UNIV: ARIAS MONTECINOS LAURA ALEJANDRA

SIS-2610 D

2.1.1.3 Toma de decisiones bajo riesgo

En la toma de decisiones bajo riesgo , desconoce la información
acerca de las variables de decisión (θk ) pero se asume una
distribución de probabilidad para los (θk ) , esta probabilidad se
conoce como probabilidad a priori , la suma de estas
probabilidades , deben ser igual a 1 .

Dos casos para la toma de decisiones bajo riesgo

Caso1 : toma de decisiones sin experimento
Criterios de decisión
 Criterio del valor esperado
 Arboles de decisión
 Función de utilidad
Caso2 : toma de decisiones con experimento
Criterio de decisión
 teorema de bayes
 arboles de decisión

A. Caso 1 : toma de desiciones sin experimento

Criterios de decisión
a) Criterio del valor esperado
Relaciona los valores de la función f (a j ,θ k ), con las
probabilidades a priori , constituyendo los valores esperados
(también denomidado criterio de bayes sin experimentación )
Estrategia matemática
Opt ∀ k E [ f (a j ,θ k ) ]
Donde :

Ejemplo
H. Weiss, Inc., está considerando fabricar un nuevo dispositivo de escaneo
para los aeropuertos. Los directivos creen que existe una probabilidad de
0,4 de que la empresa ATR Co. saque al mercado un producto que le haga
la competencia. Si Weiss agrega una línea de ensamblaje para el nuevo
producto y ATR no saca al mercado un producto competitivo, el beneficio
esperado de Weiss es de 40.000 dólares; si Weiss añade dicha línea de
ensamblaje y ATR también lo hace, Weiss todavía espera un beneficio de
10.000 dólares. Si Weiss construye una nueva fábrica adicional y ATR no
UNIV: ARIAS MONTECINOS LAURA ALEJANDRA
SIS-2610 D

produce un producto competitivo, Weiss espera un beneficio de 600.000

dólares; si ATR compite por conseguir este mercado, Weiss espera una
pérdida de 100.000 dólares.
¿Qué acción debe elegir para Weiss?

SOLUCION
Elemento 1: tomador de decisiones : los directivos de Weiss
Elemento 2:
Primero: identificamos las acciones
a1: fabricar un dispositivo de escaneo
a2: construir una fabrica adicional
Elemento 3:
segundo: establecer los estados de naturaleza
Θ1: competencia de ATR Co, producto al mercado: 0.40
Θ2: no hay competencia de ATR Co, no hay producto al
mercado: 0.60
Elemento 4: función que relaciona las acciones y los estados de
naturaleza
Tercero: construir una matriz de consecuencia

Θk Θ1 Θ2
aj competencia de ATR Co, no hay competencia
producto al mercado de ATR Co, no hay
0.40 producto al mercado
0.60
a1: fabricar un f(a1,Θ1) f(a1,Θ2)
dispositivo de
escaneo
a2: construir f(a2,Θ1) f(a2,Θ2)
una fabrica
adicional

Elemento 5 : conjunto de resultados

B= n*p-(CF-CV*n)
Para la función f(a1,Θ2):B
B= 40 000 $us
Para la función f (a1, Θ1): B
B= 10 000 $us

Para la función f (a2, Θ1): B

UNIV: ARIAS MONTECINOS LAURA ALEJANDRA
SIS-2610 D

B=600 000 $us

Para la función f (a2, Θ2): B

B=-100 000 $us.

Entonces, la matriz para el problema será :

Θk Θ1 Θ2
aj competencia de no hay competencia
ATR Co, producto de ATR Co, no hay
al mercado producto al mercado
0.40 0.60

a1: fabricar un 10 000 40 000

dispositivo de
escaneo
a2: construir una -100 000 600 000
fabrica adicional
Expresado en
$us

Cuarto: aplicar criterio de decisión

Aplicando el criterio de valor esperado : con matriz de beneficios
Opt ∀ k E [ f (a j ,θ k ) ]
Para a1 : fabricar un dispositivo de escaneo
E [ f ( a1 ,θ k ) ]=[ 10 000∗( 0.40 ) + 40000∗( 0.60 ) ]=28 000
K=1,2

Para a2 : construir una fabrica adicional

E [ f ( a2 ,θ k ) ]=[ −100 000∗( 0.40 ) +600 000∗( 0.60 ) ] =320 000
K=1,2

Entonces reemplazando en la ecuación (1)

Max ∀ k E [ f (a j ,θ k ) ] =[ 28 000 , 320 000 ] =320000=a¿2

Quinto: la acción que se elija esta en función de un estado de naturaleza

Elegir la acción a1 :construir una fabrica adicional , porque maximiza los

beneficois de la empresa H. Weiss , Inc.

b) Arboles de decisión
UNIV: ARIAS MONTECINOS LAURA ALEJANDRA
SIS-2610 D

Es la representación grafica de un problema de toma de decision. también ,

un árbol de decisiones es la representación del teorema de Bayes en la
toma de decisiones sin y con experimentación.
Simbología

Nodos de decisión (alternativas de decisión , aj)

Nodos de eventos aleatorios (estados de naturaleza , θk )

Rutas de conexión (entre acciones y estados de naturaleza o también

experimentos o estados de naturaleza)

Ruta optima (selección de alternativa optima )

Diseño
es de izquierda a derecha y la solución es de derecha a izquierda

ejemplo

Θ1
competencia de ATR Co, producto al mercado
28 000 $us 10 000 $us

a1 :fabricar un dispositivo de escaneo.

Θ2
no hay competencia de ATR Co, no
hay producto al mercado
40 000 $us
UNIV: ARIAS MONTECINOS LAURA ALEJANDRA
SIS-2610 D

Θ1
competencia de ATR Co, producto al mercado
320 000 $us -100 000$us

a2: construir una fabrica Θ2

adicional no hay competencia de ATR Co, no
hay producto al mercado
600 000 $us

Elegir la acción a1: construir una fabrica adicional , porque maximiza los
beneficois de la empresa H. Weiss , Inc.

D. Arbol de decisión
Nota:
- Si tiene aplicado el teorema de Bayes en el preceso de
decisión debe elegir entre realizar un experimento o no elegir
entre:

NEVADAS FUERTES 0.27

NEVADAS MODERADAS 0.27

NEVADAS LIGERAS 0.46

NEVADAS FUERTES

NEVADAS MODERADAS

NEVADAS LIGERAS
NEVADAS FUERTES 0.56
NEVADAS MODERADAS 0.33

NEVADAS LIGERAS 0.11

NEVADAS FUERTES

NEVADAS MODERADAS

NEVADAS LIGERAS
1

NEVADAS FUERTES 0.27

NEVADAS MODERADAS 0.27

NEVADAS LIGERAS 0.46

NEVADAS FUERTES

NEVADAS MODERADAS

NEVADAS LIGERAS
NEVADAS FUERTES 0.56
NEVADAS MODERADAS 0.33

NEVADAS LIGERAS 0.11

NEVADAS FUERTES

NEVADAS MODERADAS

NEVADAS LIGERAS

Relizar el experimento
E. Costo de la información perfecta , c

El costo de la información perfecta , calcula la cantidad , hasta cuanto se debe invertir

por información derivada del experimento.

ć=¿