Capítulo 1

Análisis de Decisiones
Curso Investigación de Operaciones II
Notas de clase basadas en Introduction to Operations Research de Hillier y Lieberman,
2001.

Nicolás Eduardo Gómez Jacome MSc

1.1
Introducción

• Importante para la escenarios de toma de decisiones que

involucran incertidumbre.
• Ejemplos:
Empresa de Manufactura Al introducir un nuevo producto
al mercado: Cuánto se debe producir? Se
debe vender primero en una zona
geográfica reducida como prueba? Cuánta
publicidad se debe contratar?
Empresa Petrolera Al decidir si perforar en busca de
petróleo en una ubicación: Se debe
perforar? Qué tan profundo se debe
perforar? Se debe investigar más en el sitio
antes de perforar?
• Decisiones sin experimentación o con experimentación.
• Construcción de árboles de decisión.

1.3
Caso Ejemplo

Empresa Petrolera
Una empresa petrolera posee un terreno que puede tener
petróleo. Un geólogo le indica a la companía que hay una
probabilidad de 1 en 4 de que haya petróleo. La companía
puede decidir perforar el terreno en busca de petróleo o vender
el terreno a otra companía que le ofrece $90.000. El costo de
perforar es de $100.000. Si perfora y encuentra petróleo se
lograría un ingreso de $800.000.

1.5
Decisiones sin experimentación
Términos
Definition (Tomador de decisiones)
Quien tiene disponibles varias opciones para decidir cuál
ejecutar. Example: Empresa Petrolera.

Definition (Acción)
Cada una de las opciones de las que dispone el tomador de
decisiones. Deben considerarse las opciones factibles.
Example: Perforar o Vender.

Definition (Estados de la naturaleza)

Situación posible de la naturaleza o factores aleatorios fuera
del dominio del tomador de decisiones, que se definen
después de que se ha ejecutado la acción. Example: Hay
petróleo o no hay petróleo.

1.7
Términos

Definition (Pago)
Una medida cuantitativa del valor para el tomador de
decisiones de las consecuencias de un resultado. Un resultado
se logra después de ejecutar una acción y esperar por el
estado de la naturaleza. El tomador de decisiones debe
conocer el pago asociado a cada resultado posible, aunque
sea un valor esperado. Es muy común que sea utilidad.

Liste los posibles pagos para el caso ejemplo:

• Perforar y hay petróleo: $800.000-$100.000=$700.000.
• Perforar y no hay petróleo: $0-$100.000=-$100.000.
• Vender y hay petróleo: $90.000-$0=$90.000.
• Vender y no hay petróleo: $90.000-$0=$90.000.

1.8
Términos

Definition (Probabilidades a priori)

Probabilidades de ocurrencia de cada estado de la naturaleza.
Regularmente son subjetivas y dependen de la experiencia
pasada. Example: Hay petróleo: 0.25 o no hay petróleo: 0.75.

Definition (Matriz de pagos)

Organización tabular de las acciones, estados de la naturaleza
y sus correspondientes pagos.

Construya la Tabla de pagos para el caso ejemplo:

Estados de la naturaleza
Acción Hay petróleo No hay petróleo
Perforar 700.000 -100.000
Vender 90.000 90.000
Probabilidad a priori 0.25 0.75

1.10
Criterios de decisión

Definition (Criterio de Máximo Pago (Maximin))

Para cada acción posible, encuentre el mínimo pago sobre
todos los posibles estados de la naturaleza. Escoja la acción
cuyo mínimo pago sea el máximo de todas las acciones.

Ejemplo:
Estados de la naturaleza Mínimo pago
Acción Hay petróleo No hay petróleo
Perforar 700,000 -100,000 -100,000
Vender 90,000 90,000 90,000
Probabilidad a priori 0.25 0.75

Decisión: Vender.

1.12
Criterios de decisión

Definition (Criterio de Máxima Probabilidad)

Identifique el estado más probable de la naturaleza (basado en
la probabilidad a priori). Para este estado escoja la acción con
el pago máximo.

Ejemplo:
Estados de la naturaleza
Acción Hay petróleo No hay petróleo
Perforar 700,000 -100,000
Vender 90,000 90,000
Probabilidad a priori 0.25 0.75
Decisión: Vender.

1.14
 Criterios de decisión

Definition (Regla de Decisión de Bayes)

Con los mejores estimados de las probabilidades de los
estados de la naturaleza, calcule el valor esperado del pago
para cada posible acción. Escoja la acción con el máximo valor
esperado de pago.

Ejemplo:
Estados de la naturaleza
Acción Hay petróleo No hay petróleo
Perforar 700,000 -100,000
Vender 90,000 90,000
Probabilidad a priori 0.25 0.75

E [Pago de perforar] = 0,25(700, 000) + 0,75(−100,

000)
= 100, 000
E [Pago de vender] = 0,25(90, 000) + 0,75(90, 000)
= 90, 000
1.16
Criterios de decisión

Definition (Regla de Decisión de Bayes)

Con los mejores estimados de las probabilidades de los
estados de la naturaleza, calcule el valor esperado del pago
para cada posible acción. Escoja la acción con el máximo valor
esperado de pago.

Ejemplo:
Estados de la naturaleza Pago esperado
Acción Hay petróleo No hay petróleo
Perforar 700,000 -100,000 100,000
Vender 90,000 90,000 90,000
Probabilidad a priori 0.25 0.75

Decisión: Perforar.

1.17
Criterios de decisión

Definition (Análisis de Sensibilidad sobre la Regla de Decisión

de Bayes)
Es útil cuando hay incertidumbre sobre los parámetros del
problema. Es común que haya incertidumbre sobre la
probabilidad de ocurrencia de los estados de la naturaleza.

Ejemplo: si no se conoce con certeza el valor de la

probabilidad de que haya petróleo.
Definimos p como la probabilidad de que haya petróleo, y
1 − p como la probabilidad de que no haya petróleo.

E [Pago de perforar] = p(700, 000) + (1 − p)(−100,

000)
E [Pago de vender] == 800,
p(90,000p
000)−+100,
(1 −000
p)(90,
000) = 90, 000

En Excel: construyamos la gráfica para los valores esperados

de pagos.
1.18
Criterios de decisión
Definition (Análisis de Sensibilidad sobre la Regla de Decisión
de Bayes)
Es útil cuando hay incertidumbre sobre los parámetros del
problema. Es común que haya incertidumbre sobre la
probabilidad de ocurrencia de los estados de la naturaleza.
Ejemplo: si no se conoce con certeza el valor de la
probabilidad de que haya petróleo.

Tomado de Introduction to Operations Research de Hillier & Lieberman

1.19
Decisiones con experimentación

Términos

Definition (Probabilidades a posteriori)

Probabilidades de ocurrencia de cada estado de la naturaleza
mejoradas después de pruebas o experimentación adicional.

Ampliación del Caso ejemplo:

Se puede realizar un estudio de suelos, de costo $30,000, que
indicará si la estructura geológica es favorable (EGF) o no
(EGN) para la presencia de petróleo. Se tendrá:

P[EGN|Hay petróleo] = 0,4, P[EGF|Hay petróleo] = 0,6

P[EGN|No hay petróleo] = 0,8, P[EGF|No hay petróleo] = 0,2

Ejercicio: Calcular las probabilidades a posteriori. (Sugerencia:

Usar el Teorema de Bayes)

1.21
 Teorema de Bayes

P(NP)P(EGF|NP)
P(NP|EGF) =
(0,75)(0,2) + P(P)P(EGF|P)
P(NP)P(EGF|NP) 1
= =
(0,75)(0,2) + (0,25)(0,6) 2

P(P)P(EGN|P)
P(P|EGN) =
P(P)P(EGN|P) + P(NP)P(EGN|NP)
(0,25)(0,4) 1
= =
(0,25)(0,4) + (0,75)(0,8) 7

P(NP)P(EGN|NP)
P(NP|EGN) = P(NP)P(EGN|NP) + P(P)P(EGN|P)
(0,75)(0,8) 6
= =
(0,75)(0,8) + (0,25)(0,4) 7

1.24
Pagos esperados

1 1
E [Pago(Perforar| ]= (700, 000) + (−100, 000) − , 000
2 2
EGF) 30
= 270,
0001 1
E [Pago(No perforar| ] = (90, 000) + (90, 000) − , 000
2 2
EGF) 30
= 60,000
1 6
E [Pago(Perforar| ]= (700, 000) + (−100, 000) − , 000
7 7
EGN) 30
= −15,714
1 6
E [Pago(No perforar| ]= (90, 000) + (90, 000) − , 000
7 7
EGN) 30
= 60,
000

Se concluye:
• Si el estudio resulta favorable (EGF) se debe perforar,
• Si el estudio resulta no favorable (EGN) no se debe
perforar.
 Probabilidades a posteriori

P(EGF) = P(P)P(EGF|P) + P(NP)P(EGF|NP)

= (0,25)(0,6) + (0,75)(0,2) = 0,3
P(EGN) = P(P)P(EGN|P) + P(NP)P(EGN|NP)
= (0,25)(0,4) + (0,75)(0,8) = 0,7

E [Pago con experimentación] = E [Pago|EGF]P(EGF )

+ E [Pago|EGN]P(EGN)
= (270, 000)(0,3) + (60, 000)
(0,7)
= 123, 000
Se calcula la ganancia por llevar a cabo la experimentación:
Ganancia por experimentación = E [Pago con experimentación]
− E [Pago sin experimentación]
= 123, 000 − 100, 000 = 23,
000
1.26
 Medidas relevantes
Definition (Pago esperado con información perfecta (GECIP))
Valor esperado del pago si se supiera a ciencia cierta el
estado de la naturaleza.

E [Pago con información perfecta] = (0,25)(700, 000)+

(0,75)(90, 000) = 242,
500

Definition (Valor esperado de la información perfecta (VEIPER))

Máximo valor a pagar por información perfecta.

VEIPER = 242, 500 − 100, 000 = 142, 500

VEIPER = GECIP − GECOR

GECOR : es la ganancia esperada bajo condiciones de riesgo.

Esta fue calculada con las probabilidades a priori usando la
1.28 Regla de Decisión de Bayes.
Medidas relevantes

Definition (Pago esperado con experimentación’)

Valor esperado del pago si se realiza la experimentación, sin
incluir el costo de la experimentación.

E [Pago con experimentación’] = (0,30)(300, 000)+

(0,70)(90, 000) = 153,
000

Definition (Valor esperado de la experimentación)

Máximo valor a pagar por la experimentación.

E [Experimentación] = 153, 000 − 100, 000 = 53,

000

1.29
 Diagrama de Árbol de Probabilidades
Es útil para representar los eventos y sus probabilidades de
forma intuitiva.

Tomado de Introduction to Operations Research de Hillier & Lieberman

1.41
 Diagrama de Árbol de Probabilidades
Es útil para representar los eventos y sus probabilidades de
forma intuitiva.

Tomado de Introduction to Operations Research de Hillier & Lieberman

1.42
 Árbol de Decisión
Es útil para representar el problema y realizar los cálculos para
resolverlo.

1.45 Tomado de Introduction to Operations Research de Hillier & Lieberman

 Ejercicios

Ejercicio No. 1 (Tomado de Teoría y Problemas sobre

Métodos Cuantitativos en Administración por John
Ullman, 1981, Ejercicio 10.31)
Una investigación sísmica que costó $500.000, puede
proporcionar cualquiera de cinco descubrimientos geológicos.
Su exactitud pasada se proporciona en la siguiente tabla:
Resultado Perforación habría resultado
del estudio Buena Mala

I 0,6 0,05
II 0,2 0,1
III 0,1 0,1
IV 0,05 0,25
V 0,05 0,5
Si el pozo se perfora y no se encuentra petróleo habrá una
pérdida de $3’000.000; si hay petróleo, la utilidad será de
$20’000.000. La probabilidad previa de que haya petróleo es
de 0,1. Encuentre la decisión óptima y la ganancia esperada.
1.47
 Ejercicios

Ejercicio No. 2 (Tomado de Introduction to Operations

Research de Hillier y Lieberman, 2001, Ejercicio 15.2-6)
You are given the following payoff table (in units of thousands
of dollars) for a decision analysis problem:
State of nature
Alternative S1 S2 S3

A1 220 170 110

A2 200 180 150
Prior probability 0.6 0.3 0.1
a) Which alternative should be chosen under the
maximin payoff criterion?
b) Which alternative should be chosen under the
maximum likelihood criterion?
c) Which alternative should be chosen under
Bayes’ decision rule?

1.48
 Ejercicios

Ejercicio No. 2 (Tomado de Introduction to Operations

Research de Hillier y Lieberman, 2001, Ejercicio 15.2-6)

d) Using Bayes’ decision rule, do sensitivity

analysis graphically with respect to the prior
probabilities of states S1 and S2 (without
changing the prior probability of state S3) to
determine the crossover point where the decision
shifts from one alternative to the other. Then use
algebra to calculate this crossover point.
e) Repeat part d) for the prior probabilities of states
S1 and S3.
f) Repeat part d) for the prior probabilities of states
S2 and S3.
g) If you fell that the true probabilities of the states
of nature are within 10 percent of the given prior
probabilities, which alternative would you
choose?
1.49
 Ejercicios

Ejercicio No. 3 (Tomado de Notas de Clase de Barbosa, R.

y Galindo, G.
You are to finance a new product where both the demand and
the unit cost are uncertain. The best estimates for demand and
unit cost for the coming year are shown below (unit cost in
thousand dollars, demand in thousand units):
Demand 13 14 15
Probability 0.25 0.50 0.25
Unit Cost 8 9
Probability 0.20 0.80
Any amount which remains unsold at the end of the year is lost.
1 If the product is sold for $8.90 per unit, would you
recommend the financing of this project?
2 If yes, how many items would you recommend to be
produced?
3 What is the financial consequence of your choice?

1.50
 Ejercicios

Ejercicio No. 4 (Tomado de Notas de Clase de Barbosa, R.

y Galindo, G.
Un almacén abastece una demanda representada como
sigue:
Demanda 50 60 70
Probabilidad 0.25 0.35 0.40
Una vez empieza el día, el valor de X se vuelve conocido. Si
hay faltantes, estos se satisfacen haciendo un pedido urgente
que cuesta 10 UM por pedido y además, el costo de cada
unidad se incrementa en un 50 %. Los artículos excedentes se
rematan a 80 % de su costo inicial. El costo del producto
normalmente es de 40 UM, mientras que su precio de venta es
75 UM.
1 Halle el GECOR, GECIP y VEIPER.
2 Repita suponiendo que la demanda es una variable
uniforme entre 50 y 70.

1.51
 Ejercicios
Ejercicio No. 5 (Tomado de Notas de Clase de Barbosa, R.
y Galindo, G. Para recoger, en parejas.
En una empresa se ensambla un producto que consta de dos partes: PA y PB.
Alrededor de 10 % de las PA son no conformes y igualmente alrededor de 5 %
de las PB. Para que el producto final sea conforme, tanto la PA como la PB en
el ensamble deben ser conformes. Se está considerando contratar a un
inspector que ha sido sometido a pruebas, y se han obtenido las siguientes
probabilidades de validez:
Resultado Conforme No conforme
Satisfactorio 0.97 0.20
No satisfactorio 0.03 0.80
Cada unidad despachada que resulta buena al cliente da una ganancia de
2000, cada unidad despachada que resulte no conforme al cliente genera una
penalización de 100, y cada unidad retenida injustamente genera una pérdida
de 200. Además, los reclamos injustos por parte del cliente generan una
pérdida de 150. El costo de fabricación unitario es de 500. La producción
diaria es de 50000 unidades.
1 Qué tanto está dispuesto a pagar por el inspector?
2 Repita pero suponga que el cliente a su vez también tiene un inspector
con las siguientes probabilidades de validez:
Resultado Conforme No conforme
Satisfactorio 0.90 0.15
1.52
No satisfactorio 0.10 0.85