2.

Teoría de decisiones
“La grandeza no es una función de las circunstancias. La grandeza resulta ser en gran medida
una cuestión de elección consciente y de disciplina.” Jim Collins

La decisión es una elección que una persona u organización toma considerando una serie de
alternativas.

En una empresa las decisiones se toman de acuerdo a una jerarquía. Principalmente se dividen
en decisiones de tipo estratégico (gerencial), decisiones a nivel táctico (planificadores) y
decisiones de tipo operativo (operaciones cotidianas).

La decisión de un gerente es la más responsable, por lo tanto el cargo requiere tener

habilidades para tomar decisiones lógicas y analizar problemas en forma sistemática.

La teoría de decisiones concierne al estudio de la mejor elección de una serie de alternativas

bajo las mejores condiciones de información. La teoría proporciona una búsqueda de
herramientas, metodologías y software que ayudan a tomar una mejor decisión.

Una decisión tomada puede ser gravitante y de gran responsabilidad, por lo que debe basarse
en un estudio detallado de las diferentes alternativas considerando los beneficios y los
objetivos que busca una organización. De la adecuada selección de alternativas depende en
gran parte el éxito de una empresa.

2.1 Tipos de decisiones

En general una decisión puede ser programada y no programada. Una decisión programada es
aquella que se toma frecuentemente y se basa en reglas o normas preexistentes. En la decisión
no programada, se presenta una situación no frecuente como el lanzamiento de un nuevo
producto al mercado. Estas decisiones necesitan un modelo o criterio de decisión. Según la
información disponible se pueden dividir principalmente en:

a) Decisión sin riesgo

Cuando se conoce certeramente cuales son los efectos de las acciones, es decir los beneficios,
desventajas y costos de cada alternativa son plenamente determinados. Aunque una decisión
tiene siempre un riesgo, ya que pueden presentarse situaciones ocultas, podemos decir
también que aquí el riesgo es bajo.

En este modelo:

- Se tiene toda la información disponible de todas las alternativas.

- Se pueden clasificar las alternativas de acuerdo a criterios explícitos.

- La alternativa elegida es la que brinda el mayor beneficio.

Las limitaciones de este modelo son:

- Puede requerir tiempo para conseguir toda la información y que a veces puede ser también
difícil de conseguir o, si el tiempo es demasiado, las decisiones podrían quedar obsoletas.
- Puede requerir mayores recursos humanos.

Este modelo debe ser aplicado luego de un análisis de factibilidad.

Las empresas con un sistema implementado de big data, que prevén los problemas a
presentarse en futuro, son las que más utilizan este modelo.

b) Decisión con riesgo

En este modelo se tiene el riesgo en la toma de una decisión ya que no se puede diagnosticar
con certeza el resultado de una alternativa. Puede ser debido a la falta de información o que la
información no pueda dar un resultado con certeza.

Aquí los resultados de las alternativas tienen una cierta probabilidad de ocurrencia y se
pueden utilizar la probabilidad objetiva o subjetiva. La objetiva es la probabilidad de
ocurrencia basada en hechos concretos (datos de años anteriores o de otros lugares), y la
subjetiva se basa en opiniones y juicios de personas con experiencia.

c) Decisiones con incertidumbre

Aquí la información es escasa o nula. El riesgo de tomar una decisión es alto. Se pueden indicar
diferentes soluciones pero no se le pueden asignarles probabilidades.

2.2 Procesos en la toma de decisiones

Un proceso de decisión es el que requiere un conjunto o secuencia de decisiones para llegar a
una conclusión o decisión final. Cada decisión tiene una ganancia o una pérdida asociada.

En las decisiones sin riesgo se cuentan con procedimientos que utilizan la programación lineal
y no lineal, la programación dinámica, la teoría de juegos, entre otros.

La teoría de decisiones se emplea principalmente en la toma de decisiones que tienen riesgo o

incertidumbre. Algunas veces la toma de decisiones requiere previamente realizar ciertas
experimentaciones.

Se llama estado de la naturaleza al conjunto de posibles circunstancias externas que rodean a

un proceso (situaciones posibles). Por ejemplo si no sabemos que en un lugar hay oro. Las
situaciones posibles son Hay oro y No hay oro. O por ejemplo si no sabemos si hay ventas de
un producto. Las situaciones son No hay ventas y Hay ventas.

Analizar decisiones es semejante al juego de dos personas con suma cero entre un tomador de
decisiones y la naturaleza con estrategia igual a los estados de la naturaleza. La combinación
de las estrategias del tomador de decisiones con la naturaleza es un pago para el tomador de
decisiones. La tabla de pagos formada permite la elección de una decisión siguiendo un
determinado criterio. La diferencia con la teoría de juegos, es que la naturaleza no utiliza un
criterio racional para la elección de la estrategia, sino la elección es aleatoria.

Un proceso que requiere tomar 1 sola decisión se define por la tabla de consecuencias:

E1 E2 …
D1 g11 g12 …
D2 g21 g22
… … … …
Dónde:
Ej es un estado de la naturaleza.

Di es una decisión.

gij es la ganancia o costo (consecuencia) por tomar la decisión Di teniendo el estado Ej.

Ejemplo 1 Veamos un ejemplo sencillo. Sean los siguientes estados de la naturaleza:

E1= Está lloviendo.

E2= No está lloviendo.

Las siguientes decisiones:

D1= Salir con paraguas.

D2= Salir sin paraguas.

La tabla de consecuencias podría ser:

E1 E2
D1 No mojado No mojado
D2 Mojado No mojado
Obsérvese por ejemplo que tomar una decisión de Salir sin paraguas (D2), entonces si ocurre
lluvia (E1), la consecuencia es Mojado.

Ejemplo 2 La demanda de un producto a fin de año puede ser:

E1 Demanda =100 unidades

E2 Demanda = 60 unidades

E3 Demanda = 30 unidades

Si se tienen las siguientes decisiones posibles:

D1 No se ordena el producto

D2 Se ordena 50 unidades

D3 Se ordena 150 unidades

Por ejemplo podríamos tener la siguiente tabla de consecuencias (ganancias):

E1 E2 E3
D1 −2000 0 1000
D2 −1000 800 500
D3 1000 1200 −900
Ejemplo 3 Se debe tomar una decisión sobre qué equipo usar de 3 que realizan la misma tarea,
cuyos beneficios dependen del grado de adaptación de los operarios.

Poca Buena Muy buena

adapt. adapt. adapt.
Eq 1 600 500 800
Eq 2 1000 600 400
Eq 3 500 700 900
Las consecuencias de las decisiones por cada estado de la naturaleza no siempre son
completamente ciertas, en cuyo caso se podrían tener valores esperados.

La pregunta que se tiene en las tablas de consecuencias es ¿Cuál deberá ser la mejor decisión?

2.3 Criterios para la toma de decisiones

2.3.1 Criterio Naive

Este criterio llamado también criterio ingenuo, toma en cuenta decisiones bajo
incertidumbres.

Una incertidumbre se presenta cuando no podemos suponer que pasaría con un suceso o
cuando no tenemos datos de probabilidades de ocurrencia. En las tablas anteriores no
sabemos si ocurrirá E1, E2 o E3.

Hay tres criterios Naive:

a) Criterio Minimax y Maximin

Llamado también pesimista. Primero se selecciona, de cada decisión, la de menor ganancia. De

esas selecciones se elige la de mayor ganancia que permite identificar la decisión (Dentro de lo
peor elegimos la mejor).

En el caso de tener costos como consecuencias, se elegirá la de mayor costo de cada

alternativa, para posteriormente elegir el menor costo.

Ejemplo De tabla del Ejemplo 2 anterior se tienen las siguientes selecciones:

D1 = min{─2000, 0, 1000}=─2000

D2 = min{─1000, 800, 500}=─1000

D3 = min{1000, 1200, -900}=─900

Luego:

Decisión=max{─2000, ─1000, ─900}=─900 que corresponde a D3.

b) Criterio optimista

En este criterio se selecciona la decisión que da mayor beneficio (mayor ganancia o menor
costo).

Ejemplo Con la tabla del Ejemplo 3 anterior se tiene:

Decisión =max{600,500,800,1000,600,400,500,700,900}=1000

Luego la mejor decisión es adquirir el equipo 2.

c) Criterio punto medio

Se selecciona la decisión para la cual el promedio de las ganancias mínima y máxima es mayor.

Ejemplo Con la tabla del Ejemplo 3 anterior se tiene:

D1=(500+800)/2=650

D2=(400+1000)/2=700
D3=(500+900)/2=700

La decisión recomendada es la D2 o D3.

2.3.2 Criterio a Priori

Llamado también criterio de Bayes. Se conoce las ganancias esperadas, los estados de la
naturaleza tienen probabilidades de ocurrencia y se selecciona aquella decisión que tiene una
máxima ganancia.

Ejemplo Según el Ejemplo 3 anterior suponiendo que las probabilidades de ocurrencia de los
estados son:

Poca adaptación 50%

Buena adaptación 30%

Muy buena adaptación 20%

La ganancia esperada para la decisión 1 es:

0.5*600 +0.3*500+0.2*800= 610

La ganancia esperada para la decisión 2 es:

0.5*1000 +0.3*600+0.2*400=760

La ganancia esperada para la decisión 3 es:

0.5*500 +0.3*700+0.2*900=640

Por lo tanto la mejor decisión es la Decisión 2.

Si las probabilidades de ocurrencia no se pueden conocer podríamos suponer una distribución

equiprobable. En ese caso las ganancias esperadas son:

Ganancia D1=0.333*600 +0.333*500+0.333*800= 632.7

Ganancia D2=0.333*1000 +0.333*600+0.333*400=666

Ganancia D3=0.333*500 +0.333*700+0.333*900=699.3

En este caso la mejor decisión es la D3.

2.3.3 Criterio a Posteriori

En este criterio se modifica las probabilidades iniciales de ocurrencia del estado de la

naturaleza, realizando un nuevo experimento. Los resultados del experimento se combinan
con las probabilidades iniciales utilizando el teorema de Bayes. Posteriormente se selecciona
aquella decisión que brinda la mayor ganancia esperada.

Ejemplo

En el ejemplo anterior se hace un nuevo experimento (N) que arroja los siguientes resultados:

Hay una probabilidad de 80% de que los obreros tengan poca adaptación a los equipos.

Hay una probabilidad de 70% de que los obreros tengan buena adaptación.

Hay una probabilidad de 75% de que los obreros tengan una excelente adaptación.
Por el teorema de Bayes:

P(E1/N)=0.8*0.50/(0.80*0.50+0.70*0.30+0.75*0.20)=0.5263

P(E2/N)=0.7*0.30/(0.80*0.50+0.70*0.30+0.75*0.20)=0.2763

P(E3/N)=0.75*0.20/(0.80*0.50+0.70*0.30+0.75*0.20)=0.1974

Las ganancias esperadas son:

D1= 0.5263*600+0.2763*500+0.1974*800=611.85

D2= 0.5263*1000+0.2763*600+0.1974*400=771.04

D3= 0.5263*500+0.2763*700+0.1974*900=634.22

La decisión recomendada es la D2

Ejemplo

Se ofrece a un gran inversor una cantidad de 80000 $us por prestar un local de ventas y si hay
buenas ventas se le ofrecerá un adicional de 800000 $us. El inversor sabe que si él decide
realizar el mismo negocio tendrá una pérdida de 200000 $us si no hay ventas, y si hay ventas
tendrá una ganancia de 2000000 $us. Los negocios de este tipo dan una probabilidad de 0.6 de
que haya buenas ventas. El inversor decide realizar una prueba adicional que tiene un costo de
50000 $us dando una probabilidad de 0.8 de que no hay ventas y 0.4 de que hay ventas. Qué
decisión sería recomendable que el inversor tome?

Las decisiones posibles son:

D1= Prestar el local

D2= Realizar el negocio

La tabla de consecuencias de las posibles decisiones en miles de dólares es:

S1 no hay S2 Hay
ventas ventas
D1 80 880
D2 −200 2000
A priori 0.4 0.6
A posteriori 0.8 0.4
Las probabilidades que toman en cuenta las últimas pruebas se encuentran con el teorema de
Bayes:

P(S1/N)=0.8(0.4)/(0.4∙0.8+0.6∙0.4)=0.5714

P(S2/N)=0.4(0.6)/(0.4∙0.8+0.6∙0.4)=0.4286

Tomando en cuenta el nuevo experimento las nuevas consecuencias son:

S1 no hay S2 Hay
ventas ventas
D1 80−50=30 880−50=830
D2 −200−50=−250 2000−50=1950
Las ganancias esperadas de cada alternativa son

G(D1)=0.5714(30)+0.4286(830)=373

G(D2)=0.5714(−250)+0.4286(1950)=693

La mejor decisión es la D2

2.3.4 Arboles de decisión

Se puede formar una red de tipo árbol tomando en cuenta que los nodos son las decisiones y
las ramas representan los resultados posibles.

Ejemplo

Se debe tomar una decisión para realizar o no un sondeo de opinión sobre los gustos de una
población sobre un determinado producto. Esto se representaría en un árbol de decisión:

2.3.5 Criterio por utilidad

Es posible encontrar una función de utilidad en la que los valores monetarios se modifiquen en
función de la preferencia del que toma las decisiones. Los nuevos valores pueden luego ser
analizados con los métodos vistos anteriormente. Esta teoría fue estudiada por O.
Morgenstern (1902−1977) y J. Von Neumann (1903−1957).
Por ejemplo podemos tener una puntuación o escala en función de los montos a decidir como
se ve en la siguiente figura:

En esta grafica se muestra que a mayores montos el decisor tiene más riesgo.

Supongamos que E1 =Muchos clientes y E2= Pocos clientes. Una decisión de invertir 30000
tiene las siguientes ganancias como consecuencias:

E1 E2

30000 -20000

Si la probabilidad de que se presente el estado E1 es 40% y de que se presente el estado E2 es

60%. El valor esperado de ganancia es 30000(0.6)+(─20000)(0.4)=10000.
Estableciendo una escala de utilidad de 0 para ─20000 y 100 para 30000, la ecuación de
utilidad es U= x/500+40 (Con la fórmula de la recta que pasa por dos puntos).

La fórmula de la recta es:

y−y1/x−x1=y2−y1/x2−x1

Siendo los puntos (x1,y1)= (−20000,0) y (x2,y2)=(30000,100)

Un decisor que actúa según la anterior ecuación de utilidad, es un decisor indiferente o

neutral con respecto al riesgo. Lo que quiere decir que el cambio de utilidad es igual en
ganancias que en pérdidas.

Se puede hacer pasar una curva encima y debajo de esta recta indiferente:

La curva de utilidad encima de la recta, determina el comportamiento de un decisor precavido.

Aquí se muestra que es sensible a las perdidas. El cambio de utilidad es mayor en pérdidas que
en ganancias (ab>bc).

La curva debajo de la recta representa a un decisor arriesgado. En este caso el cambio de

utilidad es mayor en ganancias que en pérdidas (ab<bc).

El procedimiento para determinar utilidades intermedias es asumir una probabilidad para los
distintos montos, para luego convertir a escala con la siguiente fórmula:

U(x)=p u(max)+(1−p)u(min)

Ejemplo

Según las condiciones de un negocio se pueden tener las siguientes ganancias:

 Altas Medias Bajas
Alt A 100 25 0
Alt B 75 50 25
Alt C 50 50 50
Probabilidad 0.4 0.3 0.3
Según el criterio a priori las ganancias esperadas son:

Ge(A)=0.4(100)+0.3(25)+0.3(0)=47.5

Ge(B)=0.4(75)+0.3(50)+0.3(25)=52.5

Ge(C)=0.4(50)+0.3(50)+0.3(50)=50

Por lo que la mejor decisión es la alternativa B.

Tomando en cuenta una actitud del decisor y eligiendo las consecuencias máxima y mínima se
define:

U(100)=100

U(0)=0

Es decir damos la mayor utilidad a lo que esperamos y 0 a lo que no esperamos.

Si el decisor define además las probabilidades de los valores intermedios:

Consecuencias Probabilidad
0 0
25 0.3
50 0.6
75 0.8
100 1

La recta de utilidad indiferente es: u=x

U(25)=0.3u(100)+0.7u(0)=30

U(50)=0.6u(100)+0.4u(0)=60

U(75)=0.8u(100)+0.2u(0)=80

Las probabilidades definidas por el decisor y las utilidades resultan:

Utilidad Indiferente
0 0 0 0
25 0.3 30 25
50 0.6 60 50
75 0.8 80 75
100 1 100 100
Como se puede ver las utilidades están por encima de las indiferentes lo que indica que el
decisor es precavido.

Las ganancias ahora son las utilidades:

 Altas Medias Bajas
Alt A 100 30 0
Alt B 80 60 30
Alt C 60 60 60
Probabilidad 0.4 0.3 0.3
Las utilidades esperadas:

Ge(A)=0.4(100)+0.3(30)+0.3(0)=49

Ge(B)=0.4(80)+0.3(60)+0.3(30)=59

Ge(C)=0.4(60)+0.3(60)+0.3(60)=60

Por lo que la mejor decisión es la alternativa C.