Introducción a la Economía de la Empresa

TEMA: 5 ANÁLISIS DE PROBLEMAS Y TOMA DE DECISIONES

5.1 INTRODUCCIÓN

Un método científico es una aproximación ordenada y sistemática para resolver el

problema

5.2 LA MODELIZACIÓN

Modelo  representación simplificada de una parte de la realidad. Los modelos se

pueden clasificar en:

 Objetivos y subjetivos, en ocasiones intervienen sucesos no experimentales

objetivamente, no existen métodos formales, por lo que han de ser informales,
subjetivos y basarse en la intuición.
 Analíticos, han de ser resueltos, sirven para obtener soluciones. Entre estos están
los modelos de optimización que permiten determinar los valores que ha de darse
a las variables de modo que se maximice o minimice otra variable que se tiene por
objetivo. (prescriptivos).
 De simulación, representaciones simplificadas de la realidad sobre las que se
opera para estudiar los efectos de las alternativas de actuación (modelos
descriptivos).
 Estáticos y dinámicos, los primeros no incorporan la variable tiempo mientras
que los segundos la usan como parámetro fundamental.
 Deterministas, conocidos con certeza todos los datos de la realidad.
 Probabilísticos, cuando uno o varios datos se conocen en términos de
probabilidad.

5.3 AMBIENTES DE DECISIÓN

Vienen determinados por el nivel de información. De que se dispone sobre los estados
de la naturaleza (sucesos de los depende la decisión y en los que no puede influir
apenas el decisor).

1. Certeza  el decisor conoce con absoluta seguridad los estados de la naturaleza.

(demanda 75.000 ud. Año y que no tendrá competencia)
2. Riesgo  el decisor no sabe qué estados de la naturaleza se presentaran, pero si
conoce cuales pueden presentarse y la probabilidad que tiene cada uno de ellos
(demanda de 75.000 pero con una probabilidad del 25 %).
3. Incertidumbre estructurada  se conocen los estados de la naturaleza pero no la
probabilidad de cada uno de ellos.(la demanda puede ser de 150.000 o 75.000
pero sin conocer probabilidades)
4. Incertidumbre no estructurada  aquel en el que ni siquiera se conocen los
posibles estados de la naturaleza.(demanda cualquier nivel y con cualquier grado
de competencia)

Cuando mayor sea la información, menor será la incertidumbre.

Proceso de aprendizaje  proceso de consecución de información que permite

pasar de un ambiente a otro.

SONIA HERRANZ SIERRA Página 1

 Introducción a la Economía de la Empresa

5.4 CRITERIOS DE DECISIÓN EN AMBIENTE DE

INCERTIDUMBRE

Si la incertidumbre no es estructurada, y no se puede obtener mayor información, hay

que basarse en la intuición. Si la incertidumbre es estructurada, los criterios de
decisión son los siguientes:

 Criterio de Laplace  también llamado racionalista o de igual verosimilitud., si

no se conocen las probabilidades de cada uno de los estados, no hay razón
para pensar que uno tenga más probabilidad que otros, por lo que se calcula la
media aritmética de los resultados que puedan resultar de las decisiones y se
elige la decisión que correspondería un resultado medio mayor:

Ejemplo; Un agricultor se tiene que decidir por un cultivo u otro y los resultados
dependen de que sea seco S1 (son estados de la naturaleza) S2 medio y S3
húmedo; E alternativas de decisión

S1 S2 S3
E1 60 50 40
E2 10 40 70

60+50+40 = 50 (favorable) 10+40+70 = 40 (desfavorable)

3 3

B) Criterio optimista  también denominado maxi-max o mini-mix, es aquel que

piensa que cualquiera que fuera la estrategia que eligiera, el estado que se
presentaría sería el más favorable. Se determina el estado más elevado que puede
obtenerse y se elige la decisión que conduzca al mismo.

E1 favorable = 60 E2 favorable = 70 Maxi-max = 70  E2

C) Criterio pesimista o Wald  persona que cualquiera que fuera la estrategia que
eligiera, el estado que se presentaría sería el menos favorable (maxi-min o mini-max).

E1 = 40 E2 = 10 Maxi-min = 40 -> E1
El resultado nunca será menor que 40

D) Criterio de optimismo parcial de Hurwicz  se situa entre el optimista y el

pesimista, mediante la introducción de un coeficiente de optimismo “x” entre 0 y 1, y
otro coeficiente de pesimismo “1-x”.

El mejor de los resultados se multiplica por “x”

El peor de los resultados se multiplica por “1-x”

H1 = 60 · x + 40 (1-x)
H2 = 70 · x + 10 (1-x) Aplicando 60% = x (criterio de optimismo)

H1 = 60 · 0,6 + 40 · 0,4 = 52 favorable

H2 = 70 · 0,6 + 10 · 0,4 = 48 desfavorable

SONIA HERRANZ SIERRA Página 2

 Introducción a la Economía de la Empresa

E) Criterio del mínimo pesar de Savage  lo siguen aquellos quienes tienen aversión
a arrepentirse por equivocarse. Se elabora una matriz de pesares, se elige el criterio
correspondiente al menor pesar.

S1 S2 S3
E1 0 0 30
E2 50 10 0

Se resta 60-10

Lo máximo que puede dejar de ganar es 30. -> E1 (el menor de los máximos pesares)

Estrategias dominadas: Se dice que una estrategia A esta dominada por una B, si
cualquiera que sea el estado de la naturaleza que se presente en B es igual o menor
que A. B>= A

5.5 LA TEORÍA DE LOS JUEGOS DE ESTRATEGIA

En los juegos de estrategia el resultado final no depende de la alternativa seleccionada

por nuestro decisor, sino también de las decisiones tomadas por otro u otros sujetos.

Se pueden clasificar de la forma siguiente:

 Número de participantes
 Ganancia total obtenida por el conjunto de los participantes. Si no hay
ganancia (uno sólo gana lo que pierde el otro) se llama de suma nula
 Número de jugadas
 La información de que disponen los jugadores (completa o incompleta)
 Los elementos que intervienen en las decisiones, son de estrategia pura
(sólo interviene la decisión de los jugadores) o de estrategia mixta
(interviene además algún elemento aleatorio)

Vamos a ver el más sencillo, el juego de dos personas de suma nula, llamado juego
rectangular, por la forma de la matriz de decisiones. Es la base de la teoría de los
juegos.
Para obtener la matriz y la solución de un juego rectangular hay que hallar las mejores
estrategias de los jugadores y el valor del juego (cantidad que gana un jugador y
pierde el otro).
Los juegos en los que el maxi-min del ganador coincide con el mini-max del perdedor
se denominan juegos con punto de silla. A veces hay varios puntos de silla, o sea,
varias soluciones posibles.

Ejemplo

Sea P el perdedor, viene formado por tres estrategias X,Y,Z y G el ganador formado
por A,B,C

P/G X Y Z
A 100 250 220
B 300 150 180
C 220 180 190

SONIA HERRANZ SIERRA Página 3

 Introducción a la Economía de la Empresa

¿Cuántos puntos de la silla existen?

De las filas elegimos el valor menor 100, 150, 180 y de estos el mayor 180 (criterio
maxi-min)
De las columnas elegimos el valor mayor 300,250 y 220 y de estos el menor 220
(criterio mini-max).
Como no coinciden (180 es distinto de 220) no existe ningún punto de silla.

En otros casos, pueden aparecer varios puntos de silla, es decir, varias soluciones
posibles.

P/G X Y Z maxi-min
A 50 100 120 50
B 30 40 50 30 50
C 40 60 90 40
50 100 120
mini-max 50 1 punto de silla

Para encontrar un punto de silla es determinar un número que sea el menor de su fila
y el mayor de su columna

5.6 PROBABILIDAD Y RIESGO

Hay dos concepciones sobre la probabilidad:

 La de Laplace, o clásica: Si de un total de n casos, todos igualmente factibles,

un suceso S puede presentarse en h de los casos, la probabilidad de
ocurrencia de ese suceso, P(S), es el cociente entre el número de casos
favorables y de casos posibles.

P(S) = h/n

 Según la concepción frecuencia u objetivista, se toma como probabilidad

estimada, o empírica, la frecuencia relativa de la aparición del suceso,
considerando que el número de observaciones del experimento es
suficientemente grande.

[Ejemplo: posibilidad de obtener cara o cruz en el lanzamiento de una moneda

perfecta o no perfecta] 10.000 veces y 2000 se obtuvo cara
Si la moneda seria perfecta se habría obtenido 5000 cara y 5000 cruz en este caso
seria
2.000/10.000= 0.2 un 20 %

Sucesos compuestos: Sean S y T dos sucesos. Se denomina suceso compuesto de S

y T al consistente en que acontezcan S y T, y se le denomina S∩T.

La probabilidad del suceso compuesto es igual a:

P(S∩T) = P(T) · P(S/T) = P(S) · P(T/S)

SONIA HERRANZ SIERRA Página 4

 Introducción a la Economía de la Empresa

Donde P(S/T) es la probabilidad de S condicionada a T, o sea, la probabilidad de S si

hubiera ocurrido T.
Obviamente, si son sucesos independientes entre sí, P(S/T) = P(S), y P(T/S) = P(T).

[Ejemplo: lanzamiento de una moneda y un dado, que son sucesos independientes]

Probabilidad e obtener una cara y un tres)

P(C∩3)=P(C)P(3)=1/2*1/6=1/12

[Ejemplo tipo: Si en una urna hay una bola negra y una blanca, ¿qué posibilidad hay
de obtener dos bolas negras en dos extracciones sucesivas, con y sin
reemplazamiento?]

1.- CASO P(N1∩N2)=P(N1)*P(N2)=1/2*1/2=1/4

2.- CASO P(N27B1)=1 si se saca una bola blanca la probabilidad de sacar la segunda
bola negra es 1,
Si se sacaría la segunda negra la probabilidad de la segunda seria 0
P(N2)/(N1)=0
P(N1∩N2)=P(N1)P(N2/N1)=1/2*0=0

Dos sucesos son mutuamente excluyentes cuando no se pueden presentar

conjuntamente: P(S∩T) = 0.

La posibilidad de que sucedan uno u otro se escribe: P(SUT).

Recordando teoría de conjuntos:

P(SUT) = P(S) + P(T) – P(S∩T) [esto sería la intersección, para no contar doble]

Una variable es aleatoria cuando no se sabe con certeza el valor que tomará, sino sólo
que valores puede tomar y qué probabilidades tiene cada uno de ellos.
Al conjunto de valores que puede tomar y sus probabilidades se le denomina
distribución de probabilidad. Se suele representar por medio de un histograma.

Definiciones de parámetros relativos a las variables aleatorias (sea la variable x, y la

probabilidad p):

 Esperanza matemática de una variable: Es la media aritmética ponderada de

los valores que puede tomar la variante, utilizándose, como coeficiente de
ponderación de cada valor, su probabilidad. E(x) = x1p1 + x2p2 + … + xnpn
Se trata de un valor de referencia que indica dónde está centrada la
distribución de probabilidad.

En el ejemplo del libro la solución de la esperanza es la suma de sus puntos es

decir después de hacer el histograma se suma las veces que han salido los
sucesos

E(SP)=2*1/9+3*2/9+4*3/9+5*2/9+6*1/9=4 puntos

 La varianza es la esperanza matemática de los cuadrados de las desviaciones

posibles respecto a su media. Da idea de la forma de distribución de la
probabilidad.
2(x) = (x1 – x)2p1 + (x2 – x)2p2 + … + (xn – x)2pn
SONIA HERRANZ SIERRA Página 5
 Introducción a la Economía de la Empresa

En el ejemplo la esperanza es 4 por lo cual x=4

4/10
3/10 3/10

3 4 5
2
(x) = (3-4)²3/10+ (4-4)²4/10 +(5-4)²3/10=6/10=3/5

 La desviación típica es la raíz cuadrada positiva de la varianza. Frente a ella,

tiene la ventaja de que se mide en las mismas unidades que la variable.
s(x) = [s2(x)]1/2
Para medir el riesgo de una inversión se utiliza la desviación típica

(x) = [2(x)]1/2
La varianza y la desviación típica miden la dispersión (posibilidad de alejamiento de la
media) de la variante.

Dispersión equivale a riesgo (si hay certeza, la varianza equivale a cero y va creciendo
a medida que el riesgo va siendo superior).

 Finalmente, el coeficiente de variación, CV, es un parámetro que combina el

riesgo y la esperanza matemática: es la desviación típica por unidad de valor
esperado.

CV(x) = s(x)/E(x)

5.7 EL ANÁLISIS BAYESIANO

Permite modificar las probabilidades de los distintos estados en función de la

información que va disponiéndose, es decir, transformar las probabilidades “a priori” en
probabilidades “a posteriori”.

El teorema de Bayes permite modificar las probabilidades a medida que se dispone de

más información y se profundiza en el aprendizaje.
Sean S1, S2, … y Sn un conjunto de sucesos disjuntos, y sea T un suceso que puede
producirse si acaece cualquiera de ellos, es decir:

T = (S1T)(S2T) …(SnT)
P(T) = P(S1T) + P(S2T) +…+ P(SnT)
P(T) = P(T/S1)P(S1) + P(T/S2)P(S2) +…+ P(T/Sn)P(Sn)

Es decir, la probabilidad de T es igual a la suma de las probabilidades de que se

produzca en el cada caso [P(T/Sn)] multiplicada por la probabilidad de cada caso
[P(Sn)].

Por otra parte, habíamos visto cuando el suceso compuesto:

P(SiT) = P(T/Si) · P(Si) = P(Si/T) · P(Ti)

SONIA HERRANZ SIERRA Página 6

 Introducción a la Economía de la Empresa

Que equivale a:

P(Si/T) = P(Si) · P(T/Si) / P(T)

Y aquí, sustituyendo P(T), obtenemos el teorema de Bayes.

P (Si) P (T / Si) P(Si / T) = P(T/S1)P(S1) + P(T/S2)P(S2) + … + P(T/ Sn)P(Sn)

P(S/T) = P(S) P( T / S) _
P(T/S1)P(S1) + P(T/ S2) P(S2) + … + P(T/Sn)P(Sn)

Ejemplo libro prácticas:

Tenemos tres buques hundidos, en los cuales tienen dos compartimentos

1.- 2 de oro
2.- 2 de plata
3.- 1 oro y otro plata

Oro= 45 millones
Plata: 15 millones

a) La ganancia esperada antes de abrir el buque: en principio se sabe que la

probabilidad de abrir un buque u otro es 1/3.
El beneficio será el 1º=90, 2º=30 y el 3º=60
El beneficio esperado o esperanza matemática es: 90*1/3+30*1/3+60*1/3=60
m.
b) Probabilidad de que el otro compartimento tenga oro tras abrir uno de ello y
que sea plata.
Teorema de Bayes:

Si el buque sería el primero seria P(p/1)= 0, el segundo seria 1 y el 3º ½

P(3∩p)=1/3*1/2=1/6
P(p)=1/3*0+1/3*1+1/3*1/2=1/2

La probabilidad revisada seria P(3/p)=1/6 / ½ =1/3

c) El beneficio esperado tras el descubrimiento de plata en un compartimento

E(B/p)=B1P(1/p)+B2P(2/P)+B3P(3/p)

Descartamos el primero pues no se encuentra plata P(1/p)=0

P(2/p)=1-P(3/p)= 1-1/3=2/3

E(B/p)=90*0+30*2/3+60*1/3=40 m

d) Distribuciones de probabilidad el beneficio y su desviación típica antes y

después del descubrimiento de la plata

2(x)=((30-60)²*1/3+(60-60)²*1/3+(90-60)²(1/3)) ½ =
24,5 m

Tras el descubrimiento:

SONIA HERRANZ SIERRA Página 7

 Introducción a la Economía de la Empresa

(B/p)=((30-40)² 2/3+(60-40)²*1/3)) ½ =
14,14 m

5.8 LA DETERMINACIÓN DEL GRADO DE CONFIANZA

Existen variables que pueden tomar ciertos valores (discretas) y otras que pueden
tomar infinitos valores (continuas). Las más importantes de éstas son las llamadas
variables normales, a cuyas distribuciones de probabilidad se llama distribuciones
normales. Características de las mismas:

 Son simétricas y tienen forma acampanada. A su representación se le llama

campana de Gauss.
 El área correspondiente a cada valor es infinitesimal. La probabilidad de que la
variable tome un valor en concreto equivale a cero.
 Pero la probabilidad de que la variable tome un valor comprendido en un
intervalo finito es también finita e igual existente bajo la campana en ese
intervalo. El área total bajo la campana es uno: es la probabilidad de que la
variable tome un valor entre –y .
 La esperanza matemática de la variable se encuentra en el centro de la
distribución, y el área situada a su derecha y a su izquierda valen cada una
0,5.
 La distribución queda descrita con el conocimiento de su esperanza
matemática y su varianza (ésta determina la "anchura").

x N[E(x), (x)] se lee: la variable x sigue una distribución normal con una
esperanza matemática igual a E(x) y una desviación típica igual a (x).

Motivo de su aplicación. El teorema fundamental del límite señala que, si una variable
está formada por la suma de un infinito número de variables (y se aplica de forma
aproximada cuando el número es suficientemente grande) independientes entre sí,
cada una de las cuales tiene una distribución de media y una varianza finitas, esa
variable-suma seguirá una distribución normal.

Hay una distribución normal que está tabulada. Se trata de la distribución normal
estandarizada o tipificada, que es aquélla cuya esperanza matemática vale cero y
cuya desviación típica es igual a uno, por lo que también se le denomina distribución
normal cero-uno.

Se la denomina . (N(0,1)) Si la variable x sigue una desviación normal,

entonces:
= [x – E(x)] / (x)] es la variable tipificada.

5.9 TEORÍA DE LA INFORMACIÓN

La información proporcionada por la materialización de un suceso depende de la

probabilidad de su acaecimiento. Proporciona tanta más información cuanto mayor sea
la sorpresa que produce, es decir, cuanto menor fuera la probabilidad de su
acaecimiento.

Así se puede denominar h(P) a la información proporcionada por la realización de un

suceso de probabilidad P, con lo que se hace constar que tal información es función
de P. Para determinar la forma correcta de esta función, se debe tener en cuenta:

SONIA HERRANZ SIERRA Página 8

 Introducción a la Economía de la Empresa

 Debe ser decreciente con P. ( la información aumenta al reducirse la

probabilidad del suceso)
 Tiende al infinito cuando la probabilidad P tienda a 0.
 Toma el valor 0 cuando P sea igual a 1 (suceso seguro).
 Debe ser monótona y continua. A cada uno de los infinitos posibles valores de
P les debe corresponder una y sólo una medida de información
 La información proporcionada por la ocurrencia conjunta de dos o más sucesos
independientes entre sí será igual a la suma de las informaciones que nos
proporcionan los distintos sucesos en su acontecer.

De todo ello resulta la congruencia de emplear, como medida de información, el

recíproco de la probabilidad.
h(P) = log (1/P) = – log (P)

El logaritmo puede ser neperiano (en cuyo caso la información viene medida en nits),
decimal (y, entonces la unidad de información será el Hartley) o binario (y, en ese
caso, la información se mide en bits).
Normalmente se utiliza en logaritmo binario, midiéndose la información en bits. Cada
bit constituye la información proporcionada por el acaecimiento de un suceso de
probabilidad igual a un medio.

h(1/2) = – log2 (1/2) =1 bit

Si se considera un conjunto de sucesos complementarios y mutuamente excluyentes

S, a los que corresponden unas probabilidades respectivas de P (cuya suma,
lógicamente, es igual a 1), a cada suceso le corresponderá una incertidumbre (o una
información en su acaecimiento) igual a:

h(P) = – log (P)

La información esperada será

H = P1h(P1) + P2h(P2) + … + Pnh(Pn)

H = – [P1 log (P1) + P2 log (P2) + … + Pn log (Pn)]

H mide la incertidumbre que afecta al sistema antes de saberse cuál de los sucesos va
a producirse. A H se le denomina entropía o desorden en el sistema.

La entropía es mínima (H = 0) cuando sólo uno de los sucesos es posible. Y es

máxima [H = log (n)] cuando todos los sucesos tienen la misma probabilidad de
presentarse.
El contenido informativo de un mensaje, o la ganancia de información derivada del
mismo, es la modificación de la incertidumbre, sobre la ocurrencia del suceso,
existente previamente a su llegada.
Cuando son varios sucesos, la variación de las probabilidades de cada uno de ellos
como consecuencia de la llegada de un mensaje se denomina información de canal.

¿Cual es la entropía asociada al lanzamiento de una moneda perfecta?

P(cara) = ½ P(cruz) = ½

En teoría de la información, como medida de la información el log 2(1/P) 0> h(p) = -

log(P) normalmente se utilizan logaritmos binarios.

SONIA HERRANZ SIERRA Página 9

 Introducción a la Economía de la Empresa

h(1/2) = -log(1/2) = 1

La entropía seria igual a H = P(cara) * h(p) + P(cruz) * h(p)

H= ½ * 1 + ½ * 1 = 1 bit

La moneda no es perfecta hay un 25% de que salga cara ¿Cuánto vale la entropía?

P(cara) = 0,25

P(cruz) = 0,75
h(cara) = log2(1/P) = log2(1/0,25) h(cruz) = log2(1/P) = log2(1/0,75)
h(cara) = log2(1/4)= 2 bits h(cruz) = 0,415 bits

H = P(cara) * h(p) + P(cruz) * h(p)

H = 0,25 * 2 + 0,75 * 0,415
H = 0,811225 bits

SONIA HERRANZ SIERRA Página 10

 Introducción a la Economía de la Empresa

RESUMEN

La empresa es un centro de decisiones voluntarias tomadas en un entorno incierto

Un modelo es una representación simplificada de una parte de la realidad.

 Modelos objetivos y subjetivos

 Modelos analíticos y de simulación
 Modelos estáticos y dinámicos
 Modelos deterministas y probalisticos

Los ambientes de decisión difieren entre sí por el diferente nivel de información que
comporta, se distinguen:
 Certeza
 Riesgo
 Incertidumbre estructurada
 Incertidumbre no estructurada.

Ambientes de incertidumbre estructurada.

 Laplace
 Optimista
 Pesimista o de Wald
 Optimismo parcial de hurwicz
 Mínimo pesar de Savage

En los juegos de estrategia depende el resultado de las decisiones de los jugadores

A los juegos maxi-min del ganador coincide con el mini-max del perdedor se le
denomina juegos con punto de silla.

Variable aleatoria: no se sabe con certeza el valor que tomara (solo los valores que
puede tomar y las probabilidades de cada uno)

Teorema de Bayes: permite modificar las probabilidades de los distintos estados o

sucesos aleatorios.

Según la teoría de la información: la información proporcionada por la materialización

del suceso depende de la probabilidad de su acaecimiento.

SONIA HERRANZ SIERRA Página 11