MÉTODOS DE DECISIÓN

ÁRBOLES DE DECISIÓN

Bloque III – Tema 4

Lecturer: Javier Macías

APROXIMACIÓN AL PROBLEMA

• Todos los procesos de decisión previos se caracterizaron por la independencia de

elección, es decir, cualquier decisión no estaba condicionada por las anteriores
decisiones, y los nuevos resultados no condicionaban las futuras decisiones.

• Pero, de hecho, cualquier decisión es determinada por otras anteriores, y éstas

determinarán otras nuevas, creando incertidumbre.

• Estos problemas se denominan Procesos de decisión secuencial. La forma de

representar, analizar y resolver estos problemas no es a través de matrices de
decisiones.

2
APROXIMACIÓN AL PROBLEMA

• La forma de hacerlo es a través de árboles de decisión (o diagramas de

árboles).
• Esta es una herramienta de apoyo a la toma de decisiones que utiliza un
gráfico o modelo de decisiones similar a un árbol y sus posibles
consecuencias, incluidos los resultados de eventos de azar, los costos de
recursos, etc..
• Se dibuja de izquierda a derecha.
• Un árbol de decisión solo tiene nodos de ráfaga (dividir rutas) pero no
nodos de sumidero (rutas de acceso convergentes). Por lo tanto, utilizados
manualmente, pueden hacerse muy grandes y a menudo son difíciles de
dibujar totalmente a mano.
3
APROXIMACIÓN AL PROBLEMA

• Los árboles de decisión proporcionan un método eficaz de toma de decisiones porque:

− Diseña el problema para que todas las opciones puedan ser valoradas.

− Permite analizar todas las posibles consecuencias de una decisión.

− Proporciona un marco para cuantificar los valores de los resultados y sus

probabilidades.

− Ayuda a tomar las mejores decisiones basado en la información y supuestos existentes.

• Al igual que con todos los métodos de toma de decisiones, el análisis del árbol de
decisiones debe utilizarse junto con el sentido común: los árboles de decisión son una
herramienta mas de la toma de decisiones.

4
ELEMENTOS DE UN ÁRBOL DE DECISION

1. Los principales elementos para construir un árbol

de decisión son:

• Nodos de decisión: representan !1

opciones entre las alternativas.
RESULTS
Y
IN T NO

DE
C ERT
○
a1

UN
!2 RESULTS

• Nodos de incertidumbre: representan

DECISION

NODE

estados de la naturaleza. a2
Y
IN T NOD
!1 RESULTS

N C ERTA
Caminos: Formas que conectan nodos

E
• →
de incertidumbre y decisión.
U

!2
RESULTS

• △ Nodos finales: representan el punto

final dan resultados: pagos, devoluciones,
costos…

5
RESOLVER UN ÁRBOL DE DECISIÓN

La siguiente etapa sería evaluar diferentes caminos, asignando probabilidades a estados de la

naturaleza y valor a los resultados finales.

Sustituiremos triángulos △ por resultados y estados de la naturaleza por probabilidades. La

decisión no será una alternativa óptima, sino una decisión secuencial por etapas.

Gráfico → de izquierda a derecha

Solución → de derecha a izquierda

6
RESOLVER UN ÁRBOL DE DECISIÓN

2. Resolución del árbol de decisión: inducción hacia atrás:

Para resolver un árbol de decisión tendremos que ir de atrás hacia adelante,

calculando los valores esperados en los nodos de incertidumbre y eligiendo la rama
con el mejor resultado en nodos de decisión. q3
a3
q1 q4
a4 q5
a1
a5
q2 q6
a6
a2

7
CASOS DE UN ÁRBOL DE DECISION

• 4.1 Enfoque general y resolución del problema

• 4.2 Tipos

− Enfoque general

− Caso de incertidumbre simultánea

− Caso de incertidumbre secuencial

8
EJERCICIOS

9
EJEMPLO 1. APROXIMACIÓN GENERAL
Un inversor tiene previsto realizar una transacción financiera en el mercado español o
francés. El beneficio en ambos casos depende de la situación del mercado: alta o baja.
En el caso español, ambos casos se producen con la misma probabilidad y obtendrían
un beneficio de 150000€ si el mercado va al alza y 90000€ si va a la baja.
Por el contrario, en el mercado francés la probabilidad de ir a la baja es 0,4 y se
obtendría 60000€ de beneficio, pero si el mercado está al alza se llegarían a 180000€.
¿Cuál es la mejor decisión que puede tomar el inversor?
Solución:
De derecha a izquierda calcularemos la suma de resultados por la probabilidad de
estado (MVC)
150×0,5 + 90×0,5 = 120
𝑀𝑉𝐶 = % → 𝑅𝐸𝑅 = 𝟏𝟑𝟐
180×0,6 + 60×0,4 = 132

10
 EJERCICIO 1 Cont. Dibujar el árbol y calcular

𝜃! 𝑎𝑙 𝑎𝑙𝑧𝑎
0,5 150
MVC→ 𝟏𝟓𝟎×𝟎, 𝟓 + 𝟗𝟎×𝟎, 𝟓 = 𝟏𝟐𝟎
𝑎! 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑒𝑠𝑝𝑎ñ𝑜𝑙
120

0,5 90
𝜃" 𝑎 𝑙𝑎 𝑏𝑎𝑗𝑎

Alternatives

8𝟐
𝒂
𝜃! 𝑎𝑙 𝑎𝑙𝑧𝑎
180
0,6

132
𝑎" 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑓𝑟𝑎𝑛𝑐é𝑠
MVC→ 𝟏𝟖𝟎×𝟎, 𝟔 + 𝟔𝟎×𝟎, 𝟒 = 𝟏𝟑𝟐
0,4 60
𝜃" 𝑎 𝑙𝑎 𝑏𝑎𝑗𝑎
11
EJERCICIO 1.

Cont. MVC

!1 upward market
0,5 150

a1 Spanish market
120

0,5 90
!2 Down market

!1 upward market
180
0,6

132
a2 French market

0,4 60
!2 Down market

12
EJEMPLO 2. APROXIMACIÓN GENERAL

Una compañía valora enviar una máquina usada a su planta en América del Sur, donde quiere usarla durante cinco
años. Antes de enviarla, quisiere saber si debe reparar la máquina o no. El costo de reparación es de 2000 u.m. Si la
máquina fallara mientras está funcionando en América del Sur, el costo ascendería a 5000 u.m. en pérdidas de
costos de producción y reparación. Si la compañía enviara la máquina a América del Sur sin repararla, la
probabilidad de que fallase es 0.5 pero si se reparase antes de enviarla, la posibilidad de fallar sería 0.1.

Dejando a un lado la posibilidad de que la máquina fallara más de una vez en América del Sur, ¿debe repararse la
antes del envío? MVC

Solución:
!1 fails machine
0,1 7000

a1 Repair machine
7000×0,1 + 2000×0,9 = 2500 2500
𝑀𝑉𝐶 = % → 𝑅𝐸𝑅 = 𝟐𝟓𝟎𝟎
5000×0,5 + 0×0,5 = 2500
0,9 2000
!2 doesn’t fail

!1 fails machine
5000
0,5

2500
a2 don’t repair

0,5 0 13
!2 doesn’t fail
EJEMPLO 3. INCERTIDUMBRE SIMULTÁNEA
Un ejecutivo tiene que ir a una reunión importante al otro lado de la ciudad. El tiempo del viaje en metro es
de 35 minutos. El metro está siendo reformado, por lo que existe la posibilidad de que se corte la línea que
le interesa, lo que le obligaría a tomar un camino más largo y perdería así 10 minutos más.

La probabilidad de que la línea de metro se corte es 0.3. La duración del viaje en su propio vehículo es de
60 o 20 minutos dependiendo de si hay o no atasco. Se sabe que la probabilidad de que el metro se
atasque es 0.4. El ejecutivo quiere decidir de acuerdo con el tiempo queMVC
le llevaría el viaje.
Solución: !1 Traffic jam
0,4 60
Es un problema de Condiciones desfavorables.
a1 Travel by car
36
60×0,4 + 20×0,6 = 36
𝑀𝑉𝐶 = % → 𝑅𝐸𝑅 = 𝟑6
45×0,3 + 35×0,7 = 38 0,6
!2 No jam
20

36 ➛ a1
!1 Cut line
45
0,3

38
a2 Subway

0,7 35
!2 Not cut line 14
EJEMPLO 4. INCERTIDUMBRE SIMULTÁNEA
Una empresa de desarrollo de software ha creado un revolucionario procesador de texto. La compañía
tiene que decidir si lanzarlo al mercado inmediatamente o esperar unos meses. Este momento es muy
favorable para la venta de productos, pero todavía no ha desarrollado ningún mecanismo de seguridad
antivirus, por lo que puede ser copiado ilegalmente de manera sencilla (pirata). Si espera a desarrollar un
sistema de seguridad que impida absolutamente la posibilidad de hacer copias ilegales, la competencia
puede, mientras tanto, lanzar un producto similar. Sabemos que en la actualidad la competencia no tiene
ningún producto. La compañía debe decidir el precio de venta. Tienen la siguiente información sobre los
resultados esperados:
Si el precio es alto el beneficio sería 1000 U.M.
Si el precio es bajo el beneficio sería 600 U.M.
Las copias ilegales reducirían el beneficio en un 65% si el precio es alto y el 40% si es bajo. La
probabilidad de hacer copias en el momento actual es del 90%. (Si el lanzamiento se retrasa Será
imposible hacer tales copias.)
Si se lanza a un precio alto, la competencia reduciría las ganancias en 800 U.M. y si es bajo en 200. La
probabilidad de que haya competencia en el futuro se estima en un 50%
Definir el rendimiento óptimo de la empresa. ¿Cuánto pagaría como máximo a un espía industrial que les
informe sobre la situación de la competencia?
15
EJEMPLO 4. INCERTIDUMBRE SIMULTÁNEA
𝑎' : Launch it (lanzarlo)
𝑎) : Wait for the Launch (retrasar el MVC
lanzamiento. Drawing the Tree
Finding out the Decision
𝑎! : High price (precio alto) !1 = 0,9 Pirated 350
High price
𝑎' : Low price (precio bajo)
415 1000
a1 Launch it !2 = 0,1 Not pirated
𝜃' : Pirated (pirateado)
𝜃) : Not Pirated (no pirateado) 415 !1 = 0,9 Pirated 360
384
𝜃! : Competence (competencia) Low price
𝜃$ : No competence (sin competencia)
600
!2 = 0,1 Not pirated

!3 = 0,5 Competence 200

RER = 600
High price
0,5 600 1000
600 !4 = 0,5 No Competence

350×0,9 + 1000×0,1 = 𝟒𝟏𝟓| a2 Wait for the launch !3 = 0,5 Competence 400
360×0,9 + 600×0,1 = 384 | 500
𝑀𝑉𝐶 = → 𝑅𝐸𝑅 = 𝟔𝟎𝟎 0,5
200×0,5 + 1000×0,5 = 𝟔𝟎𝟎| Low price
600
!4 = 0,5 No Competence
400×0,5 + 600×0,5 = 500 |

𝜃! → 𝑀𝑎𝑥 𝑟"! = 𝑚𝑎𝑥 200; 400, 415 = 𝑟!∗ = 415 → 𝑎!

Información perfecta: > → 𝑹𝑬𝑰𝑷 = ∑(%&' 𝑟%∗ J 𝑃 𝜃% = 1000 J 0,5 + 415 J 0,5 = 𝟕𝟎𝟕, 𝟓
𝜃$ → 𝑀𝑎𝑥 𝑟"$ = 𝑚𝑎𝑥 1000; 600, 415 = 𝑟$∗ = 1000 → 𝑎$

𝑽𝑬𝑰𝑷 = 𝑅𝐸𝐼𝑃 − 𝑅𝐸𝑅 = 707,5 − 600 = 𝟏𝟎𝟕, 𝟓 es lo que la empresa pagaría como máximo por la información perfecta sobre la competencia.
16
EJEMPLO 5. INCERTIDUMBRE SECUENTIAL
Juan valora continuar su actividad actual como creativo en una empresa de publicidad o dejar esta
actividad y cambiar de sector y emprender una casa de turismo rural en la Sierra de Madrid.

Su salario actual en la empresa de publicidad es de 36000€ al año. Además ha recibido una oferta de otra
empresa de publicidad con un aumento salarial del 10%. Sin embargo, el salario en ambas compañías
puede cambiar si Juan gana una nueva campaña publicitaria para una bebida energética. En su empresa
actual, se le pagaría, además de su salario, 12.000€ por la dirección de esta campaña y en la nueva
empresa el salario total sería de 45000€ si dirige la campaña. La probabilidad de obtener esta campaña
publicitaria es 0,4.

Si elige la casa de turismo rural, estima que sus ingresos anuales serían de 40000€ y 50000€ si promueve
una actividad de equitación. También tiene que tener en cuenta que quizás se abra un nuevo hotel con
precios más altos en las cercanías, lo que reduciría sus beneficios estimados en un 15% si no tiene
caballos y un 40% si hubiera comprado caballos. La probabilidad de que se construya el nuevo hotel es
0,35.

Según lo anterior,

a) ¿Qué decisión tomará Juan?

b) ¿Cuánto pagaría para que le aseguraran que iba a haber un nuevo hotel?
17
 EJEMPLO 5. INCERTIDUMBRE SECUENCIAL
MVC
Drawing the Tree
Finding out the Decision 48
!1 = 0,4 Gain campaign
Current company
40,8
!2 = 0,6 No gain campaign 36
a1 Creative
a2
41,76 !1 = 0,4 gain campaign 45

41,76
New company !2 = 0,6 no gain campaign 39,
6
a2
!3 = 0,35 New hotel 30
43
↓ horseback activity
43
a2 0,5 50
!4 = 0,65 No new hotel
43
a1
a2 Rural tourism !3 = 0,35 Neew hotel 34

0,5 37,9
𝑟%∗ → 𝑟'∗ =max(30, 34, 41,76)=41,76; 𝑟)∗ =max(50, 40, 41,76)=50 No horseback activity
!4 = 0,65 No new hotel 40
𝑅𝐸𝐼𝑃 = 41,76 · 0,35 + 50 · 0,65 = 47,116€
𝑉𝐸𝐼𝑃 = |𝑅𝐸𝐼𝑃 − 𝑅𝐸𝑅| = 47,116 − 43 = 4,116 → 4116€ es el máximo valor que está dispuesto a pagar por saber
si construirán un nuevo hotel 18
 EJEMPLO 6. INCERTIDUMBRE SECUENCIAL

Una empresa opta a ganar un concurso abierto de una nueva lámpara, pero para ganarlo debe
mostrar su propio prototipo. La empresa ha determinado que el coste del proyecto es de
200000€ y la probabilidad de obtener el contrato es de 0,7. Si tienen éxito deben decidir si
fabricar la lámpara a un nivel de calidad alto o bajo.
Los ingresos de la venta de la nueva lámpara dependerán de la demanda, que puede ser alta o
baja. La empresa estima que la demanda será alta con una probabilidad del 40% y, en este
caso, si produce a un alto nivel de calidad los ingresos serán de 700000€ y 150000€ si lo
hacen a un bajo nivel de calidad.
Sin embargo, si la demanda es baja, los ingresos serán respectivamente 100000€ y 200000€.
a) ¿Qué decisión tomará la empresa?
b) ¿Cuánto estarían dispuestos a pagar por saber si habrá demanda alta?
c) ¿Cuánto estarían dispuestos a pagar por saber si tendrá ganan el concurso? ¿Y por ambas:
demanda y ganar el concurso?
19
 EJEMPLO 6. INCERTIDUMBRE SECUENCIAL
Drawing the Tree
a)
Finding out the Decision

max MVC max MVC

a3 = High level 500
!3 = 0,4 High demand
production
140
-100
!1 = 0,7 Success !4 = 0,6 Low demand
140
!3 = 0,4 High demand -50
a1Compete with prototype
38 a4 = low level -20
-50
!4 = 0,6 Low demand 0
production
!2 = 0,3 no success -200

38

0
a2 no compete
𝑅𝐸𝑅 𝑜 𝑉𝑀𝐸!*+#$%$ = 500 · 0,4 − 100 · 0,6 = 140
= Q 𝑚𝑎𝑥 140; −20 = 140
𝑅𝐸𝑅 𝑜 𝑉𝑀𝐸!º#$%$ = −50 · 0,4 + 0 · 0,6 = −20

𝑅𝐸𝑅 𝑜 𝑉𝑀𝐸"º#$%' = 140 · 0,7 + (−200) · 0,3 = 98 − 60 = 38

𝑅𝐸𝑅 𝑜 𝑉𝑀𝐸 = max 38; 0 = 38

20
 Drawing the Tree
Finding out the Decision
EJEMPLO 6. INCERTIDUMBRE SECUENCIAL
max MVC max MVC
a3 = High level
b) !3 = 0,4 High demand 500
production
140
-100
!1 = 0,7 Success !4 = 0,6 Low demand
140
!3 = 0,4 High demand -50
a1Compete with prototype
38 -50
a4 = low level
!4 = 0,6 Low demand 0
production
!2 = 0,3 no success -200

38

0
a2 no compete

max_𝑎𝑙𝑡𝑎-./0(-0 500, −50, 0 = 500

max_𝑏𝑎𝑗𝑎-./0(-0 −100, 0, 0 = 0

𝑅𝐸𝐼𝑃-./0(-0 = 500 · 0,4 + 0 · 0,6 = 200 del 1er nodo de incertidumbre de la demanda

• Valor Información total: max 200, 0 = 200; max −200, 0 = 0

123 _5é7"89 1:; _é7"89
𝑅𝐸𝐼𝑃-./0(-0 8980< = 200 · 0,7 + 0 · 0,3 = 140 del 2º nodo de incertidumbre del éxito con la rama de No compite

𝑉𝐸𝐼𝑃-./0(-0 8980< = |𝑅𝐸𝐼𝑃 − 𝑅𝐸𝑅| = |140 − 38| = 102

21
 EJEMPLO 6. INCERTIDUMBRE SECUENCIAL
Drawing the Tree
Finding out the Decision

MVC max MVC

c) max a3 = High level
production
!3 = 0,4 High demand 500

140
-100
!1 = 0,7 Success !4 = 0,6 Low demand
140
!3 = 0,4 High demand -50
a1Compete with prototype
38 -50
a4 = low level
!4 = 0,6 Low demand 0
production
!2 = 0,3 no success -200

38

0
a2 no compete

• Valor Información Demanda parcial:

𝑅𝐸𝐼𝑃!"#$%!$ &$'()$* = 200 · 0,7 + (−200) · 0,3 = 140 − 60 = 80 del 2º nodo de incertidumbre del éxito

𝑉𝐸𝐼𝑃!"#$%!$ &$'()$* = |𝑅𝐸𝐼𝑃 − 𝑅𝐸𝑅| = 80 − 38 = 42 Valor información Éxito parcial

• Valor información Éxito parcial:

𝑚𝑎𝑥é,)-. 140, 0 = 140
> 𝑃",)-. -.-$* = 140 · 0,7 + 0 · 0,3 = 98 del nodo de incertidumbre del éxito
𝑚𝑎𝑥%. ",)-. −200, 0 = 0
𝑉𝐸𝐼𝑃𝑃é,)-. &$'()$* = |𝑅𝐸𝐼𝑃𝑃 − 𝑅𝐸𝑅| = 98 − 38 = 60

Para conocer la información total de si tendrá éxito y cuál es la demanda sumamos los valores de las informaciones parciales y nos da el mismo
resultado que la demanda total hallada anteriormente:
𝑉𝐸𝐼𝑃𝑃!"#$%!$ + 𝑉𝐸𝐼𝑃𝑃é,)-. = 42 + 60 = 102
22
EJEMPLO 7. SECUENTIAL CONDITIONAL UNCERTAINTY

Un fabricante de ordenadores quiere lanzan un nuevo producto al mercado. Está valorando

lanzarlo antes o después del mes de mayo. Si lo lanza antes se asegura unas ventas de 100
millones de euros y si es después corre el riesgo de que la empresa competidora se adelante,
lo que ocurrirá con una probabilidad del 40%. Las ventas también dependen de la situación
económica: al alza (50%), estabilidad (30%) y en recesión (20%).
Si la economía está al alza y la competencia no ha lanzado su campaña, las ventas
ascenderían a 150 millones y si la competencia lanza la campaña las ventas serían de 100
millones. Si la economía es estable las ventas serían de 110 y 90 millones si la competencia
lanza o no lanza la campaña. Y si la economía está en recesión las ventas ascenderían a 80 y
70 respectivamente.
¿Qué decidirá el jefe de marketing?
¿Cuánto dinero estaría dispuesto a pagar para conocer todas las previsiones inciertas del
problema? ¿Y por saber cuáles son las previsiones de coyuntura económica?
Si se ofrece un espía industrial por 10000€, que hará la compañía si el espía les dice que la
competencia va a lanzar la campaña?
23
EJEMPLO 7. SECUENTIAL CONDITIONAL UNCERTAINTY
Decisor: jefe de marketing
𝐴 : 𝑙𝑎𝑛𝑧𝑎𝑟 𝑙𝑎 𝑐𝑎𝑚𝑝𝑎ñ𝑎 𝑑𝑒𝑠𝑝𝑢é𝑠 𝑑𝑒 𝑚𝑎𝑦𝑜
Alternativas: ! !
𝐴" : 𝑙𝑎𝑛𝑧𝑎𝑟 𝑙𝑎 𝑐𝑎𝑚𝑝𝑎ñ𝑎 𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝑚𝑎𝑦𝑜

𝐶: 𝐶𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎 𝑙𝑎𝑛𝑧𝑎 𝑠𝑢 𝑐𝑎𝑚𝑝𝑎ñ𝑎

𝐸! : 𝐴𝑐𝑡𝑢𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎 ! ̅
𝐶: 𝐶𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎 𝑛𝑜 𝑙𝑎𝑛𝑧𝑎 𝑠𝑢 𝑐𝑎𝑚𝑝𝑎ñ𝑎
Estados de la naturaleza: 𝐴: 𝐸𝑐𝑜𝑛𝑜𝑚í𝑎 𝑒𝑛 𝑎𝑙𝑧𝑎
𝐸" : 𝑃𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑦𝑢𝑛𝑡𝑢𝑟𝑎 𝑒𝑐𝑜𝑛ó𝑚𝑖𝑐𝑎 ;𝐸: 𝐸𝑐𝑜𝑛𝑜𝑚í𝑎 𝑒𝑠𝑡𝑎𝑏𝑙𝑒
𝑅: 𝐸𝑐𝑜𝑛𝑜𝑚í𝑎 𝑒𝑛 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛

Sabemos que 𝑃 𝐴 = 0,5, 𝑃 𝐸 = 0,3 𝑦 𝑃 𝑅 = 0,2 por tanto se trata de un problema en ambiente de
riesgo.
Criterio de evaluación: ventas (resultados favorables)
Criterio de decisión: valor monetario esperado
Para resolver el problema planteamos el árbol de decisión:

24
EJEMPLO 7. INCERTIDUMBRE SECUENTIAL

P(A) = 0,5 Al alza

120

P(C)= 0,4 hay competencia

Drawing the Tree P(E) = 0,3 Estable
90
Finding out the Decision

70
a1 Después de mayo P(R) = 0,2 Recesión
P(A) = 0,5 Al alza
150

P(E) = 0,3 Estable

110
P(-C)= 0,6 No hay competencia

80
100 P(R) = 0,2 Recesión
a2 Antes de mayo

25
EJEMPLO 7. INCERTIDUMBRE SECUENTIAL

Ya que los sucesos son independientes las probabilidades de las ramas se hallan multiplicando
las probabilidades de las correspondientes ramas: por ejemplo para 𝐶 ∧ 𝐴 → 𝑃 𝐶 = 𝑃 𝐴 = 0,4 =
0,5 = 0,2

0,2 0,12 0,08 0,3 0,18 0,12

𝐶∧𝐴 𝐶∧𝐸 𝐶∧𝑅 𝐶̅ ∧ 𝐴 𝐶̅ ∧ 𝐸 𝐶̅ ∧ 𝑅 𝑉𝑀𝐸%
𝐴" 120 90 70 150 110 80 114,8
𝐴# 100 100 100 100 100 100 100

𝑉𝑀𝐸" = 120 = 0,2 + 90 = 0,12 + 70 = 0,08 + 150 = 0,3 + 110 = 0,18 + 80 = 0,12 = 114,8
𝑉𝑀𝐸# = 100 = 1 = 100
Por tanto, como estamos en CF la alternativa óptima es aquella que proporciona un mayor
valor 𝑉𝑀𝐸 ∗ = 114,8 = 𝑹𝑬𝑹

26
EJEMPLO 7. INCERTIDUMBRE SECUENTIAL

Si tuviéramos información perfecta sobre las variables, elegiríamos la alternativa con mejor
resultados óptimo para cada estado: 𝑟&∗ = max 𝑟%&

0,2 0,12 0,08 0,3 0,18 0,12

𝐶∧𝐴 𝐶∧𝐸 𝐶∧𝑅 𝐶̅ ∧ 𝐴 𝐶̅ ∧ 𝐸 𝐶̅ ∧ 𝑅 𝑉𝑀𝐸%
𝐴" 120 90 70 150 110 80 114,8
𝐴# 100 100 100 100 100 100 100
𝑟&∗ 120 100 100 150 110 100

𝑅𝐸𝐼𝑃 = 120 = 0,2 + 100 = 0,12 + 100 = 0,08 + 150 = 0,3 + 110 = 0,18 + 100 = 0,12 = 120,8
𝑅𝐸𝑅 = 114,8
𝑉𝐸𝐼𝑃 = 𝑅𝐸𝐼𝑃 − 𝑅𝐸𝑅 = 120,8 − 114,8 = 6
Esta es la cantidad que el jefe de marketing está dispuesto a pagar por la información
perfecta.
27
EJEMPLO 7. SECUENTIAL CONDITIONAL UNCERTAINTY
Si se produce el evento A (economía al alza), cada alternativa se multiplicaría por una probabilidad de este
evento que tiene que ser calculada de nuevo:
d ∩ 𝑨 = 0,2 +
Por ejemplo,: P(C ∩ A) = 0,2 pero ahora la probabilidad del 100% del evento es P 𝑪 ∩ 𝑨 + P 𝑪
0,3 = 0,5.
Entonces, el nuevo valor de P(C ∩ A) se calcula con respecto a 0,5.
C," C,"
Así, 𝑃 C ∩ A = C,D = 0,4; 𝑃 Ce ∩ A = C,D = 0,4

OLD 0,2 0,12 0,08 0,3 0,18 0,12

𝑪∩𝑨 𝐶∩𝐸 𝐶∩𝑅 d∩𝑨
𝑪 𝐶̅ ∩ 𝐸 𝐶̅ ∩ 𝑅 𝑉𝑀𝐸F
NEW 0,4 0,6
𝐴! 120 90 70 150 110 80 138
𝐴" 100 100 100 100 100 100 100

Entonces, 𝑉𝑀𝐸! = 120 · 0,4 + 150 · 0,6 = 𝟏𝟑𝟖

En esta situación, la alternativa óptima sería: 𝐴! y 𝑟!∗ = 138
28
EJEMPLO 7. INCERTIDUMBRE SECUENTIAL

Si se produce el evento E (economía estable), con cada alternativa se obtendría la cantidad:

0,2 0,12 0,08 0,3 0,18 0,12

𝑪∩𝑨 𝑪∩𝑬 𝐶∩𝑅 K∩𝑨
𝑪 K∩𝑬
𝑪 𝐶̅ ∩ 𝑅 𝑉𝑀𝐸%
Nuevos 0,4 0,6
𝐴" 120 90 70 150 110 80 102
𝐴# 100 100 100 100 100 100 100
En esta situación la alternativa óptima sería: 𝐴" y 𝑟"∗ = 102

29
EJEMPLO 7. INCERTIDUMBRE SECUENTIAL

Si se produce el evento R (economía en recesión), con cada alternativa se obtendría la

cantidad:
viejos 0,2 0,12 0,08 0,3 0,18 0,12
𝑪∩𝑨 𝑪∩𝑬 𝑪∩𝑹 K∩𝑨
𝑪 K∩𝑬
𝑪 K∩𝑹
𝑪 𝑉𝑀𝐸%
Nuevos 0,4 0,6
𝐴" 120 90 70 150 110 80 76
𝐴# 100 100 100 100 100 100 100

En esta situación, la alternativa óptima será: 𝐴# and 𝑟"∗ = 100

Por tanto, el resultado esperado de la información perfecta es:

𝑅𝐸𝐼𝑃 = L 𝑟&∗ 𝑝& = 138 · 0,5 += 102 = 0,3 + 100 = 0,2 = 119,6
&
𝑅𝐸𝑅 = 114,8
𝑉𝐸𝐼𝑃 = 𝑅𝐸𝐼𝑃 − 𝑅𝐸𝑅 = 119,6 − 114,8 = 4,8
30
NOTA: es menor que la anterior ya que por una peor información (con menos variables) no se paga tanto dinero.
EJEMPLO 7. INCERTIDUMBRE SECUENTIAL
¿Está dispuesto a contratar los servicios del espía industrial? Para ello calculamos en cuanto valora el jefe de Marketing la
información que le va a proporcionar:

Si se produce el evento C (la competencia lanza su campaña):

nuevos 0,5 0,3 0,2
0,2 0,12 0,08 0,3 0,18 0,12
En esta situación la
𝑪∧𝑨 𝑪∧𝑬 𝑪∧𝑹 J∧𝑨
𝑪 J∧𝑬
𝑪 J∧𝑹
𝑪 𝑉𝑀𝐸) alternativa óptima
𝐴/ 120 90 70 150 110 80 101 sería: 𝐴! y 𝑟!∗ = 101
𝐴0 100 100 100 100 100 100 100

Si se produce el evento 𝐶̅ (la competencia no lanza su campaña):

new 0,5 0,3 0,2
old 0,2 0,12 0,08 0,3 0,18 0,12
𝐶∧𝐴 𝐶∧𝐸 𝐶∧𝑅 J∧𝑨
𝑪 J∧𝑬
𝑪 J∧𝑹
𝑪 𝑉𝑀𝐸) En esta situación la
𝐴/ 120 90 70 150 110 80 124 alternativa óptima
𝐴0 100 100 100 100 100 100 100
sería: 𝐴! y 𝑟!∗ = 124

Luego la alternativa óptima con información del espía será 𝐴' con 𝑟 ∗ = 124

Así: 𝑅𝐸𝐼𝑃 = ∑% 𝑟%∗ 𝑝% = 101 J 0,4 + 124 J 0,6 = 114,8 𝑅𝐸𝑅 = 114,8

𝑉𝐸𝐼𝑃 = 𝑅𝐸𝐼𝑃 − 𝑅𝐸𝑅 = 114,8 − 114,8 = 40 No contratará los servicios del espía industrial porque siempre le da la primera 31
alternativa.
EJEMPLO 7. INCERTIDUMBRE SECUENTIAL

P(A) = 0,5 Al alza

120

P(C)= 0,4 hay competencia

Drawing the Tree P(E) = 0,3 Estable 𝟏𝟐𝟎 J 𝟎, 𝟓 + 𝟗𝟎 J 𝟎, 𝟑 + 𝟕𝟎 · 𝟎, 𝟐 = 𝟏𝟎𝟏
90
Finding out the Decision

70
a1 Después de mayo P(R) = 0,2 Recesión
P(A) = 0,5 Al alza
150

P(E) = 0,3 Estable

110 𝟏𝟓𝟎 J 𝟎, 𝟓 + 𝟏𝟏𝟎 J 𝟎, 𝟑 + 𝟖𝟎 · 𝟎, 𝟐 = 𝟏𝟐𝟒
P(-C)= 0,6 No hay competencia

80
100 P(R) = 0,2 Recesión
a2 Antes de mayo

32