Métodos

cuantitativos para
los negocios
UNIDAD 2
Análisis de decisiones
 Contenido

1 Análisis de decisión 6 Análisis de decisión con información muestral

2 Formulación del problema 7 Conclusiones

3 Toma de decisiones sin probabilidades 8 Referencias

4 Toma de decisiones con probabilidades

5 Análisis del riesgo y análisis de sensibilidad

 1. Análisis de decisión

Se utiliza para desarrollar una estrategia óptima

cuando un tomador de decisiones se enfrenta con
varias alternativas de decisión y un patrón de
eventos futuros incierto o lleno de riesgos.
Incluso cuando se ha realizado un análisis de
decisión minucioso, los eventos futuros inciertos
vuelven incierta la consecuencia final.

Fuente:
Anderson, D. et al., 2016, p. 104
 1. Análisis de decisión

El riesgo asociado con cualquier alternativa de

decisión es un resultado directo de la incertidumbre
asociada con la consecuencia final.
Un buen análisis de decisión incluye un análisis de
riesgo que proporciona información acerca de la
probabilidad favorable, así como las consecuencias
desfavorables que pueden ocurrir.

Fuente:
Anderson, D. et al., 2016, p. 104
 1. Análisis de decisión

1.1. Pasos para la toma de decisiones

Seleccionar uno de los modelos
Definir claramente el Identificar los resultados posibles o matemáticos de la teoría de
problema. los estados de la naturaleza. decisiones.

1 2 3 4 5 6

Hacer una lista de las Analizar los pagos (por lo general la Aplicar el modelo y tomar
alternativas posibles. ganancia) de cada combinación de la decisión.
alternativas y resultados.

Fuente:
Anderson, D. et al., 2016, p. 6
 1. Análisis de decisión

1.1. Pasos para la toma de decisiones

El modelo racional para la toma de decisiones no es el

único, y hay que tener sabiduría para elegir la
perspectiva y herramientas adecuadas para cada
problema.

Fuente:
Gigerenzer, G. , 2003, pp. 423-435
 2. Formulación del problema

Un problema de decisión se caracteriza por:

Alternativas
Diferentes estrategias posibles que el tomador de decisiones puede emplear.
de decisión

Eventos futuros que no están bajo el control del tomador de decisiones

Estados de y que pueden ocurrir. Deben definirse de modo que sean mutuamente
naturaleza
excluyentes y colectivamente exhaustivos.

Consecuencia que resulta de la combinación de una alternativa elegida

Pagos (variable de decisión) y la ocurrencia de un particular estado de la
resultantes
naturaleza (evento o variable no controlable).

Fuente:
Anderson, D. et al., 2016, p. 105
Peñaloza, M., 2010, p. 228
 2. Formulación del problema

Por ejemplo:

Lanzar un Mercado lo acoge Ganar un millón

producto calurosamente de soles
(Decidir) (Estado de la naturaleza) (Pago resultante)
 2. Formulación del problema

Ejemplo: Pittsburgh Development Corporation

Pittsburgh Development Corporation (PDC)

compró un terreno que será el sitio de un nuevo
complejo de condominios de lujo y encargó dibujos
arquitectónicos preliminares para tres proyectos
diferentes: uno con 30, uno con 60 y otro con 90
condominios.

El éxito financiero del proyecto depende del tamaño

del complejo de condominios y del evento fortuito
relacionado con la demanda de los condominios.

Fuente:
Anderson, D. et al., 2016, p. 105
 2. Formulación del problema

Ejemplo: Pittsburgh Development

Seleccionar el tamaño del nuevo complejo que

Declaración del
llevará al mayor beneficio dada la incertidumbre
problema
sobre la demanda de los condominios.

Fuente:
Anderson, D. et al., 2016, p. 105
 2. Formulación del problema

2.1. Herramientas para graficar un problema

Diagramas de
Matrices de pago
influencia
 2.1.1. Diagramas de influencia
Es un gráfico que muestra las relaciones entre las decisiones, los eventos
aleatorios y las consecuencias.

Fuente:
Anderson, D. et al., 2016, p. 106
 2.1.1. Diagramas de influencia
Los cuadrados o rectángulos
representan los nodos de decisión.
Los círculos u óvalos representan Decisión
los nodos fortuitos. Oportunidad
Consecuencia Demanda
Los rombos representan nodos de
consecuencia.
Las líneas o arcos que conectan los Tamaño Utilidad
complejo
nodos muestran la dirección de
influencia.

Fuente:
Anderson, D. et al., 2016, p. 106
 2.1.2. Matrices de pago
La consecuencia resultante de una combinación
específica de una alternativa de decisión y un
estado de la naturaleza es una matriz de pago.

Una tabla que muestra los resultados de todas las

combinaciones de alternativas de decisión y
estados de la naturaleza es una tabla de pagos.

Los resultados pueden expresarse en términos de

ganancia, costo, tiempo, distancia o cualquier
otra medida.

Fuente:
Anderson, D. et al., 2016, p. 106
 2.1.1. Matrices de pago
Tomando en cuenta el ejemplo de Pittsburgh Development Corporation,
consideremos su problema con tres alternativas de decisión y dos estados de
la naturaleza con la siguiente tabla de pagos que representa beneficios:

TABLA DE PAGO Estados de la naturaleza

Demanda Fuerte Demanda Débil
Ver caso de Pittsburgh
Alternativa de decisión s1 s2
Development Corporation
Complejo pequeño, d1 8 7
Complejo mediano, d2 14 5
Complejo grande, d3 20 -9

Fuente:
Anderson, D. et al., 2016, p. 107
 3. Toma de decisiones sin probabilidades

Son tres criterios comúnmente utilizados para la toma de decisiones cuando la información de probabilidad con respecto a la
probabilidad de los estados de la naturaleza no está disponible.

Enfoque optimista Enfoque conservador Enfoque de arrepentimiento

minimax

Fuente:
Anderson, D. et al., 2016, pp. 109-110
 3.1. Enfoque optimista (Maximax)

Sería utilizado por un tomador de

decisiones optimista.
Se elige la decisión con el mayor
resultado posible.
Si la tabla de pagos fuera en
términos de costos, se elegiría la
decisión con el costo más bajo.

Fuente:
Anderson, D. et al., 2016, p. 109
 3.1. Enfoque optimista (Maximax)
Ejemplo:

Resultado
Decisión Máximo
Decisión Valor
d1 8
Máxima Máximo
d2 14
d3 20

Fuente:
Anderson, D. et al., 2016, p. 109
 3.2. Enfoque conservador (MaxiMin)
Sería utilizado por un tomador de decisiones conservador.
Para cada decisión, se indica el pago mínimo y luego se
selecciona la decisión correspondiente al máximo de estos
pagos mínimos (por lo tanto, se maximiza el mínimo valor
posible).
Si el pago fue en términos de costos, los costos máximos se
determinarían para cada decisión y luego se seleccionará la
decisión correspondiente al mínimo de estos costos Ver caso de Pittsburgh
Development Corporation
máximos (por lo tanto, se minimiza el costo máximo posible).

Fuente:
Anderson, D. et al., 2016, p. 109
 3.2. Enfoque conservador (MaxiMin)
Ejemplo:

Máximo valor de
Decisión los resultados
Resultado
Maximin mínimos
Decisión Mínimo
d1 7
d2 5
d3 -9

Fuente:
Anderson, D. et al., 2016, p. 110
 3.3. Enfoque de arrepentimiento
minimax (Pérdida de oportunidad)
Requiere la construcción de una tabla de arrepentimiento
o una tabla de pérdida de oportunidad.
Se realiza calculando para cada estado de naturaleza, la
diferencia entre cada recompensa y la mayor recompensa
para ese estado de naturaleza.
Utilizando una tabla de arrepentimiento, se enumera el
arrepentimiento máximo para cada decisión posible.
La decisión elegida es la correspondiente al mínimo de los
arrepentimientos máximos.

Fuente:
Anderson, D. et al., 2016, p. 110
 3.3. Enfoque de arrepentimiento
minimax (Pérdida de oportunidad)
Ejemplo del caso de Pittsburgh Development Corporation:

TABLA DE PAGO Estados de la naturaleza

Demanda Fuerte Demanda Débil
Ver caso de Pittsburgh
Alternativa de decisión s1 s2
Development Corporation
Complejo pequeño, d1 8 7
Complejo mediano, d2 14 5 Selecciona aquí
Complejo grande, d3 20 -9

Fuente:
Anderson, D. et al., 2016, p. 110
 3.3. Enfoque de arrepentimiento
minimax (Pérdida de oportunidad)
Ejemplo del caso de Pittsburgh Development Corporation:

TABLA DE Estados de la naturaleza

ARREPENTIMIENTO
Demanda Fuerte Demanda Débil
Alternativa de decisión s1 s2 Ver caso de Pittsburgh
Complejo pequeño, d1 12 0
Development Corporation
Complejo mediano, d2 6 2
Complejo grande, d3 0 16

Fuente:
Anderson, D. et al., 2016, p. 111
 3.3. Enfoque de arrepentimiento
minimax (Pérdida de oportunidad)
Ejemplo del caso de Pittsburgh Development Corporation:

Resultado Valor mínimo del

Decisión arrepentimiento
Minimax Decisión Máximo máximo
d1 12
d2 6 Ver caso de Pittsburgh
Development Corporation
d3 16

Fuente:
Anderson, D. et al., 2016, p. 111
 4. Toma de decisiones con probabilidades

4.1. Enfoque de valor esperado

Si se dispone de información probabilística sobre los

estados de la naturaleza, se puede utilizar el enfoque
del valor esperado (VE).

Aquí, el rendimiento esperado para cada decisión se

calcula sumando los productos de la recompensa en
cada estado de naturaleza y la probabilidad de que
ocurra el estado de naturaleza respectivo.

Se elige la decisión que produce el mejor rendimiento

esperado.

Fuente:
Anderson, D. et al., 2016, p. 112
 4. Toma de decisiones con probabilidades

4.1. Enfoque de valor esperado

Valor esperado para una Árbol de Valor esperado para Valor esperado de la
decisión alternativa decisión cada decisión información perfecta
 4.1.1. Valor esperado para una
decisión alternativa
El valor esperado de una alternativa de decisión es la suma de los resultados
ponderados de la alternativa de decisión.
i
El valor esperado (VE) de la decisión alternativa (d ) se define como:

El número de estados de la naturaleza

la probabilidad de estado de naturaleza
la recompensa correspondiente a la decisión y el estado de naturaleza
Fuente:
Anderson, D. et al., 2016, p. 112
 4.1.2. Árbol de decisión
Alternativas de decisión: construir un complejo pequeño (d1), mediano (d2) y grande (d3)
Estados de naturaleza: demanda fuerte (s1) y demanda débil (s2)

Resultados
s1 0.8
$8 mil
2 s2 0.2
$7 mil
d1 s1 0.8 $14 mil
d2 s2
1 d3
3 0.2
$5 mil

s1 0.8
$20 mil
4 s2 0.2
$-9 mil

Fuente:
Anderson, D. et al., 2016, p. 113
 4.1.3. Valor esperado para cada decisión

EMV = 0.8(8 mil) + .2(7 mil) = $7.8 mil

2
Pequeño d 1
EMV = 0.8(14 mil) + .2(5 mil) = $12.2 mil
Mediano d 2
1 3
EMV = 0.8(20 mil) + .2(-9 mil) = $14.2 mil
Grande d 3
4

Elige la alternativa de decisión con el VE más grande. Construye el complejo grande.

Fuente:
Anderson, D. et al., 2016, p. 113
 4.1.4. Valor esperado de la
información perfecta
Con frecuencia, hay información disponible que puede
mejorar las estimaciones de probabilidad para los estados
de la naturaleza. En este sentido, el valor esperado de la
información perfecta (VEIP) es el aumento en el beneficio
esperado que se obtendría si uno supiera con certeza qué
estado de la naturaleza ocurriría.

Fuente:
Anderson, D. et al., 2016, pp. 114-115
 4.1.4. Valor esperado de la
información perfecta
Valor esperado con información perfecta (VEcIP)
Entonces, el VEIP
VEcIP = 0.8 (20 mil) + 0.2 (7 mil) = $ 17.4 mil
proporciona un límite
superior en el valor Valor esperado sin información perfecta (VEsIP)
esperado de cualquier
VEsIP = 0.8 (20 mil) + 0.2 (-9 mil) = $ 14.2 mil
muestra o información
de la encuesta. Valor esperado de la información perfecta (VEIP)

VEIP = | VEcIP - VEsIP | = | 17.4 - 14.2 | = $ 3.2 mil

Fuente:
Anderson, D. et al., 2016, pp. 115-116
 5. Análisis del riesgo y análisis de sensibilidad

Análisis del Análisis de

riesgo sensibilidad
 5.1. Análisis del riesgo
Ayuda al tomador de decisiones a reconocer la diferencia entre:

El valor esperado de una decisión alternativa.

El resultado que realmente podría ocurrir.

El perfil de riesgo para una alternativa de decisión muestra los

resultados posibles de la alternativa de decisión junto con sus
probabilidades asociadas.

Fuente:
Anderson, D. et al., 2016, p. 116
 5.1. Análisis del riesgo
Alternativa de decisión de complejo grande

1.00

0.80

Probabilidad 0.60
Ver caso de Pittsburgh
0.40 Development Corporation
0.20

-10 -5 0 5 10 15 20

Utilidades (millones de $)

Fuente:
Anderson, D. et al., 2016, p. 117
 5.2. Análisis de sensibilidad
Se puede usar para determinar cómo los cambios en los siguientes puntos afectan
la alternativa de decisión recomendada:

Probabilidades para los estados de naturaleza.

Valores de los pagos.

Si un pequeño cambio en el valor de uno de los puntos provoca un cambio en la

alternativa de decisión recomendada, se debe poner un esfuerzo y cuidado
adicionales al estimar el valor de los puntos.

VE( d1 ) = 0.2(8) + 0.8(7) = 7.2

VE( d2 ) = 0.2(14) + 0.8(5) = 6.8
VE( d3 ) = 0.2(20) + 0.8(-9) = -3.2

Fuente:
Anderson, D. et al., 2016, pp. 117-118
 5.2. Análisis de sensibilidad
Valor esperado para las alternativas de decisión de PDC como una función de p

d3proporciona
el VE más alto
20

d3
)
(
VE
d2proporciona el
15 VE más alto
d2 )
d1proporciona VE(
el VE más alto

Valor esperado (VE)

10
VE(d1 )

0 p
0.2 0.4 0.6 0.8 1.0

-5

-10

Fuente:
Anderson, D. et al., 2016, p. 119
 6. Análisis de decisiones con información muestral

Con frecuencia, los tomadores de decisiones tienen

evaluaciones de probabilidad preliminares o previas para los
estados de la naturaleza que son los mejores valores de
probabilidad disponibles en ese momento.
Para tomar la mejor decisión posible, el tomador de decisiones
puede querer buscar información adicional sobre los estados
de la naturaleza.
Esta nueva información, que a menudo se obtiene a través del
muestreo, puede usarse para revisar las probabilidades
anteriores, de modo que la decisión final se base en
probabilidades más precisas para los estados de la naturaleza.
Estas probabilidades revisadas se llaman probabilidades
posteriores.

Fuente:
Anderson, D. et al., 2016, p. 122
 6. Análisis de decisiones con información muestral

Decisión Decisión
Oportunidad Oportunidad
Resultados de
Consecuencia Demanda Consecuencia la investigación Demanda

Investigación Tamaño del Utilidad

Tamaño Utilidad complejo
complejo

Fuente:
Anderson, D. et al., 2016, p. 123
 6. Análisis de decisiones con información muestral

6.1.2.1.
Información muestral
Herramientas para graficar un problema
PDC ha desarrollado las siguientes probabilidades de ramas:

Si se realiza el estudio de P (Informe favorable) = P ( F ) = .77

investigación de mercado: P (Informe desfavorable) = P (U) = .23

Si el informe de P (demanda fuerte | informe favorable) = P ( s 1 | F ) = .94

investigación de mercado
es favorable: P (Demanda débil | Informe favorable) = P ( s 2 | F ) = .06

Fuente:
Anderson, D. et al., 2016, p. 125
 6. Análisis de decisiones con información muestral

6.1. Información muestral

PDC ha desarrollado las siguientes probabilidades de ramas:

Si el informe de P (Demanda fuerte | informe desfavorable) = P ( s 1 | U ) = 0.35

investigación de mercado
es desfavorable: P (Demanda débil | Informe desfavorable) = P ( s 2 | U ) = 0.65

Si no se realiza el estudio de P (Informe favorable) = P ( F ) = 0.80

investigación de mercado,
las probabilidades previas P (Informe desfavorable) = P ( U ) = 0.20
son aplicables:

Fuente:
Anderson, D. et al., 2016, p. 125
 6. Análisis de decisiones con información muestral
s1 P( s 1 ) = 0.94 $8 mil
d1 6 s 2 P( s 2 ) = 0.06
6.2. Información muestral $7 mil
d2 s1 P( s 1 ) = 0.94 $14 mil
Árbol de decisión F 3 7 s 2 P( s 2 ) = 0.06 $5 mil
(.77) d3
s1 P( s 1 ) = 0.94 $20 mil
8 s 2 P( s 2 ) = 0.06 -$9 mil
2 s1 P( s 1 ) = 0.35 $8 mil
Investigación 9 s2 s
d1 P( 2 ) = 0.65 $7 mil
de mercado
U d2 s1 P( s 1 ) = 0.35 $14 mil
(.23) 4 10 s 2 P( s 2 ) = 0.65
d3 $5 mil
1 s1 P( s 1 ) = 0.35 $20 mil
11 s 2 P( s 2 ) = 0.65 -$9 mil
s1 P( s 1 ) = 0.80 $8 mil
d1 12 s2 s
P( 2 ) = 0.20 $7 mil
Sin investigación
d2 s1 P( s 1 ) = 0.80 $14 mil
de mercado 5 13 s 2 P( s 2 ) = 0.20 $5 mil
d3
s1 P( s 1 ) = 0.80 $20 mil
14 s2 P( s 2 ) = 0.20 -$9 mil

Fuente:
Anderson, D. et al., 2016, p. 124
 6. Análisis de decisiones con información muestral

6.3. Estrategia de decisión

Es una secuencia de decisiones y resultados fortuitos donde las decisiones elegidas dependen
de los resultados aún por determinar de los eventos fortuitos.

1. En los nodos fortuitos, calcule el valor esperado mediante la multiplicación del resultado al final de cada
rama por las probabilidades de rama correspondientes.
2. En los nodos de decisión, seleccione la rama de decisión que conduzca al mejor valor esperado, el cual
se vuelve el valor esperado en el nodo de decisión.

Fuente:
Anderson, D. et al., 2016, p. 125
 6. Análisis de decisiones con información muestral
P( s 1 ) = 0.94 $8 mil
d1 6 s 2 P( s 2 ) = 0.06
6.3. Estrategia de decisión s1
$7 mil
d2 P( s 1 ) = 0.94 $14 mil
F 3 7 s 2 P( s 2 ) = 0.06 $5 mil
(0.77) d3
s1 P( s 1 ) = 0.94 $20 mil
8 s 2 P( s 2 ) = 0.06 -$9 mil
Investigación 2 s1 P( s 1 ) = 0.35 $8 mil
de mercado d1 9 s2 s
P( 2 ) = 0.65 $7 mil
U d2 s1 P( s 1 ) = 0.35 $14 mil
(0.23) 4 10 s 2 P( s 2 ) = 0.65
d3 $5 mil
1 s1 P( s 1 ) = 0.35 $20 mil
11 s 2 P( s 2 ) = 0.65 -$9 mil
s1 P( s 1 ) = 0.80 $8 mil
Sin investigación d1 12 s2 s
P( 2 ) = 0.20 $7 mil
de mercado d2 s1 P( s 1 ) = 0.80 $14 mil
5 13 s2
d3 P( s 2 ) = 0.20 $5 mil
s1 P( s 1 ) = 0.80 $20 mil
14 s2 P( s 2 ) = 0.20 -$9 mil

Fuente:
Anderson, D. et al., 2016, p. 126
 6. Análisis de decisiones con información muestral

6.3. Estrategia de decisión d1 6 VE = 0.94(8) + 0.06(7) = $7.94 mil

VE = $18.26 mil
d2
F 3 7 VE = 0.94(14) + 0.06(5) = $13.46 mil
(0.77) d3
8 VE = 0.94(20) + 0.06(-9) = $18.26 mil
VE = $15.93 mil 2
U d1 9 VE = 0.35(8) + 0.65(7) = $7.35 mil
(0.23) d2
VE = $8.15mil 4 10 VE = 0.35(14) + 0.65(5) = $8.15 mil
d3
VE = $15.93 mil 1
11 VE = 0.35(20) + 0.65(-9) = $1.15 mil

d1 12 VE = 0.8(8) + 0.2(7) = $7.80 mil

d2
VE = $14.20 mil 5 13 VE = 0.8(14) + 0.2(5) = $12.20 mil
d3
14 VE = 0.8(20) + 0.2(-9) = $14.20 mil

Fuente:
Anderson, D. et al., 2016, pp. 127-128
 6. Análisis de decisiones con información muestral

6.3. Estrategia de decisión VE = $18.26 mil

F 3
(0.77) d3
8 VE = $18.26 mil
VE = $15.93 mil 2
U
(0.23) d2
VE = $8.15mil 4 10 VE =$8.15 mil
VE = $15.93 mil 1

VE = $14.20 mil 5 d3
14 VE = $14.20 mil

Fuente:
Anderson, D. et al., 2016, pp. 127-128
 6. Análisis de decisiones con información muestral

6.3. Estrategia de decisión d3

8 VE = 0.94(20) + 0.06(-9) = $18.26 mil
F

VE = $15.93 mil 2

U d2
10 VE = 0.35(14) + 0.65(5) = $8.15 mil
VE = $15.93 mil 1

VE = $14.20 mil 5

Fuente:
Anderson, D. et al., 2016, pp. 127-128
 6. Análisis de decisiones con información muestral

6.4. Perfil de riesgo de PDC

1.00
.80 .72
Probabilidad .60

.40
.20 .15
.05 .08

-10 -5 0 5 10 15 20
Utilidades (millones de $)

Fuente:
Anderson, D. et al., 2016, p. 132
 6. Análisis de decisiones con información muestral

6.5. Valor esperado de la información muestral

El valor esperado de la información muestral (VEIM) es

el resultado adicional esperado posible a través del
conocimiento de la muestra o la información de la
encuesta.
El valor esperado asociado con el estudio de
investigación de mercado es de $15.93.
El mejor valor esperado si no se realiza el estudio de
investigación de mercado es $14.20.
Podemos concluir que la diferencia, $15.93 - $14.20 =
$1.73, es el valor esperado de la información muestral.
El máximo valor que la empresa debería estar dispuesta
a pagar por el estudio de mercado es de 1.73 millones.

Fuente:
Anderson, D. et al., 2016, pp. 131-132
 6. Análisis de decisiones con información muestral

6.6. Eficiencia de la información muestral

La eficiencia de la información muestral es la relación de VEIM a VEIP.
Como el VEIP proporciona un límite superior para el VEIM, la eficiencia siempre es un número entre 0 y 1.
La eficiencia de la encuesta:

E = (VEIM/VEIP) X 100
= [($1.73 mil)/($3.20 mil)] X 100
= 54.1%

La información del estudio de investigación de mercado es 54.1% tan eficiente como la información perfecta.

Fuente:
Anderson, D. et al., 2016, pp. 132-133
 7. Conclusiones

El análisis de decisiones se utiliza para desarrollar una estrategia óptima cuando nos enfrentamos con varias
alternativas y un futuro incierto o riesgoso.

Los métodos de análisis de decisiones nos permiten hacer un mejor uso de la información que tengamos
disponible, más aun considerando que los seres humanos no somos muy buenos calculando probabilidades
intuitivamente.

Los árboles de decisión se basan en el teorema de Bayes y nos permiten revisar nuestros cálculos de probabilidad
gracias a una nueva y mejor información que podamos conseguir.
 8. Referencias

Anderson, D. et al. (2016). Métodos cuantitativos para los negocios (13.ª

ed.). México: CENGAGE Learning.

Gigerenzer, G. (2003). The adaptive toolbox and lifespan development: Common questions?
En U. M. Staudinger & U. Lindenberger (Eds.), Understanding human development: Dialogues
with lifespan psychology (pp. 423-435). Dordrecht: Kluwer.

Peñaloza Palomeque, M. (2010). Teoría de las decisiones. Perspectivas, (25), 227-240. Recuperado
de https://www.redalyc.org/pdf/4259/425942454012.pdf
Fin del tema
Reiniciar Salir