1

ANALISIS DE DECISIONES: RIESGO - INCERTIDUMBRE

DECISIONES EN CONDICIONES DE RIESGO E INCERTIDUMBRE

INTRODUCCION.
La disponibilidad de información parcial o imperfecta sobre un problema, lleva a dos nuevas
categorías de casos de toma de decisiones:
1. Decisiones con riesgo
2. Decisiones con incertidumbre

En el primer caso el grado de ignorancia se expresa con una función de probabilidad a priori a
los distintos estados de la naturaleza usando:
 Datos pasados
 Otra información disponible
 Juicio subjetivo

Mientras en el caso dos, no se dispone de una función de probabilidad, porque no existe

información registrada (Histórica), pero podemos asignar probabilidad subjetiva.

En ambos casos no se conoce perfectamente el estado que adoptara la naturaleza, pero se asocia
a éste una distribución de probabilidad.
Los criterios de decisión que se emplean cuando predominan estas condiciones de riesgo-
incertidumbre, reflejan los valores personales y las actitudes hacia el riesgo que tienen los
responsables de tomar decisiones.
El decisor se enfrenta a situaciones que pocas veces sucedieron y en su afán de cuantificar esta
incertidumbre, adopta una actitud intermedia entre el pesimismo y el optimismo o algún otro
criterio más conveniente, de acuerdo al nivel de aspiración del decisor.
La estadística clásica, resuelve problemas (P) de decisión en casos de riesgo R e incertidumbre I,
sólo si es posible experimentar E:

E

R
E
P 
E
I
E

En algunas ocasiones, podemos agregar información pasada o de situaciones similares a nuestro

caso, con ello podemos ajustar las probabilidades a priori, este ajuste se denomina
probabilidades a preposteriori.
 2
Y si no podemos contar con información histórica, debemos hacer un estudio de campo que nos
permita ajustar las probabilidades a priori, para este caso llamaremos probabilidades a posteriori.
Si la experimentación no es factible , el análisis estadístico (enfoque objetivo) no es útil para
resolver los problemas de decisión. En estos casos se requiere otras técnicas y enfoques
conocidos.
El criterio de optimalidad que se usa para seleccionar entre varias alternativas, será la
minimización del costo esperado.
Entre los problemas que se consideran están los siguientes:

1. Siendo la política optima, ¿Cuál es el costo esperado?

2. ¿Cuál es la decisión que minimice el costo esperado, dado el resultado de un experimento?

3. ¿Si se lleva a cabo un experimento, valdrá la pena? Es decir, la disminución en el costo

esperado será mayor que el costo del experimento.

4. Cuál es la cantidad máxima de dinero que podría gastarse con el fin de eliminar toda la
incertidumbre.

PROCESO FORMAL DE UN PROBLEMA DE DECISION

1. El decisor establece la existencia de un conjunto de posibles alternativas:

2. El conjunto de los estados de la naturaleza:  = no se ejerce control sobre la

ocurrencia de estos eventos.

3. Pero la ocurrencia de los estados de la naturaleza el decisor cuantifica en términos

probabilísticos objetivos o subjetivos.

4. Al elegir el decisor una alternativa cualquiera, se conocen o estiman las posibles

consecuencias rij que son a su vez función de los estados de la naturaleza.

5. Siendo el objetivo del decisor, el de minimizar los costos o maximizar las ganancias, escoge
entre los promedios la mejor alternativa, éste lo expresa con la función: que es
la que caracteriza a los diferentes métodos y que se dimensionan en términos monetarios o de
utilidad

DECISION SIN EXPERIMENTACION

 3
CRITERIOS PARA SITUACIONES DE RIESGO
Si debemos decidir frente a un conjunto de alternativas, y teniendo factores ambientales, que de
alguna manera imposibilitan el logro de los objetivos. Tendremos que recurrir a información
histórica de los factores exógenos (Estados de la naturaleza) y expresarlos en términos
probabilisticos, para luego aplicarlo a un determinado criterio el cual señalará la alternativa a
elegir.
CRITERIO DEL VALOR MONETARIO ESPERADO
Supone que los estados que presenta la naturaleza son variables aleatorias, en muchas situaciones
de decisiones bajo riesgo no se dispone de distribuciones de probabilidad en cuanto a la
ocurrencia de los estados de la naturaleza. El Criterio de valor monetario esperado estipula, que
el decisor haciendo uso de la distribución a priori, debe seleccionar aquella estrategia que
minimice(maximice) su perdida (ganancia) esperada:

Opt E{f(Ai, j)}

Donde:

Opt: - Maximizar beneficios esperado matriz de pagos expresado en ganancias

- Minimizar Costo esperado matriz de pagos expresado en pérdidas(costos)

Opt E{f(Ai, j)} =

El decisor asigna probabilidades de ocurrencia de cada estado natural, basándose en datos
disponibles sobre la frecuencia relativa con que cada estado se presento en el pasado.
Axiomas básicos de las probabilidades, para asignar probabilidades a los estados de la
naturaleza:

a. 0  P(j)  1

b. P(1 2) = P(1) + P( 2)

c. P( 1 2......n) = 1 , j : Excluyentes

Se debe tener cuidado al usar el VME como criterio de decisión cuando las cantidades de dinero
involucrados son relativamente grandes, ya que las curvas de utilidad de las personas y de las
organizaciones no son lineales. La advertencia sobre el uso del VME es que los resultados (los
favorables y desfavorables) con frecuencia tienen consecuencias indeseadas

EJEMPLO: ELABORACION DE PAN

La Panadería LEONARD prepara todos los días su famoso pan, éste se vende a $1.0 la unidad
cuando está recién hecho y cuesta $0.50 prepararlo. El pan que no se vende es ofertado a $0.5 la
unidad. Aun a ese precio la mitad del pan rematado no se llega a vender y se pierde.
 4
La panadería acostumbra vender de 3 a 6 docenas de pan por día, tiene información en
cuanto a estas demandas, cuantificados en términos probabilísticos. El problema de la panadería
es decidir cuantos panes preparar en un día típico.
Demanda / doc 3 4 5 6
Probabilidad 0.1 0.4 0.4 0.1

SOLUCION
Estados de la naturaleza; Demanda del pan de 3 a 6 docenas
Alternativas; La panadería acostumbra preparar de 3 a 6 docenas
Matriz de decisión: Utilidades.
r(A1, 1): Ing = 1(3)(12) = 36 Cos = 0.5(3)(12) = 18 Uti = 36 - 18 = 18
r(A2, 1): Ing = 1(3)(12) + 0.5(0.5)(12) = 36+3 = 39 Cos = 0.5(4)(12) = 24
Uti = 39 - 24 = 15
r(A3, 1): Ing = 1(3)(12) + 0.5(1)(12) = 36 + 6 = 42 Cos = 0.5(5)(12) = 30
Uti = 42 - 30 = 12
r(A4, 1): Ing = 1(3)(12) + 0.5(1.5)(12) = 36 + 9 = 45 Cos = 0.5(6)(12) = 36
Uti = 45 - 36 = 9
Ai \ j 1 = 3 2 = 4 3 = 5 4 = 6
A1 = 3 18 18 18 18
A2 = 4 15 24 24 24
A3 = 5 12 21 30 30
A4 = 6 9 18 27 36
Teniendo además información probabilística, se utiliza el criterio del VME para hallar la mejor
alternativa. La tabla esta en función de utilidades:
E{f(A1, j)} = 18(0.1) + 18(0.4) + 18(0.4) + 18(0.1) = 18.0
E{f(A2, j)} = 15(0.1) + 24(0.4) + 24(0.4) + 24(0.1) = 23.1
E{f(A3, j)} = 12(0.1) + 21(0.4) + 30(0.4) + 30(0.1) = 24.6
E{f(A4, j)} = 9(0.1) + 18(0.4) + 27(0.4) + 36(0.1) = 22.5
Luego:
Max E{f(Ai, j)} = Max {18, 23.1, 24.6, 22.5} = 24.6
Se debe elegir la tercera alterativa, preparar 5 docenas de pan, con una utilidad esperada de
$24.6
PREFERENCIAS CON EL VALOR ESPERADO.
Se intenta completar el análisis de las decisiones, incorporando los elementos teóricos necesarios
para dar validez al criterio del valor esperado. Considerando la tipología de aversión al riesgo,
esto conduce a una curva de utilidad:
 5

U(K)
Y

donde:
k: Capital disponible U(k): Utilidad del capital k
ésta curva se ajusta a la expresión: Y = a + b X + c X2 curva acotada y para c < 0.

Realizando los siguientes cambios de variable.

U(k) = Y k=X entonces U(k) = a + b k + c k 2 …. (1)

Conveniencias para alcanzar los objetivos:

1. En 1 a representa la distancia al origen en ambas fórmulas.
U(k) = 0 para k = 0
2. En 1 b determina la pendiente de la curva
3. En 1 es necesario que c = -1
entonces U(k) = k - k2 …. (2)
Expresión para un decisor que posee aversión al riesgo. Debemos determinar el valor esperado
de 2;
E{ U(k) } = E (k) - E (k2 ) …. (3)

Así el decisor ordenará sus preferencias conforme al valor esperado de sus utilidades. Es decir,
siendo k cada uno de los posibles capitales debemos ahora aplicar a cada curso de acción de la
matriz de pagos; la expresión 3.

EJEMPLO: ELABORACION DEL PAN

Matriz de pagos: utilidades
Ai \ J 1 = 3 2 = 4 3 = 5 4 = 6
A1 = 3 18 18 18 18
A2 = 4 15 24 24 24
 6

A3 = 5 12 21 30 30
A4 = 6 9 18 27 36

Aplicando a cada alternativa la expresión:

E{ U(k) } = E (k) - E (k2)
Ilustrando para la alternativa: A2
k p(k) k p(k) k2 k2 p(k)
15 0.1 1.5 225.0 22.5
24 0.4 9.6 576.0 230.4
24 0.4 9.6 576.0 230.4
24 0.1 2.4 576.0 57.6

Los valores obtenidos se ordenarán conforme el decisor prefiere el mayor valor esperado siendo:
-306.0 > -517.8 > -536.4 > -616.2
A1 > A2 > A4 > A3

EJEMPLO: PERFORACION DE POZOS DE PETROLEO

Una Cia. Petrolera posee tierras que supone que el subsuelo contiene petróleo, la Cia. clasifica
estas tierras en cuatro categorías según el número total de barriles que espera obtener:
a. Un pozo de 500,000 barriles
b. Uno de 200,000 barriles
c. Uno de 50,000 barriles
d. Pozo seco
La Cía. se enfrenta al dilema de:
i. Invertir en la perforación
ii. Alquilar incondicionalmente el terreno
iii Rentarlo a condición de la cantidad de petróleo
El costo de perforación de un pozo productivo es de $100,000 y el costo de la perforación de un
pozo seco es de 75,000. Si el pozo es productivo, la ganancia por barril de petróleo es de $1.5, si
el contrato es incondicional la Cia recibe $45,000 por la venta de la tierra. Mientras con el
contrato condicional recibe $0.5/barril, siempre que el pozo de al menos 200,000 barriles. De
otra manera no recibe nada.
La Cía. ha tenido experiencias en áreas geográficas similares, asignando las probabilidades
siguientes:
Pozo 500,000 b 200,000 b 50,000 b Seco
 7
Prob. 0.10 0.15 0.25 0.50

La Cía. desea conocer cuál es la alternativa adecuada y cuál es la ganancia esperada.

SOLUCION
Estados de la Naturaleza:
1: 500,000 barriles 2: 200,000 barriles
3: 50,000 barriles 4: Pozo seco
Alternativas:
A1: Perforación:
Costo pozo productivo $ 100,000
Costo pozo seco $ 75,000
Ganancia $ 1.50/barril
A2: Contrato incondicional:
Ganancia $ 45,000
A3: Contrato condicional:
Pozo  200,000 ganancia $ 0.50/barril
pozo < 200,000 ganancia $ 0.0
Matriz de pagos: expresados en ganancias:
r(1,1) = 500,000(1.5) - 100,000 = 650,000
r(1,2) = 200,000(1.5) - 100,000 = 200,000
r(1,3) = 50,000(1.5) - 100,000 = -25,000
r(1,4) = -75,000
Ai \ j 1 2 3 4
500,000 200,000 50,000 P. SECO
Perforar 650 200 -25 -75
Ren. Incond. 45 45 45 45
Ren. Cond. 250 100 0 0

Expresado en miles

Distribución probabilística: A Priori

j 1 2 3 4
P(j) 0.10 0.15 0.25 0.50

Beneficio esperado para cada alternativa

i= 1, 2, 3
 8
E{f(A1,j)} = 650(0.1) + 200(0.15) - 25(0.25) - 75(0.5) = 65 + 30 - 6.25 - 37.5 = 51.25
E(f(A2,j)} = 45((0.1) + 45(0.15) + 45(0.25) + 45(0.5) = 4.5 + 6.75 + 11.25 + 22.5 = 45
E{f(A3,j)} = 250(0.1) + 100(0.15) = 40
El máximo beneficio esperado:
Max E{f(Ai, j)}
VME = Max {51.25, 45, 40} = 51.25
Elegir alternativa A1, da el mayor beneficio esperado: 51.25

CRITERIO DE LA UTILIDAD ESPERADA

Utilidad: Es la transformación de los valores monetarios a una escala que refleja las
preferencias del tomador de decisiones. La utilidad puede ser usada para racionalizar la
inconsistencia que puede resultar al utilizar el valor monetario esperado.
Si el decisor actúa con el propósito de satisfacer una serie de supuestos razonables que son los
axiomas del comportamiento racional, existe una función de utilidad del decisor que elige como
alternativa más apropiada a la que maximice la utilidad esperada.

FUNCION DE UTILIDAD
Función numérica definida sobre los eventos donde el decisor elegirá y asignará una
probabilidad a cada evento de acuerdo a su preferencia. Por tanto, la función de utilidad tiene
que ser algo muy subjetivo y suficiente flexible para adecuarse a las características personales
del decisor:
 : E -----> (E)
Donde E= {e1,e2,...en}, 0  (E)  1

UTILIDAD ESPERADA:
Es el promedio de las preferencias del decisor:
 L   P  (e ) P(e )
j j j j
donde: 0  P(ej)  1 y 0  u(ej)  1
El perfil de la curva de utilidad guarda una relación con la aversión, indiferencia o propensión al
riesgo de un decisor:
U
Indiferencia al riesgo

Aversión al
riesgo

Propensión al
riesgo

eventos
 9

EVALUACIÓN SUBJETIVA DE LAS CONSECUENCIAS MONETARIAS

Las consecuencias monetarias pueden tener una utilidad diferente según el decisor y la situación
concreta de la que se trate. Los resultados monetarios obtenidos al escoger una alternativa tal vez
dependan:
 Del prestigio personal del decisor
 Del patrimonio financiero del decisor
 De la posibilidad de una bancarrota
 De la preferencia o aversión hacia el riesgo, etc.

LOTERIAS Y COMPORTAMIENTO RACIONAL

Podemos representar a la lotería como un experimento aleatorio cuyos resultados se indican con
el conjunto de eventos:
E = {e1, e2, ....en}
Donde la probabilidad subjetiva del decisor en cuanto a la ocurrencia del evento ej está dado
por:
Pj = P(ej) Donde  Pj = 1
Supuestos:
1. No hay dos premios exactamente iguales
2. Los premios reflejan cierta preferencia del decisor
Una lotería se considera como un problema de decisiones donde la naturaleza es la que toma la
decisión. Denotamos una lotería de una sola etapa:
L = {(P1,e1),(P2,e2),......(Pn,en)}
Donde Pj = P(ej)

Representación gráfica:
e1
p1
p2 e2
pj ej
L
pn
en
 10

EJEMPLO
Representación gráfica de la lotería L1:
0.30 e1
0.40 e2
L1 0.30
e3
En términos de conjuntos
L1 = {(0.30, e1), (0.40, e2), (0.30, e3)}

LOTERIA DE DOS ETAPAS

Interpretamos esta lotería de dos etapas, como un problema de decisiones de dos etapas, en el
que la naturaleza primero decide a que lotería Li de una sola etapa va a parar el jugador y
después el premio que obtiene. Proceso:
A. Dado el conjunto de eventos:
E = {e1, e2, ... en}
de la lotería:
Lk = {(P1, e1), (P2, e2), …. (Pj, ej) .... (Pn, en)}

B. Suponiendo el resultado (Pj, ej) de la lotería Lk, si el decisor decide apostar por segunda vez
por un premio del conjunto E anterior:
E = {e1, e2, … en}

Donde la lotería de segunda etapa es:

£ = {(q1, L1) (q2, L2)...... (qi, Li) ....(q, m)}

P1 e1
L1 P2
e2
Pn
en
q1
C. Representación gráfica:
P1 e1
q2 P2
£ L2 e2
Pn
en
qn
P1 e1
Lm P2
e2
Pn
en
 11

AXIOMAS DEL COMPORTAMIENTO RACIONAL

Una persona que toma decisiones racionales será aquella cuyo proceso lógico, para la toma de
decisiones satisfaga los axiomas:
1. Sean los eventos e1, e2. Se dan las siguientes posibilidades:
a. ei > ej ei es preferible a ej
b. ej > ei ej es preferible a ei
c. ei  ej es indiferentes al decisor
d. Si ei > ej y ej > ek  ei > ek
2. A un decisor racional le es indiferente una lotería £ de dos etapas y una lotería L de una sola
etapa
3. Para cada evento ej  E diferente de e1 y en le es indiferente a un decisor racional tener ej
con certeza y jugar en una lotería que tiene solo dos premios: el premio más favorable (e1) y
menos favorable (en) es decir:
L(ej) = {(j, e1), (1-j, en)}
4. A un decisor le es indiferente una lotería de una sola etapa L que una lotería del tipo £,
donde:
£ = {(p1, L1), (p2, L2),...(pn, Lm)}
5. Sean dos loterías elementales, de una sola etapa, L1 y L2. Un decisor puede considerar las
posibilidades del axioma 1, para loterías.

MODELO DEL COMPORTAMIENTO RACIONAL; Utilidad

Relacionando los axiomas del comportamiento racional, con el problema de determinar la
función de utilidad del decisor:
1. Sea un conjunto de eventos Ej /.
Ej = {e1, e2,...en}
2. Si Ej es representativo de cualquier lotería, de modo que el premio que se obtenga, será uno y
solamente uno.
3. Los eventos de Ej son enumerados en orden de preferencia por el decisor racional talque.
 12
e1: Evento de mayor preferencia
en: Evento de menor preferencia
4. Para cada evento ej, j = 2,3,4,..k,..,n-1 el decisor considera lo siguiente::
L(ej) = {(j,e1),(1-j,en)}
donde: e1: Premio más favorable
en: Premio menos favorable
Probabilidad  dado por el decisor para ganar el premio e1, en la lotería L(ej) para que
considere con indiferencia las ofertas de jugar a esa lotería y la de recibir con certeza el
premio ej
5. Sea j =  para cada premio ej del conjunto [Link] J = 2,3,...., n-1
6. Valor de j /. 0  j  1
7. Asociemos el número 1 = 1 con el premio e1 de mayor preferencia, y el número n = 0
con el premio en de menor preferencia.

EJEMPLO: DECISION DE CONTRATOS

El dueño de un pequeño negocio trata de decidir cuál de los dos contratos, que le han ofrecido
debe aceptar ya que sus recursos le impiden considerar los dos, o ninguno de los dos. Existe
cierto grado de incertidumbre acerca de los resultados finales, el negociante da las posibles
consecuencias de cada contrato, asociando a cada evento una probabilidad subjetiva. Las
consecuencias dados en ganancias o pérdidas y sus probabilidades de ocurrencia son:
CONTRATO A CONTRATO B
Resultados Probabilidad Resultados Probabilidad
50,000 0.6 40,000 0.5
20,000 0.1 30,000 0.35
-20,000 0.3 -10,000 0.15

SOLUCION
Expresando estos eventos en términos de lotería
Para A: La = {(0.6, 50,000), (0.1, 20,000), (0.3, -20,000)}
Para B: Lb = {(0.5, 40,000), (0.35, 30,000), (0.15, -10.000)}
Ningún contrato: Lc = {(1,0)}
Las tres loterías lo expresamos en una sola lotería donde el conjunto E se ordenan en una
secuencia de preferencias:
E = {50,000; 40,000; 30,000; 20,000; 0; -10,000; -20,000}
Identificando los eventos:
 13
e1: 50,000 el más favorable
e7: -20,000 el menos favorable
Asociando los índices de utilidad a los siguientes premios
(e1) = 1 de mayor preferencia
(e7) = 0 de menor preferencia
Formulando la lotería de preferencia:
L = {( (e1), e1),(1-(e1), e7)} donde 1 = (e1) = 1
Ahora, el conjunto de premios se reduce
E1 = {40,000, 30,000, 20,000, 0, -10,000}
El negociante que valor le da a  tal que lo haga indiferente entre recibir con certeza el premio
de 40,000 de E1 o elegir la lotería de referencia?. Es decir

40,000
1.0

50,000
1-
-20,000

El índice de utilidad para e = 40,000 es : (40,000) = 0.98

Siendo el conjunto de premios:
E2 = {30,000, 20,000, 0, -10,000}
La misma pregunta anterior para 30,000 30,000
1.0

50,000

1-

Indice de utilidad: -20,000

(30,000) = 0.95

Realizando el mismo procedimiento para los demás

(20,000) = 0.85 ( 0.0 ) = 0.65 (-10,000) = 0.40

Siendo la función de utilidad:

ej 50,000 40,000 30,000 20,000 0, -10,000, -20,000
(ej) 1.0 0.98 0.95 0.85 0.60 0.40 0.0
 14
Graficando el comportamiento del negociante:

(ej)

1.0

ej
-20 -10 0 10 20 30 40 50

Calculando la utilidad esperada, asociado a cada alternativa:

a = 1(0.6) + 0.85(0.1) + 0.0(0.3) = 0.685
b = 0.98(0.5) + 0.95(0.35) + 0.4(0.15) = 0.883
c = 0.6(1) = 0.6

Donde la máxima utilidad es:

Max{0.685, 0.883, 0.6} = 0.883

Se debe elegir la alternativa B.

ARBOL DE DECISION
Técnica que gráfica el grado del riesgo involucrado en una decisión y expresa el orden
cronológico de las acciones alternas de que dispone quien toma decisiones. Cualquier situación
decisiva se puede describir mediante el árbol de decisión, inclusive de múltiples etapas, siendo
restringido el uso de la matriz de pagos a situaciones de decisión de una sola etapa.
Un árbol de decisión se compone de:
1. Alternativa de decisión; en cada punto de decisión
2. Eventos; Ocurren como resultado de cada alternativa de decisión
3. Probabilidades; De que ocurran los eventos (estados de la naturaleza) posibles como resultado
de las decisiones.
 15
4. Resultados, (Expresados en términos económicos) de las posibles interacciones entre las
alternativas de decisión y los eventos.
Un árbol de decisiones se estructura enlazando nodos y ramas:
 En el árbol todos los eventos y alternativas están representados por líneas o ramas que
emanan de una intersección llamado nodo
 Un nodo de decisión representa el punto donde debe decidirse en elegir una alternativa. se
representa por un cuadrado 
 Un nodo probabilístico representa situaciones donde se da la incertidumbre en cuanto a la
realización de los estados de la naturaleza. Se representa por un circulo 
La solución de situaciones de decisiones, utilizando el árbol de decisión contempla dos etapas:
Diseño, Análisis. El Diseño se hace cronológicamente de izquierda a derecha y el Análisis en
sentido contrario.

EVALUACION DEL ARBOL DE DECISION

A este procedimiento se denomina, podar del árbol. Una vez simplificado el árbol, debe
calificarse las probabilidades de los estados y evaluarse el árbol de la siguiente manera:
1. Anotar la probabilidad de cada evento en la rama del árbol
2. Avanzando de derecha a izquierda asignar un resultado o resultado esperado a cada nodo.
Cuando una sola rama sale de un nodo, el resultado se coloca en el nodo.
3. Al evaluar un nodo de probabilidad con dos o más ramas se calcula el valor esperado y se
escribe en el nodo.
4. Al evaluar un nodo de decisión con dos o más ramas se asigna el mayor o menor de los
resultados esperados en el nodo.
5. Continuar el procedimiento hasta obtener resultado para el nodo inicial.
EJEMPLO: CASO PROTRAC
Se acaba de completar la fase de diseño y prueba del producto para la línea de tractores de casa y
de jardín de la PROTRAC. La administración desea elegir la alternativa adecuada que se usara
en la comercialización y producción de estos artículos. Se tiene tres alternativas:
1. AGRESIVA (A)
Gran inversión para un producto eficiente, se tendrá grandes inventarios, gran campaña de
publicidad a nivel nacional.
2. BASICA (B)
La producción del tractor E-4 se mudará a otra localidad, este producto sufrirá cambios, se
tendrá inventario de los ítems más populares. Las oficinas principales apoyaran la publicidad
local.
 16
3. CAUTELOSA (C)
La capacidad excedente de varias líneas de E-4, se usará para producir los nuevos
implementos. La producción se equipará para satisfacer la demanda y la publicidad quedará a
discreción del distribuidor

La administración decide clasificar la condición del mercado en fuerte (F) y débil (D), las
consecuencias en la matriz de pagos representan ganancias expresados en millones de dólares. Se
obtuvieron mediante un estudio de ventas asociados con cada combinación de alternativa y
estado de la naturaleza
Ai \ j F D
A: Agresivo 30 -8
B: Básico 20 7
C: Cauteloso 5 15
Probabilidad 0.45 0.55

SOLUCION
Utilizando el criterio del VME. Los pagos están expresados en ganancias
Max E {f(Ai, j)}
Calculando:
E {f(Ai, j)} = 30(0.45) - 8(0.55) = 9.10
E {f(Ai, j)} = 20(0.45) + 7(0.55) = 12.85
E {f(Ai, j)} = 5(0.45) + 15(0.55)= 10.50
La alternativa a elegir es la básica con $ 12.85 de ganancia
ARBOL DE DECISONES
1. DISEÑO:
El nodo inicial 1 es un evento en el que debemos elegir, por las alternativas, A, B, C
Cada rama A, B, y C terminan en los eventos probabilísticos, 2, 3 y 4 respectivamente
En cada nodo 2, 3 y 4 puede ocurrir un estado de la naturaleza F5o D30.0
0.45
F
0.55
2 6 -8.0
D
A
7 20.0
F
B
1 3
8 7.0
C D
F 9 5.0
4
D
1
15.0
0
 17

2. ANALISIS:
Es elegir la mejor alternativa
E(A) = 30(0.45) - 8(0.55) = 9.10
E(B) = 20(0.45) + 7(0.55) = 12.85
E(C) = 5(0.45) + 15(0.55) = 10.50
Árbol podado: 2 9.10
A

B
1 3 12.85
C

4 10.50

Evaluando los resultados:

La matriz de pagos esta expresado en utilidades
Max{ E(Ai) } = Max { 9.10, 12.85, 10.50 } = 12.85
La mejor alternativa es la B con $12.85 millones de ganancia

CRITERIOS PARA SITUACIONES DE INCERTIDUMBRE

La toma de decisiones en condiciones de incertidumbre completa significa que se desconocen las
probabilidades de ocurrencia de los diversos estados de la naturaleza. El carácter de
incertidumbre se asocia con el hecho de que se es incapaz de estimar o calcular las
probabilidades que se produzcan cada uno de los estados de la naturaleza.
Los criterios de decisión que se emplean cuando predominan estas condiciones de incertidumbre,
reflejan los valores personales El decisor se enfrenta a situaciones que pocas veces sucedieron y
en su afán de cuantificar esta incertidumbre, adopta una actitud intermedia entre el pesimismo y
el optimismo o algún otro criterio más conveniente, de acuerdo al nivel de aspiración del
decisor.

CRITERIO DE MAXIMIN (WALD)

 18
El decisor determina el peor resultado posible de cada alternativa y luego escoge la alternativa
cuya contingencia más desagradable sea la menos desastrosa. Es decir, elegir lo mejor de lo
peor:

Este criterio supone que la naturaleza es malévola y trata de hacer el mayor daño posible al
oponente(decisor), no siendo la naturaleza por lo general así. Un inconveniente de este
procedimiento es que no toma en cuenta la mayor parte de la información de la matriz de pagos,
porque considera los peores resultados de cada alternativa

EJEMPLO: DECISION DE ADQUIRIR UNA MAQUINA

El gerente de una empresa está considerando en expandir o no la capacidad de la fábrica,
comprando una de dos máquinas. Una de las cuales tiene el doble de capacidad y de precio. La
capacidad existente de la fábrica no es suficiente para satisfacer la demanda actual. Las ventas
por experiencia tienen una alta correlación con las condiciones económicas del país
A: Si las condiciones económicas mejoran en el futuro, la máquina de alta capacidad se
requerirá.
B: Si las condiciones permanecen estables, la máquina de baja capacidad será la adecuada
C: Si está a la vista una recesión, la capacidad actual bastará
Se tiene la matriz de pagos, que considera el gerente en términos de ganancias (Millones de
soles):
Ai \  1 2 3
A1 2.5 1.5 -1.0
A2 1.6 2.0 0.0
A3 1.2 1.2 0.8

SOLUCION
Alternativas: Estados de la naturaleza
A1: Comprar máquina de alta capacidad 1: Prosperidad
A2: Comprar máquina de baja capacidad 2: Estabilidad
A3: No comprar ninguna máquina 3: Recesión

Del ejemplo, calculando:

para i= 1,2,3

r(A1, j) = -1, r(A2, j) = 0.0, r(A3, j) = 0.8

 19

Luego; Maxmin { -1.0, 0.0, 0.8} = 0.8

Elegir la alternativa A3.

CRITERIO DEL COEFICIENTE DE OPTIMISMO (HURWITZ)

En lugar de ser completamente pesimista o completamente optimista, el decisor puede tener una
actitud intermedia. Para acomodar esta posibilidad Hurwitz propone una medida llamada
COEFICIENTE DE OPTIMISMO C que varia en valor 0 para un pesimismo completo y 1 para
un optimismo completo
Si C = 0 la regla coincide con el maximin
Si C = 1 la regla coincide con el maximax

Si una persona es parcialmente optimista debe asignar pesos apropiados a los resultados máximo
y mínimo de cada acto. Este criterio es un promedio ponderado de las reglas maximin y
minimax. El valor de Hurwitz se define:

Para nuestro ejemplo;

Calculando Max rij y Min rij para i = 1, 2, 3
Max rij 2.5 2.0 1.2
Min rij -1.0 0.0 0.8

Si el decisor es cauteloso y pesimista asigna C = 0.25

H(A1) = 2.5(0.25) - 1.0 (0.75) = - 0.125
H(A2) = 2.0(0.25) + 0.0(0.75) = 0.500
H(A3) = 1.2 (0.25) + 0.8(0.75) = 0.900
Luego: Max {-0.125, 0.500, 0.900} = 0.9,
Elegir alternativa A3.

CRITERIO DE LAPLACE
Puesto que no se conoce las probabilidades de ocurrencia de los estados de la naturaleza, se
supone que las probabilidades de su realización son las mismas para cada estado. Calculando
luego el valor monetario esperado a cada alternativa y se escoge la que tenga el valor monetario
más elevado
 20

i= 1, 2, 3, ..., m

Donde: Pj = 1 y Pj equiprobables

Para nuestro ejemplo, calculando:

E(A1) = 2.5(0.333) + 1.5(0.333) + (-1.0)(0.333) = 0.999
E(A2) = 1.6(0.333) + 2.0(0.333) + 0.0 (0.333) = 1.198
E(A3) = 1.2(0.333) + 1.2(0.333) + 0.8 (0.333) = 1.065

entonces Max {0.999, 1.198, 1.065} = 1.198

Elegir la alternativa A2.

CRITERIO DE PERDIDA DE OPORTUNIDAD (SAVAGE)

La pérdida de oportunidad para cualquier resultado es la diferencia entre el pago real y el que se
habría obtenido, si el acto optimo hubiera escogido para el estado de la naturaleza que fue
obtenido. La pérdida de oportunidad para una alternativa Ai y un estado particular j esta
representado por;

i=1,2..., m j=1, 2....n

Donde: A*; Alternativa optima para el estado j

A la nueva matriz de consecuencias, aplicar el criterio de:

Así este criterio (De la lamentación) es la diferencia entre el pago realmente recibido y el pago
que podría haber recibido el decisor, si hubiera conocido por anticipado que estado de la
naturaleza prevalece.
De nuestro ejemplo: La matriz de pérdidas(lamentaciones).
Ai \ j 1 2 3 Max r(Ai,j)
A1 0.0 0.5 1.8 1.8
A2 0.9 0.0 0.8 0.9
A3 1.3 0.8 0.0 1.3

Luego; Minimax {1.8, 0.9, 1.3} = 0.9

Elegir la alternativa A2.

VALOR ESPERADO DE LA INFORMACION PERFECTA

 21
Habiendo estudiado situaciones donde el decisor escoge alternativas en base a la información a
priori y sin contar con información adicional antes de tomar la decisión. Podemos superar estas
deficiencias haciendo uso del concepto del valor esperado de la información perfecta;
VEIP = BEIP - VME

El cálculo del beneficio con ayuda de la información perfecta, se basa en la ganancia esperada,
si el decisor tiene acceso a un pronosticador perfecto A* se supone que predice con exactitud
que estado de la naturaleza ocurrirá. El beneficio esperado en base a la información perfecta se
calcula ponderando estas ganancias optimas con las respectivas probabilidades de obtenerlas y
totalizando estos productos
BEIP =  r(A*,j) P(j)

Beneficio esperado en condiciones de incertidumbre:

BE(Ai) =  r(A,j) P(j) i = 1, 2, ...., n
Donde:
VME = Max {BE(Ai)}
Valor esperado con información perfecta: VEIP

Para maximización; VEIP = BEIP – VME

Para minimización; VEIP = VME - BEIP
Continuando con el ejemplo:
El gerente investiga en base a experiencias pasadas y en base a opiniones de expertos en el tema,
asigna probabilidades subjetivas a los eventos futuros:
P(1 : Prosperidad) = 0.20
P(2 : Estabilidad) = 0.50
P(3 : Recesión) = 0.30
Si el pronosticador predice con exactitud el estado natural que ocurrirá:
Si 1 : El decisor seleccionara r(A1*, 1) = 2.5
Si 2 : El decisor seleccionara r(A2*, 2) = 2.0
Si 3 : El decisor seleccionara r(A3*, 3) = 0.8
EVENTO GANACIAS PROBABILIDAD GANANCIAS
PRONOSTICADO CONDICIONALES ESPERADAS
r(A*, j) P(j) r(A*,j)P(j)
Prosperidad 2.5 0.20 0.5
 22
Estabilidad 2.0 0.50 1.0
Recesión 0.8 0.30 0.24
TOTALES 1.0 1.74

Luego: BEIP = 1.74.

Calculando:
BE(A1) = 2.5(0.20) + 1.5(0.50) - 1.0(0.30) = 0.95
BE(A2) = 1.6(0.20) + 2.0(0.50) + 0.0(0.30) = 1.32
BE(A3) = 1.2(0.20) + 1.2(0.50) + 0.80(0.30) = 1.08
Entonces:
VME = Max {0.95, 1.32, 1.08} = 1.32
Elegir la alternativa A2
Donde: VEIP = 1.74 - 1.32 = 0.42
Representa el aumento en el beneficio esperado por haber utilizado un pronosticador perfecto

ANALISIS DE SENSIBILIDAD
Tomando como referencia el caso PROTRAC. Considerando las ganancias esperadas para cada
alternativa en función a P(F). El valor monetario esperado para A:
E(A) = 30P(F) - 8P(D)
Donde: P(F) + P(D) = 1
P(D) = 1 - P(F)
Luego E(A) = 30P(F) - 8(1 - P(F))
= 30P(F) - 8 + 8P(F)
= 38P(F) - 8
El valor monetario esperado para B, C esta en función lineal de P(F)
E(B) = 13P(F) + 7
rendimiento
E(C) = esperado
-10P(F) + 15

30
Graficando el valor monetario esperado para cada alternativa
0.48
20

10

0 0.35 0.60

-10

C B A
P(F)=0 P(F)=1
 23

Si P(F) = 0.30  E(C) > E(B) > E(A)

El punto donde se cortan A y B: E(A) = E(B)
- 8 + 38P(F) = 7 + 13P(F)
 P(F) = 0.6

SITUACIONES DECISIVAS DE MUCHAS ETAPAS

Mientras que una situación decisiva de una sola etapa requiere una decisión en un solo punto del
tiempo. Una situación decisiva de muchas etapas requiere que se tomen más de una decisión en
diferentes puntos del tiempo.
La mejor manera de describir una situación de decisión de múltiples etapas es el árbol de
decisión. En su acercamiento a cualquier situación decisiva quien toma decisiones puede
eliminar muchas complejidades describiendo exactamente la situación (en orden cronológico) y
eliminando actos inferiores y estados inconsecuentes.
Árbol de decisiones de una sola etapa:
r11
1
A1 2 r12
2
1 r21
A2 3
r22

EJEMPLO: ESTUDIO DE MERCADO.

Colaco tiene activos de $150,000 y desea decidir si vende o no un refresco con sabor a
chocolate; La chocola, Colaco tiene tres opciones:

OPCION 1: Probar en forma local el mercado de chocola y a continuación, usar los resultados
del estudio de mercado para determinar si vende la Chocola a nivel nacional o no.
OPCION 2: Vender sin prueba del mercado, La chocola a nivel nacional.
 24
OPCION 3: Decidir sin prueba de mercado, no vender a nivel nacional.

A falta de estudio de mercado Colaco cree que chocola tiene 55% de probabilidades de ser éxito
nacional, y 45% de probabilidades de ser fracaso nacional. Si la chocola es éxito nacional, el
estado de inversiones de Colaco aumentará en 300 000 dólares y si es fracaso nacional los
activos actuales disminuirán en $ 100 000.
Si Colaco, lleva un estudio de mercado a un costo de $30 000 hay 60% de probabilidad que el
estudio dé resultado favorable, es decir éxito local. y 40% de probabilidades que el estudio
arroje resultados desfavorables, lo que se llama fracaso local.
Si hay éxito local, hay 85% de probabilidades que la chocola sea éxito nacional. Si se obtiene
fracaso local, hay sólo 10% de probabilidades que la chocola sea éxito nacional. Colaco desea
maximizar sus bienes.

SOLUCIÓN:
Situaciones controlables
A1: Hacer la prueba. B1: Vender a nivel nacional
A2: No hacer la prueba. B2: No vender a nivel nacional

Situaciones no controlables.
1: Éxito local 1: Éxito nacional
2: Fracaso local 2: Fracaso nacional
DISEÑO:
Los nodos terminales son opcionales; graficar así, si lo resuelve con un software computacional.
De usar el DECIDOR, se deberá registrar los nodos en esa150-30=120
secuencia, puesto que el programa lo
B2 6
hace así: 0.85 8 150-30+300=420
4 1
7
B1 2
1 0.15 9 150-30-100=20
0.60
2

0.40 120
2 B2 10
A1 0.10 12 420
5 1
11
B1 2
0.90 13 20
1
0.55 16
1 450
A2 B1 14 2
0.45 17 50
3
15
150
B2
 25

ANALISIS:
Evaluando el árbol,
E(7) = 420(0.85) +20(0.15) = 360 E(11) = 420(0.1) + 20(0.90) = 60
E(4) = Max {120, 360} = 360 E(5) = Max {120, 60} = 120
E(14) = 450(0.55) + 50(0.45) = 270
360
1
0.60
2
0.40
A1 2 120

1 B1 270
A2 3 150
B2
E(2) = 360(0.60)+120(0.40) = 264
E(3) = Max {270, 150] = 270
VME = E(1) = Max{ 264, 270} = 270

DECISIONES CON EXPERIMENTACION

Podemos tomar decisiones con información registrada que hayan tenido las mismas
condiciones ambientales con respecto al problema a tratar; Análisis preposteriori. También se
puede tomar decisiones con información fresca, es decir levantando información de campo
actual; Análisis a posteriori.

CRITERIO DE BAYES
Sea X variable aleatoria que expresa la información obtenida de una muestra aleatoria del
experimento, donde X se puede expresar como:
 La media muestral
 El máximo de la muestra
 Tercera observación de la muestra, etc
El decisor debe seleccionar una estrategia en el proceso de decisión en cuanto a la muestra:
 Forma
 Cantidad de experimentación
 26
 Alternativa para cada valor de X
Denotando esta función que debe elegir por d(X) cuando:
X=x entonces A = d(X)
alternativa a tomar. Una medida apropiada de las consecuencias de tomar la alternativa A=
d(X) cuando el estado verdadero de la naturaleza es  estará dado por el valor esperado de la
pedida/ganancia denominándose función de riesgo R(d, ):
R(d, ) = E {f(d(X), )}
El valor esperado se toma con respecto a la distribución de probabilidad de la V.A. X y la
función de perdida /ganancia incluye el costo de experimentación

La función de riesgo de bayes correspondiente a una función de decisión d y una distribución

de probabilidad a priori de  , P() esta dado:

(d)=

El principio de Bayes indica que se debe elegir la función d que minimice / maximice su pérdida
/ ganancia esperada.

Al observar los datos experimentales, se debe actualizar la distribución a priori, utilizando la

información experimental / campo respecto a la distribución de probabilidad de los estados de la
naturaleza, esta información actualizada es la distribución a preposteriori / posteriori de . La
distribución condicional de  dado X = x:
H /xi (j) Discreto
H /x (y) Continuo
Elegir la alternativa que minimice / maximice la pérdida / ganancia esperada

DISTRIBUCIONES PREPOSTERIORI / POSTERIORI.

Dado la variable aleatoria bivariada (X,) discreta.
Con distribución de probabilidad P(X, ).
Donde cada variable aleatoria tiene su distribución marginal

Sean las distribuciones condicionales

 27

La distribución conjunta de la v. a. (X, )

También

Igualando estas dos últimas expresiones, calculamos la distribución a posteriori

Luego

ANALISIS PREPOSTERIORI
La metodología de este criterio, considera los siguientes pasos:
1. Determinar las probabilidades preposteriori y marginales:

2. La evaluación de las alternativas Ai con:

3. Para cada resultado(clase) Xi de la prueba, se tiene la mejor alternativa R(A,j):

4. Beneficio esperado con información muestral: BEIM

BEIM =  R(d, j) * P( Xi)

5. Valor esperado con información muestral: VEIM

Para maximización; VEIM = BEIM – VME

Para minimización; VEIM = VME – BEIM

 28

6. Beneficio esperado con información perfecta: BEIP

BEIM =  r(A,j) * P(j)

7. Valor esperado con información perfecta: VEIP

Para maximización; VEIP = BEIP – VME
Para minimización; VEIP = VME – BEIP

TABLA O MATRIZ DE PAGOS.

EJEMPLO: PERFORACION DE POZOS
Continuación; Existe un costo asociado por la adquisición de la información mediante un
muestreo estadístico. Podemos simular los posibles resultados del muestreo:
Suponiendo que se realizan 100 sondeos sísmicos a un costo de $12,000, siendo la regla de
decisión:

Donde:
X1: Condición muy favorable para encontrar petróleo
X2: Condición favorable para encontrar petróleo
X3: Condición más o menos favorable para encontrar petróleo
X4: Condición desfavorable para encontrar petróleo

Resultados que dan las probabilidades condicionales; Q ( Xi, / j)

CLASIFICACION j 1 2 3 4
SISMICA Xi 500,000 b 200,000 b 50,000 b P. SECO
1 7 / 12 9 / 16 11 / 24 9 / 48
2 4 / 12 3 / 16 6 / 24 13 / 48
3 1 / 12 2 / 16 3 / 24 15 / 48
4 0 2 / 16 4 / 24 11 / 48

SOLUCION
Calculando la probabilidad marginal para:
 29

= 0.10(0.583) + 0.15(0.562) + 0.25(0.458) + 0.50(0.187)

= 0.0583 + 0.1170 + 0.1145 + 0.0935 = 0.3833

Calculo de las probabilidades a posteriori:

= 0.0583 / 0.3511 =

0.166

= 0.0844 / 0.3511 = 0.240

= 0.0333 / 0.2588 =

0.129
PROBABILIDAD A POSTERIORI DE LAS CUATRO CLASIFICACIONES SISMICAS:
Xi \ j 1 2 3 4
Prob. prior. 0.10 0.15 0.25 0.50
Prob. cond. Q ( Xi/j)
X1. 0.583 0.562 0.458 0.187
X2 0.333 0.187 0.250 0.270
X3 0.083 0.125 0.125 0.312
X4 0.00 0.125 0.166 0.229

Prob. Conj. Prob. Marg. Prob. Posteriori

P(j) Q(Xi / j) P(Xi) H(j/Xi)
Xi\j 1 2 3 4 1 2 3 4
X1 0.0583 0.0843 0.1145 0.0935 0.3506 0.166 0.240 0.326 0.266
X2 0.0333 0.0280 0.0625 0.1350 0.2588 0.128 0.108 0.241 0.521
X3 0.0083 0.0187 0.0312 0.1560 0.2142 0.038 0.087 0.145 0.728
X4 0.0000 0.0187 0.0415 0.1145 0.1747 0.000 0.107 0.237 0.655
Siendo los resultados del experimento:
CLASE 1
Máximo beneficio:
E{f(A1, j)} = 650(.166) + 200(.240) - 25(.326) - 75(.266) - 12 = 115.7
E{f(A2, j)} = 45(.166) + 45(.240) + 45(.326) + 45(.266) - 12 = 33.0
E{f(A3, j)} = 250(.166) + 100(.240) - 12 = 53.5
Max {115.7, 33, 53.5} = 115.7 Elegir alternativa A1
CLASE 2
 30
Máximo beneficio:
E{f(A1, j)} = 650(.128) + 200(.108) - 25(.241) - 75(.521) -12 = 47.7
E{f(A2, j)} = 45(.128) + 45(.108) + 45(.241) + 45(.521) -12 = 33.0
E{f(A3, j)} = 250(.129) + 100(.108) -12 = 31.05
Max {47.7, 33, 31.05} = 47.7 Elegir alternativa A1
CLASE 3
Máximo beneficio
E{f(A1, j)} = -27.5
E{f(A2, j)} = 33.0
E{f(A3, j)} = 6.45
Máx {-27.5, 33, 6.45} = 33 Elegir alternativa A2
CLASE 4
Máximo beneficio
E{f(A1, j)} = -45.675
E{f(A2, j)} = 33.0
E{f(A3, j)} = - 1.3
Máximo { -45.675, 33, -1.3} = 33 Elegir alternativa A2

Beneficio esperado con información de la prueba. BEIM

EXPERIMENTO [Link] PROB. MARGINAL
Xi R(d ,j) P(Xi) R(d ,j)*P(Xi)
X1 115.7 0.3506 40.5644
X2 47.7 0.2588 12.3447
X3 33.0 0.2142 7.0686
X4 33.0 0.1747 5.7651
BEIM = 65.7428

El valor esperado de la información de la muestra: VEIM

VEIM = 65.7428 - 51.25 = 14.4928

Realizar la prueba de mercado incrementa el rendimiento esperado en $14.4928, cantidad

adicional al costo $12 de la prueba

El valor esperado de la información perfecta: VEIP

 = j r(A,j) Ai P(j) P(j)r(A,j)

 31
1 650 A1 0.1 65
2 200 A1 0.15 30
3 45 A2 0.25 11.25
4 45 A2 0.5 22.50
BEIP = 128.7
VEIP = 128.75 - 51.25 = 77.5

beneficio esperado adicional, por encima del VME sin experimentación que se puede obtener
con información perfecta.

CRITERIO DEL ARBOL

EJEMPLO: PREDICCION DE LA TEMPORADA
Durante el verano, el nadador olímpico Adam Johnson práctica diario. En los días soleados va a
una piscina al aire libre, donde puede nadar gratis. En los días lluviosos debe ir a una piscina
bajo techo.
Al principio del verano tiene la opción de comprar un pase por $15.0 para la piscina techada, lo
que le permite entrar allí durante todo el verano.
Si no compra éste pase, debe pagar un $1.0 cada vez que entra a la piscina techada.
Los registros meteorológicos anteriores indican que hay 60% de probabilidad que el día sea
soleado, en cuyo caso hay un promedio de 6 días lluviosos en total y 40% de probabilidades que
el día sea lluvioso, en cuyo caso el promedio es de 30 días lluviosos en total.
Johnson compra una revista a $1.0 que tiene información meteorológica de las ciudades del país.
Si el pronóstico anuncia verano soleado, hay 93% de probabilidad que el día sea realmente
soleado. Si anuncia verano lluvioso hay 40% de probabilidad que en realidad el día sea lluvioso.
La meta de Johnson es el de reducir sus costos durante la época de verano.

SOLUCION
DATOS:
 Costo del uso de la piscina al aire libre: gratis.
 Costo piscina techada; pase de $15.0 por toda la temporada 0 $1.0/ingreso.
 Para día soleado: En promedio 6 días lluviosos en la temporada.
 Para día lluvioso: En promedio 30 días lluviosos en la temporada

Alternativas: A2: No comprar pase.

A1: Comprar pase. Estados de la naturaleza.
 32
1: Día soleado. 2: Día lluvioso.

Matriz de pagos: Costos

Ai \j 1 2
A1: 15 15
A2: 6 30
P(j) 0.60 0.40

Decisión sin experimentación:

Diseño
4 15.0
6 0
=0.
P ( )
A1 5 15.0
2 P()=0.40
1

A2 3 6 6.0

7 30.0

Análisis
E(2) = E(A1) = 15(0.60) + 15(0.40) = 15.0
E(3) = E(A2) = 6(0.60) + 30(0.40) = 15.60
Elegir alternativa A1: Comprar pase.

Decisión con experimentación

 Costo del pronóstico: $1.0
 Resultados del pronóstico
X1: Verano soleado X2: Verano lluvioso

Probabilidades condicionales: Q(Xi/j):

Xi \ j 1 2
X1 0.93 0.60
X2 0.07 0.40

Probabilidades preposteriori
 33
1 2
P(j) 0.60 0.40
Q(Xi/j)
X1 0.93 0.60
X2 0.07 0.40
P(j)Q(Xi/j) P(Xi) H(j/Xi)
X1 0.56 0.24 0.80 0.70 0.30
X2 0.04 0.16 0.20 0.21 0.79

Arbol: 6 16=15+1
H(1/X1)=0.70

4 7
H(2/X1)=0.30 16=15+1

A1
8 7=6+1
2
A2
P(X1)=0.80 5
9 31=30+1
1

12
P(X2)=0.20 H(1/X2)=0.21
A1 10
H(2/X2)=0.79 13
3
14
A2
11
15

Podando el árbol
Verano soleado:
E(4) = 16(0.70) + 16(0.30) = 16.0
E(5) = 7(0.70) + 31(0.30) = 14.22
E(2) = Min{ ] = 14.22  VMEx1 = 14.22 elegir A2
Verano lluvioso:
E(10) = 16(0.21) + 16(0.79) = 16.0
E(11) = 7(0.21) + 31(0.79) = 26.01
 34
E(3) = Min{ } = 16.0  VMEx2 = 16.0 elegir A1
VEIM:
Xi R(A, j) P(Xi) P(Xi)* R(A, j)
X1 14.22 0.80 11.35
X2 16.00 0.20 3.23

VMEexp = E(1) = BEIM = 14.578

VEIM = 15 – 14.58 = 0.42 costo del pronóstico $1.0

Entonces VEIM = 15 – (14.58 – 1) = 1.42

Por más información no se debe pagar más de: $1.42.

VEIP:
j r(A, j) P(j) P(j)* r(A, j)
1 6.0 0.60 3.60
2 15.0 0.40 6.00
BEIP = $9.60
VEIP = 15.0 – 9.60 = .40
los costos se reducen en $5.40 por tener un pronosticador perfecto.

ANALISIS POSTERIORI.
La metodología de este criterio, considera los siguientes pasos:
1. Determinar las probabilidades preposteriori y marginales: Para Xi

2. La evaluación de las alternativas Ai con:

3. Para el resultado(clase) Xi de interés, calcular:

4. Beneficio esperado con información perfecta: BEIP

BEIM =  r(A,j) * P(j)

5. Valor esperado con información perfecta: VEIP

 35
Para maximización; VEIP = BEIP – VME

Para minimización; VEIP = VME – BEIP

TABLA O MATRIZ DE PAGOS.

EJEMPLO: PERFORACION DE POZOS (Continuación)
La Cía. Petrolera obtiene información del año de una revista de geología que ha estudiado las
características del subsuelo de la región en donde se desea invertir. Se desea decidir con la
opción; X2 (Condición favorable para encontrar petróleo):
Q(X2/1) = 0.65 Q(X2/2) = 0.70 Q(X2/3) = 0.80 Q(X2/4) = 0.60
SOLUCION
Calculando las probabilidades a posteriori. H(j/X2):
j P(j) Q(X2/j) P(j)Q(X2/j) H(j/X2)
1 0.10 0.65 0.065 0.097
2 0.15 0.70 0.105 0.1567
3 0.25 0.80 0.200 0.2987
4 0.50 0.60 0.300 0.4478
P(X2) = 0.670
Beneficio esperado a posteriori:
E(Ai) =  r(Ai,j) H(j/X2), i = 1,2,3,4
Calculando:
E(A1) = 650(0.097) + 200(0.1567) - 25(0.2987 - 75(0.4478) = 53.36
E(A2) = 45(0.097) + 45(0.1567) + 45(0.2987) + 45(0.4478) = 45.0
E(A3) = 250(0.097) + 100(0.1567) + 0.0(0.2987) + 0.0(0.4478) = 39.93
Donde:
VME = Max {E(Ai)}
= Max {53.36, 45.0, 39.93} = 53.36 elegir alternativa A1

Beneficio esperado con información perfecta:

 = j r(A,j) H(j/X2) r(A,j) H(j/X2)

1 650 0.1 63.06
2 200 0.15 31.34
3 45 0.25 13.43
4 45 0.5 20.15
BEIP = 127.985
 36
Donde:
BEIP = 650(0.097) + 200(0.1567) + 45(0.2985) + 45(0.4478) = 127.985
VEIP = BEIP – VME = 74.627

CRITERIO DEL ARBOL

EJEMPLO: PREDICCION DE LA TEMPORADA (continuación)
Adam Johnson, prende el radio y escucha el pronóstico para el día de hoy, el cual dice:
Q(Verano soleado/día soleado) = 0.70
Q(Verano soleado/día lluvioso) = 0.50
Que debe hacer Johnson, para reducir sus costos de preparación en la competencia.
Datos:
Condiciones ambientales de la temporada, teniendo información del día de hoy:
Q(X1/1) = 0.70
Q(X1/1) = 0.50
Probabilidades posteriori: H(j/Xi)
j p(j) Q(Xi/1) P(Xi,j) H(i/Xi) P(Xi)
1 0.60 0.70 0.42 0.68 0.62
2 0.40 0.50 0.20 0.32

Árbol de decisiones. H(1/ 4 15

X1)=0.68
2
H(2/ 5 15
A1
X1)=0.32

1
6 6

A2 3

7 30
E(A1) = 15(0.68) + 15(0.32) = 15.0
E(A2) = 6(0.68) + 30(0.32) = 13.74
Donde VME = Min { } = 13.74 debemos de elegir A2
VEIP:
j r(A,j) Ai H(j/Xi) r(Ai,j)*H(i/Xi)
1 6.0 2 0.68 4.06
2 15.0 1 0.32 4.84
 37
BEIP = 8.90
VEIP = 13.74 – 8.90 = 4.84
Se tiene un ahorro de 4.84 por tener un pronosticador perfecto

COSTO DE LA INFORMACION PERFECTA

Función de riesgo

EJEMPLO: PERFORACION DE POZOS

Costo del muestreo: 12,000
Valor esperado de la información muestral
VEIM = 14.4928 (cantidad adicional al costo)

No se debe pagar más de 26.753 por la información adicional (muestreo)

Como 12 < 14.4928 + 12 = 26.4928
decidir con información adicional
Función de riesgo ponderado
B( d ) =  R( d , j ) P( j ) - C

R(d, 1) = 650(7/12) + 250(4/12 + 1/12) + 45( 0 ) - 12 = 471.333

R(d, 2) = 200(9/16) + 100(3/16 + 2/16) + 45 (2/16) - 12 = 137.375
R(d, 3) = -25(11/24) + 0 (6/24 + 3/24) + 45(4/24) - 12 = -15.958
R(d, 4) = -75(9/48) + 0(13/48 + 15/48) + 45(11/48) - 12 = -15.750

Luego:
B(d) = 471.33(0.10) + 137.375(0.15) - 15.958(0.25) - 15.75(0.50) = 55.869

La política arbitraría d genera una función de riesgo ponderado:

B(d) = 55.869

Por tanto, usar Bayes sin experimentación en relación a la política arbitraría genera una pérdida
de
 38
51.25 - 55.869 = -4.619