Toma de decisiones bajo incertidumbre

U.C.A.B.
– Facultad de Ingeniería – Teoría de Toma de Decisiones 1
Teoría de Toma de Decisiones

Unidad III
Toma de decisiones bajo incertidumbre
Clase 03. Jueves 13-05-21

3.1. Incertidumbre
Se refiere a los estados de la naturaleza, a priori, sin poder asegurar cual estado
saldrá, ni cual es su probabilidad. La incertidumbre puede también referirse a otros
aspectos pero la teoría se concentró en éste. La representación más común de este tipo de
problemas se basa en un supuesto juego “duelo” contra la naturaleza, en donde se infiere
el comportamiento de la misma.
Causas de la incertidumbre en las decisiones empresariales:

• Inexistencia de datos históricos directamente relacionados con las alternativas que
se estudian
• Sesgos en la estimación de datos o de eventos posibles
• Cambios en la economía, tanto nacional como mundial
• Cambios en políticas de países que en forma directa o indirecta afectan el entorno
económico local
• Análisis e interpretaciones erróneas de la información disponible
• Obsolescencia
• Situación política
• Catástrofes naturales o comportamientos del clima
• Inestabilidad social
• Inestabilidad política
José Luis Quintero Teoría de Toma de Decisiones Semestre abril – agosto 2021
U.C.A.B. – Facultad de Ingeniería – Teoría de Toma de Decisiones 2
3.2. Criterio de dominación
El criterio de dominación implica explorar la posibilidad de que alguna alternativa

sea preferible a otra, sea cual fuere el evento que ocurra. En este proceso es posible que se
puedan eliminar algunas alternativas (dominadas). Si el objetivo de la Unidad de
Decisión (UD) es no mojarse, entonces puede establecer una escala donde refleje su nivel
de preferencia por cada uno de los resultados posibles. Por ejemplo:
E1 E2
Llueve No llueve
Llevo
A1 8 4
paraguas
No llevo
A2 0 10
paraguas
En este caso ninguna alternativa domina a la otra dado que si llueve la mejor
alternativa es A1 pero si no llueve la mejor alternativa es A2.
Suponga que el objetivo de la UD es llegar a una cita donde se concretará un trabajo

que le traerá un beneficio de $1000, para lo cual deberá tomar un taxi que le cuesta $10.
La UD considera que llegar a la entrevista mojado afectará su imagen, lo cual hará que
pierda cualquier opción al trabajo. La matriz será:
E1 E2
Llueve No llueve
Llevo
A1 1000-10 = 990 1000-10 = 990
paraguas
No llevo
A2 -10 1000-10 = 990
paraguas
En este caso A1 domina a A2, por lo cual se puede eliminar A2. Aquí por descarte la
decisión sería llevar el paraguas.
3.3. Criterio de Laplace
Este criterio también es llamado Criterio del Valor Esperado o de la Razón

Insuficiente. Si en la matriz de retribuciones Vij es el valor asignado al resultado
asociado a la alternativa i y al estado natural j, se aplica el criterio Laplace como sigue:
• Seleccione el valor promedio para cada fila de la matriz de retribuciones
• Escoja el máximo de los valores obtenidos anteriormente si se trata de un matriz
de beneficios
• Escoja el mínimo de los valores obtenidos anteriormente si se trata de un matriz de
costos
Este criterio asume que si se tienen n estados de la naturaleza, entonces cada uno
de ellos ocurre con una probabilidad igual a 1/n. Sea la siguiente tabla de retribuciones
E1 E2 E3 E4
A1 5 10 18 25
A2 8 7 8 23
A3 21 18 12 21
A4 30 22 19 15
Suponga que es una decisión en que no se tiene conocimiento acerca de la ocurrencia

de los estados de la naturaleza. ¿Cuál es la decisión óptima si se usa el criterio de
Laplace? si:
La matriz de retribución es de Beneficios
La matriz de retribución es de Costos
Beneficios Costos
A1 14,5 14,5
A2 11,5 11,5
A3 18 18
A4 21,5 21,5
El valor esperado puede verse afectado por una alta varianza. En tal sentido se
calcula la varianza del ejemplo anterior y se observa la menor de ellas. ¿Cuál elegir?
Ejemplo de cálculo de la varianza:

Para la alternativa A1:
Sea la variable aleatoria VA1 con función de densidad dada por
0.25 si x = 5, 10, 18, 25

f (x) = 
 0 en otro caso
2
V = E(x 2 ) − E(x) = 0.25(25 + 100 + 324 + 625) − (14.5)2 = 58.25
Beneficios Costos Varianza

A1 14,5 14,5 58,25
A2 11,5 11,5 44,25
A3 18 18 13,50
A4 21,5 21,5 30,25
Se aplica el método de mínima distancia al ideal. Si se trata de una matriz de costos

se tiene
A1 A2 A3 A4 IDEAL
COSTO 14.5 11.5 18 21.5 11.50
VARIANZA 58.25 44.25 13.50 30.25 13.50
NORMA 44.85 30.75 6.50 19.51
Ejemplo de cálculo de la norma euclidiana:

Para la alternativa A1:
N = (14.5 − 11.5)2 + (58.25 − 13.5)2 ≈ 44.85
Si se trata de una matriz de beneficios se tiene
A1 A2 A3 A4 IDEAL
COSTO 14.5 11.5 18 21.5 21.50
VARIANZA 58.25 44.25 13.50 30.25 13.50
NORMA 45.29 32.34 3.50 16.75
Criterio de Laplace usando la mediana.
Beneficios Costos
A1 10 10
A2 8 8
A3 18 18
A4 19 19
3.4. Criterio Maximax o Minimin
Basado en una visión optimista del futuro, su utilización supone que la

naturaleza es espléndida y produce el estado natural que maximiza el beneficio o
minimiza el costo del decisor, por eso también se le llama Criterio del Máximo
Optimismo. Este criterio permite escoger la alternativa que corresponda al mejor de los
mejores resultados posibles, o sea que se escoge la alternativa que maximice los beneficios
máximos o minimiza los costos mínimos.
Si en la matriz de retribuciones Vij es el valor asignado al resultado asociado a la

alternativa i y al estado natural j, se aplica el criterio Maximax (Minimin) como sigue:
• Seleccione el valor máximo (mínimo) para cada fila de la matriz de retribuciones o
sea (maxj Vij ), para todo i.
• Escoja el máximo (mínimo) de los valores elegidos en el paso anterior siendo la
alternativa que lo produce, la seleccionada por el criterio.
Sea la siguiente tabla de retribuciones
E1 E2 E3 E4
A1 5 10 18 25
A2 8 7 8 23
A3 21 18 12 21
A4 30 22 19 15
¿Cuál es la decisión óptima si se usa el criterio del máximo optimismo? si:

Beneficios Costos
A1 25 5
A2 23 7
A3 21 12
A4 30 15
3.5. Criterio Maximin o Minimax
Basado en una visión muy conservadora, o quizás pesimista del futuro, su

utilización supone que la naturaleza es perversa y producirá el estado natural que
minimiza el beneficio del decisor. Este criterio también es conocido como el Criterio del
Máximo Pesimismo o criterio de Wald. Este criterio permite escoger el mejor de los
peores resultados, o sea que se puede escoger la alternativa que maximice los beneficios
mínimos o minimice los costos altos.
Si en la matriz de retribuciones Vij es el valor asignado al resultado asociado a la

alternativa i y al estado natural j, se aplica el criterio Maximin (Minimax) como sigue:
• Seleccione el valor mínimo (máximo) para cada fila de la matriz de retribuciones
• Escoja el máximo (mínimo) de los valores mínimos (máximos) elegidos en el paso
anterior siendo la alternativa que lo produce, la seleccionada por el criterio
E1 E2 E3 E4
A1 5 10 18 25
A2 8 7 8 23
A3 21 18 12 21
A4 30 22 19 15
¿Cuál es la decisión óptima si se usa el criterio del máximo pesimismo? si:

Beneficios Costos
A1 5 25
A2 7 23
A3 12 21
A4 15 30
Si las alternativas no son mutuamente excluyentes y son divisibles se puede

formular un modelo de programación lineal. Si son mutuamente excluyentes se puede
formular un modelo de programación lineal entera 0-1.
Matriz de beneficios:
Alternativas no mutuamente excluyentes
Max B s.a.
5A1 + 8A2 + 21A3 + 30A4 ≥ B
10A1 + 7A2 + 18A3 + 22A4 ≥ B
18A1 + 8A2 + 12A3 + 19A4 ≥ B
25A1 + 23A2 + 21A3 + 15A4 ≥ B
A1 + A2 + A3 + A4 = 1
0 ≤ Ai ≤ 1, i = 1,2,3,4
SOLUCIÓN. B=18.27 A1=0.2898 A2=0 A3=0,0625 A4=0.6477
Alternativas mutuamente excluyentes
Max B s.a.
5A1 + 8A2 + 21A3 + 30A4 ≥ B
10A1 + 7A2 + 18A3 + 22A4 ≥ B
18A1 + 8A2 + 12A3 + 19A4 ≥ B
25A1 + 23A2 + 21A3 + 15A4 ≥ B
A1 + A2 + A3 + A4 = 1
Ai ∈ {0,1} , i = 1,2,3,4
SOLUCIÓN. B=15 A1=0 A2=0 A3=0 A4=1
Matriz de costos:
Min C s.a.
5A1 + 8A2 + 21A3 + 30A4 ≤ C
10A1 + 7A2 + 18A3 + 22A4 ≤ C
18A1 + 8A2 + 12A3 + 19A4 ≤ C
25A1 + 23A2 + 21A3 + 15A4 ≤ C
A1 + A2 + A3 + A4 = 1
0 ≤ Ai ≤ 1, i = 1,2,3,4
SOLUCIÓN. C=19 A1=0.5 A2=0 A3=0 A4=0.5
Min C s.a.
5A1 + 8A2 + 21A3 + 30A4 ≤ C
10A1 + 7A2 + 18A3 + 22A4 ≤ C
18A1 + 8A2 + 12A3 + 19A4 ≤ C
25A1 + 23A2 + 21A3 + 15A4 ≤ C
A1 + A2 + A3 + A4 = 1
Ai ∈ {0,1} , i = 1,2,3,4
SOLUCIÓN. C=21 A1=0 A2=0 A3=1 A4=0
3.6. Criterio de Hurwicz
La aplicación del criterio de Hurwicz permite al decisor establecer un compromiso

entre los resultados más optimistas y los más pesimistas. El razonamiento básico de este
criterio es el hecho de que muchas decisiones concentran su atención en los resultados o
consecuencias extremas, olvidándose de los resultados intermedios. El criterio de
Hurwicz propone la utilización de un índice α , tal que: 0 < α < 1 , cuando α toma el valor
de 1, el decisor es optimista acerca del futuro, y cuando toma el valor de 0 el decisor es
pesimista acerca del futuro.
La utilización de un índice α , tal que: 0 < α < 1 , en el criterio de Hurwicz, tiene un

supuesto implícito que se destaca a continuación: Frente a la visión dicotómica de
optimista/pesimista, se propone un conjunto infinito de posibilidades las cuales
vienen expresadas en un continuo lineal.
Una vez que se ha especificado el valor de α , la aplicación del criterio de Hurwicz

requiere:
• Calcular el coeficiente de Hurwicz (CH) para cada acción
CH = α max i (Vij ) + (1 − α )min i (Vij ) (Beneficios)
CH = α min i (Vij ) + (1 − α )max i (Vij ) (Costos)
con Vij valor asociado al resultado producto de la acción i y del estado natural j
• Seleccionar el máximo (beneficio) o el mínimo (costo) de los valores del coeficiente
de Hurwicz, calculados anteriormente para todas las acciones y asociado a la
alternativa que lo produce
E1 E2 E3 E4
A1 5 10 18 25
A2 8 7 8 23
A3 21 18 12 21
A4 30 22 19 15
¿Cuál es la decisión óptima si se usa el criterio de Hurwicz? si:

Min Max Beneficios Costos

A1 5 25 25α + 5(1 − α ) 5α + 25(1 − α )
A2 7 23 23α + 7(1 − α ) 7α + 23(1 − α )
A3 12 21 21α + 12(1 − α ) 12α + 21(1 − α )
A4 15 30 30α + 15(1 − α ) 15α + 30(1 − α )
Beneficio. Conclusión. Se elige A4 si 0 ≤ α ≤ 1
Costos. Conclusión.
Se elige A3 si 0 ≤ α ≤ 2
7
Se elige A2 si 2
7
≤ α ≤ 12 Se elige A1 si 1
2
≤ α ≤1
3.7. Criterio de Savage o Arrepentimiento (Minimax)
Basado en la suposición de que el decisor, al seleccionar una alternativa, desea

minimizar el arrepentimiento que pueda surgir de la escogencia realizada. El monto
del arrepentimiento se estima como la diferencia entre el resultado que se hubiera
obtenido de no haber existido incertidumbre y el que se obtuvo en realidad. Se requiere la
formulación de una matriz de arrepentimiento, que se deriva a partir de la matriz de
retribución lo cual se realiza de la siguiente manera:
• Identifique el máximo valor (beneficio) o mínimo valor (costo) para cada estado
natural (columna) de la matriz de retribuciones
• Calcule los valores de arrepentimiento (ARij) correspondiente a la alternativa i y al
estado j, sustrayendo cada valor en la columna del valor en la columna del valor
máximo de la misma columna, identificado en el paso anterior
• Calcule los valores de arrepentimiento máximo
• Seleccione la acción Ai que asegure el mínimo de los arrepentimientos máximos, es
decir, seleccione la alternativa con el arrepentimiento Minimax
E1 E2 E3 E4
A1 5 10 18 25
A2 8 7 8 23
A3 21 18 12 21
A4 30 22 19 15
¿Cuál es la decisión óptima si se usa el criterio del mínimo arrepentimiento? si:

Matriz de beneficios.
Paso 1. Máximo de cada columna (30, 22, 19, 25)
Paso 2.
E1 E2 E3 E4
A1 30-5 22-10 19-18 25-25
A2 30-8 22-7 19-8 25-23
A3 30-21 22-18 19-12 25-21
A4 30-30 22-22 19-19 25-15
Paso 3.
E1 E2 E3 E4
A1 25 12 1 0 25
A2 22 15 11 2 22
A3 9 4 7 4 9
A4 0 0 0 10 10
Matriz de costos.
Paso 1. Mínimo de cada columna (5, 7, 8, 15)
Paso 2.
E1 E2 E3 E4
A1 5-5 10-7 18-8 25-15
A2 8-5 7-7 8-8 23-15
A3 21-5 18-7 12-8 21-15
A4 30-5 22-7 19-8 15-15
Paso 3.
E1 E2 E3 E4
A1 0 3 10 10 10
A2 3 0 0 8 8
A3 16 11 4 6 16
A4 25 15 11 0 25
Si las alternativas no son mutuamente excluyentes y divisibles se puede formular

un modelo de programación lineal sobre la matriz de arrepentimiento. Si son
mutuamente excluyentes se puede formular un modelo de programación lineal entera 0-1.
Matriz de beneficios
Min A s.a.
25A1 + 22A2 + 9A3 + 0A4 ≤ A
12A1 + 15A2 + 4A3 + 0A4 ≤ A
A1 + 11A2 + 7A3 + 0A4 ≤ A
0A1 + 2A2 + 4A3 + 10A4 ≤ A
A1 + A2 + A3 + A4 = 1
0 ≤ Ai ≤ 1, i = 1,2,3,4
SOLUCIÓN. A=6 A1=0 A2=0 A3=0.6667 A4=0.3333
Min A s.a.
25A1 + 22A2 + 9A3 + 0A4 ≤ A
12A1 + 15A2 + 4A3 + 0A4 ≤ A
A1 + 11A2 + 7A3 + 0A4 ≤ A
0A1 + 2A2 + 4A3 + 10A4 ≤ A
A1 + A2 + A3 + A4 = 1
Ai ∈ {0,1} , i = 1,2,3,4
SOLUCIÓN. A= 9 A1=0 A2=0 A3=1 A4=0
Matriz de costos
Min A s.a.
0A1 + 3A2 + 16A3 + 25A4 ≤ A
3A1 + 0A2 + 11A3 + 15A4 ≤ A
10A1 + 0A2 + 4A3 + 11A4 ≤ A
10A1 + 8A2 + 6A3 + 0A4 ≤ A
A1 + A2 + A3 + A4 = 1
0 ≤ Ai ≤ 1, i = 1,2,3,4
SOLUCIÓN. A=6.67 A1=0 A2=0.8333 A3=0 A4=0.1667
Min A s.a.
0A1 + 3A2 + 16A3 + 25A4 ≤ A
3A1 + 0A2 + 11A3 + 15A4 ≤ A
10A1 + 0A2 + 4A3 + 11A4 ≤ A
10A1 + 8A2 + 6A3 + 0A4 ≤ A
A1 + A2 + A3 + A4 = 1
Ai ∈ {0,1} , i = 1,2,3,4
SOLUCIÓN. A= 8 A1=0 A2=1 A3=0 A4=0
3.8. Criterio de la máxima distancia al peor valor
En este tipo de criterio el decisor prefiere aquellas alternativas que se encuentren

más alejadas del peor valor correspondiente a cada estado de la naturaleza. De esta
forma, la mejor alternativa será la que se encuentre a mayor distancia de ese punto y se
obtiene de la siguiente forma:
• Se determina el peor valor correspondiente a cada estado de la naturaleza.
• Se construye la matriz “distancia al peor” sustrayendo los elementos de cada
alternativa con el correspondiente peor valor de cada estado de la naturaleza
• Se selecciona el mayor de los menores elementos seleccionados por fila
E1 E2 E3 E4
A1 5 10 18 25
A2 8 7 8 23
A3 21 18 12 21
A4 30 22 19 15
¿Cuál es la decisión óptima si se usa el criterio de la máxima distancia al peor valor? si:
Matriz de beneficios.
Paso 1. Mínimo de cada columna (5, 7, 8, 15)
Paso 2.
E1 E2 E3 E4
A1 5-5 10-7 18-8 25-15
A2 8-5 7-7 8-8 23-15
A3 21-5 18-7 12-8 21-15
A4 30-5 22-7 19-8 15-15
Paso 3.
E1 E2 E3 E4
A1 0 3 10 10 0
A2 3 0 0 8 0
A3 16 11 4 6 4
A4 25 15 11 0 0
Matriz de costos.
Paso 1. Máximo de cada columna (30, 22, 19, 25)
Paso 2.
E1 E2 E3 E4
A1 30-5 22-10 19-18 25-25
A2 30-8 22-7 19-8 25-23
A3 30-21 22-18 19-12 25-21
A4 30-30 22-22 19-19 25-15
Paso 3.
E1 E2 E3 E4
A1 25 12 1 0 0
A2 22 15 11 2 2
A3 9 4 7 4 4
A4 0 0 0 10 0
Si las alternativas no son mutuamente excluyentes y divisibles se puede formular

un modelo de programación lineal sobre la matriz de arrepentimiento. Si son
mutuamente excluyentes se puede formular un modelo de programación lineal entera 0-1.
Max D s.a.
0A1 + 3A2 + 16A3 + 25A4 ≥ D
3A1 + 0A2 + 11A3 + 15A4 ≥ D
10A1 + 0A2 + 4A3 + 11A4 ≥ D
10A1 + 8A2 + 6A3 + 0A4 ≥ D
A1 + A2 + A3 + A4 = 1
0 ≤ Ai ≤ 1, i = 1,2,3,4
SOLUCIÓN. D=7.4545 A1=0.4830 A2=0 A3=0.4375 A4=0.0795
Max D s.a.
0A1 + 3A2 + 16A3 + 25A4 ≥ D
3A1 + 0A2 + 11A3 + 15A4 ≥ D
10A1 + 0A2 + 4A3 + 11A4 ≥ D
10A1 + 8A2 + 6A3 + 0A4 ≥ D
A1 + A2 + A3 + A4 = 1
Ai ∈ {0,1} , i = 1,2,3,4
SOLUCIÓN. D=4 A1=0 A2=0 A3=1 A4=0
Matriz de costos
Max D s.a.
25A1 + 22A2 + 9A3 + 0A4 ≥ D
12A1 + 15A2 + 4A3 + 0A4 ≥ D
A1 + 11A2 + 7A3 + 0A4 ≥ D
0A1 + 2A2 + 4A3 + 10A4 ≥ D
A1 + A2 + A3 + A4 = 1
0 ≤ Ai ≤ 1, i = 1,2,3,4
SOLUCIÓN. D=5.7895 A1=0 A2=0.5263 A3=0 A4=0.4737
Max D s.a.
25A1 + 22A2 + 9A3 + 0A4 ≥ D
12A1 + 15A2 + 4A3 + 0A4 ≥ D
A1 + 11A2 + 7A3 + 0A4 ≥ D
0A1 + 2A2 + 4A3 + 10A4 ≥ D
A1 + A2 + A3 + A4 = 1
Ai ∈ {0,1} , i = 1,2,3,4
SOLUCIÓN. D=4 A1=0 A2=0 A3=1 A4=0
3.9. Criterio de la robustez
La robustez puede considerarse como un tipo de flexibilidad pasiva, ya que una

alternativa robusta no requiere de transformaciones pues sus condiciones esenciales son
la insensibilidad y tolerancia ante cambios inesperados y actúa bien en la mayoría de los
posibles estados de la naturaleza.
La robustez de una alternativa permite ignorar los cambios, y los resultados del
proyecto no dependen de decisiones que se tomen en el futuro. La robustez suele ser una
condición deseada, pero una gran desventaja, entre otras, suele ser su costo económico.
Sin embargo, la robustez permitirá que el costo de la alternativa óptima, o su beneficio,
sea “mejor” que el de las otras alternativas, ante cambios en los estados de la naturaleza.
En los casos en los que la situación de aplicación de la alternativa es amplia y

generalizada, la robustes es una condición importante. Es útil también cuando es alta la
probabilidad de error en los parámteros del modelo estadístico que se usa para evaluar
las alternativas, ya que proporciona alternativas poco vulnerables a ellos.
Este criterio selecciona la alternativa más robusta, respecto a un nivel de

aceptabilidad β , de la siguiente forma:
 e 
1≤ i ≤a

Max Rβ (A i ) =


∑
k =1

ϕk (A i )  ,


donde a representa el número de alternativas, e representa el número de estados de la
naturaleza y Rβ (A i ) es la cantidad de estados que se encuentran en la zona de
aceptación. El nivel de aceptabilidad β representa la máxima diferencia con respecto a la
solución de referencia que se considera aceptable para la Unidad de Decisión. La función
ϕ(A i ) indica si la alternativa A i es aceptable en el estado de la naturaleza k y
corresponde a la función:
1 si Rk,max −Rk ( A i ) ≤ β
 Rk,max −R k,min
ϕk (A i ) =  (matriz de beneficios)
0 en otro caso
1 si Rk ( A i )−Rk,max ≤ β
 Rk,max −R k,min
ϕk (A i ) =  (matriz de costos)
0 en otro caso
E1 E2 E3 E4
A1 5 10 18 25
A2 8 7 8 23
A3 21 18 12 21
A4 30 22 19 15
¿Cuál es la decisión óptima si se usa el criterio de la robustez? si:

Estado de la naturaleza 1
30 − 5 30 − 8 30 − 21 30 − 30
=1 ; = 0.88 ; = 0.36 ; =0
30 − 5 30 − 5 30 − 5 30 − 5
22 − 10 22 − 7 22 − 18 22 − 22
= 0.80 ; =1 ; = 0.27 ; =0
22 − 7 22 − 7 22 − 7 22 − 7
19 − 18 19 − 8 19 − 12 19 − 19
= 0.09 ; =1 ; = 0.64 ; =0
19 − 8 19 − 8 19 − 8 19 − 8
25 − 25 25 − 23 25 − 21 25 − 15
=0 ; = 0.20 ; = 0.40 ; =1
25 − 15 25 − 15 25 − 15 25 − 15
E1 E2 E3 E4
A1 1 0.80 0.09 0
A2 0.88 1 1 0.20
A3 0.36 0.27 0.64 0.40
A4 0 0 0 1
Conclusión.
Se elige A4 si 0 ≤ β < 0.40

Se elige A3 o A4 si 0.40 ≤ β < 0.64
Se elige A3 si 0.64 ≤ β < 1
Se elige A1, A2, A3 o A4 si β = 1
Matriz de costos
5−5 8−5 21 − 5 30 − 5
=0 ; = 0.12 ; = 0.64 ; =1
30 − 5 30 − 5 30 − 5 30 − 5
10 − 7 7 −7 18 − 7 22 − 7
= 0.20 ; =0 ; = 0.73 ; =1
22 − 7 22 − 7 22 − 7 22 − 7
18 − 8 8−8 12 − 8 19 − 8
= 0.91 ; =0 ; = 0.36 ; =1
19 − 8 19 − 8 19 − 8 19 − 8
25 − 15 23 − 15 21 − 15 15 − 15
=1 ; = 0.80 ; = 0.60 ; =0
25 − 15 25 − 15 25 − 15 25 − 15
E1 E2 E3 E4
A1 0 0.20 0.91 1
A2 0.12 0 0 0.80
A3 0.64 0.73 0.36 0.60
A4 1 1 1 0
Conclusión.
Se elige A2 si 0 ≤ β < 0.64
Se elige A2 o A3 si 0.64 ≤ β < 0.73
Se elige A3 si 0.73 ≤ β < 0.80
Se elige A2 o A3 si 0.80 ≤ β < 1
Se elige A1, A2, A3 o A4 si β = 1

Unidad IV
Toma de decisiones bajo riesgo

4.1. Criterios de decisión bajo riesgo
Para tomar una decisión bajo riesgo es necesario especificar una distribución de
probabilidad para los estados de la naturaleza (Probabilidades objetivas, subjetivas o
ambas). Lo anterior convierte a los resultados asociados a cada alternativa en variables
aleatorias. En tal sentido, tales distribuciones serán usadas adecuadamente en la
aplicación de los distintos criterios bajo riesgo.
4.2. Criterio del valor esperado
Este criterio contempla que las probabilidades son estudiadas por el analista para el
proceso de toma de decisiones. A continuación se describe una situación donde se aplicará
el criterio del valor esperado.
En la perforación de un pozo petrolero se piensa que se pueden encontrar 500.000,

200.000, 50.000 barriles o un pozo seco. El gobierno desea examinar las siguientes
alternativas de decisión: perforar, alquilar incondicionalmente o alquilar con alguna
condición. El alquiler incondicional consiste en cobrar $ 45.000 por la explotación sin
ninguna otra contraprestación, mientras que en el alquiler condicionado se asume algún
riesgo compartido, de manera que si el pozo resulta de 200.000 ó más barriles, el gobierno
percibirá regalías a razón de $ 0,50 por barril, de lo contrario no habrá cobro alguno.
Se conoce que el costo de perforación de un pozo productivo es de $ 100.000, pero si

resulta que el pozo está seco, esta tarea sólo costará $ 75.000. Adicionalmente, se sabe
que la utilidad de la operación es de $ 1,50 por barril (sin descontar el costo de
perforación). La matriz de decisión se presenta a continuación:
650000 200000 −25000 −75000 

 45000 45000 45000 45000 
 
250000 100000 0 0 
Si se asignan las siguientes probabilidades a los estados de la naturaleza del

ejemplo: P(E1) = 0.10, P(E2) = 0.15, P(E3) = 0.25, P(E4) = 0.50, el valor esperado de cada
alternativa será:
0.10 
650000 200000 −25000 −75000    51250
 45000 45000 45000 45000  0.15 =  45000 
  0.25  
250000 100000 0 0   
  40000 
0.50 
Por lo tanto se elige la alternativa 1. Si se tratara de una matriz de costos,

entonces la alternativa elegida sería la 3.
4.3. Criterio de la moda
Este criterio se suele utilizar cuando existe uno o varios estados de la naturaleza
con la probabilidad más alta. Para el ejemplo anterior, suponga que las probabilidades
son: P(E1) = 0.10, P(E2) = 0.15, P(E3) = 0.25, P(E4) = 0.50, la moda de cada alternativa
será:
650000 200000 −25000 -75000 

 45000 45000 45000 45000 
 
250000 100000 0 0 
Por lo tanto se elige la alternativa 2. Si se tratara de una matriz de costos,

entonces la alternativa elegida sería la 1.
4.4. Criterio de la mediana
Este criterio se utiliza cuando se desea conocer para cuál consecuencia existe una
probabilidad acumulada de 50% o más. En este caso se tiene que construir la función de
distribución de probabilidad acumulada para cada alternativa, para lo cual: Se ordenan
las consecuencias de cada alternativa en forma ascendente en el eje de las abscisas (x).
En el eje de las ordenadas (y) se ordena la probabilidad acumulada para cada
consecuencia del eje x. La mediana será la consecuencia que corresponde con la
probabilidad acumulada de 50% o menos. Aplicar el criterio de la mediana en la siguiente
matriz de beneficios:
4.5. Criterio de la distancia al peor valor
En este tipo de criterio el decisor prefiere aquellas alternativas que se encuentren

más alejadas del peor valor correspondiente a cada estado de la naturaleza. De esta
forma, la mejor alternativa será la que se encuentre a mayor distancia de ese punto y se
obtiene de la siguiente forma:
• Se determina el peor valor correspondiente a cada estado de la naturaleza.
• Se construye la matriz “distancia al peor” sustrayendo los elementos de cada
alternativa con el correspondiente peor valor de cada estado de la naturaleza.
• Se calcula el valor esperado de cada alternativa en la matriz “distancia al peor

valor”
Aplicar el criterio de la distancia al peor valor al ejemplo del pozo petrolero. El peor
valor por cada estado de la naturaleza es:
E1 E2 E3 E4
45 45 -25 -75
La matriz de “distancia al peor” es la siguiente:
E1 E2 E3 E4
A1 650-45 = 605 200-45 = 155 (-25)-(-25) = 0 (-75)-(-75) = 0
A2 45-45 = 0 45-45 = 0 45-(-25) = 70 45-(-75) = 120
A3 250-45 = 205 100-45 = 55 0-(-25) = 25 0-(-75) = 75
Se calcula el valor esperado de cada alternativa en la matriz ”distancia al peor”

utilizando las probabilidades: P(E1) = 0.10, P(E2) = 0.15, P(E3) = 0.25, P(E4) = 0.50.
VE[A1] = 83.75, VE[A2] = 77.5, VE[A3] = 72.5
La mejor alternativa es A1.
4.6. Criterio del arrepentimiento
Este criterio combina el criterio Minimax de arrepentimiento (Savage) con el valor

esperado. Para lo cual es necesario establecer la matriz de arrepentimiento y determinar
las probabilidades de los estados de la naturaleza. Se procede de forma análoga al criterio
del valor esperado. El “mejor valor” por cada estado de la naturaleza es:
E1 E2 E3 E4
650 200 45 45
La matriz de arrepentimiento es la siguiente:
E1 E2 E3 E4
A1 650-650 = 0 200-200 = 0 45-(-25) = 70 45-(-75) = 120
A2 650-45 = 605 200-45 = 155 45-45 = 0 45-45 = 0
A3 650-250 = 400 200-100 = 100 45-0 = 45 45-0 = 45
Se calcula el valor esperado de cada alternativa en la matriz de arrepentimiento

utilizando las probabilidades: P(E1) = 0.10, P(E2) = 0.15, P(E3) = 0.25, P(E4) = 0.50.
VE[A1] = 77.5, VE[A2] = 83.75, VE[A3] = 88.75,
La mejor alternativa es A1.
4.7. Criterio de la robustez
La robustez de una alternativa permite ignorar los cambios, y los resultados del
proyecto no dependen de decisiones que se tomen en el futuro. La robustez permitirá que
el costo de la alternativa óptima, o su beneficio, sea “mejor” que el de las otras
alternativas, ante cambios en los estados de la naturaleza. Es útil cuando es alta la
probabilidad de error en los parámetros del modelo de decisión que se utiliza para
evaluar las alternativas, ya que proporciona alternativas poco vulnerables a cambios.
Aplicar el criterio de la robustez al ejemplo de la petrolera, utilizando β = 0.7 . Para

el estado de la naturaleza 1, se tiene que R1,max = 650000, R1,min = 45000, por lo cual:
650 − 650 650 − 250 650 − 45

= 0; = 0.66; =1
650 − 45 650 − 45 650 − 45
Con los datos anteriores y β = 0.7 se identifican los índices de robustez para todos
los estados de la naturaleza. Al final la tabla de índices obtenida es:
E1 E2 E3 E4
500000 200000 50000 Pozo

Barriles Barriles Barriles seco
A1 Perforar 0 (1) 0 (1) 1 (0) 1 (0)
A2 Alquiler 1 (0) 1 (0) 0 (1) 0 (1)

Incondic.
A3 Alquiler 0.66 (1) 0.64 (1) 0.64 (1) 0.37 (1)
Condic.
P[Ei] 0.10 0.15 0.25 0.50
Se obtienen los siguientes valores: R0.7(A1) = 0.25, R0.7(A2) = 0.75, R0.7(A3) = 1.00
Según el criterio de la robustez, A3 es la alternativa seleccionada.

Unidad V
Arboles de decisión

5.1. Árbol de probabilidades
El árbol de probabilidades está constituido por nodos y ramas. De cada uno de los
nodos, a los cuales se denominarán nodos de incertidumbre, salen los estados de la
naturaleza. La representación de estos fenómenos a través de árbol es la siguiente:
X1
Nodo de
incertidumbre
X2
X3
5.2. Árbol de decisión
Los árboles de decisión son una extensión de los árboles de probabilidad. Mediante
un tipo de nodo denominado de decisión, se indican la elección de alternativas que la UD
deberá escoger, mientras que otro tipo de nodo, denominados de incertidumbre, son los
encargados de indicar la aparición de estados de la naturaleza.
Las consecuencias de un determinado curso de acción serán medibles siempre y

cuando puedan establecerse una función que permita cuantificar una magnitud que
represente el valor que la UD asocia a cada una de las consecuencias o resultados. En el
desarrollo de este punto se utilizará como criterio de decisión el Valor Esperado del
Beneficio Neto, dejando claro que éste no es el único criterio de decisión posible. Puede
utilizarse cualquier función que represente el criterio a optimizar, por ejemplo minimizar
costos, minimizar tiempo de ejecución, etc...
5.3. Elementos de un árbol de decisión
Para realizar la estructuración de un árbol de decisión debemos establecer los

elementos que lo forman. A continuación son mostrados a través del desarrollo de un
ejemplo ilustrativo.
El presidente de una compañía de perforaciones de pozos petroleros, que realiza

actualmente trabajos de perforación en un área de productividad razonable, está
evaluando la posibilidad de iniciar una perforación. Los posibles estados de la naturaleza
son:
θ1 : El pozo está seco
θ2 : El pozo es pequeño
θ3 : El pozo es grande
Nodos: Como todo árbol, el Árbol de Decisión tiene nodos los cuales pueden ser de tres
tipos:
Nodos de decisión: A partir de los cuales se originan las diferentes alternativas o

acciones a seguir. Para esquematizarlas se utilizará un cuadrado. En el ejemplo las
diferentes acciones que se han planteado son si se perfora o no el pozo las cuales se
derivan del nodo de decisión. Esta situación se esquematiza en la figura siguiente:
Nodos de Incertidumbre: A partir de los cuales se derivan los eventos o estados de la

naturaleza. Para esquematizarlos se utilizarán círculos. En el ejemplo, del nodo de
incertidumbre se derivan los estados de la naturaleza θ1 , θ2 y θ3 como se ilustra a
continuación.
Observe que estos nodos son los mismos que se han definido en el árbol de
probabilidades. Nótese que los eventos que convergen a un nodo de incertidumbre son
mutuamente excluyentes.
Nodos Terminales: En un árbol de decisión los nodos terminales recogen la ocurrencia

secuencial de una serie de eventos, al tomar un determinado curso de acción. A través del
siguiente diagrama se resumen estos conceptos.
Ramas: Se pueden diferenciar dos tipos de ramas. Ramas que representan alternativas o
acciones a tomar y las que representan ocurrencia de eventos inciertos o estados de la
naturaleza. En el ejemplo se identifican como alternativas: a) Perforar pozo y b) No
perforar pozo. Se identifican como eventos inicertos a encontrar un pozo seco, encontrar
un pozo pequeño o encontrar un pozo grande.
Hasta ahora se han identificado los nodos y ramas que conforman el árbol de
decisión. Para poder evaluar cual de las alternativas resulta más atractiva para la UD, es
necesario asignarle valores a cada uno de los elementos del árbol. Cada una de las
posibles alternativas que tiene la UD para su selección lleva un costo involucrado. Por
otra parte, los estados de la naturaleza tienen asignado un valor de probabilidades.
Adicionalmente a cada uno de los nodos terminales, se le puede asignar un valor de
ganancias o pérdida (consecuencias).
5.4. Estructuración y operaciones en un árbol de decisión
Las fases para la estructuración de un árbol de decisión se mencionan a

continuación:
• Identificar los nodos y ramas.

• Organizar el árbol como un arreglo cronológico de las alternativas que controla la
UD y los resultados que determine el azar (estados de la naturaleza).
• Asignar valores a cada una de las alternativas, eventos de incertidumbre y nodos
terminales (consecuencias) que conforman el árbol.
Una vez finalizado el proceso de estructuración del árbol, es necesario establecer un

criterio de decisión. Por el momento consideremos que la mejor decisión es aquella que
maximiza el beneficio neto. Para alcanzar la decisión óptima, dada una determinada
estrategia, se realizan sobre un árbol de decisión básicamente dos operaciones:
• Determinación del Valor Esperado
• Maximización del Valor Esperado
El Valor Esperado se obtiene en los nodos de incertidumbre, ya que a ellos están

asociados los estados de la naturaleza o eventos inciertos. La maximización del valor
esperado del beneficio neto corresponde a nodos de decisión.
5.5. Evaluación de un árbol de decisión
El proceso se inicia en los nodos terminales y se realizan los cálculos de atrás hacia
adelante, es decir se recorre el árbol desde los nodos terminales hacia la raíz (o nodos de
decisión), calculando en cada nodo de incertidumbre el valor esperado, luego, se maximiza
el valor esperado en los nodos de decisión. A fin de facilitar la comprensión de dicho
proceso de cálculo, hemos dividido el mismo, en varios pasos los cuales se describirán a
continuación.
Paso 1: Cálculo del valor esperado asociado a los nodos de incertidumbre.

Paso 2: Árbol Modificado.
Paso 3: Proceso de Maximización: Cálculo del valor Esperado asociado a los nodos de
decisión.
5.6. Ejemplo ilustrativo 1
Suponga que se tiene el siguiente árbol de decisión.
0,52 4
-200.000
2 0,26 5
+300.000
0,22
1 6
+1.000.000
3 1,0 7 0
Paso 1: Calculo del valor esperado VE.
θ1 -200.000
194.000 θ2
+300.000
2 θ3
1 +1.000.000
3 1,0 0
0
Paso 2: Árbol Modificado
2 194.000
3 0
Paso 3: Se escoge la alternativa que arroje un mayor resultado es decir la que va del nodo
1 al 2.
Erica viaja a Londres el 5 de Agosto y regresa el 20 de Agosto. Estamos en Julio.

Ella puede comprar un ticket de ida solamente por $350 o uno de ida y vuelta por $660.
Ella también puede esperar a Agosto para comprar el ticket. En Agosto un ticket de
vuelta costará $370 y de ida y vuelta $730. En Agosto su hermana que trabaja en una
aerolínea sea capaz de obtener un ticket de ida y/o vuelta gratis para Erica, la
probabilidad de que se lo consiga es 0.30. Si Erica decide comprar el ticket de ida en Julio,
su hermana solo podrá gestionar el pasaje de vuelta. Si Erica compra el ticket ida y
vuelta y su hermana consigue el mismo gratis, le devuelven la mitad del costo del vuelo
ida y vuelta ($330), pero deberá pagar una multa de $50. Si Erica decide comprar el ticket
ida y vuelta en Agosto, su hermana sólo podría gestionar su pasaje de ida gratis. Use el
árbol de decisión para determinar como minimizar el costo de Erica para su viaje a
Londres. 1) Estructure el árbol de decisión 2) Determine la solución.
Una compañía de tarjetas de crédito (TC) estima, basada en su experiencia, que los
solicitantes de TC se pueden clasificar en dos tipos: solicitantes con un historial de crédito
bueno (B) e historial de crédito malo (M). La experiencia ha indicado igualmente que las
probabilidades del historial bueno representa un beneficio anual de $1500 mientras que
el malo representa una perdida de $1000 anual. Cada solicitud de TC puede ser aceptada
(A) o rechazada (R) o puede realizarse una investigación (I) a través de una empresa de
investigación de créditos, que puede emitir un informe de Favorable (F) o Desfavorable
(D). La empresa no es 100% confiable en sus resultados. La agencia cobra fijo $10 por
cada reporte y adicionalmente $20 por cada reporte favorable, pues requiere más tiempo
verificar un buen historial de crédito que eliminar uno malo. Estructure el problema
en forma de árbol.
5.9. Pronosticador perfecto
Se postulará una persona llamada pronosticador perfecto o clarividente como

alguien que por adelantado conoce lo que va a suceder respecto a cualquier fenómeno
aleatorio. Conoce con exactitud qué valor en particular va a tomar cada una de las
variables aleatorias involucradas en el problema. Mediante el pronosticador perfecto se
está en capacidad de eliminar todo tipo de incertidumbre, de disponer de la información
perfecta, pero claro está, a un determinado costo.
Es obvio que materialmente no existen los clarividentes o los pronosticadores

perfectos. Se trata sencillamente de un postulado útil en el proceso real de captación de
nueva información porque permite establecer un tope máximo a lo que vale la pena pagar
a fin de obtener información adicional. La determinación de este tope máximo es esencial
en la decisión de si debe iniciarse o no el proceso de captación de información adicional.
3.10. Valor esperado de la información perfecta
El valor esperado de la información perfecta (VEIP) puede estimarse como la

diferencia entre el beneficio esperado cuando se dispone de la información perfecta (BEIP)
y el beneficio esperado que se puede obtener bajo un estado de información a priori
(BEIAP). En tal sentido se tiene que VEIP = BEIP − BEIAP .
Para una variable aleatoria determinada, el valor esperado de la información

perfecta representa el límite superior del costo de cualquier programa o proceso diseñado
para la captación de información adicional sobre tal variable. Es importante la
determinación de tal valor porque sirve como punto de referencia en el momento de la
contratación de cualquier estudio que tienda a recolectar información adicional.
Por otro lado, es importante conocer el valor esperado de la información perfecta en

una situación determinada, porque ello sirve de orientación acerca de si es importante o
no conducir una investigación. Cuanto más alto sea el VEIP asociado a una situación de
incertidumbre, más importante será iniciar un proceso de captación de información
adicional.
Ejemplo ilustrativo 1.
Se presenta la siguiente matriz de beneficios:
Estados de la Naturaleza
Alternativas E1: Pozo seco E2: Pozo pequeño E3: Pozo grande
P(E1) = 0,52 P(E2) = 0,26 P(E3) = 0,22
A1: Perforar –200.000 300.000 1.000.000
A2: No perforar 0 0 0
Según la definición, lo primero que se debe hacer es determinar el beneficio neto

esperado, asumiendo poseer la información perfecta (BEIP). Si el pronosticador perfecto
asegura que ocurrirá E1 entonces la decisión lógica será llevar a cabo la acción A2. Si en
cambio el clarividente asegura que ocurrirá E2 o E3 la decisión obvia será optar por la
acción A1 que es la que optimiza el beneficio en estos casos.
El beneficio esperado basado en la información perfecta es la suma ponderada de

estos beneficios óptimos, con las respectivas probabilidades de ocurrencia de cada uno de
los estados. Gracias al clarividente, estas probabilidades coinciden con las probabilidades
de obtener tales beneficios. En tal sentido
BEIP = 0,52 × max {−200.000,0} + 0,26 × max {300.000,0} + 0,22 × max {1.000.000,0}
= 0,52 × 0 + 0,26 × 300.000 + 0,22 × 1.000.000 = 298.000 u.m.
Si a este valor que se acaba de obtener se le resta el valor esperado del beneficio
neto en condiciones de incertidumbre (BEIAP), calculado como
BEIAP(A1 ) = −0,52 × 200.000 + 0,26 × 300.000 + 0,22 × 1.000.000 = 194.000 u.m.

BEIAP(A 2 ) = −0,52 × 0 + 0,26 × 0 + 0,22 × 0 = 0 u.m ,
BEIAP = max {BEIAP(A1 ),BEIAP(A 2 )} = max {194.000,0} = 194.000 u.m.
se obtiene la cantidad de 104.000 u.m. que representa el VEIP. El VEIP es el máximo

precio a pagar por cualquier estudio geofísico cuyo objetivo sea determinar el tipo de
suelo.
Al VEIP también se le denomina con frecuencia costo de la incertidumbre,

denominación que tiende a resaltar el hecho de que tal valor es lo que cuesta tomar la
decisión bajo un estado de incertidumbre caracterizado por un estado de información
determinado.
A continuación se presenta la tabla 1 que representa una matriz de pagos o de

retirbuciones.
Estados de la Naturaleza
Acciones E1 E2 … En
P(E1 ) P(E2 ) … P(En )
A1 V11 V12 … V1n
A2 V21 V22 … V2n
⋮ ⋮ ⋮ … ⋮
Am Vm1 Vm2 … Vmn
Tabla 1. Tabla de pagos
A continuación se muestra un desarrollo importante para la diferencia establecida

en apartados anteriores. En tal sentido se tiene que
VEIP = BEIP − BEIAP

n  n 
=
∑
j=1
j i

P(E j ) × max(Vij ) − max 


∑
j=1

P(Ej ) × Vij 


Reordenando los términos de la ecuación anterior se tiene que
 n  n
i

BEIPA = BEIP − VEIP ⇒ max 


∑ j=1

P(E j ) × Vij  =


∑
j=1
P(Ej ) × max(Vij ) − VEIP
j
n  n 
⇒
∑ j=1
j i

P(E j ) × max(Vij − VEIP) = max 


∑ j=1

P(Ej ) × Vij 


El grupo XXX de música rock ha decidido dar un concierto. Los representantes
tienen sus dudas sobre los resultados que puedan tener, asignando una probabilidad
subjetiva de 1/4 a que el concierto sea un éxito. Los gastos son de 20.000 u.m. si resultara
un éxito. El grupo y sus representantes obtendrían un beneficio neto de 100.000 u.m. Sea
el evento E: El concierto resulta un éxito y la acción C: Dar el concierto.
El árbol de decisiones viene dado por
1/4 100.000
E
10.000
E 3/4 -20.000
10.000 C
C
0 0 0
De la evaluación del árbol resulta que la decisión debe ser dar el concierto con un beneficio
neto esperado de 10.000 u.m.
Suponga ahora que el grupo XXX tiene la posibilidad de consultarle al profesor Alfa
quien es un pronosticador perfecto y posee información perfecta sobre los procesos
mentales de todos los fanáticos de la música rock. En tal sentido, si el estado de la
naturaleza ocurrido es E, entonces se debe llevar a cabo C. Si el estado de la naturaleza
ocurrido es E , entonces se debe llevar a cabo C . De acuerdo con lo anterior
BEIP = 0,25 × 100.000 + 0,75 × 0 = 25.000 u.m.
De acuerdo con lo anterior, se deduce que el VEIP es igual a 15.000 u.m., de modo
que cualquier consejo que pueda dar el profesor, tiene un valor para el grupo de 15.000
u.m. que es la diferencia de beneficio esperado entre tomar la decisión disponiendo de la
información perfecta y tomarla con la información a priori representada por la asignación
de probabilidades hecha al inicio.
Dada la matriz de decisiones 3.1, donde a cada par (A i ,E j ) le corresponde un beneficio
Vij expresado en unidades monetarias, el cual representa el ingreso neto resultante de la
comercialización de un producto; E1 , E2 y E3 son tres posibles grados de aceptación del
producto por parte del público, cuyas probabilidades a priori son respectivamente 0,3; 0,6
y 0,1 y A1 , A 2 y A 3 son tres distintas estrategias de ventas, determine el valor esperado
de la información perfecta.
CURSOS ESTADOS NATURALES

DE E1 E2 E3
ACCIÓN P(E1 ) = 0,30 P(E2 ) = 0,60 P(E3 ) = 0,10
A1 300 600 2.100
A2 300 700 1.400
A3 100 1.000 700
Tabla 3.1. Matriz de decisiones del ejemplo ilustrativo integrado
Respuesta.
Paso 1. Cálculo de BEIP.
BEIP = 0,30 × 300 + 0,60 × 1.000 + 0,10 × 2.100 = 900 u.m.
Paso 2. Cálculo de BEIAP.
BEIAP1 = 0,30 × 300 + 0,60 × 600 + 0,10 × 2.100 = 660
BEIAP2 = 0,30 × 300 + 0,60 × 700 + 0,10 × 1.400 = 650
BEIAP3 = 0,30 × 100 + 0,60 × 1.000 + 0,10 × 700 = 700
BEIAP = max {BEIAP1 ,BEIAP2 ,BEIAP3 } = max {660,650,700} = 700 u.m.
Paso 3. Cálculo de VEIP.
VEIP = BEIP − BEIAP = 900 − 700 = 200 u.m.

Unidad VI
Teoría de la utilidad

6.1. Lotería
Una lotería, la cual se presenta por L es un término técnico que define una selección
de premios o consecuencias, a los que se designará por e1 , e2 , ..., en , de los cuales
solamente uno se obtendrá, y que tiene asociados a cada uno de ellos una probabilidad
p1 , p2 , ..., pn , tal que
n
∑ i =1
pi = 1, 0 ≤ pi ≤ 1, i = 1,...,n .
Simbólicamente se representan las loterías por L = {(p1 ,e1 );(p2 ,e2 );...;(pn ,en )} . La
lotería anterior también es llamada lotería de una etapa. Para una lotería L es posible
encontrar el valor monetario esperado de la lotería, definido como
n
E(L) =
∑
i =1
pi ei .
6.2. Lotería equivalente de una etapa
Una lotería de dos etapas es un experimento aleatorio doble. El primer experimento

tiene un posible conjunto de eventos o resultados {1,2,...,k} , cada uno con probabilidad de
ocurrencia q i , i = 1,...,k , tal que
∑ i =1
q i = 1, 0 ≤ q i ≤ 1, i = 1,...,k
Si el resultado del primer experimento es i con probabilidad q i , el jugador tiene

acceso al segundo experimento aleatorio, constituido por la lotería de una sola etapa L i ,
tal que
L i = {(pi1 ,e1 );(pi2 ,e2 );...;(pin ,en )} , i = 1,...,k
donde pit es la probabilidad de ocurrencia del evento et , t = 1,...,n de la lotería L i ,

i = 1,...,k con
n
∑ t =1
pit = 1, 0 ≤ pit ≤ 1, t = 1,...,m ; i = 1,...,k
La lotería de dos etapas se puede entonces denotar por L∗ , donde

L∗ = {(q1 ,L1 );(q 2 ,L2 );...;(q k ,Lk )} ,
o más explícitamente
L∗ = {q1 (p11 ,e1 );(p12 ,e2 );...;(p1n ,en );...;q k (pk1 ,e1 );(pk2 ,e2 );...;(pkn ,en )}
L∗ = {(q1p11 ,e1 );(q1 p12 ,e2 );...;(q1 p1n ,en );...;(q k pk1 ,e1 );(q k pk2 ,e2 );...;(q k pkn ,en )}
 k   k 
∗ 
L = 



∑ i =1
q i pi1 ,e1 ;...; 





∑ i =1
q i pin ,en  




En resumen, una lotería doble puede expresarse en términos de una lotería simple
donde los eventos son loterías simples.
Por ejemplo, un jugador compra un boleto para tener oportunidad de darle vuelta a
una ruleta que tiene k secciones. Si la ruleta se detiene en la sección i, i = 1,...,k , con
probabilidad q i , el jugador se dirige a una urna Li , donde existen n bolitas, cada bolita
asociada a un premio o castigo et , t = 1,...,n . La probabilidad de que el jugador seleccione
la bolita et de la urna Li , t = 1,...,n ; i = 1,...,k es igual a pit .
Ejemplo ilustrativo 6.2.1.

Obtenga L∗ si L = {( 12 ,L1 );( 14 ,L2 );( 14 ,L3 )} , donde
L1 = {( 13 ,e1 );( 32 ,e2 )} , L2 = {( 12 ,e1 );( 12 ,e2 )} , L3 = {( 23 ,e1 );( 13 ,e2 )} .
Respuesta.
L∗ = {( 16 + 18 + 16 ,e1 );( 13 + 18 + 12
1
,e2 )} ⇒ L∗ = {( 11 ,e );( 13
24 1 24
,e2 )}

Obtenga L∗ si L = {( 14 ,L1 );( 43 ,L2 )} , donde
L1 = {( 13 ,e1 );( 13 ,e2 );( 13 ,e3 )} , L2 = {( 12 ,e1 );( 14 ,e2 );( 14 ,e3 )} .
Respuesta.
L∗ = {( 14 ,L1 );( 43 ,L2 )} ⇒ L∗ = {( 12
1
+ 83 ,e1 );( 12
1
+ 16
3 1
,e2 );( 12 + 16
3
,e3 )} ⇒ L∗ = {( 11 ,e );( 13
24 1 48
,e2 );( 13
48
,e3 )}
6.3. Función de utilidad
Dado un conjunto de eventos E = {e1 ,e2 ,...,en } asociados a una lotería de una etapa,
cualquier decisor es capaz de ordenarlos de acuerdo a cierta preferencia. Suponga que el
orden es tal que e1 es el evento más preferido por el decisor y en es el menos. Considere
que por cada evento e j , j = 2,...,n − 1 existe una lotería de una etapa, con 2 premios e1 y
en , es decir
L̂ = {(p,e1 );(1 − p,en )} , 0 ≤ p ≤ 1 ,
donde p es la probabilidad de recibir el premio (o castigo) e1 .
Se le pregunta entonces al decisor para qué valor de probabilidad p es indiferente

entre recibir el premio e j , j = 2,...,n − 1 con certeza, o jugar la lotería L̂ . Sea ese valor p j .
Para cada e j , j = 2,...,n − 1 un decisor racional define un valor p j , 0 ≤ p j ≤ 1 . Finalmente se
asocia a e1 (el premio más favorecido) el valor p1 = 1 y a en (el premio menos favorecido)
el valor pn = 0 . De esta manera se ha obtenido una función p j = f (e j ) cuyo dominio es el
conjunto E = {e1 ,e2 ,...,en } . Esta función se conoce como función de utilidad de un decisor
y el número p j será la utilidad del evento e j .
Para cada decisor existirá una función de utilidad diferente. Es más, un mismo
decisor podrá cambiar su función de utilidad con el tiempo (cambia sus valores,
preferencias, forma de pensar, etc). Por lo tanto la función de utilidad de un decisor no es
única. Obviamente p j = f (e j ) define una variable aleatoria p que será la utilidad de la
lotería (o del experimento aleatorio).
En un lenguaje más simple se puede decir que la utilidad se define como la actitud
de un decisor ante la posibilidad de ganar o perder algo en una situación bajo total
incertidumbre. Otra definición, no relacionada con la definición clásica introducida por
primera vez en 1944 por Von Neumann y Morgenstern se enuncia a continuación:
La utilidad de un decisor es una variable aleatoria que mide su actitud ante el

riesgo. Esta variable aleatoria es una función cuyo dominio es el espacio de eventos
aleatorios {e1 ,e2 ,...,en } y su rango son los números reales en el conjunto cerrado [0,1]
Antes de ilustrar la construcción de una función de utilidad, conviene establecer los

seis axiomas que definen a un decisor racional. La notación que se utilizará es la
siguiente: dados dos eventos aleatorios cualesquiera ei y e j , i ≠ j; i, j = 1,...,n se dice que:
• ei > e j , significa que el decisor prefiere ei a e j
• ei ∼ e j , significa que el decisor es indiferente entre los eventos ei y e j
• ei > ∼ e j , significa que el decisor prefiere o es indiferente entre los eventos ei y e j
6.4. Axiomas de interés
Axioma 1. Preferencia y transitividad de la misma

Dados dos eventos cualesquiera ei ,e j ∈ E = {e1 ,e2 ,...,en } , i ≠ j , sólo persiste una de las
siguientes situaciones mutuamente excluyentes: ei > e j ; e j > ei ; ei ∼ e j . Más aún, si
ei >∼ e j y e j >∼ ek , entonces ei >∼ ek para cualquier i,j,k, i ≠ j ≠ k .
Axioma 2. Independencia
Un decisor racional es indiferente entre una lotería L (de dos etapas) y una L (de una
etapa) que tiene la misma probabilidad de ocurrencia. Lo anterior indica que lo único que
el interesa a un decisor racional es la probabilidad de los diferentes eventos aleatorios y
no la naturaleza misma de los experimentos.
Axioma 3. Continuidad
Para cualquier evento e j ∈ E , diferente de e1 (el de mayor preferencia) y en (el de menor
preferencia), el decisor racional es indiferente a que ocurra e j con certeza o jugar una
lotería en donde existen solo dos premios e1 y en . En otras palabras, existe una
probabilidad p j , tal que el decisor es indiferente entre una lotería con probabilidad p j de
ganar e1 y probabilidad 1 − p j de ganar en , o simplemente obtener e j con certeza. Se dirá
{ }
entonces que e j es el equivalente cierto para la lotería L = (p j ,e1 );(1 − p j ,en ) . Lo anterior
{
también se denota como e j ∼ (p j ,e1 );(1 − p j ,en ) . }
El equivalente cierto se puede interpretar como la cantidad máxima que un

individuo estaría dispuesto a pagar por evitar un riesgo indeseable o, también, el mínimo
que un individuo aceptaría por vender un riesgo deseable.
Axioma 4.
Considere la lotería de una etapa L = {(p1 ,e1 );...;(pn ,en )} y la de dos etapas dada por
L = {(p1 ,L1 );...;(pn ,Ln )} , donde la probabilidad de obtener e j o L j es la misma, es decir,
p j , para toda j = 1,...,n . Entonces un decisor racional es indiferente entre L y L .
Axioma 5.
Dadas las loterías cualesquiera de n y k etapas respectivamente ( n ≥ 1, k ≥ 1 ), denotadas
por L y L∗ , entonces prevalece uno y sólo uno de los siguientes tres estados mutuamente
excluyentes: L > L∗ ; L < L∗ ; L ∼ L∗ . Además, prevalece la propiedad de transitividad
entre loterías, es decir, si L > L∗ y L∗ > L' , entonces L > L ' .
Axioma 6.
Considere dos loterías La y L b que contienen cada una dos premios (o castigos), e1 y en .
Sea pa la probabilidad asociada a e1 en la lotería La y pb la probabilidad asociada a e1
en la lotería L b . Entonces
La > L b , si pa > pb ; L b > La , si pb > pa ; La ∼ L b , si pa = pb
Se dice que un decisor es racional si su comportamiento de selección de alternativas

respeta los seis axiomas anteriores.
El siguiente resultado de Von Neuman y Morgenstern, es fundamental en el proceso

de decisión cuando la función de consecuencias f (A i ,E j ) para toda A i ∈ A, E j ∈ E , donde
A = {A1 , A 2 ,...,A m } es el conjunto de las alternativas o acciones y E = {E1 ,E2 ,...,En } es el
conjunto de los estados de la naturaleza, es una función de utilidad.
Principio básico de decisión. Un decisor racional selecciona, de un conjunto de

loterías, aquella que maximiza (minimiza) su utilidad esperada, en caso de que los
eventos aleatorios de un experimento sean ganancias (pérdidas).

Considere la lotería L = {(0.2,e1 );(0.4,e2 );(0.1,e3 );(0.17,e4 );(0.13,e5 )} . Suponga que
e2 ∼ {(0.6,e1 );(0.4,e5 )} , e3 ∼ {(0.4,e1 );(0.6,e5 )} , e4 ∼ {(0.2,e1 );(0.8,e5 )} .
a. Obtenga la lotería equivalente L∗ = {(p,e1 );(1 − p,e5 )} .
Respuesta.
L = {(0.2,e1 );0.4 (0.6,e1 );(0.4,e5 );0.1 (0.4,e1 );(0.6,e5 );0.17 (0.2,e1 );(0.8,e5 );(0.13,e5 )}
L = {(0.2,e1 );(0.24,e1 );(0.16,e5 );(0.04,e1 );(0.06,e5 );(0.034,e1 );(0.136,e5 );(0.13,e5 )}
Por lo tanto L∗ = {(0.514,e1 );(0.486,e5 )} .
b. Obtenga la utilidad de cada premio si e1 < e2 < e3 < e4 < e5 .
Respuesta.
De la información suministrada se tiene que
U(e1 ) = 0 , U(e5 ) = 1
U(e2 ) = 0.6U(e1 ) + 0.4U(e5 ) = 0.4
U(e3 ) = 0.4U(e1 ) + 0.6U(e5 ) = 0.6
U(e4 ) = 0.2U(e1 ) + 0.8U(e5 ) = 0.8

Sea el conjunto de sucesos E = {e1 ,e2 ,e3 ,e4 ,e5 } , donde e1 < e2 < e3 < e4 < e5 . Suponga que
e2 ∼ {(0.8,e1 );(0.2,e5 )} ; e3 ∼ {(0.6,e1 );(0.4,e5 )} ; e4 ∼ {(0.2,e1 );(0.8,e5 )}
Encuentre la utilidad de cada premio.
Respuesta.
U(e1 ) = 0 , U(e5 ) = 1
U(e2 ) = 0.8U(e1 ) + 0.2U(e5 ) = 0.2
U(e3 ) = 0.6U(e1 ) + 0.4U(e5 ) = 0.4
U(e4 ) = 0.2U(e1 ) + 0.8U(e5 ) = 0.8
6.5. Ejemplos ilustrativos de aplicación de axiomas

¿Se podrá determinar para qué valor de probabilidad p es indiferente jugar en una lotería
en la que se reciban 100.000 u.m. con probabilidad p y se pierden 100.000 u.m. con
probabilidad 1 − p y una situación en la que se reciben 10.000 u.m. con certeza? ¿Qué
dificultades existen?
Respuesta.
Sea 10.000 u.m. el equivalente cierto de la lotería L = {(p,100.000);(1 − p, −100.000)} . En
tal sentido se establece la relación
U(10.000) = pU(100.000) + (1 − p)U( −100.000) = p
El valor de p dependerá del tipo de decisor al que se le pregunte acerca del valor para el
cual resulta indiferente, por lo tanto no se puede determinar el valor de p sin hacer esa
consulta.

Sean
L1 = {(0.2,e1 );(0.4,e2 );(0.1,e3 );(0.17,e4 );(0.13,e5 )}
L2 = {(0.2,e1 );(0.2,e2 );(0.3,e3 );(0.2,e4 );(0.1,e5 )}
L3 = {(0.1,e1 );(0.3,e2 );(0.2,e3 );(0.1,e4 );(0.3,e5 )}
Se tiene que
e2 ∼ {(0.6,e1 );(0.4,e5 )} , e3 ∼ {(0.4,e1 );(0.6,e5 )} , e4 ∼ {(0.2,e1 );(0.8,e5 )} .
¿Cuál es la lotería que se debe elegir?
Respuesta.
L1 = {(0.2,e1 );0.4 (0.6,e1 );(0.4,e5 );0.1 (0.4,e1 );(0.6,e5 );0.17 (0.2,e1 );(0.8,e5 );(0.13,e5 )}
L1 = {(0.2,e1 );(0.24,e1 );(0.16,e5 );(0.04,e1 );(0.06,e5 );(0.034,e1 );(0.136,e5 );(0.13,e5 )}
Por lo tanto L∗1 = {(0.514,e1 );(0.486,e5 )}
L2 = {(0.2,e1 );0.2 (0.6,e1 );(0.4,e5 );0.3 (0.4,e1 );(0.6,e5 );0.2 (0.2,e1 );(0.8,e5 );(0.1,e5 )}
L2 = {(0.2,e1 );(0.12,e1 );(0.08,e5 );(0.12,e1 );(0.18,e5 );(0.04,e1 );(0.16,e5 );(0.1,e5 )}
Por lo tanto L∗2 = {(0.48,e1 );(0.52,e5 )}
L3 = {(0.1,e1 );0.3 (0.6,e1 );(0.4,e5 );0.2 (0.4,e1 );(0.6,e5 );0.1 (0.2,e1 );(0.8,e5 );(0.3,e5 )}
L3 = {(0.1,e1 );(0.18,e1 );(0.12,e5 );(0.08,e1 );(0.12,e5 );(0.02,e1 );(0.08,e5 );(0.3,e5 )}
Por lo tanto L∗3 = {(0.38,e1 );(0.62,e5 )}
Conclusión.
Si e1 es preferido a e5 , entonces se debe elegir la lotería L1 .
Si e5 es preferido a e1 , entonces se debe elegir la lotería L3 .

Considere la función de utilidad dada por U(e1 ) = 0.8 , U(e2 ) = 0.4 , U(e3 ) = 0.2 .
a. Calcule la utilidad esperada de la lotería L1 = {(0.25,e1 );(0.75,e2 )}
Respuesta.
U(L1 ) = 0,25 × U(e1 ) + 0.75 × U(e2 ) = 0,25 × 0.8 + 0.75 × 0.4 = 0.5
b. Calcule la utilidad esperada de la lotería L2 = {(0.50,L1 );(0.25,e2 );(0.25,e3 )}
Respuesta.
U(L2 ) = 0,50 × U(L1 ) + 0.25 × U(e2 ) + 0.25 × U(e3 ) = 0,5 × 0.5 + 0.25 × 0.4 + 0.25 × 0.2 = 0.4

Un hombre de negocios quiere decidir si emprender o no uno de tres contratos o ninguno.
Los beneficios para cada opción son dados como sigue:
Contrato A Contrato B Contrato C

100.000 0.2 50.000 0.3 40.000 0.4
20.000 0.3 10.000 0.2 10.000 0.1
0 0.2 -10.000 0.5 0 0.2
-30.000 0.3 -10.000 0.3
Sus preferencias están dadas por

50.000 ∼ {(0.9,100.000);(0.1, −30.000)}
40.000 ∼ {(0.8,100.000);(0.2, −30.000)}
20.000 ∼ {(0.6,100.000);(0.4, −30.000)}
10.000 ∼ {(0.5,100.000);(0.5, −30.000)}
0 ∼ {(0.4,100.000);(0.6, −30.000)}
−10.000 ∼ {(0.3,100.000);(0.7, −30.000)}
¿Cuál de los contratos debe elegirse o no tomar ninguno? Use el criterio del valor
esperado monetario y el criterio del valor esperado de la utilidad.
Respuesta.
Criterio del valor esperado monetario

Sean las variables aleatorias:
A: Beneficio obtenido por el contrato A
B: Beneficio obtenido por el contrato B
C: Beneficio obtenido por el contrato C
Criterio del valor esperado monetario
E(A) = 0.2 × 100.000 + 0.3 × 20.000 + 0.2 × 0 − 0.3 × 30.000 = 17.000
E(B) = 0.3 × 50.000 + 0.2 × 10.000 − 0.5 × 10.000 = 12.000
E(C) = 0.4 × 40.000 + 0.1 × 10.000 + 0.2 × 0 − 0.3 × 10.000 = 14.000
Se prefiere al contrato A ya que su valor monetario esperado es mayor
Criterio de la utilidad esperada
U( −30.000) = 0 , U(100.000) = 1
U(50.000) = 0.9 × U(100.000) + 0.1 × U( −30.000) = 0.9
U(40.000) = 0.8 × U(100.000) + 0.2 × U( −30.000) = 0.8
U(20.000) = 0.6 × U(100.000) + 0.4 × U( −30.000) = 0.6
U(10.000) = 0.5 × U(100.000) + 0.5 × U( −30.000) = 0.5
U(0) = 0.4 × U(100.000) + 0.6 × U( −30.000) = 0.4
U( −10.000) = 0.3 × U(100.000) + 0.7 × U( −30.000) = 0.3
Sean las siguientes loterías asociadas a los contratos:
L A = {(0.2,100.000);(0.3,20.000);(0.2,0);(0.3, −30.000)}
L B = {(0.3,50.000);(0.2,10.000);(0.5, −10.000)}
LC = {(0.4,40.000);(0.1,10.000);(0.2,0);(0.3, −10.000)}
Cálculo de la utilidad esperada para cada contrato:
U(L A ) = 0.2 × U(100.000) + 0.3 × U(20.000) + 0.2 × U(0) + 0.3 × U( −30.000)
= 0.2 × 1 + 0.3 × 0.6 + 0.2 × 0.4 + 0.3 × 0 = 0.46
U(L B ) = 0.3 × U(50.000) + 0.2 × U(10.000) + 0.5 × U( −10.000)
= 0.3 × 0.9 + 0.2 × 0.5 + 0.5 × 0.3 = 0.52
U(LC ) = 0.4 × U(40.000) + 0.1 × U(10.000) + 0.2 × U(0) + 0.3 × U( −10.000)
= 0.4 × 0.8 + 0.1 × 0.5 + 0.2 × 0.4 + 0.3 × 0.3 = 0.54
Se prefiere al contrato C ya que su utilidad esperada es mayor

Toma de decisiones bajo incertidumbre

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Toma de decisiones bajo incertidumbre

Cargado por

Copyright:

Formatos disponibles

U.C.A.B.

– Facultad de Ingeniería – Teoría de Toma de Decisiones 1

Teoría de Toma de Decisiones

Clase 03. Jueves 13-05-21

Causas de la incertidumbre en las decisiones empresariales:

3.2. Criterio de dominación

El criterio de dominación implica explorar la posibilidad de que alguna alternativa

Suponga que el objetivo de la UD es llegar a una cita donde se concretará un trabajo

3.3. Criterio de Laplace

Este criterio también es llamado Criterio del Valor Esperado o de la Razón

Suponga que es una decisión en que no se tiene conocimiento acerca de la ocurrencia

Ejemplo de cálculo de la varianza:

0.25 si x = 5, 10, 18, 25

Beneficios Costos Varianza

Se aplica el método de mínima distancia al ideal. Si se trata de una matriz de costos

Ejemplo de cálculo de la norma euclidiana:

Si se trata de una matriz de beneficios se tiene

Criterio de Laplace usando la mediana.

3.4. Criterio Maximax o Minimin

Basado en una visión optimista del futuro, su utilización supone que la

Si en la matriz de retribuciones Vij es el valor asignado al resultado asociado a la

Sea la siguiente tabla de retribuciones

¿Cuál es la decisión óptima si se usa el criterio del máximo optimismo? si:

3.5. Criterio Maximin o Minimax

Basado en una visión muy conservadora, o quizás pesimista del futuro, su

Si en la matriz de retribuciones Vij es el valor asignado al resultado asociado a la

Sea la siguiente tabla de retribuciones

¿Cuál es la decisión óptima si se usa el criterio del máximo pesimismo? si:

Si las alternativas no son mutuamente excluyentes y son divisibles se puede

SOLUCIÓN. B=18.27 A1=0.2898 A2=0 A3=0,0625 A4=0.6477

Alternativas mutuamente excluyentes

SOLUCIÓN. B=15 A1=0 A2=0 A3=0 A4=1

Alternativas no mutuamente excluyentes

SOLUCIÓN. C=19 A1=0.5 A2=0 A3=0 A4=0.5

Alternativas mutuamente excluyentes

SOLUCIÓN. C=21 A1=0 A2=0 A3=1 A4=0

3.6. Criterio de Hurwicz

La aplicación del criterio de Hurwicz permite al decisor establecer un compromiso

La utilización de un índice α , tal que: 0 < α < 1 , en el criterio de Hurwicz, tiene un

Una vez que se ha especificado el valor de α , la aplicación del criterio de Hurwicz

Sea la siguiente tabla de retribuciones

¿Cuál es la decisión óptima si se usa el criterio de Hurwicz? si:

Min Max Beneficios Costos

Beneficio. Conclusión. Se elige A4 si 0 ≤ α ≤ 1

3.7. Criterio de Savage o Arrepentimiento (Minimax)

Basado en la suposición de que el decisor, al seleccionar una alternativa, desea

Sea la siguiente tabla de retribuciones

¿Cuál es la decisión óptima si se usa el criterio del mínimo arrepentimiento? si:

Si las alternativas no son mutuamente excluyentes y divisibles se puede formular

SOLUCIÓN. A=6 A1=0 A2=0 A3=0.6667 A4=0.3333

Alternativas mutuamente excluyentes

SOLUCIÓN. A= 9 A1=0 A2=0 A3=1 A4=0

Alternativas mutuamente excluyentes

SOLUCIÓN. A= 8 A1=0 A2=1 A3=0 A4=0

3.8. Criterio de la máxima distancia al peor valor

En este tipo de criterio el decisor prefiere aquellas alternativas que se encuentren

Sea la siguiente tabla de retribuciones

Si las alternativas no son mutuamente excluyentes y divisibles se puede formular

Alternativas no mutuamente excluyentes

SOLUCIÓN. D=7.4545 A1=0.4830 A2=0 A3=0.4375 A4=0.0795

Alternativas mutuamente excluyentes

SOLUCIÓN. D=4 A1=0 A2=0 A3=1 A4=0

Alternativas no mutuamente excluyentes