ecuación 11.9, muestra estas relaciones.
Si sucede Niño (t año de Niño):
DemEt = Min [ DemE1(1 + CrecDemE ) (t −1) (1 − EfectNiño) MaxDemE ]

DemEt = Min [ DemE1(1 + CrecDemE ) (t −1) (1 − EfectNiño) MaxDemE ]
DemE
Si no sucede Niño Min
t =de
(t año [ DemE1(1 + CrecDemE ) (t −1) (1 − EfectNiño) MaxDemE ]
Niño):
DemEt = Min [ DemE1(1 + CrecDemE ) (t −1) , MaxDemE ]
DemEt = Min [ DemE1(1 + CrecDemE ) (t −1) , MaxDemE ] (11.8)
( t −1)
DemEt = Min [ DemE1(1 + CrecDemE ) , MaxDemE ]
La capacidad de empaque de la planta sólo se incrementará si se tiene en cuenta que la
demanda potencial por el servicio es mayor a la capacidad de la planta.
La demanda potencial por el servicio de empaque para ABC será mayor mientras mayor sea
la demanda total por el servicio de empaque y la participación de mercado que se obtenga en
cada período.
De la misma manera, la participación de mercado variará en el tiempo (PMt), se espera
incrementos (CrecPM) de ésta hasta un punto de estabilización en la que se alcanzaría la par
( t −1)
PM
ticipación = Min [ PM
det mercado CrecPM
1(1 +plazo
de largo (PMlp)). , PMlp ]
PMt = Min [ PM 1(1 + CrecPM ) (t −1) , PMlp ]
PMt = Min [ PM 1(1 + CrecPM ) (t −1) , PMlp ] (11.9)
La ecuación 11.10 expone que el precio se calculará teniendo en cuenta el costo unitario de
empaque de las uvas o espárragos por el margen. Cabe recordar que el margen será preferencial
para el caso de Exporagro y el competitivo en los otros casos. Además, el margen podrá incre
mentarse pero hasta un margen máximo en cada uno de los casos.
Pt = CUt * Mg
Pt = CUt * Mg (11.10)
El costo unitario (CU) se calcula sumando los costos por mano de obra, de personal eventual,
de montacargas, certificados fitosanitarios, material de empaque, servicio de frío, mantenimiento
de la planta y fletes. Es necesario tener en cuenta la variación de costos año a año, como se
explica en la siguiente ecuación.
CUt = ( MOE + PE + MC + CertFito + C.MatE + ServFrio + Manten + FleteCP + FletePP)(1 + var C )t
CUt = ( MOE + PE + MC + CertFito + C.MatE + •ServFrio

337 • + Manten + Flete
GTt = COt + GAt + Dept
COt = CUt * CantEt
GAt = %GGVt * ITt
CU
Por otro lado, los gastos totales set = ( MOE +
obtienen al PE + MC
sumar los + CertFito
costos + C.MatE
operativos ServFrio
(CO),+los gastos + Manten + FleteCP
administrativos (GA) y la depreciación total (ecuación 11.11).
GTt = COt + GAt + Dept (11.11)

COt = CUt * CantEt (11.12)
GAt = %GGVt * ITt (11.13)
Los costos operativos dependerán del costo unitario y de la cantidad de cajas empaquetadas
(ecuación 11.12), mientras que los gastos administrativos dependerán del porcentaje de gastos
generales sobre ventas (%GGV) y de los ingresos totales del período (ecuación 11.13).
APÉnDiCe
ANÁLISIS DE SENSIBILIDAD DETERMINÍSTICO
Cómo identificar los factores críticos en un problema de decisiones

El análisis de sensibilidad determinístico resulta muy útil para identificar cuáles son las
variables cruciales en la creación de valor y generación de riesgo en un problema de decisiones.
Este análisis consiste en medir la sensibilidad de los resultados (valor) con respecto a los cam
bios en las variables del problema. Es decir, se centra en observar cómo estos cambios afectan
el resultado final deseado: crear valor. Además, este análisis es muy efectivo para refinar la
formulación del modelo del problema de decisiones.
Si los cambios en una variable tienen un gran efecto en la creación de valor, su incertidumbre
merece una atención especial y deberá ser modelada como una variable aleatoria en el análisis
probabilístico del problema. Por otro lado, si el efecto no es significativo debe ser fijada en su
valor base, convirtiéndose en una variable fija o parametrizada.
¿Cómo seleccionar las variables?

Dado que deseamos comparar las diferentes variables, necesitaremos una regla para selec
cionar los rangos de variación que nos aseguren que no comparamos “papas con camotes”. Sin
una regla clara, podrá ser muy fácil sesgar los resultados del análisis. Si se establece un rango
suficientemente amplio, cualquier variable puede resultar la más sensible; es decir, la que genere
el cambio más amplio en la creación de valor.
Al respecto, la regla más simple podría ser modificar cada variable en la misma cantidad,
regla que no tiene sentido. Algunas de las variables en un modelo podrían estar expresadas
en toneladas de producción, otras en millones de dólares y otras en años. En este sentido, una
cantidad constante, como 100, no podrá aplicarse en todos los casos.
Así, una regla más razonable podría ser modificar cada variable en un porcentaje fijo, por
ejemplo: ±10%. Los beneficios de este método radican en que su implementación requiere poco
• 338 •
esfuerzo y es fácil de explicar en presentaciones. Es un método muy tentador y, de hecho, es muy

utilizado por analistas financieros y en muchas de las metodologías de evaluación de proyectos.
Sin embargo, la desventaja del método del porcentaje fijo se centra en que será muy raro que
todas las variables del modelo tengan el nivel de incertidumbre elegido. De hecho, es muy posible
que el porcentaje escogido no sea apropiado para ninguna de las variables. Por ello, los resultados
de este tipo de análisis de sensibilidad podrían conducir a conclusiones erróneas y a que el inves
tigador modele las variables equivocadas en el análisis probabilístico del problema de decisiones.
tomando en cuenta lo anterior, la regla correcta para escoger los rangos se basa en capturar
el mismo nivel de incertidumbre para todas las variables del modelo. Éste es el enfoque de la
disciplina del análisis de decisiones, en donde usualmente escogemos un rango que representa el
80% de nuestra incertidumbre total para cada variable. Este enfoque es referido como el método
105090, porque aplicamos los puntos en la distribución de probabilidad acumulada asociados
al décimo, cincuentavo y noventavo percentil de dicha distribución. otro rango comúnmente
empleado es el 55095, que capta el 90% de la incertidumbre en cada variable.
Para ilustrar esta discusión, veamos el caso planteado en el capítulo 10. Suponga que GuLP,
una corporación dedicada a producir aditivos para aceite de motor, está considerando la posi
bilidad de investigar, desarrollar y comercializar un nuevo aditivo. manejando el proceso para la
creación de diagramas de influencias, el problema de GuLP puede resumirse en la figura 11.9.
Figura 11.9: Diagrama de Influencias
Investigar y
desarrollar
Índice de
Potencia
Comercializar el Costo Vender

Producto Unitario Proyecto
Ganancias
Netas
Unitarias
Participación
Investigar y
De Mercado
desarrollar
Flujo de
Ganancias
Índice de Anuales
Potencia
Vida del VPN
Producto
Comercializar el Costo Vender

Producto Unitario Proyecto
• 339 •
Ganancias
Netas
Unitarias
Participación
Alguien sugiere hacer el análisis de sensibilidad empleando el método del porcentaje fijo.
Entonces, escogemos el valor alto para cada variable como el 10% por encima del valor base, y
el bajo, como el 10% por debajo del mismo. Los resultados de este análisis se presentan en un
“diagrama de tornado” (ver figura 11.10).
observando estos resultados, tenemos que el valor presente neto (VPN) es muy sensible a las
variables asociadas al proceso de investigación y desarrollo (i&D) del producto: las variaciones
del costo unitario y del índice de potencia explican más del 97% de la variación total del VPN.
Por otro lado, éste es muy poco sensible a las variables asociadas al mercado.
Si en lugar de utilizar la regla de porcentaje fijo consultamos a los expertos y valoramos la
incertidumbre en cada una de las variables, tendremos valores diferentes para los altos y bajos
en cada variable. Por ejemplo, la incertidumbre asociada al costo unitario del nuevo producto
es muy baja (el rango 1090 está entre 70 y 78 centavos de dólar), dada la gran experiencia
de GuLP en el desarrollo de aditivos. En cambio, la incertidumbre asociada a la vida útil del
producto es bastante grande, dada la mayor competencia esperada en el mercado de aditivos.
Cuando imputamos los rangos recolectados para cada variable, obtenemos el “diagrama de
tornado” de la figura 11.11.
Podemos apreciar que este diagrama es significativamente diferente al primero. El índice de
potencia es la variable más relevante: explica el 95.5% de la variación total del VPN. La incer
tidumbre existente en el costo unitario sólo explica el 3.2% de la variación total del VPN (no
es tan crucial como lo mostraba el “tornado” generado usando el método del porcentaje fijo)
y la asociada a la vida útil del producto, a pesar de su gran incertidumbre (su rango del 80%
de incertidumbre está entre 14.5 y 26 años), sólo explica menos del 1%. Esto se debe a que la
sensibilidad del VPN es el resultado de la combinación de dos factores: el rango de incertidumbre
de la variable y el impacto que dicha variable tiene en el cálculo del VPN.
Figura 11.10: Diagrama de tornado – Porcentaje fijo
VPN
Valor % Variac.
0 5 10 15 20 25 30 35 40
base explicada
Costo Unitario 0.803 0.657 0.73 48.8
Índice de Potencia 1.254 1.026 1.14 97.7
Participación de Mercado 0.432 0.528 0.48 99.6
Vida Útil de producto 18 22 20 100.0
Valor base: 22
• 340 •
Figura 11.11: Diagrama de tornado – mismo nivel de incertidumbre
VPN
Valor % Variac.
0 10 20 30 40 50 60 70 80 90 base explicada
Índice de Potencia 1.30 0.62 1.14 95.5
Costo Unitario 0.78 0.70 0.73 98.7
Vida Útil de producto 14.5 26 20 99.4
Participación de Mercado 0.45 0.56 0.48 100.0
Valor base: 22
Centrémonos en lo importante
En conclusión, el análisis de sensibilidad es importante porque nos permite identificar las
variables aleatorias cruciales en la creación de valor, en las cuales debemos centrar nuestra
atención. Sin embargo, debemos tener cuidado al establecer la regla para seleccionar los ran
gos de variación, para que nos asegure que comparamos “papas con papas”. tal como se indicó
anteriormente, la regla adecuada para escoger los rangos consiste en capturar el mismo nivel
de incertidumbre para todas las variables del modelo.
Debemos señalar que en los problemas reales con muchas variables es usual que sólo unas
cuantas de ellas sean identificadas como variables aleatorias cruciales. Esto es importante para
el proceso de modelación en la fase probabilística, pues los modelos probabilísticos con muchas
variables son difíciles de manipular y su estimación resulta muy costosa debido a la gran cantidad
de información requerida. Por lo tanto, una de las tareas importantes del análisis de sensibilidad
es limitar el número de variables aleatorias cruciales para la decisión. Este análisis también nos
permite entender mejor el problema, ayudándonos a identificar lo que es importante y poder así
refinar el análisis. Si la creación de valor es altamente sensible a ciertas variables, éstas podrían
desvincularse para mejorar el modelo.
• 341 •
CAsOs
I. GULP (continuación)
Este caso se presentó en el capítulo 10. En esta ocasión lo emplearemos para ilustrar el uso
de las herramientas del Análisis Determínistico. Se debe construir un modelo formal para realizar
el análisis cuantitativo de las estrategias alternativas generadas en el capítulo anterior.
Como se dijo, el costo de investigación será de $7 millones y la tasa de descuento fue fijada
por el Sr. Castro en 10%, lo que representa las preferencias de GuLP con respecto al tiempo y
está dada por su costo de oportunidad. Para eliminar el efecto de inflación, Castro y el analista
modelaron todos los flujos en términos reales; es decir, a precios constantes.
El analista modeló las utilidades anuales del proyecto como el producto de las utilidades
por barril tratado de aceite (uB), por el volumen de ventas del aditivo. Este último es una frac
ción (f) de los 100 millones de barriles de aceite que son utilizados anualmente. El Sr. Castro
considera que este mercado no tendrá un crecimiento significativo, por lo que se lo trató como
un parámetro.
A su vez, las utilidades por barril de aceite de motor tratado se calcularon de acuerdo con
el criterio del Sr. Castro, quien estimó que esta utilidad unitaria será igual a la mitad del ahorro
potencial del consumidor, el que está dado por la diferencia entre el antiguo costo por barril
tratado y el nuevo costo por barril tratado con el nuevo aditivo.
Con el aditivo actual al precio de $1.00 por galón y dado que se necesita un galón de aditivo
por barril de aceite, el costo a consumidor del aditivo por barril tratado es de $1.00.
Para poder entender el nuevo costo, fue necesario definir el índice de potencia, (p), lo que se
realizó en una entrevista con el ingeniero de producción. El ingeniero lo definió como aquél que
mide el número de unidades del nuevo aditivo equivalentes a una unidad del antiguo aditivo. un
índice de potencia de 0.5 significa, entonces, que 0.5 galones del nuevo aditivo producen el mismo
resultado que un galón del antiguo aditivo; un índice de potencia de 2 significa que 2 galones
del nuevo aditivo proporcionan el mismo tratamiento que un galón antiguo, y así sucesivamente.
Por lo tanto, cuanto menor sea el índice de potencia, mejor es el nuevo aditivo.
El costo del aditivo por barril tratado con el nuevo aditivo está dado por el producto del
índice de la potencia (p) y el costo de producción por galón (c).
Por tanto, el ahorro potencial por barril tratado para el consumidor está dado por el costo
con el aditivo actual ($1.00) menos el costo del nuevo aditivo.
usando el criterio del Sr. Castro, se establece que la utilidad por barril de aceite tratado
debe ser la mitad del ahorro potencial del consumidor. Si los ahorros potenciales son positivos,
el aditivo desarrollado por GuLP eliminará gran parte de la competencia de aditivos para aceite,
pues el costo del aditivo por barril de aceite tratado, incluyendo las utilidades para GuLP, será
menor que el del tratado con el aditivo actual. Pero, si los ahorros potenciales son negativos,
GuLP no comercializará el producto.
En resumen, el modelo estructural está representado por unas cuantas ecuaciones. El re
sultado final de este modelo está dado por el valor presente neto del proyecto, el que depende
de las utilidades anuales y del costo de investigación. Las utilidades son determinadas por las
utilidades por barril (uB) y los volúmenes de ventas. Las uB están determinadas por el índice
• 342 •
de potencia (p) y el costo unitario (c), como se pudo establecer en el diagrama de influencias
en el capítulo anterior.
a. Establezca en forma explícita las ecuaciones que conforman el modelo estructural.
La figura GuLP.A muestra esquemáticamente el modelo determinístico y la figura GuLP.B

el árbol de decisiones genérico en este punto del análisis. Éstas están al final del caso en el
capítulo 13.
una vez formulado el modelo estructural, puede hacerse el análisis de sensibilidad determi
nística para identificar las variables cruciales del problema. Para ello el Sr. Castro y el analista
establecieron los datos de entrada para el análisis de sensibilidad, los que se muestran en la
siguiente tabla.
b. Evalue el “caso base” para cada una de las estrategias establecidas.

c. ¿Cuál es la estrategia preferida a la luz de los datos del “caso base”?
d. realice el análisis de sensibilidad utilizando los valores de la siguiente tabla.
Datos de entrada para el Análisis de Sensibilidad Determinística
Valores
Variables Bajo (10%) Base (50% ) Alto (90%)
Costo unitario (e) 0.80 0.88 1.27
Índice de potencia (p) 62% 114% 130%
Fracción del mercado (f) 45% 48% 56%
Vida del producto-años(v) 14.5 20 26
e. ¿Cuáles son las variables cruciales en la estrategia de investigar y comercializar el

producto? Estas variables será incluidas en la fase probabilística.
• 343 •
CAPÍTULO 12
AnáLisis
PrObAbiLÍsTiCO
• Introducción
• Árbol de decisiones
• Asignación de probabilidades en la fase proba bilística
• El modelo probabilístico
• Determinación de la mejor alternativa
• Análisis de sensibilidad probabilística
• Apéndice: Riesgo y Rentabilidad
• 345 •
12.1 INTRODUCCIÓN
En el Análisis de Decisiones, el modelo probabilístico consta de un árbol de decisiones y de

un modelo financiero que es añadido a los nodos finales del árbol para evaluar los resultados de
la decisión. La estructura del árbol representa la relación entre las diferentes variables cruciales
del problema, identificadas en el análisis de sensibilidad determinística, y se construye fácilmente
cuando se ha especificado de manera adecuada el diagrama de influencias respectivo.
Por otro lado, el modelo financiero incluye el modelo estructural, el de valores y las prefe-
rencias con respecto al tiempo establecido en la fase determinística. Por lo tanto, para poder
construir el modelo probabilístico –que permitirá elegir la mejor alternativa– debe haberse
cumplido con todos los pasos de la fase determinística del ciclo de análisis y haber evaluado las
incertidumbres cruciales del problema.
Una vez formulado el modelo probabilístico, será muy fácil completar los subsiguientes pasos
de esta fase, que serán: desarrollar los perfiles de rentabilidad/riesgo (loterías de rentabilidad);
incorporar la actitud del decisor frente al riesgo; determinar la mejor estrategia alternativa y
practicar el análisis de sensibilidad estocástica. El modelo probabilístico también permitirá esta-
blecer el valor económico de la información adicional y del control en la fase de interpretación
de resultados del ciclo de Análisis de Decisiones.
Como se mencionó anteriormente, la metodología del Análisis de Decisiones tiene aplica-
ciones muy amplias; desde los problemas personales y estratégicos de las corporaciones, hasta
los más complejos del Estado. A pesar de que su susceptibilidad al análisis cuantitativo varía,
todos pueden ser tratados con esta metodología. Sin embargo, las inmensas diferencias entre los
diversos problemas, aún entre aplicaciones parecidas –como la introducción de nuevos produc-
tos, problemas de investigación y desarrollo– los modelos a diseñar son específicos para cada
problema de decisión. Los modelos probabilísticos son raramente aplicables a otros problemas
que no sean los particulares para los cuales fueron diseñados.
Por otro lado, en todo negocio o proyecto debe buscarse un balance entre el riesgo y la
rentabilidad, porque las alternativas con un valor esperado más alto usualmente tienen una
incertidumbre mayor. Por lo que es necesario asignar probabilidades a la ocurrencia de las
incertidumbres criticas, identificadas en el análisis de sensibilidad determinístico.
Uno de los resultados principales de la fase probabilística es el perfil de rentabilidad/riesgo
para cada estrategia en evaluación. En este capítulo, se utiliza el proceso de asignación de pro-
babilidades, descrito en el capítulo 8, para asignar probabilidades a las incertidumbres criticas.
Estas asignaciones permiten alimentar el árbol de decisiones para generar el perfil de rentabilidad/
riesgo. Luego se verá cómo analizar este perfil para la elección de la estrategia más adecuada. Un
perfil de rentabilidad/riesgo es un gráfico que muestra el rango de resultados posibles de cada
alternativa en un problema de decisiones o de cada estrategia de desarrollo, ya sea en el nivel
corporativo o en el de una unidad de negocios. Usualmente, este perfil se representa gráficamente
como una distribución de probabilidades acumuladas. Un perfil individual muestra los riesgos
asociados con una estrategia en particular. Presentar perfiles de rentabilidad/riesgo en un solo
gráfico, permite comparar los riesgos de las diferentes estrategias bajo evaluación.
• 346 •
• Capítulo 12 • Análisis Probabilístico
En resumen, la fase del análisis probabilístico consta de cuatro pasos fundamentales como lo
muestra la figura 12.1. En primer lugar se debe dibujar el árbol de decisiones que muestra cómo
se relacionan las estrategias alternativas y las incertidumbres críticas para generar los resulta-
dos. Este paso se ilustrar en la sección 12.2. Seguidamente, se debe asignar probabilidades a las
incertidumbres del árbol, como se muestra en la sección 12.3. Luego, con estas probabilidades
ya será posible evaluar el árbol de decisiones para identificar la mejor alternativa usando los
valores esperados y los perfiles de rentabilidad/riesgo; éste será el tópico de la sección 12.5. Y
finalmente se podrá hacer mayor análisis de sensibilidad. Este análisis de sensibilidad probabilística
permite ver cuán sensible es el perfil de rentabilidad/riesgo con respecto a los posibles valores
de las incertidumbres, cuán sensible es la decisión con respecto a las probabilidades asignadas,
a la tolerancia al riesgo y al tiempo del decisor. Estos temas se cubrirán en la sección 12.6.
Figura 12.1: Los pasos del Análisis Probabilístico
Iteración
Situación Análisis Análisis

Análisis Decisión
Estructura Apreciación
Probabilístico
1.Dibujar Á
Arbol de Decisiones 3. Evaluar el Á
Arbol de Decisiones
100
50 .5
• Valores Esperados
.5 0
• Perfiles de Rentabilidad/
25 Riesgo
2. Valorar Probabilidades 4. Análisis de Sensibilidad Probabilística
Valor • Necesidades de
.25
.50 Refinamiento
p
.25
12.2 ÁRBOL DE DECISIONES
Como se sabe, el objetivo principal de la fase probabilística es considerar en forma explícita

la incertidumbre en el análisis de los problemas de decisión. Esto se logra al asignar proba-
bilidades a las incertidumbres cruciales identificadas en el análisis de sensibilidad de la fase
determinística.
En el caso de ABC, el análisis de sensibilidad redujo el número de incertidumbres a diez
variables aleatorias. Entonces, el analista graficó el árbol de decisiones esquemático teniendo
en cuenta estas variables, como se muestra en la figura 12.2. Las otras variables fueron fijadas
en sus valores base.
• 347 •
Figura 12.2: Árbol de Decisiones Esquemático del Problema de ABC
Ocurrencia del
Niño
por eficiencia
Var. Costos
Pref. Esp.
Dem. Max.
Margen
Esp. Ica
Partic. Mcdo. Inic.

Partic. Mcdo. LP
Partic. Mcdo. LP
Uvas ExporA.
Dem. Max.
Uvas Ica
Esp. Ica
Esp. Ica
Partic. Mcdo. Inic.
Partic. Mcdo. Inic.

Compra Planta
Esp. ExporA.
Dem. Max.
Inversión
Esp. Ica
Esp. Ica
No hacer Proyecto
Conservadora
Exporagro
Diversificada
Moderada
Agresiva
Agresiva
Cada estrategia alternativa tiene asociadas cinco incertidumbres críticas, identificadas en el

análisis de sensibilidad determinística. Así, la estrategia 2 –Agresiva Diversificada– tiene como
variables aleatorias a: la participación de mercado inicial de espárragos en Ica, la participación
máxima (de largo plazo) de espárragos en Ica, el margen preferencial de espárragos, la varia-
ción de costos por eficiencia y la ocurrencia del fenómeno del niño. Se observa que existen dos
variables aleatorias comunes a todas las alternativas –la variación de costos por eficiencia y la
ocurrencia del fenómeno del Niño. Cuatro variables son comunes a dos estrategias: el margen
preferencial en espárragos para Expoagro es común a las estrategias 1 y 2 (las agresivas), la
demanda máxima de espárragos en Ica es común a las estrategias 3 y 4, la participación de
• 348 •
mercado máxima de espárragos en Ica es común a las estrategias 2 y 3, y la participación inicial

de espárragos en Ica es común a las estrategias 2 y 4. La estrategia 1 tiene dos variables que sólo
son cruciales a ella: las demandas máximas de espárragos y uvas de Expoagro. Estas variables
limitan el potencial de esta estrategia. Las estrategias 3 y 4 tienen una variable que sólo es
crucial a ellas: el monto de inversión en la compra de la planta y la participación de mercado
inicial de uvas, respectivamente. Y finalmente se ve que la estrategia 2 comparte sus variables
aleatorias con las otras estrategias.
Una pregunta que realiza la gente que utiliza por primera vez el análisis de decisiones es ¿cuál
es el número razonable de nodos de azar por estrategia en un árbol de decisiones? Depende del
tipo de problema y del criterio del analista para determinar el porcentaje de la incertidumbre
total del VPN, que será explicado por las incertidumbres críticas identificadas en el análisis de
sensibilidad. Sin embargo, consideramos que un buen número de nodos de azar está entre 5 y
7. Usualmente este número logra explicar entre el 80% y 90% de la incertidumbre total en el
VPN en cada alternativa.
Con 5 nodos, con tres ramas cada uno, se tendrá 243 (35) escenarios o nodos finales por
estrategia en el árbol de decisiones. En el caso de ABC, se tiene cuatro nodos con tres ramas
y uno con dos (que ocurra o no el fenómeno del Niño) por lo que se tienen 162 escenarios por
alternativa, los cuales serán suficientes para lograr conclusiones y recomendaciones relevantes.
Reducir el árbol a un tamaño como éste es importante para lograr claridad en los resultados y
tener un árbol adecuado para las presentaciones a los decisores.
Como se indicó en el capítulo 8, el número de ramas y sus probabilidades dependen del tipo
de distribución identificada en el proceso de asignación de probabilidades. Si bien es cierto que
la aproximación a la distribución evaluada mejora a medida que se añaden más ramas, el tamaño
del árbol crecerá y por lo tanto, el tiempo de computación aumentará. La experiencia sugiere
que se logra una buena aproximación cuando se usa tres ramas. Se usarán dos ramas cuando
la distribución sea bimodal, o la variable sea binaria (sucede o no un evento).
Se debe recordar que en el caso de ABC, el nodo de decisión representa las 5 variables
de decisión que definen las estrategias alternativas; es decir, que en vez de tener 5 nodos de
decisión, sólo se tiene uno que está antes (a la izquierda) de todos los nodos de azar porque la
resolución de las incertidumbres no se dará hasta después de que se tomen las decisiones. En
algunos problemas de decisión existirán decisiones de contingencia que se tomarán después
de que algunas incertidumbres se hayan resuelto. Éste es el caso de proyectos de investigación
y desarrollo de nuevos productos. La decisión de “lanzar el producto al mercado” se tomará
después de conocer las características técnicas y de costos del producto desarrollado. Ver el
caso de GULP en el capítulo anterior y al final de éste.
• 349 •
Al igual que varias decisiones pueden representarse con un solo nodo (estrategias alternativas),
los nodos de azar, con efectos comunes a todas las estrategias alternativas, también pueden
combinarse en uno o dos nodos cuyas ramas representan escenarios (combinación de valores
para las variables involucradas). Con esta combinación de nodos se puede reducir el número total
de nodos en el árbol y por lo tanto, los tiempos de cómputo. Recordemos que con las últimas
generaciones de computadoras, los programas de hoja de cálculo y paquetes especializados de
análisis de decisiones, los tiempos de cómputo se han reducido tremendamente. Pero debemos
recordar que tener un árbol frondoso (con muchos nodos) no es deseable dado que no ayuda a
lograr claridad en los resultados y en las conclusiones del análisis.
Otra manera de reducir el tamaño del árbol es creando árboles asimétricos. Es decir, si una
incertidumbre es crucial para una alternativa pero no para las otras, se tendrá el nodo de azar
que representa esta incertidumbre sólo en la estrategia para la cual es crítica. Como se mencionó
en el caso ABC, se tiene un árbol asimétrico, con algunos nodos de azar para unas alternativas.
Así las demandas de largo plazo (máximas) de espárragos y uvas de ExporAgro sólo son cruciales
en la estrategia 1 (Agresiva ExporAgro). De igual manera, una incertidumbre puede ser crítica
sólo para algunas ramas de un nodo de azar, en cuyo caso se tendrá el nodo de azar después de
las ramas para la cual es crucial.
En resumen, es bueno comenzar con un árbol pequeño, aunque se utilice un programa de
software especializado (por ejemplo: Supertree®) para evaluar el árbol. De esta manera se reduce
la probabilidad de tener errores dada las limitaciones del software.
12.3 ASIGNACIÓN DE PROBABILIDADES EN LA FASE PROBABILÍSTICA
El analista debía examinar con mayor cuidado las incertidumbres en las variables aleatorias
del árbol de decisiones. Los rangos establecidos previamente para el análisis de sensibilidad
determinística fueron los apropiados, pero ahora desea valorar las distribuciones de probabilida-
des completas para obtener una información de mejor calidad para el árbol de decisiones. Para
evaluar la incertidumbre en las diez variables aleatorias críticas se convocó a expertos internos
de la Compañía y a algunos externos.
En entrevistas con los expertos respectivos y siguiendo el procedimiento de evaluación de
incertidumbres presentado en el capítulo 8, el analista pudo establecer las distribuciones de
probabilidades acumuladas para cada una de las diez incertidumbres criticas. La figura 12.2
muestra la distribución de probabilidades acumulada para la participación de mercado inicial
de espárragos en Ica.
• 350 •
Figura 12.3: Distribución de la probabilidad acumulada de la participación de mercado

inicial de espárragos en Ica
1.0
X
.8
X
X
.6
X
.4
X
X
X
.2
X
0
0.04 0.06 0.08 0.10 0.12
Participación de Mercado de Espárragos en Ica
Es necesario hacer una aproximación discreta a estas distribuciones continuas para alimentar
el árbol de decisiones y realizar los cálculos y análisis respectivos. La distribución discreta aproxi-
mada de la participación de mercado inicial de espárragos en Ica se muestra en los figura 12.4,
tanto la forma acumulada como la forma de árbol. El procedimiento para lograrla se explicó en
el capítulo 8. Lo mismo se hizo con las otras nueve variables críticas. Con estas manipulaciones
gráficas se pudo alimentar el árbol de decisiones de la figura 12.2.
Figura 12.4: Distribución de la probabilidad acumulada de la participación de mercado
inicial de espárragos en Ica. Discretización
Forma Acumulada Forma Árbol

Media del Intervalo
Partic.Mcdo
1.0 c Espárragos Ica
c A = 0.05
.8.75
Probabilidad
Acumulada
b .25
.6
B = 0.08
.50
.4
b
.25 C = 0.11
.2 a
.25
a
0
A B C
0.04 0.12
0.05 0.08 0.11
Participación Mcdo Espárragos Ica
• 351 •
12.4 EL MODELO PROBABILÍSTICO
Como se mencionó anteriormente, este modelo consta de un árbol de decisiones y del mo-
delo desarrollado en la fase determinística, y permite evaluar los resultados finales en el árbol
de decisiones. En el caso de ABC, el analista pudo graficar el árbol de decisiones asociado con
el diagrama de influencias que había establecido. Este árbol se muestra de una forma genérica
en la figura 12.2. Consiste de un nodo de decisión, que representa las estrategias alternativas, y
diez de azar, que representan las incertidumbres críticas del problema. Además, se cuenta con
el modelo determinístico para evaluar cada ruta del árbol desde el nodo inicial hasta cada nodo
final. Dado que las variables de incertidumbre son independientes una de otra, el analista pudo
haber dibujado los nodos de azar en cualquier orden. Sólo tuvo el requerimiento de hacerlo
después del nodo de decisión (de elegir una de las cuatro estrategias alternativas o no realizar el
proyecto), porque la información con respecto a la resolución de estas incertidumbres no estará
disponible hasta después de que se haya tomado la decisión de cuál estrategia implementar.
La información requerida por el árbol de decisiones está completa. Cada estrategia tiene 162
nodos finales, ya que cuatro de los nodos de azar tienen tres ramas y uno dos (34*2 = 162). Este
problema de decisión tiene un nodo terminal adicional con un valor presente neto de $0, si se
toma la decisión de no llevar a cabo el proyecto. El modelo determinístico, en hoja de cálculo, se
utilizará para calcular el VPN resultante en cada uno de los 162 nodos resultantes en cada estrategia
alternativa. Es importante recordar que las variables no cruciales están fijadas en sus valores base.
Similarmente, la probabilidad para cada uno de los nodos terminales puede calcularse fácilmente
multiplicando las probabilidades del recorrido que va desde el nodo inicial y llega a dicho nodo
final, usando el concepto de expansión en cadena de probabilidades (ver capítulo 4).
12.5 DETERMINACIÓN DE LA MEJOR ALTERNATIVA
Con el modelo probabilístico ya se puede establecer la distribución de probabilidades del VPN

para las estrategias alternativas disponibles que representan los perfiles de rentabilidad/riesgo
o loterías de rentabilidad. En el caso de ABC, el analista, con ayuda del software Supertree®,
produce la distribución de probabilidad acumulada (perfil de rentabilidad/riesgo) de los diferentes
valores del VPN asociados a los diferentes escenarios en cada estrategia alternativa. Para lograr
esto, Supertree® utiliza el modelo de hoja de cálculo para computarizar el VPN asociado a cada
recorrido del árbol (escenario) y sus probabilidades respectivas, para luego ordenar los VPN en
forma creciente y calcular la distribución de probabilidades acumulada para cada estrategia
disponible. La figura 12.5 muestra esquemáticamente estos cálculos.
• 352 •
Figura 12.5: Cálculo de los VPN asociados a los nodos finales de la estrategia 2 (Agresiva
Diversificada) y la distribución de probabilidades acumulada
Calcula el VPN
Calcula y layprobabilidad
el VPN la probabilidad Luego,
Luego,ordena
ordenaloslos
valores deldel
valores VPN y y
VPN
conjunta parapara
conjunta cadacada
escenario
escenario. calcula
calculalas probabilidades
las acumuladas
probabilidad acumuladas.
VPN VPN Probabilidad
Escenario Probabilidad Probabilidad
mills US$ mills US$ Acumulada
1 - 89.9 0.002 - 252.5 0.002 0.002

2 - 56.3 0.003 - 237.2 0.005 0.007
3 - 47.9 0.002 - 221.6 0.009 0.016
.. .. .. .. .. ..
. . . . . .
160 288.2 0.006 1,079.5 0.005 0.993

161 975.6 0.005 1,110.2 0.005 0.998
162 982.0 0.019 1,238.3 0.002 1.000
La distribución de probabilidades acumulada muestra el rango de los posibles valores del VPN
y la probabilidad acumulada asociada a cada uno de ellos. En el figura 12.5 vemos que el grado
de incertidumbre del VPN en la estrategia Agresiva Diversificada es amplio, va de US$ -252.5
a 1238.3 miles.
Los perfiles de rentabilidad/riesgo de las cuatro estrategias alternativas se muestran en la
figura 12.6. La alternativa de no hacer el proyecto tiene un VPN de $0, con una probabilidad
de 1. Esto supone que la alternativa de no realizar el proyecto y por lo tanto, de no invertir en
este proyecto, significa poner el dinero en otras opciones de la compañía donde se obtendrá una
tasa de rendimiento igual a la tasa de descuento, lo que hará que el VPN sea cero.
La figura 12.6 permite observar que la estrategia 2 (Agresiva Diversificada, AD) tiene la ma-
yor rentabilidad (VPN esperado, VE), pero también tiene la mayor incertidumbre y mayor riesgo
–tiene una probabilidad del 9% de destrozar valor (obtener un VPN negativo)–. La estrategia
1 (Agresiva Expoagro AE) tiene un menor VPN esperado, pero también menor incertidumbre y
riesgo –5% de probabilidad de obtener un VPN negativo–.
La figura 12.6 permite también observar que no existe dominación estocástica entre estas
estrategias agresivas, pues para valores de VPN menores a $120,000, la alternativa AE tiene
una mayor probabilidad de producir un VPN en exceso de ese valor que la de la alternativa AD.
Mientras que para valores mayores o iguales a $120,000, la alternativa AE tiene una menor
probabilidad de producir un VPN en exceso de ese valor que la de la alternativa AD.
Las estrategias 3 (Moderada, EM) y 4 (Conservadora, EC) tienen un nivel de incertidumbre
menor y ningún riesgo, pero también poseen poca probabilidad de lograr un VPN alto. La EC
domina estocásticamente a la EM, pues para cualquier valor del VPN la alternativa EC tiene una
mayor probabilidad de producir un VPN en exceso de ese valor que la EM. Por lo que se podría
desechar la EM1.
1
Para una revisión de los conceptos asociados a los diferentes tipos de dominación ver el apéndice de este capítulo.
• 353 •
Figura 12.6: Distribuciones de probabilidades acumuladas del VPN para las estrategias
alternativas del proyecto de ABC
1.0
.9 Estrategia 3 Estrategia 1
VE = $ 210,417
VE = $ 302,537
.8
.7
Estrategia 4
Estrategia 2
VE = $ 277,179
.6 VE = $ 377,920
.5
.4
.3
.2
.1
0
– 400,000 0 400,000 800,000 1,200,000
VPN (US$)
La cantidad de recursos de la corporación ABC que se dedicarán al proyecto sería relati-

vamente pequeña, por lo cual el Sr. Pérez consideró adecuado utilizar el valor esperado como
criterio de decisión. Entonces, el analista procedió a calcular el VPN esperado para las estrate-
gias alternativas disponibles, para lo cual se trasladó conceptualmente a los nodos finales del
árbol, donde los VPN habían sido calculados anteriormente, y trabajó hacia atrás, de derecha
a izquierda, calculando el valor esperado en cada nodo de azar y eligiendo la mejor alternativa
en el nodo de decisión.
Este procedimiento lo realizó el analista con Supertree® utilizando la opción Rollback Tree
de Analyze. Una vez calculados los valores esperados en los nodos de azar, el decisor debe elegir
entre las estrategias alternativas o no hacer nada. Tiene cinco opciones: dos alternativas con
riesgo (las estrategias agresivas), con VPN esperados de $302.5 y $377.9 miles; dos sin riesgo
pero con VE bajos ($210.4 y 277.2 mil); y otra sin riesgo pero con un valor esperado neto de
cero. Dado que el Sr. Pérez está dispuesto a utilizar el valor esperado como criterio de decisión,
la información disponible indica que debe decidir llevar a cabo la estrategia 2 (AD). La figura
12.7 indica esta elección.
Figura 12.7: Elección de la Estrategia Preferida usando el criterio del valor esperado
Estrategia Valor Esperado

1 302537
>2 377920
3 210417
4 277179
5 0
• 354 •
Volviendo a revisar los perfiles de rentabilidad/riesgo, se observa que la alternativa preferida

(AD) tiene el mayor rango de variación del VPN, que va desde -$225 a 1243 miles. Además, la
probabilidad de que el VPN sea negativo es aproximadamente del 9%. Es decir, que no obstante
la estrategia óptima tiene el VPN esperado más alto, también tiene la mayor incertidumbre y el
más alto riesgo, el cual está ilustrado por la amplitud de la distribución de probabilidades de los
resultados y por la probabilidad de terminar con un VPN negativo. Esta amplitud ilustra cómo la
variación conjunta de las incertidumbres y la evaluación de las distribuciones de probabilidades
generan una variación potencial mucho mayor en el valor presente neto que la revelada en el
análisis de sensibilidad determinístico (ver figura 11.8).
En resumen, en la aplicación del criterio del valor esperado, ABC debe escoger la estrategia
agresiva diversificada pero hay una probabilidad del 9% de que termine destrozando valor (con
VPN negativo).
12.6 ANÁLISIS DE SENSIBILIDAD PROBABILÍSTICA
El árbol de decisiones desarrollado no sólo permite establecer las distribuciones de pro-

babilidades de los VPN (perfiles de rentabilidad/riesgo o loterías de rentabilidad) y los valores
esperados de las posibles alternativas, sino obtener información adicional que ayude a alcanzar
un mayor entendimiento del problema.
En primer lugar, es posible establecer distribuciones y VPN esperados en otros nodos que
no sean el primero del árbol y ver cómo varían estos valores condicionales. Es decir, se puede
hacer un análisis de sensibilidad estocástico de las variables del problema al fijar una de ellas
en un valor dentro su rango y permitir que las otras varíen de acuerdo con sus respectivas dis-
tribuciones de probabilidades condicionales. En segundo lugar, se puede hacer un análisis de
sensibilidad con respecto a las probabilidades asignadas en cada una de las variables aleatorias
del modelo probabilístico para ver cuan sensible es la decisión a las probabilidades asignadas.
Tercero, se puede realizar un análisis de sensibilidad con respecto a la actitud del decisor frente
al riesgo y al tiempo, haciendo variar la tolerancia al riesgo y la tasa de descuento. Finalmente,
usando el árbol, es posible establecer el valor de la información perfecta para cada una de las
incertidumbres, así como el del control perfecto, lo que será tema del próximo capítulo.
ANáLISIS DE SENSIBILIDAD ESTOCáSTICO

Para entender mejor la existencia de los riesgos potenciales, el analista del problema de ABC
decidió establecer cuáles serían las distribuciones de probabilidades para cada valor particular de
cada una de las incertidumbres que afectan la alternativa preferida. Es decir, que para la estrategia
agresiva diversificada, se deseaba establecer las distribuciones de probabilidades asociadas con
los diferentes valores de las variables aleatorias asociadas a dicha estrategia. Así, por ejemplo,
se deseaba establecer las distribuciones condicionales a los diferentes niveles de participación
de mercado inicial de espárragos en Ica (PartMcdoInicEspar); esto es 0.05, 0.08 y 0.11. Estas
distribuciones condicionales son presentadas en la figura 12.8 y muestran una variación en el
VPN esperado para la estrategia óptima, desde $295.3 hasta $436.9 miles, dependiendo de la
participación de mercado que se obtenga2.
2
Para obtener estas distribuciones condicionales, usando Supertree®, se utiliza el comando “Plot distribution” del
menú “Analyze” y escogiendo la opción de distribución múltiple en el nodo 2.
• 355 •
Figura 12.8: Distribuciones de probabilidades condicionales a la participación de mercado

inicial de espárragos en Ica
1.0
.9
.8 Particip. 5%
VE = 295293
.7
Particip. 8%
.6
VE = 389744
.5
.4 Particip. 11%
VE = 436900
.3
.2
.1
0
–300000 0 300000 600000 900000 1200000
VPN(US$)
El analista también estableció las distribuciones de probabilidades condicionales para los otros
nodos de azar. Así, por ejemplo, estableció las distribuciones de probabilidad condicionales del
VPN para el margen preferencial en espárragos para Expoagro (MargenPrefEspar), anteponiendo
el nodo de azar que representa esta variable a los otros nodos de azar en el árbol de decisiones
y ubicándolo después del nodo de decisión.
Es posible hacer esto sin ninguna manipulación probabilística porque no importa el orden
de los nodos que indican variables independientes en el árbol de decisiones.
Las distribuciones condicionales para el margen preferencial en espárragos para Expoagro
se presentan en la figura 12.9 y muestran una variación mayor que las de los VPN esperados
debido a los cambios de la participación de mercado inicial de espárragos en Ica ($447 vs. $141
miles). La pérdida esperada para las variaciones de ambas variables es cero, dado que los VPN
esperados para cualquier valor de ellas es siempre positivo. Pero debemos observar que si la
PartMcdoInicEspar es baja (5%) la probabilidad de tener pérdidas es 17%; mientras que si el
MargenPrefEspar es bajo (10%) la probabilidad de tener pérdidas es 25%.
• 356 •
Figura 12.9: Distribuciones de probabilidades acumuladas condicionales al margen

preferencial de espárragos
1.0
.9
.8
.7 Margen 10%
Margen 12% 12%
VE = 154399 Margen
VE = VE
377920
= 377920
.6
.5
.4
.3 Margen14%
Margen 14%
VE==601442
VE 601442
.2
.1
0
–300000 0 300000 600000 900000 1200000
VPN(US$)
Las distribuciones condicionales de que suceda el Niño se presentan en la figura 12.10 y mues-
tran una variación mayor que las de los VPN esperados debido a los cambios de la participación
de mercado inicial de espárragos en Ica ($240 vs. $141 miles), pero menor a la que muestra el
MargenPrefEspar. ($240 vs. $447 miles). Al igual que con las dos variables anteriores, la pérdida
esperada para la ocurrencia o no del Niño es cero, pero se observa que si sucede este fenómeno
la probabilidad de tener pérdidas es del orden del 17%; que es menor a la probabilidad de tener
pérdidas cuando el margen preferencial es bajo (25%).
Figura 12.10: Distribuciones de probabilidades acumuladas condicionales a que suceda el Niño
1.0
.9
Ocurre
Ocurre el Niño
niño
.8 VE = 234150
.7
.6 No ocurre
ocurre el
el niño
Niño
VE = 473768
.5
.4
.3
.2
.1
0
–300000 0 300000 600000 900000 1200000
VPN(US$)
• 357 •
En la tabla 12.1 se muestran los resultados del análisis de sensibilidad estocástica para cada
una de las variables cruciales en la estrategia preferida (AD). La penúltima columna enseña el
cambio en el VPN esperado (VE), que está dado por el valor absoluto de la diferencia entre el
VPN esperado asociado al valor bajo y al valor alto de cada variable. La última columna expone
la probabilidad de tener pérdidas asociado al valor más desfavorable de cada variable.
Tabla 12.1: Resumen del Análisis de Sensibilidad Estocástico
3
Sensibilidad VPN Esperado (10 ) Probabilidad de
Variabilidad
Bajo Alto Cambio Pérdida
Participación del Mercado Inicial

295.3 436.9 141.6 17%
de Espárragos en Ica
Participación del Mercado Máxima

320.3 415.4 95.1 3%
de Espárragos en Ica
Margen Preferencial en
154.4 601.4 447 25%
Espárragos
Variación de Costos por Eficiencia 210 396.4 186.4 10%
Ocurrencia del Niño 234.2 473.8 239.6 17%
Tras practicar este análisis de sensibilidad estocástico, el analista pudo responder a la pregunta:
“¿Cuán importante es el valor de una variable aleatoria crucial cuando se permite que las otras
variables aleatorias cruciales varíen probabilísticamente?”. De las distribuciones de probabilidad
condicionales y los VPN esperados se concluye que todas las variables son cruciales, pues los VPN
varían fuertemente dependiendo de los valores particulares que tomen estas variables. Además,
el analista concluye que el margen preferencial en espárragos para Expoagro produce la mayor
variación en el VPN esperado, y tiene el mayor potencial para generar pérdidas.
ANáLISIS DE SENSIBILIDAD CON RESPECTO A LAS PROBABILIDADES

También se puede emplear el árbol de decisiones para desarrollar un análisis de sensibilidad
con respecto a las probabilidades asignadas, que sugerirá cuáles son las variables cuyas esti-
maciones es necesario refinar. Las probabilidades de ocurrencia de los diferentes valores de las
variables aleatorias afectan el cálculo del valor esperado o equivalencia cierta y, por lo tanto,
la elección de la mejor alternativa. Entonces, este análisis de sensibilidad permitirá determinar
cuán dependiente es la decisión con respecto a los valores de las probabilidades utilizadas en la
construcción del árbol de decisiones3.
3
Para una exposición sencilla y detallada de este análisis ver la sección 6 del capítulo 5.
• 358 •
El analista que estudia el problema de ABC decidió hacer un análisis para determinar si
la estrategia preferida cambiaría a consecuencia de variaciones en las probabilidades de una
incertidumbre en particular. Primero, realizó el análisis de sensibilidad de las probabilidades
con respecto a la participación de mercado inicial de espárragos en Ica (PartMcdoInicEspar);
y estableció un rango de probabilidad dentro del cual la probabilidad de la PartMcdoInicEspar
igual a 5% (baja) puede variar sin cambiar la estrategia preferida. Para determinar este rango,
fijó la probabilidad de la PartMcdoInicEspar de 8% (valor medio) en cero.
La variación en la probabilidad de la PartMcdoInicEspar igual a 5% se verá compensada por
variaciones en la probabilidad de la PartMcdoInicEspar igual a 11% (alta). Con este supuesto,
el analista pudo establecer el punto donde el VPN esperado de la estrategia preferida es igual
al valor esperado de alguna de las otras estrategias. En este caso es indiferente escoger entre
la estrategia preferida y la otra.
El analista empleó la opción de “Sensitivity Probability” en Supertree® para ver si la decisión
original (escoger la estrategia AD) cambiaría con los cambios en las probabilidades asociadas
a la PartMcdoInicEspar. La figura 12.11 muestra que la decisión original es poco sensible a
las probabilidades asignadas a la variable aleatoria de la participación de mercado inicial de
espárragos en Ica, dado que cuando la probabilidad de la participación de mercado inicial de
espárragos en Ica baja varía entre 0 y 94%, se debe escoger la estrategia AD; y sólo cuando
esta probabilidad sea mayor al 94%, la estrategia AE será la preferida. Es decir, que sólo en un
escenario pesimista en el que la probabilidad de tener una participación de mercado baja sea
mayor que 94%, el VPN esperado de la estrategia AD será menor que el de la AE.
Figura 12.11: Análisis de sensibilidad con respecto a las probabilidades asignadas a la

participación de mercado inicial de espárragos en Ica
500000
450000
400000 Estrat
egia 2
350000
Estrategia 1
300000 Estrategia 4
VPN (US$)
250000
Estrategia 3
200000
150000
100000
50000
0
0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0
Probabilidad del valor bajo
• 359 •
De igual manera, el analista realizó el análisis de sensibilidad con respecto a las probabilida-
des asignadas a las otras variables críticas de la estrategia preferida, estableciendo el rango de
probabilidad para el valor bajo (primera rama) de la variable bajo análisis en el cual la estrategia
óptima sigue siendo preferida. Así, para la variable del margen preferencial de espárragos, se
estableció el rango de probabilidades para el valor del 12% (valor bajo) en el cual la estrategia
AD sigue siendo preferida.
Una vez más, usando la opción de “Sensitivity Probability” en Supertree®, se generó la
figura 12.12, de donde se concluye que cuando la probabilidad de un margen preferencial de
espárragos bajo varía entre 0 y 0.74, la estrategia original sigue siendo la preferible; mientras
que si esta probabilidad es mayor de 0.74, la estrategia óptima será la 4 (conservadora). Es
decir, que si la probabilidad de obtener un margen preferencial bajo es alta (mayor al 74%) es
mejor ser conservador.
Figura 12.12: Análisis de sensibilidad con respecto a las probabilidades asignadas al

margen preferencial de espárragos
700000
600000
Est
rate
500000 gia
Est 2
rate
VPN (US$)
400000 gia
1
300000 Estrategia 4
Estrategia 3
200000
100000
0
0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0
• 360 •
La figura 12.13 nos muestra el resultado del análisis de sensibilidad con respecto a las proba-
bilidades asignadas a la variación de costos por eficiencia, y vemos que cuando la probabilidad
de una variación baja toma valores menores que 0.79, el VE de la estrategia AD es mayor que
el VE de las otras estrategias; es decir, que la decisión original no variará. En cambio, cuando
la probabilidad de enfrentar una disminución baja en los costos es mayor que 0.79, el VE de la
estrategia AD es menor que el de la estrategia conservadora, y, por tanto, la decisión óptima
variará.

disminución de costos por eficiencia
700000
600000 Es
tra
teg
ia
500000 2
VPN (US$)
400000 Estrat
egia 1
Estrategia 4
300000
Estrategia 3
200000
100000
0
0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0
• 361 •
La figura 12.14 indica el resultado del análisis de sensibilidad con respecto a las probabilidades
asignadas a la ocurrencia del fenómeno del Niño. Cuando la probabilidad de que no ocurra el
Niño toma valores mayores que 0.09, el VE de la estrategia elegida es mayor que el VE de las
otras estrategias; es decir, que la decisión original no varía. En cambio, cuando la probabilidad
de que no ocurra el Niño es menor que 0.09, el VE de la estrategia elegida es menor que el VE
de la estrategia moderada (estrategia 3), y, por tanto, la decisión óptima variará.

ocurrencia del fenómeno del Niño
500000
2
450000
ate gia
Estr
400000
ia 1
ateg
350000 Estr
300000 Estrategia 3
VPN (US$)
250000
Estrategia 4
200000
150000
100000
50000
0
0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0
• 362 •
Finalmente, el analista realizó el análisis de sensibilidad con respecto a las probabilidades

asignadas a la participación de mercado en el largo plazo de espárragos en Ica. La figura 12.15
muestra que la decisión óptima no es sensible a las probabilidades asignadas a esta variable,
dado que para cualquier probabilidad asignada a tener una baja participación en el largo plazo
la estrategia AD será la preferida.
En conclusión, la decisión de escoger la estrategia Agresiva Diversificada es poco sensible a
las probabilidades asignadas a las variables críticas en esta estrategia. Las probabilidades asig-
nadas al valor bajo, de cada una de las variables, puede variar en un rango amplio sin cambiar
la estrategia preferida.

participación de mercado máxima de espárragos en Ica
500000
450000
Estrategia 2
400000
350000
Estrategia 1
VPN (US$)
300000 Estrategia 4
250000
Estrategia 3
200000
150000
100000
50000
0
0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0
ANáLISIS DE SENSIBILIDAD CON RESPECTO A LA TOLERANCIA

AL RIESGO Y PREFERENCIAS CON RESPECTO AL TIEMPO
El analista también hizo un análisis de sensibilidad con respecto a la actitud al riesgo, para ver
si la aversión al riesgo del decisor cambia la decisión original. Utilizando la opción “Sensitivity to
Risk Attitude” en Supertree® se generó la figura 12.16, donde se aprecia que dependiendo de la
tolerancia al riesgo del decisor, la estrategia preferida cambia. Desde una neutral al riesgo (toma
de decisiones basada en el valor esperado, o tolerancia al riesgo infinita) hasta una tolerancia al
riesgo de alrededor de $300,000, la estrategia preferida será la agresiva diversificada (la original).
Para una tolerancia al riego menor a $300,000 la estrategia preferida seria la conservadora.
Vemos que estos resultados nos muestran que al aumentar la aversión al riesgo del decisor, ABC
preferirá la estrategia conservadora, con sus menores potenciales de altos rendimientos, menor
• 363 •
incertidumbre y ningún riesgo (ver la figura 12.16). Debe notarse que la opción de no realizar el
proyecto nunca es preferida en el rango de tolerancia al riesgo considerada.
Figura 12.16: Análisis de sensibilidad con respecto a la tolerancia al riesgo
400000
Es
350000 tra
teg
ia
300000 2
250000 Estrateg
VPN (US$)
ia 4
Estrategia Estra
3 t egia
200000 1
150000
100000
50000
0
INFINITO 500000 250000 166667 125000 100000
Tolerancia al riesgo
Finalmente, el analista hizo un análisis sensibilidad con respecto al tiempo, considerando

el modelo probabilístico. Para esto entrevistó al decisor y le pidió que identificara dos valores
adicionales para la tasa de descuento, que mide las preferencias con respecto al tiempo4. Aparte
de la tasa del 8%, el decisor identificó las tasas de 6%, como la tasa más baja, y 11%, como la
tasa más alta. Con estas tres tasas, el analista hizo un análisis estocástico para ver la sensibilidad
del perfil de rentabilidad/riesgo a este rango de posibles valores. La figura 12.17 expresa una gran
variación de los VPN esperados cuando se emplean tasas de descuento diferentes. Si se usara
una tasa del 6%, el VE se incrementaría de $377.9 a 593.7 mil, y disminuiría a $106.1 mil si se
aplicara una tasa del 11%. Además, se debe notar que si la tasa fuera del 11% la probabilidad
de destrozar valor (VPN negativo) se incrementaría de 9% (cuando la tasa es 8%) al 39%.
Luego de practicar estos análisis de sensibilidad con respecto a las preferencias al riesgo y
tiempo, el analista pudo concluir que la decisión es sensible a la aversión al riesgo del decisor, y
que el perfil de rentabilidad/riesgo es sensible a la tasa de descuento a utilizar.
4
Como se mencionó en el capítulo 6, la tasa de descuento es el parámetro que mide las preferencias con respecto al
tiempo del decisor.
• 364 •
Figura 12.17: Análisis de sensibilidad con respecto a las preferencias y al tiempo.

Distribuciones de probabilidad condicionadas a diferentes tasas de descuento
1.0
.9
Tasa Dcto 11%
VE = 106120
.8 Tasa Dcto 8%
VE = 377920
.7
.6
.5
.4
0.39 Tasa Dcto 6%
VE = 593745
.3
.2
.1
0 0
–600000 –200000 200000 600000 1000000 1400000
VPN (US$)
Del Análisis Probabilístico se pueden obtener algunos entendimientos y conclusiones. En primer

lugar, debemos saber que el modelo probabilístico consta del árbol de decisiones y el modelo
estructural desarrollado en la fase del análisis determinístico, que permite evaluar la medida de
valor asociada a cada escenario (nodo final) del árbol de decisiones. Para lograr estas evalua-
ciones se requiere valorar las distribuciones de probabilidades asociadas a las incertidumbres
críticas. En el caso de ABC se valoraron 10 variables críticas.
Con las valoraciones establecidas, se evaluaron 162 escenarios (nodos finales) por estrategia,
estableciéndose los perfiles de rentabilidad/riesgo (distribuciones de probabilidades acumuladas
del VPN). La estrategia con la mayor rentabilidad (VPN esperado) es la Agresiva Diversificada
(AD), pero también tiene la mayor incertidumbre y riesgo (9% de probabilidad de obtener un
VPN negativo). Dado que ABC considera adecuado utilizar el VE como criterio de decisión, la
información disponible indica que debe realizarse la estrategia AD.
Del análisis de sensibilidad estocástico se pudo concluir que la estrategia preferida es muy
sensible a las cinco variables aleatorias: las distribuciones de probabilidad condicionales y los
VPN esperados varían fuertemente dependiendo del valor que tomen estas variables. Del análisis
de sensibilidad con respecto a las probabilidades asignadas, se pudo concluir que la decisión
de escoger la estrategia AD no es sensible a los valores de las probabilidades utilizadas en la
• 365 •
evaluación del árbol de decisiones. Este análisis brinda confianza e indica que la decisión es
sólida y no es necesario revisar las probabilidades asignadas a las cinco incertidumbres críticas
en la estrategia preferida.
Del análisis de sensibilidad con respecto a la actitud al riesgo, se observa que mientras
la tolerancia al riesgo (ρ) de ABC sea superior a los $300,000, la estrategia preferida será la
AD. Pero para valores menores de ρ, la estrategia preferida será la conservadora con menores
potenciales de altos rendimientos, pero con menor incertidumbre y ningún riesgo. Finalmente,
del análisis de sensibilidad con respecto a las preferencias y al tiempo, se concluyó que el perfil
de rentabilidad/riesgo de la estrategia preferida (AD) es sensible a la tasa de descuento a uti-
lizar. Si se usará una tasa del 11%, en vez de 8% la rentabilidad disminuiría –el VPN esperado
variaría de $377,920 a $106,120– y el riesgo aumentará –la probabilidad de terminar con un
VPN negativo aumenta del 9% al 39%.
APÉnDiCE
RIESGO Y RENTABILIDAD
CóMO CUANTIFICAR E INTERPRETAR LOS PERFILES

DE RENTABILIDAD/RIESGO DE LOS NEGOCIOS
En todo negocio o proyecto debe buscarse un balance entre el riesgo y la rentabilidad,
porque las alternativas con un valor esperado más alto usualmente tienen una incertidumbre
mayor. Un perfil de rentabilidad/riesgo se representa con un gráfico que nos muestra el rango
de resultados posibles de cada alternativa en un problema de decisiones o de cada estrategia
de desarrollo, ya sea en el nivel corporativo o en el de una unidad de negocios. Frecuentemente,
este perfil se representa gráficamente como una distribución de probabilidades acumuladas. Un
perfil individual nos muestra los riesgos asociados con una estrategia en particular. Al presentar
perfiles de rentabilidad/riesgo en un solo gráfico, podemos comparar los riesgos de las diferentes
estrategias bajo evaluación.
DESARROLLO DE LOS PERFILES DE RENTABILIDAD/RIESGO

Como se ha visto, uno de los resultados principales de la fase probabilística de la metodología
del Análisis de Decisiones es el perfil de rentabilidad/riesgo para cada estrategia en evaluación.
Dado que el resultado final de cada estrategia depende de variables inciertas, y habiendo asig-
nado probabilidades a dichas variables, con el modelo probabilístico se está en condiciones de
calcular la distribución de probabilidades del resultado final, para cualquiera de las estrategias
disponibles. A esta distribución de probabilidades también se la conoce como lotería de renta-
bilidad, pues describe la incertidumbre en el resultado final de la decisión como producto de la
asignación de probabilidades a las variables aleatorias de cada estrategia dada.
• 366 •
Figura 12.18: Perfil de rentabilidad/riesgo
En el eje horizontal de la figura 12.18 se indica el rango de los posibles valores de la variable
de interés. Esta variable puede ser el objetivo de las estrategias bajo análisis, como la creación de
valor –que en un problema estándar de negocios puede ser medido por el valor presente del flujo
de caja neto (VPN)–, o uno de los componentes del objetivo, como el costo, la contaminación,
el empleo, etc. En el eje vertical se muestra la probabilidad acumulada asociada a cada valor
de la variable. En el resto de este apéndice, el VPN será la variable de interés, como el caso de
ABC. Un valor asociado a una probabilidad acumulada puede interpretarse como la probabilidad
de que el VPN de la estrategia bajo consideración será menor o igual al VPN correspondiente
en el eje de las abscisas.
Por ejemplo, en la figura 12.18 observamos que existe un 40% de probabilidad de que el VPN
resulté menor o igual a $0.5 millones en la estrategia bajo análisis. Asimismo, que la probabilidad
de que el VPN resulte menor o igual a $1.5 millones es 1.0 (100%); es decir, que $1.5 millones
es el máximo VPN que podemos lograr con esta estrategia. Podemos calcular la probabilidad de
que el VPN se encuentre entre $0.5 y $1.5 milIones como la diferencia entre la probabilidad de
que sea menor o igual a $1.5 millones y la probabilidad de que el VPN resulte menor o igual a
$0.5 millones, lo cual nos da 0.6 (1.0 - 0.4).
Comparación de los perfiles de rentabilidad/riesgo

Al presentar los perfiles de rentabilidad/riesgo en un solo gráfico, podemos comparar las
diferentes estrategias y seleccionar la más deseable. Sin embargo, el problema es determinar cuál
es más conveniente para el decisor. Cuando comparamos las curvas de rentabilidad/riesgo existen
tres casos posibles: que exista una dominación determinística, una dominación estocástica o que
no exista ningún tipo de dominación. Ilustraremos estos casos en los siguientes gráficos.
• 367 •
En la figura 12.19, la estrategia B domina determinísticamente a la estrategia A, porque el

VPN más bajo posible en la estrategia B es mayor que el valor más alto posible en la A. Es claro
que el decisor siempre preferirá la estrategia B a la A, porque no existe un solo escenario en el
que la estrategia A tenga un resultado mejor que la estrategia B.
Figura 12.19: Dominación Determinística
El segundo caso lo ilustra la figura 12.20, donde la estrategia D domina estocásticamente

a la estrategia C porque hay una mayor probabilidad de exceder cualquier valor del VPN con D
del que hay con C; es decir, para un valor de X, la probabilidad de que la estrategia D produzca
un VPN en exceso de X, es mayor que en la estrategia C. Como consecuencia, un decisor que
prefiera más rentabilidad elegirá la estrategia D, dado que dicha estrategia tiene una probabilidad
mayor de generar una rentabilidad más alta que C. Por ejemplo, para el valor de $0.5 millones, la
probabilidad de que la estrategia D produzca un VPN en exceso de $0.5 millones es 0.8 (1 - 0.2),
que es mayor a la de la estrategia C, que sólo es 0.1.
A pesar de que la dominación estocástica es positiva, no garantiza que la estrategia D sea
mejor que la C en cada escenario posible. Para un escenario en particular –es decir, para una
combinación específica de los valores de las variables aleatorias– es posible que la estrategia
C tenga un VPN mayor que el de la estrategia D. Sin embargo, en general, la estrategia D es
superior. La mejor manera de identificar los escenarios donde la estrategia C será mejor que
la D es utilizando un software adecuado que nos muestre el árbol de decisiones resuelto (e.g.,
Supertree®).
• 368 •
Figura 12.20: Dominación Estocástica
Es claro que si existe una dominación estocástica entre estrategias no habrá necesidad de
investigar las preferencias del decisor con respecto al riesgo, pues él racionalmente eliminará
las alternativas dominadas.
Sin embargo, si no existe dominación estocástica, las distribuciones de probabilidades acu-
muladas de las estrategias se cruzarán y será más difícil hacer una afirmación definitiva de cuál
es la mejor estrategia. Por ejemplo, las distribuciones de las estrategias E y F, que se muestran
en la figura 12.21, representan una situación muy común: la estrategia E tiene menor riesgo
(probabilidad de obtener un VPN negativo), pero también tiene menos posibilidades de generar
valores altos. Con la estrategia F existe una probabilidad del 15% de lograr un VPN mayor al
máximo valor que se generaría con la estrategia E. La preferencia entre estas estrategias depende
de la actitud del decisor con respecto al riesgo: ¿está el decisor dispuesto a aceptar el mayor
riesgo de F por la posibilidad de generar un VPN mayor?
En situaciones como ésta, cuando no existe dominación estocástica, el primer paso es analizar
cuidadosamente las estrategias bajo consideración y ver la manera de generar una alternativa
híbrida que capte los grandes resultados de F y el bajo riesgo de E. En muchos análisis la mejor
estrategia no está entre las primeras consideradas. Si no lográramos generar una estrategia
híbrida, las preferencias del decisor con respecto al riesgo deben ser evaluadas para determinar
la mejor estrategia. Ver la sección 6 de este capítulo.
• 369 •
Figura 12.21: Ausencia de dominación
• 370 •
CAsOs
En esta oportunidad continuaremos con el caso GULP presentado en el capítulo 10 para
ilustrar el uso de las herramientas del análisis probabilístico.
Como se sabe, el objetivo principal de la fase probabilística es considerar en forma explícita
la incertidumbre en el análisis del problema de decisión. Esto se logra al asignar probabilidades
a las variables de estado cruciales, identificadas en el análisis de sensibilidad de la fase deter-
minística. Las otras variables son fijadas en sus valores básicos.
El analista debe examinar con mayor cuidado las incertidumbres en las variables aleatorias
y valorar las distribuciones de probabilidades completas para obtener una información de mejor
calidad para el árbol de decisiones. Para evaluar la incertidumbre en el costo unitario y el índice
de potencia5 el Sr. Castro designó al lng. Cárdenas, Jefe de Producción de la Compañía.
En entrevistas con el lng. Cárdenas y siguiendo el procedimiento de evaluación de incertidum-
bres presentado en el capítulo 8, el analista pudo establecer las distribuciones de probabilidades
acumuladas tanto para el costo unitario del nuevo aditivo como para el índice de potencia, los
que se muestran en las figuras 12.22 y 12.23, respectivamente.
Figura 12.22: Distribución de la probabilidad acumulada del costo por galón del nuevo
aditivo
5
Éstas son las incertidumbres críticas identificadas en el análisis de sensibilidad determinístico.
• 371 •
Es necesario hacer una aproximación discreta a estas distribuciones continuas para alimentar
el árbol de decisiones y realizar los cálculos respectivos.
Figura 12.23: Distribución de la probabilidad acumulada de la potencia del nuevo aditivo
Probabilidad
Acumulada
1.0
X
X
X
0.75
0.5
X
0.25
X
X
X
Índice de
0.0
potencia
0.4 0.7 1.0 1.3 1.6
a. Siguiendo el procedimiento presentado en el capítulo 8; discretice las distribuciones

de probabilidades6.
b. Dibuje el árbol de decisiones genérico, con las variables aleatorias críticas y las de-
cisiones.
c. ¿Cuántos nodos finales tiene el árbol de decisiones?
d. Calcule el VPN asociado a cada escenario (nodo final) usando el modelo determinístico;
y calcule la probabilidad de cada uno de estos VPN.
e. Utilizando el criterio del valor esperado, ¿cuál es la estrategia óptima? ¿Si se decide
investigar, siempre se debe comercializar el producto?
6
Se sugiere discretizar el costo unitario en tres rangos con probabilidades de 0.25, 0.50, 0.25 y dada la distribución del
índice de potencia se sugiere discretizarlo en dos con 0.40 para el rango bajo y 0.60 para el alto.
• 372 •
f. Dibuje las loterías de rentabilidad/riesgo para las estrategias analizadas. ¿Cuál es el

riesgo en cada una de las estrategias?
g. ¿Existe algún tipo de dominación entre las estrategias planteadas?
h. Realice un análisis de sensibilidad estocástico con respecto a las variables aleatorias,
y conteste a la pregunta ¿cuán importante es el valor de la variable aleatoria crucial
cuando se permite que las otras variables aleatorias varíen probabilísticamente? Más
específicamente: ¿cuán sensible es el perfil de rentabilidad/riesgo a la incertidumbre
en cada variable aleatoria? ¿Cómo varia el VPN esperado? ¿Cuál es la probabilidad de
destrozar valor (riesgo) con cada uno de los valores de la variable aleatoria?
i. ¿Cuán dependiente/sensible es la decisión con respecto a las probabilidades utilizadas
en la evaluación del árbol de decisiones?
• 373 •
CAPÍTULO 13
InTerPreTACIón
de resULTAdOs
• Introducción
• El valor de la información perfecta
• El valor de la información imperfecta
• El valor del control perfecto e imperfecto
• Apéndice: GULP
• 375 •
13.1 INTRODUCCIÓN
El análisis de sensibilidad probabilística indica que la decisión óptima se ve afectada por los
valores que finalmente tomen las variables aleatorias y por la evaluación de las probabilidades
de su ocurrencia, que determinen el decisor y sus expertos. Dependiendo de los resultados del
análisis de sensibilidad, muchas veces el decisor deseará obtener información adicional para
mejorar la confiabilidad de sus estimados antes de tomar la decisión.
Como se mencionó anteriormente, una de las características más valiosas del Análisis de
Decisiones es su habilidad para determinar el valor económico de eliminar parcial o totalmen-
te una incertidumbre antes de tomar una decisión. Éste es uno de los objetivos de la fase de
interpretación de resultados: determinar si vale la pena recolectar nueva información –lo cual
obviamente tendrá un costo– antes de tomar la decisión. Esta fase consiste de una serie de
pasos de análisis y modelaje.
El análisis en esta fase consiste en medir la sensibilidad económica de tener acceso a infor-
mación adicional y al control sobre las incertidumbres criticas. Mientras que el modelaje, consiste
en identificar alternativas relevantes para recolectar la información adicional o lograr control y
determinar si alguna de ellas tendrá una contribución rentable para el problema de decisión, y
si no se tomará la decisión de no recolectar información adicional.
La información adicional puede recogerse, por ejemplo, por medio de entrevistas y discusiones
con expertos externos a la empresa, mediante análisis cuantitativos y sistemáticos de los datos
históricos o por un estudio de mercado. Sin embargo, obtener esta información necesariamente
implicará un costo; por eso, antes de determinar si merece o no la pena recolectarla es nece-
sario definir cuánto se estaría dispuesto a pagar por deshacerse totalmente de la incertidumbre
inherente a las variables aleatorias.
La información libre de toda incertidumbre se conoce como información perfecta y es el
tópico del próximo acápite. Los cálculos respectivos son ilustrados usando el caso de ABC,
presentado en los capítulos anteriores.
Se explica cómo utilizar información adicional en el análisis y cómo determinar su valor de
manera muy sencilla mediante el árbol de decisiones construido en la fase probabilística. Este
árbol también permite establecer el valor de control.
El control perfecto permite escoger cuál de las posibilidades futuras o ramas desconocidas
en el árbol se pretende que suceda.
13.2 EL VALOR DE LA INFORMACIÓN PERFECTA
Se puede pensar en la información perfecta como aquélla proporcionada por un clarividente

confiable e infalible, quien puede ver el futuro e informar con toda certeza los valores que toman
las variables involucradas en la decisión.
Puesto que la información perfecta es virtualmente imposible de conseguir, ¿por qué calcu-
lar su valor? Hay dos razones para hacerlo antes de calcular el valor de cualquier información
adicional que se sabe será imperfecta.
• 376 •
• Capítulo 13 • Interpretación de Resultados
Primero, el valor de la información perfecta representa el límite superior del valor de cualquier
información imperfecta. Segundo, permite definir en qué instancias será conveniente planificar
acciones de recolección de información.
El valor de la información perfecta es fácil de calcular una vez que la estructura del árbol de
decisiones ha sido establecida. Si es bajo, no será rentable invertir recursos adicionales en obtener
más información, pues los costos de hacerlo podrían superar fácilmente el valor límite establecido
por el valor de la información perfecta. En cambio, si el valor de ésta es alto, podría ser rentable
dedicar algún esfuerzo a poner en marcha programas para mejorar la información.
En el caso del problema de ABC, su árbol de decisiones presenta en total diez variables
aleatorias y cinco de ellas asociadas a la estrategia preferida; por conveniencia se reproduce
en la figura 13.1.
Figura 13.1: Árbol de decisiones del caso ABC

Ocurrencia del
Niño
po r eficiencia
Var. Costos
Pref. Esp.
Dem. Max.
Margen
Esp . Ica
Partic. Mcdo. Inic.

Partic. Mcd o. LP
Partic. Mcd o. LP
Uvas Expo rA.
Dem. Max.
Esp. Ica
Esp. Ica
Uvas Ica
Partic. Mcdo. Inic.
Partic. Mcdo. Inic.

Esp. Expo rA.
Compra Planta
Dem. Max.
Inversión
Esp. Ica
Esp. Ica
No hacer Proyecto
Conservadora
Exporag ro
Diversificada
Agresiva
Moderada
Agresiva
• 377 •
Antes de investigar las alternativas reales para recolectar información en las cinco variables
aleatorias asociadas a la estrategia preferida, el analista procedió a calcular el valor del clarividente
para estas variables. Se puede utilizar el árbol de decisiones para representar estos cálculos;
por ejemplo, para representar el cálculo del valor del problema con información perfecta en
la participación de mercado inicial de espárragos en Ica sólo se requiere intercambiar el orden
del nodo de azar de la participación y el nodo de decisión de escoger una de las estrategias
alternativas, lo que se expresa en la figura 13.2.
Figura 13.2: Árbol de decisiones modificado para determinar el valor de la información

perfecta sobre la participación de mercado inicial de espárragos en Ica
Particip. Inicial Valor Valor

Probabil. Estrat.
Espárra. Ica Esperado Esperado
>1 302537
2 295293
.250 0.03 302537 3 210417
4 277179
5 0
1 302537
>2 389744
.500 0.05 389744 3 210417
VECIP = 379731
4 277179
5 0
1 302537
>2 436900
.250 0.08 436900 3 210417
4 277179
VEIP = VECIP – VESIP 5 0
= 379731 - 377920 = 1811
Esta modificación establece que el decisor conocerá la participación de mercado inicial de

espárragos en Ica al momento de tomar la decisión de cuál estrategia escoger.
En general, el procedimiento para calcular el valor de la información perfecta consiste
simplemente en cambiar el orden de los nodos en el árbol, colocando el nodo de azar que
representa la resolución de la incertidumbre antes de cualquier nodo de decisión. El resto del
árbol permanece igual. Esta tarea se simplifica usando la opción Display Tree, en Analyze, de
Supertree® estableciendo el orden requerido: primero, el nodo de azar que representa la variable
bajo análisis y luego, el nodo de decisión.
Poner el nodo de azar al comienzo del árbol de decisiones significa preguntar: “¿Cuál es el
valor esperado o equivalencia cierta de la decisión, si fuera posible elegir el curso de acción
después de saber el verdadero valor de la variable aleatoria? ¿Es decir, después de obtener la
información perfecta con respecto a esta variable?”.
Así, de la observación del figura 13.2 el analista concluye que si la participación de mercado
inicial de espárragos en Ica fuera baja, 3%, será mejor escoger la alternativa 1 –la agresiva
• 378 •
Exporagro– y no la agresiva diversificada. Pero si la participación es media o alta, la mejor al-

ternativa será la 2 –la agresiva diversificada–. Es decir, que podría existir información adicional
que tendrá valor, pues cambiará la decisión preferida originalmente, la que se determinó en la
figura 12.7, en el capítulo anterior, la que se reproduce por conveniencia en la figura 13.3.
Figura 13.3: Elección de la Estrategia Preferida usando el criterio del valor esperado
Estrategia Valor Esperado

1 302537
>2 377920
3 210417
4 277179
5 0
Esta conclusión es corroborada por los cálculos de los valores esperados con y sin informa-
ción perfecta. En la figura 13.2 se aprecia que la información perfecta sobre la participación
de mercado inicial de espárragos en Ica, es decir, saber el valor de esta variable antes de tomar
la decisión, le permitirá a ABC obtener un VPN esperado de $302,537, con una probabilidad
de 0.25; un VPN esperado de $389,744, con una probabilidad de 0.50; y un VPN esperado de
$436,900, con una probabilidad de 0.25. Luego, el valor esperado con información perfecta
sobre la participación de mercado inicial de espárragos en Ica (VECIP) es de:
VECIP = 302537 (0.25) + 389744 (0.50) + 436900 (0.25)

= 379,731
El incremento en el VPN esperado debido a la disponibilidad de información perfecta, estará

dado por:
donde:
VEIP: valor esperado de la información perfecta
VESIP: valor esperado sin información perfecta
El valor esperado sin información perfecta calculado en la figura 13.3, es de $377,920; por lo
tanto, el VEIP es $1,811. Dado este valor tan bajo, el analista recomendó no buscar información
adicional sobre la participación de mercado inicial de espárragos en Ica, ya que será muy difícil,
sino imposible, conseguir información adicional (imperfecta) sobre esta variable que sea buena
y con un costo menor a $1,811.
• 379 •
De igual manera, se realizó el análisis del valor de la información perfecta para las otras
variables aleatorias. El árbol de decisiones que representa los cálculos del valor de la informa-
ción perfecta en la participación de mercado máxima de espárragos en Ica se muestra en la
figura 13.4.
De la observación de la figura 13.4, el analista concluye que no importa cuál valor tome la
participación de mercado máxima de espárragos en Ica, la alternativa preferida será siempre la
estrategia 2, la agresiva diversificada. Es decir, que ninguna información adicional tendrá valor,
pues no cambiará la decisión original.

perfecta sobre la participación de mercado máxima de espárragos en Ica
Particip. Máx Valor Valor

Probabil. Estrat.
1 302537
>2 320323
.250 0.04 320323 3 210417
4 277179
5 0
1 302537
>2 388002
.500 0.06 388002 3 210417
VECIP = 377920
4 277179
5 0
1 302537
>2 415354
.250 0.08 415354 3 210417
4 277179
= 377920 - 377920 = 0
Los resultados de los cálculos en el árbol de decisiones modificado de la figura 13.4 corroboran
lo dicho y muestran que el valor de la información perfecta sobre la participación de mercado
máxima de espárragos en Ica es cero, dado que el VECIP es igual al VESIP.
Estos resultados del análisis con respecto a la participación de mercado máxima de espá-
rragos en Ica sorprendieron al analista, porque esta variable resultó muy sensible en el análisis
de sensibilidad determinístico, lo cual ilustra una diferencia que es posible obtener entre los
análisis de sensibilidad determinístico y probabilístico. A pesar de que es muy sensible en el aná-
lisis determinístico, cuando se utiliza el árbol de decisiones, se concluye que la participación de
mercado máxima de espárragos en Ica no es una variable que pueda cambiar la decisión original.
Para cualquiera de sus tres valores en la distribución de probabilidades discreta, la estrategia
preferida siempre es la agresiva diversificada.
La figura 13.5 muestra el árbol para calcular el valor de la información perfecta con res-
pecto al margen preferencial en espárragos para Expoagro, y se observa que si este margen
es bajo, 10%, será mejor escoger la alternativa 4, la estrategia conservadora, y no la agresiva
• 380 •
diversificada. Es decir, si el margen preferencial a lograrse con Expoagro es bajo, será mejor ser
conservador y no hacer grandes inversiones. Pero si el margen es medio, 12%, o alto, 14%, la
estrategia agresiva diversificada será la preferida. Entonces, podría existir información adicional
que tendrá valor, pues cambiaría la decisión original.
Los cálculos del valor de la información perfecta, que se muestran en la figura 13.5, co-
rroboran esta conclusión. Con un VEIP de $30,696, el analista sugirió hacer un esfuerzo de
creatividad para identificar fuentes de información adicionales (imperfecta) que reduzcan la
incertidumbre actual sobre el margen preferencial que se podrá lograr con Expoagro. El costo
de esta información adicional debe ser menor a $30,696, el VEIP.

perfecta sobre el margen preferencial en espárragos
Margen Prefer. Valor Valor

Probabil. Estrat.
Espárragos Esperado Esperado
1 101623
2 154399
.250 0.10 277179 3 210417
>4 277179
5 0
1 309118
>2 377920
.500 0.12 377920 3 210417
VECIP = 408,616
4 277179
5 0
1 490287
>2 601442
.250 0.14 601442 3 210417
4 277179
= 408616 - 377920 = 30696
En el caso del valor de la información perfecta con respecto a la reducción de costos por
eficiencia, sucede algo similar al caso del margen preferencial de espárragos. El árbol de decisiones
modificado de la figura 13.6 muestra que si no se produce una reducción de costos reales, 0%,
la estrategia preferida seria la conservadora. Pero si se da una reducción de costos, ya sea del
1% ó 2% anual, la estrategia preferida seguiría siendo la agresiva diversificada.
La figura 13.6 también muestra que el valor de la información perfecta con respecto a la
reducción de costos es de $24,554. Dado este valor, el analista recomendó buscar fuentes de
información adicionales que permitan evaluar mejor el grado de incertidumbre en la reducción
de costos por eficiencia. Se podría buscar a expertos en plantas de empaque en el área de Ica.
En la siguiente sección se ilustrará cómo calcular el valor de información imperfecta, utili-
zando el caso asociado a la reducción de costos por eficiencia.
• 381 •

perfecta sobre la variación de costos por eficiencia
Variación Valor Valor

Probabil. Estrat.
Costos Esperado Esperado
1 210023
2 147977
.250 0.0 246191 3 184031
>4 246191
5 0
1 301861
>2 341974
.500 0.01 341974 3 210501
VECIP = 402,474
4 276791
5 0
1 396401
>2 679758
.250 0.02 679758 3 236636
4 308943
= 402474 - 377920 = 24554
Finalmente, el árbol modificado de la figura 13.7 indica que si ocurriera el fenómeno del Niño
sería mejor ir con la estrategia conservadora, pero si no se diera el Niño la estrategia preferida
resultaría la original, agresiva diversificada. Además, se observa que el VEIP es muy pequeño,
$6,527 por lo que el analista no recomienda buscar información adicional con respecto a esta
incertidumbre.
• 382 •

perfecta sobre la ocurrencia del fenómeno del Niño
Sucede Valor Valor

Probabil. Estrat.
Niño Esperado Esperado
1 377308
>2 473768
.600 No 473768 3 225545
4 294988
5 0
VECIP = 384,447 1 190380
2 234150
.400 Si 250466 3 187725
>4 250466
5 0
VEIP = VECIP – VESIP
= 384447 - 377920 = 6527
El análisis se puede concluir diciendo que la información perfecta con respecto a la participación
de mercado máxima de espárragos en Ica no tiene valor alguno, pues no cambia la decisión preferida
originalmente. No importa cuál sea el valor que tome esta variable, la alternativa preferida será
siempre la estrategia agresiva diversificada. Por otro lado, los valores de la información perfecta
con respecto a la participación de mercado inicial de espárragos en Ica y la ocurrencia del Niño
son muy pequeños, por lo que no vale la pena buscar información adicional con respecto a estas
variables. Mientras que la información perfecta tanto para la variación de costos por eficiencia
como para el margen preferencial en espárragos, tienen valores significativos, por lo que valdría
la pena obtener información adicional para estas variables si su costo es menor a sus valores de
información perfecta ($30,696 y $24,554, respectivamente). Estos resultados se resumen en la
tabla 13.1.
• 383 •
Tabla 13.1: Resumen de los cálculos de la Información perfecta
Variables Aleatorias VECIP VESIP VEIP
Participación del Mercado inicial

379,731 377,920 1,811
de espárragos en Ica
Participación del Mercado máxima
377,920 377,920 0
Margen preferencial en espárragos 408,616 377,920 30,696
Variación de costos por eficiencia 402,474 377,920 24,554
Ocurrencia del Niño 384,447 377,920 6,527
También se puede calcular el valor de la información perfecta para dos o más variables a la
vez. La figura 13.8 muestra el árbol de decisiones modificado para calcular el VEIP con respecto a
la variación de costos por eficiencia y ocurrencia del Niño. Este árbol indica que el valor esperado
con información perfecta –VECIP– sobre la variación de costos por eficiencia y ocurrencia del
niño es de $415,780. Por tanto, el valor de la información perfecta será:

= 415,780 - 377,920 = 37,860
Este valor representa el máximo valor posible en que ABC podría ver incrementado su VPN
esperado si cuenta con información cierta con respecto a la variación de costos por eficiencia y
ocurrencia del Niño. Pero se sabe que cualquiera sea el estudio a realizar, no brindará información
“perfecta”. En cualquier caso, el Sr. Pérez ahora sabe que nunca debe pagar más de $37,860 por
cualquier información adicional, no importa cuán buena ésta sea.
Es interesante observar que el valor de la información perfecta sobre dos o más variables no
es la suma de los valores de tal información perfecta en cada variable separadamente; puede
ser menor o mayor, y en este caso de ABC, es menor.
• 384 •
Figura 13.8: Árbol de decisiones para calcular el valor de información perfecta sobre la
variación de costos por eficiencia y ocurrencia del Niño
Sucede Valor Valor

Probabil. Variación Valor Probabil. Estrat.
Niño Esperado Esperado
Costos Esperado
>1 283947
2 241511
.600 No 283947 3 199098
4 263892
.250 0.0 258224 5 0
1 99138
2 7675
.400 Si 219639 3 161430
>4 219639
5 0
1 376679
>2 437564
.600 No 437564 3 225629
4 294601
.500 0.01 362569 5 0
VECIP = 415,780 1 189634
2 198588
.400 Si 250077 3 187808
>4 250077
5 0
1 471928
>2 778431
.600 No 778431 3 251823
4 326860
.250 0.02 679758 5 0
1 283112
>2 531747
VEIP = VECIP – VESIP .400 Si 531747 3 213854
4 282069
= 415780 - 377920 = 37860 5 0
Se debe recordar que el valor de la información perfecta representa el máximo valor posible
en que ABC podría ver incrementado su VPN esperado si cuenta con información cierta con
respecto a la(s) variable(s) bajo análisis. Pero se sabe que cualquiera sea el estudio a realizar,
no brindará información “perfecta”. Por ejemplo, si el decisor de ABC propone hacer un estudio
piloto para obtener información adicional para mejorar la evaluación de las probabilidades
con respecto a la variación de costos por eficiencia, y solicita para ello $50 mil, sería tonto
gastar esta suma por una información imperfecta sabiendo que la perfecta vale solamente
$24.5 mil (ver figura 13.6).
13.3 EL VALOR DE LA INFORMACIÓN IMPERFECTA
Se ha visto cómo calcular el valor de la información perfecta, pero también se ha comprobado

que es muy difícil –si no imposible– obtener esta información. Aún cuando se tenga acceso a
resultados de investigación de la mejor compañía consultora acerca de las variables de interés,
esta información adicional no será perfecta; es decir, la compañía no podrá predecir con exac-
titud absoluta el valor que tomarán las variables aleatorias. Pero, dado el valor de la información
perfecta para cada una de las variables aleatorias, es posible comparar estos valores con el costo
de información adicional, que sólo resolverá algo de la incertidumbre en estas variables.
• 385 •
En el caso de ABC, cualquier información adicional con respecto a la participación de mer-

cado máxima de espárragos en Ica en forma separada, no tiene valor; el valor de la información
perfecta es cero para esta variable. También se sabe que el valor de la información perfecta con
respecto a las variables aleatorias: participación de mercado inicial de espárragos en Ica y la
ocurrencia del Niño, son muy pequeños, por lo que no vale la pena buscar información adicional
relacionada a estas variables. Por otro lado, si se puede obtener información adicional para las
variables de costos por eficiencia y para el margen preferencial en espárragos a un costo menor
que $30 mil, tal recolección de información podría ser deseable. Por ejemplo, si la operación de
una planta piloto pudiera mejorar la calidad de la información con respecto a la variación de
costos por eficiencia, su puesta en funcionamiento podría ser deseable, dependiendo de su costo.
Esta planta piloto permitiría revisar o actualizar las probabilidades asignadas a la variación de
costos por eficiencia.
En el resto de la sección se explica el proceso para evaluar la información imperfecta, que
implica incorporar la fuente de información en el modelo.
Para que el reporte del estudio de la información adicional sea útil, ésta debe depender
probabilísticamente de una o más variables aleatorias del problema. Para incorporar esta depen-
dencia, se modifica el árbol de decisiones original añadiendo un nodo que represente la actividad
de recolectar información adicional. En el caso de ABC, podría ser posible construir una planta
piloto que dé información adicional sobre la variación de costos por eficiencia.
En este caso, se comienza por añadir un nodo de azar al árbol de decisiones original, que
represente el resultado obtenido en la planta piloto con respecto a la variación de costos por
eficiencia. Este nodo debe estar ubicado antes del nodo de decisión para señalar que el decisor
conocerá el resultado de la planta piloto con respecto a la variación de costos por eficiencia
antes de tomar la decisión de qué estrategia escoger.
En la figura 13.9 se ha añadido un nodo de azar “variación de costos piloto” antes del nodo
de decisión, para mostrar que el resultado de la planta piloto se conocerá antes de tomar la
decisión. En este árbol no se han establecido las probabilidades a las tres ramas del nuevo nodo,
dado que éstas dependen del valor que tome la variación de costos por eficiencia real de la nueva
planta. Tampoco están definidas las probabilidades de las tres ramas del nodo que representa
la variación de costos por eficiencia, dado que ahora se requieren las probabilidades revisadas
(o posteriores) a la luz del resultado de la planta piloto. También se debería revisar la lógica de
cada afirmación probabilística representada en el árbol porque el conocimiento adicional, en
principio, podría cambiar las dependencias probabilísticas en otras partes del árbol.
Para completar la información requerida en el análisis, se deben establecer los resultados
de la “variación de costos piloto”; esto se hizo en la forma de tres resultados: “bajo”, “medio” y
“alto”, en correspondencia con los posibles valores de la variación de costos por eficiencia reales
(0.0, 0.01 y 0.02). Sin embargo, a diferencia del caso de información perfecta, estos indicadores
de variación de costos por eficiencia podrían ser engañosos, pues la variación de costos piloto
podría ser baja pero después, al implementar ABC la planta de empaque, podría encontrarse con
una variación de costos por eficiencia alta.
• 386 •
Figura 13.9: Árbol de decisiones para determinar el valor de la información imperfecta

sobre la variación de costos por eficiencia
Variación Variación
Estrategias
Costos Costos
Piloto
1
0.00
2 ?
Bajo 3 0.01
? 4 ?
0.02
5
?
1 0.00
2 ?
Medio 3 0.01
? 4 ?
0.02
5 ?
1
0.00
2 ?
Alto 3 0.01
? 4 ?
0.02
5
?
Es necesario asignar probabilidades a estos resultados de la planta piloto condicionados a los

valores que tome la variación de costos por eficiencia real; es decir, se deben definir las funciones
de verosimilitud. El árbol de asignación de probabilidades para este procedimiento se muestra
en la figura 13.10. El primer nodo representa la variación de costos por eficiencia reales que
ocurrirá y sus probabilidades previas. El siguiente, la variación de costos piloto, que es descrito
como “bajo”, “medio” y “alto”; el Gerente de Producción dio una especificación técnica para estos
términos imprecisos y estimó sus probabilidades condicionales o funciones de verosimilitud.
Se debe enfatizar que la evaluación de las probabilidades debe hacerse en el orden esta-
blecido en el árbol de asignación de probabilidades, aunque hay una tentación constante de
hacerlo en el orden contrario. La razón para utilizar aquel orden es que separa claramente las
expectativas acerca de lo que pasará en el futuro (las probabilidades en el primer nodo), de
la confiabilidad en los resultados de la planta piloto (las probabilidades en el segundo nodo).
Evaluar las probabilidades con los nodos en el orden opuesto mezcla completamente estos dos
conjuntos de ideas.
• 387 •
Variación Probabilidad
Variación
Probabil. Probabil. Costos Conjunta
Costos
Piloto
Bajo
.125
.50
0.00 Medio
.075
.25 .30
Alto
.050
.20
Bajo
.015
.30
0.01 Medio
.275
.50 .55
Alto
.075
.15
Bajo
.038
.15
0.02 Medio
.050
.25 .20
Alto
.162
.65
p (0.00/e) x p (Bajo/0.00,e) = p (0.00,Bajo/e)
Todos los datos necesarios para determinar el valor de la información que brindará la planta
piloto están dados. Sin embargo, el árbol de decisiones de la figura 13.9 nuestra el orden cro-
nológico de los eventos: primero se conocerá el resultado de la planta piloto, y en base a esta
información se tomará la decisión y luego se enfrentará la variación de costos reales. Por lo
tanto, es necesario manipular el árbol de asignación de probabilidades para alimentar el árbol
de decisiones respectivo.
El problema es que la variación de costos por eficiencia que precede al nodo de la variación
de costos piloto, en el árbol de asignación de probabilidades, no precede al nodo decisión acerca
de qué estrategia implementar, pero, en realidad, la variación de costos por eficiencia reales no
será conocido por el decisor cuando tome la decisión. Un árbol de decisiones que comience con
la resolución de la variación de costos por eficiencia le daría incorrectamente esta información
al decisor. Esto se resuelve invirtiendo el orden entre los nodos del árbol de asignación de pro-
babilidades –la variación de costos por eficiencia reales y la variación de costos piloto–, lo que
es posible porque ninguno de los dos nodos tiene influencias que los afecten.
Esta manipulación requiere aplicar el Teorema de Bayes para determinar las nuevas asigna-
ciones condicionales –en el orden opuesto– de las asignaciones de probabilidades originales. El
procedimiento bayesiano para calcular las probabilidades revisadas o posteriores se presenta
en la figura 13.11.
• 388 •
Árbol de Asignación de Probabilidades Árbol Cronológico
Variación Variación Probabilidad

Probabil. Probabil. Variación Variación Probabilidad
Costos Costos Conjunta Probabil. Probabil. Costos
Costos Conjunta
Piloto
Piloto
Bajo 0.00
.125 .125
.50 Bajo .400
0.00 Medio 0.01
.075 .150
.25 .30 .313 .480
Alto 0.02
.050 .038
.20 Bayes .120
Bajo 0.00
.015 .075
.30 .187
0.01 Medio Medio 0.01
.275 .275
.50 .55 .400 .688
Alto 0.02
.075 .050
.15 .125
Bajo 0.00
.038 .050
.15 .174
0.02 Medio Alto 0.01
.050 .075
.25 .20 .288 .261
Alto 0.02
.162 .163
.65 .565
p (0.02/e) x p (Alto/0.02, e) = p (0.02, Alto/e) = p (Alto/e) x p (0.02/Alto, e)

Probabilidad Función de Probabilidad
X Pre-posterior X
Previa Verisimilitud Posterior
Orden de Asignación de Probabilidades Orden Cronológico
BAYES: p (0.02/Alto, e) = p (0.02/e) x p (Alto/0.02, e)

p (Alto/e)
Se parte del árbol de asignación de probabilidades y se llega al árbol cronológico, el que

representa las variables aleatorias en el orden cronológico en que suceden; primero se conoce
el resultado de la planta piloto y luego la variación de costos por eficiencia que verdaderamente
tendrá la planta de empaque.
Debe notarse que existen tres pasos para calcular las probabilidades posteriores. Primero, se
estiman las probabilidades conjuntas en el árbol de asignación de probabilidades y se trasladan a
los nodos finales del árbol cronológico. Segundo, se calculan las probabilidades pre-posteriores
sumando las probabilidades conjuntas respectivas. Finalmente, se estiman las probabilidades
posteriores aplicando la relación de probabilidad condicional.
La importancia del Teorema de Bayes es bastante clara: brinda la base teórica por la cual los
datos y la nueva información son añadidos al estado de información subjetiva existente; ésta
constituye la información previa que se utiliza para determinar la distribución de probabilidades
posteriores o revisadas, las que representan un estado de información actualizado.
El árbol de decisiones que permite calcular el valor esperado con la información adicional
(imperfecta, VEII) se presenta en la figura 13.9. La evaluación de este árbol de decisiones con la
información actualizada se muestra en la figura 13.12, y arroja un VPN esperado de $377,920,
que representa el valor esperado con la información adicional (VECII)1. Este valor es igual al VPN
esperado sin información adicional (VESII).
1
Estos cálculos se facilitaron usando Supertree®. Se insertó un nodo adicional que representa la variación del costo
piloto usando la opción “Input or Change nodo data” de Structure. Se introdujeron los valores del árbol de asignación
de probabilidades y Supertree® calcula las probabilidades revisadas.
• 389 •
Por lo tanto, la información adicional sobre la variación de costos por eficiencia no tiene valor,
pues no cambia la decisión original. No importa cuál sea el resultado de la planta piloto, la decisión
siempre es la misma: escoger la estrategia 2, agresiva diversificada. Se ve que si bien el valor de la
información perfecta fue positivo, el de la información muestral o imperfecta es cero.
Figura 13.12: Evaluación del árbol de decisiones con información imperfecta sobre la
variación de costos por eficiencia
Variación Valor Valor

Probabil. Costos Estrat. Esperado
Esperado
Piloto
1 276471
>2 304909
Bajo 304909 3 203049
.313 4 268409
5 0
1 296459
>2 347822
Medio 347822 3 208804
VECII = 377,920
.400 4 275073
5 0
1 339325
>2 499156
Alto 499156 3 220669
.288 4 289642
5 0
VEII = VECII – VESII
= 377920 - 377920 = 0
De manera similar se puede considerar el caso de obtener información adicional sobre el

margen preferencial en espárragos, dado que el valor de la información perfecta fue significativo.
Por ejemplo, el gerente respectivo considera que se podría resolver algo de la incertidumbre
asociada con el margen preferencial en espárragos entrevistando a los gerentes de las plantas
existentes en la región de Ica y algunos funcionarios de Expoagro. Esto será tratado en el árbol
de decisiones al añadir un nodo de azar que representa el resultado de las entrevistas con res-
pecto al margen preferencial en espárragos, el que se indica como “margen preferencial piloto”,
como muestra la figura 13.13. Después se sigue el mismo procedimiento utilizado para evaluar
la información imperfecta con respecto la variación de costos por eficiencia.
• 390 •

sobre el margen preferencial en espárragos
Margen Margen
Estrategias
Preferencial Preferencial
Piloto Espárragos
1
0.10
2 ?
Bajo 3 0.12
? 4 ?
0.14
5
?
1 0.10
2 ?
Medio 3 0.12
? ?
4
0.14
5 ?
1 0.10
2 ?
Alto 3 0.12
? ?
4
0.14
5 ?
Finalmente, se puede determinar el valor de la información adicional acerca de ambas in-

certidumbres críticas –variación de costos por eficiencia y margen preferencial en espárragos–
añadiendo dos nodos de azar antes del nodo de decisión, que representarán los resultados de
la información adicional, como se ilustra en la figura 13.14. Este árbol de decisiones indica que
los resultados de recaudar información adicional sobre la variación de costos por eficiencia y el
margen preferencial en espárragos se conocerán antes de tomar la decisión.
En este árbol, al igual que en los anteriores, no se han establecido las probabilidades a las
ramas de los nuevos nodos, dado que éstas dependen del valor que tomen las variables a las
cuales están relacionadas.
En resumen, para calcular el valor de la información imper fecta sobre una variable o con-
junto de variables aleatorias, lo primero por hacer es modelar las actividades de recolección de
información usando el árbol de decisiones. Se añadirá un nodo de azar por cada actividad, el que
representará el resultado de dicha actividad (estudio, prueba, planta piloto, etcétera). Segundo,
se evaluarán las probabilidades necesarias para el análisis usando el árbol de asignación de
probabilidades. Tercero, se revisarán las probabilidades previas a la luz de la nueva información
aplicando el Teorema de Bayes para calcular las probabilidades revisadas o posteriores. Con éstas
ya se puede alimentar y evaluar el árbol de decisiones relevante.
• 391 •

sobre la variación de costos por eficiencia y margen preferencial en
espárragos
Variación Margen
Costos Preferencial Estrategia
Piloto Piloto
Bajo 1
? 2
Bajo Medio 3
? ? 4
Alto
? 5
1
Bajo
2
?
Medio Medio 3
? ? 4
Alto
5
?
Bajo 1
2
Alto ?
Medio 3
? ? 4
Alto
? 5
13.4 EL VALOR DEL CONTROL PERFECTO E IMPERFECTO
Otra información adicional que se puede obtener de los árboles de decisiones es el valor del
control, también conocido como el valor del genio. Este concepto ayuda a entender la importancia
relativa de las incertidumbres o variables aleatorias.
Se ha visto que un clarividente –quien puede ver el futuro pero no puede cambiarlo- es muy
valioso para el decisor, pues le ayuda a determinar el valor de la información perfecta, pero un
genio– quien puede conceder deseos y, por lo tanto, cambiar el futuro- es aún más valioso. El
efecto del control perfecto es que el decisor puede solicitar al genio hacer que uno de los posibles
valores de una variable aleatoria realmente ocurra. Es decir, que el valor del control perfecto
indica cuánto mejor estaríamos si fuéramos capaces de controlar el resultado de una variable
aleatoria; o en otras palabras, cuanto valor añadirá el control perfecto al proyecto.
Para obtener los valores con control perfecto, el analista debe dibujar al comienzo del árbol de
decisiones el nodo de azar que representa una variable específica, como se hizo para el valor de
la información perfecta. Después escogerá el mejor valor esperado para ese nodo y establecerá
la diferencia entre este valor y el esperado original, sin control perfecto.
Así, en el caso de ABC, el valor con control perfecto para la participación de mercado inicial
de espárragos en Ica se puede obtener de examinar el árbol con el nodo de la participación de
mercado inicial de espárragos trasladado al inicio del árbol de decisión, lo que se presenta en
• 392 •
la figura 13.15. Debe notarse que este árbol es similar al de la figura 13.2, la diferencia es que
cuando se habla de control perfecto, el decisor escoge el valor de la variable aleatoria que le
dé el mayor valor esperado.
Figura 13.15: Árbol de decisiones para calcular el valor de control perfecto en la

participación de mercado inicial de espárragos en Ica
Particip. Inicial Valor Valor

Probabil. Estrat.
>1 302537
2 295293
.250 0.03 302537 3 210417
4 277179
5 0
1 302537
>2 389744
.500 0.05 389744 3 210417
4 277179
5 0
1 302537
>2 436900
.250 0.08 436900 3 210417
4 277179
5 0
La rama inferior del nodo de la participación de mercado inicial de espárragos en Ica, 0.08, da
el mayor valor esperado y muestra que si hubiera alguna manera de lograr que la participación
de mercado inicial de espárragos en Ica fuera de 8%, daría un valor esperado de $436,900. Otra
vez, haciendo cálculos similares a los usados para determinar el valor de información perfecta
y recordando que el valor esperado original fue de $377,920, se tiene:
VECP = VECCP – VESCP

= 436,900 – 377,920 = $58,980
donde:
VECP: Valor esperado del control perfecto
VECCP: Valor esperado con control perfecto
VESCP: Valor esperado sin control perfecto
¿Cómo se puede interpretar el valor del control perfecto? Las probabilidades asignadas a la
participación de mercado inicial de espárragos en Ica fueron obtenidas bajo el supuesto de que
ABC utilizará sus procesos de marketing normales. Entonces, el control perfecto podría corres-
ponder a la alternativa de institucionalizar algunos procedimientos de marketing extraordinarios,
• 393 •
los que aseguren que la participación de mercado inicial de espárragos en Ica será la más alta
posible; es decir, 8%. Por lo tanto, el valor del control perfecto brinda un límite superior para la
cantidad que ABC debería estar dispuesta a gastar en tales procedimientos de marketing.
De igual manera, es posible calcular el valor del control perfecto en las otras variables y en
algunas simultáneamente, como se hizo con el valor de la información perfecta. Así, el valor del
control perfecto con respecto a la variación de costos por eficiencia y ocurrencia del Niño se
puede calcular usando el árbol de la figura 13.8, donde los nodos que representan estas varia-
bles están antes del nodo de decisión. Si el decisor pudiera elegir los valores de estas variables,
escogería que la variación (disminución) de costos por eficiencia fuera del 2% y que no suceda
el Niño, lo que daría un valor esperado de $778,431. Y haciendo los cálculos respectivos, se tiene
el valor esperado del control perfecto en estas dos variables:
VECP = VECCP – VESCP

= 778,431 – 377,920 = $400,511
Los valores resultantes de los cálculos para las otras variables, tanto de información perfecta
como de control perfecto, se muestran en la tabla 13.2.
Tabla 13.2: Valores de Información Perfecta y Control Perfecto en el Caso de ABC
Variables Aleatorias VEIP VECP
Participación del Mercado inicial

1,811 58,980
Participación del Mercado máxima
0 37,434
Margen preferencial en espárragos 30,696 223,522
Variación de costos por eficiencia 24,554 301,838
Ocurrencia del Niño 6,527 95,848
Variación de costos y ocurrencia del Niño 37,860 400,511
Se observa que no obstante el valor de la información perfecta en la incertidumbre partici-

pación de mercado máxima de espárragos en Ica es cero, su valor de control perfecto es positivo.
Los otros valores asociados a las otras variables guardan cierta proporcionalidad. La variación
de costos por eficiencia es la única incertidumbre que no guarda la relación, tiene un valor de
control más alto que el del margen preferencial, a pesar de que esta última tiene un valor de
la información más alto. Esto es explicable porque esta variable produce una mayor variación
en el valor esperado, como mostraron los resultados del análisis de sensibilidad probabilística
del capítulo anterior.
• 394 •
También se debe notar que el valor de control perfecto en las dos incertidumbres, variación
de costos por eficiencia y ocurrencia del Niño, es mayor que la suma de los valores de control
perfecto en cada incertidumbre separadamente. En otros casos puede resultar lo contrario.
El valor del control imperfecto se puede obtener, para algunas de las variables, muy fácil-
mente también, usando el árbol de decisiones. Supóngase que se pone en efecto un programa
de marketing, lo que hace posible estimar las probabilidades de los diferentes valores que puede
tomar la participación de mercado inicial de espárragos en Ica. Presumiblemente, la probabilidad
de las ramas de alta participación de mercado (8%) será mayor que aquélla sin el programa de
marketing. Ahora, se puede encontrar el valor esperado del árbol empleando estas nuevas pro-
babilidades; éste será el valor esperado con un control imperfecto (parcial) de la participación
de mercado inicial de espárragos en Ica. Como en el caso de control perfecto, se tendrá:
VECI = VECCI – VESCI
donde:
VECI(c): Valor esperado del control imperfecto
VECCI(c): Valor esperado con control imperfecto
VESCI(c): Valor esperado sin control imperfecto
En resumen, la fase de interpretación de resultados permitió determinar un valor monetario

a la recolección de información adicional. Primero, se calculó el valor esperado de la información
perfecta (VEIP) con respecto a cada una de las incertidumbres críticas. Este valor representa el
máximo posible en que se puede incrementar el VPN esperado si se contará con información cierta
con respecto a la(s) variable(s) bajo análisis. Así, el VEIP con respecto a la participación de mer-
cado máxima de espárragos en Ica es cero; mientras que el VEIP con respecto a la participación
de mercado inicial de espárragos en Ica y la ocurrencia del Niño son muy pequeños, por lo que
no vale la pena buscar información adicional con respecto a estas variables. Por otro lado, el VEIP
con respecto a la variación de costos por eficiencia y al margen preferencial en espárragos son
significativos, por lo que valdría la pena obtener información adicional para estas variables.
Dado que es muy difícil (sino imposible) obtener información perfecta, se evalúa el valor de
la información experimental (imperfecta) sobre las variables con VEIP altos. Para la “variación
de costos por eficiencia” se evaluó la posibilidad de recaudar información adicional a través de
establecer una planta piloto, para lo cual se asignaron probabilidades a los diferentes resultados
de la planta piloto (funciones de verosimilitud) condicionadas a los valores de la variación de
costos por eficiencia (probabilidades previas). Con esta información se revisaron las probabili-
dades y se obtuvieron las probabilidades revisadas (aplicando el teorema de Bayes). Con estas
probabilidades se evaluó el valor de la información imperfecta, el que resultó cero, dado que
no importa cuál sea el resultado de la planta piloto, la decisión original no cambia. Se ve que si
bien el VEIP fue significativo, el valor de información muestral es cero.
• 395 •
Del análisis del valor de control se pudo lograr entendimientos y conclusiones adicionales. De
las cinco variables aleatorias claves en la estrategia preferida, la incertidumbre en las variables
de variación de costos por eficiencia y el margen preferencial en espárragos, son las que tienen
el valor esperado de control perfecto (VECP) más alto. Si se pudieran controlar estos factores
generadores de riesgo, se incrementaría el valor del negocio significativamente –el VPN esperado
se incrementaría en $301,838 y $223,522, respectivamente.
• 396 •
CAsOs
Volveremos a emplear caso GULP para ilustrar los conceptos del valor de la información y
control, y cómo calcularlos. Antes de investigar las alternativas reales de recolectar información,
tanto en el costo unitario de producción como en el índice de potencia del nuevo aditivo, el
analista le sugirió al Sr. Castro calcular el valor del clarividente o de información perfecta para
estas variables. El Sr. Castro no encontró sentido a estos cálculos, pero el analista le explicó la
importancia de los mismos para guiar su búsqueda de información adicional.
a. ¿Cuál es el valor esperado de la decisión, si fuera posible contar con los servicios de
un clarividente; es decir, si fuera posible elegir el curso de acción después de saber el
verdadero valor del costo unitario, del índice de potencia y de ambos?
b. ¿En cuánto se añade el valor esperado? ¿Vale la pena buscar información adicional
sobre el costo unitario y/o el índice de potencia?
c. ¿Cuánto es lo máximo que se debe pagar por esta información perfecta con respecto
al costo unitario y/o el índice de potencia?
El Sr. Castro considera que podría construirse una planta piloto que dé información adicional
sobre el costo unitario y el índice de potencia del nuevo aditivo. Al consultar con el Gerente de
Producción, éste confirmó que podría construirse la planta piloto y específicó los resultados a
obtenerse de dicha planta con respecto a las variables de interés.
Para efectos de simplificar los cálculos e ilustrarle al Sr. Castro el proceso de calcular el
valor de la información adicional (imperfecta), el analista se centró en una sola variable: el ín-
dice de potencia. El resultado de la planta piloto con respecto a esta variable se expresó como
“índice de potencia piloto” o simplemente “índice piloto”. El Gerente de producción especificó
los resultados de esta planta piloto como “bajo” y “alto”, en correspondencia con los posibles
valores del índice de potencia real.
Fue necesario asignar probabilidades a estos resultados de la planta piloto condicionados
a los valores que tome el índice de potencia real; es decir, se debió definir las funciones de
verosimilitud. Para esto se volvió a entrevistar al Gerente de Producción, el cual dio una espe-
cificación técnica para los términos imprecisos “bajo” y “alto”. Luego se evaluó su conocimiento
para estimar sus probabilidades condicionales o funciones de verosimilitud, usando la técnica
descrita en el capítulo 8. Estas probabilidades son:
p(“bajo”/p=0.69,e) = 0.8
p(“bajo”/p=1.26,e) = 0.1
Donde p = 0.69 es el valor bajo para el índice de potencia y p = 1.26 es el valor alto.
• 397 •
Se debe recordar que las probabilidades previas fueron establecidas en el capítulo anterior
y son:
p(p=0.69/e) = 0.4
p(p=1.26/e) = 0.6
d. Calcule las probabilidades revisadas o posteriores del índice de potencia (sugerencia:

emplee los árboles de asignación de probabilidades y el cronológico).
e. Dibuje el árbol de decisiones que incorpora los resultados de la planta piloto con
respecto al índice de potencia.
f. Calcule el valor de la información adicional brindada por la planta piloto.
g. Si el resultado de la planta piloto es “bajo”, ¿debe llevarse a cabo la investigación?
h. Si el resultado de la planta piloto es “alto”, ¿debe llevarse a cabo la investigación?
El analista mencionó al Sr. Castro que podía hacer un mayor análisis para lograr mayores
entendimientos antes de tomar la decisión final.
i. Calcule el valor del control perfecto (VCP) para el costo unitario.

j. Calcule el VCP para el índice de potencia.
k. Calcule el VCP para el costo unitario y el índice de potencia simultáneamente.
l. ¿Es el VCP con respecto a las dos variables mayor que la suma de los valores del control
perfecto en cada variable separadamente?
• 398 •
APÉndICe
GULP
Tabla GULP.A: Tabla original de Generación de Estrategias Alternativas de GULP
TABLA DE GENERACIÓN DE ESTRATEGIAS

Investigación Comercialización
Comenzar Comercializar
No comenzar No comercializar
Tabla GULP.B: Segunda tabla de estrategias con tres variables de decisión
TABLA DE ESTRATEGIAS
Investigación Venta del proyecto Comercialización
Comenzar No vender Comercializar
No comenzar Vender No comercializar
Tabla GULP.C: Definición de las estrategias posibles para GULP
TABLA DE GENERACIÓN DE ESTRATEGIAS

Estrategias Investigar Vender el proyecto Comercializar
1. Investigar
y comercializar
Realizar No vender Sí
2. Investigar
y no comercializar
3. No investigar No realizar Vender No
y vender el proyecto
• 399 •
• 400 •
Variables de estado Resultados Equivalencia
Presente
Costo unitario del

producto (c)
Utilidad por barril

Índice de Potencia (p) MODELO DEL Preferencias con
SISTEMA DE respecto al VPN
DECISIÓN tiempo
Vida del producto (v)
Utilidades anuales
Fracción del mercado
de aceites de motor (f)
Figura GULP.A: Modelo de decisiones del problema de GULP
Vender Comer- Investigar

cializar
Variables de decisión
f v
c p
Sí
No
No
Conducir la Costo de Potencia Comercializar el Fracción del

investigación Producción (p) producto Mercado (f)
(c)
Incertidumbres técnicas Incertidumbres de mercado

Figura GULP.B: Árbol de decisiones del problema de GULP antes del Análisis de Sensibilidad
• 401 •
BIBLIOGRAFÍA
Allen, M. S. (2000). Business Portafolio Management. USA: John Wiley & Sons.
Anderson, D. E., Sweeny, D. J. & Williams T. A. (1983). Quantitative methods for business (2da ed.).
St. Paul. Minnesota: West Publishing.
Awad, E. M. (1979). Systems analysis and design. Homewood, Illinois: Richard D. Irwin.
Bell, D. E., Raiffa, H. & Tversky, A. (1988). Decision Making: Descriptive, Normative, and Prescriptive
Interactions. Cambridge: University Press.
Bodily, S. (1984). Modern decision making: A guide to modeling with decision support systems.
New York: McGraw-Hill.
Bonini, Ch., Hausman, W. & Bierman, H. (2000). Análisis Cuantitativo para los Negocios (9na ed.).
Bogotá: McGraw-Hill.
Bryson, A. E. & Ho, Y. C. (1975). Applied optimal control, optimization, estimation and control.
Washington D.C.: Hemisphere Publishing Corporation.
Clement, R. T. (1991). Making Hard Decisions: An Introduction to Decision Analysis. USA: PWS-Kent.
Creswell, D. C. (1991). Will it Fly?. Lotus, Vol. 7 Issue 4, p49-53.
Creswell, D. C. & McNamee, P. (1991). Sensitivity Training. en Lotus Magazine May.
Creswell, D. C. & McNamee, P. (1991). Decision Quality and Decisions Tools.

PC Al Magazine Nov / Dec. 1991.
Davis, W. S. (1983). Systems analysis, a structural approach.

Massachusetts: Addison-Wesley Publishing.
Dhrymes, R.J. (1970). Econometrics, stastistical foundations and applications.

New York: Harper & Row.
Eppen, G. D. & Gould, E. I. (1987). Investigación de operaciones en la ciencia administrativa.

México: Prentice-Hall Hispanoamericana S.A.
Fitzgerald, J., Fitzgerald, A. F. & Stallings, Jr., W. R. (1981). Fundamentals of systems analysis.
New York: John Wiley & Sons.
• 403 •
Forester, J. W. (1961). Industrial dynamics. Cambridge, Massachusetts: The MIT Press.
Forester, J. W. (1973). World dynamics. Cambridge, Massachusetts: Wright-Allen Press.
French, S. (1989). Readings in Decision Analysis. London: Chapman and Hall.
French, S. (1986). Decision Theory: An Introduction to the Mathematics of Rationality.

Ellis and Horwood.
Holtzman, S. (1989). Intelligent Decision Systems. Addison-Wesley.
Howard, R.A. (1966). Decision Analysis: Applied decision theory. Proceedings of the fourth
international conference on operational research, Wiley, New York.
Howard, R. A. (1988). Decision Analysis: Practice and Promise. Management Science,

Vol. 34, No. 6.
Howard, R. A. (1992). Business Ethics: Tell the True. Journal of Management Development,
Vol. 11, No. 4.
Howard, R. A. & Matheson, J.E. (1984). The Principles and Applications of Decision Analysis.
Menlo Park, California: Strategic Decisions Group.
Humphreys, P., Svenson, O. & Vari, A. (1983). Analysing and aiding decision processes.
North-Holland: Advances in psychology.
Gore, M. & Stubbe, J. (1983). Elements of systems analysis (3ra ed.). Iowa: W.C. Brown.
Janis, I. L. (1972). Victims of groupthink. Boston, MA: Houghton Mifflin.
Kahneman, D. & Tversky, A. (1972). Subjective Probability: A Judgment of Representativeness.

Cognitive Psychology, 3.
Kahneman, D. & Tversky, A. (1974). Judgment under uncertainty: Heuristics and Biases. Science.
León, O. G. (1993). Análisis de Decisiones: Técnicas y Situaciones Aplicables a Directivos y

Profesionales. Madrid: McGraw-Hill.
León, O. G. (2001). Toma de decisiones difíciles. Madrid: McGraw-Hill.
Luenberger, D.G. (1973). Introduction to linear and nonlinear programming.

Menlo Park, California: Addison Wesley Publishing.
Luenberger, D.G. (1979). Introduction to dynamic systems, theory, models and applications.
New York: John Wiley & Sons.
Marshall, G. R. (1986). Systems and design: Alternative structured approaches.

New Jersey: Prentice-Hall.
Matheson, J. & Matheson, D. (1998). The Smart Organizations.

Boston, MA: Harvard Business School Press.
Miller, G. A. (1956). The magical number seven, plus or minus two. Some limits on our capacity for
processing information. Psychological Review, 63, 81-97.
Ministerio de Salud, Oficina General de Epidemiología (2000). Diseño y Evaluación de Estrategias

Alternativas para la Prevención y Control de la fiebre amarilla en el Perú para el período 2001-
2010. Lima, Perú.
• 404 •
• Bibliografía •
Parkin, A. (1980). Systems análisis. London: Edward Arnold.
Porter, M. E. (1987). From Competitive Advantage to Corporate Strategy.

Harvard Business Review, Vol. 65, Nº 3, pp. 43-59.
Raiffa, H. (1978). Análisis de la decisión empresarial.

Bilbao, España: Fondo Educativo Interamericano S.A.
Russo, J.E. & Schoemaker P.J.H. (1990). Decision Traps: The Ten Barriers to Brilliant Decision-
Making and How to Overcome Them. New York: Fireside.
Saga, A. P. & White, III, C. C. (1977). Optimal Systems control. New Jersey: Prentice-Hall.
Salinas, J. A. (1981). Decision trees and influence diagrams. Reporte interno, Engineering-Economic
Systems, Stanford University.
Salinas, J. A. (1982). Decision Analysis: Investment in technology transfer.

Reporte interno, Engineering-Economic Systems, Stanford University.
Salinas, J. A. (1987). A comparison of macroeconomic model structures, en Macroeconomic

impacts of energy shocks. Hickma, B., Huntington, H. & Sweeney J. (eds.). North Holland,
Netherlands.
Salinas, J. A. (1992). Análisis de Decisiones en Entornos Inciertos, Cambiantes y Complejos.

Perú: Universidad del Pacífico.
Salinas, J. A. (1994). Calidad Decisional, Reingeniería del Proceso de Toma de Decisiones

Estratégicas. Semana de la Calidad 1994, Sociedad Nacional de Industrias, Perú.
Salinas, J. A. (1999, I). Análisis de Sensibilidad, Cómo Identificar los factores Críticos en un
Problema de Decisiones. Punto de Equilibrio, mayo-junio 1999, Universidad del Pacífico, Perú.
Salinas, J. A. (1999, II). Cuantificación e Interpretación de los Perfiles de Rentabilidad/Riesgo de los

Negocios. Punto de Equilibrio, julio-agosto 1999, Universidad del Pacífico, Perú.
Salinas, J. A. (1999, III). Análisis de Riesgo Estratégico. En Gerencia 241, Revista de IPAE, Perú.
Salinas, J. A. (1999, IV). Desarrollo Estratégico: Cómo abrir la “caja negra” del planeamiento
estratégico. Apuntes 44, Primer Semestre 1999, Universidad del Pacífico, Perú.
Scholz, R. W. (Ed.). (1983). Decision making under uncertainty.

Advances in psychology, North Holland.
Sharpe, P. & Keelin, T. (1998). How Smith-Kline Beechman Makes Better Resource Allocation
Decisions. Harvard Business Review.
Spetzler, C. S. (1983). Decision Analysis of a Facilities Investment and Expansion Problem.

En The Principles and Aplication of Decisión Analysis, Howard R. A. & Mathenson J. E. (Eds.),
Strategic Decisions Group.
Spetzler, C. S. & Stäel Von Holstein, C. A. (1975). Probability Encoding in Decision Analysis.
Management Science, 22.
Spurr, W. A. & Bonini C. P. (1973). Statistical analysis for business decisions.

Homewood, Illinois: Richard D. Irwin.
• 405 •
Stewart, G. B. (1991). The Quest for Value. New York: HarperBusiness.
Ghoshal, S. & Bartlett, C. A. (1997). The Individualized Corporation. New York: HarperBusiness.
Theil Henri, J.C.G. B. & Kloek T. (1965). Operations and quantitative economics, an elementary
introduction. McGraw-Hill.
Theil, Henri, J.C.G. B. & Kloek T. (1971). Principles of econometrics. New York: John Wiley & Sons.
Thierauf, R. J. (1993). Creative Computer Software for Strategic Thinking and Decision Making.
USA: Quorum Books.
Vidyasagar, M. (1978). Nonlinear systems analysis. New Jersey: Prentice-Hill.
Von Neumann, J. & Morgenstern O. (1944). Theory of games and economic behavior (1ra. ed.).
New Jersey: Princeton University Press.
Von Neumann, J. & Morgenstern O. (1953). Theory of games and economic behavior (3ra. ed.).
New Jersey: Princeton University Press.
• 406 •
ANÁLISIS DE DECISIONES ESTRATÉGICAS
en entornos inciertos, cambiantes y complejos
La distinción más importante en el Análisis de Decisiones es entre

decisión y resultado. Un buen resultado es un estado futuro del mundo
que se valora favorablemente respecto de otras posibilidades. Una buena
decisión es una acción que se emprende y que es lógicamente consistente
con las alternativas generadas, la información relevante desarrollada y las
preferencias subjetivas. De este modo, se puede separar la acción de las
consecuencias y, por tanto, mejorar la calidad de la decisión. En un mundo
incierto como el actual, hasta las buenas decisiones pueden conducir a
malos resultados.
El Análisis de Decisiones es una disciplina surgida de la teoría a la
práctica y que expresa la decisión en términos cuantitativos. Así, en el
contexto actual –caracterizado por una creciente interdependencia entre
las empresas y el sector público–, el decisor puede demostrar el por qué
de una decisión, comunicarla claramente, compararla con otras y evaluar
su calidad anticipándose a la ejecución de la misma.
Este libro aporta un material imprescindible para acceder a un conocimiento
que no deja de sorprender por su novedad.
División Iberoamérica
Cono Sur Pacto Andino

Rojas 2128 Carrera 90 #17b-39, Bodega 27
(C1416 CPX) Buenos Aires, Argentina Bogotá, Colombia
www.cengage.com.ar www.cengage.com.co
México El Caribe
Corporativo Santa Fe 505, piso 12 Metro Office Park 3 - Barrio Capellania
Col. Cruz Manca, Santa Fe Suite 201, St. 1, Lot. 3 - Code 00968-1705
05349, Cuajimalpa, México DF Guaynabo, Puerto Rico
www.cengage.com.mx www.cengage.com

Analisis de Decisiones Estrategicas

Cargado por

Información del documento

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

Analisis de Decisiones Estrategicas

Cargado por

Copyright:

Formatos disponibles

ANÁLISIS DE

José A. Salinas Ortiz, Ph. D.

José A. Salinas Ortiz, Ph. D.

José A. Salinas Ortiz, Ph. D.

1a ed., 1a reimp - Buenos Aires,

Coordinadora de Marketing y Producción ISBN ELECTRÓNICO 978-987-1486-53-3

VALOR ESPERADO DE LA INFORMACIÓN PERFECTA (VEIP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

EL PROCESO DE EVALUAR PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238

tan las distinciones fundamentales de la disciplina. Se mostrará cómo estructurar un problema

INTRODUCCIÓN A LOS MÉTODOS CUANTITATIVOS

• Historia de la toma de decisiones cuantitativas

• Predecesores del análisis de decisiones

El proceso de toma de toma de decisiones es la piedra angular de la mayoría de los problemas

1.2 HISTORIA DE LA TOMA DE DECISIONES CUANTITATIVAS

El análisis científico del proceso de toma de decisiones tiene su origen en el desarrollo de la

gracias al advenimiento de las computadoras; extensiones sofisticadas de la técnica original

1.3 PREDECESORES DEL ANÁLISIS DE DECISIONES

La mayoría de los textos sobre Métodos Cuantitativos para estudiantes de Administración

Figura 1.1: Predecesores del Análisis de Decisiones

1.4 LA ESCUELA DE STANFORD

Desde su nacimiento a mediados de la década de los ‘60 el Análisis de Decisiones ha evo-

1.5 CALIDAD DECISIONAL

El enfoque de Calidad Decisional se basa en una amplia experiencia y entendimiento en el

EL PrOCEsO dE TOmA dE dECisiOnEs

• El proceso de toma de decisiones desde el punto de vista

• Calidad de la decisión versus calidad del resultado

• El proceso de toma de decisiones normativo

• Niveles del Análisis de Decisiones

• Características del Análisis de Decisiones

• Reingeniería del proceso

2.1 EL PROCESO DE TOMA DE DECISIONES

Figura 2.1: El proceso de toma de decisiones usando la intuición

confusión pensar inseguridad acción

reacción del decisor

El aplicar estas ideas no se circunscribe únicamente al individuo, sino también a corporaciones,

2.2 CALIDAD DE LA DECISIÓN VERSUS CALIDAD DEL RESULTADO

2.3 EL PROCESO DE TOMA DE DECISIONES NORMATIVO

El Análisis de Decisiones es la alternativa al proceso de tomar decisiones utilizando la intui-

Figura 2.2: El proceso de toma de decisiones normativo del análisis de decisiones

entorno análisis de decisiones

confusión alabanza alegría

reacción del decisor

Con respecto a la información, el Análisis de Decisiones permite caracterizar la incertidum-

En el Análisis de Decisiones, éstas se clasifican en tres categorías: la primera es conocida como

2.4 NIVELES DEL ANÁLISIS DE DECISIONES

ProCEDiMiENTo LóGiCo y CUANTiTATivo

2.5 CARACTERÍSTICAS DEL ANÁLISIS DE DECISIONES

Figura 2.3: Características del Análisis de Decisiones

Probabilidad Tolerancia al riesgo

Estructura del Valor económico

2.6 CALIDAD DECISIONAL

CALiDAD DECiSioNAL y CALiDAD ToTAL

Como se mencionó anteriormente, la característica más importante para alcanzar calidad

¿QUÉ ES CALiDAD DECiSioNAL y CóMo MEDirLA?

rEQUEriMiENToS DE CALiDAD DECiSioNAL

Alternativas creativas y viables

Información relevante y confiable

Valores y preferencias claras

Razonamiento lógicamente correcto

Compromiso para la acción

Figura 2.4: Cadena de Calidad Decisional

El diagrama de la Telaraña (figura 2.5) es utilizado para representar el nivel de calidad

Figura 2.5: Diagrama de Telaraña

rEiNGENiEríA DEL ProCESo DE ToMA DE DECiSioNES