Analisis de Decisiones

INVESTIGACIÓN OPERATIVA
Capítulo X
Análisis de decisiones
Decidir ¿es algo difícil?

Según el diccionario de la real academia española decisión es: Determinación,
resolución que se toma o se da en una cosa dudosa.
En numerosas ocasiones elegimos una entre varias opciones: vacío, o costillas situación
agradable por cierto cuando nos encontramos en una reunión informal, sin embargo no
siempre tenemos opciones tan gratificantes sobre todo cuando las consecuencias de
nuestras elecciones pueden ser catastróficas para nuestras organizaciones.
El objetivo de este capítulo es analizar métodos racionales que nos permitan tomar las
mejores decisiones y por sobretodo minimizar los riesgos que toda decisión conlleva.
Los temas que desarrollaremos en el presente capítulo son los siguientes
CAPITULO X: TEORÍA DE DECISIONES

Tema A:
X.A.1.Introducción.
X.A.2.Decisiones bajo condiciones de certeza.
X.A.3.Decisiones bajo condiciones de riesgo.
Tema B:
X.B.1.Matriz de pagos.
X.B.2.Decisiones bajo condiciones de incertidumbre, criterios: maximín, maximax, de
Hurwicz, de arrepentimiento, de Laplace.
X.B.3. Árbol de decisión.
Tema C:
X.C.1.Decisiones bajo condiciones de riesgo con experimentación: distribución a priori,
distribución a posteriori, procedimiento de Bayes.
Tema D:
X.D.1Teoría de la utilidad de Von Neumann.
Se pretende que el alumno, se introduzca en la temática, de vital importancia para las

organizaciones y pueda interrelacionarse adecuadamente con ambientes de trabajo
interdisciplinarios
Comenzaremos a los efectos de iniciar la unidad con un problema
1) Un día Fernando iba del trabajo a su casa cuando recordó que era su aniversario. ¿O
era el día siguiente? Como no estaba seguro comenzó a explorar las posibilidades:
a) Si compra flores para su esposa y hoy es el aniversario, todo estará muy bien.
b) Si compra flores y mañana es el aniversario, parecerá un poco tonto pero todavía está
bien.
c) Si no compra flores y mañana es el aniversario, todo queda neutral.
d) Si no compra flores y hoy es el aniversario tendrá que dormir en el patio.
¿Qué debe hacer Fernando?
Construir la matriz de pagos
Ing. Fernando Martín 1 Análisis de decisiones

Imagine antes de seguir leyendo y pasar a la carilla escribir una hipótesis y / o esquema
mental para resolver el problema, determine que situaciones están dentro de órbita de
control es decir Fernando, puede optar por una u otra y cuáles no.
Ahora razonemos ¿puede elegir comprar o no? Efectivamente lo puede hacer debido a
que puede controlar esta situación y optar por una u otra, a esto le denominamos
formalmente decisiones.
Lo que no puede elegir debido a su mala memoria, es si el aniversario es hoy o mañana,
no puede optar muy que le pese por una u otra, denominaremos a estas situaciones
estados de la naturaleza o eventos.
Como ocurre en la toma decisiones es imposible evitar las consecuencias, en definitiva
el objeto de estudio de la presente unidad, es valga la redundancia el análisis decisiones
Veremos la vinculación entre toma de decisiones, estados de la naturaleza y
consecuencias
Asumamos que a la mejor combinación entre decisión tomada y evento la califiquemos
con E (Excelente o 10), una situación intermedia B (Buena, o 5).
Efecto nulo I (Indiferente 0) ; M (Mala , - 5)
Presentaremos a continuación la matriz de decisiones que vincula a todos los parámetros
en cuestión
Para ello respetando convenciones aceptadas en la siguiente matriz escribimos en las
filas para las decisiones, las columnas para los eventos o estados de la naturaleza, y en
la intersección fila columna el resultado como consecuencia de una decisión y un
evento, generalmente puede expresarse el resultado con letras Excelente, muy bueno
etc. O con números, generalmente como veremos es el resultado económico o
financiero.
Veamos una forma de expresar los datos anteriores
También lo podemos expresar en forma numérica

Dada la matriz de decisiones ahora veremos criterios para optar por una decisión u otra.
Obviamente usted puede elaborar otra matriz totalmente distinta, porque por supuesto
aquí dada la naturaleza del problema, entran a jugar la susceptibilidad y la forma de ver
el mundo de cada persona.
Vamos ahora si para introducirnos en tema un problema que utilizaremos e referencia,
para analizar los distintos tipos de criterios.
2) Un propietario de una tienda de equipos deportivos debe decidir cuantos equipos

debe pedir para la próxima temporada: Si pide 100 su costo es de 10 $ la unidad, si pide
200 el costo unitario es de 9 $ / unidad y si pide 300 más el costo es 8,5 $ / unidad. El
precio de venta es de es de 12 $ cada uno; pero si algunos quedan sin vender al final de
la temporada estas unidades deben venderse a la mitad de precio. El costo de
oportunidad o ruptura es de 0,5 $ / unidad
Por sencillez analizar el los casos en que la demanda es de 100, 150 y 200 unidades. El
pedido se debe realizar ahora para la próxima estación .Construir la matriz de pagos. En
virtud de la misma ¿Qué le sugiere al propietario?
Construiremos la matriz de resultados con los datos del problema anterior,

consignaremos las utilidades en este caso. Para el cálculo del beneficio neto tendremos
en cuenta que para cada nivel de pedido tendremos en cuenta las demandas posibles es
de 100, 150 y 200 unidades.
Utilizaremos la siguiente nomenclatura
Utilidad (de ahora en más) Ganancia = G
Ingresos por venta Iv
Costo de compra = Cc
Costo de ruptura = Cr
Ingresos por vender fuera de temporada Ir
Demanda = D
La ecuación para hallar la ganancia
G = Iv –Cc + Ir -Cr
Acción a1 pedir 100 unidades

Demanda 100 unidades G = Iv – Cc + Ir =100*12-100*10 =200
Demanda 150 unidades G = Iv – Cc - Cr =100*12-100*10 – 0,5 *50 = 175
Nota 0,5 *50 representa el costo de ruptura u oportunidad es decir lo que dejamos de
ganar por no tener
Demanda 200 unidades G = Iv – Cc - Cr =100*12-100*10 – 0,5 *100 =
150
Demanda 100 unidades G = Iv –Cc + Ir =100*12-200*9 + 100*6 =0

100* 6 es el ingreso por vender el exceso de 50 unidades a mitad de precio (6)
Demanda 150 unidades G = Iv –Cc + Ir =150*12-200*9 + 50 * 6 = 300
Demanda 200 unidades G = Iv –Cc + Ir =200*12-200*9 = 600

Demanda 100 unidades G = Iv –Cc + Ir =100*12-300*8,5 + 200*6 = - 150
Demanda 150 unidades G = Iv –Cc + Ir =150*12-300*8,5 + 150 * 6 = 150
Demanda 200 unidades G = Iv –Cc + Ir =200*12-300*8,5 + 100 * 6 = 450
Sintetizando los resultados en una tabla, obtenemos la matriz de resultados, este caso
expresado como matriz de ganancias
Recordemos que por convención las acciones también denominadas decisiones o

estrategias, se indican en las filas y los eventos o estados de la naturaleza se consignan
en columnas.
Criterios de elección hay dos tipos
A Criterios de no probabilísticos de elección

B Criterios probabilísticos de elección
A Criterios de no probabilísticos de elección
En este tipo de situación se caracteriza por la ignorancia completa de cualquier tipo de

distribución de probabilidad de los estados de la naturaleza, es decir puede existir la
distribución pero el tomador de decisiones la desconoce, en este caso no las tenemos en
cuenta.
1) Dominación: estrategias dominadas

La dominación expresa si para una acción dada independientemente del estado de la
naturaleza, la consecuencia siempre es peor que para otra decisión, entonces se dice que
es dominada y debe descartarse
En nuestro caso si observamos a3 y la comparamos con a2 -150 es peor que 0, 150 es
peor que 300, y 450 son peor que 600, concluimos que a3 es dominada por a2 y la
descartamos
La matriz de resultados nos quedaría
Este principio no es una manera de seleccionar una acción o estrategia, sino más bien
una forma de eliminar las decisiones que no vamos nunca a elegir independientemente
del estado de la naturaleza
2) Criterio minimáx o maximín.

Se denomina MAXIMÍN cuando trabajamos con una matriz de beneficio y MINIMÁX
cuando es una de costos o pérdidas.
También se la llama criterio del pesimismo presentado por Abraham Wald y se basa en
escoger “lo mejor de lo peor”
Buscamos en la matriz en cada fila los peores resultados es decir los peores beneficios
posibles y los anotamos

Y luego entre todas las filas buscamos el mejor de los mínimos, al cual denominamos
maximín
Supongamos una matriz de costos
De cada fila elegimos el peor costo es decir el más alto, y de ellos elegimos el menor, de
allí su nombre minimáx.
El criterio maximín o minimáx parten del supuesto que la naturaleza es malevolente y
por tanto para cada acción ocurrirá lo peor.
3) Criterio de Leonid Hurwicz
Hurwicz premio Nobel de Economía en 2008, cuya historia recomiendo leer aunque
más no sea por google, establece un criterio intermedio entre los dos anteriores que son
demasiado pesimistas, definiendo un índice de optimismo α que cuando α = 1 nos
indica que somos un en extremo optimistas y por lo contrario totalmente pesimista
cuando

α=0
α es también un valor que puede estimar el nivel de confianza de cuánto creemos en la
información suministrada, es decir si no confiamos mucho en la fuente de la misma
elegimos α muy bajo cercano a cero y todo lo contrario si la que tenemos es muy buena
Establece la siguiente ecuación si estamos frente a una matriz de beneficio, para cada
fila:
Mayor G = α Gmáx + ( 1 – α ) G mín luego de todas las fila elegimos el que nos da
mayor G
1
Supongamos que elegimos un α = es decir de alguna forma pesimista.
3
Haremos algo similar con la matriz de costos, aquí la ecuación de decisión será:
Mínimo C = α Cmín + ( 1- α ) Cmáx
Supongamos la matriz de costos, ya analizada anteriormente

Según la tabla anterior deberíamos elegir la primera acción a1
Veamos las ecuaciones
Elegimos el máximo entre todas las G = α Gmáx + ( 1 – α ) G mín

Si α = 0, pesimismo total significa que elegimos lo mejor de lo peor, coincidente con el
criterio de Wald analizado
Si α = 1 optimismo total, significa que elegimos lo mejor de lo mejor sería un maximáx
Elegimos el mínimo entre todas las C = α Cmín + ( 1- α ) Cmáx

Si α = 0, pesimismo total significa que elegimos el menor de lo peor, coincidente con el
criterio de Wald analizado minimáx
Si α = 1 optimismo total, significa que elegimos lo mejor de lo mejor sería un minimín
Elegimos la acción de menor costo entre todas las de menor costo.
Demás está decir que el método está cuestionado por los siguientes motivos
a) por la subjetividad de elegir un valor específico de α.
b) Ignorar las consecuencias intermedias para cada acción cuando existen más de
dos eventos.
4) Criterio de deploración, pesar o de arrepentimiento desarrollado por

Leonard Savage.
Este método intenta medir cual será el pesar de un tomador de decisiones por tomar la
decisión equivocada.
El criterio minimáx o maximín es extremadamente conservador e inclusive puede llevar
a vece a conclusiones ilógicas.
Consideremos la siguiente matriz de costos
θ1 θ2 Máximo
costo
a1 1100 100 1100

a2 1000 1000 1000 1000 minimáx
Aplicando el criterio minimáx deberíamos optar por a 2 , pero intuitivamente un tomador

de decisiones es probable que opte por a1 independientemente si ocurre θ1 o θ2
Intente el lector hallar un argumento a la afirmación anterior.
Savage señalaba de que después de tomar una decisión y de lo que había ocurrido un
evento el tomador de decisión puede experimentar pesar debido a que conoce que
evento fue el que finalmente ocurrió y de haber tomado la decisión errada desearía
haber tomado una decisión distinta.
El criterio de Savage requiere del desarrollo de una matriz de pesar o de pérdida de
oportunidad y el tomador de decisiones debería intentar minimizar su pesar máximo.
Recordando la matriz de pagos del ejemplo original
Concentrémonos en una parte de la matriz
Observemos que si ocurriera θ1 sería obviamente elegir a1, si eligiera a2 tendríamos un

costo de oportunidad, es decir dejaríamos de ganar 200 $ por tomar la decisión
equivocada
Para ello analizamos columna por columna cuanto dejaríamos de ganar o cual es el
pesar, si se toma la decisión errónea
En la intersección de a1 y θ1 colocamos el cero que es nuestro costo de oportunidad dado
que hicimos la mejor opción
Continuando con nuestro ejemplo para el evento θ1

Continuando con nuestro ejemplo para el evento θ 2 apreciamos que si se adopta la
decisión a1 y ocurre θ2 ocurre lo contrario dejamos de ganar 300-175 = 125, y viceversa
si tomamos a2 y ocurre θ2 no tendremos costo de oportunidad ya que se tomó la mejor
decisión Haciendo un análisis con θ3
Haciendo un análisis con θ3 la tabla definitiva nos queda
Se puede apreciar que si bien la matriz original es de beneficio, la última obtenida es de

costo de oportunidad por lo tanto, debe tratársela como tal y aplicamos el criterio
minimáx (elegimos por cada fila los costos más altos y luego la fila que nos dé el menor
de los mínimos
En este caso optaríamos por a2 apartándonos del criterio de Wald

Trabajando con la matriz de costo que tomamos

Ahora a realizar el proceso inverso, también tendrá su matriz de pesar por lo que
aplicamos el criterio de matriz de costo (minimáx)
Denominando en forma genérica r ( ai ; θj ) a cualquier coeficiente de la matriz de

beneficio o de pesar podemos inferir las siguientes ecuaciones
Matriz de beneficio r ( ai ; θj ) = máx G ( ai ; θj ) – G ( ai ; θj )
Matriz de costo r ( ai ; θj ) = C ( ai ; θj ) – mín ( ai ; θj )
Hasta ahora hemos desarrollado criterios no probabilísticos.

B Criterios probabilísticos de elección
Si bien trabajar con situaciones de certeza es más cómodo para las personas, a veces
esto no es lo que acontece y aquí es donde debemos desarrollar métodos que nos
permitan administrar con incertidumbre, es por tanto incluir las probabilidades.
Aquí cada evento o estado de la naturaleza tendrá una probabilidad de ocurrencia y que
cada evento es mutuamente excluyente, es decir la ocurrencia de uno de ellos evita la
posibilidad de que suceda cualquier otro, asimismo decimos que los eventos son
colectivamente exhaustivos es decir describen todos los eventos que pueden ocurrir.
Si los eventos son mutuamente excluyentes y colectivamente exhaustivos la suma de
probabilidades debe ser igual a uno.
Para obtener probabilidades necesitamos obviamente una historia del pasado. Si
podemos disponer de ella, podemos construir una tabla de frecuencias relativas; siempre
teniendo presente que no siempre el futuro es igual al pasado, pero como veremos
aunque así sea, siempre es bueno tener alguna referencia aunque sea histórica que tomar
decisiones a “ciegas”, o peor aún basadas en apreciaciones personales contaminadas por
las subjetividades de cada persona, las cuales no carecen de irracionalidad.
Teniendo posibilidades de estimar una media, si disponemos de una varianza pequeña la

probabilidad que la media se acerque a la esperanza, o valor esperado será grande. Esto
significa ventajoso un criterio que maximice el valor esperado del beneficio o del costo
1) Criterio de la razón de insuficiente: criterio de Laplace
En este criterio se asume que se desconocen las probabilidades de ocurrencia de cada

evento, situación que acontece cuando se lanza un producto o servicio al mercado en el
cual la organización no tiene experiencia.
En este caso una primera aproximación es asignarle a cada evento la misma
probabilidad de ocurrencia, si fueran dos evento cada una de las probabilidades sería ½,
si fueran tres 1/3, y así sucesivamente.
Recordando de estadística el concepto de esperanza matemática E ( x ) = ∑ xi * p (xi )
Tomaremos nuestro ejemplo original de los equipos deportivos

Tenemos tres eventos por lo tanto la probabilidad de ocurrencia de cada uno es 1/3
Simbólicamente p ( θ1 ) = p ( θ2 ) = p ( θ3 ) = 1/3
De ahora denominamos VE ( ai ) valor esperado de una acción.
Valor esperado de la acción a1: VE ( a1 ) = 200* 1/3 + 175 * 1/ 3 + 150 *1/3 = $ 175
Valor esperado de la acción a2: VE ( a2 ) = 0 * 1/3 + 300 * 1/ 3 + 600 *1/3 = $ 300
El máximo valor esperado lo expresado máx. VE = 300 , es decir con este criterio nos
inclinamos por la acción 2 (a2)
2) Criterio de maximización del Valor Esperado ( MVE )
Partimos de la premisa que disponemos de información sobre la historia reciente, con la

que podemos construir una tabla de frecuencias relativas, excluyendo períodos o años
atípicos por desastre naturales, epidemias u otras causas.
a) Volviendo al párrafo anterior si podemos construir tablas de frecuencias relativas
con una cantidad significativa de datos podríamos asociar a cada evento una
probabilidad de ocurrencia, teniendo en cuenta claro está que los fenómenos son
como mencionamos: los eventos son mutuamente excluyentes y colectivamente
exhaustivos la suma de probabilidades debe ser igual a uno.
b) Calcular el Valor Esperado de cada acción aplicando la ecuación de la esperanza
matemática E ( x ) = ∑ xi * p (xi ), ya sea para matrices de beneficio como de costos
c) Elegir aquella acción que de él mejor Valor esperado
Supongamos para el ejemplo de referencia (artículos deportivos) que obtengamos la
siguiente información
Dicha información podría provenir de los eventos de los últimos 10 años: 5 de los
cuales tuvimos una demanda de 100 unidades (θ 1); 3 una demanda de 150 unidades (θ 2)
y en dos una demanda de 200 (θ3)
Evento Probabilidad
θ1 p (θ1) = 0,5
θ2 p (θ2) = 0,3
θ3 p (θ3) = 0,2
∑ p ( θj ) = 1
La matriz original nos quedaría:

Calculamos los valores esperados:
VE ( a1 )= 200 * 0,5 +175 * 0,3 + 150 * 0,2 = 182,5 $

VE ( a2 ) = 0* 0,5 + 300 * 0,3 + 600 * 0,2 = 210 $
Como vemos la mejor opción es la acción a2 es decir comprar 200 unidades.
Hay que tener en cuenta, que la esperanza matemática es tan solo un indicador para
orientarnos para tomar decisiones que obviamente son a futuro, cuando el futuro se hace
presente ocurrirá cualquiera de los valores de la matriz: 200, 175 , 150, 0 , 300, 600
Observe otra característica, además de hallar los valores esperados, y sin necesidad de
hacer cálculos podemos apreciar que la acción a2 tiene mayor varianza y por ende
mayor desviación estándar, lo que implica indirectamente que es mucho más riesgosa
que a1.
Bienvenidos al mundo real, las decisiones más rentables son en general más riesgosas
son en general (salvo prestar dinero al estado argentino, en determinado contexto, por
ejemplo cuando el dólar está “quieto”)
3) Minimización de la pérdida esperada de oportunidad ( PEO )

Partimos de la matriz de pesar de Savage y minimizamos el valor esperado de cada
pérdida
PEO ( a1 ) = 0 * 0,5 + 125 * 0,3 + 450* 0,2 = 127,5 $

PEO ( a2 ) = 200 * 0,5 + 0 * 0,3 + 0* 0,2 = 100 $
Debemos escoger con este criterio la acción a2 ya que minimiza la pérdida esperada de
oportunidad, este criterio nos da una acción que paradójicamente coincide con la que
brinda el MVE.
Valor esperado de la información perfecta ( VEIP )

Este estudio más que un criterio de selección de alternativas permite estimar el valor de
la información.
Supongamos que el propietario de la tienda de equipos deportivos desea realizar un
estudio de mercado para poseer información adicional para la próxima temporada, la
pregunta que le cabe contestar cuál es el valor que puede pagar por dicho estudio que en
el fondo es información sobre el futuro, pero que hay que pagar ¡HOY!
¿Cuánto vale la información hoy sobre alguna situación que ocurrirá en el futuro? Esta
repuesta no es fácil de contestar, es por ello buscaremos INDICADORES porque no son
solo más que esto que nos orienten al respecto, es decir cuánto podemos pagar por la
información.
Definimos a continuación el Valor esperado de la ganancia que obtendríamos la
información perfecta en el momento de tomar la decisión.
Para ello partimos de la matriz original y marcamos en la misma las intersecciones filas
y columnas óptimas, es decir dado un evento θj cualquiera, la decisión que tomaríamos
si supiéramos de antemano que va ocurrir
Demanda
θ1 θ2 θ3
Acciones D = 100 D = 150 D = 200
a1 pedir 100 unidades 200 º 175 150
a2 pedir 200 unidades 0 300 º 600 º
La ganancia esperada con información perfecta: GEIP

Significa que el 50 %, es el porcentaje de las veces esperamos que ocurra θ 1 y por tanto
elegiremos a1 , el 30 % de las veces ocurrirá θ2 y por lo tanto ese porcentaje de veces
elegiremos a2 y así sucesivamente.
GEIP = 200 * 0,5 + 300 * 0,3 + 0,2 * 600 = 310
Este valor nos indica cuanto esperaríamos ganar si supiéramos con antelación que va a
ocurrir, es decir con INFORMACIÓN PERFECTA.
Siguiendo esta línea de razonamiento argumentaríamos que si MVE el máximo valor
esperado de una decisión es lo que ganaríamos sin información, podemos definir lo que
se conoce como el valor esperado con información perfecta VEIP
VEIP = GEIP – MVE

En nuestro ejemplo de referencia, remplazando
VEIP = 310 $ - 210 $ =100 $
En eta situación que deberíamos pagar utópicamente la información suponiendo
que la misma es perfecta, situación inexistente en el mundo real.
Este valor nos orienta, el VEIP es un valor generalmente muy elevado y por supuesto el
máximo valor a pagar es totalmente subjetivo para cada tomador de decisiones, algunos
no están dispuesto a pagar más del 5 % del mismo, otros un poco más. En general no
hay reglas fijas para determinar un valor preciso de la información.
Es importante observar que el valor numérico del VEIP coincide con la mínima pérdida
esperada de oportunidad PEO (a2) = 100 $, por lo que a PEO se lo conoce como “costo
de la incertidumbre”
Este término enfatiza el costo de tomar la mejor decisión bajo incertidumbre, de allí la
importancia del valor de la información.

Análisis de sensibilidad
Una de las tareas más difíciles en la toma de decisiones, es la asignación de

probabilidades, o en otros términos cuáles serían las probabilidades para que optemos
por una decisión u otra.
En el ejemplo tomado como referencia
Evento Probabilidad
θ1 p (θ1) = 0,5
θ2 p (θ2) = 0,3
θ3 p (θ3) = 0,2
∑ p ( θj ) = 1
Amén de los criterios analizados, alguien podría pensar que dadas las probabilidades
puestas en juego, pensaría que θ1 es lejos el evento con mayor probabilidad de
ocurrencia y se prepare para actuar en consecuencia, es decir tomar la decisión a 1que
como ya vimos es más segura que a2, para los valores de probabilidad consignados.
Ahora vale la pena interrogarse ¿cuáles son los valores de probabilidad ante los cuales
nos inclinamos más por una decisión u otra?
Para contestar el interrogante planteado, realizaremos el análisis de sensibilidad
Es decir denominaremos a las probabilidades genéricamente con p (θj) en forma
genérica
Si los estados de la naturaleza, son mutuamente excluyentes y mutuamente exhaustivos
Se verifica:
p (θ1) + p (θ2) + p (θ3) = 1
Haciendo p (θ3) = 1 - p (θ1) - p (θ2)
Intentaremos forzar la situación VE (a1) = VE (a2) es decir que tendría que ocurrir con
las probabilidades para que ambos valores esperado sean iguales
Haremos algo de algebra
VE (a1) = VE (a2)
200 * p (θ1) + 175 * p (θ2) + 150 * p (θ3) = 0 * p (θ1) + 300 * p (θ2) + 600 * p (θ3)

200 * p (θ1) + 175 * p (θ2) + 150 * [ 1− p(θ 1)− p(θ 2)] = 0 * p (θ1) + 300 * p (θ2) + 600
* [ 1− p(θ 1)− p(θ 2)]
Aplicando propiedad distributiva
200 * p (θ1) + 175 * p (θ2) + 150 1 – 150 * p(θ 1) – 150* p(θ 2) = 0 * p (θ1)
+ 300 * p (θ2) + 600 * 1 – 600 * p(θ 1) 600 * p ¿
Agrupando las variables en el primer miembro y las constantes en el segundo

650 * p (θ1) + 325* p (θ2) = 450
18
2 * p (θ1) + 1 * p (θ2) = 13
La línea negra asume que p ( θ 3 ) = 0 , es decir representa la situación p (θ 1) + p (θ2) =

1
18
La recta roja representa 2 * p (θ1) + 1 * p (θ2) =
13
Como toda recta se la pueda graficar ubicando dos puntos correspondientes a la misma.
18
Por ejemplo si p (θ2) = 0 entonces 2 * p (θ1) = despejando
13
9
p (θ1) = 13 =0,69
18
El otro punto se obtiene 1 * p (θ2) = - 2 * p (θ1) si p (θ1) = 0
13

18
Por lo tanto p (θ2) = = 1,38 valor imposible para una probabilidad, pero uniendo los
13
dos puntos nos queda la zona de validez de nuestro problema
Marcamos para ello sin que nadie mire, dicho valor en el eje de p (θ2)
Al unir los puntos obtenemos la línea roja, la misma representa el lugar geométrico
donde existe la indiferencia entre tomar la decisión a1 y la decisión a2
Si apreciamos en la gráfica las zonas donde nos inclinaríamos por una u otra ¿puede el
lector argumentar por qué?
Ejercitación
4) Suponga la siguiente matriz de beneficio y aplique los métodos de resolución

desarrollados hasta este momento.
Para los criterios probabilísticos asigne los siguientes valores de probabilidades:
Evento Probabilidad
θ1 p (θ1) = 0,35
θ2 p (θ2) = 0,45
θ3 p (θ3) = 0,2
∑ p ( θj ) = 1

Árbol de decisión
Los árboles de decisión se usan en situaciones de toma de decisiones en las que se desea
optimizar una SERIE de decisiones.
Un árbol muestra cronológicamente la secuencia de acciones y resultados en la medida
que se desenvuelven.
Con frecuencia el seleccionar lo que parece una decisión óptima en el primer punto de
decisión, puede no ser la mejor si tenemos otras decisiones posteriores, es por ello que
conviene tener un gráfico más completo y la forma más práctica es lo que se denomina
árbol de decisión.
En el árbol representaremos con cuadrado el punto de toma de decisión y con un

círculo representa los eventos posibles de ocurrencia
Si volvemos al ejemplo de referencia tendremos:
Hasta aquí serían dos formas similares de representar el mismo problema visto
originalmente.
Pero en esta representación de árbol podemos si fuera necesario, anexar otras decisiones
a posteriori de la primera, por ejemplo si elegimos pedir 100 unidades ( a 1 ) y ocurrió
que la demanda se aproximó a 200, hacer un pedido adicional de digamos 100 unidades
más, o simplemente no pedir nada, desde ya que deberemos analizar las ventajas y
desventajas y consignarlas en el árbol.
En el árbol siguiente hemos supuesto que como consecuencia de pedir 100 unidades
adicionales puede determinar fracaso o éxito, y también si cabe analizar todas las
múltiples alternativas posibles a la toma de una nueva decisión.
Es importante entonces reforzar la idea por convención cuadrado implica toma de
decisiones y círculo estados de la naturaleza.

Ejemplo de aplicación
4) Se debe decidir si construimos una planta grande o pequeña. Si se construye grande,

esta será adecuada para cualquier demanda posible y no será necesario una expansión.
Los ingresos según la demanda que será alta, media y baja serán de 20, 15 o 10 millones
de pesos respectivamente. El costo de la planta grande es de 10 millones lo que da como
resultado un ganancia neta de 10, 5 ó 0 millones dependiendo de la demanda.
Una planta pequeña será adecuada solo para una demanda baja y la administración
quiere considerar la posibilidad de expansión si la demanda es alta o mediana. Si la
demanda es alta puede haber una expansión grande, pequeña o no expandir.
Si la demanda es moderada solo se considerará una expansión pequeña o no expandir.
La expansión grande costará 5 millones de pesos y la pequeña 3 millones. La
construcción de una planta pequeña es de 6 millones Si ocurre una demanda alta la
planta no puede expandirse con la suficiente rapidez como para aprovechar la demanda
y solo tendrá ingresos por 19 millones
Una expansión pequeña dará ingresos por 18 millones. Si se opta por no expandir, se
obtendrán ingreso por 10 millones. Demanda alta p = 0,4 demanda media p = 0,4 ,
demanda baja p = 0.2
Antes de observar la solución que estará a su disposición en la página siguiente, realice
un bosquejo de árbol de decisión.

θ1 : Demanda alta (0,4)
10 M
θ2 : Demanda media 0,4

5M
a1 Planta grande
VE a1 θ3 : Demanda baja 0,2 0M
Gran expansión 19- 6 - 5 = 8 M
Pequeña expansión 18 - 6 – 3 = 9 M
θ1 : Demanda alta (0,4)

No expandir 10- 6 = 4M
a2 Planta pequeña
Pequeña expansión 18 -6 – 3 = 9 M
θ2 : Demanda media 0,4
VE a2 No expandir 10- 6 = 4M
θ3 : Demanda baja 0,2 4M
Primer punto de decisión Segundo punto de decisión
En la figura se puede ver con amplitud el árbol que representa el texto enunciado.
Nuestro objetivo es definir si haremos una planta grande o pequeña y si este fuera el
caso que tipo de expansión haríamos: grande, pequeña o no expandir.

En cada nodo de decisión (cuadrados del segundo punto de decisión) seleccionamos la
acción más conveniente y la otra la desechamos con doble raya
En la figura se puede ver con amplitud el árbol que representa el texto enunciado.
El proceso de análisis se denomina inducción regresiva, Una vez desarrollado el árbol
comenzaremos a la derecha y de allí analizamos hacia la izquierda.
En cada nodo estimamos el Valor Esperado
VE (a1) = 0,4 * 10 + 0,4 * 5 + 0,2 *0 = 6 M
VE (a2) = 0,4 * 9 + 0,4 * 9 + 0,2 *4 = 8 M
En cada punto de decisión se selecciona la alternativa más rentable. Por tanto a

las otras alternativas se las descarta, lo que vemos con doble raya sobre las flechas
pertinentes
Por tanto viendo la gráfica siguiente concluimos que en principio elegimos una planta
pequeña por que el valor esperado es mayor, y posteriormente según como sea la
demanda en su momento (hoy desconocida para nosotros), optaremos por una pequeña
expansión o no expandir (si la demanda es baja).
Ejercitación

5) Como subproducto de otra investigación la compañía A encontró una substancia que
puede emplearse como crema bronceadora. Una compañía importante en la industria de
la cosmética ha ofrecido comprar los derechos sobre la crema por $ 20000 y ellos
después desarrollarán el producto comercialmente. La cía. A está pensando desarrollar
el producto por sí misma. Se estima que este esfuerzo costará $ 30000 y tendrá la mitad
de las posibilidades de resultar un éxito Si el producto se desarrolla con éxito, varia
compañías tratarán de comprar los derechos, se piensa que existe un 40 % de
probabilidad de recibir $ 80000 y 60 % de probabilidad de recibir $ 45000 por los
derechos, descontados los gastos de desarrollo. Otra opción después de desarrollar el
producto sería que la Cía. A misma lo comercializara. Se cree que los rendimientos
posibles de esta alternativa son:
$ 10000, $ 50000 y $ 150000 con probabilidades, respectivas de 30 % , 50 % y 20 %
excluidos los gastos de desarrollo. Si al Cía. fracasa en su intento por desarrollar el
producto, piensa que todavía podría vender los derechos por solo $ 5000. Desarrolle un
plan óptimo de acción.

Tema C:
X.C.1.Decisiones bajo condiciones de riesgo con experimentación: distribución a priori,
distribución a posteriori, procedimiento de Bayes.
Para poder comprender estos conceptos
Para analizar este tema haremos un repaso aunque más no sea superficial de conceptos
de probabilidades, vistos en Probabilidades y Estadística.
Probabilidad conjunta, marginal y condicional

Supongamos que tenemos realizamos una encuesta sobre el hábito de fumar (A1 fumador,
A2 no fumador) y sexo (B1 hombre y B2 mujer)
Hombre Mujer
B1 B2 Total
Fuma A1 15 25 40
No Fuma A2 35 45 80
Veamos la misma tabla expresada en símbolos
Donde
n11 representa cantidad de personas que fuman y son hombres (el subíndice 11 significa fila
1 y columna 1)
n21 cantidad de no fumadores varones (el subíndice 21 significa fila 2 , columna 1)
n es la suma de todos los nij
Probabilidad conjunta
Al elegir una persona al azar del grupo, podemos determinar la probabilidad de que fume y
sea hombre, es decir toma eventos de ambas variables de estudio. Es decir ambos eventos
ocurren simultáneamente. Para ello aplicando las definiciones de probabilidad ya
desarrolladas en Estadística.
15
P ( A 1 ∩ B1 ) = =0,125⇒ 12,5 %
120
P ( A 1 ∩ B1 ) Se lee Fuma (A1) y es hombre (B1), dicha probabilidad es del 12,5 %
n
En símbolos P ( A 1 ∩ B1 ) = 11
n
La probabilidad de que fume y sea mujer
25
P ( A 1 ∩ B2 ) = =0,2083⇒ 20,83 %
120

n12
En símbolos P ( A 1 ∩ B2 ) =
n
Probabilidad Marginal
Esta ocurre cuando nos interesa determinar probabilidad de un evento de una variable sin
tener en cuenta los eventos de las otras variables
Probabilidad que fume independientemente que sea hombre o mujer
40
P ( A 1 )= =0,3333 ⇒ 33,33 %
120
15+25 40
También puede expresarse como P ( A 1 )= = =0,3333 ⇒ 33,33
120 120
n +n n n
En símbolos P ( A 1 )= 11 12 = 11 + 12 =¿ P ( A 1 ∩ B1 ) + P ( A1 ∩ B2 )
n n n
Podríamos expresar la probabilidad de encontrar una mujer en el grupo mencionado
25+45 25 45 70
P ( B 2 )= = + = =0,5833 ⇒ 58,33 %
120 120 120 120
n12+ n22 n 12 n 22
P ( B 2 )= = + =¿ P ( A 1 ∩ B2 ) + P ( A 2 ∩ B2 )
n n n
Es decir se ha tenido solo en cuenta el hábito de fumar, sin tener en cuenta si la persona es
de sexo femenino o masculino.
Probabilidad condicional
Permite determinar la probabilidad que ha ocurrido un evento de una variable, dado que ha
ocurrido un evento de otra variable. Si previamente se eligió una mujer, deseamos
determinar la probabilidad de encontrar una persona de con el hábito de fumar. En este caso
el número de casos posibles se reduce a las 70 mujeres de la muestra seleccionada.
25
P ( A 1 /B 2 )= =0,3571 ⇒ 35,71%
70
La barra significa: “dado que”
Es decir se lee la probabilidad de fumar dado que previamente se eligió mujer.

n12
P ( A 1 / B 2 )=
n12+ n22
La probabilidad condicional es la probabilidad que un Segundo evento tenga lugar si ya
ocurrió un primer evento.
Relación entre las tres las probabilidades, conjunta, marginal y condicional.
Si en la última expresión, dividimos numerador y denominador por n
n12
n P ( A1 ∩B 2 )
P ( A 1 /B 2 )= =
n 12 +n 22 P ( B2 )
n
En general

P ( BA )= P (PA( ∩B
B)
)
⇒ P ( A ∩B )=P ( B ) . P ( )
A
B
P ( )
B
A
=
P ( A ∩B )
P(A)
⇒ P ( A ∩B )=P ( A ) . P
B
A ( )
Axiomas de probabilidades (axioma: proposición tan clara y evidente que se admite
sin necesidad de demostración)
Sea un experimento, µ el espacio muestral que representa los resultados del mismo, cada
evento tiene asociado una probabilidad de ocurrencia que cumpla con los siguientes
axiomas
Axioma 1
La probabilidad de un evento cualquiera de un espacio muestral es un número real
comprendido entre cero y uno. Por lo tanto si designamos con A, a un evento del espacio
muestral, la probabilidad de ocurrencia de A en símbolos será:
0 ≤ P(A) ≤ 1
Axioma 2
La probabilidad del espacio muestral completa es igual a uno, en símbolos
P(µ)=1
Axioma 3 se refiere a las reglas de la probabilidad
REGLAS DE PROBABILIDAD:
Reglas de la adición
Frente al problema de la adición (suma de probabilidades) nos encontramos en dos
situaciones, si los eventos son mutuamente excluyentes o si son no mutuamente
excluyentes, y en la realización de un solo experimento.
Para los eventos mutuamente excluyentes (aquellas situaciones donde puede ocurrir
uno u otro evento) el cálculo de la probabilidad es igual a:
P (A ó B) = P(A) + P(B)
Por ejemplo, si lanzamos un dado y queremos saber cuál es la probabilidad que salga el
número mayor que 4 o que salga un número menor que 2, el cálculo de la probabilidad
será
P (mayor que 4) = 5; 6
P (menor que 2) = 1
P (mayor que 4 ó menor que 2) = 2/6 + 1/6 = 3/6 = 1/2 = 0,50 = 50%
Como se puede observar los eventos no tienen ningún punto en común, entonces
podemos concluir que la probabilidad de un evento u otro es igual a la suma de
probabilidades.
Para los eventos no mutuamente excluyentes (aquellos que tienen puntos en común) el
cálculo de la probabilidad es igual a:
P (A ó B) simbólicamente P ( A  B ) = P (A) + P (B) – P (A  B)

Por ejemplo, si extraemos una carta de la baraja española y queremos averiguar cuál es
la probabilidad de obtener una carta que sea del palo de oros o que sea un siete, el
cálculo de la probabilidad será:
P (oros) =1 de oros, 2 de oros, 3 de oros, 4 de oros, 5 de oros, 6 de oros, 7 de oros, sota
de oros, caballo de oros, rey de oros
P (siete) =7 de espada, 7 de oros, 7 de basto, 7 de copa
Como se puede observar del desarrollo del espacio muestral de los eventos el 7 de oros
aparece en los dos conjuntos, por lo cual la probabilidad será igual a:
P (oros o siete) = 10/40 + 4/40 – 1/40 = 15/40 = 3/8 = 0,125 = 12,5%
Cuando los eventos son no mutuamente excluyentes, como en el caso descrito
anteriormente, a la suma de las probabilidades de cada evento se le debe restar la
probabilidad de los elementos en común.
Reglas de la multiplicación
Para aplicar las reglas de multiplicación, a diferencia de las reglas de adición, nos
encontramos frente a dos experimentos, y frente a estas dos situaciones, nos interesará
saber si estos los eventos de estos experimentos son independientes o dependientes.
Independencia estadística: Dos eventos son independientes cuando el resultado de uno
no influye sobre el resultado del otro, y por el contrario serán dependientes cuando el
resultado del primero afecte al resultado del segundo.
Por ejemplo, si lanzo una moneda y un dado, cualquiera sea el resultado de la moneda
no influye de ninguna manera sobre el resultado del dado, básicamente porque
cualquiera sea el resultado obtenido en el primer evento no modifica el espacio muestral
del segundo evento.
Cuando los eventos son independientes la probabilidad que ocurran los dos es igual al
producto de sus probabilidades.
a) P (A y B) = P ( A ∩ B )= P (A) x P (B)
Por ejemplo la probabilidad que al lanzar una moneda y un dado obtenga cara en la
moneda y el número 4 en el dado será igual a:
P (cara) = 1/2
P (4) = 1/6
P (cara y 4) = 1/2 x 1/6 = 1/12 = 0,0833 = 8,33%
b) P ( A / B ) = P( A )
c) P( B / A ) = P ( B )
Dependencia estadística: Si los eventos son dependientes, el resultado del primero
influirá sobre el resultado del segundo, en esta situación se observa en general, que lo
que se modifica es el espacio muestral en el segundo evento.
Por ejemplo, si quiero averiguar la probabilidad de obtener dos ases en dos cartas, la
probabilidad de obtener el segundo as, está condicionada por el resultado de la primera
carta.

La probabilidad de sacar un as en la primer carta es de 4/40 = 1/10, si salió el as, la
probabilidad de obtener un as en la segunda será de 3/39 = 1/13, como se observa al ser
un tamaño pequeño el segundo evento depende fuertemente de lo que ocurra en el
primero.
Importante: si A y B son sucesos independientes:
P( A ) ¿ 0
P ( B ) ¿0
Al ser independientes, los sucesos A y B no son mutuamente excluyentes, en el ejemplo
analizado ser fumador y sexo masculino verificándose P ( A ∩ B ) ≠ 0
Dos sucesos son mutuamente excluyentes, si la ocurrencia de uno implica la no
ocurrencia del otro, para el ejemplo en cuestión si se es fumador, no puede ser no
fumador. En este caso P ( A ∩ B )=0
Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye

una herramienta fundamental para la prospectiva, puesto que se puede diseñar un
escenario de acontecimientos futuros considerando las tendencias actuales de diversos
fenómenos naturales.
Veamos el siguiente problema donde aplicaremos los conceptos
4) Durante los últimos años se ha desarrollado en una empresa un examen de admisión;

la tabla adjunta indica los resultados obtenidos, indicar cuales eventos son
independientes y cuales dependen entre sí.
RESULTADO DE Alta. (S) Posición Despedido (D) TOTAL

LA PRUEBA intermedia (J)
70, o más( H ) 20 120 60 200
70 o menos ( L ) 10 50 40 100
TOTAL 30 170 100 300
P ( HS )= PP(( S ∩H)H ) = 200

20
=¿ 0,1 P (S) =
30
300
=¿ 0 ,1
Vemos que P ( HS ) = P ( S ) por lo que S y H son sucesos independientes. En nuestro

caso significa que llegar a una alta posición alta posición administrativa (S) no depende
del resultado de la prueba
P ( HJ )= PP(H
( J ∩ H ) 120
)
=
200
=¿ 0,6 P (J) =
170
300
=¿ 0,5666
P ( HJ ) ≠P (J) por lo que J y H son sucesos dependientes, paradójicamente los resultados

de la prueba tienen vinculación con los empleados de posición intermedia.

Determine Ud. si P ( DH ) y P (D) sin son independiente o dependientes.
Además debe analizar la situación con los que obtuvieron bajos puntajes.

Teorema de probabilidad total y teorema de Bayes
Supongamos el siguiente diagrama de Venn
En el diagrama supongamos que hemos representado la situación en la cual tenemos tres

sucesos B1 simpatizantes de Boca, B2 simpatizantes de River, B3 simpatizantes de
Racing, no hay en este ejemplo hipotético otros clubes.
Si A1 representa el hecho de que es alumno de la institución podríamos el hecho que sea

de Boca y alumno de la institución, simbólicamente lo podemos expresar de la siguiente
forma P ( B 1 ∩ A1 ), que sea de River y alumno P ( B 2 ∩ A1 ) que se de Racing y alumno
P ( B 3 ∩ A 1) por tanto:
La probabilidad de encontrar un alumno de la institución entre el conjunto de

simpatizantes será
P ( A1 ) = P ( B 1 ∩ A1 ) + P ( B2 ∩ A 1 ) + P ( B 3 ∩ A1 ) conocida como la probabilidad total
Aplicando P ( )A P ( A ∩B )
B
=
P (B) ( )
⇒ P ( A ∩B )=P ( B ) . P
A
B
A1
P ( A1 ) = P ( B1 )∗P
B1 ( ) A
B2 ( ) A
( )
+ P ( B2 )∗P 1 + P ( B3 )∗P 1 Ahora si dentro de la población
B3
alumnos buscamos un simpatizante de Boca, sería Boquense dado que es alumno esto se

escribe: P ( )
B1
A1
que sea de River dado que es alumno de la institución P
B2
A1
, de ( )
Racing dado que es alumno P ( )
B3
A1
El teorema de Bayes nos dice:
( ) ( ) ( )
B1 P ( B 1 ∩ A 1) B2 P ( B 2 ∩ A 1) B3 P ( B 3 ∩ A 1)
P = P = P =
A1 ( P A1 ) A1 ( P A1 ) A1 ( P A1 )
B3
B1
A2
B2
Si ahora analizamos, los mismos conceptos anteriores
P ( A2 ) = P ( B 1 ∩ A2 ) + P ( B2 ∩ A 2 ) + P ( B 3 ∩ A 2) conocida como la probabilidad total
B
=
P (B) ( )
⇒ P ( A ∩B )=P ( B ) . P
A
B
P ( A2 ) = P ( B1 )∗P ( )
A2
B1
+ P ( B2 )∗P
( )
A2
B2
+ P ( B 3 )∗P
( )
A2
B3
:
Veamos ahora el teorema de Bayes
P
( )
B1
A2
se lee probabilidad que ocurra B1 dado que ocurrió A2
P
( )
B2
A2

P
( )
B3
A1
P
B1
A2( )
=
P ( B 1 ∩ A 2)
( P A2 )
=
P ( B1 )∗P ( )
A2
B1
( P A2 )
B
( )
P 2 =
A2
P ( B 2 ∩ A 2)
( P A2 )
=
P ( B2 )∗P ( )
A2
B2
( P A2 )
P
B3
A2( )
=
P ( B3 ∩2 )
( P A2)
=
P ( B3 )∗P 2
A
( )
B3
( P A2 )
Se debe verificar que: P ( ) ( ) ( )

B1
A2
+P
B2
A2
+¿ P
B3
A2
=1
En esta instancia, dada la naturaleza de los siguientes problemas, sería que Usted realice
un esquema de Venn similar a los anteriores con A3
Desarrollamos un ejemplo de aplicación resuelto del teorema de la probabilidad total y
teorema de Bayes
1) Una empresa tiene dos líneas de ensamble de un producto. La línea A produce el 60

%. La producción de defectuosos es el 10 % en la línea A y el 20 % en la línea B. Si
compro un producto:
a) ¿Cuál es la probabilidad de que sea defectuoso?
b) Si salió defectuoso ¿cuál es la probabilidad de que haya sido ensamblado en la línea
B?
Podemos expresar el problema con el siguiente diagrama e Venn
P (D) probabilidad que sea defectuoso

P( A ) – probabilidad que el producto sea fabricado en la línea A = 60 %
P( B ) – probabilidad que el producto sea fabricado en la línea B = 40 %
P (D / A) probabilidad que sea defectuoso dado que se produjo en la línea A = 10 %
P (D / B) probabilidad que sea defectuoso dado que se produjo en la línea B = 20 %
P (D / A) = probabilidad que sea defectuoso dado que se produjo en la línea A = 10 %

P ( D ) = P( D ∩ A ) + P ( D ∩ B )
P ( D ) = P ( A ) * P (D / A) + P ( B ) * P (D / B)
7
P ( D ) = 0,6 * 0,1 + 0,4 * 0,2 = 0,06 + 0,08 = 0,14 =
50
P ( A ∩ D ) P ( A )∗P( D/ A) 0,6∗0,1 0,06 3
P(A/D)= PD
= P( D)
= 0,14
=
0,14
=0,4285=
7
P ( B ∩ D ) P (B)∗P( D/ B) 0,4∗0,2 0,08 4
P(B/D)= PD
= P(D )
= 0,14
=
0,14
=0,5714=
7
3 +4
Verificamos que P ( A / D ) + P ( B / D ) ¿ 7 7 =1
2) Se tienen 5 cajas que contienen 100 lámparas cada una. Dos de las cajas tienen 10
lámparas defectuosas. Dos de las cajas tienen 5 lámparas defectuosas cada una. Una
de las cajas tiene 2 lámparas defectuosas. Si se selecciona al azar una de estas cajas y
de una de ellas se toma un foco Determinar:
a) Probabilidad que sea defectuoso
b) Si salió defectuoso ¿Cuál es la probabilidad que sea de la caja 2?
Resolución
1
P ( C1 ) =P ( C2 ) =P ( C 3 )=P ( C 4 ) =P ( C5 ) =
5
10 10 5
P ( D / C1 ) = P ( D / C2 ) = P ( D / C3 ) =
100 100 100
5 2
P ( D / C4 ) = P ( D / C5 ) =
100 100
a) Probabilidad Total. Probabilidad que sea defectuosa
P ( D ) = ∑ P ( C i ) * P ( D / Ci
1 1 1 1 1
∗10 ∗10 ∗5 ∗5 ∗2
P(D)= 5 5 5 5 5
+ + + + =0,064
100 100 100 100 100
b) Si salió defectuosa la probabilidad que sea de la caja 2

D 1
P ( C 2 )∗P ( ) ∗10
P ( C2 / D )= C2 = 5 = 0,3125
100
PD
0,064
El 31,25 % de las lámparas provienen de la caja 2

Teorema de Bayes y sus aplicaciones en la teoría de decisiones
Adquisición de información
5) Un perforador de pozos de petróleo debe decidir si perfora o no, un pozo en un lote

dado. Tiene incertidumbre si el estado es seco, húmedo o empapado, pero sabe que en
regiones vecinas las probabilidades obtenidas son:
P ( seco ) = P ( B1 ) = 0,5
P ( húmedo ) = P ( B2 ) = 0,3
P ( empapado ) = P ( B3 ) = 0,2
El costo de perforar es de 70000 $ . Si el pozo está empapado los ingresos serán de
270000 $, si el pozo está húmedo los ingresos serán de 120000 $. Si el pozo está seco
no tendrá ningún tipo de ingresos.
A un costo de 10000 $ el perforador puede tomar ondas sísmicas y contratar otros
ensayos para determinar la estructura geológica del subsuelo del sitio . Las ondas
sonoras revelarán si el subsuelo tiene: a) ninguna estructura ( NE ) esto es malo , b)
estructura abierta ( EA ) , esto es regular y c) estructura cerrada ( EC ) esto es
prometedor .
En el pasado , los pozos de petróleo que han estado secos , húmedos o empapados , han
tenido la siguiente distribución en los resultados de las pruebas sísmicas :
Tipo de pozo A1 ( NE ) A2 ( EA ) A3 ( EC )
Seco B1 0,6 0,3 0,1
Húmedo B2 0,3 0,4 0,3
Empapado B3 0,1 0,4 0,5
Debe leerse de que cada 10 pozos que resultaron secos 6 no tenían estructura, 3 tenían
estructura abierta y uno estructura cerrada. Se lee P ( A / B)
Por ejemplo P ( A1 / B1 = 0,6 P (A2 / B3 ) = 0,4
El perforador debe decidir qué hacer: debe perforar o no, ¿debe contratar el servicio de
ondas sísmicas?, y si es así ¿qué acciones debe tomar según sean los resultados de los
ensayos sísmicos?
Comenzamos retomando la matriz de resultados vistas al comienzo.
Los valores consignados por 1000
P ( B1 ) = 0,5 P ( B2 ) = 0,3 P ( B3 ) = 0,2
Seco B1 Húmedo B2 Empapado B3
a1 perforar -70 50 200
a2 No perforar 0 0 0

VE (a1 ) = - 70 * 0,5 + 50 * 0,3 + 200 * 0,2 = 20
VE ( a2 ) = 0
MVE = 20 corresponde a la acción a1
En principio conviene perforar
Podemos en forma de árbol de decisión
B1 0,5 -70
a1 perforar B2 0,3 50
20
B3 0,2 200
20
0
a2 No perforar
Un nuevo planteo que surge a los efectos de minimizar los riesgos, es realizar estudios
geológicos más precisamente ondas sísmicas (hay muchos otros tipos de estudios, por
los alcances del presente curso solo analizaremos esta posibilidad).
El nuevo árbol esquemáticamente quedaría

NE significa no realizar el estudio, cuyos resultados calculamos
E significa realizar el estudio y contestar todas las probabilidades que figuran en el árbol
Para orientarnos recordemos lo realizado anteriormente y reemplacemos valores
P ( A1 ) = P ( B 1 ∩ A1 ) + P ( B2 ∩ A 1 ) + P ( B 3 ∩ A1 ) probabilidad total

Aplicando P ( BA )= P (PA( ∩B
B)
)
⇒ P ( A ∩B )=P ( B ) . P ( )
A
B
P ( Ak/Bj)
Ak
A1 A2 A3
Bj
B1 0,6 0,3 0,1
B2 0,3 0,4 0,3
B3 0,1 0,4 0,5
P ( A1 ) = P ( B1 )∗P ( )
A1
B1
+ P ( B2 )∗P
( )
A1
B2
+ P ( B3 )∗P
A1
B3( )
P ( A1 ) = 0,5 * 0,6 + 0,3 * 0,3 + 0,2 * 0,1 = 0,41
En forma similar
P ( A2 ) = P ( B 1 ∩ A2 ) + P ( B2 ∩ A 2 ) + P ( B 3 ∩ A 2) probabilidad total
B
=
P (B) ( )
⇒ P ( A ∩B )=P ( B ) . P
A
B
P ( A2 ) = P ( B1 )∗P ( )
A2
B1
+ P ( B2 )∗P
( )
A2
B2
+ P ( B 3 )∗P
( )
A2
B3
:
P ( A2 ) = 0,5 * 0,3 + 0,3 * 0,4 + 0,2 * 0,4 = 0,35

Ídem para P ( A3 )
P ( A3 ) = P ( B1 )∗P ( )
A3
B1
+ P ( B2 )∗P ( )
A3
B2
+ P ( B 3 )∗P ( )
A3
B3
:
P ( A2 ) = 0,5 * 0,1 + 0,3 * 0,3 + 0,2 * 0,5 = 0,24
Podemos reducir los resultados en la siguiente tabla

P(B A ) j k
Ak
A1 A2 A3
Bj
B1 0,3 0,15 0,05 0,5
B2 0,09 0,12 0,09 0,3
B3 0,02 0,08 0,1 0,2
0,41 0,35 0,24
P ( B j∩ A k )
P ( B j / A k )=
P ( Ak ) =
P ( B j ). p ( A k / B j )
P ( B j / A k )= ¿
∑ P( B j∩¿ A k )
( ) ( ) ( )
B1 P ( B 1 ∩ A 1) B2 P ( B 2 ∩ A 1) B3 P ( B 3 ∩ A 1)
P = P = P =
A1 ( P A1 ) A1 ( P A1 ) A1 ( P A1 )
P ( B 1 )∗P
( )A1
( )
B1 P ( B 1 ∩ A 1) B1 0,5∗0,6 0,3
P = = = = =0,73
A1 ( P A1 ) ( P A1) 0,41 0,41
P ( B2 )∗P ( )A1
( )
B2 P ( B 2 ∩ A 1) B2 0,3∗0,3 0,09
P = = = = =0,22
A1 ( P A1 ) ( P A1) 0,41 0,41
P ( B3 )∗P
( )A1
( )
B3 P ( B 3 ∩ A 1) B3 0,2∗0,1 0,02
P = = = = =0,05
A1 ( P A1 ) ( P A1) 0,41 0,41
Intente el lector realizar los cálculos restantes

Los resultados se muestran en la tabla siguiente:
La siguiente tabla resume los cálculos anteriores:

P ( Bj / Ak)
Ak
A1 A2 A3
Bj
B1 0,73 0,43 0,21
B2 0,22 0,34 0,38
B3 0,05 0,23 0,42
 1,00 1,00 1,00
Árbol de decisión
Ahora nos queda en cada nodo de decisión de la segunda etapa si perforamos o no

Para ello determinamos en cada nodo de evento el valor esperado da cada uno, después
en los nodos de decisión se descartan los perores (doble raya)

Se infiere del árbol de decisión que en primer lugar conviene realizar el estudio y en
función de los resultados A1 A2 y /o A3 obtenidos llevar acabo perforación o no.

Curva de utilidad Teoría de Von Neumann
Hasta ahora hemos visto criterios de selección de decisiones no probabilísticos y

probabilísticos, dentro de estos últimos desarrollamos el criterio de maximizar la el
valor esperado (MVE)
Ahora realizaremos una serie de pruebas y es importante que Ud. participe con papel y
lápiz.
Supongamos que jugamos a arrojar una moneda y analice que decisión tomaría en cada
caso, si la moneda es legal existe una probabilidad 0,5 de que salga cara y 0,5 que salga
seca.
Situación a:
La seguridad de recibir 1 $ seguro sino juega.
Si lanzamos la moneda Ud. cobra 10 $ si sale cara y pierde 1 $ si sale seca
Calculamos el valor esperado de utilidad de cada opción:
VE ( a1) = 1 $ certeza por que cobra sino juega
VE ( a2 ) = 10 $ * 0,5 – 1 $ * 0,5 = 4,5 $
La pregunta de rigor es si juega o no y dados los valores que se ponen en juego
generalmente los alumnos en clase contestan que juegan.
Situación b:
VE ( b1) = 10 $ certeza por que cobra sino juega
VE ( b2 ) = 100 $ * 0,5 – 10 $ * 0,5 = 45 $
La pregunta de rigor es si juega o no y generalmente los alumnos en clase contestan que
juegan.
Situación c:
VE ( c1) = 100 $ certeza por que cobra sino juega
VE ( c2 ) = 1000 $ * 0,5 – 100 $ * 0,5 = 450 $
La pregunta de rigor es si juega o no y generalmente los alumnos en clase contestan que
juegan
Situación d:

VE ( d1) = 1000 $ certeza por que cobra sino juega
VE ( d2 ) = 10000 $ * 0,5 – 1000 $ * 0,5 = 4500 $
La pregunta de rigor es si juega o no, en esta instancia posiblemente Ud. puede optar
por jugar o no, de experiencias de años anteriores muy pocos dicen no juego y la
mayoría dice juego.
Situación e:
VE ( d2 ) = 100000 $ * 0,5 – 10000 $ * 0,5 = 45000 $
La pregunta de rigor es si juega o no, en esta instancia muchos cambian de parecer
posiblemente Ud. puede optar por jugar o no, de experiencias de años anteriores varios
al revés del caso anterior dicen no juego y la minoría dice juego.
Situación f:
VE ( f1) = 100000 $ certeza por que cobra sino juega
VE ( f2 ) = 1000000 $ * 0,5 – 100000 $ * 0,5 = 450000 $
En esta instancia la inmensa mayoría ya opta por no jugar. Ud. ¿en qué etapa se
encuentra? ¿Se anima a seguir? Puede seguir intentando
La pregunta es por qué si en todos los casos el valor esperado de jugar es mayor que el
de no jugar, ¿por qué mutamos de una situación a otra?
La respuesta que dio el matemático John Von Neumann (es interesante ver su historia),
supongamos que Ud. dijo basta en la situación d, prefiere ganar seguro 100000 $ :
significa que el dolor de perder una cierta cantidad de dinero por ejemplo 100000 $
es mayor que la satisfacción que ganar 1000000 $.
Otra pregunta que cabe contestar por qué las personas toman ante el mismo juego e
idénticas circunstancias, distintas posturas (puede constatar esto con amigos o
familiares), seguramente algunos se niegan a jugar en la situación c y otros más
arriesgados en la f y aun seguramente existen personas con posturas más arriesgadas.
Este juego entrando en el plano de la vida real, sirve para determinar cuál es la postura
de una persona si invertir o no en una opción o buscar una remuneración segura, más
allá de que indiquen los indicadores financieros.

Utilidad Marginal Decreciente
Ocurre que las personas tenemos distintas posturas frente al riesgo.

El dinero no siempre tiene el mismo valor para todos los individuos
Dentro de la escuela psicológica de la teoría económica (bastante discutida por cierto)
existe la utilidad marginal decreciente.
Si se va incrementando la cantidad de un bien que posee un individuo en porciones
(cantidades) iguales, la utilidad de cada porción del bien que se va incrementando no
genera el mismo incremento de utilidad proporcionada por la porción anterior. Cuantas
más porciones de un bien se posee menor es la utilidad de una porción más. Esta
“porción más” es la porción marginal
¿Difícil?
Ejemplo: suponga que ha trabajado en el medio del campo, una larga jornada, en
Lavalle en pleno Enero, Ud. está retornando hasta que por cualquier motivo se detiene y
de repente alguien le ofrece un vaso de cerveza (si no bebe alcohol, piense en una
bebida bien helada), seguramente la satisfacción será muy grande, después de beber el
primer vaso ahora le ofrecen el segundo obviamente bienvenido, pero no le genera la
misma satisfacción que el anterior, y así sucesivamente.
Gráficamente
Las personas tenemos distintas posturas ante el dinero y los bienes en general, cada uno
de nosotros tiene una curva distinta para cada bien y a su vez, para cada bien las
personas tienen distintas curvas.

Vemos que no hemos definido el concepto de Utilidad con precisión, ni mucho menos
en que unidades debe ser expresada. A continuación profundizaremos en este sentido.
Volvamos a la situación e
Situación e:
VE ( d2 ) = 100000 $ * 0,5 – 10000 $ * 0,5 = 45000 $
Más allá de que decisión tomó Ud., suponga ahora que pasaría si cambiamos las
probabilidades, claro está todos sabemos de esta situación por ejemplo probabilidad de
que sea cara sea 0,65 y seca 0,35 quizás, el punto es cuales son las probabilidades que
para nuestra postura sea indiferente es decir, nos de lo mismo jugar o no.
Esa probabilidad que nos hace indiferente a jugar es el valor aceptado como Utilidad
que es adimensional.
Haremos el siguiente test, hay dos opciones no jugar (A) , en la primera columna de la
izquierda, hay ordenados por filas dichas cantidades desde - 600 $ (perder con certeza
600 $ ) hasta ganar con certeza 1100 $
Las columnas siguientes aparece la alternativa de jugar con distintas probabilidades de
ganar y el complemento que significa perder por ejemplo: 100 y 0 , 90 % y 10 % , 80
% y 20 % y así sucesivamente los valores van desde el extremo e perder 500 $ (- 500 $)
hasta ganar 1000.
En la tabla de la página siguiente, se consigna con la letra A la opción de no jugar, B la
opción de jugar
Si apreciamos fila por fila; en vemos en la primera de abajo que nos pone en una falsa
disyuntiva pero sirve para comprender mejor el concepto, donde se nos da a elegir entre
perder 600 $ con certeza y jugar con probabilidad cero de ganar 1000 $ , y 100 % de
perder 500, si esto es la única situación disponible cualquier tomador de decisiones
optará por jugar ya que la situación siempre es menos mala que perder 660 $ seguros, y
con el atractivo que en la medida que nos desplazamos a la derecha las probabilidad de
ganar van aumentando paulatinamente. Es por ello que verá desde el comienzo hasta el
final la letra B.
En la segunda fila aparece en la primera columna de la izquierda la posibilidad de
perder 500 $ con certeza y en la columna siguiente tenemos perder 500 $ con 100 % de
probabilidad y 0 % de probabilidad de ganar 1000 $ este es un punto donde es indistinto
jugar o no ya que el resultado será el mismo, esto es perder 500 $. Por lo tanto es un
punto de indiferencia I, el resto de la fila se completa B ya que paulatinamente va
aumentando la probabilidad de ganar 1000 $
Subimos una fila más arriba y nos encontramos que tenemos certeza de perder 400 $ y
nos desplazamos hacia la derecha y tenemos perder 500 $ con 100 % de probabilidad y
0 % de probabilidad de ganar 1000 $, aquí seguramente elegimos perder 400 esta

situación la anotamos con A significa no jugar, siguiendo en la misma fila en el casillero
de al lado nos encontramos con la disyuntiva si perder 400 $ con certeza o perder 500 $
con 90 % de probabilidad y 10 % de ganar 1000 $, aquí es donde aparece el test Ud.
puede optar por no jugar y colocar A, indiferencia I (jugar o no) o jugar y colocar B , en
el ejemplo de referencia se colocó I pero podría Ud. optar por otra situación, y colocar
la I un casillero más a la derecha
Completemos la siguiente cuadrícula, se han colocado los puntos de indiferencia ( I )sin
hacer un análisis muy riguroso a los efectos didácticos, pero se sugiere , hacerlo
conciencia
En la tabla siguiente está completa en forma arbitraria por el profesor.
Al final Ud. dispone de la misma como imagen para que Ud. la imprima y escriba sobre
ella y en Excel para que pueda modificarla a su gusto, por ejemplo puede colocar
probabilidades intermedias por ejemplo: 0,75 y 0,25
Cualquiera de la forma que Ud. desee trabajar es importante hacerlo sobre papel y
escribir con colores distintos las letras A, I , B para una tarea que haremos después.
Podemos sintetizar los puntos donde colocamos I en una tabla como la siguiente,
colocamos en el eje de abscisas $ ciertos, y en ordenada los valores de Utilidad que son
en definitiva los puntos de indiferencia entre jugar o no.

$ Utilidad
-600
-500 0
-400 0.1
-300 0.1
-200 0.2
-100 0.3
0 0.3
100 0.4
200 0.5
300 0.5
400 0.6
500 0.7
600 0.7
700 0.7

Posible utilidad Probabilidades
por jugar ( B )
Pesos ciertos ( A ) 1000 0 10 20 30 40 50 60 70 80 90 100
( Con certeza ) -500 100 90 80 70 60 50 40 30 20 10 0
1100
1000
900
800
700
600
500
400
300
200
100
0
-100
-200
-300
-400
-500
-600
Una vez completada la tabla, reiterando la importancia de trabajar sobre papel es

importante que trabaje sobre una sola carilla y del otro lado no haya impreso nada y con
colores, de vuelta la hoja de manera que ha trasluz observe el - 600 a la izquierda abajo
y podrá observar dos regiones muy diferenciadas y marcadas, separadas por la línea de
indiferencia.
Una región caracterizada por B que significa la zona de que acepta el riesgo, y otra con
la letra A, que significa lo contrario aversión al riesgo.
En la siguiente figura se puede apreciar la curva que resultará de un test realizado a un
individuo conservador es decir que no se siente cómodo con el riesgo.
Vemos en este caso que a la izquierda la curva tiene una fuerte pendiente positiva,
significa que dejar de perder ya le produce un gran incremento de satisfacción y por el
contrario a la derecha tener un gran incremento de utilidad

Veamos la situación de una persona dispuesta a correr riesgos
La situación es inversa a la anterior
Para este individuo dejar de perder (a la izquierda) no se traduce en un incremento de

utilidad, pero a la derecha de la curva se la situación inversa un gran incremento de
utilidad provoca un gran aumento de satisfacción o de utilidad
Generalización
Tenemos las dos curvas descritas anteriormente, y hemos representado una línea recta
que representa a aquellos individuos que son indiferentes al riego, y que van a decidir
con el criterio de máximo valor esperado

Analicemos esta última gráfica para cerrar el tema
¿Cuál es nuestra posición cuando contratamos un seguro en forma voluntaria
(descartemos los seguro obligatorios)?
La línea recta representa valores esperados, y los siniestros ocurren según esta función y
es como dijimos oportunamente representan las conductas para los que son neutros al
riesgo.
El que contrata un seguro voluntariamente es el individuo que tiene aversión al riesgo y

que vende el seguro es lo contrario se siente cómodo con el riesgo.
Por lo tanto la línea azul representa lo que está dispuesto el tomador del
seguro

La línea verde representa lo que el tomador de riesgo está dispuesto a cobrar por correr
el riego.
En forma más convencional

Trabajo Práctico Para el sábado a la noche
1) Determinar la matriz de pagos para el siguiente caso y determinar el punto minimáx .

Sea una panadería que vende cada pieza a 1$ cuando está recién hecho, y cuesta 0.50 $
prepararlo. El pan que no se vende se lleva a una mesa de descuento a 0.50 $ la pieza y
solo puede venderse la mitad. Analizar los casos de preparar 3 doc. , 4 doc. , 5 doc. y 6
doc.
Aplicar criterios: Hurwicz , Savage, Laplace.
Suponer la siguiente tabla y obtener MVE , PEO , y el VEIP.
Demanda ( doc. ) probabilidad

3 0.1
4 0.4
5 0.4
6 0.1
Ayuda la tabla final del problema planteado es:
Preparar 3 docenas demanda 3 docenas

Ganancia G = 1 $ * 3 doc. * 12 u-0,5* 3 * 12 = 18
Es el mimo cálculo que el anterior ya que se preparar 3 docenas independientemente de
la demanda y en este caso no hay costo de oportunidad.
Ganancia G = 1 $ * 3 doc. * 12 u - 0,5* 4 * 12 + 0.5*0.5*12 = 15
Ganancia G = 1 $ * 4 doc. * 12 u - 0,5* 4 * 12 = 24
Intente continuar hasta completar la tabla de beneficios anterior.
2) Algunas personas tienen suerte, debido su mente sutil y un encanto devastador, Zoilo
ha recibido tres propuestas de matrimonio. Después de decidir que es tiempo de sentar
cabeza necesita escoger a una de sus pretendientes. Como es una persona muy lógica, ha
determinado que los atributos emocionales y físicos de las tres son más o menos los
mismos y ha decidido escoger en base a sus recursos financieros. Parece que una de las
pretendientes Juana tiene un padre rico que sufre artritis crónica. Zoilo calcula que tiene
una probabilidad de 0,3 de que el padre muera en los próximos años y le deje una

herencia de $ 100000 . Si el padre de Juana vive una larga vida a Zoilo no le
corresponderá nada . Eduviges otra de las novias es una contadora ambiciosa que se
desempeña exitosamente en una empresa de reputación. Zoilo estima una probabilidad
de 0,4 de que deje de trabajar y se dedique a los hijos. Si continúa con su trabajo, ella
podría seguir con una probabilidad de 0,5 en la auditoria o cambiar al departamento de
impuestos de la firma. Al quedarse en auditoria existe una probabilidad de que gane $
40000 anuales y 0,5 de que gane $ 30000 anuales. Al tomar la opción de impuestos, hay
0,7 de probabilidad de que sus ingresos sean de $ 40000 y una probabilidad de 0,3 de
que sean de $ 25000. Si termina su carrera para dedicarse a sus hijos ganará $ 20000 en
un trabajo de tiempo parcial. Gertrudis la última competidora solo puede ofrecerle a
Zoilo sus ahorros de $ 25000.
¿ Con quién debe casarse Zoilo ?
¿Cuál es el riesgo involucrado en la secuencia de óptima de decisiones.
3) Una ciudad está considerando reemplazar la flota de autos de gasolina propiedad de

la municipalidad por autos eléctricos. El fabricante de estos autos afirma que la ciudad
experimentará ahorros significativos durante la vida útil de la flota si efectúa el cambio ,
pero la ciudad tiene dudas. Si el fabricante tiene razón, la ciudad ahorrará un millón de
pesos. Una segunda posibilidad es que nada ocurra y que la ciudad quede igual con el
cambio.
Si la nueva tecnología falla, como algunos críticos sugieren, el cambio costará a la
ciudad 450000. De acuerdo con un reporte de consultores las probabilidades de estos
tres eventos es de P (S1) = 0,25 ; P(S2) = 0,30 y P ( S3) = 0,45 respectivamente.
La ciudad podría utilizar un programa piloto, que de realizarse indicaría el costo
potencial o el ahorro por el cambio. El programa incluye rentar tres autos eléctricos
durante tres meses siendo el costo de dicho programa piloto de $ 50.000. El intendente
considera que los resultados serían significativos pero no concluyentes. Para apoyar su
opinión utiliza la siguiente tabla basada en experiencias similares en otras ciudades.
B1 B2 B3
S1 0.6 0.3 0.1
S2 0.4 0.4 0.2
S3 0.1 0.5 0.4
S1 Los autos eléctricos son más baratos de operar que los de gasolina.
S2 Los autos eléctricos cuestan lo mismo en operación que los de gasolina.
S3 Los autos eléctricos son más caros de operar que los de gasolina.
B1 El programa piloto indica ahorros.
B2 El programa piloto indica que no hay pérdidas.
B3 El programa indica una pérdida.
a) ¿Qué opciones debe tomar la ciudad? b) Construya la matriz de pagos .Determine qué
acción debería tomar utilizando el criterio del máximo valor esperado, y el criterio
minimáx.
c) ¿Hasta cuánto puede costar el programa piloto? d) Calcular la pérdida esperada de
oportunidad ¿qué relación guarda con el punto anterior?
e) Hallar el árbol de decisiones
f) Indicar en el árbol anterior las probabilidades de ocurrencia.

Analisis de Decisiones

Cargado por

Información del documento

Descripción original:

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

Analisis de Decisiones

Cargado por

Copyright:

Formatos disponibles

INVESTIGACIÓN OPERATIVA

Decidir ¿es algo difícil?

CAPITULO X: TEORÍA DE DECISIONES

Se pretende que el alumno, se introduzca en la temática, de vital importancia para las

Ing. Fernando Martín 1 Análisis de decisiones

Veamos una forma de expresar los datos anteriores

También lo podemos expresar en forma numérica

Ing. Fernando Martín 2 Análisis de decisiones

2) Un propietario de una tienda de equipos deportivos debe decidir cuantos equipos

Construiremos la matriz de resultados con los datos del problema anterior,

Ing. Fernando Martín 3 Análisis de decisiones

Acción a2 pedir 200 unidades

Demanda 100 unidades G = Iv –Cc + Ir =100*12-200*9 + 100*6 =0

Acción a3 pedir 300 unidades

Recordemos que por convención las acciones también denominadas decisiones o

Ing. Fernando Martín 4 Análisis de decisiones

En este tipo de situación se caracteriza por la ignorancia completa de cualquier tipo de

1) Dominación: estrategias dominadas

La matriz de resultados nos quedaría

2) Criterio minimáx o maximín.

Ing. Fernando Martín 5 Análisis de decisiones

Supongamos una matriz de costos

3) Criterio de Leonid Hurwicz

Ing. Fernando Martín 6 Análisis de decisiones

Supongamos la matriz de costos, ya analizada anteriormente

Ing. Fernando Martín 7 Análisis de decisiones

Elegimos el máximo entre todas las G = α Gmáx + ( 1 – α ) G mín

Elegimos el mínimo entre todas las C = α Cmín + ( 1- α ) Cmáx

4) Criterio de deploración, pesar o de arrepentimiento desarrollado por

Ing. Fernando Martín 8 Análisis de decisiones

Aplicando el criterio minimáx deberíamos optar por a 2 , pero intuitivamente un tomador

Concentrémonos en una parte de la matriz

Observemos que si ocurriera θ1 sería obviamente elegir a1, si eligiera a2 tendríamos un

Continuando con nuestro ejemplo para el evento θ1

Ing. Fernando Martín 9 Análisis de decisiones

Haciendo un análisis con θ3 la tabla definitiva nos queda

Se puede apreciar que si bien la matriz original es de beneficio, la última obtenida es de

En este caso optaríamos por a2 apartándonos del criterio de Wald

Ing. Fernando Martín 10 Análisis de decisiones

Denominando en forma genérica r ( ai ; θj ) a cualquier coeficiente de la matriz de

Matriz de beneficio r ( ai ; θj ) = máx G ( ai ; θj ) – G ( ai ; θj )

Matriz de costo r ( ai ; θj ) = C ( ai ; θj ) – mín ( ai ; θj )

Hasta ahora hemos desarrollado criterios no probabilísticos.

Ing. Fernando Martín 11 Análisis de decisiones

Teniendo posibilidades de estimar una media, si disponemos de una varianza pequeña la

1) Criterio de la razón de insuficiente: criterio de Laplace

En este criterio se asume que se desconocen las probabilidades de ocurrencia de cada

Ing. Fernando Martín 12 Análisis de decisiones

Partimos de la premisa que disponemos de información sobre la historia reciente, con la

La matriz original nos quedaría:

Ing. Fernando Martín 13 Análisis de decisiones

VE ( a1 )= 200 * 0,5 +175 * 0,3 + 150 * 0,2 = 182,5 $

3) Minimización de la pérdida esperada de oportunidad ( PEO )

PEO ( a1 ) = 0 * 0,5 + 125 * 0,3 + 450* 0,2 = 127,5 $

Ing. Fernando Martín 14 Análisis de decisiones

Valor esperado de la información perfecta ( VEIP )

La ganancia esperada con información perfecta: GEIP

Ing. Fernando Martín 15 Análisis de decisiones

Ing. Fernando Martín 16 Análisis de decisiones

Una de las tareas más difíciles en la toma de decisiones, es la asignación de

Ing. Fernando Martín 17 Análisis de decisiones

Agrupando las variables en el primer miembro y las constantes en el segundo

Demanda 100 unidades G = Iv –Cc + Ir =10012-2009 + 100*6 =0