UNIDAD 4

UNIDAD 4. TOMA DE DECISIONES EN CONDICIONES DE RIESGO

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
 APUNTES UNIDAD 4
UNIDAD 4. TOMA DE DECISIONES EN CONDICIONES DE RIESGO

4.1 Elementos de probabilidad

Anderson, Sweeney y Williams (2008) definen a la probabilidad como un número que denota la
posibilidad de que suceda determinado evento. El rango de valores que puede tomar la probabilidad
es en una escala de 0 a 1. Los valores cercanos a 0 indican que la probabilidad de que ocurra un
evento es muy poca, mientras que los valores cercanos a 1 indican que es casi seguro que ocurra
determinado evento.

Un experimento puede ser definido como un proceso que genera determinados resultados. Cada
vez que se repita el experimento sólo habrá un resultado posible. Algunos ejemplos sencillos de
experimentos y sus resultados son:
Experimento Resultados del experimento
Lanzar una moneda Cara o cruz
Realizar una llamada de ventas Se realiza la compra o no
Alcanzar el objetivo de producción del día de Se alcanza, no se alcanza
hoy

El espacio muestral es el conjunto de todos los resultados posibles derivados de un experimento.

Por ejemplo:
En el experimento de lanzar una moneda una vez, su espacio muestral sería {cara, cruz}. Otro
ejemplo puede ser la inspección de una pieza terminada y su espacio muestral asociado sería
{pieza defectuosa, pieza no defectuosa}, no podría haber otro resultado posible intermedio desde
un enfoque de calidad.

Es importante considerar que la probabilidad asignada a cada resultado experimental debe estar
entre 0 y 1, inclusive. Además, la suma de las probabilidades de los resultados experimentales debe
ser igual a 1.

Existen diferentes métodos para la asignación de probabilidades, uno de ellos es el conocido como
método clásico.

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
Método clásico
El método clásico es mejor usado cuando todos los resultados experimentales tienen la misma
posibilidad; esto es, si existen n resultados experimentales, la probabilidad asignada a cada
resultado es 1/n.

Por ejemplo, el experimento de lanzar un dado una vez, tendrá como espacio muestral:

{1, 2, 3, 4, 5, 6}, de ahí que n, el número de total de resultados posibles es de 6 y la probabilidad de

que salga cada uno de los resultados sería 1/6, al ser los seis resultados igualmente probables de
salir.

Método de frecuencia relativa

Otro método para asignar probabilidades es el llamado método de frecuencia relativa. Este método
es recomendable cuando existen datos para estimar la proporción de ocasiones en que se
presentarán los resultados si el experimento se repite varias veces.

Por ejemplo, el número de quejas registradas por día durante tres semanas, de 6 días laborables
cada una, es el siguiente:

Número de quejas Número de días:

recibidas resultados de
ocurrencia
0 1
1 3
2 3
3 2
4 4
5 2
6 3
TOTAL: 18

De acuerdo a la tabla anterior, hubo un día en el cual no se recibieron quejas, hubo 3 días en que se
recibió sólo 1 queja, 3 días en que se recibieron 2 quejas y así consecutivamente.

Método subjetivo
Hay otro método de asignación de probabilidades que se conoce como método subjetivo. Este
método se sugiere sea empleado cuando no es posible suponer que todos los resultados de un
experimento sean igualmente posibles y hay carencia de datos importantes. Este método asigna la

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
probabilidad basado en la intuición y la experiencia de la persona, de ahí que depende la persona
es la asignación de la probabilidad.

Un evento de acuerdo a Anderson, Sweeney y Williams (2008), puede ser definido como “una
colección de puntos muestrales”.

La probabilidad de un evento es igual a la suma de las probabilidades de los puntos muestrales que
componen el evento.

La llamada ley de la adición se emplea para determinar la probabilidad de que ocurra por lo menos
un evento o que ocurran ambos. Por ejemplo, si en una colonia de la ciudad de Veracruz se realiza
una encuesta a 100 vecinos para conocer a qué complejo de cines acuden, y las respuestas son: 20
acuden al complejo A, 80 al complejo B 100 y 40 acuden tanto al complejo A como al B, entonces
sus probabilidades asociadas serán:

 Probabilidad de acudir al complejo A: 20/100 = 0.2

 Probabilidad de acudir al complejo B: 80/100 = 0.8
 Probabilidad de acudir a ambos complejos A y B: 0.

De ahí que si la pregunta es, cuál es la probabilidad de seleccionar un vecino de la colonia

encuestada y éste acuda sólo al complejo B, estaría determinada como:

Probabilidad de acudir al complejo A 0.2

MÁS
Probabilidad de acudir al complejo B 0.8
MENOS Probabilidad de acudir a ambos complejos 0.4
La probabilidad buscada entonces es 0.6

Dos eventos mutuamente excluyentes ocurren cuando no tienen puntos muestrales en común.
Cuando se tienen eventos mutuamente excluyentes, la ley de la adición para eventos mutuamente
excluyentes, se determina como:

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
Probabilidad de A y B = Probabilidad de A MÁS Probabilidad de B.

La ley de adición, como se revisó anteriormente, es empleada para obtener la probabilidad de que
suceda un evento u otro. La ley de la multiplicación es empleada para calcular la probabilidad de
que sucedan dos eventos al mismo tiempo. Si estos eventos son independientes, basta con
multiplicar sus probabilidades para obtener la probabilidad. Por ejemplo, la probabilidad de que un
cliente gaste $1,000 en una venta nocturna en determinado establecimiento, es independiente de
la probabilidad de que otro cliente gaste lo mismo.

4.2 Árbol de decisiones

Krajewski (2008) define un árbol de decisiones como:

Un modelo que muestra las alternativas disponibles y consecuencias de cada una para tomar una
decisión.

El modelo está formado por nodos. Estos nodos representan puntos de decisión. De los nodos
surgen ramas, las cuales representan las alternativas. Las ramas que salen de nodos circulares o
debidos al azar (fortuitos), representan los acontecimientos.

Se debe indicar que para cada rama la probabilidad que sale de un nodo fortuito y se puede indicar
como P (E). Las probabilidades de todas las ramas que salen de un nodo fortuito deben sumar 1.0.
El beneficio condicional, esto es, el beneficio de cada posible combinación de alternativa y
acontecimiento, es una probabilidad que se obtiene de la multiplicación de las anteriores.

Ejemplo:

Un gerente trata de decidir si debe construir una instalación pequeña, mediana o grande. La
demanda puede ser baja, promedio o alta, con probabilidades estimadas de 0.25, 0.40 y 0.35,
respectivamente.
Con una instalación pequeña se esperaría ganar un valor presente neto, después de impuestos,
de sólo $18,000 si la demanda es baja. Si la demanda es promedio, se espera que la instalación
pequeña gane $75,000. Si la demanda es alta, cabría esperar que la instalación pequeña ganará
$75,000.
Con una instalación de tamaño mediano se esperaría una pérdida estimada en $25,000 si la
demanda es baja, y una ganancia de $140,000 si la demanda es de magnitud promedio. Si la

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
 demanda es alta, cabría esperar que la instalación de tamaño mediano ganará un valor presente
neto de $150,000.

Finalmente, si se optara por construir una instalación grande y la demanda resultara ser alta, se
esperaría que las ganancias ascendieran a $220,000. Si la demanda resultara ser de magnitud
promedio para la instalación grande, se esperaría que el valor presente neto fuera igual a
$125,000; si la demanda fuera baja, cabría esperar que la instalación perdiera $60,000. Dibujar el
árbol de decisiones correspondiente y determinar qué debe hacer la gerencia para obtener el
beneficio esperado más alto.

Solución: en la siguiente figura se muestra el árbol de decisiones correspondiente. Considerar que

sólo hay una decisión, marcada con un cuadro, con un 1 adentro, de ahí se desprenden todas las
ramas posibles, de acuerdo a las probabilidades dadas. Observar que los nodos son identificados
con un círculo para las diferentes alternativas.

El árbol de decisiones anterior muestra la probabilidad de los acontecimientos y el beneficio para

cada una de las 9 combinaciones de alternativa y acontecimiento.

Para obtener el cálculo de los beneficios esperados se procede de derecha a izquierda.

 Para el nodo de acontecimiento de construir una instalación grande, se calcula como:
(0.25*-60,000) + (0.40*125,000) + (0.35*220,000)
= (-15,000) + (50,000) + (77,000) = 112,000
 Para el nodo de acontecimiento de construir una instalación mediana, se calcula como:

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
 (0.25*-25,000) + (0.40*140,000) + (0.35*150,000)
= (-6,250) + (56,000) + (52,500) = 102,250
 Para el nodo de acontecimiento de construir una instalación pequeña, se calcula como:
(0.25*18,000) + (0.40*75,000) + (0.35*75,000)
= (4,500) + (30,000) + (26,250) = 60,750

Con base en el árbol anterior, en el nodo 1, se toma la decisión de que la ganancia mayor se
encuentra en la opción de construir una instalación grande, con una ganancia de 112,000; por lo
que se coloca el símbolo:

Que indica “corte”, esto es, que se eliminan las opciones que no se considerarán, que en este
caso serán las opciones de construir una instalación mediana y construir una instalación pequeña.

4.3 Criterio de valor monetario esperado (VEM)

El criterio de valor esperado monetario, es el criterio empleado en los árboles de decisiones para
determinar cuál de las diferentes alternativas es la mejor selección, dependiendo de cada estado de
la naturaleza. Taha (2012) menciona que el criterio del valor esperado monetario busca maximizar
la utilidad esperada o la minimización del costo esperado; donde los datos del problema suponen
determinada retribución o costo asociados con cada alternativa probabilística disponible.

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
Por ejemplo:

Si un inversionista tiene dos opciones de negocio para elegir: un restaurante de comida rápida
o un restaurante de comida vegetariana en una ciudad donde empieza a observarse
preocupación por la salud, en cuál negocio debería de invertir, si su analista le da la siguiente
información respecto a los diferentes escenarios (estados de naturaleza):

Tipo de negocio Escenario pesimista Escenario realista Escenario positivista

Restaurante de comida 0.30 (-2,500) 0.35 10,000 0.35 35,000
rápida
Restaurante de comida 0.20 (-1,500) 0.40 8,000 0.40 55,000
vegetariana

Usando el método del valor esperado monetario, se deben realizar los siguientes cálculos:
VEM ( Restaurante de comida rápida) = (0.30)(-2,500) + (0.35)(10,000) + (0.35) (35,000)
= (-750) + 3,500 + 12,250 = 15,000

VEM ( Restaurante de comida vegetariana) = (0.20)(-1,500) + (0.40)(8,000) + (0.40) (55,000)

= (-300) + 3,200 + 22,000 = 24,900

Dado que el mayor valor esperado monetario es el de 24,900; se debe invertir en la alternativa
del restaurante de comida vegetariana.

4.4 Inferencia estadística

La inferencia estadística tiene como objetivo inferir el modelo probabilístico que han generado un
conjunto de datos, dadas las frecuencias observadas de una variable. La frecuencia es el número de
veces en que se repite un dato, inferir se refiere a suponer cuál será el comportamiento de una
variable determinada con base en su comportamiento pasado.

Por ejemplo, el número de comensales que asisten a un restaurante de comida rápida, sería la
variable aleatoria, es aleatoria porque el número cambia y se usa la inferencia estadística para
determinar cuántos clientes asistirán en el futuro con base en la información del número de
comensales que han asistido anteriormente.

Peña (2014) menciona que los procedimientos de inferencia estadística se pueden clasificar con
base en su objeto de estudio, en el método utilizado y en la información usada.

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
Los diferentes objetivos de estudio pueden ser:

Describir
• El objetivo es describir una variable o las relaciones entre variables; para ello se
emplean técnicas de muestreo.

Contrastar
• El objetivo es comparar las relaciones existentes entre las variables caso de
estudio.

Predecir
• El objetivo es determinar el comportamiento futuro de las variables caso de
estudio; para ello se puede usar el diseño experimental que consiste en fijar los
valores de ciertas variables y medir los resultados que se generan en otras
variables afectadas.

Los diferentes métodos utilizados se clasifican en:

 Métodos paramétricos. Los métodos paramétricos se basan en el supuesto de poder inferir

a partir de pocos parámetros.
 Métodos no paramétricos. Se puede inferir sólo de manera general los aspectos del
comportamiento de las variables caso de estudio.

Los enfoques usados para los tipos de información que se pueden considerar son:

Enfoque clásico Enfoque bayesiano

•El enfoque clásico toma los parámetros
empleados como cantidades fijas con
información nula, de ahí que la inferencia
emplea solamente la información
obtenida de la muestra.
•El enfoque bayesiano toma los
parámetros empleados como variables
aleatorias. Existe información inicial
derivada de la distribución de
probabilidad que se asemeje a los datos.

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
De manera general en la inferencia estadística se estudia primero la distribución de una variable
considerando una muestra (donde la muestra es una parte de la población y la población es el total
de los datos objeto de estudio); se comprueba si x determina el comportamiento de y, a través de
asignar diferentes valores a x, usando tanto métodos paramétricos como métodos no paramétricos.

Peña (2014) define a la población como un “conjunto homogéneo de elementos en los que se
estudia una característica” determinada. Mientras que la muestra es un conjunto representativo de
la población. La necesidad de estudiar una muestra en lugar de estudiar toda la población, se debe
a las siguientes razones:

Para el caso de pruebas Desde el punto de vista

destructivas, no sería
posible estudiar todos
los elementos que
constituyen la
población
Desde el punto de vista
Los elementos de la de la limitante del
económico puede ser
población existen tiempo puede ser una
una restricción estudiar
conceptualmente pero restricción estudiar
todos los elementos de
no en la realidad todos los elementos de
la población
la población

Lo relevante de tomar una muestra es el procedimiento de muestreo empleado, el cual debe

garantizar representatividad de la población, por lo que se deben considerar cuáles son las posibles
diferencias que existen dentro de la población, como puede ser la distancia, el género, la edad, la
región, entre otros.

Existen diferentes tipos de muestreo:

 Simple
Un muestreo es aleatorio simple cuando la población es idéntica en todas las extracciones
de la muestra, de manera tal que se reemplaza el elemento que se fue hacia la muestra. En
este tipo de muestreo la muestra se selecciona usando números aleatorios.
 Estratificado
Los elementos de la población se dividen en clases o estratos. De cada estrato se deben
seleccionar elementos. Este tipo de muestreo es ideal cuando hay grandes diferencias entre
los estratos y menor diferencia de manera interna.
 Conglomerados
Cuando no se conocen los estratos, ni se tiene una lista con el número de elementos de la
población, se emplea el muestreo por conglomerados, respecto de los cuales sí se conoce

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
 su número. Este tipo de muestreo es ideal cuando hay pocas diferencias entre los estratos
y mayor diferencia de manera interna.
 Sistemático
Este tipo de muestreo se aplica cuando los elementos están formados en listas. La muestra
sistemática se elige empezando por una posición aleatoria y después se eligen cada k
(aleatoria) posiciones los otros elementos de la muestra.

4.5 Simulación: Método Montecarlo

Heizer y Render (2008) definen la simulación como un “intento de reproducir los rasgos, aspectos y
características de un sistema real”, buscando predecir comportamientos.

Algunas de las aplicaciones de la simulación pueden ser: layout de plantas, inversiones de capital,
programación de la producción, planificación del personal, balance de líneas de montaje,
planificación y control de inventarios, entre otros.

La simulación busca:
 Replicar, a través de una representación matemática, una situación real.
 Analizar sus propiedades y características operativas.
 Obtener conclusiones y tomar de decisiones basados en los resultados de la simulación.

Si una situación real tiene elementos con valores que presentan aleatoriedad, es posible aplicar el
Método de Monte Carlo de simulación. El Método de Monte Carlo tiene como fundamento la
experimentación sobre los elementos probabilísticos a través de un proceso aleatorio.

El Método de Monte Carlo sigue el siguiente proceso:

Establecer una Construir una Establecer un

distribución de distribución de intervalo de Generar
Simular el
probabilidad probabilidad números números
experimento
para las variables acumulada para aleatorios para aleatorios
relevantes cada variable cada variable

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
 1. Establecer una distribución de probabilidad para las variables relevantes
Una de las maneras sencillas de establecer una distribución de probabilidad para
determinada variable, es usando los datos históricos de la misma.
2. Construir una distribución de probabilidad acumulada para cada variable
Dependiendo de la frecuencia de los datos históricos se construye una tabla de
frecuencias relativas, dividiendo la frecuencia (número de veces en que aparece el
dato) entre el número total de datos históricos.
3. Establecer un intervalo de números aleatorios para cada variable
Se deben crear intervalos de números aleatorios, donde cada intervalo represente a
cada variable que aparezca en la simulación.
4. Generar números aleatorios
Para generar los números aleatorios, en el caso de que no se requieran mucho se
puede usar una tabla de números aleatorios, cuando se requieren muchos números
aleatorios se puede usar la función de Excel: aleatorio.entre.
5. Simular el experimento
Se realiza la simulación de los resultados del experimento, seleccionando números
aleatorios.

Ejemplo: el número de accidentes automovilísticos que, ocurren en una determinada ciudad

registrados durante los últimos 100 días, de acuerdo a los datos históricos es el siguiente:

Número de accidentes Frecuencia

automovilísticos
0 20
1 30
2 30
3 10
4 10

De acuerdo a la tabla anterior, en los últimos 100 días, hubo 20 de ellos en los que no se
registraron accidentes automovilísticos, 30 días en los cuales se registró 1 accidente, 30 días
donde 2 accidentes ocurrieron, y así sucesivamente.

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
Paso 1. Establecer una distribución de probabilidad para las variables relevantes

(1) (2) (3)

Número de accidentes Frecuencia Probabilidad de ocurrencia
automovilísticos
0 20 20/100 = 0.2
1 30 30/100 = 0.3
2 30 30/100 = 0.3
3 10 10/100 = 0.1
4 10 10/100 = 0.1
TOTAL 120 120/100= 1

Se divide cada dato de la columna (2) de frecuencia entre el total de datos. Los resultados se
encuentran reflejados en la columna (3) de probabilidad de ocurrencia.

Paso 2. Construir una distribución de probabilidad acumulada para cada variable.

(1) (2) (3) (4)

Número de accidentes Frecuencia Probabilidad de Probabilidad
automovilísticos ocurrencia acumulada
0 20 20/100 = 0.2 0.2
1 30 30/100 = 0.3 0.5
2 30 30/100 = 0.3 0.8
3 10 10/100 = 0.1 0.9
4 10 10/100 = 0.1 1.00
TOTAL 100 100/100= 1

Se construye la columna (4) de probabilidad acumulada, tomando el valor de la probabilidad

calculada en la primera fila, que en este caso es 0.2, para el siguiente renglón se suma la probabilidad
de arriba más la probabilidad del segundo renglón, esto, es 0.2+0.3, cuyo resultado es 0.5. Se realiza
el mismo procedimiento hasta terminar con todos los renglones.

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
Paso 3. Establecer un intervalo de números aleatorios para cada variable
Se puede decidir usar cien números aleatorios, y dependiendo la probabilidad de ocurrencia asignar
tantos números como su probabilidad de ocurrencia corresponda; por ejemplo, la probabilidad de
ocurrencia para cero accidentes automovilísticos es del 20%, por lo tanto se asignan los primeros
veinte números, que sería del 1 al 20; para la probabilidad de ocurrencia de un accidente
automovilístico del 30%, se asignarán 30 números, que serían del 21 al 50, y así sucesivamente.

En la siguiente tabla se muestra la asignación para cada número de accidentes automovilístico.

Número de accidentes Probabilidad de Probabilidad Números

automovilísticos ocurrencia acumulada aleatorios
0 0.2 0.2 1 a 20
1 0.3 0.5 21 a 50
2 0.3 0.8 51 a 80
3 0.1 0.9 81 a 90
4 0.1 1.00 91 a 100

Paso 4. Generar números aleatorios.

Se empleará la función de Excel, “aleatorio.entre” para la generación de números aleatorios. Para
esta función se debe especificar entre cuáles números tomará el aleatorio, en el caso de este
ejemplo será: aleatorio.entre (1,100).

Paso 5. Simular el experimento.

Usando la función de Excel aleatorio.entre se simulará el número de accidentes para los próximos
diez días, los resultados simulados fueron: 19, 9, 84, 22, 75, 13, 67, 91, 10 y 34.

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
El número de accidentes que corresponde a cada simulación es:

Número aleatorio 19 9 84 22 75 13 67 91 10 34
Número accidentes 0 0 3 1 2 0 2 4 0 1
simulado
correspondiente

A continuación se escribe la tabla correspondiente con la simulación anterior:

Número de Frecuencia Probabilidad de Probabilidad

accidentes ocurrencia acumulada
automovilísticos
simulados

0 4 4/10 = 0.4 0.4

1 2 2/10 = 0.2 0.6
2 2 2/10 = 0.2 0.8
3 1 1/100 = 0.1 0.9
4 1 1/100 = 0.1 1.00
TOTAL 10 10/10= 1

Con esta información se espera que para los próximos diez días se registren cero accidentes en
alrededor de cuatro días, un accidente en alrededor de 2 días, dos accidentes en alrededor de 2 días
y así sucesivamente.

Esta es una simulación que puede ser aplicada para estudios con pocas variables y a escala pequeña.

Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.