MODELOS ESTOCÁSTICOS

Clase 1: Probabilidades y Toma de decisiones

Contenido
1. Probabilidad.
2. Espacio muestral continuo.
3. Cuantificación de la probabilidad.
4. Probabilidad aditiva.
5. Ley de probabilidad condicional.
6. Distribuciones clásicas de probabilidad.
7. Toma de decisiones en condición de certidumbre.
8. Toma de decisiones en condición de riesgo. Árboles de decisión.
9. Toma de decisiones en condición de incertidumbre.
10. Criterios de decisiones en condiciones de incertidumbre.
Resultado de aprendizaje
Reconoce conceptos y aplicaciones fundamentales de
probabilidades, árboles de decisión y métodos
decisionales.
 Introducción
La naturaleza y las realizaciones humanas nos muestran numerosos
fenómenos en los cuales, una o varias magnitudes, que representan
“el estado” de un cierto sistema, varían en función del tiempo en una
forma que no puede ser previsible.

Sin embargo, las variaciones de estas magnitudes pueden ser

sometidas a las leyes estadísticas que permiten vincular
probabilidades a los diferentes valores que pueden tomar dichas
magnitudes.
 Por ejemplo:

Llamamos “estado del tiempo” al estado del sistema, atmosfera local, caracterizado
por una cierta probabilidad de precipitaciones, ciertos valores extremos de
temperatura (probabilidades de ciertas temperaturas máxima y mínima), cierta
velocidad de viento (probabilidad de cierta velocidad de viento), etc.
Las distribuciones de probabilidad (Normal, Poisson,
etc.), y las relaciones que ligan las magnitudes del
Objetivo:
sistema constituyen lo que se llama un “modelo
matemático” del fenómeno; se llama proceso Ajustar un modelo con el fin
de hacer predicciones sobre
estocástico a un modelo que se ajusta al caso el comportamiento futuro.
descrito, en donde una o varias magnitudes del
sistema varían en una forma aleatoria en función del
tiempo.

Variable aleatoria varía

Modelo Estocástico
a lo largo del tiempo
 Espacio de estados.
A los posibles valores que puede tomar la variable aleatoria se le denominaran estados, por
lo que se puede tener un espacio de estados discreto o un espacio de estados continuo.
Los estados posibles del sistema pueden ser en número finito o infinito, pero a menudo se
les definirá en forma que puedan ser numerados.
Cada estado posible puede ser referido como X0, X1, … , Xi, …

Espacio muestral Discreto

La probabilidad tiene que ver con los resultados aleatorios de
un experimento. La conjunción de todos los resultados es el
espacio de muestreo y un subconjunto de este es un evento.

• El experimento de lanzar un dado (de 6 caras) produce el

espacio de muestreo discreto {1,2,3,4,5,6}. El subconjunto
{1,3,5} define el evento de obtener valores impares.
 Probabilidades y toma de decisiones

Espacio muestral continuo

• Un experimento también puede

ocuparse de un espacio de
muestreo continuo.

• Por ejemplo, el tiempo entre las

fallas de un componente
electrónico puede asumir cualquier
valor no negativo.
 Probabilidades y toma de decisiones

Una secuencia de variables que indique el valor de alguna magnitud del sistema en instantes
sucesivos suele representarse de la siguiente manera:

en la que cada variable Xi , i = 0, ..., n, tiene una distribución de probabilidades, en general,

distinta de las otras variables.
 Probabilidades y toma de decisiones

Procesos Estocásticos. Clasificación

Por tanto, si T representa el conjunto (espacio de tiempo) de valores de tiempo
posibles y Xt los valores de la variable aleatoria (espacio de estados) en los
instantes t, donde t є T, tendremos:
• Si el conjunto T es continuo, por ejemplo ℝ+, diremos que Xt es un proceso
estocástico de tiempo continuo.
• Si por el contrario T es discreto, por ejemplo ℕ, diremos que nos encontramos
frente a un proceso estocástico de tiempo discreto.
• Si para cada instante t la variable aleatoria Xt es de tipo continuo, diremos que
el proceso estocástico es de estado continuo.
• Si para cada instante t la variable aleatoria Xt es de tipo discreto, diremos que
el proceso estocástico es de estado discreto.
 Probabilidades y toma de decisiones

Ejemplo discreto
Supongamos el espacio de tiempo: T={0,1,2,…} (discreto)

Entonces habrá variables aleatorias: X0, X1, X2,…

Entonces para cada t, Xt es el valor del proceso o estado del sistema al tiempo t
 Probabilidades y toma de decisiones

Ejemplo continuo
El espacio de tiempo también puede ser un conjunto continuo : T= !0, ♾) (continuo)

Entonces el proceso es a tiempo continuo y se denota: {Xt : t> 0 }

 Probabilidades y toma de decisiones

Procesos Estocásticos - Cadena

Una Cadena es un proceso estocástico

en el cual el tiempo se mueve en forma
discreta y la variable aleatoria sólo
toma valores discretos en el espacio de
estados.

Como un ejemplo de una Cadena, considere una máquina dentro

de una fábrica. Los posibles estados para la máquina son que
esté operando (1) o que esté fuera de funcionamiento (0) y la
verificación de esta característica se realizará al principio de cada
día de trabajo. La figura muestra una posible secuencia de
cambios de estado a través del tiempo para esa máquina.
 Probabilidades y toma de decisiones
Procesos Estocásticos – Saltos Puros
Un Proceso de Saltos Puros es un
proceso estocástico en el cual los
cambios de estados ocurren en forma
aleatoria pero la variable aleatoria sólo
toma valores discretos en el espacio de
estados.

Para el caso de los Procesos de Saltos Puros se puede

considerar como un ejemplo una señal telegráfica. Sólo hay
dos posibles estados (por ejemplo 1 y -1) pero la oportunidad
del cambio de estado se da en cualquier instante en el
tiempo, es decir, el instante del cambio de estado es
aleatorio.
 Probabilidades y toma de decisiones

Procesos Estocásticos – Estado continuo / tiempo discreto

Un Proceso de estado continuo y tiempo
discreto es un proceso donde la variable
aleatoria puede tomar cualquier estado
dentro de un rango, pero solo es observada
en ciertos instantes de tiempo.

Como ejemplo tenemos la producción de toneladas de

cobre en Chile por año. La producción puede tomar
cualquier valor, pero las observaciones se realizan por
año.
 Probabilidades y toma de decisiones

Procesos Estocásticos – Proceso Continuo

En un Proceso Continuo los
cambios de estado se producen en
cualquier instante y hacia cualquier
estado dentro de un espacio
continuo de estados.

Por ejemplo, la señal de voz vista en la

pantalla de un osciloscopio.

Señal de voz modulada en

amplitud.(AM)
 Probabilidades y toma de decisiones

Tipos de Modelos Matemáticos

Modelo Determinístico corresponde a aquel modelo cuantitativo que no contiene

consideraciones probabilísticas.
◦ Modelo de Optimización Lineal
◦ Modelos de inventarios
◦ Modelos para determinar capacidad productiva óptima
◦ Modelos para maximizar la utilidad o minimizar las pérdidas

Modelo Estocástico aquellos basados en la estadística y probabilidades (donde se

incorpora las incertidumbres que por lo general acompañan nuestras observaciones de
eventos reales).
◦ Modelo de Poisson
◦ Modelo Normal
◦ Modelo Binomial
 Probabilidades y toma de decisiones

Determinístico v/s Estocástico

Los procesos determinísticos, son procesos en los que conociendo las condiciones iniciales siempre siguen el
mismo curso y producen el mismo resultado final, o sea no hay elementos aleatorios, podemos predecir en
el tiempo todos los posibles estados y el estado final siempre será el mismo dado unas mismas condiciones
iniciales.
En procesos estocásticos no estamos frente a un
simple curso de acontecimientos en el tiempo, o Distribuciones de Probabilidad comunes
sea que hay un grado de indeterminación en los
posibles cursos o secuencias de pasos que tome el Hay cuatro funciones de distribución de
proceso y este escenario múltiple puede ser probabilidades (fdp) que a menudo se presentan
descrito por distribuciones de probabilidad. en estudios de investigación de operaciones:
En un proceso estocástico aun cuando tenemos las
mismas condiciones iniciales en el comienzo hay Distribución Binomial
diferente cursos de acontecimiento que el proceso Distribución de Poisson
puede tomar y por ende se puede arribar a Distribución Exponencial
diferentes estados finales partiendo de unas Distribución Normal
mismas condiciones iniciales.
 Probabilidades y toma de decisiones

Cuantificación de la probabilidad

• Si un evento E ocurre m veces en un experimento de n ensayos, entonces la probabilidad de

realizar el evento E se define como:

• La definición dice que cuando el experimento se repite un número infinito de veces, la probabilidad
de realizar un evento es m/n. Por ejemplo, cuantas más veces se lanza una moneda equilibrada,
más se acercará la estimación de P{cara} (o P{sello}) al valor teórico de 0.5. Por definición:

• Un evento E es imposible si P{E} = 0, y seguro si P{E} = 1. Por ejemplo, en el experimento del dado
de 6 caras, obtener un siete es imposible, pero obtener un número en el rango de 1 a 6 es seguro.
 Probabilidades y toma de decisiones

Probabilidad aditiva
Cuando el problema matemático pide la probabilidad de que ocurra un suceso A, un suceso
B o que ambos ocurran como único resultado es necesario utilizar la regla de la suma. En
donde:
 Probabilidades y toma de decisiones

EJEMPLO: En una sala hay 20 personas, donde se sabe la mitad de las personas son mayores de
30 años, si se sabe que hay 7 chilenos de los cuales 5 son mayores de 30 años, ¿Cuál es la
probabilidad de que al seleccionar una persona al azar salga alguien que sea mayor de 30 años o
que sea de Chile?
 Probabilidades y toma de decisiones

Probabilidad multiplicativa
Cuando el problema matemático pide calcular la probabilidad de que 2 o más sucesos pasen al
mismo tiempo. Se podrán dar dos escenarios distintos.

1. Cuando los sucesos son dependientes y uno si afecta la probabilidad del otro.

2. Cuando los sucesos son independientes y uno no afecta la probabilidad del otro.

EJEMPLO SUCESO DEPENDIENTE
Una caja tiene 3 bolas verdes, 5 bolas rojas
y 2 bolas azules. Si se extraen al azar 2
bolas sin posición ¿Cuál es la probabilidad
de que la primera sea azul y la segunda
sea verde?
Solución : En este ejercicio el segundo
suceso va a depender del primero, siendo
entonces dependiente.
Probabilidad de que la primera bola sea azul y la segunda verde:
2 x 3= 6= 1 6,7% de probabilidad
10 9 90 15
Probabilidades y toma de decisiones
EJEMPLO SUCESO INDEPENDIENTE
Una pareja desea tener 3 hijos. Suponiendo que las
probabilidades son de que sea hombre/mujer son las
mismas. Calcular la probabilidad de que tenga en orden
Hombre-Mujer-Hombre.
Solución: En este ejercicio ningún suceso depende del
anterior, siendo entonces independiente.
Probabilidad de que el primer embarazo sea Hombre : 1
2
Probabilidad de que el segundo embarazo sea Mujer : 1
2
Probabilidad de que el tercer embarazo sea Hombre : 1
2
 Probabilidades y toma de decisiones

Probabilidad condicional
Ocurre cuando dos eventos o
sucesos son dependientes entre
sí y además la ocurrencia de uno
condiciona la ocurrencia del otro.

La característica es que A depende de B o viceversa.

 Probabilidades y toma de decisiones
EJEMPLO PROBABILIDAD CONDICIONADA
Ocurre cuando dos eventos o sucesos son dependientes entre si, y la ocurrencia de uno condiciona la ocurrencia del otro.

El 75% de los pacientes de un hospital dieron positivo para sarampión, y el 68% positivo para coronavirus. El porcentaje de pacientes
que resultaron positivo para sarampión (A) habiendo sido positivos para coronavirus (B) es del 85%. Si Juan sabe que es positivo para
sarampión, ¿Qué probabilidad tiene de haber sido positivo para coronavirus?

Sarampión à A Probabilidad de que ocurra A, à P(A) = 75%

Coronavirus à B Probabilidad de que ocurra B, à P(B) = 68%

Probabilidad de que ocurra A à Probabilidad de que tenga à P(A/B) = 85%

habiendo ocurrido ya B
Probabilidad de que ocurra B à
habiendo ocurrido ya A
sarampión sabiendo que
ya tiene coronavirus
Probabilidad de que tenga à P(B/A) = ???
coronavirus sabiendo
que ya tiene sarampión
 Toma de decisiones.
¿Qué es la toma de decisiones?
Es un método que consiste en reunir la información y evaluar alternativas para
luego, en definitiva, tomar la decisión final.
En el momento de diseñar las decisiones, pero sobre todo a la hora de establecer criterios con los que
adoptar un curso de acción, tres son las situaciones que se le pueden presentar al decisor:

Certeza: Esta es la situación ideal para la toma de decisiones. Se tiene la total seguridad sobre lo que va a
ocurrir en el futuro. Desde un punto de vista estrictamente económico se trata de elegir el curso de acción
que va a proporcionar los mejores resultados de acuerdo con el criterio establecido (beneficios, rentabilidad,
cifra de ventas…). Sin embargo, no es una situación habitual.

Riesgo: Esta situación se aproxima bastante más que la anterior a las situaciones habituales en la empresa.
El decisor, bien porque se ha procurado información, bien por su experiencia, puede asignar probabilidades
a los estados de la naturaleza de los que depende la efectividad de su decisión.
De esta forma, puede valorar, al menos asociándolos a una probabilidad, los resultados promedio de sus
decisiones.
Por supuesto, que eso sea suficiente para tomar una decisión depende de los criterios que se definan para
tomarla.
 Probabilidades y toma de decisiones

Incertidumbre: Al igual que con el riesgo, los decisores en muchas ocasiones se enfrentan a decisiones en
las que no pueden efectuar suposiciones sobre las condiciones futuras en las que se desarrollarán los
cursos de acción elegidos. Ni siquiera es posible asignar probabilidades razonables a dichos sucesos
futuros. En estos casos la decisión, además de por criterios políticos y económicos, se ve orientada por la
orientación psicológica del decisor.

Independientemente de la situación a la que nos enfrentemos, lo que es cierto es que para todo conjunto
de decisiones a tomar y sucesos futuros de los que depende el resultado de la decisión es posible definir
una matriz de decisión o resultados, donde Rij es el resultado de aplicar la alternativa i (Ai) y presentarse
posteriormente el suceso o estado de la naturaleza j (Sj).
 Probabilidades y toma de decisiones

Toma de decisiones en condición de certidumbre

Los modelos en que todos los datos se conocen con certeza, constituyen los
ejemplos de toma de decisiones bajo certidumbre.

El Proceso de Jerarquía Analítica (PJA) está diseñado para situaciones en que las
ideas, sentimientos y emociones que afectan el proceso de toma de decisiones se
cuantifican para obtener una escala numérica y priorizar las alternativas.
Esta condición de certeza implica el debido conocimiento y clara definición tanto del problema como de
las soluciones alternativas y están claros los posibles resultados de cada decisión.
Una vez que se identifican las soluciones alternativas y sus resultados esperados, la toma de la
decisión es relativamente fácil.
Modelos matemáticos asociados.

1.El análisis del punto de equilibrio.

2.Programación lineal.
 Toma de decisiones en condición de riesgo.
Riesgo :

Las decisiones se toman con base en información que permite estimar la probabilidad de ocurrencia de cada
posible resultado.

Los resultados asociados con cada alternativa de decisión

están ligados a la probabilidad de ocurrencia de los diferentes
estados de la naturaleza posibles

Existe un número finito de eventos (futuros) posibles, es decir,

un conjunto de escenarios posibles.

Las circunstancias en las cuales se toma una decisión se

llaman estados de la naturaleza.
Los estados de la naturaleza se identifican y agrupan en el
conjunto S; los miembros se denotan como s.
El conjunto S es un grupo de conjuntos mutuamente
excluyentes. Es decir, sólo puede ocurrir un estado de la
naturaleza.
 Criterio del Valor Esperado.
La alternativa que se elige es la que maximice el valor de la recompensa o utilidad promedio esperada,
o bien que minimice el valor del castigo o costo promedio esperado

El valor esperado de la alternativa “i”, se calcula con

Donde:

VEi : Valor esperado de la alternativa “i”

vij : Recompensa o costo que se obtendría al elegir la alternativa “i”, y se presenta el estado de la naturaleza “j”.
pj : Probabilidad de ocurrencia del estado de la naturaleza ”j”
Matriz de Recompensas.
Ejemplo
Una compañía de investigación de mercados está considerando tres opciones para el
procesamiento de sus datos:
- Continuar con el propio personal
- Contratar una empresa externa (outsourcing)
- Un combinación de las dos opciones anteriores

El costo anual de cada opción (en miles de pesos), depende la demanda futura de
procesamiento de datos que puede ser alta, media o baja. Si las probabilidades para cada nivel
son 0.2, 0.5 y 0.3, respectivamente. ¿Qué alternativa de decisión minimizará el costo del
procesamiento de datos?, ¿Cuál es el costo anual esperado de su recomendación?
Los costos asociados con cada una de las alternativas y estados de la naturaleza, se muestras en la siguiente
tabla:
Ahora incluimos las probabilidades de ocurrencia de cada estado de la naturaleza en la tabla de
recompensas:
Calculo Valor Esperado
Calculo Valor Esperado

Como se trata de costos, se elige la alternativa de menor costo

Decisión : Se debe hacer la contratación de la empresa externa para procesar los datos, lo que
representaría un costo esperado de 570 mil pesos para el próximo año.
 Probabilidades y toma de decisiones

Toma de decisiones en condición de riesgo. Árboles de decisión

Un Árbol de decisión es la representación gráfica del proceso secuencial de toma de decisión bajo
riesgo.

Tipo de información que se representa en un Árbol de Decisión:

- Alternativas de decisión
- Eventos aleatorios o estados de la naturaleza
- Probabilidades de ocurrencia de cada estado de la naturaleza
- Recompensas o pagos asociados a las alternativas y estados de la naturaleza
- Valor esperado de cada alternativa de decisión

Ventaja: Puede involucrar más de una etapa en la toma de decisiones.

Elementos de un Árbol de decisión
Nodos
probabilísticos

Nodos
terminales
 Ejemplo

Un restaurante está analizando la posibilidad de abrir una sucursal, para lo cual está considerando tres
ubicaciones distintas : U1, U2 y U3.
Con base en los estudios realizados por la compañía, se estima que para cada una de las ubicaciones que se
están considerando, la utilidad neta anual es diferente, en función de si la demanda es alta(da), o si la demanda
es baja(db). La probabilidad de que la demanda para la nueva sucursal sea alta es del 80%.
Las utilidades para cada ubicación y tipo de demanda se muestras en la siguiente tabla de pagos o
recompensas:
Solución:
 Probabilidades y toma de decisiones

Toma de decisiones en condición de incertidumbre

La toma de decisiones bajo incertidumbre, así como bajo riesgo,

implica acciones alternativas, cuyas retribuciones dependen de los
estados de la naturaleza (aleatorios).

Específicamente, la matriz de retribución de un problema de decisión

con m acciones alternativas y n estados de la naturaleza, puede
representarse como se presenta en la imagen.
Obtenida de Taha, 2004, p. 537.

El elemento ai representa la acción i y el elemento sj, representa el estado de la naturaleza j. La retribución o resultado asociado
con la acción ai y el estado sj es v(ai, sj).
En la toma de decisiones bajo incertidumbre, la distribución de probabilidad asociada con los estados sj, j = 1,2,…, n, o se
desconoce o no puede ser determinada. Esta falta de información condujo al desarrollo de criterios de decisión especiales:

1. Laplace
2. Minimax
3. Savage
4. Hurwicz

Criterios de decisiones en condiciones de incertidumbre
CRITERIO DE LAPLACE O
RAZÓN INSUFICIENTE
El criterio de Laplace se basa
en el principio de razón
insuficiente al asegurar que
no existe ninguna razón por
la un estado de la naturaleza
vaya a ocurrir antes que otro.
Laplace soluciona el
problema de toma de
decisiones asignando a cada
estado de la naturaleza (n) la
misma probabilidad de
suceder.
Probabilidades y toma de decisiones
CRITERIO PESIMISTA (MAXIMIN,
MINIMAX O DE WALD)
El criterio de Wald se sitúa en el
peor de los casos y por tanto supone
que se va a dar el PEOR estado de la
naturaleza, sea cual sea la estrategia
elegida. Es poco arriesgada.
Por tanto, primero elegimos el
beneficio MENOR de cada estrategia
para más tarde escoger aquella (de
las anteriores) que aporte un
MAYOR beneficio, es decir, la que
MAXIMICE los MÍNIMOS beneficios
elegidos.
CRITERIO OPTIMISTA
(MAXIMAX)
Este criterio, al contrario que el
anterior supone que siempre se
va a dar el MEJOR estado de la
naturaleza, sea cual sea la
estrategia elegida. Es muy
arriesgada.
Por tanto, primero elegimos el
beneficio MAYOR de cada
estrategia para luego escoger
aquella (de las anteriores) que
aporte un MAYOR beneficio, es
decir, la que MAXIMICE los
MÁXIMOS beneficios elegidos.
 Probabilidades y toma de decisiones

Criterios de decisiones en condiciones de incertidumbre

CRITERIO DE SAVAGE CRITERIO DE HURWICZ
Savage solucionó el problema de la toma de El modelo de Hurwicz solo tiene en cuenta el mejor y peor
decisiones teniendo en cuenta los costos de desenlace de cada estrategia, asignándoles respectivamente un
oportunidad generados, observando en primera coeficiente de optimismo (α) y pesimismo (1- α), situados entre
instancia cual era la mejor estrategia de cada 0 y 1 (0 < α < 1).
estado de la naturaleza. Hurwicz aplica el coeficiente de optimismo (α) a la mejor opción
Posteriormente creó una nueva matriz en la que y por tanto aplica el de pesimismo (1 - α ) a la peor
aparecería el costo de oportunidad de cada
Hurwicz, está diseñado para representar diferentes actitudes
estrategia, es decir, a partir del dato más favorable
de decisión que van desde la más optimista hasta la más
obtenido antes, se observaría “lo que se empeora”
pesimista.
en caso de elegir cada estrategia, en lugar de la
anterior.
Para acabar, seleccionaba el costo de oportunidad
menos favorable en cada estrategia. (al tratar con
“beneficios” será el dato más alto, es decir, lo que
dejaríamos de ganar)
 Probabilidades y toma de decisiones

Ejemplo:
Indique que decisiones tomaría aplicando los criterios Laplace, Wald, Savage y Hurwicz.

Matriz de costos
s1 s2 s3 s4

a1 5 10 18 25

a2 8 7 18 23

a3 21 18 12 21

a4 30 22 19 15
 Probabilidades y toma de decisiones

Criterio Laplace

Dado que P{sj}= ¼, j = 1 a 4, los valores esperados con las diferentes acciones se calculan como:

s1 s2 s3 s4
a1 5 10 18 25 14,5
a2 8 7 12 23 12,5
a3 21 18 12 21 18
a4 30 22 19 15 21,5
 Probabilidades y toma de decisiones

Wald. Maximin
Para una matriz de ganancias la regla tomará el nombre MINIMAX dado que
supondrá que la elección de la alternativa será la mejor considerando previamente
que ocurrirá el peor evento.

Si se trata de una matriz de pérdidas, la regla tomará el nombre MAXIMIN, en la cual

la elección del curso de acción implicará que acontecida la peor situación se
seleccionará el mejor resultado de las posibilidades alternas.

Como es una matriz de perdidas, el criterio maximin produce la siguiente matriz:

 Probabilidades y toma de decisiones

Criterio Savage

s1 s2 se determina
La matriz de arrepentimiento s3 s4 5, 7, 12 y 15 de las columnas
restando s1 s2 s3 s4 Por lo tanto,
1 a 4, respectivamente.

a1 5 10 18 25 a1 0 3 6 10 10

a2 8 7 12 23 a2 3 0 0 8 8

a3 21 18 12 21 a3 16 11 0 6 16

a4 30 22 19 15 a4 25 15 7 0 25
 Probabilidades y toma de decisiones

Criterio Hurwicz VEi = max vi * a + min vi + (1-a)

Si elegimos un índice de optimismo a = 0,5

Valor esperado
Fila Fila VE =Alfa*fila
max vmin + (1 – alfa)*Fila max
i i*a + min vi*(1-a)
s1 s2 s3 s4 min max
5 a1 25 (25)(0,5)
15 + (5)(1-0,5)
19 = 15
9,2 19,6
a1 5 10 18 25
7
a2 23
(23)(0,5)
15
+ (7)(1-0,5)
18,2
= 15 18,68
10,36
a2 8 7 12 23
a3 (21)(0,5) + (12)(1-0,5) = 16,5
12 21 16,5 18,3 13,89 18,57
a3 21 18 12 21
a4 (30)(0,5) + (15)(1-0,5) = 22,5
15 30 22,5 25,5 18,15 25,95
a4 30 22 19 15
Utilizando un a apropiado podemos determinar la alternativa óptima. Alfa 0,5 0,3 0,7 0,9
Para el ejemplo, con a = 0.5, a1 o a2 es la decisión óptima
Comparativo

Alternativa Laplace Maximin Hurwicz Savage

a1 14,5 5 15 10

a2 12,5 7 15 8

a3 18 12 16,5 16

a4 21,5 15 22,5 25
 Probabilidades y toma de decisiones

Bibliografía

• Hillier, F. y Lieberman, G. (2010). Introducción a la Investigación de operaciones (9a edición).

México: MacGraw Hill. p. 978.

• Taha, H. (2004). Investigación de operaciones (7a edición). México: Pearson Educación. p. 830.